基于数据挖掘的灭菌设备运行状态检测的应用

符锡成

摘  要：经过对海南多家医院在用的脉动真空灭菌器进行实际调研，基于数据挖掘技术，对灭菌设备运行状态检测进行了初步的研究。在了解脉动真空灭菌器设备运行的基础上构建用于设备健康状态评价的综合数据系统，并利用数据挖掘技术在对积累的设备实时运行数据进行挖掘的基础上，建立了设备不同健康情况下的分布数据集，建立模型，分析出故障发生前的预兆数据，达到监测设备运行、提高设备正常运行率的目的。

关键词：数据挖掘  状态检修  实时运行数据

中图分类号：TK268                                文献标识码：A                          文章编号：1672-3791（2019）03（c）-0245-04

Abstract： Through Pulsating Vacuum Sterilizer investigation of several hospitals in Hainan， A preliminary study of sterilization equipment based on the data mining technology. We have built an integrated data system for sterilization equipment health status evaluation On the basis of understanding the running of pulsating vacuum sterilizer equipment ， a comprehensive data system is established for evaluating the health status of the equipment . Besides， based on the real-time data mining technology， it constructs the distribution data and model under different health conditions ， and analyzes occurrence of precursor data  in order to monitor the operation of equipment and improve the normal operation rate of equipment.

Key Words： Data mining; Condition based maintenance; Real-time running data

1  數据挖掘

数据挖掘的概念是在美国1995年计算机年会上首先提出来的数据挖掘是从海量的数据中，应用各种算法查找出隐藏于数据中的信息。

该文通过对海南多家医院在用的脉动真空灭茵器的实际使用情况进行调研，应用数据挖掘聚类分析、关联分析等相关技术对调研数据进行综合、分析、统计、推理与归纳，揭示脉动真空灭菌器设备运行事件间的相互关系，预测监测设备运行的未来发展趋势，这会起到辅助实际工作问题和支持决策的作用。

2  脉动真空高压蒸汽灭菌器

医院主要靠高压蒸汽灭菌来完成医疗物品的灭菌工作。目前，是医院消毒供应中心普遍使用的灭菌设备脉动真空高压蒸汽灭菌器系统结构相对复杂，特别是灭菌器管路系统中的各种控制阀件故障率相对较高，维修后可靠性也不好。有时，设备前一次灭菌过程还是合格的，可下次进行灭菌物品灭菌时出现稳定性不好，导致整个灭菌过程的失败，只好停机待冷却后方可进行维修，这不但浪费了人力、物力、时间，也影响了整个医院消毒物品的及时供应。轻则需要重新灭菌，重则使灭菌物品损坏，造成灭菌物品的供应不及时，严重影响临床治疗和手术的开展。

脉动真空压力蒸汽灭菌器采用的灭菌监测方法有：B-D试验、物理监测、化学监测、生物监测等。这些数据每台设备都有保存，另外医院追溯系统也保存有监测的实时物理数据与灭菌监测结果数据，通过收集这些数据进行数据挖掘，从中分析找出故障发生前的预兆数据，达到检测设备运行的目的。

3  灭菌设备运行状态检测

进行灭菌设备状态检修的整体思路是：除了检修灭菌设备的系统结构与性能达到所设置的状态外，还检修可能长时间动态状态。按照当前灭菌设备的实际工作状态收集到的物理参数信息获得可以识别与判别早期故障征兆，并能确定灭菌设备的可能故障位置、程度与趋势。应用数据挖掘技术，科学地在灭菌设备故障出现前有目针对性地进行适当和必要的维护，为设备安全、稳定、长周期和全性能优质运行提供了可靠的技术和管理保障。

该（检修）系统建立在软件总线平台之上，提供了诸多模块给前端用户使用，这些模块通过软件总线提供的接口，调用总线系统中提供的方法，并与后端数据库发生交互。ODBC数据库中存放着灭菌设备采集来的设备实时运行数据（见图1）。

对设备进行健康状态评价的基础是设备的相关信息。这些灭菌设备信息主要有以下几方面。

（1）这些灭菌设备基本信息是设备“与生俱来”的信息，这些信息真实描述了设备的固有属性，例如设备的铭牌上的信息及图纸各灭菌设备技术参数等。

（2）灭菌设备运行的物理历史参数。这些物理历史参数是进行数据挖掘的数据来源，它不只是反映设备灭菌历史状况，而且能通过对比历史物理参数与实时物理参数的记录，从中可以分析设备的状况，预知可能出现的故障。

（3）技术监测信息。

（4）设备缺陷数据。设备缺陷数据信息主要有出现缺陷时的设备基本信息、缺陷代码、缺陷描述及应对的方法等。这些设备缺陷数据信息将为未来分析类似设备故障状况、采取什么应对的方法等方面提供相应的参考根据。

（5）国家有关行业标准规范，灭菌设备状态维修数据，等等。

4  数据挖掘在灭菌设备运行状态检测中的应用

根据数据仓库中大量的运行历史物理参数，采用聚类分析的办法判断设备参数在不同运行状态下的数据分布情况。该文利用改进了的K-Mean算法来进行聚类，对设备进行健康状态评价，而后应用关联规则来挖掘寻找给定数据集中项之间的关系。

4.1 改进的K-Means算法介绍

输入：一个有N个对象的数据库，聚类定义为K，—个参数B∈（0，1）。

输出：聚类结果，也就是K个簇。

算法过程：

（1）根据前面的初始聚类中心来确定与选取初始聚类种子K;

（2）重复操作;

（3）按照类内对象与簇中的聚类种子最近的原则，把每个类内对象（再次）赋于相似度最大的聚类;

（4）通过簇中数据的计算，得到与该簇中的聚类种子Ot（k-1）相似度最小的值，MinSimt（k-1）并计算出阈值;

（5）选择簇Ct（k-1）中与聚类种子Ot（k-1）相似度大于1-βMinSimt（k-1）的数据，得到集合CNt（k-1）;

（6）计算CNt（k-1）中数据的平均值，即为簇的聚类种子;

（7）一直重复到相邻两次聚类种子变化不再出现。

该文在就K-Means算法研究时K值取为3。K取值为3的理由是灭菌设备的正常运行状态只能是设备正常、设备能用但有小毛病与设备不能用3种中的一种，以之相应的技术数据范围也会出现3种不同的分布。通过数据挖掘得到3个相关的聚类结果，并让专家分析聚类相关性结果，得到表示不同灭菌设备的正常运行状态数据分布情况的3个聚类结果。数据挖掘的结果依赖于选取的数据，假如挖掘的数据样本不科学，则需要重新选取数据样本，因为这样的挖掘结果准确性得不到保证。

4.2 关联分析

关联规则是一种X→Y规则的蕴涵式，式里的X定义为关联规则的先导，而Y定义为后继。关联规则分为两个步骤：第一个步骤是从数据中找到所有频繁项集，第二个步骤是通过这些频繁项集产生关联规则。用于关联规则发现的主要对象是事务型数据库。

4.2.1 研究问题

采用Apfiofi算法挖掘医院灭菌器设备运行数据中所隐藏的各数据之问的关系，即发现形如“医院灭菌器设备电源故障中，开关电源电路中的开关管损坏并在给定的可信度下，也有保险管损坏”的关联规则，从而可以用于指导电源在发生断电故障时“开关管”和“保险管”在灭菌器设备运行的维护检修关联规则。

在数据挖掘中应用Apfiofi算法时，频繁项集的长度与查询数据的频数相关，这将影响数据的传输效率，进而影响Apfiofi算法效率。而在文中，我们对Apfiofi算法进行改进，改进的思路是：建立一个用“1”来表示项目中出现事务，用“0”来表示项目中不出现事务的二进制数据的存储结构，接下来就是确定最小支持度，同时在找到最大频繁项集之前不断地对待选项数据集进行删选。这样的改进可以减少查询数据的频数与产生待选项数据集的数量，比经典Apfiofi算法效率高。

4.2.2 确定主题

根据所研究的问题，确定的主题有：耗材、人员、灭菌设备和保养。

（1）数据仓库模型。

（2）根据所确定的主题，准备和收集事务数据库中的数据。从事务数据库中准备和收集与主题相关的数据，并根据所研究的问题提取此次数据挖掘需要的属性字段。将不符合检验条件的记录在进入数据仓库之前进行剔除，对所有数据属性在进入数据仓库之前进行统一。数据仓库中各主题的数据则按照决策分析型应用的需求存放，其设计与优化时需考虑的是数据的完整性、一致性及分析结果的准确性。得到此次数据挖掘的数据仓库逻辑模型（如图2），数据仓库模型主题的特点使得其更易以星形模型、雪花模型或者星座模型来实现。

4.3 数据挖掘

此次数据挖掘以海南多家医院使用的由山东新华医疗器械股份有限公司生产的脉动真空灭菌器在2010年1月1日到20l7年1月1日运行期间的事务数据库为数据源，采用Apfiofi算法挖掘的有效关联规则（如表1），以灭菌设备保养为实例的Apriori算法寻找所有的频繁项集以优化设备保养策略。实践证明，对这些相互之间有着高度关联的设备进行保养，至少使灭菌器运行效率提高40%以上。

这里设D为事务数据库，其事务A=4，确定最小支持度的M=0.5，灭菌设备的正常运行状态只能是N：设备正常;C：设备能用但有小毛病;B：设备不能用。使用以“月”為时间单位，如表1所示。

在表1：灭菌设备的保养事务数据表，对照项数I与最小支持数，查询事务，创建二进制数据的存储结构事务数据库，出现的事务用“1”表示。反之用“0”来表示。由此可得到临时二进制表示的事务数据库（如表2）。

根据Apriori算法（如图3），通过Apriori算法不断地进行删选，得到事务数据库的最大频繁路径集为{（织物、器械）（N，1）（C，2）}，如表3所示。

5  结语

就医疗设备状态维修检测这个研究课题而言，该文应用数据挖掘的研究方法，针对灭菌设备健康状态进行建模分析。在对灭菌设备实际维修维护调研的基础上，对设备运行特性技术参数进行采集，并应用改进的K-Means算法进行来进行聚类，而后应用改进的Apriori算法关联规则来挖掘寻找给定数据集中项之间的关系从中挖掘出灭菌设备系统运行与部件的状态相关性，对设备进行健康状态评价。

在具体实施建模与数据挖掘过程中，采用计算机系统来统计分析设备运行状态的物理参数。获取相关参数，并实现了设备运行自动记数。并提供在达到相关性参数异常之前提前报警，实现自动化程度较高的设备维修修护告知的功能。当然对于采用参数相关性分析来判断设备状态的方法，诊断分析得到的结果正确率还有等待进一步完善，在对设备历史运行数据进行数据挖掘时，如果挖掘的结果可用率不高，则应该重新进行挖掘，或者增加样本数据，或者改进算法。

参考文献

[1] 陈京民.数据仓库与数据挖掘技术[M].北京：电子工业出版社，2003.

[2] 徐宗龙.数据挖掘在齿轮箱故障诊断中的应用研究[D].中北大学，2006.

[3] 张育林.动态系统故障诊断理论与应用[M].长沙：国防科技大学出版社，1997.

[4] 史波.医用脉动真空灭菌器维修一例[J].实用医技杂志，2011，18（10）：1097-1098.

[5] 莫挺斐.新华XG1.DME型脉动真空灭菌器故障分析[J].中国医疗设备，2010，25（3）：105-107.

[6] 刘益平，朱力群，刘钟.脉动真空灭菌器两项改进措施[J].中国仪器仪表，1996（4）：24-25.

[7] 金涛，周秀华.意大利Extrema Plus脉动真空灭菌器使用中常见问题及解决方法[J].医疗卫生装备，2010，31（12）：146-147.

[8] 曲睿，张天娇.基于矩阵压缩的Apriori改进算法[J].计算机工程与设计，2017，38（8）：2127-2131.

[9] 刘啸，刘玉龙.基于改进型迭代算法的web数据关联规则挖掘[J].科技导报，2015，33（3）：90-94.