شکل۳- ۳- سرعت چرخش پمپ برای مقادیر مختلف R_S در مدل ترکیبی قلب-LVAD

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

آنالیز شاخص­ های مکش با بهره گرفتن از دبی عبوری از پمپ
در صورتی که بتوان سنسورهای دقیق فشار را در نواحی بخصوصی از بطن چپ قرار داد و بطور پیوسته متغیرهای همودینامیکی مانند x₁ تا x₅ را که پیش­تر در مورد آن صحبت شد، را اندازه گیری کرد و یا اینکه بتوان آنها را در ورودی پمپ برای اندازه گیری فشار ورودی پمپ (PIP) قرار داد، رخداد پدیده مکش، به راحتی قابل تشخیص خواهد بود. شکل (۳-۴) مقادیر فشار ورودی پمپ و فشار بطن چپ را که از اطلاعات به دست آمده از آزمایش ورودی-خروجی متغیر در یک LVAD ساخت شرکت Nimbus را نشان می­دهد. سرعت چرخش پمپ برابر با آنچه در شکل (۳-۲-الف) نشان داده شده، می­باشد.
(الف)
(ب)
شکل۳- ۴- نتایج شبیه­سازی­های آزمایش ورودی-خروجی متغیر برای LVP و PIP
در شکل (۳-۴)، زمانی که مکش رخ می­دهد، هر دو مقدار فشار ورودی پمپ و فشار بطن چپ به ناگهان تغییر می­ کنند. این، بدین معنی است، در صورتی که این متغیرها بدقت اندازه ­گیری شوند، پدیده مکش به راحتی قابل تشخیص خواهد بود. اگرچه امروزه تکنولوژی قرارگیری چنین سنسورهایی در بدن، برای مانیتور کردن در لحظه و به شکل زمان حقیقی در دسترس می­باشد، اما هنوز به شکل گسترده و کاربردی مورد استفاده قرار نگرفته است. بنابراین، به دلیل کمبود اطلاعات موجود، بیشتر روش­های آشکارسازی مکش، مقدماتی و آزمایشی است و این روش ها به کیفیت استخراج اطلاعات مورد نیاز از سیگنالهای در دسترس که می­توانند به شکل پیوسته و برای بازه­های زمانی طولانی اندازه ­گیری شوند، بستگی دارند. به دلیل همین محدودیت­ها، بیشتر محققین از دبی عبوری پمپ، سرعت پمپ، و یا جریان الکتریکی پمپ، برای استخراج این اطلاعات و پیرو آن، اشکارسازی پدیده مکش بهره می­گیرند. در این پروژه، سیگنال دبی عبوری از پمپ، برای رسیدن به این اطلاعات انتخاب شده است.
برای این منظور، استخراج داده ­ها از سیگنال جریان عبوری از پمپ در LVADها توسط دانشمندان برای سال­های متمادی مورد مطالعه قرار گرفته است و اطلاعات مفید متعددی از دبی پمپ استخراج شده و به عنوان شاخص­ های مکش برای دسته بندی حالت­ها و مقادیر مختلف دبی مورد استفاده قرار گرفته است. این اطلاعات، بر اساس دسته­بندی دامنه­های مختلف (دامنه زمانی، دامنه فرکانسی، دامنه زمانی- فرکانسی) پایه­گذاری شده است. یکی از این شاخص ­ها، بر پایه معیار “حداقل- میانگین- حداکثر” [۵و۴] می­باشد، که مرتبط با مقادیر حداقل، متوسط و حداکثر دبی پمپ است. شکل (۳-۵)، دبی پمپ و پوش منحنی­های مقادیر حداقل، حداکثر و میانگین دبی پمپ را در اطلاعات استخراجی از ازمایش ورودی-خروجی متغیر نشان می­دهد.

(الف)

(ب)
شکل۳- ۵- اطلاعات استخراج شده از آزمایش­های ورودی-خروجی متغیر
در طول بازه زمانی رخداد پدیده مکش (۱۲۴< t <150) به وضوح دیده می­ شود که در این بازه، مقدار متوسط دبی پمپ به مقدار بیشینه آن نزدیک است، اما خارج از محدوده مکش، مقدار متوسط دبی پمپ تقریبا نصف مجموع مقادیر کمینه و بیشینه دبی عبوری پمپ خواهد بود. بنابراین، یک اندیس و شاخص زمان-پایه، به شکل زیر را می­توان از آن استخراج نمود.
معادله (۳-۲)
که در این معادله، eدامنه پیک به پیک سیگنال دبی پمپ می­باشد.
عبارت­های موجود در معادله (۳-۲)، می­توانند به عنوان شاخص­ های مکش (SI) مورد استفاده قرار گیرند ]۴[. نتایج این شبیه­سازی­ها، به کمک نرم افزار متلب (MATLAB) نشان داده شده است.
در حقیقت حل این مسئله (Window Size)، برای محاسبه پارامترهای زمانی که برای استخراج اطلاعات از نمونه­های برداشت شده از سیگنال دبی پمپ و سایر سیگنال­های موجود انجام می­ شود، مسئله پیچیده­ای خواهد بود و نیازمند در نظر گرفتن یک سری ملاحظات است. معادلات با ابعاد کوچکتر، برای رسیدن به اطلاعات حالت پمپ دارای سرعت بالاتری خواهند بود و این در حالی می­باشد که ممکن است معادلات کوچکتر نتوانند اطلاعات مفید و مورد نیاز ما را تامین کنند. بر عکس، معادلات با تاخیر زمانی کاربردی بزرگتر و کامل­تر [۱۳] ممکن است زمانی که مدل یا سیستم در حالت زمان حقیقی عمل می­ کنند، امکان پذیر و عملی نباشند.
بیشتر محققین، روش­هایی را برای استخراج اطلاعات با تاخیر زمانی­های مختلف ارائه نموده ­اند. به عنوان نمونه، Vollkron و همکارانش [۴] از این روش با بهره گرفتن از اطلاعات تا ۵ ثانیه قبل، استفاده کردند. Ferreira و همکارانش [۱۳] نیز از یک روش با بازه ۵ ثانیه­ای بهره بردند. Morello [25] نیز روشی با بازه زمانی ۲ ثانیه­ای و Karantonis و همکارانش [۲۶] هم یک روش با بازه زمانی ۶ ثانیه­ای را مورد استفاده قرار دادند. با اینکه بازه­های زمانی برداشتی آنها متفاوت بوده، ولی تمامی نتایج عملی قابل قبول بود. در این پروژه از روشی با بازه زمانی برداشتی ۵ ثانیه­ای برای شبیه­سازی بهره گرفته­ایم.
شکل (۳-۶)، نتایج شبیه­سازی شاخص مکش را برای اطلاعات استخراجی از یک آزمایش نشان می­دهد. تحت شرایط عدم وقوع مکش، مقادیر شاخص مکش به مقدار زیاد تغییر نمی­کند و تنها در یک محدوده و بازه کوچک و مشخص تغییر می­نماید. اما، زمانی که مکش رخ می­دهد، شاخص مکش به مقدار زیاد افزایش می­یابد. بنابراین، این شاخص مکش به درستی می ­تواند رخداد پدیده مکش را در جریان خون عبوری از پمپ در بازه (۱۲۴< t <150) تشخیص دهد.
(الف)
(ب)
شکل۳- ۶- نتایج شبیه­سازی اندیس مکش

شبیه سازی به همراه مدل قلب-LVAD
در این بخش، مدل قلب- LVAD (که پیش­تر در بخش (۲-۴) به آن پرداخته شد)، به جای آزمایش لابراتواری برای بررسی کارایی سیستم آشکارساز مکش در پاسخ به تغییرات پارامترهای فیزیولوژیکی بدن، مورد بررسی قرار خواهد گرفت. شکل (۳-۷)، بلوک دیاگرام این سیستم را نشان می­دهد. در مدت زمانی که این تست انجام می­گیرد، مقدار E_max را به منظور شبیه سازی یک قلب بیمار معادل با mmHg/ml0/1در نظر گرفته و نرخ ضربان در مقدار ثابت bpm75 فرض می­ شود. همچنین R_S از مقدار مرجع فعالیت انسان mmHg.s/ml)0/1 (R_S=، تا پایین­ترین سطح فعالیت انسان mmHg.s/ml)0/1 (R_S= متغیر خواهد بود.

شکل۳- ۷- بلوک دیاگرام سیستم آشکارساز حالت مکش
R_Sیا همان مقاومت سیستمی قلب، نشان دهنده پس بارگذاری در بطن چپ است. این مقدار، به واسطه تغییرات پاتولوژیکی شریان­های کوچک و مویرگ­ها در گردش خون سیستمی یا انقباض و انبساط عروق بدن به وسیله عصب­های مربوطه متغیر می­باشد. در فیزیولوژی مربوط به قلب، مقاومت سیستمی قلب (SVR) با واحد dyn.s/cm⁵ بیان می­ شود و مقدار مرجع آن dyn.s/cm⁵1400-900 می­باشد[۲۷]، اما اگر مقاومت سیستمی قلب را به واحد mmHg.s/ml تبدیل نماییم، مقدار مرجع جدید ۰۲۵/۱-۶۷۵/۰ خواهد بود. در این پروژه هم مقادیر R_S در بازه ۲/۱-۵/۰ برای شبیه سازی در نظر گرفته می­ شود.
شکل­های (۳-۸) و (۳-۹)، نتایج شبیه­سازی شاخص مکش را برای یک قلب بیمار، با مقادیر مختلف R_S نشان می­دهد. با توجه به نتایج این شبیه­سازی، مقدار شاخص مکش تحت شرایط رخداد پدیده مکش به شدت افزایش می­یابد. بنابراین، شاخص مکش می ­تواند به عنوان مرجعی مطمئن در سیستم آشکارساز مکش برای مدل قلب-پمپ مورد استفاده قرار گیرد.
(الف)
(ب)
شکل۳- ۸- مقادیر سرعت چرخش پمپ و شاخص مکش mmHg.s/ml)0/1 (R_S=
(الف)
(ب)
شکل۳- ۹- مقادیر سرعت چرخش پمپ و شاخص مکش mmHg.s/ml)2/1 (R_S=
طراحی کنترلر تلفیقی Fuzzy-MPC برای سیستم قلب-LVAD
در این فصل هدف، طراحی و ارائه یک کنترلر تلفیقی، با بهره گرفتن از روش­های فازی (Fuzzy)، و کنترل پیش­بین (MPC) برای کنترل کردن LVAD مورد نظر می­باشد. این کنترلر می­بایست بتواند سرعت چرخش پمپ و متغیرهای کنترلی سیستم را به منظور تامین خروجی قلب (CO) و فشار پرشدگی (متوسط فشار) شریانی مورد نیاز بیمار، به طور اتوماتیک در محدوده نرمال و قابل قبول، تنظیم نماید.
عملکرد کنترلی حلقه باز، در فصل دوم مورد بررسی قرار گرفت. در عملکرد مذکور تنظیمات تنها می ­تواند توسط کارشناسان آموزش دیده و متخصصین صورت گیرد. این مساله، نقصی جدی برای این نوع عملکرد محسوب می­ شود، چرا که در شرایط عدم حضور این کارشناسان، اگر تغییری در سطح فعالیت بیمار به وجود آید، کنترلر به درستی نمی­تواند سرعت چرخش پمپ را تنظیم کند و بیمار در معرض خطر جدی قرار می­گیرد. بر این اساس، پمپ می­بایست به شکل اتوماتیک تنظیم گردد، بدین معنی که سرعت چرخش پمپ به کمک یک کنترلر قوی و بر اساس تغییرات سطح فعالیت بیمار ( مثلا تغییرات مقدار R_S ) به طور اتوماتیک کنترل شود.
هدف از تالیف این پایان نامه، ارائه یک کنترلر کارآمد برای یک LVAD بوده، به گونه ­ای که سرعت چرخش پمپ را با کمترین تاخیر و بدون رخداد پدیده مکش در محدوده­های تعیین شده برای خروجی عملکردی قلب و متوسط فشار شریانی و با توجه به شرایط فیزیولوژیکی بیمار تامین نماید. تا به حال چندین نوع کنترلر متفاوت، بر پایه اندازه ­گیری دبی پمپ، سرعت پمپ و جریان الکتریکی پمپ و با بهره گرفتن از روش­های عملکردی مختلف ارائه شده است.
در بخش (۴-۱)، در مورد ساختار کنترلرهای پیش­بین توضیحاتی ارائه خواهد شد. در بخش (۴-۲) به طراحی کنترلر تلفیقی پیش­بین- فازی خواهیم پرداخت و که از کنترلر فازی (FC) در خروجی کنترلر پیش­بین بهره خواهیم برد. در بخش (۴-۳) به بررسی نتایج و مقایسه آن با برخی کنترلرهایی که تا کنون برای این منظور طراحی شده ­اند (کنترلر فیدبک) خواهیم پرداخت. همچنین به بررسی قدرت این کنترلر در کاهش اثرات نویز بر روی عملکرد پمپ پرداخته خواهد شد.

ساختار کنترلرهای مدل پیش­بین
کنترل پیش­بین (Model Predictive Control) یا (MPC)، نوعی کنترل پیشرفته فرایند است. کنترل­ کننده‌های پیش­بین، مبتنی بر مدل­های دینامیکی فرایند، عمدتاً مدل­های خطی تجربی است که با شناسایی سیستم به دست آمده‌اند. مهمترین مزیت MPC آن است که، امکان بهینه­سازی تایم اسلات جاری را با در نظر گرفتن تایم اسلات­های آینده می‌دهد. این کار با بهینه سازی یک افق زمانی محدود، اما اجرای آن تنها در تایم اسلات جاری انجام می‌گیرد. MPC، توانایی پیش بینی رخدادهای آینده و اتخاذ اعمال کنترلی متناسب با آن را دارد. کنترل کننده‌های MPC، توانایی پیش بینی را ندارند.
مدل­های به کار رفته در MPC، معمولا مدل­هایی برای نشان دادن رفتار یک سیستم دینامیکی پیچیده هستند. الگوریتم کنترل پیش­بین، پیچیدگی سیستم را افزایش می‌دهد و برای کنترل سیستمهای ساده که اغلب با کنترل کننده‌های PID به خوبی کنترل می‌شوند لازم نیست. از مشخصه‌ های دینامیکی رایجی که کنترل­ کننده‌های PID را دچار مشکل می­ کند، می‌توان از تاخیرهای زمانی طولانی و دینامیک­های مرتبه بالا نام برد.
مدل­های MPC، تغییرات متغیرهای وابسته را که نتیجه تغییرات متغیرهای مستقل هستند را پیش ­بینی می‌کنند. MPC با بهره گرفتن از اندازه ­گیری­های فعلی از سیستم تحت کنترل، حالت دینامیکی فعلی فرایند، مدل­های MPC و اهداف و محدودیت­های متغیر فرایند، تغییرات آتی متغیرهای وابسته را محاسبه می‌کند. این تغییرات، به گونه‌ای محاسبه می‌شوند که متغیرهای وابسته نزدیک به هدف بمانند و محدودیت­ها روی متغیرهای مستقل و وابسته رعایت شود. معمولا MPC، تنها اولین تغییر در هر متغیر مستقل را برای اجرا می‌فرستد و محاسبه را برای تغییر بعدی تکرار می‌کند. این کنترلرها مزایای فراوانی دارند که، در زیر به تعدادی از آنها اشاره می­کنیم.
با وجود آنکه بسیاری از فرایندهای واقعی خطی نیستند، اغلب می­توان آنها را در بازه کوچکی خطی در نظر گرفت. روش های MPC خطی، در بیشتر کاربردها با مکانیسم فیدبک به کار می­روند، که خطاهای پیش بینی ناشی از عدم تطبیق بین مدل و فرایند را جبران می­ کند. در کنترل­ کننده­ های پیش­بین که تنها از مدل­های خطی تشکیل می­شوند، اصل برهم نهی (جمع آثار) جبر خطی، امکان می­دهد اثر تغییرات متغیرهای مستقل چندگانه برای پیش بینی پاسخ متغیر وابسته، با هم جمع شوند. با این کار، مسأله کنترلی، به یک سری محاسبات جبری ماتریسی مستقیم ساده می­ شود که سریع و مقاوم هستند.
الگوریتمMPC یک روش کنترل feed forward جهت جبران سازی اغتشاش­های قابل اندازه ­گیری بکار می­گیرد. این الگوریتم، ذاتاً زمان­های مرده را جبران می­ کند. قوانین کنترل خطی را بسادگی می­توان در کنترل کننده­ های حاصل از این روش بکار برد. این روش قادر است که (constraints) محدودیت­های موجود در پروسه تحت کنترل را بسادگی در نظر بگیرد. هنگامی­که خروجی مرجع در زمان­های آینده شناخته شده است، عملکرد این الگوریتم بسیار مناسب است.
Refrence Trajectory
Predicted Outputs
Past Inputes and Outputs
+