CN110780655A - 基于物联网的高压氧舱远程故障诊断与运维方法及系统 - Google Patents
基于物联网的高压氧舱远程故障诊断与运维方法及系统 Download PDFInfo
- Publication number
- CN110780655A CN110780655A CN201910583191.1A CN201910583191A CN110780655A CN 110780655 A CN110780655 A CN 110780655A CN 201910583191 A CN201910583191 A CN 201910583191A CN 110780655 A CN110780655 A CN 110780655A
- Authority
- CN
- China
- Prior art keywords
- hyperbaric oxygen
- oxygen chamber
- fault
- cloud source
- source signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于物联网的高压氧舱远程故障诊断与运维方法及系统,获取高压氧舱的云端源信号;对云端源信号先形态滤波的腐蚀运算再膨胀运算,滤除云端源信号的正脉冲噪声;对云端源信号先形态滤波的膨胀运算再腐蚀运算,滤除云端源信号的负脉冲噪声;获取滤除正脉冲噪声和负脉冲噪声后的云端源信号均值;利用奇异值分解滤除云端源信号的随机噪声,通过集合经验模态分解保留云端源信号的特征奇异值;利用故障树对高压氧舱进行故障定位,通过卷积自编码器训练高压氧舱故障分类器,通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。本发明能够及时发现高压氧舱使用过程中出现的故障问题,提升高压氧舱的维修效率,保障患者和医护人员安全。
Description
技术领域
本发明涉及一种基于物联网的高压氧舱远程故障诊断与运维方法及系统,属于高压氧舱远程故障诊断技术领域。
背景技术
高压氧舱已经成为一个重要的医疗工具,高压氧舱的舱体、控制台、供排氧故障情况时常出现,导致其无法正常应用,给高压氧治疗带来负面影响。高压氧的治疗机制决定高压氧舱的治疗舱为一种特殊的载人压力容器,这就要求相关工作者使用时不仅需要了解常规压力容器的注意事项,还要相关生产商对载人压力容器的这种特殊压力容器具备更高的状态监测与故障诊断能力,才能保证高压氧舱良好应用,为提高医院医疗水平创造条件。
高压氧舱易发生供氧管路发生泄漏,加减压阀,或排氧阀内漏,测氧仪的零件调节或校准检验不准,呼吸调节器的阀芯杠杆发生弯曲,阀芯密封胶垫破损失效,氧气减压器的底阀泄漏等故障,每个故障的发生都会危及到患者和医护人员的生命安全,所以需要研究云端的智能高压氧舱的实时故障诊断和数字运维技术。现阶段,高压氧舱医疗器械在使用中若出现故障和损坏情况,主要还是通过人工进行故障逐个排除,难以有效、快速地发现问题所在,氧舱设备的易损件较多,如易损件更换不及时,会影响氧舱治疗效果,甚至出现严重的医疗事故。亟需一种高压氧舱远程故障诊断与运维技术方案。
发明内容
本发明针对现有技术存在的不足,提供一种基于物联网的高压氧舱远程故障诊断与运维方法及系统,实现高压氧舱的相关运行参数和关键部件的传感器数据在云端进行存储和故障诊断监测,实时掌控高压氧舱的使用情况,及时发现高压氧舱使用过程中出现的故障问题,提升高压氧舱的维修效率,保障患者和医护人员安全。
本发明解决上述技术问题的技术方案如下:基于物联网的高压氧舱远程故障诊断与运维方法,包括以下步骤:
通过云端服务器存储高压氧舱的运行参数和传感器测量数据,获取高压氧舱的云端源信号;
对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
利用故障树对高压氧舱进行故障定位,通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器,通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,云端服务器通过构建测量数据帧进行卷积计算,并利用深度学习的网络结构对高压氧舱故障特征提取和分类;高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,对高压氧舱易损件的更换时间和剩余使用寿命进行记录,当所述易损件达到更换期限时通过所述云端服务器反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,对所述云端服务器的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,所述形态滤波通过结构元素探测目标信号的位置,获取目标信号的几何形状信息以及信号关系提取信号特征。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,通过卷积自编码器输入高压氧舱多源数据特征进行逐层编码将抽象特征进行逐步提取,以高压氧舱当前使用状态为起点,当高压氧舱接收激励信号时进行云端源信号采集获得特征参数,利用实时监测参数结合高压氧舱的结构特性、参数、环境条件及运行历史,分析高压氧舱故障发展趋势及后果并向用户提出警告,并评估高压氧舱的健康状态或剩余使用寿命。
作为基于物联网的高压氧舱远程故障诊断与运维方法的优选方案,所述集合经验模态分解将高斯白噪声加入云端源信号进行多次分解,把云端源信号分解成若干个包含不同尺度信号分量的本征模态函数。
本发明实施例还提供一种基于物联网的高压氧舱远程故障诊断与运维系统,包括:
云端服务器,用于存储高压氧舱的运行参数和传感器测量数据提供高压氧舱的云端源信号;
正脉冲噪声滤除模块,用于对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
负脉冲噪声滤除模块,用于对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
均值模块,用于获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
随机噪声滤除模块,用于利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
故障定位模块,用于利用故障树对高压氧舱进行故障定位;
故障训练模块,用于通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器;
故障诊断模块,用于通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
作为基于物联网的高压氧舱远程故障诊断与运维系统的优选方案,还包括显示模块和反馈模块,所述显示模块用于高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息;
所述反馈模块用于当高压氧舱易损件达到更换期限时通过所述云端服务器反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。
作为基于物联网的高压氧舱远程故障诊断与运维系统的优选方案,还包括权限分配模块,所述权限分配模块用于对所述云端服务器的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
本发明技术方案通过云端服务器存储高压氧舱的运行参数和传感器测量数据,获取高压氧舱的云端源信号。对云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除云端源信号的正脉冲噪声。对云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除云端源信号的负脉冲噪声。获取滤除正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号。利用奇异值分解滤除云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值。利用故障树对高压氧舱进行故障定位,通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器,通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。本技术方案采用基于形态滤波-奇异值分解的高压氧舱故障信号的降噪算法,能有效降低信号的正负脉冲噪声和随机噪声。基于总体经验模式分解的高压氧舱故障信号的特征提取算法,能从复杂的传感器信号中提取出有用特征,用于后续高压氧舱的故障诊断,采用高压氧舱云端故障诊断算法模型,卷积自编码的故障诊断模型,能实现高压氧舱的实时故障诊断,提高维护效率。
本技术方案通过物联网,互联网技术,使厂家通过远程诊断技术对医疗器械故障进行诊断和软件修复,可有效解决医疗机构医疗器械维修技术人员故障排查耗时长、故障维修困难的问题。另外运用物联网维修系统,能够对各个科室的高压氧舱医疗器械及设备进行网络连接,从而可对各个科室中的医疗器械进行全面、实时的管理与控制,进而可实时掌控医疗器械的使用情况,以便及时发现医疗器械使用过程中出现的故障问题,并根据故障提示采取相应的解决措施并予以维修。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的基于物联网的高压氧舱远程故障诊断与运维方法流程示意图;
图2为本发明实施例提供的基于物联网的高压氧舱远程故障诊断与运维技术路线示意图;
图3为本发明实施例提供的基于物联网的高压氧舱远程故障诊断与运维模型示意图;
图4为本发明实施例提供的基于物联网的高压氧舱远程故障诊断与运维卷积自编码模型示意图;
图5为本发明实施例提供的基于物联网的高压氧舱远程故障诊断与运维系统示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1和图2,提供一种基于物联网的高压氧舱远程故障诊断与运维方法,包括以下步骤:
S1:通过云端服务器存储高压氧舱的运行参数和传感器测量数据,获取高压氧舱的云端源信号;
S2:对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
S3:对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
S4:获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
S5:利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
S6:利用故障树对高压氧舱进行故障定位,通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器,通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
具体的,采用形态滤波和奇异值分解相结合的办法去除高压氧舱故障信号中的噪声成分,然后进行集合经验模态分解。集合经验模态分解原理是当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成,从而提取有效信息。利用故障树对智能高压氧舱的各种故障进行故障的准确定位,再利用深度学习-深度卷积自编码的方法,基于提取的高压氧舱云端数据的多源信号特征,训练智能高压氧舱故障分类器,实现智能高压氧舱的故障诊断。
具体的,集合经验模态分解主要思想是利用高斯白噪声均匀分布的特点,人为地将高斯白噪声加入原始信号进行多次分解,从而把原始信号分解成若干个包含不同尺度信号分量的本征模态函数,达到抑制模态混叠的目的。进行集合经验模态分解后在时域信号中提取以下六个时域参数,分别包括三个有量纲参量:均方根,方差,峭度;三个无量纲参量:波形因子,峰值因子,裕度因子。
具体的,对信号降噪,需要先对高压氧舱云端源信号做形态滤波的腐蚀运算然后膨胀运算,滤除信号的正脉冲噪声。再对高压氧舱云端源信号做形态滤波的膨胀运算然后腐蚀运算,滤除信号的负脉冲噪声。再对滤除正脉冲噪声和负脉冲噪声的信号求均值,得到滤除脉冲噪声的信号。再利用SVD滤除随机噪声,SVD降噪是利用信号与噪声的能量可分性,对含噪信号构成的矩阵进行分解,仅保留信号特征奇异值,达到去除随机噪声的目的。
具体的,相较于其他深度学习网络模型,卷积自编码器是一种从样本中自动学习的数据压缩算法。卷积自编码器以卷积池化过后的特征为权值,对反卷积核进行叠加,叠加步长为池化时的长度,将信号重构回原信号空间。以原信号与重构信号的差值最小为目标,对卷积核和反卷积核进行优化。进一步,编码特征可以作为新的输入,利用同样的方式进行编码,依次循环,最后给网络加上全连接网络和分类器,用少量带标签样本进行微调,形成深度卷积自编码网络,加上Softmax回归模型用于智能高压氧舱的多故障分类与部件剩余寿命。
基于物联网的高压氧舱远程故障诊断与运维方法的一个实施例中,云端服务器通过构建测量数据帧进行卷积计算,并利用深度学习的网络结构对高压氧舱故障特征提取和分类;高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息。
具体的,数据帧是数据链路层的协议数据单元,包括帧头、数据部分和帧尾三部分。其中,帧头和帧尾包含一些必要的控制信息,比如同步信息、地址信息、差错控制信息等;数据部分则包含网络层传下来的数据,比如IP数据包。可以采用阿里云服务平台,在云端服务器,通过构建测量数据帧进行卷积计算,实现多通道数据的自然融合,并利用深度学习的网络结构,针对智能高压氧舱故障特征的自动提取和分类,从而实现高压氧舱故障分类与诊断以及实时状态监控。根据设定参数自主判断设备运行情况,某个参数指标偏高或发生意外故障时,操控台控制屏上将自动显示报警信息包括故障发生时间、故障类型、故障描述等。
基于物联网的高压氧舱远程故障诊断与运维方法的一个实施例中,对高压氧舱易损件的更换时间和剩余使用寿命进行记录,当所述易损件达到更换期限时通过所述云端服务器反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。对所述云端服务器的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
具体的,自动记录易损件的更换时间和剩余使用寿命,当存在易损件到期需要更换时,自动提醒医院设备管理人员,并通过云端服务器及时反馈给氧舱厂家及区域维保人员。另外智能高压氧舱内的相关数据在云端服务器根据权限进行共享,拥有不同权限的人员或机构获取不同种类的数据,同时将与国家特种机构共享氧舱监控数据,接受监管,形成行业运维标准。
基于物联网的高压氧舱远程故障诊断与运维方法的一个实施例中,所述形态滤波通过结构元素探测目标信号的位置,获取目标信号的几何形状信息以及信号关系提取信号特征。
具体的,形态滤波基于数学形态学发展起来的一种非线性滤波器,核心是通过结构元素探测目标信号的各个位置,获取各部分信号的几何形状信息以及它们之间的关系,进而提取信号特征,在机械故障诊断中得到广泛应用。与传统小波阈值降噪方法相比,形态滤波器降噪方法能够克服小波阈值选择困难的缺点,具有更好的噪声抑制效果。另外形态滤波可以很好的抑制脉冲噪声,但滤除随机噪声的能力却不如奇异值分解降噪强。因此采用形态滤波和奇异值分解相结合的办法去除信号中的噪声成分。
参见图3和图4,基于物联网的高压氧舱远程故障诊断与运维方法的一个实施例中,通过卷积自编码器输入高压氧舱多源数据特征进行逐层编码将抽象特征进行逐步提取,以高压氧舱当前使用状态为起点,当高压氧舱接收激励信号时进行云端源信号采集获得特征参数,利用实时监测参数结合高压氧舱的结构特性、参数、环境条件及运行历史,分析高压氧舱故障发展趋势及后果并向用户提出警告,并评估高压氧舱的健康状态或剩余使用寿命。
基于物联网的高压氧舱远程故障诊断与运维方法的一个实施例中,所述集合经验模态分解将高斯白噪声加入云端源信号进行多次分解,把云端源信号分解成若干个包含不同尺度信号分量的本征模态函数。
具体的,高压氧舱故障的特征信号微弱,信噪比低,多位瞬态非平稳信号,传统特征提取方法有时域分析法,频域分析法,时频分析法,基本思想源于Fourier变换,存在Fourier变换的局限性,无法表述信号的时频局部性能,因而对非平稳的早期故障信号分析效果不理想。设备早期故障的主要特点如下:①信号微弱:早期故障属于轻微故障,信号分量较小,不易察觉。②表征不明显:早期故障信号表征很不明显,表现为很小的幅值、相位、时频特性等变化。③容易被噪声信号淹没:早期故障信号具有很大的隐蔽性,容易被相对较强的噪声信号所淹没。为了及时监测设备早期故障,本发明实施例采用集合经验模态分解,将改进信号中有效信息的提取,提高故障特征提取的质量,弥补了时频分析法的不足。
参见图5,本发明实施例还提供一种基于物联网的高压氧舱远程故障诊断与运维系统,包括:
云端服务器1,用于存储高压氧舱的运行参数和传感器测量数据提供高压氧舱的云端源信号;
正脉冲噪声滤除模块2,用于对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
负脉冲噪声滤除模块3,用于对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
均值模块4,用于获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
随机噪声滤除模块5,用于利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
故障定位模块6,用于利用故障树对高压氧舱进行故障定位;
故障训练模块7,用于通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器;
故障诊断模块8,用于通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
基于物联网的高压氧舱远程故障诊断与运维系统的一个实施例中,还包括显示模块9和反馈模块10,所述显示模块9用于高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息。所述反馈模块10用于当高压氧舱易损件达到更换期限时通过所述云端服务器1反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。
基于物联网的高压氧舱远程故障诊断与运维系统的一个实施例中,还包括权限分配模块11,所述权限分配模块11用于对所述云端服务器1的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
具体的,通过本发明技术方案实现高压氧舱关键设备各个部位的信号进行连续、并行的监测、分析和诊断。将监测数据与设备健康状态时的数据模式进行比对,从而归纳出设备发生故障的规律。基于连续的测量和分析,能够判断设备的运行状态、预测设备部件剩余使用寿命、辅助决策设备的最佳维护时机。
深度学习的实质,是通过构建具有很多隐含层的机器学习模型和海量的训练数据,来自动学习更有用的特征,从而最终提升故障分类的准确性。本技术方案选用卷积自编码器,经过训练后能尝试将输入复制到输出。是对输入智能高压氧舱多源数据特征逐层编码的网络模型,这种逐层编码就是将抽象特征进行逐步提取的过程,随着层级的增加,这种特征就愈加抽象,愈加具有智能高压氧舱多源数据的全局整体特性。以智能高压氧舱目前的使用状态为起点,当系统受激励时,就会自动采集信号,获得特征参数,利用实时监测参数等信息,结合智能高压氧舱的结构特性、参数、环境条件及运行历史,分析故障发展趋势及后果,并向用户及时提出警告,同时借助相关推理技术评估高压氧舱的未来健康状态或剩余使用寿命。
当发生故障时,医护人员可以选择自主处理或厂家远程协助处理,在控制系统中集成了阿里云服务,当医护人员选择厂家远程协助时,控制系统会自动通过阿里云平台与技术人员联系,自动发送故障信息、设备运行过程记录等,必要时技术人员可以在取得医院相关权限后接入氧舱视频监控系统,通过各种手段实现远程维护和故障处理。另外基于云服务对氧舱故障与运行状态进行管理,会将准确的损耗件型号、属于哪家用户、用户地址等信息通知到公司售后部门,并推送给区域服务团队,服务人员将在接到通知的第一时间为用户提供维保服务。并且氧舱运维还将注重政府监管这个方面。高压氧舱属于载人压力容器,也属于医疗器械。云端服务器1会对高压氧舱生产、使用进行登记注册。云端服务器1将为政府监管部门提供氧舱生产日期、所有的外购配件信息,做到氧舱每个部件都可追溯。
以上所述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。
以上所述实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,包括以下步骤:
通过云端服务器存储高压氧舱的运行参数和传感器测量数据,获取高压氧舱的云端源信号;
对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
利用故障树对高压氧舱进行故障定位,通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器,通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
2.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,云端服务器通过构建测量数据帧进行卷积计算,并利用深度学习的网络结构对高压氧舱故障特征提取和分类;高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息。
3.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,对高压氧舱易损件的更换时间和剩余使用寿命进行记录,当所述易损件达到更换期限时通过所述云端服务器反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。
4.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,对所述云端服务器的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
5.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,所述形态滤波通过结构元素探测目标信号的位置,获取目标信号的几何形状信息以及信号关系提取信号特征。
6.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,通过卷积自编码器输入高压氧舱多源数据特征进行逐层编码将抽象特征进行逐步提取,以高压氧舱当前使用状态为起点,当高压氧舱接收激励信号时进行云端源信号采集获得特征参数,利用实时监测参数结合高压氧舱的结构特性、参数、环境条件及运行历史,分析高压氧舱故障发展趋势及后果并向用户提出警告,并评估高压氧舱的健康状态或剩余使用寿命。
7.根据权利要求1所述的基于物联网的高压氧舱远程故障诊断与运维方法,其特征在于,所述集合经验模态分解将高斯白噪声加入云端源信号进行多次分解,把云端源信号分解成若干个包含不同尺度信号分量的本征模态函数。
8.基于物联网的高压氧舱远程故障诊断与运维系统,其特征在于,包括:
云端服务器,用于存储高压氧舱的运行参数和传感器测量数据提供高压氧舱的云端源信号;
正脉冲噪声滤除模块,用于对所述云端源信号先进行形态滤波的腐蚀运算再进行膨胀运算,滤除所述云端源信号的正脉冲噪声;
负脉冲噪声滤除模块,用于对所述云端源信号先进行形态滤波的膨胀运算再进行腐蚀运算,滤除所述云端源信号的负脉冲噪声;
均值模块,用于获取滤除所述正脉冲噪声和负脉冲噪声后的云端源信号均值,得到滤除脉冲噪声的云端源信号;
随机噪声滤除模块,用于利用奇异值分解滤除所述云端源信号的随机噪声,对含随机噪声的云端源信号构成的矩阵进行集合经验模态分解保留云端源信号的特征奇异值;
故障定位模块,用于利用故障树对高压氧舱进行故障定位;
故障训练模块,用于通过卷积自编码器根据提取的高压氧舱云端源信号特征训练高压氧舱故障分类器;
故障诊断模块,用于通过高压氧舱故障分类器对高压氧舱的故障进行诊断和运维。
9.根据权利要求8所述的基于物联网的高压氧舱远程故障诊断与运维系统,其特征在于,还包括显示模块和反馈模块,所述显示模块用于高压氧舱根据监测参数是否偏离预设参数判断设备运行情况,显示包括故障发生时间、故障类型和故障描述的故障报警信息;
所述反馈模块用于当高压氧舱易损件达到更换期限时通过所述云端服务器反馈给维修方,反馈给维修方的信息包括易损件型号、易损件用户和用户地址。
10.根据权利要求8所述的基于物联网的高压氧舱远程故障诊断与运维系统,其特征在于,还包括权限分配模块,所述权限分配模块用于对所述云端服务器的测量数据进行权限分配,拥有不同权限的人员或机构获取不同种类的测量数据,将所述测量数据发送到监管部门进行监管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583191.1A CN110780655B (zh) | 2019-07-01 | 2019-07-01 | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583191.1A CN110780655B (zh) | 2019-07-01 | 2019-07-01 | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780655A true CN110780655A (zh) | 2020-02-11 |
CN110780655B CN110780655B (zh) | 2021-05-25 |
Family
ID=69383864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583191.1A Active CN110780655B (zh) | 2019-07-01 | 2019-07-01 | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780655B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823402A (zh) * | 2021-05-22 | 2021-12-21 | 上海东健净化股份有限公司 | 一种基于大数据和机器学习的疾病治疗效果预测方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2389651Y (zh) * | 1999-09-17 | 2000-08-02 | 中国人民解放军第三军医大学第三附属医院 | 大中型高压氧舱安全治疗监控装置 |
GB2442875A (en) * | 2006-10-12 | 2008-04-16 | Mario Iobbi | Drug delivery system |
US20100260087A1 (en) * | 2000-12-22 | 2010-10-14 | Twitchell Jr Robert W | Lprf device wake up using wireless tag |
CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
CN202013500U (zh) * | 2011-03-25 | 2011-10-19 | 山西埃尔气体系统工程有限公司 | 医用psa制氧设备全自动控制系统 |
JP2013006467A (ja) * | 2011-06-23 | 2013-01-10 | Mitsubishi Electric Engineering Co Ltd | 遮断棒折損通報システムおよび遮断棒折損通報方法 |
CN103454528A (zh) * | 2013-08-30 | 2013-12-18 | 华南理工大学 | 基于形态奇异熵的电力系统元件故障检测及识别方法 |
CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
CN104707228A (zh) * | 2015-03-02 | 2015-06-17 | 深圳市科曼医疗设备有限公司 | 经鼻高流量氧疗压力监测系统及其监测方法 |
US20160021178A1 (en) * | 2014-07-18 | 2016-01-21 | Dongxia Liu | Distributed communication of independent autonomous vehicles to provide redundancy and performance |
CN105574316A (zh) * | 2014-10-17 | 2016-05-11 | 秦军 | 一种基于物联网的高压氧质量控制信息化管理系统 |
CN105574559A (zh) * | 2014-10-17 | 2016-05-11 | 秦军 | 一种基于物联网的移动高压氧工作站系统 |
WO2016134217A1 (en) * | 2015-02-19 | 2016-08-25 | Surface Sensing Technologies Llc | Device and method for detecting a target analyte |
CN106372800A (zh) * | 2016-08-31 | 2017-02-01 | 国网北京市电力公司 | 获取地铁供电质量的方法和装置 |
CN106451498A (zh) * | 2016-11-28 | 2017-02-22 | 福州大学 | 一种基于改进广义形态滤波的低频振荡模态辨识方法 |
CN205979168U (zh) * | 2016-08-18 | 2017-02-22 | 厦门市凯讯科技有限公司 | 一种医用中心供氧系统 |
CN107037800A (zh) * | 2017-06-15 | 2017-08-11 | 中国人民解放军军事医学科学院卫生装备研究所 | 基于客户端制氧设备远程故障诊断系统及故障诊断方法 |
CN107451515A (zh) * | 2016-06-01 | 2017-12-08 | 易程(苏州)电子科技股份有限公司 | 一种旋转机械设备故障识别方法及系统 |
CN108132644A (zh) * | 2018-03-05 | 2018-06-08 | 烟台福皓医疗设备有限公司 | 一种新型氧舱控制系统及其方法 |
CN108152037A (zh) * | 2017-11-09 | 2018-06-12 | 同济大学 | 基于itd和改进形态滤波的轴承故障诊断方法 |
CN108363321A (zh) * | 2018-03-05 | 2018-08-03 | 烟台福皓医疗设备有限公司 | 一种多院区分布式氧舱管理方法 |
WO2018212067A1 (ja) * | 2017-05-18 | 2018-11-22 | 帝人ファーマ株式会社 | 増悪予兆装置、酸素濃縮装置および増悪予兆システム |
CN109061354A (zh) * | 2018-09-10 | 2018-12-21 | 华南理工大学 | 一种基于改进pso和svm的电能质量扰动识别方法 |
-
2019
- 2019-07-01 CN CN201910583191.1A patent/CN110780655B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2389651Y (zh) * | 1999-09-17 | 2000-08-02 | 中国人民解放军第三军医大学第三附属医院 | 大中型高压氧舱安全治疗监控装置 |
US20100260087A1 (en) * | 2000-12-22 | 2010-10-14 | Twitchell Jr Robert W | Lprf device wake up using wireless tag |
GB2442875A (en) * | 2006-10-12 | 2008-04-16 | Mario Iobbi | Drug delivery system |
CN101976349A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 |
CN202013500U (zh) * | 2011-03-25 | 2011-10-19 | 山西埃尔气体系统工程有限公司 | 医用psa制氧设备全自动控制系统 |
JP2013006467A (ja) * | 2011-06-23 | 2013-01-10 | Mitsubishi Electric Engineering Co Ltd | 遮断棒折損通報システムおよび遮断棒折損通報方法 |
CN103454528A (zh) * | 2013-08-30 | 2013-12-18 | 华南理工大学 | 基于形态奇异熵的电力系统元件故障检测及识别方法 |
CN103885406A (zh) * | 2014-03-11 | 2014-06-25 | 南京邮电大学 | 基于多数据融合的工业制气设备故障智能诊断和监控系统 |
US20160021178A1 (en) * | 2014-07-18 | 2016-01-21 | Dongxia Liu | Distributed communication of independent autonomous vehicles to provide redundancy and performance |
CN105574559B (zh) * | 2014-10-17 | 2018-12-04 | 秦军 | 一种基于物联网的移动高压氧工作站系统 |
CN105574316A (zh) * | 2014-10-17 | 2016-05-11 | 秦军 | 一种基于物联网的高压氧质量控制信息化管理系统 |
CN105574559A (zh) * | 2014-10-17 | 2016-05-11 | 秦军 | 一种基于物联网的移动高压氧工作站系统 |
WO2016134217A1 (en) * | 2015-02-19 | 2016-08-25 | Surface Sensing Technologies Llc | Device and method for detecting a target analyte |
CN104707228A (zh) * | 2015-03-02 | 2015-06-17 | 深圳市科曼医疗设备有限公司 | 经鼻高流量氧疗压力监测系统及其监测方法 |
CN107451515A (zh) * | 2016-06-01 | 2017-12-08 | 易程(苏州)电子科技股份有限公司 | 一种旋转机械设备故障识别方法及系统 |
CN205979168U (zh) * | 2016-08-18 | 2017-02-22 | 厦门市凯讯科技有限公司 | 一种医用中心供氧系统 |
CN106372800A (zh) * | 2016-08-31 | 2017-02-01 | 国网北京市电力公司 | 获取地铁供电质量的方法和装置 |
CN106451498A (zh) * | 2016-11-28 | 2017-02-22 | 福州大学 | 一种基于改进广义形态滤波的低频振荡模态辨识方法 |
WO2018212067A1 (ja) * | 2017-05-18 | 2018-11-22 | 帝人ファーマ株式会社 | 増悪予兆装置、酸素濃縮装置および増悪予兆システム |
CN107037800A (zh) * | 2017-06-15 | 2017-08-11 | 中国人民解放军军事医学科学院卫生装备研究所 | 基于客户端制氧设备远程故障诊断系统及故障诊断方法 |
CN108152037A (zh) * | 2017-11-09 | 2018-06-12 | 同济大学 | 基于itd和改进形态滤波的轴承故障诊断方法 |
CN108132644A (zh) * | 2018-03-05 | 2018-06-08 | 烟台福皓医疗设备有限公司 | 一种新型氧舱控制系统及其方法 |
CN108363321A (zh) * | 2018-03-05 | 2018-08-03 | 烟台福皓医疗设备有限公司 | 一种多院区分布式氧舱管理方法 |
CN109061354A (zh) * | 2018-09-10 | 2018-12-21 | 华南理工大学 | 一种基于改进pso和svm的电能质量扰动识别方法 |
Non-Patent Citations (8)
Title |
---|
SUN ZHIJIAN: ""Study on B/S一based remote fault diagnosis system of radar equipment"", 《 ADVANCED MATERIALS RESEARCH》 * |
WANG HAI: ""Diagnosis system of manufacturing equipment based on structure一fault tree"", 《ADVANCED MATERIALS RESEARCH》 * |
佘博: ""基于深度卷积变分自编码网络的故障诊断方法"", 《仪器仪表学报》 * |
刘磊: ""高压氧舱的安全维护及故障维修"", 《中国医疗设备》 * |
李兴明: ""高压氧舱计算机控制系统故障处理"", 《医疗卫生装备》 * |
李尚尚: ""制氧装备远程故障诊断系统的研究"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
蔡健: ""大型临床医疗设备智能管理平台的设计与实现"", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
钱林: ""高速齿轮箱性能监测与故障诊断系统研究"", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823402A (zh) * | 2021-05-22 | 2021-12-21 | 上海东健净化股份有限公司 | 一种基于大数据和机器学习的疾病治疗效果预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110780655B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020211109A1 (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
Blackman et al. | Human error quantification using performance shaping factors in the SPAR-H method | |
CN108008332A (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
JP5259797B2 (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
EP3105644B1 (en) | Method of identifying anomalies | |
Yang et al. | A modified CREAM to human reliability quantification in marine engineering | |
CN106020154A (zh) | 一种用于乙烯生产的安全动态健康评估方法及评估系统 | |
JP2009070071A (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
BahooToroody et al. | A condition monitoring based signal filtering approach for dynamic time dependent safety assessment of natural gas distribution process | |
Nguyen et al. | Fault prognosis for batch production based on percentile measure and gamma process: Application to semiconductor manufacturing | |
CN114169568A (zh) | 基于Prophet模型的配电线路电流预测与重过载预警及系统 | |
Tang et al. | A wind turbine bearing fault diagnosis method based on fused depth features in time–frequency domain | |
CN110780655B (zh) | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 | |
Kini et al. | Improved process monitoring scheme using multi-scale independent component analysis | |
Li et al. | Study on operator's SA reliability in digital NPPs. Part 2: Data-driven causality model of SA | |
CN113221937A (zh) | 基于人工智能判断的应急处理系统及方法 | |
Ait-Alla et al. | Real-time fault detection for advanced maintenance of sustainable technical systems | |
CN115378136A (zh) | 一种电网二次设备安全风险智能预警方法及预警装置 | |
CN116046396A (zh) | 一种轴承故障诊断方法、装置、设备及介质 | |
Tao et al. | A state and fault prediction method based on RBF neural networks | |
CN114875999A (zh) | 一种用于二次供水系统的泵房运维管理系统 | |
DE202016105686U1 (de) | Industrielle Anlage | |
Wu et al. | Safety archetypes identification and behavior simulation for nuclear power plant operation human reliability improvement | |
CN112214909A (zh) | 一种电扶梯健康管理及故障诊断的方法及系统 | |
CN117759608B (zh) | 一种潜器液压故障监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |