放射治疗作为临床治疗恶性肿瘤的常用手段，对设备的持续性和可靠性要求较高。而随着放射治疗技术的发展，传统的应急维修方式已经不能满足临床需求。为解决这一问题，深度学习技术在故障设备预测方面取得了重要研究成果。例如，邓永锦等 ^[1] 提出了一种基于 R 语言的 BP 神经网络模型，用于预测瓦里安 NovalisTx 直线加速器 MLC 系统的故障，并取得了令人满意的预测准确率（实际误差仅为 2.7%）。罗林聪等 ^[2] 提出了一种基于 BP 神经网络的医疗设备精准预防性维护方法，利用相关模型实现对医疗设备的准确预测性维护。刘洋 ^[3] 提出了一种基于神经网络的螺旋断层放疗设备先兆故障诊断模型，可对螺旋断层放疗设备的故障进行提前预测。一维卷积神经网络具有结构简单且可并行计算的特点，可以加快训练和预测速度，对于实时故障预测和维护决策非常有帮助。在既往研究基础上，本研究旨在通过对已有数据进行训练和测试，利用一维卷积神经网络构建 1 个高效准确的医用直线加速器高价值零件故障预测模型，以提高医用直线加速器的可靠性和开机率，为顺利进行放射治疗提供有力的支持，现报道如下。

1  资料与办法

1.1  数据收集

选取 2013 年 1 月 至 2017 年 12 月福建省肿瘤医院医科达 Synergy 医用直线加速器的 60 组共381 个故障数据。按照 7:3 比例将数据随机分为训练数据集（42 组）和测试数据集（18 组），并采用一维卷积神经网络进行二分类建模。基于医用直线加速器的特性与运行特点，将运行总时间、月患者人次、日均开机时长、治疗计划、故障总次数作为影响因素进行分类统计，并为高价值零件设置了标识。

故障数据纳入标准：需要更换备件；故障影响开机；需要工程师到场处理；需要多次重启电脑才能解决的故障。排除标准：系统误报故障；加速器主机以外的其他计算机故障；通过重启加速器主机就能解决的故障。

1.2  基本原理

一维卷积神经网络是卷积神经网络的演变版，其结构更为简单、处理速度更快，适用于一维序列数据处理，主要结构包括输入层、卷积层、归一化层、池化层、全连接层及输出层 ^[4]。卷积层和池化层是一维卷积神经网络的重要组成部分。（1）卷积层：通过卷积核对输入信号做卷积运算，目的是在输入数据上滑动并提取特征，通过多层网络从低级特征中迭代提取更复杂的特征，主要功能是在保留重要特征信息的同时，通过降低特征图的维度减小模型的计算复杂度 ^[5]。卷积核运算过程见图 1。（2）池化层：通常情况下池化层与卷积层交替出现，作用是在卷积层基础上，通过特定的池化算法对卷积层的输出进行降采样，从而缩小特征图的尺寸和数量，减少计算量 ^[6]。本研究采用最大池化（maximum pooling）算法，是池化层中最常用的一种方式，其从 1 个矩阵的相关特征中选取最大值作为输出 ^[7]。最大池化算法在保留特征信息的同时，能够有效地减少计算量，避免模型过拟合现象的发生。

图 1 卷积运算过程

1.3  构建故障预测模型

本研究采用一维卷积神经网络模型提取输入数据的特征。该模型由 4 层卷积层、3 层池化层、6 层归一化层、3 层线性层、7 层激活层和 1 层 softmax层组成。其中，卷积层能够有效提取局部特征，池化层实现特征的降维和降采样，归一化层加强模型的收敛性和鲁棒性，线性层进行全连接操作，激活层增强网络的非线性特征 ^[8]。softmax 层将网络的输出转化为概率分布，用于分类和预测任务。通过应用 4 层大小为 1×2 的卷积核执行卷积运算，以从输入数据中提取局部特征，并通过权值共享减少参数量。卷积层的输出经过 7 层 ReLU函数进行激活操作。为了减少过拟合风险和降低特征维度，使用 6 层 BatchNorm 对结果进行归一化处理，并使用 3 层最大池化算法进行特征降维，提取最大元素作为特征。在全连接层中，使用 Softmax 函数将每个节点与上一层的所有节点相连接，以将前面提取的特征综合起来 ^[9]。模型结构见图 2。

图 2 模型结构图

1.4  数据训练及验证

首先，收集和整理训练集数据和验证集数据，将训练集数据导入模型中进行训练。通过一维卷积层（卷积核在时间维度上滑动）提取输入数据的局部特征，然后使用 BatchNorm 对提取的特征数据进行归一化和标准化处理，以防止过拟合。随后，通过池化层进行最大池化操作，进一步减少特征的维度，同时保留重要的信息。模型参数通过反向传播算法来调整，最后利用全连接层进行分类处理。在该过程中，随机选取 30 组数据作为验证集评估模型性能。本研究故障模型为二分类模型，采用准确率指标评估模型表现。通过设定验证集的最大学习次数为 120 次，观察准确率趋向收敛于 95%，表明该模型的表现良好。

2  结果

2.1  模型验证结果

训练集和验证集设定最大训练学习次数为120 次，模型训练集经过 80 次左右训练学习后准确率收敛于 90% 左右，验证集经过 80 次左右训练学习后准确率也趋于收敛于 95%，见图 3。

图 3 训练集与验证集准确率图

2.2  模型预测效果分析

测试集准确率平均值达到了 96.29%，模型的平均测试时间为 0.2481 s，见表 2。

表 2 模型测试情况

3  总结

医用直线加速器是放射治疗的关键设备，其高价值零件的故障对设备的运行稳定性和成本具有重大影响。因此，相关故障预测研究对于设备维修预算和维保采购具有重要价值。然而，在医用直线加速器故障预测方面的研究相对较少。

本研究基于一维卷积神经网络开发了用于预测医用直线加速器高价值零件故障的模型。模型考虑了开机总时间、月治疗患者数量、日均使用时间、治疗计划及系统故障次数等主要因素，并严格设定了数据准入排除标准，对数据进行了梳理统计和分析。研究结果显示，训练集和验证集设定最大训练学习次数为 120 次，模型训练集经过 80 次左右训练学习后准确率收敛于 90% 左右，验证集经过 80 次左右训练学习后准确率也趋于收敛于 95%。结果表明，该模型中训练集和验证集经过一定次数训练后准确率均稳定收敛于 90% 以上，具有较好的收敛性和稳定性。模型在测试集上的准确率达到了 96%以上，表明该模型具备对故障因素和故障发生间的映射关系进行有效建模的能力，且在测试过程中能够较准确地进行预测故障发生，这进一步证明了该模型的性能优异。模型的平均测试时间为 0.2481 s，表明该模型的运行速度较快，可以实现实时故障预测。分析原因为，一维卷积神经网络在处理一维序列数据方面表现出色，能够自动学习和提取输入数据中的重要特征。在医用直线加速器的高价值零件故障预测中，存在与时间相关的数据，这些数据可以转化为一维序列输入到一维卷积神经网络中进行处理。对于医用直线加速器的故障预测，一维卷积神经网络可以有效学习高价值零件传感器数据中的特征模式和异常模式，从而实现准确的故障预测。为了加快网络收敛速度并减少特征之间的冗余性，本研究采用了卷积层、归一化层和最大池化层的3 层组合训练方式，并添加了 6 层 BatchNorm 层，以提高网络学习速率和模型故障诊断效率，并有效避免过拟合风险。与 BP 和其他卷积神经网络相比 ^[10-11]，一维卷积神经网络在局部特征提取、参数共享和平移不变性等方面具有优势，特别适合处理时序数据，能更好地捕捉时序关系和模式。

本研究也存在一些局限性：（1）数据采集过程中记录格式和方式存在一定的不一致性，可能影响数据统计的准确性。（2）由于数据量有限，无法对医用直线加速器中的具体高价值部件故障进行预测。在未来的研究中，医用直线加速器高价值零件故障预测模型设计可以考虑应用迁移学习和模型融合等技术，以提升模型的泛化能力和准确度；优化数据预处理方法，以确保输入数据的质量和准确性；结合专家领域知识，进一步优化模型的性能，提高其实用价值。

综上所述，基于一维卷积神经网络的医用直线加速器高价值零件故障预测模型具有良好的稳定性和可靠性，可以在一定程度上预测医用直线加速器高价值零件故障，为设备运行提供有力的支持和保障。

【参考文献】

［1］邓永锦，肖振华，欧阳斌，等 . 基于 R 语言 BP 神经网络瓦里安 NovalisTx 直线加速器 MLC 系统故障预测模型研究 [J]. 中华放射肿瘤学杂志，2018，27（5）：495-499.

［2］罗林聪，钱雷鸣，章莉 . 基于 BP 神经网络的医疗设备精准预防性维护 [J]. 医疗卫生装备，2019，40（7）：78-80，85.

［3］刘洋 . 基于神经网络的螺旋断层放疗设备先兆故障诊断模型 [J]. 自动化与仪器仪表，2021（4）：56-59，63.

［4］谢远东，雷文平，韩捷 . 基于全矢1D-CNN 的轴承故障诊断研究 [J]. 设备管理与维修，2019（15）：21-24.

［5］周飞燕，金林鹏，董军 . 卷积神经网络研究综述 [J].计算机学报， 2017， 40（6）：23.

［6］刘村，李元祥，周拥军，等 . 基于卷积神经网络的视频图像超分辨率重建方法 [J]. 计算机应用研究，2019， 36（4）：1256-1260，1274.

［7］尚绍法，蒋林，李远成，等 . 异构平台下卷积神经网络推理模型自适应划分和调度方法 [J]. 计算机应用，2023， 43（9）：2828-2835.

［8］李世晓，杜锦华，龙云. 基于一维卷积神经网络的机电作动器故障诊断 [J]. 电工技术学报， 2022， 37（S1）：62-73.

［9］倪云峰，封子杰，郭苹，等 . 基于卷积神经网络的煤矸石识别算法研究 [J]. 现代电子技术，2022，45（10）：57-62.

［10］鲁朋，宋保业，许琳 . 基于一维卷积神经网络的多工况轴承故障诊断 [J]. 山东科技大学学报（自然科学版 )， 2023， 42（5）： 88-96.

［11］杨长生，苟文博，梁红 . 基于一维卷积神经网络的舰船尾流检测 [J]. 水下无人系统学报，2023，31（6）：839-846.

内容来源于《医疗装备》杂志，如需转载请注明出处。