[发明专利]针对大型医学成像系统的预测性维护

说明书

一种预测性维护警报设备(40)包括服务器计算机(42)，所述服务器计算机与计算机网络(46)可操作连接以从医学成像设备(10)接收带时间戳的机器日志数据(30)和带时间戳的服务日志数据(32)，并且向服务中心(12)发送维护警报(44)。所述预测性维护警报方法包括：根据接收到的日志数据来导出特征；以及将部件组的模型(64)的集合应用于所导出的特征，以生成维护警报。每个模型可以包括异构模型，所述异构模型包括表示所述部件组的机器学习分析模型(70)，所述机器学习分析模型具有嵌入了部件组中的部件的统计剩余使用寿命模型(72)。每个部件可以属于单个部件组。一些导出的特征可能是构建的故障模式特征或构建的故障解决方案特征。

技术领域

以下总体涉及医学成像系统(包括图像引导治疗，iGT)维护领域、医学成像系统故障预测领域以及相关领域。

背景技术

医学成像设备包括非常复杂的系统，例如磁共振成像(MRI)设备，超声成像设备，数字射线照相(DR)设备，透射计算机断层摄影(CT)成像设备，发射成像系统(例如正电子发射断层扫描(PET)成像设备)以及用于单光子发射计算机断层摄影(SPECT)成像的伽马相机，在单个设备中提供多个模态的混合系统(例如PET/CT或SPECT/CT成像设备)，以及被设计用于引导活检或其他介入性医学流程序的成像设备，通常称为图像引导的治疗(iGT)设备。这些仅排他地是说明性的示例。

从维护的角度来看，现代医学成像设备提出了不同寻常的挑战。这些成像设备可能非常复杂，例如，在某些医学成像系统中，可能需要维护大约19000个服务部件。这些设备还用于越来越多种类型的医学成像和流程：例如，尽管传统上将iGT机器用于有限的流程(例如为开放式心脏手术做准备的诊断处置)，但现在iGT机器用于更广泛的微创处置(例如心脏瓣膜置换)。机器的复杂性也可以从数据产生方面理解：例如，医学成像设备安装基地可能会产生10TB/年的日志数据，即2-4GB每天(主要是压缩文本文件的形式)。

诊断医学成像设备的问题的另一个困难是某些数据资源可能存在数据质量问题。例如，服务调用数据内容的不确定性或质量可能与人为决定因素相关(在此情况下，决策是基于不可能总是量化的因素(例如，客户关系)而在现场进行的)。此外，当使用过去的服务历史来预测未来的问题解决方案时，某些机器问题可能会以多种方式解决(校准与部件更换)，从而导致模糊性。

以下公开了新的和改进的系统和方法。

发明内容

在一个公开的方面中，一种非瞬态存储介质存储可由电子处理器读取和运行以执行预测性维护警报方法的指令，所述方法包括：经由电子网络接收医学成像设备的带时间戳的机器日志数据和带时间戳的服务日志数据；根据接收到的带时间戳的机器日志数据和带时间戳的服务日志数据来导出特征；将部件组的模型的集合应用于所导出的特征以生成维护警报，其中，所述医学成像设备的每个部件排他地是单个部件组的成员；并且经由所述电子网络将生成的维护警报发送到服务中心。

在另一个公开方面中，一种预测性维护警报设备包括服务器计算机，所述服务器计算机与计算机网络操作性地连接以经由所述电子网络从医学成像设备接收带时间戳的机器日志数据和带时间戳的服务日志数据，并且经由所述电子网络将维护警报传输到服务中心。一种非瞬态存储介质存储可由服务器计算机读取和运行以执行预测性维护警报方法的指令，所述方法包括根据接收到的带时间戳的机器日志数据和带时间戳的服务日志数据来导出特征，并将部件组的模型的集合应用于所导出的特征以生成维护警报。部件组的模型的集合中的每个模型都包括异构模型，所述异构模型包括表示所述部件组的机器学习分析模型，所述机器学习分析模型具有嵌入了部件组中的部件的统计剩余使用寿命模型。