[发明专利]进行冷头状态分类检测和寿命预测的方法

说明书

本发明公开了一种进行冷头状态分类检测的方法，包括建立用于检测冷头状态的分类模型；获取目标冷头的相关参数信息；将相关参数信息输入至分类模型，并获取分类模型的输出结果；根据输出结果确定目标冷头的状态信息。本发明还提供了一种进行冷头寿命预测的方法，根据本发明提供的两种方法可以达到合理的预警及提供维修建议的作用，通过及时对冷头的状态参数进行监控，保证了设备系统实时保持正常运行的状态，有利于提高设备的经济效益。

技术领域

本发明涉及设备检测技术领域，特别是一种进行冷头状态分类检测和寿命预测的方法。

背景技术

超导核磁共振设备使用液氦作为制冷介质，氦的沸点是4.2K，利用液氦可获得接近绝对零度的低温为超导线圈建立和保持超导环境，为了减少液氦的蒸发，超导磁共振上一般配有制冷系统，以提供冷量减少液氦蒸发。制冷系统包括冷头、氦压缩机、水冷机组三个部分，冷头和压缩机一刻不停的运行，额定工作寿命一般在(1.5～2)年。

由于冷头的工作状态直接影响液氦的挥发，同时冷头价格比较昂贵，所以对冷头的工作状态的实时监控及实时分析至关重要，关系到对冷头的合理的维护和保养，对保证核磁系统的正常运行，从而保证设备的经济效益，有重大价值。但是如何对冷头的工作状态进行实时监控以及预测分析等，目前尚未有有效的解决方案。

发明内容

本发明目的之一在于提供一种对冷头的状态进行分类的检测方法，以弥补现有技术的空白，同时为使用到冷头的设备提供维修和保养等的有效参考建议和预警，从而保证设备系统实时保持正常运行的状态，有利于提高设备的经济效益。

本发明的另一目的还在于提供一种对冷头的工作寿命进行预测的方法，以弥补现有技术的空白，同时为使用冷头的设备提供维护维修等的有效参考建议和预警，进而保证设备系统实时保持正常运行的状态，有利于提高设备的经济效益。

基于该发明目的，发明人站在人工智能技术的角度，通过近些年人工智能的飞速发展，了解到人工智能在语音、图像、视频等领域的应用取得了突破性的进展，想到利用机器的深度学习技术来构建对冷头进行状态检测和寿命预测的模型，并通过构建的模型的应用，来分析冷头状态和寿命，并进而达到合理的预警及提供维修建议的作用。

根据本发明的第一方面，提供了一种进行冷头状态分类检测的方法，包括建立用于检测冷头状态的分类模型；获取目标冷头的相关参数信息；将相关参数信息输入至分类模型，并获取分类模型的输出结果；根据输出结果确定目标冷头的状态信息。通过构建用于检测冷头状态的分类模型，就可以基于目标冷头的相关参数信息智能化地计算出冷头状态，并对冷头状态进行分类，有利于帮助医疗设备的管理人员等及时的获取当前设备的冷头状态，方便维修和设备监管，且能够提高工作效率。

在一些实施方式中，分类模型是基于神经网络模型实现，上述的建立用于检测冷头状态的分类模型包括：获取样本冷头的相关参数信息；为获取的相关参数信息设置分类标识，生成训练集；将训练集输入至神经网络模型中进行训练，根据训练结果确定用于检测冷头状态的分类模型。在建立分类模型时，获取到有效的样本信息是关键，其决定了训练出的模型系数的准确率，进而影响分类模型的准确度和检测结果的可参考价值，通过获取样本冷头的相关参数信息，并对相关参数信息给予正常、异常、噪声的三种金标准标签作为分类标识，由于该标签是来自维修记录和冷头专家共识，因而保证了训练数据的质量，为生成高质量的深度神经网络模型打下基础。目前深度学习是一种端对端的学习，能够高效准确的提取数据信息的高维信息，从而大大提高了分类模型的准确度，高效的辅助工作人员作出决策。因而根据这种方法形成的分类模型可以精准的得到预测数据，有利于工作人员做出决策。

在一些实施方式中，上述的为相关参数信息设置分类标识之前还包括：对获取样本冷头的相关参数信息进行预处理。通过预处理可以使导入训练模型的数据鲁棒行更高，进而使得训练出的分类模型准确率和可用性更高。