目的:基于模糊聚类评估技术构建心电监护仪运行质量管理模型,探讨其在心电监护仪质量管理中的应用效果.方法:从故障诊断和运行质量评估两方面进行心电监护仪质量管理,构建硬件结构和系统性能评估指标体系,采用模糊聚类算法进行运行健康状态等级评定,根据评估结果进行设备分类管理和预警检修.选取2022年1-12月首都医科大学附属北京友谊医院急诊科在用的心电监护仪设备,将1-6月期间在用的12台设备采用常规心电监护仪监测管理方法(简称常规管理),7-12月期间在用的13台设备基于模糊聚类评估技术构建心电监护仪运行质量管理模型(简称质量管理)进行管理.研究期间常规管理方法共收集440项报警参数数据,质量管理方法收集480项报警参数数据,对比两种管理方法的心电监护仪报警参数正确率、设备使用人员使用满意度评分和月故障发生率.结果:采用质量管理方法的心电监护仪报警参数设置正确率为90.21%(433/480),高于常规管理方法,差异有统计学意义(x2=8.265,P＜0.05);设备使用人员对采用质量管理方法心电监护仪系统质量、服务质量、信息质量、净收益、用户满意度和总满意度评分分别为(19.47±3.25)分、(19.55±4.14)分、(18.92±2.08)分、(19.34±2.39)分、(19.82±3.37)分和(97.10±3.39)分,均高于常规管理方法,差异有统计学意义(t=7.358、4.481、2.859、5.304、2.297、29.001,P＜0.05);采用质量管理方法的心电监护仪6个月内发生故障15次,月均故障发生率为3.97%,低于常规管理方法(12.71%),差异有统计学意义(x2=4.672,P＜0.05).结论:基于模糊聚类评估技术的心电监护仪运行质量管理模型应用于急诊科心电监护仪管理,可有效提高心电监护仪的正确报警率,降低心电监护仪故障发生率,提高设备使用人员使用满意度.

目的:构建基于萤火虫算法(FA)的呼吸机管路积水故障诊断模型,以降低呼吸机管路积水故障概率.方法:构建基于萤火虫算法的呼吸机管路积水故障诊断模型,采用目标函数、多目标数学模型等方法,对呼吸机管路积水故障进行精确判断.选择2022-2023年北京大兴区人民医院在用20台呼吸机设备,应用呼吸机管路积水故障诊断模型对20台呼吸机设备管理进行改进,将2022年1-12月设定为设备管理改进前,2023年1-12月设定为设备管理改进后,对比呼吸机设备管理改进前后的故障率、运行质量、抽检合格率及设备使用人员的认可度评分情况.结果:呼吸机设备管理改进后,呼吸机管路积水故障中冷凝水处理、管路位置、湿化罐情况和其他原因均低于改进前,差异有统计学意义(x2=11.875、14.636、11.834、11.039,P＜0.05);改进后的呼吸机设备运行质量中开机率、完好率、时间利用率、质量稳定率均高于改进前,差异有统计学意义(t=11.520、12.145、9.189、13.637,P＜0.05);改进后设备故障率低于改进前,抽检合格率明显高于改进前,差异有统计学意义(x2=5.625、15.000,P＜0.05);改进后设备使用者中工程师、医生、护士和患者对其认可度评分均高于改进前,差异有统计学意义(t=11.093、11.080、16.006、11.049,P＜0.05).结论:基于FA的呼吸机管路积水故障诊断模型可实现对呼吸机管路积水故障精确判断,降低呼吸机管路积水故障概率,有效提升医院呼吸机设备管理质量.

目的:基于粒子群优化(PSO)算法构建设备风险管理模型,探讨其在急诊科心电监护设备管理中的应用价值.方法:采用PSO算法优化神经网络模型构建心电监护设备风险管理模型,收集北京市普仁医院心电监护设备运行风险数据进行归一化处理,并将2021年11月至2023年10月北京市普仁医院急诊科在用的30台心电监护设备,按照设备管理模式不同对其分别采用反向传播(BP)神经网络模型(简称传统BP模式,设备运行时段为2021年11月至2022年10月)和PSO算法的设备风险管理模型(简称PSO算法模式,设备运行时段为2022年11月至2023年10月)进行管理,比较两种管理模型设备风险故障识别效果(测试集与训练集)、警报风险控制效果和设备故障维修诊断用时.结果:采用PSO算法的测试集风险故障数据识别受试者工作特征(ROC)曲线下面积(AUC)值、准确率、灵敏度和特异度分别为0.869、93.6%、92.8%和95.1%,训练集风险故障数据识别AUC值、准确率、灵敏度和特异度分别为0.839、95.6%、97.9%和96.7%,均高于传统BP模式,差异有统计学意义(x2测试=3.691、4.023、3.557、3.409,x2训练=6.884、5.962、5.334、3.215;P＜0.05).采用PSO算法的心电监护设备警报阈值合格率和设备维护平均合格率分别为(98.61±3.07)%和(98.79±3.11)%,均高于传统BP模式,警报静音率为(1.14±0.27)%,低于传统BP模式,差异均有统计学意义(Z=11.831、10.020、21.141,P＜0.05).采用PSO算法的心电监护设备内部报修用时、外部报修用时、故障诊断用时和报修总用时分别为(1.21±0.96)、(3.18±1.09)、(5.08±1.93)和(10.95±2.81)min,均少于传统BP模式,差异有统计学意义(t=15.404、19.020、16.694、25.511,P＜0.05).结论:基于PSO算法构建的心电监护设备风险管理模型应用,能够提高心电监护设备风险故障数据识别灵敏度、特异度和准确性,提升警报阈值合格率和设备维护合格率,降低警报静音率,缩短故障诊断报修用时.

点阵激光治疗仪广泛使用基于模拟PID控制器的驱动器来控制振镜,将激光脉冲以点阵图形的方式扫描人体组织表面,以实现预期的治疗效果.然而,这类振镜驱动器由无源元件和运算放大器组成,它们只能单向接收点阵激光治疗仪中控系统的扫描定位指令,并且通常只能通过比较电路对振镜进行简单的故障诊断,这可能会降低点阵激光治疗仪的安全性.针对这些问题,该研究首先分析并总结了振镜可能出现的各种故障机理,以及这些故障对点阵激光治疗仪安全运行的影响.接着,在数字振镜驱动器的基础上,针对传统振镜系统故障诊断策略的不足,提出了自适应限位保护、线圈断路故障诊断、基于二次握手的通信超时故障诊断以及振镜控制超时故障诊断策略.这些策略的实施提高了点阵激光治疗仪扫描手具的整体安全性.最后,通过实验验证了这些保护策略的有效性.

氦压缩机是超导磁共振成像(MRI)设备制冷系统核心部件,及时解决氦压缩机故障对保障超导磁体低温系统的稳定性至关重要.以Sumitomo F-70型氦压缩机为例,分析超导MRI氦压缩机的结构组成及功能原理,并对常见的氦压缩机故障提出维修思路及解决方法,通过制定规范化的故障维修策略,为其他型号氦压缩机故障提供参考,以提高临床技术保障质量.

目的:构建基于数据驱动的大型医疗影像设备运维管理模式,分析其在医学装备管理中的应用价值.方法:数据驱动的大型医疗影像设备运维管理模式包括运维管理模式架构、设备良好状态监测管理平台架构、历史数据故障诊断模型架构和运维管理.选取2020年1月至2022年2月成都市公共卫生临床医疗中心在用的16台大型医学影像设备,根据管理模式不同分别采用传统医疗影像设备运维管理模式(简称传统管理模式)和数据驱动大型医疗影像设备运维管理模式(简称数据驱动模式),对比两种管理模式的设备图像成像效果、设备故障频次、设备成本效益和设备使用及管理人员满意度评分.结果:数据驱动模式的设备诊断结果准确性、患者信息准确性、图像体位合格率、图像清晰度、图像合格率、图像优质率和图像成像总评分的平均分分别为(9.78±1.25)分、(9.88±1.11)分、(9.54±1.08)分、(9.66±1.27)分、(9.83±1.43)分、(9.86±1.63)分和(58.55±1.44)分,均高于传统管理模式,其差异有统计学意义(t=4.958、5.268、6.522、4.327、9.765、3.923、21.474,P＜0.05);研究期间内数据驱动模式的自修和人为故障分别发生22次和10次,均低于传统模式,而预判故障24次,高于传统模式,其差异有统计学意义(x2=4.363、4.294、18.692,P＜0.05);参与设备使用及管理的影像医师、设备维护人员、影像技师和患者对数据驱动模式的满意度评分分别为(94.52±6.15)分、(91.19±5.35)分、(89.27±4.93)分和(92.24±5.51)分,均高于传统管理模式,其差异有统计学意义(t=6.504、5.534、6.821、9.556,P＜0.05).结论:基于数据驱动的大型医疗影像设备运维管理模式可提高影像设备成像质量,降低故障发生率,减少设备维修与养护成本,提升使用人员满意度.

目的 提出一种故障诊断方法,以有效诊断变压吸附(Pressure Swing Adsorption,PSA)制氧机气控阀故障类别,防止因气控阀故障造成PSA制氧机无法工作.方法 运用时域和频域分析方法分析气控阀动力信号,选取表征典型故障的特征值,并运用选出的特征值对支持向量机(Support Vector Machine,SVM)训练,获得准确的SVM模型.使用该SVM模型对待测气控阀压力信号进行故障标签分类.结果 选取10个维修返厂气控阀进行无标签验证,每个气控阀采集200组数据,放入该SVM模型中进行故障诊断.实验结果与SVM模型预测结果完全相同,实验验证准确率为100%.结论 提出一种基于时域、频域特征与SVM模型相结合的制氧机气控阀故障诊断方法,通过此方法可高效地诊断气控阀的故障类别,实现准确更换或修复气控阀内元件,为后续气控阀故障诊断提供思路和方法.

目的:为快速诊断Sysmex CS5100全自动血凝分析仪故障,提出一种基于贝叶斯估计的故障诊断方法.方法:首先,通过多个传感器采集血凝分析仪的输出信号数据,并采用贝叶斯估计算法对数据进行融合处理;其次,将提取数据融合后的幅值作为血凝分析仪的特征参数;最后,根据信号幅值特征参数计算血凝分析仪故障数据间的依附率,然后结合k近邻算法完成血凝分析仪的故障诊断.结果:采用该方法可精准判断血凝分析仪的故障状态并及时发出预警信息.结论:提出的方法计算过程简单、操作难度低、诊断结果可靠,能够满足血凝分析仪的故障诊断要求.

本文通过分析锐柯DR一例特殊故障处理,为同行提供借鉴. 1 故障现象设备运作正常无错误信息. 医生反馈四肢关节等图像效果变差. 2 故障诊断及处理图像噪声点增加,加大条件后基本满足诊断需求.

目的:设计开发基于实时电流监测的医疗设备故障识别系统,监测设备运行电流数据,通过数据对比分析实现医疗设备故障识别.方法:分析医疗设备电流信号特征,使用规则推理故障识别技术,建立基于电流信号特征值数据的故障综合数据库;采用浏览器与服务器(B/S)架构,前端采用Vue渐进式框架开发,后台服务器采用CentOS 8操作系统开发,使用Python编程语言以及MySQL数据库;采用高精度交流变送器、单片机和蓝牙芯片制做小型故障识别系统检测终端,实时采集医疗设备电流数据并与故障知识库中特征值进行比对识别.结果:医疗设备故障识别系统采集到的设备电流数据与电特性原理中负载越多电流越高的电气特性相符合.完成的部分品牌监护仪、呼吸机、除颤仪和超声的故障特征值获取和故障识别实验显示,该系统能够进行部分急救医疗设备的故障识别,辅助工程师进行故障诊断.结论:基于电流实时监测的医疗设备故障识别系统,将传感器技术、信息化技术和大数据分析应用于医疗设备故障识别,可直观表现医疗设备正常、故障及待机等状态下的差异.