CN117275701B - 基于人工智能的ct设备故障诊断数据分析系统及方法 - Google Patents

基于人工智能的ct设备故障诊断数据分析系统及方法 Download PDF

Info

Publication number
CN117275701B
CN117275701B CN202311549129.3A CN202311549129A CN117275701B CN 117275701 B CN117275701 B CN 117275701B CN 202311549129 A CN202311549129 A CN 202311549129A CN 117275701 B CN117275701 B CN 117275701B
Authority
CN
China
Prior art keywords
ray tube
equipment
real
time
image
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.)
Active
Application number
CN202311549129.3A
Other languages
English (en)
Other versions
CN117275701A (zh
Inventor
韩爱国
陈汉义
郑美村
王友兴
郭万里
张传良
李锦科
李帅
李付勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tuozhuang Medical Technology Co ltd
Original Assignee
Tuozhuang Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tuozhuang Medical Technology Co ltd filed Critical Tuozhuang Medical Technology Co ltd
Priority to CN202311549129.3A priority Critical patent/CN117275701B/zh
Publication of CN117275701A publication Critical patent/CN117275701A/zh
Application granted granted Critical
Publication of CN117275701B publication Critical patent/CN117275701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了基于人工智能的CT设备故障诊断数据分析系统及方法，属于设备故障诊断技术领域。本发明包括S10：在CT设备运行过程中，对X线管的实时温度值进行获取，基于获取的实时温度值对X线管的实时冷却率进行确定，根据确定的实时冷却率对CT设备在每一扫描层面生成的图像的质量系数进行初步预测；S20：判断X线管的靶面是否发生损坏；S30：对CT设备在每一扫描层面生成的图像的质量系数进行确定；S40：对CT设备的故障诊断结果进行预测。本发明在CT设备发生故障时即对CT设备进行停机处理，避免故障位置在持续工作下故障程度增大或对其它良好位置产生影响，进一步减少了对CT设备的维修成本，提高了系统的故障诊断效果。

Description

基于人工智能的CT设备故障诊断数据分析系统及方法
技术领域
本发明涉及设备故障诊断技术领域，具体为基于人工智能的CT设备故障诊断数据分析系统及方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
现有的CT设备故障诊断系统在对CT设备进行故障诊断时，通过CT设备运行过程中内部多个位置处的温度值、CT设备在运行过程中所产生断电噪音分贝值、CT设备的平均振动幅度和平均振动频率，以及CT设备在运行过程中对应检测时点的实时电流和实时电压，对CT设备在运行过程中产生的故障信号进行识别，进而实现对CT设备的故障分析，但在分析过程中需要获取大量的数据进行分析，增加了数据分析效率，以及无法实现对CT设备内部部件故障情况的分析。
发明内容
本发明的目的在于提供基于人工智能的CT设备故障诊断数据分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于人工智能的CT设备故障诊断数据分析方法，所述方法包括：
S10：在CT设备运行过程中，对X线管的实时温度值进行获取，基于获取的实时温度值对X线管的实时冷却率进行确定，根据确定的实时冷却率对CT设备在每一扫描层面生成的图像的质量系数进行初步预测；
S20：根据X线管的实时冷却率，对X线管实时发射的电子量进行确定，基于确定结果，判断X线管的靶面是否发生损坏；
S30：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对CT设备在每一扫描层面生成的图像的质量系数进行确定；
S40：对CT设备的故障诊断结果进行预测。
进一步的，所述S10对CT设备在每一扫描层面生成的图像的质量系数进行初步预测的具体方法为：
根据CT设备相邻扫描层面中心之间的距离d，以及待检测对象的检测长度L，对生成的CT图像进行划分处理，基于CT设备的初始运行时间，对CT图像在每一划分层级的生成时间段进行确定；
对X线管的实时温度值与X线管允许的最高工作温度值之间的差值进行计算，若/>，则X线管的实时冷却率/>，若/>，则X线管的实时冷却率/>，其中，t=1,2,…,n，表示生成时间段内各生成时间点对应的编号，n表示生成时间点总数，i=1,2,…,/>，表示CT图像每一划分层级对应的编号，/>表示CT图像划分层级总数，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的冷却率，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的温度值；
当时，CT设备立即停止工作；
在对应生成时间段内，判断X线管的实时冷却率的变化率是否均为0，若均为0，则表示X线管发射的X射线能量分布未发生变化，此时CT图像在对应划分层级的质量系数为1，若不均为0，则表示X线管发射的X射线能量分布发生变化，此时CT图像在对应划分层级的质量系数，其中，/>表示初步预测的CT图像在编号为i的划分层级对应的质量系数。
进一步的，所述S20判断X线管的靶面是否发生损坏的具体方法为：
根据公式对X线管实时发射的电子量进行确定，其中，a、b、e均为常数，且a＞0，b＞0，e＞1，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管发射的电子量；
判断X线管发射的电子量是否随时间呈现下降趋势，若是，则表示X线管的靶面发生损坏，此时CT设备停止工作，若否，则表示X线管的靶面未发生损坏。
进一步的，所述S30包括：
S301：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对X线管的实时管电流进行预测，具体的预测公式为：，其中，k表示比例系数，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管的实时管电流值；
S302：根据X线管的实时管电流，对X线管的有效焦点的实时面积进行确定，，其中，/>表示X线管管电流的标准值，S表示X线管管电流为/>时，X线管对应的有效焦点的面积值，/>表示X线管的有效焦点的实时面积值，有效焦点指实际焦点（实际焦点指灯丝发射的电子经聚焦后在靶面上的瞬间轰击面积）在垂直于X线管长轴方向的投影；
当时，X线管焦点面会发生熔化，此时CT设备停止工作，当/>时，生成的CT图像不清晰，此时CT设备停止工作，其中，W为常数，且0＜W＜1；
S303：结合S10中初步预测的CT设备在每一扫描层面生成的图像的质量系数，对CT设备在每一扫描层面生成的图像的质量系数进行确定，具体的确定公式为：
当时：
；
当时：
；
当时：
；
其中，表示CT图像在编号为i的划分层级确定的质量系数。
进一步的，所述S40对CT设备的故障诊断结果进行预测的具体方法为：
对CT设备生成的完整图像在每一划分层级的质量系数进行获取，对/>与/>之间的差值进行计算，若差值为0，则表示CT设备未发生故障，若差值不为0，则表示CT设备发生故障；
当差值不为0时，对CT设备的运行参数、运行环境和运行位置进行调整，调整后若差值仍不为0，且CT设备在运行过程中存在的旋转噪音值＞旋转阳极的旋转噪音标准值，则表示CT设备X线管内部旋转阳极发生故障，调整后若差值仍不为0，且CT设备无法曝光，或曝光时出现自动保护性中断时，则表示CT设备逆变电路故障。
基于人工智能的CT设备故障诊断数据分析系统，所述系统包括CT图像质量系数预测模块、CT设备故障位置确定模块、故障诊断数据分析模块和CT设备诊断模块；
所述CT图像质量系数预测模块用于对CT设备在每一扫描层面生成的图像的质量系数进行预测；
所述CT设备故障位置确定模块用于判断X线管的靶面是否发生故障；
所述故障诊断数据分析模块用于对CT设备在每一扫描层面生成的图像的质量系数进行分析确定；
所述CT设备诊断模块用于对CT设备的故障诊断结果进行预测。
进一步的，所述CT图像质量系数预测模块包括CT图像层级划分单元、X线管实时冷却率预测单元和CT图像质量系数预测单元；
所述CT图像层级划分单元根据CT设备相邻扫描层面中心之间的距离，以及待检测对象的检测长度，对生成的CT图像进行划分处理，并将划分处理结果传输至X线管实时冷却率预测单元；
所述X线管实时冷却率预测单元对CT图像层级划分单元传输的划分结果进行接收，基于接收信息，结合X线管的实时温度值与X线管允许的最高工作温度值，对X线管的实时冷却率进行预测，并将预测结果传输至CT图像质量系数预测单元和CT设备故障位置确定模块；
所述CT图像质量系数预测单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对CT图像在对应划分层级的质量系数进行预测，并将预测结果传输至故障诊断数据分析模块。
进一步的，所述CT设备故障位置确定模块包括电子量确定单元和CT设备故障位置确定单元；
所述电子量确定单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对X线管实时发射的电子量进行确定，并将确定结果传输至CT设备故障位置确定单元和故障诊断数据分析模块；
所述CT设备故障位置确定单元对电子量确定单元传输的确定结果进行接收，根据X线管发射的电子量是否随时间呈现下降趋势，判断X线管的靶面是否发生故障，并将判断结果传输至故障诊断分析模块。
进一步的，所述故障诊断数据分析模块包括X线管管电流预测单元、X线管焦点面积确定单元和故障诊断数据分析单元；
所述X线管管电流预测单元对CT设备故障位置确定单元传输的判断结果进行接收，若X线管靶面发生故障，则对X线管进行维修处理，若X线管靶面未发生故障，则对电子量确定单元传输的确定结果进行接收，基于接收信息，对X线管的实时管电流进行预测，并将预测结果传输至X线管焦点面积确定单元；
所述X线管焦点面积确定单元对X线管管电流预测单元传输的预测结果进行接收，基于接收信息，对X线管的有效焦点的实时面积进行确定，并将确定结果传输至故障诊断数据分析单元；
所述故障诊断数据分析单元对X线管焦点面积确定单元传输的确定结果，以及CT图像质量系数预测单元传输的预测结果进行接收，基于接收信息，对CT设备在每一扫描层面生成的图像的质量系数进行确定，并将确定的质量系数传输至CT设备诊断模块。
进一步的，所述CT设备诊断模块包括故障判断单元和故障诊断单元；
所述故障判断单元对故障诊断数据分析单元传输的质量系数进行接收，对接收的质量系数与CT设备生成的完整图像在每一划分层级的质量系数之间的差值进行计算，基于接收结果，判断CT设备是否发生故障，并将判断结果传输至故障诊断单元；
所述故障诊断单元对故障判断单元传输的判断结果进行接收，当CT设备发生故障时，对CT设备的运行参数、运行环境和运行位置进行调整，根据调整后的差值，以及CT设备在运行过程中存在的现象，对CT设备的故障诊断结果进行确定。
与现有技术相比，本发明所达到的有益效果是：
1.本发明通过对CT设备在运行时的实时温度值对X线管的实时冷却率进行预测，基于预测的实时冷却率对生成的CT图像在对应划分层级的质量系数进行初步预测，同时在预测过程中对CT设备的运行状态进行控制，可避免X线管因工作温度过高造成X线管的故障，且通过预测的实时冷却率可对X线管实时发射的电子量进行预测，基于预测结果，实现对X线管靶面的故障情况进行有效识别，有利于在第一时间对X线管靶面的故障状态进行识别，避免CT设备扫描生成的图像与实际图像存在差异，进一步提高了CT设备的诊断精确度，本发明仅通过获取的实时温度值实现对CT设备的故障诊断，减少了数据处理量，进一步提高了数据分析效率。
2.本发明通过X线管实时发射的电子量对X线管的有效焦点的实时面积值和X线管的实时管电流进行确定，根据X线管的实时管电流，判断X线管焦点面是否发生熔化，以及对焦点面的熔化时间点进行确定，以及判断生成的CT图像质量是否满足质量，在CT设备发生故障时即对CT设备进行停机处理，避免故障位置在持续工作下故障程度增大或对其它良好位置产生影响，进一步减少了对CT设备的维修成本，提高了系统的故障诊断效果。
3.本发明通过对CT图像在对应划分层级的质量系数进行两次预测，第一次预测结果消除了温度变化对CT图像的质量产生的影响，第二次预测结果消除了X线管焦点面积变化情况对CT图像的质量产生的影响，且在第二次预测前，对X线管的靶面故障情况进行预测，可避免靶面故障对CT图像质量产生的影响，进一步提高了对CT图像质量系数的预测结果，进而提高了对CT设备故障诊断结果的精确度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于人工智能的CT设备故障诊断数据分析系统及方法的工作流程示意图；
图2是本发明基于人工智能的CT设备故障诊断数据分析系统及方法的工作原理结构示意图。
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做出创造性劳动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。
请参阅图1和图2，本发明提供技术方案：基于人工智能的CT设备故障诊断数据分析方法，方法包括：
S10：在CT设备运行过程中，对X线管的实时温度值进行获取，基于获取的实时温度值对X线管的实时冷却率进行确定，根据确定的实时冷却率对CT设备在每一扫描层面生成的图像的质量系数进行初步预测；
S10对CT设备在每一扫描层面生成的图像的质量系数进行初步预测的具体方法为：
根据CT设备相邻扫描层面中心之间的距离d，以及待检测对象的检测长度L，对生成的CT图像进行划分处理，基于CT设备的初始运行时间，对CT图像在每一划分层级的生成时间段进行确定；
对X线管的实时温度值与X线管允许的最高工作温度值之间的差值进行计算，若/>，则X线管的实时冷却率/>，若/>，则X线管的实时冷却率/>，其中，t=1,2,…,n，表示生成时间段内各生成时间点对应的编号，n表示生成时间点总数，i=1,2,…,/>，表示CT图像每一划分层级对应的编号，/>表示CT图像划分层级总数，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的冷却率，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的温度值；
当时，CT设备立即停止工作，此操作避免了X线管因工作温度过高造成X线管的故障；
在对应生成时间段内，判断X线管的实时冷却率的变化率是否均为0，若均为0，则表示X线管发射的X射线能量分布未发生变化，此时CT图像在对应划分层级的质量系数为1，若不均为0，则表示X线管发射的X射线能量分布发生变化，此时CT图像在对应划分层级的质量系数，其中，/>表示初步预测的CT图像在编号为i的划分层级对应的质量系数。
S20：根据X线管的实时冷却率，对X线管实时发射的电子量进行确定，基于确定结果，判断X线管的靶面是否发生损坏；
S20判断X线管的靶面是否发生损坏的具体方法为：
根据公式对X线管实时发射的电子量进行确定，其中，a、b、e均为常数，且a＞0，b＞0，e＞1，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管发射的电子量；
由于X线管的灯丝温度与X线管发射的电子量呈指数的非线性关系，因此通过X线管的实时冷却率可对X线管实时发射的电子量进行确定，利用X线管的实时冷却率对X线管实时发射的电子量进行确定，有利于在第一时间对X线管靶面的故障状态进行识别，避免CT设备扫描生成的图像与实际图像存在差异，进一步提高了CT设备的诊断精确度；
判断X线管发射的电子量是否随时间呈现下降趋势，若是，则表示X线管的靶面发生损坏，此时CT设备停止工作，若否，则表示X线管的靶面未发生损坏。
S30：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对CT设备在每一扫描层面生成的图像的质量系数进行确定；
S30包括：
S301：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对X线管的实时管电流进行预测，具体的预测公式为：，其中，k表示比例系数，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管的实时管电流值；
S302：根据X线管的实时管电流，对X线管的有效焦点的实时面积进行确定，，其中，/>表示X线管管电流的标准值，S表示X线管管电流为/>时，X线管对应的有效焦点的面积值，/>表示X线管的有效焦点的实时面积值；
当时，X线管焦点面会发生熔化，此时CT设备停止工作，此操作可避免X线管由于焦点过小导致焦点面熔化，当/>时，生成的CT图像不清晰，此时CT设备停止工作，避免对待检测对象的错误分析，其中，W为常数，且0＜W＜1；
S303：结合S10中初步预测的CT设备在每一扫描层面生成的图像的质量系数，对CT设备在每一扫描层面生成的图像的质量系数进行确定，具体的确定公式为：
当时：
；
当时：
；
当时：
；
其中，表示CT图像在编号为i的划分层级确定的质量系数。
S40：对CT设备的故障诊断结果进行预测。
S40对CT设备的故障诊断结果进行预测的具体方法为：
对CT设备生成的完整图像在每一划分层级的质量系数进行获取，对/>与/>之间的差值进行计算，若差值为0，则表示CT设备未发生故障，若差值不为0，则表示CT设备发生故障；
当差值不为0时，对CT设备的运行参数、运行环境和运行位置进行调整，调整后若差值仍不为0，且CT设备在运行过程中存在的旋转噪音值＞旋转阳极的旋转噪音标准值（旋转阳极的旋转噪音标准值指旋转阳极在正常工作环境下产生的旋转噪音值），则表示CT设备X线管内部旋转阳极发生故障，调整后若差值仍不为0，且CT设备无法曝光，或曝光时出现自动保护性中断时，则表示CT设备逆变电路故障。
基于人工智能的CT设备故障诊断数据分析系统，系统包括CT图像质量系数预测模块、CT设备故障位置确定模块、故障诊断数据分析模块和CT设备诊断模块；
CT图像质量系数预测模块用于对CT设备在每一扫描层面生成的图像的质量系数进行预测；
CT图像质量系数预测模块包括CT图像层级划分单元、X线管实时冷却率预测单元和CT图像质量系数预测单元；
CT图像层级划分单元根据CT设备相邻扫描层面中心之间的距离，以及待检测对象的检测长度，对生成的CT图像进行划分处理，并将划分处理结果传输至X线管实时冷却率预测单元；
X线管实时冷却率预测单元对CT图像层级划分单元传输的划分结果进行接收，基于接收信息，结合X线管的实时温度值与X线管允许的最高工作温度值，对X线管的实时冷却率进行预测，并将预测结果传输至CT图像质量系数预测单元和CT设备故障位置确定模块；
CT图像质量系数预测单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对CT图像在对应划分层级的质量系数进行预测，并将预测结果传输至故障诊断数据分析模块。
CT设备故障位置确定模块用于判断X线管的靶面是否发生故障；
CT设备故障位置确定模块包括电子量确定单元和CT设备故障位置确定单元；
电子量确定单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对X线管实时发射的电子量进行确定，并将确定结果传输至CT设备故障位置确定单元和故障诊断数据分析模块；
CT设备故障位置确定单元对电子量确定单元传输的确定结果进行接收，根据X线管发射的电子量是否随时间呈现下降趋势，判断X线管的靶面是否发生故障，并将判断结果传输至故障诊断分析模块。
故障诊断数据分析模块用于对CT设备在每一扫描层面生成的图像的质量系数进行分析确定；
故障诊断数据分析模块包括X线管管电流预测单元、X线管焦点面积确定单元和故障诊断数据分析单元；
X线管管电流预测单元对CT设备故障位置确定单元传输的判断结果进行接收，若X线管靶面发生故障，则对X线管进行维修处理，若X线管靶面未发生故障，则对电子量确定单元传输的确定结果进行接收，基于接收信息，对X线管的实时管电流进行预测，并将预测结果传输至X线管焦点面积确定单元；
X线管焦点面积确定单元对X线管管电流预测单元传输的预测结果进行接收，基于接收信息，对X线管的有效焦点的实时面积进行确定，并将确定结果传输至故障诊断数据分析单元；
故障诊断数据分析单元对X线管焦点面积确定单元传输的确定结果，以及CT图像质量系数预测单元传输的预测结果进行接收，基于接收信息，对CT设备在每一扫描层面生成的图像的质量系数进行确定，并将确定的质量系数传输至CT设备诊断模块。
CT设备诊断模块用于对CT设备的故障诊断结果进行预测。
CT设备诊断模块包括故障判断单元和故障诊断单元；
故障判断单元对故障诊断数据分析单元传输的质量系数进行接收，对接收的质量系数与CT设备生成的完整图像在每一划分层级的质量系数之间的差值进行计算，基于接收结果，判断CT设备是否发生故障，并将判断结果传输至故障诊断单元；
故障诊断单元对故障判断单元传输的判断结果进行接收，当CT设备发生故障时，对CT设备的运行参数、运行环境和运行位置进行调整，根据调整后的差值，以及CT设备在运行过程中存在的现象，对CT设备的故障诊断结果进行确定。
实施例1：设CT设备相邻扫描层面中心之间的距离d=10cm，待检测对象的检测长度L=100cm，则生成的CT图像被划分成个划分层级，设CT设备在每一扫描层面的扫描时间为4s，CT设备的初始运行时间为12：00：00，X线管允许的最高工作温度值/>，X线管在12：00：05的温度值为/>、X线管在12：00：06的温度值为/>、X线管在12：00：07的温度值为/>、X线管在12：00：08的温度值为/>，则：
CT设备在12：00：00-12：00：04时间段内扫描生成的CT图像为编号为1的划分层级，CT设备在12：00：05-12：00：08时间段内扫描生成的CT图像为编号为2的划分层级；
X线管在12：00：05的冷却率为：，因为/>；
X线管在12：00：06的冷却率为：，因为/>；
X线管在12：00：07的冷却率为：，因为/>；
X线管在12：00：08的冷却率为：；
在12：00：05-12：00：08生成时间段内，由于X线管的实时冷却率的变化率不均为0，因此X线管发射吧的X射线能量分布发生变化，此时CT图像在编号为2的划分层级的质量系数为：
。
实施例2：设a=5，b=2，e=2，即，则：
；
；
；
；
由于，因此X线管发射的电子量并非随时间呈现下降趋势，则X线管的靶面未发生故障。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.基于人工智能的CT设备故障诊断数据分析方法，其特征在于：所述方法包括：
S10：在CT设备运行过程中，对X线管的实时温度值进行获取，基于获取的实时温度值对X线管的实时冷却率进行确定，根据确定的实时冷却率对CT设备在每一扫描层面生成的图像的质量系数进行初步预测；
所述S10对CT设备在每一扫描层面生成的图像的质量系数进行初步预测的具体方法为：
根据CT设备相邻扫描层面中心之间的距离d，以及待检测对象的检测长度L，对生成的CT图像进行划分处理，基于CT设备的初始运行时间，对CT图像在每一划分层级的生成时间段进行确定；
对X线管的实时温度值与X线管允许的最高工作温度值之间的差值进行计算，若，则X线管的实时冷却率/>，若/>，则X线管的实时冷却率/>，其中，t=1,2,…,n，表示生成时间段内各生成时间点对应的编号，n表示生成时间点总数，i=1,2,…,/>，表示CT图像每一划分层级对应的编号，/>表示CT图像划分层级总数， />表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的冷却率，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管对应的温度值；
当时，CT设备立即停止工作；
在对应生成时间段内，判断X线管的实时冷却率的变化率是否均为0，若均为0，则表示X线管发射的X射线能量分布未发生变化，此时CT图像在对应划分层级的质量系数为1，若不均为0，则表示X线管发射的X射线能量分布发生变化，此时CT图像在对应划分层级的质量系数，其中，/>表示初步预测的CT图像在编号为i的划分层级对应的质量系数；
S20：根据X线管的实时冷却率，对X线管实时发射的电子量进行确定，基于确定结果，判断X线管的靶面是否发生损坏，具体方法为：
根据公式对X线管实时发射的电子量进行确定，其中，a、b、e均为常数，且a＞0，b＞0，e＞1，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管发射的电子量；
判断X线管发射的电子量是否随时间呈现下降趋势，若是，则表示X线管的靶面发生损坏，此时CT设备停止工作，若否，则表示X线管的靶面未发生损坏；
S30：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对CT设备在每一扫描层面生成的图像的质量系数进行确定；
所述S30包括：
S301：当X线管的靶面未发生损坏时，根据X线管实时发射的电子量，对X线管的实时管电流进行预测，具体的预测公式为：，其中，k表示比例系数，/>表示对于编号为i的划分层级，CT设备在编号为t的生成时间点运行时X线管的实时管电流值；
S302：根据X线管的实时管电流，对X线管的有效焦点的实时面积进行确定，，其中，/>表示X线管管电流的标准值，S表示X线管管电流为/>时，X线管对应的有效焦点的面积值，/>表示X线管的有效焦点的实时面积值；
当时，X线管焦点面会发生熔化，此时CT设备停止工作，当/>时，生成的CT图像不清晰，此时CT设备停止工作，其中，W为常数，且0＜W＜1；
S303：结合S10中初步预测的CT设备在每一扫描层面生成的图像的质量系数，对CT设备在每一扫描层面生成的图像的质量系数进行确定，具体的确定公式为：
当时：
；
当时：
；
当时：
；
其中，表示CT图像在编号为i的划分层级确定的质量系数；
S40：对CT设备的故障诊断结果进行预测，的具体方法为：
对CT设备生成的完整图像在每一划分层级的质量系数进行获取，对/>与/>之间的差值进行计算，若差值为0，则表示CT设备未发生故障，若差值不为0，则表示CT设备发生故障；
当差值不为0时，对CT设备的运行参数、运行环境和运行位置进行调整，调整后若差值仍不为0，且CT设备在运行过程中存在的旋转噪音值＞旋转阳极的旋转噪音标准值，则表示CT设备X线管内部旋转阳极发生故障，调整后若差值仍不为0，且CT设备无法曝光，或曝光时出现自动保护性中断时，则表示CT设备逆变电路故障。
2.一种应用于权利要求1所述的基于人工智能的CT设备故障诊断数据分析方法的基于人工智能的CT设备故障诊断数据分析系统，其特征在于：所述系统包括CT图像质量系数预测模块、CT设备故障位置确定模块、故障诊断数据分析模块和CT设备诊断模块；
所述CT图像质量系数预测模块用于对CT设备在每一扫描层面生成的图像的质量系数进行预测；
所述CT图像质量系数预测模块包括CT图像层级划分单元、X线管实时冷却率预测单元和CT图像质量系数预测单元；
所述CT图像层级划分单元根据CT设备相邻扫描层面中心之间的距离，以及待检测对象的检测长度，对生成的CT图像进行划分处理，并将划分处理结果传输至X线管实时冷却率预测单元；
所述X线管实时冷却率预测单元对CT图像层级划分单元传输的划分结果进行接收，基于接收信息，结合X线管的实时温度值与X线管允许的最高工作温度值，对X线管的实时冷却率进行预测，并将预测结果传输至CT图像质量系数预测单元和CT设备故障位置确定模块；
所述CT图像质量系数预测单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对CT图像在对应划分层级的质量系数进行预测，并将预测结果传输至故障诊断数据分析模块；
所述CT设备故障位置确定模块用于判断X线管的靶面是否发生故障；
所述CT设备故障位置确定模块包括电子量确定单元和CT设备故障位置确定单元；
所述电子量确定单元对X线管实时冷却率预测单元传输的预测结果进行接收，基于接收信息，对X线管实时发射的电子量进行确定，并将确定结果传输至CT设备故障位置确定单元和故障诊断数据分析模块；
所述CT设备故障位置确定单元对电子量确定单元传输的确定结果进行接收，根据X线管发射的电子量是否随时间呈现下降趋势，判断X线管的靶面是否发生故障，并将判断结果传输至故障诊断分析模块；
所述故障诊断数据分析模块用于对CT设备在每一扫描层面生成的图像的质量系数进行分析确定；
所述故障诊断数据分析模块包括X线管管电流预测单元、X线管焦点面积确定单元和故障诊断数据分析单元；
所述X线管管电流预测单元对CT设备故障位置确定单元传输的判断结果进行接收，若X线管靶面发生故障，则对X线管进行维修处理，若X线管靶面未发生故障，则对电子量确定单元传输的确定结果进行接收，基于接收信息，对X线管的实时管电流进行预测，并将预测结果传输至X线管焦点面积确定单元；
所述X线管焦点面积确定单元对X线管管电流预测单元传输的预测结果进行接收，基于接收信息，对X线管的有效焦点的实时面积进行确定，并将确定结果传输至故障诊断数据分析单元；
所述故障诊断数据分析单元对X线管焦点面积确定单元传输的确定结果，以及CT图像质量系数预测单元传输的预测结果进行接收，基于接收信息，对CT设备在每一扫描层面生成的图像的质量系数进行确定，并将确定的质量系数传输至CT设备诊断模块；
所述CT设备诊断模块用于对CT设备的故障诊断结果进行预测；
所述CT设备诊断模块包括故障判断单元和故障诊断单元；
所述故障判断单元对故障诊断数据分析单元传输的质量系数进行接收，对接收的质量系数与CT设备生成的完整图像在每一划分层级的质量系数之间的差值进行计算，基于接收结果，判断CT设备是否发生故障，并将判断结果传输至故障诊断单元；
所述故障诊断单元对故障判断单元传输的判断结果进行接收，当CT设备发生故障时，对CT设备的运行参数、运行环境和运行位置进行调整，根据调整后的差值，以及CT设备在运行过程中存在的现象，对CT设备的故障诊断结果进行确定。
CN202311549129.3A 2023-11-21 2023-11-21 基于人工智能的ct设备故障诊断数据分析系统及方法 Active CN117275701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311549129.3A CN117275701B (zh) 2023-11-21 2023-11-21 基于人工智能的ct设备故障诊断数据分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311549129.3A CN117275701B (zh) 2023-11-21 2023-11-21 基于人工智能的ct设备故障诊断数据分析系统及方法

Publications (2)

Publication Number Publication Date
CN117275701A CN117275701A (zh) 2023-12-22
CN117275701B true CN117275701B (zh) 2024-02-02

Family

ID=89218042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311549129.3A Active CN117275701B (zh) 2023-11-21 2023-11-21 基于人工智能的ct设备故障诊断数据分析系统及方法

Country Status (1)

Country Link
CN (1) CN117275701B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710759B (zh) * 2024-02-06 2024-04-26 青岛哈尔滨工程大学创新发展中心 一种载人潜器故障和寿命预测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1031787A (zh) * 1987-09-01 1989-03-15 武汉工学院 X线机摄影自控与防护方法及装置
JP2007066579A (ja) * 2005-08-29 2007-03-15 Toshiba Corp Ｘ線管装置の電圧印加方法およびｘ線管装置
KR20070065755A (ko) * 2005-12-20 2007-06-25 여천엔씨씨 주식회사 기계 설비 진동 관리 시스템 및 방법
JP2012235904A (ja) * 2011-05-12 2012-12-06 Hitachi Medical Corp Ｘ線発生装置、及びこれを用いたｘ線撮影装置、ｘ線ｃｔ撮影装置
CN112927791A (zh) * 2019-12-06 2021-06-08 佳能医疗系统株式会社 设备管理装置、设备管理系统以及设备管理方法
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6904127B2 (en) * 2001-11-21 2005-06-07 General Electric Company System and method of medical imaging having default noise index override capability
JP2005122707A (ja) * 2003-09-24 2005-05-12 Toshiba Corp 保守管理方法及び保守管理システム
CN111751763B (zh) * 2020-06-08 2021-08-10 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1031787A (zh) * 1987-09-01 1989-03-15 武汉工学院 X线机摄影自控与防护方法及装置
JP2007066579A (ja) * 2005-08-29 2007-03-15 Toshiba Corp Ｘ線管装置の電圧印加方法およびｘ線管装置
KR20070065755A (ko) * 2005-12-20 2007-06-25 여천엔씨씨 주식회사 기계 설비 진동 관리 시스템 및 방법
JP2012235904A (ja) * 2011-05-12 2012-12-06 Hitachi Medical Corp Ｘ線発生装置、及びこれを用いたｘ線撮影装置、ｘ線ｃｔ撮影装置
CN112927791A (zh) * 2019-12-06 2021-06-08 佳能医疗系统株式会社 设备管理装置、设备管理系统以及设备管理方法
WO2021218003A1 (zh) * 2020-04-27 2021-11-04 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一起大型发电机中性点电流互感器故障诊断与分析;王明朗;;水力发电(第04期);全文 *
王明朗 ; .一起大型发电机中性点电流互感器故障诊断与分析.水力发电.2017,(第04期),全文. *

Also Published As

Publication number Publication date
CN117275701A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN117275701B (zh) 基于人工智能的ct设备故障诊断数据分析系统及方法
JP4907757B2 (ja) 被曝量管理／制御システム
CN102415220B (zh) 用于对x射线生成设备的焦斑进行负荷相关尺寸调整的方法和设备
JP5203946B2 (ja) 自動露光制御のための方法および装置
JP2014503941A (ja) Ｘ線光源のｘ線放出収率における変化の判断
WO2016104557A1 (ja) Ｘ線画像診断装置及び監視サーバ、異常検知方法
JP2013165957A (ja) 医用画像診断装置及び制御プログラム
JP6731046B2 (ja) 空間依存ｘ線束劣化及び光子スペクトル変化を決定するデバイス
CN116211337A (zh) X射线成像系统监测方法、故障诊断方法、装置和系统
US6488409B1 (en) X-ray detector image quality test techniques
JP2018531087A6 (ja) 空間依存ｘ線束劣化及び光子スペクトル変化を決定するデバイス
US9773318B2 (en) Systems and methods for detecting camera defect caused by exposure to radiation
US5668850A (en) Systems and methods of determining x-ray tube life
JP2001276032A (ja) 撮影装置、撮影システム、撮影制御方法、記憶媒体
EP0353299B1 (en) Convolution processing method for x-ray tomographic equipment
US5923724A (en) Medical x-ray diagnostic installation and method for operating same
US11413000B2 (en) X-ray CT apparatus and storage medium
JP3239186B2 (ja) 放射線画像の照射野領域抽出装置
JP5280172B2 (ja) Ｘ線ｃｔ装置
US20050031088A1 (en) Radiographic apparatus and radiation detection signal processing method
JP2017131273A (ja) Ｘ線ｃｔ装置、シフト位置補正方法及びシフト位置補正プログラム
CN111839562B (zh) 射线数据的处理方法、装置、存储介质和电子设备
JP2004514480A (ja) 管スピット補正の方法及び装置
EP4035601A1 (en) Methods and systems for monitoring events related to x-ray tubes
US20240130701A1 (en) Pcct apparatus and control method of the same

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
GR01 Patent grant
GR01 Patent grant