CT水冷外机风扇滤网的清洗周期预测方法和清洗系统与流程

本技术涉及人工智能，具体而言，涉及一种ct水冷外机风扇滤网的清洗周期预测方法和清洗系统。

背景技术：

1、ct是医院内重要的设备。ct在运行过程中，需要使用冷却设备进行降温。冷却设备一般包括冷冻液循环系统和进风系统，冷冻液循环系统包括铜管和冷却液，铜管布置在ct的机组内部，冷却液在通过内循环流动，然后冷却液能够将ct机组内的热量吸收，然后从机组来出来之后，进风系统对通过进行降温，如此冷却液在循环流动的过程中，能够将ct机组中的热量带出来，然后由进风系统所送入的气流带走热量，从而给ct机组起到降温的作用。

2、进风系统一般包括一个风机和滤网，风机用于吸入空气，滤网用于对进入的空气进行过滤。而空气存在灰尘，所以在长时间使用之后，会导致滤网堵塞，进而需要对滤网进行定期清理。

3、现有的清理方式中，一般都是按照经验进行定期清理，这种清理方式在实际使用时，如果将定期清理的周期设置的很短，因为ct机组的滤网很大，清洗一次需要耗费大量的水，所以会导致水资源浪费严重；如果将定期清理的周期设置的很长，则容易导致滤网因为堵塞严重，而使得进风量小，进而导致ct机组过热，引起ct机组出现故障，或者使用寿命降低。

技术实现思路

1、本技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、作为本技术的第一个方面，为了解决目前ct机组的冷却设备，缺乏合理的清洗周期的技术问题。本技术的一些实施例提供了一种ct水冷外机风扇滤网的清洗周期预测方法，包括如下步骤：

3、步骤1：第一温度信息采集模块实时收集冷却液进入ct机组的温度与冷却液从ct机组出来的温度的差值；

4、步骤2：第二温度信息采集模块实时收集气温与冷却液进入ct机组的温度的差值；

5、步骤3：信息记录模块收集历次滤网清洗时，清洗出来的液体从浑浊至澄清的时间；

6、步骤4：控制模块根据步骤1～3中收集到的数据，实时更新下一次滤网的清洗时间。

7、本技术所提供的技术方案中，在确定下一次清洗时间时，并不是根据经验来进行选择，而是根据实际测量到的数据，得出下一次的清洗时间。所以，能够合理的安排滤网清洗的周期。在避免水资源浪费的情况下，保证滤网的清洁度，避免因为滤网堵塞，所导致的进气不畅，而对于ct机组的损坏。而本技术在步骤1中收集到的数据，能够反映出进风系统，对于冷却液的降温能力，如果步骤1中检测到的温度的差值小，则在一定程度上表明了滤网可能是因为进气不畅，而导致冷却液的温度无法降低。步骤2中，所收集的数据，则是反映降温效率的数据，如此避免了，在ct机组没有大功率的运行时，所导致的冷却液温度基本没有变化，而对于滤网堵塞情况的误判。步骤3中，收集的数据，则反映了在清洗周期的间隔中，滤网上所积攒的灰尘量。如此，本技术中所检测到的各项数据，计算出的滤网清洗周期，能够更加合理。

8、ct机组在原则上是不会断电的，相应的给ct机组的冷却液也是一直循环的。但是，在实际工作中，冷却系统一般会存在两种模式，怠速模式和高速模式，怠速模式下，冷却液的循环速率慢，风机的进风量小，高速模式下，冷却液的循环速率快，相应的进风量也大。所以，在实际的温度数据收集时，如果收集了怠速模式和高速模式下的数据，会导致数据之间的区别很大，而模糊了通过温度数据所需要预测的信息，进而导致最终清洗周期预测的时间不准。针对这一问题，本技术提供如下技术方案：

9、进一步的，步骤1包括如下步骤：

10、步骤11：收集冷却液在高速循环时，冷却液从ct机组出来的温度随时间变化的曲线，得到多个第一温度曲线a1、a2、…、an，a1表示第1个第一温度曲线，a2表示第2个第一温度曲线，an表示第n个第一温度曲线；

11、步骤12：收集冷却液在高速循环时，冷却液进入ct机组的温度随时间变化的曲线，得到多个第二温度曲线b1、b2、…、bn，b1表示第1个第二温度曲线，b2表示第2个第二温度曲线，bn表示第n个第二温度曲线；

12、步骤13：根据第一温度曲线和第二温度曲线计算第一温差曲线c1、c2、…、cn；其中，第一温差曲线由第一温度曲线与第二温度曲线的差值得到，c1表示第1个第一温差曲线，c2表示第2个第一温差曲线，cn表示第n个第一温差曲线；

13、步骤14：计算第一温差曲线的积分与对应第一温差曲线的持续时间的商，得到第一温度数列d1、d2…、dn，d1表示第1个第一温度数列，d2表示第2个第一温度数列，dn表示第n个第一温度数列。

14、本技术所提供的技术方案中，在收集温度数据时，并不是收集所有时间的温度数据，而是在冷却液高速循环时，再收集相应的数据。所以，避免了收集的数据之间因为存在区别，而使得温度数据模糊了特征的问题，保证了这些数据在用于预测时的准确性。并且，在具体的处理方式上，最终所得到的随着时间变化的温度数列为，第一温差曲线的积分与持续时间的商，所以最终计算得到的是在每个持续时间内最为精准的平均温差，所以能够很好的反映出，在冷却液高数循环时，进风系统对于冷却液的降温效率。

15、步骤2包括如下步骤：

16、步骤21：收集冷却液在高速循环时，环境温度随时间变化的曲线，得到第三温度曲线a1’、a2’、…、an’，a1’表示第1个第三温度曲线，a2’表示第2个第三温度曲线，an’表示第n个第三温度曲线；

17、步骤22：根据第二温度曲线和第三曲线计算第二温差曲线c1’、c2’、…、cn’；其中，第二温差曲线由第二温度曲线与第三温度曲线的差值得到，c1’表示第1个第二温差曲线，c2’表示第2个第二温差曲线，cn’表示第n个第二温差曲线；

18、步骤23：计算第二温差曲线的积分与对应第二温差曲线的持续时间的商，得到第二温度数列d1’、d2’…、dn’，d1’表示第1个第二温度数列，d2’表示第2个第二温度数列，dn’表示第n个第二温度数列。

19、在ct机组的内部，一般会设置温度报警装置，在温度超过预先设置的阈值时，则会产生温度报警。但是，如果以是否产生温度报警，已经在一段时间内产生温度报警的次数，来作为清洗滤网周期的设定参数，则会容易导致ct机组因为过热而造成损坏。

20、进一步的：步骤3包括如下步骤：

21、步骤31：预先设置冲洗水的颗粒物浓度阈值；

22、步骤32：获取清洗装置对滤网清洗时，从滤网上收集到的废水的颗粒物浓度随之间变化的废水浓度曲线e1、e2、…ei…、ek；e1表示第1个废水浓度曲线，e2表示第2个废水浓度曲线，ei表示第i个废水浓度曲线，ek表示第k个废水浓度曲线；

23、步骤33：当收集到的废水的颗粒物浓度达到颗粒物浓度阈值以下时，停止清洗，同时得到对应的冲洗时间；

24、步骤34：记录所有清洗装置清洗滤网时的时间，得到时间序列t1、t2、t3、…ti…、tk，t1表示第1个时间序列，t2表示第2个时间序列，t3表示第3个时间序列，ti表示第i个时间序列，tk表示第k个时间序列。

25、本技术所提供的方案中，收集的信息是废水的颗粒物浓度和对应的冲洗时间，作为判断依据。可以预见，如果滤网上的集灰比较多，则会导致冲洗时间长，同时废水中颗粒物浓度高，所以本方案中，调整冲洗周期，以调控冲洗时间，以及废水中的颗粒物浓度，相比较于以ct机组是否产生高温预警的方式，能够有效的避免ct机组因为高温而损坏。

26、虽然步骤1～步骤3中，已经对数据进行了相应的整理，但是步骤1～步骤3中，收集到的数据之间，本身就缺乏内在联系，所以直接对每项数据设置阈值，然后根据是否达到阈值，来决定滤网的清洗周期，并不能够很好的兼顾这些数据之间连续性。针对这一问题，本技术提供如下技术方案：

27、步骤41：控制模块收集步骤1～步骤3之间的数据，将步骤1和步骤2中的数据作为预测数据，将步骤3中的数据作为标注数据；

28、步骤42：预先配置神经网络模型，并对神经网络模型进行训练，然后将步骤1和步骤2中的数据输入至神经网络模型中，得到下次冲洗的时间。

29、本技术所提供的方案中，将步骤1和步骤2中的数据作为预测数据，将步骤3中的数据作为标注数据，然后再配置神经网络模型，所以在通过神经网络模型找到步骤1和步骤2中的数据，与步骤3中的数据的关系之后，能够根据对步骤3中所需要的数据，设置相应的阈值，就能够得到符合预期的滤网清洗周期。

30、进一步的，步骤41包括如下步骤：

31、步骤411：将第一温度数列d1、d2…、dn和第二温度数列d1’、d2’…、dn’按照清洗间隔划分为若干个数量相同的第一序列段fi和第二序列段gi；

32、步骤412：将对应的第一序列段fi和第二序列段gi作为预测数据，将ti和ei作为标签数据。

33、在滤网上具有的灰尘相同的情况下，对滤网的冲洗时间，以及废水中颗粒含量，基本上应该是相同的。而对应的，第一温度序列和第二温度序列则相应的反映了滤网上的灰尘量。

34、将ti和ei直接作为标签数据，在一定程度上，数据量太大，并不适宜输入到数据处理模型中。针对这一问题，本技术提供如下技术方案：

35、步骤412中，对于ti和ei，计算曲线ei的积分得到灰尘量mi。

36、本技术所提供的方案中，曲线ei的积分在一定程度上，就能够表示滤网上的灰尘量，所以就算每次对滤网进行冲洗时，水流的大小不同，或者说冲洗的角度不同，而导致废水的浓度曲线不同，但是依旧可以判断出滤网上灰尘的量。

37、进一步的：步骤411和步骤412中将第一序列段fi、第二序列段gi，以及灰尘量mi进行归一化处理。

38、进一步的，步骤42包括如下步骤：

39、步骤421：预先配置神经网络模型；

40、步骤422：预先获得一批标注数据集，将标注数据集划分为训练数据集和验证数据集；

41、步骤423：将训练数据集对神经网络模型进行训练，在多次迭代之后，用验证数据集进行验证，得到稳定的神经网络模型。

42、进一步的：步骤421中神经网络模型为递归神经网络。

43、递归神经网络是一种可以处理树状结构数据的神经网络模型。rnn的基本思想是将神经网络的结构与输入数据的结构相匹配，从而能够更好地捕捉数据的内在结构关系。

44、进一步的：步骤423中，包括如下步骤：

45、步骤4231：准备训练数据：收集训练样本{(x(i),y(i))}，其中x(i)表示第i个模型输入数据，x(i)为第一序列段fi和第二序列段gi；

46、y(i)表示标签数据，y(i)为灰尘量mi；

47、步骤4231：迭代训练：对于每个训练样本(x(i),y(i))，执行以下步骤：

48、前向传播：根据输入的二叉树结构和当前节点的状态向量，逐层计算得出每个节点的状态向量；对于叶子节点i，状态向量si＝xi；对于非叶子节点j，状态向量sj＝f(w×[sk；sl]+b)，其中，f表示激活函数、j表示非叶子节点的索引、i表示叶子节点的索引、si表示第i个节点的状态向量、xi表示第i个叶子节点的输入特征、sk和sl分别表示节点j的两个子节点的状态向量；

49、计算损失：使用交叉熵损失函数计算预测类别与真实类别之间的损失值；对于输出层节点m，损失值l＝-ym×log(pm)-(1-ym)×log(1-pm)，其中ym是真实类别，pm是预测概率；

50、反向传播：根据误差信号和当前节点的状态向量，逐层计算得出每个节点的误差信号和状态向量的梯度；

51、对于输出层节点m，误差信号δm＝(pm-ym)×f'(sm)；对于非输出节点j，误差信号δj＝(dw×[δk；δl])×f'(w×[sk；sl]+b)，其中δk和δl是节点j的子节点的误差信号，f'是激活函数的导数；

52、更新参数：使用学习率更新权重矩阵w和偏置向量b；对于权重矩阵w，更新公式为w＝w-η×dw；对于偏置向量b，更新公式为b＝b-η×db，其中η是学习率；

53、验证和测试：使用验证集对模型进行验证，选择最佳模型，并在测试集上评估模型的性能。

54、作为本技术的第二个方面，本技术的一些实施例提供了一种ct水冷外机风扇滤网的清洗系统，包括第一温度信息采集模块、第二温度信息采集模块、信息记录模块、清洗装置，以及控制模块，包括第一温度信息采集模块、第二温度信息采集模块、信息记录模块、清洗装置分别与控制模块信号连接；ct水冷外机风扇滤网的清洗系统采用前述的ct水冷外机风扇滤网的清洗周期预测方法控制清洗装置的清洗周期。