基于叶片电机电流信号的多叶准直器的健康状态监控方法
【技术领域】
[0001] 本发明属于多叶准直器的监控技术领域，尤其涉及一种基于叶片电机电流信号的 多叶准直器的健康状态监控方法及系统。
【背景技术】
[0002] 多叶准直器是用来产生适形辐射野的机械运动部件，俗称多叶光栅、多叶光阑等 等，广泛应用于医学领域。
[0003] 放疗设备依靠多叶准直器叶片的运动定位形成射野，一个多叶准直器中包含多个 叶片，叶片与叶片之间直接接触，且有相对运动，在长期使用过程中，叶片由于松脱、卡死、 磨损、异常振动，电机损坏等等原因是造成多叶准直器寿命减少的常见原因，如何保证叶片 长期、稳定可靠的运行，并实时了解多叶准直器的健康状态一直是放疗设备制造商需要解 决的问题。另外，叶片在安装过程中，如何保证每个叶片的安装工艺的一致性，从而保证每 个叶片的运动响应一致性也是一直困扰设备制造商的难题。
[0004] 目前尚无未有效的多叶准直性能状态监控方法。
【发明内容】
[0005] 本发明要解决的技术问题在于针对现有技术中尚无未有效的多叶准直性能状态 监控方法的缺陷，提供一种可以有效对多叶准直性能状态监控方法及系统。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 提供一种基于叶片驱动电机电流信号的多叶准直器健康状态的监控方法，其特征 在于，包括以下步骤：
[0008] S1、采集叶片电机的输出电流；
[0009] S2、对采集的输出电流分别通过放大、滤波与A/D转换，得到表示叶片状态信号的 电流数字信号；
[0010] S3、对电流数字信号进行预处理，除去采集电流时产生的噪声以及零漂因素；
[0011] S4、利用小波包分解方法对经预处理后的电流数字信号进行处理，得到多个信号 特征；
[0012] S5、通过优势特征选取技术，分别选择与多叶准直器不同健康状态强相关的信号 特征或其组合，并通过多项式拟合建立该信号特征与时间的趋势关系，形成一系列健康状 态趋势信号特征组合(如磨损状态趋势信号组合，松脱状态趋势信号特征组合等）；
[0013] S6、建立一系列神经网络的模型(包括磨损状态识别神经网络、松脱状态识别神经 网络等）用于识别多叶准直器的若干健康状态，针对每个神经网络模型，利用已建立好的健 康状态趋势信号特征组合向量和目标向量，并输入该神经网络模型对其进行训练，使其分 类准确率达到期望的准确率；
[0014] S7、实时监测叶片电机驱动电流信号，重复S2~S5的步骤，建立用于判断多叶准直 器健康状态趋势信号特征组合，分别输入对应的已训练好的神经网络模型进行识别，得到 分类结果，从而得到多叶准直器的健康状态。
[0015] 本发明所述的方法中，所述叶片电机的输出电流通过驱动板卡上的电流测量模块 获得。
[0016] 本发明所述的方法中，步骤S2中预处理方法包括均值法和FFT。
[0017] 本发明所述的方法中，步骤S4中，多个信号特征包括幅值、频率、相位以及小波系 数。
[0018] 本发明所述的方法中，所述神经网络包括BP神经网络和RBF神经网络。
[0019] 本发明所述的方法中，多叶准直器的健康状态，包括是否松脱、卡死、磨损、异常振 动以及电机损坏。
[0020] 本发明还提供一种基于叶片驱动电机电流信号的多叶准直器健康状态的监控系 统，其特征在于，包括：
[0021] 电流采集模块，用于采集叶片电机的输出电流；
[0022] 模数转换模块，用于对采集的输出电流分别通过放大、滤波与A/D转换，得到表示 叶片状态信号的电流数字信号
[0023]预处理模块，用于电流数字信号进行预处理，除去传感器自身的噪声以及零漂因 素；
[0024]信号特征提取模块，用于利用小波包分解方法对经预处理后的电流数字信号进行 处理，得到多个信号特征;并通过优势特征选取技术，分别选择与多叶准直器不同健康状态 强相关的信号特征或其组合，并通过多项式拟合建立该信号特征与时间的趋势关系，形成 一系列健康状态趋势信号特征组合；
[0025]神经网络建立模块，用于建立一系列神经网络的原型，分别用于识别多叶准直器 的若干健康状态，针对每个神经网络模型，利用已建立好的健康状态趋势信号特征组合以 及对应的趋势信号特征所处的时间段的叶片状态测量值组成输入向量和目标向量，并输入 该神经网络模型对其进行训练，使其分类准确率达到期望的准确率；
[0026] 识别模块，用于将实时测量和处理得到的一系列健康状态趋势信号特征组合分别 输入对应的已训练好的神经网络模型进行识别，得到分类结果，从而得到多叶准直器的健 康状态。
[0027] 本发明产生的有益效果是:本发明基于叶片驱动电机的电流来对多叶准直器的健 康状态进行实时监控，通过建立好的健康状态趋势信号特征组合以及对应的趋势信号特征 所处的时间段的叶片状态测量值对神经网络模型进行训练，最终通过输入实时测量值到神 经网络模型中进行识别，从而实现对多叶准直器工作时的性能状态进行评估、检测，能够有 效的预测多叶准直器的故障、保证多叶准直器长期、可靠的运行。通过对电流信号的分析处 理，能够得出多叶准直器叶片运动过程中的诸多状态，如振动状态、阻尼状态等。可实现方 便快捷地对多叶准直器的运动状态进行实时地监测，并且适用性强，易于推广。
【附图说明】
[0028] 下面将结合附图及实施例对本发明作进一步说明，附图中：
[0029] 图1是本发明实施例多叶准直器的统结构示意图；
[0030]图2是本发明实施例基于叶片驱动电机电流信号的多叶准直器的监控方法流程 图；
[0031] 图3是本发明实施例基于叶片驱动电机电流信号的多叶准直器的监控系统结构示 意图。
【发明内容】
[0032]
[0033]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明。
[0034] 如图1所示，多叶准直器主要包括叶片驱动电机1、丝杆2、叶片3、多叶准直器箱体4 以及导轨5。本发明主要通过叶片驱动电机的电流信号来监测叶片的健康状态。叶片的健康 状态主要包括叶片是否松脱、卡死、磨损、异常振动以及电机损坏等。
[0035] 本发明实施例基于叶片驱动电机电流信号的多叶准直器的监控方法，如图2所示， 包括以下步骤：
[0036] S1、利用驱动板卡上的电流采集模块测量叶片电机的输出电流；
[0037] S2、对采集的电流分别通过放大、滤波与A/D转换，得到电流数字信号，该电流数字 信号即叶片状态信号；
[0038] S3、对叶片运动状态信号进行预处理，除去电流采集模块在采集电流时产生的自 身的噪声以及零漂因素，预处理方法可以使用均值、FFT等方法；
[0039] S4、利用小波包分解方法对多叶准直器叶片运动时的电流信号段进行处理，得到 多个信号特征，如幅值、频率、相位、小波系数等，
[0040] S5、通过优势特征选取技术，分别选择与不同健康状态强相关的信号特征或其组 合，并通过多项式拟合建立该信号特征与时间的趋势关系，形成一系列健康状态趋势信号 特征组合；
[0041 ] S6、建立一系列神经网络（如BP神经网络、RBF神经网络等）模型，分别用于识别多 叶准直器的若干健康状态，如松脱、卡死、磨损、异常振动、电机损坏等。针对每个神经网络 模型，利用的已建立好的趋势信号特征组合以及对应的趋势信号特征所处的时间段的叶片 状态测量值组成输入向量和目标向量，并输入该神经网络模型对其进行训练。使其分类准 确率达到期望的准确率。叶片状态测量值主要是指叶片对应的每一个健康状态，每一个健 康状态可设定一个或多个参数来定量描述，例如卡死、松脱、电机损坏使用0或者1来区分， 磨损则使用叶片某一位置的磨损量实测值表示，异常振动使用振动频率和幅值来表示。
[0042] S7、实时监测叶片电机驱动电流信号，并分析提取电流信号特征，重复S2~S5的步 骤建立用于判断多叶准直器健康状态趋势信号特征组合，分别输入对应的已训练好的神经 网络模型进行识别，通过模型得到分类结果，从而得到多叶准直器的健康状态。
[0043] 以监控叶片磨损为实例具体说明。
[0044]步骤S4中利用小波包分解方法对学习叶片状态信号