CN117490908B - 一种用于负压病房的负压检测方法及系统 - Google Patents
一种用于负压病房的负压检测方法及系统 Download PDFInfo
- Publication number
- CN117490908B CN117490908B CN202311861052.3A CN202311861052A CN117490908B CN 117490908 B CN117490908 B CN 117490908B CN 202311861052 A CN202311861052 A CN 202311861052A CN 117490908 B CN117490908 B CN 117490908B
- Authority
- CN
- China
- Prior art keywords
- pressure sensor
- negative pressure
- differential pressure
- distributed micro
- micro differential
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000009434 installation Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000009530 blood pressure measurement Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 23
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 241000380131 Ammophila arenaria Species 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L13/00—Devices or apparatus for measuring differences of two or more fluid pressure values
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/098—Distributed learning, e.g. federated learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及一种用于负压病房的负压检测方法及系统,其方法包括:获取负压病房的空间布局和空调风口的分布,并基于Cebeci‑Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维‑斯托克斯方程优化所述图关系网络;实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。本发明通过传统的空气流动模型与深度学习的结合,通过传感器之间的关联特征,达到提高负压检测的精度和准确性。
Description
技术领域
本发明属于传感器数据处理和深度学习技术领域,具体涉及一种用于负压病房的负压检测方法及系统。
背景技术
负压病房的设计旨在控制空气流动方向,防止空气中的感染性病原体扩散到病房外部。在这种环境中,维持一个稳定的负压是至关重要的。负压检测不仅确保了病房内外之间的压力差,而且保障了医护人员和其他病患的安全。
早期的负压病房依赖于简单的通风设计来实现负压环境。随着技术的进步,现代负压病房采用了更为复杂的空气处理系统,包括高效过滤系统、精确的压力监控装置和自动调节机制。这些技术进步大幅提高了负压病房在控制感染传播方面的效率。但仍存在以下问题:精确性与灵敏度:高精度和灵敏度的压力传感器对于实时监测病房内外的压力差至关重要。误差较大的传感器可能无法准确反映实际压力变化,导致控制系统失效;系统稳定性与可靠性:负压病房需要可靠的空气处理系统,以保持稳定的负压状态。系统的稳定性对于防止感染传播非常关键。环境因素的影响:外部环境因素,如温度、湿度和外部气压变化,可能影响负压病房内的压力。如何在不断变化的环境条件下保持恒定的负压是一个技术挑战。应急响应:在电力中断或系统故障时,保持病房内的负压环境对于防止感染传播至关重要。因此,病房的设计需要包括应急响应系统。
发明内容
为提高负压病房的负压检测的精度和准确性的问题,在本发明的第一方面提供了一种用于负压病房的负压检测方法,包括:获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。
在本发明的一些实施例中,所述基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置包括:基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程;基于多个约束方程,通过拉格朗日函数确定目标函数;通过群体智能算法,对所述目标函数求解,得到每个微差压传感器的最佳安装位置。
进一步的,所述基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程包括:基于空调风口的分布,构建风口模型,并根据所述风口模型确定第一约束方程;基于Cebeci-Smith模型,构建湍流模型,并根据所述湍流模型确定第二约束方程。
在本发明的一些实施例中,所述基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络包括:将每个微差压传感器视为图关系网络中的一个节点,根据传感器之间的空间距离和环境因素来定义节点间的边;定义互关系邻接矩阵A来表示图关系网络,其中aij表示节点i和j之间的连接强度。
进一步的,所述根据传感器之间的空间距离和环境因素来定义节点间的边包括:若传感器之间存在关联,这根据距离因素和环境因素确定节点间的边的权重函数;若不存在,则将节点间的边的权重置为0。
在上述的实施例中,所述基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正包括:所述基于训练完成的transformer模型从图关系网络中提取每个分布式微差压传感器的特征向量和关联分布式微差压传感器;实时获取每个关联分布式微差压传感器的测量值;根据所述每个分布式微差压传感器的特征向量,基于每个关联分布式微差压传感器的测量值,对所述分布式微差压传感器的测量值进行校正。
本发明的第二方面,提供了一种用于负压病房的负压检测系统,包括:获取模块,用于获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;构建模块,用于基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;校正模块,用于实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明在第一方面提供的用于负压病房的负压检测方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明在第一方面提供的用于负压病房的负压检测方法。
本发明的有益效果是:
本发明涉及一种用于负压病房的负压检测方法及系统,其方法包括:获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。可见,本发明通过传统的空气流动模型与深度学习的结合,通过传感器之间的关联特征,达到提高负压检测的精度和准确性的目的。
附图说明
图1为本发明的一些实施例中的用于负压病房的负压检测方法的基本流程示意图;
图2为本发明的一些实施例中的负压病房的压力梯度示模拟示意图;
图3为本发明的一些实施例中的负压病房的空气流动流向示意图;
图4为本发明的一些实施例中的用于负压病房的负压检测系统的结构示意图;
图5为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1至图3,在本发明的第一方面,提供了一种用于负压病房的负压检测方法,包括:S100.获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;S200.基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;S300.实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。
在本发明的一些实施例的步骤S100中,所述基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置包括:
S101.基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程;
S102.基于多个约束方程,通过拉格朗日函数确定目标函数;
具体地,为了建立一个模型,根据拉格朗日方法,考虑每个传感器的测量误差、距离和压力变化率的约束条件,我们需要求解每个传感器压力关于位置的目标函数。这个问题可以通过构建一个优化问题来解决,其中的目标是最小化测量误差,同时满足压力和位置的约束条件。
可以理解,还可引入医院建筑规范作为约束条件提高准确性:例如,根据《传染病医院建筑设计规范》中要求,负压隔离病房与其相邻、相同的缓冲间、走廊压差应保持不小于5Pa的负压,但该规范尚未规定需要维持的具体负压值。压差值在开门开窗、新风量轻微变化时均会对负压值造成影响,所以要适当放大从而减少开门开窗、新风量变化时对负压的影响,保证污染物不会在使用过程中发生泄漏。《经空气传播疾病医院感染预防与控制规范》中对负压病房的定义为,病室与外界压差宜为-30Pa,缓冲间与外界压差宜为-15Pa。《医院洁净手术部建筑技术规范》中对洁净手术室温度、相对湿度、压力、风量等指标进行了规定,手术室净化空调系统需要控制的部分参数。
S103.通过群体智能算法,对所述目标函数求解,得到每个微差压传感器的最佳安装位置。
具体地,最佳的安装位置包括如下关键区域:在负压隔离病房的入口、出口处布置压力传感器,以监测内外压力差。在新风机组出口和病房的新风入口处布置流量传感器,以监测新风量的波动。缝隙监测:在可能的缝隙区域(如门窗缝隙、通风管道接口等)布置压力传感器,以监测压力差,并估算缝隙进风量。
微差压传感器例如,南京宏沐科技的HE30风压/微差压传感器/变送器采用了HELM汉姆技术生产的微小量程,高稳定性硅压阻非充油传感器元件和HE系列专用数字集成电路,其经传感器检测将对应风压或差压转换为与之成正比的多种工业标准信号输出,如4~20mA、0-5V DC、0.5-4.5V DC。
进一步的,在步骤S102中,所述基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程包括:
S1021.基于空调风口的分布,构建风口模型,并根据所述风口模型确定第一约束方程;具体地,风口模型通过动力方程和质量方程来确定,其表示为:
,
其中,Jm为入流动量流量,kg/m·s2为实际入流质量流量,单位为kg/s;L为入风流量,V为风口外形总面积在实际入流风量下的送风口出口速度,单位为m/s;A为风口外形总面积,单位为m2;Vr为实际入流速度,单位为m/s;Ae为风口有效面积,单位为m2;表示模型按风口总面积定义量流量;Rfa表示有效面积系数,即风口有效面积和外形总面积之比,Rfa≤1。
S1022.基于Cebeci-Smith模型,构建湍流模型,并根据所述湍流模型确定第二约束方程。具体地,Cebeci-Smith模型表示为:
,
其中,Vt表示流速,τw是壁面剪应力,ρ是流体密度,k是冯卡门常数(一般取0.41),y是距离壁面的垂直距离,fw是湍流强度函数。
可以理解,Cebeci-Smith模型作为零方程湍流模型的一种,本领域技术人员可考虑像 Baldwin-Lomax模型、Thomas模型和Spalart-Allmaras模型等根据隔离病房的实际来调整模型。
在本发明的一些实施例的步骤S200中,所述基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络包括:
将每个微差压传感器视为图关系网络中的一个节点,根据传感器之间的空间距离和环境因素来定义节点间的边;定义互关系邻接矩阵A来表示图关系网络,其中aij表示节点i和j之间的连接强度。
进一步的,所述根据传感器之间的空间距离和环境因素来定义节点间的边包括:若传感器之间存在关联,这根据距离因素和环境因素确定节点间的边的权重函数;若不存在,则将节点间的边的权重置为0。
即:互关系邻接矩阵A表示为[a ij ],当传感器i与传感器j存在关联,则a ij 通过w(d ij, θ ij )进行计算,其中w(dij,θij)是基于距离dij和环境因素θij的权重函数。否则,则将a ij 的值置为0。
在上述的实施例的步骤S300中,所述基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正包括:
S301.所述基于训练完成的transformer模型从图关系网络中提取每个分布式微差压传感器的特征向量和关联分布式微差压传感器;
S301.实时获取每个关联分布式微差压传感器的测量值;
S303.根据所述每个分布式微差压传感器的特征向量,基于每个关联分布式微差压传感器的测量值,对所述分布式微差压传感器的测量值进行校正。
实施例2
参考图4,本发明的第二方面,提供了一种用于负压病房的负压检测系统1,包括:获取模块11,用于获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;构建模块12,用于基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;校正模块13,用于实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正。
进一步的,所述构建模块12包括:第一确定单元,用于基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程;第二确定单元,用于基于多个约束方程,通过拉格朗日函数确定目标函数;求解单元,用于通过群体智能算法,对所述目标函数求解,得到每个微差压传感器的最佳安装位置。
实施例3
参考图5,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明在第一方面的用于负压病房的负压检测方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。需要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于负压病房的负压检测方法,其特征在于,包括:
获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;
基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;
实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正:所述基于训练完成的transformer模型从图关系网络中提取每个分布式微差压传感器的特征向量和关联分布式微差压传感器;实时获取每个关联分布式微差压传感器的测量值;根据所述每个分布式微差压传感器的特征向量,基于每个关联分布式微差压传感器的测量值,对所述分布式微差压传感器的测量值进行校正。
2.根据权利要求1所述的用于负压病房的负压检测方法,其特征在于,所述基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置包括:
基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程;
基于多个约束方程,通过拉格朗日函数确定目标函数;
通过群体智能算法,对所述目标函数求解,得到每个微差压传感器的最佳安装位置。
3.根据权利要求2所述的用于负压病房的负压检测方法,其特征在于,所述基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程包括:
基于空调风口的分布,构建风口模型,并根据所述风口模型确定第一约束方程;
基于Cebeci-Smith模型,构建湍流模型,并根据所述湍流模型确定第二约束方程。
4.根据权利要求1所述的用于负压病房的负压检测方法,其特征在于,所述基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络包括:
将每个微差压传感器视为图关系网络中的一个节点,根据传感器之间的空间距离和环境因素来定义节点间的边;
定义互关系邻接矩阵A来表示图关系网络,其中a ij表示节点i和j之间的连接强度。
5.根据权利要求4所述的用于负压病房的负压检测方法,其特征在于,所述根据传感器之间的空间距离和环境因素来定义节点间的边包括:
若传感器之间存在关联,这根据距离因素和环境因素确定节点间的边的权重函数;若不存在,则将节点间的边的权重置为0。
6.一种用于负压病房的负压检测系统,其特征在于,包括:
获取模块,用于获取负压病房的空间布局和空调风口的分布,并基于Cebeci-Smith模型确定用于测量负压病房的分布式微差压传感器的最佳安装位置;
构建模块,用于基于每个微差压传感器在预设时间内的相对位置关系、所属功能区域和压力测量值,构建图关系网络;通过纳维-斯托克斯方程优化所述图关系网络;
校正模块,用于实时获取每个分布式微差压传感器的测量值;基于训练完成的transformer模型提取每个分布式微差压传感器的优化后的图关系网络的特征,并根据所述特征对所述测量值进行校正:所述基于训练完成的transformer模型从图关系网络中提取每个分布式微差压传感器的特征向量和关联分布式微差压传感器;实时获取每个关联分布式微差压传感器的测量值;根据所述每个分布式微差压传感器的特征向量,基于每个关联分布式微差压传感器的测量值,对所述分布式微差压传感器的测量值进行校正。
7.根据权利要求6所述的用于负压病房的负压检测系统,其特征在于,包括:所述构建模块包括:
第一确定单元,用于基于空调风口的分布和Cebeci-Smith模型,确定关于每个分布式微差压传感器位置的多个约束方程;
第二确定单元,用于基于多个约束方程,通过拉格朗日函数确定目标函数;
求解单元,用于通过群体智能算法,对所述目标函数求解,得到每个微差压传感器的最佳安装位置。
8.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5任一项所述的用于负压病房的负压检测方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的用于负压病房的负压检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311861052.3A CN117490908B (zh) | 2023-12-31 | 2023-12-31 | 一种用于负压病房的负压检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311861052.3A CN117490908B (zh) | 2023-12-31 | 2023-12-31 | 一种用于负压病房的负压检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117490908A CN117490908A (zh) | 2024-02-02 |
CN117490908B true CN117490908B (zh) | 2024-04-09 |
Family
ID=89681458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311861052.3A Active CN117490908B (zh) | 2023-12-31 | 2023-12-31 | 一种用于负压病房的负压检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117490908B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205300836U (zh) * | 2016-01-12 | 2016-06-08 | 神华集团有限责任公司 | 水煤浆气化炉烧嘴压差测量装置 |
CN112231847A (zh) * | 2020-11-04 | 2021-01-15 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 转捩位置确定方法、装置、电子设备及存储介质 |
CN113340334A (zh) * | 2021-07-29 | 2021-09-03 | 新石器慧通(北京)科技有限公司 | 用于无人车的传感器标定方法、装置及电子设备 |
WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN114444769A (zh) * | 2021-12-22 | 2022-05-06 | 清华大学 | 一种针对柔性应变传感器的优化处理方法及装置 |
CN114674422A (zh) * | 2022-04-02 | 2022-06-28 | 深圳绿米联创科技有限公司 | 光照传感器的校准方法、装置、系统及电子设备 |
CN115545361A (zh) * | 2022-12-02 | 2022-12-30 | 国网湖北省电力有限公司信息通信公司 | 一种电网传输线路气候环境预测方法、系统及介质 |
CN116362140A (zh) * | 2023-04-14 | 2023-06-30 | 长安大学 | 基于Transformer和GRU融合的传感器误差补偿方法、系统、装置及介质 |
CN116628457A (zh) * | 2023-07-26 | 2023-08-22 | 武汉华康世纪医疗股份有限公司 | 一种磁共振设备运行中的有害气体检测方法及装置 |
CN116718301A (zh) * | 2023-06-16 | 2023-09-08 | 西安交通大学 | 一种温压一体传感器温度补偿方法及系统 |
CN117114192A (zh) * | 2023-08-29 | 2023-11-24 | 淮阴工学院 | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230136277A (ko) * | 2022-03-18 | 2023-09-26 | 주식회사 에이치엘클레무브 | Obd 기반의 탄소 저감 보상 방법 및 장치 |
-
2023
- 2023-12-31 CN CN202311861052.3A patent/CN117490908B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205300836U (zh) * | 2016-01-12 | 2016-06-08 | 神华集团有限责任公司 | 水煤浆气化炉烧嘴压差测量装置 |
WO2021213124A1 (zh) * | 2020-04-21 | 2021-10-28 | 深圳睿心智能医疗科技有限公司 | 血流特征预测方法、装置、计算机设备和存储介质 |
CN112231847A (zh) * | 2020-11-04 | 2021-01-15 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 转捩位置确定方法、装置、电子设备及存储介质 |
CN113340334A (zh) * | 2021-07-29 | 2021-09-03 | 新石器慧通(北京)科技有限公司 | 用于无人车的传感器标定方法、装置及电子设备 |
CN114444769A (zh) * | 2021-12-22 | 2022-05-06 | 清华大学 | 一种针对柔性应变传感器的优化处理方法及装置 |
CN114674422A (zh) * | 2022-04-02 | 2022-06-28 | 深圳绿米联创科技有限公司 | 光照传感器的校准方法、装置、系统及电子设备 |
CN115545361A (zh) * | 2022-12-02 | 2022-12-30 | 国网湖北省电力有限公司信息通信公司 | 一种电网传输线路气候环境预测方法、系统及介质 |
CN116362140A (zh) * | 2023-04-14 | 2023-06-30 | 长安大学 | 基于Transformer和GRU融合的传感器误差补偿方法、系统、装置及介质 |
CN116718301A (zh) * | 2023-06-16 | 2023-09-08 | 西安交通大学 | 一种温压一体传感器温度补偿方法及系统 |
CN116628457A (zh) * | 2023-07-26 | 2023-08-22 | 武汉华康世纪医疗股份有限公司 | 一种磁共振设备运行中的有害气体检测方法及装置 |
CN117114192A (zh) * | 2023-08-29 | 2023-11-24 | 淮阴工学院 | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Transformer-based deep learning models for adsorption capacity prediction of heavy metal ions toward biochar-based adsorbents;Zeeshan Haider Jaffari 等;《Journal of Hazardous Materials》;20231130;第462卷;第1-13页 * |
飞机结冰传感器安装位置确定方法;易贤 等;《试验流体力学》;20180430;第32卷(第2期);第48-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117490908A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11280513B2 (en) | Arrangement and method for determination of adjustment parameters of an HVAC system | |
US11778030B2 (en) | Building smart entity system with agent based communication and control | |
US11151983B2 (en) | Building system with an entity graph storing software logic | |
US20220044673A1 (en) | Building system with entity graph commands | |
US20220043410A1 (en) | Building system with digital twin based agent processing | |
US6604023B1 (en) | Managing an environment utilizing a portable data processing system | |
Liu et al. | Prompt tracking of indoor airborne contaminant source location with probability-based inverse multi-zone modeling | |
US9292888B2 (en) | Constructing and calibrating enthalpy based predictive model for building energy consumption | |
US20130303193A1 (en) | Bim-aware location based application | |
CN107720469A (zh) | 一种通过温度气压传感器测量电梯楼层的方法及系统 | |
CN109425753A (zh) | 用于测量垂直速度的混合式高度计 | |
Marshall et al. | Variations in the U-value measurement of a whole dwelling using infrared thermography under controlled conditions | |
CN113205187A (zh) | 学习装置、学习方法及计算机可读介质、判定装置、判定方法及计算机可读介质 | |
CN117490908B (zh) | 一种用于负压病房的负压检测方法及系统 | |
Cerqueiro-Pequeño et al. | Design and development of a new methodology based on expert systems applied to the prevention of indoor radon gas exposition risks | |
CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
EP3832557B1 (en) | Determination apparatus, determination method, determination program, and related system, method, program and computer readable recording medium | |
WO2023004704A1 (zh) | 用于监控封闭空间环境的方法、装置和计算机存储介质 | |
WO2023173754A1 (zh) | 一种基于多表合一的数据采集管理方法及系统 | |
US20220173821A1 (en) | Machine learning apparatus | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
US20220291030A1 (en) | Airflow measurement system and a communication module | |
EP3605251B1 (en) | Verification program, recording medium, verification apparatus and verification method | |
JP7460886B2 (ja) | 機械学習装置 | |
Cheng et al. | A new research scheme for full-scale/model test comparisons to validate the traditional wind tunnel pressure measurement technique |
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 |