CN117092568A - 冷头效率的监测方法 - Google Patents
冷头效率的监测方法 Download PDFInfo
- Publication number
- CN117092568A CN117092568A CN202311080728.5A CN202311080728A CN117092568A CN 117092568 A CN117092568 A CN 117092568A CN 202311080728 A CN202311080728 A CN 202311080728A CN 117092568 A CN117092568 A CN 117092568A
- Authority
- CN
- China
- Prior art keywords
- liquid helium
- helium pressure
- time
- cold head
- efficiency
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 229910052734 helium Inorganic materials 0.000 claims abstract description 295
- 239000001307 helium Substances 0.000 claims abstract description 295
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims abstract description 295
- 239000007788 liquid Substances 0.000 claims abstract description 294
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 abstract description 66
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 description 22
- 238000013459 approach Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
-
- 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
- G16H40/63—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 local operation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种定量描述冷头效率的方法,通过为冷头效率定义计算指标,实现了将冷头效率量化。同时本发明还提供了利用定义的计算指标计算冷头效率值和对冷头效率进行监测的方法和系统,实现了对冷头效率的定量分析,并能基于定量分析的结果实现当冷头效率降低到一定程度之后,及时提醒用户准备冷头备件,并及时更换冷头,解决了现有技术中需要维修工程师根据液氦压力数据进行冷头效率定性估计、导致效率不高、容易带来损失的问题。
Description
本分案申请是申请日为2018年1月19日、分案提交日为2021年05月18日、申请号为202110541255.9、发明名称为“冷头效率计算指标、定量描述冷头效率的方法、及冷头效率监测方法”的分案申请,其中,申请号为202110541255.9的发明专利申请为申请日为2018年1月19日、申请号为201810054426.3、发明名称为“冷头效率计算指标、及利用该指标实现冷头效率计算和监测的方法、系统”的分案申请。
技术领域
本发明涉及医疗设备管理技术领域,尤其涉及一种用于核磁共振设备的冷头效率计算方法及监测方法、系统和承载有该系统的电子装置或产品。
背景技术
冷头是核磁共振超导磁体里的核心部件,一旦冷头工作效率降低,就会出现液氦压力异常波动,进而导致液氦泄露甚至失超。可见冷头的工作效率直接影响核磁共振设备的工作状态,因此,对冷头工作效率的关注极具应用价值。然而目前,现有技术中一般是由维修工程师根据液氦压力数据定性估计冷头效率(即维修工程师凭借个人经验来进行判断),判断冷头是否必须更换,而且一般是要等到液氦压力异常波动,甚至产生一定损失之后再更换。这种方式,是根据液氦压力数据进行的估计,一般当发现冷头效率出现问题时,液氦压力异常波动也会比较严重了,因此,效率比较低,且一般都会给医院造成巨大损失。
因此,业内亟需提出一种更有效、更及时且能在液氦压力异常波动前就能提前得到冷头工作效率以便提前预警的解决方案,以避免造成的损失和提高对冷头工作效率监测的精准性。
发明内容
根据本发明的一个方面,提供了一种定量描述冷头效率的方法,通过为冷头效率定义计算指标,实现了将冷头效率量化。同时本发明还提供了利用定义的计算指标计算冷头效率值和对冷头效率进行监测的方法和系统,实现了对冷头效率的定量分析,并能基于定量分析的结果实现当冷头效率降低到一定程度之后,及时提醒用户准备冷头备件,并及时更换冷头,解决了现有技术中需要维修工程师根据液氦压力数据进行冷头效率定性估计、导致效率不高、容易带来损失的问题。
本发明提供的冷头效率计算指标被定义为以基于液氦压力数据提取的时间特征作为主导自变量的函数,其中,函数的因变量在主导自变量的取值范围内具有上限和下限,并且函数的因变量随主导自变量的变化单调趋向于上限或下限。由于冷头效率一般会反应在液氦压力值上,如当冷头效率降低后,液氦压力就有可能得不到有效的控制,而液氦压力的变化具有周期性特征,因此,液氦压力的时间特征能够有效反应液氦压力的变化情况,通过将液氦压力的时间特征与冷头效率相关联,并通过时间特征映射冷头效率数值,可以实现冷头效率的量化,实现简单,且能有效反应冷头效率的情况,参考价值非常高。
在一些实施方式中,提取的时间特征为液氦压力的下降时间或液氦压力的周期时间,其中,在具体实施例中,定义的函数具体可以设置为具有以下特征:当输入的下降时间或周期时间趋近于零时,输出的冷头效率趋近于一;当输入的下降时间或周期时间趋近于无穷大时,输出的冷头效率趋近于零;函数中间单调下降。液氦压力数据具有周期性变化的特点,理想情况下,液氦压力在每个周期内的时间特征应保持基本不变,但实际情况下,随着冷头的损耗,该特征会出现变化,将冷头效率通过液氦压力下降时间或周期时间的函数进行反应,可以准确量化冷头效率的变化。
在优选实施例中,该函数可以实现为:
E=a*exp(-b*(T+c))/(d+e*exp(-f*(T+g))),
其中,E为冷头效率计算指标,T为液氦压力的下降时间,a、b、c、d、e、f、g为待求参数。基于定义的前述函数特征,具体选用的映射函数在数学上有无数种实现例,而该函数可调参数多,易于选取参数以获得非常高的拟合精度。
在一些实施方式中,配置的映射函数还包括附加自变量,附加自变量对函数的输出结果起调节作用,不影响函数的特征,即仅用于调节因变量的输出值的大小,例如在上述函数公式中,附加自变量可以通过以下两种方式添加至函数中:方式一为E=a*exp(-b*(h1*T+h2*x+c))/(d+e*exp(-f*(h1*T+h2*x+g))),方式二为E=h1*(a*exp(-b*(T+c))/(d+e*exp(-f*(T+g))))+h2*x。这样,就可以根据需求,增设影响冷头效率的次要因素(例如给出的例子中的次要因素x,该x可以是任何特征,如冷头温度等),以对函数的输出值即冷头效率值进行调整,且作为附加自变量只用于调节因变量的所取的固定值的大小,不影响函数的特征,即函数的特征只由主导自变量表征,这样就可以使得输出的冷头效率更符合实际情况,即通过附加自变量的调整使得指标表征的结果更准确。
本发明提供的定量描述冷头效率的方法是是通过以下方式实现:
提取液氦压力数据的时间特征,并将提取的时间特征通过函数映射为冷头效率;
其中,映射出的冷头效率值在时间特征的取值范围内具有上限和下限,并且冷头效率值随时间特征的变化单调趋向于上限或下限。由此,就可以通过提取液氦压力数据的时间特征,实现对冷头效率的定量描述,而由于实际应用中,冷头效率一般都是反应在液氦压力值上的,因此,这种定量描述方法非常准确。
在一些实施方式中,其中,提取的时间特征为液氦压力的下降时间或液氦压力的周期时间。在具体实现中,映射函数可以实现为S型函数,例如可以为逻辑函数、Gompertz函数、误差函数等。由于液氦压力的变化具有周期性的特征,因此,通过下降时间或周期时间作为时间特征,计算简单,且根据函数特征,映射函数可以选用常见的S型函数模型进行实现,实现简单。
在一些实施方式中,确定的映射函数具体为满足如下性质:当输入的下降时间或周期时间趋近于零时,输出的冷头效率趋近于一;当输入的下降时间或周期时间趋近于无穷大时,输出的冷头效率趋近于零;函数中间单调下降。由此,就可以通过函数特征确定映射函数,实现用液氦压力下降时间或周期时间来计算出冷头效率的量化值,符合实际情况,量化结果准确。
在一些实施方式中,该函数通过以下方式生成:根据函数满足的性质定义映射函数初始模型;获取历史数据进行分析,确定输入样例集;根据输入样例集通过曲线拟合的方式获取初始模型的待求参数,生成确定的函数模型。通过历史数据和函数特征确定输入样例集,得到的样例更符合实际情况,因此拟合出的待求参数更精准,由此确定的函数模型也更加准确,进而使得利用该计算指标计算出的冷头效率值也更符合实际情况,使得计算指标的利用价值高。
在一些实施方式中,获取历史数据进行分析,确定输入样例集包括:获取冷头的全生命周期历史数据;根据全生命周期历史数据和函数满足的性质获取第一边界样例;根据全生命周期历史数据和函数满足的性质获取第二边界样例;根据全生命周期历史数据和函数满足的性质获取随机输入样例。根据历史数据和函数特征同时获取两个边界值作为样例,并获取中间随机样例,可以使得样例集的分布更均匀,进而使得通过样例集计算出的待求参数值更加精准。
在一些实施方式中,定义的映射函数初始模型为:
E=a*exp(-b*(T+c))/(d+e*exp(-f*(T+g))),
其中,E为冷头效率计算指标,T为液氦压力的下降时间,a、b、c、d、e、f、g为待求参数。该函数模型具有可调参数多的特点,易于选取参数以获得非常高的拟合精度。
在一些实施方式中,定义的映射函数初始模型为
E=exp(a*T+b)/(1+exp(a*T+b)),
其中,E为冷头效率计算指标,T为液氦压力的下降时间,a、b为待求参数。该函数模型具有参数少的特征,需要较少的采样点就可以拟合,公式简单,参数意义明确,如参数a用于控制曲线下降的速率,参数b用于左右平移曲线。
本发明提供的冷头效率的计算方法包括:
获取打开和关闭加热器分别对应的液氦压力门限值存储;
根据实时液氦压力信息和液氦压力门限值计算液氦压力的下降时间;
根据液氦压力的下降时间和计算指标生成冷头效率;
其中,计算指标为前述的冷头效率计算指标或为前述的函数。
由于打开和关闭加热器对应的液氦压力门限值分别对应了液氦压力结束下降和开始下降的阈值,因此在实时液氦压力值达到该两个门限值时,就说明液氦压力分别结束了下降趋势和开始了下降趋势,获取此时的发生时间,即可得到在该一个下降周期内液氦压力的下降时间,这样就可以根据之前定义的计算指标中的映射函数计算出在此下降周期内对应的冷头效率的值,实现冷头效率的量化。
在一些实施方式中,根据实时液氦压力值和液氦压力门限值计算液氦压力的下降时间包括:
持续获取最新的实时液氦压力值与关闭加热器的液氦压力门限值进行比较,直至当前的实时液氦压力值大于或等于关闭加热器的液氦压力门限值,记录当前实时液氦压力值的发生时间T1;
持续获取最新的实时液氦压力值与打开加热器的液氦压力门限值进行比较,直至当前的实时液氦压力值小于或等于打开加热器的液氦压力门限值,记录当前实时液氦压力值的发生时间T2;
根据记录的发生时间T1和T2,计算得到液氦压力的下降时间。通过将持续获取最新的实时液氦压力值与关闭加热器的门限值比较,找出实时液氦压力开始下降的时间,之后,将接下来获取的最新的实时液氦压力值与打开加热器的门限值进行比较,找出实时液氦压力结束下降的时间,并将两者求差,即可得到液氦压力的下降时间,计算简单,符合物理规律,结果准确。
本发明提供的一种冷头效率的监测方法包括:
获取打开和关闭加热器分别对应的液氦压力门限值存储;
根据实时液氦压力信息和液氦压力门限值计算液氦压力的下降时间,并存储实时液氦压力信息和液氦压力下降时间;
根据液氦压力的下降时间和计算指标生成冷头效率数据存储;
根据存储的数据信息生成绘制曲线输出;
其中,计算指标为前述的冷头效率计算指标或为前述的函数,
绘制曲线为冷头效率曲线、冷头效率年平均线、冷头效率月平均线、冷头效率周平均线、实时液氦压力曲线和液氦压力下降时间曲线中的其中一种或两种以上的组合。
通过将实时获取的液氦压力值存储,并将计算出的液氦压力下降时间和冷头效率值存储,即可根据用户需求,以时间和相应的元素(如液氦压力、液氦压力下降时间、冷头效率)为坐标轴,绘制出相应的曲线输出显示,使得用户能够直观地看到液氦压力和冷头效率的变化情况,以根据变化情况进行相应的处理,结果简单直观易懂,且能实现实时监测,非常快捷方便,提高对冷头效率的监控效率。
本发明提供的另一冷头效率的监测方法包括:
设置预警策略存储;
获取打开和关闭加热器分别对应的液氦压力门限值存储;
根据实时液氦压力信息和液氦压力门限值计算液氦压力的下降时间;
根据液氦压力的下降时间和计算指标生成冷头效率,并根据预警策略和冷头效率生成冷头效率报警信息输出;
其中,计算指标为前述的冷头效率计算指标或为前述的函数。
通过设置预警策略,可以根据需求对冷头效率进行预警提醒,更好的满足用户需求,提高用户监控效率,以方便在达到预警条件时及时提醒,避免更大损失。
在一些实施方式中,预警策略包括固定阈值报警策略和均值波动报警策略。固定阈值报警策略能够实现直接根据设定的阈值条件进行预警,而均值波动报警策略则可以通过与同期均值的平行比较实现预警,这两种预警策略实现简单,且与冷头的实际生命周期符合度较高,因此,在满足这两个策略下的预警提醒,参考价值更高。
在一些实施方式中,其中,另一监测方法还包括:存储实时液氦压力信息、液氦压力下降时间和生成的冷头效率数据,并根据存储的信息生成绘制曲线输出,绘制曲线为冷头效率曲线、冷头效率年平均线、冷头效率月平均线、冷头效率周平均线、实时液氦压力曲线和液氦压力下降时间曲线中的其中一种或两种以上的组合。将预警策略与绘制曲线输出显示相结合,能够满足不同用户的不同需求,提高用户体验。
此外,本发明还提供了一种冷头效率监测系统,包括信息采集模块和系统平台,信息采集模块用于采集液氦压力门限值和实时液氦压力信息输出至系统平台;系统平台包括计算指标配置模块,用于配置冷头效率计算指标存储至存储模块;指标参数确定模块,用于根据历史数据获取输入样例集,根据输入样例集和配置的冷头效率计算指标,生成待求参数值输出;和冷头效率计算模块,用于根据液氦压力门限值、实时液氦压力信息、计算指标和生成的待求参数值生成冷头效率;其中,计算指标为前述的冷头效率计算指标或前述的函数。通过该系统可以实现对冷头效率的自动分析计算,数据采集、液氦压力下降时间的计算,都通过系统进行自动分析计算得到,不需要用户进行任何人工处理,只需要根据需求配置好符合特征的指标函数即可,提高对冷头工作情况的分析效率,减少人工失误,且能实现同时对多台设备的冷头效率的计算分析,处理效率非常高。
在一些实施方式中,该系统还包括用户交互模块,用于接收外部输入,根据外部输入生成预警配置信息存储;系统平台还包括预警模块,用于根据生成的冷头效率和存储的预警配置信息生成报警消息输出。由此,用户可以根据需求设定预警条件,系统在计算出冷头效率后根据预警条件进行报警,减少报警消息噪音,只提供符合用户要求的报警消息,使得预警信息的参考价值高,用户体验和处理效率均得到大幅提高。
在一些实施方式中,该系统还包括显示模块,系统平台还包括曲线绘制模块,用于根据请求获取存储的数据信息生成绘制曲线输出;显示模块用于显示报警消息和绘制曲线;绘制曲线为冷头效率曲线、冷头效率年平均线、冷头效率月平均线、冷头效率周平均线、实时液氦压力曲线和液氦压力下降时间曲线中的其中一种或两种以上的组合。通过显示报警信息和/或显示绘制曲线的方式,可以方便用户对计算和分析结果进行查看,以基于冷头效率的具体情况,及时采取相应的处理措施,减少损失。
附图说明
图1为本发明一种实施方式的确定计算指标中的函数的方法流程图;
图2为本发明一种实施方式的确定输入样例集的方法流程图;
图3为本发明一种实施方式的计算冷头效率的方法流程图;
图4为本发明一实施方式的冷头效率监测方法的方法流程图;
图5为本发明另一实施方式的冷头效率监测方法的方法流程图;
图6为本发明一种实施方式的冷头效率监测系统的框架结构示意图;
图7为本发明另一实施方式的冷头效率监测系统的框架结构示意图。
具体实施方式
下面结合附图对本发明的实施方式作详细的说明。
本发明通过为冷头新定义冷头效率计算指标,实现了对冷头的效率的量化,其中,提供的冷头效率计算指标表征了冷头的工作能力。由于液氦压力数据的变化具有周期性的特征,因此在实际实现中主要通过提取液氦压力数据的时间特征来表征冷头效率,具体地,可以配置为主要通过液氦压力的下降速率或变化周期来表示冷头效率,基于此可以将冷头效率计算指标定义为关于液氦压力下降时间(单位例如可以为小时)或周期时间(即液氦压力每经历一个变化周期所需的时间)的函数,即通过一个将液氦压力下降时间或周期时间映射到冷头效率值的函数来实现。该函数可以配置为以提取的液氦压力数据的时间特征为主导自变量,当时间特征变化时,函数的因变量随着主导自变量的变化而变化,并且因变量有界,即因变量包括有上限和下限,因此,该函数具有因变量随着主导自变量在取值范围内的变化在两端分别趋向于一固定实数值且因变量随着主导自变量的变化呈现出中间单调变化的特征。优选地,该函数可以通过S型函数实现,例如逻辑函数、Gompertz函数、误差函数等,也可以通过其他符合该性质的函数实现。在具体实现中,函数例如可以实现为具有以下特征:当输入的液氦压力下降时间或周期时间趋近于0时,输出的冷头效率趋近于1;当输入的液氦压力下降时间或周期时间趋近于无穷大时,输出的冷头效率趋近于0;函数中间单调下降。由此,该函数可以选用任何映射值为在区间[0,1]内的单调下降函数来实现。
在定义了上述冷头效率计算指标后,就可以通过确定映射函数的初始模型和待求函数参数、并通过训练生成待求参数的值,实现将冷头效率量化。其中,图1示出了一种确定函数模型的方法,如图1所示,以提取的时间特征为液氦压力的下降时间、且是基于历史数据通过曲线拟合的方式计算出待求函数参数为例,该方法包括如下步骤:
步骤S101:根据计算指标的函数特征选取映射函数。
在确定了计算指标所采用的映射函数的特征后,就可以根据其特征,结合数学知识将映射函数的基本模型明确化,即选取或定义特定的映射函数基础模型。根据上述特征,在数学上会有很多种选择,本发明实施例无法进行穷举,在本发明的一个优选实施例中,确定的一种基本映射函数模型例如可以为如下所示:
E=a*exp(-b*(T+c))/(d+e*exp(-f*(T+g)))
其中,T表示液氦压力下降时间,单位为小时,E表示冷头效率,a、b、c、d、e、f、g均为待求函数参数。
步骤S102:获取历史数据进行分析,确定输入样例集。
本发明实施例通过曲线拟合的方式求出待求函数参数,因此可以根据对历史值的观察,固定某些点(T,E)作为曲线拟合算法的输入值,然后由曲线拟合算法得出待求函数参数。其中,根据对历史值的观察固定取值点的过程即是确定输入样例集的过程,该输入样例集可以是结合对历史数据的分析和设备工程师的经验确定的。图2示出了一种实施方式的确定输入样例集的过程,以确定的输入样例集为五个固定取值点如(3,0.98)、(6,0.9)、(12,0.7)、(24,0.2)、(48,0.01)为例,如图2所示,该方法包括如下步骤:
步骤S1021:获取冷头的全生命周期历史数据。
先收集一个或多个同型号冷头的全生命周期数据并存储,其中,全生命周期数据指:从冷头安装到寿命到期更换的这段时间内的所有液氦压力数值,是一条液氦压力随时间变化的曲线。收集冷头的全生命周期数据例如可以是从所有的厂商获取相应的数据或/和由不同的维修工程师提供相应的数据等,也可以是通过页面抓取器从网络上获取相应的数据进行大数据分析得到,还可以是从冷头在不同设备上应用的设备日志文件中通过特征匹配算法解析出来的。
步骤S1022:根据全生命周期历史数据和函数特征获取第一边界样例。
根据收集的全生命周期数据获取冷头刚安装之后的液氦压力下降时间T,具体实现方式可以是通过计算新安装冷头一周的平均下降时间(即自冷头安装之日起一周的平均下降时间),将新安装一周的平均下降时间作为新安装冷头的液氦压力下降时间,例如分析得到新安装的冷头一周的平均下降时间为三个小时,则说明新安装的冷头需要三个小时可以把液氦压力从上限阈值降低到下限阈值,即新安装的冷头的液氦压力下降时间T为三小时,由于新安装的冷头的效率是最好的,根据定义的指标的函数特征,即映射区间为[0,1],就可以将此时的液氦压力下降时间对应的冷头效率的取值定义为接近1,例如定义为0.98,那么此时就可以确定第一个边界样例为固定值点(3,0.98),其中,3为液氦压力的下降时间,0.98为刚安装的冷头的效率的表征值。在具体实现中,平均下降时间的计算时段可以根据需求或冷头特性进行自由选择,例如对有磨合期的冷头,则需要经过一段时间如一个月,待每次下降时间稳定后再获取一定时期内的新安装冷头的液氦压力下降时间并计算平均下降时间。
其中,液氦压力下降时间的计算方式可以是通过将实时液氦压力值与液氦压力的上限阈值和下限阈值进行比较,当实时液氦压力值不小于上限阈值时,将当时的液氦压力值的发生时间作为液氦压力开始下降的时间,之后将实时液氦压力值与下限阈值进行比较,当实时液氦压力值不高于下限阈值时,将当时的液氦压力值的发生时间作为液氦压力停止下降的时间,然后,将液氦压力停止下降的时间与液氦压力开始下降的时间求差,即可得到液氦压力的下降时间。由于当液氦压力为上限阈值或大于上限阈值时,就说明之后液氦压力会呈现下降的趋势,而当液氦压力为下限阈值或者小于下限阈值时,就说明之后液氦压力会呈现上升的趋势,因此,两者之间的时间段即为液氦压力的下降时间。计算出当前的下降时间后,就继续对实时液氦压力进行判断,即判断其是否不小于上限阈值,直至检测出大于或等于上限阈值的实时液氦压力,就记录发生时间,并对之后的实时液氦压力判断其是否不高于下限阈值,直至检测出小于或等于下限阈值的实时液氦压力,记录发生时间,从而得到另一轮液氦压力下降时间。这种计算液氦压力下降时间的方法,只需要将实时液氦压力值先与上限阈值比较找到即将呈现下降趋势的液氦压力发生时间,之后将新的实时液氦压力值与下限阈值比较找到即将呈现下降趋势的液氦压力发生时间即可,实现简单方便,且直观容易理解。
步骤S1023:根据全生命周期历史数据和函数特征获取第二边界样例。
根据收集的全生命周期数据获取冷头更换之前的液氦压力下降时间T,例如根据收集的全生命周期数据计算更换前一天液氦压力下降时间的平均值,例如分析得到更换之前的冷头(即将更换的冷头)需要48小时才能把液氦压力从上限阈值降低到下限阈值,就可以将要更换的旧冷头的液氦压力下降时间T设置为48小时,由于即将更换的冷头的效率是最差的,根据定义的指标的函数特征,就可以将此时的液氦压力下降时间对应的冷头效率的取值定义为接近0,例如定义为0.01,由此就可以确定第二个边界样例为固定值点(48,0.01),其中,48为液氦压力的下降时间,0.01为将要更换的冷头的效率的表征值。
步骤S1024:根据全生命周期历史数据获取随机样例。
在第一个边界样例和第二个边界样例之间的冷头生命周期内,可以随机再取多个样例,例如随机选取三个点,并根据全生命周期历史数据计算出该三个点的液氦压力的下降时间即液氦压力从上限阈值降低到下限阈值所需的时间,并对该三个点对应的冷头效率进行经验估计,确定其对应的表征值,从而得到三个随机样例。以按液氦压力下降时间的平均分布进行三个点的随机选取为例,选取的随机样例中,可以指定液氦压力下降时间分别为6小时、12小时、24小时,并且根据函数为中间单调递减的特征分别定义这三个点的冷头效率表征值为0.9、0.7、0.2,由此就可以得到中间的三个样例为固定值点(6,0.9)、(12,0.7)和(24,0.2)。
步骤S103:根据输入样例集通过曲线拟合的方式生成待求函数参数,训练出函数模型。
在获取了上述输入样例集即上述获取的五个固定值点之后,就通过曲线拟合的方式计算出待求函数参数,具体为将上述获取的五个固定值点作为曲线拟合算法的输入值点,就可以得到待求函数参数的输出值,分别为a=0.6819、b=0.155、c=0.8541、d=0.06271、e=0.6632、f=0.1688、g=1.281。在确定了函数参数之后,就得到了训练出的函数模型,即待求参数确定了的函数公式。之后就可以根据确定了待求参数的函数模型来实时对冷头效率值进行计算和监测。
需要说明的是a、b、c、d、e、f、g均为待求函数参数,根据选取的函数公式不同,函数的待求参数也不相同,因此,本发明实施例不视为对函数公式和待求函数参数的限定,只要是基于上述函数特征选定函数公式并采用本发明实施例提供的待求函数参数计算方法进行函数参数的计算以得到具体的函数模型的实现方案都视为是基于本发明构思的技术方案,都应落入本发明的保护范围之内。通过上述方法训练出函数模型后,就可以根据确定的函数公式和函数参数,输入液氦压力下降时间,得到相应下降时间对应的冷头效率,从而实现冷头效率的量化。
本发明实施例主要以时间特征为液氦压力的下降时间为例,对冷头效率的计算指标的函数确定方法进行了说明,该方法同样适用于液氦压力的其他时间特征,如周期时间,当时间特征变化时,在确定函数模型的过程中,只需要在确定输入样例集时,基于历史数据获取其他时间特征的值点即可,确定输入样例集的过程不变,即都是确定两个边界样例和多个随机样例,且值点的确定方式都是先找到对应样例特征的时间特征数值,然后根据确定的函数特征,根据经验为其分配合适的冷头效率输出值,不同仅在于提取的时间特征不同,而提取时间特征数值的方法,将在下文进行详述,在确定函数模型的过程中,只需要能够获取到历史数据即可,不关心是如何得到这些时间特征数值的。例如,在其他实现例中,函数初始模型还可以设置为E=exp(a*T+b)/(1+exp(a*T+b)),其中,E为冷头效率计算指标,T为液氦压力的下降时间或周期时间,之后,参照上述实现过程分别获取第一边界样例(0,1)、第二边界样例(48,0.01)和随机输入样例(1,1)、(12,0.8),从而通过曲线拟合即可得到函数参数的值为a=0.5212,b=7.64,之后就可以利用确定好的函数模型参数计算冷头效率值。由于E=exp(a*T+b)/(1+exp(a*T+b))这个函数模型具有参数少的特点,因此,需要较少的采样点就可以拟合出待求参数。而且这种函数模型的公式简单,参数意义明确,如a用于控制曲线下降的速率,b用于左右平移曲线,因此,在获取待求参数时,也可以不进行上述采样过程,而是结合参数的含义,进行手动调节参数值,即根据参数含义直接配置待求参数值,这种方式就可以有效适用于采样点不好给出的情形,实现更加简单。
另外,本领域技术人员还应该理解的是,本发明实施例是以函数的主要自变量为提取的液氦压力的时间特征为例进行的说明,在其他变形例中,还可以根据需求加入附加自变量对函数的上下限值进行调整,例如增加一个冷头温度的变量,将冷头温度变量与符合上述特征的液氦压力的时间特征函数求和或求差,得到最终的冷头效率值;再如,增加一个液氦水平的附加自变量,为液氦水平自变量和符合上述特征的液氦压力的时间特征函数分别分配权重系数,且为液氦水平自变量分配较小的权重系数,将液氦水平自变量与权重系数的乘积与符合上述特征的液氦压力的时间特征函数与权重系数的乘积求和或求差,得到冷头效率值等。例如,将添加的附加自变量标记为x,在上述实施例的函数公式中,附加自变量可以通过以下两种方式添加至函数中,从而得到新的函数模型如下:方式一为E=a*exp(-b*(h1*T+h2*x+c))/(d+e*exp(-f*(h1*T+h2*x+g))),方式二为E=h1*(a*exp(-b*(T+c))/(d+e*exp(-f*(T+g))))+h2*x。由于这种方式下,得到的函数的特征没有改变,仍然是基于主导自变量进行相应的变化,附加自变量对函数的影响只是调节了函数曲线的输出值的大小,不影响函数的变化特征,因此,可以理解的是,只要是以提取的液氦压力的时间特征为主要变量,实现对映射函数的特征的控制的变形例,也应当属于本发明的保护范围。
在确定了冷头效率的计算指标后,就可以通过确定的函数公式来对冷头效率进行计算和监测。图3示出了一种实施方式下的冷头效率计算方法,以利用上述定义的函数公式、通过提取液氦压力下降时间进行计算为例,如图3所示,该方法包括以下步骤:
步骤S301:获取液氦压力门限值存储。
在核磁共振设备上设置数据采集盒,通过数据采集盒采集设备的日志文件,并上传到云服务器。云服务器对上传的日志文件进行解析,从日志中读取打开和关闭加热器分别对应的液氦压力门限值,例如通过设置打开和关闭加热器的液氦压力门限对应的关键词,采用关键词匹配的方式,从日志文件中解析中该关键词对应的信息,从而获取到打开和关闭加热器的液氦压力门限值存储,例如存储为如下格式的数据库记录:
设备ID | 关闭加热器压力门限 | 打开加热器压力门限 |
由于关闭加热器的液氦压力门限对应了液氦压力开始下降的值,打开加热器的液氦压力门限对应了液氦压力结束下降的值,因此,通过采集这两个值可以实现对液氦压力的下降时间进行确定。在其他实施例中,也可以采用在设备上安装传感器的方式,直接读取传感器数值以获取打开和关闭加热器分别对应的液氦压力门限。
步骤S302:获取实时液氦压力数据信息。
这里的液氦压力数据信息至少包括实时液氦压力值及其发生时间,通过设置液氦压力值对应的关键词对信息采集盒采集的日志文件进行解析(例如通过特征匹配算法),获取各个设备的实时液氦压力值和其发生时间。其中实时采集可以通过现有技术实现,故在此不再赘述。在其他实施例中,也可以通过在设备上设置传感器,以实现对设备的实时液氦压力值和发生时间进行采集。其中,获取的各个设备的实时液氦压力值可以直接发送至步骤S303进行下一步处理,也可以根据获取到的实时液氦压力值生成包括液氦压力值和液氦压力值对应的发生时间的数据记录存储,例如如下格式的数据库记录:
设备ID | 发生时间 | 液氦压力值 |
在存储之后,通过遍历存储的实时液氦压力值实现步骤S303的判断。
步骤S303:根据实时液氦压力数据信息和液氦压力门限值,计算液氦压力的下降时间。
以步骤S302获取的实时液氦压力值是存储在数据库中的为例,本步骤将获取数据库中存储的液氦压力值进行以下判断:
第一步:从数据库中读取下一个最新的液氦压力值,将读取到的液氦压力值与关闭加热器对应的液氦压力门限值比较,如果大于或等于它的值,记录下该条数据在数据库里对应的发生时间T1,由此得到液氦压力开始下降的时间(由于关闭加热器的液氦压力门限值对应了液氦压力开始下降时的值,因此,如果实时液氦压力值不小于该门限值时,说明液氦压力即将开始下降,因此,此时的发生时间可以作为液氦压力的开始下降时间),进入第一步;如果小于,重复此步(每分钟都会有新的液氦压力数据插入数据库),即获取下一条最新的液氦压力值与关闭加热器对应的液氦压力门限值进行比较;
第二步:从数据库中读取下一个最新的液氦压力值,将读取到的液氦压力值与打开加热器对应的液氦压力门限值比较,如果小于或等于它的值,记录下该条数据在数据库里对应的发生时间T2,由此得到液氦压力结束下降的时间(由于打开加热器的液氦压力门限值对应了液氦压力结束下降时的值,因此,如果实时液氦压力值不高于该门限值时,说明液氦压力即将停止下降,因此,此时的发生时间可以作为液氦压力的结束下降时间),进入第三步;如果大于,重复此步。
第三步:根据第一步和第二步记录的发生时间T1和T2计算出下降时间为T=T2-T1(单位为小时),进行步骤S304。
由于液氦压力是基于时间进行周期性变化的,即由高到低、由低到高循环往复变化,因此,通过将实时液氦压力值与门限值进行循环比较,找到液氦压力的最高值点和最低值点,将最低值点的发生时间T2减去相邻的最高值点的发生时间T1,即可得到在一个变化周期内的下降时间。
步骤S304:根据液氦压力下降时间和冷头效率计算指标生成冷头效率。
通过步骤S303计算出下降时间之后,就可以通过上述确定的计算指标函数计算当前设备的冷头效率,具体可以为将下降时间T和前文确定的各个参数代入计算指标的函数公式求出当前设备当前的冷头效率E。之后,可以将计算出的冷头效率输出或/和存储,其中存储的数据结构可以是包括发生时间T2和冷头效率,例如如下表所示:
设备ID | 时间 | 冷头效率 |
存储了当前的冷头效率之后,就可以回到步骤S303继续对实时最新的液氦压力数据进行判断。
这样就通过图3所示的方法,利用前文定义的计算指标定量计算出了设备的冷头效率。在其他实施例中,还可以通过提取液氦压力的周期时间,以利用上述确定的函数计算冷头效率,其中具体的计算方法与图3所示的方法基本相同,不同仅在于,当通过液氦压力的周期时间进行计算时,在步骤S303中要根据实时液氦压力值和液氦压力门限值计算液氦压力的周期时间。由于液氦压力是周期变化的,前文在步骤S303中通过将实时液氦压力值与液氦压力门限值进行比较,即可找到液氦压力的最高值点和最低值点,因而,在计算液氦压力的周期时间时,可以实现为先找到液氦压力的第一个最高值点的发生时间T11,再继续将实时液氦压力值与关闭加热器的门限值比较,找到相邻的第二个最高值点的发生时间T12,将T12-T11即可得到一个周期时间;还可以实现为先找到液氦压力的第一个最低值点的发生时间T21,再继续将实时液氦压力值与打开加热器的门限值比较,找到相邻的第二个最低值点的发生时间T22,将T22-T21即可得到一个周期时间。当计算出周期时间后,即可像利用下降时间计算冷头效率一样,利用周期时间进行冷头效率的计算了。
在计算出设备的冷头效率后,就可以根据计算出的量值化了的冷头效率,进行分析判断,从而实现对设备的冷头效率的监测。图4示意性地显示了本发明另一实施例中的对冷头效率进行监测的方法,如图4所示,该方法在图3所示的冷头效率计算方法的基础上,还包括以下步骤:
步骤S305:根据存储的冷头效率数据绘制曲线输出。
根据数据库中存储的各个设备的时间和冷头效率数据记录,绘制曲线,生成冷头效率曲线输出,具体可以是以时间T2为横轴、冷头效率为纵轴绘制冷头效率曲线。其中,绘制的曲线可以仅仅为冷头效率曲线,还可以是包括冷头效率曲线、冷头效率的年平均线、冷头效率的月平均线、冷头效率的周平均线、液氦压力曲线,具体绘制输出的曲线可以根据用户的请求或设置而确定。其中,绘制冷头效率的平均线的方式可以是以时间作为X轴、以冷头效率的平均值作为Y轴绘制的曲线,例如冷头效率的月平均线,是以月份为X轴、以每个月的冷头效率平均值作为Y轴绘制出的曲线,每个月的冷头效率平均值可以通过对当月内的冷头效率数据记录求平均值得到,同样地,冷头效率的年平均线是以年份为X轴、以每年的冷头效率平均值为Y轴进行绘制,而每年的冷头效率平均值是通过对当年的冷头效率数据记录求平均值得到,而冷头效率的周平均线则是以周为X轴、以每周的冷头效率平均值为Y轴进行绘制。而生成液氦压力曲线的情况例如可以是用户在得到冷头效率的信息后,想要进一步了解冷头效率值比较低的时间段内的具体液氦压力情况时,就可以根据用户请求从数据库中获取该时间段内的液氦压力数据,以液氦压力值的发生时间为X轴、以对应的液氦压力值为Y轴绘制液氦压力曲线输出。
通过效率曲线可以很直观地展现冷头的效率情况:正常情况下,曲线会在1附近波动,当冷头出现异常,效率曲线会出现明显下降趋势。这样方便用户根据效率曲线直观地看出冷头效率的异常和波动情况,方便对设备的情况进行更加客观准备的分析判断,以避免更大的损失。
其中,在其他实现例中,也可以不对冷头效率进行计算,而只是通过步骤S301至步骤S303计算出液氦压力的下降时间,将液氦压力的下降时间和下降时间对应的时间戳存储,之后根据用户请求,以时间戳为X轴、下降时间为Y轴绘制出液氦压力下降时间随时间变化的曲线显示给用户,由于液氦压力下降时间值越大说明冷头效率越低,因此通过直接输出液氦压力下降时间的曲线可以让用户直接通过液氦压力下降时间的变化来判断冷头效率。
由于当冷头效率降低后,液氦压力可能得不到有效控制,因此,可以通过对冷头效率计算指标的检测,判断冷头效率是否降低到一定程度,例如低于周平均线、月平均线或年平均线等,并在降低到一定程度时给出预警。图5示意性地显示了本发明又一实施例中的对冷头效率进行监测的方法,本实施例中在计算出冷头效率后,将利用冷头效率的数据进行预警,具体为包括以下步骤:
步骤S501:设置预警策略,生成预警配置信息存储。
为了实现根据用户需求对冷头效率的情况进行提醒或预警,本发明实施例还提供了设置预警策略的步骤,在该步骤中,用户可以根据需求或设备的实际情况设定预警策略,设定预警策略例如可以是在用户界面进行用户输入或用户选择的方式,这样后台服务器在接收到用户的输入或选择后就可以根据输入信息,生成预警配置信息存储,预警策略可以有以下几种:
一、预设或由用户设置单一阈值,如0.5;
二、用户可以选择以周、月或年为单位进行预警,在每周、月、年结束那天,比较本周、月、年均值与上一周、月、年均值。
步骤S502:获取液氦压力门限值存储。
该步骤与步骤S301的实现方式相同,可以参照前文叙述。
步骤S503:获取实时液氦压力信息。
该步骤与S302的实现方式相同,可以参照前文叙述。
步骤S504:根据实时液氦压力信息和液氦压力门限值,计算液氦压力的下降时间。
该步骤与S303的实现方式相同,可以参照前文叙述。
步骤S505:根据液氦压力下降时间和冷头效率计算指标生成冷头效率。
该步骤与S304的实现方式相同,可以参照前文叙述。
步骤S506:获取预警策略配置信息,根据预警配置信息对生成的冷头效率进行判断,根据判断结果生成报警信息输出。
在生成冷头效率后,可以获取该设备对应的预警配置信息,根据预警配置信息的内容,即预警策略是哪一种预警策略、预警策略对应的参数值等,对生成的冷头效率进行判断。例如,当预警策略是前文中的情况一,即为设定固定阈值进行预警的情形时,获取预警策略对应的参数值即设定的阈值例如为0.5,然后将当前生成的冷头效率与该阈值进行比较,如果小于0.5,说明冷头效率处于下降状态,此时,生成包括设备ID、冷头效率和阈值的报警信息输出;在其他优选实施例中,还可以为该阈值设置频率参数,例如频率参数设置为3,则在连续三次得到的冷头效率都低于该阈值时,才进行报警即生成报警信息输出。又如,当预警策略是前文中的情况二时,即为根据周、月、或年均线进行比较的情况时,首先要计算当前冷头效率的最近一周或一月或一年的平均值,即获取当前冷头效率的发生时间T2,并根据该发生时间获取该时间点附近一周或一月或一年的冷头效率记录,计算出均值,然后将该均值与上一周(当为周均值时)、上一月(当为月均值时)或上一年(当为年均值时)的均值进行比较,如果小于上一期的均值,则生成报警消息输出,报警消息可以是包括设备ID、当前冷头效率、周均值/月均值/年均值、以及上一周均值/上一月均值/上一年均值。其中,均值比较的情况,可以是三个均值同时比较,也可以是只比较其中之一。
在其他实施例中,可以将图2和图3实施例进行结合,既生成曲线输出,又根据预警策略进行报警,本发明实施例不视为对具体实现组合的限制。
本发明实施例的冷头效率数据、冷头效率曲线以及报警消息等的输出方式可以是输出到系统的用户页面、APP客户端、微信、邮件、短信等。
图6还示出了本发明一种实施方式的冷头效率监测系统,如图6所示,本发明实施例的冷头效率监测系统包括信息采集模块2和系统平台3,信息采集模块2直接与核磁共振设备1连接,用于采集设备的液氦压力门限值和实时液氦压力信息输出至系统平台3,可以通过数据采集盒子采集设备日志的方式或在设备上安装传感器直接采集相应数据的方式实现。系统平台3包括计算指标配置模块31、指标参数确定模块32和冷头效率计算模块33,计算指标配置模块31用于配置冷头效率计算指标存储,其中,配置的计算指标是液氦压力下降时间的函数,其配置的该函数具有以下特征:当输入的液氦压力下降时间趋近于0时,输出的冷头效率趋近于1;当输入的液氦压力下降时间趋近于无穷大时,输出的冷头效率趋近于0;函数中间单调下降。计算指标例如可以配置为E=a*exp(-b*(T+c))/(d+e*exp(-f*(T+g))),其中,T表示液氦压力下降时间,单位为小时,E表示冷头效率,a、b、c、d、e、f、g均为待求函数参数。指标参数确定模块32用于根据历史数据获取输入样例集,根据输入样例集和配置的冷头效率计算指标,生成待求参数值输出,这样就可以通过计算指标配置模块31中配置存储的函数和该模块中获取的待求参数,得到函数的确定模型,以用于冷头效率的定量计算,其中,获取输入样例集和生成待求参数的实现过程可以参照前文方法部分的叙述。冷头效率计算模块33用于根据液氦压力门限值、实时液氦压力信息、计算指标和生成的待求参数值生成冷头效率,其中,液氦压力门限值和实时液氦压力信息用于计算液氦压力下降时间,具体计算方法参照前文叙述。计算出液氦压力下降时间后,就可以利用确定的函数模型即利用存储的计算指标和生成的待求参数,将液氦压力下降时间作为输入值,计算得到冷头效率值输出。
图7示出了本发明另一种实施方式的冷头效率监测系统,该实施例的系统与图6所示的系统的区别仅在于,本发明实施例的系统还包括用户交互模块4,用于接收外部输入,根据外部输入生成预警配置信息存储;系统平台3还包括预警模块34,用于根据生成的冷头效率和存储的预警配置信息生成报警消息输出。此外,本发明实施例的系统还包括显示模块5,系统平台还包括曲线绘制模块35,用于根据请求获取存储的数据信息生成绘制曲线输出;显示模块5用于显示报警消息和绘制曲线,可以是系统的用户页面、APP客户端、微信、邮件、短信等。其中,绘制曲线为冷头效率曲线、冷头效率年平均线、冷头效率月平均线、冷头效率周平均线、实时液氦压力曲线、液氦压力下降时间曲线的其中一种或两种以上的组合。其中,用户交互模块4和显示模块5可以均位于用户终端上,例如APP客户端中,也可以是系统平台3提供的用户接口或用户页面等。而预警配置信息既可以存储在用户终端上,系统平台3在生成冷头效率后发送给用户终端,由用户终端获取预警配置信息进行判断,在符合预警条件时进行生成报警信息输出至显示模块35显示;也可以是存储在系统平台3,即用户交互模块4获取设定的预警信息后,发送到系统平台3进行预警配置信息的存储,这样系统平台3就直接将生成的冷头消息与存储的预警配置信息进行比较,以判断是否需要生成报警信息输出至显示模块35。其中,进行预警和绘制曲线的具体实现过程皆可参照前文方法部分的叙述,在此不再赘述。
本发明实施例中的系统平台可以部署在专用服务器上,也可以部署在云端服务器上,部署在云端服务器上时,可以实现数据共享和系统共用,减少维护成本。并且,云端服务器上的系统能够收集更多的共享数据信息,提高对历史数据分析的准确性,有利于获得更符合实际情况的输入样例集。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (2)
1.冷头效率的监测方法,其特征在于,包括:
获取打开和关闭加热器分别对应的液氦压力门限值存储;
根据实时液氦压力信息和液氦压力门限值计算液氦压力的下降时间;
将液氦压力的下降时间和下降时间对应的时间戳存储;
响应于用户请求,以时间戳为X轴、下降时间为Y轴绘制出液氦压力下降时间随时间变化的曲线显示给用户。
2.根据权利要求1所述的监测方法,其特征在于,所述根据实时液氦压力值和液氦压力门限值计算液氦压力的下降时间包括:
持续获取最新的实时液氦压力值与关闭加热器的液氦压力门限值进行比较,直至当前的实时液氦压力值大于或等于关闭加热器的液氦压力门限值,记录当前实时液氦压力值的发生时间T1;
持续获取最新的实时液氦压力值与打开加热器的液氦压力门限值进行比较,直至当前的实时液氦压力值小于或等于打开加热器的液氦压力门限值,记录当前实时液氦压力值的发生时间T2;
根据记录的发生时间T1和T2,计算得到液氦压力的下降时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080728.5A CN117092568A (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的监测方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080728.5A CN117092568A (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的监测方法 |
CN201810054426.3A CN110058184B (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的计算方法、及冷头效率的监测方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810054426.3A Division CN110058184B (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的计算方法、及冷头效率的监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117092568A true CN117092568A (zh) | 2023-11-21 |
Family
ID=67315716
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080728.5A Pending CN117092568A (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的监测方法 |
CN201810054426.3A Active CN110058184B (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的计算方法、及冷头效率的监测方法和系统 |
CN202110541255.9A Active CN113740789B (zh) | 2018-01-19 | 2018-01-19 | 定量描述冷头效率的方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810054426.3A Active CN110058184B (zh) | 2018-01-19 | 2018-01-19 | 冷头效率的计算方法、及冷头效率的监测方法和系统 |
CN202110541255.9A Active CN113740789B (zh) | 2018-01-19 | 2018-01-19 | 定量描述冷头效率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN117092568A (zh) |
Family Cites Families (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3046457B2 (ja) * | 1992-06-08 | 2000-05-29 | 高圧ガス工業株式会社 | 液体ヘリウム冷却用磁気冷凍機 |
JPH0726785B2 (ja) * | 1992-09-25 | 1995-03-29 | 岩谷産業株式会社 | 簡易液体窒素製造装置 |
JP2000325326A (ja) * | 1999-05-17 | 2000-11-28 | Ge Yokogawa Medical Systems Ltd | Mri用冷凍機 |
JP3511288B2 (ja) * | 2000-03-31 | 2004-03-29 | 大陽東洋酸素株式会社 | 超電導部材冷却装置 |
JP2001358008A (ja) * | 2000-06-13 | 2001-12-26 | Sumitomo Heavy Ind Ltd | 超電導マグネット用冷凍機 |
JP4927250B2 (ja) * | 2000-11-21 | 2012-05-09 | 株式会社日立製作所 | 超電導コイル冷却装置 |
CN2465122Y (zh) * | 2001-02-27 | 2001-12-12 | 中国科学院理化技术研究所 | 调节脉冲管制冷机冷端气流相位的装置 |
CN1281934C (zh) * | 2004-06-01 | 2006-10-25 | 浙江大学 | 基于plc的汽车空调压缩机性能测试台及测试方法 |
JP5063168B2 (ja) * | 2007-04-11 | 2012-10-31 | 株式会社日立製作所 | エレベータかご内の圧力調整システム |
CN201178012Y (zh) * | 2008-02-29 | 2009-01-07 | 西门子(中国)有限公司 | 一种超导磁体冷却装置 |
CN101586892B (zh) * | 2008-05-22 | 2013-03-06 | 吕瑞强 | 冷热源互补的同步制冷制热机组 |
CA2760055C (en) * | 2009-07-15 | 2021-04-06 | Viewray Incorporated | Method and apparatus for shielding a linear accelerator and a magnetic resonance imaging device from each other |
US8950789B2 (en) * | 2009-12-18 | 2015-02-10 | Rain Bird Corporation | Barbed connection for use with irrigation tubing |
US20110185747A1 (en) * | 2010-02-03 | 2011-08-04 | Sumitomo Heavy Industries, Ltd. | Pulse tube refrigerator |
JP5636612B2 (ja) * | 2010-04-01 | 2014-12-10 | Smc株式会社 | 流体圧機器に用いられるキャップ及びその固定方法 |
CN103443642B (zh) * | 2011-03-24 | 2016-11-16 | 皇家飞利浦有限公司 | 降低磁共振成像系统中峰值电功耗 |
US10151809B2 (en) * | 2011-10-21 | 2018-12-11 | Hitachi, Ltd. | Magnetic resonance imaging apparatus and operating method |
US8710976B2 (en) * | 2012-01-13 | 2014-04-29 | General Electric Company | Automated incorporation of expert feedback into a monitoring system |
CN102682197A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市海亿达能源科技股份有限公司 | 对单设备能源消耗变化趋势实时预测的监测方法及装置 |
CN105008821B (zh) * | 2013-01-11 | 2017-03-15 | 住友(Shi)美国低温研究有限公司 | Mri冷却设备 |
JP6276033B2 (ja) * | 2013-01-15 | 2018-02-07 | 株式会社神戸製鋼所 | 極低温装置及び被冷却体に対する冷凍機の接続及び切り離し方法 |
CN103062951B (zh) * | 2013-01-25 | 2015-03-25 | 浙江大学 | 斯特林/脉管复合型制冷机预冷的低温j-t节流制冷机 |
CN103307447B (zh) * | 2013-06-03 | 2015-06-10 | 清华大学 | 一种城市燃气管网技术故障信息监测预警系统 |
CN103366917B (zh) * | 2013-06-28 | 2016-04-27 | 清华大学 | 制冷装置和高温超导磁体制冷装置 |
US10048336B2 (en) * | 2013-09-05 | 2018-08-14 | Saudi Arabian Oil Company | Tri-axial NMR test instrument |
CN103487214B (zh) * | 2013-09-29 | 2015-09-30 | 江苏天舒电器有限公司 | 一种制冷系统充氮保压检漏装置及方法 |
JP5839734B2 (ja) * | 2013-12-26 | 2016-01-06 | 大陽日酸株式会社 | 低温液化ガスの蒸発ガス再液化装置 |
JP6086876B2 (ja) * | 2014-02-07 | 2017-03-01 | 株式会社日立製作所 | エレベータ |
WO2015130674A1 (en) * | 2014-02-27 | 2015-09-03 | Draeger Medical Systems, Inc. | Medical device alarm management |
CN204555549U (zh) * | 2014-12-26 | 2015-08-12 | 宁波健信机械有限公司 | 低温液态流体制取装置 |
US20160187435A1 (en) * | 2014-12-29 | 2016-06-30 | General Electric Company | Cooling system and method for a magnetic resonance imaging device |
US20160189841A1 (en) * | 2014-12-31 | 2016-06-30 | General Electric Company | Cooling system and method for a magnetic resonance imaging device |
US20160338599A1 (en) * | 2015-05-22 | 2016-11-24 | Google, Inc. | Synchronizing Cardiovascular Sensors for Cardiovascular Monitoring |
CN105042921B (zh) * | 2015-06-03 | 2017-12-05 | 中国科学院理化技术研究所 | 多级低温制冷机 |
CN104949401B (zh) * | 2015-06-18 | 2017-04-12 | 浙江大学 | 一种氦四回热器及带有该回热器的低温制冷机 |
CN105257946A (zh) * | 2015-09-30 | 2016-01-20 | 青岛海尔空调器有限总公司 | 具有检漏功能的封头、空调室内机及检漏方法 |
US10184693B2 (en) * | 2015-10-23 | 2019-01-22 | Sumitomo Heavy Industries, Ltd. | GM cryocooler |
US9689534B2 (en) * | 2015-11-11 | 2017-06-27 | Chad Deville | Pipeline-waste-gas reduction method |
CN107036320B (zh) * | 2016-02-04 | 2020-07-28 | 同济大学 | 冷压缩式脉管制冷机及预冷式制冷机系统 |
DE102016209032B3 (de) * | 2016-05-24 | 2017-09-14 | Siemens Healthcare Gmbh | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
CN106440083A (zh) * | 2016-10-16 | 2017-02-22 | 赣州安宏环保科技有限公司 | 净化污染及新型制冷的无外机空调 |
CN106531396B (zh) * | 2016-11-29 | 2018-04-03 | 上海联影医疗科技有限公司 | 超导磁体组件及超导磁体组件的维护方法 |
JP6123041B1 (ja) * | 2017-01-04 | 2017-04-26 | 株式会社日立製作所 | 磁気共鳴イメージング装置、クライオシステムの制御装置、および、クライオシステムの制御方法 |
CN107328130B (zh) * | 2017-01-22 | 2020-07-28 | 同济大学 | 采用主动调相机构的多级脉管制冷机系统及其调节方法 |
CN206387752U (zh) * | 2017-01-25 | 2017-08-08 | 东莞市科文试验设备有限公司 | 一种快速温变试验箱 |
CN206626868U (zh) * | 2017-04-06 | 2017-11-10 | 常州光电技术研究所 | 一种高可靠性的斯特林制冷机控制器 |
CN107480420B (zh) * | 2017-06-28 | 2021-04-20 | 深圳市法本信息技术股份有限公司 | 一种大数据的医疗信息展示系统及其展示方法 |
-
2018
- 2018-01-19 CN CN202311080728.5A patent/CN117092568A/zh active Pending
- 2018-01-19 CN CN201810054426.3A patent/CN110058184B/zh active Active
- 2018-01-19 CN CN202110541255.9A patent/CN113740789B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113740789B (zh) | 2023-09-19 |
CN113740789A (zh) | 2021-12-03 |
CN110058184A (zh) | 2019-07-26 |
CN110058184B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886512B (zh) | 剩余应急维修时间估算方法及预警方法、以及其估算系统和预警系统 | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN106502868B (zh) | 一种适用于云计算的动态调整监测频率方法 | |
CN109873853B (zh) | 设备关键参数预警系统及其实现方法、电子装置 | |
CN110278121B (zh) | 一种检测网络性能异常的方法、装置、设备及存储介质 | |
US20120078404A1 (en) | Consumption rate calculating device, method for controlling consumption rate calculating device, and control program | |
US20190369570A1 (en) | System and method for automatically detecting anomalies in a power-usage data set | |
CN111427753A (zh) | 基于arima模型的容量预测装置及其控制方法 | |
JP2018169161A (ja) | 電池の劣化診断装置、劣化診断方法、及び劣化診断システム | |
EP3163897A1 (en) | Building management device, wide-area management system, data acquisition method, and program | |
CN111865407A (zh) | 光通道性能劣化智能预警方法、装置、设备及存储介质 | |
CN110660198A (zh) | 告警信息处理方法、装置以及家电设备 | |
JP5928104B2 (ja) | 性能監視装置、性能監視方法、及びそのプログラム | |
CN117289168B (zh) | 基于传感器数据和智能算法的产品质量监测系统 | |
CN110513958A (zh) | 一种确定设备健康状况方法及装置 | |
JP2022535442A (ja) | 産業オートメーション制御システムまたは電力システムからのデータの保存を促進するための方法および装置 | |
KR101910866B1 (ko) | 컴퓨터 수행 가능한 서버 부하 모니터링 방법, 이를 수행하는 장치 및 이를 기록하는 기록매체 | |
CN113740789B (zh) | 定量描述冷头效率的方法 | |
CN111145895A (zh) | 异常数据的检测方法及终端设备 | |
CN113422978B (zh) | 休眠预警模型的训练方法和装置及休眠预警方法和装置 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
EP3252557B1 (en) | Method for detection of diagnosing control valve stiction | |
CN106469331A (zh) | 一种电网售电量的预测系统及其方法 | |
JP2005086880A (ja) | デマンド監視装置 | |
CN118118367B (zh) | 一种物联网时序数据的凝时回放方法、设备及介质 |
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 |