基于貝葉斯網(wǎng)絡(luò)醫(yī)學(xué)檢驗儀器故障診斷模型構(gòu)建方法的研究

張喜紅，王玉香

(亳州職業(yè)技術(shù)學(xué)院 智能工程系，安徽 亳州 236800)

0 引 言

醫(yī)學(xué)檢驗儀器是運用計算機、傳感器、機械自動化、材料學(xué)等多種技術(shù)，實現(xiàn)醫(yī)學(xué)檢驗實驗自動化的一類設(shè)備，大多具有技術(shù)先進(jìn)、結(jié)構(gòu)復(fù)雜、自動化水平較高的共同特征.近年來，隨著電子技術(shù)制造工藝微型化、大規(guī)模集成化的發(fā)展，醫(yī)學(xué)檢驗儀器的集成化程度越來越高，國內(nèi)外生產(chǎn)制造商為了實現(xiàn)供應(yīng)、維修的全程壟斷，大多在出售儀器后不會為客戶提供詳實的原理圖及維修技術(shù)資料[1].上述原因?qū)е箩t(yī)院設(shè)備科維修工程師只能做一些簡單的日常維護(hù)工作，設(shè)備一旦發(fā)生故障，只能等廠家售后工程師來處理.然而，由于廠家售后工程師緊缺，且遠(yuǎn)水不解近渴的實際情況，致使維修效率極其低下.針對醫(yī)學(xué)檢驗儀器研制一套故障診斷系統(tǒng)，協(xié)助醫(yī)院設(shè)備科維修工程師進(jìn)故障診斷，提升維修效率，已成為急待解決的問題[2].

貝葉斯網(wǎng)絡(luò)是一種概率推理算法，能夠在數(shù)據(jù)缺失和不完備的情況下，實現(xiàn)因果關(guān)系的推理及不確定關(guān)系的精準(zhǔn)表達(dá).基于貝葉斯網(wǎng)絡(luò)構(gòu)建的故障診斷系統(tǒng)，對結(jié)構(gòu)復(fù)雜的設(shè)備產(chǎn)生的多態(tài)性、不確定性故障而言，具有較好魯棒性[3].目前，基于貝葉斯網(wǎng)絡(luò)構(gòu)建故障診斷系統(tǒng)的方法主要有兩種，一種是基于信息融合與貝葉斯網(wǎng)絡(luò)相結(jié)合，另一種是基于故障樹與貝葉斯網(wǎng)絡(luò)相結(jié)合[4].基于信息融合的貝葉斯網(wǎng)絡(luò)故障診斷系統(tǒng)，是以設(shè)備運行過程中采集到的正、異常狀態(tài)指標(biāo)為訓(xùn)練樣本數(shù)據(jù)，通過貝葉斯網(wǎng)絡(luò)推理算法訓(xùn)練建模的一種方法，其適合應(yīng)用于內(nèi)置了大量傳感器，可實時監(jiān)控采集工作狀態(tài)數(shù)據(jù)的設(shè)備，如汽車、飛機的動力系統(tǒng).基于故障樹的貝葉斯網(wǎng)絡(luò)故障診斷系統(tǒng)，是在深層次剖析設(shè)備組成部件連接關(guān)系的基礎(chǔ)上，采用邏輯門符號構(gòu)建故障因果關(guān)系圖，再轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的一種方法，具有因果關(guān)系直觀明了的優(yōu)點，但要求分析人員對設(shè)備的組成結(jié)構(gòu)及工作原理相當(dāng)熟悉.

鑒于醫(yī)療設(shè)備大多類似于黑箱系統(tǒng)，結(jié)構(gòu)復(fù)雜，技術(shù)資料保密，難于通過深層次剖析設(shè)備組成結(jié)構(gòu)，構(gòu)建故障樹模型.同時，又無法像汽車、飛機動力系統(tǒng)一樣，事先內(nèi)置了大量傳感器，在不增加硬件的情況下，易于采集到設(shè)備正、異常狀態(tài)的指標(biāo)數(shù)據(jù).鑒于上述原因，為了克服剖析內(nèi)部結(jié)構(gòu)和采集工作狀態(tài)數(shù)據(jù)的困難，本文提出了一種基于維修日志與貝葉斯網(wǎng)絡(luò)相結(jié)合，構(gòu)建故障診斷系統(tǒng)的方法.下面以優(yōu)利特500B尿液分析儀為例，詳細(xì)介紹運用Pgmpy工具包構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，及基于維修日志進(jìn)行網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的具體過程.

1 貝葉斯網(wǎng)絡(luò)故障診斷理論

貝葉斯網(wǎng)絡(luò)是一種用條件概率表與有向無環(huán)圖相結(jié)合定性、定量表示事物或事件節(jié)點變量間因果關(guān)系的概率圖模型.由節(jié)點和帶箭頭線條組成的有向無環(huán)圖用于定性表示，條件概率表用于描述變量間關(guān)聯(lián)程度的定量描述，與箭頭線條起點相連節(jié)點為因，與終端節(jié)點相連的節(jié)點是果，二者間的因果關(guān)聯(lián)程度由條件概率表描述.在有向無環(huán)圖中把沒有任何箭頭線條導(dǎo)入的節(jié)點稱之為父節(jié)點，有箭頭線條導(dǎo)入的節(jié)點稱之為子節(jié)點，既有導(dǎo)入又有導(dǎo)出的子節(jié)點稱為中間節(jié)點.假設(shè)某一事件或事物在描述的過程中包含變量集U={X1,X2,…,Xn}，則基于貝葉斯網(wǎng)絡(luò)理論對其進(jìn)行建模，主要包括兩方面的內(nèi)容：其一是依據(jù)因果聯(lián)系確立X1,X2,…,Xn節(jié)點變量間的連接指向關(guān)系，構(gòu)建有向無環(huán)圖；其二是獲得能夠計算如式（1）所示聯(lián)合概率的各節(jié)點的條件概率表，式（1）中Yi為Xi的父節(jié)點集合，若Xi節(jié)點沒有任何父節(jié)點，其條件概率可用其先驗概率表示.

運用貝葉斯網(wǎng)絡(luò)模型尋求或解釋事物事件發(fā)生的原因，或預(yù)測事件發(fā)生的可能性大小，進(jìn)而解決實際問題的過程稱之為貝葉斯推理.貝葉斯推理可歸納為3種類型：其一是沿有向邊，順箭頭方向的推理，即因果推理；其二是逆箭頭方向的求因推理，即逆向推理；其三是各節(jié)點的交叉因果推理[5-6].對于故障診斷系統(tǒng)而言，便是基于故障現(xiàn)象尋找故障發(fā)生位置的逆向推理，即通過式（2）觀察到的故障現(xiàn)象證據(jù)，計算各原因節(jié)點的后驗概率，進(jìn)而實現(xiàn)故障位置的快速定位，式(2)中Z為故障原因節(jié)點的集合，e為觀察到的故障現(xiàn)象節(jié)點集合.

2 故障診斷模型的構(gòu)建

2.1 網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建

構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)即繪制有向無環(huán)圖，是貝葉斯網(wǎng)絡(luò)建模的首要任務(wù).其主要內(nèi)容是完成各節(jié)點變量因果關(guān)系的定性表達(dá)，其合理與否將對模型后期的推理性能，可解釋性起到?jīng)Q定性的作用.基于故障樹的貝葉斯網(wǎng)絡(luò)建模是設(shè)備故障診斷系統(tǒng)建模的常用方法之一，其具體的做法是：首先從原理上剖析各部件間的因果關(guān)系，并用邏輯門符號構(gòu)建故障因果關(guān)系圖，得到因果關(guān)系圖后，再用有向邊取代關(guān)系圖中對應(yīng)的邏輯門符號，將其轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).此種方法，要求設(shè)計者對設(shè)備的結(jié)構(gòu)及原理相當(dāng)熟悉[7].

鑒于醫(yī)療設(shè)備技術(shù)原理資料不公開的情況，難于使用故障樹分解的方法構(gòu)建模型結(jié)構(gòu).為了克服剖析復(fù)雜內(nèi)部結(jié)構(gòu)的難題，本文提出了一種基于維修日志數(shù)據(jù)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)的方法.以優(yōu)利特500B尿液分析儀為例，具體的步驟如下：

（1）整理、提煉故障征兆集標(biāo)準(zhǔn)術(shù)語詞匯集.首先依據(jù)廠家說明書中提供的常見故障案例文本，分別對故障現(xiàn)象字段與對應(yīng)的解決方法字段文本，進(jìn)行標(biāo)準(zhǔn)術(shù)語的部件名詞和取值狀態(tài)術(shù)語提取，并對部件名詞與取值狀態(tài)進(jìn)行標(biāo)識編碼.以優(yōu)利特500B尿液分析儀為例，共整理出20個故障征兆集高頻詞匯，各節(jié)點的含義及取值狀態(tài)如表1所示.

（2）維修日志數(shù)據(jù)的規(guī)范化整理.由于原始維修數(shù)據(jù)的描述存在部件別名、狀態(tài)近義詞表達(dá)等不規(guī)范的描述，且為非數(shù)字代碼標(biāo)識形式，需對其進(jìn)規(guī)范化整理.具體的做法是：通過人工審閱的方法，對每一條原始維修日志記錄，以表1所示的20個節(jié)點名稱，作為一條日志記錄的20個特征項，若此節(jié)點名稱在此條日志記錄中沒有出現(xiàn)，就賦值0，表示正常；若出現(xiàn)，就賦值為同含義的狀態(tài)取值.最終得到如圖2所示格式的訓(xùn)練數(shù)據(jù)697條.

表1 節(jié)點含義及狀態(tài)取值表

（3）對步驟2得到的20項特征數(shù)據(jù)集，進(jìn)行關(guān)聯(lián)關(guān)系分析，分別計算各特征項組合的支持度與置信度，找出置信度等于1時的組合項，即找出當(dāng)某項特征發(fā)生時，另一項必然發(fā)生的組合情況.以此初步確立20個節(jié)點名稱間的因果關(guān)系，并繪制初步的貝葉斯網(wǎng)絡(luò)有向無環(huán)圖.接著在行業(yè)專家的指導(dǎo)下，修正明顯無因果關(guān)系的有向邊連接，如A8(暫停鍵狀態(tài))按下時與A9（紅外檢測模塊）失靈時，都會引起B(yǎng)2(試紙撥桿狀態(tài))放入試紙不移動的情況.雖然A8對A9的置信度為1，但兩者間確無因果關(guān)系，需手工剔除有向邊連接.最終確立的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)與實現(xiàn)

網(wǎng)絡(luò)結(jié)構(gòu)僅能表達(dá)節(jié)點變量間的依賴關(guān)系，無法表述相互間的作用程度，若想定量表示節(jié)點間的依賴程度，還需為各節(jié)點變量添加條件概率表，即指定網(wǎng)絡(luò)參數(shù)[8].條件概率表的獲得，可通過專家經(jīng)驗估計給出或通過數(shù)據(jù)學(xué)習(xí)獲得.通過專家經(jīng)驗指定網(wǎng)絡(luò)參數(shù)的確立的模型，其性能對專家的經(jīng)驗依賴較強.對于網(wǎng)絡(luò)結(jié)構(gòu)已確定，數(shù)據(jù)具備的情況，采用數(shù)據(jù)學(xué)習(xí)獲得的條件概率表參數(shù)更為準(zhǔn)確.

鑒于本項目已具有經(jīng)規(guī)范整理的維修日志數(shù)據(jù)，因此，采用數(shù)據(jù)學(xué)習(xí)法來獲得網(wǎng)絡(luò)參數(shù).基于數(shù)據(jù)進(jìn)行參數(shù)估計的常見算法有極大似然估計與貝葉斯參數(shù)估計兩種，極大似然估計適合于樣本數(shù)量均勻分布，且數(shù)量充足的情況，否則易出現(xiàn)過擬合.貝葉斯參數(shù)估計算法是一種通過觀察數(shù)據(jù)修正先驗看法的參數(shù)學(xué)習(xí)方法，在觀察數(shù)據(jù)的數(shù)量不足與分布不均的情況下，也能得到相對較好的模型[9].鑒于本項目維修日志數(shù)據(jù)僅有圖2所示的697條，屬小樣本量.因此，選用貝葉斯參數(shù)估計算法來進(jìn)行參數(shù)估計.

圖2 參數(shù)訓(xùn)練數(shù)據(jù)片斷

為了方便模型后期部署到Flask Web框架下運行，參數(shù)的學(xué)習(xí)采用Python語言開發(fā)的Pgmpy工具包來實現(xiàn).具體的流程是：

（1）加載參數(shù)估計訓(xùn)練數(shù)據(jù)集；代碼如下：

#加載pandas數(shù)據(jù)處理工具包

import pandas as pd

#讀取維修日志訓(xùn)練數(shù)據(jù)

train=pd.read_csv( './JYtrain2.csv',encoding='utf-8')

（2）使用Pgmpy工具包的BayesianModel（）方法創(chuàng)建模型的有向無環(huán)圖，創(chuàng)建的有向無環(huán)圖如圖1所示.代碼如下：

#加載貝葉斯模型結(jié)構(gòu)創(chuàng)建工具包

from pgmpy.models import BayesianModel

#創(chuàng)建模型結(jié)構(gòu)

model=BayesianModel([('A1','B1'),('A2','B1'),('A3','B1'),('A4','B1'),('A8','B2'),('A9','B2'),('A10','B2'),('A5','B2'),('A11','B2'),('A6','B3'),('A12','B3'),('A7','B3'),('A13','B3'),('B1','C'),('B3','C'),('A5','C'),('B2','C'),('A14','C'),('A15','C'),('A16','C')])

（3）使用Pgmpy工具包的model.fit（）方法進(jìn)行參數(shù)學(xué)習(xí).具體代碼如下，其中train為訓(xùn)練數(shù)據(jù)，estimator參數(shù)指定為貝葉斯參數(shù)估計.代碼為：

#導(dǎo)入貝葉斯參數(shù)學(xué)習(xí)方法

from pgmpy.estimators import Bayesian-Estimator

#利用維修日志數(shù)據(jù)進(jìn)行參數(shù)學(xué)習(xí)

model.fit(train,estimator=BayesianEstimator,prior_type=''BDeu'')

（4）使用Pgmpy工具包的model.get_cpds()查看模型概率表.代碼如下：

#查看并打印顯示各節(jié)點的條件概率表

for cpd in model.get_cpds():

print(cpd)

3 模型的推理測試

故障診斷系統(tǒng)的意義就在于當(dāng)故障發(fā)生時，能向維修人員提供最佳的排錯流程，協(xié)助維修人員在較短的時間內(nèi)找出故障點的位置.貝葉斯網(wǎng)絡(luò)故障診斷模型可通過求解觀察證據(jù)條件下各節(jié)點后驗概率的排序來實現(xiàn)[10].在Pgmpy工具包中可通過VariableElimination模塊中的query()方法，求解證據(jù)條件下各節(jié)點的后驗概率.

下面以優(yōu)利特500B尿液分析儀出現(xiàn)“放入試紙后撥桿不能移動”的故障為例進(jìn)行推理說明，由圖1、表1可知，此時已知的證據(jù)條件為B2=1（對應(yīng)放入試紙后撥桿不能移動），B2的父節(jié)點集為：A5、A8、A9、A10，A11，因此，故障推理就是在B2=1的條件下，求解A5、A8、A9、A10，A11節(jié)點的最大概率組合.具休實現(xiàn)代碼如下：

#導(dǎo)入推理工具包

from pgmpy.inference import Variable-Elimination

model_infer=VariableElimination(model)

#求解evidence證據(jù)條件下，variables的概率

q=model_infer.query(variables=['A5','A8','A9','A10','A11'],evidence={'B2': 1})

#打印概率表

print(q)

推理結(jié)果如圖3所示，對照表1可知，當(dāng)此類故障發(fā)生時，應(yīng)首先排查組合概率排名第一的組合，即組合概率為0.4370的組合項，此項組合中顯示由A9=1引起，A9對應(yīng)于紅外檢測模塊，即應(yīng)先檢查紅外檢測模塊是否工作正常.若正常，再排查組合排名第二的組合，即組合概率為0.3502組合項，同理可知，此時將故障原因定位到A8，對應(yīng)于由暫停鍵按下所引起.若仍未解決，按組合項概率排名次序依次排查.按上述方法進(jìn)行多種證據(jù)條件下的推理實驗，除上述推理實驗外，其它推理實驗結(jié)果，經(jīng)維修工程師驗證，均與實際相符，且具有較好的解釋性.

圖3 “放入試紙后撥桿不能移動”推理結(jié)果

4 結(jié)論及展望

本文針對醫(yī)學(xué)檢驗儀器的故障診斷領(lǐng)域，以優(yōu)利特500B尿液分析儀為例，基于維修日志數(shù)據(jù)和貝葉斯網(wǎng)絡(luò)，提出了一種構(gòu)建故障診斷系統(tǒng)的方法，在全面分析歷史維修數(shù)據(jù)及廠家說明書的基礎(chǔ)上，提煉故障征兆集標(biāo)準(zhǔn)術(shù)語詞匯集，并分析它們之間的關(guān)聯(lián)關(guān)系、因果關(guān)系，最終確立以故障征兆集詞匯集為節(jié)點變量的貝葉斯網(wǎng)絡(luò)有向無環(huán)圖模型，并使用Python語言開發(fā)的Pgmpy貝葉斯網(wǎng)絡(luò)工具包，完成了從歷史維修日志數(shù)據(jù)中學(xué)習(xí)條件概率參數(shù)，及推理應(yīng)用驗證的全過程，經(jīng)實際推理測試實驗結(jié)果證實，所構(gòu)建的故障診斷模型推理結(jié)果可靠，能用于指導(dǎo)實際，為醫(yī)學(xué)檢驗儀器的故障診斷系統(tǒng)構(gòu)建提供參考案例.但采用人工方式整理訓(xùn)練數(shù)據(jù)耗時耗力，后期的研究中擬運用人工智能領(lǐng)域自然語言處理的相關(guān)技術(shù)，改進(jìn)歷史維修數(shù)據(jù)的整理方式，使其更加方便實施.