為解決當前醫療設備維修難等問題，本研究提出一種基于長短時記憶網絡（LSTM）的醫療設備故障智能診斷方法。首先，在無電路圖紙、未知電路板信號走向情況下，采集 7 種不同故障類別的醫療設備電路板征兆現象及端口電信號兩種類別特征，并進行特征編碼、歸一化以及融合篩選等預處理；其次，基于 LSTM 搭建故障智能診斷模型，使用融合并篩選的多模態特征，進行故障診斷分類識別實驗，然后實驗結果與使用端口電信號、征兆現象及兩種類別特征融合等方式進行故障診斷識別對比；此外，與 BP 神經網絡（BPNN）、循環神經網絡（RNN）、卷積神經網絡（CNN）等算法進行故障診斷性能對比和評估。結果表明：基于融合并篩選的多模態特征，LSTM 算法模型的分類診斷準確率平均達到 0.970 9，較單獨利用端口電信號、征兆現象及兩種類別特征融合的故障診斷準確率更高；較 BPNN、RNN、CNN 等算法也具有更高的故障診斷準確率，為同類設備的故障智能診斷提供了一種相對可行的新思路。
針對現代醫療設備維修貴、維修難、技術資料缺乏及維修力量不足的困境，本文提出了一種基于故障樹的多參數監護儀故障智能診斷專家系統。首先建立了多參數監護儀故障樹并進行了定性定量分析，然后基于故障樹分析結果構建了專家系統知識庫和推理機并確定了系統整體框架，最后采用頁面超文本預處理器(PHP)語言開發實現了多參數監護儀故障智能診斷專家系統，故障診斷準確率達80%。結果表明：基于故障樹和專家系統的兩種故障診斷技術融合可有效實現多參數監護儀故障智能診斷并提供排故建議，既能為多參數監護儀故障診斷提供經驗積累，又能為醫療設備故障診斷提供一種新的思路和技術支持。