A Context-Aware Machine Learning Framework for Energy Anomaly Detection and Explainability in Hospital Equipment

अस्पताल पृथ्वी पर सबसे अधिक ऊर्जा खपत करने वाली इमारतों में से एक हैं, जो एक सामान्य कार्यालय की तुलना में प्रति वर्ग मीटर तीन से पांच गुना अधिक बिजली का उपभोग करते हैं। यह केवल लाइटों और एयर कंडीशनिंग के बारे में नहीं है; यह उस जीवन-महत्वपूर्ण मशीनरी के बारे में है जो कभी नहीं सोती। सीटी स्कैनर, एमआरआई इकाइयाँ और वेंटिलेटर बैंक निरंतर चलते रहते हैं, और उनकी ऊर्जा का उपयोग स्थिर और अनुमानित होना चाहिए। हालाँकि, जब ये मशीनें खराबी का शिकार होती हैं, तो वे पूरी तरह से विफल होने से पहले अक्सर सूक्ष्म विद्युत संकेत भेजती हैं। इन संकेतों को जल्दी पकड़ लेना उपकरणों की खराबी को रोक सकता है, पैसा बचा सकता है, और सबसे महत्वपूर्ण बात यह है कि मरीजों को सुरक्षित रख सकता है। सुविधा इंजीनियरों (facility engineers) के लिए चुनौती हमेशा एक वास्तविक चेतावनी और एक सामान्य उतार-चढ़ाव के बीच अंतर करने की रही है। बिजली का उछाल (surge) यह संकेत दे सकता है कि एक कंप्रेसर विफल हो रहा है, या यह केवल यह हो सकता है कि रेडियोलॉजी विभाग सुबह के मरीजों की भीड़ के साथ व्यस्त है। पारंपरिक प्रणालियाँ जो निश्चित नियमों पर निर्भर करती हैं, अक्सर इसमें गलती करती हैं, सामान्य घटनाओं के लिए अलार्म बजा देती हैं और उन धीमी, खतरनाक गिरावटों को मिस कर देती हैं जो "सुरक्षित" सीमाओं के भीतर होती हैं। यह निरंतर शोर 'अलर्ट फटीग' (alert fatigue) की ओर ले जाता है, जहाँ इंजीनियर अंततः चेतावनियों को पूरी तरह से अनदेखा कर देते हैं।

शोधकर्ताओं की एक टीम ने इस समस्या को हल करने का एक नया तरीका विकसित किया है, जिसमें कंप्यूटर को उस ऊर्जा के संदर्भ (context) को समझने के लिए सिखाया गया है जिसकी वे निगरानी कर रहे हैं। केवल बिजली के नंबरों को अलग से देखने के बजाय, उनका सिस्टम विशिष्ट स्थिति पर विचार करता है: कौन सा विभाग बिजली का उपयोग कर रहा है, दिन का कौन सा समय है, कर्मचारियों की कौन सी शिफ्ट है, और यहाँ तक कि बाहर का मौसम कैसा है। दो अलग-अलग प्रकार के मशीन लर्निंग मॉडल को मिलाकर, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया जो पहले असामान्य पैटर्न की पहचान करता है और फिर जाँच करता है कि क्या वे वर्तमान स्थिति के लिए तर्कसंगत हैं। यदि रेडियोलॉजी विंग में सुबह की व्यस्त शिफ्ट के दौरान बिजली का उछाल आता है, तो सिस्टम इसे सामान्य व्यवहार के रूप में पहचान लेता है और शांत रहता है। यदि वही उछाल रात के 3 बजे एक खाली वार्ड में होता है, तो सिस्टम तुरंत इसे फ्लैग कर देता है। यह दृष्टिकोण इतना तेज़ डिज़ाइन किया गया है कि यह उपकरण से जुड़े छोटे, स्थानीय कंप्यूटरों पर चल सके, जिसका अर्थ है कि यह तब भी काम कर सकता है जब अस्पताल का इंटरनेट कनेक्शन बंद हो जाए।

शोधकर्ताओं ने अपने तरीके का परीक्षण करने के लिए डेटा के दो अलग-अलग सेटों का उपयोग किया। एक 2016 के एक वास्तविक इमारत के ऊर्जा रिकॉर्ड से आया था, जिसमें प्राकृतिक दैनिक पैटर्न और शोर दिखाया गया था। दूसरा, 2025 और 2026 के अस्पताल के उपकरणों का एक विस्तृत, कंप्यूटर-जनित सिमुलेशन था, जिसमें चार विभागों में पंद्रह विभिन्न प्रकार की मशीनें शामिल थीं। इस कृत्रिम डेटा (synthetic data) में चार प्रकार की समस्याओं के विशिष्ट, लेबल किए गए उदाहरण शामिल थे: बिजली का अचानक उछाल, अप्रत्याशित गिरावट, धीमी ड्रिफ्टिंग (drifting) परिवर्तन, और अनियमित दोलन (oscillations)। जब उन्होंने अपने नए सिस्टम की तुलना पाँच अन्य सामान्य विधियों से की, जिनमें जटिल डीप लर्निंग मॉडल भी शामिल थे जिन्हें चलाने के लिए शक्तिशाली ग्राफिक्स कार्ड की आवश्यकता होती है, तो उनका दृष्टिकोण शीर्ष पर रहा। इसने 92% बार विसंगतियों (anomalies) की सही पहचान की, जबकि गलत अलार्म को केवल 8% तक सीमित रखा। इसके विपरीत, पुराने नियम-आधारित सिस्टम, जिनका उपयोग वर्तमान में सुविधा प्रबंधक करते हैं, 37% बार गलत अलार्म पैदा करते थे, और यहाँ तक कि उन्नत डीप लर्निंग मॉडल भी 10% से कम गलत अलार्म देने के लिए संघर्ष करते थे।

जो इस कार्य को अस्पतालों के लिए विशेष रूप से मूल्यवान बनाता है, वह केवल इसकी सटीकता नहीं है, बल्कि इसकी स्वयं को समझाने की क्षमता है। कई आधुनिक आर्टिफिशियल इंटेलिजेंस सिस्टम "ब्लैक बॉक्स" की तरह कार्य करते हैं, जो बिना कारण बताए उत्तर देते हैं। एक विनियमित चिकित्सा वातावरण में, इंजीनियरों को कार्रवाई करने से पहले यह जानने की आवश्यकता होती है कि अलार्म क्यों बजाया गया। शोधकर्ताओं ने अपने सिस्टम में एक ऐसी परत जोड़ी है जो प्रत्येक अलर्ट को उसके योगदान देने वाले कारकों में तोड़ देती है। यह इंजीनियर को बता सकता है कि एक चेतावनी जारी की गई थी क्योंकि नाइट शिफ्ट के दौरान एक वेंटिलेटर बैंक के लिए बिजली का उपयोग असामान्य रूप से उच्च था, न कि केवल यह कहना कि "कुछ गलत है।" यह पारदर्शिता एक गणितीय आधार पर टिकी है जो गारंटी देती है कि सिस्टम कभी भी एक मानक डिटेक्टर से अधिक गलत अलार्म नहीं बनाएगा; यह केवल विशिष्ट संदर्भ के लिए सामान्य घटनाओं को फ़िल्टर करके उन्हें कम कर सकता है।

यह सिस्टम पहले एक ऐसी विधि का उपयोग करता है जो असामान्य डेटा बिंदुओं को अलग करती है, ठीक वैसे ही जैसे ढेर में से सुई ढूँढने के लिए बाकी चीजों से अलग दिखने वाली चीज़ों को देखा जाता है। फिर यह संभावित मुद्दों को दूसरे चरण में भेजता है जो समस्या के प्रकार को वर्गीकृत करता है। अंत में, एक 'कॉन्टेक्स्ट फ़िल्टर' (context filter) हस्तक्षेप करता है और स्थिति की जाँच करता है। यदि डेटा उस विशिष्ट विभाग और समय के लिए सामान्य सीमा के भीतर आता है, तो अलार्म रद्द कर दिया जाता है। शोधकर्ताओं ने गणितीय रूप से सिद्ध किया है कि यह फ़िल्टरिंग प्रक्रिया गलत अलार्म की दर को बढ़ा नहीं सकती; यह केवल उन्हें कम कर सकती है या समान रख सकती है। वास्तविक बिल्डिंग डेटा पर अपने परीक्षणों में, इस फ़िल्टर ने सफलतापूर्वक ग्यारह गलत अलार्मों को हटा दिया जो वैध डे-टाइम लोड सर्ज के कारण ट्रिगर होते, जबकि वास्तविक परेशानी दर्शाने वाले तीव्र स्पाइक्स को भी पकड़ा।

गति भी इस तकनीक के लिए एक महत्वपूर्ण कारक है। शोधकर्ताओं ने एक एकल डेटा बिंदु को प्रोसेस करने में लगने वाले समय को मापा और पाया कि इसमें एक हज़ारवें सेकंड से भी कम समय लगा। यह सब-मिलीसेकंड की गति का अर्थ है कि सिस्टम रस्पबेरी पाई (Raspberry Pi) या जेटसन नैनो (Jetson Nano) जैसे छोटे, सस्ते हार्डवेयर पर चल सकता है, जिनका उपयोग अक्सर एज कंप्यूटिंग सेटअप में किया जाता है। यह अस्पतालों को अपने संवेदनशील डेटा को क्लाउड पर भेजे बिना स्थानीय रूप से अपने उपकरणों की निगरानी करने की अनुमति देता है, जो सख्त नेटवर्क सुरक्षा नीतियों वाले संस्थानों के लिए एक महत्वपूर्ण विशेषता है। पूरा सिस्टम 47 मेगाबाइट के बहुत छोटे मेमोरी फुटप्रिंट में समा जाता है, जिससे इसे अस्पताल के लगभग किसी भी मौजूदा गेटवे पर तैनात करना संभव हो जाता है।

अध्ययन में यह भी देखा गया कि कौन सी विशेषताएं (features) सबसे अधिक मायने रखती हैं जब सिस्टम निर्णय लेता है कि कोई विसंगति हो रही है। इसने पाया कि बिजली के उपयोग के रोलिंग आंकड़े (rolling statistics)—जैसे कि एक छोटे अंतराल में औसत, न्यूनतम और अधिकतम मान—समस्या के सबसे मजबूत संकेतक थे। हालाँकि, संदर्भ संबंधी विशेषताओं, जैसे विभाग का प्रकार और शिफ्ट शेड्यूल ने निर्णय को परिष्कृत करने में महत्वपूर्ण भूमिका निभाई। उदाहरण के लिए, सिस्टम ने सीखा कि बिजली की गिरावट का एक विशिष्ट प्रकार वेंटिलेटर जैसे जीवन-सहायक उपकरणों में विफलता का सामान्य संकेत है, लेकिन अन्य मशीनों में नहीं। इन बारीकियों को समझकर, सिस्टम समस्या को सही ढंग से वर्गीकृत कर सकता था, जिससे इंजीनियरों को पता चल सके कि वे अचानक उछाल, धीरे-धीरे होने वाली गिरावट, या दोलन (oscillation) का सामना कर रहे हैं।

हालाँकि परिणाम उत्साहजनक हैं, शोधकर्ता स्वीकार करते हैं कि उनके कार्य की कुछ सीमाएँ हैं। वर्तमान प्रणाली प्रत्येक संदर्भ के लिए "सामान्य" क्या है, यह परिभाषित करने के लिए ऐतिहासिक डेटा पर निर्भर करती है। यदि कोई अस्पताल नए उपकरण जोड़ता है या वार्ड का पुनर्गठन करता है, तो सिस्टम को नए सामान्य पैटर्न को सीखने के लिए पुन: कैलिब्रेट करने की आवश्यकता होगी। भविष्य के कार्य इस सिस्टम को इतना अनुकूल बनाने पर केंद्रित होंगे कि यह इन परिवर्तनों को स्वतः ही सीख सके। इसके अतिरिक्त, परीक्षण के लिए उपयोग किया गया सिंथेटिक डेटा, हालांकि वास्तविक दुनिया की स्थितियों की नकल करने के लिए सावधानीपूर्वक बनाया गया था, वास्तविक अस्पताल की हर संभावित परिचालन विचित्रता को नहीं पकड़ सकता है। शोधकर्ता अपने ढांचे को कई वास्तविक दुनिया के अस्पताल डिप्लॉयमेंट में मान्य करने की योजना बना रहे हैं ताकि यह सुनिश्चित हो सके कि यह दैनिक संचालन की पूरी जटिलता के तहत भी कायम रहता है।

अंततः, यह ढांचा स्वास्थ्य सेवा में भरोसेमंद, व्याख्या योग्य (explainable) ऊर्जा प्रबंधन की ओर एक बदलाव का प्रतिनिधित्व करता है। यह सरल निगरानी से आगे बढ़कर ऐसी कार्रवाई योग्य बुद्धिमत्ता प्रदान करता है जिसे सुविधा इंजीनियर समझ सकें और जिस पर वे भरोसा कर सकें। गणितीय कठोरता के साथ व्यावहारिक गति और स्पष्ट स्पष्टीकरणों को जोड़कर, यह प्रणाली गलत अलार्म के बोझ को कम करने के साथ-साथ यह सुनिश्चित करने का एक तरीका प्रदान करती है कि उपकरणों और रोगी सुरक्षा के वास्तविक खतरों को जल्दी पकड़ा जा सके। यह कार्य प्रदर्शित करता है कि उच्च-दांव वाले वातावरण में, सबसे अच्छी तकनीक वह नहीं है जो केवल सबसे स्मार्ट है, बल्कि वह है जो सबसे पारदर्शी और विश्वसनीय है।