论文部分内容阅读
叶轮式人工心脏血泵经过半个多世纪的研究和发展,已经达到了血液相容性、可植入性、耐久性等临床要求,而心脏泵植入受体后的舒适性问题一直影响着它的进一步发展,关键因素之一是提高血泵流量随扬程(血泵进出口压力差)变化的灵敏度,保持左心室辅助泵与右心室输出的流量平衡。由于左心室辅助泵自身特性的限制,维持与右心室流量平衡难以自动达到,因此需要从血泵的控制系统中寻找新的方法。本文通过三种控制方法设计了仿生控制系统:A、手动控制方法。该控制方法主要是为了获得控制策略中扬程变化与电压补偿之间的控制关系方程而设计的一种实验方法,它是利用改进前的控制系统控制血泵运行,手动调节扬程定值变化的同时给控制系统一定的补偿电压,使流量达到符合要求的灵敏度,记录扬程变化与电压的补偿值,画出它们之间的关系曲线,求出控制方程。该控制中的扬程和流量都是通过手动调节控制系统人为给定的,是设计的仿生控制系统应该达到的理想值,可用于仿生控制系统设计后的比较分析;B、基于传感器反馈血泵参数的仿生控制系统。该控制系统是在了解血泵基本控制原理的基础上,通过分析血泵扬程、流量与输入电压之间的关系数据,制定了通过输入电压补偿的方式提高流量随扬程变化灵敏度要求的控制策略,进行硬件和软件设计。利用单片机ATmega16作为系统的控制芯片,用压阻传感器MPXV5050GP反馈血泵进出口的压力,计算血泵的扬程,根据扬程的变化,利用控制方法A得到的控制方程计算出应该补偿的电压值,控制电压变化,实现仿生控制功能;C、基于神经网络自动检测血泵参数的仿生控制系统,它是本论文主要研究的控制系统。该系统的控制策略和控制方法B的控制策略完全一样,不同点在于它对血泵扬程的测量是通过神经网络根据电机的参数自动换算得到的。该测量方法利用Neuroshell2软件根据血泵电机的功率和转速与血泵扬程之间的关系建立神经网络模型,选择合适的激励函数对大量数据进行学习,调节网络模型中的参数,提高神经网络的稳定性,把神经网络对扬程的预测值与实际测量值之间的误差控制在5%之内。然后通过Neuroshell2软件得到学习后网络的权重和偏差,根据激励函数编写神经网络程序,实现网络的预测功能。根据控制策略,进行硬件和软件设计,选用MicroLinear公司生产的单片集成控制器ML4425作为血泵控制系统驱动芯片,驱动血泵电机运转,采用ARM Cortox-M3系列集成芯片STM32F103C8T6作为系统的控制芯片,实现神经网络的自动检测功能,根据检测的血泵扬程值的变化,利用控制方法A得到的控制方程计算出应该补偿的电压值,控制电压变化,实现仿生控制功能。最后通过实验,对控制方法C设计的基于神经网络自动检测仿生控制系统测量的数据,与控制方法B设计的基于传感器自动检测仿生控制系统测量的数据和控制方法A手动调节获得的理想数据进行比较,找出误差,分析误差产生的原因;并与等电压和等转速控制下得到的数据进行比较,结果显示,基于神经网络自动检测血泵数据设计的仿生控制系统使流量随扬程变化的灵敏度大大提高,从现有1 L/min对应10mmHg,到1 L/min对应2 mmHg,接近自然心脏1 L/min对应1 mmHg,应该能够满足病人右心室与左心辅助泵的流量平衡要求。