医院后勤机电设备智能风险管理

医院后勤机电设备智能风险管理机电系统的安全运行是医院生命支持系统管理的核心内容，准确预测医院后勤机电设备的运行风险，对机电系统的安全运营及整个医院的高质量发展具有重要意义。故本文基于深度学习提出一种医院后勤机电设备智能风险管理方法。文中深入分析了影响机电设备运行风险的因素，构建了全面的风险管理指标体系，设计了适用于实际风险预测及评价的风险管理模型结构和参数。最后对医院后勤机电设备智能风险管理领域存在的问题和发展趋势进行了探讨。【关键词】医院后勤机电设备 深度学习 智能风险管理1引言医院作为重要的特殊公共建筑，其机电设备繁多，系统复杂。在后勤方面，大型综合医院有空调、冷热源、通风、给排水、变配电、照明、电梯等机电设备，这些设备数量多，分布广，使用频繁，需要对其进行高效、智能的安全管理，以此保障医院的安全生产及高质量发展［1-3］。但传统的管理手段存在诸多不足，管理质量低下，尤其在风险管理方面，管理方法和技术发展缓慢，大多医院依旧只是依靠人工对设备进行定期巡检或利用信息化手段对设备的一些参数进行监测，缺乏对风险的有效分析和风险管理机制［4］。近年来，学者们开始对医院后勤的风险管理进行研究，包括风险识别、风险控制、风险管理体系建设等［5-7］。其中，文献［5］引入澳新风险管理标准，全面梳理医院后勤现存或潜在的风险，进行风险分析与评估，并制定相应的预防措施和应急措施，建立了以人员、设备、管理为主的风险管理体系。然而，此类管理方法只能依靠经验预防风险的发生或提高应对风险的能力，对机电设备将要发生的风险不能提前预测、全局管理，距离高质量管理要求还有很大距离。人工智能技术的发展为研究智能化的机电设备风险管理提供了新的方向。其中，以深度学习为代表的新一代人工智能技术快速兴起，相比传统机器学习方法拥有更优秀的自学习特征提取能力，广泛应用于金融、医疗、交通、工业等领域，均取得了令人瞩目的成果。因此，可以利用深度学习提取医院后勤发生安全问题设备以及没有发生安全问题设备的风险预警指标数据特征，构建风险管理模型，对机电设备是否会发生运行风险事故进行提前预测及评价，实现机电设备的智能风险管理，提高医院后勤管理质量。本文将最新的人工智能技术，深度学习方法，应用到医院后勤机电设备风险管理领域，对医院后勤机电设备智能化的风险监测和管理进行了初步探索。2深度学习理论愉「•=情坨图1传统人工神经网络和深度学习2深度学习理论愉「•=情坨图1传统人工神经网络和深度学习深度学习的概念来源于人工神经网络的研究，设计原理是对大脑皮层进行模拟，对数据或信号进行逐层提取及表达，包含输入层、输出层和隐藏层，每层有若干个神经元，且神经元之间有连接权重［8］。相比普通学习算法，深度学习具有多隐层结构的特点（如图1所示），能更好地逼近复杂的预测函数，保证信息提取与特征表达的准确性。深度学习是一种数据驱动的算法，无需建立系统的准确物理模型，只需对系统运行的历史数据进行训练和学习，即可自动生成特征量，从而完成故障诊断、风险评价和自动识别等任务。深度学习涉及到很多的机器学习方法，因此有多种变化类型，本文拟采用基于BP神经网络的深度学习方法，其基本思想是先进行预训练（非监督过程），然后把预训练的结果用来初始化各隐层的权值，再用BP方法进行权值更新。此方法继承了BP神经网络的所有优点，其本身模型结构的变化和层数的加深又获得以下两大优势：（1） 深度学习的层次较深，使其具备了自主学习特征的能力，而它学习到的特征对原始数据有着更加深刻的描述，进一步提高风险管理模型的性能。（2） 有效的解决了BP算法训练的局限性：需要大量有标签样本数据及容易陷入局部最优解。3医院后勤机电设备风险管理模型的构建医院后勤机电设备风险管理的重要内容就是对机电设备运行风险进行预测和评价，预测某个设备运行的未来发展形态，其本质就是数据分类问题，利用深度学习方法超强的学习能力、自适应能力，通过特征积累，预测机电设备运行风险的未来趋势，实现风险的智能化管理。3.1风险管理指标体系的构建机电设备的风险管理是一个动态的、综合的、复杂的操作，风险管理指标体系的科学合理性对风险预测及评价的准确性和有效性有很大的影响。风险分析定性研究是定量研究的前提和基础，在选择机电设备风险管理指标之前要首先明确机电设备风险的基本概念和风险分类的标准，根据概念和标准选择那些针对性强、关联性多的指标，构建风险识别、预测和评价的指标体系。（1） 环境安全指标环境安全是机电设备安全运行的基础。在机电设备正常运行的情况下，机电设备的运行风险主要来源于环境的变化，通常监测的指标包括环境的温度和湿度。另外，机电设备在医院中位置分布也是对机电设备运行进行风险评价的参考因素，不同位置的机电设备发生的风险，对医院及患者的影响程度也不同，风险评定等级也就不一样。因此，环境安全指标主要包含温度、湿度和位置分布等。（2） 运行状态指标运行状态是直接反映机电设备运行状况的重要指标，也是机电设备风险预测及评价的关键因素。机电设备在发生故障时可能导致风险事故的发生，比如液氧系统发生故障时可能会影响患者的供氧、配电系统发生故障时会影响患者就医或抢救的及时性等。尤其在机电设备突发运行故障时，可能导致的安全风险极大，如电梯突发故障，里面乘坐的患者或医院职工，其生命安全会受到极大威胁。因此不仅需要对机电设备是否正常运行进行监测，还需对可能引起机电设备故障的运行状态指标进行监测。对于不同的机电设备，引起机电设备故障或异常的原因也不一样，需监测的运行状态指标也不一样。比如，配电系统需监测电流、电压、温度等参数，而液氧系统则需监测流量、压力、液位等参数。因此，在选择运行状态指标时，需要结合机电设备的具体特性来考虑，本文不—列举。（3）维修保养指标维修保养是机电设备长期正常运行的重要保障。机电设备在日常运行中一般会进行定期巡检保养，一方面能够及时发现机电设备存在的问题，消除风险隐患，另一方面能够使机电设备保持良好运行状态，降低风险发生概率。因此，机电设备历史的巡检保养记录是风险管理的重要因素。另外，如果一个设备的维修次数越多，其发生风险事故的概率也就越大，所以历史维修记录也是机电设备风险预测的重要指标。同时，机电设备运行的历史时间长短也影响其发生运行风险的概率，运行时间越长，寿命越短，发生故障而产生风险的可能性越大。维修保养指标主要包括历史运行时间、历史维修次数、巡检和保养周期及次数等。综上，构建的医院后勤机电设备风险管理指标体系包括环境安全指标、运行状态指标、维修保养指标等3个方面。该指标体系不仅从多个角度选择了反映机电设备运行风险的指标，还将静态指标与动态指标相结合，既有反映机电设备基本信息的静态指标，也有反映机电设备运行状况的动态指标，还有巡检记录、保养记录等周期变化的动态指标。3.2风险管理模型的设计深度学习网络由多层的神经元构成，可以应用在很多实际的分类识别问题中。为了解决面临的问题，需要构建适用于所要解决问题的深度学习网络模型。深度学习网络是一个非常复杂的模型，涉及很多的问题。本文针对医院机电设备风险管理的问题，以构建的风险管理指标体系中的指标作为输入，设计所需深度学习网络的模型及参数。设计过程中主要涉及以下几个方面的问题：初始权值选取、层节点数确定、激活函数选取、训练停止条件、误差函数选取。（1）初始权值选取本文选用随机梯度下降的方法训练提出的风险管理模型，模型参数（权值，偏置）的初始化显得相对比较重要。因此，本文拟采用随机初始化的方式对提出的风险管理模型的权值进行初始化，并使权值的初始值在［-1,1］之间。相关研究表明，大多数情况下此种方法会取得比较理想的结果，能够得到比较优的局部最小值和比较快的收敛速度。（2） 层节点数确定深度学习网络主要由输入层、隐藏层和输出层构成。输入层的节点数要与输入数据的维度保持一致，所以输入层的节点数需根据构建的具体指标体系确定。输出层的节点数要与数据的分类类别保持一致，本文将机电设备的风险分为4类：正常运行、低等风险、中等风险和高等风险，因此输出节点数量设置为4。隐藏层节点数的确定相对复杂，以能正确反映输入输出关系为原则，应选取较少的隐藏层节点数，本文拟采用网络结构增长型方法：开始的节点数设置为较小的值，然后慢慢增大节点数值，并对提出的深度学习模型进行训练，测试预测误差，直至预测误差趋于稳定。（3） 激活函数选取激活函数的功能是把深度学习网络中神经元的输入映射到输出，控制低层梯度弥散的力度和稀疏化能力决定了激活函数的质量。因此，本文拟采用ReLU(Rectifierlinearunits)函数作为激活函数，其能够把负数转换成0值，可表示任何非负的实数，具有很好的稀疏性，同时缓解了梯度弥散问题［9］。ReZU=max(O,jc) (1)训练停止条件一般有两种选择：一种是训练的误差达到设定的阈值时结束训练，这种阈值一般是由所要解决的问题对精度的要求进行评估得到；另外一种是当训练的迭代次数达到预先设置的数值时结束训练。由于在现实中，训练都是有时间限制的，需要限制迭代的次数。因此，本文拟采用第二种方法，一旦迭代的次数达到预先设定的值，就结束训练。这种方法比较简单有效，并且是当前深度学习领域学者最常使用的方法。误差函数选取误差函数是用来衡量模型好坏的重要标准，能够更好地分析模型的预测效果。对于深度学习网络的训练，一般选用均方差根误差RMSE作为模型性能评价指标：RMSE=上忑切*⑵，其中，M表示输出节点的个数，N指训练样本的数量，xij为模型期望输出值，yij表示模型的实际输出。综上，本文基于深度学习提出的医院后勤机电设备风险管理模型，其设计工作及内容如图2所示。晚险管控指标体系的构建维修保养£活行状态环境安全维修保养£活行状态环境安全图2基于深度学习的医院后勤机电设备风险管理模型设计图4结论和展望本文针对医院后勤机电设备，研究构建了风险管理指标体系，并基于深度学习设计了医院后勤机电设备智能化风险管理模型。因为利用人工智能方法进行医院后勤机电设备风险管理的研究处于起步阶段，缺少相关训练数据，所以本文未对构建的医院后勤机电设备风险管理模型进行训练和验证。但深度学习的出现，改变了