(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211168542.0 (22)申请日 2022.09.24 (71)申请人 湖南万脉医疗科技有限公司 地址 422000 湖南省邵阳市邵阳 经济开发 区 （县） 湘商产业园标准厂房一区第13 栋厂房第三层 (72)发明人 刘哲　唐聪能　袁再鑫　田华　 (74)专利代理 机构 长沙三七知识产权代理事务 所(普通合伙) 43287 专利代理师 刘倩倩 (51)Int.Cl. G06F 16/2458(2019.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)A61M 16/00(2006.01) A61M 16/20(2006.01) (54)发明名称 一种呼吸机故障预测方法和呼吸机 (57)摘要 本发明公开了一种呼吸机故障预测方法， 该 方法包括： 获取并处理历史数据， 建立基于蜂群 算法改进的LightGBM算法的故障预测模型， 读取 的传感器或部件的实时数据， 计算呼吸机的故障 预测结果， 确定检修计划； 通过基于LightGBM预 测算法实现对呼吸机故障的预测， 实现了在重大 故障发生之前提前介入， 对呼吸机进行维护， 避 免重大医疗事故的发生； 采用蜂群算法改进 LightGBM 预测算法， 避免了当数据量过大时由于 参数空间大， 仅靠人为选取参数导致优化过程耗 时的问题， 提高了参数优化的效率， 提高了预测 算法的预测准确度和时效性； 根据呼吸机的检测 参数， 帮助技术人员确定呼吸机可能发生故障的 位置和原因。 本发明还提供了一种呼吸机 。 权利要求书3页 说明书10页 附图3页 CN 115544115 A 2022.12.30 CN 115544115 A 1.一种呼吸机故障预测方法， 其特 征在于， 其包括下述 步骤： 步骤S1： 获取并处理历史数据， 从对应的存储器 中读取各个传感器或部件的历史数据， 历史数据追溯时间长度根据经验获得， 采用中值滤波的方法对特征变量进 行异常值剔除进 行数据处理； 采用滑动窗口 的方法对每 个特征变量的时间信息进行选择； 步骤S2:建立基于改进的L ightGBM算法的故障预测模型； 步骤S3： 测量实时数据， 读取的传感器或部件的实时数据， 包括： 流量传感器、 压力传感 器、 氧浓度传感器、 电控系统电源模块和阀门控制模块的输出电压； 并将数据进 行归一化处 理； 步骤S4： 故障预测计算将步骤S3中测量的实时数据输入步骤S2的故障预测模型， 获得 呼吸机的故障预测结果； 具体为： 将步骤S 3测量得到的实时数据经过归一化处理后， 将各个 传感器和电控系统的数据作为输入参数输入到预测模型中； 步骤S5： 确定检修计划， 通过上述步骤对故障的预测判断， 根据故障预测结果确定是否 需要检修以及检修的部件。 2.根据权利要求1所述的呼吸机故障预测方法， 其特征在于， 所述步骤S1中传感器或部 件的历史数据包括： 流量传感器、 压力传感器、 氧浓度传感器、 电控系统电源模块和阀门控 制模块的输出电压 。 3.根据权利要求2所述的呼吸机故障预测方法， 其特征在于， 所述步骤S1还包括： 对历 史数据进行预处理； 采用中值滤波的方法对特征变量进行异常值剔除； 以及对滤波后的数 据进行归一 化处理， 具体处 理方式如下： 其中， x为经 过归一化处理后的数据， x ′min为变量x′的最小值， x ′max为变量x′的最大值。 4.根据权利要求1所述的呼吸机故障预测方法， 其特 征在于， 所述 步骤S2还 包括： S21： 建立 Light GBM模型； S22： 构建蜂群算法， 获得L ightGBM最优参数； S23： 把ABC优化的最佳参数学习率、 树的最大深度、 叶子节点数和估计量赋给Li ghtGBM 算法， 建立ABC ‑LightGBM的预测模型， 对呼吸机进行监测 和预测。 5.根据权利要求 4所述的呼吸机故障预测方法， 其特 征在于， 所述 步骤S21还 包括： 构造损失函数L(y,H(x))， 其中， y为输出， H(x)为估计函数； 找到使得损失函数期望最 小的函数H ′(x)； 每次梯度提升迭代中， 当前模型损失函数负梯度输 出值为{g1,,…gn}， 其中， gi为xi对应 的损失函数负梯度在当前模型输出的值； 弱学习器在信息增益最大的特征分裂点处进 行分 割， 而信息增益 通过分裂后方差度量； 此节点j处特 征在分割点d的方差增益定义 为： 其中， O为基模型一个固定节点内的数据集,n为某个固定叶子节点的训练集样本数， 为第j个特征中值小于等于d的样本数， 为第j个特征中值大于 d的样本数,gi为权　利　要　求　书 1/3 页 2 CN 115544115 A 2损失函数负梯度输出值； 遍历每个特征的每个分裂点， 找到d ′j＝arctanm axVj(d),计算最大增益， 根据分裂点分 为左右子节点。 6.根据权利要求5所述的呼吸机故障预测方法， 其特征在于， 所述损失函数期望最小的 函数H′(x)计算方式如下： H′(x)＝arctanmi n Ey,x(L(y,H(x) )) ＝arctanmi n Ex(Ey(L(y,H(x) )|x))。 7.根据权利要求 4所述的呼吸机故障预测方法， 其特 征在于， 所述 步骤S22还包括： S221： 蜂群的构建， 选择合适的参数； 参数包括种群规模、 运行频次、 循环频次,开采频 次阈值、 开采频次和迭代频次变量； 利用初始化公式的蜜源的初始化及适应度计算公式对应适应度求值， 并记下其中适应 度最大的那个解； 初始化公式为： xij＝xminj+rand[0,1](xmaxj‑xminj) 其中， xij表示第i个蜜源的排序为j的值， 1≤i≤S N， 且为自然数， 1≤j≤D,且为自然数， D为待求数列的数量， xmaxj、 xminj为j维的所有解的最大值和最小值； 随机在极值之间选择蜜 源的赋值， 再计算出蜜源的适应度； S222： 雇佣蜂按照位置更新公式在蜜源初始值的基础上， 模拟出原有蜜源一定范围内 的新解Vi， 按适应度计算公式求出对应适应度值， 与 原有蜜源Xi使用贪婪 算法比优， 并记下 其中适应度最大的那个解； 其中， 位置更新公式为： vij＝xij+ ε(xij‑xkj)； 其中， xk为不为i的其他蜜源， k≠i， ε为一个任意的小数， 其为与原值差异大小的系数， 范围为[‑1,1]， 采用贪心算法选择计算出价 值更大的值； S223： 按照跟随概 率计算公式得 出每个解会被选中跟随的概 率； 其中， 跟随概 率计算公式为： 其中SN为蜂群的种群数； S224： 跟随蜂部分为跟随蜂按照轮盘赌算法进行一个筛选， 被选到的蜜源会被作为参 考值， 在它周围选出新解进行开采， 同步骤S222， 按公式出对应适应度值， 与原有蜜源Xi使 用贪婪算法比优， 并记下其中适应度最大的那个解； S225： 侦察蜂部分， 为了自组织的波动而设立的， 主要作用是跳出局部， 开采新的蜜源， 并判定原有蜜源是否需要被取代； 由于蜜源经跟随蜂开采后， 其价值会降低或适应度没有 明显的改观， 这时就需要侦查蜂通过初始 化公式进行初始化， 也就是开头的蜜源初始化， 随 机进行新蜜源的寻找， 实现原有 蜜源的优胜劣汰； S226： 对整个循环中出现的最优解进行记忆， 并跳到下一个循环中， 也就是第三步， 如 若达到了最大循环次数maxcycle， 则终止循环并得 出函数值。 8.根据权利要求 4所述的呼吸机故障预测方法， 其特 征在于， 所述 适应度计算公式为：权　利　要　求　书 2/3 页 3 CN 115544115 A 3