一种基于支持向量机回归的制氧系统寿命预估方法.pdf

28医疗装备 2024 年 3 月第 37 卷第 6 期 Medical Equipment,March.2024,Vol.37,No.6一种基于支持向量机回归的制氧系统寿命预估方法刘健民华氧医疗科技（大连）有限公司（辽宁沈阳110000）摘要随着我国老龄化程度的加深及后疫情时代大背景下国内医疗系统市场规模的不断扩大，制氧系统行业的发展进入快速扩容阶段。同时，制氧系统突发故障对吸氧人群生命与心理造成不可逆损伤的问题接踵而至。制氧行业迫切需要一种针对制氧系统寿命的预估方法，以解决制氧系统突发故障影响吸氧人群生命与财产安全的问题。该研究提出一种基于支持向量机回归（SVR）的制氧系统寿命预估方法。首先，基于SVR原理建立一种寿命预估模型，通过对某制氧系统 3 500 h 的氧浓度监测数据进行 SVR 训练，得到制氧系统的寿命预估模型。然后，规律选取 300 组氧浓度数据分别进行训练集预测和预测集预测，结果显示，该预测模型的准确性较高，且模型对预测集样本的预测结果与氧浓度监测的真实值基本保持一致。最后，对该制氧系统的吸附塔进行拆机验证，发现分子筛确有失效现象，经实际测量失效程度为 6%，表明该模型可应用于制氧系统的寿命预估，并取得了良好的结果。因此，基于 SVR的制氧系统寿命预估方法可以准确、有效地预估制氧系统的使用寿命，避免其突发故障，同时也为后续制氧系统的寿命预估方法提供了思路。关键词支持向量机回归；制氧系统；寿命预估；传感器中图分类号R197.39 文献标识码A 文章编号1002-2376（2024）06-0028-05DOI10.3969/j.issn.1002-2376.2024.06.007收稿日期：2023-12-01论著A Lifespan Pre-Estimated Method for Oxygen Production Systems Based on Support Vector Machine RegressionLiu Jianmin.China Oxygen Medical Technology(Dalian)Co.,Ltd.,Shenyang Liaoning 110000,China【Abstract】With the deepening of Chinas aging population and the continuous expansion of the domestic medical system market in the post-epidemic era,the development of the oxygen production system industry has entered a stage of rapid expansion.At the same time,with the problem of irreversible damage to the life and psychology of oxygen users caused by sudden failures in the oxygen production system,the oxygen industry urgently needs a method for estimating the lifespan of oxygen production systems to solve the problem of sudden failures affecting the safety of life and property of oxygen users.In this study,a lifespan pre-estimated method for oxygen production systems based on support vector regression(SVR)was proposed.Firstly,an life prediction model was established based on the principle of SVR.By training the oxygen concentration monitoring data of a certain oxygen production system for 3500 hours using SVR,a lifespan pre-estimated model for the oxygen production system was obtained.Then,300 sets of oxygen concentration data were lawly selected for training set prediction and prediction set prediction,respectively.The results showed that the prediction model has high accuracy,and the prediction results of the model on the prediction set samples were basically consistent with the true values of oxygen concentration monitoring.Finally,the adsorption tower of the oxygen production system was disassembled and verified,and it was found that the molecular sieve did indeed exhibit lose efficacy.The actual measurement of lose efficacy degree was 6%,indicating that the model can be applied to the lifespan prediction of the oxygen production system and achieve good results.Therefore,the life prediction method for oxygen production systems based on SVR can accurately and effectively estimate the service life of oxygen production systems,avoid sudden failures,and provide ideas for the subsequent lifespan prediction methods of oxygen 29医疗装备 2024 年 3 月第 37 卷第 6 期 Medical Equipment,March.2024,Vol.37,No.6对制氧系统进行预防性故障检测，可最大限度提高制氧系统的使用安全性1。目前，时间序列预测是预估制氧系统使用寿命的主要方法，但此方法不具备实时性，且需要大样本的寿命实验数据，易造成资源浪费，同时也不具备准确性。有研究提出一种基于灰色多元线性回归融合模型的预测方法，该方法可对制氧系统进行寿命预估，为制氧系统的维修工作提供决策依据2。张青等3提出了一种基于遗传算法右删失威布尔的可靠性分析研究方法，提高了寿命预估方法的有效性。但以上方法均需要设备在大样本数量下运行直至损坏，且需要全时段全方位的监测数据，存在极大的资源浪费。同时，由于实验设备个体间存在的差异，导致最终的预测结果不具备实时性与准确性。为解决以上问题，本研究提出一种基于支持向量机回归（support vector regression，SVR）的制氧系统寿命预估方法。1 制氧系统简介与寿命实验1.1 制氧系统简介制氧系统结构如图 1 所示。空气经过过滤器后进入无油空气压缩机和冷却器，压缩并冷却后的高压空气经过气控阀进入吸附塔进行吸附分离。吸附塔内有分子筛可以吸附高压空气中的氮气，氧气被剥离出后进入储氧罐，再经由稳压阀、流量计等器件最终输出医用氧气。吸附塔作为制氧系统中最关键的元器件，其工作状态直接影响制氧系统的使用寿命4。因此，可通过预估吸附塔的寿命进而预估制氧系统的寿命。图 1制氧系统结构图1.2 制氧系统的寿命预估参数吸附塔老化最明显的特征为其内含的分子筛失效。分子筛失效会降低制氧系统输出的氧浓度并可导致吸附塔内压力升高。因此，氧浓度与压力是预估吸附塔寿命的 2 个关键参数。氧浓度不达标（93%）5不仅是制氧系统的最主要故障，还会严重危害患者的生命健康。因此氧浓度与制氧系统寿命关系紧密。但制氧系统的氧浓度由气控阀、吸附塔与稳压阀 3 种元器件共同影响，所以采用氧浓度预估吸附塔寿命前，需排除气控阀、稳压阀对氧浓度的影响。气控阀、稳压阀故障的直接表现均为压力异常，因此可通过监测两者的压力数据排除其对氧浓度的影响。以公司内某一进行中的实验项目为例。该项目已对某制氧系统进行 3 500 h 的氧浓度数据监测，并已完成数据的采集与储存。本研究采用压力传感器监测该制氧系统气控阀、稳压阀的压力均正常，可排除两者对氧浓度的影响。采用压力传感器监测吸附塔的压力数据，发现吸附塔内的压力为 170 kPa 左右，高于正常压力（160 kPa 左右），证明吸附塔内已有分子筛失效。但本研究重点关注氧浓度的预估价值，不对压力与分子筛失效的相关性研究进行讨论。吸附塔压力监测连接图见图 2、图 3：压力传感器 1 连接吸附塔 2 进气端后，通过信号采集器 3 与 PC 端 4 相连进行数据采集，并采用三通结构5连接压力传感器1、吸附塔进气端2和气控阀的出气端。监测过程中，制氧系统始终处于工作状态，确保所监测数据具有准确性和实时性。注：1 为压力传感器，2 为吸附塔进气端，3 为信号采集器，4 为 PC 端 图 2制氧系统分子筛压力数据连接图制氧系统氧浓度数据监测采用氧化锆氧浓度测量仪（本公司已经相关检验机构检测合格但未上市 的产品）进行，见图 4。production systems.【Key words】Support vector regression;Oxygen production system;Lifespan prediction;Sensor30医疗装备 2024 年 3 月第 37 卷第 6 期 Medical Equipment,March.2024,Vol.37,No.6注：5 为三通结构图 3制氧系统分子筛压力监测三通连接图 注：1 为医用制氧机，2 为氧化锆氧浓度测量仪图 4制氧系统氧浓度数据监测图2 基于 SVR 的制氧系统寿命预估模型的建立2.1 SVR 原理介绍SVR 通过非线性映射将数据映射至高维数据特征空间，使高维数据特征空间中自变量与因变量具有很好的线性回归特征6，在该特征空间进行拟合后再返回原始空间。与传统的回归方法不同，SVR 采用非线性方式建模，可以处理非线性回归问题7。SVR假设可容忍f(x)与y之间最多有的偏差，即仅当 f(x)与 y 之间的差别绝对值大于时才计算损失8。如图 5 所示，以 f(x)为中心构建一个宽度为 2的间隔带，若训练样本落入此间隔带，则认为预测正确9。因此，SVR 问题可形式化为：（1）其中，为超平面方向，C 为正则化常数，m 为样本个数，xi为样本横坐标，yi为样本纵坐标，为不敏感损失函数10。图 5SVR 示意图 （2）其中，Z 为整数。引入松弛变量 i和，则式（1）变为：（3）同时，引入拉格朗日乘子与核函数，则 SVR模型可表示为：（4）其中，k(xi,xj)=(xi)T(xj)为核函数11。综上所述，SVR通过、C、寻找一个超平面，使所有数据到这个超平面的距离最小，达到最好的回归效果。2.2 SVR 核函数选取 SVR 具有良好的泛化能力，可有效处理高维数据，也适用于小样本数据集。核函数选取是建立SVR 模型的关键步骤。核函数可使 SVR 不受线性可分的约束，可采用非线性映射，将低维空间非线性函数映射至高维空间中，且此过程不要求映射的具体条件12。常用的非线性核函数包括 Sigmoid 核函数、多项式核函数、径向机核函数等。本研究选取的径向机核函数为非线性回归分析应用最为广泛的核函数，适用于不同样本容量及不同维数的情况13。径向机核函数表达式为：（5）判别式为：（6）其中，为高斯核的带宽，x、xi 代表“核矩阵”（Kernel matrix）内点，b 为模型参数。SVR模型中最关键的2个参数为及C。这2个系数均会影响 SVR 模型的性能14-15：的取值直接31医疗装备 2024 年 3 月第 37 卷第 6 期 Medical Equipment,March.2024,Vol.37,No.6影响函数是否会出现过拟合现象；C 的主要作用是调节特征子空间中 SVR 的置信区间与经验风险的比值，使 SVR 的泛化能力达到最佳状态15。本研究将 3 500 h 的氧浓度数据代入 SVR 模型进行训练，最终得出制氧系统寿命预估模型的参数 为 159，C 为 0.1。3 制氧系统寿命预估模型的评价3.1 制氧系统寿命预估模型的准确性评价在 3 500 h 的氧浓度数据中规律选取 300 组数据对制氧系统寿命预估模型的准确性进行评价，将数据分为训练集（240 组数据）和预测集（60 组数据）两部分代入模型，结果见图 6、图 7。注：RMSE 为均方根误差，MSE 为均方误差，RPD 为验证集标准偏差与预测集标准偏差的比值图 6SVR 模型训练数据预测结果图注：RMSE 为均方根误差，MSE 为均方误差，RPD 为验证集标准偏差与预测集标准偏差的比值 图 7SVR 模型预测数据预测结果图如图 6、图 7 所示，横轴代表被测数据点数，纵轴代表氧浓度数值，图中的相关系数 R2分别为0.9995 与 0.9021，均接近 1，均方根误差（root mean squared error，RMSE）与均方误差（mean square error，MSE）值均接近 0，证明该寿命预估模型的准确性较高（R2越接近1越好，MSE越接近0越好）。为进一步评价模型的准确性，本研究分析了模型对 60 组预测集样本的预测值与真实值之间的相对误差。相对误差表达式为：（7）式中，表示实际相对误差，为绝对误差（真实值与预测值差值的绝对值），L 为真实值。60组预测集样本的预测结果见表1。由表1可知，模型预测结果的平均相对误差为 0.049%（平均相对误差越接近 0 越好），相对误差绝对值 0.05%的测试样本数量为 51 组，占总组数的 85%，进一步表明模型的准确性较高。表 1基于 SVR 的制氧系统寿命预估模型预测结果（%）测试样本序列真实值预测值相对误差192.892.7850.016291.592.2850.858392.792.6850.017492.492.3840.017591.892.2850.5295691.991.9150.0175791.691.6150.0165892.692.5850.0175993.092.9850.0166093.092.9850.016注：SVR 为支持向量机回归3.2 预测结果验证 由表 1 可知，SVR 模型预测结果与相对应的真实氧浓度数值基本保持一致，且两种方式测得的氧浓度均在 91%上下浮动，远低于制氧系统的正常氧浓度（93%），说明分子筛已有失效。对吸附塔进行拆机验证，如图 8 所示，吸附塔内存在分子筛失效现象，初步测量分子筛失效程度占比6%。验证结果说明，氧浓度与分子筛失效程度密切相关。图 8分子筛失效拆机验证4 结论本研究基于 SVR 建立了制氧系统的寿命预估模型。通过将监测的氧浓度数据代入 SVR 模型中进行训练，得到制氧系统的寿命预估模型，通过模型对训练集和预测集数据的预测，证明模型对氧浓度的预测结果准确性高，且拆机验证证明氧浓度预测结果与实际分子筛失效情况相符，说明可采用该32医疗装备 2024 年 3 月第 37 卷第 6 期 Medical Equipment,March.2024,Vol.37,No.6模型对制氧系统的寿命进行预估。但由于研究时间限制，本研究暂未对氧浓度与分子筛失效程度的比例关系进行详细研究，下一步研究将重点关注两者的具体量化相关性。综上所述，本研究提出的预测方法为后续制氧系统的寿命预估方法提供了思路，解决了寿命预估模型的建立依靠时间序列方式的不足，同时不需要成批量进行寿命实验与数据统计，减少了寿命实验资源的浪费，并且具备实时性与准确性。参考文献1 郭利进，何西硕，徐新喜，等.基于灰色多元线性回归融合模型的故障率预测 J.计算机工程与科学，2018，40（11）：2047-2053.2 何西硕.制氧装备故障诊断系统研究与应用D.天津：天津工业大学，2018.3 张青，郑岩，王炫，等.基于遗传算法右删失威布尔的可靠性分析研究 J.机械强度，2020，42（1）：87-93.4 Wang MN,Yan GF,YU L,et al.Effects of different artificial oxygen-supply systems on migrants physical and psychological reactions in high-altitude tunnel constructionJ.Build Environ,2019(149):458-467.5 孙荣江.LFY-10A 制氧系统氧浓度过低报警检修 J.医疗装备，2015，28（11）：66.6 Bezerra,PCS,Albuquerque PHM.Volatility forecasting via SVRGARCH with mixture of Gaussian kernelsJ.Comput Manag Sci,2017,14(2):179-196.7 Laref R,Losson E,Sava A,et al.On the optimization of the support vector machine regression hyperparameters setting for gas sensors array applicationsJ.Chemometr Intell Lab Syst,2019(184):22-27.8 王志红，董梦龙，张远军，等.基于 PSO-SVR 的重型柴油车NO_x排放预测J.内燃机学报，2023，41（6）：524-531.9 林熙颢，韦冬冬，唐盛香，等.基于 SVR-随机森林模型的民机落地剩油预测研究 J.中国民航飞行学院学报，2023，34（4）：40-43.10 刘洋，关世玺，赵宏，等.基于 GA 优化的 SVR 对膛线切削力的预测 J.兵器装备工程学报，2022，43（6）：232-238.11 徐树媛，张永波，孙灏东，等.基于 RBF 核-SVR的导水裂隙带高度预测模型研究 J.安全与环境学报，2021，21（5）：2022-2029.12 白鹏.基于小波分解与 SVR 组合的风电场短期风速预测 J.机械工程与自动化，2021（3）：89-91.13 孟建军，胡文涛.基于互信息和 SVR 的滚动轴承剩余寿命预测 J.机械设计与研究，2020，36（6）：92-95.14 Sun S,Zhang J,Bi J,et al.A Machine Learning Method for Predicting Driving Range of Battery Electric VehiclesJ.J Adv Transp,2019(Pt.1):43-5615 任远芳，牛坤，丁静，等.基于改进 PSO 算法优化 SVR 的信息安全风险评估研究 J.贵州大学学报（自然科学版），2024，41（1）：103-109.10 曹慜，杨东智，吴忠兰，等.2017-2019年宁夏HIV抗体确证结果分析 J.宁夏医学杂志，2021，43（4）：337-340.11 黎庆梅，吴昊，梁彩云，等.广州市2020年不同人群 HIV 抗体确证结果分析 J.广州医科大学学报，2021，29（5）：26-30.12 黄娟，叶丽丹，饶晓虹，等.南平市20192021年艾滋病确证实验室 HIV 检测结果分析 J.海峡预防医学杂志，2022，28（4）：57-59.13 周金玉，冯宇思，蒋威.宁德市20162020年 HIV初筛阳性样本确证结果分析 J.海峡预防医学杂志，2021，27（4）：59-61.14 程栋，徐璐，薛秀娟，等.2017-2019年河南省新乡市疑似 HIV 感染样本确证试验结果分析 J.河南预防医学杂志，2022，33（1）：84-86.15 杨洋，白梅，张振，等.锦州市2014年-2016年 HIV抗体筛查阳性样本确证实验结果分析 J.中国卫生检验杂志，2017，27（15）：2162-2163，2169.16 高赛珍，欧慧，师舞阳，等.HIV 抗体筛查试验阳性样品的复检与确证结果分析 J.中国卫生检验杂志，2015，25（14）：2408-2410.17 张荣秋，李莉，张建梅，等.2013-2017年厦门市HIV 抗体蛋白印迹实验检测结果分析 J.现代预防医学，2018，45（21）：3981-3984.18 赵 慧，高姝 丽，王俊 杰，等.2014-2017年赤 峰市 HIV 抗体检测结果分析 J中国艾滋病性病，2020，26（1）：68-69，7319 吴咏梅，许文炯，董潇潇，等南京市6 774份 HIV抗体初筛阳性标本复检与确证结果分析 J中国麻风皮肤病杂志，2018，34（10）：606-60820 郑倩倩，孙军.2013年-2018年天津市滨海新区HIV确证试验分析 J.中国卫生检验杂志，2021，31（1）：39-41.21 王万海，孟真，杨若男，等.免疫印迹法检测 HIV抗体条带常见模式分析及在随访中的价值 J.检验医学，2020，35（2）：95-99.22 李沛然，陈霖，郭素丽，等.331例 HIV 抗体筛查阳性标本的确证结果分析 J.中国热带医学，2016，16（11）：1126-1128.（上接第 27 页）