CN117503192A - 基于掌上超声的智能电源管理低功耗传感器方法及系统 - Google Patents
基于掌上超声的智能电源管理低功耗传感器方法及系统 Download PDFInfo
- Publication number
- CN117503192A CN117503192A CN202311311944.6A CN202311311944A CN117503192A CN 117503192 A CN117503192 A CN 117503192A CN 202311311944 A CN202311311944 A CN 202311311944A CN 117503192 A CN117503192 A CN 117503192A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- battery
- ultrasonic equipment
- data
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000007726 management method Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013106 supervised machine learning method Methods 0.000 claims description 3
- 238000013107 unsupervised machine learning method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000003909 pattern recognition Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4427—Device being portable or laptop-like
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/56—Details of data transmission or power supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Sources (AREA)
Abstract
本发明涉及超声设备技术领域,具体涉及基于掌上超声的智能电源管理低功耗传感器方法及系统。方法包括,步骤S1,一传感器通过电池监测单元监测超声设备的供电电池的电量信息,将电量信息传送给控制单元;步骤S2,控制单元接收超声设备产生的设备数据,根据设备数据识别超声设备的使用模式;步骤S3,基于电量信息和超声设备的使用模式,控制单元动态地产生用于调整超声设备的能量消耗方式的调整策略;步骤S4,超声设备根据调整策略调整自身工作模式。本发明通过智能化的能量调整策略,实现对电池能量的高效利用,延长掌上超声设备的使用寿命。
Description
技术领域
本发明涉及超声设备技术领域,具体涉及一种超声设备电源管理低功耗传感器方法及系统。
背景技术
随着医疗设备的迅速发展,掌上超声设备作为便携式医疗诊断工具,受到了广泛关注。然而,其依赖电池供电的特性限制了设备的使用时间,严重制约了其实际应用范围和便携性。
目前的掌上超声设备在电池管理方面存在诸多不足。传统方法仅仅采用简单的电池管理策略,无法根据实际使用情况动态地调整能量消耗,导致电池寿命的浪费和设备使用时间的限制。
发明内容
本发明的目的在于,提供基于掌上超声的智能电源管理低功耗传感器方法,解决以上技术问题;
本发明的目的还在于,提供基于掌上超声的智能电源管理低功耗传感器系统,解决以上技术问题。
本发明所解决的技术问题可以采用以下技术方案来实现:
基于掌上超声的智能电源管理低功耗传感器方法,包括,
步骤S1,一传感器通过电池监测单元监测超声设备的供电电池的电量信息,将所述电量信息传送给控制单元;
步骤S2,所述控制单元接收所述超声设备产生的设备数据,根据所述设备数据识别所述超声设备的使用模式;
步骤S3,基于所述电量信息和所述超声设备的使用模式,所述控制单元动态地产生用于调整所述超声设备的能量消耗方式的调整策略;
步骤S4,所述超声设备根据所述调整策略调整自身工作模式。
优选的,步骤S2中,所述控制单元识别所述超声设备的使用模式的方法包括,
数据分析和聚类方法,将收集到的所述设备数据使用K均值聚类或层次聚类算法,将类似的数据归为一类,确定所述超声设备不同的使用模式;或
周期性分析方法,分析所述设备数据检测所述超声设备周期性的使用规律,确定所述超声设备当前的使用模式;或;
阈值检测方法,设定阈值检测所述超声设备的特定活动或事件,确定所述超声设备的使用模式;或;
机器学习方法,使用监督或无监督的机器学习方法,对所述设备数据进行训练和预测,识别所述超声设备的使用模式。
优选的,步骤S1中,所述设备数据至少包括所述超声设备的数据采集频率、活动时间和工作状态。
优选的,步骤S2中,所述控制单元连续地分析所述设备数据,识别所述超声设备的使用模式的变化,于步骤S3中相应地动态调整所述超声设备的能量消耗方式,并在一段时间后自适应学习和适应不同的所述超声设备的使用模式的变化,相应调整所述超声设备的能量消耗方式。
优选的,步骤S3中,所述调整策略包括,
根据电池电量调整,获取所述供电电池的剩余电量,于所述供电电池的剩余电量低于一第一设定值时降低所述供电电池的能量消耗,于所述供电电池的剩余电量高于一第二设定值时允许所述供电电池提高能量消耗,所述第一设定值小于或等于所述第二设定值;和/或;
根据使用模式调整,所述超声设备的使用模式至少包括静止状态和高频使用状态,于静止状态下降低所述超声设备的数据采集频率,于高频使用状态下提高所述超声设备的数据采集频率;和/或;
根据预期使用时间调整,所述控制单元在所述超声设备的预设定使用时间内允许所述供电电池提高能量消耗;和/或;
动态调整权重,将根据电池电量调整、根据使用模式调整和根据预期使用时间调整的调整因素的重要性进行量化,根据实时需求动态调整权重。
优选的,步骤S4还包括,加入反馈机制,根据依据所述调整策略调整工作模式后的所述超声设备的实际情况对所述调整策略进行反馈调整。
优选的,还包括,步骤S5,采用自适应算法,持续监测所述供电电池的电量下降和/或电池寿命的实际情况和/或所述超声设备的使用性能,记录各所述调整策略的使用效果,对所述调整策略进行反馈和优化。
基于掌上超声的智能电源管理低功耗传感器系统,用于所述的智能电源管理低功耗传感器方法,包括,
所述传感器,通过所述电池监测单元监测所述供电电池的所述电量信息;
所述控制单元,连接所述传感器,接收所述传感器传输的所述电量信息,
所述超声设备,连接所述控制单元,所述控制单元根据所述设备数据识别所述超声设备的使用模式,动态地产生用于调整所述超声设备的能量消耗方式的所述调整策略;所述超声设备根据所述调整策略调整自身工作模式。
优选的,所述电池监测单元通过监测电路获取所述电量信息,所述监测电路包括,
电压测量电路,用于测量所述供电电池的电压信号,所述电压测量电路上设有模数转换器,用于将电压模拟量信号转为可被所述电池监测单元读取的电压数字量信号;
电流测量电路,用于测量所述供电电池的电流信号,所述控制单元基于所述电流信号的变化推测所述供电电池的电量消耗情况;
温度补偿电路,连接所述电压测量电路,包括一温度传感器和一补偿电路,所述温度补偿电路用于校正所述电压信号的测量结果。
优选的,所述电池监测单元包括,
微控制器,用于监测所述供电电池,读取来自所述电压测量电路的电压信号,读取所述电流测量电路的电流信号以及读取所述温度传感器的温度数据;
时钟和定时器,连接所述微控制器,用于保证所述微控制器定期执行任务;
数据存储器,连接所述微控制器,用于存储所述电量信息;
通信接口,所述微控制器通过所述通信接口连接所述控制单元。
本发明的有益效果:由于采用以上技术方案,本发明通过智能化的能量调整策略,实现对电池能量的高效利用,延长掌上超声设备的使用寿命。
附图说明
图1为本发明实施例中智能电源管理低功耗传感器方法步骤示意图;
图2为本发明实施例中智能电源管理低功耗传感器系统架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
基于掌上超声的智能电源管理低功耗传感器方法,如图1,图2所示,包括,
步骤S1,一传感器1通过电池监测单元2监测超声设备3的供电电池31的电量信息,将电量信息传送给控制单元4;
步骤S2,控制单元4接收超声设备3产生的设备数据,根据设备数据识别超声设备3的使用模式;
步骤S3,基于电量信息和超声设备3的使用模式,控制单元4动态地产生用于调整超声设备3的能量消耗方式的调整策略;
步骤S4,超声设备3根据调整策略调整自身工作模式。
具体地,本发明的目的是提供一种智能电源管理的低功耗传感器1方法,旨在通过智能化的能量调整策略,实现对电池能量的高效利用,延长掌上超声设备3的使用寿命。
进一步具体地,传感器1通过一组专门设计的监测电路和电池监测单元2来实时监测供电电池31的电量水平,涉及电池电压、电流、剩余电量等的连续测量,传感器1将这些数据传送给控制单元4,以实现对电池状态的实时监测。
控制单元4收集超声设备3生成的设备数据,这些设备数据记录了超声设备3的使用情况,例如超声设备3的数据采集频率、活动时间以及超声设备3是否处于工作状态。通过对这些设备数据的分析,可以识别出超声设备3的使用模式,进一步确定何时以及如何调整能量消耗。
根据收集到的设备数据,控制单元4使用预先设计的算法和逻辑来制定调整策略,调整策略的内容涉及超声设备3采集频率的调整,以及在不同工作模式下的能量消耗预测,控制单元4会考虑诸如超声设备3的优先级、电池电量、设备预期使用时间等因素来制定策略。
控制单元4根据制定的调整策略,自动控制超声设备3内部器件,例如超声探头32的工作模式;例如,在静止状态下,降低超声探头32的数据采集频率,降低能量消耗。而在需要高精度数据的操作时,如探测异常病灶,会相应提高超声探头32活动频率,以保证准确性。
本发明的超声设备3总能量消耗:E=E基础+E探头,即设备的总能量消耗,由基础能耗和超声探头32能耗两部分组成。
基础能耗:E基础,即设备在特定状态下的固定能耗;
超声探头32能耗:E探头,即设备在特定状态下由于超声探头32活动而消耗的能量;
超声设备3执行调整策略通过控制活动频率、降低设备的功耗等方式来实现。
在一种较优的实施例中,步骤S2中,控制单元4识别超声设备3的使用模式的方法包括,
数据分析和聚类方法,将收集到的设备数据使用K均值聚类或层次聚类算法,将类似的数据归为一类,确定超声设备3不同的使用模式;或
周期性分析方法,分析设备数据检测超声设备3周期性的使用规律,确定超声设备3当前的使用模式;具体地,可以使用傅里叶变换来检测周期性;或;
阈值检测方法,设定阈值检测超声设备3的特定活动或事件,确定超声设备3的使用模式;例如,当超声设备3的活动超过设定阈值时,确定所述超声设备3处于工作状态;或;
机器学习方法,使用监督或无监督的机器学习方法,例如决策树、支持向量机、神经网络等,对设备数据进行训练和预测,识别超声设备3的使用模式。
具体地,执行步骤S2首先收集来自超声设备3的设备数据,根据设备数据分析记录下超声设备3的数据采集频率、活动时间、超声设备3的工作状态等。这些设备数据应在控制单元4内部存储或外部存储设备中进行记录,以备后续分析使用;
较优的,本发明根据分析的结果,将超声设备3的使用模式划分为不同的状态,例如“静止状态”、“高频使用状态”等。通过识别不同的使用模式,可以更好地理解超声设备3的工作情况,为调整策略的制定提供基础。
在一种较优的实施例中,步骤S1中,设备数据至少包括超声设备3的数据采集频率、活动时间和工作状态。
在一种较优的实施例中,步骤S2中,控制单元4连续地分析设备数据,识别超声设备3的使用模式的变化,于步骤S3中相应地动态调整超声设备3的能量消耗方式,并在一段时间后自适应学习和适应不同的超声设备3的使用模式的变化,相应调整超声设备3的能量消耗方式。
较优的,随着时间的推移,本发明可以在分析的基础上逐渐学习和适应不同的使用模式,从而提高识别的准确性和系统的智能性。
在一种较优的实施例中,步骤S3中,调整策略包括,
根据电池电量调整,获取供电电池31的剩余电量,于供电电池31的剩余电量低于一第一设定值时降低供电电池31的能量消耗,于供电电池31的剩余电量高于一第二设定值时允许供电电池31提高能量消耗,第一设定值小于或等于第二设定值;和/或;
根据使用模式调整,超声设备3的使用模式至少包括静止状态和高频使用状态,于静止状态下降低超声设备3的数据采集频率,于高频使用状态下提高超声设备3的数据采集频率;和/或;
根据预期使用时间调整,控制单元4在超声设备3的预设定使用时间内允许供电电池31提高能量消耗;和/或;
动态调整权重,将根据电池电量调整、根据使用模式调整和根据预期使用时间调整的调整因素的重要性进行量化,根据实时需求动态调整权重。
具体地,根据电池电量调整是根据电池电量的剩余水平制定策略;当电池电量较低时,可以选择降低能量消耗,以延长电池寿命,当电池电量较高时,可以允许更高的能量消耗,以满足高频率数据采集的需求。
根据使用模式调整是根据不同的使用模式制定不同的调整策略。例如,在静止状态下,可以降低超声设备3的数据采集频率,降低能量消耗。在高频使用状态下,可以提高超声设备3的活动频率,以确保准确性。
根据预期使用时间调整是指根据用户的预期使用时间来制定调整策略,例如用户需要在短时间内完成检测,则在该时间段内允许较高的能量消耗以提供更精确的数据。
动态调整权重是指将不同因素的重要性进行量化,因素诸如优先级、电池电量、预期使用时间,然后根据实时的情况动态地调整各因素权重,以便更精确地制定能量调整策略。
在一种较优的实施例中,步骤S4还包括,加入反馈机制,根据依据调整策略调整工作模式后的超声设备3的实际情况对调整策略进行反馈调整。
在一种较优的实施例中,还包括,步骤S5,采用自适应算法,持续监测供电电池31的电量下降和/或电池寿命的实际情况和/或超声设备3的使用性能,记录各调整策略的使用效果,对调整策略进行反馈和优化。
具体地,本发明实时监测电池电量和设备使用模式,根据实际情况对制定的调整策略进行反馈。例如,如果电池电量下降得很快,可以调整策略以降低能量消耗。使用自适应算法,根据实际效果和反馈对制定的调整策略进行动态调整,例如,如果一种调整策略导致电池寿命显著延长,可以根据实际数据调整该策略以实现更好的平衡。
自适应学习的基本思想是从已有的数据中学习和识别模式,通过分析实时数据可以逐渐学习和适应不同的使用模式,根据新的数据不断调整模型,以适应新的情况。自适应学习方式可以分为以下步骤:
步骤1,数据采集与标注:首先,系统需要收集大量的数据,这些数据包含了不同的使用模式情况,例如静止、高频使用等。对这些数据进行标注,以便后续的训练和评估。
步骤2,特征提取和选择:从收集的数据中,提取有用的特征,例如数据中的目标属性。根据特征的选择来帮助识别不同的使用模式。
步骤3,模型训练:使用提取的特征和标注的数据,可以使用机器学习算法来训练模型。模型例如分类器,包括支持向量机、决策树等,或神经网络等,用于识别不同的使用模式。
步骤4,逐步调整:在实际应用中,系统会不断接收新的数据。根据新数据的标注和模型的预测,可以判断模型在识别使用模式方面的准确性。如果模型出现了错误的判定,系统可以使用这些错误经验来逐步调整模型,用以适应新的数据情况。
进一步的,本发明在自适应学习中,涉及到的算法包括:
增量学习(Incremental Learning):在已有模型的基础上,逐步引入新数据进行学习,相较于从头开始训练模型,可以提高系统的效率和适应性。
迁移学习(Transfer Learning):将已有的知识和模型应用到新的领域或任务中,从而加速新任务的学习过程,有助于更快地适应不同的使用模式。
在线学习(Online Learning):在系统运行的过程中,不断地接收新的数据并进行学习,以实现实时提升适应性和准确性。
基于掌上超声的智能电源管理低功耗传感器系统,用于实施任意一项实施例中的智能电源管理低功耗传感器1方法,如图2所示,包括,
传感器1,通过电池监测单元2监测供电电池31的电量信息;
控制单元4,连接传感器1,接收传感器1传输的电量信息,
超声设备3,连接控制单元4,控制单元4根据设备数据识别超声设备3的使用模式,动态地产生用于调整超声设备3的能量消耗方式的调整策略;超声设备3根据调整策略调整自身工作模式。
在一种较优的实施例中,电池监测单元2通过监测电路获取电量信息,监测电路包括,
电压测量电路,用于测量供电电池31的电压信号,电压测量电路上设有模数转换器,用于将电压模拟量信号转为可被电池监测单元2读取的电压数字量信号;较优的,通过使用模数转换器来实现将供电电池31的电压转换为可以被处理器读取的电压信号;
电流测量电路,用于测量供电电池31的电流信号,控制单元4基于电流信号的变化推测供电电池31的电量消耗情况;具体地,针对供电电池31在供电过程中存在变化的电流需求,本发明提供一个电流测量电路,可以通过测量电流的变化来推测电池电量的消耗情况。
温度补偿电路,连接电压测量电路,包括一温度传感器1和一补偿电路,温度补偿电路用于校正电压信号的测量结果。在实施过程中,温度传感器1首先检测供电电池31的温度变化,然后将温度信号传送给控制单元4,控制单元4根据接收到的温度信号,计算出温度对电压测量的影响,然后补偿电路根据计算结果对电压测量结果进行校正,从而获得更准确的电压测量结果,提高测量的准确性。
具体来说,当电池温度升高时,电池的内阻会增大,从而导致电压测量结果偏低。反之,当电池温度降低时,电池的内阻会减小,从而导致电压测量结果偏高。通过温度补偿电路的校正,可以消除温度变化对电压测量结果的影响,从而得到更准确的电压测量结果。
在一种较优的实施例中,电池监测单元2包括,
微控制器,用于监测供电电池31,读取来自电压测量电路的电压信号,读取电流测量电路的电流信号以及读取温度传感器1的温度数据;
时钟和定时器,连接微控制器,用于保证微控制器定期执行任务;
数据存储器,连接微控制器,用于存储电量信息;
通信接口,微控制器通过通信接口连接控制单元4。
具体地,本发明中微控制器采用一个低功耗的微控制器,微控制器用于执行供电电池31的监测任务,低功耗的微控制器通过模数转换器读取来自电压测量电路的电压测量信号,在需要的情况下从电流测量电路和温度传感器1获得的数据;电池监测单元2集成实时时钟和定时器功能,以确保电池监测任务定期执行,同时节省能量;电池监测单元2将包括电池状态数据的电量信息存储在内部的非易失性存储器中,并在需要的时候通过通信接口传递给其他组件进行分析和处理;较优的以便系统可以在不同时间点比较电池的电量水平,用于分析和调整制定的调整策略。通信接口例如UART、I2C或SPI接口,用于与控制单元4的其他组件进行数据交换,如步骤2中的使用情况分析。
具体实施例一:智能电源管理的低功耗传感器1系统在掌上超声设备3上的应用。
步骤1,初始策略设计
步骤11,基础能耗设定:假设初始状态下,设备的基础能耗为E基础=100mWh。
步骤12,超声探头32能耗设定:假设初始状态下,超声探头32的数据采集频率设置为每小时采集一次数据,超声探头32能耗为E探头=50mWh。
步骤2,实时反馈和策略调整
步骤21,电池电量监测:系统每隔15分钟监测一次电池电量,记录供电电池31电量的消耗情况。
步骤22,使用模式识别:使用模式识别算法,判断当前设备是否在静止、运动或高频使用状态。
步骤3,策略调整过程
步骤31,实时调整基础能耗:如果在一小时内电池电量消耗速率超过预期(假设超过10mWh),系统降低基础能耗,设为E基础=80mWh,即从初始设定的100mWh降到80mWh。
步骤32,实时调整超声探头32能耗:如果设备从静止状态切换到高频使用状态,系统根据使用模式识别结果,将超声探头32数据采集频率提高为每30分钟一次,超声探头32能耗增加为E探头=80mWh,即从初始设定的50mWh增加到80mWh。
步骤4,反馈优化和自适应调整:
步骤41,比较预期和实际电池寿命:基于预期电池寿命T预期=5小时和实际使用情况,计算出电池寿命差异T实际-T预期。
步骤42,优化策略更新:如果T实际<T预期,即实际电池使用寿命小于预期使用时长,系统使用遗传算法优化基础能耗和超声探头32能耗,以提升电池寿命,例如逐步减小基础能耗并根据使用模式调整超声设备3能耗。
具体实施例二:本实施例中的掌上超声设备3提供实时超声成像以及数据采集功能,以辅助医疗应用,本发明目的是动态调整权重来实现电池寿命的最大化,同时保证数据的准确性。
步骤1:量化不同因素的重要性
该实施例场景将考虑两个主要因素:电池电量(A)和数据准确性(B)。电池电量的重要性被赋予较高的权重,因为电池寿命对设备的可用性至关重要,将其权重设为0.7。数据准确性也很重要,但相对较低,将其权重设为0.3。
步骤2:实时监测和数据收集
系统实时监测电池电量和数据采集准确性。电池电量由传感器1实时获取,而数据采集准确性可以通过超声探头32的信号质量和校准情况进行评估。
步骤3:根据实时情况动态调整权重
根据实时的数据情况,动态地调整电池电量权重(WA)和数据准确性权重(WB),如果电池电量快速下降,可以根据实时电池电量情况进行权重调整。假设在某一时刻,电池电量为20%,则根据实时情况,可以将电池电量权重调整为0.8,以更强调电池电量的重要性。
步骤4:权重调整的策略制定
根据动态调整后的权重,控制单元4制定能量调整的策略。在这个实施例场景中,制定的调整策略例如:在电池电量低于30%时,降低超声探头32的数据采集频率以减少能耗,同时保证数据准确性。
步骤5:实时决策和执行
当电池电量低于30%时,根据制定的调整策略,实时决策降低超声探头32的数据采集频率,以减少额外的能量消耗,同时尽量保持数据的准确性。这个决策与动态调整后的权重相符,更关注电池电量的情况。
以上实施例场景可以看到系统如何在实时情况下根据动态调整后的权重制定能量调整策略,电池电量的剩余水平、数据采集频率、用户的预期使用时间等不同权重的动态调整过程同理。这种动态调整能够更好地适应电池电量的变化,实现电池寿命的最大化。
具体实施例三:该过程是指系统在实时连续地监测超声设备3生成的数据的基础上,通过对设备数据的分析和模式识别,判断超声设备3的当前使用模式,然后根据不同的使用模式动态地调整能量管理策略。以下是整体步骤说明:
步骤1:实时数据监测
收集超声设备3的环境数据、状态数据和性能数据,例如电池电量、超声设备3的加速度、声音、图像等。这些数据会以实时的方式不断地传送到系统中进行处理和分析。
步骤2:模式识别和使用模式划分
采用模式识别算法,对实时设备数据进行分析和处理,以判断当前超声设备3的使用模式。使用模式可以分为多种类型,如静止、高频使用等。模式识别算法可以根据设备数据的变化、频率、幅度等特征来判定当前的使用模式。
步骤3:根据使用模式调整能量管理策略
一旦系统识别出当前的使用模式,则根据预先设定的策略和权重,动态地调整能量管理策略。不同的使用模式可能需要不同的能量消耗策略,以在保持性能的前提下延长电池寿命。例如:
静止模式:如果系统判定设备处于静止状态,可以降低设备的基础能耗,降低超声设备3的数据采集频率,从而减少额外的能量消耗。
高频使用模式:当超声设备3被频繁使用时,可能需要增加数据采集频率以确保数据的准确性,但需要根据电池电量和预期使用时间来平衡能耗和性能。
步骤4:实时反馈和调整
系统不断地分析设备数据,以实时更新使用模式的判断。如果使用模式发生变化,则会立即调整能量管理策略。例如,如果超声设备3由静止模式切换到高频使用模式,系统会迅速提高超声设备3的数据采集频率,以确保在高频使用模式中能够获得准确的数据。
通过不断监测和识别不同的使用模式,系统可以实时地调整能量管理策略,以适应不同的使用场景,在保持性能的同时保证数据的准确性,最大限度地延长电池寿命。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.基于掌上超声的智能电源管理低功耗传感器方法,其特征在于,包括,
步骤S1,一传感器通过电池监测单元监测超声设备的供电电池的电量信息,将所述电量信息传送给控制单元;
步骤S2,所述控制单元接收所述超声设备产生的设备数据,根据所述设备数据识别所述超声设备的使用模式;
步骤S3,基于所述电量信息和所述超声设备的使用模式,所述控制单元动态地产生用于调整所述超声设备的能量消耗方式的调整策略;
步骤S4,所述超声设备根据所述调整策略调整自身工作模式。
2.根据权利要求1所述的智能电源管理低功耗传感器方法,其特征在于,步骤S2中,所述控制单元识别所述超声设备的使用模式的方法包括,
数据分析和聚类方法,将收集到的所述设备数据使用K均值聚类或层次聚类算法,将类似的数据归为一类,确定所述超声设备不同的使用模式;或
周期性分析方法,分析所述设备数据检测所述超声设备周期性的使用规律,确定所述超声设备当前的使用模式;或;
阈值检测方法,设定阈值检测所述超声设备的特定活动或事件,确定所述超声设备的使用模式;或;
机器学习方法,使用监督或无监督的机器学习方法,对所述设备数据进行训练和预测,识别所述超声设备的使用模式。
3.根据权利要求1所述的智能电源管理低功耗传感器方法,其特征在于,步骤S1中,所述设备数据至少包括所述超声设备的数据采集频率、活动时间和工作状态。
4.根据权利要求1所述的智能电源管理低功耗传感器方法,其特征在于,步骤S2中,所述控制单元连续地分析所述设备数据,识别所述超声设备的使用模式的变化,于步骤S3中相应地动态调整所述超声设备的能量消耗方式,并在一段时间后自适应学习和适应不同的所述超声设备的使用模式的变化,相应调整所述超声设备的能量消耗方式。
5.根据权利要求1所述的智能电源管理低功耗传感器方法,其特征在于,步骤S3中,所述调整策略包括,
根据电池电量调整,获取所述供电电池的剩余电量,于所述供电电池的剩余电量低于一第一设定值时降低所述供电电池的能量消耗,于所述供电电池的剩余电量高于一第二设定值时允许所述供电电池提高能量消耗,所述第一设定值小于或等于所述第二设定值;和/或;
根据使用模式调整,所述超声设备的使用模式至少包括静止状态和高频使用状态,于静止状态下降低所述超声设备的数据采集频率,于高频使用状态下提高所述超声设备的数据采集频率;和/或;
根据预期使用时间调整,所述控制单元在所述超声设备的预设定使用时间内允许所述供电电池提高能量消耗;和/或;
动态调整权重,将根据电池电量调整、根据使用模式调整和根据预期使用时间调整的调整因素的重要性进行量化,根据实时需求动态调整权重。
6.根据权利要求5所述的智能电源管理低功耗传感器方法,其特征在于,步骤S4还包括,加入反馈机制,根据依据所述调整策略调整工作模式后的所述超声设备的实际情况对所述调整策略进行反馈调整。
7.根据权利要求5所述的智能电源管理低功耗传感器方法,其特征在于,还包括,步骤S5,采用自适应算法,持续监测所述供电电池的电量下降和/或电池寿命的实际情况和/或所述超声设备的使用性能,记录各所述调整策略的使用效果,对所述调整策略进行反馈和优化。
8.基于掌上超声的智能电源管理低功耗传感器系统,用于实施如权利要求1-7中任意一项所述的智能电源管理低功耗传感器方法,其特征在于,包括,
所述传感器,通过所述电池监测单元监测所述供电电池的所述电量信息;
所述控制单元,连接所述传感器,接收所述传感器传输的所述电量信息,
所述超声设备,连接所述控制单元,所述控制单元根据所述设备数据识别所述超声设备的使用模式,动态地产生用于调整所述超声设备的能量消耗方式的所述调整策略;所述超声设备根据所述调整策略调整自身工作模式。
9.根据权利要求8所述的智能电源管理低功耗传感器系统,其特征在于,所述电池监测单元通过监测电路获取所述电量信息,所述监测电路包括,
电压测量电路,用于测量所述供电电池的电压信号,所述电压测量电路上设有模数转换器,用于将电压模拟量信号转为可被所述电池监测单元读取的电压数字量信号;
电流测量电路,用于测量所述供电电池的电流信号,所述控制单元基于所述电流信号的变化推测所述供电电池的电量消耗情况;
温度补偿电路,连接所述电压测量电路,包括一温度传感器和一补偿电路,所述温度补偿电路用于校正所述电压信号的测量结果。
10.根据权利要求9所述的智能电源管理低功耗传感器系统,其特征在于,所述电池监测单元包括,
微控制器,用于监测所述供电电池,读取来自所述电压测量电路的电压信号,读取所述电流测量电路的电流信号以及读取所述温度传感器的温度数据;
时钟和定时器,连接所述微控制器,用于保证所述微控制器定期执行任务;
数据存储器,连接所述微控制器,用于存储所述电量信息;
通信接口,所述微控制器通过所述通信接口连接所述控制单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311944.6A CN117503192A (zh) | 2023-10-10 | 2023-10-10 | 基于掌上超声的智能电源管理低功耗传感器方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311944.6A CN117503192A (zh) | 2023-10-10 | 2023-10-10 | 基于掌上超声的智能电源管理低功耗传感器方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117503192A true CN117503192A (zh) | 2024-02-06 |
Family
ID=89740771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311311944.6A Pending CN117503192A (zh) | 2023-10-10 | 2023-10-10 | 基于掌上超声的智能电源管理低功耗传感器方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117503192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118177864A (zh) * | 2024-05-17 | 2024-06-14 | 广州索诺康医疗科技有限公司 | 一种超声设备的电源管理方法、装置、介质及设备 |
-
2023
- 2023-10-10 CN CN202311311944.6A patent/CN117503192A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118177864A (zh) * | 2024-05-17 | 2024-06-14 | 广州索诺康医疗科技有限公司 | 一种超声设备的电源管理方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Keally et al. | Pbn: towards practical activity recognition using smartphone-based body sensor networks | |
US10386901B2 (en) | Adaptive power management | |
CN113242526B (zh) | 一种云计算服务器机房实时监控系统 | |
CN117318255A (zh) | 一种基于大数据可视化的电池状态分析系统及方法 | |
CN112162625B (zh) | 电子设备的功耗控制方法、装置、存储介质和终端 | |
CN117503192A (zh) | 基于掌上超声的智能电源管理低功耗传感器方法及系统 | |
CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
CN117543791B (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN117507935A (zh) | 一种用于电池管理的控制方法、系统、电子设备及介质 | |
CN116933628A (zh) | 一种企业用电负荷监测方法和系统 | |
CN117651321A (zh) | 一种基于边缘计算的功耗控制方法 | |
CN116755965A (zh) | 一种基于强化学习的嵌入式系统低功耗监控系统和方法 | |
WO2022183568A1 (zh) | 复合微能源系统及其能量控制方法、装置、存储介质 | |
KR20220096315A (ko) | 에너지 하베스팅 센서의 동작 패턴 결정을 통한 전력 절감 방법 및 시스템 | |
CN118412972B (zh) | 一种通信基站电池能效管理系统 | |
EP4329382A1 (en) | Power tracking of an iot device | |
CN118276430B (zh) | 一种智能手表亮屏及功耗优化的控制方法 | |
CN112804741A (zh) | 功率控制的方法和装置 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
CN111651461B (zh) | 一种基于机器学习的储能运营监控方法及系统 | |
CN118508577B (zh) | 一种多模式超容储能转换方法及系统 | |
CN118311362B (zh) | 用于节能型中功率直流调速装置的运行状态监测方法 | |
CN118426318B (zh) | 基于过程挖掘的物联网服务自适应系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |