基于数据挖掘技术的医疗设备故障监测与识别方法的探讨与研究

发布时间：2025-02-05 11:13

　　 目的提出一种基于数据挖掘技术的粗糙神经网络模型,为医疗设备故障监测与识别提供一种参考方法。方法收集我院2017年10月至2019年5月的呼吸机故障报警事件为研究对象,制定了故障因素采集方法,分别从设备使用环境因素、电气因素及气路因素数据进行采集,同时搭建了8输入3输出的粗糙神经网络模型,并使用训练集和测试集分别对粗糙神经网络模型进行训练和测试。结果经训练集学习后,训练集呼吸机故障模式灵敏度、特异性及准确率分别为87.8%、85.6%、91.1%,测试集呼吸机故障模式准确率达85.0%。结论通过挖掘故障模式与故障因素的潜在关系,设备故障模式能够得到较好识别,粗糙神经网络模型可为医疗设备故障监测与识别提供一种参考方法。

【文章页数】：4 页

【部分图文】：

图1 粗糙神经网络方法流程图

(2）利用粗糙约简简化神经网络规则数。在实际应用中，规则数过多会导致系统不能收敛、网络的训练时间长或训练误差大等缺点，因此利用粗糙集约简神经网络的决策规则数，可以减小网络的计算量，加快网络的收敛速度[17]。本文使用前者搭建粗糙神经网络模型，粗糙神经网络方法流程图如图1所示。2....

图2 实验模型搭建

随机使用90台次呼吸机故障作为训练集对神经网络进行训练，其中训练集包含潮气量异常41台次，氧浓度异常22台次，气密性异常27台次。神经网络训练迭代次数选择1000次，经训练后，BP神经网络识别故障模式灵敏度、特异性以及准确率分别为87.8%、85.6%、91.1%。使用训练后的B....

本文编号：4029745