基于长短时记忆网络的医疗设备故障智能诊断研究

为解决当前医疗设备维修难等问题,本研究提出一种基于长短时记忆网络(LSTM)的医疗设备故障智能诊断方法.首先,在无电路图纸、未知电路板信号走向情况下,采集7种不同故障类别的医疗设备电路板征兆现象及端口电信号两种类别特征,并进行特征编码、归一化以及融合筛选等预处理;其次,基于LSTM搭建故障智能诊断模型,使用融合并筛选的多模态特征,进行故障诊断分类识别实验,然后实验结果与使用端口电信号、征兆现象及两种类别特征融合等方式进行故障诊断识别对比;此外,与BP神经网络(BPNN)、循环神经网络(RNN)、卷积神经网络(CNN)等算法进行故障诊断性能对比和评估.结果表明:基于融合并筛选的多模态特征,LSTM算法模型的分类诊断准确率平均达到0.970 9,较单独利用端口电信号、征兆现象及两种类别特征融合的故障诊断准确率更高;较BPNN、RNN、CNN等算法也具有更高的故障诊断准确率,为同类设备的故障智能诊断提供了一种相对可行的新思路.