【技術實現步驟摘要】
本專利技術涉及故障預測，更具體地說，本專利技術涉及一種基于大數據的呼吸機故障預測方法及系統。
技術介紹
1、目前呼吸機能夠通過動態調整氣體量匹配患者的呼吸頻率，其中，呼吸機動態調整氣體量的過程是通過實時監測患者的呼吸情況，自動調節氣體的流速、壓力、以及氧氣濃度等參數，以滿足患者的呼吸需求，整個過程是一個閉環的過程，但是呼吸機一旦出現故障可能導致導致無法正確匹配患者的呼吸需求；
2、傳統的呼吸機故障預測方法，主要依賴于簡單的算法或基于單一的傳感器數據，如壓力、氣流、溫度等進行預測，可能存在一定的局限性，由于呼吸機的工作環境復雜，患者的狀態變化也難以完全通過這些單一參數及時反映出來，預測精度通常不夠高，因此，難以判斷呼吸機動態調整出現問題時是屬于呼吸機故障還是患者因素，并且不容易對呼吸機可能出現的故障進行及時預警。
3、為了解決上述缺陷，現提供一種技術方案。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術的實施例提供一種基于大數據的呼吸機故障預測方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于大數據的呼吸機故障預測方法，具體包括以下步驟：
4、s1：使用長短時記憶算法預測呼吸機動態調整氣體量的過程，確定在呼吸機可能出現故障時提前檢測出異常情況；
5、s2：通過lstm模型的輸出結果，獲得在不同時間步的預測結果，對預測結果進行分析，評估可能存在的異
6、s3：采集呼吸機運行時輸出管道內的流量信息和氣壓信息，根據流量信息和氣壓信息的綜合性分析，構建故障評估模型，量化呼吸機出現故障可能性的結果；
7、s4：根據故障評估模型的結果，獲得呼吸機動態匹配患者呼吸過程的故障評估系數，并與故障評估系數閾值進行對比，重新確認呼吸機的預警等級。
8、在一個優選地實施方式中，長短時記憶算法預測呼吸機動態調整氣體量的過程，包括：
9、確定長短時記憶算法的輸入變量和輸出變量，其中，長短時記憶算法的輸入變量為氧氣濃度殘留、二氧化碳濃度殘留、氣體交換率、潮氣量偏差，輸出變量為調節偏差，即每次呼吸機進行動態匹配后呼吸機輸出管道輸出的氣體總量與患者吸入潮氣量的差值；
10、將調節偏差的時間步與輸入變量中最小的時間步生成的輸出時間序列保持一致；
11、構建lstm模型，使用lstm單元來處理時間序列數據，每個lstm單元包含記憶單元和門控機制，將lstm的輸出傳遞到全連接層；
12、根據lstm模型的輸出結果，獲得預測的調節偏差，根據不同時間步長的調節偏差，計算調節偏差的平均值和標準差。
13、在一個優選地實施方式中，進行預警分級，包括：
14、設置調節偏差的平均值閾值和調節偏差的標準差閾值，將調節偏差的平均值和標準差與調節偏差的平均值閾值和調節偏差的標準差閾值進行對比，生成以下情況：
15、若調節偏差的平均值閾值大于調節偏差的平均值則生成第一預警信號；
16、若調節偏差的平均值閾值小于調節偏差的平均值且調節偏差的標準差大于調節偏差的標準差閾值，則生成第二預警信號；
17、若調節偏差的平均值閾值小于調節偏差的平均值且調節偏差的標準差小于調節偏差的標準差閾值，則不生成預警信號。
18、在一個優選地實施方式中，采集呼吸機運行時輸出管道內的流量信息，包括：
19、確定生成第二預警信號的時刻，采集呼吸機運行時輸出管道內的流量信息和氣壓信息，將流量信息通過氣體匹配變異系數和流量波形差異系數進行量化表示，氣壓信息通過氣壓輸出偏差系數進行量化表示。
20、在一個優選地實施方式中，所述氣體匹配變異系數的獲取邏輯為：
21、獲得當前時間點呼吸機輸出管道中輸出的總氣體濃度，并將當前時間點呼吸機輸出管道中輸出的總氣體濃度標記為：，獲得當前時間點患者輸出管道中輸出的總氣體濃度，并將當前時間點患者輸出管道中輸出的總氣體濃度標記為：，其中，g=1、2、3、……、c，c為正整數，g為監測時間段內患者呼吸周期的編號；
22、獲得上一個時間點呼吸機輸出管道中輸出的總氣體濃度和患者輸出管道中輸出的總氣體濃度分別標記為：和；
23、計算呼吸機輸出管道中輸出的總氣體濃度的一階差分，計算公式為：；其中，為呼吸機輸出管道中輸出的總氣體濃度的一階差分；
24、計算患者輸出管道中輸出的總氣體濃度的一階差分，計算公式為：；其中，為患者輸出管道中輸出的總氣體濃度的一階差分；
25、計算動態匹配氣體的一階差異，計算公式為：；其中，為動態匹配氣體的一階差異；
26、計算呼吸機輸出管道中輸出的總氣體濃度的二階差分，計算公式為：；其中，為呼吸機輸出管道中輸出的總氣體濃度的二階差分；
27、計算患者輸出管道中輸出的總氣體濃度的二階差分，計算公式為：；其中，為患者輸出管道中輸出的總氣體濃度的二階差分；
28、計算動態匹配氣體的二階差異，計算公式為：；其中，為動態匹配氣體的二階差異；
29、計算動態匹配氣體的二階差異在監測時間段內的均值，計算公式為：；其中，為動態匹配氣體的二階差異在監測時間段內的均值；
30、計算動態匹配氣體的二階差異在監測時間段內的標準差，計算公式為：；
31、計算氣體匹配變異系數，計算公式為：；其中，為氣體匹配變異系數。
32、在一個優選地實施方式中，所述流量波形差異系數的獲取邏輯為：
33、通過呼吸機輸出管道中的監測設備，獲得監測時間段內呼吸機輸出管輸出氣體的流速，并將監測時間段內呼吸機輸出管輸出氣體的流速標記為：，其中，b=1、2、3、……、b，b為正整數，b為監測時間段內采集氣體的流速的編號；
34、根據監測時間段內呼吸機輸出管輸出氣體的流速數據生成輸出氣體的流速波形，對輸出氣體的流速波形在監測時間段內進行積分；
35、獲得呼吸機輸出管輸出氣體的氣體參考流速波形，對呼吸機輸出管輸出氣體的氣體參考流速波形在監測時間段內進行積分；
36、計算流量波形差異系數，計算公式為：；其中，~為監測時間段的起始時間和截止時間，為監測時間段內呼吸機輸出管輸出氣體的流速數據生成輸出氣體的流速波形,為呼吸機輸出管輸出氣體的氣體參考流速波形。
37、在一個優選地實施方式中，所述氣壓輸出偏差系數的獲取邏輯為：
38、獲得監測時間段內患者每次呼吸周期內氣體在呼吸機輸出管道內的壓力，并獲得患者每次呼吸周期內呼吸機輸出管道內壓力的平均值，將患者每次呼吸周期內呼吸機輸出管道內壓力的平均值標記為：，獲得患者每次呼吸周期內呼吸機輸出管道內壓力平均值的標準差，并將患者每次呼吸周期內呼吸機輸出管道內壓力平均值的標準差標記為：；其中，，；
3本文檔來自技高網...
【技術保護點】
1.一種基于大數據的呼吸機故障預測方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種基于大數據的呼吸機故障預測方法，其特征在于，長短時記憶算法預測呼吸機動態調整氣體量的過程，包括：
3.根據權利要求2所述的一種基于大數據的呼吸機故障預測方法，其特征在于，進行預警分級，包括：
4.根據權利要求3所述的一種基于大數據的呼吸機故障預測方法，其特征在于，采集呼吸機運行時輸出管道內的流量信息，包括：
5.根據權利要求4所述的一種基于大數據的呼吸機故障預測方法，其特征在于，所述氣體匹配變異系數的獲取邏輯為：
6.根據權利要求5所述的一種基于大數據的呼吸機故障預測方法，其特征在于，所述流量波形差異系數的獲取邏輯為：
7.根據權利要求6所述的一種基于大數據的呼吸機故障預測方法，其特征在于，所述氣壓輸出偏差系數的獲取邏輯為：
8.根據權利要求7所述的一種基于大數據的呼吸機故障預測方法，其特征在于，構建故障評估模型，包括：
9.根據權利要求8所述的一種基于大數據的呼吸機故障預測方法，其特征
10.一種基于大數據的呼吸機故障預測系統，用于實現權利要求1-9中任意一項所述的一種基于大數據的呼吸機故障預測方法，其特征在于：包括數據采集模塊、LSTM模型預警模塊、數據分析模塊以及故障評估模塊；
...【技術特征摘要】
1.一種基于大數據的呼吸機故障預測方法，其特征在于，具體包括以下步驟：
2.根據權利要求1所述的一種基于大數據的呼吸機故障預測方法，其特征在于，長短時記憶算法預測呼吸機動態調整氣體量的過程，包括：
3.根據權利要求2所述的一種基于大數據的呼吸機故障預測方法，其特征在于，進行預警分級，包括：
4.根據權利要求3所述的一種基于大數據的呼吸機故障預測方法，其特征在于，采集呼吸機運行時輸出管道內的流量信息，包括：
5.根據權利要求4所述的一種基于大數據的呼吸機故障預測方法，其特征在于，所述氣體匹配變異系數的獲取邏輯為：
6.根據權利要求5所述的一種基于大數據的呼吸...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。