Page 69 - 《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

[20]
入的预测能力 。每个神经元的输出由加权求和结 PSO算法在解空间中执行全局搜索，直至满足预设
[24]
果经激活函数转换得到，这一系列操作共同构成了 误差标准，从而获得较优的初始权重和阈值 。借
神经网络的前向传播机制 。BP神经网络结构如 助PSO算法优异的全局寻优能力，可有效优化BP网
[21]
图1所示。 络的初始参数，最终将搜索得到的全局最优解用于

[25]
h1 网络训练，以提升模型性能 。此方法结合了PSO
算法的全局优化特性与BP算法在局部搜索方面的
X1 h2 Y1 优势，旨在提高神经网络的预测精度和整体优化
效率。
X2 Y2
2.1 算法实现步骤
PSO-BP神经网络算法的实现步骤如下。
...
...
...
（ 1）数据预处理。由于现场采集的数据可能
Xa Yc
存在失真、缺失以及可用性较低等问题，为确保系
hb
统辨识的精度，需在建模前对输入与输出数据进行
输入层 输出层
必要的处理。预处理的核心目标在于剔除异常值、
隐藏层 滤除噪声与干扰，并妥善填补缺失信息。同时，考
图1 BP神经网络结构 虑到不同变量在量纲和取值范围上的差异，还需对
Fig.1 Structure of BP neural network
数据进行归一化处理，从而增强系统辨识过程的鲁
在BP神经网络中，假设给定数据集 ( x i y i , )，其 棒性与准确性。
中 x i 为输入， 为目标输出。输入层到隐藏层的权 本文初步采集了400组现场输入输出数据，作
y i
重为 w，隐藏层到输出层的权重为 v， θ和 η分别为 为神经网络训练与验证的基础。为提升输入数据的
隐藏层和输出层的偏置项。 可靠性，本文采用了去除离群值的方法 以及相似
[26]
隐藏层为： 系数判别法 来筛除异常样本。经处理后，本文共
[27]
 
m
∑  剔除了43组不符合要求的数据，最终保留357组有
 
   
h n = f  w ni x i +θ n  (3)
 效样本。鉴于样本规模较为有限，为增强模型的稳
 
i=1
健性与泛化能力，本文引入了5折交叉验证技术
输出层为：
k=5）。具体做法是将全部357组数据划分为5个
（
 
k
∑ 
 
 
  (4) 子集，轮流将其中一个作为测试集，其余作为训练
y j = g  v ij h i +η j 
 
i=1 集，完成5次独立的训练与评估。该验证策略能够
在神经网络的训练过程中，模型根据输入数据 在最大程度上利用有限数据资源，减少因单次划分
生成预测结果，并将其与真实目标值进行对比，从 引入的随机性，并有效抑制模型过拟合。
[22]
而计算出相应的损失值 。为减小预测误差，网络 本研究所用故障样本数据来源于某三甲医院CT
通过梯度下降算法依据损失函数的梯度信息不断调 设备在2019年至2023年实际运行过程中出现的球管
[23]
整连接权重 。这一权重更新过程由误差逆传播机 故障实例。数据采集渠道包括设备运行日志、系统
制实现，即将误差信号从输出层依次反传至输入 报警信息以及维修记录，具有较强的工程应用价值
层，以更新各层的权重与偏置参数。尽管BP神经 和典型性。本研究共获得357组有效样本，覆盖
网络在拟合复杂非线性映射方面表现出较强的能 四类常见故障：灯丝开路（92组）、灯丝半开路
力，但其训练过程易陷入局部最优，且收敛速度有 （ 85组）、扫描噪声（94组）和电弧放电（86组）。
限，可能导致较长的训练周期。 每条样本数据包含6项关键输入参数，分别为阳极
2 基于PSO优化BP神经网络的故障诊断 电压、阳极电流、球管工作温度、扫描时长、电流
波动幅度和故障前电压波动率，这些特征可较为全
为克服传统BP神经网络算法在应用中的局限 面地反映球管异常状态下的运行特征。所有样本均
性，本文引入PSO算法对其进行改进。具体方法 由具备资质的工程技术人员进行标签审核，确保故
是，将BP网络的预测误差设为适应度函数，利用 障类型标注的准确性，从而提高模型训练的可靠性

655