CN109498952B - 呼吸机比例阀流量控制方法、装置、计算机设备 - Google Patents

Abstract

本申请涉及一种呼吸机比例阀流量控制方法、装置、计算机设备，读取呼吸机系统运行参数，将呼吸机系统运行参数输入基于呼吸机历史系统运行参数训练生成的预设神经网络模型，获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号，将电流信号输入至呼吸机中比例阀，来控制比例阀的流量。通过将当前呼吸机系统运行参数输入至基于呼吸机历史系统运行参数训练生成的预设神经网络模型中，能够得到一个合理的电流信号，根据这个合理的电流信号能够有效地控制呼吸机比例阀的流量，使比例阀在流量控制过程中，能够适应外部干扰因素变化带来的影响。

Description

呼吸机比例阀流量控制方法、装置、计算机设备

技术领域

本申请涉及呼吸机技术领域，特别是涉及一种呼吸机比例阀流量控制方法、装置、计算机设备和存储介质。

背景技术

呼吸机是一种能够起到预防和治疗呼吸衰竭，减少并发症，挽救及延长病人生命的至关重要的医疗设备，作为一项能人工替代自主通气功能的有效手段，已普遍用于各种原因所致的呼吸衰竭、大手术期间的麻醉呼吸管理、呼吸支持治疗和急救复苏中，在现代医学领域内占有十分重要的位置。

日常生活中，呼吸机比例阀多采用电磁比例阀，电磁比例阀是指采用比例电磁铁作为电气一机械转换元件的比例阀，比例电磁铁将输入的电流信号转换成力、位移机械信号输出.进而控制压力、流量及方向等参数。

目前，现有的比例阀的流量控制方法都是离线生成表格，在流量控制过程中很难适应外部干扰因素变化带来的影响，外部干扰因素包括压差变化、电流干扰、传感器噪声等因素。

发明内容

基于此，有必要针对比例阀很难适应难适应外部干扰因素变化带来的影响的问题，提供一种具有一定自适应调整能力的呼吸机比例阀流量控制方法、装置、计算机设备和存储介质。

一种呼吸机比例阀流量控制方法，包括：

读取呼吸机系统运行参数；

将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；

获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；

将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

在其中一个实施例中，预设已训练的神经网络模型为Elman(艾尔曼)神经网络模型，将呼吸机系统运行参数输入预设已训练的神经网络模型之前还包括：

建立初始Elman神经网络模型；

根据预设Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

在其中一个实施例中，根据Levenberg-Marquardt(列文伯格-马夸尔特)算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型包括：

初始化初始Elman神经网络模型各层连接权值和各层阈值；

获取呼吸机历史系统运行参数；

根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

在其中一个实施例中，根据Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最佳的权值和阈值包括：

给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；

计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；

计算Jacobian矩阵J(w^k)；

计算权值增量Δw；

若E(w^k)<ε,则结束训练；

若E(w^k)≥ε，以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回计算权值增量Δw的步骤。

在其中一个实施例中，读取呼吸机系统运行参数包括当前时刻压差、前帧流量传感器值以及下帧目标流量值。

在其中一个实施例中，预设Elman神经网络模型包括4个输入层神经元、7个隐含层神经元和状态层神经元以及1个输出层神经元。

一种呼吸机比例阀流量控制装置，包括：

数据读取模块，用于读取呼吸机系统运行参数；

第一输入模块，用于将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；

数据获取模块，用于获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；

第二输入模块，用于将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

在其中一个实施例中，呼吸机比例阀流量控制装置还包括：

训练模块，用于初始化初始Elman神经网络模型各层连接权值和各层阈值；获取呼吸机历史系统运行参数；根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

读取呼吸机系统运行参数；

将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；

获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；

将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

读取呼吸机系统运行参数；

将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；

获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；

将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

上述呼吸机比例阀流量控制方法、装置、计算机设备和存储介质，读取呼吸机系统运行参数，将呼吸机系统运行参数输入基于呼吸机历史系统运行参数训练生成的预设神经网络模型，获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号，将电流信号输入至呼吸机中比例阀，来控制比例阀的流量。通过将当前呼吸机系统运行参数输入至基于呼吸机历史系统运行参数训练生成的预设神经网络模型中，能够得到一个合理的电流信号，根据这个合理的电流信号能够有效地控制呼吸机比例阀的流量，使比例阀在流量控制过程中，能够适应外部干扰因素变化带来的影响。

附图说明

图1为一个实施例中呼吸机比例阀流量控制的预测框图；

图2为一个实施例中呼吸机比例阀流量控制方法的流程图；

图3为一个实施例中呼吸机比例阀流量控制方法的流程图；

图4为一个实施例中Elman神经网络的结构示意图；

图5为采用压差-流量二维表查询获得的低压阀压差-流量-电流DA三维曲面拟合效果示意图；

图6为采用Elman神经网络模型拟合的低压阀压差-流量-电流DA三维曲面拟合效果示意图；

图7为一个实施例中呼吸机比例阀流量控制装置的结构示意图；

图8为一个实施例中计算机设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的呼吸机比例阀流量控制方法，图1为呼吸机比例阀流量控制的预测框图，如图1所示，呼吸机包括压差传感器和流量传感器、比例阀，呼吸机中比例阀为低压电磁比例阀，电磁比例阀的工作原理是采用比例电磁铁控制,使输出的压力或流量与输入的电流成正比，所以可用改变输入电信号的方法对压力、流量进行连续控制，本申请中低压电磁比例阀接收神经网络模型输出的电流信号对呼吸机流量进行连续控制。压差传感器10用来测量两个压力之间差值的传感器，通常用于测量某一设备或部件前后两端的压差，流量传感器20是用于测定每一时刻吸入呼吸机发动机的空气流量，本申请中流量传感器20主要输出前帧流量传感器值、当前帧传感器值，流量指令30即下帧目标流量值，本方法是将当前压差、前帧流量传感器值、下帧目标流量值等多个变量输入到一个经过训练的多输入动态回归神经网络即Elman神经网络模型对产生下帧目标流量值需要的电流信号进行动态拟合预测，并将预测的电流信号输入到呼吸机比例阀中对呼吸机比例阀的流量进行控制。

其中，在一个实施例中，如图2所示，提供了一种呼吸机比例阀流量控制方法，以该方法应用于呼吸机微处理器为例进行说明，包括以下步骤：

步骤S200，读取呼吸机系统运行参数。

其中，呼吸机系统运行参数是呼吸机在正常工作时生成的数据，其能够反映出呼吸机的运行状态，当呼吸机微处理器需要采集呼吸机系统运行参数时，从内存控制器读取呼吸机各个部件实时采集的运行数据即可。具体来说，呼吸机运行参数可以包括呼气压、吸气压、压差传感器值、流量传感器值以及吸气流率等参数。在实际应用中，呼吸机处理器读取的呼吸机系统运行参数可以包括当前压差、当前帧流量传感器值、前帧流量传感器值、下帧目标流量值、当前电流信号等参数，其中，当前压差由压差传感器实时采集，当前帧流量传感器值、前帧流量传感器值由流量传感器采集，下帧目标流量值为预先设定的值，这些参数用于输出理想的电流信号。

步骤S400，将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成。

微处理器将读取到的当前压差、当前帧流量传感器值、前帧流量传感器值、下帧目标流量值输入到预设的神经网络模型中，预设的神经网络模型基于呼吸机历史系统运行参数训练生成，该预设已训练的神经网络模型是经过训练的神经网络模型，用于输出合理的控制流量的电流信号，消除呼吸机中比例阀在控制流量过程中受噪声、气流速度、压差变化等因素的干扰。呼吸机历史系统运行参数包括压差值、各个时刻的流量值以及电流信号。

步骤S600，获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号。

其中，该电流信号实际为经过DA(Digital Analog，数字模拟)转换器数模转换后的电流模拟信号，即电流DA值，模拟信号分布于自然界的各个角落，如气温的变化，而数字信号是人为的抽象出来的在幅度取值上不连续的信号。电学上的模拟信号主要是指幅度和相位都连续的电信号，此信号可以被模拟电路进行各种运算，如放大，相加乘等。电流DA值用于连续控制呼吸机比例阀的流量。

步骤S800，将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

微处理器将预设神经网络输出的电流信号也就是电流DA值输入至呼吸机比例阀，比例阀接收该电流DA值，利用该电流DA值连续控制呼吸机流量。具体的，比例阀通常由阀芯和控制线圈构成，线圈通过电流，控制电流的大小来改变阀芯的位置，即控制比例阀的开度，从而控制流量。

如图3所示，在其中一个实施例中，预设已训练的神经网络模型为Elman神经网络模型，读取呼吸机系统运行参数之前还包括：S100,建立初始Elman神经网络模型；S120,根据Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

现有比例阀在流量控制过程中，容易受到压差变化、气流速度、流量跨度、噪声干扰等因素影响，为了让比例阀的流量控制算法和模块能适应外部因素影响，要求控制算法必须具有一定的自适应调整能力，故本申请选用基于Levenberg-Marquardt算法训练得到的Elman神经网络模型，控制比例阀流量的输出。本实施例中，选用的Elman神经网络是一种典型的局部回归网络，属于反馈神经网络，与前向神经网络非常相似，具有更强的计算能力，其突出优点是具有很强的优化计算和联想记忆功能。基本的Elman神经网络由输入层、隐含层、状态层和输出层组成。Elman神经网络在结构上与BP(back propagation，反向传播)网络相比，多了一个状态层，用于构成局部反馈，其状态层的传输函数为线性函数，但多了一个延迟单元，所以状态层可以记忆过去的状态，并且在下一时刻与网络的输入一起作为隐含层的输入，使网络具有动态记忆功能。该初始Elman神经网络模型则是基于Elman神经网络构建的神经网络模型，构建过程包括：采集呼吸机历史系统运行参数作为样本集，对该样本集进行归一化处理，该神经网络模型的训练方法为Levenberg-Marquardt算法，Levenberg-Marquardt算法是使用最广泛的非线性最小二乘算法，中文为列文伯格-马夸尔特法。它是利用梯度求最大(小)值的算法，形象的说，属于“爬山”法的一种。它同时具有梯度法和牛顿法的优点。当λ很小时，步长等于牛顿法步长，当λ很大时，步长约等于梯度下降法的步长。Levenberg-Marquardt算法是最优化算法中的一种。最优化是寻找使得函数值最小的参数向量。它的应用领域非常广泛，如：经济学、管理优化、网络分析、最优设计、机械或电子设计等等。可以理解的是，Levenberg-Marquardt算法还可以是梯度下降法(Gradientdescent)、牛顿算法(Newton’s method)、柯西-牛顿法(Quasi-Newton method)以及其他训练算法，在此不做限制。基于Elamn神经网络的特殊结构，通过状态层也就是状态层的延迟与存储，隐含层地输出可以自动联接到隐含层的输入，基于这种自联方式，神经网络对历史数据的敏感性显著加强，并且其内部设有反馈网络，提高网络本身处理动态信息的能力，更好地实现动态建模；使用Levenberg-Marquardt算法训练初始Elman神经网络模型是为了使误差函数收敛速度更快，精度更高。

如图3所示，在其中一个实施例中，根据Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数包括：S122,初始化初始Elman神经网络模型各层连接权值和各层阈值；S124,获取呼吸机历史系统运行参数；S126,根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

其中，我们将微处理器采集到的呼吸机历史系统运行参数作为原始数据，并提取原始数据中的当前时刻压差、前帧流量传感器值、当前帧流量传感器值和电流DA值作为主成分分析，并对其进行标准化处理，构建成新的特征向量，并将得到的特征向量进行归一化处理，得到新的训练样本集。具体的，在各种压差范围条件下逐步改变电流DA值，采集记录压差传感器值、流量传感器值，得到当前时刻k的压差DPress、前帧流量传感器值PreFlow、当前帧流量传感器值和电流DA值训练样本值[DPress(k),PreFlow(k),DFlow(k)；DA(k)]，其中DA(k)为第k个训练样本的电流目标值，k＝150*4096＝614400(压差范围1-150hPa，电流DA范围0-4095)。由于神经元的传输函数在[0,1]之间区别比较大，当输入大于1以后，传输函数值变化不大，其导数或斜率比较小，不利于反向传播算法的执行，而反向传播算法需要用到各个神经元传输函数的梯度信息，当神经元的输入太大时(比如大于1)，相应的该点自变量梯度值就过小，导致无法顺利实现权值和阈值的调整，故本实施例中，初始Elman神经网络模型的初始权值采用输入归一化，将初始权值和阈值归一化到0到1之间，当然，在其他实施例中，初始权值和阈值可归一化到-1到1之间。该神经网络包括4个输入神经元，第1个输入神经元输入恒定为1，与该神经元连接的各个隐含层神经元到该神经元的权值相当于偏置；7个隐含层神经元，其中第1个隐含层神经元输入恒定为1，相当于隐含层到输出层偏置，没有记忆功能，无局部反馈，其余6个隐含层有局部反馈，对应6个状态层神经元，其中，状态层亦称作承接层。每个状态层神经元记忆前帧时刻对应隐含层神经元的状态，并通过权值反馈连接输入到各个隐含层神经元。将训练样本值DPress(k),PreFlow(k),DFlow(k)，DA(k)输入Elman神经网络模型中，计算Elman神经网络模型输出的电流实际输出向量以及误差指标函数，通过Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定该误差指标函数的值满足训练误差值时的最优的权值和阈值，得到训练后的Elman神经网络模型。

在其中一个实施例中，根据Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最佳的权值和阈值包括：给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；计算Jacobian矩阵J(w^k)；计算权值增量Δw；若E(w^k)<ε,则结束训练；以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回计算权值增量Δw的步骤。

具体过程包括：设误差指标函数E(w^k)为：

式中，Y_i为电流期望输出向量，Y_i′为电流实际输出向量，p为样本数目，w为初始Elman神经网络模型的权值和阈值所组成的向量，e_i(w)为误差；

设w^k+1表示第k次迭代的权值和阈值所组成的向量，新的权值和阈值所组成的向量w^k+1为w^k+1＝w^k+Δw，Δw为权值增量，权值增量Δw计算公式为：Δw＝[J^T(W)J(w)+μI]^-1J^T(W)e(w)，式中，I为单位矩阵，μ为用户定义的学习率，J(w)为Jacobian矩阵即雅各布矩阵，定义雅各布矩阵由误差项对参数的偏导数组成；具体步骤如下：

1)给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；

2)计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；

3)计算Jacobian矩阵J(w^k)；

4)计算权值增量Δw；

5)若E(w^k)<ε,则返回步骤7)；

6)以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回步骤2)，否则令μ＝μ/β，返回步骤4)；

7)算法结束。

采用Levenberg-Marquardt算法训练Elman神经网络模型的过程实际是一个寻找最优参数的过程，也就是对该网络模型的权值和阈值进行学习和调整，使该网络模型实现给定的输入/输出映射关系，完成对系统的辨识。本实施例中，预设的训练误差允许值为0.001，通过上述Levenberg-Marquardt算法，不断调整该Elman神经网络模型的权值和阈值，直到确定误差指标函数值小于训练误差值时的Elman神经网络模型的权值和阈值，也就是当该误差指标函数的的值小于0.001时，即视为训练结束，通过训练后的神经网络模型确定的新的权值和阈值能够对新的输出值进行预测。在其他实施例中，训练误差允许值可以为0.01、0.0099以及其他误差允许值，在此不做限制。本实施中，使用Levenberg-Marquardt算法实时更新训练数据，得到适合当前时刻的最优权值和阈值，误差函数收敛速度更快，预测精度更高。

在其中一个实施例中，根据预设Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数包括：计算损失值、梯度和近似海森矩阵，然后确定衰减参数和衰减系数。

由于Levenberg-Marquardt算法主要针对平方和误差类的损失函数。Leven berg-Marquardt算法又称为衰减的最小平方法，其是针对损失函数是平方和误差的形式，不需要准确计算海森矩阵，需要用到梯度向量和雅各布矩阵。

具体的，定义损失函数的雅各布矩阵由误差项对参数的偏导数组成，J_i,jf(w)＝de_i/dw_j,(i＝1,…,m&j＝1,…,n)，其中，m是训练集中的样本个数，n是神经网络的参数个数，雅各布矩阵的规模是m·n。定义损失函数的梯度向量为

其中e是所有误差项组成的向量。

用上述雅各布矩阵和梯度向量的表达式来估计计算海森矩阵，Hf≈2J^T(J+λI)，其中λ是衰减因子，以确保海森矩阵是正的，I是单位矩阵。此算法的参数更新公式如下：

若衰减因子λ设为0，相当于是牛顿法。若λ设置的非常大，这就相当于是学习率很小的梯度下降法。参数λ的初始值非常大，因此前几步更新是沿着梯度下降方向的。如果某一步迭代更新失败，则λ扩大一些。否则，λ随着损失值的减小而减小，Levenberg-Marquardt接近牛顿法，这个过程可以加快收敛的速度。

在其中一个实施例中，呼吸机系统运行参数包括当前时刻压差、前帧流量传感器值以及下帧目标流量值。

其中，当前时刻压差由压差传感器采集，前帧流量传感器值由流量传感器采集，下帧目标流量值为预先设定的值，其预先存储于呼吸机的存储器中。比例阀、特别是低压阀在流量控制过程中，当前流量控制参数和方法不仅与下帧目标流量有关，而且也将受到当前阀开度和前后帧输出流量和目标流量变化跨度的影响，大的流量跨度和小的流量跨度势必要求的控制参数不一样。故本申请从原始数据中提取当前时刻压差、前帧流量传感器值以及下帧目标流量值作为主成分分析，并对读取的当前时刻压差、前帧流量传感器值以及下帧目标流量值进行标准化处理，构建成新的特征向量，并将其输入到预设的Elman神经网络模型中，对产生下帧目标流量值需要的电流信号进行动态拟合预测，以期Elman神经网络模型根据当前时刻压差、前帧流量传感器值以及下帧目标流量值输出合理的电流信号。如图5、图6所示，图5为采用压差-流量二维表查询获得的低压阀压差-流量-电流DA三维曲面拟合效果，图6为采用Elman神经网络模型拟合的低压阀压差-流量-电流DA三维曲面拟合效果，通过图5和图6，我们能够看出通过将当前时刻压差、前帧流量传感器值以及下帧目标流量值输入训练后的Elman神经网络模型使对产生下帧目标流量值需要的电流信号进行动态预测的方法，比例阀的控制曲面更加光滑，也意味着拟合精度更高，输出的电流信号更为合理，更能使比例阀在流量控制过程中更能适应压差变化、流量跨度、噪声干扰等外界因素的带来的影响。

在其中一个实施例中，预设Elman神经网络模型包括4个输入层神经元、7个隐含层神经元和状态层神经元以及1个输出层神经元。

如图4所示，本实施例中，采用的初始Elman神经网络模型的结构尺寸是4-7-1，即4个输入层神经元、7个隐含层神经元以及1个输出层神经元，状态层神经元数目与隐含层神经元数目相等，即7个状态层神经元。其中，7个隐含层神经元，第1个隐含层神经元没有记忆功能，无局部反馈，其余6个隐含层有局部反馈，对应6个状态层神经元。每个状态层神经元记忆前帧时刻对应隐含层神经元的状态，并通过权值反馈连接输入到各个隐含层神经元。在实际应用中，神经网络结构默认只用一个隐含层，如果用多个隐含层，则每个隐含层的神经元数目一样，可以理解的是，Elman神经网络结构尺寸还可以是其他结构，在此不做限制，本实施例采用7个隐含层神经元，其分类效果更好。

上述呼吸机比例阀流量控制方法、装置、计算机设备和存储介质，读取呼吸机系统运行参数，将呼吸机系统运行参数输入基于呼吸机历史系统运行参数训练生成的预设神经网络模型，获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号，将电流信号输入至呼吸机中比例阀，来控制比例阀的流量。通过将当前呼吸机系统运行参数输入至基于呼吸机历史系统运行参数训练生成的预设神经网络模型中，能够得到一个合理的电流信号，根据这个合理的电流信号能够有效地控制呼吸机比例阀的流量，使比例阀在流量控制过程中，能够适应外部干扰因素变化带来的影响。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种呼吸机比例阀流量控制装置，包括：数据读取模块710、第一输入模块720、数据获取模块730和第二输入模块740，其中：

数据读取模块710，用于读取呼吸机系统运行参数。

第一输入模块720，用于将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成。

数据获取模块730，用于获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号。

第二输入模块740，用于将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

在其中一个实施例中，呼吸机比例阀流量控制装置还包括：训练模块750，用于初始化初始Elman神经网络模型各层连接权值和各层阈值；获取呼吸机历史系统运行参数；根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

在其中一个实施例中，训练模块750还用于建立初始Elman神经网络模型；根据Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

在其中一个实施例中，训练模块750还用于给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；计算Jacobian矩阵J(w^k)；计算权值增量Δw；若E(w^k)<ε,则结束训练；以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回计算权值增量Δw的步骤。

在其中一个实施例中，数据读取模块710还用于读取当前时刻压差、前帧流量传感器值以及下帧目标流量值。

关于呼吸机比例阀流量控制装置的具体限定可以参见上文中对于呼吸机比例阀流量控制方法的限定，在此不再赘述。上述呼吸机比例阀流量控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种呼吸机比例阀流量控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：读取呼吸机系统运行参数；将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：建立初始Elman神经网络模型；根据预设Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：初始化初始Elman神经网络模型各层连接权值和各层阈值；获取呼吸机历史系统运行参数；根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；计算Jacobian矩阵J(w^k)；计算权值增量Δw；若E(w^k)<ε,则结束训练；以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回计算权值增量Δw的步骤。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：读取当前时刻压差、前帧流量传感器值以及下帧目标流量值。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：读取呼吸机系统运行参数；将呼吸机系统运行参数输入预设已训练的神经网络模型，预设已训练的神经网络模型基于呼吸机历史系统运行参数训练生成；获取预设已训练的神经网络模型根据呼吸机系统运行参数输出的电流信号；将电流信号输入至呼吸机中比例阀，电流信号用于控制比例阀的流量。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：建立初始Elman神经网络模型；根据预设Levenberg-Marquardt算法和呼吸机历史系统运行参数，训练初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：初始化初始Elman神经网络模型各层连接权值和各层阈值；获取呼吸机历史系统运行参数；根据呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：给出训练误差允许值ε，常数μ₀和β(0<β<1)，初始化权值和阈值组成的向量，令k＝0,μ＝μ₀；计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)；计算Jacobian矩阵J(w^k)；计算权值增量Δw；若E(w^k)<ε,则结束训练；以w^k+1＝w^k+Δw为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^k+1)<E(w^k)，则令k＝k+1，μ＝μβ，返回计算初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回计算权值增量Δw的步骤。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：读取当前时刻压差、前帧流量传感器值以及下帧目标流量值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种呼吸机比例阀流量控制方法，其特征在于，所述方法包括：

读取呼吸机系统运行参数；

将所述呼吸机系统运行参数输入预设已训练的神经网络模型；

获取所述预设已训练的神经网络模型根据所述呼吸机系统运行参数输出的电流信号；

将所述电流信号输入至所述呼吸机中比例阀，所述电流信号用于控制所述比例阀的流量；

其中，所述预设已训练的神经网络模型为基于呼吸机历史系统运行参数和Levenberg-Marquardt算法训练生成的Elman神经网络模型。

2.根据权利要求1所述的呼吸机比例阀流量控制方法，其特征在于，所述将所述呼吸机系统运行参数输入预设已训练的神经网络模型之前还包括：

建立初始Elman神经网络模型；

根据预设Levenberg-Marquardt算法和所述呼吸机历史系统运行参数，训练所述初始Elman神经网络模型的参数，得到训练后的Elman神经网络模型。

3.根据权利要求2所述的呼吸机比例阀流量控制方法，其特征在于，所述根据预设Levenberg-Marquardt算法和所述呼吸机历史系统运行参数，训练所述初始Elman神经网络模型的参数包括：

初始化所述初始Elman神经网络模型各层连接权值和各层阈值；

获取所述呼吸机历史系统运行参数；

根据所述呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整所述初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

4.根据权利要求3所述的呼吸机比例阀流量控制方法，其特征在于，所述利用Levenberg-Marquardt算法调整所述初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值包括：

给出训练误差允许值ε，常数μ₀和β，初始化权值和阈值组成的向量，令k＝0，μ＝μ₀，其中，0<β<1，k表示迭代次数，μ表示用户定义的学习率；

计算所述初始Elman神经网络模型的输出值及误差指标函数E(w^k)；

计算Jacobian矩阵J(w^k)；

计算权值增量△w；

若E(w^k)<ε,则结束训练；

若E(w^k)≥ε，以w^k+1＝w^k+△w为新的权值和阈值向量，计算误差指标函数E(w^k)，若E(w^{k +1})<E(w^k)，则令k＝k+1，μ＝μβ，返回所述计算所述初始Elman神经网络模型的输出值及误差指标函数E(w^k)，否则令μ＝μ/β，返回所述计算权值增量△w的步骤。

5.根据权利要求1所述的呼吸机比例阀流量控制方法，其特征在于，所述呼吸机系统运行参数包括当前时刻压差、前帧流量传感器值以及下帧目标流量值。

6.根据权利要求1至5中任一项所述的呼吸机比例阀流量控制方法，其特征在于，Elman神经网络模型包括4个输入层神经元、7个隐含层神经元和状态层神经元以及1个输出层神经元。

7.一种呼吸机比例阀流量控制装置，其特征在于，所述装置包括：

数据读取模块，用于读取呼吸机系统运行参数；

第一输入模块，用于将所述呼吸机系统运行参数输入预设已训练的神经网络模型；

数据获取模块，用于获取所述预设已训练的神经网络模型根据所述呼吸机系统运行参数输出的电流信号；

第二输入模块，用于将所述电流信号输入至所述呼吸机中比例阀，所述电流信号用于控制所述比例阀的流量；

其中，所述预设已训练的神经网络模型为基于呼吸机历史系统运行参数和Levenberg-Marquardt算法训练生成的Elman神经网络模型。

8.根据权利要求7所述的呼吸机比例阀流量控制装置，其特征在于，所述装置还包括：

训练模块，用于初始化初始Elman神经网络模型各层连接权值和各层阈值；获取所述呼吸机历史系统运行参数；根据所述呼吸机历史系统运行参数，利用Levenberg-Marquardt算法调整所述初始Elman神经网络模型的权值和阈值，直至确定最优的权值和阈值。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images