CN114348966A - 一种基于深度学习的自适应工况智能制氧机 - Google Patents

一种基于深度学习的自适应工况智能制氧机 Download PDF

Info

Publication number
CN114348966A
CN114348966A CN202210279398.1A CN202210279398A CN114348966A CN 114348966 A CN114348966 A CN 114348966A CN 202210279398 A CN202210279398 A CN 202210279398A CN 114348966 A CN114348966 A CN 114348966A
Authority
CN
China
Prior art keywords
oxygen
unit
user
target
deep learning
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.)
Pending
Application number
CN202210279398.1A
Other languages
English (en)
Inventor
刘北泉
江春华
郭懿远
黎炳坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Qingjiang Electrical Appliance Technology Co ltd
Original Assignee
Zhongshan Qingjiang Electrical Appliance Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Qingjiang Electrical Appliance Technology Co ltd filed Critical Zhongshan Qingjiang Electrical Appliance Technology Co ltd
Priority to CN202210279398.1A priority Critical patent/CN114348966A/zh
Publication of CN114348966A publication Critical patent/CN114348966A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B13/00—Oxygen; Ozone; Oxides or hydroxides in general
    • C01B13/02—Preparation of oxygen
    • C01B13/0229—Purification or separation processes
    • C01B13/0248—Physical processing only
    • C01B13/0259—Physical processing only by adsorption on solids
    • C01B13/0262—Physical processing only by adsorption on solids characterised by the adsorbent
    • C01B13/027—Zeolites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B2210/00—Purification or separation of specific gases
    • C01B2210/0028—Separation of the specific gas from gas mixtures containing a minor amount of this specific gas
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B2210/00—Purification or separation of specific gases
    • C01B2210/0043—Impurity removed
    • C01B2210/0046—Nitrogen
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B2210/00—Purification or separation of specific gases
    • C01B2210/0043—Impurity removed
    • C01B2210/0062—Water
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B2210/00—Purification or separation of specific gases
    • C01B2210/0043—Impurity removed
    • C01B2210/0068—Organic compounds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Organic Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Inorganic Chemistry (AREA)
  • Respiratory Apparatuses And Protective Means (AREA)

Abstract

本发明涉及一种基于深度学习的自适应工况智能制氧机，所述智能制氧机适用于例如高源、矿区等氧浓度较低区域的休息空间或者医疗空间，并且实施对目标空间内进行弥散式的空间供氧；所述智能制氧机包括制氧单元，使用室外空气作为气体原料，利用变压吸附法通过分子筛装置制得氧气；所述储存单元用于将由所述制氧单元生产的氧气进行加压后储存，并进一步输送到所述扩散单元；所述扩散单元被配置于室内的氧气使用环境中，用于向目标空间定量、定向地供应氧气；所述控制单元包括监测子单元，包括采用基于深度学习的方式，根据目标区域中的用户以及用户的呼吸体征调整对目标区域的供氧策略，从而提高供氧效率以及帮助用户尽快恢复正常的呼吸体征。

Description

一种基于深度学习的自适应工况智能制氧机
技术领域
本发明涉及制氧设备领域。具体而言，涉及一种基于深度学习的自适应工况智能制氧机。
背景技术
随着学界对于氧疗和氧保健的相关医学知识的逐步发展，社会上人们对于相关氧疗法的知识普及以及需求亦日渐提高，因此医用、家用的制氧设备亦随之日益普及。目前民用中的制氧设备一般都采用了变压吸附法（简称PSA）作为将氧气从空气中分离的技术方案。其工作原理是利用吸附剂分子筛对空气中氧气和其他气体分子吸附性的差异从而分离氧气，并且在氧气吸附动态平衡后根据分子筛在不同压力下对吸附气体吸附量不同的特性，降低压力使分子筛解除对吸附气体的吸附。通常，变压吸附装置使用两个或以上的分子筛塔进行并联配置，从而可以交替地进行加压吸附和解压再生两个循环，实现获得连续、足量的氧气的目的。
查阅相关已公开技术方案，公开号为CN107670152(A)的技术方案提出一种智能制氧机，本智能制氧机包括一个血氧检测模块与制氧机的主控板连接，用于对目标用户的血氧浓度进行实时检测，从而对制氧机的运转工况进行动态调整以适应目标用户的氧气需求；公开号为US9580820(B2)的技术方案提出一种自吸式电化学制氧机，利用电化学原理产生氧气并且能进一步获得更高纯度的氧气成品；公开号为CN112061256 (A)的技术方案提出一种可自行移动的制氧机器人，使得制氧设备可在使用环境中进行自主移动并且定位于目的地中实施工作。以上技术方案一般都根据已有的程序进行制氧工作，无法达到更智能化以及人性化的使用体验，在人工智能优化该方面尚在很大提升空间。
发明内容
本发明包括一种基于深度学习的自适应工况智能制氧机；所述智能制氧机适用于例如高源、矿区等氧浓度较低区域的休息空间或者医疗空间；所述智能制氧机包括安装于室外的制氧单元和存储单元，以及布置于室内空间的扩散单元和控制单元；所述控制单元通过图像采集以及非可见光侦测的方式，分析目标区域中存在的用户以及用户的呼吸特征，从而决定针对该目标区域的输氧量以及输氧速率；进一步的，通过对用户的持续监测，确定用户在富氧环境下其呼吸特征是否有改变和改善，从而进一步调节制氧机的输氧策略，最终提高制氧机的氧使用率以及更针对性地改善用户的吸氧环境条件。
本发明采用如下技术方案：
一种基于深度学习的自适应工况智能制氧机，所述智能制氧机包括制氧单元、储存单元、扩散单元以及控制单元；所述制氧单元被配置为安装于室外环境，使用室外空气作为气体原料从而生成氧气；所述储存单元用于将由所述制氧单元生产的氧气进行加压后储存，并进一步输送到所述扩散单元；所述扩散单元被配置于室内的氧气使用环境中，用于向目标空间供应氧气；所述控制单元通讯连接上述各单元，并控制上述各单元进行配合工作；
其中，所述控制单元包括监测子单元；所述监测子单元包括配置于目标空间中的多个传感器，用于监测目标空间中是否存在用户，若用户存在则进一步的定位用户所处位置；并进一步的，对用户进行呼吸体征监测，并根据用户的呼吸体征对用户进行分类；根据用户的分类以及用户所在目标空间中的目标区域，所述控制单元配置所述扩散单元在所述目标区域的供氧参数，目的使位于所述目标区域的用户的呼吸体征趋于平稳并符合正常呼吸体征；
其中，所述监测子单元包括运行一个使用神经网络进行深度学习的识别程序；所述识别程序通过传感器获取的数据，识别当前所述目标区域中的用户数量、用户呼吸体征、用户停留时长等用户信息，同时根据测定的所述目标区域的空间体积进一步计算所述供氧参数；所述供氧参数至少包括预备供给氧气的气体浓度、流量、压力；
所述制氧单元包括过滤器、干燥器、压缩机以及制氧模块；所述过滤器、所述干燥器、所述压缩机与所述制氧模块顺序连接；所述过滤器用于过滤室外空气的杂质；所述干燥器用于干燥空气；所述压缩机用于将空气进行压缩，并达到指定的压力指标；
所述制氧模块包括两个或以上的分子筛塔；所述分子筛塔内部装有沸石分子筛，通过变压吸附技术将空气中的氧气分子与其他气体分子进行分离；
所述储存单元包括至少一个储存罐；所述储存罐属于压力气体储存罐；所述储存罐用于对所述制氧模块生产的氧气进行保温保压储存；所述储存单元包括为每个所述储存罐配置至少一个电子单向阀；所述电子单向阀位于所述储存罐的输出端口，并由所述控制单元控制其开闭；
所述扩散单元布置于所述目标空间内；所述储存单元通过第一管道连接所述扩散单元；
所述扩散单元包括安装于所述目标空间中的多段第二管道；多段所述第二管道包括铺设于所述目标空间的立面墙面或者天花墙面；多段所述第二管道经过或者结束于所述目标空间的多个目标区域；
所述目标区域以多段首尾相接的直线段作为区域边界；所述区域边界对所述目标空间在垂直方向上的平面投影图形进行划分；每个所述目标区域包括以其所述区域边界围绕而成的垂直方向上的三维空间；
所述扩散单元还包括一种扩散器；所述扩散器被配置为将所述第二管道中的氧气向所述目标区域进行定向输出；所述扩散器包括将氧气进行加压并以第一速度向所述目标区域进行定向喷射。
本发明所取得的有益效果是：
1. 本发明的制氧机使用高产量的弥散式分体制氧机作为氧气生产的主要设备，能够适应多人以及较大空间的供氧需求；并且无需用户进行氧气面罩的佩戴，提高了使用的舒服适性；
2. 本发明的制氧机利用基于深度学习的控制程序，识别目标空间中用户的分布情况、分布数量以及用户的呼吸体征，从而对工作参数进行自适应调节，有效地提高了制氧的工作效率以及氧气利用率；
3. 本发明的制氧机包括多个扩散器，能够针对目标区域进行定向定量的氧气供给，进一步提高氧气的利用率；
4. 本发明的软、硬件设计需求基于模块化设计，可在技术更新和修改阶段方便地进行切换和升级，有利于今后技术方案的优化和升级。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为所述智能制氧机的安装布局示意图。
图2为所述制氧单元的示意图。
图3为所述弥散器示意图。
图4为所述扩散装置示意图。
图5为所述监测子单元通过图像以及声音传感器，分析用户发生咳嗽特征的示意图。
附图标号说明：110-房间；101-制氧单元；102-储存单元；103-第一管道；104-第二管道；105-监测子单元；111、112、113、114、115-目标区域；121-过滤器；122-压缩机；123-冷凝器；124-分子筛塔；125-加湿装置；300-扩散装置；301-多向云台；302-输入端；303-输出端；304-流道。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明 ，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书、本发明的范围内，并且受所附权利要求书的保护。在以下详细描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：
一种基于深度学习的自适应工况智能制氧机，所述智能制氧机包括制氧单元、储存单元、扩散单元以及控制单元；所述制氧单元被配置为安装于室外环境，使用室外空气作为气体原料从而生成氧气；所述储存单元用于将由所述制氧单元生产的氧气进行加压后储存，并进一步输送到所述扩散单元；所述扩散单元被配置于室内的氧气使用环境中，用于向目标空间供应氧气；所述控制单元通讯连接上述各单元，并控制上述各单元进行配合工作；
其中，所述控制单元包括监测子单元；所述监测子单元包括配置于目标空间中的多个传感器，用于监测目标空间中是否存在用户，若用户存在则进一步的定位用户所处位置；并进一步的，对用户进行呼吸体征监测，并根据用户的呼吸体征对用户进行分类；根据用户的分类以及用户所在目标空间中的目标区域，所述控制单元配置所述扩散单元在所述目标区域的供氧参数，目的使位于所述目标区域的用户的呼吸体征趋于平稳并符合正常呼吸体征；
其中，所述监测子单元包括运行一个使用神经网络进行深度学习的识别程序；所述识别程序通过传感器获取的数据，识别当前所述目标区域中的用户数量、用户呼吸体征、用户停留时长等用户信息，同时根据测定的所述目标区域的空间体积进一步计算所述供氧参数；所述供氧参数至少包括预备供给氧气的气体浓度、流量、压力；
所述制氧单元包括过滤器、干燥器、压缩机以及制氧模块；所述过滤器、所述干燥器、所述压缩机与所述制氧模块顺序连接；所述过滤器用于过滤室外空气的杂质；所述干燥器用于干燥空气；所述压缩机用于将空气进行压缩，并达到指定的压力指标；
所述制氧模块包括两个或以上的分子筛塔；所述分子筛塔内部装有沸石分子筛，通过变压吸附技术将空气中的氧气分子与其他气体分子进行分离；
所述储存单元包括至少一个储存罐；所述储存罐属于压力气体储存罐；所述储存罐用于对所述制氧模块生产的氧气进行保温保压储存；所述储存单元包括为每个所述储存罐配置至少一个电子单向阀；所述电子单向阀位于所述储存罐的输出端口，并由所述控制单元控制其开闭；
所述扩散单元布置于所述目标空间内；所述储存单元通过第一管道连接所述扩散单元；
所述扩散单元包括安装于所述目标空间中的多段第二管道；多段所述第二管道包括铺设于所述目标空间的立面墙面或者天花墙面；多段所述第二管道经过或者结束于所述目标空间的多个目标区域；
所述目标区域以多段首尾相接的直线段作为区域边界；所述区域边界对所述目标空间在垂直方向上的平面投影图形进行划分；每个所述目标区域包括以其所述区域边界围绕而成的垂直方向上的三维空间；
所述扩散单元还包括一种扩散器；所述扩散器被配置为将所述第二管道中的氧气向所述目标区域进行定向输出；所述扩散器包括将氧气进行加压并以第一速度向所述目标区域进行定向喷射；
如附图1所示，为所述智能制氧机的一种实施方式的整体布局图；
房间110为所述目标空间；所述制氧单元101以及所述储存单元102安装于建筑物空间；所述储存单元102通过第一管道103从室外接入所述目标空间；所述第一管道103在接入所述目标空间后，分支接入多段所述第二管道104；多段所述第二管道104延伸至多个所述目标区域111、112、113、114、115；
所述目标空间优选地为配备室内空气密封条件的室内空间，包括采用具密闭性的门、窗，以及具备空气交换设备例如管道式排气扇、穿墙式排气扇、新风机等；
所述目标空间可选地是一个敞开式空间，即不包括任何的隔断墙、屏风、挂帘将所述目标空间阻隔；所述目标空间可选地通过阻断物分隔为若干独立空间，若如此，则通过所述第二管道104进一步到达多个被隔断的独立空间中；
如附图1所示，根据所述目标空间中用户停留的主要位置，设置多个所述目标区域；例如，目标区域111包括一张三人沙发，目标区域112、113，以及目标区域114、115为一张4人工作台的两侧座位；本实施例中的所述目标区域的划分仅作为示范性说明，在室内空间中其余供用户停留的位置亦可以根据实际情况，被划分为所述目标区域；
进一步的，所述制氧单元101主要包括以下架构以及工作流程，见附图2所示；
外部空气作为原料首先经过所述过滤器121以及干燥器（图中未示出），用于过滤空气中的大颗粒杂质、灰尘以及多余的水分、油分，使进入所述压缩机122中空气足够纯净；
纯净空气随后进入压缩机122进行一次压缩；所述压缩机122要求为无油压缩机，确保压缩后的空气不带油份；所述压缩机122的输出端压力优选地为3bar，以保证后续分子筛塔124的输入压力；
进一步的，因为压缩后的升压空气温度将会变高，通过一个冷凝器123对升压升温后的空气进行冷却，以保护一系列工作元件；
进一步的，高压空气进入所述分子筛塔124；高压空气向所述分子筛塔124，或称分子筛吸附塔内注入，使吸附塔内的压力随之升高，所述分子筛塔124中的分子筛材料随着环境压力的升高大量吸附压缩空气中的氮气，而压缩空气中的氧气则仍以气体形式存在，并经一定的管道被收集起来，该过程即“吸附”过程；当分子筛材料吸附氮气达到吸附饱和临界状态时，对吸附塔进行释压降低内部压力，随着压力的减小，分子筛吸附氮气的能力下降，氮气自分子筛内部被释回气相，作为废气排出，该过程即“解吸”；为保证氧气持续稳定的产出，本实施例中采用至少两个分子筛塔124进行吸附，通过旋转分离阀控制，使一个吸附塔处于吸附过程的同时，另一个吸附塔处于解吸过程，二者交替工作完成连续制氧过程；其中，吸附塔的容量以及吸附材料的选择，根据所述智能制氧机的产量目标进行设计计算；该部分可由相关技术人员完成，在此不作赘述；
随后，制得的氧气优选地进入所述储存单元102中进行保存；所述储存单元102包括一个小型不锈钢储气罐，优选地储存容积为15L至20L；并且，所述储存单元102还包括一个小型压缩机，将氧气压缩到约1.5bar后进入所述储气罐；所述储存单元102可以保证所述制氧机能够在氧气需求量超出额定供氧量时作短时间运转，并且在需求量回收后，对氧气进行一定的储存，从而起到对氧气储量缓冲的作用；
在所述储存单元102后段，优选地包括一个加湿装置125，通过对由所述储存单元102输出的氧气进行加湿处理，使氧气具有合适的湿度并有利于被舒适地吸入；
进一步的，在所述目标空间中包括至少一个所述监测子单元105；所述监测子单元105至少包括摄像头以及遥感生命体征探测仪；如附图1所示，优选地，所述监测子单元105基于距离优先原则，安装于离多个所述目标区域的较近位置，以更良好地对所述目标区域中用户进行监测；
其中，所述摄像头优先地选择带夜视功能的红外线，像素规格为500万像素，具备4mm镜头组焦距，最大可视角度为110度，最优拍摄距离在2米至10米；并且，所述摄像头通过无线网络连接所述控制单元；拍摄的图像通过所述处理器进行压缩，并存储到所述储存器；
进一步的，所述遥感生命体征探测仪为一种高频波雷达检测仪；所述遥感生命体征探测仪包括信号发生器、信号放大器、信号抗干扰器以及信号接收器；所述遥感生命体征探测仪通过发射2.4GHz频率段的S波段连续波信号，在信号遇到用户发生反射后，得到回波信号，并由信号接收器接收；经过放大、滤波、数模转换等信号处理后，获得被检测用户的心跳以及呼吸特征，包括心跳频率、呼吸频率、呼吸深度、变化率等特征；
利用以上所述监测子单元105，对所述目标空间内部进行用户以及用户体征识别，包括以下步骤：
S1：识别一个所述目标区域是否存在用户；将不存在用户的所述目标区域的区域状态设为第一状态；
S2：将存在用户的所述目标区域的区域状态设为第二状态；
S3：进一步对第二状态的所述目标区域作用户数量识别，获得变量组（area,n），其中area代表所述目标区域的区域编号，n代表存在用户的数量；
S4：对目标区域内的用户进行体征监测，并且通过计算获取每个用户的每分钟建议的供氧量q以及供氧浓度d；并且计算一个所述目标区域内包括多个用户时，所需要的总供氧量：
Figure 765057DEST_PATH_IMAGE001
，
以及整体供氧浓度：
Figure 291984DEST_PATH_IMAGE002
；
上式中，k为浓度修正系数，基于最高安全供氧浓度对整体供氧浓度作安全性限制，避免由于个别用户不适宜吸入过高浓度氧气造成的不适；其中，供氧量q以及供氧浓度d由相关医学人员计算理论数值，并且由实验室计算在空间中氧气的扩散效率以及损失程度；
进一步的，如附图3所示，为一种所述弥散器的示意图；所述弥散器分布于所述多个目标区域，并且在一个所述目标区域内布置一个或以上的所述弥散器；所述弥散器的数量根据所在的所述目标区域的空间体积、常规容纳用户人数以及弥散器本身的输出氧气能力进行具体计算并确定；
所述弥散器接入所述第二管道104，并从所述第二管道104中获取氧气的提供；
其中，所述弥散器包括多向云台301以及扩散装置300；
其中，所述多向云台301位于所述扩散装置300的底部，通过机械驱动方式，使所述扩散装置300指向目标区域中的用户或者目标位置，例如多个用户之间的空隙位置，或者墙面、地面等；
进一步的，所述扩散装置300包括外壳、输入端302、流道304以及输出端303；其中，所述输入端302的口径比所述输出端303的口径大；所述输入端302以及所述输出端303配置至少一个涡轮叶片的叶轮；所述流道304具有径向由大到小的结构，使得由所述输入端302进入的气流在所述流道304内能够流畅地加速通过；
所述扩散装置300的输入端302连接所述第二管道104，用于获得由储存单元102处输出的高压氧气；进一步的，高压氧气通过所述输入端302的叶轮加速后，通过所述流道304；由于流道304口径从输入端302到输出端303逐渐收窄，使得高压氧气的压力进一步增加，再由所述输出端303的叶轮驱动从而高速喷射离开所述扩散装置300；并且通过所述外壳外部的聚拢结构，使高速喷射的高压氧气具有指向性，从而快速到达目标位置后进一步发生大范围弥散；
进一步的，由于流体在喷射的过程由于空气阻力逐渐弥散；根据用户所处的高度，包括调节由储存单元102输出的高压氧气的压力，以及包括调节由所述扩散装置300的初始喷射速度，使得氧气能尽可能到达所述目标区域中的目标高度。
实施例二：
本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；
参见图4，为进一步提高所述目标区域内的氧气的保有效率，本实施例包括在两个目标区域的边界位置配置多个气帘装置；
所述气帘装置以垂直向下的方式，向地面方向吹出高速气流，从而使所述目标区域内部的空气相对处于被包围的稳定状态；
在一些实施方式中，当一个处于第二状态的所述目标区域周围都为处于第一状态的目标区域时，则通过开启处于第二状态的所述目标区域的所述气帘装置，从而保持该目标区域内部氧气含量区别于周围区域；
在一些实施方式中，当两个紧邻的第一目标区域以及第二目标区域处于第二状态，并且所述第一目标区域的总供氧量Q1与所述第二目标区域的总供氧量Q2的差异小于额定阈值ΔQ，即：
Figure DEST_PATH_IMAGE003
；
则允许关闭两个目标区域之间的气帘，同时开启两个目标区域与其他邻近目标区域的所述气帘装置；
在一些实施方式中，根据所述目标区域中用户数量以及状态处于稳定状态，决定是否加强所述气帘装置的围蔽效果；计算在多个时间节点t1、t2……ti中，用户数量n，总供氧量Q以及整体供氧浓度D的方差，即：
Figure 478246DEST_PATH_IMAGE004
，公式1；
Figure DEST_PATH_IMAGE005
，公式2；
Figure 748821DEST_PATH_IMAGE006
，公式3；
其中，np、Qp、Dp为用户数量n，总供氧量Q以及整体供氧浓度D在经过多个时间节点t1、t2……ti后的统计方差；若三者在预设的i个时间节点中，其方差仍然保持在预设范围内，则可以说明所述目标区域的总体用户状态以及氧气保持状态保持稳定，所述气帘装置可以保持原有的工作状态；若三者的方差超出预设范围，则需要对所述气帘装置作出工作状态的调整，或者建议用户尽量避免频免进出所述目标区域，或者查看在所述目标区域的用户是否存在其他呼吸异常情况。
实施例三：
本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；
参见图5,在使用所述监测子单元105的图像采集功能时，利用深度学习的方式，可以进一步对用户进行包括身份识别、呼吸体征分析、行动体征分析、建立用户呼吸体征记录等，对所述智能制氧机的供氧策略作出进一步优化；
其中，深度学习包括利用计算机中运行的人工神经网络进行包括图像识别、行为识别、呼吸特征识别等人工智能分析和策略制定；其中，人工神经网络包括深度神经网络（DNN）、递归神经网络（RNN）、双向递归深度神经网络（BRDNN）、多层感知器（MLP）和卷积神经网络（CNN）等方法的网络模型，但不限于此；
其中，包括通过所述监测子单元105识别用户的面容，从而确定并记录一个用户的身份，并且生成该用户在多次进入所述目标空间后的呼吸体征记录；
其中，包括加入声音传感器辅助采集用户的呼吸特征，例如分析用户是否呼吸急促且伴有气喘、杂音，包括判断用户是否呼吸频率不均匀；
其中，包括通过深度学习分析用户在所述目标区域当处于位置稳定状态后的姿态，例如坐姿或者躺姿；并且进一步，判断由所述扩散装置300向所述目标区域进行喷射的喷射强度和距离；
其中，包括通过深度学习分析用户的行动特征，例如行走速度、起立速度，并通过与用户过往的行动特征记录作对比，分析用户是否存在行动异常状态，并且是否是缺氧的表征；
通过深度学习，识别用户在所述目标区域的各项特征，并且进一步，包括持续记录用户各项特征在多个时间节点下的变化，从而持续地动态调节所述目标区域中的总供氧量Q以及整体供氧浓度D。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种基于深度学习的自适应工况智能制氧机，其特征在于，所述智能制氧机包括制氧单元、储存单元、扩散单元以及控制单元；所述制氧单元被配置为安装于室外环境，使用室外空气作为气体原料从而生成氧气；所述储存单元用于将由所述制氧单元生产的氧气进行加压后储存，并进一步输送到所述扩散单元；所述扩散单元被配置于室内的氧气使用环境中，用于向目标空间供应氧气；所述控制单元通讯连接所述制氧单元、储存单元以及扩散单元，并控制所述制氧单元、储存单元以及扩散单元进行配合工作；
其中，所述控制单元包括监测子单元；所述监测子单元包括配置于目标空间中的多个传感器，用于监测目标空间中是否存在用户，若用户存在则进一步的定位用户所处位置；并进一步的，对用户进行呼吸体征监测，并根据用户的呼吸体征对用户进行分类；根据用户的分类以及用户所在目标空间中的目标区域，所述控制单元配置所述扩散单元在所述目标区域的供氧参数，目的使位于所述目标区域的用户的呼吸体征趋于平稳并符合正常呼吸体征；
其中，所述监测子单元包括运行一个使用神经网络进行深度学习的识别程序；所述识别程序通过传感器获取的数据，识别当前所述目标区域中的用户数量、用户呼吸体征、用户停留时长等用户信息，同时根据测定的所述目标区域的空间体积进一步计算所述供氧参数；所述供氧参数至少包括预备供给氧气的气体浓度、流量、压力。
2.根据权利要求1所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述制氧单元包括过滤器、干燥器、压缩机以及制氧模块；所述过滤器、所述干燥器、所述压缩机与所述制氧模块顺序连接；所述过滤器用于过滤室外空气的杂质；所述干燥器用于干燥空气；所述压缩机用于将空气进行压缩，并达到指定的压力指标。
3.根据权利要求2所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述制氧模块包括两个或以上的分子筛塔；所述分子筛塔内部装有沸石分子筛，通过变压吸附技术将空气中的氧气分子与其他气体分子进行分离。
4.根据权利要求3所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述储存单元包括至少一个储存罐；所述储存罐属于压力气体储存罐；所述储存罐用于对所述制氧模块生产的氧气进行保温保压储存；所述储存单元包括为每个所述储存罐配置至少一个电子单向阀；所述电子单向阀位于所述储存罐的输出端口，并由所述控制单元控制其开闭。
5.根据权利要求4所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述扩散单元布置于所述目标空间内；所述储存单元通过第一管道连接所述扩散单元。
6.根据权利要求5所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述扩散单元包括安装于所述目标空间中的多段第二管道；多段所述第二管道包括铺设于所述目标空间的立面墙面或者天花墙面；多段所述第二管道经过或者结束于所述目标空间的多个目标区域。
7.根据权利要求6所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述目标区域以多段首尾相接的直线段作为区域边界；所述区域边界对所述目标空间在垂直方向上的平面投影图形进行划分；每个所述目标区域包括以其所述区域边界围绕而成的垂直方向上的三维空间。
8.根据权利要求7所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述扩散单元还包括一种扩散器；所述扩散器被配置为将所述第二管道中的氧气向所述目标区域进行定向输出；所述扩散器包括将氧气进行加压并以第一速度向所述目标区域进行定向喷射。
9.根据权利要求8所述一种基于深度学习的自适应工况智能制氧机，其特征在于，所述控制单元包括处理器、存储器，以及存储在所述存储器上并可在所述处理器上运行的基于深度学习的自适应工况智能制氧机的控制程序。
CN202210279398.1A 2022-03-22 2022-03-22 一种基于深度学习的自适应工况智能制氧机 Pending CN114348966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210279398.1A CN114348966A (zh) 2022-03-22 2022-03-22 一种基于深度学习的自适应工况智能制氧机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210279398.1A CN114348966A (zh) 2022-03-22 2022-03-22 一种基于深度学习的自适应工况智能制氧机

Publications (1)

Publication Number Publication Date
CN114348966A true CN114348966A (zh) 2022-04-15

Family

ID=81094595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210279398.1A Pending CN114348966A (zh) 2022-03-22 2022-03-22 一种基于深度学习的自适应工况智能制氧机

Country Status (1)

Country Link
CN (1) CN114348966A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114852967A (zh) * 2022-06-02 2022-08-05 中山清匠电器科技有限公司 一种基于深度学习的自适应工况智能制氧机

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401875A (zh) * 2021-07-15 2021-09-17 清华大学深圳国际研究生院 一种便携式制氧机

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401875A (zh) * 2021-07-15 2021-09-17 清华大学深圳国际研究生院 一种便携式制氧机

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114852967A (zh) * 2022-06-02 2022-08-05 中山清匠电器科技有限公司 一种基于深度学习的自适应工况智能制氧机
CN114852967B (zh) * 2022-06-02 2022-11-01 中山清匠电器科技有限公司 一种基于深度学习的自适应工况智能制氧机

Similar Documents

Publication Publication Date Title
CN101516429B (zh) 提供浓缩的产物气体的装置和方法
US20060288865A1 (en) Method for improving the air quality in the limited space and the equipment using thereof
CN205174563U (zh) 一种带制氧功能的空气调节器
CN108603673A (zh) 定向清洁空气输送
CN114348966A (zh) 一种基于深度学习的自适应工况智能制氧机
CN107635875A (zh) 飞行器的机舱中的气流管理
CN205332352U (zh) 一种多功能空气调节器
CN111336642A (zh) 一种实时防护风幕系统
CN109561807A (zh) 设置有空气流入阀的吸尘气垫
CN212973802U (zh) 一种用于医院和家庭环境的多功能呼吸治疗系统
US11730847B2 (en) Exhaled air purification unit and system for indoor multi-person venues or environments
GB2509496A (en) Introducing air into an operating theatre
CN107906666A (zh) 新风机与空调联动系统及其控制方法、装置及存储介质
KR20190125736A (ko) 병원정보시스템을 이용한 병실 환경 제어 시스템 및 방법
CN104220121B (zh) 消声器及具备它的氧浓缩装置
CN107014045A (zh) 一种空调系统
CN112684833A (zh) 一种正压温室二氧化碳浓度调控系统及方法
Wang et al. An intelligent anti-infection ventilation strategy: From occupant-centric control and computer vision perspectives
CN106440154A (zh) 具有加湿功能的空调系统控制方法及空调系统
US20230112985A1 (en) Breath detection with movement compensation
GB2564142B (en) An altitude simulation assembly
CN112628969A (zh) 一种模拟外界环境变化的密闭环境舒适性空调系统
CN104913467B (zh) 数据中心机房风阀自动控制系统和方法
CN112733643B (zh) 基于三轴加速度传感器的供氧控制方法、装置及存储介质
CN206919321U (zh) 用于悬吊式空调的加湿空气净化控制系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220415