0 引　言

船舶航行于水中，考虑其应用环境的特殊性，船员一旦发生疾病或意外，将无法及时送去医院接受治疗^[1]。在此条件下，船舶医疗急救设备成为保障患者人身安全的关键^[2]。若船舶医疗急救设备存在故障，将对患者的人身安全产生严重影响，因此检测船舶医疗急救设备状态并进行维修，保障其正常应用具有重要意义。

李学生^[3]通过构建任务数据。该方法实际应用过程中过于依赖数据，导致检测过程十分复杂。吴耀胜^[4]利用马尔科夫模型实现设备状态检测，该方法在实际应用过程中具有较为显著的局限性。王鑫等^[5]通过采集设备信号灯图像，利用Yolo v3模型对所采集图像进行处理完成设备状态检测该方法的检测结果存在一定误差，有较大概率造成维护过度问题。

针对上述问题，提出基于人工智能的船舶医疗急救设备状态检测与维护方法，提升船舶医疗急救设备应用的稳定性。

1 船舶医疗急救设备状态检测方法 1.1 方法整体架构

目的是检测船舶医疗急救设备的工作状态，并判断下次故障形成时间点和故障类型与零件，在所判断的时间点前相应时间内对船舶医疗急救设备实施维护，由此有效地降低船舶医疗急救设备故障率。图1为基于人工智能的船舶医疗急救设备状态检测与维护方法整体架构。

1.2 船舶医疗急救设备运行数据采集与预处理

运行数据包括正常运行状态与故障运行状态下的相关信息，包括设备振动信息、设备历史维护信息、设备合同信息等，同时通过扫描二维码等方式采集船舶医疗急救设备的温度、压力值、电导度、等各项机械性能参数。图2为船舶医疗急救设备振动信息特征提取过程。在利用传感器等设备采集船舶医疗急救设备振动信号后，采用基于经验模态分析与独立分量分析的方法对所采集振动信号实施分解与分离处理，获取船舶医疗急救设备振动信号独立分量。从时域和频域两方面对该信号独立分量进行分析，由此获取船舶医疗急救设备振动信号特征信号。

1.3 基于人工智能的状态检测模型

在采集到船舶医疗急救设备的运行信息后，采用人工智能领域中的卷积神经网络(CNN)，将预处理后的船舶医疗急救设备运行信息与机械性能参数作为输入，通过学习与训练过程，最终输出不同船舶医疗急救设备的运行状态与维护信息，实现精准维护目的。CNN普遍应用于图像与语音处理等问题中，因其在图像处理领域中的各种优势，将其引入设备状态检测问题中，基于设备运行数据实现设备当前状态检测。在输入层内输入预处理后的船舶医疗急救设备运行数据与机械性能参数，利用卷积层内具有局部特征提取与权值共享特性的卷积核对输入信息实施卷积计算，完成船舶医疗急救设备运行数据与机械性能参数滤波处理。同时，采用双曲正切函数与修正线性单元ReLU等激活函数对卷积处理结果实施激活处理，生成特征图，以此保障CNN的非线性。考虑修正线性单元ReLU在实际应用过程中既能够有效改善梯度丢失现象，还能够显著提升学习效率，因此选用其作为激活函数，其公式描述如下：

$ f\left( x \right) = \max \left( {x,0} \right)，$

(1)

由此得到CNN内卷积层的表达式：

$ a_j^l = f\left( {\sum\limits_{i = 1, \cdots ,M} {x_j^{l - 1} * T_{ij}^l + P_j^l} } \right),j = 1, \cdots ,N 。$

(2)

式中： $ M $ 和 $ T_{ij}^l $ 分别为输入特征图数量和卷积核； $ P_j^l $ 和 $ N $ 分别为偏置系数与卷积核数量。

CNN在实际训练过程中，不同层内的参数均产生一定变化，由此造成模型的复杂度大幅提升，同时还有较大概率产生梯度弥散现象。针对这一问题，在利用卷积层对输入层内预处理后的船舶医疗急救设备运行数据与机械性能参数实施滤波处理后，引入批归一化层：

$ {y_i} = \phi \frac{{{x_i} - {\varepsilon _B}}}{{\sqrt {\eta _B^2} }} + \varphi。$

(3)

式中： $ \phi $ 和 $ {\varepsilon _B} $ 分别为尺度参数与样本均值； $ \eta _B^2 $ 和 $ \varphi $ 分别为样本方差和平移参数。

该层的主要功能为利用尺度参数与平移参数对船舶医疗急救设备运行数据与机械性能参数滤波结果实施归一化处理，提升模型整体效率与泛化能力，抑制梯度弥散现象产生。考虑卷积层中包含若干个卷积核，这将造成船舶医疗急救设备运行数据与机械性能参数的特征维度显著提升，形成维数困扰。针对这一问题，采用降采样层对所获取的特征图实施处理，清除冗余信息，只存留初始船舶医疗急救设备运行数据与机械性能参数中最重要、最本质的特征。采用均值降采样方式，表达式如下：

$ a_j^l = f\left( {\theta _j^l{\rm{down}}\left( {x_j^{l - 1}} \right) + P_j^l} \right),j = 1, \cdots ,M ，$

(4)

式中， $ \theta _j^l $ 和 $ {\rm{down}}\left( {} \right) $ 分别为卷积核权重与降采样函数。

通过上述过程完成预处理后的船舶医疗急救设备运行数据与机械性能参数的特征提取过程后，利用全连接层将所提出特征映射至不同类别空间内，实现船舶医疗急救设备状态分类。该层可理解为是反向传播神经网络，表达式如下：

$ a_j^l = f\left( {\sum\limits_{i = 1, \cdots ,M} {x_j^{l - 1} * w_{ij}^l + P_j^l} } \right)。$

(5)

式中： $ f\left( {} \right) $ 和 $ w_{ij}^l $ 分别为非线性激活函数和输入层同输出层间的连接权值； $ P_j^l $ 为偏置系数。

通过上述过程能够实现船舶医疗急救设备的状态检测，输出结果中包含船舶医疗急救设备运行状态与维护信息(维护时间、维护项目、维护零件等)，基于输出结果实现高精度船舶医疗急救设备维护。

2 实验结果

为验证基于人工智能的船舶医疗急救设备状态检测与维护方法的实际应用效果，以某远洋船中所使用的医疗急救设备为研究对象，采用本文方法对其进行状态检测与维护，船上使用的主要医疗急救设备如表1所示。

2.1 振动信号预处理结果

以心电监护仪为例。采用本文方法采集其针对信号，并对所采集信号实施预处理，所得结果如图3所示。分析可知，本文方法所采集的心电监护仪振动值处于3.83×10⁻²～3.97×10⁻² mm之间。同时本文方法预处理前的振动信号波动较为显著，而本文方法预处理后的振动信号波动较为平缓，但基本变化趋势同预处理前基本一致，由此说明本文方法能够有效采集研究对象振动信号，同时通过对所采集信号的预处理能够有效简化数据，有利于后续数据应用效率的提升。

2.2 卷积核数量对检测结果的影响

为确定CNN模型内卷积核数量对于本文方法状态检测结果的影响，设定检测率(有效获取检测结果的概率)和误检测率(检测结果错误的概率)为衡量标准指标，结果如图4所示。分析可知，随着卷积核数量的提升，当卷积核数量达到14个时，本文方法对于各研究对象状态的检测率达到99%，由此说明在卷积核数量为14个的条件下，本文方法具有较好的状态检测结果。

2.3 状态检测结果

采用本文方法对研究对象进行状态检测与维护。对比采用本文方法前后，各研究对象的故障率变化情况，所得结果如表2所示。分析可知，采用本文方法对研究对象进行状态检测与维护后，各研究对象的故障率均表现为明显下降趋势，下降幅度都达到65%左右。这表明采用本文方法能够有效降低研究对象的故障率，由此最大限度保障船舶上人员的身体健康。

3 结　语

本文研究基于人工智能的船舶医疗急救设备状态检测与维护方法，通过采集船舶医疗急救设备数据，采用人工智能领域中卷积神经网络完成设备状态检测与维护目的，实验结果验证了本文方法的实用性。