壓力抗血栓氣動回路氣密性檢測系統(tǒng)的設計

徐晶偉，廖躍華，尚 昆，史清清

（1. 上海理工大學醫(yī)療器械與食品學院，上海200093；2. 上海健康醫(yī)學院醫(yī)療器械學院，上海201318）

0 引言

在臨床上，深靜脈血栓(Deep Venous Thrombosis，DVT)十分常見，特別是下肢 DVT[1,2]。其臨床患者輕則日常的生活和工作受到影響或致殘，重則失去生命。通過分析DVT形成的原理，本項目組開發(fā)了壓力抗血栓裝置，該裝置通過對下肢或足部施加脈沖氣體來擠壓血液和淋巴，增加靜脈血液回流，減少血液瘀滯，進而治療和預防深靜脈血栓形成。氣動回路作為壓力抗血栓裝置的重要組成部分，其氣密性直接影響到整個壓力抗血栓裝置的質量和使用，因此，需要對其氣密性能進行檢測。目前市場上雖然也有一些氣密性檢測設備，但由于其設計理念與本裝置有所不同，無法滿足使用需求，故有必要研發(fā)一套氣動回路氣密性檢測系統(tǒng)，實現(xiàn)快速、準確的氣密性檢測。

氣密性檢測根據(jù)檢測方式的不同可分為兩大類：一類是目測法，即向待測件內充入一定壓力的氣體，然后將其浸入水中或在其表面涂抹易產生氣泡的液體，通過觀察產生的氣泡情況來檢測泄漏狀況及位置。該方法操作簡單但檢測精度低，且由于一些工件易生銹，易腐蝕等特點，該檢測方法不合適。另一類是儀器法，這類方法要求在氣動回路中連接壓力傳感器，通過壓力傳感器的輸出信號判斷待測件氣密性。儀器法又細分為直接壓力檢測法、間接壓力檢測法和差壓檢測法等3種。每種檢測方法都有其特點[3-5]。其中，直接壓力檢測法結構簡單，通過選用高精度壓力傳感器就能達到較高的檢測水平。間接壓力檢測法和差壓檢測法雖然檢測精度較高但結構復雜且成本較高。本著經濟合理，精確有效的原則，本裝置采用直接壓力檢測法，通過選用高精度壓力傳感器檢測氣動回路內部壓力數(shù)據(jù)。

影響氣密性檢測準確性的因素有：待測件容積，測試壓力，檢測時的環(huán)境溫度，保壓時間等，很難建立這些因素與氣密性能之間的確切關系。目前見到的應用到氣密型檢測的模型有神經網絡和模糊聚類等，但是其分類準確性的提高是以大量有效的訓練樣本為基礎，而實際氣密性測量的數(shù)據(jù)樣本較少，因此，這兩類模型應用在氣密型檢測中并不理想。而支持向量機（SVM）是在統(tǒng)計學習基礎上發(fā)展而來的一種通用學習機器，具有小樣本學習優(yōu)勢，能有效提高算法的泛化能力，是處理有限樣本學習的有效工具，國內外許多學者對SVM在模式分類及檢測方面的應用進行了廣泛的研究[6-10]。

故本文提出支持向量機的方法，建立氣密性與各影響因素間的關系，通過實驗與仿真驗證該方法的可行性，提高氣密性檢測的準確性。

1 測試系統(tǒng)工作原理

圖1 測試系統(tǒng)工作原理方框圖Fig.1 Block diagram of test system principle

如圖1所示，該系統(tǒng)的工作原理為：用戶根據(jù)氣囊容積來設置氣缸容積，上位機 PC發(fā)出控制信號，通過控制電路驅動步進電機工作，根據(jù)位移傳感器反饋的位移信號，推動氣缸到指定位置，產生一定的容積，氣泵對氣缸充氣，氣體壓力傳感器將壓力信號反饋回PC機。測試軟件進行數(shù)據(jù)處理，將得到的保壓時間，保壓階段的氣壓下降量等數(shù)據(jù)保存下來，然后通過支持向量機（SVM）算法來判定氣動回路氣密性能是否滿足壓力抗血栓裝置的需求[11]。

2 測試系統(tǒng)硬件設計

測試系統(tǒng)的硬件主體分為兩個部分：氣動回路部分和測控系統(tǒng)部分。氣動回路部分主要由氣泵、步進電機、氣缸、氣體壓力傳感器、手動閥和溢流閥組成。構成壓力抗血栓裝置的氣路部分，也即為待測部分。測控系統(tǒng)部分主要由上位機PC、數(shù)據(jù)采集卡、電源電路和信號調理電路組成，該部分為氣動回路氣密性檢測的主體，具體測量氣動回路氣密性好壞，并使得檢測結果直觀顯示在相應界面上。

（1）氣動回路系統(tǒng)：如圖2所示，氣泵通過管路系統(tǒng)向氣缸供氣；為防止氣體倒流損壞氣泵，安裝單向閥保證氣體單向輸送；為防止氣動回路出現(xiàn)異常高壓，損壞測試系統(tǒng)安裝了溢流閥；手動閥用于回路排氣[12,13]。

圖2 氣動回路圖Fig.2 Pneumati c circuit diagram

（2）測控系統(tǒng)：如圖3所示，上位機PC通過數(shù)據(jù)采集模塊、信號調理電路控制氣動回路的運行，傳感器模塊將測量信號反饋給上位機PC，系統(tǒng)進一步進行分析處理。其中數(shù)據(jù)采集模塊采用阿爾泰數(shù)據(jù)采集卡 USB5935；信號調理模塊由信號隔離和濾波電路組成；氣體壓力傳感器采用MD-PSG010壓力傳感器，直線位移傳感器采用德國NOVOTECHNIK位移傳感器TLH系列[14]。

圖3 測控系統(tǒng)結構框圖Fig.3 Structure flow chart of measurement and control system

3 測試系統(tǒng)軟件設計與算法

3.1 測試系統(tǒng)軟件設計

圖4 主程序流程圖Fig.4 Diagram of main program flow

系統(tǒng)主程序流程圖如圖4所示。啟動系統(tǒng)，設置充氣容積，步進電機推動氣缸到達相應的容積位置，選擇壓力測量范圍，設置允許誤差和氣壓保持時間 T，啟動氣泵向氣缸充氣，記錄時間 t1，氣體壓力傳感器實時檢測氣缸壓力，并通過上位機 PC的氣壓時間圖表顯示，到達設定壓力值時，記錄時間 t2，氣泵停止，進入保壓階段，記錄保壓階段氣壓下降量ΔP，充氣周期到達后兩位三通閥動作，氣缸內氣體排出，當壓力降為大氣壓力或達到規(guī)定排氣時間時，測試結束停止記錄，測試系統(tǒng)計算充氣時間 t=t2-t1，保壓階段的氣壓下降量ΔP，并將相關數(shù)據(jù)保存。系統(tǒng)采用支持向量機(SVM)算法，以氣缸體積V，保壓時間T和保壓階段氣壓下降量ΔP為輸入量，氣密性合格與否為輸出量，判斷回路氣密性能。

本文基于Windows操作平臺，利用美國NI公司的圖形化編程軟件LabVIEW[15]，開發(fā)了測試系統(tǒng)軟件。采用模塊化編程思想，將軟件分為參數(shù)設置模塊、控制模塊、數(shù)據(jù)采集和處理模塊、實時顯示模塊等，其主要功能包括：①可設置測試參數(shù)并錄入測試項目的相關信息；②發(fā)送指令控制測試過程的通斷；③對測試過程中的數(shù)據(jù)進行采集和處理；④對數(shù)據(jù)進行智能計算，自動給出測試結論并顯示；⑤提供歷史數(shù)據(jù)查詢功能，為產品性能對比提供依據(jù)。測試軟件的多參數(shù)顯示界面如圖5所示，包括氣缸體積設置界面、測試界面和報表界面，氣缸體積設置界面包括設置體積、當前體積和體積調整；測試界面實時顯示采集到的數(shù)據(jù)，包括測定壓力值、偏移量、保壓時間以及壓力波形圖；報表界面對采集的數(shù)據(jù)做進一步的分析處理，即通過后文介紹的理論分析，判斷該氣動回路是否滿足要求，系統(tǒng)還可以保存數(shù)據(jù)、瀏覽分析歷史數(shù)據(jù)。

3.2 系統(tǒng)軟件算法

本文數(shù)據(jù)處理方法為支持向量機（SVM，Support Vector Machine）算法。由于在充氣過程中所測得的壓力值會有一定的誤差，所以若單一的設定壓差閾值來判定氣密性能，會導致最終的檢測結果產生較大誤差，而引入支持向量機算法，選取氣動回路容積V、實測壓差ΔP以及保壓時間T作為輸入量，氣密性合格與否作為輸出量，能夠使得檢測結果更加精確。

支持向量機（SVM）算法是由Vapnik首先提出的，像多層感知網絡和徑向基函數(shù)網絡一樣，可用于模式分類以及線性或非線性回歸。支持向量機的主要思想是建立一個分類超平面，該平面能夠精確的將兩類訓練樣本分開且使得兩類分類間距最大。支持向量機的理論基礎是統(tǒng)計學習理論，更精確的說，支持向量機是結構風險最小化的近似實現(xiàn)[16]。支持向量機（SVM）屬于有監(jiān)督的學習方法，即已知訓練點的類別，求訓練點和類別間的對應關系，以便將訓練集按照類別分開，或預測新的訓練點所對應的類別[17]。

圖5 測試系統(tǒng)主界面Fig.5 Main interface of test system

兩類樣本構成的兩個邊界超平面間的距離為：2/||w||。故在滿足兩邊界超平面方程間距最小的條件下，最優(yōu)分類平面問題可等效為求函數(shù)：

的最小值。為此，引入Lagrange函數(shù)：

其中， αi≥0為Lagrange系數(shù)，把問題轉化為凸二次規(guī)劃的對偶問題：

這是一個不等式約束下二次函數(shù)機制問題，存在唯一最優(yōu)解。若最優(yōu)解，則

i i 1 = 0 求解，由此求得的最優(yōu)分類函數(shù)是：

其中，sgn()是符號函數(shù)。

對于線性不可分的情況，可將輸入樣本映射到一個高維特征空間，尋找能將特征空間分為兩個區(qū)域的最優(yōu)超平面，通過核函數(shù)，取代高維特征空間的內積運算，即K(xi, xj) = φ ( xi) ? φ ( xj)，從而避免了維數(shù)災難。當用一個超平面不能把兩類點完全分開時，可引入松弛變量ξi和懲罰參數(shù)C，將尋找最優(yōu)分類面問題轉化為[18]：

最優(yōu)分類函數(shù)可表示為：

4 實驗結果與分析

本測試系統(tǒng)的測試環(huán)境溫度為 20℃，壓強為101.33 KPa，相對濕度為 45%，試驗臺保持干凈整潔。測試對象為氣動回路，測試時分別改變回路容積（1000, 500, 300 ml），設定壓力大小分別為（60, 70,80, 90 mmHg），保壓時間分別選擇為（5, 10, 15,20 s）。開始工作后，設定保壓時間 T，系統(tǒng)自動記錄保壓階段開始時對應的壓力值P1和保壓結束時對應的壓力值P2,并計算保壓階段的氣壓下降量ΔP=P2- P1。本實驗共獲得20組數(shù)據(jù)，前 10組數(shù)據(jù)是標準合格氣動回路的數(shù)據(jù)，其類型定義為1。中間5組數(shù)據(jù)是標準不合格氣動回路的數(shù)據(jù)，其類型定義為-1。最后5組數(shù)據(jù)是待測氣動回路的數(shù)據(jù)，其類型未知待測。實驗數(shù)據(jù)如表1所示。

利用訓練樣本數(shù)據(jù)生成超平面方程，然后用生成的超平面方程對待測數(shù)據(jù)進行預測，最后對訓練樣本數(shù)據(jù)中的實際分類值和預測分類值進行比較，以判斷預測準確性，結果如下表所示。

該算法以氣缸體積V、保壓時間T和壓降ΔP為輸入量，以所屬類型為輸出量來判斷該氣動回路氣密性能，1代表氣密性合格，-1代表氣密性不合格。運行程序結果如表2所示。

表1 實驗數(shù)據(jù)Tab.1 Te sting data

故可以得到超平面方程為：

y = sgn(1.4001* T - 2 .5677 * V - 3 .3821* ΔP +0.31145)預測結果如表3所列。

由上表所得實驗結果可知，支持向量機算法成功的對15組訓練樣本數(shù)據(jù)進行了預測，并對5組待測樣本數(shù)據(jù)進行了分類。該數(shù)據(jù)的分類錯誤率為1/15=6.67%，達到了預期的精度要求。故該實驗方法合理，測結果可靠，能夠快速準確地判斷氣動回路的氣密性能。

5 結論

本文詳細介紹了一種新型的氣動回路氣密性檢測系統(tǒng)，該測試系統(tǒng)基于Labview虛擬儀器技術，通過人機交互界面進行多參數(shù)顯示。為了驗證該系統(tǒng)的可靠性，對氣動回路的氣密性進行實驗測定。實驗結果表明，預測氣密性與真實氣密性誤差只有5%，故該測試系統(tǒng)可同時方便高效地進行氣動回路氣密性的測試、分析、顯示和存儲，從而使氣動回路能更準確地應用于壓力抗血栓裝置中，操作方便、精度高、且智能化。

表2 SVM 程序輸出結果Tab.2 Output result of SVM program

表3 訓練樣本數(shù)據(jù)預測分類與真實分類Tab.3 Predictive sample data predictive classification and real classification

表4 待測數(shù)據(jù)的分類結果Tab.4 The classification results of the data to be measured

[1] Ahuja RB, Bansal P, Pradhan GS,et al.An analysis of deep vein thrombosis in burn patients (part II): A randomized and controlled study of thrombo-prophylaxis with low molecular weight heparin[J]. Burns : journal of the International Society for Burn Injuries. 2016, 42(8): 1693-1698.

[2] 胡士琪, 唐校光.低分子肝素(LMWH)配合其它措施預防老年人髖部術后深靜脈血栓形 成[J]. 中國傷殘醫(yī)學. 2011,19(11): 9-10.

[3] 龍飛, 邢武, 盛曾慰. 氣密性檢測方法分析[J]. 液壓氣動與密封, 2000(5): 21-23.

[4] 陳丹江, 萬雪梅. 氣壓式泄漏檢測裝置及應用[J]. 機電工程技術, 2001(1): 39-43.

[5] 鄧建春, 趙丹. 發(fā)動機前后油封氣密性檢測裝置的設計[J].液壓氣動與密, 2005(6): 3-5.

[6] 陳艷琴. 基于SVM的文字商標檢測[J]. 軟件, 2013, 34(1):149-151.

[7] 張環(huán), 趙亞妮, 楊曉波.一種基于SVM的視頻檢索反饋算法[J]. 軟件, 2013, 34(3): 69-71.

[8] 陳海紅. 多核SVM文本分類研究[J]. 軟件, 2015, 36(5): 7-10.

[9] 蘇志同, 周文龍. 基于SVM的心律失常的研究和分析[J].軟件, 2015, 36(9): 98-100.

[10] Xiao xiao, Xu Qihua. A Comparative Research on the Classification and Regression Based on SVM and BP[J]. The Journal of New Industrialization, 2014, 4(5): 48-53.

[11] 李文淳. “五步法”解決控制系統(tǒng)方框圖問題[J].教育研究與評論: 技術教育. 2012(2): 42-45.

[12] 付敬奇. 執(zhí)行器及其應用[M]: 機械工業(yè)出版社, 2009.

[13] 崔靜艷, 王小杰. 氣動執(zhí)行器運行的點檢定修與風險防范[J]. 化工生產與技術. 2014, 21(5): 49-51.

[14] 楊清波. 傳感器與測試技術[M]. 黑龍江: 哈爾濱工程大學出版社, 2004.

[15] 張金. LabVIEW程序設計與應用[M]. 北京: 電子工業(yè)出版社, 2015.

[16] 陳守平, 董瑞. MATLAB神經網絡30個案例分析[M]: 北京航空航天大學出版社, 2010.

[17] 卓金武, 李必文. MATLAB在數(shù)學建模中的應用[M]: 北京航空航天大學出版社, 2014.

[18] Vapnic V. Statistical Learning Theory. New York: Wiley Press, 1998, 11: 342-344.