針對現代醫療設備維修貴、維修難、技術資料缺乏及維修力量不足的困境，本文提出了一種基于故障樹的多參數監護儀故障智能診斷專家系統。首先建立了多參數監護儀故障樹并進行了定性定量分析，然后基于故障樹分析結果構建了專家系統知識庫和推理機并確定了系統整體框架，最后采用頁面超文本預處理器(PHP)語言開發實現了多參數監護儀故障智能診斷專家系統，故障診斷準確率達80%。結果表明：基于故障樹和專家系統的兩種故障診斷技術融合可有效實現多參數監護儀故障智能診斷并提供排故建議，既能為多參數監護儀故障診斷提供經驗積累，又能為醫療設備故障診斷提供一種新的思路和技術支持。
引用本文： 范莉萍, 郎朗, 肖晶晶, 張詩慧, 種銀保, 呂思敏. 基于故障樹的多參數監護儀故障智能診斷專家系統研究. 生物醫學工程學雜志, 2022, 39(3): 586-595. doi: 10.7507/1001-5515.202110009 復制
引言
傳統的醫療設備故障診斷與維修，由維修工程師基于維修經驗、設備技術圖紙和結構原理等，通過逐點循跡的方式完成故障定位與原因診斷，維修效率低，對技術圖紙和維修經驗依賴嚴重[1]。由于現代醫療設備集成度高、組成復雜、技術圖紙被保護及維修力量缺乏，傳統的維修方式難以為繼。而外請廠家或第三方維修工程師進行維修的方式成本高，響應速度慢。隨著人工智能、數據挖掘等技術的發展，面向現代醫療設備的故障診斷開始探索新的方法。Israelski等[2]用故障模式效果分析及故障樹分析法系統評估醫療器械潛在故障。張詩慧等[3]基于一種實驗室虛擬儀器工程工作臺實現了現代醫療設備無圖紙條件下的故障診斷。劉香君等[4]提出一種基于長短時記憶網絡的醫療設備故障智能診斷方法對醫療設備電路板實現了故障診斷。然而，這些面向現代醫療設備的故障診斷方法或實際應用效率不高，或只是針對醫療設備的單一模塊。因此，如何有效解決醫療設備故障診斷面臨的上述問題，提高其故障檢修效率，成為當前醫療設備管理工作亟待解決的問題。作為醫院廣泛使用的急救類醫療設備之一，多參數監護儀數量眾多、應用范圍廣、監測參數多及使用時間長[5]。因此，本文以多參數監護儀為研究對象，研究設計基于故障樹的多參數監護儀故障智能診斷專家系統，通過整合專家經驗和人工智能技術，結合深知識和淺知識，實現時間與空間的拓展，使普通運維人員具備多參數監護儀故障診斷領域專家的水平，提高醫療設備故障自修能力和故障診斷效率，保障醫療業務穩定開展和降低醫療設備維修成本。
1 多參數監護儀故障樹構建及分析
1.1 多參數監護儀故障樹構建
故障樹是一種評估復雜結構系統可靠性的有效方法，該方法通過廣泛地分析梳理系統故障發生的原因，并以邏輯門建立事件間的邏輯關系，從而建立起故障樹模型，正確的故障樹模型是故障樹分析的基礎和關鍵[6-7]。多參數監護儀是集聲、光、電、磁等為一體的高度集成化設備，主要由包含各種傳感器的物理模塊和內置計算機系統組成。當其工作時，通過外接設備采集人體生理信號，然后經模擬信號電路進行濾波、放大等處理后進入數字信號電路轉換成數字信號，在微處理器中計算后再經過數模轉換輸出到顯示屏顯示給用戶，即為可見的心電圖（electrocardiogram，ECG）、脈搏血氧飽和度（pulse oxygen saturation，SPO2）、無創血壓（noninvasive blood pressure，NIBP）等信號參數及波形[8]。基于多參數監護儀結構原理，通過分析總結其常見故障，以“多參數監護儀無法正常工作”為頂事件（T），以五大類常見故障現象為二級中間事件（M1~M5），逐層分析故障原因，直至確定所有相關底事件（X1~X39），建立故障樹如圖1所示。圖1對應的事件類型、故障代碼和故障名稱如表1所示。
圖1
多參數監護儀故障樹
Figure1.
Fault tree of multi-parameter monitor
表1
多參數監護儀故障樹代碼含義
Table1.
Code meaning of the fault tree of multi-parameter monitor
1.2 最小割集
最小割集是故障樹可靠性分析的基本概念之一，是系統發生故障的根本原因[9]。本文采用下行法及布爾運算求取故障樹的最小割集，即為相互獨立的各底事件，如式(1)所示：
 |
1.3 底事件故障概率及關鍵重要度
1.3.1 底事件故障概率
由于傳統的多參數監護儀故障研究大多以定性的案例分析為主，缺乏面向整個設備的系統研究及定量研究，相關故障數據缺乏。因此，本文采用專家評價法和聚合模糊數計算故障樹底事件的故障概率，計算流程如圖2所示[10]。
圖2
底事件故障概率計算方法
Figure2.
Failure probability calculation of base events
首先基于職稱、工齡、學歷三個評判因素給參與本研究的15名多參數監護儀維修專家進行打分（標準為1~5分），評判因素級別越高得分越高。基于專家得分情況，采用層次分析方法為專家分配權重，如表2所示。然后引入“非常低”、“很低”、“低”、“中等”、“高”、“很高”、“非常高”7個自然語言變量（F非常低、F很低、F低、F中等、F高、F很高、F非常高）評價底事件故障可能性，并采用三角模糊數［隸屬度函數，如式(2)所示］對專家評價意見進行模糊化處理[11]。
表2
專家得分及權重分配
Table2.
Scores of experts and their weights
 |
最后，為有效降低專家評判的主觀性差異，本研究采用聚合模糊數計算15名專家的綜合評判意見[12]，計算步驟如圖2所示。然后采用均值面積法對聚合模糊數去模糊轉換成模糊可能性分數（fuzzy possibility score，FPS）（以符號FPS表示），從而得到常規故障概率[13-14]。即，若某個底事件的聚合模糊數為（a, b, c），去模糊計算FPS如式(3)所示：
 |
然后，計算故障概率（P）如式(4)所示:
 |
其中，C = 2.301 × [(1 ? FPS)/FPS]1/3。因此，計算可得各底事件的故障概率如表3所示。
表3
底事件故障概率
Table3.
Failure probability of base events
1.3.2 底事件關鍵重要度
底事件的關鍵重要度表示底事件的故障概率所引起的頂事件的故障概率的變化程度，計算公式如式(5)所示[15]。通過分析底事件的關鍵重要度有助于確定系統薄弱環節，優化系統設計和排故方案。
 |
其中，P(TXi = 0)表示底事件Xi不發生時頂事件發生的概率，P(TXi = 1)表示底事件Xi發生時頂事件發生的概率，Pi表示底事件Xi的故障概率。由此得各底事件關鍵重要度如圖3所示。
圖3
底事件關鍵重要度
Figure3.
Critical importance of base events
根據圖3可知，X3、X17、X22、X31對應的事件對多參數監護儀系統故障的發生影響較大，在系統優化設計、日常使用及故障診斷過程中應重點關注。
2 多參數監護儀故障智能診斷專家系統設計及實現
2.1 專家系統知識庫構建
2.1.1 知識表示
專家系統是人工智能的一個重要研究方向，通過模擬人類專家思維過程推理解決問題并給出問題結論[16]。其主要由知識庫、數據庫、推理機、人機界面組成，其中知識庫和推理機為核心，決定了其解決問題的能力和速度[17]。專家系統通過“知識+推理”實現故障診斷過程，本文基于多參數監護儀故障樹知識，采用產生式規則表示法表示故障知識。產生式規則表示法基本形式為：if“條件”then“結論”，當條件滿足時，結論成立[18]。在多參數監護儀故障智能診斷專家系統中，故障征兆的原因為規則中的條件，故障征兆為規則中的結論。對應故障樹知識，從故障樹頂事件出發，以上層事件作為結論，對應的下層事件作為條件，以if“條件”then“結論”的形式表示知識間的邏輯關系，完成知識的規則轉化。以開機故障樹為例，提取規則如圖4所示。
圖4
開機故障樹故障規則
Figure4.
Fault rules of startup fault tree
2.1.2 知識存儲
采用產生式規則表示法獲取的故障知識還不能直接被計算機識別，需要進一步轉化為能被計算機識別的形式，因此本文采用MySQL數據庫（MySQL Workbench 8.0 CE，瑞典）管理專家系統知識，從而構造專家系統知識庫。由于故障規則較多，且每個故障征兆與故障原因對應關系為1∶1或1∶n，因此采用數據表的方式存儲故障診斷知識，以保證知識的獨立性從而便于知識的維護更新。知識庫主要包含兩類數據表，表格間以主鍵相聯系。
（1）故障分類表，如表4所示。存放多參數監護儀故障樹頂事件和全部的中間事件，以身份標識(identity document，ID)記錄字段，ID和父ID分別對應規則的下級條件事件和上級結論事件，頂事件無對應的上級父ID，該表是專家系統故障診斷中過程推理的基礎。
表4
故障分類表
Table4.
Fault classification
（2）故障原因表，如表5所示。存放故障原因、所屬故障分類、排故建議、故障概率、關鍵重要度及采納次數，該表是故障診斷中結論推斷的基礎。
表5
故障原因表
Table5.
Fault cause list
2.2 專家系統推理機設計
2.2.1 推理方法
推理方法主要包括基于模型的推理方法、基于案例的推理方法和基于規則的推理方法[19-20]。其中，基于規則的推理方法可根據推理方向分為正向推理、反向推理和混合推理[21]。正向推理是指基于現存故障征兆及其規則，通過持續匹配其對應規則的前級條件，從而得到故障原因。本文采用基于規則的正向推理，以故障樹為基礎，從故障現象出發，逐級往下推理驗證每個節點，直到找出故障原因。
2.2.2 沖突消解策略
沖突消解策略是指當專家系統在推理過程中遇到多條能夠匹配的知識時如何選用最合理的一條知識的策略[22]。推理機匹配知識時，遇到多條能與上一級匹配的知識即為“沖突”，在多條知識中選出最適用的一條的過程為“沖突消解”。本文采用基于故障概率優先級的沖突消解策略，基于故障樹定量分析的結果，當遇到多條規則匹配時，率先選擇故障概率較高的知識所對應的規則進行匹配，從而提高推理速度。具體推理過程如圖5所示。
圖5
專家系統故障診斷推理過程
Figure5.
Fault diagnosis reasoning process of expert system
2.3 專家系統整體框架設計
為保證所開發的專家系統界面友好、操作簡單，本文基于MySQL數據庫（MySQL Workbench 8.0 CE，瑞典），采用基于網頁的瀏覽器/服務器模式，利用頁面超文本預處理器(page hypertext preprocessor，PHP)語言開發實現系統功能。基于網頁的多參數監護儀故障智能診斷專家系統通過瀏覽器實現故障診斷等功能，客戶端瀏覽器通過超文本傳輸協議向服務器端輸入發送故障診斷請求，由服務器端接收對應的指令，并調用數據挖掘工具遠程對象的相關函數方法進行數據處理，然后將故障診斷結果通過超文本傳輸協議傳回到客戶端瀏覽器，并展示給用戶。界面跨平臺、易升級和共享性高，客戶通過網頁即可進行輸入、瀏覽、查詢等簡單功能，系統開發和維護集中在服務器端，因此系統更新完善時只需在服務器端進行即可。系統框圖如圖6所示，主要由數據層、業務層、表現層、用戶層組成。
圖6
多參數監護儀故障智能診斷專家系統整體框架
Figure6.
Framework of the intelligent fault diagnosis expert system for multi-parameter monitor
3 多參數監護儀故障智能診斷專家系統實現及評價
3.1 專家系統主要功能實現
3.1.1 故障診斷功能
本文開發的多參數監護儀故障智能診斷專家系統 V1.0（陸軍軍醫大學第二附屬醫院，中國），主要用于實現多參數監護儀故障智能診斷功能，同時具備用戶登錄、知識維護、故障分類、（設備）類型管理、權限管理、常規管理、系統日志等界面和功能，如圖7左側菜單欄所示。故障診斷為該系統的核心功能，主要界面如圖7所示。用戶通過故障診斷主界面選擇設備類型，然后輸入故障征兆關鍵詞，系統即可根據輸入的關鍵詞進行故障推理診斷。故障診斷完成后，界面上將顯示診斷出的故障原因及對應的故障類型、排故建議、故障概率和關鍵重要度，用戶可結合故障概率或關鍵重要度的高低和實際維修順序（由外及里、由機械到電氣），根綜合系統給出的故障診斷結果進行排故處理。
圖7
故障診斷主界面及功能
Figure7.
Main interface and function of fault diagnosis
以開機后顯示故障（即多參數監護儀開機運行后，顯示屏無法正常顯示）為例，使用專家系統進行故障診斷時操作流程及結果如下所示：首先選擇設備類型為“多參數監護儀”，在故障診斷界面搜索框中輸入故障征兆關鍵詞“顯示故障”，點擊搜索框開始診斷，在主界面下方顯示8條記錄，如圖8所示，用戶可根據故障概率高低選擇對應的故障原因及排故建議進行排故處理。
圖8
故障診斷結果顯示
Figure8.
Results display of fault diagnosis
3.1.2 知識維護功能
知識維護功能主要通過知識維護相關界面實現，系統管理員與專家具有操作權限，包括知識維護主界面、故障分類主界面和類型管理主界面，通過此三個界面可向該系統補充新的故障知識及編輯現有故障知識、擴充新的設備類型，保證了系統的適應能力和更新能力：① 知識維護主界面：主要實現添加新的故障知識或對現有知識進行編輯功能。② 故障分類主界面：主要實現添加新的故障類型功能，添加新的故障類型時，通過選擇上級故障，可確定不同故障類型之間的因果關系。③ 類型管理主界面：主要實現添加新的設備類型或編輯現有設備信息功能，包括設備名稱、品牌、型號、圖片等信息。
3.2 專家系統測試
從陸軍軍醫大學第二附屬醫院醫學工程科隨機選擇30臺故障多參數監護儀，根據科室上報的故障征兆，使用多參數監護儀故障智能診斷專家系統進行故障診斷，通過分析故障診斷結果對系統進行評價，測試結果如表6所示。
表6
專家系統測試結果
Table6.
Results of expert system test
結果顯示，本文所開發的多參數監護儀故障智能診斷專家系統，在30臺故障多參數監護儀中準確完成了24臺設備的故障診斷，故障診斷準確率達80%，同時給出了排故建議。經系統測試評價，證明本文所構建的基于故障樹的多參數監護儀故障智能診斷專家系統可以實現各模塊功能，具備保證系統安全性、完成故障診斷、實現系統更新、人機交互友好等功能特性。
4 結論
本文通過融合故障樹和專家系統，結合多參數監護儀結構原理和故障特點，建立了多參數監護儀故障智能診斷專家系統，實現了故障智能診斷功能，并能給出具體的排故建議，提高了故障定位效率和故障解決能力，降低了維修成本及確保了醫療業務穩定開展。同時，基于專家系統知識維護等功能保證了系統的更新學習能力，提高了專家系統的故障診斷效率和適用范圍。
本文的研究方法通過融合故障樹和專家系統證明了兩種故障診斷技術融合實行故障診斷的準確性和可行性，解決了傳統專家系統知識獲取困難的瓶頸，并為推理機設計提供了有效依據，既能為多參數監護儀的故障診斷積累經驗，也能為現代醫療設備的故障診斷與維修提供一種行之有效的思路和技術支持。下一步將圍繞提高專家系統故障診斷準確率的總目標，將數據驅動的故障智能診斷技術與本專家系統融合，進一步構建基于電信號數據的“動態知識庫”，提高專家系統故障診斷的準確率，為醫療設備故障智能診斷專家系統的構建奠定更堅實的基礎。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：范莉萍主要負責實驗流程、數據處理、算法程序設計、論文編寫；郎朗主要負責協調溝通，論文審閱修訂；肖晶晶主要負責計劃安排，論文審閱修訂；張詩慧主要負責整理實驗資料；種銀保主要負責項目主持，提供實驗指導；呂思敏主要負責提供實驗材料。
引言
傳統的醫療設備故障診斷與維修，由維修工程師基于維修經驗、設備技術圖紙和結構原理等，通過逐點循跡的方式完成故障定位與原因診斷，維修效率低，對技術圖紙和維修經驗依賴嚴重[1]。由于現代醫療設備集成度高、組成復雜、技術圖紙被保護及維修力量缺乏，傳統的維修方式難以為繼。而外請廠家或第三方維修工程師進行維修的方式成本高，響應速度慢。隨著人工智能、數據挖掘等技術的發展，面向現代醫療設備的故障診斷開始探索新的方法。Israelski等[2]用故障模式效果分析及故障樹分析法系統評估醫療器械潛在故障。張詩慧等[3]基于一種實驗室虛擬儀器工程工作臺實現了現代醫療設備無圖紙條件下的故障診斷。劉香君等[4]提出一種基于長短時記憶網絡的醫療設備故障智能診斷方法對醫療設備電路板實現了故障診斷。然而，這些面向現代醫療設備的故障診斷方法或實際應用效率不高，或只是針對醫療設備的單一模塊。因此，如何有效解決醫療設備故障診斷面臨的上述問題，提高其故障檢修效率，成為當前醫療設備管理工作亟待解決的問題。作為醫院廣泛使用的急救類醫療設備之一，多參數監護儀數量眾多、應用范圍廣、監測參數多及使用時間長[5]。因此，本文以多參數監護儀為研究對象，研究設計基于故障樹的多參數監護儀故障智能診斷專家系統，通過整合專家經驗和人工智能技術，結合深知識和淺知識，實現時間與空間的拓展，使普通運維人員具備多參數監護儀故障診斷領域專家的水平，提高醫療設備故障自修能力和故障診斷效率，保障醫療業務穩定開展和降低醫療設備維修成本。
1 多參數監護儀故障樹構建及分析
1.1 多參數監護儀故障樹構建
故障樹是一種評估復雜結構系統可靠性的有效方法，該方法通過廣泛地分析梳理系統故障發生的原因，并以邏輯門建立事件間的邏輯關系，從而建立起故障樹模型，正確的故障樹模型是故障樹分析的基礎和關鍵[6-7]。多參數監護儀是集聲、光、電、磁等為一體的高度集成化設備，主要由包含各種傳感器的物理模塊和內置計算機系統組成。當其工作時，通過外接設備采集人體生理信號，然后經模擬信號電路進行濾波、放大等處理后進入數字信號電路轉換成數字信號，在微處理器中計算后再經過數模轉換輸出到顯示屏顯示給用戶，即為可見的心電圖（electrocardiogram，ECG）、脈搏血氧飽和度（pulse oxygen saturation，SPO2）、無創血壓（noninvasive blood pressure，NIBP）等信號參數及波形[8]。基于多參數監護儀結構原理，通過分析總結其常見故障，以“多參數監護儀無法正常工作”為頂事件（T），以五大類常見故障現象為二級中間事件（M1~M5），逐層分析故障原因，直至確定所有相關底事件（X1~X39），建立故障樹如圖1所示。圖1對應的事件類型、故障代碼和故障名稱如表1所示。
圖1
多參數監護儀故障樹
Figure1.
Fault tree of multi-parameter monitor
表1
多參數監護儀故障樹代碼含義
Table1.
Code meaning of the fault tree of multi-parameter monitor
1.2 最小割集
最小割集是故障樹可靠性分析的基本概念之一，是系統發生故障的根本原因[9]。本文采用下行法及布爾運算求取故障樹的最小割集，即為相互獨立的各底事件，如式(1)所示：
|
1.3 底事件故障概率及關鍵重要度
1.3.1 底事件故障概率
由于傳統的多參數監護儀故障研究大多以定性的案例分析為主，缺乏面向整個設備的系統研究及定量研究，相關故障數據缺乏。因此，本文采用專家評價法和聚合模糊數計算故障樹底事件的故障概率，計算流程如圖2所示[10]。
圖2
底事件故障概率計算方法
Figure2.
Failure probability calculation of base events
首先基于職稱、工齡、學歷三個評判因素給參與本研究的15名多參數監護儀維修專家進行打分（標準為1~5分），評判因素級別越高得分越高。基于專家得分情況，采用層次分析方法為專家分配權重，如表2所示。然后引入“非常低”、“很低”、“低”、“中等”、“高”、“很高”、“非常高”7個自然語言變量（F非常低、F很低、F低、F中等、F高、F很高、F非常高）評價底事件故障可能性，并采用三角模糊數［隸屬度函數，如式(2)所示］對專家評價意見進行模糊化處理[11]。
表2
專家得分及權重分配
Table2.
Scores of experts and their weights
|
最后，為有效降低專家評判的主觀性差異，本研究采用聚合模糊數計算15名專家的綜合評判意見[12]，計算步驟如圖2所示。然后采用均值面積法對聚合模糊數去模糊轉換成模糊可能性分數（fuzzy possibility score，FPS）（以符號FPS表示），從而得到常規故障概率[13-14]。即，若某個底事件的聚合模糊數為（a, b, c），去模糊計算FPS如式(3)所示：
|
然后，計算故障概率（P）如式(4)所示:
|
其中，C = 2.301 × [(1 ? FPS)/FPS]1/3。因此，計算可得各底事件的故障概率如表3所示。
表3
底事件故障概率
Table3.
Failure probability of base events
1.3.2 底事件關鍵重要度
底事件的關鍵重要度表示底事件的故障概率所引起的頂事件的故障概率的變化程度，計算公式如式(5)所示[15]。通過分析底事件的關鍵重要度有助于確定系統薄弱環節，優化系統設計和排故方案。
|
其中，P(TXi = 0)表示底事件Xi不發生時頂事件發生的概率，P(TXi = 1)表示底事件Xi發生時頂事件發生的概率，Pi表示底事件Xi的故障概率。由此得各底事件關鍵重要度如圖3所示。
圖3
底事件關鍵重要度
Figure3.
Critical importance of base events
根據圖3可知，X3、X17、X22、X31對應的事件對多參數監護儀系統故障的發生影響較大，在系統優化設計、日常使用及故障診斷過程中應重點關注。
2 多參數監護儀故障智能診斷專家系統設計及實現
2.1 專家系統知識庫構建
2.1.1 知識表示
專家系統是人工智能的一個重要研究方向，通過模擬人類專家思維過程推理解決問題并給出問題結論[16]。其主要由知識庫、數據庫、推理機、人機界面組成，其中知識庫和推理機為核心，決定了其解決問題的能力和速度[17]。專家系統通過“知識+推理”實現故障診斷過程，本文基于多參數監護儀故障樹知識，采用產生式規則表示法表示故障知識。產生式規則表示法基本形式為：if“條件”then“結論”，當條件滿足時，結論成立[18]。在多參數監護儀故障智能診斷專家系統中，故障征兆的原因為規則中的條件，故障征兆為規則中的結論。對應故障樹知識，從故障樹頂事件出發，以上層事件作為結論，對應的下層事件作為條件，以if“條件”then“結論”的形式表示知識間的邏輯關系，完成知識的規則轉化。以開機故障樹為例，提取規則如圖4所示。
圖4
開機故障樹故障規則
Figure4.
Fault rules of startup fault tree
2.1.2 知識存儲
采用產生式規則表示法獲取的故障知識還不能直接被計算機識別，需要進一步轉化為能被計算機識別的形式，因此本文采用MySQL數據庫（MySQL Workbench 8.0 CE，瑞典）管理專家系統知識，從而構造專家系統知識庫。由于故障規則較多，且每個故障征兆與故障原因對應關系為1∶1或1∶n，因此采用數據表的方式存儲故障診斷知識，以保證知識的獨立性從而便于知識的維護更新。知識庫主要包含兩類數據表，表格間以主鍵相聯系。
（1）故障分類表，如表4所示。存放多參數監護儀故障樹頂事件和全部的中間事件，以身份標識(identity document，ID)記錄字段，ID和父ID分別對應規則的下級條件事件和上級結論事件，頂事件無對應的上級父ID，該表是專家系統故障診斷中過程推理的基礎。
表4
故障分類表
Table4.
Fault classification
（2）故障原因表，如表5所示。存放故障原因、所屬故障分類、排故建議、故障概率、關鍵重要度及采納次數，該表是故障診斷中結論推斷的基礎。
表5
故障原因表
Table5.
Fault cause list
2.2 專家系統推理機設計
2.2.1 推理方法
推理方法主要包括基于模型的推理方法、基于案例的推理方法和基于規則的推理方法[19-20]。其中，基于規則的推理方法可根據推理方向分為正向推理、反向推理和混合推理[21]。正向推理是指基于現存故障征兆及其規則，通過持續匹配其對應規則的前級條件，從而得到故障原因。本文采用基于規則的正向推理，以故障樹為基礎，從故障現象出發，逐級往下推理驗證每個節點，直到找出故障原因。
2.2.2 沖突消解策略
沖突消解策略是指當專家系統在推理過程中遇到多條能夠匹配的知識時如何選用最合理的一條知識的策略[22]。推理機匹配知識時，遇到多條能與上一級匹配的知識即為“沖突”，在多條知識中選出最適用的一條的過程為“沖突消解”。本文采用基于故障概率優先級的沖突消解策略，基于故障樹定量分析的結果，當遇到多條規則匹配時，率先選擇故障概率較高的知識所對應的規則進行匹配，從而提高推理速度。具體推理過程如圖5所示。
圖5
專家系統故障診斷推理過程
Figure5.
Fault diagnosis reasoning process of expert system
2.3 專家系統整體框架設計
為保證所開發的專家系統界面友好、操作簡單，本文基于MySQL數據庫（MySQL Workbench 8.0 CE，瑞典），采用基于網頁的瀏覽器/服務器模式，利用頁面超文本預處理器(page hypertext preprocessor，PHP)語言開發實現系統功能。基于網頁的多參數監護儀故障智能診斷專家系統通過瀏覽器實現故障診斷等功能，客戶端瀏覽器通過超文本傳輸協議向服務器端輸入發送故障診斷請求，由服務器端接收對應的指令，并調用數據挖掘工具遠程對象的相關函數方法進行數據處理，然后將故障診斷結果通過超文本傳輸協議傳回到客戶端瀏覽器，并展示給用戶。界面跨平臺、易升級和共享性高，客戶通過網頁即可進行輸入、瀏覽、查詢等簡單功能，系統開發和維護集中在服務器端，因此系統更新完善時只需在服務器端進行即可。系統框圖如圖6所示，主要由數據層、業務層、表現層、用戶層組成。
圖6
多參數監護儀故障智能診斷專家系統整體框架
Figure6.
Framework of the intelligent fault diagnosis expert system for multi-parameter monitor
3 多參數監護儀故障智能診斷專家系統實現及評價
3.1 專家系統主要功能實現
3.1.1 故障診斷功能
本文開發的多參數監護儀故障智能診斷專家系統 V1.0（陸軍軍醫大學第二附屬醫院，中國），主要用于實現多參數監護儀故障智能診斷功能，同時具備用戶登錄、知識維護、故障分類、（設備）類型管理、權限管理、常規管理、系統日志等界面和功能，如圖7左側菜單欄所示。故障診斷為該系統的核心功能，主要界面如圖7所示。用戶通過故障診斷主界面選擇設備類型，然后輸入故障征兆關鍵詞，系統即可根據輸入的關鍵詞進行故障推理診斷。故障診斷完成后，界面上將顯示診斷出的故障原因及對應的故障類型、排故建議、故障概率和關鍵重要度，用戶可結合故障概率或關鍵重要度的高低和實際維修順序（由外及里、由機械到電氣），根綜合系統給出的故障診斷結果進行排故處理。
圖7
故障診斷主界面及功能
Figure7.
Main interface and function of fault diagnosis
以開機后顯示故障（即多參數監護儀開機運行后，顯示屏無法正常顯示）為例，使用專家系統進行故障診斷時操作流程及結果如下所示：首先選擇設備類型為“多參數監護儀”，在故障診斷界面搜索框中輸入故障征兆關鍵詞“顯示故障”，點擊搜索框開始診斷，在主界面下方顯示8條記錄，如圖8所示，用戶可根據故障概率高低選擇對應的故障原因及排故建議進行排故處理。
圖8
故障診斷結果顯示
Figure8.
Results display of fault diagnosis
3.1.2 知識維護功能
知識維護功能主要通過知識維護相關界面實現，系統管理員與專家具有操作權限，包括知識維護主界面、故障分類主界面和類型管理主界面，通過此三個界面可向該系統補充新的故障知識及編輯現有故障知識、擴充新的設備類型，保證了系統的適應能力和更新能力：① 知識維護主界面：主要實現添加新的故障知識或對現有知識進行編輯功能。② 故障分類主界面：主要實現添加新的故障類型功能，添加新的故障類型時，通過選擇上級故障，可確定不同故障類型之間的因果關系。③ 類型管理主界面：主要實現添加新的設備類型或編輯現有設備信息功能，包括設備名稱、品牌、型號、圖片等信息。
3.2 專家系統測試
從陸軍軍醫大學第二附屬醫院醫學工程科隨機選擇30臺故障多參數監護儀，根據科室上報的故障征兆，使用多參數監護儀故障智能診斷專家系統進行故障診斷，通過分析故障診斷結果對系統進行評價，測試結果如表6所示。
表6
專家系統測試結果
Table6.
Results of expert system test
結果顯示，本文所開發的多參數監護儀故障智能診斷專家系統，在30臺故障多參數監護儀中準確完成了24臺設備的故障診斷，故障診斷準確率達80%，同時給出了排故建議。經系統測試評價，證明本文所構建的基于故障樹的多參數監護儀故障智能診斷專家系統可以實現各模塊功能，具備保證系統安全性、完成故障診斷、實現系統更新、人機交互友好等功能特性。
4 結論
本文通過融合故障樹和專家系統，結合多參數監護儀結構原理和故障特點，建立了多參數監護儀故障智能診斷專家系統，實現了故障智能診斷功能，并能給出具體的排故建議，提高了故障定位效率和故障解決能力，降低了維修成本及確保了醫療業務穩定開展。同時，基于專家系統知識維護等功能保證了系統的更新學習能力，提高了專家系統的故障診斷效率和適用范圍。
本文的研究方法通過融合故障樹和專家系統證明了兩種故障診斷技術融合實行故障診斷的準確性和可行性，解決了傳統專家系統知識獲取困難的瓶頸，并為推理機設計提供了有效依據，既能為多參數監護儀的故障診斷積累經驗，也能為現代醫療設備的故障診斷與維修提供一種行之有效的思路和技術支持。下一步將圍繞提高專家系統故障診斷準確率的總目標，將數據驅動的故障智能診斷技術與本專家系統融合，進一步構建基于電信號數據的“動態知識庫”，提高專家系統故障診斷的準確率，為醫療設備故障智能診斷專家系統的構建奠定更堅實的基礎。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：范莉萍主要負責實驗流程、數據處理、算法程序設計、論文編寫；郎朗主要負責協調溝通，論文審閱修訂；肖晶晶主要負責計劃安排，論文審閱修訂；張詩慧主要負責整理實驗資料；種銀保主要負責項目主持，提供實驗指導；呂思敏主要負責提供實驗材料。
