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

技术领域

本领域属于微涡轮优化技术领域，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

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。

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。

发明内容

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。

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。

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。

本发明提供一种电子设备，用于运行相关方法步骤。

本发明通过以下技术方案实现：

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，

建立基于Cfturbo、Pumplinx和Isight的自动化计算分析流程；

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；

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；

建立基于机器学习深度神经网络的性能预测模型；

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。

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，

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。

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，

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；

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。

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，

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，

针对高精度数值计算的数据集校核各类数值计算方法，

基于现有数据集选取适合呼吸机微涡轮的计算方法。

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，

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；

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；

设计针对呼吸机微涡轮的性能参数进行回归的损失函数；

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；

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；

基于交叉验证集进行网络模型超参数调试。

进一步的，所述验证机器学习模型具体为，

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。

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，

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。

一种基于机器学习的呼吸机微涡轮设计优化系统，

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；

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；

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；

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；

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。

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；

存储器，用于存放计算机程序；

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。

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。

本明的有益效果是：

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。

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。

附图说明

图1为本发明呼吸机微涡轮的结构示意图。

图2为本发明呼吸机微涡轮去掉shroud遮挡后的结构示意图。

图3为本发明呼吸机微涡轮去掉shroud遮挡后的俯视图。

图4为本发明基于机器学习的呼吸机微涡轮设计优化方法的流程图。

图5为算法流程图；其中（a）为本发明基于机器学习的呼吸机微涡轮设计优化方法流程图中建立基于Cfturbo、Pumplinx、Isight的自动化计算分析流程的流程图；

（b）为本发明基于机器学习的呼吸机微涡轮设计优化方法流程图中选取高精度数值计算方法的流程图；

（c）为本发明基于机器学习的呼吸机微涡轮设计优化方法流程图中建立基于机器学习的性能预测模型的流程;

图6为CFturbo建模与Isight设置的流程图；其中，（a）为建立基于Cfturbo、Pumplinx、Isight的自动化计算分析流程中CFturbo建模的流程图；（b）为建立基于Cfturbo、Pumplinx、Isight的自动化计算分析流程中Isight设置的流程图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例一

如图4所示，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，

如图5（a）所示，建立基于Cfturbo、Pumplinx和Isight的自动化计算分析流程；

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；

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；

建立基于机器学习深度神经网络的性能预测模型；

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。

进一步的，在Cfturbo中设计或复现呼吸机微涡轮模型，

S11:CFturbo建模

如图6（a）所示，CFturbo建模包括以下步骤：

S111:设计呼吸机微涡轮；

需要在CFturbo里设计呼吸机微涡轮或者将现有呼吸机微涡轮进行复现。

S112:选择参数；

在一实施例中，在CFturbo里选择须要改变的参数，如叶片数、叶顶间隙、进口安装角和出口安装角等，将设计需求选择需要改变的参数写入cft-batch文件中写入所需改变的参数即可进行优化计算。

S113:选择接口；

选择Simerics接口，从而保证CFturbo设计生成的几何造型能够便捷的导入Pumplinx进行模型修改、性能校核、优化设计、性能分析等相关工作。

S114:导出cft-batch文件。

若只进行计算，只需从CFturbo内导出模型，即可在Pumplinx里进行计算。

若要优化计算，首先在CFturbo内生成模型，并确定要进行优化的参数，然后在CFturbo内勾选需要优化的参数，再导出cft-batch文件，在Isight中进行后续操作。

进一步的，如图6（b）所示，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，S121:设置bat文件；

只需设置好CFturbo和Pumolinx的安装路径以及相应需要使用的文件名称；

S122:在Isight里将Cfturbo和Pumplinx进行联合和设置；

在Isight里将bat文件和写入参数的cft-batch文件导入，设置好S112中选中参数的改变范围；

S123: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；

S124: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。

进一步的，在Pumplinx中进行模型优化具体为，进行Isight设置的批处理时已经进行了此步骤。需要进行说明的是不需要对Pumplinx做额外的修改，只需要在bat文件中对其进行直接调用。

批处理完成后，会生成成千上万个数据。

进一步的，如图5（b）所示，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，

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，

针对高精度数值计算的数据集校核各类数值计算方法，

基于现有数据集选取适合呼吸机微涡轮的计算方法。

进一步的，如图 5（c） 所示，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，

深度神经网络结构拓扑定义，构建呼吸机微涡轮叶轮1、扩压器2和蜗壳3等关键参数的回归模型拓扑结构；

对呼吸机微涡轮的性能参数建模，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；

设计损失函数，设计针对呼吸机微涡轮的性能参数进行回归的损失函数；

数据集预处理及数据增强，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；

训练深度神经网络，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；

模型超参数调试，基于交叉验证集进行网络模型超参数调试。

进一步的，所述验证机器学习模型具体为，

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。

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，

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。

所述性能以效率作为评价标准，效率越高则认为性能越好。

本发明作为呼吸机微涡轮的优化方法，具体工作方式如下：

基于机器学习的呼吸机微涡轮设计优化方法如图4所示，首先进行如图5（a）所示的建立基于Cfturbo、Pumplinx、Isight的自动化计算分析流程，进行高效的计算大量算例，得到大量数据，再加上现有实验结果，形成所需数据集。如图5（b）所示以数据集为基础，校核各类数值计算方法，选取适合于呼吸机微涡轮的计算方法。如图5（c）所示，针对呼吸机微涡轮的性能预测问题，对深度神经网络结构拓扑定义，通过对代表呼吸机微涡轮性能优劣的参数建模，设计损失函数，通过数据集预处理及数据增强，训练深度神经网络，再将模型进行超参数调试。得到最终模型，进而实现优化的功能。

实施例二

本发明实施例提供了一种基于机器学习的呼吸机微涡轮设计优化系统，所述设计优化系统包括自动化计算分析模块、高精度数值计算选取模块、性能预测模块、验证模块：

所述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；

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；

所述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；

所述性能预测模块，用于建立基于机器学习深度神经网络的性能预测模型；

所述验证模块，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。

由上可见，本发明实施例通过自动化计算分析流程以及高精度数值计算，进行基于机器学习深度神经网络的性能预测，以实现降低优化呼吸机微涡轮难度，减少优化呼吸机微涡轮所需花费时间的目的。

实施例三

本发明实施例提供了一种电子设备，该电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，其中，存储器用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器和处理器通过总线连接。具体地，处理器通过运行存储在存储器的上述计算机程序时实现上述实施例一中的任一步骤。

应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器、快闪存储器和随机存储器，并向处理器提供指令和数据。存储器的一部分或全部还可以包括非易失性随机存取存储器。

由上可见，本发明实施例提供的电子设备，可通过运行计算机程序实现如实施例一所述的呼吸机微涡轮设计优化，得到一种基于Cfturbo、Pumplinx、Isight的自动化计算分析流程进行高效的计算大量算例，得到大量数据，再加上现有实验结果，形成所需数据集，如图5（b）所示以数据集为基础，校核各类数值计算方法，选取适合于呼吸机微涡轮的计算方法。如图5（c）所示，针对呼吸机微涡轮的性能预测问题，对深度神经网络结构拓扑定义，通过对代表呼吸机微涡轮性能优劣的参数建模，设计损失函数，通过数据集预处理及数据增强，训练深度神经网络，再将模型进行超参数调试。得到最终模型，进而实现优化的功能。

应当理解，上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于以计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例所提供的方法及其细节举例可结合至实施例提供的装置和设备中，相互参照，不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

上述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。