IoT for predictive maintenance of critical medical equipment in a hospital structure

• Autorzy: Guissi Maroua , Alaoui My Hachem El Yousfi , Belarbi Larbi , Chaik Asma

Identyfikatory

DOI

10.35784/iapgos.6057

Warianty tytułu

PL

IoT do predykcyjnej konserwacji krytycznego sprzętu medycznego w strukturze szpitala

• Języki publikacji: EN

Abstrakty

EN

Predictive maintenance (PdM) allows the prediction of early failures of medical equipment before they occur. It helps to diagnose the defaults of critical equipment in a hospital structure, namely MRI. Founded on the analysis of data collected in real time of the right parameters, thanks to intelligent sensors positioned on the equipment, using Internet of Things (IoT) technology and the practice of machine learning tools. The objective of this techniques is the implementation of algorithms capable to predict an anomaly, which will make equipment and maintenance tools increasingly autonomous and intelligent. Therefore, the idea of this project is to develop a wireless sensor network to ensure continuous monitoring of the state of MRI. The implemented solution includes an IoT monitoring system of the cold head’s cooling circuit. Based on the vibrations at the pump, it allows to monitor the motor circuit, inform the staff at each abnormal state of this system, and protect this device against any future anomalies. Thanks to the CNN algorithm implemented in this solution, the results are very satisfactory, with an accuracy >98%. This solution can be integrated into a general predictive maintenance solution for the most sensitive equipment in a hospital.

PL

Konserwacja predykcyjna (PdM) umożliwia przewidywanie wczesnych awarii sprzętu medycznego przed ich wystąpieniem. Pomaga zdiagnozować usterki krytycznego sprzętu w strukturze szpitala, na przykład MRI. Opiera się na analizie danych zbieranych w czasie rzeczywistym odpowiednich parametrów, dzięki inteligentnym czujnikom umieszczonym na sprzęcie, przy użyciu technologii Internetu rzeczy (IoT) i narzędzi uczenia maszynowego. Celem tych technik jest wdrożenie algorytmów zdolnych do przewidywania anomalii, które sprawią, że sprzęt i narzędzia konserwacyjne będą coraz bardziej autonomiczne i inteligentne. Dlatego ideą tego projektu jest opracowanie bezprzewodowej sieci czujników w celu zapewnienia ciągłego monitorowania stanu MRI. Wdrożone rozwiązanie obejmuje system monitorowania IoT obwodu chłodzenia zimnej głowicy. W oparciu o wibracje pompy pozwala on monitorować obwód silnika, informować personel o każdym nieprawidłowym stanie tego systemu i chronić to urządzenie przed wszelkimi przyszłymi anomaliami. Dzięki algorytmowi CNN zaimplementowanemu w tym rozwiązaniu, wyniki są bardzo zadowalające, z dokładnością >98%. Rozwiązanie to można zintegrować z ogólnym rozwiązaniem konserwacji predykcyjnej dla najbardziej wrażliwego sprzętu w szpitalu.

Słowa kluczowe

EN

critical medical equipment; predictive maintenance; PdM; internet of things; IoT; magnetic resonance imaging; MRI

PL

krytyczny sprzęt medyczny; konserwacja predykcyjna; PdM; Internet rzeczy; IoT; rezonans magnetyczny; MRI

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 2
• Strony: 71--76
• Opis fizyczny: Bibliogr. 21 poz., wykr.

Twórcy

autor

Guissi Maroua

• Mohammed V University in Rabat, Electronic Optimization Diagnosis and Control, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0009-0001-2718-1513

autor

Alaoui My Hachem El Yousfi

• Mohammed V University in Rabat, Electronic Optimization Diagnosis and Control, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0000-0003-4285-0540

autor

Belarbi Larbi

• Mohammed V University in Rabat, Electronic Optimization Diagnosis and Control, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0009-0004-5074-3117

autor

Chaik Asma

• Mohammed V University in Rabat, Electronic Optimization Diagnosis and Control, National School of Arts and Crafts, Rabat, Morocco

• https://orcid.org/0000-0002-2373-5339

Bibliografia

• [1] Beyer J., Krug J., Friebe M.: Monitoring the cold head of Magnetic Resonance Imaging systems by means of vibration analysis. Journal of Sensor Technology 7(3), 2017, 39-51.
• [2] Compare M., Baraldi P., Zio E.: Challenges to IoT-enabled predictive maintenance for industry 4.0. IEEE Internet of Things Journal 7(5), 2019, 4585-4597.
• [3] Hashemian H. M.: State-of-the-art predictive maintenance techniques. IEEE Transactions on Instrumentation and measurement 60(1), 2010, 226-236.
• [4] Hidalgo‐Tobon S. S.: Theory of gradient coil design methods for magnetic resonance imaging. Concepts in Magnetic Resonance Part A 36(4), 2010, 223-242.
• [5] Jbili A., Lahlimi M.: A Moroccan Leading Use Case for Predictive Maintenance, IoT and Industry 4.0. 2019.
• [6] Kwon D. et al.: IoT-based prognostics and systems health management for industrial applications. IEEE Access 4, 2016, 3659-3670.
• [7] Lauzon F. Q.: An introduction to deep learning. 11th International Conference on Information Science, Signal Processing and their Applications – ISSPA, IEEE, 2012.
• [8] Massaro A. et al. Sensing and quality monitoring facilities designed for pasta industry including traceability, image vision and predictive maintenance. II Workshop on Metrology for Industry 4.0 and IoT – MetroInd4.0&IoT, IEEE, 2019, 68-72.
• [9] Megalal R., Eswaramoorthy V.: Fault Detection and Prediction of Failure Using Vibration Analysis. International Research Journal for Engineering and Technology – IRJET 5.6, 2018, 748-758.
• [10] Narayanan S. et al.: An approach to real-time magnetic resonance imaging for speech production. The Journal of the Acoustical Society of America 115(4), 2004, 1771-1776.
• [11] Neupane D., Seok J.: Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review. IEEE Access 8, 2020, 93155-93178.
• [12] Niyonambaza I., Zennaro M., Uwitonze A.: Predictive Maintenance (PdM) Structure Using Internet of Things (IoT) for Mechanical Equipment Used into Hospitals in Rwanda. Future Internet 12(12), 2020, 224.
• [13] Renwick J. T. Babson P. E.: Vibration analysis - a proven technique as a predictive maintenance tool. IEEE Transactions on Industry Applications 2, 1985, 324-332.
• [14] Richardson M., Shawn W.: Getting started with raspberry PI. O'Reilly Media, Inc., 2012.
• [15] Scholtz R. A.: The Spread Spectrum Concept. Abramson N. (Ed.): Multiple Access. Piscataway, IEEE Press, NJ 1993, ch. 3, 121-123.
• [16] Selcuk S.: Predictive maintenance, its implementation and latest trends. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture 231(9), 2017, 1670-1679.
• [17] Selvaraj S., Sundaravaradhan S.: Challenges and opportunities in IoT healthcare systems: a systematic review. SN Applied Sciences 2(1), 2020, 1-8.
• [18] Sezdi M.: Two different maintenance strategies in the hospital environment: preventive maintenance for older technology devices and predictive maintenance for newer high-tech devices. Journal of healthcare engineering, 2016.
• [19] Shamayleh A., Awad M., Farhat J.: IoT based predictive maintenance management of medical equipment. Journal of medical systems 44(4), 2020, 1-12.
• [20] Shetty R. B.: Predictive Maintenance in the IoT Era. Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things, 2018, 589-612.
• [21] Zaaboul R. et al.: Vibration monitoring of the MRI Scanner’s cold head. International Conference on Electrical and Information Technologies – ICEIT. IEEE, 2020.