基于故障树与贝叶斯网络的呼吸机故障智能诊断

马建川，种银保，郎朗，肖晶晶，王晴，范莉萍，刘香君

1.中国人民解放军陆军军医大学第二附属医院医学工程科，重庆400000；2.中国人民解放军第32572部队，贵州安顺561000

前言

在现代临床医学中，呼吸机作为一种可以代替、控制或改变人的正常生理呼吸的急救设备，已经广泛用于因为各种原因导致的呼吸衰竭、呼吸支持治疗、急救复苏以及大手术期间的麻醉呼吸管理，在现代医学领域内占有十分重要的位置。2019年12月新冠疫情爆发后，呼吸机作为生命急救设备，在抢救新冠确诊患者时发挥了不可替代的作用。根据测算，在新冠疫情中，全国对呼吸机的总需求量约为3.2 万台，但是呼吸机生产周期长，对于专业医疗设备制造商，生产一台呼吸机需要花费40 d 的时间；而且造价昂贵，每台在（20～40）万元不等。

保障呼吸机的正常运行至关重要。呼吸机在使用过程中会因为零部件失效、配件使用频率高或人为操作失误等原因造成各种故障，阻碍呼吸机正常的工作。据不完全统计，呼吸机的故障率高达6.86%［1］。因此，在呼吸机需求量大，生产周期长，造价昂贵，故障率高的严峻形势下，如何保证在呼吸机发生故障时快速准确地找到故障原因和故障点，迅速排除故障，恢复设备的正常运行具有重要意义。

故障树分析法（Fault Tree Analysis,FTA）是一种可以自上而下进行故障诊断演绎的方法，它的优点是可以系统全面地分析故障的根本原因。自1962年贝尔实验室发明FTA 以来，它已经被广泛用于故障诊断［2］。这种方法以专家经验知识为基础，使故障诊断和可靠性分析在一定程度上能够容忍数据的误差，可以降低获得精准概率值的难度。但许多复杂系统存在着多种原因导致故障发生，或上层事件和下层事件之间没有明确因果关系的情况，而故障树中的逻辑门只能对故障或正常状态进行确定性的逻辑关系描述。因此，在故障的定量分析过程中，FTA无法很好地将复杂系统的逻辑状态描述出来，同时FTA的计算量很大，但是概率方法就很适合对复杂系统进行描述。

基于条件概率的贝叶斯网络（Bayesian Network,BN）是运用概率定理进行推理的一种方法，更加适合复杂系统的故障分析和判断。BN 和FTA 在推理机制和系统状态描述方面都极为相似。与FTA 相比，BN 具有描述事件多态性和故障逻辑关系非确定性的能力。但是BN 的搭建涉及领域专家的专业知识，是BN 在故障诊断应用中的“瓶颈”［3-4］。因此，基于FTA 构建的BN 方法更为广泛地应用到故障诊断领域中。姚成玉等［5］和刘晓洁等［6］提出基于T-S 故障树和BN 的模糊可靠性评估方法，将T-S 故障树、BN 和模糊集合理论进行融合，并将该方法应用于运输车的液压系统，为系统进行故障诊断提供了可靠依据。Zheng 等［7］在建立的故障树基础上进行BN 的搭建，并开发了故障诊断系统，利用该系统，工程师可以对起重机进行快速准确的故障诊断［7］。受上述研究的启发，本文综合故障树和BN 的优点，提出一种基于FTA和BN相结合的呼吸机智能故障诊断方法。

1 呼吸机原理和工作过程

1.1 呼吸机原理结构

呼吸通过人体内肺泡的舒张和收缩来完成氧气的吸入和呼出，而呼吸机的工作原理主要就是通过机械的外力方式来建立压力差，从而实现强制的人工呼吸过程［8-9］。呼吸机主要由4部分组成，见图1。

图1 呼吸机结构原理Fig.1 Schematic diagram of a ventilator

（1）图形用户界面（Graphics User Interfaces,GUI）。接受呼吸参数的输入以及对患者监测参数进行显示，同时对呼吸输送系统进行监测和通信，主要由CPU 板、LED 线路板、触摸框板、背光板、按键板、液晶显示屏和报警器等组成。

（2）呼吸输送系统（Breath Delivery Unit,BDU）。按照设定的参数，提供给病人一定流速、压力及呼吸频率的混合气流，并监测相关的呼吸参数。由吸气模块和呼气模块组成，其中，吸气模块包括减压阀、比例电磁阀、安全阀、校零电磁阀、氧气传感器、压力传感器、流量传感器等；呼气模块包括校零电磁阀、压力传感器、流量传感器和呼气阀等。

（3）后备电源系统（Backup Power Source,BPS）。当交流电电压较低或丢失后，后备电源系统会自动启动，为GUI和BDU提供不间断稳压电源，保证设备至少可以正常运行30 min，方便临床继续治疗和抢救。

（4）空气压缩机。主要由运转电机、储气管和散热装置组成，工作时空气经由压缩机经过散热器降温后通过过滤器、干燥棒过滤掉多余水分，后经过三通阀分两路，一路进入气瓶储存，另一路供给主机。

1.2 呼吸机的工作过程

通过管路外接一定压力的中央供氧和空气，将气体输送至系统BDU的吸气模块中；气体通过干燥、过滤、减压和流量传感器监测后，输送到比例电磁阀PSOLS，按设定的氧浓度进行混合。混合后的气体通过过滤器、湿化器和积水杯输送至病人处。呼出的废气则通过积水杯、过滤器进入BDU 的呼气模块中，经过干燥、灭菌和监测，最后经呼出阀排至大气中［10］。

2 基于BN的故障树搭建

2.1 呼吸机故障树的建立

FTA 是将系统内造成严重后果的故障事件或事故作为顶事件置于故障树最顶端，然后找出系统内可能发生的零部件失效或故障、环境变化和人为失误等因素与系统故障之间的联系，并用树状的逻辑图进行表示［11］。最后对各基本事件赋予先验概率值，进行定性和定量的分析。

本文建立的呼吸机故障树将呼吸机不能正常工作作为顶事件，在知网上搜集呼吸机故障的相关文献，以呼吸机无法正常工作作为标准筛选出124篇文献，通过对文献的阅读整理，总结出221 例呼吸机故障案例，并结合呼吸机的结构组成和工作原理，划分为背光板故障、CPU 板故障、空压机故障、按键板故障、电路接触不良故障、气体输送故障和气体监测故障共7 个故障树中间事件，34 个故障基本事件，所绘成的故障树如图2所示。其中，相对故障率为基本事件的案例数与故障案例总数的比值，即：

图2 呼吸机故障树Fig.2 Fault tree of the ventilator

相对故障率=基本事件案例数/故障案例总数×100%

呼吸机故障事件及其概率值见表1。

通过表1 可以发现，在34 个基本事件中，相对故障率高的事件分别为呼出端流量传感器故障（10.41%）、氧电池失效（9.05%）、比例电磁阀故障（9.05%）、呼出阀故障（8.60%）、空气流量传感器故障（8.60%）、通讯电缆故障（6.79%）、氧气流量传感器故障（6.33%）、进气阀过滤器故障（4.98%）。

表1 呼吸机故障事件及其概率值Tab.1 Fault events and probability values of the ventilator

2.2 BN的定量分析

BN 是综合利用概率论和图论进行不确定事件分析和推理的有效工具，是描述变量间概率关系的图形模式［12］。BN 中的节点代表着变量，节点间的有向边从原因指向结果，构成一个有向无环图。BN 分析根据根节点的先验概率求得叶结点的发生概率，再反向求得根节点的后验概率。其中，先验概率是根据以往的经验推算出事件发生的概率，是由原因推理结果；后验概率则是判断多种原因中某一原因造成事件发生的概率，是由结果反推原因［13］。

2.2.1 后验概率的求解以图3 的BN 模型为例，从X到Y，表示原因X导致结果Y。P(X)表示事件X发生的概率，P(X|Y)表示事件Y发生的情况下事件X发生的概率，P(Y|X)表示为后验概率，即事件X发生的条件下事件Y发生的概率。由全概率公式可得：

图3 贝叶斯网络模型Fig.3 Bayesian network model

进而可以求得后验概率为:

2.2.2 基本事件重要度的求解基本事件的重要度主要包括结构重要度和概率重要度。结构重要度是从故障树的结构上对各基本事件的重要程度进行分析，不考虑各基本事件的发生概率，是一种定性的重要度分析。概率重要度是指第i个基本事件不可靠的变化引起系统不可靠度变化的程度［14］，属于定量的重要度分析。可用公式表达为：

其中，△gi(t)为概率重要度；Fi(t)为元器件的不可靠度；g[Fs(t)]为顶事件发生的概率；F(t)=[F1(t),F2(t),…,Fn(t)]；Fs(t)为系统的不可靠度，Fs(t)=P(T)=g[F(t)]。

由全概率公式：

从而可以得出基本事件的概率重要度为：

FTA 向BN 的转化不仅是简单的映射，而是要突破FTA 本身的局限性，获得更好的故障分析和诊断能力［15］。将FTA转化为BN的步骤如图4所示。

图4 FTA向BN的转化Fig.4 Conversion from fault tree analysis to Bayesian network

2.3 条件概率表的更新

利用BN 可视化软件GeNIe［16］将故障树转化为BN 后，把求得的各个基本事件的相对故障率输入到BN 中作为先验概率，同时，为各个非根节点指定对应发生故障的条件概率，从而对根节点进行条件概率的更新。

3 BN的分析和验证

3.1 结果分析

为了便于比较，将每个基本事件的先验概率和后验概率列于表2中。对比表2中的两种概率值，可以发现，每个基本事件的后验概率和先验概率是不相同的。通过根节点的先验概率求得的后验概率对于故障诊断具有不完全可靠性，但是可以作为基本事件概率重要度的关键参考。概率重要度可以反映出节点故障发生的重要程度，同时也能反映出呼吸机可靠性的薄弱环节［17］。本文主要考虑基本事件的后验概率和概率重要度，如果两个参数给出基本事件排序相同，则对于使用后验概率和概率重要度的策略就很直观［18-19］。然而当两种参数给出不同的排列顺序，则需要综合考虑后验概率和概率重要度。表2结合故障现象给出7个中间事件下的基本事件序列。以表2中的背光板故障为例，当背光板出现故障时，结合后验概率和重要度的序列，最先检查高压板是否出现故障；若是能够排除高压板的故障，再依照后验概率和概率重要度的次序检查背景灯接触故障和灯管故障等，直至故障排除，设备恢复正常运行。

表2 呼吸机故障事件序列Tab.2 Sequence of the fault events of the ventilator

3.2 结果验证

笔者利用厂家2017～2020年的呼吸机维修记录进行验证，共整理出328 条维修记录，将这些记录按照已建立的故障树事件进行分类，并和BN 诊断后的结果进行比较。结果发现，背光板故障、CPU 板故障、按键板故障和接触不良故障的基本事件序列一致，空压机故障、气体输送故障和气体监测故障的基本事件序列与理论值不相符合，以气体输送故障和气体监测故障为例，比较结果如图5所示。

图5 结果对比Fig.5 Comparison of results

利用冒泡排序［20］的方法对7个中间事件下的基本事件的理论序列值和实际序列值进行分析比较，在Matlab中利用冒泡算法以理论序列值为标准，求得实际序列值与理论序列值的差值，得到的结果如表3所示。

从表3可以发现，背光板故障、CPU 板故障、按键板故障和接触不良故障事件下的基本事件序列值的准确率为100%，空压机故障和气体监测故障事件下的基本事件序列值的准确率在85%以上，气体输送故障事件下的基本事件序列值的准确率为58.33%。考虑到文献搜集和实际维修记录的数据量样本较小，而且不同品牌设备的同一故障所对应的数据存在一定的偏差，因此该方法具有一定的可行性。后期要继续扩大实验的数据量，完善补充数据的多样性，同时在现有的方法上继续改进。

表3 结果验证Tab.3 Validation of results

4 结论

本文提出了结合FTA 和BN 的方法，充分利用了BN 可以快速诊断分析复杂系统的故障问题，弥补了FTA 对于复杂系统计算繁琐的缺点。同时该方法也利用了先验知识，对数据量和数据质量要求不高。本文的主要贡献是将FTA 和BN 两种方法结合起来解决一种急救设备的智能故障诊断问题，该方法得到的推理结果与实际结果相符性达到84.54%，为建立呼吸机故障静态数据库并进行故障智能诊断提供了理论依据，具有一定的推广价值。