基于葉片電機(jī)電流信號的多葉準(zhǔn)直器的健康狀態(tài)監(jiān)控方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于多葉準(zhǔn)直器的監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種基于葉片電機(jī)電流信號的 多葉準(zhǔn)直器的健康狀態(tài)監(jiān)控方法及系統(tǒng)。
【背景技術(shù)】
[0002] 多葉準(zhǔn)直器是用來產(chǎn)生適形輻射野的機(jī)械運動部件，俗稱多葉光柵、多葉光闌等 等，廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域。
[0003] 放療設(shè)備依靠多葉準(zhǔn)直器葉片的運動定位形成射野，一個多葉準(zhǔn)直器中包含多個 葉片，葉片與葉片之間直接接觸，且有相對運動，在長期使用過程中，葉片由于松脫、卡死、 磨損、異常振動，電機(jī)損壞等等原因是造成多葉準(zhǔn)直器壽命減少的常見原因，如何保證葉片 長期、穩(wěn)定可靠的運行，并實時了解多葉準(zhǔn)直器的健康狀態(tài)一直是放療設(shè)備制造商需要解 決的問題。另外，葉片在安裝過程中，如何保證每個葉片的安裝工藝的一致性，從而保證每 個葉片的運動響應(yīng)一致性也是一直困擾設(shè)備制造商的難題。
[0004] 目前尚無未有效的多葉準(zhǔn)直性能狀態(tài)監(jiān)控方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中尚無未有效的多葉準(zhǔn)直性能狀態(tài) 監(jiān)控方法的缺陷，提供一種可以有效對多葉準(zhǔn)直性能狀態(tài)監(jiān)控方法及系統(tǒng)。
[0006] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0007] 提供一種基于葉片驅(qū)動電機(jī)電流信號的多葉準(zhǔn)直器健康狀態(tài)的監(jiān)控方法，其特征 在于，包括以下步驟：
[0008] S1、采集葉片電機(jī)的輸出電流；
[0009] S2、對采集的輸出電流分別通過放大、濾波與A/D轉(zhuǎn)換，得到表示葉片狀態(tài)信號的 電流數(shù)字信號；
[0010] S3、對電流數(shù)字信號進(jìn)行預(yù)處理，除去采集電流時產(chǎn)生的噪聲以及零漂因素；
[0011] S4、利用小波包分解方法對經(jīng)預(yù)處理后的電流數(shù)字信號進(jìn)行處理，得到多個信號 特征；
[0012] S5、通過優(yōu)勢特征選取技術(shù)，分別選擇與多葉準(zhǔn)直器不同健康狀態(tài)強(qiáng)相關(guān)的信號 特征或其組合，并通過多項式擬合建立該信號特征與時間的趨勢關(guān)系，形成一系列健康狀 態(tài)趨勢信號特征組合(如磨損狀態(tài)趨勢信號組合，松脫狀態(tài)趨勢信號特征組合等）；
[0013] S6、建立一系列神經(jīng)網(wǎng)絡(luò)的模型(包括磨損狀態(tài)識別神經(jīng)網(wǎng)絡(luò)、松脫狀態(tài)識別神經(jīng) 網(wǎng)絡(luò)等）用于識別多葉準(zhǔn)直器的若干健康狀態(tài)，針對每個神經(jīng)網(wǎng)絡(luò)模型，利用已建立好的健 康狀態(tài)趨勢信號特征組合向量和目標(biāo)向量，并輸入該神經(jīng)網(wǎng)絡(luò)模型對其進(jìn)行訓(xùn)練，使其分 類準(zhǔn)確率達(dá)到期望的準(zhǔn)確率；
[0014] S7、實時監(jiān)測葉片電機(jī)驅(qū)動電流信號，重復(fù)S2~S5的步驟，建立用于判斷多葉準(zhǔn)直 器健康狀態(tài)趨勢信號特征組合，分別輸入對應(yīng)的已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識別，得到 分類結(jié)果，從而得到多葉準(zhǔn)直器的健康狀態(tài)。
[0015] 本發(fā)明所述的方法中，所述葉片電機(jī)的輸出電流通過驅(qū)動板卡上的電流測量模塊 獲得。
[0016] 本發(fā)明所述的方法中，步驟S2中預(yù)處理方法包括均值法和FFT。
[0017] 本發(fā)明所述的方法中，步驟S4中，多個信號特征包括幅值、頻率、相位以及小波系 數(shù)。
[0018] 本發(fā)明所述的方法中，所述神經(jīng)網(wǎng)絡(luò)包括BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。
[0019] 本發(fā)明所述的方法中，多葉準(zhǔn)直器的健康狀態(tài)，包括是否松脫、卡死、磨損、異常振 動以及電機(jī)損壞。
[0020] 本發(fā)明還提供一種基于葉片驅(qū)動電機(jī)電流信號的多葉準(zhǔn)直器健康狀態(tài)的監(jiān)控系 統(tǒng)，其特征在于，包括：
[0021] 電流采集模塊，用于采集葉片電機(jī)的輸出電流；
[0022] 模數(shù)轉(zhuǎn)換模塊，用于對采集的輸出電流分別通過放大、濾波與A/D轉(zhuǎn)換，得到表示 葉片狀態(tài)信號的電流數(shù)字信號
[0023]預(yù)處理模塊，用于電流數(shù)字信號進(jìn)行預(yù)處理，除去傳感器自身的噪聲以及零漂因 素；
[0024]信號特征提取模塊，用于利用小波包分解方法對經(jīng)預(yù)處理后的電流數(shù)字信號進(jìn)行 處理，得到多個信號特征;并通過優(yōu)勢特征選取技術(shù)，分別選擇與多葉準(zhǔn)直器不同健康狀態(tài) 強(qiáng)相關(guān)的信號特征或其組合，并通過多項式擬合建立該信號特征與時間的趨勢關(guān)系，形成 一系列健康狀態(tài)趨勢信號特征組合；
[0025]神經(jīng)網(wǎng)絡(luò)建立模塊，用于建立一系列神經(jīng)網(wǎng)絡(luò)的原型，分別用于識別多葉準(zhǔn)直器 的若干健康狀態(tài)，針對每個神經(jīng)網(wǎng)絡(luò)模型，利用已建立好的健康狀態(tài)趨勢信號特征組合以 及對應(yīng)的趨勢信號特征所處的時間段的葉片狀態(tài)測量值組成輸入向量和目標(biāo)向量，并輸入 該神經(jīng)網(wǎng)絡(luò)模型對其進(jìn)行訓(xùn)練，使其分類準(zhǔn)確率達(dá)到期望的準(zhǔn)確率；
[0026] 識別模塊，用于將實時測量和處理得到的一系列健康狀態(tài)趨勢信號特征組合分別 輸入對應(yīng)的已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識別，得到分類結(jié)果，從而得到多葉準(zhǔn)直器的健 康狀態(tài)。
[0027] 本發(fā)明產(chǎn)生的有益效果是:本發(fā)明基于葉片驅(qū)動電機(jī)的電流來對多葉準(zhǔn)直器的健 康狀態(tài)進(jìn)行實時監(jiān)控，通過建立好的健康狀態(tài)趨勢信號特征組合以及對應(yīng)的趨勢信號特征 所處的時間段的葉片狀態(tài)測量值對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最終通過輸入實時測量值到神 經(jīng)網(wǎng)絡(luò)模型中進(jìn)行識別，從而實現(xiàn)對多葉準(zhǔn)直器工作時的性能狀態(tài)進(jìn)行評估、檢測，能夠有 效的預(yù)測多葉準(zhǔn)直器的故障、保證多葉準(zhǔn)直器長期、可靠的運行。通過對電流信號的分析處 理，能夠得出多葉準(zhǔn)直器葉片運動過程中的諸多狀態(tài)，如振動狀態(tài)、阻尼狀態(tài)等?？蓪崿F(xiàn)方 便快捷地對多葉準(zhǔn)直器的運動狀態(tài)進(jìn)行實時地監(jiān)測，并且適用性強(qiáng)，易于推廣。
【附圖說明】
[0028] 下面將結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步說明，附圖中：
[0029] 圖1是本發(fā)明實施例多葉準(zhǔn)直器的統(tǒng)結(jié)構(gòu)示意圖；
[0030]圖2是本發(fā)明實施例基于葉片驅(qū)動電機(jī)電流信號的多葉準(zhǔn)直器的監(jiān)控方法流程 圖；
[0031] 圖3是本發(fā)明實施例基于葉片驅(qū)動電機(jī)電流信號的多葉準(zhǔn)直器的監(jiān)控系統(tǒng)結(jié)構(gòu)示 意圖。

【發(fā)明內(nèi)容】

[0032]
[0033]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。
[0034] 如圖1所示，多葉準(zhǔn)直器主要包括葉片驅(qū)動電機(jī)1、絲桿2、葉片3、多葉準(zhǔn)直器箱體4 以及導(dǎo)軌5。本發(fā)明主要通過葉片驅(qū)動電機(jī)的電流信號來監(jiān)測葉片的健康狀態(tài)。葉片的健康 狀態(tài)主要包括葉片是否松脫、卡死、磨損、異常振動以及電機(jī)損壞等。
[0035] 本發(fā)明實施例基于葉片驅(qū)動電機(jī)電流信號的多葉準(zhǔn)直器的監(jiān)控方法，如圖2所示， 包括以下步驟：
[0036] S1、利用驅(qū)動板卡上的電流采集模塊測量葉片電機(jī)的輸出電流；
[0037] S2、對采集的電流分別通過放大、濾波與A/D轉(zhuǎn)換，得到電流數(shù)字信號，該電流數(shù)字 信號即葉片狀態(tài)信號；
[0038] S3、對葉片運動狀態(tài)信號進(jìn)行預(yù)處理，除去電流采集模塊在采集電流時產(chǎn)生的自 身的噪聲以及零漂因素，預(yù)處理方法可以使用均值、FFT等方法；
[0039] S4、利用小波包分解方法對多葉準(zhǔn)直器葉片運動時的電流信號段進(jìn)行處理，得到 多個信號特征，如幅值、頻率、相位、小波系數(shù)等，
[0040] S5、通過優(yōu)勢特征選取技術(shù)，分別選擇與不同健康狀態(tài)強(qiáng)相關(guān)的信號特征或其組 合，并通過多項式擬合建立該信號特征與時間的趨勢關(guān)系，形成一系列健康狀態(tài)趨勢信號 特征組合；
[0041 ] S6、建立一系列神經(jīng)網(wǎng)絡(luò)（如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等）模型，分別用于識別多 葉準(zhǔn)直器的若干健康狀態(tài)，如松脫、卡死、磨損、異常振動、電機(jī)損壞等。針對每個神經(jīng)網(wǎng)絡(luò) 模型，利用的已建立好的趨勢信號特征組合以及對應(yīng)的趨勢信號特征所處的時間段的葉片 狀態(tài)測量值組成輸入向量和目標(biāo)向量，并輸入該神經(jīng)網(wǎng)絡(luò)模型對其進(jìn)行訓(xùn)練。使其分類準(zhǔn) 確率達(dá)到期望的準(zhǔn)確率。葉片狀態(tài)測量值主要是指葉片對應(yīng)的每一個健康狀態(tài)，每一個健 康狀態(tài)可設(shè)定一個或多個參數(shù)來定量描述，例如卡死、松脫、電機(jī)損壞使用0或者1來區(qū)分， 磨損則使用葉片某一位置的磨損量實測值表示，異常振動使用振動頻率和幅值來表示。
[0042] S7、實時監(jiān)測葉片電機(jī)驅(qū)動電流信號，并分析提取電流信號特征，重復(fù)S2~S5的步 驟建立用于判斷多葉準(zhǔn)直器健康狀態(tài)趨勢信號特征組合，分別輸入對應(yīng)的已訓(xùn)練好的神經(jīng) 網(wǎng)絡(luò)模型進(jìn)行識別，通過模型得到分類結(jié)果，從而得到多葉準(zhǔn)直器的健康狀態(tài)。
[0043] 以監(jiān)控葉片磨損為實例具體說明。
[0044]步驟S4中利用小波包分解方法對學(xué)習(xí)葉片狀態(tài)信號