洪國珍

（武漢市美妍高科醫(yī)療美容門診部，武漢430013）

0 引言

激光醫(yī)療美容儀器是用于美容皮膚科的一種主要治療儀器，其在醫(yī)療美容皮膚科具有較好的臨床應(yīng)用效果[1]，其在進行醫(yī)療美容時，主要是通過光熱作用、光動力反應(yīng)以及光刺激實現(xiàn)皮膚的相關(guān)治療[2]。激光醫(yī)療美容儀器可根據(jù)其發(fā)光原理分為調(diào)Q激光與點陣像素激光兩大類。該類儀器常用的激光包括二氧化碳激光、紅外激光等。該類儀器在使用過程中[3]如果所處的位置通風較差、環(huán)境中存在較強的電磁場干擾或者儀器發(fā)生撞擊等，均會導致其產(chǎn)生故障。故障發(fā)生后，會導致儀器的使用發(fā)生異常，輕微情況下可能會影響到儀器的使用效果，嚴重情況下可能使儀器部件損壞[4]，導致儀器無法使用。對此，許多相關(guān)研究人員進行了研究，如：劉香君等[5]和戴麗等[6]針對激光醫(yī)療美容儀器故障的自動診斷分別展開相關(guān)研究，提出基于長短時記憶網(wǎng)絡(luò)和基于曲率尺度空間（curvature scale space，CSS）及邊緣計算的相關(guān)診斷和管理方法，上述方法均可實現(xiàn)儀器故障的診斷或者識別，但是不具有特征量化功能，且不能對故障嚴重程度進行定量分析。因此，本文提出一種基于模糊邏輯的激光醫(yī)療美容儀器故障自動診斷方法，該方法依據(jù)模糊邏輯構(gòu)建模糊診斷規(guī)則，以完成激光醫(yī)療美容儀器故障的自動診斷。

1 激光醫(yī)療美容儀器故障自動診斷方法

1.1 激光醫(yī)療美容儀器故障自動診斷的方法框架

本文采用模糊邏輯方法完成激光醫(yī)療美容儀器故障自動診斷，該方法分為3 個步驟：一是故障監(jiān)測信號采集和處理；二是故障特征量化；三是故障自動診斷?；谀：壿嫷募す忉t(yī)療美容儀器故障自動診斷方法的整體框架如圖1 所示。

圖1 基于模糊邏輯的激光醫(yī)療美容儀器故障自動診斷方法整體框架

該方法采用定時采集的方式，通過光纖傳感器采集激光醫(yī)療美容儀器故障監(jiān)測信號，由于儀器在使用過程中存在一定聲響和振動噪聲[7]，采集的信號中存在一定噪聲，因此采集故障監(jiān)測信號后，先采用數(shù)字濾波方法對信號進行降噪處理，再采用匹配濾波檢測方法將降噪后的信號進行增強[8]；之后利用模數(shù)轉(zhuǎn)換器將增強后的信號在時間上進行離散化，并在幅值上進行量化，使得信號可以被計算機處理；然后對該信號中的故障特征進行量化處理，獲取特征量化結(jié)果；最后依據(jù)該結(jié)果建立模糊隸屬度函數(shù)，依據(jù)該函數(shù)結(jié)果完成激光醫(yī)療美容儀器故障自動診斷。

1.2 激光醫(yī)療美容儀器故障信號增強

由于激光醫(yī)療美容儀器在使用過程中會存在一定振動和聲音，為保證信號的完整性和可用性以及保障故障自動診斷效果[9]，本文中采用匹配濾波檢測方法對降噪后的激光醫(yī)療美容儀器故障監(jiān)測信號進行增強處理。增強過程中，故障監(jiān)測信號的濾波傳遞函數(shù)fF（k+1）計算公式為

式中，k表示故障；μ 表示濾波參數(shù)；λM表示激光醫(yī)療美容儀器故障監(jiān)測信號的期望函數(shù)；γM表示采集的故障監(jiān)測信號。

在fF（k+1）基礎(chǔ)上獲取故障監(jiān)測的相關(guān)峰值，且該值的獲取采用矩陣特征值分解方法完成。為保證計算結(jié)果的可靠性[10]，引入互協(xié)方差矩陣分解方法，將矩陣特征值分解方法和互協(xié)方差矩陣分解方法兩者結(jié)合完成該峰值的計算，其計算公式為

式中，R（k）表示故障檢測的峰值；z（k）表示協(xié)方差矩陣分解；y（e）表示激光醫(yī)療美容儀器故障信號的輸出相關(guān)峰值。

依據(jù)公式（2）的計算結(jié)果可獲取激光醫(yī)療美容儀器故障監(jiān)測信號的奇異值分解模型，其計算公式為

式中，d（t）表示t時段的奇異值分解模型；d（k）表示儀器故障次數(shù)；dn表示分解值，且表示奇異值參數(shù)，屬于故障監(jiān)測信號。

通過構(gòu)建激光醫(yī)療美容儀器故障監(jiān)測信號的特征分析模型，可以獲取特征分解誤差ê（k），其計算公式為

對激光醫(yī)療美容儀器故障監(jiān)測信號譜峰進行搜索并獲取結(jié)果，依據(jù)信號子空間融合方法完成；獲取搜索結(jié)果后，完成激光醫(yī)療美容儀器故障信號點x（t）的標定處理，利用互質(zhì)線完成，且該線為相互平行狀態(tài)。基于此，x（t）的增強處理函數(shù)F（w）計算公式為

1.3 激光醫(yī)療美容儀器故障特征量化

依據(jù)1.2 小節(jié)的方法，在完成激光醫(yī)療美容儀器故障信號增強處理的同時[12]可獲取激光醫(yī)療美容儀器故障點的標定，鎖定全部的故障點。在此基礎(chǔ)上，為可靠識別全部故障，采用自適應(yīng)加權(quán)的方式實現(xiàn)激光醫(yī)療美容儀器故障特征的量化處理。

N表示量化的激光醫(yī)療美容儀器故障數(shù)量，對故障節(jié)點j實行量化后獲取故障概率結(jié)果，以此獲取信息值Ek（m）（用于衡量故障提供的信息量大?。?，其計算公式為

式中，pi（m）表示故障概率其中d表示故障差異度，di表示節(jié)點數(shù)量，屬于量化的故障i。

依據(jù)上述公式即可完成激光醫(yī)療美容儀器故障的量化，在此基礎(chǔ)上采用分形對量化后的故障進行處理，則任意故障狀態(tài)下節(jié)點j和x兩者之間的相關(guān)性L（j，x）計算公式為

采用局部均值分解，對標定的激光醫(yī)療美容儀器故障信號x（t）實行處理后，獲取分解結(jié)果x0，x1，…，xn，基于此可確定激光醫(yī)療美容儀器故障特征矩陣E：

式中，激光醫(yī)療美容儀器故障數(shù)量用n表示，當該儀器的工作狀態(tài)為n+1 時，對特征實行量化后，即可獲取激光醫(yī)療美容儀器故障特征。

如果局部均值分解后獲取的故障信號數(shù)量用m表示，結(jié)合公式（8）可獲取量化激光醫(yī)療美容儀器故障特征，其公式為

式中，Ej、Ex分別表示故障節(jié)點j和故障特征x的矩陣；L表示激光醫(yī)療美容儀器故障特征，采用融合方式對L實行處理后即可獲取激光醫(yī)療美容儀器故障特征量化結(jié)果。

1.4 激光醫(yī)療美容儀器故障診斷

1.4.1 模糊隸屬度函數(shù)構(gòu)建

本文采用模糊邏輯方法完成激光醫(yī)療美容儀器故障診斷，該方法共包含2 個部分，分別是模糊隸屬度函數(shù)構(gòu)建和故障自動診斷。

設(shè)激光醫(yī)療美容儀器故障因素集合為Y={y1，y2，…，yn}={yj}，其中n表示因素數(shù)量。經(jīng)由上述因素引起的故障征兆集合為X={x1，x2，…，xm}={xi}，其中m表示故障征兆數(shù)量。

結(jié)合模糊集合理論，Y 和X 之間存在一定邏輯關(guān)系，該關(guān)系的表達式為

式中，→表示邏輯蘊涵算子；Q 表示模糊關(guān)系矩陣，表示為

式中，qij表示矩陣元素，其可描述第i個故障征兆xi對第j個故障因素yi的隸屬度，且0≤qij≤1，其中i=1，2，…，m，j=1，2，…，n，該值隨著xi可能性的增加而增大。當qij=0 時，絕對不會出現(xiàn)故障征兆；當0＜qij≤0.25 時，不太可能出現(xiàn)故障征兆；當0.25＜qij≤0.55時，會出現(xiàn)故障征兆；當0.55＜qij≤0.85 時，較大可能出現(xiàn)故障征兆；當0.85＜qij≤0.95 時，極大可能出現(xiàn)故障征兆；當qij＞0.95 時，絕對出現(xiàn)故障征兆。

1.4.2 模糊診斷原則

完成Q 的構(gòu)建后，可通過獲取的故障征兆結(jié)果確定導致該故障形成的原因，該過程即為模糊判決?；诖舜_定模糊診斷原則，本文采用最大隸屬度原則作為模糊診斷原則。

設(shè)U 表示論域，其中共有數(shù)量為n的模糊子集，用A1，A2，…，An表示，u0表示U 中的任意元素，則

基于公式（12）可確定u0相對屬于Ai。

隸屬度向量中確定的最大項即為導致激光醫(yī)療美容儀器故障發(fā)生的原因。對u0實行判斷，確定其歸屬類別。在對激光醫(yī)療美容儀器故障征兆實行判斷時[13]，采用模糊化對故障征兆實行處理，如果處理后的結(jié)果為1，表示存在故障征兆，結(jié)果為0 表示不存在故障征兆。通過模糊分段評分方法完成激光醫(yī)療美容儀器故障征兆嚴重程度的定量化處理，當處理后的結(jié)果為0 時，判定沒有發(fā)生故障；當處理后的結(jié)果為＞0～0.35 時，判定輕微故障；當處理后的結(jié)果＞0.35～0.65 時，判定較為嚴重故障；當處理后的結(jié)果＞0.65～0.85 時，判定嚴重故障；當處理后的結(jié)果＞0.85～0.95 時，判定十分嚴重故障；當處理后的結(jié)果＞0.95 時，判定損壞。由此即可完成激光醫(yī)療美容儀器故障自動診斷，同時可進行故障嚴重程度的量化判斷。

2 測試分析

為測試本文方法在激光醫(yī)療美容儀器故障自動診斷方面的應(yīng)用效果，本文將某大型整形機構(gòu)的二氧化碳點陣激光儀器作為實驗對象。該儀器的激光波長為10 600 nm，引導光束為紅色半導體激光，具備多種工作模式，可根據(jù)應(yīng)用需求進行模式設(shè)定，工作環(huán)境溫度為-40°～5°，相對濕度為≤80%。

該儀器在使用過程中常見故障包含高壓異常、無激光光斑輸出、激光束發(fā)生續(xù)斷、激光功率下降、熔斷絲連續(xù)燒壞以及光束和指示光束不同心等，這些故障之間存在部分連帶性以及各個影響因素之間存在相關(guān)性，一旦發(fā)生上述故障，將對儀器的治療效果造成較大影響，甚至引發(fā)連續(xù)故障，如果發(fā)現(xiàn)不及時，無法及時進行維修，將會導致儀器損壞。因此，需及時完成儀器故障的自動診斷，以保證儀器的正常使用。在該儀器上部署信號采集傳感器獲取儀器使用3 個月的信號數(shù)據(jù)用于故障診斷，信號判斷公式為

當0＜f（x1）≤1，則可判定信號為異常信號，即故障信號；當f（x2）≤0，則可判定信號為正常信號。

本文方法在對儀器故障實行自動診斷前需對故障信號實行降噪和增強處理，故障信號的處理性能測試結(jié)果如圖2 所示。

圖2 故障信號的處理性能測試結(jié)果

根據(jù)圖2 測試結(jié)果可知，傳感器采集的故障信號中存在一定的噪聲，本文采用數(shù)字濾波方法對該信號實行降噪處理后，信號中的噪聲得到有效處理，再進一步對降噪后的信號進行增強后，信號的結(jié)果與實際故障信號吻合度非常高，信號中的弱信號均得到較好的處理。因此，本文方法能夠較好地完成信號的有效處理。

故障特征量化效果直接影響故障的診斷結(jié)果，采用本文方法對激光醫(yī)療美容儀器故障信號特征量化，由于篇幅有限，結(jié)果僅隨機呈現(xiàn)2 種不同程度故障下的特征量化結(jié)果，如圖3 所示。

圖3 不同程度故障下的特征量化結(jié)果

從圖3 可以看出，十分嚴重故障特征量化結(jié)果的故障信號凸起明顯，而輕微故障下的特征量化結(jié)果雖然能夠呈現(xiàn)信號異常，但是信號波動較低，說明本文方法能夠獲取不同故障征兆嚴重程度的量化結(jié)果，并且可清晰呈現(xiàn)不同故障征兆嚴重程度的差異，以此區(qū)分不同程度的儀器故障。

為測試本文方法的故障診斷效果，獲取本文方法對信號的識別結(jié)果，并且完成對故障的量化，判斷其故障程度。故障診斷和量化結(jié)果見表1。

表1 故障診斷和量化結(jié)果

由表1 可知，本文方法能夠完成信號中發(fā)生的故障征兆的自動診斷，并且獲取該故障征兆嚴重程度的量化結(jié)果，同時可獲取故障征兆的次數(shù)。因此，本文方法的故障自動診斷效果良好，且有效、可靠，同時能夠完成故障征兆嚴重程度定量分析，為儀器的檢修提供有效依據(jù)。

另外，為了驗證本文方法的有效性，采用本文方法、文獻[5]方法和文獻[6]方法對激光醫(yī)療美容儀器故障進行自動診斷，并將自動診斷結(jié)果與實際故障結(jié)果進行對比，對比結(jié)果見表2。

表2 激光醫(yī)療美容儀器故障診斷結(jié)果

根據(jù)表2 可知，在本文設(shè)定參數(shù)及現(xiàn)有實驗條件下，本文方法進行激光醫(yī)療美容儀器故障自動診斷的結(jié)果與實際故障結(jié)果一致，準確率高達100%；而文獻[5]方法進行激光醫(yī)療美容儀器故障自動診斷的結(jié)果與實際故障結(jié)果有4 次誤差，準確率為60%；文獻[6]方法進行激光醫(yī)療美容儀器故障自動診斷的結(jié)果與實際故障結(jié)果有3 次誤差，準確率為70%。綜上說明采用本文方法進行激光醫(yī)療美容儀器故障自動診斷的結(jié)果更準確。

3 結(jié)語

激光醫(yī)療美容儀器是諸多醫(yī)院皮膚科或者醫(yī)療美容機構(gòu)普遍使用的一種美容儀器，該儀器應(yīng)用功能較多、使用頻率較高，因此故障多發(fā)。為了及時完成激光醫(yī)療美容儀器故障自動診斷，本文提出了一種基于模糊邏輯的故障自動診斷方法，并對該方法的應(yīng)用效果進行了測試。測試結(jié)果顯示，本文方法具備良好的故障信號處理效果，處理后信號中的噪聲大大減少，并且增強后的信號與實際的信號之間吻合程度非常高。除此之外，本文方法還能夠完成故障特征的量化處理，且量化結(jié)果能夠呈現(xiàn)不同故障類別的差異。但是本文方法在研究的過程中沒有考慮診斷的時間問題，導致診斷效率較低。為了進一步提高本文方法的有效性，在接下來的研究中將對算法進行改進，以縮短運算時間、提高診斷效率。