醫(yī)院后勤機電設(shè)備智能風險管理

醫(yī)院后勤機電設(shè)備智能風險管理機電系統(tǒng)的安全運行是醫(yī)院生命支持系統(tǒng)管理的核心內(nèi)容，準確預(yù)測醫(yī)院后勤機電設(shè)備的運行風險，對機電系統(tǒng)的安全運營及整個醫(yī)院的高質(zhì)量發(fā)展具有重要意義。故本文基于深度學習提出一種醫(yī)院后勤機電設(shè)備智能風險管理方法。文中深入分析了影響機電設(shè)備運行風險的因素，構(gòu)建了全面的風險管理指標體系，設(shè)計了適用于實際風險預(yù)測及評價的風險管理模型結(jié)構(gòu)和參數(shù)。最后對醫(yī)院后勤機電設(shè)備智能風險管理領(lǐng)域存在的問題和發(fā)展趨勢進行了探討?！娟P(guān)鍵詞】醫(yī)院后勤機電設(shè)備 深度學習 智能風險管理1引言醫(yī)院作為重要的特殊公共建筑，其機電設(shè)備繁多，系統(tǒng)復(fù)雜。在后勤方面，大型綜合醫(yī)院有空調(diào)、冷熱源、通風、給排水、變配電、照明、電梯等機電設(shè)備，這些設(shè)備數(shù)量多，分布廣，使用頻繁，需要對其進行高效、智能的安全管理，以此保障醫(yī)院的安全生產(chǎn)及高質(zhì)量發(fā)展［1-3］。但傳統(tǒng)的管理手段存在諸多不足，管理質(zhì)量低下，尤其在風險管理方面，管理方法和技術(shù)發(fā)展緩慢，大多醫(yī)院依舊只是依靠人工對設(shè)備進行定期巡檢或利用信息化手段對設(shè)備的一些參數(shù)進行監(jiān)測，缺乏對風險的有效分析和風險管理機制［4］。近年來，學者們開始對醫(yī)院后勤的風險管理進行研究，包括風險識別、風險控制、風險管理體系建設(shè)等［5-7］。其中，文獻［5］引入澳新風險管理標準，全面梳理醫(yī)院后勤現(xiàn)存或潛在的風險，進行風險分析與評估，并制定相應(yīng)的預(yù)防措施和應(yīng)急措施，建立了以人員、設(shè)備、管理為主的風險管理體系。然而，此類管理方法只能依靠經(jīng)驗預(yù)防風險的發(fā)生或提高應(yīng)對風險的能力，對機電設(shè)備將要發(fā)生的風險不能提前預(yù)測、全局管理，距離高質(zhì)量管理要求還有很大距離。人工智能技術(shù)的發(fā)展為研究智能化的機電設(shè)備風險管理提供了新的方向。其中，以深度學習為代表的新一代人工智能技術(shù)快速興起，相比傳統(tǒng)機器學習方法擁有更優(yōu)秀的自學習特征提取能力，廣泛應(yīng)用于金融、醫(yī)療、交通、工業(yè)等領(lǐng)域，均取得了令人矚目的成果。因此，可以利用深度學習提取醫(yī)院后勤發(fā)生安全問題設(shè)備以及沒有發(fā)生安全問題設(shè)備的風險預(yù)警指標數(shù)據(jù)特征，構(gòu)建風險管理模型，對機電設(shè)備是否會發(fā)生運行風險事故進行提前預(yù)測及評價，實現(xiàn)機電設(shè)備的智能風險管理，提高醫(yī)院后勤管理質(zhì)量。本文將最新的人工智能技術(shù)，深度學習方法，應(yīng)用到醫(yī)院后勤機電設(shè)備風險管理領(lǐng)域，對醫(yī)院后勤機電設(shè)備智能化的風險監(jiān)測和管理進行了初步探索。2深度學習理論愉「?=情坨圖1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度學習2深度學習理論愉「?=情坨圖1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度學習深度學習的概念來源于人工神經(jīng)網(wǎng)絡(luò)的研究，設(shè)計原理是對大腦皮層進行模擬，對數(shù)據(jù)或信號進行逐層提取及表達，包含輸入層、輸出層和隱藏層，每層有若干個神經(jīng)元，且神經(jīng)元之間有連接權(quán)重［8］。相比普通學習算法，深度學習具有多隱層結(jié)構(gòu)的特點（如圖1所示），能更好地逼近復(fù)雜的預(yù)測函數(shù)，保證信息提取與特征表達的準確性。深度學習是一種數(shù)據(jù)驅(qū)動的算法，無需建立系統(tǒng)的準確物理模型，只需對系統(tǒng)運行的歷史數(shù)據(jù)進行訓練和學習，即可自動生成特征量，從而完成故障診斷、風險評價和自動識別等任務(wù)。深度學習涉及到很多的機器學習方法，因此有多種變化類型，本文擬采用基于BP神經(jīng)網(wǎng)絡(luò)的深度學習方法，其基本思想是先進行預(yù)訓練（非監(jiān)督過程），然后把預(yù)訓練的結(jié)果用來初始化各隱層的權(quán)值，再用BP方法進行權(quán)值更新。此方法繼承了BP神經(jīng)網(wǎng)絡(luò)的所有優(yōu)點，其本身模型結(jié)構(gòu)的變化和層數(shù)的加深又獲得以下兩大優(yōu)勢：（1） 深度學習的層次較深，使其具備了自主學習特征的能力，而它學習到的特征對原始數(shù)據(jù)有著更加深刻的描述，進一步提高風險管理模型的性能。（2） 有效的解決了BP算法訓練的局限性：需要大量有標簽樣本數(shù)據(jù)及容易陷入局部最優(yōu)解。3醫(yī)院后勤機電設(shè)備風險管理模型的構(gòu)建醫(yī)院后勤機電設(shè)備風險管理的重要內(nèi)容就是對機電設(shè)備運行風險進行預(yù)測和評價，預(yù)測某個設(shè)備運行的未來發(fā)展形態(tài)，其本質(zhì)就是數(shù)據(jù)分類問題，利用深度學習方法超強的學習能力、自適應(yīng)能力，通過特征積累，預(yù)測機電設(shè)備運行風險的未來趨勢，實現(xiàn)風險的智能化管理。3.1風險管理指標體系的構(gòu)建機電設(shè)備的風險管理是一個動態(tài)的、綜合的、復(fù)雜的操作，風險管理指標體系的科學合理性對風險預(yù)測及評價的準確性和有效性有很大的影響。風險分析定性研究是定量研究的前提和基礎(chǔ)，在選擇機電設(shè)備風險管理指標之前要首先明確機電設(shè)備風險的基本概念和風險分類的標準，根據(jù)概念和標準選擇那些針對性強、關(guān)聯(lián)性多的指標，構(gòu)建風險識別、預(yù)測和評價的指標體系。（1） 環(huán)境安全指標環(huán)境安全是機電設(shè)備安全運行的基礎(chǔ)。在機電設(shè)備正常運行的情況下，機電設(shè)備的運行風險主要來源于環(huán)境的變化，通常監(jiān)測的指標包括環(huán)境的溫度和濕度。另外，機電設(shè)備在醫(yī)院中位置分布也是對機電設(shè)備運行進行風險評價的參考因素，不同位置的機電設(shè)備發(fā)生的風險，對醫(yī)院及患者的影響程度也不同，風險評定等級也就不一樣。因此，環(huán)境安全指標主要包含溫度、濕度和位置分布等。（2） 運行狀態(tài)指標運行狀態(tài)是直接反映機電設(shè)備運行狀況的重要指標，也是機電設(shè)備風險預(yù)測及評價的關(guān)鍵因素。機電設(shè)備在發(fā)生故障時可能導(dǎo)致風險事故的發(fā)生，比如液氧系統(tǒng)發(fā)生故障時可能會影響患者的供氧、配電系統(tǒng)發(fā)生故障時會影響患者就醫(yī)或搶救的及時性等。尤其在機電設(shè)備突發(fā)運行故障時，可能導(dǎo)致的安全風險極大，如電梯突發(fā)故障，里面乘坐的患者或醫(yī)院職工，其生命安全會受到極大威脅。因此不僅需要對機電設(shè)備是否正常運行進行監(jiān)測，還需對可能引起機電設(shè)備故障的運行狀態(tài)指標進行監(jiān)測。對于不同的機電設(shè)備，引起機電設(shè)備故障或異常的原因也不一樣，需監(jiān)測的運行狀態(tài)指標也不一樣。比如，配電系統(tǒng)需監(jiān)測電流、電壓、溫度等參數(shù)，而液氧系統(tǒng)則需監(jiān)測流量、壓力、液位等參數(shù)。因此，在選擇運行狀態(tài)指標時，需要結(jié)合機電設(shè)備的具體特性來考慮，本文不—列舉。（3）維修保養(yǎng)指標維修保養(yǎng)是機電設(shè)備長期正常運行的重要保障。機電設(shè)備在日常運行中一般會進行定期巡檢保養(yǎng)，一方面能夠及時發(fā)現(xiàn)機電設(shè)備存在的問題，消除風險隱患，另一方面能夠使機電設(shè)備保持良好運行狀態(tài)，降低風險發(fā)生概率。因此，機電設(shè)備歷史的巡檢保養(yǎng)記錄是風險管理的重要因素。另外，如果一個設(shè)備的維修次數(shù)越多，其發(fā)生風險事故的概率也就越大，所以歷史維修記錄也是機電設(shè)備風險預(yù)測的重要指標。同時，機電設(shè)備運行的歷史時間長短也影響其發(fā)生運行風險的概率，運行時間越長，壽命越短，發(fā)生故障而產(chǎn)生風險的可能性越大。維修保養(yǎng)指標主要包括歷史運行時間、歷史維修次數(shù)、巡檢和保養(yǎng)周期及次數(shù)等。綜上，構(gòu)建的醫(yī)院后勤機電設(shè)備風險管理指標體系包括環(huán)境安全指標、運行狀態(tài)指標、維修保養(yǎng)指標等3個方面。該指標體系不僅從多個角度選擇了反映機電設(shè)備運行風險的指標，還將靜態(tài)指標與動態(tài)指標相結(jié)合，既有反映機電設(shè)備基本信息的靜態(tài)指標，也有反映機電設(shè)備運行狀況的動態(tài)指標，還有巡檢記錄、保養(yǎng)記錄等周期變化的動態(tài)指標。3.2風險管理模型的設(shè)計深度學習網(wǎng)絡(luò)由多層的神經(jīng)元構(gòu)成，可以應(yīng)用在很多實際的分類識別問題中。為了解決面臨的問題，需要構(gòu)建適用于所要解決問題的深度學習網(wǎng)絡(luò)模型。深度學習網(wǎng)絡(luò)是一個非常復(fù)雜的模型，涉及很多的問題。本文針對醫(yī)院機電設(shè)備風險管理的問題，以構(gòu)建的風險管理指標體系中的指標作為輸入，設(shè)計所需深度學習網(wǎng)絡(luò)的模型及參數(shù)。設(shè)計過程中主要涉及以下幾個方面的問題：初始權(quán)值選取、層節(jié)點數(shù)確定、激活函數(shù)選取、訓練停止條件、誤差函數(shù)選取。（1）初始權(quán)值選取本文選用隨機梯度下降的方法訓練提出的風險管理模型，模型參數(shù)（權(quán)值，偏置）的初始化顯得相對比較重要。因此，本文擬采用隨機初始化的方式對提出的風險管理模型的權(quán)值進行初始化，并使權(quán)值的初始值在［-1,1］之間。相關(guān)研究表明，大多數(shù)情況下此種方法會取得比較理想的結(jié)果，能夠得到比較優(yōu)的局部最小值和比較快的收斂速度。（2） 層節(jié)點數(shù)確定深度學習網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層構(gòu)成。輸入層的節(jié)點數(shù)要與輸入數(shù)據(jù)的維度保持一致，所以輸入層的節(jié)點數(shù)需根據(jù)構(gòu)建的具體指標體系確定。輸出層的節(jié)點數(shù)要與數(shù)據(jù)的分類類別保持一致，本文將機電設(shè)備的風險分為4類：正常運行、低等風險、中等風險和高等風險，因此輸出節(jié)點數(shù)量設(shè)置為4。隱藏層節(jié)點數(shù)的確定相對復(fù)雜，以能正確反映輸入輸出關(guān)系為原則，應(yīng)選取較少的隱藏層節(jié)點數(shù)，本文擬采用網(wǎng)絡(luò)結(jié)構(gòu)增長型方法：開始的節(jié)點數(shù)設(shè)置為較小的值，然后慢慢增大節(jié)點數(shù)值，并對提出的深度學習模型進行訓練，測試預(yù)測誤差，直至預(yù)測誤差趨于穩(wěn)定。（3） 激活函數(shù)選取激活函數(shù)的功能是把深度學習網(wǎng)絡(luò)中神經(jīng)元的輸入映射到輸出，控制低層梯度彌散的力度和稀疏化能力決定了激活函數(shù)的質(zhì)量。因此，本文擬采用ReLU(Rectifierlinearunits)函數(shù)作為激活函數(shù)，其能夠把負數(shù)轉(zhuǎn)換成0值，可表示任何非負的實數(shù)，具有很好的稀疏性，同時緩解了梯度彌散問題［9］。ReZU=max(O,jc) (1)訓練停止條件一般有兩種選擇：一種是訓練的誤差達到設(shè)定的閾值時結(jié)束訓練，這種閾值一般是由所要解決的問題對精度的要求進行評估得到；另外一種是當訓練的迭代次數(shù)達到預(yù)先設(shè)置的數(shù)值時結(jié)束訓練。由于在現(xiàn)實中，訓練都是有時間限制的，需要限制迭代的次數(shù)。因此，本文擬采用第二種方法，一旦迭代的次數(shù)達到預(yù)先設(shè)定的值，就結(jié)束訓練。這種方法比較簡單有效，并且是當前深度學習領(lǐng)域?qū)W者最常使用的方法。誤差函數(shù)選取誤差函數(shù)是用來衡量模型好壞的重要標準，能夠更好地分析模型的預(yù)測效果。對于深度學習網(wǎng)絡(luò)的訓練，一般選用均方差根誤差RMSE作為模型性能評價指標：RMSE=上忑切*⑵，其中，M表示輸出節(jié)點的個數(shù)，N指訓練樣本的數(shù)量，xij為模型期望輸出值，yij表示模型的實際輸出。綜上，本文基于深度學習提出的醫(yī)院后勤機電設(shè)備風險管理模型，其設(shè)計工作及內(nèi)容如圖2所示。晚險管控指標體系的構(gòu)建維修保養(yǎng)￡活行狀態(tài)環(huán)境安全維修保養(yǎng)￡活行狀態(tài)環(huán)境安全圖2基于深度學習的醫(yī)院后勤機電設(shè)備風險管理模型設(shè)計圖4結(jié)論和展望本文針對醫(yī)院后勤機電設(shè)備，研究構(gòu)建了風險管理指標體系，并基于深度學習設(shè)計了醫(yī)院后勤機電設(shè)備智能化風險管理模型。因為利用人工智能方法進行醫(yī)院后勤機電設(shè)備風險管理的研究處于起步階段，缺少相關(guān)訓練數(shù)據(jù)，所以本文未對構(gòu)建的醫(yī)院后勤機電設(shè)備風險管理模型進行訓練和驗證。但深度學習的出現(xiàn)，改變了