CN114790982B - 血泵运行状态的监测方法、装置、电子设备及存储介质 - Google Patents
血泵运行状态的监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114790982B CN114790982B CN202210306549.8A CN202210306549A CN114790982B CN 114790982 B CN114790982 B CN 114790982B CN 202210306549 A CN202210306549 A CN 202210306549A CN 114790982 B CN114790982 B CN 114790982B
- Authority
- CN
- China
- Prior art keywords
- pump
- data
- neural network
- layer
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000008280 blood Substances 0.000 title claims abstract description 51
- 210000004369 blood Anatomy 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 161
- 238000003062 neural network model Methods 0.000 claims abstract description 140
- 230000009466 transformation Effects 0.000 claims abstract description 67
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 19
- 238000012549 training Methods 0.000 description 19
- 238000010606 normalization Methods 0.000 description 18
- 239000012530 fluid Substances 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 13
- 230000004913 activation Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000005674 electromagnetic induction Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013479 data entry Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
- A61M60/50—Details relating to control
- A61M60/508—Electronic control means, e.g. for feedback regulation
- A61M60/538—Regulation using real-time blood pump operational parameter data, e.g. motor current
-
- 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
Abstract
本申请提供的血泵运行状态的监测方法，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量。本申请还提供了一种血泵运行状态的监测装置、电子设备和存储介质。
Description
技术领域
本申请涉及但不限于计算机技术领域，尤其涉及一种血泵运行状态的监测方法、装置、电子设备及存储介质。
背景技术
人工心脏泵简称“血泵”是一种辅助心脏做功的装置，一般用于促使手术中的患者的血液正常流通，比如通过血泵的运转，可将心脏心室内的血液抽向患者的动脉中，从而保证患者的正常血液循环，以在对患者进行心脏相关手术时，仍能使患者的血液正常流通。由于患者的生理状态会发生变化，所需血泵出的血液流量和压力也会随患者的生理变化而改变，因此需要随时监测血泵的运行状态如流量和压力，来控制血泵的运行状态，保证手术中的患者的正常供血。
目前对于血泵运行状态的监测方法为直接测量，即采用接入传感器的方式进行测量表征运行状态的参数。对于植入患者体内的医疗器械而言，一旦传感器失效，将引起严重的医疗事故。
对此，相关技术中提出无传感器的间接测量方法，现有的间接测量方法通过人工分析，回归出难以直接测量的待测变量与其他容易测量的变量之间的关系公式，进一步地再通过公式进行预测。然而，该方法需要相关人员根据经验知识人工选取相关变量的类别和数目，由于不同人员选取的各不相同，难以保证相关参数的完整性。可见，目前亟需提供一种智能化地血泵运行状态的监测方法。
发明内容
本申请实施例提供一种血泵运行状态的监测方法、装置、电子设备及存储介质。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种血泵运行状态的监测方法，所述方法包括：
获取泵的几何形态特征向量；
获取所述泵的运行状态特征向量；
将所述几何形态特征向量与所述运行状态特征向量作为输入向量，输入经过训练的神经网络模型；
通过所述神经网络模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量。
本申请实施例提供一种血泵运行状态的监测装置，所述装置包括：
获取模块，用于获取泵的几何形态特征向量；
所述获取模块，用于获取所述泵的运行状态特征向量；
处理模块，用于将所述几何形态特征向量与所述运行状态特征向量作为输入向量，输入经过训练的神经网络模型；
所述处理模块，用于通过所述神经网络模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量。
本申请实施例提供一种电子设备，所述电子设备包括：处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的通信连接；
所述处理器用于执行存储器中存储的血泵运行状态的监测程序，以实现上述所述的血泵运行状态的监测方法的步骤。
本申请实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述所述的血泵运行状态的监测方法的步骤。
本申请提供的血泵运行状态的监测方法、装置、电子设备及存储介质，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量；可见，本申请提供的血泵运行状态的监测方法，利用神经网络模型更好地逼近输入的多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量。
附图说明
图1本申请实施例提供的血泵运行状态的监测方法的流程示意图一；
图2本申请实施例提供的血泵运行状态的监测方法的流程示意图二；
图3本申请实施例提供的第一种结构形式的神经网络模型的示意图；
图4本申请实施例提供的血泵运行状态的监测方法的流程示意图三；
图5本申请实施例提供的T-Net网络的结构示意图；
图6本申请实施例提供的血泵运行状态的监测方法的流程示意图四；
图7本申请实施例提供的第二种结构形式的神经网络模型的示意图；
图8本申请实施例提供的血泵运行状态的监测方法的流程示意图五；
图9本申请实施例提供的第二种神经网络结构的神经网络模型对应的数据集构建的流程示意图；
图10本申请实施例提供的第一种神经网络结构的神经网络模型对应的数据集构建的流程示意图；
图11本申请实施例提供的血泵运行状态的监测装置的结构示意图
图12本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供的血泵运行状态的监测设备可以实施为笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)，智能机器人等任意电子设备，也可以实施为服务器。下面，将说明血泵运行状态的监测设备实施为电子设备时的示例性应用。
本申请实施例提供一种血泵运行状态的监测方法，该方法应用于电子设备，参见图1所示，该方法包括：
步骤101、获取泵的几何形态特征向量。
本申请实施例中，泵的几何形态至少由如下参数表征：叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙。示例性的，在叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙的基础上，泵的几何形态还可以结合如下参数中的至少一个来表征：叶轮高度，轮毂高度，轮毂直径，轮毂比，叶片进口和出口气流角，叶片的厚度，包角。可以理解的，泵的几何形态对应的参数可以在泵出厂时产生并记录。在一些实施例中，泵的几何形态对应的参数包括泵的各个部件和/或各个部件之间的结构参数和/或数量参数，各个部件包括但不限于叶轮、叶片、壳体。在另一些实施例中，泵的几何形态对应的参数包括从泵的n维空间建模数据中提取的泵的泵体表面的坐标点云数据。建模数据在泵出厂时生成。
对泵的几何形态对应的参数进行数据处理，便可以得到符合神经网络模型的数据输入条件的泵的几何形态特征向量。数据输入条件包括但不限于特定的数据输入格式。
步骤102、获取泵的运行状态特征向量。
本申请实施例中，泵的运行状态至少由如下参数表征：转速，功率。示例性的，在转速和功率的基础上，泵的运行状态还可以结合如下参数中的至少一个来表征：相位差、功率转化效率。
也就是说，泵的运行状态可由监测到的如下任一组状态参数来表征：转速、功率；转速、电流、电压；转速、电流、电压、相位差；转速、电流、电压、相位差、功率转化效率。可以理解地，功率由电流和电压确定。
其中，泵的电压和电流两个状态参数可通过患者体外的与泵连接的传感器直接测量得到；转速、功率、相位差等可由测得的电压、电流间接计算得到。例如泵的输入功率即测得的电流与电压的乘积。相位差可由电压与电流的波形确定。电机的转速可通过如下两种方式获得：(1)在电机前串联一个电阻，这样电刷换向前后的电流变化就会在电阻两端产生电压变化，对电压放大之后进行模拟数字转换器(Analog-to-digital converter，ADC)采样，即可得到换向的电压波动信号。将电压波动信号进行傅里叶变换(Fast Fouriertransform，FFT)得到的频率信号即电机的转速；(2)将电机电源线耦合进入一个电磁感应线圈，电刷换向前后会在电磁感应线圈内产生电流，对电流信号进行放大之后进行ADC采样，将采集的电流信号进行FFT变化得到的频率信号即电机的转速。
可以理解的，泵的运行状态对应的参数可以在泵运行时产生并记录。对泵的运行状态对应的参数进行数据处理，便可以得到符合神经网络模型的数据输入条件的泵的运行状态特征向量。数据输入条件包括但不限于特定的数据输入格式。
步骤103、将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型。
本申请实施例中，深度学习(Deep Learning)是机器学习的一种，而机器学习是实现人工智能(Artificial Intelligence，AI)的必经路径，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。
神经网络包含输入层、隐藏层和输出层，其中，输入层，只起到输入信号的扇出作用，所以在计算神经网络的层数时不被记入，该层负责接收来自网络外部的信息，被记作第0层；隐藏层，除输入层和输出层以外的其他各层叫做隐藏层，也就是说，隐藏层不直接接受外界的信号，也不直接向外界发送信号；输出层，负责输出神经网络的计算结果。
本申请实施例中，构建的神经网络模型包括全连接神经网络，全连接神经网络的每一层神经网络有若干神经元，层与层之间神经元相互连接，层内神经元互不连接，而且下一层神经元连接上一层所有的神经元。可以理解地，对a-1层和a层而言，a-1层的任意一个节点，都和第a层所有节点有连接。即第a层的每个节点在进行计算的时候，激活函数的输入是a-1层所有节点的输出和权值进行加权得到的，其中，a为大于等于2的正整数。
本申请采用的全连接神经网络包含一个输入层、一个输出层和多个隐藏层。
本申请实施例中，将几何形态特征向量与运行状态特征向量作为神经网络模型的输入向量，输入经过训练的神经网络模型。可以理解地，神经网络的输入层神经元个数等于输入特征维度，也就是说，输入层的维度等于输入向量的总数。神经网络的输出层神经元个数等于分类别数，也就是说，输出层的维度等于输出向量的总数。
步骤104、通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量。
本申请实施例中，泵的几何形态决定了泵的水动力学特性，泵的几何形态确定之后，该泵的水动力学特性也相应确定，即不易直接测量的压差和流量两者，与泵的运行状态对应的状态参数如功率、转速、电流、电压等之间的相关关系也就确定了。如此，结合确定出的泵的运行状态对应的状态参数，则泵的压差和流量最终也就确定了。同时，本申请利用神经网络模型能够更好地逼近这种多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量，适用于多种不同型号的流体机械在不同的工况下的精准预测。
本申请实施例中，神经网络模型的每一隐藏层神经网络的神经元个数越多，分界面就可以越复杂，在这个集合的分类能力就越强，合理设置神经元个数，可以进一步提升多种不同型号的流体机械在不同的工况下的预测结果的准确性。
由上述内容可知，本申请在预测压差和流量的过程中，无需将传感器植入患者体内，不仅减少了对患者的创伤，而且降低了成本，使得流体机械设备更加的简单可靠，同时也降低了手术的复杂度。
本申请实施例提供的血泵运行状态的监测方法，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量；可见，本申请提供的血泵运行状态的监测方法，利用神经网络模型更好地逼近输入的多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量。
本申请提供了两种不同结构形式的神经网络模型，对于两种不同神经网络结构而言，泵的运行状态特征向量的获取方式相同，泵的几何形态特征向量的获取方式不同。
在采用第一种结构形式的神经网络模型，进行血泵运行状态监测的过程中，本申请实施例提供一种血泵运行状态的监测方法，该方法应用于电子设备，参见图2所示，该方法包括：
步骤201、从泵的n维空间建模数据中，提取泵的泵体表面的坐标点云数据。
其中，n为正整数。
本申请实施例中，泵的几何形态对应的参数包括从泵的n维空间建模数据中提取的泵的泵体表面的坐标点云数据。建模数据在泵出厂时生成。
本申请实施例中，可以通过点云提取网络如PointNet神经网络从泵的n维空间建模数据中提取泵的泵体表面的坐标点云数据中提取几何特征，相比人工提取几何特征，采用点云提取网络提取的特征更加丰富完整，并且减少了人工提取带来的不确定性，提取丰富的几何特征数据，更好的表征泵的几何形态。
其中，PointNet神经网络是一种处理不规则点云数据的深度学习模型，该种神经网络直接以空间坐标点云为输入，通过空间变换和高维映射并结合对称算子的池化能够有效的从输入的点云数据中提取感兴趣的几何特征信息。
本申请实施例中，在通过点云提取网络从泵体表面的坐标点云数据中提取几何特征的过程中，可以先对坐标点云进行归一化处理，归一化处理的方式为分别沿x、y、z方向减去各方向上坐标点的数据的平均值，将泵的坐标点云数据的几何中心点平移至坐标原点，然后通过统一的缩放因子将泵的坐标点云数据中心耳的几何形态缩放至空间单位立方体内，得到预处理后的几何点云数据。接着，采用无重复抽样的方式对预处理后的几何点云数据进行随机抽样，随机抽样的点数与第一神经网络模型中设定的输入点数保持相同，例如1024。由于本申请采用了无重复抽样的方式，可以解决不同型号的流体机械形态大小不同，提取的表面点云数目也各不相同，从而导致不同点云间点数不统一的问题，随机且无重复抽样的方式，适用于任何几何形态的泵。
步骤202、将坐标点云数据作为输入数据，输入神经网络模型的第一子模型。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301的输入层的维度为N×n，N为坐标点的数据且N为正整数，n为坐标点云的空间维度，例如n取3对应x、y、z三个方向的坐标。示例性的，N取1024，n取3，表征提取的是三维空间中泵的泵体表面的1024个坐标点的坐标点云数据作为神经网络模型的第一子模型301的输入数据。
步骤203、通过神经网络模型的第一子模型的第一空间变换层，对坐标点云数据进行仿射变换，得到n维空间的坐标变换后的坐标点云数据。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301的输入层之后的第一空间变换层，是一个用于坐标变换的辅助神经网络称为T-Net网络，T-Net网络参数和主网络参数一同训练得到，本申请通过T-Net网络对坐标点云数据进行仿射变换，即通过T-Net网络对样本数据中的空间坐标进行坐标变换，得到一个新的维度为N×n的坐标点云数据。
步骤204、通过神经网络模型的第一子模型的第一一维卷积层，将n维空间的坐标变换后的坐标点云数据向m维空间映射，得到m维空间的几何特征数据。
其中，m为大于n的正整数。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301的第一一维卷积层的卷积核数为m，通过第一一维卷积层，将坐标变换后的坐标点云数据向高维空间映射，由原来的n维例如三维空间映射至m维空间，得到m维空间的几何特征数据。
步骤205、基于m维空间的几何特征数据，提取几何形态特征向量。
本申请实施例中，将n维空间的坐标变换后的坐标点云数据向m维空间映射以提取几何形态特征向量，增加了神经网络的非线性拟合能力，更加逼近于真实的几何形态。
本申请实施例中，步骤205基于m维空间的几何特征数据，提取几何形态特征向量，可以通过如图4所示的步骤实现：
步骤2051、通过神经网络模型的第一子模型的第二空间变换层，对m维空间的几何特征数据进行仿射变换，得到m维空间的坐标变换后的几何特征数据。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301的第二空间变换层，是一个用于坐标变换的T-Net网络，通过T-Net网络进行空间坐标变换得到新的N×m的几何特征数据。
步骤2052、通过神经网络模型的第一子模型的第二一维卷积层，将m维空间的坐标变换后的几何特征数据向f维空间映射，得到f维空间的几何特征数据。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301的第二一维卷积层的卷积核数为f，通过第二一维卷积层，进一步将维度升至f维，得到N×f维空间的几何特征数据。
步骤2053、通过神经网络模型的第一子模型的池化层，对f维空间的几何特征数据进行最大值池化，并将池化后的数据输入神经网络模型的第一子模型的全连接层，得到全连接层输出的几何形态特征向量。
本申请实施例中，参见图3所示，神经网络模型的第一子模型301设置有一层最大池化层，对f维的几何特征数据进行最大值池化，并将最大池化后的几何特征数据输入神经网络模型的第一子模型的全连接层，在经过全连接层变换后提取到几何点云的几何形态特征向量p×1。本申请实施例中，可以在每一个卷积层之后均设置激活层和批归一化层，以增加神经网络的非线性拟合能力，并方便训练。
步骤206、获取泵的运行状态特征数据。
本申请实施例中，对流体机械在一定工况下进行实验或者计算流体动力学(Computational Fluid Dynamics，CFD)模拟计算，并从CFD模拟计算结果或者试验结果中获取泵的运行状态特征数据如转速、功率、电流、电压、相位差、功率转化效率等。
步骤207、将运行状态特征数据作为输入数据，输入神经网络模型的第二子模型。
本申请实施例中，参见图3所示，神经网络模型的第二子模型302的输入层的维度为k×1，其中，k为从上述泵的运行状态特征数据中选取的输入参数的数量，例如，选取转速和功率时，k为2，选取转速、电流和电压时，k为3。
步骤208、通过神经网络模型的第二子模型的多层全连接层，依次对运行状态特征数据进行非线性变换，得到运行状态特征向量。
本申请实施例中，参见图3所示，运行状态特征数据经过神经网络模型的第二子模型302的多层全连接层的非线性变换之后得到维度h×1的运行状态特征向量。本申请中可以在每一个全连接层之后均设置激活层和批归一化层，以增加神经网络的非线性拟合能力，并方便训练。
本申请实施例中，参见图3所示，神经网络模型的第二子模型302的输入层到神经网络模型的第二子模型的输出层即最后一层全连接层之间，还可以得到维度g×1的运行状态特征向量，其中，k＜g＜h，且k、g、h均为正整数。
步骤209、将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型的第三子模型。
步骤210、对几何形态特征向量与运行状态特征向量进行拼接。
步骤211、通过神经网络模型的第三子模型的隐藏层包含的多层全连接层，依次对拼接后的向量进行非线性变换，得到输出层输出的压差和流量。
本申请实施例中，神经网络模型的第三子模型的多层全连接层可以看作一个预测网络模型，参见图3所示，预测网络模型303是将几何形态特征向量与运行状态特征向量合并，进而预测得到最终的压差和流量。在一些实施例中，参见图3所示，预测网络模型303先将提取的h×1的运行状态特征向量和提取的p×1的几何形态特征向量进行拼接，然后用多层全连接层的网络对拼接后的向量进行非线性变换最终得到2×1的输出层，分别对应最终的压差和流量。为增加神经网络的非线性拟合能力和方便训练，在每一个全连接层之后均设置激活层和批归一化层。参见图3所示，预测网络模型303的多层全连接层的中间层的维度大于输出层的维度2×1，小于拼接层的维度(h+p)×1，示例性的，其中一个中间层的维度p×1。
本申请实施例中，图3中神经网络模型的第一子模型301中的T-Net网络的结构如图5所示，输入层之后设置一系列一维卷积层将特征维度逐步提高到f维度，然后设置最大值池化层进行最大值池化，在通过全连接层和变形层将池化后的特征映射为m×m的矩阵，然后将其与输入层进行内积运算得到维度为N×m数据特征作为输出。同样为了增加神经网络的非线性和易训练性在每层卷积层之后设置激活层和批归一化层。为增加神经网络的非线性拟合能力和方便训练，在每一个卷积层之后均设置激活层和批归一化层。
在采用第二种结构形式的神经网络模型，进行血泵运行状态监测的过程中，本申请实施例提供一种血泵运行状态的监测方法，该方法应用于电子设备，参见图6所示，该方法包括：
步骤401、获取泵的几何形态特征向量。
步骤402、获取泵的运行状态特征向量。
步骤403、将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型。
其中，神经网络模型的输入层的维度等于输入向量的总数。
步骤404、通过神经网络模型的隐藏层包含的多层全连接层，依次对输入向量进行非线性变换，得到输出层输出的压差和流量。
本申请实施例中，将几何形态特征向量和运行状态特征向量进行组合作为输入数据，构建如图7所示的第二种神经网络结构的神经网络模型，神经网络模型的输入层的维度为k×1，等于输入向量的总数，输入层之后设置三层全连接层，三层全连接层的维度分别为g×1、h×1和p×1，该神经网络模型对输入数据进行一系列非线性变化最终得到维度为(2×1)的输出层，输出层对应着所要预测的压差和流量。经过训练时候该模型可以预测输入的新几何形态的泵在输入运行状态下的压差和流量。为增加神经网络的非线性拟合能力和方便训练，在每一个全连接层之后均设置激活层和批归一化层。
在一个可实现的场景中，对神经网络模型从构建到应用的过程进行说明，参见图8所示，通过如下步骤实现对压差和流量的预测，
步骤501、构建预测压差和流量的神经网络模型。
步骤502、采集不同型号的泵在不同工况下的运行状态数据，以构建数据集。
步骤503、利用数据集训练上述神经网络模型。
步骤504、获取当前预测场景中的输入向量，并输入上述神经网络模型，得到输出的压差和流量。
在第一个示例性的场景中，以采用第二种神经网络结构的神经网络模型为例，对神经网络模型从构建到应用的过程进行说明：
第一阶段，构建神经网络模型。示例一，设置输入层的维度为(7×1)，其中，7指的是泵的几何形态由5个参数如叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙表征，泵的运行状态由2个参数如转速，功率表征；之后如图7所示设置三层全连接层，各层的神经元个数分别为(30，50，20)，其中，各层的神经元个数还可以适当增加；最后一层为输出层且输出层的维度为(2×1)，输出层对应着所要预测的压差和流量。本申请中为增加神经网络的非线性拟合能力和方便训练，在每一个全连接层之后均设置激活层和批归一化层。
示例二，设置输入层的维度为(16×1)，其中，16指的是泵的几何形态由13个参数如叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙，叶轮高度，轮毂高度，轮毂直径，轮毂比，叶片进口和出口气流角，叶片的厚度，包角表征，泵的运行状态由3个参数如转速、电压、电流表征。其中，转速获得方式如下：在电机前串联一个电阻，这样电刷换向前后的电流变化就会在电阻两端产生电压变化，对电压放大之后进行AD采样，即可得到换向的电压波动信号。将波动信号进行FFT变换得到的频率信号即电机的转速。构建神经网络模型的其余部分与示例一相同。
示例三，设置输入层的维度为(17×1)，其中，17指的是泵的几何形态由13个参数如叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙，叶轮高度，轮毂高度，轮毂直径，轮毂比，叶片进口和出口气流角，叶片的厚度，包角表征，泵的运行状态由4个参数如转速、电压、电流、电压与电流的相位差表征。其中，转速的获取方式如下：将电机电源线耦合进入一个电磁感应线圈，电刷换向前后会在电磁感应线圈内产生电流，对电流信号进行放大之后进行AD采样，将采集的电流信号进行FFT变化得到的频率信号即电机的转速。构建神经网络模型的其余部分与示例一相同。
示例四，设置输入层的维度为(18×1)，其中，18指的是泵的几何形态由13个参数如叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙，叶轮高度，轮毂高度，轮毂直径，轮毂比，叶片进口和出口气流角，叶片的厚度，包角表征，泵的运行状态由5个参数如转速、电压、电流、电压与电流的相位差和功率转化效率表征。构建神经网络模型的其余部分与示例一相同。
第二阶段，构建数据集。该步骤的实现过程如图9所示：
执行步骤601、采集状态数据；对一定型号的流体机械在一定工况下进行CFD模拟，并从CFD模拟计算结果中采集状态数据如转速、功率以及输出变量压差和流量。
执行步骤602、采集几何数据；提取流体机械装置的几何特征参数：叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙，叶轮高度，轮毂高度，轮毂直径，轮毂比，叶片进口和出口气流角，叶片的厚度和包角。
执行步骤603、数据预处理；对采集的数据进行归一化处理，消除不同参数间由于度量单位引起的数量级差异。
执行步骤604、将状态数据和几何特征数据拼接为维度为(15×1)的向量作为模型的输入，以压差和流量作为训练用的标签组成样本。
示例性的，对30种不同型号的流体机械分别在300种不同的工况下分别进行CFD模拟，构建出样本数为9000的数据集。
第三阶段，模型训练。利用第二阶段中生成的数据集，选用Adam优化器对第一阶段中构建的神经网络模型进行训练，损失函数选用回归问题中常用MSE损失函数，经过训练优化之后即可得到可以预测压差和流量的神经网络模型。
第四阶段，采集实际运行过程中流体机械的状态数据和几何数据，经过数据处理之后将其输入至神经网络模型，将预测结果再乘以各自的归一化因子后得到最终的压差和流量。
在第二个示例性的场景中，以采用第一种神经网络结构的神经网络模型为例，对神经网络模型从构建到应用的过程进行说明：
第一阶段，获取泵的运行状态特征向量。
这里，结合下述示例一至示例四以及图3，对神经网络模型的第二子模型302的结构进行说明，并给出不同结构对应的输入参数：
示例一，神经网络模型的第二子模型302的输入层的维度为(2×1)的向量。输入层之后设置两层全连接层，两层全连接层的维度分别为g×1和h×1，两层全连接层的神经元个数分别为(30，50)。经过两层全连接层的非线性变换之后得到(50×1)的运行状态特征向量。为增加神经网络的非线性拟合能力和方便训练，在每一个全连接层之后均设置激活层和批归一化层。
示例二，神经网络模型的第二子模型302的输入的状态数据为转速、电压、电流，因此输入层的维度为(3×1)，同时数据集构造过程中采集的状态数据为转速、电压、电流，并且数据是通过实验方式获得，其中转速获得通过如下方式：在电机前串联一个电阻，这样电刷换向前后的电流变化就会在电阻两端产生电压变化，对电压放大之后进行AD采样，即可得到换向的电压波动信号。将波动信号进行FFT变换得到的频率信号即电机的转速。神经网络模型的第二子模型的其余部分与示例一相同。
示例三，神经网络模型的第二子模型302的输入的状态数据为转速、电压、电流、电源与电流相位差，因此输入层的维度为(4×1)，同时数据集构造过程中采集的状态数据为转速、电压、电流、电源与电流相位差，并且，数据构造通过实验的方式获得，其中转速的获取方式如下：将电机电源线耦合进入一个电磁感应线圈，电刷换向前后会在电磁感应线圈内产生电流，对电流信号进行放大之后进行AD采样，将采集的电流信号进行FFT变化得到的频率信号即电机的转速。神经网络模型的第二子模型的其余部分与示例一相同。
示例四，神经网络模型的第二子模型302的输入的状态数据为转速、电压、电流、电源与电流相位差和功率转化效率，因此输入层的维度为(5×1)，同时数据集构造过程中采集的状态数据为转速、电压、电流电源与电流相位差和功率转化效率。神经网络模型的第二子模型的其余部分与示例一相同。
第二阶段，获取泵的几何形态特征向量。
这里，结合图3，对神经网络模型的第一子模型301的结构进行说明：
从泵的坐标点云中提取几何特征信息，神经网络模型的第一子模型301输入层输入的是维度为(1024×3)的坐标点云，1024是坐标点的数目，3对应x、y、z三个方向的坐标。输入层之后是一个用于坐标变换的T-Net网络，对样本数据中的空间坐标进行坐标变换，得到一个新的维度为(1024×3)的特征数据，之后通过1维卷积层，卷积核数为64，将其向高维空间映射，由原来的3维空间映射至m维空间；再通过T-Net网络进行空间坐标变换得到新的(1024×64)特征数据；之后再通过一维卷积层，卷积核数为512进一步将维度升至512维，然后设置一层最大池化层对512维的特征进行最大值池化，然后再通用全连接层变换之后得到(50×1)几何特征向量。为增加神经网络的非线性拟合能力和方便训练，在每一个卷积层之后均设置激活层和批归一化层。
在采用第一种神经网络结构的神经网络模型的过程中，通过如下方式生成数据集，如图10所示：
执行步骤701、采集状态数据；对一定型号的流体机械在一定工况下进行CFD模拟计算或者试验，并从CFD模拟计算结果中采集实验过程中的状态数据如转速、功率以及输出变量压差和流量等。
执行步骤702、采集几何数据；提取流体机械装置表面的坐标点云。
执行步骤703、数据预处理；对采集的状态数据进行归一化处理，其中状态数据根据数量级采用选取不同归一化因子进行归一化，坐标点云的归一化处理方式为分别沿x、y、z三个方向减去各自的平均值，将几何中心点平移至坐标原点，然后通过统一的缩放因子将心耳的几何形态缩放至空间单位立方体内。
执行步骤704、随机抽样；由于不同型号的流体机械形态大小不同，提取的表面点云数目也各不相同，为了解决不同点云间点数不统一的问题，本申请采用无重复抽样的方式从数据预处理后的几何点云数据进行随机抽样，随机抽样的点数与图3中第一神经网络模型301中设定的输入点数保持相同例如为1024。
执行步骤705、将状态数据作为网络中第一数据层的输入，几何点云作为第二输入数据，压差和流量作为训练标签组成数据样本。
示例性的，对30种不同型号的流体机械分别在300种不同工况下进行CFD模拟，从而构建样本数为9000的数据集。
在采用第一种神经网络结构的全连接神经网络模型的过程中，利用生成的数据集，选用Adam优化器对构建的全连接神经网络模型进行训练，损失函数选用回归问题中常用MSE损失函数，经过训练优化之后即可得到可从预测压差和流量的神经网络模型。
第三阶段，合并第一阶段和第二阶段提取的特征向量，并预测得到最终的压差和流量。将提取的(50×1)的状态信息特征向量和提取的(50×1)的几何特征向量进行拼接，然后用多层全连接层的网络对拼接后的向量进行非线性变换，神经元的个数分别为(50，20，2)最终得到(2×1)的输出层，分别对应最终的压差和流量。为增加神经网络的非线性拟合能力和方便训练，在每一个全连接层之后均设置激活层和批归一化层。
第四阶段，采集实际运行过程中流体机械的状态数据和几何数据，经过数据处理之后将其输入至全连接神经网络模型，将预测结果再乘以各自的归一化因子后得到最终的压差和流量。
本申请的实施例提供一种血泵运行状态的监测装置，该血泵运行状态的监测装置可以用于实现图1、2、6对应的实施例提供的一种血泵运行状态的监测方法，参照图11所示，该血泵运行状态的监测装置包括：
获取模块801，用于获取泵的几何形态特征向量；
获取模块801，用于获取泵的运行状态特征向量；
处理模块802，用于将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；
处理模块802，用于通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量。
本申请其他实施例中，获取模块801，用于从泵的n维空间建模数据中，提取泵的泵体表面的坐标点云数据，n为正整数；将坐标点云数据作为输入数据，输入神经网络模型的第一子模型；通过神经网络模型的第一子模型的第一空间变换层，对坐标点云数据进行仿射变换，得到n维空间的坐标变换后的坐标点云数据；通过神经网络模型的第一子模型的第一一维卷积层，将n维空间的坐标变换后的坐标点云数据向m维空间映射，得到m维空间的几何特征数据；其中，m为大于n的正整数；基于m维空间的几何特征数据，提取几何形态特征向量。
本申请其他实施例中，获取模块801，用于通过神经网络模型的第一子模型的第二空间变换层，对m维空间的几何特征数据进行仿射变换，得到m维空间的坐标变换后的几何特征数据；通过神经网络模型的第一子模型的第二一维卷积层，将m维空间的坐标变换后的几何特征数据向f维空间映射，得到f维空间的几何特征数据；通过神经网络模型的第一子模型的池化层，对f维空间的几何特征数据进行最大值池化，并将池化后的数据输入神经网络模型的第一子模型的全连接层，得到全连接层输出的几何形态特征向量。
本申请其他实施例中，获取模块801，用于获取泵的运行状态特征数据；将运行状态特征数据作为输入数据，输入神经网络模型的第二子模型；通过神经网络模型的第二子模型的多层全连接层，依次对运行状态特征数据进行非线性变换，得到运行状态特征向量。
本申请其他实施例中，处理模块802，用于对几何形态特征向量与运行状态特征向量进行拼接；通过神经网络模型的第三子模型的隐藏层包含的多层全连接层，依次对拼接后的向量进行非线性变换，得到输出层输出的压差和流量。
本申请其他实施例中，神经网络模型的输入层的维度等于输入向量的总数，处理模块802，用于通过神经网络模型的隐藏层包含的多层全连接层，依次对输入向量进行非线性变换，得到输出层输出的压差和流量。
本申请其他实施例中，泵的几何形态至少由如下参数表征：叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙；泵的运行状态至少由如下参数表征：转速，功率。
本申请实施例提供的血泵运行状态的监测装置，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；通过神经网络模型的隐藏层对输入向量进行非线性变换，得到神经网络模型的输出层输出的泵在运行状态下的压差和流量；可见，本申请提供的血泵运行状态的监测方法，利用神经网络模型更好地逼近输入的多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量。
本申请的实施例提供一种电子设备，图12所示的电子设备9包括：
数据采集器901，可以直接连流体机械设备如泵获取相关的数据。
输入输出接口902，可以从外接设备中输入所需的数据，还可以将电子设备生成的数据对外输出至其他设备。
存储器903，可以存储从数据采集器901和输入输出接口902得到的数据，还可以存储处理器904运行过程产出的任何中间数据和结果数据，除此之外还可以存储实现本申请的血泵运行状态的监测算法的计算机程序。
处理器904，可以执行存储器903中存储的计算机程序和读取运行程序所需的数据，以实现压差和流量的计算方法。
通信总线905，将上述各个模块连接在一起，实现上述各个模块之间的通信和数据传输。
处理器可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
本申请实施例提供的电子设备，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的全连接神经网络模型；通过全连接神经网络模型的隐藏层对输入向量进行非线性变换，得到全连接神经网络模型的输出层输出的泵在运行状态下的压差和流量；可见，本申请提供的血泵运行状态的监测方法，利用全连接神经网络模型更好地逼近输入的多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、2、6对应的实施例提供的血泵运行状态的监测方法中的实现过程，此处不再赘述。
本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
本申请实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图1、2、6示出的方法。
本申请实施例提供的存储介质，通过获取泵的几何形态特征向量；获取泵的运行状态特征向量；将几何形态特征向量与运行状态特征向量作为输入向量，输入经过训练的神经网络模型；通过神经网络模型的隐藏层对输入向量进行非线性变换，得到全连接神经网络模型的输出层输出的泵在运行状态下的压差和流量；可见，本申请提供的血泵运行状态的监测方法，利用神经网络模型更好地逼近输入的多个变量之间的非线性复杂相关关系，从而可以准确地预测输入的几何形态特征向量对应的新几何形态的泵，在输入的运行状态特征向量对应的运行状态下的压差和流量。
在一些实施例中，存储介质可以是计算机可读存储介质，例如，铁电存储器(FRAM，Ferromagnetic Random Access Memory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPROM，Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM，Compact Disk-Read Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(超文本标记语言，Hyper Text Markup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。
Claims (8)
1.一种血泵运行状态的监测方法，其特征在于，所述方法包括：
获取泵的几何形态特征向量；
获取所述泵的运行状态特征向量；
将所述几何形态特征向量与所述运行状态特征向量作为输入向量，输入经过训练的神经网络模型；
通过所述神经网络模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量；
其中，所述获取泵的几何形态特征向量，包括：
从所述泵的维空间建模数据中，提取所述泵的泵体表面的坐标点云数据，所述/>为正整数；
将所述坐标点云数据作为输入数据，输入神经网络模型的第一子模型；
通过所述第一子模型的第一空间变换层，对所述坐标点云数据进行仿射变换，得到所述维空间的坐标变换后的坐标点云数据；
通过所述第一子模型的第一一维卷积层，将所述维空间的坐标变换后的坐标点云数据向/>维空间映射，得到所述/>维空间的几何特征数据；其中，所述/>为大于n的正整数；
基于所述维空间的几何特征数据，提取所述几何形态特征向量；
所述获取所述泵的运行状态特征向量，包括：
获取所述泵的运行状态特征数据；
将所述运行状态特征数据作为输入数据，输入神经网络模型的第二子模型；
通过所述第二子模型的多层全连接层，依次对所述运行状态特征数据进行非线性变换，得到所述运行状态特征向量。
2.根据权利要求1所述的方法，其特征在于，所述基于所述维空间的几何特征数据，提取所述几何形态特征向量，包括：
通过所述第一子模型的第二空间变换层，对所述维空间的几何特征数据进行仿射变换，得到所述/>维空间的坐标变换后的几何特征数据；
通过所述第一子模型的第二一维卷积层，将所述维空间的坐标变换后的几何特征数据向/>维空间映射，得到所述/>维空间的几何特征数据；
通过所述第一子模型的池化层，对所述维空间的几何特征数据进行最大值池化，并将池化后的数据输入所述第一子模型的全连接层，得到所述全连接层输出的所述几何形态特征向量。
3.根据权利要求1所述的方法，其特征在于，所述通过所述神经网络模型的第三子模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量，包括：
对所述几何形态特征向量与所述运行状态特征向量进行拼接；
通过所述第三子模型的所述隐藏层包含的多层全连接层，依次对拼接后的向量进行非线性变换，得到所述输出层输出的所述压差和所述流量。
4.根据权利要求1所述的方法，其特征在于，所述神经网络模型的输入层的维度等于所述输入向量的总数，所述通过所述神经网络模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量，包括：
通过所述神经网络模型的隐藏层包含的多层全连接层，依次对所述输入向量进行非线性变换，得到所述输出层输出的所述压差和所述流量。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述泵的几何形态至少由如下参数表征：叶轮直径，叶轮出口直径，叶轮进口直径，叶片数目，叶轮与壳体之间的间隙；所述泵的运行状态至少由如下参数表征：转速，功率。
6.一种血泵运行状态的监测装置，其特征在于，所述装置包括：
获取模块，用于获取泵的几何形态特征向量；
所述获取模块，用于获取所述泵的运行状态特征向量；
处理模块，用于将所述几何形态特征向量与所述运行状态特征向量作为输入向量，输入经过训练的神经网络模型；
所述处理模块，用于通过所述神经网络模型的隐藏层对所述输入向量进行非线性变换，得到所述神经网络模型的输出层输出的所述泵在运行状态下的压差和流量；
所述获取模块，用于从所述泵的维空间建模数据中，提取所述泵的泵体表面的坐标点云数据，所述/>为正整数；
将所述坐标点云数据作为输入数据，输入神经网络模型的第一子模型；
通过所述第一子模型的第一空间变换层，对所述坐标点云数据进行仿射变换，得到所述维空间的坐标变换后的坐标点云数据；
通过所述第一子模型的第一一维卷积层，将所述维空间的坐标变换后的坐标点云数据向/>维空间映射，得到所述/>维空间的几何特征数据；其中，所述/>为大于n的正整数；
基于所述维空间的几何特征数据，提取所述几何形态特征向量；
所述获取模块，用于获取所述泵的运行状态特征数据；
将所述运行状态特征数据作为输入数据，输入神经网络模型的第二子模型；
通过所述第二子模型的多层全连接层，依次对所述运行状态特征数据进行非线性变换，得到所述运行状态特征向量。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令，实现如权利要求1至5中任一项所述的血泵运行状态的监测方法。
8.一种存储介质，其特征在于，存储有可执行指令，当所述可执行指令被执行时，用于引起处理器执行权利要求1至5中任一项所述的血泵运行状态的监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210306549.8A CN114790982B (zh) | 2022-03-25 | 2022-03-25 | 血泵运行状态的监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210306549.8A CN114790982B (zh) | 2022-03-25 | 2022-03-25 | 血泵运行状态的监测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114790982A CN114790982A (zh) | 2022-07-26 |
| CN114790982B true CN114790982B (zh) | 2024-03-05 |
Family
ID=82462362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210306549.8A Active CN114790982B (zh) | 2022-03-25 | 2022-03-25 | 血泵运行状态的监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114790982B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116726378B (zh) * | 2023-06-13 | 2024-03-22 | 心擎医疗（苏州）股份有限公司 | 流量确定方法、流量检测模型的训练方法、设备及介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104043153A (zh) * | 2014-06-18 | 2014-09-17 | 冯森铭 | 一种用于人工心脏压力与流量控制的装置与控制方法 |
| EP2851099A1 (en) * | 2013-09-20 | 2015-03-25 | Berlin Heart GmbH | Blood pump control system for controlling a blood pump |
| CN206103035U (zh) * | 2016-06-28 | 2017-04-19 | 清华大学 | 一种血液泵测试系统 |
| CN108671296A (zh) * | 2018-05-25 | 2018-10-19 | 中国计量大学 | 一种多层级多目标左心室辅助血泵生理控制系统 |
| CN109872247A (zh) * | 2018-12-10 | 2019-06-11 | 清华大学 | 一种泵组特性曲线拟合方法 |
| CN111237181A (zh) * | 2020-01-10 | 2020-06-05 | 常州英集动力科技有限公司 | 水泵系统的运行特性在线辨识及优化调控方法及调控系统 |
| CN112431750A (zh) * | 2020-11-10 | 2021-03-02 | 北京昊鹏智能技术有限公司 | 系统状态检测方法、装置、设备、系统及存储介质 |
| CN112597064A (zh) * | 2021-03-02 | 2021-04-02 | 芯华章科技股份有限公司 | 对程序进行仿真的方法、电子设备及存储介质 |
| CN112836734A (zh) * | 2021-01-27 | 2021-05-25 | 深圳市华汉伟业科技有限公司 | 一种异源数据融合方法及装置、存储介质 |
| CN113769262A (zh) * | 2021-08-04 | 2021-12-10 | 浙江迪远医疗器械有限公司 | 一种控制血泵的方法、装置、电子设备及存储介质 |
| CN114066888A (zh) * | 2022-01-11 | 2022-02-18 | 浙江大学 | 一种血流动力学指标确定方法、装置、设备及存储介质 |
| CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
| CN114126701A (zh) * | 2019-05-31 | 2022-03-01 | 阿比奥梅德公司 | 主动脉内压预测 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6632169B2 (en) * | 2001-03-13 | 2003-10-14 | Ltk Enterprises, L.L.C. | Optimized pulsatile-flow ventricular-assist device and total artificial heart |
-
2022
- 2022-03-25 CN CN202210306549.8A patent/CN114790982B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2851099A1 (en) * | 2013-09-20 | 2015-03-25 | Berlin Heart GmbH | Blood pump control system for controlling a blood pump |
| CN104043153A (zh) * | 2014-06-18 | 2014-09-17 | 冯森铭 | 一种用于人工心脏压力与流量控制的装置与控制方法 |
| CN206103035U (zh) * | 2016-06-28 | 2017-04-19 | 清华大学 | 一种血液泵测试系统 |
| CN108671296A (zh) * | 2018-05-25 | 2018-10-19 | 中国计量大学 | 一种多层级多目标左心室辅助血泵生理控制系统 |
| CN109872247A (zh) * | 2018-12-10 | 2019-06-11 | 清华大学 | 一种泵组特性曲线拟合方法 |
| CN114126701A (zh) * | 2019-05-31 | 2022-03-01 | 阿比奥梅德公司 | 主动脉内压预测 |
| CN111237181A (zh) * | 2020-01-10 | 2020-06-05 | 常州英集动力科技有限公司 | 水泵系统的运行特性在线辨识及优化调控方法及调控系统 |
| CN112431750A (zh) * | 2020-11-10 | 2021-03-02 | 北京昊鹏智能技术有限公司 | 系统状态检测方法、装置、设备、系统及存储介质 |
| CN112836734A (zh) * | 2021-01-27 | 2021-05-25 | 深圳市华汉伟业科技有限公司 | 一种异源数据融合方法及装置、存储介质 |
| CN112597064A (zh) * | 2021-03-02 | 2021-04-02 | 芯华章科技股份有限公司 | 对程序进行仿真的方法、电子设备及存储介质 |
| CN113769262A (zh) * | 2021-08-04 | 2021-12-10 | 浙江迪远医疗器械有限公司 | 一种控制血泵的方法、装置、电子设备及存储介质 |
| CN114109859A (zh) * | 2021-10-27 | 2022-03-01 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
| CN114066888A (zh) * | 2022-01-11 | 2022-02-18 | 浙江大学 | 一种血流动力学指标确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114790982A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
| CN114790982B (zh) | 血泵运行状态的监测方法、装置、电子设备及存储介质 | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN112883149B (zh) | 一种自然语言处理方法以及装置 | |
| JP7191443B2 (ja) | 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム | |
| Chen et al. | Novel data-driven approach based on capsule network for intelligent multi-fault detection in electric motors | |
| CN113222170B (zh) | 一种用于物联网ai协同服务平台的智能算法和模型 | |
| CN113408341A (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
| CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
| Chen et al. | Noise-boosted convolutional neural network for edge-based motor fault diagnosis with limited samples | |
| Singh et al. | A comparative analysis of deep learning algorithms for skin cancer detection | |
| Sailesh et al. | A novel framework for deployment of CNN models using post-training quantization on microcontroller | |
| CN116726378B (zh) | 流量确定方法、流量检测模型的训练方法、设备及介质 | |
| CN115952928B (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN115659844A (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
| CN116629137A (zh) | 风电机组能效管理方法、装置及变桨通讯控制系统 | |
| CN115994323A (zh) | 设备故障诊断模型建立方法以及设备故障诊断方法 | |
| CN115887906A (zh) | 一种心室导管泵的抽吸事件检测方法及装置 | |
| CN113298116B (zh) | 基于注意力权重的图嵌入特征提取方法、装置及电子设备 | |
| CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
| Wei et al. | Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China | |
| Xu et al. | Deep multi-scale residual connected neural network model for intelligent athlete balance control ability evaluation | |
| CN111898636B (zh) | 一种数据处理方法及装置 | |
| CN113011580B (zh) | 一种嵌入表征的处理方法以及相关设备 |
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 |