JP2002500544A - 波形データを用いて機械の診断及び有効性確認を行うためのシステム並びに方法 - Google Patents

Abstract

(57)【要約】 本発明は、機械から生成された波形データを用いてその機械を診断し且つ有効性確認するためのシステム及び方法を開示するものである。本発明に従えば、既知の障害を有する機械から、それらの機械を修理するための対応した動作と共に履歴波形データが取得され、そしてそれらを用いて障害分類規則が作成される。かかる障害分類規則は診断用知識データ・ベース中に記憶される。このような分類規則のデータ・ベースを用いて、未知の障害を有する機械からの新しい波形データが診断される。

Description

【発明の詳細な説明】 波形データを用いて機械の診断及び有効性確認を行うための システム並びに方法 発明の分野 本発明は一般的には障害診断に関するものであって、更に詳しく言えば、機械 から生成された波形データを用いて診断を行う技術に関する。 発明の背景 工業的又は商業的な環境においては、イメージング装置のごとき機械の機能不 全が著しく業務を損なうことがある。従って、機能不全状態のイメージング装置 は迅速かつ正確に修理することが不可欠である。一般に、計算機式断層撮影（Ｃ Ｔ）装置又は磁気共鳴イメージング撮影（ＭＲＩ）装置のごときイメージング装 置の機能不全に際しては、フィールド・エンジニアが呼ばれて機械の診断及び修 理を行う。通例、フィールド・エンジニアはシステム性能試験を実行して画質又 はイメージング装置の状態を検査する。システム性能試験によれば、イメージン グ装置の動作の「シグネーチャ(signature)」を構成する波形データを生成する 。かかる波形データは、様々な読出し値及びスライス組合せのデータ・セットか ら成っている。システム性能試験を実行した後、機能不全の診断を手伝ってもら うため、フィールド・エンジニアは遠隔位置にいるサービス・エンジニアにデー タ・セットを送信する。サービス・エンジニアはデータ・セットを分析し、次い でイメージング装置の機能不全の解決に関する蓄積された経験を用いて障害を指 し示す可能性のある症状を発見する。その後、フィールド・エンジニアはサービ ス・エンジニアから与えられた診断結果に基づいて装置の機能不全の原因となっ た可能性のある問題を解決しようと努める。データ・セットが少量の情報しか含 んでいなければ、この操作はかなりうまく行く。しかるに、大形の複雑な装置の 場合に通例見られるごとく、データ・セットが多量の不正確な情報を含んでいる と、フィールド・エンジニア及びサービス・エンジニアが結果を迅速に診断する ことは極めて困難となる。それ故、多量の不正確な情報を含む波形データ・セッ トを用いて機能不全状態のイメージング装置を迅速に診断することを可能にする シス テム及び方法が要望されている。 発明の概要 本発明の実施の一態様に従えば、機械から生成された波形データを用いてその 機械を診断するためのシステム及び方法が提供される。この実施の態様に従えば 、機械における障害を診断するための複数の規則及びかかる障害を修理するため の複数の修正動作を含む診断用知識ベースが用意される。診断用パーサ(parser) が、波形データから不要データを除去する。診断用障害検出器が、波形データを 正常データと障害データとに類別する。診断用特徴抽出器が、障害データとして 類別された波形データから複数の特徴を抽出する。診断用特徴抽出器及び診断用 知識ベースに結合された診断用障害分離器が、抽出された特徴に関する候補障害 セットを分離し且つその候補障害セットに対して最も責任があると考えられる根 本原因を識別する。 本発明の別の実施の態様に従えば、機械から生成された波形データの有効性確 認を行うためのシステム及び方法が提供される。機械から生成された波形データ は、実行時データであっても待機動作時データであってもよい。この実施の態様 に従えば、上記の機械における障害を診断するための複数の規則を含む診断用知 識ベースが用意される。診断用パーサが、波形データから不要データを除去する 。診断用知識ベース及び診断用パーサに結合された診断用障害検出器が、波形デ ータを正常データと障害データに類別する。診断用特徴抽出器が、正常データと して類別された波形データから複数の特徴を抽出する。 図面の簡単な説明 図１は、イメージング装置を診断するための本発明システムのブロック図であ る。 図２は、本発明に係わる波形データ・ファイルに関するデータ構造の実例を示 す図表である。 図３は、図２に示されたデータ構造によって表わされるデータ・セットに関す る時系列プロットの実例を示す図表である。 図４は、図１に示されたトレーニング用パーサによって実行される工程を示す フローチャートである。 図５は、図１に示されたトレーニング用フィルタ及びトレーニング用特徴抽出 器によって実行される工程を示すフローチャートである。 図６は、図１に示されたトレーニング用障害分類器を一層詳しく示すブロック 図である。 図７は、トレーニング用障害分類器によって実行される処理工程を示すフロー チャートである。 図８は、図１に示された診断ユニットによって実行される障害分離処理工程を 示すフローチャートである。 発明の詳しい説明 以下、本発明の診断システムはＣＴ又はＭＲＩ装置のごとき医学用イメージン グ装置に関連して記載される。本発明が医学用イメージング装置に関連して説明 されるとは言え、かかるシステムは波形出力を生成する任意の装置（化学的装置 、機械的装置、電子装置、マイクロプロセッサ制御装置）に関連して使用するこ とができる。図１は、イメージング装置を診断するための本発明システム１０の ブロック図である。かかる診断システム１０は、イメージング装置における障害 を診断するために役立つ複数の規則を含む診断用知識ベース１２、トレーニング ・ユニット１４、及び診断ユニット１６を含んでいる。トレーニング・ユニット １４は、複数のイメージング装置２０から採取された複数組の波形データ・ファ イル１８を取得する。トレーニング・ユニット１４は、各々の波形データ・セッ トから不要データを除去するためのトレーニング用パーサ２２、各々の波形デー タ・セットを正常データと障害データとに類別するためのトレーニング用フィル タ２４、障害データとして類別された波形データ・セットの各々から複数の特徴 を抽出するためのトレーニング用特徴抽出器２６、及び抽出された特徴を特定の 障害特性評価に分類する複数の工程を作成し且つそれらの工程を診断用知識ベー ス１２に供給するためのトレーニング用特徴分類器２８を含んでいる。 診断ユニット１６は、イメージング装置３２から新しい波形データ・ファイル ３０を取得する。診断ユニット１６は、新しい波形データから不要データを除去 するための診断用パーサ３４、新しい波形データを正常データと障害データとに 類別するための診断用障害検出器３６、障害データとして類別された新しい波形 データから複数の特徴を抽出するための診断用特徴抽出器３８、及び診断用知識 ベース１２に結合されて、抽出された特徴に対する候補障害セットを分離し且つ その候補障害セットに最も責任があると考えられる根本原因を識別するための診 断用障害分離器４０を含んでいる。トレーニング・ユニット１４及び診断ユニッ ト１６はいずれも、ワークステーションのようなコンピュータの中に埋め込まれ ている。とは言え、メインフレーム、ミニコンピュータ、マイクロコンピュータ 及びスーパーコンピュータのごときその他の種類のコンピュータを使用すること もできる。トレーニング・ユニット１４及び診断ユニット１６の両方において実 行されるアルゴリズムは、Ｃ＋＋、ＪＡＶＡ及びＭＡＴＬＡＢでプログラムされ ているが、その他の言語を使用することもできる。 診断ユニット１６から生成された候補障害セットは知識増進担当者４１に提示 されるが、本発明の場合には知識増進担当者４１はサービス・エンジニアである 。サービス・エンジニアは候補障害セットを検査し、そしてＭＲＩ装置３２に関 する障害が正しく識別されているかどうかを判定する。障害が正しく識別されて いなければ、サービス・エンジニアは正しい障害タイプを識別し、そして将来の 同様な障害を識別するために使用し得るように新しい波形データ及び障害タイプ 情報をトレーニング・ユニット１４に入力する。詳しく述べれば、かかる新しい 波形データ及び障害タイプ情報はパーシング(parsing)のためのトレーニング用 パーサ２２、トレーニング用フィルタ２４、トレーニング用特徴抽出器２６、及 びトレーニング用特徴分類器２８に入力される。 複数のＭＲＩ装置２０から生成された複数組の波形データ・ファイル１８は、 イメージング用のファントムから得られる。各々の波形データ・ファイル１８は 、それに関連した既知の障害を有している。既知の障害の実例としては、それら のみに限定されるわけではないが、十分に補償されない長い時定数の渦電流、環 境磁場の撹乱、本体の前置増幅器によって引起こされる振幅及び定位相スパイク 、欠陥のあるＩＰＧによって引起こされるスパイク、磁石の上方又は下方の床に 置かれた回転機械によって引起こされる大きな振動、欠陥のあるＹ軸ＧＲＡＭに よって引起こされる障害、並びに本体コイル上のダイナミック・ディセーブル・ ボックスのＲＦコネクタのゆるみによって引起こされる障害が挙げられる。 ファントムの２つの領域が走査されるが、それらは頭部及び体部である。頭部 及び体部の両方に関し、高速スピン・エコー（ＦＳＥ）試験及び高速勾配（ＦＧ ＲＥ）試験が実施される。大きいＲＦデューティサイクルを有するＦＳＥ試験は ＲＦ関係の問題に対してより鋭敏である一方、主として勾配ドライバに応力を加 えるＦＧＲＥ試験は勾配関係の問題に対してより鋭敏である。これらの試験を多 数の位置で実施することによって完全なデータ・セットが生成される。完全なデ ータ・セットは９０のデータ・セットから成っている。ＦＧＲＥデータは２５６ のデータ点を含む一方、ＦＳＥデータは５１２のデータ点を含んでいる。本発明 に係わる波形データ・ファイル１８についてのデータ構造４２の実例を図２に示 す。データ構造４２は、２つのカテゴリー（頭部及び体部）に分けられている。 上述の通り、頭部及び体部の両方に関し、ＦＳＥ試験及びＦＧＲＥ試験が様々な 位置で実施される。たとえば、図２に示されるごとく、体部のＦＳＥデータ・セ ットはＸＹ（Ｘ軸スライス、Ｙ軸読出し）の条件下でＬ７８（左方７８）、ｉｓ ｏ（アイソセンタ）及びＲ７８（右方７８）の位置において採取される。図２中 に示されたその他の頭文字としては、Ｐ（後方）、Ａ（前方）、Ｉ（下方）及び Ｓ（上方）が挙げられる。頭部のＦＳＥ及びＦＧＲＥ並びに体部のＦＳＥ及びＦ ＧＲＥに関する様々な位置で収集されたデータは、３つの変数ｘ₁(ｔ_j)、ｘ₂(ｔ_j )及びｘ₃(ｔ_j)を表わしている。ｘ₁(ｔ_j)変数はエコーシフトを表わすものであ り、ｘ₂(ｔ_j)変数は定位相ドリフトを表わすものであり、且つｘ₃(ｔ_j)変数は振 幅ドリフトを表わすものである。なお、ｔ_jはｊ番目の時刻を表わす。時間の経 過に伴ってこれら３つの変数ｘ₁(ｔ_j)、ｘ₂(ｔ_j)及びｘ₃(ｔ_j)の標本抽出を行う ことにより、ｎ個の点から成る３つの時系列プロットが生み出される。頭部のＦ ＳＥ、頭部のＦＧＲＥ、体部のＦＳＥ、及び体部のＦＧＲＥに関する時系列プロ ット４４の実例を図３に示す。 各々の波形データ・ファイル１８はトレーニング・ユニット１４に入力される 。先ず、トレーニング用パーサ２２が各々のファイルからデータを抽出する。図 ４は、トレーニング用パーサ２２によって実行される工程を示すフローチャート である。最初に、トレーニング用パーサは工程４６において各々の履歴事例に関 してそれぞれ１つの波形データ・ファイルを取得する。工程４８において、見出 し 情報（すなわち、システム・ハードウェア、ソフトウェア・バージョン、ＭＲＩ の設置場所、ＭＲＩのタイプ、製造日、日付印など）が検索され、そして情報フ ァイル中に保存される。ファイル中の各々のデータ・ブロックに関し、工程５０ で波形データが抽出されて、そして工程５２でパーシング済みファイル中に保存 される。全ての波形データ・ファイルについてパーシングが行われれば、この操 作は終了する。 各々の波形データ・ファイル１８についてデータ及び情報のパーシングを行っ た後、ファイルは予備処理を行うためのトレーニング用フィルタ２４及び別の処 理を行うためのトレーニング用特徴抽出器２６に送られる。図５は、トレーニン グ用フィルタ２４及びトレーニング用特徴抽出器２６によって実行される工程を 示すフローチャートである。本発明においては、トレーニング用フィルタはグロ ス(gross)フィルタ及びファイン(fine)フィルタから成る。工程５６において、 トレーニング用フィルタはトレーニング用パーサから波形データ・ファイルを取 得する。各々のファイルに関し、トレーニング用フィルタは工程５８において時 間領域解析、周波数領域解析及びウェーブレット(wavelet)解析を実行する。時 間領域解析においては、時系列データを用いてグラフ中のピーク・ピーク値、グ ラフ中の曲線の下の面積（積分）、及び曲線の勾配（導関数）が計算される。周 波数領域解析においては、高速フーリエ変換（ＦＦＴ）を用いてデータの時系列 プロットが相対振幅を分析するための様々な周波数成分に分解される。ウェーブ レット解析は、ＦＦＴに対応する離散ウェーブレット変換（ＤＷＴ）を用いて達 成される。ＦＦＴと同じく、ＤＷＴは標本の数が２の累乗であることを要求する 。ＤＷＴは相異なる時間スケール又は解像度で信号を分析する。大きい窓を用い れば「大まかな」特徴を認識することができる一方、小さい窓を用いればスパイ クのごとき「小さな」特徴を認識することができる。ＤＷＴにおいては、信号は マザー・ウェーブレット（元の基底関数）のスケールド・バージョンに乗ずる係 数Ｗ_iの有限和によって近似される。 時間領域解析、周波数領域解析及びウェーブレット解析の結果を使用すること により、工程６０において特徴が抽出される。所望ならば、サービス・エンジニ アが頭部ＦＳＥ、頭部ＦＧＲＥ、体部ＦＳＥ及び体部ＦＧＲＥに関する時系列プ ロットの全てを可視化できるようにするため、時間領域解析、周波数領域解析及 びウェーブレット解析を実行した後に残存するデータに対してデータ可視化ルー チンを適用することもできる。時間領域解析結果から抽出される特徴は、次の通 りである。 下記の式によって定義される時系列の最小値： 下記の式によって定義される時系列の最大値： 下記の式によって定義される時系列のピーク・ピーク間距離： ν_3,i＝ν_2,i−ν_1,i （３） 下記の式によって定義される時系列の平均値： 下記の式によって定義される時系列の標準偏差： 下記の式によって定義される、最初の６４個の標本（サンプル）中における 時系列の最小絶対値：下記の式によって定義される、最初の６４個の標本に関する最小値の時刻： ν_7,i＝ｊ_min （７） ただし、ｘ_i（ｔ_jmin）＝ν_6,i 下記の式によって定義される、最初の６４個の標本に関する最小値の符号： ν_8,i＝sign｛ｘ_i（ｔ_jmin）｝ （８） ただし、ｘ_i（ｔ_jmin）＝ν_6,i 下記の式によって定義される、最初の６４個の標本中における時系列の最大絶対 値： 下記の式によって定義される、最初の６４個の標本に関する最大値の時刻： ν_10,i＝ｊ_max （１０） ただし、ｘ_i（ｔ_jmax）＝ν_9,i 下記の式によって定義される、最初の６４個の標本に関する最大値の符号： ν_11,i＝sign｛ｘ_i（ｔ_jmax）｝ （１１） ただし、ｘ_i（ｔ_jmax）＝ν_9,i 下記の式によって定義される、最初の６４個の標本中において時系列導関数を近 似する線分の勾配： 周波数領域解析結果から抽出される特徴は、次の通りである。 下記の式によって定義されるパワー・スペクトルの最大振幅： ただし、Ａ_jはｘ_i(ｔ_j)のＦＦＴのｊ番目の振幅である。 下記の式によって定義される、最大振幅が生じる周波数： ただし、Ｆ_jはｘ_i(ｔ_j)のＦＦＴのｊ番目の周波数成分である。 下記の式によって定義される全パワー： ただし、Ｃ_jはｘ_i(ｔ_j)のＦＦＴのｊ番目の係数である。 ウェーブレット解析結果から抽出される特徴は、ウェーブレット変換Ｗ_iの係 数の全てを計算した後に求められる。第１のウェーブレット特徴は、全てのスパ イク中における最大絶対値である。この特徴は、最後の２個のウェーブレット係 数（Ｗ_n,i、Ｗ_n-1,i）の散布プロット中の点に対して適用される。これらの係数 はスパイクの良好な指標であるから、スパイク中に含まれるエネルギはマザーウ ェーブレット又はＦＦＴによって使用される全長時間窓上で認識し得るとは考え られない。とは言え、スパイク中に含まれるエネルギーがかなり大きくて、極め て短縮された時間窓中でそれを信号の残部と比較すれば容易に検出し得ることも ある。全てのスパイク中における最大絶対値を求めるためには、先ず最初に集合 データの重心座標を計算しなければならない。集合データの重心座標は下記の式 によって定義される。 次に、散布プロット中における全てのアウトライア（outlier；すなわち、集合 データの重心からかなり遠く離れている点）が識別される。アウトライアは下記 の式によって定義される。 ｄ_1,i＝［（Ｗ_k,i−Ｃ_k）²＋（Ｗ_k-1,i−Ｃ_k-1）²］^1/2 次に、アウトライアに関する閾値として標準偏差の３倍が使用される。あるいは また、ゼロ付近の弱い信号から一部のノイズを除去するためにフィルタリングを 使用することもできる。最後に、重心から最も遠く離れたアウトライア、すなわ ち下記の式によって定義される最も強いスパイクと考えられるアウトライアが求 められる。 次に求められるウェーブレット特徴は、下記の式によって定義される最も強いス パイクの符号である。 ν_17,i＝sign｛Ｗ_k,jmas｝ （１７） ただし、 ［（Ｗ_k,jmax−Ｃ_k）²＋（Ｗ_k-1,jmax−Ｃ_k-1）²］^1/2＝ν_16,i 求められるもう１つのウェーブレット特徴は、下記の式によって定義されるよう な、最も強いスパイクが生じる時刻である。 ν_18,i＝ｊ_max （１８） ただし、 ［（Ｗ_k,jmax−Ｃ_k）²＋（Ｗ_k-1,jmax−Ｃ_k-1）²］^1/2＝ν_16,i 求められる更にもう１つのウェーブレット特徴は、下記の式によって定義される スパイクの数である。 ただし、ｄ_i,jは標準偏差の３倍より大きい。 再び図５について説明すれば、特徴が抽出された後、工程６２において時間領 域特徴、周波数領域特徴及びウェーブレット特徴に関するべクトルがファイルと して作成される。次に、工程６４においてそれらのベクトルを組合わせることに よって特徴ベクトルが生成される。かかる特徴ベクトルは、特徴空間内において 、変数ｘ₁(ｔ_j)、ｘ₂(ｔ_j)及びｘ₃(ｔ_j)の各々の時系列値を表わしている。全て の特徴が抽出された後、特徴ベクトルは工程６６において特徴行列中に導入され る。工程６８において更にファイルが存在することが判定されたならば、全ての ファイルについて特徴が抽出されるまで工程５６〜６６が繰返される。 全ての波形データ・ファイルから特徴が抽出された後、それらの特徴はトレー ニング用障害分類器２８に送られ、そこにおいて複数の規則が作成される。かか る規則を使用することにより、特徴行列が特定の障害特性評価に分類される。図 ６は、トレーニング用障害分類器２８を一層詳しく示すブロック図である。かか るトレーニング用障害分類器は、規則ベース７２と、その規則ベースから最も適 切な工程を選択するための規則選択器７４とを含むエキスパート・システム７０ から成っている。規則ベース７２は、ＦＳＥ規則セット７６及びＦＧＲＥ規則セ ット７８とから成っている。これらのＦＳＥ及びＦＧＲＥ規則セットは、下記の 障害例に関して定義されたＩＦ−ＴＨＥＮルールに基づいている。 ｆ₁：十分に補償されない長い時定数の渦電流 ｆ₂：環境磁場の撹乱 ｆ₃：振幅及び定位相スパイク ｆ₄：欠陥のあるＩＰＧによって引起こされたスパイク ｆ₅：床上の回転機械によって引起こされた大きい振動 ｆ₆：欠陥のあるＹ軸ＧＲＡＭによって引起こされた障害 ｆ₇：動的ディセーブルボックスのRFコネクタのゆるみによって引起こさ れた障害。 本発明はこれらの障害のみに限定されるわけではないのであって、その他の可 能な障害としては、ＲＦ受信障害、ＲＦ送信障害、ＲＦ送受信障害、シム障害、 Ｓ−Ｖ磁石シグネーチャ障害、定常状態の撹乱（すなわち、振動）、勾配軸障害 、磁石の撹乱、定常状態の撹乱（すなわち、コールドヘッドや磁気異常）、過渡 振動、信号レベルの低いＳＮ比、及びノイズレベルの高いＳＮ比が挙げられる。 本発明においては、障害ｆ₁〜ｆ₇は下記の規則によって識別される。 Ｒ_1A→Ｙ軸スライス、Ｚ軸読出しの場合に適用し得るｆ₁ Ｒ_1B→Ｚ軸スライス、Ｘ軸読出しの場合に適用し得るｆ₁ Ｒ_2A→Ｙ軸スライス、Ｚ軸読出しの場合に適用し得るｆ₂ Ｒ_2B→Ｘ軸スライス、Ｙ軸読出しの場合に適用し得るｆ₂ Ｒ_3A→ＦＳＥに対して適用し得るｆ₃ Ｒ_3B→ＦＧＲＥに対して適用し得るｆ₃ Ｒ_4A→ＦＳＥに対して適用し得るｆ₄ Ｒ_4B→ＦＧＲＥに対して適用し得るｆ₄ Ｒ₅→ＦＳＥに対して適用し得るｆ₅ Ｒ_6A→ＦＳＥに対して適用し得るｆ₆ Ｒ_6B→ＦＧＲＥに対して適用し得るｆ₆ Ｒ_7A→ＦＳＥに対して適用し得るｆ₇ Ｒ_7B→ＦＧＲＥに対して適用し得るｆ₇ Ｒ_1A〜Ｒ_7Bに関する規則を言葉で表わせば、次の通りである。 Ｒ_1A：位置にかかわらず、ｘ₁が最初の６４個の標本中で排出(discharge)を 示すのに対し、ｘ₂及びｘ₃は正常である。 Ｒ_1B：（ＩＳＯを除いて）位置にかかわらず、ｘ₂が最初の６４個の標本中 で排出を示すのに対し、ｘ₁及びｘ₃は正常である。 Ｒ_2A：位置にかかわらず、ｘ₂が大きい逸脱(excursion)を示すのに対し、ｘ ₁及びｘ₃は正常である。 Ｒ_2B：位置にかかわらず、ｘ₂が極めて大きい逸脱を示すのに対し、ｘ₁及び ｘ₃はほぼ正常である。 Ｒ_3A：ｘ₂及びｘ₃がほぼ同時にただ１つの（異符号の）スパイクを示すのに 対し、ｘ₁は正常である。 Ｒ_3B：ｘ₂及びｘ₃がほぼ同時にただ１つの（異符号の）スパイクを示すのに 対し、ｘ₁は正常である。 Ｒ_4A：ｘ₁、ｘ₂及びｘ₃が２つのスパイクを示すと共に、一方のスパイクは もう一度伝播するのであって、それらのスパイクは３つの変数の全て を通じてほぼ同時に生じる。 Ｒ_4B：ｘ₁、ｘ₂及びｘ₃が２つのスパイクを示すと共に、一方のスパイクは もう一度伝播するのであって、それらのスパイクは３つの変数の全て を通じてほぼ同時に生じる。 Ｒ₅：ｘ₂が両方向に多数のスパイクを示すのに対し、ｘ₁及びｘ₃は正常であ る。 Ｒ_6A：ＩＳＯ位置を除き、ｘ₂はいずれも同じ方向の反復スパイクを示し、 更にｘ₂中のスパイクはアイソセンタの反対側では反対の方向を有し ている。一方、ｘ₁は正常であり、またｘ₃は（データ・セット中に得 られていないが）等しく正常であると推測される。 Ｒ_6B：ＩＳＯ位置を除き、ｘ₁はいずれも同じ方向の反復スパイクを示すの に対し、ｘ₂及びｘ₃は正常である。 Ｒ_7A：ＩＳＯ位置を除き、ｘ₂及びｘ₃は反対の方向に多数のスパイクを示す のに対し、ｘ₁は多くの小さなスパイクを示す。 Ｒ_7B：ｘ₂中の大きいスパイク。 上記の規則の各々は、与えられたデータについてその規則が真であるどうかを 判定するために満足しなければならない１組の条件を定義する述語の合接を有し ている。かかる規則が満足されるのは、それの項の全てが満たされた場合、すな わち基礎となる束縛条件の全てが波形データによって満たされた場合である。本 発明においては、規則Ｒ_1A〜Ｒ_7B中の項の一部は下記のごとき意味を有している 。 排出：最初の６４個の標本における導関数〔ｖ_9,i〕を同じ最初の６４個の 標本における最小値及び最大値〔ｖ_6,i、ｖ_7,i〕と結合したものであ る。正常：全パワー〔ｖ_12,i〕が小さく、且つ振幅の大きいスパイクが存在しな いことを意味する。 ほぼ正常：正常信号に加えてノイズが存在することを意味している。 大きい逸脱：範囲が標準偏差の５倍又は６倍（平均の両側において２．５〜 ３．０σ）より大きいことを意味する。 非常に大きい逸脱：範囲が、標準偏差の７倍又は８倍（平均の両側において ３．５〜４．０σ）より大きいことを意味する。 ただ１つのスパイク：ｖ_16,iによってスパイクの存在が検出され且つスパイ クの数ｖ_19,iが１に等しいことから得られるものである。反対符号のスパイク：ｘ_i及びｘ_jの特徴ベクトルにｖ_17,iを適用し、そして ２つの符号が反対であることを確認することによって得られるもので ある。 ほぼ同時：２つの事象が短い時間（一般に３〜５時間ステップ）内で起こる 場合のことである。これは、２つの変数ｘ_i及びｘ_jにｖ_18,iを適用し 、そしてスパイクの時刻がこのような小さい時間窓内にあることを確 認することによって判定される。 ２つのスパイク：ｖ_1,iによってスパイクの存在が検出され且つスパイクの 数ｖ_19,iが２に等しいことから得られるものである。 反復スパイク：有限の時間内に相次いで生じる、同様な振幅を持った２つの スパイクである。 多くの小さなスパイク：最後の２つのウェーブレット係数の散布(scatter) プロット中において集合データの重心から３σを越えて離れた振幅の 小さい多数の点である。 多数のスパイク：最後の２つのウェーブレット係数の散布プロット中におい て集合データの重心から遠く離れた振幅の比較的大きい多数の点であ る。 これらの規則Ｒ_1A〜Ｒ_7BはＩＦ−ＴＨＥＮ規則として再定式化され、そしてＦ ＳＥ規則セット７６及びＦＧＲＥ規則セット７８中に保存される。たとえば、Ｆ ＳＥモードに対するＲ_3Aは、「ｘ₂及びｘ₃がほぼ同時に反対符号のただ１つの スパイクを示す一方、ｘ₁が正常ならば、障害はｆ₃である」として定式化される であろう。その他の規則も同様にして定式化されるはずである。 再び図６について説明すれば、規則セットが作成された後、融合モジュール８ ０は抽出された特徴行列、ＦＳＥ、ＦＧＲＥ及びスライスデータのごとき情報と 共に上記の規則を用いて障害タイプを決定する。更にまた、融合モジュール８０ はその他の因子（たとえば、利用可能なデータ量、データを採取した位置の数、 及び多重スライスの位置）を考察し、そして障害タイプの言明に係わる信頼性を 表わす信頼度の値を与える。本質的には、障害の分類及び特性評価に係わる信頼 度を決定する際の主要な因子は、データの完全性である。たとえば、体部ＦＳＥ データ及び体部ＦＧＲＥデータのみしか存在しない場合、信頼度の値は０．５と なるであろう。障害タイプ及び信頼度が割当てられた後、これらの値を使用する ことにより、サービス・エンジニアは障害タイプ及び信頼度ルーチンによってそ の障害に最も責任があると考えられる根本原因を識別することができる。更にま た、サービス・エンジニアはこの情報を使用することによってその障害を修正す るための推奨フィックスを決定することができる。 図７は、トレーニング用障害分類器２８によって実行される処理工程を示すフ ローチャートである。処理工程の始めは、工程８２においてトレーニング用特徴 抽出器から全ての特徴行列を取得することである。次に、工程８４において各々 の特徴行列が検査される。次に工程８６において、行列中で最も弁別的な特徴及 び変数が決定される。詳しく述べれば、特徴ベクトルを検査することにより、特 定の変数が所定の閾値を越えるかどうかが判定される。更に特徴行列が存在する ことが工程８８において判定されたならば、次の特徴行列を工程９０において検 索し且つ工程８６において検査することによって最も弁別的な特徴ベクトル及び 変数が決定される。この操作は、全ての特徴行列が検査されるまで継続される。 次に、これらの弁別的な特徴ベクトル及び変数を使用して、工程９２においてＦ ＳＥ規則セット及びＦＧＲＥ規則セットが定式化される。かかる規則セットが新 しい波形データ・セットに関してうまく働くことを保証するため、工程９４にお いてそれらの規則が試験される。規則セットの試験後、それらの規則は工程９６ において診断用知識ベースに送られる。 規則セットが診断用知識ベース１２に送られた後には、診断ユニット１６は未 知の障害を有するＭＲＩ装置からの新しい波形データを診断するために使用する 準備が整ったことになる。再び図１について説明すれば、診断ユニット１６は未 知の障害に出会ったＭＲＩ装置３２から生成された新しい波形データ・ファイル ３０を受信する。新しい波形データ・ファイル３０は、サービス・エンジニア又 はフィールド・エンジニアからの遠隔ダイアル・イン接続により、診断用パーサ ３４において診断ユニット１６に入力される。 診断用パーサ３４によって実行される工程は、トレーニング用パーサ２２に関 連して図４に示された工程と実質的に同じである。本質的には、診断用パーサ３ ４は新しい波形データ・ファイル３０からデータ・ブロックを抽出し、そして各 スライスの読出し及び位置データ・セットに関するファイル中に保存する。更に また、システム・ハードウェア、ソフトウェア・バージョン、磁石タイプ、設置 場所情報、日付印、及びその他の関連情報を含む見出しとしての情報ファイルが 作成される。新しい波形データ・ファイル３０のパーシングを行った後、そのフ ァイルは予備処理のための診断用障害検出器３６に送られる。トレーニング用フ ィルタ２４と同じく、診断用障害検出器３６は新しい波形データを正常データと 障害データとに類別するためのグロス・フィルタ及びファイン・フィルタを有し ている。詳しく述べれば、各々のデータ・ブロックに関して時間領域解析、周波 数領域解析及びウェーブレット解析が実行される。フィルタリングに加えて、フ ィールド・エンジニア又はサービス・エンジニアが頭部ＦＳＥ、頭部ＦＧＲＥ、 体部ＦＳＥ及び体部ＦＧＲＥに関する時系列プロットの全てを可視化し得るよう にするため、パーシング済みのデータ・ファイルにデータ可視化ルーチンを適用 することもできる。 時間領域解析、周波数領域解析及びウェーブレット解析を実行した後、診断用 特徴抽出器３８が各々のブロックに関して複数の特徴ベクトルを抽出し、そして それらの特徴ベクトルを特徴行列中に導入する。診断用障害検出器が波形データ を正常データとして類別した場合には、診断ユニット１６は装置の動作に障害は 無いという結果を出力する。本発明のこのような側面は、実行時モード又は待機 動作モードにおいて生成されたデータの有効性確認を行うために適している。し かるに、障害データに関しては、抽出された特徴行列が診断用障害分離器４０に 送られる。診断用障害分離器４０は、診断用知識ベース１２と協力して動作する ことにより、候補障害セットを分離する。本発明の場合、診断用障害分離器４０ は規則ベース推論エキスパート・システムである。トレーニング用障害分類器と 同じく、診断用障害分離器４０は規則ベース（ＦＳＥ規則セット及びＦＧＲＥ規 則セット）と規則ベースから最も適切な規則を選択するための規則選択器とを含 むエキスパート・システムから構成されている。あるいはまた、その他のタイプ の人工推論技術、たとえば事例ベース推論、推理分類（すなわち、線形分類器、 ニューラル・ネットワーク、規則ベース分類器及び距離分類器）並びにファジィ 推論を使用することもできる。 図８は、診断用障害分離器４０によって実行される障害分離処理工程を示すフ ローチャートである。処理工程の始めは、工程９８において診断用特徴抽出器３ ８から特徴行列を取得することである。次に、工程１００において特徴行列が検 査される。次に工程１０２において、行列中で最も弁別的な特徴及び変数が決定 される。詳しく述べれば、特徴ベクトルを検査することにより、特定の変数が所 定の閾値を越えるかどうかが判定される。次に、工程１０４において診断用知識 ベース中の規則セットが特徴行列に適用される。かかる規則は最も弁別的なもの として識別された特徴に従って適用されるのであり、それらを用いてＭＲＩ装置 ３２に関連した障害に対して責任があるかも知れない候補障害セットが工程１０ ６において生成される。 次に、それぞれの障害が上記の障害に対して最も責任があるという確信の程度 を表わす信頼度の値と共に、候補障害セットがサービス・エンジニアに提示され る。次に、サービス・エンジニアは候補障害セットを検査し、そしてＭＲＩ装置 ３２に関する障害が正しく識別されたかどうかを判定する。もしその障害が正し く識別されていなければ、サービス・エンジニアは正しい障害タイプを識別し、 そして将来の障害を識別するために新しい波形データをトレーニング・ユニット １４に入力する。詳しく述べれば、波形データ及び障害タイプ情報がパーシング のためのトレーニング用パーサ２２、トレーニング用フィルタ２４、トレーニン グ用特徴抽出器２６及びトレーニング用障害分類器２８に入力される。 以上の説明から明らかな通り、本発明に従えば、前述の目的及び利点を完全に 満足するような、波形データを用いてイメージング装置を診断するためのシステ ム及び方法が提供される。幾つかの実施の態様に関連して本発明が記載されたが 、本発明の範囲から逸脱することなくそれらに改変や変更を加え得ることは当業 者にとって自明であろう。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 ラマニ，ヴィピン・ケワル アメリカ合衆国、12309、ニューヨーク州、 ニスカユナ、ナンバー106、ヒルサイド・ アヴェニュー、1200番 (72)発明者 シャー，ラシクラル・プンジャラル アメリカ合衆国、12110、ニューヨーク州、 レイサム、ウィンドラス・ドライブ、８番 (72)発明者 ジョンソン，ジョン・アンドリュー アメリカ合衆国、53018、ウィスコンシン 州、デラフィールド、モレイン・ビュー・ ブールヴァード、ダブリュ322・エス1734 (72)発明者 スティーン，フィリップ・エドワード アメリカ合衆国、53018、ウィスコンシン 州、デラフィールド、コンコード・レー ン、エヌ９ダブリュ31418 (72)発明者 ラマチャンドラン、ラメッシュ アメリカ合衆国、12309、ニューヨーク州、 ニスカユナ、アパートメント１エー６、ヒ ルサイド・アヴェニュー、1187番

Claims (1)

1. 【特許請求の範囲】 １．機械から生成された波形データを用いて前記機械を診断するためのシステ ムであって、 機械における障害を診断するための複数の規則及び前記障害を修理するための 複数の修正動作を含む診断用知識ベースと、 前記波形データから不要データを除去するための診断用パーサと、 前記波形データを正常データと障害データとに類別するための診断用障害検出 器と、 障害データとして類別された前記波形データから複数の特徴を抽出するための 診断用特徴抽出器と、 前記診断用特徴抽出器及び前記診断用知識ベースに結合されて、抽出された特 徴に関する候補障害セットを分離し且つ前記候補障害セットに対して最も責任が あると考えられる根本原因を識別するための診断用障害分離器と を含むことを特徴とするシステム。 ２．前記波形データが複数の時系列プロットから成る請求の範囲第１項記載の システム。 ３．前記診断用障害検出器がグロス・フィルタ及びファイン・フィルタから成 る請求の範囲第１項記載のシステム。 ４．前記診断用特徴抽出器が時間領域解析、周波数領域解析及びウェーブレッ ト解析を使用する請求の範囲第１項記載のシステム。 ５．前記診断用障害分離器が規則ベース推論エキスパート・システムである請 求の範囲第１項記載のシステム。 ６．前記診断用障害分離器が、識別された候補障害セットの各々に信頼性の尺 度を割当てるための手段を更に含んでおり、この各々の信頼性の尺度は前記障害 が最も可能性の高い原因であるという確信の程度を示している請求の範囲第１項 記載のシステム。 ７．前記システムは更に、前記診断用知識ベースに結合されたトレーニング・ ユニットを含んでおり、前記トレーニング・ユニットは、複数の機械から採取さ れた複数の波形データ・セットであって、それに関連した既知の障害及び前記障 害を修理するための対応した修正動作をそれぞれに有する複数の波形データ・セ ットを取得するための手段と、前記波形データ・セットの各々から不要データを 除去するためのトレーニング用パーサと、前記波形データ・セットの各々を正常 データと障害データとに類別するためのトレーニング用フィルタと、障害データ として類別された前記波形データ・セットの各々から複数の特徴を抽出するため のトレーニング用特徴抽出器と、抽出された特徴を特定の障害特性評価に分類す る複数の規則を作成し且つ前記複数の規則を前記診断用知識ベースに供給するた めのトレーニング用障害分類器とを含んでいる請求の範囲第１項記載のシステム 。 ８．前記複数の波形データ・セットが複数の時系列プロットから成る請求の範 囲第７項記載のシステム。 ９．前記トレーニング用フィルタがグロス・フィルタ及びファイン・フィルタ から成る請求の範囲第７項記載のシステム。 １０．前記トレーニング用特徴抽出器が時間領域解析、周波数領域解析及びウ ェーブレット解析を使用する請求の範囲第７項記載のシステム。 １１．前記トレーニング用障害分類器が規則ベース推論エキスパート・システ ムである請求の範囲第７項記載のシステム。 １２．前記機械が磁気共鳴イメージング装置である請求の範囲第１項記載のシ ステム。 １３．未知の障害を有する機械を診断するための方法であって、 障害を診断するための複数の規則及び前記障害を修理するための複数の修正動 作を取得する工程と、 前記機械から新しい波形データを受取る工程と、 前記新しい波形データから不要データを除去する工程と、 前記新しい波形データを正常データと障害データとに類別する工程と、 障害データとして類別された前記新しい波形データから複数の特徴を抽出する 工程と、 抽出された特徴に関する候補障害セットを分離し且つ前記候補障害セットに対 して最も責任があると考えられる根本原因を識別する工程と を含むことを特徴とする方法。 １４．前記新しい波形データが複数の時系列プロットから成る請求の範囲第１ ３項記載の方法。 １５．前記新しい波形データを正常データと障害データとに類別する前記工程 が、グロス・フィルタ及びファイン・フィルタを使用することから成る請求の範 囲第１３項記載の方法。 １６．複数の特徴を抽出する前記工程が、時間領域解析、周波数領域解析及び ウェーブレット解析を使用することから成る請求の範囲第１３項記載の方法。 １７．候補障害セットを分離し且つ根本原因を識別する前記工程が、規則ベー ス推論エキスパート・システムを使用することから成る請求の範囲第１３項記載 の方法。 １８．識別された候補障害セットの各々に信頼性の尺度を割当てる工程を更に 含み、この各々の信頼性の尺度は前記障害が最も可能性の高い原因であるという 確信の程度を示している請求の範囲第１３項記載の方法。 １９．障害を診断するための複数の規則及び前記障害を修理するための複数の 修正動作を取得する前記工程が、複数の機械から採取された複数の波形データ・ セットであって、それに関連した既知の障害をそれぞれに有する複数の波形デー タ・セットを取得する工程と、前記波形データ・セットの各々から不要データを 除去する工程と、前記波形データ・セットの各々を正常データと障害データとに 類別する工程と、障害データとして類別された前記波形データ・セットの各々か ら複数の特徴を抽出する工程と、抽出された特徴を特定の障害特性評価に分類す る複数の規則を作成する工程とを含む請求の範囲第１３項記載の方法。 ２０．前記複数の波形データ・セットが複数の時系列プロットから成る請求の 範囲第１９項記載の方法。 ２１．前記波形データ・セットの各々を正常データと障害データとに類別する 前記工程が、グロス・フィルタ及びファイン・フィルタを使用することから成る 請求の範囲第１９項記載の方法。 ２２．前記波形データ・セットの各々から複数の特徴を抽出する前記工程が、 時間領域解析、周波数領域解析及びウェーブレット解析を使用することから成る 請求の範囲第１９項記載の方法。 ２３．前記機械が磁気共鳴イメージング装置である請求の範囲第１３項記載の 方法。 ２４．機械から生成された波形データの有効性確認を行うためのシステムであ って、 前記機械における障害を診断するための複数の規則を含む診断用知識ベースと 、 前記波形データから不要データを除去するための診断用パーサと、 前記診断用パーサ及び前記診断用知識ベースに結合されて、前記波形データを 正常データと障害データとに類別するための診断用障害検出器と、 正常データとして類別された前記波形データから複数の特徴を抽出するための 診断用特徴抽出器と を含むことを特徴とするシステム。 ２５．前記波形データが複数の時系列プロットから成る請求の範囲第２４項記 載のシステム。 ２６．前記診断用障害検出器がグロス・フィルタ及びファイン・フィルタから 成る請求の範囲第２４項記載のシステム。 ２７．前記診断用特徴抽出器が時間領域解析、周波数領域解析及びウェーブレ ット解析を使用する請求の範囲第２４項記載のシステム。 ２８．前記機械が磁気共鳴イメージング装置である請求の範囲第２４項記載の システム。 ２９．機械から生成された波形データの有効性確認を行うための方法であって 、 障害を診断するための複数の規則を取得する工程と、 前記機械から新しい波形データを受取る工程と、 前記新しい波形データから不要データを除去する工程と、 前記複数の規則を用いて前記新しい波形データを正常データと障害データとに 類別する工程と、 正常データとして類別された前記新しい波形データから複数の特徴を抽出する 工程と を含むことを特徴とする方法。 ３０．前記新しい波形データが複数の時系列プロットから成る請求の範囲第２ ９項記載の方法。 ３１．前記新しい波形データを正常データと障害データとに類別する前記工程 が、グロス・フィルタ及びファイン・フィルタを使用することから成る請求の範 囲第２９項記載の方法。 ３２．複数の特徴を抽出する前記工程が、時間領域解析、周波数領域解析及び ウェーブレット解析を使用することから成る請求の範囲第２９項記載の方法。 ３３．前記機械が磁気共鳴イメージング装置である請求の範囲第２９項記載の 方法。