CN116842325A - 压力蒸汽灭菌器灭菌期临界点的时间定点方法 - Google Patents

压力蒸汽灭菌器灭菌期临界点的时间定点方法 Download PDF

Info

Publication number
CN116842325A
CN116842325A CN202310958788.6A CN202310958788A CN116842325A CN 116842325 A CN116842325 A CN 116842325A CN 202310958788 A CN202310958788 A CN 202310958788A CN 116842325 A CN116842325 A CN 116842325A
Authority
CN
China
Prior art keywords
data
signal
time
point
temperature
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
CN202310958788.6A
Other languages
English (en)
Inventor
陈鹏
饶春芳
王跃翔
闫晓丽
阮一鸣
胡友德
卢海波
余文鑫
熊文婷
马移铭
谌子滢
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
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 Jiangxi Normal University filed Critical Jiangxi Normal University
Publication of CN116842325A publication Critical patent/CN116842325A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
    • A61L2/24—Apparatus using programmed or automatic operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2/00—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor
    • A61L2/02—Methods or apparatus for disinfecting or sterilising materials or objects other than foodstuffs or contact lenses; Accessories therefor using physical phenomena
    • A61L2/04—Heat
    • A61L2/06—Hot gas
    • A61L2/07—Steam
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
    • G01K11/3206—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres at discrete locations in the fibre, e.g. using Bragg scattering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
    • A61L2202/00—Aspects relating to methods or apparatus for disinfecting or sterilising materials or objects
    • A61L2202/10—Apparatus features
    • A61L2202/14—Means for controlling sterilisation processes, data processing, presentation and storage means, e.g. sensors, controllers, programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Disinfection Or Sterilisation (AREA)

Abstract

本发明提供了一种压力蒸汽灭菌器灭菌期临界点的时间定点方法，其中，包括步骤：信号采集、截取原始信号中判断灭菌期的最佳数据处理区域以获得待处理信号、对待处理信号进行平滑处理得到平滑处理后的温度数据、确定选点方法的训练数据和目标数据、信号拟合、选点。本发明提出的压力蒸汽灭菌器灭菌期临界点的时间选点方法具有高自动化程度、高精度、适用性广以及提高工作效率和降低成本等多重优点和有益效果。

Description

压力蒸汽灭菌器灭菌期临界点的时间定点方法
技术领域
本发明涉及一种压力蒸汽灭菌器灭菌期临界点的时间定点方法。
背景技术
压力蒸汽灭菌器灭菌过程中物理参数监测是保障灭菌效果的必要手段，对于医疗机构避免交叉感染以及重大医疗事故具有重要意义。与此同时，国家卫生行业标准WS310.3-2016规定：压力蒸汽灭菌器灭菌有效期温度波动范围在+3℃内，时间满足最低灭菌时间的要求，同时应记录所有临界点的时间、温度与压力值，结果应符合灭菌的要求。国家标准GB/T 30690—2014中明确规定灭菌时间实测值不低于设定值，且不超过设定值的10％。基于以上可知，灭菌期时间的起始点和结束点的物理参数监测尤为重要。
现有技术主要是基于传统的手动选点方法，需要人工观察监测信号，根据经验和主观判断进行选点，存在以下问题和缺点：1、选点效率低：需要人工逐个点进行观察和判断，耗时耗力；2、选点准确度低：受到人工主观判断的影响，存在一定的误差和不确定性，无法准确定点，所引起的误差高达40％；3、选点经验要求高：需要有丰富的经验和专业知识，对于监管新手人员来说较为困难；4、选点结果不稳定：受到人工因素和不确定性的影响，选点结果可能会有较大的差异和波动；5、选点难以量化：手动选点方法往往难以量化和标准化，难以进行统计分析和比较。
发明内容
本发明提供了一种压力蒸汽灭菌器灭菌期临界点的时间定点方法，以解决上述问题中的一种或几种。
根据本发明的一个方面，提供了一种压力蒸汽灭菌器灭菌期临界点的时间定点方法，其中，包括步骤：A、信号采集：通过布拉格光纤光栅传感器获取压力蒸汽灭菌器的温度原始信号；
B、截取所述原始信号中判断灭菌期的最佳数据处理区域，获得待处理信号；
C、对所述待处理信号进行平滑处理以去除噪声，得到平滑处理后的温度数据；
D、确定输入数据和目标数据：输入数据是判断灭菌期的最佳数据处理区域的时间序列，对应着FBG所采集信号的时间数据；目标数据是对应时间数据的、通过步骤C处理后的温度数据；
E、信号拟合：将所述输入数据映射到对应的经过步骤D处理后的所述温度数据，计算拟合信号和目标信号之间的平均绝对误差来量化拟合误差；
F、确定灭菌期临界点：灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。
本发明的压力蒸汽灭菌器灭菌期临界点的时间定点方法，自动化程度高，可以实现信号的自动平滑和自动选点，大大减少了人工操作的主观性和误差；精度高，拟合系数高且误差小；适用性广，不仅可以用于监测温度，还可以应用于其他需要选点的领域，具有广泛的应用前景；提高工作效率和降低成本，可以实现信号的自动处理和自动选点，可以大大缩短选点的时间，提高工作效率，数据处理及选点时间缩减至1s，同时也可以减少人工选点的人力成本。
综上所述，本发明提出的自动选点方法具有高自动化程度、高精度、适用性广以及提高工作效率和降低成本等多重优点和有益效果。
在一些实施方式中，本发明在步骤B，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。
在一些实施方式中，本发明在步骤C采用EMD(经验模态分解，Empirical ModeDecomposition，简称EMD)算法对步骤B所得待处理信号进行分解，得到多个IMF(本征模态分量，Intrinsic Mode Function，简称IMF)分量，再将IMF分量进行小波阈值去噪，得到平滑处理后的温度数据。
在一些实施方式中，本发明在步骤C采用移动平均、加权平均、中值滤波或小波变换对所述待处理信号进行平滑处理。
在一些实施方式中，本发明在步骤E，信号拟合的方法为创建用于函数拟合的前馈神经网络；划分数据集：将步骤C处理后的数据划分为训练集、验证集和测试集，训练神经网络。
在一些实施方式中，本发明的神经网络的隐藏层的大小为10。
在一些实施方式中，本发明的经步骤C处理后的数据70％的被划入训练集，15％被划入验证集，15％被划入测试集。
在一些实施方式中，本发明的传感器为布拉格光纤光栅传感器(Fiber BraggGrating,简称FBG)。
通过EMD分解原始信号、小波阈值去噪和神经网络拟合方法等多种信号处理技术的有机组合，本申请提出的算法可以实现高精度的选点，准确判断灭菌期的起点和结束点，拟合系数高且拟合误差小。
附图说明
图1为本发明一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法的流程示意图。
图2为本发明一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法的温度监测装置的结构示意图。
图3为本发明一种实施方式的获取的压力蒸汽灭菌器的温度原始信号示意图。
图4为从图3中截取的判断灭菌期的最佳数据处理区域。
图5(a)为对图4中的信号采用EMD算法分解所得的IMF分量图；图5(b)为IMF分量进行小波阈值去噪后的IMF分量图。
图6为对图5(b)中的去噪后的IMF分量叠加后得到平滑处理后的温度数据图。
图7(a)为神经网络训练过程示意图；图7(b)为神经网络训练状态示意图；图7(c)为误差柱状示意图；图7(d)为拟合程度示意图；图7(e)为神经网络拟合信号示意图。
图8为对图7(e)拟合信号图确定灭菌期临界点的示意图。
图9为本发明另一种实施方式的获取的压力蒸汽灭菌器的温度原始信号示意图。
图10为从图9中截取的判断灭菌期的最佳数据处理区域。
图11(a)为对图9中的信号采用EMD算法分解所得的IMF分量图；
图11(b)为IMF分量进行小波阈值去噪后的IMF分量图。
图12为对图11(b)中的去噪后的IMF分量叠加后得到平滑处理后的温度数据图。
图13(a)为神经网络训练过程示意图；图13(b)为神经网络训练状态示意图；图13(c)为误差柱状示意图；图13(d)为拟合程度示意图；图13(e)为神经网络拟合信号示意图。
图14为对图13(e)拟合信号图确定灭菌期临界点的示意图。
图15为本发明又一种实施方式的获取的压力蒸汽灭菌器的温度原始信号示意图。
图16为从图15中截取的判断灭菌期的最佳数据处理区域。
图17(a)为对图15中的信号采用EMD算法分解所得的IMF分量图；图17(b)为IMF分量进行小波阈值去噪后的IMF分量图。
图18为对图17(b)中的去噪后的IMF分量叠加后得到平滑处理后的温度数据图。
图19(a)为神经网络训练过程示意图；图19(b)为神经网络训练状态示意图；图19(c)为误差柱状示意图；图19(d)为拟合程度示意图；图19(e)为神经网络拟合信号示意图。
图20为对图19(e)拟合信号图确定灭菌期临界点的示意图。
图21为多个平滑方法的平滑效果参考图。
图22为多个平滑方法的平滑效果对比参考图。
图23为多个平滑方法的效果评价图参考图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图对本发明作进一步详细的说明。
图1示意性地显示了根据本发明的一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法的流程。
参考图1所示，该定点方法包括如下步骤：
A、信号采集：通过传感器获取压力蒸汽灭菌器的温度原始信号。传感器可以采用布拉格光纤光栅传感器(FBG)，也可以采用电子传感器等。
B、截取原始信号中判断灭菌期的最佳数据处理区域，获得待处理信号。本发明中，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。在此处理区域内判断误差小，产生系统误差小，因此本申请通过设置数据提取规则，实现自动提取判断灭菌期的最佳数据处理区域，提高数据处理效率。
C、对待处理信号进行平滑处理以去除噪声，得到平滑处理后的温度数据。
D、确定输入数据和目标数据：输入数据是判断灭菌期的最佳数据处理区域的时间序列，对应着传感器所采集信号的时间数据；目标数据是对应时间数据的、通过步骤C处理后的温度数据。
E、信号拟合：通过神经网络进行信号拟合，将输入数据映射到对应的经过步骤C处理后的温度数据。
F、确定灭菌期临界点：通过计算机软件确定灭菌期临界点，灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。
图2示意性地显示了根据本发明的一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法的温度监测装置的结构。
参考图2所示，该装置包括：毛细不锈钢铠装FBG温度传感器11，放入待监测压力蒸汽灭菌器55的灭菌腔内，传感器的尾纤10通过灭菌器的前封闭门引出，接入光纤光栅解调仪53，光纤光栅解调仪53实时记录待监测压力蒸汽灭菌器55工作过程中传感器记录的温度值。
图3-图8示意性地显示了本发明的一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法。
实施例1：
以医用高压蒸汽灭菌锅BKQ-B50II博科(灭菌器的温度阈值，即灭菌器的额度工作温度为134℃，灭菌期时间设定为6分钟)温度监测数据为例，对其灭菌期临界点进行自动化定点。
该灭菌器的额定工作温度为134℃，对于其他灭菌器，比如额定工作温度为121度、灭菌期时间设定为20分钟的灭菌器来说，本申请的定点方法也完全适用，只需要调整本申请的温度阈值和灭菌期时间设定值即可。本申请的压力蒸汽灭菌器灭菌期临界点的时间定点方法可适用于市场上所有型号的压力蒸汽灭菌器。
步骤A：采集信号。使用光纤布拉格光栅传感器(FBG)获取温度原始信号，本实施例中共采集3412个采样点的温度数据信号(每1秒采样1次)，其中含有大量噪声信号，影响人为选点判断，会使得人为选点误差大。采集到的原始信号参考图3所示。
步骤B：截取判断灭菌期的最佳数据处理区域，获得待处理信号。本发明进行大量重复性实验，结果均表明本发明中最佳数据处理区域选择前后拓展30％的所设定灭菌时间的系统误差小，且数据直观明了，随后通过程序设定处理区域选取规定，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。本实施例中灭菌时间的30％灭菌时间为108s，具体灭菌期处理区域数据为1664—2240秒。
步骤C：对待处理信号进行平滑处理，得到平滑处理后的温度数据。
首先，通过EMD分解数据处理区域信号。采用EMD算法对步骤B所得信号进行分解，得到7个IMF分量。采用EMD算法分解所得的IMF分量参考图5(a)所示。
其次，去除噪声。将EMD分解后的IMF分量进行小波阈值去噪，其基本步骤包括小波分解、阈值处理和小波重构。
①小波分解：该步骤首先将原始信号(在本例中为IMF分量)通过小波变换进行多级分解，得到各级小波细节系数和小波近似系数。在本实施例中，小波分解的级数为3，使用的小波类型为8阶对称小波。小波分解的目标是在不同的频率层次上分析信号，通过这种方式可以在不同的频率层次上识别和去除噪声。
②阈值处理：阈值处理的目的是将被认为是噪声的小波系数(即小于某个阈值的系数)设置为零。在本实施例中，使用的阈值函数是“平方对数”阈值函数，阈值策略是“最大似然估计”，阈值类型是“软阈值”。软阈值函数可以平滑处理数据，保留更多的数据特性，而最大似然估计法是根据统计学原理设定阈值，以期望得到最佳的去噪效果。
③小波重构：使用处理后的小波系数进行小波重构，得到去噪后的信号。重构过程中，被设置为零的小波系数不会对信号产生影响，因此通过此过程，可去除噪声。
通过以下公式进行阈值T的计算：
T＝log(σ^2)
其中，σ是数据的标准差。
并通过以下公式执行软阈值规则：对于每一个小波系数，如果其绝对值小于阈值，则设置为零；如果其绝对值大于阈值，则减去阈值并保留符号。
X'＝sign(X)*max(X|-T,0)
其中，sign是符号函数，X'是阈值处理后的小波系数，X是原始的小波系数，max表示数据中的最大值，T是阈值。
本实施例中，阈值T为
对每一个IMF分量进行小波阈值去噪后进行叠加，所得信号则为去除噪声后的信号。所得平滑后的各IMF分量参考图5(b)所示，平滑后的各IMF分量叠加所产生的平滑信号参考图6所示。
步骤D：确定输入和目标数据。本发明的输入数据是灭菌期数据处理区域时间序列(即x＝1664至x＝2240)，对应着FBG所采集信号的时间数据。目标数据则是对应这些时间点的温度信号值，这些信号值是通过应用EMD算法分解并平滑处理后的温度信号数据。
步骤E：拟合信号。
首先，创建神经网络。使用计算机软件创建一个用于函数拟合的前馈神经网络。该神经网络隐藏层的大小为10。隐藏层的大小影响神经网络的模型复杂度，过大可能导致过拟合，过小可能导致模型拟合不足，由于灭菌期数据集数据较复杂，因此本发明根据灭菌期数据信号特性并结合实验结果确定为10。在其它实施例中，也可以根据数据处理量的具体情况设置不同的隐藏层数。
其次，划分数据集。本实施例将步骤C处理后的数据划分为训练集、验证集和测试集。在这个过程中，70％的数据被用于训练，15％的数据被用于验证神经网络的泛化能力，防止过拟合，15％的数据被用于最终的测试，评估模型在未见过的数据上的表现。这个比例的确定是基于多次重复性实验所得，大量实验结果证明此比例训练速度快且效果好，因此选用该比例划分数据集。
再次，训练神经网络。本实施例使用计算机软件对神经网络进行训练，它根据反向传播算法进行权重和偏置的更新。训练过程中，损失函数采用平均绝对误差(MeanAbsolute Error，MAE)。即误差绝对值的平均值，可以准确反映实际预测误差的大小，对异常数据具有更好的鲁棒性，可减小噪声对选点的影响，这是神经网络训练中最常用的损失函数。其计算公式为：
其中，M表示为数据点数(样本量)，ym第m个数据点的因变量实际值，第m个数据点的因变量预测值。
MAE评估的是真实值和预测值的偏离程度，即预测误差的实际大小。MAE值越小，说明拟合误差越小，拟合效果越好。
最后，经过训练后，神经网络能够将新的输入(灭菌期数据处理区域时间序列，即x＝1664至x＝2240)映射到对应的输出(经过平滑处理的信号)。本发明通过计算拟合信号和目标信号之间的平均绝对误差(MAE)来量化拟合误差。
在本实施例中拟合度高达0.99992，拟合误差为0.0528℃。训练数据及效果参考图7所示。在本实施例中，该网络实际迭代446次，实际梯度为0.0478，其阻尼因子(Mu)实际值为1*e-7。
步骤F：确定灭菌期临界点。依照国家标准设置温度判决，来确定起点和结束点。灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。本实施例中，起点时间为第1774秒(人工所选的结束点时间为第1773秒，相差1秒)，结束点时间为第2150秒(与人工所选的起始点时间相同，为第2150秒)，定点结果参考图8所示。
以上步骤全部执行并得到结果仅需1s。
图9-图14示意性地显示了本发明的另一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法。
实施例2：
以三强预真空快速压力蒸汽灭菌器SQ-Y45(灭菌器的温度阈值，即灭菌器的额度工作温度为134℃，灭菌期时间设定为6分钟)温度监测数据为例，对其灭菌期临界点进行自动化定点。
步骤A：采集信号。使用光纤布拉格光栅传感器获取温度原始信号，本实施例中共采集3329个采样点的温度数据信号(每1秒采样1次)，含大量噪声信号，影响人为选点判断，使得人为选点误差大。传感装置参考图2所示，原始信号参考图9所示。
步骤B：截取判断灭菌期的最佳数据处理区域。本发明通过程序设定处理区域选取规定，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。本实施例中灭菌时间的30％灭菌时间为108s，具体灭菌期处理区域数据为1839—2415秒，本实施例截取的判断灭菌期的最佳数据处理区域参考图10所示。
步骤C：对待处理信号进行平滑处理，得到平滑处理后的温度数据。
首先，EMD分解数据处理区域信号。采用EMD算法对步骤B所得信号进行分解，得到7个IMF分量。采用EMD算法分解所得的IMF分量参考图11(a)所示。
其次，去除噪声。对EMD分解后的每一个IMF分量进行小波阈值去噪处理。
本实施例中，阈值T为：
对每一个IMF分量进行小波阈值去噪后进行叠加，所得信号则为去除噪声后的信号。所得平滑后的各IMF分量参考图11(b)所示，平滑后的各IMF分量叠加所产生的平滑信号参考图12所示。
步骤D：确定输入和目标数据。本发明的输入数据是灭菌期数据处理区域时间序列(即x＝1839至x＝2415)，对应着FBG所采集信号的时间数据。目标数据则是对应这些时间点的温度信号值，这些信号值是通过应用EMD算法分解并平滑处理后的温度信号数据。
步骤E：拟合信号。
首先，创建神经网络。使用计算机软件创建一个用于函数拟合的前馈神经网络。该神经网络隐藏层的大小为10。
其次，划分数据集。本实施例将步骤C处理后的数据划分为训练集(70％)、验证集(15％)和测试集(15％)。
再次，训练神经网络。本发明使用计算机软件对神经网络进行训练。训练过程中，损失函数采用平均绝对误差(MAE)。
最后，经过训练后，神经网络能够将新的输入(灭菌期数据处理区域时间序列，即x＝1839至x＝2398)映射到对应的输出(经过平滑处理的信号)。
在本实施例中拟合度高达0.99934，拟合误差为0.1524℃。训练数据及效果参考图13所示。在本实施例中，该网络实际迭代14次，实际梯度为0.58412，其阻尼因子(Mu)实际值为1*e-3。
步骤F：确定灭菌期临界点。依照国家标准设置温度判决，来确定起点和结束点。灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。本实施例中起点时间为第1931秒(与人工所选的起始点时间相同，为第1931秒)，结束点时间为第2307秒(人工所选的结束点时间为第2308秒，相差1秒)，定点结果参考图14所示。
以上步骤全部执行并得到结果仅需1s。
图15-图20示意性地显示了本发明的又一种实施方式的压力蒸汽灭菌器灭菌期临界点的时间定点方法。
实施例3：
以新华LMQ.C-50EP高压蒸汽灭菌器(灭菌器的温度阈值，即灭菌器的额度工作温度为134℃，灭菌期时间设定为6分钟)温度监测数据为例，对其灭菌期临界点进行自动化定点。
步骤A：采集信号。使用光纤布拉格光栅传感器获取温度原始信号，本实施例中共采集3525组温度数据信号，含大量噪声信号，影响人为选点判断，使得人为选点误差大。传感装置参考图2所示，原始信号参考图15所示。
步骤B：截取判断灭菌期的最佳数据处理区域。本发明通过程序设定处理区域选取规定，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。本实施例中灭菌时间的30％灭菌时间为108s，具体灭菌期处理区域数据为1965—2541秒。本实施例截取的判断灭菌期的最佳数据处理区域参考图16所示。
步骤C：对待处理信号进行平滑处理，得到平滑处理后的温度数据。
首先，采用EMD算法对步骤B所得信号进行分解，得到8个IMF分量。采用EMD算法分解所得的IMF分量图17(a)所示。
其次，去除噪声：对EMD分解后的每一个IMF分量进行小波阈值去噪处理。
本实施例中，阈值T为：
对每一个IMF分量进行小波阈值去噪后进行叠加，所得信号则为去除噪声后的信号。所得平滑后的各IMF分量参考图17(b)所示，平滑后的各IMF分量叠加所产生的平滑信号参考图18所示。
步骤D：确定输入和目标数据。本发明的输入数据是灭菌期数据处理区域时间序列(即x＝1965至x＝2541)，对应着FBG所采集信号的时间数据。目标数据则是对应这些时间点的温度信号值，这些信号值是通过应用EMD算法平滑处理后的温度信号数据。
步骤E：拟合信号。
首先，创建神经网络。使用计算机软件创建一个用于函数拟合的前馈神经网络。该神经网络隐藏层的大小为10。
其次，划分数据集。将步骤C处理后的数据划分为训练集(70％)、验证集(15％)和测试集(15％)。
再次，训练神经网络。使用计算机软件对神经网络进行训练，它根据反向传播算法进行权重和偏置的更新，损失函数采用平均绝对误差(MAE)，即误差绝对值的平均值。
最后，经过训练后，神经网络能够将新的输入(灭菌期数据处理区域时间序列，即x＝1965至x＝2541)映射到对应的输出(经过平滑处理的信号)。
在本实施例中拟合度高达0.99897，拟合误差仅为0.2017℃。训练数据及效果参考图19所示。在本实施例中，该网络实际迭代74次，实际梯度为0.0872，其阻尼因子(Mu)实际值为1*e-4。
步骤F：确定灭菌期临界点。依照国家标准设置温度判决，来确定起点和结束点。灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。本实施例中起点时间为第2046秒(与人工所选的起始点时间相同，为第2046秒)，结束点时间为第2429秒(人工所选的结束点时间为第2434秒，相差5秒)，定点结果参考图20所示。
以上步骤全部执行并得到结果仅需1s。
本发明的自动选点算法可以有多种实施方式来完成同样的发明目的。在本发明的基本思路中，对信号进行预处理、拟合和误差分析是关键步骤。因此，在具体实施过程中，可以选择不同的预处理方法、拟合方法和损失函数(即误差计算)等方面进行调整，来实现不同的实施方式。
1.平滑处理方法的替代方案：
在本发明中，使用EMD方法对信号进行平滑处理。然而，还可以使用其他平滑方法，如移动平均、加权平均、中值滤波、小波变换等。这些方法可以根据实际需求和信号特性进行选择，以实现平滑处理。
以实施例1采集的实验数据为例，本发明采用多种平滑方法对其进行平滑处理并进行平滑方法的效果对比分析，主要有以下几个步骤：
1.数据准备：读取原始信号数据，并选择要进行平滑处理的数据区域。
2.平滑信号处理：对选择的平滑方法逐个进行处理，得到平滑后的信号。
3.平滑效果绘图：将原始信号和各个平滑后的信号绘制在同一幅图中，以便对比观察，可以观察到加权平均平滑与中值滤波平滑由于进行加窗处理，导致信号延迟，信号平滑效果不佳。
4.平滑效果评价指标计算：计算平滑后信号与原始信号之间的均方误差(MSE)。此指标可以帮助量化评估平滑方法的效果，为了更好的表现平滑效果，本发明对MSE进行对数运算，本实施例中，各平滑方法的均方误差对数如下所示：
平滑方法 移动平均平滑 加权平均平滑 中值滤波平滑 小波变换平滑 EMD平滑
lg(MSE) -1.46267804202 1.957691416625 0.834540671872 -1.46544151351 -1.47048572126
5.平滑效果对比分析：根据计算得到的评价指标，对各个平滑方法的效果进行对比分析。本发明中使用条形图形式进行可视化展示。
6.结果解读与选择最佳方法：根据对比分析的结果，解读各个平滑方法的效果差异，选择最佳的平滑方法。可以考虑均方误差较小或其他评价指标较优的方法作为最佳选择。
7.结果验证与调整：对选择的最佳平滑方法进行验证，发现EMD平滑处理在实际应用中符合预期且效果最优。
通过以上流程和思路，可以进行平滑方法的分析与对比，从中选择出最优的平滑方法为EMD平滑方法，其次为小波变换平滑方法，皆可满足信号处理的需求。
各个平滑方法平滑效果参考图21所示，各方法平滑效果对比参考图22所示，平滑效果评价图参考图23所示。
柱状图23用于评价不同平滑方法在灭菌期临界点时间定点中的效果。MSE值表示了平滑信号与原始信号之间平方差的平均值，较小的MSE值意味着平滑效果更好。根据柱形图所得结果，可发现EMD平滑去噪的方法对于压力蒸汽灭菌器的温度信号平滑效果最优，其次为小波变换平滑方法。
2.拟合方法的替代方案：
本发明中使用了神经网络进行信号拟合。然而，还可以采用其他拟合方法，如多项式拟合、样条插值、径向基函数等。这些方法可以根据实际需求和信号特性进行选择，以达到拟合的目的。
神经网络拟合主要依赖于以下步骤和算法原理：
1.定义神经网络结构：神经网络由多层神经元(节点)组成，包括输入层、隐藏层和输出层。输入层接收数据，隐藏层进行数据处理，输出层输出结果。每一层的神经元数量根据问题的复杂度和需求进行设置。
2.初始化参数：神经网络的参数(权重和偏置)通常初始化为随机值，这有助于打破对称性，让每个隐藏单元可以学习不同的特征。
3.前向传播：在前向传播阶段，神经网络根据输入和当前的参数计算预测结果。这个过程从输入层开始，一层层向前，直到输出层。
4.计算损失：损失函数测量了网络预测与真实标签之间的差异。本发明中损失函数采用平均绝对误差来计算。
5.反向传播：反向传播是一种有效计算损失函数关于网络参数的梯度的方法。在反向传播过程中，误差被从输出层反向传递到输入层，用于更新网络的权重和偏置。
6.更新权重：神经网络使用梯度下降(或其变种，如随机梯度下降，Adam等)算法来根据损失函数的梯度更新其权重和偏置。这一步旨在减小预测误差，优化网络性能。
7.迭代训练：重复前向传播、计算损失、反向传播和更新权重的步骤，直到模型在训练集上的表现达到满意的程度，或者达到预设的迭代次数。
8.评估和预测：在模型训练完毕后，需要设置独立的测试数据集上评估模型的性能。
最后应说明的是：以上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。

Claims (8)

1.压力蒸汽灭菌器灭菌期临界点的时间定点方法，其中，包括如下步骤：
A、信号采集：通过传感器获取压力蒸汽灭菌器的温度原始信号；
B、截取所述原始信号中判断灭菌期的最佳数据处理区域，获得待处理信号；
C、对所述待处理信号平滑处理以去除噪声，得到平滑处理后的温度数据；
D、确定输入数据和目标数据：输入数据是判断灭菌期的最佳数据处理区域的时间序列，对应传感器所采集信号的时间数据；目标数据是对应时间数据的、通过步骤C处理后的温度数据；
E、信号拟合：将所述输入数据映射到对应的经过步骤D处理后的所述温度数据，计算拟合信号和目标信号之间的平均绝对误差来量化拟合误差；
F、确定灭菌期临界点：灭菌期的起点为温度第一次大于等于灭菌器的温度阈值的点，结束点为温度最后一次大于等于灭菌器的温度阈值的点，且满足起点到结束点期间温度均大于温度阈值。
2.根据权利要求1所述的方法，其中，在步骤B，原始信号中第一次大于等于灭菌器温度阈值的时刻设为T，灭菌器所设定的灭菌时间设为t，本发明所设定的判断灭菌期的最佳数据处理区域起点为TB＝T-t*30％，判断灭菌期的最佳数据处理区域终点为TE＝TB+t*(1+30％)，因此本发明中判断灭菌期的最佳数据处理区域为[TB,TE]。
3.根据权利要求1所述的方法，其中，在步骤C采用EMD算法对步骤B所得待处理信号进行分解，得到多个IMF分量，再将IMF分量进行小波阈值去噪，将去噪后的IMF分量叠加得到平滑处理后的温度数据。
4.根据权利要求1所述的方法，其中，在步骤C采用移动平均、加权平均、中值滤波或小波变换对所述待处理信号进行平滑处理。
5.根据权利要求1所述的方法，其中，在步骤E，信号拟合的方法为：创建用于函数拟合的前馈神经网络；划分数据集，将步骤C处理后的数据划分为训练集、验证集和测试集，训练神经网络。
6.根据权利要求5所述的方法，其中，神经网络的隐藏层的大小为10。
7.根据权利要求5所述的方法，其中，经步骤C平滑处理后的温度数据70％被划入训练集，15％被划入验证集，15％被划入测试集。
8.根据权利要求1～7任一项所述的方法，其中，所述传感器为布拉格光纤光栅传感器。
CN202310958788.6A 2023-05-22 2023-08-01 压力蒸汽灭菌器灭菌期临界点的时间定点方法 Pending CN116842325A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202310578459 2023-05-22
CN2023105784599 2023-05-22

Publications (1)

Publication Number Publication Date
CN116842325A true CN116842325A (zh) 2023-10-03

Family

ID=88169053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310958788.6A Pending CN116842325A (zh) 2023-05-22 2023-08-01 压力蒸汽灭菌器灭菌期临界点的时间定点方法

Country Status (1)

Country Link
CN (1) CN116842325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117413897A (zh) * 2023-12-18 2024-01-19 山东农圣恒昌农业科技有限公司 一种复合蔬菜汁发酵饮料及其生产方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117413897A (zh) * 2023-12-18 2024-01-19 山东农圣恒昌农业科技有限公司 一种复合蔬菜汁发酵饮料及其生产方法
CN117413897B (zh) * 2023-12-18 2024-02-20 山东农圣恒昌农业科技有限公司 一种复合蔬菜汁发酵饮料及其生产方法

Similar Documents

Publication Publication Date Title
CN113780056B (zh) 基于振动信号的滚动轴承故障诊断方法
CN116842325A (zh) 压力蒸汽灭菌器灭菌期临界点的时间定点方法
CN116861354A (zh) 电力变压器监测数据的异常识别及模式区分方法及系统
CN103690160B (zh) 一种基于非高斯时序模型的脑电特征提取和状态识别方法
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN111382906A (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
CN109271707B (zh) 对核能谱线进行仿真的模拟能谱曲线仿真方法
CN117633696B (zh) 一种基于bim模型的水利工程施工监测方法及系统
CN111861272A (zh) 一种基于多源数据的复杂机电系统异常状态检测方法
CN118035926B (zh) 基于多元数据扩散的模型训练、水检测方法及系统
CN112001115A (zh) 一种半监督动态软测量网络的软测量建模方法
CN114298164A (zh) 基于klms算法和趋势滤波的自适应故障预测方法
CN117056669A (zh) 一种振动信号的去噪方法和系统
CN111144230B (zh) 一种基于vmd的时域载荷信号的去噪方法
CN116304569A (zh) 一种用于分布式光纤传感器缺失数据的填补方法
CN115774081A (zh) 一种电子元器件车间用有毒气体排放监测系统
CN115467742A (zh) 一种基于iwoa-svr-eemd的共轨喷油器故障信号预处理方法
CN113375065A (zh) 管道泄漏监测中趋势信号的消除方法及装置
CN116933119A (zh) 一种基于卷积神经网络的信号数据去除趋势方法
CN114218980A (zh) 滚动轴承剩余寿命预测方法
CN113221692B (zh) 用于光纤传感的连续变分模态分解dwt去噪方法
CN116776611B (zh) 一种基于结构方程模型的植被变化预估方法
CN116636815B (zh) 基于脑电信号的水下作业人员睡眠质量评估方法及系统
CN116305531B (zh) 一种航天器健康演化模型建模方法、装置、设备及介质
CN118521213A (zh) 时序长短期依赖的工业关键质量指标预测方法

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