21世纪以来，现代医疗设备智能化、大规模集成化、模块化等独特的先进技术正成为新一代医疗设备发展的新态势。生产厂家为获取维修的二次垄断利润，不再提供电路图、维修密码等技术资料，对医院维修工程人员的专业培训或维修技术培训也仅限于维护保养。与此同时，医疗设备维修理论与技术没有得到相应等发展，无法适应形势发展的需要，出现不能修、不敢修、不会修的局面，具体表现为以下几点:
　　(1)无技术资料。厂家不再提供完整的技术资料与系统培训，加之维修理论和技术方法没有得到发展，维修工程师只能依据传统工具与维修经验进行维修，维修手段单一，维修水平较低，不能做到对故障进行有效检修。
　　(2)仅限板卡级维修。当医疗设备出现故障时，维修工程师只能凭借设备原理组成、各电路板功能和设备自诊断系统的提示来确定或压缩故障电路板，一旦将故障定位到具体电路板，便无法继续检修，直接联系厂家更换整块电路板，无疑增加了维修费用。
　　(3)芯片级维修难度大。维修工程师需检查电路板各个元器件及电信号，不仅降低维修效率，还对维修工程师的技术水平提出一定的要求。一旦操作不当，不仅容易造成故障范围的扩大，还会对维修人员造成一定的人身伤害。
　　(4)维修工具落后。目前医院自修过程中仍使用万用表、示波器等传统维修工具，依次对电路板上关键点电信号的某一特征进行测量，无法同时查看、分析和处理多个电信号的多个特征，效率低下且不利于维修工程师对故障的排查，难以适应维修需求。
　　与上述传统故障诊断方法相比，基于多元统计分析、信号分析以及人工神经网络、支持向量机等传统机器学习方法虽然在设备故障中得到广泛应用，但是这些方法对故障特征数据的提取和选择大多是根据人工经验来完成，对数据的表达能力有限，学习复杂信号的内部特征存在较大的局限性。
　　针对上述问题，本文以市场上应用广泛、故障率高的迈瑞T8监护仪开关电源作为研究对象，利用多通道数据采集系统在监护仪开关电源特征测试点上采集大量数据，研究基于深度学习中的卷积神经网络的故障诊断方法。具体工作如下:
　　(1)本文通过分析开关电源的基本组成和原理，以及对开关电源常见的故障类型和原因进行调查和分析，人为模拟迈瑞T8型监护仪开关电源三类故障，并对开关电源进行模块划分，结合故障类型和功能测试原理，设置了16个测试点用来采集数据。
　　(2)基于LabVIEW平台研制“LabVIEW+数据采集卡”的多通道数据采集系统，介绍了系统硬件设计以及软件开发。在监护仪整机运行的条件下，采集开关电源故障和正常状态下各测试点对应的电信号，完成数据采集。
　　(3)通过引入批归一化层对卷积神经网络的基本结构进行改进与设计，建立故障诊断模型，并针对模型训练过程中的不足，引入正则化项来优化目标函数以及提出基于批处理的随机梯度下降法优化模型训练过程。
　　(4)将所采集的迈瑞T8监护仪开关电源不同状态下的数据划分为多个样本，其中20000个样本作为训练集，4000个样本作为验证集，4000个样本作为测试集，并研究不同训练参数对模型诊断结果的影响，以及对模型进行可视化分析和多分类性能评价，最后通过增加噪声和丢失部分数据两种情形对模型进行鲁棒性验证。
　　研究结果表明，基于卷积神经网络的故障诊断模型可有效识别出开关电源的故障类型，多次实验的模型诊断准确率平均达99.79％;在加入噪声和丢失部分数据后，诊断结果几乎保持不变，准确率可达99.63％，并且精准率和召回率等多分类评价指标均得到很好的结果，可见模型鲁棒性良好。
　　因此，本文基于卷积神经网络的医疗设备开关电源故障诊断方法的研究，能够提高医疗设备故障诊断的效率和准确性，有望解决无图纸等技术资料的医疗设备维修难、维修贵等问题，对保障医疗设备安全有效运行具有重要意义。