一种医院后勤智能综合管理平台

技术领域

本发明涉及医院后勤管理技术领域，具体涉及一种医院后勤智能综合管理平台。

背景技术

随着我国经济社会的不断发展和人民生活水平的不断提高，人们对医疗服务当中衣、食、住、行的需求和医院后勤服务水平的要求也越来越高，医院后勤做为医院管理建设的重要组成部分，近年来医院的后勤建设和服务水平受到了社会、患者和医务人员更多的关注，而医院后勤在适应医院改革发展中创新管理模式、挖掘后勤职工潜能的管理，在医院改革发展的大趋势下，最终能使后勤工作得到患者、患者家属及医务人员的认可和满意，医患满意度一直以来是医院后勤管理者对医院后勤工作是否取得良好成效的重要评价指标，因此，提高医院后勤管理水平和工作效能，充分调动职工的工作积极性，是当前医院后勤管理者不得不考虑的问题，医院作为重要的公共建筑，后勤设备数量多、分布广，包括给排水、暖通、变配电、照明、压力容器、电梯等机电设备，需要对其进行安全管理，以此保障医院的安全稳定发展，但传统的管理手段存在诸多不足，管理方法和技术发展缓慢，大多医院依旧只是依靠人工对设备进行定期巡检或利用信息化手段对设备的一些参数进行监测，缺乏对风险的有效分析和风险管理机制，本方案具体涉及一种医院后勤智能综合管理平台；

但是现有的医院后勤智能综合管理平台无法对构建的医院后勤机电设备风险管理模型进行训练和验证，医院后勤机电设备风险管理智能化无法预期，无法实现医院后勤机电设备智能化风险管理，医院后勤机电设备得不到合理的管理，无法实现多种功能的后勤统一调度平台，影响了医院后勤综合管理水平，导致医院后勤工作制度不完善，无法实现医院后勤智能综合化管理。

发明内容

本发明的主要目的在于提供一种医院后勤智能综合管理平台，可以有效解决背景技术中提出的现有的医院后勤智能综合管理平台无法对构建的医院后勤机电设备风险管理模型进行训练和验证，医院后勤机电设备风险管理智能化无法预期，无法实现医院后勤机电设备智能化风险管理，医院后勤机电设备得不到合理的管理，无法实现多种功能的后勤统一调度平台，影响了医院后勤综合管理水平，导致医院后勤工作制度不完善，无法实现医院后勤智能综合化管理的问题。

为实现上述目的，本发明采取的技术方案为：

一种医院后勤智能综合管理平台，包括管理平台、采集模块、监控模块、分拣模块、分析模块和调度模块；

所述管理平台用于对医院后勤智能综合管理平台进行监测控制以及高效运维；

所述采集模块用于对医院后勤机电设备的作业单元数据进行采集；

所述监控模块用于对医院后勤机电设备的运行状态进行监控；

所述分拣模块用于对医用织物被服进行信息化管理；

所述调度模块用于对医院后期物资以及人力进行合理调度，确保后勤处于正常的运维状态；

所述分析模块用于对医院后勤机电设备运行风险指标进行分析，实现对医院后勤机电设备进行智能化管理，对医院后勤机电设备运行风险指标分析需要建立风险管理模型，具体步骤为初始权值选取、层节点数确定、激活函数选取、训练停止条件、误差函数选取。

优选的，所述采集模块包括信号采集箱、监控摄像机、温度传感器、超声波液位计和负压感应器，信号采集箱与医院后勤机电设备电性连接，监控摄像机、温度传感器、超声波液位计和负压感应器均安装在医院后勤机电设备上。

优选的，所述采集模块采集的数据通过传输模块与管理平台进行连接，管理平台对采集的数据进行处理和存储。

优选的，所述对采集的数据进行预处理使用的方法为归一化和限幅，在信息层的局部决策采用的是变化阈值算法，为了提高参量值可靠性和探测的抗干扰能力，需要对参量值进行限幅处理，即在一定时间段内对参量值X进行积分系统中采集的物理量为动态画面、温度数值、液位数值和压力数值，采集单元探测的参量值的范围各不相同，为了使各个参量值在信息层发挥出各自作用，同时保证运算的便捷，需对探测的参量进行归一化处理，将参量值都变为(0，1)之间的小数，上述计算公式如下：

式中：A

采集单元周期性的医院后勤机电设备运行环境信息，将釆集到的医院后勤机电设备运行环境信息进行预处理，再利用阀值算法局部决策，设计的阈值根据设备的变化，进行阶段性调整，

LD

式中：LD

在不同阶段内，采集单元采集到的数据所包含环境参量信息也不尽相同。环境补偿修正值k是根据不同阶段参量的平均值来进行调整的，

式中：

优选的，所述获得特征向量是通过提取经过处理后的传感器探测的数据信息，然后根据实际应用选择恰当的处理方法融合特征向量，为下一步的决策层融合做好充分准备，判断医院后勤机电设备运行状态，对医院后勤机电设备运维作出决策。

优选的，所述医院后勤机电设备运行风险指标包括环境安全指标、运行状态指标和维修保养指标，进行医院后勤机电设备运行风险指标分析时需要进行数据获取，机电设备运行风险指标，可以分为两类,一类是环境安全指标和运行状态指标,可利用传感器直接获取，另一类是维修保养指标，需要靠人工来维护数据,并利用信息化技术上传数据，为获取机电设备运行风险指标数据，首先要构建机电设备智能管控平台，通过物联网技术和信息化技术获取机电设备运行数据。

环境安全是机电设备安全运行的基础，在机电设备正常运行的情况下，机电设备的运行风险主要来源于环境的变化，通常监测的指标包括环境的温度和湿度，另外，机电设备在医院中位置分布也是对机电设备运行进行风险评价的参考因素，不同位置的机电设备发生的风险，对医院及患者的影响程度也不同，风险评定等级也不一样，因此，环境安全指标主要包含温度、湿度和位置分布，运行状态是直接反映机电设备运行状况的重要指标，也是机电设备风险预测及评价的关键因素，机电设备在发生故障时可能导致风险事故的发生，比如液氧系统发生故障时可能会影响患者的供氧、配电系统发生故障时会影响患者就医或抢救的及时性等，尤其在机电设备突发运行故障时,可能导致的安全风险极大，如电梯突发故障，里面乘坐的患者或医院职工，其生命安全会受到极大威胁，因此不仅需要对机电设备是否正常运行进行监测,还需对可能引起机电设备故障的运行状态指标进行监测，对于不同的机电设备,引起机电设备故障或异常的原因也不一样,需监测的运行状态指标也不一样，比如配电系统需监测电流、电压、温度等参数，而液氧系统则需监测流量、压力、液位等参数，因此，在选择运行状态指标时需要结合机电设备的具体特性来考虑，管理平台包括预警单元，预警单元对后勤设备实时进行预警，保障医院后勤的正常运行，进行维修保养，维修保养是机电设备长期正常运行的重要保障，机电设备在日常运行中一般会进行定期巡检保养,一方面能够及时发现机电设备存在的问题，消除风险隐患，另一方面能够使机电设备保持良好运行状态，降低风险发生概率，因此机电设备历史的巡检保养记录是风险管理的重要因素，另外，如果一个设备的维修次数越多，其发生风险事故的概率也就越大，所以历史维修记录也是机电设备风险预测的重要指标，同时机电设备运行的历史时间长短也影响其发生运行风险的概率，维修保养指标主要包括历史运行时间、历史维修次数、巡检和保养周期及次数。

优选的，所述对医院后勤机电设备运行风险指标分析需要建立风险管理模型，具体步骤如下：

步骤一：初始权值选取，选用随机梯度下降方法训练提出的后勤机电设备风险管理模型，模型参数采用随机初始化的方式对提出的后勤机电设备风险管理模型的权值进行初始化,并使权值的初始值在[-1,1]之间；

步骤二：层节点数确定，深度学习网络主要由输人层、隐藏层和输出层构成，输入层的节点数要与输人数据的维度保持一致，输入层的节点数需根据构建的具体指标体系确定，输出层的节点数要与数据的分类类别保持一致，将机电设备的风险分为4类：正常运行、低等风险、中等风险和高等风险，因此输出节点数量设置为4，并对提出的深度学习模型进行训练，测试预测误差，直至预测误差趋于稳定；

步骤三：激活函数选取，激活函数的功能是把深度学习网络中神经元的输入映射到输出，控制低层梯度弥散的力度和稀疏化能力决定了激活函数的质量，采用ReLU函数作为激活函数，能够把负数转换成0值，表示任何非负的实数，具有很好的稀疏性，缓解了梯度弥散问题，ReLU＝max(0,x)；

步骤四：训练停止条件，由于训练时间有限，迭代的次数受到限制，因此预先设置迭代次数，一旦迭代次数达到设定的数值，就停止训练和学习；

步骤五：误差函数选取，误差函数是用来衡量模型好坏的重要标准，能够更好地分析模型的预测效果，对于深度学习网络的训练，选用均方差根误差RMSE作为模型性能评价指标：

优选的，所述调度模块的具体处理步骤如下：

S1：确定约束条件：物资人力资源约束，保证物资人力能够满足补给需求，

S2：确定目标函数：根据约束条件确定目标函数

S3：调度模型求解：利用模型求出满意解，得到医院物资人力调度方案；

S4：进行合理调度：医院后勤智能综合管理平台结合得到的调度方案进行合理调度。

优选的，所述管理平台包括预警单元，预警单元对后勤设备实时进行预警，保障医院后勤的正常运行。

优选的，所述分拣模块具体操作为在医用织物内缝制RFID芯片，在医用织物到达分拣台时进行智能分拣，已分拣的医用织物送至后勤部门进行签收，RFID芯片技术可实现不拆包、批量清点，有效防止二次感染风险，提高洁净度管理，提高医院工作效率，节约管理成本，存储空间节约，库存存量控制，衣物洗涤次数、使用寿命监控，信息化管理，有效降低采购成本，降低资金占压，全程跟踪，动态管理，质量回溯信息全面，提供多维度大数据分析报表，对医用织物身份识别，记录洗涤次数，全生命周期跟踪，促进医院医用织物数字化建设。

与现有技术相比，本发明具有如下有益效果：

对构建的医院后勤机电设备风险管理模型进行训练和验证，使医院后勤机电设备风险管理智能化成为可能可以预期，利用深度学习方法实现医院后勤机电设备智能化风险管理，可以保障医院后勤机电设备得到合理的管理，实现多种功能的后勤统一调度平台，提高了医院后勤综合管理水平，优化了医院后勤工作制度，实现医院后勤智能综合化管理。

附图说明

图1为本发明一种医院后勤智能综合管理平台的系统框图；

图2为本发明一种医院后勤智能综合管理平台的预处理以及决策的流程图；

图3为本发明一种医院后勤智能综合管理平台的风险管理模型建立的流程图；

图4为本发明一种医院后勤智能综合管理平台的调度模块的流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1-4所示，一种医院后勤智能综合管理平台，包括管理平台、采集模块、监控模块、分拣模块、分析模块和调度模块；

管理平台用于对医院后勤智能综合管理平台进行监测控制以及高效运维；

采集模块用于对医院后勤机电设备的作业单元数据进行采集；

监控模块用于对医院后勤机电设备的运行状态进行监控，监控模块主要通过监控摄像机实现；

分拣模块用于对医用织物被服进行信息化管理；

调度模块用于对医院后期物资以及人力进行合理调度，确保后勤处于正常的运维状态，实现多种功能的后勤统一调度，提高了医院后勤综合管理水平，优化了医院后勤工作制度；

分析模块用于对医院后勤机电设备运行风险指标进行分析，实现对医院后勤机电设备进行智能化管理，对医院后勤机电设备运行风险指标分析需要建立风险管理模型，具体步骤为初始权值选取、层节点数确定、激活函数选取、训练停止条件、误差函数选取。

分拣模块具体操作为在医用织物内缝制RFID芯片，在医用织物到达分拣台时进行智能分拣，已分拣的医用织物送至后勤部门进行签收，RFID芯片技术可实现不拆包、批量清点，有效防止二次感染风险，提高洁净度管理，提高医院工作效率，节约管理成本，存储空间节约，库存存量控制，衣物洗涤次数、使用寿命监控，信息化管理，有效降低采购成本，降低资金占压，全程跟踪，动态管理，质量回溯信息全面，提供多维度大数据分析报表，对医用织物身份识别，记录洗涤次数，全生命周期跟踪，促进医院医用织物数字化建设。

采集模块包括信号采集箱、监控摄像机、温度传感器、超声波液位计和负压感应器，信号采集箱与医院后勤机电设备电性连接，监控摄像机、温度传感器、超声波液位计和负压感应器均安装在医院后勤机电设备上。

采集模块采集的数据通过传输模块与管理平台进行连接，管理平台对采集的数据进行处理和存储。

对采集的数据进行预处理使用的方法为归一化和限幅，在信息层的局部决策采用的是变化阈值算法，为了提高参量值可靠性和探测的抗干扰能力，需要对参量值进行限幅处理，即在一定时间段内对参量值X进行积分系统中采集的物理量为动态画面、温度数值、液位数值和压力数值，采集单元探测的参量值的范围各不相同，为了使各个参量值在信息层发挥出各自作用，同时保证运算的便捷，需对探测的参量进行归一化处理，将参量值都变为(0，1)之间的小数，上述计算公式如下：

式中：A

采集单元周期性的医院后勤机电设备运行环境信息，将釆集到的医院后勤机电设备运行环境信息进行预处理，再利用阀值算法局部决策，设计的阈值根据设备的变化，进行阶段性调整，

LD

式中：LD

在不同阶段内，采集单元采集到的数据所包含环境参量信息也不尽相同。环境补偿修正值k是根据不同阶段参量的平均值来进行调整的，

式中：

获得特征向量是通过提取经过处理后的传感器探测的数据信息，然后根据实际应用选择恰当的处理方法融合特征向量，为下一步的决策层融合做好充分准备，判断医院后勤机电设备运行状态，对医院后勤机电设备运维作出决策。

医院后勤机电设备运行风险指标包括环境安全指标、运行状态指标和维修保养指标，进行医院后勤机电设备运行风险指标分析时需要进行数据获取，机电设备运行风险指标，可以分为两类,一类是环境安全指标和运行状态指标,可利用传感器直接获取，另一类是维修保养指标，需要靠人工来维护数据,并利用信息化技术上传数据，为获取机电设备运行风险指标数据，首先要构建机电设备智能管控平台，通过物联网技术和信息化技术获取机电设备运行数据。

环境安全是机电设备安全运行的基础，在机电设备正常运行的情况下，机电设备的运行风险主要来源于环境的变化，通常监测的指标包括环境的温度和湿度，另外，机电设备在医院中位置分布也是对机电设备运行进行风险评价的参考因素，不同位置的机电设备发生的风险，对医院及患者的影响程度也不同，风险评定等级也不一样，因此，环境安全指标主要包含温度、湿度和位置分布，运行状态是直接反映机电设备运行状况的重要指标，也是机电设备风险预测及评价的关键因素，机电设备在发生故障时可能导致风险事故的发生，比如液氧系统发生故障时可能会影响患者的供氧、配电系统发生故障时会影响患者就医或抢救的及时性等，尤其在机电设备突发运行故障时,可能导致的安全风险极大，如电梯突发故障，里面乘坐的患者或医院职工，其生命安全会受到极大威胁，因此不仅需要对机电设备是否正常运行进行监测,还需对可能引起机电设备故障的运行状态指标进行监测，对于不同的机电设备,引起机电设备故障或异常的原因也不一样,需监测的运行状态指标也不一样，比如配电系统需监测电流、电压、温度等参数，而液氧系统则需监测流量、压力、液位等参数，因此，在选择运行状态指标时需要结合机电设备的具体特性来考虑。

对医院后勤机电设备运行风险指标分析需要建立风险管理模型，具体步骤如下：

步骤一：初始权值选取，选用随机梯度下降方法训练提出的后勤机电设备风险管理模型，模型参数采用随机初始化的方式对提出的后勤机电设备风险管理模型的权值进行初始化,并使权值的初始值在[-1,1]之间；

步骤二：层节点数确定，深度学习网络主要由输人层、隐藏层和输出层构成，输入层的节点数要与输人数据的维度保持一致，输入层的节点数需根据构建的具体指标体系确定，输出层的节点数要与数据的分类类别保持一致，将机电设备的风险分为4类：正常运行、低等风险、中等风险和高等风险，因此输出节点数量设置为4，并对提出的深度学习模型进行训练，测试预测误差，直至预测误差趋于稳定；

步骤三：激活函数选取，激活函数的功能是把深度学习网络中神经元的输入映射到输出，控制低层梯度弥散的力度和稀疏化能力决定了激活函数的质量，采用ReLU函数作为激活函数，能够把负数转换成0值，表示任何非负的实数，具有很好的稀疏性，缓解了梯度弥散问题，ReLU＝max(0,x)；

步骤四：训练停止条件，由于训练时间有限，迭代的次数受到限制，因此预先设置迭代次数，一旦迭代次数达到设定的数值，就停止训练和学习；

步骤五：误差函数选取，误差函数是用来衡量模型好坏的重要标准，能够更好地分析模型的预测效果，对于深度学习网络的训练，选用均方差根误差RMSE作为模型性能评价指标：

调度模块的具体处理步骤如下：

S1：确定约束条件：物资人力资源约束，保证物资人力能够满足补给需求，

S2：确定目标函数：根据约束条件确定目标函数

S3：调度模型求解：利用模型求出满意解，得到医院物资人力调度方案；

S4：进行合理调度：医院后勤智能综合管理平台结合得到的调度方案进行合理调度。

实现多种功能的后勤统一调度平台，提高了医院后勤综合管理水平，优化了医院后勤工作制度，实现医院后勤智能综合化管理

管理平台包括预警单元，预警单元对后勤设备实时进行预警，保障医院后勤的正常运行，进行维修保养，维修保养是机电设备长期正常运行的重要保障，机电设备在日常运行中一般会进行定期巡检保养,一方面能够及时发现机电设备存在的问题，消除风险隐患，另一方面能够使机电设备保持良好运行状态，降低风险发生概率，因此机电设备历史的巡检保养记录是风险管理的重要因素，另外，如果一个设备的维修次数越多，其发生风险事故的概率也就越大，所以历史维修记录也是机电设备风险预测的重要指标，同时机电设备运行的历史时间长短也影响其发生运行风险的概率，维修保养指标主要包括历史运行时间、历史维修次数、巡检和保养周期及次数。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及等效物界定。