CN114402397A - 用于便携式氧气浓缩器的批管理的系统和方法 - Google Patents

用于便携式氧气浓缩器的批管理的系统和方法 Download PDF

Info

Publication number
CN114402397A
CN114402397A CN202080047368.7A CN202080047368A CN114402397A CN 114402397 A CN114402397 A CN 114402397A CN 202080047368 A CN202080047368 A CN 202080047368A CN 114402397 A CN114402397 A CN 114402397A
Authority
CN
China
Prior art keywords
poc
data
profile
pocs
oxygen
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
CN202080047368.7A
Other languages
English (en)
Inventor
哈德利·怀特
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.)
Resmed Pty Ltd
Original Assignee
Resmed Pty 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 Resmed Pty Ltd filed Critical Resmed Pty Ltd
Publication of CN114402397A publication Critical patent/CN114402397A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/10—Preparation of respiratory gases or vapours
    • A61M16/1005—Preparation of respiratory gases or vapours with O2 features or with parameter measurement
    • A61M16/101—Preparation of respiratory gases or vapours with O2 features or with parameter measurement using an oxygen concentrator
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62B—DEVICES, APPARATUS OR METHODS FOR LIFE-SAVING
    • A62B27/00—Methods or devices for testing respiratory or breathing apparatus for high altitudes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/30—Controlling by gas-analysis apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2202/00—Special media to be introduced, removed or treated
    • A61M2202/02—Gases
    • A61M2202/0208—Oxygen
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3331—Pressure; Flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3546—Range
    • A61M2205/3553—Range remote, e.g. between patient's home and doctor's office
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3546—Range
    • A61M2205/3561—Range local, e.g. within room or hospital
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A61M2205/3584—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver using modem, internet or bluetooth
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2209/00—Ancillary equipment
    • A61M2209/01—Remote controllers for specific apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2253/00—Adsorbents used in seperation treatment of gases and vapours
    • B01D2253/10—Inorganic adsorbents
    • B01D2253/106—Silica or silicates
    • B01D2253/108—Zeolites
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2253/00—Adsorbents used in seperation treatment of gases and vapours
    • B01D2253/10—Inorganic adsorbents
    • B01D2253/116—Molecular sieves other than zeolites
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2256/00—Main component in the product gas stream after treatment
    • B01D2256/12—Oxygen
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2257/00—Components to be removed
    • B01D2257/10—Single element gases other than halogens
    • B01D2257/102—Nitrogen
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2259/00—Type of treatment
    • B01D2259/45—Gas separation or purification devices adapted for specific applications
    • B01D2259/4533—Gas separation or purification devices adapted for specific applications for medical purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2259/00—Type of treatment
    • B01D2259/45—Gas separation or purification devices adapted for specific applications
    • B01D2259/4541—Gas separation or purification devices adapted for specific applications for portable use, e.g. gas masks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2259/00—Type of treatment
    • B01D2259/45—Gas separation or purification devices adapted for specific applications
    • B01D2259/455—Gas separation or purification devices adapted for specific applications for transportable use
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/02—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography
    • B01D53/04—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography with stationary adsorbents
    • B01D53/047—Pressure swing adsorption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture

Abstract

公开了一种用于预测成批便携式氧气浓缩器(POC)的部件的维修时间的系统和方法。每个POC包括用于发送操作数据的发送器。网络接口被配置为从POC接收操作数据。用户数据库包含与相应POC相关联的用户的简档。分析引擎基于从POC接收的操作数据来更新与用户数据库中的POC相关联的用户的简档。分析引擎确定用户数据库中类似于更新的简档的类似简档。分析引擎基于所述类似简档和更新的简档来预测POC的部件的维修日期。

Description

用于便携式氧气浓缩器的批管理的系统和方法
优先权主张
本申请要求于2019年6月27日提交的第62/867,650号美国临时申请的权益，其通过引用整体并入本文。
技术领域
本公开总体上涉及便携式氧气浓缩器(POC)，并且更具体地涉及一种预测和供应用于成批POC(a fleet of POC)的部件的维修日期的系统。
背景技术
有许多用户需要补充氧气作为长期氧气治疗(LTOT)的一部分。目前，接受LTOT的绝大多数用户被诊断为属于慢性阻塞性肺病(COPD)的一般类别。一般诊断包括慢性支气管炎、肺气肿和相关肺部疾病等常见疾病。其它使用者也可能需要补充氧气，例如肥胖个体以维持升高的活动水平，患有囊性纤维化的使用者或患有支气管肺发育不良的婴儿。
医生可以为这些用户开出氧气浓缩器或便携式医用氧气罐的处方。通常规定特定的连续氧气流速(例如，1升每分钟(LPM)、2LPM、3LPM等)。本领域的专家还认识到，这些使用者的锻炼提供了长期的益处，减缓了疾病的发展，改善了生活质量并延长了使用者的寿命。然而，大多数固定形式的锻炼如跑步机和固定自行车对于这些使用者来说太费力。结果，长期以来认识到对移动性的需要。直到最近，通过使用小型压缩氧气罐促进了这种流动性。这些罐的缺点是它们具有有限量的氧气，并且当安装在具有台车车轮的车上时，它们是重的，重约50磅。
氧气浓缩器已经使用了约50年，以通过富氧气体向患有呼吸功能不全的使用者提供补充氧气。用于提供这些流速的传统氧气浓缩器体积大且笨重，使得普通的流动活动困难且不切实际。近来，制造大型固定式家用氧气浓缩器的公司开始开发便携式氧气浓缩器(POC)。POC的优点是它们可以产生理论上无限量的富氧气体供应。为了使这些装置的移动性小，需要用于生产富氧气体的各种系统被冷凝。
氧气浓缩器可以利用变压吸附(PSA)。变压吸附涉及使用压缩机来增加被称为筛床的罐内的气体压力，该筛床包含气体分离吸附剂的颗粒，该气体分离吸附剂比氧更强烈地吸引氮气。环境空气通常包括大约78％的氮气和21％的氧气，余量由氩气、二氧化碳、水蒸气和其它痕量气体组成。如果进料气体混合物例如空气在压力下通过筛床，则部分或全部氮气将被筛床吸附，并且从容器出来的气体将富含氧气。当筛床达到其吸附氮气的能力的终点时，可以通过降低压力使其再生，从而释放所吸附的氮气。然后准备进行另一个生产富氧气体的“PSA循环”。通过在双罐系统中交替罐，一个罐可以浓缩氧气(所谓的“吸附阶段”)，而另一个罐被净化(“净化阶段”)。这种交替导致氧气与氮气的连续分离。以这种方式，氧气可以连续地从空气中浓缩出来，用于各种用途，包括向使用者提供补充氧气。关于氧气浓缩器的更多细节可以在例如2009年3月12日公开的题为“氧气浓缩器装置和方法(Oxygen Concentrator Apparatus and Method)”的美国公开专利申请第2009-0065007号中找到，其通过引用并入本文。
POC中使用的气体分离吸附剂对水具有非常高的亲和力。这种亲和力是如此之高以至于它克服了氮亲和力，并且因此当在进料气体流(如环境空气)中水蒸气和氮气两者都可用时，吸附剂将优先吸附水蒸气而不是氮。此外，当其被吸附时，水不像氮那样容易解吸。结果，水分子甚至在再生之后仍保持吸附，并因此阻挡氮的吸附位点。因此，随着时间和使用，水累积在吸附剂上，这对于氮吸附变得越来越低效，达到需要更换筛床的程度，因为不会发生进一步的氧浓度。这种筛床可称为耗尽或失活的。
其它部件也可能需要更换，例如压缩机、入口消音器、电池和过滤器的部件。诸如卫生保健提供者或POC制造商的某些实体负责大数量的成批POC及其相应用户。对于成批POC中的每个POC，部件(例如过滤器、筛床和压缩器)的替换是提供者必须考虑的问题。为了使效率和维护操作最大化，尽可能提前预测POC的维修。当前维修企业在装置上发出警报并且他们接收到来自用户的呼叫时获知POC故障。警报通常指示需要立即维修或在数天内需要维修。预期这种维修呼叫是困难的，这妨碍了有序的规划和调度以最大化维修资源。
因此，需要POC制造商或维修提供商能够更有效地调度成批POC的部件的维修。
发明内容
公开了一种用于维修成批POC中的部件的预测系统。该系统从成批POC收集数据，以越来越精确地预测类似组POC上的部件及其用户的维修日期。
一个公开的示例是用于预测第一便携式氧气浓缩器(POC)的部件的维修日期的系统。第一POC包括被配置为发送第一POC的操作数据的发送器。该系统包括被配置为从包括第一POC的多个POC接收操作数据的网络接口。用户数据库包含与多个POC中的相应POC相关联的用户的简档。分析引擎可操作用于基于从第一POC接收的操作数据来更新用户数据库中与第一POC相关联的用户的简档。分析引擎可操作性以从用户数据库中提取类似于第一POC的第二POC的简档，并基于第二POC的简档和第一POC的更新简档来预测第一POC的部件的维修日期。
示例系统的另一实现是多个POC中的POC的每个简档包括POC的使用数据的实施例。另一实现是接收到的操作数据包括第一POC的使用数据。另一实现是更新包括将使用数据添加到简档。另一实现是POC的每个简档包括POC的地理信息。另一实现是接收到的操作数据包括与第一POC的使用数据相关联的位置数据。另一实现是其中更新包括基于位置数据来检索地理信息，以及将所检索的地理信息添加到简档。另一种实现是地理信息包括湿度、空气质量和海拔高度中的至少一个。另一实现是POC的每个简档包括POC的制造商数据。另一实现是分析引擎接收与POC相关联的制造商数据，并创建包括制造商数据的相关联POC的简档。另一实现是更新包括基于使用数据来扩充劣化曲线。另一实现是预测包括基于简档的劣化曲线估计维修日期。另一种实现是部件是POC的筛床模块，并且劣化曲线将筛床模块中的筛床的剩余容量与使用数据相关联。另一实现是其中该部件是POC的压缩系统的部件，并且劣化曲线涉及压缩系统的特征压力与使用数据。另一实现是预测包括基于劣化曲线估计估计的维修日期附近的置信区间。另一实现是分析引擎将估计的置信区间的大小与预定阈值进行比较。另一实现是分析引擎基于比较根据预测的维修日期为多个POC创建维修调度。
另一个公开的示例是用于预测第一便携式氧气浓缩器(POC)的部件的维修日期的方法。第一POC包括发送器。通过网络接口从包括第一POC的多个POC接收操作数据。基于从第一POC接收的操作数据，在用户数据库中更新与第一POC相关联的用户的简档。从用户数据库中提取与第一POC相似的第二POC的至少一个相似简档。基于第二POC的简档和第一POC的更新后的简档来预测第一POC的部件的维修日期。
示例方法的另一实现是POC的每个简档包括POC的使用数据的实施例。另一实现是接收到的操作数据包括第一POC的使用数据。另一实现是更新包括将使用数据添加到简档。另一实现是POC的每个简档包括POC的地理信息。另一实现是接收到的操作数据包括与第一POC的使用数据相关联的位置数据。另一实现是其中更新包括基于位置数据来检索地理信息，以及将所检索的地理信息添加到简档。另一种实现是地理信息包括湿度、空气质量和海拔高度中的至少一个。另一实现是POC的每个简档包括POC的制造商数据。另一实现是其中该方法还包括接收与POC相关联的制造商数据，以及为包括制造商数据的相关联POC创建简档。另一实现是更新包括基于使用数据来扩充劣化曲线。另一实现是预测包括基于简档的劣化曲线估计维修日期。另一种实现是部件是POC的筛床模块，并且劣化曲线将筛床模块中的筛床的剩余容量与使用数据相关联。另一种实现是其中部件是POC的压缩系统的部件，并且劣化曲线将压缩系统的特征压力与使用数据相关联。另一实现是预测包括基于劣化曲线估计估计的维修日期附近的置信区间。另一种实现是该方法包括将所估计的置信区间的大小与预定阈值进行比较。另一种实现是该方法包括基于该比较，根据预测的维修日期为多个POC创建维修调度。
另一个公开的示例是包括指令的计算机程序产品，当由计算机执行所述指令时，所述指令使计算机执行上述方法。示例计算机程序产品的另一实现是其中计算机程序产品是非瞬态计算机可读介质。
另一个公开的示例是预测更换多个便携式氧气浓缩器(POC)的部件所需的时间的系统。每个POC包括发送器，用于发送关于由POC产生的氧气的操作数据。该系统包括用于从每个POC收集操作数据的网络接口。用户数据库存储与多个POC中的每个POC相关联的用户的用户数据。分析引擎用于根据从每个POC收集的用户数据和操作数据来确定类似的用户。分析引擎根据用户数据和操作数据确定维修相关数据。分析引擎基于维修相关数据为多个POC中的一个POC子集创建POC简档。分析引擎基于POC简档预测维修日期以替换POC子集中的POC的部件。
示例系统的另一实现是这样的实施例，其中分析引擎从新POC接收操作数据，基于所接收的操作数据将新POC与POC子集匹配，并提供维修日期来替换新POC的部件。另一种实现是部件是包括压缩机零件、用于为POC的用户分离氧气的筛床模块、电池和过滤器的组中的一个。另一实现是预测基于POC子集的使用时间和日期。另一实现是预测基于包围POC子集的环境。另一种实现是环境包括海拔高度、湿度和空气质量中的至少一个。另一实现是预测基于POC子集的制造批次。另一实现是分析引擎根据POC子集的制造批次创建POC的简档。另一实现是分析引擎根据预测更新替换部件的递送日期。另一实现是其中该系统包括排序引擎，该排序引擎将调度信息传送到供应系统以为多个POC的子集中的每一个供应替换部件。分析引擎向排序引擎提供预测。另一实现是每个POC向分析引擎发送POC的唯一的标识号。另一实现是分析引擎可操作用于通过基于操作数据的剩余容量劣化曲线来跟踪每个POC的短期维修。另一实现是其中每个POC的氧气输出从来自POC的操作数据和POC子集的简档导出。另一种实现是操作数据包括泵压力输出或氧气流量输出之一。
另一个公开的示例是预测更换多个便携式氧气浓缩器(POC)的部件所需的时间的方法。每个POC包括发送器，用于发送关于由POC产生的氧气的操作数据。通过网络接口收集来自每个POC的操作数据。与多个POC中的每个POC相关联的用户的用户数据被存储在用户数据库中。根据从每个POC收集的用户数据和操作数据识别类似的用户。根据所述用户数据和所述操作数据确定维修相关数据。基于所述维修相关数据来创建用于所述多个POC中的一个POC子集的POC简档。基于POC简档来预测替换POC子集中的POC部件的维修日期。
示例方法的另一实现是其中该方法包括从新POC接收操作数据，基于所接收的操作数据将新POC与POC子集匹配，以及提供维修日期来替换新POC的部件的实施例。另一种实现是其中该部件是包括压缩机零件、用于为POC的用户分离氧气的筛床模块、电池或过滤器的组中的一个。另一实现是预测基于POC子集的使用时间和日期。另一实现是预测基于包围POC子集的环境。另一种实现是环境包括海拔高度、湿度和空气质量中的至少一个。另一实现是预测基于POC子集的制造批次。另一种实现是根据POC子集的制造批次创建简档。另一实现是该方法包括根据预测更新替换部件的递送日期。另一实现是其中该方法包括将预测传送到供应系统，以及将调度信息传送到供应系统以为多个POC的子集中的每一个供应替换部件。另一实现是每个POC发送POC的唯一的标识号。另一实现是该方法包括基于操作数据通过剩余容量劣化曲线跟踪每个POC的短期维修。另一实现是其中每个POC的氧气输出从来自POC的操作数据和POC子集的简档导出。另一种实现是操作数据包括泵压力输出或氧气流量输出之一。
另一个公开的示例是包括指令的计算机程序产品，当由计算机执行所述指令时，所述指令使计算机执行上述方法。另一实现是其中计算机程序产品是非瞬态计算机可读介质。
以上概述并不旨在表示本公开的每个实施例或每个方面。相反，前述发明内容仅提供本文所阐述的一些新颖方面和特征的示例。当结合附图和所附权利要求考虑时，通过以下对用于实现本发明的代表性实施例和模式的详细描述，本发明的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
从以下结合附图对示例性实施例的描述中将更好地理解本公开，在附图中：
图1描绘了氧气浓缩器的部件的示意图；
图2描绘了氧气浓缩器的主要部件的示例的侧视图；
图3描绘了氧气浓缩器的出口部件的示意图；
图4描绘了示例成批数据收集和管理系统的系统，其可以实施以用于包括图1中的氧气浓缩器的成批氧气浓缩器；
图5A和图5B构成从成批POC收集数据和预测成批部件维修日期的例程的流程图；以及
图6示出了筛床的剩余容量对使用时间的示例性劣化曲线。
本发明容许各种修改和替代形式。在附图中以示例的方式示出了一些代表性实施例，并且将在此对其进行详细描述。然而，应当理解，本发明不限于所公开的特定形式。相反，本公开将覆盖落入由所附权利要求限定的本发明的精神和范围内的所有修改、等同物和替换。
具体实施方式
本发明可以以许多不同的形式实施。在附图中示出了代表性实施例，并且在此将对其进行详细描述。本公开内容是本公开内容的原理的示例或说明，并且不旨在将本公开内容的广泛方面限制于所说明的实施例。在此程度上，例如在摘要、发明内容和详细描述部分中公开但未在权利要求书中明确阐述的要素和限制不应以暗示、推断或其它方式单独或共同并入权利要求书中。出于本详细描述的目的，除非明确放弃，否则单数包括复数，反之亦然；词语“包括”是指“包括但不限于”。此外，例如“约”、“几乎”、“基本上”、“近似”等近似词在本文中可用于表示例如“在”、“接近”或“几乎在”或“在3-5％内”或“在可接受的制造公差内”或其任何逻辑组合。
本公开涉及一种允许维修成批POC的实体为了成本和效率而自动优化维修的调度和替换部件的递送的系统。这对于跨大地理区域维修POC和/或维修成批POC中的大量POC的那些实体尤其有价值。它还最小化了在由于可预测的部件故障而导致的意外中断期间用户被剥夺POC的机会。
图1示出了根据一个实施例的氧气浓缩器100的示意图。氧气浓缩器100可从空气流中浓缩氧气以向使用者提供富氧气体。如本文所用，“富氧气体”由至少约50％氧气、至少约60％氧气、至少约70％氧气、至少约80％氧气、至少约90％氧气、至少约95％氧气、至少约98％氧气或至少约99％氧气组成。
氧气浓缩器100可以是便携式氧气浓缩器。例如，氧气浓缩器100可具有允许氧气浓缩器用手和/或在携带箱中携带的重量和尺寸。在一个实施例中，氧气浓缩器100具有小于约20磅、小于约15磅、小于约10磅，或小于约5磅的重量。在一个实施例中，氧气浓缩器100具有小于约1000立方英寸、小于约750立方英寸；小于约500立方英寸、小于约250立方英寸，或小于约200立方英寸的体积。
可以通过在含有气体分离吸附剂的罐302和304中对进料气体加压而从进料气体中收集氧气。可用于氧气浓缩器中的气体分离吸附剂能够从空气流中至少分离氮气以留下富氧气体。气体分离吸附剂的示例包括能够从空气流中分离氮气的化合物。可用于氧气浓缩器中的吸附剂的示例包括但不限于沸石(天然)或合成结晶铝硅酸盐，其在升高的压力下在空气流中将氮气与氧气分离。可使用的合成结晶铝硅酸盐的示例包括但不限于：OXYSIV吸附剂，获自伊利诺伊州德斯普兰斯UOP LLC；SYLOBEAD吸附剂，获自马里兰州哥伦比亚市W.R.Grace&Co；SILIPORITE吸附剂，获自法国巴黎CECA S.A；ZEOCHEM吸附剂，获自瑞士Zeochem AG，Uetikon；和AgLiLSX吸附剂，获自宾夕法尼亚州阿伦敦Air Products andChemicals,Inc.。
如图1所示，空气可以通过空气入口107进入氧气浓缩器。空气可以通过压缩系统200吸入空气入口107。压缩系统200可以从氧气浓缩器的周围吸入空气并压缩空气，迫使压缩空气进入罐302和304中的一个或两个。在一个实施例中，入口消音器108可以联接到空气入口107，以减少由压缩系统200吸入氧气浓缩器的空气产生的声音。在一个实施例中，入口消音器108可以是湿气和声音吸收消音器。例如，可以使用吸水材料(例如聚合物吸水材料或沸石材料)来从进入的空气中吸收水并降低进入空气入口107的空气的声音。
压缩系统200可以包括一个或多个能够压缩空气的压缩机。由压缩系统200产生的加压空气可被迫进入罐302和304中的一个或两个。在一些实施例中，供给气体可以在罐中加压到大约在高达30磅每平方英寸(psi)的范围内的压力。根据设置在罐中的气体分离吸附剂的类型，也可以使用其它压力。
联接到每个罐302/304的是入口阀122/124和出口阀132/134。如图1所示，入口阀122联接到罐302，入口阀124联接到罐304。出口阀132联接到罐302，出口阀134联接到罐304。入口阀122/124用于控制从压缩系统200到相应罐的空气通道。出口阀132/134用于在排气过程中从各个罐释放气体。在一些实施例中，入口阀122/124和出口阀132/134可以是硅柱塞电磁阀。然而，也可以使用其它类型的阀。柱塞阀通过安静和具有低泄漏而提供优于其它类型阀的优点。
在一些实施例中，两级阀致动电压可用于控制入口阀122/124和出口阀132/134。例如，可以将高电压(例如24V)施加到入口阀以打开入口阀。然后可以降低电压(例如，降低到7V)以保持入口阀打开。使用较小的电压来保持阀打开可以使用较小的功率(功率＝电压*电流)。这种电压的降低使热积累和功耗最小化，以延长电池的运行时间。当切断对所述阀的所述力时，其通过弹簧作用而关闭。在一些实施例中，可以施加作为时间的函数的电压，其不一定是阶跃响应(例如，在初始24V和最终7V之间的弯曲向下电压)。
在一个实施例中，加压空气被供给到罐302或304中的一个，而另一个罐被减压。例如，在使用期间，入口阀122打开而入口阀124关闭。来自压缩系统200的加压空气被迫进入罐302，同时被入口阀124阻止进入罐304。在一个实施例中，控制器400电联接到阀122、124、132和134。控制器400包括可操作以执行存储在存储器420中的程序指令的一个或多个处理器410。程序指令可操作以执行用于操作氧气浓缩器的各种预定方法。控制器400可以包括用于彼此异相地操作入口阀122和124的程序指令，即，当入口阀122或124中的一个打开时，另一个阀关闭。在罐302的加压过程中，出口阀132关闭而出口阀134打开。类似于入口阀，出口阀132和134彼此异相地操作。在一些实施例中，用于打开输入和输出阀的电压和电压的持续时间可以由控制器400控制。控制器400可以包括发送器/接收器(收发器)模块430，其可以与外部装置通信以报告由处理器410收集的数据或从外部装置接收用于处理器410的指令和/或数据。
止回阀142和144分别联接到罐302和304。止回阀142和144是单向阀，其由罐被加压和排气时产生的压差被动地操作。止回阀142和144联接到罐，以允许在罐的加压过程中产生的富氧气体流出罐，并阻止富氧气体或任何其它气体回流到罐中。以这种方式，止回阀142和144用作单向阀，允许富氧气体在加压时离开相应的罐。
这里使用的术语“止回阀”是指允许流体(气体或液体)沿一个方向流动并阻止流体回流的阀。适合使用的止回阀的示例包括但不限于：球形止回阀；隔膜止回阀；蝶形止回阀；摆动止回阀；鸭嘴阀；以及提升止回阀。在压力下，加压进料气体中的氮分子被加压罐中的气体分离吸附剂吸附。当压力增加时，更多的氮气被吸附，直到罐中的气体富含氧气。当联接到罐的止回阀两侧的压差达到足以克服止回阀阻力的值时，未吸附的气体分子(主要是氧气)流出加压罐。在一个实施例中，止回阀在向前方向上的压降小于1psi。反方向的破裂压力大于100psi。然而，应当理解，一个或多个部件的修改将改变这些阀的操作参数。如果前向流压力增加，通常富氧气体产量减少。如果用于反向流动的破裂压力降低或设定得太低，则通常存在富氧气体压力的降低。
在示例性实施例中，罐302由压缩系统200中产生的压缩空气加压并通入罐302中。在罐302的加压期间，入口阀122打开，出口阀132关闭，入口阀124关闭且出口阀134打开。当出口阀132关闭时，出口阀134打开，以允许当罐302被加压时罐304基本上同时排气。罐302被加压直到罐302中的压力足以打开止回阀142。在罐302中产生的富氧气体通过止回阀142排出，并且在一个实施例中，被收集在收集器中。
在一段时间之后，气体分离吸附剂将变得被氮气饱和并且将不能从进入的空气中分离大量的氮气。在上述实施例中，当罐302中的气体分离吸附剂达到该饱和点时，停止压缩空气的流入，并将罐302排气以除去氮气。在排气期间，入口阀122关闭，而出口阀132打开。当罐302被排气时，罐304以与上述相同的方式被加压以产生富氧气体。罐304的加压通过关闭出口阀134和打开入口阀124来实现。富氧气体通过止回阀144离开罐304。
在罐302的排气期间，出口阀132打开，允许加压气体(主要是氮气)通过浓缩器出口130离开罐。在一个实施例中，排出的气体可以被引导通过消音器133，以减少由从罐释放加压气体而产生的噪音。当气体从罐302释放时，罐中的压力下降，允许氮气从气体分离吸附剂解吸。释放的氮气通过出口130离开罐，将罐复位到允许氧气从空气流中重新分离的状态。消音器133可包括开孔泡沫(或其它材料)以消音离开氧气浓缩器的气体的声音。在一些实施例中，用于空气输入和气体输出的组合消音部件/技术可以提供在低于50分贝的声级下的氧气浓缩器操作。
在罐的排气过程中，有利的是除去至少大部分氮气。在一个实施例中，在罐中的至少约50％，至少约60％，至少约70％，至少约80％，至少约90％，至少约95％，至少约98％，或基本上所有的氮气在再用于从空气中分离氧气之前被除去。在一些实施例中，可以使用从另一个罐引入罐中的富氧流进一步清除罐中的氮气。
在示例性实施例中，当罐304排出氮气时，一部分富氧气体可从罐302转移到罐304。在罐304排气期间将富氧气体从罐302转移到304有助于进一步从罐中吹扫氮气(和其它气体)。在一个实施例中，富氧气体可以通过两个罐之间的限流器151、153和155。限流器151可以是滴流限流器。限流器151例如可以是0.009D限流器(例如，限流器具有小于其内部的管道的直径的半径0.009”)。限流器153和155可以是0.013D的限流器。也可以考虑其它限流器类型和尺寸，并且可以根据用于联接罐的具体配置和管道来使用。在一些实施例中，限流器可以是压配合限流器，其通过在其相应的管中引入较窄的直径来限制气流。在一些实施例中，压配合限流器可由蓝宝石、金属或塑料(也可考虑其它材料)制成。
还通过使用阀152和阀154来控制富氧气体的流动。阀152和154可以在排气过程中短暂地打开(并且可以以其它方式关闭)，以防止过多的氧气从净化罐损失。也可以考虑其它持续时间。在示例性实施例中，罐302被排气，并且希望通过将罐304中产生的一部分富氧气体通入罐302中来净化罐302。在罐302的排气过程中，在罐304加压时，一部分富氧气体将通过限流器151进入罐302。另外的富氧气体从罐304通过阀154和限流器155进入罐302。阀152可以在转移过程中保持关闭，或者如果需要额外的富氧气体则可以打开。选择合适的限流器151和155，结合阀154的受控打开，允许受控量的富氧气体从罐304输送到302。在一个实施例中，富氧气体的受控量是足以吹扫罐302并使通过罐302的通气阀132的富氧气体损失最小化的量。虽然该实施例描述了罐302的通气，但是应当理解，使用限流器151、阀152和限流器153，相同的过程可用于使罐304通气。
该对平衡/排气阀152/154与限流器153和155一起工作，以优化两个罐之间的气流平衡。这可以允许更好的流量控制，以便用来自其它罐的富氧气体使罐排气。它还可以在两个罐之间提供更好的流动方向。已经发现，尽管流量阀152/154可以作为双向阀操作，但是通过这种阀的流速根据流过阀的流体的方向而变化。例如，从罐304流向罐302的富氧气体通过阀152的流速比从罐302流向罐304的富氧气体通过阀152的流速快。如果使用单个阀，最终将在罐之间输送太多或太少的富氧气体，并且随着时间的过去，罐将开始产生不同量的富氧气体。在平行的空气通道上使用相对的阀和限流器可以平衡两个罐之间的氧气的流动模式。使流量相等可以允许使用者在多个循环中获得稳定量的氧气，并且还可以允许可预测量的氧气吹扫另一个罐。在一些实施例中，空气通路可以不具有限流器，而是可以具有带有内置阻力的阀，或者空气通路本身可以具有窄的半径以提供阻力。
有时，氧气浓缩器可以关闭一段时间。当氧气浓缩器关闭时，罐内的温度可能由于来自压缩系统的绝热热量损失而下降。当温度下降时，由罐内气体占据的体积将下降。罐的冷却可导致罐中的负压。通向和来自罐的阀(例如，阀122、124、132和134)被动态地密封而不是气密地密封。因此，外部空气可以在关闭之后进入罐以适应压力差。当外部空气进入罐时，当空气冷却时，来自外部空气的湿气可能在罐内冷凝。罐内水的冷凝可导致气体分离吸附剂的逐渐降解，稳定地降低气体分离吸附剂产生富氧气体的能力。
在一个实施例中，在氧气浓缩器关闭之后，通过在关闭之前对两个罐加压，可以阻止外部空气进入罐。通过在正压力下存储罐，阀可通过罐中空气的内部压力而被迫进入气密关闭位置。在一个实施例中，在关闭时，罐中的压力应该至少大于环境压力。如本文所用，术语“环境压力”是指氧气浓缩器所处的环境的压力(例如室内、室外、平面内等的压力)。在一个实施例中，在关闭时，罐中的压力至少大于标准大气压(即，大于760mmHg(托)、1at、101,325Pa)。在一个实施例中，在关闭时，罐中的压力比环境压力大至少约1.1倍；比环境压力大至少约1.5倍；或比环境压力大至少约2倍。
在一个实施例中，罐的加压可以通过将加压空气从压缩系统引导到每个罐中并且关闭所有阀以将加压空气捕集在罐中来实现。在示例性实施例中，当启动关闭序列时，入口阀122和124打开而出口阀132和134关闭。因为入口阀122和124通过公共导管连接在一起，所以罐302和304都可以被加压，因为来自一个罐的空气和/或富氧气体可以被转移到另一个罐。当压缩系统和两个入口阀之间的通路允许这种转移时，可能发生这种情况。因为氧气浓缩器以交替加压/通气模式操作，所以至少一个罐在任何给定时间都应该处于加压状态。在一个替代实施例中，可以通过压缩系统200的操作来增加每个罐中的压力。当入口阀122和124打开时，罐302和304之间的压力将均衡，然而，任一罐中的均衡压力可能不足以阻止空气在关闭期间进入罐。为了确保阻止空气进入罐，压缩系统200可以运行足够的时间以将两个罐内的压力增加到至少大于环境压力的水平。不管罐的加压方法如何，一旦罐被加压，入口阀122和124关闭，将加压空气截留在罐内，这在关闭期间阻止空气进入罐。
参照图2，示出了氧气浓缩器100的实施例。氧气浓缩器100包括压缩系统200，具有图1中的罐302和304的可更换的罐组件300(也称为筛床模块)，以及设置在外壳体170内的电源180(例如电池)。入口101位于外壳体170中，以允许来自环境的空气进入氧气浓缩器100。入口101可允许空气流入隔室以帮助冷却隔室中的部件。电源180为氧气浓缩器100提供电源。压缩系统200通过入口107和消音器108吸入空气。消音器108可以降低由压缩系统吸入的空气的噪音，并且还可以包括干燥剂材料以从进入的空气中去除水。氧气浓缩器100还可包括用于从氧气浓缩器排出空气和其它气体的风扇172。出口174用于附接导管以向使用者提供由氧气浓缩器100产生的富氧空气。
在一些实施例中，压缩系统200包括一个或多个压缩机。在另一实施例中，压缩系统200包括单个压缩机，其经由入口306联接到罐系统300的所有罐。压缩系统200包括压缩机和马达。马达联接到压缩机并向压缩机提供操作力以操作压缩机构。例如，马达可以是提供旋转部件的马达，该旋转部件引起压缩空气的压缩机部件的循环运动。当压缩机是活塞式压缩机时，马达提供使压缩机的活塞往复运动的操作力。活塞的往复运动使压缩机产生压缩空气。压缩空气的压力和流速部分地与压缩机运行的速度有关(例如，活塞往复运动的速度)。马达可以是变速马达，其可在各种速度下操作以动态地控制由压缩机产生的空气的流速。
在一个实施例中，压缩机可包括具有活塞的单头摆动型压缩机。可以使用其它类型的压缩机，例如隔膜压缩机和其它类型的活塞压缩机。电动机可以是DC或AC电动机，并向压缩机的压缩部件提供工作功率。马达可以是能够以可变速度操作压缩机的压缩部件的变速马达。电动机可以耦合到图1中的控制器400，控制器400向电动机发送操作信号以控制电动机的操作。例如，控制器400可以向马达发送信号以：打开马达，关闭马达，并设定马达的运行速度。
当压缩机部件，例如马达、密封件或活塞在使用过程中磨损时，压缩机压缩空气的能力变差。一种表现为例如活塞头的密封件上的磨损的劣化的量度是在给定马达速度下压缩空气的压力的降低，称为压缩机的特征压力。POC 100可以包括传感器，该传感器被配置为监测压缩系统200的特征压力并且向控制器400提供表示特征压力的信号。压力数据可以被周期性地获取和存储，以监测特征压力随时间的降低，从而指示压缩机部件的磨损。
图3示出了图1中的氧气浓缩器100的出口。收集器中的富氧气体经由限流器175通过供应阀160进入氧气传感器162，如图3所示。在一个实施例中，氧气传感器162可以包括一个或多个用于确定通过腔室的气体的氧气浓度的装置。然后富氧气体通过质量流量传感器185和颗粒过滤器187。
质量流量传感器185可以是能够估计流过导管的气体的质量流率的任何传感器或多个传感器。颗粒过滤器187可以在向用户递送富氧气体之前过滤细菌、灰尘、颗粒等。富氧气体通过过滤器187到达连接器190，连接器190将富氧气体通过导管192送到使用者，并送到压力传感器194。富氧气体通过附接到导管192的气道递送装置例如鼻套管递送给使用者。
氧气传感器162可用于确定通过传感器的气体的氧气浓度。氧气传感器162可以是化学氧气传感器、超声波氧气传感器或一些其它类型的氧气传感器。
质量流量传感器185可用于确定流过出口系统的气体的质量流率。质量流量传感器185可以耦合到控制器400。流过出口系统的气体的质量流率可以是用户的呼吸体积的指示。流过出口系统的气体的质量流率的变化也可用于确定用户的呼吸率。控制器400可以基于由质量流量传感器185估计的用户的呼吸速率和/或呼吸体积来控制供给阀160的致动。
气道递送装置是也随着时间而劣化并且最终需要更换的部件。气道递送装置的劣化可以通过增加阻抗来指示，阻抗定义为输出压力(由输出压力传感器194感测)与输出流速(由质量流量传感器185感测)的比。
氧气浓缩器100的操作可以使用内部控制器自动进行，例如联接到氧气浓缩器100的各种部件的控制器400，如本文所述。控制器400包括一个或多个处理器410和内部存储器420，如图1所示。用于操作和监测氧气浓缩器100的方法可以通过存储在存储器420或耦合到控制器400的载体介质中的程序指令来实现，并由一个或多个处理器410执行。存储介质可以包括各种类型的存储装置或储存装置中的任何一种。术语“存储介质”旨在包括安装介质，例如压缩式光盘只读存储器(CD-ROM)、软盘或磁带装置；计算机系统存储器或随机存取存储器，例如动态随机存取存储器(DRAM)、双倍数据速率随机存取存储器(DDRRAM)、静态随机存取存储器(SRAM)、扩展数据输出随机存取存储器(EDORAM)、内存总线随机存取存储器(RAM)等；或非易失性存储器，例如磁介质，例如硬盘驱动器、闪存或光存储器。存储介质也可以包括其它类型的存储器或其组合。
在一些实施例中，控制器400包括处理器410，处理器410包括例如一个或多个现场可编程门阵列(FPGA)、微控制器等，其包括在设置在氧气浓缩器100中的电路板上。处理器410能够执行存储在存储器420中的编程指令。在一些实施例中，编程指令可以内置到处理器410中，使得处理器外部的存储器可以不单独访问(即，存储器420可以在处理器410内部)。
处理器410可以耦合到氧气浓缩器100的各种部件，包括但不限于压缩系统200，用于控制通过系统的流体流的一个或多个阀(例如，阀122、124、132、134、152、154、160)、氧气传感器162、压力传感器194、质量流量传感器185、温度传感器、冷却风扇、湿度传感器、活动记录仪传感器、高度计，以及可以电控制或监测的任何其他部件。在一些实施例中，单独的处理器(和/或存储器)可以耦合到一个或多个部件。
控制器400被编程以操作氧气浓缩器100，并且还被编程以监测氧气浓缩器100的故障状态。例如，在一个实施例中，控制器400被编程为如果系统正在操作并且在预定时间量内用户没有检测到呼吸，则触发警报。例如，如果控制器400在75秒的时间段内没有检测到呼吸，则可以点亮警报LED和/或可以发出声音警报。如果用户确实停止了呼吸，例如在睡眠呼吸暂停事件期间，警报可能足以唤醒用户，导致用户恢复呼吸。呼吸动作可足以使控制器400重置该警报功能。可替换地，如果当输出导管192从用户移除时系统意外地保持打开，则警报器可以用作提醒用户关闭氧气浓缩器100以节约电力。
控制器400还耦合到氧气传感器162，并且可以被编程用于连续或定期监测通过氧气传感器162的富氧气体的氧气浓度。可以将最小氧浓度阈值编程到控制器400中，使得控制器点亮LED视觉警报和/或听觉警报以警告用户低的氧浓度。
控制器400还耦合到内部电源180，并且能够监测内部电源的充电电平。可以将最小电压和/或电流阈值编程到控制器400中，使得控制器点亮LED视觉警报和/或听觉警报以警告用户低功率状态。当电池接近零可用电荷时，可以间歇地并且以增加的频率激活警报。
图4示出了所连接的氧气治疗系统450的一种实现，其中POC 100的控制器400包括收发器模块430，收发器模块430被配置为允许控制器400使用诸如全球移动电话系统(GSM)的无线通信协议或其他协议(例如，WIFI)通过网络470与诸如基于云的服务器460的远程计算装置通信。服务器460具有使其能够通过网络470通信的网络接口。网络470可以是诸如因特网的广域网或诸如以太网的局域网。控制器400还可以包括收发器模块430中的短距离无线模块，其被配置为使控制器400能够使用诸如蓝牙TM的短距离无线通信协议与诸如智能电话的便携式计算装置480通信。智能电话480可以与POC 100的用户1000相关联。
服务器460还可使用例如GSM的无线通信协议与便携式计算装置480进行无线通信。智能电话480的处理器可以执行称为“app”的程序482，以控制智能电话与POC 100和/或服务器460的交互。
服务器460包括分析引擎462，分析引擎462可以执行诸如部件维修日期预测和维修例程的操作，这将在下面解释。服务器460还可经由网络470经由有线或无线连接与例如个人计算装置(工作站)464等其它装置通信。个人计算装置464的处理器可执行“客户端”程序以控制个人计算装置464与服务器460的交互。客户机程序的一个示例是浏览器。服务器460可以访问存储关于POC和由系统450管理的用户的操作数据的数据库466。数据库466可以被分割成单独的数据库，诸如具有关于POC的用户的信息和与各个用户使用的POC相关联的操作数据的用户数据库，包括关于POC的制造、运输和存储的制造商数据的制造商数据库，以及包括劣化曲线、公共简档和默认维修时间的参考数据库。劣化曲线可以包括但不限于以下时间序列：从筛床输出的氧气浓度、筛床的剩余容量、压缩机递送的特征压力、POC的流量输出、POC的内部湿度、电池再充电速率、阀的泄漏流量、气道递送装置的阻抗等。默认维修时间(预期总寿命)可由具有与POC中部件的预期使用量相关的附加信息的部件来分类。服务器460还可以经由网络470与由其他实体操作的服务器通信，诸如协调POC的替换部件的订购和供应的供应商服务器468。
POC、POC 100和便携式计算装置480的用户1000可以被组织为POC用户系统490。连接的氧疗系统450可以包括多个或“成批”POC用户系统490、492、494和496，其各自包括POC用户、POC(例如POC 100)、以及便携式计算装置(例如便携式计算装置480)。其它POC用户系统492、494和496中的每一个直接或经由与POC的相应用户相关联的相应便携式计算装置与服务器460通信。个人计算装置464可以与负责成批POC的用户群体的治疗的家庭医疗设备供应商(HME)相关联。可与个人计算装置464相关联且对批管理(fleet management)具有某种责任的其它实体可为POC 100的制造商、维修企业或健康护理专业人员或专业人员团队。
分析引擎462可以实现机器学习结构，例如神经网络、决策树集成、支持向量机、贝叶斯网络或梯度增强机。这样的结构可以被配置为实现部件维修日期的线性或非线性预测模型。例如，可以通过监督式机器学习、深度学习、卷积神经网络和递归神经网络中的任何一个或多个来执行诸如预测维修日期之类的数据处理。除了具有手工特征的描述性和预测性监督机器学习之外，还可以在分析引擎462上实现深度学习。这通常依赖于用于正常和异常状况的较大量的评分(标记)数据(例如来自不同POC装置的数百个数据点)。该方法可以实现许多互连的神经元层以形成神经网络(比简单的神经网络“更深”)，使得每个层“学习”越来越复杂的特征。机器学习可以使用比手工特征或简单决策树更多的变量。
卷积神经网络(CNN)广泛用于音频和图像处理以推断信息(例如用于面部识别)，并且还可以应用于音频频谱图，或者甚至应用于从所收集的表示为图像的数据创建的群体规模基因组数据集。当执行图像或频谱图处理时，系统从数字化图像或频谱图数据的强度、频谱和统计估计中认知地“学习”时间和频率特性。
与CNN相反，不是所有的问题都可以用固定长度的输入和输出来表示。因此，该分析可以受益于存储和使用诸如递归神经网络(RNN)的上下文信息的系统，该递归神经网络可以将先前的输出或隐藏状态作为输入。换句话说，它们可以是能够在上下文节点中存储信息的多层神经网络。RNN允许通过在时间步长上保持状态信息来处理可变长度的输入和输出，并且可以包括LSTM(长短期存储器)类型的“神经元”，以使得RNN能够增加对输入的流和混合的控制，这可以是单向的或双向的，以管理消失梯度问题和/或通过使用梯度限幅。
分析引擎462可以被训练用于从已知数据输入监督学习已知维修日期，以帮助分析输入数据。还可以对分析引擎462进行无监督学习训练，以确定输入数据和维修日期之间的未知相关性，从而增加分析引擎462的分析范围。
诸如筛床、压缩机和气道递送装置的POC部件的剩余使用时间或维修日期的预测可由所连接的氧气治疗系统450中的各种实体利用。在一个实施例中，在便携式计算装置480上运行的应用程序482可致使各种POC部件的预测的剩余使用时间或维修日期显示在便携式计算装置480的显示器上。这可以在服务器460的指令下经由“推送通知”到app，或者在app本身的主动下发生。
在另一实现中，服务器460可被配置为托管门户系统。门户系统可从便携式计算装置480或直接从POC 100接收与POC 100的操作有关的数据。例如，这种操作数据可以包括POC 100中的一个或多个筛床的剩余容量的估计。如上所述，个人计算装置464可以执行诸如浏览器的客户端应用，以允许个人计算装置464的用户(诸如HME的代表)经由服务器460所托管的门户系统来访问所连接的氧气治疗系统450中的POC 100和其他POC的操作数据。以这种方式，HME可以利用这样的门户系统来管理成批POC的用户群体，例如POC 100或所连接的氧气治疗系统450中的POC用户系统492、494和496。HME可以允许数据服务器460通过向供应实体服务器468传送部件供应数据来向维修实体提供供应信息，诸如部件的类型、用户的地址、方便的维修时间、用户自己做维修的能力或意愿等。
门户系统可以基于门户系统接收到的操作数据，为成批POC及其用户提供对用户或装置状况的可操作洞察。这种理解可以基于应用于操作数据的规则。在一个实现中，成批POC的部件的预测的剩余使用时间或维修日期可在与门户系统交互的客户端程序的“窗口”中在个人计算装置464的显示器上显示给HME的代表。此外，可以基于相应部件的状态将规则应用于每个剩余使用时间或维修日期预测。这种规则的一个示例是“如果POC部件的剩余使用时间小于三周，则在剩余使用时间的显示中突出显示POC”。将这种规则应用于剩余的使用时间导致在POC的显示器上突出显示，其中筛床接近耗尽或压缩机接近磨损。突出显示的POC然后可以由HME记录用于即将发生的维修。这种规则的另一个示例是“如果POC部件的预测维修日期相距不到三周，则在预测维修日期的显示中突出显示该POC”。将这样的规则应用于预测的维修日期，导致在POC的显示上突出显示其中筛床接近耗尽或压缩机接近磨损的POC。这是基于规则的批管理的一种示例，该批管理通过以下描述的预测在所连接的氧气治疗系统450内操作的部件维修日期的例程而成为可能。
可选地，例如在POC 100确定筛床的剩余容量的估计的情况下，POC 100可以向系统450的外部计算装置传送消息，该消息可以基于该估计，例如通过与阈值的比较(例如，如果该估计等于或低于阈值)，以提供对于POC 100的替换筛床的需要的通知消息。这样的消息可以包括对新筛床的请求，例如用于经由利用诸如供应实体服务器468的图4的任何装置实现的订购或履行系统来安排新筛床的购买或替换订单。这样的消息也可以由接收剩余容量估计或确定估计所需的测量和参数的系统450的任何装置生成。在这种情况下，消息可以被进一步传输到其他系统，例如购买、定购或履行系统或服务器，其可以被配置为与系统450的装置通信以安排和/或完成这种定购。此外，在一些实现中，POC 100可以基于剩余容量的估计和一个或多个阈值的估计或比较来改变POC 100的控制参数。例如，用于控制POC100的PSA循环的一个或多个参数可以基于该比较来调整。这样的调节可以包括例如用于阀的各种阀定时的参数，所述阀控制通过罐的流量以用于进料和吹扫循环和/或压缩机速度等。如果检测到部分耗尽的筛床(例如，小于70％、50％等)，则可以实施这样的调节以增加剩余筛床使用时间或恢复正常操作参数以用于检测替换的筛床(例如，大于50％或处于或接近100％)。
虽然每个单独的POC可以监测维修其自己的部件的需要，但是系统450还允许预测维修日期，用于维修由系统450监测的成批POC中的全部POC组的部件。这种规模经济为由系统450管理的成批POC提供更好的维修。许多HME或维修企业在地理上不同的位置管理成批POC。这可以是遍布州或全国的POC用户，或访问昂贵的隔离区域中的用户。通过预期何时将需要维修成批POC内的单独POC，可以进行“集群”维修以最小化工作人员和/或运输成本。例如，POC A的筛床可能在5天内失效，POC B的筛床在4周内失效，POC C的压缩机在7周内失效。不是在故障前的几天内单独维修每个POC(并且进行三次行程)，而是企业所有者可以选择同时维修所有三个POC，因为他们在地理上远离维修中心，但是彼此靠近地聚集，并且技术人员的薪水超过了替换部件的花费。当将该逻辑应用于几万个POC组成的多个成批POC时，效率增益是显著的。
图5A和图5B中的流程图表示可由分析引擎462用来预测图4中的系统450中的POC用户系统的部件维修日期的机器可读指令实现的示例性例程。在该示例中，机器可读指令包括由以下执行的算法：(a)处理器；(b)控制器；和/或(c)一个或多个其它合适的处理装置。该算法可以用存储在诸如闪存、CD-ROM、软盘、硬盘驱动器、数字视频(通用)盘(DVD)或其它存储装置之类的有形介质上的软件来实现。然而，所属领域的技术人员将容易了解，整个算法和/或其部分可替代地由不同于处理器的装置执行和/或以众所周知的方式实施于固件或专用硬件中(例如，其可由专用集成电路[ASIC]、可编程逻辑装置[PLD]、现场可编程逻辑装置[FPLD]、现场可编程门阵列[FPGA]、离散逻辑等实现)。例如，接口的任何或所有部件可由软件、硬件和/或固件来实现。此外，可以手动实现由流程图表示的一些或全部机器可读指令。此外，尽管参考图5A和图5B中所示的流程图描述了示例性算法，但是本领域普通技术人员将容易理解，可替换地可以使用实现示例性机器可读指令的许多其他方法。例如，可以改变块的执行顺序，和/或可以改变、消除或组合所描述的一些块。
当POC 100在制造之后第一次通电时，例程开始(500)。POC 100将其唯一装置序列号(S/N)发送到服务器460上的分析引擎462(502)。如上所述，这可发生在与POC 100的直接通信中或通过图4中的便携式计算装置480。图4中的数据库466包括从POC 100的制造商收集的数据的存储(501)。这种制造商数据可以包括POC 100的批号、制造位置、制造时间，它如何从制造地点运输到本地分发中心，以及在分发中心的存储时间和位置。图4中的数据库466还存储所接收的POC 100的序列号。数据库466将制造商数据与诸如成批POC中的POC100的POC的序列号相关联。分析引擎462从数据库466提取与所接收的序列号相关联的详细制造商数据(504)，并创建与包括详细制造商数据的POC 100相关联的POC简档(506)。POC简档包含POC 100的唯一序列号和装置信息。分析引擎462将新POC简档连同系统450中其它POC的POC简档一起存储在数据库466中。
在POC 100的第一次加电和随后的加电时，控制器400在POC 100上收集操作数据(508)。这样的操作数据可以包括输出氧浓度、筛床或每个筛床的剩余容量、压缩机的特征压力、输出流速、使用的一天中的时间、使用的持续时间和使用时POC 100的地理位置。估计筛床剩余容量的示例方法在共同提交的专利合作条约申请PCT/AU2020/050074中公开，其全部内容通过引用结合于此。POC 100的位置可以从由用户输入到POC 100的地理定位数据获得，由POC 100内的地理定位装置内部生成，或者直接从图4中的便携式计算装置480获得。每次使用POC 100更新操作数据。包括使用数据和位置数据的操作数据由分析引擎462周期性地接收(510)，例如每天或每12小时。
该例程取得在步骤510接收的POC 100的位置数据，并请求该位置的本地地理信息(512)。包括海拔高度、本地湿度和本地空气质量的本地地理信息(514)可以从空气质量和本地湿度的国家和/或州和/或本地数据库(516)以及诸如海拔高度的地理信息数据库(518)收集。然后，例程利用操作数据(使用数据、剩余容量数据等)和基于使用期间POC 100的位置的地理信息(海拔高度、湿度、空气质量)来更新POC简档(520)。更新POC的简档包括扩充POC的各个分量的一个或多个劣化曲线。在扩充劣化曲线的一个示例中，将另一数据点(当前剩余容量估计和使用时间)添加到POC的每个筛床的剩余容量对使用时间的劣化曲线。
分析引擎462然后将POC 100的简档与包括来自成批POC中的其它POC的简档数据的历史POC使用数据集进行比较(522)。例如，用xyz沸石批料制备POC#1，在海上运输5周并在亚特兰大的分发中心储存3个月。其在Tampa FL中使用，其中年平均湿度为88.9％，使用主要在海平面，使用模式为一周内每天2小时，周末每天5小时，设定2为68％的时间，设定3为32％的时间。分析引擎462识别其数据库466中的类似POC，即，与这些制造和使用条件最匹配或以其他方式类似的POC，并且从数据库466提取这些类似的POC的关联的简档数据(522)。例如，简档数据可以包括剩余筛床容量、输出流速(Q)或特征压力(P)的劣化曲线，其可以存储在存储来自多个POC用户的“大数据”的数据库524中。通过分析来自POC 100的给定部件的该数据子集的简档，分析引擎462预测部件的维修日期(526)。例如，在筛床模块的情况下，剩余容量对使用时间的劣化曲线可以从每个类似的POC简档中提取，并用于预测筛床模块的使用日期。分析引擎462可以采用如上所述的机器学习方法来预测维修日期。
图6示出了可由图5A和图5B中的例程使用的筛床的剩余容量C对使用时间的示例性劣化曲线600。劣化曲线600在剩余容量为1(100％)时开始，并且随着使用时间的增加而减小。虽然图6中的曲线图示为线性的，但是通常劣化曲线将具有不规则的轮廓。在当前使用时间t(当前)，剩余容量是C(当前)。
类似地，可以从类似的POC简档中提取特征压力相对于使用时间的劣化曲线，并用于预测维护压缩系统200的部件(例如压缩机马达)的日期。
当分析引擎462收集更多关于制造、位置和使用持续时间的数据时，基于历史劣化曲线的维修日期的预测将变得更精确。例如，在第一次“加电”之后，分析引擎462可以预测3-18个月内的筛床维修。在使用第一周并且结合一些操作数据之后，这可以是11-14个月内筛床维修的预测，并且在使用一个月并且结合操作数据之后，这可以是12.3-12.7个月。该置信区间(其中心值是预测日期，并且其大小指示分析引擎对预测日期的置信度)是基于数据库466中类似POC的数目和用于收集数据的经过时间来统计地计算的。
将预测维修日期附近的置信区间的大小与预定阈值进行比较(528)。当预测的维修日期的置信区间低于阈值(例如1个月)时，分析引擎462开始报告预测的维修日期，并将该信息馈送到维修优化计划中。直到满足该阈值，分析引擎462将继续收集关于装置位置和使用的操作数据(530)以进一步细化简档(返回到步骤510)。
预测的维修日期允许维修成批POC的企业提前数月或甚至长达一年来计划其维修调度。例如，筛床模块的准确维修日期允许用于替换系统450中的所有POC的筛床模块的维修调度，其适合于拟定的特定简档。从成批POC收集的数据可以实现对维修部件的日期的准确预测。此外，即使在POC未能向服务器460传送附加操作数据时，也可能发生这种预测性维修。
如果预测维修日期的置信区间的大小小于预定阈值(528)，则分析引擎462从维修数据库(534)聚集关于由服务器460管理的成批POC中的所有POC用户系统的预测维修日期的信息(532)，所述维修数据库包括由HME或维修中心维修的所有POC的预测筛床模块和压缩器维修日期。分析引擎462然后基于成批POC中POC的位置及其预测的维修日期来构造优化的维修调度，以最小化HME的成本和用户的不便(536)。最后，分析引擎462触发优化维修调度的执行(538)，其可以包括向用户邮寄替换零件，召回POC或部件进行维修，以及将技术人员调度到POC位置。在POC的部件的每个维修之后，在数据库466中用与维修有关的维修数据更新POC的简档，所述维修数据包括维修的日期和维修类型。
随着更多的POC操作、制造商和维修数据被添加到数据库466中的简档，由分析引擎462执行的维修日期预测例程的精度随时间变得更大。参考数据库变得更大，因此预测结果变得更精确。通过比较，当前的ad hoc维修模型是“哑的”并且不随时间变得更精确。
预测数据允许向POC 100上的控制器400提供附加指令以改变其操作，从而更好地适合于优化的维修调度。例如，在给定基于收集的数据的POC的正常使用的情况下，当一个或多个筛床的剩余容量减小时，控制器400可增加压缩机输出以保持氧气浓度一致。控制器400还可被指示调节压缩机输出以符合维修的调度或替换部件的递送。
与用户时间表相关的附加信息可用于允许POC的预测性维修而不中断治疗。例如，即使不需要维修POC，例程也可以在更方便的时间提供维修或供应替换部件，该更方便的时间不会在预定的所需维修的预定时间内中断治疗。
如本申请中所使用的，术语“部件”、“模块”、“系统”等一般是指计算机相关的实体，或者是硬件(例如，电路)、硬件和软件的组合、软件，或者是与具有一个或多个特定功能的操作机器相关的实体。例如，部件可以是，但不限于，在处理器(例如，数字信号处理器)上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。作为说明，在控制器上运行的应用程序以及控制器都可以是部件。一个或多个部件可驻留在进程和/或执行线程内，并且部件可位于一个计算机上和/或分布在两个或更多个计算机之间。此外，“装置”可以以特别设计的硬件的形式出现；通过在其上执行使硬件能够执行特定功能的软件而专门化的通用硬件；存储在计算机可读介质上的软件；或其组合。
这里使用的术语仅用于描述特定实施例的目的，并不旨在限制本发明。如本文所用，单数形式“一个”、“一种”和“该”也旨在包括复数形式，除非上下文另外明确指出。此外，就在详细说明和/或权利要求书中使用的术语“包括”、“包含”、“具有”、“有”、“带有”或其变体而言，此类术语旨在以类似于术语“包含”的方式为包含性的。
除非另有定义，本文使用的所有术语(包括技术和科学术语)具有与本领域普通技术人员通常理解的相同的含义。此外，诸如在通常使用的词典中定义的那些术语的术语应当被解释为具有与其在相关技术的上下文中的含义一致的含义，并且将不以理想化或过度正式的意义来解释，除非在此明确地如此定义。
虽然上面已经描述了本发明的各种实施例，但是应当理解，它们仅仅是作为示例而非限制来呈现的。尽管已经参照一个或多个实现示出和描述了本发明，但是在阅读和理解了本说明书和附图之后，本领域的其他技术人员将想到或知晓等同的替换和修改。此外，虽然本发明的特定特征可能仅相对于若干实现中的一个被公开，但是这种特征可以与其他实现的一个或多个其他特征组合，这对于任何给定或特定应用可能是期望的和有利的。因此，本发明的宽度和范围不应受到上述任何实施例的限制。相反，本发明的范围应当根据所附权利要求及其等同物来限定。
标签列表
Figure BDA0003437220470000161
Figure BDA0003437220470000171
Figure BDA0003437220470000181

Claims (66)

1.一种用于预测第一便携式氧气浓缩器(POC)的部件的维修日期的系统，所述第一POC包括被配置为发送所述第一POC的操作数据的发送器，所述系统包括：
网络接口，其被配置为从包括所述第一POC的多个POC接收操作数据；
包含所述多个POC的简档的用户数据库；以及
分析引擎，其能够操作以：
基于从所述第一POC接收的操作数据更新所述用户数据库中的所述第一POC的简档；
从所述用户数据库提取类似于所述第一POC的第二POC的简档；以及
基于所述第二POC的简档和所述第一POC的更新的简档来预测所述第一POC的所述部件的维修日期。
2.根据权利要求1所述的系统，其中所述多个POC中的POC的每个简档包括所述POC的使用数据。
3.根据权利要求2所述的系统，其中所述接收到的操作数据包括所述第一POC的使用数据。
4.根据权利要求3所述的系统，其中所述更新包括将所述使用数据添加到所述简档。
5.根据权利要求3至4中任一项所述的系统，其中POC的每个简档包括所述POC的地理信息。
6.根据权利要求5所述的系统，其中所述接收到的操作数据包括与所述第一POC的使用数据相关联的位置数据。
7.根据权利要求6所述的系统，其中所述更新包括：
基于所述定位数据来检索地理信息；以及
将所检索的地理信息添加到所述简档。
8.根据权利要求7所述的系统，其中所述地理信息包括湿度、空气质量和海拔高度中的至少一个。
9.根据权利要求3至8中任一项所述的系统，其中所述更新包括基于所述使用数据扩充劣化曲线。
10.根据权利要求9所述的系统，其中所述预测包括基于所述简档的劣化曲线来估计所述维修日期。
11.根据权利要求9至10中任一项所述的系统，其中所述部件是所述POC的筛床模块，并且所述劣化曲线将所述筛床模块中的筛床的剩余容量与所述使用数据相关联。
12.根据权利要求9至10中任一项所述的系统，其中所述部件是所述POC的压缩系统的部件，并且所述劣化曲线将所述压缩系统的特征压力与所述使用数据相关联。
13.根据权利要求10至12中任一项所述的系统，其中所述预测包括基于所述劣化曲线估计所述估计的维修日期附近的置信区间。
14.根据权利要求13所述的系统，其中所述分析引擎能够进一步操作以将所述估计的置信区间的大小与预定阈值进行比较。
15.根据权利要求14所述的系统，其中所述分析引擎能够进一步操作以基于所述比较根据所述预测的维修日期创建用于所述多个POC的维修调度。
16.根据权利要求1至15中任一项所述的系统，其中POC的每个简档包括所述POC的制造商数据。
17.根据权利要求16所述的系统，其中所述分析引擎能够进一步操作以：
接收与POC相关联的制造商数据；以及
创建包括所述制造商数据的相关联POC的简档。
18.一种用于预测第一便携式氧气浓缩器(POC)的部件的维修日期的方法，所述第一POC包括发送器，所述方法包括：
通过网络接口从包括第一POC的多个POC接收操作数据；
基于从第一POC接收的操作数据更新用户数据库中的第一POC的简档；
从所述用户数据库提取类似于所述第一POC的第二POC的至少一个简档；以及
基于所述第二POC的简档和所述第一POC的更新的简档来预测所述第一POC的所述部件的维修日期。
19.根据权利要求18所述的方法，其中POC的每个简档包括所述POC的使用数据。
20.根据权利要求19所述的方法，其中所述接收到的操作数据包括所述第一POC的使用数据。
21.根据权利要求20所述的方法，其中所述更新包括将所述使用数据添加到所述简档。
22.根据权利要求20至21中任一项所述的方法，其中POC的每个简档包括所述POC的地理信息。
23.根据权利要求22所述的方法，其中所述接收到的操作数据包括与所述第一POC的使用数据相关联的位置数据。
24.根据权利要求23所述的方法，其中所述更新包括：
基于所述定位数据来检索地理信息；以及
将所检索的地理信息添加到所述简档。
25.根据权利要求24所述的方法，其中所述地理信息包括湿度、空气质量和海拔高度中的至少一者。
26.根据权利要求20至25中任一项所述的方法，其中所述更新包括基于所述使用数据扩充劣化曲线。
27.根据权利要求26所述的方法，其中所述预测包括基于所述简档的劣化曲线来估计所述维修日期。
28.根据权利要求26至27中任一项所述的方法，其中所述部件是所述POC的筛床模块，并且所述劣化曲线将所述筛床模块中的筛床的剩余容量与所述使用数据相关联。
29.根据权利要求26至27中任一项所述的方法，其中所述部件是所述POC的压缩系统的部件，并且所述劣化曲线将所述压缩系统的特征压力与所述使用数据相关联。
30.根据权利要求27至29中任一项所述的方法，其中所述预测包括基于所述劣化曲线估计所述估计的维修日期附近的置信区间。
31.根据权利要求30所述的方法，还包括将所述估计的置信区间的大小与预定阈值进行比较。
32.根据权利要求31所述的方法，还包括基于所述比较根据所述预测的维修日期创建所述多个POC的维修调度。
33.根据权利要求18至32中任一项所述的方法，其中POC的每个简档包括所述POC的制造商数据。
34.根据权利要求33所述的方法，进一步包括：
接收与POC相关联的制造商数据；以及
创建包括所述制造商数据的相关联POC的简档。
35.一种包括指令的计算机程序产品，当由计算机执行所述指令时，所述指令使所述计算机执行根据权利要求18至34中任一项所述的方法。
36.根据权利要求35所述的计算机程序产品，其中所述计算机程序产品是非瞬态计算机可读介质。
37.一种预测更换多个便携式氧气浓缩器(POC)的部件所需的时间的系统，所述POC中的每一个包括用于发送关于由所述POC产生的氧气的操作数据的发送器，所述系统包括：
网络接口，其用于从每个POC收集操作数据；
用户数据库，其存储与所述多个POC中的每个POC相关联的用户的用户数据；
分析引擎，其能够操作以：
根据从每个POC收集的用户数据和操作数据确定相似用户；
根据所述用户数据和操作数据确定维修相关数据；
基于所述维修相关数据为所述多个POC中的一个POC子集创建POC简档；以及
基于所述POC简档来预测维修日期以替换所述POC子集中的POC的部件。
38.根据权利要求37所述的系统，其中所述分析引擎能够进一步操作以从新POC接收操作数据，基于所述接收的操作数据将所述新POC与所述POC子集匹配，且提供所述维修日期以替换所述新POC的部件。
39.根据权利要求37所述的系统，其中所述部件是包括压缩机零件、用于为所述POC的用户分离氧气的筛床模块、电池和过滤器的组中的一个。
40.根据权利要求37至39中任一项所述的系统，其中所述预测基于所述POC子集的使用时间和日期。
41.根据权利要求37至40中任一项所述的系统，其中所述预测基于包围所述POC子集的环境。
42.根据权利要求41所述的系统，其中所述环境包括海拔高度、湿度和空气质量中的至少一个。
43.根据权利要求37至42中任一项所述的系统，其中所述预测基于所述POC子集的制造批次。
44.根据权利要求43所述的系统，其中所述分析引擎可操作以根据所述POC子集的所述制造批次创建POC的所述简档。
45.根据权利要求37至44中任一项所述的系统，其中所述分析引擎可操作以根据所述预测更新替换部件的递送日期。
46.根据权利要求37至45中任一项所述的系统，进一步包括：
排序引擎，其将调度信息传送到供应系统以为所述多个POC的所述子集中的每一个供应替换部件，其中所述分析引擎将所述预测提供到所述排序引擎。
47.根据权利要求37到46中任一项所述的系统，其中每个POC将所述POC的唯一的标识号发送到所述分析引擎。
48.根据权利要求37至47中任一项所述的系统，其中所述分析引擎可操作用于通过基于所述操作数据的剩余容量劣化曲线来跟踪所述POC中的每一个的短期维修。
49.根据权利要求37至48中任一项所述的系统，其中每个POC的氧气输出从来自所述POC的操作数据和所述POC的子集的简档导出。
50.根据权利要求37至49中任一项所述的系统，其中所述操作数据包括泵压力输出或氧气流量输出中的一个。
51.一种预测更换多个便携式氧气浓缩器(POC)的部件所需的时间的方法，所述POC中的每一个包括用于发送关于由所述POC产生的氧气的操作数据的发送器，所述方法包括：
经由网络接口从每个POC收集操作数据；
将与所述多个POC中的每个POC相关联的用户的用户数据存储在用户数据库中；
根据从每个POC收集的用户数据和操作数据识别相似用户；
根据所述用户数据和所述操作数据确定维修相关数据；
基于所述维修相关数据为所述多个POC中的一个POC子集创建POC简档；以及
基于所述POC简档来预测维修日期以替换所述POC子集中的所述POC的部件。
52.根据权利要求51所述的方法，进一步包括：
从新POC接收操作数据，
基于所接收的操作数据将所述新POC与所述POC子集进行匹配；以及
提供维修日期以替换新POC的部件。
53.根据权利要求51至52中任一项所述的方法，其中所述部件是包括压缩机零件、用于为所述POC的用户分离氧气的筛床模块、电池或过滤器的组中的一个。
54.根据权利要求51至53中任一项所述的方法，其中所述预测基于所述POC子集的使用时间和日期。
55.根据权利要求51至54中任一项所述的方法，其中所述预测基于围绕所述POC子集的环境。
56.根据权利要求55所述的方法，其中所述环境包括海拔高度、湿度和空气质量中的至少一个。
57.根据权利要求51至56中任一项所述的方法，其中所述预测基于所述POC子集的制造批次。
58.根据权利要求57所述的方法，其中根据所述POC子集的制造批次创建所述简档。
59.根据权利要求51至58中任一项所述的方法，还包括根据所述预测更新替换部件的递送日期。
60.根据权利要求51至59中任一项所述的方法，进一步包括：
将所述预测传送到供应系统；以及
将调度信息传送到所述供应系统以为所述多个POC的所述子集中的每一个供应替换部件。
61.根据权利要求51至60中任一项所述的方法，其中每个POC发送所述POC的唯一的标识号。
62.根据权利要求51至61中任一项所述的方法，还包括基于所述操作数据通过剩余容量劣化曲线来跟踪所述POC中的每一个的短期维修。
63.根据权利要求51至62中任一项所述的方法，其中每个POC的氧输出从来自所述POC的操作数据和所述POC的子集的简档导出。
64.根据权利要求51至63中任一项所述的方法，其中所述操作数据包括泵压力输出或氧气流量输出中的一个。
65.一种包括指令的计算机程序产品，当由计算机执行所述指令时，所述指令使所述计算机执行根据权利要求51至64中任一项所述的方法。
66.根据权利要求65所述的计算机程序产品，其中所述计算机程序产品是非瞬态计算机可读介质。
CN202080047368.7A 2019-06-27 2020-06-26 用于便携式氧气浓缩器的批管理的系统和方法 Pending CN114402397A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962867650P 2019-06-27 2019-06-27
US62/867,650 2019-06-27
PCT/IB2020/056086 WO2020261220A1 (en) 2019-06-27 2020-06-26 System and method for fleet management of portable oxygen concentrators

Publications (1)

Publication Number Publication Date
CN114402397A true CN114402397A (zh) 2022-04-26

Family

ID=74043742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080047368.7A Pending CN114402397A (zh) 2019-06-27 2020-06-26 用于便携式氧气浓缩器的批管理的系统和方法

Country Status (4)

Country Link
US (2) US20220310242A1 (zh)
EP (1) EP3991178A4 (zh)
CN (1) CN114402397A (zh)
WO (1) WO2020261220A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11151808B2 (en) * 2018-12-06 2021-10-19 GM Global Technology Operations LLC Vehicle fault root cause diagnosis
EP3921064A4 (en) * 2019-02-06 2022-11-02 ResMed Pty Ltd METHODS AND APPARATUS FOR TREATING A RESPIRATORY DISORDER

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5706801A (en) * 1995-07-28 1998-01-13 Caire Inc. Sensing and communications system for use with oxygen delivery apparatus
EP0760247A3 (en) * 1995-08-30 1997-04-23 Devilbiss Health Care Inc Oxygen concentration system monitoring system
US10255647B2 (en) * 2009-09-28 2019-04-09 Caire Inc. Controlling and communicating with respiratory care devices
US8702841B2 (en) * 2012-04-17 2014-04-22 Inogen, Inc. Adsorber replacement notification for a portable gas concentrator
US9808635B2 (en) * 2012-08-29 2017-11-07 Koninklijke Philips N.V. Environment and use monitoring system for advanced life support devices
AR095272A1 (es) * 2013-03-14 2015-09-30 Fisher Controls Int Llc Pronóstico de válvula en función de análisis de laboratorio
US11055450B2 (en) * 2013-06-10 2021-07-06 Abb Power Grids Switzerland Ag Industrial asset health model update
WO2019002075A1 (en) * 2017-06-27 2019-01-03 Koninklijke Philips N.V. PORTABLE OXYGEN CONCENTRATING SINK BED
US10720236B2 (en) * 2018-03-30 2020-07-21 DI Insights, LLC System and method for predictive maintenance of medical diagnostic machine components
WO2020133460A1 (zh) * 2018-12-29 2020-07-02 青岛精安医疗科技有限责任公司 一种制氧系统和方法

Also Published As

Publication number Publication date
WO2020261220A1 (en) 2020-12-30
US20220310242A1 (en) 2022-09-29
EP3991178A4 (en) 2023-06-28
US20200410374A1 (en) 2020-12-31
EP3991178A1 (en) 2022-05-04

Similar Documents

Publication Publication Date Title
US20230045644A1 (en) Sieve bed assembly with an identification device
US9782557B2 (en) Oxygen concentrator systems and methods
CN114402397A (zh) 用于便携式氧气浓缩器的批管理的系统和方法
AU2018200242A1 (en) Method and systems for the delivery of oxygen enriched gas
EP0760247A2 (en) Oxygen concentrator monitoring system
JP7430024B2 (ja) ガスを濃縮するためのシステムおよび方法
US20200384238A1 (en) Methods and apparatus for treating a respiratory disorder
US20220161274A1 (en) System and method of desorbing nitrogen from particles
US20220096780A1 (en) Methods and apparatus for treating a respiratory disorder
WO2019232028A1 (en) Filter oxygen method, apparatus and system
US20230330378A1 (en) Connected oxygen therapy system for maintaining patient engagement in chronic respiratory disease therapy
JP2024056713A (ja) ガスを濃縮するためのシステムおよび方法
EP4188498A1 (en) Connected oxygen therapy system for chronic respiratory disease management
Williams Characterization and Feasibility of a Portable Oxygen Concentrator for Use with a Mass Casualty Ventilator

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