CN118039109A - 一种医用中心供氧系统的自动调节方法及装置 - Google Patents
一种医用中心供氧系统的自动调节方法及装置 Download PDFInfo
- Publication number
- CN118039109A CN118039109A CN202410436785.0A CN202410436785A CN118039109A CN 118039109 A CN118039109 A CN 118039109A CN 202410436785 A CN202410436785 A CN 202410436785A CN 118039109 A CN118039109 A CN 118039109A
- Authority
- CN
- China
- Prior art keywords
- oxygen supply
- target
- regulation
- global
- regional
- 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.)
- Granted
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 968
- 239000001301 oxygen Substances 0.000 title claims abstract description 968
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 968
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000033228 biological regulation Effects 0.000 claims abstract description 190
- 238000012795 verification Methods 0.000 claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims description 92
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000012544 monitoring process Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000009123 feedback regulation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000036284 oxygen consumption Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008844 regulatory mechanism Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医用中心供氧系统的自动调节方法及装置,属于供氧系统控制领域,其中方法包括:获得目标区域的区域布局特征数据,进行供氧区域划分;进行供氧调节记录的特征深度学习,生成供氧调节决策通道;结合全局供氧平衡验证器和多个区域供氧目标场景数据源执行多个目标供氧区域的供氧平衡验证;对多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集,执行供氧调节。本申请解决了现有医用中心供氧系统难以根据实际需求动态调节、缺乏自主智能调节能力,导致供氧自适应性和稳定性低的技术问题,达到了实现根据实际需求动态自适应调节医用中心供氧系统,提高供氧自适应性和稳定性的技术效果。
Description
技术领域
本发明涉及供氧系统控制领域,具体涉及一种医用中心供氧系统的自动调节方法及装置。
背景技术
在医疗卫生领域,为了满足各类医疗设备和诊疗场景的供氧需求,通常会建设医用中心供氧系统,集中供给各医疗区域所需的氧气。然而,现有的医用中心供氧系统由于医疗场所布局复杂,难以根据实际需求合理分配各供氧区域,导致供氧不能充分满足各区域实时需求;同时,现有供氧系统缺乏智能化的动态调节机制,难以实现全局的供氧平衡优化,供氧系统的自适应性和稳定性较低。
发明内容
本申请提供了一种医用中心供氧系统的自动调节方法及装置,旨在解决现有医用中心供氧系统难以根据实际需求动态调节、缺乏自主智能调节能力,导致供氧自适应性和稳定性低的技术问题。
本申请公开的第一个方面,提供了一种医用中心供氧系统的自动调节方法,该方法包括:获得目标区域的区域布局特征数据,并基于区域布局特征数据对目标区域进行供氧区域划分,获得多个目标供氧区域;基于调节决策学习收敛条件,分别对多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,供氧调节决策通道包括多个目标供氧区域对应的多个供氧调节决策子网络;采集多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和多个区域供氧目标场景数据源执行多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;当全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合供氧调节决策通道,根据多个区域供氧目标场景数据源对多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;基于供氧系统,根据多个区域供氧调节决策集执行多个目标供氧区域的供氧调节。
本申请公开的另一个方面,提供了一种医用中心供氧系统的自动调节装置,该装置包括:供氧区域划分模块,用于获得目标区域的区域布局特征数据,并基于区域布局特征数据对目标区域进行供氧区域划分,获得多个目标供氧区域;决策通道生成模块,用于基于调节决策学习收敛条件,分别对多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,供氧调节决策通道包括多个目标供氧区域对应的多个供氧调节决策子网络;数据源获取模块,用于采集多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;供氧平衡验证模块,用于加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和多个区域供氧目标场景数据源执行多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;供氧调节分析模块,用于当全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合供氧调节决策通道,根据多个区域供氧目标场景数据源对多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;供氧调节执行模块,用于基于供氧系统,根据多个区域供氧调节决策集执行多个目标供氧区域的供氧调节。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过获取目标区域的布局特征数据,对目标区域进行供氧区域划分,以更好地匹配实际供氧需求;采用深度学习的方式,生成针对各供氧区域的供氧调节决策子网络,以根据实时的供氧需求和环境条件,动态优化调节各区域的供氧输出,解决现有系统缺乏智能化调节机制的问题;采集各供氧区域内的供氧目标的基础信息、实时供氧需求和环境参数,构建多个区域供氧目标场景数据源,为后续的供氧平衡验证和调节决策提供依据;结合全局供氧容量和全局供氧平衡验证器,对各区域的供氧平衡状态进行综合评估,如果发现供氧不平衡,则触发供氧优化调度算法,根据各区域供氧场景数据生成针对性的调节决策;根据生成的调节决策,对整个医用中心供氧系统进行自动化调节,实现对供氧系统的智能化管理,提高系统的自适应性和稳定性的技术方案,解决了现有医用中心供氧系统难以根据实际需求动态调节、缺乏自主智能调节能力,导致供氧自适应性和稳定性低的技术问题,达到了实现根据实际需求动态自适应调节医用中心供氧系统,提高供氧自适应性和稳定性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种医用中心供氧系统的自动调节方法的一种流程示意图;
图2为本申请实施例提供了一种医用中心供氧系统的自动调节方法中获取供氧调节决策通道的一种流程示意图;
图3为本申请实施例提供了一种医用中心供氧系统的自动调节装置的一种结构示意图。
附图标记说明:供氧区域划分模块11,决策通道生成模块12,数据源获取模块13,供氧平衡验证模块14,供氧调节分析模块15,供氧调节执行模块16。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种医用中心供氧系统的自动调节方法及装置。首先,通过获取目标区域的布局特征数据,对供氧区域进行动态划分,以更好地满足各区域的实际供氧需求。其次,采用深度学习的方式,针对不同供氧区域生成相应的供氧调节决策子网络,赋予系统智能化的动态调节能力。在此基础上,收集各区域的供氧目标的基础信息、实时供氧需求和环境参数,构建多个区域供氧目标场景数据源,为后续的供氧平衡验证和调节决策提供依据。然后,结合全局供氧容量和全局供氧平衡验证器,对各区域的供氧平衡状态进行综合评估。一旦发现供氧不平衡,即触发基于区域供氧场景数据的优化调度算法,生成针对性的供氧调节决策。最后,根据上述调节决策,自动执行对整个医用中心供氧系统的动态调节,实现供氧自适应性和稳定性的提高,提供更加优质可靠的供氧保障。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一,如图1所示,本申请实施例提供了一种医用中心供氧系统的自动调节方法,该方法包括:
获得目标区域的区域布局特征数据,并基于所述区域布局特征数据对所述目标区域进行供氧区域划分,获得多个目标供氧区域;
在本申请实施例中,目标区域为医院。医院内存在急诊室、ICU、手术室、普通病房等不同功能区域,不同区域内医疗设备种类、数量以及对供氧需求各不相同。
为实现精细化、智能化的供氧管理,首先,获取反映医院内各区域布局特点的数据,作为区域布局特征数据。其中,区域布局特征数据包括医院平面图、各区域面积、区域内医疗设备分布图、区域内病床数量等;该区域布局特征数据从医院信息系统内提取,或通过物联网传感器采集。
在获得区域布局特征数据后,对目标区域即医院进行供氧区域划分。划分原则可包括区域功能属性、区域面积大小、区域内医疗设备数量等。比如,ICU等对供氧需求大、要求高的重点区域可单独划为一个供氧区域;普通病房可按照面积大小、病床数量划分为若干供氧区域。供氧分区采用聚类算法实现,以使同一供氧区域内各单元的供氧需求特点差异最小,不同供氧区域间的供氧需求特点差异最大。
通过划分,可得到目标区域内的多个目标供氧区域,为后续针对每个目标供氧区域分别进行供氧调节分析与决策,以满足不同区域的供氧需求特点提供基础。
基于调节决策学习收敛条件,分别对所述多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,所述供氧调节决策通道包括所述多个目标供氧区域对应的多个供氧调节决策子网络;
进一步的,如图2所示,生成供氧调节决策通道包括:
根据所述多个目标供氧区域,提取第y目标供氧区域,其中,y为正整数,y属于Y,Y为所述多个目标供氧区域的区域总数量;
采集所述第y目标供氧区域的供氧调节记录数据,获得第y区域历史供氧场景数据流记录和第y区域历史场景供氧调节方案记录;
以所述第y区域历史供氧场景数据流记录作为输入数据,以所述第y区域历史场景供氧调节方案记录作为输出监督数据,对前馈神经网络进行训练,每训练预设次数时,获取决策误差损失系数;
当所述决策误差损失系数满足所述调节决策学习收敛条件时,生成第y供氧调节决策子网络,并将所述第y供氧调节决策子网络添加至所述供氧调节决策通道。
在一种可行的实施方式中,在确定多个目标供氧区域后,首先,从得到的多个目标供氧区域中,提取一个区域作为当前要进行决策子网络构建的对象。为了系统化表示,本申请引入变量y作为提取区域的代号,y为正整数,其取值范围为1到Y,Y为多个目标供氧区域的总数量。比如,当医院被划分为5个供氧区域时,y的取值就依次为1、2、3、4、5。
在提取出当前要处理的第y目标供氧区域后,获取该区域的历史供氧调节记录数据,用于后续决策子网络的训练。利用医院内部的大数据平台,采集第y目标供氧区域的供氧调节记录。具体的,第y目标供氧区域的供氧调节记录数据包含两部分:一是第y区域历史供氧场景数据流记录,二是在历史供氧场景下实际执行的供氧调节方案记录,即第y区域历史场景供氧调节方案记录。其中,第y区域历史供氧场景数据流记录以包括供氧对象(病人、医疗设备等)的特征参数,如血氧浓度、呼吸频率等,也可以包括当时的环境参数,如室内温度、湿度等,这些数据流是决策子网络的输入;而第y区域历史场景供氧调节方案记录的是在对应场景下,实际对供氧流量、浓度等参数的调节方案,是决策子网络训练过程的监督标签。两类数据一一对应,匹配程度越高,决策子网络的训练效果就越好。
当采集到第y目标供氧区域的第y区域历史供氧场景数据流记录和第y区域历史场景供氧调节方案记录后,就可以开始决策子网络的训练。以一个前馈神经网络作为决策子网络的基本结构。所谓前馈神经网络是一种多层感知机网络,包含输入层、隐藏层和输出层,各层之间以前馈方式(由输入层向输出层单向)连接,可以拟合从输入到输出的复杂非线性映射。在训练时,以第y区域历史供氧场景数据流记录作为输入数据,输入到前馈神经网络的输入层;然后信号经过隐藏层,最终从输出层得到输出结果。将输出结果与第y区域历史场景供氧调节方案记录进行比较,通过误差反向传播算法对网络参数进行调整。每训练一定次数后,获取当前网络输出调节方案与实际历史调节方案的差异程度,即决策误差损失系数,用于评估网络训练的收敛情况。
随着训练的进行,前馈神经网络可以越来越好地拟合输入输出数据间的关系,决策误差损失系数会逐渐减小。当决策误差损失系数满足预设的调节决策学习收敛条件(如低于根据经验的设置的期望误差损失系数)时,就可以认为当前网络已经学习到了第y供氧区域的供氧调节决策规律,可以作为其决策子网络。此时,将决策子网络命名为第y供氧调节决策子网络,添加到供氧调节决策通道中。
至此,完成一个目标供氧区域的决策子网络的训练。依次重复训练其它目标供氧区域的供氧调节决策子网络,直至完成所有目标供氧区域的遍历,最终形成由多个供氧调节决策子网络构成的供氧调节决策通道,用于后续的在线供氧调节决策。
采集所述多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;
在本申请实施例中,在供氧系统的在线工作阶段,通过物联网技术实现数据的实时采集,获取医院内各目标供氧区域实时的供氧场景数据,为后续的供氧平衡分析和调节决策提供依据。
具体的,对于每个目标供氧区域,需采集三类数据:一是区域内每个供氧目标(如病人、医疗设备)的基础信息,包括供氧对象类型、唯一标识等静态属性数据;二是供氧目标的实时供氧需求参数,反映供氧对象的动态用氧需求特征,如病人的血氧浓度、呼吸频率,医疗设备的工作状态等;三是供氧目标所处环境的实时参数,即实时供氧环境参数,如温度、湿度、气压等。
将以上三类数据统称为区域供氧目标场景数据,并用数据流的形式进行表示,形成区域供氧目标场景数据流,每个区域供氧目标场景数据流对应一个供氧目标。区域供氧目标场景数据流包含供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据。区域内所有供氧目标的区域供氧目标场景数据流汇聚形成一个区域供氧目标场景数据源。
当所有目标供氧区域的区域供氧目标场景数据源都生成后,即可得到反映整个目标区域的多个区域供氧目标场景数据源。这多个区域供氧目标场景数据源是一组分布式的、异构的流数据集合,通过大数据技术进行汇聚和语义提取,以供后续环节使用。
通过层次化的供氧场景数据流,逐层定义了供氧目标数据流、区域数据源、全局数据源的聚合方式,便于数据在不同环节的流转共享和精准管控。
加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和所述多个区域供氧目标场景数据源执行所述多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;
进一步的,获得全局供氧平衡验证结果包括:
基于所述多个区域供氧目标场景数据源进行供氧需求量融合,获得全局供氧需求量;
将所述全局供氧需求量和所述全局供氧容量输入所述全局供氧平衡验证器内的供氧平衡分析单元,生成全局供氧平衡系数,其中,所述供氧平衡分析单元包括供氧平衡分析函数,所述供氧平衡分析函数为:
;
其中,GOC表征所述全局供氧平衡系数,GOY表征所述全局供氧容量,GOX表征所述全局供氧需求量,GOL表征所述供氧系统的供氧损耗率;
将所述全局供氧平衡系数输入所述全局供氧平衡验证器内的供氧平衡验证单元,生成所述全局供氧平衡验证结果;
其中,所述供氧平衡验证单元包括供氧平衡验证条件,所述供氧平衡验证条件包括若所述全局供氧平衡系数大于/等于预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为通过;
所述供氧平衡验证条件还包括若所述全局供氧平衡系数小于所述预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为不通过。
在一种可行的实施方式中,在获得反映目标区域供氧需求场景的多个区域供氧目标场景数据源后,需要进一步结合医用中心供氧系统的供氧能力,对全局供氧状况进行供氧平衡验证,以判断当前供需状态是否匹配,作为精准调控医院供氧的前提和基础。
首先,对多个区域供氧目标场景数据源进行融合计算,得到目标区域的供氧需求总量,即全局供氧需求量。由于多个区域供氧目标场景数据源是以数据流的形式组织的,因此利用流计算方法,将多个区域供氧目标场景数据源汇聚到统一的计算节点。在该节点上,从每个数据流中提取供氧目标的实时供氧需求特征数据,如病人的用氧流量需求等,并结合供氧目标特征数据中的供氧对象类型、数量等静态属性,计算每个区域的实时供氧需求小计。然后将所有区域的供氧需求小计进行加总,即可得到全局供氧需求量。
然后,在融合得到全局供氧需求量后,将其与预先加载的全局供氧容量一起,输入全局供氧平衡验证器进行平衡验证,从而得到全局供氧平衡系数。该全局供氧平衡验证器的核心是供氧平衡分析单元,该单元内置了一个衡量供需平衡度的供氧平衡分析函数。该供氧平衡分析函数为:
;
其中,GOC表征全局供氧平衡系数,GOY表征全局供氧容量,表示医院供氧系统的最大供氧能力;GOX表征全局供氧需求量,全院各供氧对象的用氧需求之和;GOL表征供氧系统的供氧损耗率,供氧过程中的损耗比例。当供给大于需求时,GOC为正值,供给与需求越接近,GOC越趋近于0;当供给小于需求时,GOC为负值,且绝对值越大表明供需失衡越严重。因此,通过全局供氧平衡系数GOC可以定量评估全局供需平衡的状况。
在获取全局供氧平衡系数后,该系数被输入全局供氧平衡验证器内的供氧平衡验证单元,与在其内设置的供氧平衡验证条件进行比对,以得出最终的验证全局供氧平衡验证结果。
供氧平衡验证条件设定了全局供氧平衡系数的合格阈值,即预设全局供氧平衡阈值。当全局供氧平衡系数大于或等于预设全局供氧平衡阈值时,表明全局供需基本平衡,全局供氧平衡验证结果为通过;当全局供氧平衡系数小于预设全局供氧平衡阈值时,表明全局供需失衡,全局供氧平衡验证结果为不通过,需启动调节机制。其中,预设全局供氧平衡阈值根据医院运行的安全裕度、对供氧波动的容忍度等因素设定。
通过定量评估全局供氧平衡状况,基于供需平衡计算和验证规则,将主观的平衡感知转化为可度量、可判定的客观指标,并以此为依据实现供氧系统的自适应调控,提高了供氧管理的科学性和精准性。
当所述全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合所述供氧调节决策通道,根据所述多个区域供氧目标场景数据源对所述多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;
进一步的,获得多个区域供氧调节决策集包括;
当所述全局供氧平衡验证结果为不通过时,生成全局供氧平衡补偿量;
遍历所述多个区域供氧目标场景数据源,提取多个供氧目标特征数据;
基于所述多个供氧目标特征数据进行供氧重要度识别,获得多个目标供氧必要系数,并对所述多个目标供氧必要系数进行降序排列,生成目标供氧优先级规则;
基于所述全局供氧平衡补偿量,根据所述目标供氧优先级规则对所述多个区域供氧目标场景数据源进行供氧需求优化,生成多个调整区域供氧目标场景数据源;
基于所述多个调整区域供氧目标场景数据源,根据所述供氧调节决策通道进行供氧调节分析,得到所述多个区域供氧调节决策集。
在一种可行的实施方式中,获取全局供氧平衡验证结果后,当全局供氧平衡验证结果为不通过时,意味着目标区域整体的供氧能力无法满足所有供氧对象的用氧需求,需要启动应急调节机制。首先,计算全局供氧容量与全局供氧需求量的差值,即GOY-GOX*(1+GOL),表征供需失衡的量级,并对所得差值取绝对值即为全局供氧平衡补偿量。
在得到全局供氧平衡补偿量后,需进一步确定在哪些供氧对象上执行供氧调节。为此,获得所有供氧对象的特征属性数据,包括对象类型、重要程度等,以便后续的调节对象优选。具体的,通过遍历生成的多个区域供氧目标场景数据源,依次提取每个区域内所有供氧对象的供氧目标特征数据子流,得到多个供氧目标特征数据。
在提取到所有供氧对象的多个供氧目标特征数据后,根据特征数据得到每个供氧对象的供氧重要度,用目标供氧必要系数量化表示,得到多个目标供氧必要系数。目标供氧必要系数综合考虑对象类型(病人或设备)、病情危重程度、担负医疗任务的重要性等因素,系数越高表明供氧对象越重要,优先级越高。其中,计算目标供氧必要系数采用加权评分模型,针对不同评判因子设置权重,对每个供氧对象的各评判因子逐一赋分,累加得到最终的目标供氧必要系数。所有供氧对象的多个目标供氧必要系数生成后,按降序排列得到一个供氧优先级序列,目标供氧必要系数高的优先级位次靠前,该优先级序列形成目标供氧优先级规则,用于指导后续供氧对象的优选。
随后,加载得到的全局供氧平衡补偿量,根据得到的目标供氧优先级规则,从规则序列的首位(目标供氧必要系数最高的对象)开始,确定重点供氧对象。依次对目标供氧必要系数对应的供氧对象的供氧需求特征数据进行调整,将其在多个区域供氧目标场景数据源中的需求值修改为与其目标供氧必要系数相匹配的建议值,得到多个调整区域供氧目标场景数据源,反映供氧调节优化的结果,体现了保障重点、平衡全局的思路。
在得到多个调整区域供氧目标场景数据源后,利用构建的供氧调节决策通道,对每个目标供氧区域内的各个供氧对象的供氧需求进行精细化分析,形成多个区域供氧调节决策集。其中,区域供氧调节决策集由每个供氧对象的供氧参数调节方案组成的,如对病人的供氧流量、氧浓度,对医疗设备的供氧压力等参数值的动态调整。针对目标供氧优先级规则中位置靠前的重点供氧对象,要确保其调节决策满足供氧需求;对其他一般对象,则给出与其必要程度相匹配的调节决策。在生成多个区域供氧调节决策集时,需要调用训练得到的供氧调节决策通道中的供氧调节决策子网络,利用各子网络所具备的区域调节经验,使调节决策更契合区域实际,规避调节风险。
通过针对全局供氧平衡验证结果为不通过的情况,进行供氧优化调度,通过评估供氧对象的重要性,使用优先级规则来动态调整供氧资源配置,在保障重点供氧对象用氧需求的同时,兼顾全局供氧的均衡性,实现了精准调控、应急保障、弹性优化的统一。
进一步的,当所述全局供氧平衡验证结果为通过时,基于所述多个区域供氧目标场景数据源,根据所述供氧调节决策通道执行所述多个目标供氧区域内各个供氧目标的供氧调节分析,生成所述多个区域供氧调节决策集。
在一种可行的实施方式中,当全局供氧平衡验证结果为通过时,此时全局供氧容量能够满足全局供氧需求量,因此无需进行供氧负荷的削峰填谷优化,直接利用预先训练好的供氧调节决策通道,得到多个区域供氧调节决策集。
具体而言,首先,加载采集到的多个区域供氧目标场景数据源,并按区域进行归类,得到每个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数。然后,针对每个目标供氧区域,将其对应的区域供氧目标场景数据源输入至供氧调节决策通道中对应的供氧调节决策子网络。由于各供氧调节决策子网络在训练时已充分学习了对应区域的供氧调节规律,因此可根据当前区域供氧目标场景数据源准确地推断出每个供氧对象的最优供氧参数调节方案,将各供氧调节决策子网络输出的供氧参数调节方案汇总形成一个区域供氧调节决策集。每个区域都对应生成一个区域供氧调节决策集,从而得到多个区域供氧调节决策集。
在全局供氧平衡验证结果为通过的情况下,利用多个针对不同供目标氧区域训练的供氧决策子网络,提供多个区域供氧调节决策集,进一步提升供氧品质。
基于所述供氧系统,根据所述多个区域供氧调节决策集执行所述多个目标供氧区域的供氧调节。
在本申请实施中,在确定多个区域供氧调节决策集后,根据多个区域供氧调节决策集对供氧系统的供氧设备进行参数设置和阀门控制,以实现对各区域的精准供氧调节。
具体而言,基于目标区域现有的供氧系统,通过数字化控制终端将多个区域供氧调节决策集下发到供氧系统的控制单元。控制单元根据多个区域供氧调节决策集的指令,对中心供氧站、分区控制柜、末端供氧设备等不同层级的供氧设施发出控制指令,调整供氧压力、流量和浓度等参数,并控制相应管路阀门的开度,实现多个目标供氧区域的供氧调节。在具体执行时,为确保调节过程的平稳性和安全性,宜采用渐进式调节策略。即先对供氧压力进行小幅调整,观察各区域供氧效果,再根据反馈动态优化供氧流量和浓度。对供氧压力、流量的调节幅度设置上限,避免出现供氧不稳定。
通过根据多个区域供氧调节决策集对供氧系统进行分区域精准调节控制,实现医用中心供氧系统的智能调节,提高供氧自适应性和稳定性。
进一步的,本申请实施例还包括;
基于物联网传感器阵列对所述供氧系统进行实时监测,获得系统传感监测数据源;
搭建供氧系统运行异常评估模型;
基于所述供氧系统运行异常评估模型对所述系统传感监测数据源进行异常评估,得到系统异常识别结果和系统异常评估系数;
当所述系统异常评估系数大于/等于系统异常评估阈值时,生成系统异常预警指令;
基于所述系统异常预警指令,根据所述系统异常识别结果对所述多个区域供氧调节决策集进行异常关联分析,并基于异常关联分析结果对所述多个区域供氧调节决策集进行异常反馈调节。
在一种候选的实施方式中,为保障供氧系统的安全稳定运行,需对供氧系统运行状态进行实时监控。其中,利用物联网技术,在供氧系统的各个关键节点上部署物联网传感器阵列,对管路压力、流量、气体浓度等参数进行采集,形成反映系统实时运行状态的系统传感监测数据源。该系统传感监测数据源以流数据的形式实时生成,频率可达秒级。通过对该系统传感监测数据源进行分析,可及时发现供氧系统运行的异常波动,为预警和调节提供依据。
同时,为实现对供氧系统运行状态的智能评估,利用目标区域积累的供氧系统历史运行大数据,采用机器学习方法进行模型训练,预先搭建供氧系统运行异常评估模型。然后,将采集到的系统传感监测数据源输入构建的系统传感监测数据源中,实时分析供氧系统的运行状态,得到系统异常识别结果(正常/异常)。若系统异常识别结果为异常,则进一步对系统异常程度进行评分,生成一个0到1之间的系统异常评估系数。系数越大表明异常情况越严重。
在得到系统异常评估系数后,将其与预设的系统异常评估阈值进行比对。该系统异常评估阈值代表了供氧系统可容忍的最大异常风险度,依据系统设计可靠性、风险控制要求等因素来设定。如果系统异常评估系数大于或等于该系统异常评估阈值,意味着当前供氧系统运行风险超出安全界限,必须立即采取措施消除隐患。此时,自动生成一个系统异常预警指令,要求尽快对供氧系统中存在异常的设备或管路进行检修或切换,并报告异常原因和处理进度。
当系统异常预警指令生成后,根据异常识别结果判断异常发生的区域,并判别该区域的区域供氧调节决策集与异常的关联度,得到异常关联分析结果。若异常关联分析结果表示关联度高,则表示是由于区域供氧调节决策集中的调节决策过于激进导致该区域供氧负荷过大引发故障,则应及时调低该区域的供氧强度。其中,对存在中高度异常风险的区域,适度下调供氧量,加强供氧状态监测频次;对风险可控的区域,则维持原决策不变,但启动备用供氧方案,确保在极端情况下的供氧保障。这样,通过多个区域供氧调节决策集联动的异常反馈调节,可增强供氧系统对供氧系统异常的整体应对能力。
进一步的,搭建供氧系统运行异常评估模型包括;
加载所述供氧系统的正常系统传感监测数据记录和异常系统传感监测数据记录;
根据支持向量机对所述正常系统传感监测数据记录和所述异常系统传感监测数据记录进行异常识别训练,生成供氧系统异常识别器;
根据供氧系统异常影响指标集合对所述异常系统传感监测数据记录进行异常划分,获得系统异常评估系数记录;
基于BP神经网络对所述异常系统传感监测数据记录和所述系统异常评估系数记录进行有监督训练,生成供氧系统运行异常评估器;
将所述供氧系统异常识别器和所述供氧系统运行异常评估器嵌入至所述供氧系统运行异常评估模型。
在一种可行的实施方式中,在搭建供氧系统运行异常评估模型时,首先,从医院的供氧系统历史数据库中,选取一段时间内的系统传感监测数据记录,并按照运行状态将其划分为正常系统传感监测数据记录和异常系统传感监测数据记录。其中,正常系统传感监测数据记录反映系统在稳定运行期间各传感监测参数的正常值域分布规律;而异常系统传感监测数据记录则反映系统在故障或不稳定期间传感监测参数的反常变化特征。
然后,利用支持向量机,对获取的正常系统传感监测数据记录和异常系统传感监测数据记录进行二分类训练,构建供氧系统异常识别器。支持向量机通过寻求一个最优分类超平面,在高维空间实现异常与正常状态的有效判别。首先,对正常系统传感监测数据记录和异常系统传感监测数据记录进行特征参数提取,得到压力、流量、浓度等多个监测指标的统计值(均值、方差等);然后,选取一部分正常系统传感监测数据记录和异常系统传感监测数据记录作为训练集,送入支持向量机进行参数寻优,得到最优的分类决策函数;接着,用另一部分正常系统传感监测数据记录和异常系统传感监测数据记录作为测试集,代入分类决策函数进行分类识别,评估异常识别准确率。若准确率达到预设要求,则确定分类决策函数,形成供氧系统异常识别器。
同时,预先定义供氧系统异常影响指标集合,如供氧中断时长、供氧压力不稳定度等,并设定各指标的异常等级划分标准(如轻度、中度、重度三级)。然后,根据供氧系统异常影响指标集合对异常系统传感监测数据记录逐条进行指标提取和等级判定,得到系统异常评估系数记录。随后,以异常系统传感监测数据记录为训练样本输入,以系统异常评估系数记录为期望输出,搭建BP神经网络;随机初始化网络连接权值,送入样本数据进行前向计算,得到网络输出的异常评估系数;将网络输出与期望输出进行比对,计算均方误差,并用梯度下降法更新权值,反向传播误差修正信号。如此迭代训练,直至均方误差收敛到允许范围内。此时,BP神经网络即完成了异常系统传感监测数据和系统异常评估系数间映射关系的学习,形成供氧系统运行异常评估器。
之后,将训练好的供氧系统异常识别器和供氧系统运行异常评估器集成嵌入,构成完整的供氧系统运行异常评估模型。该供氧系统运行异常评估模型以系统传感监测数据源为输入,通过供氧系统异常识别器判断供氧系统是否异常;若监测到异常,再通过供氧系统运行异常评估器给出系统异常评估系数,为供氧系统的安全监控提供有力支撑。
通过构建智能化的供氧系统异常评估模型,可自适应地挖掘海量监测数据中隐含的异常模式,克服了传统基于规则和阈值的异常诊断方法的局限性;同时,将异常识别与异常评估集成为一体化的分析框架,可同步给出异常判定和风险评判结果,形成对供氧系统的全方位智能监管。
综上所述,本申请实施例所提供的一种医用中心供氧系统的自动调节方法具有如下技术效果:
获得目标区域的区域布局特征数据,并基于区域布局特征数据对目标区域进行供氧区域划分,获得多个目标供氧区域,以更好地满足不同区域的实际供氧需求。基于调节决策学习收敛条件,分别对多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,赋予供氧系统智能化的动态调节能力,弥补现有系统缺乏自主调节机制的不足。采集多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,为后续的供氧平衡验证和调节决策提供依据,是实现自动化调节的基础。加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和多个区域供氧目标场景数据源执行多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果,旨在发现供氧不平衡的问题,为优化调度算法的触发创造条件。当全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合供氧调节决策通道,根据多个区域供氧目标场景数据源对多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集,实现动态自适应调节的核心,能够针对实际情况提出优化方案。基于供氧系统,根据多个区域供氧调节决策集执行多个目标供氧区域的供氧调节,实现对供氧系统的智能化管理,提高了医用中心供氧系统的供氧自适应性和稳定性。
实施例二,基于与前述实施例中一种医用中心供氧系统的自动调节方法相同的发明构思,如图3所示,本申请实施例提供了一种医用中心供氧系统的自动调节装置,该系统包括:
供氧区域划分模块11,用于获得目标区域的区域布局特征数据,并基于所述区域布局特征数据对所述目标区域进行供氧区域划分,获得多个目标供氧区域;
决策通道生成模块12,用于基于调节决策学习收敛条件,分别对所述多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,所述供氧调节决策通道包括所述多个目标供氧区域对应的多个供氧调节决策子网络;
数据源获取模块13,用于采集所述多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;
供氧平衡验证模块14,用于加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和所述多个区域供氧目标场景数据源执行所述多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;
供氧调节分析模块15,用于当所述全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合所述供氧调节决策通道,根据所述多个区域供氧目标场景数据源对所述多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;
供氧调节执行模块16,用于基于所述供氧系统,根据所述多个区域供氧调节决策集执行所述多个目标供氧区域的供氧调节。
进一步的,决策通道生成模块12包括以下执行步骤:
根据所述多个目标供氧区域,提取第y目标供氧区域,其中,y为正整数,y属于Y,Y为所述多个目标供氧区域的区域总数量;
采集所述第y目标供氧区域的供氧调节记录数据,获得第y区域历史供氧场景数据流记录和第y区域历史场景供氧调节方案记录;
以所述第y区域历史供氧场景数据流记录作为输入数据,以所述第y区域历史场景供氧调节方案记录作为输出监督数据,对前馈神经网络进行训练,每训练预设次数时,获取决策误差损失系数;
当所述决策误差损失系数满足所述调节决策学习收敛条件时,生成第y供氧调节决策子网络,并将所述第y供氧调节决策子网络添加至所述供氧调节决策通道。
进一步的,供氧平衡验证模块14包括以下执行步骤:
基于所述多个区域供氧目标场景数据源进行供氧需求量融合,获得全局供氧需求量;
将所述全局供氧需求量和所述全局供氧容量输入所述全局供氧平衡验证器内的供氧平衡分析单元,生成全局供氧平衡系数,其中,所述供氧平衡分析单元包括供氧平衡分析函数,所述供氧平衡分析函数为:
;
其中,GOC表征所述全局供氧平衡系数,GOY表征所述全局供氧容量,GOX表征所述全局供氧需求量,GOL表征所述供氧系统的供氧损耗率;
将所述全局供氧平衡系数输入所述全局供氧平衡验证器内的供氧平衡验证单元,生成所述全局供氧平衡验证结果;
其中,所述供氧平衡验证单元包括供氧平衡验证条件,所述供氧平衡验证条件包括若所述全局供氧平衡系数大于/等于预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为通过;
所述供氧平衡验证条件还包括若所述全局供氧平衡系数小于所述预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为不通过。
进一步的,供氧调节分析模块15还包括以下执行步骤:
当所述全局供氧平衡验证结果为通过时,基于所述多个区域供氧目标场景数据源,根据所述供氧调节决策通道执行所述多个目标供氧区域内各个供氧目标的供氧调节分析,生成所述多个区域供氧调节决策集。
进一步的,供氧调节分析模块15包括以下执行步骤;
当所述全局供氧平衡验证结果为不通过时,生成全局供氧平衡补偿量;
遍历所述多个区域供氧目标场景数据源,提取多个供氧目标特征数据;
基于所述多个供氧目标特征数据进行供氧重要度识别,获得多个目标供氧必要系数,并对所述多个目标供氧必要系数进行降序排列,生成目标供氧优先级规则;
基于所述全局供氧平衡补偿量,根据所述目标供氧优先级规则对所述多个区域供氧目标场景数据源进行供氧需求优化,生成多个调整区域供氧目标场景数据源;
基于所述多个调整区域供氧目标场景数据源,根据所述供氧调节决策通道进行供氧调节分析,得到所述多个区域供氧调节决策集。
进一步的,供养调节执行模块16包括以下执行步骤:
基于物联网传感器阵列对所述供氧系统进行实时监测,获得系统传感监测数据源;
搭建供氧系统运行异常评估模型;
基于所述供氧系统运行异常评估模型对所述系统传感监测数据源进行异常评估,得到系统异常识别结果和系统异常评估系数;
当所述系统异常评估系数大于/等于系统异常评估阈值时,生成系统异常预警指令;
基于所述系统异常预警指令,根据所述系统异常识别结果对所述多个区域供氧调节决策集进行异常关联分析,并基于异常关联分析结果对所述多个区域供氧调节决策集进行异常反馈调节。
进一步的,供养调节执行模块16还包括以下执行步骤:
加载所述供氧系统的正常系统传感监测数据记录和异常系统传感监测数据记录;
根据支持向量机对所述正常系统传感监测数据记录和所述异常系统传感监测数据记录进行异常识别训练,生成供氧系统异常识别器;
根据供氧系统异常影响指标集合对所述异常系统传感监测数据记录进行异常划分,获得系统异常评估系数记录;
基于BP神经网络对所述异常系统传感监测数据记录和所述系统异常评估系数记录进行有监督训练,生成供氧系统运行异常评估器;
将所述供氧系统异常识别器和所述供氧系统运行异常评估器嵌入至所述供氧系统运行异常评估模型。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种医用中心供氧系统的自动调节方法,其特征在于,所述方法包括:
获得目标区域的区域布局特征数据,并基于所述区域布局特征数据对所述目标区域进行供氧区域划分,获得多个目标供氧区域;
基于调节决策学习收敛条件,分别对所述多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,所述供氧调节决策通道包括所述多个目标供氧区域对应的多个供氧调节决策子网络;
采集所述多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;
加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和所述多个区域供氧目标场景数据源执行所述多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;
当所述全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合所述供氧调节决策通道,根据所述多个区域供氧目标场景数据源对所述多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;
基于所述供氧系统,根据所述多个区域供氧调节决策集执行所述多个目标供氧区域的供氧调节。
2.如权利要求1所述的方法,其特征在于,基于调节决策学习收敛条件,分别对所述多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,包括:
根据所述多个目标供氧区域,提取第y目标供氧区域,其中,y为正整数,y属于Y,Y为所述多个目标供氧区域的区域总数量;
采集所述第y目标供氧区域的供氧调节记录数据,获得第y区域历史供氧场景数据流记录和第y区域历史场景供氧调节方案记录;
以所述第y区域历史供氧场景数据流记录作为输入数据,以所述第y区域历史场景供氧调节方案记录作为输出监督数据,对前馈神经网络进行训练,每训练预设次数时,获取决策误差损失系数;
当所述决策误差损失系数满足所述调节决策学习收敛条件时,生成第y供氧调节决策子网络,并将所述第y供氧调节决策子网络添加至所述供氧调节决策通道。
3.如权利要求1所述的方法,其特征在于,加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和所述多个区域供氧目标场景数据源执行所述多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果,包括:
基于所述多个区域供氧目标场景数据源进行供氧需求量融合,获得全局供氧需求量;
将所述全局供氧需求量和所述全局供氧容量输入所述全局供氧平衡验证器内的供氧平衡分析单元,生成全局供氧平衡系数,其中,所述供氧平衡分析单元包括供氧平衡分析函数,所述供氧平衡分析函数为:
;
其中,GOC表征所述全局供氧平衡系数,GOY表征所述全局供氧容量,GOX表征所述全局供氧需求量,GOL表征所述供氧系统的供氧损耗率;
将所述全局供氧平衡系数输入所述全局供氧平衡验证器内的供氧平衡验证单元,生成所述全局供氧平衡验证结果;
其中,所述供氧平衡验证单元包括供氧平衡验证条件,所述供氧平衡验证条件包括若所述全局供氧平衡系数大于/等于预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为通过;
所述供氧平衡验证条件还包括若所述全局供氧平衡系数小于所述预设全局供氧平衡阈值时,获得的所述全局供氧平衡验证结果为不通过。
4.如权利要求1所述的方法,其特征在于,当所述全局供氧平衡验证结果为通过时,基于所述多个区域供氧目标场景数据源,根据所述供氧调节决策通道执行所述多个目标供氧区域内各个供氧目标的供氧调节分析,生成所述多个区域供氧调节决策集。
5.如权利要求1所述的方法,其特征在于,当所述全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合所述供氧调节决策通道,根据所述多个区域供氧目标场景数据源对所述多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集,包括:
当所述全局供氧平衡验证结果为不通过时,生成全局供氧平衡补偿量;
遍历所述多个区域供氧目标场景数据源,提取多个供氧目标特征数据;
基于所述多个供氧目标特征数据进行供氧重要度识别,获得多个目标供氧必要系数,并对所述多个目标供氧必要系数进行降序排列,生成目标供氧优先级规则;
基于所述全局供氧平衡补偿量,根据所述目标供氧优先级规则对所述多个区域供氧目标场景数据源进行供氧需求优化,生成多个调整区域供氧目标场景数据源;
基于所述多个调整区域供氧目标场景数据源,根据所述供氧调节决策通道进行供氧调节分析,得到所述多个区域供氧调节决策集。
6.如权利要求1所述的方法,其特征在于,基于所述供氧系统,根据所述多个区域供氧调节决策集执行所述多个目标供氧区域的供氧调节,包括:
基于物联网传感器阵列对所述供氧系统进行实时监测,获得系统传感监测数据源;
搭建供氧系统运行异常评估模型;
基于所述供氧系统运行异常评估模型对所述系统传感监测数据源进行异常评估,得到系统异常识别结果和系统异常评估系数;
当所述系统异常评估系数大于/等于系统异常评估阈值时,生成系统异常预警指令;
基于所述系统异常预警指令,根据所述系统异常识别结果对所述多个区域供氧调节决策集进行异常关联分析,并基于异常关联分析结果对所述多个区域供氧调节决策集进行异常反馈调节。
7.如权利要求6所述的方法,其特征在于,搭建供氧系统运行异常评估模型,包括:
加载所述供氧系统的正常系统传感监测数据记录和异常系统传感监测数据记录;
根据支持向量机对所述正常系统传感监测数据记录和所述异常系统传感监测数据记录进行异常识别训练,生成供氧系统异常识别器;
根据供氧系统异常影响指标集合对所述异常系统传感监测数据记录进行异常划分,获得系统异常评估系数记录;
基于BP神经网络对所述异常系统传感监测数据记录和所述系统异常评估系数记录进行有监督训练,生成供氧系统运行异常评估器;
将所述供氧系统异常识别器和所述供氧系统运行异常评估器嵌入至所述供氧系统运行异常评估模型。
8.一种医用中心供氧系统的自动调节装置,其特征在于,用于实施权利要求1-7任意一项所述的一种医用中心供氧系统的自动调节方法,所述装置包括:
供氧区域划分模块,所述供氧区域划分模块用于获得目标区域的区域布局特征数据,并基于所述区域布局特征数据对所述目标区域进行供氧区域划分,获得多个目标供氧区域;
决策通道生成模块,所述决策通道生成模块用于基于调节决策学习收敛条件,分别对所述多个目标供氧区域进行供氧调节记录的特征深度学习,生成供氧调节决策通道,其中,所述供氧调节决策通道包括所述多个目标供氧区域对应的多个供氧调节决策子网络;
数据源获取模块,所述数据源获取模块用于采集所述多个目标供氧区域内各个供氧目标的基础信息、实时供氧需求参数和实时供氧环境参数,获得多个区域供氧目标场景数据源,其中,每个区域供氧目标场景数据源包括每个目标供氧区域的多个供氧目标对应的多个区域供氧目标场景数据流,每个区域供氧目标场景数据流包括供氧目标特征数据、实时供氧需求特征数据和实时供氧环境特征数据;
供氧平衡验证模块,所述供氧平衡验证模块用于加载供氧系统的全局供氧容量,结合全局供氧平衡验证器和所述多个区域供氧目标场景数据源执行所述多个目标供氧区域的供氧平衡验证,获得全局供氧平衡验证结果;
供氧调节分析模块,所述供氧调节分析模块用于当所述全局供氧平衡验证结果为不通过时,激活供氧优化调度算法,结合所述供氧调节决策通道,根据所述多个区域供氧目标场景数据源对所述多个目标供氧区域内各个供氧目标进行供氧调节分析,获得多个区域供氧调节决策集;
供养调节执行模块,所述供养调节执行模块用于基于所述供氧系统,根据所述多个区域供氧调节决策集执行所述多个目标供氧区域的供氧调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436785.0A CN118039109B (zh) | 2024-04-12 | 2024-04-12 | 一种医用中心供氧系统的自动调节方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436785.0A CN118039109B (zh) | 2024-04-12 | 2024-04-12 | 一种医用中心供氧系统的自动调节方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118039109A true CN118039109A (zh) | 2024-05-14 |
CN118039109B CN118039109B (zh) | 2024-06-18 |
Family
ID=90997131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410436785.0A Active CN118039109B (zh) | 2024-04-12 | 2024-04-12 | 一种医用中心供氧系统的自动调节方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118039109B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108186252A (zh) * | 2018-03-05 | 2018-06-22 | 烟台福皓医疗设备有限公司 | 基于模糊控制的医用氧舱定制化供氧系统及其方法 |
WO2020032405A1 (ko) * | 2018-08-08 | 2020-02-13 | 사회복지법인 삼성생명공익재단 | 자동 산소 공급 장치, 방법 및 컴퓨터 프로그램 |
US20200289784A1 (en) * | 2019-03-12 | 2020-09-17 | Live Fully, Inc. | Oxygen monitoring and control system |
US20230031328A1 (en) * | 2021-07-30 | 2023-02-02 | GE Precision Healthcare LLC | Monitoring, predicting and alerting short-term oxygen support needs for patients |
CN116129079A (zh) * | 2022-12-29 | 2023-05-16 | 西藏水滴信息科技有限公司 | 一种高原供氧设备参数标定方法及系统 |
CN116612873A (zh) * | 2023-05-23 | 2023-08-18 | 中国人民解放军总医院第六医学中心 | 用于高压氧舱的供氧调控方法及系统 |
WO2023179380A1 (zh) * | 2022-03-23 | 2023-09-28 | 乔治洛德方法研究和开发液化空气有限公司 | 用于控制气体供应系统的气体供应的方法和设备 |
CN117323534A (zh) * | 2023-10-11 | 2024-01-02 | 山东七福健康科技有限公司 | 一种氧流量控制设备 |
CN117540337A (zh) * | 2023-11-15 | 2024-02-09 | 中国铁塔股份有限公司辽宁省分公司 | 一种多源融合的智能化区域安全精准感知方法 |
-
2024
- 2024-04-12 CN CN202410436785.0A patent/CN118039109B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108186252A (zh) * | 2018-03-05 | 2018-06-22 | 烟台福皓医疗设备有限公司 | 基于模糊控制的医用氧舱定制化供氧系统及其方法 |
WO2020032405A1 (ko) * | 2018-08-08 | 2020-02-13 | 사회복지법인 삼성생명공익재단 | 자동 산소 공급 장치, 방법 및 컴퓨터 프로그램 |
US20200289784A1 (en) * | 2019-03-12 | 2020-09-17 | Live Fully, Inc. | Oxygen monitoring and control system |
US20230031328A1 (en) * | 2021-07-30 | 2023-02-02 | GE Precision Healthcare LLC | Monitoring, predicting and alerting short-term oxygen support needs for patients |
WO2023179380A1 (zh) * | 2022-03-23 | 2023-09-28 | 乔治洛德方法研究和开发液化空气有限公司 | 用于控制气体供应系统的气体供应的方法和设备 |
CN116129079A (zh) * | 2022-12-29 | 2023-05-16 | 西藏水滴信息科技有限公司 | 一种高原供氧设备参数标定方法及系统 |
CN116612873A (zh) * | 2023-05-23 | 2023-08-18 | 中国人民解放军总医院第六医学中心 | 用于高压氧舱的供氧调控方法及系统 |
CN117323534A (zh) * | 2023-10-11 | 2024-01-02 | 山东七福健康科技有限公司 | 一种氧流量控制设备 |
CN117540337A (zh) * | 2023-11-15 | 2024-02-09 | 中国铁塔股份有限公司辽宁省分公司 | 一种多源融合的智能化区域安全精准感知方法 |
Non-Patent Citations (6)
Title |
---|
SAEGUSA M, ET AL: "Evaluation of comfort associated with the use of a robotic mattress with an interface pressure mapping system and automatic inner air-cell pressure adjustment function in healthy volunteers", J TISSUE VIABILITY, vol. 27, no. 03, 31 December 2018 (2018-12-31), pages 146 - 152 * |
刘中明,等: "基于改进深度强化学习的电力智慧供应链高维度决策模型研究", 电子测量技术, vol. 12, no. 23, 8 December 2019 (2019-12-08), pages 124 - 128 * |
刘楠楠,等: "海战场多传感器目标识别中神经网络的应用研究", 中国电子科学研究院学报, vol. 18, no. 05, 20 May 2020 (2020-05-20), pages 39 - 46 * |
李明际,等: "医用中心供氧系统的维护和保养", 医疗卫生装备, vol. 33, no. 06, 31 December 2012 (2012-12-31), pages 1 - 5 * |
杨斌,等: "基于泊松分布的中心供氧系统氧气消耗量峰值估算", 医疗卫生装备, no. 12, 15 December 2009 (2009-12-15), pages 1 - 6 * |
魏丙坤,等: "基于专家内模的氩氧精炼低碳铬铁的碳含量终点控制系统", 科学技术与工程, vol. 01, no. 06, 28 February 2020 (2020-02-28), pages 239 - 244 * |
Also Published As
Publication number | Publication date |
---|---|
CN118039109B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310915B (zh) | 一种面向强化学习的数据异常检测防御方法 | |
CN105589806B (zh) | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 | |
CN109242147A (zh) | 基于Bp神经网络的信号融合风机状态预测方法 | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
JP7078873B2 (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
CN110175697A (zh) | 一种不良事件风险预测系统及方法 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN114322199A (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN118039109B (zh) | 一种医用中心供氧系统的自动调节方法及装置 | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
TW202006652A (zh) | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
WO2021107053A1 (ja) | 機械学習装置、及び、環境調整装置 | |
CN115115167A (zh) | 校园安全系统及其运行方法 | |
Otaka et al. | Refrigerated showcase fault analysis by a Correntropy based artificial neural network using particle swarm optimization | |
CN114298579A (zh) | 一种基于数据挖掘的有源配电网故障风险预警方法及系统 | |
JP2021056893A (ja) | 機械学習装置、及び、空調制御システム | |
Bekaddour et al. | IHBA: an improved homogeneity-based algorithm for data classification | |
EP4276560A1 (en) | Abnormality sign detection system and abnormality-sign detection-model generation method | |
CN117391312B (zh) | 一种智慧建筑的告警智能处理方法及系统 |
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 |