醫院后勤機電設備智能風險管理機電系統的安全運行是醫院生命支持系統管理的核心內容，準確預測醫院后勤機電設備的運行風險，對機電系統的安全運營及整個醫院的高質量發展具有重要意義。故本文基于深度學習提出一種醫院后勤機電設備智能風險管理方法。文中深入分析了影響機電設備運行風險的因素，構建了全面的風險管理指標體系，設計了適用于實際風險預測及評價的風險管理模型結構和參數。最后對醫院后勤機電設備智能風險管理領域存在的問題和發展趨勢進行了探討。【關鍵詞】醫院后勤機電設備 深度學習 智能風險管理1引言醫院作為重要的特殊公共建筑，其機電設備繁多，系統復雜。在后勤方面，大型綜合醫院有空調、冷熱源、通風、給排水、變配電、照明、電梯等機電設備，這些設備數量多，分布廣，使用頻繁，需要對其進行高效、智能的安全管理，以此保障醫院的安全生產及高質量發展［1-3］。但傳統的管理手段存在諸多不足，管理質量低下，尤其在風險管理方面，管理方法和技術發展緩慢，大多醫院依舊只是依靠人工對設備進行定期巡檢或利用信息化手段對設備的一些參數進行監測，缺乏對風險的有效分析和風險管理機制［4］。近年來，學者們開始對醫院后勤的風險管理進行研究，包括風險識別、風險控制、風險管理體系建設等［5-7］。其中，文獻［5］引入澳新風險管理標準，全面梳理醫院后勤現存或潛在的風險，進行風險分析與評估，并制定相應的預防措施和應急措施，建立了以人員、設備、管理為主的風險管理體系。然而，此類管理方法只能依靠經驗預防風險的發生或提高應對風險的能力，對機電設備將要發生的風險不能提前預測、全局管理，距離高質量管理要求還有很大距離。人工智能技術的發展為研究智能化的機電設備風險管理提供了新的方向。其中，以深度學習為代表的新一代人工智能技術快速興起，相比傳統機器學習方法擁有更優秀的自學習特征提取能力，廣泛應用于金融、醫療、交通、工業等領域，均取得了令人矚目的成果。因此，可以利用深度學習提取醫院后勤發生安全問題設備以及沒有發生安全問題設備的風險預警指標數據特征，構建風險管理模型，對機電設備是否會發生運行風險事故進行提前預測及評價，實現機電設備的智能風險管理，提高醫院后勤管理質量。本文將最新的人工智能技術，深度學習方法，應用到醫院后勤機電設備風險管理領域，對醫院后勤機電設備智能化的風險監測和管理進行了初步探索。2深度學習理論愉「?=情坨圖1傳統人工神經網絡和深度學習2深度學習理論愉「?=情坨圖1傳統人工神經網絡和深度學習深度學習的概念來源于人工神經網絡的研究，設計原理是對大腦皮層進行模擬，對數據或信號進行逐層提取及表達，包含輸入層、輸出層和隱藏層，每層有若干個神經元，且神經元之間有連接權重［8］。相比普通學習算法，深度學習具有多隱層結構的特點（如圖1所示），能更好地逼近復雜的預測函數，保證信息提取與特征表達的準確性。深度學習是一種數據驅動的算法，無需建立系統的準確物理模型，只需對系統運行的歷史數據進行訓練和學習，即可自動生成特征量，從而完成故障診斷、風險評價和自動識別等任務。深度學習涉及到很多的機器學習方法，因此有多種變化類型，本文擬采用基于BP神經網絡的深度學習方法，其基本思想是先進行預訓練（非監督過程），然后把預訓練的結果用來初始化各隱層的權值，再用BP方法進行權值更新。此方法繼承了BP神經網絡的所有優點，其本身模型結構的變化和層數的加深又獲得以下兩大優勢：（1） 深度學習的層次較深，使其具備了自主學習特征的能力，而它學習到的特征對原始數據有著更加深刻的描述，進一步提高風險管理模型的性能。（2） 有效的解決了BP算法訓練的局限性：需要大量有標簽樣本數據及容易陷入局部最優解。3醫院后勤機電設備風險管理模型的構建醫院后勤機電設備風險管理的重要內容就是對機電設備運行風險進行預測和評價，預測某個設備運行的未來發展形態，其本質就是數據分類問題，利用深度學習方法超強的學習能力、自適應能力，通過特征積累，預測機電設備運行風險的未來趨勢，實現風險的智能化管理。3.1風險管理指標體系的構建機電設備的風險管理是一個動態的、綜合的、復雜的操作，風險管理指標體系的科學合理性對風險預測及評價的準確性和有效性有很大的影響。風險分析定性研究是定量研究的前提和基礎，在選擇機電設備風險管理指標之前要首先明確機電設備風險的基本概念和風險分類的標準，根據概念和標準選擇那些針對性強、關聯性多的指標，構建風險識別、預測和評價的指標體系。（1） 環境安全指標環境安全是機電設備安全運行的基礎。在機電設備正常運行的情況下，機電設備的運行風險主要來源于環境的變化，通常監測的指標包括環境的溫度和濕度。另外，機電設備在醫院中位置分布也是對機電設備運行進行風險評價的參考因素，不同位置的機電設備發生的風險，對醫院及患者的影響程度也不同，風險評定等級也就不一樣。因此，環境安全指標主要包含溫度、濕度和位置分布等。（2） 運行狀態指標運行狀態是直接反映機電設備運行狀況的重要指標，也是機電設備風險預測及評價的關鍵因素。機電設備在發生故障時可能導致風險事故的發生，比如液氧系統發生故障時可能會影響患者的供氧、配電系統發生故障時會影響患者就醫或搶救的及時性等。尤其在機電設備突發運行故障時，可能導致的安全風險極大，如電梯突發故障，里面乘坐的患者或醫院職工，其生命安全會受到極大威脅。因此不僅需要對機電設備是否正常運行進行監測，還需對可能引起機電設備故障的運行狀態指標進行監測。對于不同的機電設備，引起機電設備故障或異常的原因也不一樣，需監測的運行狀態指標也不一樣。比如，配電系統需監測電流、電壓、溫度等參數，而液氧系統則需監測流量、壓力、液位等參數。因此，在選擇運行狀態指標時，需要結合機電設備的具體特性來考慮，本文不—列舉。（3）維修保養指標維修保養是機電設備長期正常運行的重要保障。機電設備在日常運行中一般會進行定期巡檢保養，一方面能夠及時發現機電設備存在的問題，消除風險隱患，另一方面能夠使機電設備保持良好運行狀態，降低風險發生概率。因此，機電設備歷史的巡檢保養記錄是風險管理的重要因素。另外，如果一個設備的維修次數越多，其發生風險事故的概率也就越大，所以歷史維修記錄也是機電設備風險預測的重要指標。同時，機電設備運行的歷史時間長短也影響其發生運行風險的概率，運行時間越長，壽命越短，發生故障而產生風險的可能性越大。維修保養指標主要包括歷史運行時間、歷史維修次數、巡檢和保養周期及次數等。綜上，構建的醫院后勤機電設備風險管理指標體系包括環境安全指標、運行狀態指標、維修保養指標等3個方面。該指標體系不僅從多個角度選擇了反映機電設備運行風險的指標，還將靜態指標與動態指標相結合，既有反映機電設備基本信息的靜態指標，也有反映機電設備運行狀況的動態指標，還有巡檢記錄、保養記錄等周期變化的動態指標。3.2風險管理模型的設計深度學習網絡由多層的神經元構成，可以應用在很多實際的分類識別問題中。為了解決面臨的問題，需要構建適用于所要解決問題的深度學習網絡模型。深度學習網絡是一個非常復雜的模型，涉及很多的問題。本文針對醫院機電設備風險管理的問題，以構建的風險管理指標體系中的指標作為輸入，設計所需深度學習網絡的模型及參數。設計過程中主要涉及以下幾個方面的問題：初始權值選取、層節點數確定、激活函數選取、訓練停止條件、誤差函數選取。（1）初始權值選取本文選用隨機梯度下降的方法訓練提出的風險管理模型，模型參數（權值，偏置）的初始化顯得相對比較重要。因此，本文擬采用隨機初始化的方式對提出的風險管理模型的權值進行初始化，并使權值的初始值在［-1,1］之間。相關研究表明，大多數情況下此種方法會取得比較理想的結果，能夠得到比較優的局部最小值和比較快的收斂速度。（2） 層節點數確定深度學習網絡主要由輸入層、隱藏層和輸出層構成。輸入層的節點數要與輸入數據的維度保持一致，所以輸入層的節點數需根據構建的具體指標體系確定。輸出層的節點數要與數據的分類類別保持一致，本文將機電設備的風險分為4類：正常運行、低等風險、中等風險和高等風險，因此輸出節點數量設置為4。隱藏層節點數的確定相對復雜，以能正確反映輸入輸出關系為原則，應選取較少的隱藏層節點數，本文擬采用網絡結構增長型方法：開始的節點數設置為較小的值，然后慢慢增大節點數值，并對提出的深度學習模型進行訓練，測試預測誤差，直至預測誤差趨于穩定。（3） 激活函數選取激活函數的功能是把深度學習網絡中神經元的輸入映射到輸出，控制低層梯度彌散的力度和稀疏化能力決定了激活函數的質量。因此，本文擬采用ReLU(Rectifierlinearunits)函數作為激活函數，其能夠把負數轉換成0值，可表示任何非負的實數，具有很好的稀疏性，同時緩解了梯度彌散問題［9］。ReZU=max(O,jc) (1)訓練停止條件一般有兩種選擇：一種是訓練的誤差達到設定的閾值時結束訓練，這種閾值一般是由所要解決的問題對精度的要求進行評估得到；另外一種是當訓練的迭代次數達到預先設置的數值時結束訓練。由于在現實中，訓練都是有時間限制的，需要限制迭代的次數。因此，本文擬采用第二種方法，一旦迭代的次數達到預先設定的值，就結束訓練。這種方法比較簡單有效，并且是當前深度學習領域學者最常使用的方法。誤差函數選取誤差函數是用來衡量模型好壞的重要標準，能夠更好地分析模型的預測效果。對于深度學習網絡的訓練，一般選用均方差根誤差RMSE作為模型性能評價指標：RMSE=上忑切*⑵，其中，M表示輸出節點的個數，N指訓練樣本的數量，xij為模型期望輸出值，yij表示模型的實際輸出。綜上，本文基于深度學習提出的醫院后勤機電設備風險管理模型，其設計工作及內容如圖2所示。晚險管控指標體系的構建維修保養￡活行狀態環境安全維修保養￡活行狀態環境安全圖2基于深度學習的醫院后勤機電設備風險管理模型設計圖4結論和展望本文針對醫院后勤機電設備，研究構建了風險管理指標體系，并基于深度學習設計了醫院后勤機電設備智能化風險管理模型。因為利用人工智能方法進行醫院后勤機電設備風險管理的研究處于起步階段，缺少相關訓練數據，所以本文未對構建的醫院后勤機電設備風險管理模型進行訓練和驗證。但深度學習的出現，改變了