技术领域
[0001] 本
发明涉及医疗器械技术领域,尤其涉及一种呼吸支持设备硬件故障检测方法。
背景技术
[0002] 如无创
呼吸机一类的呼吸支持设备是一种持续输出
正压气体给用户的设备,用户在使用的时候通常持续数小时甚至数天,如果呼吸支持设备的关键部件
涡轮、压
力传感器、流量传感器发生故障,就会导致用户使用设备进行
治疗的疗效较差,甚至可能引发生命危险。
[0003] 基于此,目前的呼吸支持设备通常是在开机通电的时候进行一次硬件的自检,自检通过后再允许用户使用。
[0004] 相关技术的呼吸支持设备只在通电时进行硬件故障自检,在自检过程中,即使有微小差异也能通过检测,而部分隐性故障或者复杂故障无法在自检的时候发现,在运行一段时间后才会发生故障,这样就容易造成对用户造成不良影响。
[0005] 从而,相关技术的呼吸支持设备硬件故障检测方法存在检测及时性和准确性较低的不足。
[0006] 因此,有必要提供一种新的呼吸支持设备硬件故障检测方法解决上述技术问题。
发明内容
[0007] 本发明的目的是克服上述技术问题,提供一种检测及时性和准确性更高的呼吸支持设备硬件故障检测方法。
[0008] 本发明提供一种呼吸支持设备硬件故障检测方法,包括:
[0009] 选取多台呼吸支持设备,其中70%-99%为正常设备,其余为故障设备;
[0010] 采集所述呼吸支持设备的数据,包括实际压力值P,实际流量值F,流量传感器AD值ADP,
压力传感器AD值ADF,以及涡轮转速R;
[0011] 建议线性映射关系,将正常设备的结果映射为1,故障设备映射为0,有线性映射公式为:
[0012] f(P,F,ADP,ADF,R)=w1*P+w2*F+w3*ADP+w4*ADF+w5*R+b。其中,w1,w2,w3,w4,w5为各参数对应的权重系数,b为修正系数;
[0013] 建立一个
深度学习的BP神经网络,
输入层是(P,F,ADP,ADF,R),
中间层有1层,5个
节点,
输出层是0~1之间的任意一个数值,在每个节点处,采用Sigmoid作为激励函数,其表达式为: 其中,z=wX+b,w=(w1,w2,w3,w4,w5),X=(P,F,ADP,ADF,R),激励函数的结果作为该神经元所在层的输出,传递给下一层的神经元,然后在输出层用y=F0(W0FH(WH*X+bH)+b0计算出最终输出值,其中F0为第0层的激励函数,FH为中间层的激励函数,W0为初始随机权重,b0为初始随机修正系数,WH和bH分别为中间层的计算权重和修正系数,F0=f(P,F,ADP,ADF,R),在得到y后,采用
梯度下降法对神经网络进行反馈,然后对w系数进行修正,直到输出结果的总体误差达到最小,此时停止神经网络,输出最终的w作为神经网络的训练结果。
[0014] 优选的,所述方法还包括:
[0015] 采集向量X中的数据;
[0016] 根据 i=0,1,2…,N计算对应数据的平均值,N为数据的总个数;
[0017] 将w向量和b向量带入(P,F,ADP,ADF,R)中进行计算,得到最终的输出结果。
[0018] 优选的,采集向量X中的数据为采集吸气末端300ms内向量X中的数据。
[0019] 优选的,当输出结果大于或等于0.5时,判断硬件工作正常,否则判断进行硬件检查。
[0020] 优选的,当输出结果小于0.5时,呼吸支持设备提示用户出现故障,将对应的数据及维修记录存储到训练结果
数据库,增加多条维修记录后,重新进行训练,生成新的权重值。
[0021] 优选的,每增加20条维修记录,重新进行训练,生成新的权重值。
[0022] 优选的,选取的呼吸支持设备数目大于100。
[0023] 优选的,选取的呼吸支持设备中,95%为正常设备,5%为故障设备。
[0024] 与
现有技术相比,本发明提供的呼吸支持设备硬件故障检测方法,通过选取多台呼吸支持设备并采集该多台呼吸支持设备的数据,建立线性映射关系,再建立深度学习的神经网络,使呼吸支持设备通过
机器学习的方式,在硬件有出现故障的预兆时就能进行检测,对硬件故障的检测更为及时也更为准确。
具体实施方式
[0025] 下面将对本发明
实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
[0026] 呼吸支持设备的硬件组成包括以下几个关键硬件:涡轮、流量传感器、压力传感器。其中涡轮是加压气体的源头,正常工作的时候应当输出用户设定的压力数值;流量传感器和压力传感器分别读取呼吸支持设备出气口的流量和压力数据,为分析用户当前状况以及涡轮控制提供依据,正常工作的时候读取到的数值应当与实际数值一致。
[0027] 当涡轮快要发生故障的时候,通常的表现是输出同等的压力和流量,涡轮对应的转速更高;当流量传感器和压力传感器快要发生故障的时候,通常的表现是相同的流量或压力,对应的AD值偏低或偏高。
[0028] 从而,本发明提供一种呼吸支持设备硬件故障检测方法,包括:
[0029] 选取多台呼吸支持设备,其中70%-99%为正常设备,其余为故障设备;
[0030] 采集所述呼吸支持设备的数据,包括实际压力值P,实际流量值F,流量传感器AD值ADP,压力传感器AD值ADF,以及涡轮转速R;
[0031] 建议线性映射关系,将正常设备的结果映射为1,故障设备映射为0,有线性映射公式为:
[0032] f(P,F,ADP,ADF,R)=w1*P+w2*F+w3*ADP+w4*ADF+w5*R+b。其中,w1,w2,w3,w4,w5为各参数对应的权重系数,b为修正系数;
[0033] 建立一个深度学习的BP神经网络,输入层是(P,F,ADP,ADF,R),中间层有1层,5个节点,输出层是0~1之间的任意一个数值,在每个节点处,采用Sigmoid作为激励函数,其表达式为:
[0034] 其中,z=wX+b,w=(w1,w2,w3,w4,w5),X=(P,F,ADP,ADF,R),激励函数的结果作为该神经元所在层的输出,传递给下一层的神经元,然后在输出层用y=F0(W0FH(WH*X+bH)+b0计算出最终输出值,其中F0为第0层的激励函数,FH为中间层的激励函数,W0为初始随机权重,b0为初始随机修正系数,WH和bH分别为中间层的计算权重和修正系数,F0=f(P,F,ADP,ADF,R),在得到y后,采用梯度下降法对神经网络进行反馈,然后对w系数进行修正,直到输出结果的总体误差达到最小,此时停止神经网络,输出最终的w作为神经网络的训练结果。
[0035] 本实施方式中,所述方法还包括:
[0036] 采集向量X中的数据;
[0037] 根据 i=0,1,2…,N计算对应数据的平均值,N为数据的总个数;
[0038] 将w向量和b向量带入(P,F,ADP,ADF,R)中进行计算,得到最终的输出结果。
[0039] 具体的,采集向量X中的数据为采集吸气末端300ms内向量X中的数据。
[0040] 具体的,当输出结果大于或等于0.5时,判断硬件工作正常,否则判断进行硬件检查。
[0041] 更为具体的,当输出结果小于0.5时,呼吸支持设备提示用户出现故障,将对应的数据及维修记录存储到训练结果数据库,增加多条维修记录后,重新进行训练,生成新的权重值。
[0042] 更为具体的,每增加20条维修记录,重新进行训练,生成新的权重值。
[0043] 本实施方式中,选取的呼吸支持设备数目大于100,优选为2000。
[0044] 具体的,选取的呼吸支持设备中,95%为正常设备,5%为故障设备。
[0045] 以下为具体的实施例:
[0046] 首先,选取2000台设备,在这些设备中有95%的正常设备,有5%的故障设备。
[0047] 其次,采集全部2000台设备的数据,这些数据包括实际压力值P,实际流量值F,流量传感器AD值ADP,压力传感器AD值ADF,涡轮转速R。
[0048] 再次,建议线性映射关系,将正常设备的结果映射为1,故障设备映射为0,即有具体的,线性映射公式为:f(P,F,ADP,ADF,R)=w1*P+w2*F+w3*ADP+w4*ADF+w5*R+b。其中,w1,w2,w3,w4,w5是各参数对应的权重系数,b是修正系数。
[0049] 最后,建立一个深度学习的BP神经网络,输入层是(P,F,ADP,ADF,R),中间层共有1层,有5个节点,输出层是0~1之间的任意一个数值。在每个节点处,采用Sigmoid作为激励函数,其表达式为: z=wX+b,w=(w1,w2,w3,w4,w5),X=(P,F,ADP,ADF,R)。激励函数的结果会作为该神经元所在层的输出,传递给下一层的神经元。然后在输出层用y=F0(W0FH(WH*X+bH)+b0计算出最终输出值,其中F0表示第0层的激励函数,FH表示中间层的激励函数,W0表示初始随机权重,b0表示初始随机修正系数,WH和bH表示中间层的计算权重和修正系数,在本发明中F0=f(P,F,ADP,ADF,R)。在得到y之后,采用梯度下降法对神经网络进行反馈,然后对w系数进行修正,直到输出结果的总体误差达到最小,此时停止神经网络,输出最终的w作为神经网络的训练结果。
[0050] 将2000组数据全部输入到神经网络中进行机器学习,就能得到w1,w2,w3,w4,w5的数据,随后在使用过程中,呼吸支持设备只要持续监测f(P,F,ADP,ADF,R)的计算数值就能分辨出是否即将出现故障。
[0051] 呼吸支持设备在监测的时候,需要尽可能选取比较平稳的时候的数据用于故障分析的数值运算,因为如果随机取点或者连续取点,就可能遇上随机误差,进而可能产生误判。为了避免这些问题,呼吸支持设备可以选择统计收集呼气末的数据,此时用户一般处于静息期,基本没有呼吸的动作,流量和压力也基本处于平稳状态,最适于采集数据。
[0052] 基于以上分析,呼吸支持设备在每次呼气的末端,也就是下一次吸气开始之前的一小段时间内,采集向量X中的数据。具体的,是采集吸气前300ms以内的所有数据,然后计算对应数据的平均值,即 i=0,1,2…,N,其中N表示数据的总个数。在得到平均值后,就将w向量和b向量也带入f(P,F,ADP,ADF,R)中进行计算,得到最终的输出结果。
[0053] 当输出结果大于或等于0.8的时候,说明设备硬件工作基本正常,不会出现问题,当大于或等于0.5且小于0.8的时候,呼吸支持设备会提示用户注意保养,当小于0.5的时候,呼吸支持设备会认为是设备出现硬件故障的前兆,需要进行检查或者更换配件。
[0054] 呼吸支持设备在提醒用户出现故障的时候,会将对应的数据回传到
训练数据库,然后在维修人员确认是否故障后,将该条数据以及对应的结果存储训练数据库内,不论设备判定的是否准确,然后每增加20条维修记录后,重新进行训练,生成新的权重值,这样就能不断的增加训练数据,然后获取到更加精准的权重,提升呼吸支持设备的判定正确率。
[0055] 与现有技术相比,本发明提供的呼吸支持设备硬件故障检测方法,通过选取多台呼吸支持设备并采集该多台呼吸支持设备的数据,建立线性映射关系,再建立深度学习的神经网络,使呼吸支持设备通过机器学习的方式,在硬件有出现故障的预兆时就能进行检测,对硬件故障的检测更为及时也更为准确。
[0056] 以上所述仅为本发明的实施例,并非因此限制本发明的
专利范围,凡是利用本发明
说明书所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。