Способ нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных

Способ нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных

Выданный патент: RU2870083C2 Дата публикации: 2026-09-15 Заявитель / патентообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования "Тамбовский государственный технический университет" (ФГБОУ ВО "ТГТУ") (RU) Классификация: G05B13/02 G05D27/02 G06N3/0499 G05B13/027 G05D27/02 G06N3/0499

Реферат [16] Изобретение относится к области самонастраивающихся систем управления, в частности систем для поддержания характеристик микроклимата в инкубаторах для недоношенных детей. Техническим результатом является повышение эффективности нейросетевого управления. Указанный технический результат достигается за счет того, что многослойный персептрон используется в качестве нейронной сети, входными параметрами являются элементы вектора текущих ошибок управления, качестве выходных параметров используются характеристики воздушного пространства и освещенность в инкубаторе, температура кожи, температура ядра тела новорождённого, температура матраца, энтальпия и масса воды в увлажнителе, коррекция весовых коэффициентов нейронной сети осуществляется на основе метода обратного распространения ошибки, оптимизационный алгоритм является градиентным, настройками алгоритма обучения служат коэффициент шага и коэффициент регуляризации, при которых достигается устойчивость процесса управления, компенсация осуществляется посредством варьирования напряжения на нагревательном элементе воздушного пространства, на нагревательном элементе увлажнителя и на секциях электрохромного остекления.

Описание [1] Предлагаемое изобретение относится к области самонастраивающихся систем управления (систем, автоматически выбирающих оптимальный режим работы для достижения заданного критерия на базе методов цифровых вычислений или обработки данных), в частности систем для поддержания характеристик микроклимата в инкубаторах для недоношенных детей. [2] В целом, одной из ключевых проблем нейросетевых подходов к управлению характеристиками микроклимата (температурой, влажностью, освещенностью, газовым составом и т.п.) является чрезмерная сложность сбора обучающей выборки. Она обусловлена необходимостью учета большого количества комбинаций входных и выходных параметров из-за сложной геометрии границ (справедливо, как для жилых и производственных помещений, так и для медицинских, фармацевтических и сельскохозяйственных инкубаторов, теплиц, парников, оранжерей, животноводческих, птицеводческих и звероводческих помещений - поскольку во всех перечисленных вариантах для корректного описания многосвязных нелинейных процессов внутри соответствующего объекта необходимы многомерные массивы выходных и выходных параметров). Также следует отметить трудность сбора отдельных параметров (например, пространственных распределений влажности) и высокие временные затраты (статистически значимые случайные возмущающие воздействия относительно редки). [3] При закрытых куполе, дверцах и портах характеристики микроклимата в инкубаторах для новорожденных обладают довольно большой инерцией. Медицинский персонал по возможности старается не беспокоить новорожденного, соответственно ситуаций резких возмущающих воздействий (таких как открытие купола) может быть всего несколько в неделю. Меньшие (но все же значимые) возмущающие воздействия, такие как открытие дверцы для рук медицинского персонала, чаще всего случаются несколько раз в день. Порты-отверстия для трубок, как правило тепло- и влагоизолированы специальными заглушками. [4] Таким образом, сбор даже небольшой обучающей выборки в сто комбинаций входных и выходных параметров (с динамикой их изменения) для неонатальных инкубаторов может осуществляться месяцами. Использование не точной или не полностью обученной нейронной сети может нанести вред новорожденному. Логичным вариантом являются имитационные выборки, описывающие эксперименты с полноростовыми анатомически и физиологически корректными фантомами. Однако такие выборки тоже довольно сложно получить, к тому же они далеко не всегда адекватны. [5] Учитывая вышесказанное, а также количество используемых в реальной клинической практике модификаций инкубаторов (разная геометрия границ, соответственно необходимость в дополнительных парах выходных и выходных параметров) обучение нейронной сети представляет собой серьезную проблему. [6] Таким образом, для задач управления характеристиками микроклимата (особенно в инкубаторах для новорожденных) довольно актуальна разработка быстро обучаемых нейросетевых методов. [7] По патенту CN 112817354 B, МПК G05D 27/02, опубл. 18.05.2021 известны система прогнозирования температуры в помещениях для разведения скота и птицы, а также способ ее регулирования. Способ прогнозирования и регулирования температуры в помещениях для разведения сельскохозяйственных животных и птиц включает в себя: динамический сбор данных с датчиков температуры и влажности, регулирование и визуальный контроль над ним посредством контроллера, связанного с модулем динамического сбора данных, исполнительным модулем и модулем визуализации и раннего предупреждения, при этом контроллер сконфигурирован таким образом, чтобы прогнозировать температуру среды и осуществлять нечеткое нейросетевое принятие решений. Известны варианты способа прогнозирования и регулирования температуры в помещениях для разведения сельскохозяйственных животных и птиц, в которых: визуализируются и используются при прогнозировании справочные данные о диапазонах допустимых температур для разводимых сельскохозяйственных животных; при моделировании тепловых процессов учитываются стадии роста сельскохозяйственных животных и птиц, а также характеристики поведения, в том числе механизмы стресса; модуль раннего предупреждения генерирует звуковые сигналы; предусмотрены как режим отопления, так и кондиционирования. Технической задачей способа прогнозирования и регулирования температуры в помещениях для разведения сельскохозяйственных животных и птиц является адаптивное и энергоэффективное регулирование температуры в животноводческих и птицеводческих помещениях. [8] Недостатком способа прогнозирования и регулирования температуры в помещениях для разведения сельскохозяйственных животных и птиц является использование излишне требовательной к объему данных (имеются ввиду пары входных и выходных параметров), трудно настраиваемой, характеризующейся высокой сложностью вычислений и ограниченной гибкостью нечеткой нейронной сети. [9] Ближайшим аналогом (прототипом) разработанного способа является способ компенсации временной задержки сетевой системы на основе предиктивного управления (патент US 11543787 B2, МПК G05B 13/02, G06F 17/11, опубл. 03.01.2023), включающий в себя: получение данных о случайных временных задержках сетевой системы, предварительную обработку, прогнозирование текущей временной задержки посредством нечеткой нейронной сети с оптимизационным алгоритмом на основе роя частиц, компенсацию прогнозируемой временной задержки посредством неявного пропорционально-интегрального обобщенного предиктивного управления, завершение работы сетевой системы по истечению заданного времени ее функционирования, причем обучение нечеткой нейронной сети осуществляется на основе трехсот пар входных и выходных параметров для формирования которых используется скользящее окно, при этом каждым пяти значениям случайных временных задержек сетевой системы используемым в качестве входных параметров всегда ставится в соответствие шестое значение случайной временной задержки сетевой системы используемое в качестве выходного параметра. Известны варианты способа компенсации временной задержки сетевой системы на основе предиктивного управления в которых в дополнение к тремстам имеющимся парам входных и выходных параметров в течении всего заданного времени функционирования сетевой системы формируются дополнительные пары; для компенсации временных задержек используется исполнительный механизм; оптимизационный алгоритм на основе роя частиц включает в себя итерации случайной инициализации положения и скорости каждой частицы, определения размера популяции, весовых коэффициентов инерции и ускорения, оценки пригодности каждой частицы посредством соотнесения положения текущей частиц и оптимального положения роя частиц, обновления положений и скоростей всех частицы, по необходимости генерации дополнительных частиц, остановку итераций при выполнении критерия сходимости, причем глобальный экстремум используется в качестве оптимального решения задачи обучения; в качестве критерия сходимости оптимизационного алгоритма используется пороговый уровень равный 0,001. Техническим результатом использования способа компенсации временной задержки сетевой системы на основе предиктивного управления является точное прогнозирование и эффективная компенсация временных задержек при функционировании сетевой системы. [10] Недостатком способа компенсации временной задержки сетевой системы на основе предиктивного управления является использование излишне требовательной к объему данных (имеются ввиду пары входных и выходных параметров), трудно настраиваемой, характеризующейся высокой сложностью вычислений и ограниченной гибкостью нечеткой нейронной сети. [11] Технической задачей способа нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных является повышение эффективности нейросетевого управления посредством снижения минимально необходимого для обучения нейронной сети количества комбинаций входных и выходных параметров и соответственно, снижения количества ситуаций неточного или неполного обучения. [12] Поставленная техническая задача достигается тем, что способ нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных, так же как и способ, который является ближайшим аналогом, включает в себя получение данных, предварительную обработку, прогнозирование, компенсацию, причем обучение нейронной сети осуществляется на основе пар входных и выходных параметров при этом значениям используемым в качестве входных параметров всегда ставятся в соответствие значения используемые в качестве выходных параметров, глобальный экстремум используется в качестве оптимального решения задачи обучения, в качестве критерия сходимости оптимизационного алгоритма используется пороговый уровень, для компенсации используется исполнительный механизм, формирование дополнительных пар входных и выходных параметров в течение всего заданного времени функционирования сетевой системы, завершение работы сетевой системы по истечении заданного времени ее функционирования. [13] Новым в разработанном способе нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных является то, что многослойный персептрон используется в качестве нейронной сети, входными параметрами искусственной нейронной сети прямого распространения являются элементы вектора текущих ошибок управления, в качестве выходных параметров используются характеристики воздушного пространства и освещенность в инкубаторе, температура кожи, температура ядра тела новорождённого, температура матраца, энтальпия и масса воды в увлажнителе, коррекция весовых коэффициентов нейронной сети осуществляется на основе метода обратного распространения ошибки, оптимизационный алгоритм является градиентным, настройками алгоритма обучения служат коэффициент шага и коэффициент регуляризации, при которых достигается устойчивость процесса управления, компенсация осуществляется посредством варьирования напряжения на нагревательном элементе→воздушного→пространства, на нагревательном элементе увлажнителя и на секциях электрохромного остекления. [14] Проверка достижимости технического результата имела вид серии лабораторных экспериментов с использованием полноростовых фантомов новорожденных. Эти фантомы повторяли геометрию внешних границ реальных пациентов и при этом были изготовлены из двухкомпонентного прозрачного силикона на платиновой основе. Теплофизические свойства подгонялись с использованием микрочастиц меди. Внутреннее строение фантомов было неоднородным, в частности имелись одна открытая и совокупность протяженных связанных закрытых полостей. Теплоперенос имитировался посредством циркуляции в вышеуказанных закрытых связанных полостях кровеимитирующей жидкости. Массоперенос имитировался посредством испарения жидкости из открытой полости. Обучающие выборки были получены для инкубаторов «Amelie» («Ardo Medical AG», Швейцария), «Isolette С386» («Drager AG», Германия) и «AMEDA Пульсар» («AMECARE», США). В экспериментах оценивалось количество обучающих пар входных и выходных параметров при котором предложенный способ сравняется по среднему уровню ошибки регулирования, времени регулирования, коэффициента колебательности и величины перерегулирования с прототипом. [15] Серия экспериментов по оценке эффективности нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных в соответствии с предложенным способом показала снижение минимально необходимого для обучения нейронной сети количества комбинаций входных и выходных параметров (с динамикой их изменения/ с 300 до 74 пар, что свидетельствует о выполнении поставленной технической задачи. Столько высокая эффективность предложенного решения в основном обусловлена комбинированием искусственной нейронной сети прямого распространения (многослойный персептрон/ с коррекцией весовых коэффициентов на основе метода обратного распространения ошибки и градиентного подхода к решению оптимизационной задачи, связанных посредством использования коэффициента шага в качестве одной из настроек алгоритма обучения.

Формула Способ нейросетевого управления характеристиками микроклимата в инкубаторе для новорожденных, включающий в себя получение данных, предварительную обработку, прогнозирование, компенсацию, причем обучение нейронной сети осуществляется на основе пар входных и выходных параметров, при этом значениям, используемым в качестве входных параметров, всегда ставятся в соответствие значения, используемые в качестве выходных параметров, глобальный экстремум используется в качестве оптимального решения задачи обучения, в качестве критерия сходимости оптимизационного алгоритма используется пороговый уровень, для компенсации используется исполнительный механизм, формирование дополнительных пар входных и выходных параметров в течение всего заданного времени функционирования сетевой системы, завершение работы сетевой системы по истечении заданного времени ее функционирования, отличающийся тем, что многослойный персептрон используется в качестве нейронной сети, входными параметрами искусственной нейронной сети прямого распространения являются элементы вектора текущих ошибок управления, в качестве выходных параметров используются характеристики воздушного пространства и освещенность в инкубаторе, температура кожи, температура ядра тела новорождённого, температура матраца, энтальпия и масса воды в увлажнителе, коррекция весовых коэффициентов нейронной сети осуществляется на основе метода обратного распространения ошибки, оптимизационный алгоритм является градиентным, настройками алгоритма обучения служат коэффициент шага и коэффициент регуляризации, при которых достигается устойчивость процесса управления, компенсация осуществляется посредством варьирования напряжения на нагревательном элементе воздушного пространства, на нагревательном элементе увлажнителя и на секциях электрохромного остекления.