Page 68 - 《中国医疗器械杂志》2025年第6期

Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

创性检查手段，其地位日益突出 。然而，CT设备 单、收敛速度快等优势，该算法在众多优化问题中
[1]
在长时间运行过程中容易出现多种故障，尤其是球 得到广泛应用 。表1展示了鸟群觅食行为与粒子
[14]
管故障。其因类型多样且机理复杂，成为影响系统 群算法之间的对应关系。
[2]
稳定性的关键因素 。对球管故障进行及时、准确 表1 鸟群觅食行为和粒子群算法的类比关系
的诊断，不仅有助于保障设备的持续运行，还能提升 Tab.1 Analogous relationship between bird foraging behavior and
particle swarm algorithm
影像质量与诊断准确率，同时有效控制维护成本 。
[3]
鸟群觅食行为 粒子群算法
传统的诊断方法主要依赖人工检测与操作人员的经
觅食区间 粒子搜索空间
验判断，受主观因素影响较大，易产生误差，且在
面对故障类型繁复或数据量较大的情况时，往往难 个体鸟 粒子
[4]
以满足诊断的准确性与效率需求 。因此，借助先 鸟的飞行速度 粒子飞行速度
进算法提升故障识别的自动化程度，已成为CT设 每只鸟的位置 粒子的位置，优化问题的某个解
备维护领域亟须攻克的技术瓶颈。 食物所在位置 优化问题的最优解
随着人工智能及机器学习技术的迅速发展，神 鸟与食物之间的距离 适应度值

经网络在故障诊断领域的应用逐渐成为研究的重点 在PSO算法中，搜索空间中的每一个粒子对应
方向 。其中，误差逆传播（back propagation, BP） 于问题的一个候选解，其优劣通过适应度函数计算
[5]
神经网络因其出色的自适应学习能力与非线性拟合 的适应度值来评估 。适应度值越高，表明该解
[15]
性能，在故障分类与识别任务中展现出良好的应用 越接近全局最优解 。算法初始阶段，粒子的位置
[16]
[6]
潜力 。但在实际训练过程中，BP网络的性能易受 与速度通常随机设定，并在后续迭代中依据个体历
到初始权重设置、学习率选择等因素的影响，常常 史最优解与群体历史最优解调整方向与速度 。通
[17]
[7]
陷入局部最优解，限制了诊断准确性的提升 。因此， 过不断迭代更新位置与速度，粒子群能够逐步趋近
对其结构或训练机制进行优化，成为增强模型表现 于全局最优区域，从而实现对问题最优解的有效搜
的关键。粒子群优化（particle swarm optimization, [18]
索 。粒子运动过程中的位置与速度更新由式(1)
PSO）算法作为一种具有全局搜索能力的优化方 和式(2)表示。
法，具备结构简洁、收敛速度快等优势，已被广泛 k+1 k k k
v i = w×v +c 1 ×r 1 ×[x (i)− x ]+
i
i
[8]
用于神经网络参数优化研究领域 。将PSO算法引 best
k
c 2 ×r 2 ×[x k − x ] (1)
入BP神经网络，有助于改善其易陷入局部最优的 best i
k+1 k k+1
[9]
缺陷，从而提升模型的稳定性与分类性能 。基于 x i = x +v i (2)
i
k
k
此，本文提出了一种基于PSO优化的BP神经网络 式中： v 和 分别代表第i个粒子在第k次迭代时的
x
i
i
（ 速度和位置； x k (i)和 x k 分别是粒子历史最优位
PSO-BP）模型，用于实现CT扫描仪球管故障的
best best
自动化诊断，为设备维护提供更加高效且精准的技 置和群体历史最优位置； w为惯性权重； 和 是
c 2
c 1
术支持。 个体学习因子与群体学习因子，通常取值范围为
1 PSO改进的BP神经网络 [0,2]； r 1 和 为在区间[0,1]内生成的随机数。为了
r 2
保证粒子在搜索过程中能够在特定空间范围内有效
1.1 PSO算法 探索，粒子的速度和位置将分别限制在[ −x max ,
PSO算法源自对自然界鸟群觅食行为的模拟与 x max ]，[ −v max v max ]的预定范围内。
,
[10]
启发，被发展成为一种高效的智能优化方法 。设 1.2 BP神经网络
想一群鸟类在某一区域内寻找食物，食物的位置对 BP神经网络是一种仿生计算模型，其设计灵
应于优化问题中的最优解 。尽管每只鸟无法直接 感来源于生物神经系统的结构与功能，目前已广泛
[11]
获知食物的确切方位，但它们能够感知自身与目标 应用于模式识别、预测建模等多个领域 。BP神
[19]
[12]
之间的距离 。通过个体之间的信息交流与共享， 经网络通过由多层神经元（节点）构建的层级结
鸟群可借助集体智慧逐步向距离目标最近的成员靠 构，对输入数据进行处理与学习，通常包括输入
近，从而引导整个群体趋近于食物所在区域 [13] 。 层、一个或多个隐藏层以及输出层。其基本原理在
PSO算法正是通过模拟这种群体协作与信息传播机 于通过对训练样本中的特征规律进行学习，不断优
制，来实现对全局最优解的搜索。凭借其结构简 化神经元之间的连接权重，从而提升模型对未知输
654