压力抗血栓气动回路气密性检测系统的设计

徐晶伟，廖跃华，尚 昆，史清清

（1. 上海理工大学医疗器械与食品学院，上海200093；2. 上海健康医学院医疗器械学院，上海201318）

0 引言

在临床上，深静脉血栓(Deep Venous Thrombosis，DVT)十分常见，特别是下肢 DVT[1,2]。其临床患者轻则日常的生活和工作受到影响或致残，重则失去生命。通过分析DVT形成的原理，本项目组开发了压力抗血栓装置，该装置通过对下肢或足部施加脉冲气体来挤压血液和淋巴，增加静脉血液回流，减少血液瘀滞，进而治疗和预防深静脉血栓形成。气动回路作为压力抗血栓装置的重要组成部分，其气密性直接影响到整个压力抗血栓装置的质量和使用，因此，需要对其气密性能进行检测。目前市场上虽然也有一些气密性检测设备，但由于其设计理念与本装置有所不同，无法满足使用需求，故有必要研发一套气动回路气密性检测系统，实现快速、准确的气密性检测。

气密性检测根据检测方式的不同可分为两大类：一类是目测法，即向待测件内充入一定压力的气体，然后将其浸入水中或在其表面涂抹易产生气泡的液体，通过观察产生的气泡情况来检测泄漏状况及位置。该方法操作简单但检测精度低，且由于一些工件易生锈，易腐蚀等特点，该检测方法不合适。另一类是仪器法，这类方法要求在气动回路中连接压力传感器，通过压力传感器的输出信号判断待测件气密性。仪器法又细分为直接压力检测法、间接压力检测法和差压检测法等3种。每种检测方法都有其特点[3-5]。其中，直接压力检测法结构简单，通过选用高精度压力传感器就能达到较高的检测水平。间接压力检测法和差压检测法虽然检测精度较高但结构复杂且成本较高。本着经济合理，精确有效的原则，本装置采用直接压力检测法，通过选用高精度压力传感器检测气动回路内部压力数据。

影响气密性检测准确性的因素有：待测件容积，测试压力，检测时的环境温度，保压时间等，很难建立这些因素与气密性能之间的确切关系。目前见到的应用到气密型检测的模型有神经网络和模糊聚类等，但是其分类准确性的提高是以大量有效的训练样本为基础，而实际气密性测量的数据样本较少，因此，这两类模型应用在气密型检测中并不理想。而支持向量机（SVM）是在统计学习基础上发展而来的一种通用学习机器，具有小样本学习优势，能有效提高算法的泛化能力，是处理有限样本学习的有效工具，国内外许多学者对SVM在模式分类及检测方面的应用进行了广泛的研究[6-10]。

故本文提出支持向量机的方法，建立气密性与各影响因素间的关系，通过实验与仿真验证该方法的可行性，提高气密性检测的准确性。

1 测试系统工作原理

图1 测试系统工作原理方框图Fig.1 Block diagram of test system principle

如图1所示，该系统的工作原理为：用户根据气囊容积来设置气缸容积，上位机 PC发出控制信号，通过控制电路驱动步进电机工作，根据位移传感器反馈的位移信号，推动气缸到指定位置，产生一定的容积，气泵对气缸充气，气体压力传感器将压力信号反馈回PC机。测试软件进行数据处理，将得到的保压时间，保压阶段的气压下降量等数据保存下来，然后通过支持向量机（SVM）算法来判定气动回路气密性能是否满足压力抗血栓装置的需求[11]。

2 测试系统硬件设计

测试系统的硬件主体分为两个部分：气动回路部分和测控系统部分。气动回路部分主要由气泵、步进电机、气缸、气体压力传感器、手动阀和溢流阀组成。构成压力抗血栓装置的气路部分，也即为待测部分。测控系统部分主要由上位机PC、数据采集卡、电源电路和信号调理电路组成，该部分为气动回路气密性检测的主体，具体测量气动回路气密性好坏，并使得检测结果直观显示在相应界面上。

（1）气动回路系统：如图2所示，气泵通过管路系统向气缸供气；为防止气体倒流损坏气泵，安装单向阀保证气体单向输送；为防止气动回路出现异常高压，损坏测试系统安装了溢流阀；手动阀用于回路排气[12,13]。

图2 气动回路图Fig.2 Pneumati c circuit diagram

（2）测控系统：如图3所示，上位机PC通过数据采集模块、信号调理电路控制气动回路的运行，传感器模块将测量信号反馈给上位机PC，系统进一步进行分析处理。其中数据采集模块采用阿尔泰数据采集卡 USB5935；信号调理模块由信号隔离和滤波电路组成；气体压力传感器采用MD-PSG010压力传感器，直线位移传感器采用德国NOVOTECHNIK位移传感器TLH系列[14]。

图3 测控系统结构框图Fig.3 Structure flow chart of measurement and control system

3 测试系统软件设计与算法

3.1 测试系统软件设计

图4 主程序流程图Fig.4 Diagram of main program flow

系统主程序流程图如图4所示。启动系统，设置充气容积，步进电机推动气缸到达相应的容积位置，选择压力测量范围，设置允许误差和气压保持时间 T，启动气泵向气缸充气，记录时间 t1，气体压力传感器实时检测气缸压力，并通过上位机 PC的气压时间图表显示，到达设定压力值时，记录时间 t2，气泵停止，进入保压阶段，记录保压阶段气压下降量ΔP，充气周期到达后两位三通阀动作，气缸内气体排出，当压力降为大气压力或达到规定排气时间时，测试结束停止记录，测试系统计算充气时间 t=t2-t1，保压阶段的气压下降量ΔP，并将相关数据保存。系统采用支持向量机(SVM)算法，以气缸体积V，保压时间T和保压阶段气压下降量ΔP为输入量，气密性合格与否为输出量，判断回路气密性能。

本文基于Windows操作平台，利用美国NI公司的图形化编程软件LabVIEW[15]，开发了测试系统软件。采用模块化编程思想，将软件分为参数设置模块、控制模块、数据采集和处理模块、实时显示模块等，其主要功能包括：①可设置测试参数并录入测试项目的相关信息；②发送指令控制测试过程的通断；③对测试过程中的数据进行采集和处理；④对数据进行智能计算，自动给出测试结论并显示；⑤提供历史数据查询功能，为产品性能对比提供依据。测试软件的多参数显示界面如图5所示，包括气缸体积设置界面、测试界面和报表界面，气缸体积设置界面包括设置体积、当前体积和体积调整；测试界面实时显示采集到的数据，包括测定压力值、偏移量、保压时间以及压力波形图；报表界面对采集的数据做进一步的分析处理，即通过后文介绍的理论分析，判断该气动回路是否满足要求，系统还可以保存数据、浏览分析历史数据。

3.2 系统软件算法

本文数据处理方法为支持向量机（SVM，Support Vector Machine）算法。由于在充气过程中所测得的压力值会有一定的误差，所以若单一的设定压差阈值来判定气密性能，会导致最终的检测结果产生较大误差，而引入支持向量机算法，选取气动回路容积V、实测压差ΔP以及保压时间T作为输入量，气密性合格与否作为输出量，能够使得检测结果更加精确。

支持向量机（SVM）算法是由Vapnik首先提出的，像多层感知网络和径向基函数网络一样，可用于模式分类以及线性或非线性回归。支持向量机的主要思想是建立一个分类超平面，该平面能够精确的将两类训练样本分开且使得两类分类间距最大。支持向量机的理论基础是统计学习理论，更精确的说，支持向量机是结构风险最小化的近似实现[16]。支持向量机（SVM）属于有监督的学习方法，即已知训练点的类别，求训练点和类别间的对应关系，以便将训练集按照类别分开，或预测新的训练点所对应的类别[17]。

图5 测试系统主界面Fig.5 Main interface of test system

两类样本构成的两个边界超平面间的距离为：2/||w||。故在满足两边界超平面方程间距最小的条件下，最优分类平面问题可等效为求函数：

的最小值。为此，引入Lagrange函数：

其中， αi≥0为Lagrange系数，把问题转化为凸二次规划的对偶问题：

这是一个不等式约束下二次函数机制问题，存在唯一最优解。若最优解，则

i i 1 = 0 求解，由此求得的最优分类函数是：

其中，sgn()是符号函数。

对于线性不可分的情况，可将输入样本映射到一个高维特征空间，寻找能将特征空间分为两个区域的最优超平面，通过核函数，取代高维特征空间的内积运算，即K(xi, xj) = φ ( xi) ⋅ φ ( xj)，从而避免了维数灾难。当用一个超平面不能把两类点完全分开时，可引入松弛变量ξi和惩罚参数C，将寻找最优分类面问题转化为[18]：

最优分类函数可表示为：

4 实验结果与分析

本测试系统的测试环境温度为 20℃，压强为101.33 KPa，相对湿度为 45%，试验台保持干净整洁。测试对象为气动回路，测试时分别改变回路容积（1000, 500, 300 ml），设定压力大小分别为（60, 70,80, 90 mmHg），保压时间分别选择为（5, 10, 15,20 s）。开始工作后，设定保压时间 T，系统自动记录保压阶段开始时对应的压力值P1和保压结束时对应的压力值P2,并计算保压阶段的气压下降量ΔP=P2- P1。本实验共获得20组数据，前 10组数据是标准合格气动回路的数据，其类型定义为1。中间5组数据是标准不合格气动回路的数据，其类型定义为-1。最后5组数据是待测气动回路的数据，其类型未知待测。实验数据如表1所示。

利用训练样本数据生成超平面方程，然后用生成的超平面方程对待测数据进行预测，最后对训练样本数据中的实际分类值和预测分类值进行比较，以判断预测准确性，结果如下表所示。

该算法以气缸体积V、保压时间T和压降ΔP为输入量，以所属类型为输出量来判断该气动回路气密性能，1代表气密性合格，-1代表气密性不合格。运行程序结果如表2所示。

表1 实验数据Tab.1 Te sting data

故可以得到超平面方程为：

y = sgn(1.4001* T - 2 .5677 * V - 3 .3821* ΔP +0.31145)预测结果如表3所列。

由上表所得实验结果可知，支持向量机算法成功的对15组训练样本数据进行了预测，并对5组待测样本数据进行了分类。该数据的分类错误率为1/15=6.67%，达到了预期的精度要求。故该实验方法合理，测结果可靠，能够快速准确地判断气动回路的气密性能。

5 结论

本文详细介绍了一种新型的气动回路气密性检测系统，该测试系统基于Labview虚拟仪器技术，通过人机交互界面进行多参数显示。为了验证该系统的可靠性，对气动回路的气密性进行实验测定。实验结果表明，预测气密性与真实气密性误差只有5%，故该测试系统可同时方便高效地进行气动回路气密性的测试、分析、显示和存储，从而使气动回路能更准确地应用于压力抗血栓装置中，操作方便、精度高、且智能化。

表2 SVM 程序输出结果Tab.2 Output result of SVM program

表3 训练样本数据预测分类与真实分类Tab.3 Predictive sample data predictive classification and real classification

表4 待测数据的分类结果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)配合其它措施预防老年人髋部术后深静脉血栓形 成[J]. 中国伤残医学. 2011,19(11): 9-10.

[3] 龙飞, 邢武, 盛曾慰. 气密性检测方法分析[J]. 液压气动与密封, 2000(5): 21-23.

[4] 陈丹江, 万雪梅. 气压式泄漏检测装置及应用[J]. 机电工程技术, 2001(1): 39-43.

[5] 邓建春, 赵丹. 发动机前后油封气密性检测装置的设计[J].液压气动与密, 2005(6): 3-5.

[6] 陈艳琴. 基于SVM的文字商标检测[J]. 软件, 2013, 34(1):149-151.

[7] 张环, 赵亚妮, 杨晓波.一种基于SVM的视频检索反馈算法[J]. 软件, 2013, 34(3): 69-71.

[8] 陈海红. 多核SVM文本分类研究[J]. 软件, 2015, 36(5): 7-10.

[9] 苏志同, 周文龙. 基于SVM的心律失常的研究和分析[J].软件, 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”解决控制系统方框图问题[J].教育研究与评论: 技术教育. 2012(2): 42-45.

[12] 付敬奇. 执行器及其应用[M]: 机械工业出版社, 2009.

[13] 崔静艳, 王小杰. 气动执行器运行的点检定修与风险防范[J]. 化工生产与技术. 2014, 21(5): 49-51.

[14] 杨清波. 传感器与测试技术[M]. 黑龙江: 哈尔滨工程大学出版社, 2004.

[15] 张金. LabVIEW程序设计与应用[M]. 北京: 电子工业出版社, 2015.

[16] 陈守平, 董瑞. MATLAB神经网络30个案例分析[M]: 北京航空航天大学出版社, 2010.

[17] 卓金武, 李必文. MATLAB在数学建模中的应用[M]: 北京航空航天大学出版社, 2014.

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