CN115331415B - 氧气浓度预警方法、装置、电子设备及可读存储介质 - Google Patents

氧气浓度预警方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN115331415B
CN115331415B CN202211256512.5A CN202211256512A CN115331415B CN 115331415 B CN115331415 B CN 115331415B CN 202211256512 A CN202211256512 A CN 202211256512A CN 115331415 B CN115331415 B CN 115331415B
Authority
CN
China
Prior art keywords
oxygen concentration
sequence
value
prediction
difference
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
Application number
CN202211256512.5A
Other languages
English (en)
Other versions
CN115331415A (zh
Inventor
安生永
史玉盼
耿燕
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.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
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 Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202211256512.5A priority Critical patent/CN115331415B/zh
Publication of CN115331415A publication Critical patent/CN115331415A/zh
Application granted granted Critical
Publication of CN115331415B publication Critical patent/CN115331415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Abstract

本申请适用于氧气浓度预测技术领域，提供了氧气浓度预警方法、装置、电子设备及可读存储介质，该方法包括：获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段；将氧气浓度值序列中相邻的两个氧气浓度值划分为一个组；分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列；对均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内制氧设备管道内的氧气预测结果，基于预测结果进行氧气浓度预警。本申请可以提高氧气浓度预测效率，更快响应制氧设备中氧气浓度的变化。

Description

氧气浓度预警方法、装置、电子设备及可读存储介质
技术领域
本申请属于氧气浓度预测技术领域，尤其涉及氧气浓度预警方法、装置、电子设备及可读存储介质。
背景技术
PSA制氧系统是在医院中广泛使用，它是维持病人生命和临床治疗的重要手段，但是部分医院PSA制氧设备存在安装时间长、使用频率高、存在氧气含量不足、有害气体杂质增多等问题，为了保证医用氧气的安全性和有效性，医院和药检部门需要及时掌握PSA制氧设备的安全，避免因氧气浓度低（浓度应大于等于90%），有害气体超标等造成的不必要的损失。
RNN是一种具有记忆功能的神经网络，随着时间序列的增长会出现梯度消失或梯度爆炸的问题。LSTM是在RNN的基础上引入了门控单元，同时添加了长记忆参数，可以有效解决梯度消失的问题。LSTM中参数较多，在预测氧气浓度时，计算机计算效率较低。
发明内容
本申请实施例提供了氧气浓度预警方法、装置、电子设备及可读存储介质，以提高氧气浓度预测效率，更快响应制氧设备中氧气浓度的变化。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种氧气浓度预警方法，包括：
获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段。
将氧气浓度值序列中相邻的两个氧气浓度值划分为一个组。
分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列。
对均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内制氧设备管道内的氧气预测结果，基于预测结果进行氧气浓度预警，其中，第二时段的起始时刻为当前时刻。
结合第一方面，在一些可能的实现方式中，获取第一时段内制氧设备管道内的氧气浓度值序列，包括：获取第一时段内制氧设备管道内的测量氧气浓度值；对测量氧气浓度值进行卡尔曼滤波，得到氧气浓度值；基于氧气浓度值，得到氧气浓度值序列。
结合第一方面，在一些可能的实现方式中，氧气浓度值序列中的氧气浓度值个数为偶数个。
结合第一方面，在一些可能的实现方式中，均值序列的序列长度为氧气浓度值序列的序列长度的一半；差值序列的序列长度为氧气浓度值序列的序列长度的一半。
结合第一方面，在一些可能的实现方式中，氧气浓度值通过以下公式计算得到：
Figure 52824DEST_PATH_IMAGE001
其中，
Figure 790973DEST_PATH_IMAGE002
为t时刻的卡尔曼增益，H为观测矩阵，
Figure 638843DEST_PATH_IMAGE003
，R为观 测噪声对应的协方差矩阵，
Figure 891970DEST_PATH_IMAGE004
,
Figure 381857DEST_PATH_IMAGE005
，
Figure 708933DEST_PATH_IMAGE006
，
Figure 196546DEST_PATH_IMAGE007
为t时 刻的预测的氧气浓度值，
Figure 874652DEST_PATH_IMAGE008
为t-1时刻的氧气浓度值，A为状态转移矩阵，B为系统参数，
Figure 637072DEST_PATH_IMAGE009
为系统参数，
Figure 146551DEST_PATH_IMAGE010
为t-1时刻
Figure 867382DEST_PATH_IMAGE011
对应的协方差，
Figure 767205DEST_PATH_IMAGE012
为
Figure 536578DEST_PATH_IMAGE013
对应的协方差矩阵，Q为系统 噪声的协方差，
Figure 838246DEST_PATH_IMAGE014
为t时刻的测量氧气浓度值。
结合第一方面，在一些可能的实现方式中，预测结果包括预测均值和预测差值，对均值序列和差值序列分别进行长短期记忆网络预测，得到预测结果，包括：对均值序列进行长短期记忆网络预测，得到预测均值；对差值序列进行长短期记忆网络预测，得到预测差值。
结合第一方面，在一些可能的实现方式中，基于预测结果进行氧气浓度预警，包括：在预测结果满足下述至少一种情况时，执行氧气浓度预警：预测均值小于第一阈值；预测差值的绝对值大于第二阈值；预测均值大于第一阈值且预测差值的绝对值小于第二阈值时，若预测均值与预测差值的绝对值一半的差小于第三阈值。
第二方面，本申请实施例提供了一种氧气浓度预警装置，包括：
获取模块，用于获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段。
序列模块，用于将氧气浓度值序列中相邻的两个氧气浓度值划分为一个组。
数据处理模块，用于分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列。
预测模块，用于对均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内制氧设备管道内的氧气预测结果，基于预测结果进行氧气浓度预警，其中，第二时段的起始时刻为当前时刻。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的氧气浓度预警方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的氧气浓度预警方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的氧气浓度预警方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请将第一时段内制氧设备管道内的氧气浓度值序列进行相邻数据间的差值和均值运算，分别对其均值序列和均值序列进行预测，这种并行运算方式提高了计算效率，降低计算机硬件的要求，同时不降低预测精度，从而使工作人员可以更快响应制氧设备中氧气浓度的变化。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的氧气浓度预警方法的应用场景示意图；
图2是本申请一实施例提供的氧气浓度预警方法的流程示意图；
图3是本申请一实施例提供的氧气浓度预警装置的结构示意图；
图4是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
PSA制氧系统是在医院中广泛使用，它是维持病人生命和临床治疗的重要手段，但是部分医院PSA制氧设备存在安装时间长、使用频率高、存在氧气含量不足、有害气体杂质增多等问题，为了保证医用氧气的安全性和有效性，医院和药检部门需要及时掌握PSA制氧设备的安全，避免因氧气浓度低（浓度应大于等于90%），有害气体超标等造成的不必要的损失。
RNN是一种具有记忆功能的神经网络，随着时间序列的增长会出现梯度消失或梯度爆炸的问题。LSTM是在RNN的基础上引入了门控单元，同时添加了长记忆参数，可以有效解决梯度消失的问题。LSTM中参数较多，在预测氧气浓度时，计算机计算效率较低。
基于上述问题，本申请实施例中的氧气浓度预警方法，为了让更多的时间序列参与到后期数据的预测，将原始的序列进行相邻数据间的差值和均值运算，分别对其均值序列和均值序列进行预测，这种并行运算方式提高了计算效率，降低计算机硬件的要求，同时不降低预测精度，从而使工作人员可以更快响应制氧设备中氧气浓度的变化。
举例说明，本申请实施例可以应用到如图1所示的示例性场景中。在该场景中，制氧设备产生氧气，氧气浓度获取设备10获取制氧设备管道内的氧气浓度值，将氧气浓度值数据输送至氧气浓度预警设备20，氧气浓度预警设备20根据一段时间的氧气浓度值对未来的氧气浓度进行预测，并根据预测结果进行预警。
具体的，制氧设备利用物联网和移动通讯技术，将现场氧气传感器（氧气浓度获取设备10）采集（每5分钟采集一次）到的数据通过4G无线网络模块传输到远程监控平台（氧气浓度预警设备20），远程监控平台进行分析，使用前一天的数据预测未来4小时内制氧设备管道内的氧气浓度值，并根据预测结果进行预警。
图2是本申请一实施例提供的氧气浓度预警方法的流程示意性图，参照图2，对该氧气浓度预警方法的详述如下：
步骤101，获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段。
示例性的，获取第一时段内制氧设备管道内的氧气浓度值序列，包括：获取第一时段内制氧设备管道内的测量氧气浓度值；对测量氧气浓度值进行卡尔曼滤波，得到氧气浓度值；基于氧气浓度值，得到氧气浓度值序列。
具体的，在某些具体实施例中可以通过氧气传感器采集制氧设备管道内的测量氧气浓度值。
具体的，第一时段可以为获取测量氧气浓度值时刻之前的24小时或者4小时。
示例性的，氧气浓度值通过以下公式计算得到：
Figure 792296DEST_PATH_IMAGE001
其中，
Figure 179415DEST_PATH_IMAGE002
为t时刻的卡尔曼增益，H为观测矩阵，
Figure 549216DEST_PATH_IMAGE015
，R为观 测噪声对应的协方差矩阵，
Figure 705391DEST_PATH_IMAGE016
,
Figure 705708DEST_PATH_IMAGE005
，
Figure 580123DEST_PATH_IMAGE006
，
Figure 753615DEST_PATH_IMAGE007
为t时 刻的预测的氧气浓度值，
Figure 92193DEST_PATH_IMAGE008
为t-1时刻的氧气浓度值，A为状态转移矩阵，B为系统参数，
Figure 325728DEST_PATH_IMAGE009
为系统参数，
Figure 625122DEST_PATH_IMAGE010
为t-1时刻
Figure 71147DEST_PATH_IMAGE011
对应的协方差，
Figure 467493DEST_PATH_IMAGE012
为
Figure 934247DEST_PATH_IMAGE013
对应的协方差矩阵，Q为系统 噪声的协方差，
Figure 517675DEST_PATH_IMAGE014
为t时刻的测量氧气浓度值，
Figure 32970DEST_PATH_IMAGE017
在某些情况下等于0。
步骤102，将氧气浓度值序列中相邻的两个氧气浓度值划分为一个组。
示例性的，氧气浓度值序列中的氧气浓度值个数为偶数个。
具体的，以氧气浓度值序列（y1、y2、y3、y4、y5、y6、y7、y8）为例，将相邻的两个氧气浓度值划分为一个组，即（y1、y2）为一组，（y3、y4）为一组，（y5、y6）为一组，（y7、y8）为一组。
步骤103，分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列。
具体的，以上述的氧气浓度序列为例，此时的均值序列为（
Figure 221506DEST_PATH_IMAGE018
、
Figure 531264DEST_PATH_IMAGE019
、
Figure 867568DEST_PATH_IMAGE020
、
Figure 920974DEST_PATH_IMAGE021
），
Figure 88651DEST_PATH_IMAGE018
为y1和y2的均值，差值序列为（
Figure 834890DEST_PATH_IMAGE022
、
Figure 127331DEST_PATH_IMAGE023
、
Figure 187691DEST_PATH_IMAGE024
、
Figure 147556DEST_PATH_IMAGE025
），
Figure 799118DEST_PATH_IMAGE022
为y1和y2的差值。
示例性的，均值序列的序列长度为氧气浓度值序列的序列长度的一半；差值序列的序列长度为氧气浓度值序列的序列长度的一半。
具体的，由上述可知，氧气浓度序列中有八个元素，而均值序列只有四个元素，因此均值序列的序列长度为氧气浓度值序列的序列长度的一半；差值序列也只有四个元素，因此差值序列的序列长度为氧气浓度值序列的序列长度的一半。
步骤104，对均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内制氧设备管道内的氧气预测结果，基于预测结果进行氧气浓度预警，其中，第二时段的起始时刻为当前时刻。
具体的，第一时段与第二时段为连续的时间段，即第一时段的最后时刻为第二时段起始时刻的上一时刻。
示例性的，预测结果包括预测均值和预测差值，对均值序列和差值序列分别进行长短期记忆网络预测，得到预测结果，包括：对均值序列进行长短期记忆网络预测，得到预测均值；对差值序列进行长短期记忆网络预测，得到预测差值。
具体的，以对均值序列进行长短期记忆网络预测，得到预测均值为例，预测均值通过下式计算得到：
Figure 172330DEST_PATH_IMAGE026
其中，
Figure 833119DEST_PATH_IMAGE027
，
Figure 585174DEST_PATH_IMAGE028
，
Figure 673216DEST_PATH_IMAGE029
，
Figure 205828DEST_PATH_IMAGE030
，
Figure 467045DEST_PATH_IMAGE031
，
Figure 135924DEST_PATH_IMAGE032
，
Figure 660446DEST_PATH_IMAGE033
为t时刻的输入即均值序列，
Figure 352459DEST_PATH_IMAGE034
为t时刻预测值即预测均值。
Figure 355050DEST_PATH_IMAGE035
为输入门控，
Figure 144014DEST_PATH_IMAGE036
为遗忘门控，
Figure 636176DEST_PATH_IMAGE037
为输出门控，
Figure 877801DEST_PATH_IMAGE038
为输入单元的权重矩阵，
Figure 684083DEST_PATH_IMAGE039
为遗忘单元的 权重矩阵，
Figure 265237DEST_PATH_IMAGE040
为输出单元的权重矩阵。
Figure 865983DEST_PATH_IMAGE041
是sigmoid函数，tanh为tanh激活函数，
Figure 594904DEST_PATH_IMAGE042
为元素 乘，
Figure 267194DEST_PATH_IMAGE043
为长时记忆状态，
Figure 30751DEST_PATH_IMAGE044
为短时记忆状态，W为第一训练权重参数，W’为第二训练权重参 数，第一训练权重参数和第二训练权重参数是LSTM（长短期记忆网络预测）系统经过长期训 练得到的参数，两者不一定相等。
具体的，对差值序列进行长短期记忆网络预测，得到预测差值，预测差值通过下式计算得到：
Figure 740081DEST_PATH_IMAGE045
其中，
Figure 956298DEST_PATH_IMAGE027
，
Figure 104383DEST_PATH_IMAGE028
，
Figure 784763DEST_PATH_IMAGE046
，
Figure 461732DEST_PATH_IMAGE047
，
Figure 165246DEST_PATH_IMAGE048
，
Figure 851442DEST_PATH_IMAGE049
，
Figure 261695DEST_PATH_IMAGE050
为t时刻的输入即差值序列，
Figure 640724DEST_PATH_IMAGE051
为t时刻预测值即预测差值。
Figure 893850DEST_PATH_IMAGE035
为输入门控，
Figure 118158DEST_PATH_IMAGE036
为遗忘门控，
Figure 710814DEST_PATH_IMAGE037
为输出门控，
Figure 198427DEST_PATH_IMAGE038
为输入单元的权重矩阵，
Figure 610954DEST_PATH_IMAGE039
为遗忘单元的 权重矩阵，
Figure 638952DEST_PATH_IMAGE040
为输出单元的权重矩阵。
Figure 148431DEST_PATH_IMAGE041
是sigmoid函数，tanh为tanh激活函数，
Figure 869263DEST_PATH_IMAGE042
为元素 乘，
Figure 972348DEST_PATH_IMAGE043
为长时记忆状态，
Figure 538458DEST_PATH_IMAGE044
为短时记忆状态，W为第一训练权重参数，W’为第二训练权重参 数，第一训练权重参数和第二训练权重参数是LSTM（长短期记忆网络预测）系统经过长期训 练得到的参数，两者不一定相等。
示例性的，基于预测结果进行氧气浓度预警，包括：在预测结果满足下述至少一种情况时，执行氧气浓度预警：预测均值小于第一阈值；预测差值的绝对值大于第二阈值；预测均值大于第一阈值且预测差值的绝对值小于第二阈值时，若预测均值与预测差值的绝对值一半的差小于第三阈值。
具体的，在某一具体实施例中，第一阈值为90%，第二阈值为0.1，第三阈值为90%。
上述氧气浓度预警方法，将第一时段内制氧设备管道内的氧气浓度值序列进行相邻数据间的差值和均值运算，分别对其均值序列和均值序列进行预测，这种并行运算方式提高了计算效率，降低计算机硬件的要求，同时不降低预测精度，从而使工作人员可以更快响应制氧设备中氧气浓度的变化。
示例性的，在某些具体实施例中，第一时段内制氧设备管道内的氧气浓度值可以每五分钟采集一次，数据预测使用的数据为采集数据，比如，在预测当日下午3时以后的数据时，采集的数据为当日下午3时以前的数据，在预测出3时5分的数据之后，如果想要预测3时10分的数据需要相应的去除一个采集数据，并将3时5分预测的结果作为数据预测使用的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的氧气浓度预警方法，图3示出了本申请实施例提供的氧气浓度预警装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图3，本申请实施例中的氧气浓度预警装置可以包括获取模块301、序列模块302、数据处理模块303和预测模块304。
可选的，获取模块301，用于获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段。
示例性的，获取模块301还用于获取第一时段内制氧设备管道内的测量氧气浓度值；对测量氧气浓度值进行卡尔曼滤波，得到氧气浓度值；基于氧气浓度值，得到氧气浓度值序列。
示例性的，氧气浓度值通过以下公式计算得到：
Figure 840127DEST_PATH_IMAGE001
其中，
Figure 466280DEST_PATH_IMAGE002
为t时刻的卡尔曼增益，H为观测矩阵，
Figure 915716DEST_PATH_IMAGE052
，R为观 测噪声对应的协方差矩阵，
Figure 551097DEST_PATH_IMAGE053
,
Figure 707272DEST_PATH_IMAGE005
，
Figure 707589DEST_PATH_IMAGE054
，
Figure 582004DEST_PATH_IMAGE007
为t时 刻的预测的氧气浓度值，
Figure 817813DEST_PATH_IMAGE008
为t-1时刻的氧气浓度值，A为状态转移矩阵，B为系统参数，
Figure 94073DEST_PATH_IMAGE009
为系统参数，
Figure 62029DEST_PATH_IMAGE010
为t-1时刻
Figure 361424DEST_PATH_IMAGE011
对应的协方差，
Figure 338607DEST_PATH_IMAGE012
为
Figure 469374DEST_PATH_IMAGE013
对应的协方差矩阵，Q为系统 噪声的协方差，
Figure 936128DEST_PATH_IMAGE014
为t时刻的测量氧气浓度值。
可选的，序列模块302，用于将所述氧气浓度值序列中相邻的两个氧气浓度值划分为一个组。
示例性的，氧气浓度值序列中的氧气浓度值个数为偶数个。
可选的，数据处理模块303，用于分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列。
示例性的，均值序列的序列长度为氧气浓度值序列的序列长度的一半；差值序列的序列长度为氧气浓度值序列的序列长度的一半。
可选的，预测模块304，用于对所述均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内所述制氧设备管道内的氧气预测结果，基于所述预测结果进行氧气浓度预警，其中，所述第二时段的起始时刻为当前时刻。
示例性的，预测模块304还用于对均值序列进行长短期记忆网络预测，得到预测均值；对差值序列进行长短期记忆网络预测，得到预测差值。
示例性的，预测模块304还用于在预测结果满足下述至少一种情况时，执行氧气浓度预警：预测均值小于第一阈值；预测差值的绝对值大于第二阈值；预测均值大于第一阈值且预测差值的绝对值小于第二阈值时，若预测均值与预测差值的绝对值一半的差小于第三阈值。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图4，该电子设备500可以包括：至少一个处理器510、存储器520，该存储器520用于存储计算机程序521，所述处理器510用于调用并运行所述存储器520中存储的计算机程序521实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤101至步骤104。或者，处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
示例性的，计算机程序521可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备500中的执行过程。
本领域技术人员可以理解，图4仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器520用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的氧气浓度预警方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述氧气浓度预警方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动电子上运行时，使得移动电子执行时实现可实现上述氧气浓度预警方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
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。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种氧气浓度预警方法，其特征在于，包括：
获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段；
将所述氧气浓度值序列中相邻的两个氧气浓度值划分为一个组；
分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列；
对所述均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内所述制氧设备管道内的氧气预测结果，基于所述预测结果进行氧气浓度预警，其中，所述第二时段的起始时刻为当前时刻；
所述预测结果包括预测均值和预测差值，所述对所述均值序列和差值序列分别进行长短期记忆网络预测，得到预测结果，包括：
对所述均值序列进行长短期记忆网络预测，得到预测均值；
对所述差值序列进行长短期记忆网络预测，得到预测差值；
所述基于所述预测结果进行氧气浓度预警，包括：
在所述预测结果满足下述情况时，执行氧气浓度预警：
所述预测均值大于第一阈值且预测差值的绝对值小于第二阈值时，若预测均值与预测差值的绝对值一半的差小于第三阈值。
2.如权利要求1所述的氧气浓度预警方法，其特征在于，所述获取第一时段内制氧设备管道内的氧气浓度值序列，包括：
获取第一时段内制氧设备管道内的测量氧气浓度值；
对所述测量氧气浓度值进行卡尔曼滤波，得到氧气浓度值；
基于所述氧气浓度值，得到氧气浓度值序列。
3.如权利要求1所述的氧气浓度预警方法，其特征在于，所述氧气浓度值序列中的氧气浓度值个数为偶数个。
4.如权利要求2所述的氧气浓度预警方法，其特征在于，所述均值序列的序列长度为氧气浓度值序列的序列长度的一半；所述差值序列的序列长度为氧气浓度值序列的序列长度的一半。
5.如权利要求2所述的氧气浓度预警方法，其特征在于，所述氧气浓度值通过以下公式计算得到：
Figure 146607DEST_PATH_IMAGE001
其中，
Figure 218469DEST_PATH_IMAGE002
为t时刻的卡尔曼增益，H为观测矩阵，
Figure 268464DEST_PATH_IMAGE003
，R为观 测噪声对应的协方差矩阵，
Figure 603631DEST_PATH_IMAGE004
,
Figure 66973DEST_PATH_IMAGE005
，
Figure 942525DEST_PATH_IMAGE006
，
Figure 174923DEST_PATH_IMAGE007
为t时刻的预测的氧气浓度值，
Figure 946570DEST_PATH_IMAGE008
为t-1时刻的氧气浓度值，A为状态转移矩阵，B为系 统参数，
Figure 67848DEST_PATH_IMAGE009
为系统参数，
Figure 684774DEST_PATH_IMAGE010
为t-1时刻
Figure 833996DEST_PATH_IMAGE011
对应的协方差，
Figure 510965DEST_PATH_IMAGE012
为
Figure 948899DEST_PATH_IMAGE013
对应的协方差矩 阵，Q为系统噪声的协方差，
Figure 41620DEST_PATH_IMAGE014
为t时刻的测量氧气浓度值。
6.一种氧气浓度预警装置，其特征在于，包括：
获取模块，用于获取第一时段内制氧设备管道内的氧气浓度值序列；其中，第一时段为截止到当前时刻之前的预设历史时段；
序列模块，用于将所述氧气浓度值序列中相邻的两个氧气浓度值划分为一个组；
数据处理模块，用于分别计算每组的两个氧气浓度值的均值，并将各组对应的均值构成均值序列；分别计算每组的两个氧气浓度值的差值，并将各组对应的差值构成差值序列；
预测模块，用于对所述均值序列和差值序列分别进行长短期记忆网络预测，得到第二时段内所述制氧设备管道内的氧气预测结果，基于所述预测结果进行氧气浓度预警，其中，所述第二时段的起始时刻为当前时刻；
所述预测结果包括预测均值和预测差值，所述对所述均值序列和差值序列分别进行长短期记忆网络预测，得到预测结果，包括：
对所述均值序列进行长短期记忆网络预测，得到预测均值；
对所述差值序列进行长短期记忆网络预测，得到预测差值；
所述基于所述预测结果进行氧气浓度预警，包括：
在所述预测结果满足下述情况时，执行氧气浓度预警：
所述预测均值大于第一阈值且预测差值的绝对值小于第二阈值时，若预测均值与预测差值的绝对值一半的差小于第三阈值。
7.一种电子设备，其特征在于，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，实现如权利要求1至5任一项所述的氧气浓度预警方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的氧气浓度预警方法。
CN202211256512.5A 2022-10-14 2022-10-14 氧气浓度预警方法、装置、电子设备及可读存储介质 Active CN115331415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256512.5A CN115331415B (zh) 2022-10-14 2022-10-14 氧气浓度预警方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256512.5A CN115331415B (zh) 2022-10-14 2022-10-14 氧气浓度预警方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115331415A CN115331415A (zh) 2022-11-11
CN115331415B true CN115331415B (zh) 2023-01-13

Family

ID=83914175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256512.5A Active CN115331415B (zh) 2022-10-14 2022-10-14 氧气浓度预警方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115331415B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117012348B (zh) * 2023-05-26 2024-01-19 常州萨柏美格医用气体设备有限公司 一种医用气体可视化运行管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123476A (zh) * 2014-08-12 2014-10-29 大连海事大学 基于极限学习机的气体浓度预测方法及其装置
CN114418166A (zh) * 2021-12-03 2022-04-29 国网上海市电力公司 一种变压器油中的溶解气体浓度预测方法、装置及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2997454B1 (fr) * 2012-10-30 2014-12-12 Snecma Procede et systeme de detection d'allumage
US11668854B2 (en) * 2019-10-15 2023-06-06 Chevron U.S.A. Inc. Forecasting hydrocarbon production
CN113569473A (zh) * 2021-07-19 2021-10-29 浙江大学 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法
CN113962050A (zh) * 2021-09-16 2022-01-21 中冶赛迪技术研究中心有限公司 一种结合产耗预测及管网计算的氧气调度计算方法
CN113918873B (zh) * 2021-10-28 2022-07-15 江南大学 污水溶解氧浓度的估计方法、存储介质、电子设备及系统
CN114940121A (zh) * 2022-07-08 2022-08-26 常州星宇车灯股份有限公司 基于闭锁车况的车辆安全监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123476A (zh) * 2014-08-12 2014-10-29 大连海事大学 基于极限学习机的气体浓度预测方法及其装置
CN114418166A (zh) * 2021-12-03 2022-04-29 国网上海市电力公司 一种变压器油中的溶解气体浓度预测方法、装置及介质

Also Published As

Publication number Publication date
CN115331415A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111739658B (zh) 基于输入病例预测传染病趋势的方法及装置
CN115331415B (zh) 氧气浓度预警方法、装置、电子设备及可读存储介质
CN110720096B (zh) 一种多传感器状态估计方法、装置及终端设备
CN111685748A (zh) 一种基于分位数的血压预警方法、装置、设备及存储介质
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
WO2023005789A1 (zh) 一种温度处理方法及装置
CN115755564A (zh) 基于睡眠分期预测的闹钟控制方法、雷达及存储介质
CN113630212B (zh) 一种数字信号的降采样方法及降采样装置
CN109363660B (zh) 基于bp神经网络的心率监测方法及服务器
CN112168188B (zh) 一种用于压力检测数据的处理方法和装置
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
CN111079560B (zh) 一种摔倒监测方法、装置及终端设备
CN110841143B (zh) 一种用于预测输液管路状态的方法及系统
CN111968750A (zh) 一种服务器、数据处理方法、装置及可读存储介质
CN115545330A (zh) 氧气浓度预测方法、装置及终端设备
CN111401796B (zh) 一种建立设备能效模型的方法及装置
CN113793076A (zh) 一种风险池动态监测方法、系统、设备和可读存储介质
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN113779335A (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN110852517A (zh) 非正常行为预警方法、装置、数据处理设备及存储介质
CN111026608A (zh) 一种Oracle数据库性能诊断方法及其系统、设备、介质
CN111028509B (zh) 交通饱和流量获取方法、装置及终端设备
CN113359623A (zh) 一种工作状态的监测方法、设备及计算机可读存储介质
CN116448219B (zh) 油位异常检测方法、装置、设备及计算机可读存储介质

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