本领域属于微涡轮优化,具体涉及一种基于机器学习的呼吸机微涡轮设计优化方法及其优化系统、计算机可读存储介质和电子设备。
背景技术:
1、在现代临床医学中,呼吸机作为一项能够通过外界提供能量代替人自身自主通气的有效手段,在现代医学领域内占有十分重要的位置。目前来说,国内外对呼吸机的需求量非常大。呼吸机的关键部位是离心叶轮,离心叶轮可以提供具有一定压力和流量的压缩空气,以得到临床治疗时所需要的氧气浓度和所需流量的混和气体。
2、在离心叶轮应用的领域,尤其是民用领域,离心叶轮发展的方向与追求的目标主要为高效率、宽工作范围、低噪声、长寿命与低成本。目前呼吸机微涡轮的预测模型大多采用三维建模结合计算流体力学(cfd)的方式。但传统预测方式的设计周期长,求解计算复杂,难以较短时间获得预测结果。而机器学习预测模型能处理大量数据的同时,具备结构简便,计算速度快,普遍适应性高等特点。所以本发明将机器学习应用于呼吸机微涡轮的设计优化上。
技术实现思路
1、本发明提供一种基于机器学习的呼吸机微涡轮设计优化方法,用以解决针对原有呼吸机的微涡轮预测方式设计周期较长,求解计算复杂,难以较短时间获得预测结果的问题。
2、本发明提供一种基于机器学习的呼吸机微涡轮设计优化系统,用以实现基于机器学习的呼吸机微涡轮设计优化方法。
3、本发明提供一种计算机可读存储介质,用于存储相关方法步骤。
4、本发明提供一种电子设备,用于运行相关方法步骤。
5、本发明通过以下技术方案实现:
6、一种基于机器学习的呼吸机微涡轮设计优化方法,所述设计优化方法包括,
7、建立基于cfturbo、pumplinx和isight的自动化计算分析流程;
8、在cfturbo中设计或复现呼吸机微涡轮模型,在pumplinx中进行模型优化计算,在isight中进行微涡轮出口压力以及效率作为呼吸机微涡轮的优劣评判最终得到数据集;
9、基于自动化计算分析流程得到的数据集选取高精度数值计算方法;
10、建立基于机器学习深度神经网络的性能预测模型;
11、验证机器学习模型;
12、基于验证后的机器学习模型对不同参数的呼吸机微涡轮进行预测,完成呼吸机微涡轮的设计优化。
13、进一步的,在cfturbo中设计或复现呼吸机微涡轮模型及在pumplinx中进行模型优化计算具体为,
14、将设计需求选择需要改变的参数写入cft-batch文件,同时在cfturbo内设计生成的几何模型通过simerics接口导入pumplinx进行后续优化计算工作,将pumplinx优化计算后的结果导入isight中进行后续操作。
15、进一步的,在isight中进行微涡轮出口压力以及效率作为呼吸机微涡轮的优劣评判具体为,设置好cfturbo和pumolinx的安装路径以及相应需要使用的文件名称的bat文件,
16、在isight里将bat文件和写入参数的cft-batch文件导入,设置需要改变的参数的改变范围;
17、针对需要改变的参数进行进行微涡轮出口压力以及效率作为呼吸机微涡轮的计算与进行微涡轮出口压力以及效率作为呼吸机微涡轮的优劣分析并得出数数据集。
18、进一步的,所述基于自动化计算分析流程得到的数据集选取高精度数值计算方法具体为,
19、将自动化计算分析流程得到的数据集与现有实验数据集合得到高精度数值计算的数据集,
20、针对高精度数值计算的数据集校核各类数值计算方法,
21、基于现有数据集选取适合呼吸机微涡轮的计算方法。
22、进一步的,所述建立基于机器学习深度神经网络的性能预测模型具体为,
23、构建呼吸机微涡轮叶轮1、扩压器2和蜗壳3的回归模型拓扑结构;
24、选用微涡轮出口压力以及效率作为呼吸机微涡轮的优劣的判断指标;
25、设计针对呼吸机微涡轮的性能参数进行回归的损失函数;
26、对所有实例进行采样、乱序化、标准化预处理,生成训练集、交叉验证集、测试集;
27、在训练集中利用随机梯度下降法、动量优化器、自适应梯度优化器、rmsprop优化器、adam优化器择优进行网络模型参数优化;
28、基于交叉验证集进行网络模型超参数调试。
29、进一步的,所述验证机器学习模型具体为,
30、利用已知输入参数和实验结果来验证机器学习模型的有效性,如果机器学习预测结果和实验结果较为一致,则可表明机器学习模型的可靠性。
31、进一步的,所述对不同参数的呼吸机微涡轮进行预测具体为,
32、对不同参数的呼吸机微涡轮性能进行预测,找到较优性能所对应的参数,即可得到优化的呼吸机微涡轮。
33、一种基于机器学习的呼吸机微涡轮设计优化系统,
34、自动化计算分析模块,用于建立基于cfturbo、pumplinx和isight的自动化计算分析流程;
35、用于在cfturbo中设计或复现呼吸机微涡轮模型,在pumplinx中进行模型优化,在isight中进行微涡轮出口压力以及效率作为呼吸机微涡轮的优劣评判最终得到数据集;
36、高精度数值计算选取模块,用于基于自动化计算分析流程得到的数据集选取高精度数值计算方法;
37、性能预测模块,用于建立基于机器学习深度神经网络的性能预测模型;
38、验证模块,验证机器学习模型;基于验证后的机器学习模型对不同参数的呼吸机微涡轮进行预测,完成呼吸机微涡轮的设计优化。
39、一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
40、存储器,用于存放计算机程序;
41、处理器,用于执行存储器上所存放的程序时,实现上述的方法步骤。
42、一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法步骤。
43、本明的有益效果是:
44、本发明具有自动化程度高、操作简单、结果准确、节省时间成本等优点。
45、本发明通过机器学习预测方法,很大程度上降低了优化呼吸机微涡轮的难度,减少了优化呼吸机微涡轮所需花费的时间。
1.一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,所述设计优化方法包括,
2.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,在cfturbo中设计或复现呼吸机微涡轮模型及在pumplinx中进行模型优化计算具体为,
3.根据权利要求2所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,在isight中进行微涡轮出口压力以及效率作为呼吸机微涡轮的优劣评判具体为,设置好cfturbo和pumolinx的安装路径以及相应需要使用的文件名称的bat文件,
4.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,所述基于自动化计算分析流程得到的数据集选取高精度数值计算方法具体为,
5.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,所述建立基于机器学习深度神经网络的性能预测模型具体为,
6.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,所述验证机器学习模型具体为,
7.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化方法,其特征在于,所述对不同参数的呼吸机微涡轮进行预测具体为,
8.根据权利要求1所述一种基于机器学习的呼吸机微涡轮设计优化系统,其特征在于,
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。