本发明涉及供氧器械,尤其涉及一种供节氧系统的故障诊断方法及供节氧系统。
背景技术:
1、目前传统的供氧方式为连续流供氧,而人体吸氧为脉冲式吸氧,造成极大的资源浪费。特别对于高原环境下的吸氧人群,一次无法携带大量沉重的储氧设备,这就要求追求轻量化的同时还要顾及可提供吸氧时间的长短,所以供节氧系统应运而生。
2、目前,现有一些技术,如cn114602022 a提供了一种供氧调节装置,其可以实现根据多参数控制进行供氧的调节。另外,现有一些技术,可以实现脉冲式供氧,如cn113730751a公开了一种供氧调节装置,其可实现自动脉冲式供氧。供氧器械,随着自动化程度的提高,其也极易产生故障。如供节氧系统的故障会无法实现脉冲供氧,造成极大的浪费;也可引起供氧系统的供氧堵塞,对吸氧人群生命安全有着极大的影响;供氧器械的出气口压力极不稳定,对鼻腔、咽喉等处造成损伤等。
3、目前,针对供节氧系统的故障诊断,有学者提出以专家机为方法开发了用于供节氧系统的故障诊断机,以提高供节氧元件故障诊断的准确率,或是一种基于模糊数学、d-s证据理论和模糊积分算法相结合应用于供节氧元件的故障诊断方法,提高了供节氧元件故障诊断的高效性。再或是提出的故障树分析诊断方法,可以有效解决供节氧元件故障诊断复杂多变的情况。但以上提出的针对供节氧系统的故障诊断方法,受到理论机理与实际应用的限制,追求准确率却忽略了效率或追求效率却不能兼顾准确率,还要凭借人为经验补充案例与设定阈值,过程繁琐复杂具有不确定性。
4、有鉴于此,亟需一种供节氧系统的故障诊断方法及供节氧系统,以实现对供节氧系统的故障进行准确、快速、高效、全面的诊断。
技术实现思路
1、为缓解或解决上述问题中的至少一个方面或者至少一点,提出本发明。
2、本发明提供一种供节氧系统的故障诊断方法,所述供节氧系统:包括调控模块、产氧模块、总储模块、节氧模块;包括如下步骤:
3、s1:采集第一压力信号,所述第一压力信号反映供节氧系统的工作压力信号;
4、s2:将第一压力信号值转化为第一时域图像,并对第一时域图像进行快速傅里叶变换输出第一频域图像;
5、s3:根据上述第一时域图像、第一频域图像,得到故障模块的信息;
6、s4:采集故障模块信息及其对应的第一压力信号的第一时域图像信息和第一频域图像信息;
7、s5:提取第一数量的第一时域图像信息和第一频域图像信息的特征值;
8、s6:通过pca筛选从第一数量的特征值中,筛选得到第二数量的特征值,其中第二数量小于第一数量;
9、s7:采用第二数量的特征值对svm分类模型进行训练;
10、s8:确定最终的分类模型。
11、本发明的供节氧系统的故障诊断方法,通过对第一压力信号的采集,并对其进行分析,确定出故障模块的信息。
12、并进一步的采集产生故障模块时的第一压力信息,将其转化为时域、频域信息,并提取第一数量的特征值,通过pca筛选第二数量的特征值,以表征产生故障时的特征,并进一步的通过svm分类模型训练的方式,从而实现用最少的特征数量(第二数量)可以准确的表征出故障分类模型,并具有足够的准确度。从而实现了通过较小的计算量,极高的准确度的方式实现了故障的诊断。
13、本发明还提供一种供节氧系统的故障诊断方法,所述供节氧系统:包括调控模块、产氧模块、总储模块、节氧模块;包括如下步骤:
14、s1:采集第一压力信号,所述第一压力信号反映供节氧系统的工作压力信号;
15、s2:将第一压力信号值转化为第一时域图像,并对第一时域图像进行快速傅里叶变换输出第一频域图像;
16、s3:根据上述第一时域图像、第一频域图像,得到故障模块的信息;
17、s31:采集第二压力信号,所述第二压力信号反映故障模块内部器件的工作压力信号;
18、s32:将第二压力信号值转化为第二时域图像,并对第二压力信号进行快速傅里叶变换输出第二频域图像;
19、s33:根据上述第二时域图像、第二频域图像,得到故障模块发生故障的内部器件的信息。
20、s41:采集发生故障时对应的第二压力信号的第二时域图像信息和第二频域图像信息;
21、s51:提取第三数量的第二时域图像信息和第二频域图像信息的特征值;
22、s61:通过pca筛选从第三数量的特征值中,筛选得到第四数量的特征值,其中第四数量小于第三数量;
23、s71:采用第四数量的第二压力信号特征值对svm分类模型训练;
24、s8:确定最终的分类模型。
25、本发明的上述方法,在第一种诊断方法的基础上,通过对第二压力信号的测量,特征的提取、pca筛选、svm分类训练,可进一步将故障精确的定位到各模块内部的元器件,其精度大为提高。
26、为了达到更好的效果,本发明还提供如下优选技术方案:
27、优选的,步骤s8中确定最终的分类模型包括:判断其分类准确率是否大于90%,如果其结果为是,则确定最终的分类模型;如果为否,则通过pso算法对svm分类模型进行优化,直到分类准确率达到90%,则确定最终的分类模型。
28、优选的,步骤s8中,分类的准确率未达到90%以上,则通过pso算法对svm分类模型中的惩罚因子c与核函数g进行寻优,最终获得可应用于故障诊断的svm分类模型。
29、优选的,步骤s8之后还包括步骤:将待检测的压力信号输入到所述最终的分类模型,诊断出故障信息。
30、优选的,步骤s3中包括:观察第一时域图像信号曲线的整体波动情况以及其最高点、最低点、周期性信号时域特征;配合第一频域图像信号的能量分布情况以及其谐波分布、各频率能量、频率幅值,分析定位故障模块的信息。
31、优选的,步骤s8之后还包括步骤:对故障设置各自故障标签,分类模型通过显示故障标签的方式显示故障信息。
32、优选的,第一数量的特征值包括:
33、时域选择的特征值为最大值、最小值、峰值、方差、峭度值、偏度值、波形因子、脉冲因子、裕度因子;
34、频域选择的特征值为重心频率、均方根频率、频率标准差。
35、优选的,步骤s6中包括:通过pca对第一数量的特征值进行筛选融合,寻求采用最小数量的特征值代表超过95%的特征值。
36、另外本发明还提供一种供节氧系统,所述供节氧系统采用前述的故障诊断方法。
37、本发明的供节氧系统故障诊断方法,可快速、准确的检测出供节氧系统的故障,防止出现故障危险,尤其适用于医用供氧,通过时域、频域信号分析方法、主成分分析法、粒子群优化算法与支持向量机分类模型相结合的方式,可以准确、快速的做出响应,避免产生医疗故障风险。
1.一种供节氧系统的故障诊断方法,其特征在于:
2.根据权利要求1所述的诊断方法,其特征在于:步骤s8中确定最终的分类模型包括:判断其分类准确率是否大于90%,如果其结果为是,则确定最终的分类模型;如果为否,则通过pso算法对svm分类模型进行优化,直到分类准确率达到90%,则确定最终的分类模型。
3.根据权利要求2所述的诊断方法,其特征在于:步骤s8中,分类的准确率未达到90%以上,则通过pso算法对svm分类模型中的惩罚因子c与核函数g进行寻优,最终获得可应用于故障诊断的svm分类模型。
4.根据权利要求1所述的诊断方法,其特征在于:步骤s8之后还包括步骤:将待检测的压力信号输入到所述最终的分类模型,诊断出故障信息。
5.根据权利要求1所述的诊断方法,其特征在于:步骤s3中包括:观察第一时域图像信号曲线的整体波动情况以及其最高点、最低点、周期性信号时域特征;配合第一频域图像信号的能量分布情况以及其谐波分布、各频率能量、频率幅值,分析定位故障模块的信息。
6.根据权利要求1所述的诊断方法,其特征在于:步骤s7和步骤s8之间还包括步骤:s7a:对故障设置各自故障标签,分类模型通过显示故障标签的方式显示故障信息。
7.根据权利要求1所述的诊断方法,其特征在于:第一数量的特征值包括:
8.根据权利要求1所述的诊断方法,其特征在于:步骤s6中包括:通过pca对第一数量的特征值进行筛选融合,寻求采用最小数量的特征值代表超过95%的特征值。
9.一种供节氧系统的故障诊断方法,其特征在于:
10.一种供节氧系统,其特征在于:所述供节氧系统采用权利要求1-9中任一项所述的故障诊断方法。