X射线管故障预兆检测装置、X射线管故障预兆检测方法及X射线摄像装置与流程

本发明涉及一种检测X射线管的故障预兆的X射线管故障预兆检测装置及X射线管故障预兆检测方法，以及应用了该X射线管故障预兆检测装置的X射线摄像装置。

背景技术：

在透射型X射线摄像装置或X射线CT(Computer Tomography计算机断层扫描)装置等X射线摄像装置中，多使用通过向旋转的阳极照射从高电压的阴极射出的电子来产生X射线的类型的X射线管。在这样的X射线管中，为了顺畅的旋转阳极而使用固体润滑轴承，但是当固体润滑轴承发生劣化时会引起X射线管故障，该X射线摄像装置自身变得无法使用。

特别是在医疗现场不允许X射线摄像装置突然无法使用。因此，X射线管在发生故障相当长时间之前的可充分使用状态下更换为新品。这是X射线的维护费用增大的主要原因。为了消减维护费用，需要将X射线管使用到即将发生故障之前为止，并尽可能长时间使用。

在长时间使用X射线管时，已知由于阳极的旋转轴或固体润滑轴承的劣化或磨损，会产生异常噪声。因此，如果检测出该异常噪声，则能够预兆X射线管的故障。例如，在专利文献1中公开了，通过振动传感器来检测X射线管的异常噪声，并进行所得到的振动数据的频率分析，对特定频率的成分量进行阈值判定，由此检测X射线管的故障预兆的技术。

另外，在专利文献2中公开了，通过振动传感器检测设备的振动，并进行该振动数据的频率分析，将正常的设备的振动数据的频率成分作为输入，使神经网络进行学习来生成簇，并将作为诊断对象的设备的振动数据输入到已完成学习的神经网络来判定设备的正常或异常的技术。

现有技术文献

专利文献

专利文献1：日本特开2011-45626号公报

专利文献2：日本特开2006-300896号公报

技术实现要素：

发明要解决的课题

一般来说，从X射线管发出的异常噪声取决于X射线摄像装置的机种或X射线管的工作状态(工作时的位置、姿态、温度等)。这意味着专利文献1中所说的特定频率取决于X射线摄像装置的机种或X射线管的工作状态(工作时的位置、姿态、温度等)而发生改变。因此，为了使用专利文献1所记载的技术来检测高精度的故障预兆，根据X射线摄像装置，特别是X射线管的各种工作条件来事先求出适当的特定频率或判定的阈值，在维护诊断时，每次都需要设定这些值等工夫。

因此，考虑将专利文献2所公开的技术应用于X射线摄像装置。在这样的X射线摄像装置中，针对从正常的X射线管发出的振动进行频率分析，该频率分析结果通过使用了神经网络的学习而生成簇，并将该簇用作故障预兆判定的基准。此时，不需要设定专利文献1中所说的特定频率等的工夫。

然而，在专利文献2中完全没有谈及振动的频率分析结果取决于设备的工作状态的情况。这意味着在使用了专利文献2所公开的技术时，作为故障预兆判定的基准的簇只基于振动的频率分析结果来生成。即，由于作为基准的簇不考虑X射线管的工作状态(工作时的位置、姿态、温度等)而统一生成，因此在还考虑了X射线管的工作状态(工作时的位置、姿态、温度等)时，未必生成适当的簇。

例如，考虑到从X射线管发出的振动的频率考虑依存于X射线管的姿态(阳极的旋转轴与水平面形成的角)来进行变化。在这种情况下，将从正常的X射线管取某种姿态时的振动的频率分析结果得到的簇使用在变为其他姿态的X射线管的故障预兆判定中是不合适的。如果进行了使用，则劣化后的X射线管的某种姿态下的异常噪声的频率可能包含在其他姿态下正常的频率的簇中。在这种情况下，无法检测出该X射线管的劣化即故障预兆。这样一来，只将专利文献2公开的技术简单地应用于X射线摄像装置，难以高精度地检测X射线管的故障预兆。

鉴于上述现有技术的问题，本发明的目的在于提供一种能够高精度检测X射线管的故障预兆的X射线管故障预兆检测装置、X射线管故障预兆检测方法以及X射线摄像装置。

用于解决课题的手段

本发明的X射线管故障预兆检测装置具备：模式设定部，其设定禁止模式、学习模式以及故障预兆检测模式中的任意一个动作模式；振动数据取得部，其取得从X射线管产生的振动的振动数据，并且每当取得的所述振动数据的数量达到一次频率分析所使用的既定数据数量的倍数时，输出振动数据取得完成通知；频率分析部，其对通过所述振动数据取得部取得的所述既定数据数量的每个振动数据进行频率分析；状态数据取得部，其取得表示所述X射线管的动作状态的状态数据，并且以接收到从所述振动数据取得部输出的振动数据取得完成通知的定时，同步取得的所述状态数据；学习部，其在通过所述模式设定部设定了学习模式的情况下，将由所述频率分析部通过频率分析而得到的频率成分数据和通过所述状态数据取得部同步后的状态数据组成的多个学习数据作为输入来进行聚类分析，并生成一个以上的簇数据；异常度计算部，其在通过所述模式设定部设定了故障预兆检测模式的情况下，计算从故障预兆检测对象数据所表示的位置到通过所述学习部生成的各个簇的表面的距离中最小的距离，作为异常度，所述故障预兆检测对象数据由所述频率分析部通过频率分析而得到的频率成分数据和通过所述状态数据取得部同步后的状态数据组成；故障预兆判定部，其将通过所述异常度计算部计算出的异常度与既定的阈值相比较，由此判定故障预兆。

发明效果

根据本发明，提供了一种能够高精度地检测X射线管的故障预兆的X射线管预兆检测装置、X射线管故障预兆检测方法及X射线摄像装置。

附图说明

图1示出了本发明的实施方式的X射线管故障预兆装置以及X射线管的结构的例子。

图2示出了X射线管故障预兆检测装置的功能块结构的例子。

图3示出了状态数据取得部的功能块结构的例子。

图4示出了由模式设定部设定的动作模式的例子。

图5示出了学习部的功能块结构的例子。

图6示出了异常度计算部的功能块结构的例子。

图7示意性地示出了在学习部中生成并在异常度计算部中使用的簇以及异常度的例子。

图8示出了本发明的实施方式的X射线管故障预兆检测装置中的全体处理流程的例子。

图9示出了学习处理的详细处理流程的例子。

图10示出了故障预兆检测处理的详细处理流程的例子。

图11示出了代表值清零处理的详细处理流程的例子。

图12示出了测量数据取得处理的详细处理流程的例子。

图13示出了代表值保存处理的详细处理流程的例子。

图14示出了代表值取得处理的详细处理流程的例子。

图15示出了异常度计算处理的详细处理流程的例子。

图16示出了存储在记录装置中的数据的结构的例子。

图17示出了包含在X射线管状态数据中的位置数据的详细结构的例子。

图18示出了包含在频率分析数据中的频率分析结果数据的详细结构的例子。

图19示出了包含在学习数据中的簇数据的详细结构的例子。

图20示出了包含在故障预兆检测数据中的故障预兆判定结果数据的详细结构的例子。

图21示意性地示出了应用了本发明的实施方式的X射线管故障预兆检测装置的透射型X射线摄影装置的结构例子。

图22示意性地示出了应用了本发明的实施方式的X射线管故障预兆检测装置的X射线CT装置的结构例子。

具体实施方式

以下，参照附图对用于实施本发明的方式(以下称为“实施方式”)进行详细的说明。

图1示出了本发明的实施方式的X射线管故障预兆检测装置11以及X射线管12的结构的例子。如图1所示的那样，X射线管12包含在内部配置了旋转阳极123以及阴极124的X射线球管121、生成用于使旋转阳极123进行旋转的磁场的线圈122、控制流过线圈122的交流电流以及施加到阴极124的电压等的控制部125而构成。

在这里，旋转阳极123经由未图示的固体润滑的轴承机构被X射线球管121的容器内壁支持而旋转自由。另外，在支持旋转阳极123的容器部分的外壁上配置了生成用于使旋转阳极123进行旋转的磁场的线圈122。并且，在X射线球管121的内壁上配置的阴极124与旋转阳极123之间施加高电压时，从阴极124的灯丝放出的电子被加速，并与安装在旋转阳极123上的目标部件123a进行碰撞。并且，通过该碰撞产生X射线。

控制部125基于来自操作台14的指令，进行在线圈122中流过电流来使旋转阳极123旋转，并且向阴极124施加高电压来产生X射线这样的控制。在这里，控制部125可以在接收到来自操作台14的指令时，产生一次既定时间宽度的X射线，也可以按照既定的周期多次产生既定时间宽度的X射线。另外，操作台14可以由对该X射线管12专门设置的按钮开关等构成，或者，也可以是附属于使用了该X射线管12的透射型X射线摄影装置或X射线CT装置的操作台(输入输出装置)。

另外，控制部125具有通过对从X射线管12射出了X射线的次数进行计数，来对拍摄了被摄体的次数进行计数的功能，并将该计数值作为摄影次数数据Dc来输出。

其次，传感器单元13包含加速度传感器131、温度传感器132、陀螺传感器133、A/D转换器134、信号处理部135等而构成，并安装在X射线管12的壳体中。在这里，加速度传感器131是所谓的三轴加速度传感器，测量X射线管12受到的三维方向(x方向、y方向以及z方向)的加速度，温度传感器132测量X射线管12的壳体温度，陀螺传感器133测量X射线管12的姿态角。此外，X射线管12的姿态角是指旋转阳极123与水平面形成的角度。

A/D转换器134将分别通过加速度传感器131、温度传感器132以及陀螺传感器133测量到的模拟信号转换为数字数据。

信号处理部135从A/D转换后的各个数字数据中去除在X射线管12的故障预兆检测(以下简称为检测)中不需要的频率成分。并且，信号处理部135将经由加速度传感器131得到的三维加速度数据转换为X射线管12产生的振动数据，并作为振动数据Dv来输出。另外，信号处理部135通过将三维的各方向的加速度数据进行二阶积分，计算出表示X射线管12的位置的三维位置数据Dp并输出。另外，信号处理部135处理经由温度传感器132得到的温度的测量值来作为温度数据Dt输出，并处理经由陀螺传感器133得到的姿态角的测量值来作为角度Da输出。

此外，在传感器单元13中，A/D转换器134和信号处理部135的处理顺序也可以相反。另外，作为检测X射线管12产生的振动的传感器，也可以使用声音检测用的麦克风来代替加速度传感器131。

并且，如图1所示的那样，X射线管故障预兆检测装置11由显示装置111、警报装置112、中央处理装置113、操作输入装置114、记录装置115、存储装置116、I/O端口117等构成，并具有所谓个人计算机等一般计算机的结构。

在这里，I/O端口117根据各自被输出的定时来取得从传感器单元13输出的振动数据Dv、位置数据Dp、温度数据Dt及角度数据Da，以及从X射线管12输出的摄影次数数据Dc，并将该各个数据写入到记录装置115。记录装置115是记录X射线管故障预兆检测处理所需要数据的存储装置，在本实施方式中，将记录装置115与存储程序或临时数据的存储装置116进行区别。

中央处理装置113通过执行预先存储在存储装置116中的程序，实现X射线管故障预兆检测装置11具有的各种功能。此外，对于该功能使用图2以后的附图来详细进行说明。

显示装置111根据中央处理装置113执行的程序来针对操作者进行要求许可或禁止X射线管12的故障预兆检测或学习的处理等的显示。另外，操作者输入许可或禁止X射线管12的故障预兆检测或学习的处理等的指示数据时使用操作输入装置114，在X射线管12的故障预兆检测的处理结果为检测到故障预兆等情况下发出警报时使用警报装置112。

图2示出了X射线管故障预兆检测装置11的功能块结构的例子。如图2所示的那样，X射线管故障预兆检测装置11由振动数据取得部20、频率分析部21、状态数据取得部22、禁止标志设定部23、模式设定部24、学习部25、异常度计算部26、故障预兆判定部27等构成。此外，通过X射线管故障预兆检测装置11的中央处理装置113执行预先存储在存储装置116中的程序来实现这些功能块的功能。

此外，在图2中针对X射线管12以及传感器单元13，分别同时示出其一部分的功能块结构的例子用于参考。

振动数据取得部20从传感器单元13的振动数据输出部1351取得以既定的周期输出的振动数据Dv，并将取得的振动数据Dv与此时的时刻一起存储到记录装置115(参照图1)。另外，振动数据输出部1351每当该取得的振动数据Dv的数量超过在一次频率分析中使用的数量(例如，相当于FFT点数等，以下称为频率分析对象数据数)的倍数时，输出表示取得了频率分析用的振动数据Dv的振动数据取得完成通知Ve。

频率分析部21从通过振动数据取得部20取得并存储在记录装置115中的振动数据中取得以频率分析对象数据数来分割的振动数据，针对该取得的振动数据实施快速傅里叶变换(FFT：Fast Fourier Transform快速傅里叶变换)等频率分析，并将其频率分析结果作为频率分析结果Fa来输出。

状态数据取得部22从传感器单元13的位置数据输出部1352、温度数据输出部1353以及角度数据输出部1354分别取得以相互不同的周期输出的位置数据Dp、温度数据Dt以及角度数据Da。然后，以接收到从频率分析部21输出的振动数据取得完成通知Ve的定时来同步该以相互不同的周期取得的位置数据Dp、温度数据Dt以及角度数据Da。

具体来说，状态数据取得部22分别针对在通过振动数据取得部20取得一次频率分析的量的振动数据Dv的期间得到的位置数据Dp、温度数据Dt以及角度数据Da，例如计算平均值，并将该平均值分别作为同步位置代表值xyz、同步温度代表值T、同步角度代表值θ来输出。

此外，另外参照图3来说明状态数据取得部22的进一步详细结构以及功能。

禁止标志设定部23根据操作者经由操作输入装置114(参照图1)输入的数据来设定禁止标志Fi的值。在这里，X射线管故障预兆检测装置11中的故障预兆检测处理以及学习处理的任意一个都在禁止标志Fi的值为“1”时被禁止，在禁止标志Fi的值为“0”时被许可。

模式设定部24基于通过X射线管12的控制部125的摄影次数计数部1251计数的摄影次数数据Dc和通过禁止标志设定部23设定的禁止标志Fi来设定X射线管故障预兆检测装置11的动作模式。在这里，作为该动作模式，设想禁止模式、学习模式以及故障预兆检测模式这三个模式。即，模式设定部24分别根据禁止模式、学习模式以及故障预兆检测模式来设定模式编号Mod(“1”、“2”或“3”)，并进行输出。

此外，对于向模式设定部24的输入数据(摄影次数数据Dc以及禁止标志Fi)与通过模式设定部24设定的模式编号Mod之间的关系，另外参照图4来进行说明。

学习部25在通过模式设定部24设定了学习模式(Mod＝“2”)时，将从频率分析部21输出的频率分析结果Fa、以及从状态数据取得部22输出的同步位置代表值xyz、同步温度代表值T以及同步角度代表值θ作为输入数据来进行聚类分析，并生成一个以上的簇。然后，分别针对该生成的簇来计算重心坐标Cc以及半径Cr。

此外，对于学习部25的进一步详细的结构以及功能，另外参照图5来进行说明。

异常度计算部26在通过模式设定部24设定了故障预兆检测模式(Mod＝“3”)时，针对从作为故障预兆检测的对象的X射线管12得到的振动数据Dv，计算通过频率分析部21分析出的频率分析结果Fa、以及从状态数据取得部22输出的同步位置代表值xyz、同步温度代表值T以及同步角度代表值θ所表示的坐标和各个簇j的重心坐标Ccj之间的距离。并且，异常度计算部26计算从该计算出的距离减去各个簇j的半径Crj而得的值dj，并从计算出的值dj中求出最小值，将该最小值作为异常度Sd来输出。

此外，对于异常度计算部26的进一步详细的结构以及功能，另外参照图6来进行说明。

故障预兆判定部27在通过模式设定部24设定了故障预兆检测模式(Mod＝“3”)时，通过将由异常度计算部26计算出的异常度Sd与既定的阈值相比较，判定有无针对作为故障预兆检测对象的X射线管12的故障预兆，并输出其判定结果Sp。

例如，作为既定的阈值能够采用“0”。此时，当异常度Sd为“0”以下(“0”或负值)时，判定为没有检测到故障预兆，当异常度Sd大于“0”(正值)时，判定为检测到了故障预兆。

即，当针对从作为故障预兆检测对象的X射线管12得到的振动数据Dv的频率分析结果Fa、同步位置代表值xyz、同步温度代表值T以及同步角度代表值θ所表示的坐标包含在由学习部25生成的簇(重心坐标Cc、半径Cr)中的任意一个中时，判定为没有检测到故障预兆，在没有包含在任意一个簇中时，判定为检测到了故障预兆。

图3示出了状态数据取得部22的功能块结构的例子。如图3所示的那样，状态数据取得部22包含位置代表值取得部221、温度代表值取得部222以及角度代表值取得部223而构成。并且，位置代表值取得部221、温度代表值取得部222以及角度代表值取得部223分别以接收到来自振动数据取得部20的振动数据取得完成通知Ve的定时来计算同步位置代表值xyz、同步温度代表值T以及同步角度代表值θ，记录到记录装置115(参照图1)，并且根据需要进行输出。

并且，在状态数据取得部22中，位置代表值取得部221包含当前位置存储部2211、位置代表值计算部2212、位置代表值存储部2213以及位置代表值履历存储部2214而构成。同样的，温度代表值取得部222包含当前温度存储部2221、温度代表值计算部2222、温度代表值存储部2223以及温度代表值履历存储部2224而构成。另外，角度代表值取得部223包含当前角度存储部2231、角度代表值计算部2232、角度代表值存储部2233以及角度代表值履历存储部2234而构成。

在这里，对位置代表值取得部221的结构以及功能进行详细的说明。当前位置存储部2211在模式编号Mod为“2”或“3”(学习模式或故障预兆检测模式)时，从传感器单元13取得以既定的周期(例如，10m秒)输出的三维的位置数据Dp(xc，yc，zc)，并进行存储。

位置代表值计算部2212在通过当前位置存储部2211取得了位置数据Dp(xc，yc，zc)时，使用此时取得的位置数据Dp(xc，yc，zc)和此时存储在位置代表值存储部2213中的位置代表值(xa，ya，za)以及样本数Na，根据下面的式(1)、(2)来计算新的位置代表值(xa’，ya’，za’)以及新的样本数Na’。

xa’＝{xa﹒Na+xc}/(Na+1)

ya’＝{ya﹒Na+yc}/(Na+1)

za’＝{za﹒Na+zc}/(Na+1) (1)

Na’＝Na+1 (2)

在式(1)、(2)中，样本数Na是在该时间点之前的位置代表值计算中使用的位置数据Dp(xc，yc，zc)的数量。在这里，设位置代表值(xa，ya，za)以及样本数Na的初期值中的任意一个均为零，每当通过振动数据取得部20取得的振动数据Dv的数量超过频率分析对象数据数时被清零。换而言之，每当接收来自振动数据取得部20的振动数据取得完成通知Ve时被清零。

位置代表值履历存储部2214在接收到来自振动数据取得部20的振动数据取得完成通知Ve时，将对在该时间点在位置代表值存储部2213中存储的位置代表值(xa，ya，za)附加了此时的时刻t的数据作为位置代表值履历数据(t(i)，xa(i)，ya(i)，za(i))来存储。在这里，i是为了识别位置代表值履历数据而按照时刻顺序附加的编号。

另外，位置代表值履历存储部2214根据来自学习部25或异常度计算部26的要求，提取与指定的时刻t最接近的时刻的位置代表值履历数据(t(i)，xa(i)，ya(i)，za(i))，并作为同步位置代表值xyz(x，y，z)来输出。

同样地，温度代表值取得部222从温度代表值履历存储部2224输出同步温度代表值T，另外，角度代表值取得部223从角度代表值履历存储部2234输出同步角度代表值θ。

图4示出了通过模式设定部24设定的动作模式的例子。如图4所示的那样，对模式设定部24输入禁止标志Fi以及摄影次数数据Dc，并根据该输入的值来设定禁止模式、学习模式、故障预兆检测模式中的任意一个动作模式。另外，从模式设定部24根据各个动作模式而输出“1”、“2”、“3”的模式编号Mod。

如图4所示的那样，当禁止标志Fi为“1”时，与摄影次数数据Dc的值无关而设定禁止模式。在禁止模式中，不执行学习处理以及故障预兆检测处理中的任意一个。另外，在禁止标志Fi为“0”，摄影次数数据Dc为9次以下，即在第一上限值以下时，也设定禁止模式。另外，在禁止标志Fi为“0”，摄影次数数据Dc为10次以上、19次以下，即在第二上限值以下时，设定学习模式，在摄影次数数据Dc为20次以上，9，999，999次以下时，设定故障预兆检测模式。

此外，决定各个动作模式的摄影次数数据Dc的下限值以及上限值并不限定于图4所示的值。另外，从X射线管12的摄影次数计数部1251输出的摄影次数数据Dc也可以一日一次或一周一次等在经过了既定的时间时，或摄影次数超过了既定的次数(例如，100次等)时等情况下被清零。

如上所述，基于摄影次数数据Dc设定的禁止模式，在应用了该X射线管故障预兆检测装置11的X射线摄像装置或X射线CT装置中，针对其初始运行时或试运行时的与通常不同的振动数据，能够自动禁止学习处理以及故障预兆检测处理。由此，能够减轻作业者的作业负担，并且能够防止初始运行时或试运行时的误学习或误检测。

图5示出了学习部25的功能块结构的例子。如图5所示，学习部25包含多路分配器251、簇数据生成部252以及多路转换器253而构成。

在此，输入频率分析结果Fa的多路分配器251将该输入的频率分析结果Fa分解为频率成分w1，w2，…，wn。另外，对簇数据生成部252输入该频率成分w1，w2，…，wn以及从状态数据取得部22输出的同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ。

簇数据生成部252将输入的频率成分w1，w2，…，wn、同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ的数据视为(n+5)维的矢量的成分，执行针对这些(n+5)维的矢量的簇生成处理。并且，在该簇生成处理中，生成至少一个簇(m个簇：m≥1)，针对各个簇计算重心坐标Cc1，Cc2，…，Ccm以及半径Cr1，Cr2，…，Crm。此外，在簇生成处理中，例如可以使用公知的k平均法等。

多路转换器253将通过簇数据生成部252计算出的重心坐标Cc1，Cc2，…，Ccm以及半径Cr1，Cr2，…，Crm汇总起来，作为簇重心坐标Cc以及簇半径Cr来输出。

此外，对簇数据生成部252，作为许可其动作的信号而输入模式编号Mod。在此，假定当输入模式编号Mod＝“2”时，即动作模式为学习模式时，执行簇数据生成部252中的簇生成处理。

图6示出了异常度计算部26的功能块结构的例子。如图6所示，异常度计算部26包含多路分配器261、m个距离计算部262以及最小值提取部263而构成。

在此，被输入了簇重心坐标Cc以及簇半径Cr的多路分配器261将输入的簇重心坐标Cc以及簇半径Cr分解为m个簇的重心坐标Cc1，Cc2，…，Crm以及半径Cr1，Cr2，…，Crm。并且，对距离计算部262(#j)输入第j个簇的重心坐标Ccj以及半径Crj，并且输入频率分析结果Fa、同步位置代表值xyz(z，y，z)、同步温度代表值T以及同步角度代表值θ。此外，这里所说的频率分析结果Fa，具体是指通过未图示的多路分配器分解成的频率成分w1，w2，…，wn。

并且，距离计算部262(#j)针对将频率成分w1，w2，…，wn、同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ作为成分的(n+5)维的矢量，计算该矢量表示的位置与第j个簇的重心坐标Ccj表示的位置之间的距离，进而将从该距离减去半径Crj而得的值作为到第j个簇的表面的距离dj来输出。

即，距离计算部262(#j)按照以下的式子计算到第j个簇的表面的距离dj。

djxyz(t)＝(x(t)-xj)²+(y(t)-yj)²+(z(t)-zj)² (5)

djT(t)＝(T(t)-Tj)² (6)

djθ(t)＝(θ(t)-θj)² (7)

此外，使用在以上的式(3)～(7)中使用的参数记号表示为(wj1，wj2，…，wjn，xj，yj，zj，Tj，θj)的坐标相当于第j个簇的重心坐标Ccj。另外，式(3)中的rj相当于图5中第j个簇的半径Crj。

同样，使用在式(3)～(7)中使用的变量记号表示为(w1(t)，w2(t)，…，wn(t)，x(t)，y(t)，z(t)，T(t)，θ(t))的矢量Vt，表示以时刻t被同步并分别输入到m个距离计算部262(#j)(参照图6)的故障预兆检测对象的输入数据。即，变量记号wk(t)相当于图6中的频率分析结果Fa即频率成分w1，w2，…，wn，变量记号x(t)，y(t)，z(t)、变量记号T(t)、θ(t)相当于图6中所述的同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ。因此，式(3)中所示的dj(t)表示从以时刻t被同步的输入矢量Vt表示的坐标位置到第j个簇表面的距离dj。

接着，被输入从m个距离计算部262分别输出的距离d1，d2，…，dm的最小值提取部263从该输入的距离d1，d2，…，dm中提取最小值，将提取出的最小值作为异常度Sd来输出。但是，在提取出的最小值为负值的情况下，最小值提取部263例如输出异常度Sd＝0。在该情况下，在判定的阈值为“0”时，判定为没有任何异常，即未检测到任何故障预兆。

此外，对簇数据生成部252(参照图5)，作为许可其动作的信号而输入模式编号Mod。在此，假定当输入模式编号Mod＝“3”时，即动作模式为故障预兆检测模式时，执行簇数据生成部252中的簇生成处理。

图7示意性地示出由学习部25生成并在异常度计算部26中使用的簇以及异常度的例子。如上所述，本实施方式所涉及的簇在(n+5)维的空间中生成，难以用2维平面来表示该空间，但在图7中仅示意性地示出频率成分w1，w2，wn的坐标轴以及同步角度代表值θ的坐标轴。另外，在图7中，黑色的四角标记(■标记)表示在学习模式时输入的数据(学习数据)，黑色的圆形标记(●标记)表示在故障预兆检测模式时输入的数据(故障预兆检测对象数据)。

如图7所示，在学习模式时，学习部25以在学习数据(■标记)密集的部分包含它们的方式，生成用多维球体表示的簇#1以及簇#2。并且，在故障预兆检测模式时，被输入故障预兆检测对象数据(●标记)时，异常度计算部26计算到与该故障预兆检测对象数据(●标记)表示的位置最近的簇#1或#2的表面的距离作为异常度Sd。

如上所述，故障预兆判定部27(参照图2)通过将异常度Sd与既定的阈值进行比较来判定故障预兆的有无。一般设定“0”作为该阈值。因此，故障预兆检测对象数据(●标记)表示的位置被包含在簇#1或#2的表面或内部的情况下，异常度Sd成为零或负值，判定为未检测出故障预兆。与此相对，在异常度Sd为正值的情况下，该故障预兆检测对象数据(●标记)未被包含在任意簇中，因此判定为检测出异常数据、即故障预兆。

在此，使用图7还说明了本实施方式的效果。在本实施方式中，学习部25生成簇的空间，除了使用通过频率分析而得到的频率成分w1，w2，…，wn以外，还使用同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ。因此，在X射线管12的位置、温度、角度(姿态角)不同的情况下，未必生成具有相同频率成分的簇。

例如，以图7来说，同步角度代表值(X射线管12的姿态角)为0度附近和60度附近，分别形成不同的簇#1以及簇#2。这意味着姿态角为0度附近和60度附近，从正常的X射线管12产生的振动的频率不同。这种情况下，在本实施方式中，在故障预兆检测对象的X射线管12的姿态角为0度的情况下，从该X射线管12产生了包含在簇#2中的振动时，可以将其作为异常而检测出。与此相对，生成簇的空间仅通过频率成分w1，w2，…，wn形成的情况下，无法将其作为异常而检测出。

即，本实施方式考虑X射线管12的位置、温度、姿态角的区别，也能够检测出该异常噪声的区别，因此，能够更高精度地检测出X射线管12的故障预兆。

图8示出了本发明的实施方式的X射线管故障预兆检测装置11中的全体处理流程的例子。图8以后所示的处理通过X射线管故障预兆检测装置11的中央处理装置113(参照图1)执行。此时，假定由模式设定部24(参照图4)设定的动作模式已被设定为禁止模式、学习模式、故障预兆检测模式的某一个，该设定信息被存储在存储装置116中(参照图1)。

如图8所述，中央处理装置113首先判定由模式设定部24设定的动作模式是否是禁止模式(步骤S01)。该判定的结果为禁止模式的情况下(步骤S01，“是”)，中央处理装置113直接结束处理。另外，在不是禁止模式的情况下(步骤S01，否)，中央处理装置113进一步判定动作模式是否是学习模式(步骤S02)。

并且，在步骤S02中的判定的结果为学习模式的情况下(步骤S02，是)，中央处理装置113执行学习处理(步骤S03)。另外，在不是学习模式的情况下(步骤S02，否)，中央处理装置113进一步判定是否已完成学习处理并且动作模式是故障预兆检测模式(步骤S04)。

并且，在步骤S04中的判定的结果为已完成学习处理并且动作模式是学习模式的情况下(步骤S04，是)，中央处理装置113执行故障预兆检测处理(步骤S05)，结束处理。另外，在未完成学习处理或者不是故障预兆检测模式的情况下(步骤S04，否)，中央处理装置113结束处理。

此外，步骤S03的学习处理是用于实现学习部25的处理，另外参照图9说明更详细的处理流程。另外，步骤S05的故障预兆检测处理是用于实现异常度计算部26以及故障预兆判定部27的处理，另外参照图10说明更详细的处理流程。

图9示出了学习处理的详细处理流程的例子。如图9所示，在学习处理中，中央处理装置113首先执行代表值清零处理(步骤S11)。代表值清零处理是将位置代表值存储部2213、温度代表值存储部2223以及角度代表值存储部2233中分别存储的位置代表值、温度代表值以及角度代表值清零的处理，另外参照图11说明其详细的处理流程。

接着，中央处理装置113将步骤S12至步骤S17的处理重复与学习样本数相同的次数。此外，学习样本数是在学习模式中为了频率分析处理而输入的一系列的时序的振动数据(FFT点数量的振动数据)的序列数。

在从步骤S12至步骤S17的重复处理中，中央处理装置113首先执行测量数据取得处理，直到FFT点数量的振动数据收集完成为止(步骤S13、步骤S14)。此外，测量数据取得处理是取得通过传感器单元13的加速度传感器131、温度传感器132、陀螺传感器133测量的三轴加速度、温度、角速度的各数据，计算振动数据、位置代表值、温度代表值以及角度代表值的处理，另外参照图12说明其详细的处理流程。

中央处理装置113，若FFT点数量的振动数据取得完成(步骤S14，是)，则执行代表值保存处理(步骤S15)，进而执行代表值清零处理(步骤S16)。在此，代表值保存处理是将振动数据取得完成时间点的位置代表值、温度代表值以及角度代表值与此时的时刻对应起来，分别存储在状态数据取得部22(参照图3)的位置代表值履历存储部2214、温度代表值履历存储部2224以及角度代表值履历存储部2234中的处理，另外参照图13说明其详细的处理流程。另外，步骤S16的代表值清零处理是与步骤S11的代表值清零处理相同的处理。

接着，中央处理装置113将步骤S18至步骤S21的处理重复与学习样本数相同的次数，在该重复处理中，执行针对每个学习样本的振动数据的FFT处理(步骤S19)，进而执行代表值取得处理(步骤S20)。在此，FFT处理是使用快速傅里叶变换，针对每个学习样本的振动数据进行频率分析的处理。另外，代表值取得处理是参照位置代表值履历存储部2214、温度代表值履历存储部2224以及角度代表值履历存储部2234，分别取得与取得各个在频率分析中使用的振动数据的最终数据的时刻最近的时刻的位置代表值、温度代表值以及角度代表值，作为同步位置代表值、同步温度代表值以及同步角度代表值的处理。此外，另外参照图14说明代表值取得处理的详细处理流程。

通过以上的步骤S18至步骤S21的重复处理，得到学习样本数量的频率分析结果w1，w2，...，wn、同步位置代表值xyz(x，y，z)、同步温度代表值T以及同步角度代表值θ的数据。即，生成学习样本数量的学习数据的矢量(w1，w2，…，wn，x，y，z，T，θ)。因此，中央处理装置113以该学习样本数量的学习数据的矢量(w1，w2，…，wn，x，y，z，T，θ)为对象进行聚类分析，针对所生成的簇计算其簇半径以及重心坐标(步骤S22)，结束该学习处理。

此外，在步骤S21中的聚类分析中，可以不仅包含通过从步骤S18至步骤S21的重复的处理生成的学习数据的矢量，还包含过去从相同X射线管12得到的学习数据的矢量来进行聚类分析。

图10示出了故障预兆检测处理的详细处理流程的例子。如图10所示，在故障预兆检测处理中，中央处理装置113首先执行代表值清零处理(步骤S31)。该代表值清零处理是与图9的学习处理中的代表值清零处理(步骤S11)相同的处理，另外参照图11说明其详细处理流程。

以下，从步骤S32至步骤S37的处理，除了在图9的学习处理中的步骤S12以及步骤S17中将学习样本数替换为检测对象样本数以外，与步骤S12至步骤S17的处理相同，因此，省略其说明。此外，检测对象样本数是在故障预兆检测模式中为了频率分析处理而输入的一系列的时序的振动数据(FFT点数量的振动数据)的序列数。

接着，中央处理装置113将步骤S38至步骤S42的处理重复与检测对象样本数相同的次数，在该重复处理中，执行针对每个检测对象样本的振动数据的FFT处理(步骤S39)，执行代表值取得处理(步骤S40)，进而执行异常度计算处理(步骤S41)，结束该故障预兆检测处理。

在此，步骤S39的FFT处理以及步骤S40的代表值取得处理是与图9的学习处理中的FFT处理(步骤S19)以及代表值取得处理(步骤S20)相同的处理。因此，作为这些处理结果，生成故障预兆检测对象数据的矢量(w1，w2，…，wn，x，y，z，T，θ)。然后，异常度计算处理(步骤S41)中，在n+5维的矢量空间中求出故障预兆检测对象数据的矢量(w1，w2，…，wn，x，y，z，T，θ)表示的位置与通过学习处理(参照图8)生成的簇的距离，进而计算通过式(3)表示的异常度。此外，另外参照图15说明异常度计算处理的详细的处理流程。

如上所述，当针对各个检测对象数样本计算异常度时，中央处理装置113执行阈值判定处理(步骤S43)，将其结果作为故障预兆检测数据而输出。此外，在阈值判定处理中，将通过异常度计算处理(步骤S41)计算出的异常度与既定的阈值进行比较，由此判定有无检测出故障预兆，但是作为该情况下的判定基准，可以设想各种基准。例如，即使仅检测出一个比既定阈值大的异常度，也可以判定为检测出故障预兆，或者也可以例如当检测出5个以上比既定阈值大的异常度时判定为检测出故障预兆。

图11示出了代表值清零处理的详细的处理流程的例子。如图11所示，中央处理装置113在代表值清零处理中，首先将位置代表值存储部2213(参照图3)中存储的位置代表值(xa，yz，za)以及样本数Na清零(步骤S111)。接着，中央处理装置113将温度代表值存储部2223中存储的温度代表值Ta以及样本数Na清零(步骤S112)，进而，将角度代表值存储部2233中存储的角度代表值θa以及样本数Na清零(步骤S113)，结束该代表值清零处理。

图12示出了测量数据取得处理的详细的处理流程的例子。如图12所示，在测量数据取得处理中，三轴加速度、角速度以及温度(壳体温度)分别在不同定时取得。此外，在该例子中，从三轴加速度计算振动数据，因此，三轴加速度的取得定时例如为10μ秒左右的间隔，但是温度的取得定时例如可以是1秒间隔。

中央处理装置113，首先判定是否是三轴加速度取得定时，在是三轴加速度取得定时的情况下(步骤S51，是)，取得通过加速度传感器131测量出的三轴加速度(步骤S52)。接着，中央处理装置113从该三轴加速度计算振动数据Dv，与此时的时刻一起存储在记录装置115中(步骤S53)。另外，中央处理装置113从三轴加速度计算此时当前的位置数据(xc，yc，zc)，与此时的时刻一起存储在当前位置存储部2211中(步骤S54)。而且，中央处理装置113使用之前说明的式(1)以及式(2)计算位置代表值(xa，yz，za)以及样本数Na，与此时的时刻一起存储在位置代表值存储部2213中(步骤S55)。

另一方面，在不是三轴加速度取得定时的情况下(步骤S51，否)，中央处理装置113跳过步骤S52～步骤S55的处理，转移到步骤S56的判定处理。

接着，中央处理装置113判定是否是温度取得定时，在是温度取得定时的情况下(步骤S56，是)，取得通过温度传感器132测量到的X射线管12的壳体的温度数据Dt(步骤S57)，将所取得的温度数据Dt与此时的时刻一起存储在当前温度存储部2221中(步骤S58)。进而，中央处理装置113使用与式(1)、式(2)同样的式子计算温度代表值Ta以及样本数Na，与此时的时刻一起存储在温度代表值存储部2223中(步骤S59)。

另一方面，在不是温度取得定时的情况下(步骤S56，否)，中央处理装置113跳过步骤S57至步骤S59的处理，转移到步骤S60的处理。

接着，中央处理装置113判定是否是角速度取得定时，在是角速度取得定时的情况下(步骤S60，是)，取得通过陀螺传感器133测量到的角速度(步骤S61)，根据该取得的角速度计算此时当前的角度数据Da，与此时的时刻一起存储在当前角度存储部2231中(步骤S62)。进而，中央处理装置113使用与式(1)、式(2)同样的式子计算角度代表值θa以及样本数Na，与此时的时刻一起存储在角度代表值存储部2233中(步骤S63)。接着，中央处理装置113结束该测量数据取得处理。

另一方面，在不是角速度取得定时的情况下(步骤S56，否)，中央处理装置113跳过步骤S61至步骤S63的处理，结束该测量数据取得处理。

此外，在以上说明的测量数据取得处理中，中央处理装置113从传感器单元13取得三轴加速度，根据该三轴加速度计算振动数据以及位置数据，但是也可以如图2中说明的那样，通过传感器单元13的信号处理部135计算振动数据Dv并输出(振动数据输出部1351)，计算位置数据Dp并输出(位置数据输出部1352)。同样，可以通过传感器单元13的信号处理部135根据角速度计算角度数据Da并输出(角度数据输出部1354)。

图13示出了代表值保存处理的详细的处理流程的例子。如图9以及图10所示，当成为单位的频率分析中所需的时序振动数据(FFT点数量的振动数据)的取得完成后执行代表值保存处理。

如图13所示，在代表值保存处理中，中央处理装置113将该时间点在位置代表值存储部2213中存储的位置代表值(xa，ya，za)与此时的时刻一起保存在位置代表值履历存储部2214中(步骤S151)。接着，中央处理装置113将该时间点在温度代表值存储部2223中存储的温度代表值Ta与此时的时刻一起保存在温度代表值履历存储部2224中(步骤S152)。进而，中央处理装置113将该时间点在角度代表值存储部2233中存储的角度代表值θa与此时的时刻一起保存在角度代表值履历存储部2234中(步骤S153)，结束该代表值保存处理。

此外，通过以上的代表值保存处理，在位置代表值履历存储部2214、温度代表值履历存储部2224以及角度代表值履历存储部2234中分别保存的位置代表值(xa，ya，za)、温度代表值Ta以及角度代表值θa，可以指以成为单位的频率分析所需的时序振动数据(FFT点数量的振动数据)的取得完成的时刻t被同步的代表值。

图14示出了代表值取得处理的详细的处理流程的例子。如图9、图10所示，在FFT处理(步骤S19、S39)之后执行代表值取得处理(步骤S20、S40)。

在图14中的代表值取得处理中，中央处理装置113首先取得与在之前的FFT处理中使用的振动数据中的最终的振动数据对应的时刻t(步骤S201)。接着，中央处理装置113从位置代表值履历存储部2214中，将与时刻t最近的时刻所对应的位置代表值(xa，ya,，za)作为同步位置代表值(x(t)，y(t)，z(t))提取出来(步骤S202)。接着，中央处理装置113从温度代表值履历存储部2224中，将与时刻t最近的时刻所对应的温度代表值Ta作为同步温度代表值T(t)提取出来(步骤S203)。接着，中央处理装置113从角度代表值履历存储部2234，将与时刻t最近的时刻所对应的角度代表值θa作为同步角度代表值θ(t)提取出来(步骤S204)，结束该代表值取得处理。

图15示出了异常度计算处理的详细的处理流程的例子。异常度计算处理是针对由从故障预兆检测处理的FFT处理(图10：步骤S39)、代表值取得处理(同图：步骤S40)得到的频率成分w1(t)，w2(t)，…，Wn(t)、同步位置代表值x(t)，y(t)，z(t)、同步温度代表值T(t)以及同步角度代表值θ(t)构成的(n+5)维的矢量，计算从该矢量表示的位置到通过学习处理(参照图9)而生成的m个簇各自的表面的距离，从中提取最小值，设为异常度的处理。

因此，中央处理装置113对全部簇(j＝1，…，m)重复执行步骤S71～步骤S73的处理。并且，在该重复处理中，计算从所述矢量(w1(t)，w2(t)，…，wn(t)，x(t)，y(t)，z(t)，T(t)，θ(t))表示的位置到簇j的表面的距离dj(t)(步骤S72)。此外，使用所述式(3)～式(7)计算距离dj(t)。

而且，中央处理装置113计算通过步骤S71～步骤S73的处理计算出的m个距离dj(t)(j＝1，…，m)的最小值作为异常度Sd(t)(步骤S74)，结束该异常度计算处理。

图16表示在记录装置115中存储的数据的结构的例子。如图16所示，在记录装置115中存储有模式表数据50、时序振动数据51、X射线管状态数据52、频率分析数据53、学习数据55、故障预兆检测数据56等。

模式表数据50通过将模式编号501、摄影次数上限502以及摄影次数下限503作为一组数据的多组数据而构成。该各个一组数据对应于X射线管故障预兆检测装置11的一个动作模式。因此，模式设定部24(参照图1、图3)从X射线管12取得摄影次数，从禁止标志设定部取得禁止标志，并且参照模式表数据50，设定其动作模式。

时序振动数据51是将从传感器单元13输出的振动数据Dv按照时刻顺序存储而得的数据，由将时刻511和振动数据512对应起来的多个时序数据组成。时序振动数据51是成为频率分析的对象的数据，在频率分析部21中被使用。

X射线管状态数据52由位置数据521、温度数据522以及角度数据523构成，是存储从传感器单元13输出的位置数据Dp、温度数据Dt以及角度数据Da的当前值或其代表值等而得的数据。此外，另外参照图17说明位置数据521的更详细的结构。

频率分析数据53由采样频率531、频率分析点数532、频率分析结果数据533等构成。在此，采样频率531是决定取得振动数据512的周期的数据，频率分析点数532是决定在频率分析中输出的频率成分的数量的数据。另外，频率分析结果数据533是通过频率分析部21生成的数据，另外参照图18说明其详细的结构。

学习数据55由学习样本数551、簇数最大值552、簇数据553等构成。在此，学习样本数551是由学习部25生成簇数据553时输入的一系列的时序振动数据(FFT点数量的振动数据)的序列数。另外，簇数最大值是学习部25生成簇时的簇数最大值。另外，簇数据553由学习部25生成，另外参照图19说明其详细结构。

故障预兆检测数据56由检测对象样本数561、异常度阈值562、故障预兆判定结果数据563等构成。在此，故障预兆判定结果数据563是异常度计算部26计算异常度时输入的一系列的时序振动数据(FFT点数量的振动数据)的序列数。异常度阈值562是用于判定通过异常度计算部26计算出的异常度Sd是正常还是异常的阈值。另外，故障预兆判定结果数据563由故障预兆判定部27生成，另外参照图20说明其详细结构。

图17表示X射线管状态数据52中包含的位置数据521的详细结构的例子。如图17所示，位置数据521由当前位置数据5211、位置代表值数据5212、位置代表值履历数据5213等构成。而且，当前位置数据5211包含当前时刻、当前位置的坐标值(xc，yc，zc)而构成，位置代表值数据5212包含当前时刻、此时当前的位置代表值(xc，yc，zc)、样本数(Na)而构成。

另外，位置代表值履历数据5213是每当通过频率分析部21将频率分析结束通知数据54的频率分析完成标志设为“开(ON)”时，将此时作为位置代表值数据5212而存储的位置代表值(xa，ya，za)与频率分析完成时刻对应起来存储而得的数据。即，位置代表值履历数据5213由各个频率分析完成时刻即完成时刻(t(i))和该时刻被同步的多个位置代表值(xa(i)，ya(i)，za(i))构成。

在此，当前位置数据5211是图3中的当前位置存储部2211中存储的数据，位置代表值数据5212是图3中的位置代表值存储部2213中存储的数据，位置代表值履历数据5213是图3中的位置代表值履历存储部2214中存储的数据。

此外，X射线管状态数据52(参照图16)中包含的温度数据522以及角度数据523的详细的结构，按照位置数据521的详细的结构，在此省略其说明。

图18表示频率分析数据53中包含的频率分析结果数据533的详细结构的例子。如图18所示，频率分析结果数据533由学习样本数或检测对象样本数的单位分析结果数据构成，各个单位分析结果数据由频率分析的完成时刻、多个频率成分数据、同步位置代表值(xa，ya，za)、同步温度代表值(Ta)、同步角度代表值(θa)构成。此时，各个频率成分数据由频率、功率、相位的各数据构成。

此外，学习模式时得到的频率分析结果数据533，在学习部25进行的簇生成时被使用，故障预兆检测模式时得到的频率分析结果数据533，在异常度计算部26进行的异常度Sd的计算中被使用。

图19表示学习数据55中包含的簇数据553的详细结构的例子。如图19所示，簇数据553由通过学习部25生成的簇数量的单位簇数据构成。并且，各个单位簇数据(第j个簇的数据)由簇重心坐标(wj1，wj2，…，wjn，xj，yj，zj，Tj，θj)以及簇半径rj构成。

图20表示故障预兆检测数据56中包含的故障预兆判定结果数据563的详细结构的例子。如图20所示，故障预兆判定结果数据563由检测对象样本数561的量的单位判定结果数据构成。并且，各个单位判定结果数据包含时刻、异常度、判定数据而构成。在此，时刻是取得故障预兆检测对象样本的时刻，异常度以及判定数据基于异常度计算部26以及故障预兆判定部27中的处理结果而设定。

在以上说明的实施方式中，X射线管故障预兆检测装置11不仅包含对基于测量X射线管12中产生的振动而得的振动数据的频率分析结果的数据，还包含X射线管12的位置、姿态角、温度的数据来进行聚类分析，生成了簇数据。另外，在检测故障预兆的情况下，也使用不仅包含基于从X射线管12得到的振动数据的频率分析结果的数据，还包含此时的X射线管12的位置、姿态角、温度的数据的数据，计算到最近的簇表面的距离即异常度Sd。因此，如此求出的异常度Sd，与使用仅基于振动数据的频率分析结果而生成的簇来检测来自X射线管12的振动数据的异常(异常噪声)的情况相比，其故障预兆的检测精度提高。其理由如使用图7所说明的那样。

图21示意性地示出了应用了本发明的实施方式的X射线管故障预兆检测装置11的透射型X射线摄影装置1的结构的例子。如图21所示，透射型X射线摄影装置1是对载置在床3上的被摄体7从配置在其上方的X射线管12照射X射线6，并通过配置在床3的下侧的X射线检测器2检测透射了被摄体7的X射线6，由此对被摄体7的X射线透射像进行摄像的装置。

此时，在X射线管12的壳体内安装有传感器单元13，传感器单元13与X射线管故障预兆检测装置11连接。并且，通过传感器单元13测量出的振动数据Dv、位置数据Dp、温度数据Dt、角度数据Da被输入到X射线管故障预兆检测装置11。另外，X射线管12也与X射线管故障预兆检测装置11连接(连接布线省略图示)，从X射线管12向X射线管故障预兆检测装置11输入该X射线管12中的摄影次数数据Dc。

另外，X射线管12被X射线管保持体5保持，构成为能够沿着被摄体7的体轴方向以及与体轴垂直的方向自由移动。另外，X射线管保持体5通过支柱4被床3或地面支持，并且通过使支柱4伸缩，能够调节X射线管12与被摄体7的距离。而且，X射线管保持体5构成为能够以被摄体7的体轴为中心使支柱4倾斜或旋转。

以上那样使X射线管12移动或者倾斜(旋转)的控制由摄影控制装置10进行。另外，摄影控制装置10控制X射线管12中的X射线发生定时，并且根据由X射线检测器2取得的X射线的强度数据生成被摄体7的透射像。

图22示意性地示出了应用了本发明的实施方式的X射线管故障预兆检测装置11的X射线CT装置1a的结构的例子。X射线CT装置1a的基本结构要素及其功能与图21所示的透射型X射线摄影装置1几乎没有区别，但是，具体来说在以下方面不同。以下，仅说明不同的方面。

在X射线CT装置1a中，与X射线管保持体5相当的部分被称为机架5a。机架5a形成为圆环形状，载置在床3上的被摄体7沿着体轴被放入机架5a的圆环的中心部。在机架5a上，X射线管12以及X射线检测器2以被配置在以被摄体7的体轴为中心的相互相反侧的位置的方式被支持，而且机架5a构成为能够使该X射线管12以及X射线检测器2以被摄体7的体轴为中心进行360度旋转。因此，X射线管12能够从任意方向对被摄体7照射X射线6。

因此，摄影控制装置10控制X射线管12以及X射线检测器2，取得来自被摄体7的360度任意方向的X射线透射像，使用来自该被摄体7的360度任意方向的X射线透射像生成与被摄体7的体轴垂直的截面的断层图像。即，X射线CT装置1a并非取得被摄体7的简单的透射像，而是取得被摄体7的断层像，这一点与图21的透射型X射线摄影装置1大不相同。

此外，X射线检测器2并非被配置在X射线管12的相反侧的位置，而可以绕机架5a的圆环的全周来配置。在该情况下，在X射线管12沿着机架5a的圆环旋转时，X射线检测器2也不旋转。

在以上那样的X射线CT装置1a中，X射线管12与图21所示的透射型X射线摄影装置1的情况相比，位置的移动量和姿态角的变动量都大。因此，X射线CT装置1a具备X射线管故障预兆检测装置11，由此可以高精度地检测X射线管12的振动数据的异常(异常噪声)。

此外，本发明并不限定于上述的实施方式，还进一步包含各种各样的变形例子。上述实施方式是为了更好的理解本发明而进行的详细说明，但是并不限定于必须具备说明的全部结构。另外，能够将某个实施方式的结构的一部分替换为其他实施方式的结构，并且，能够在某个实施方式的结构中添加其他实施方式结构的一部分或者全部。

符号说明

1：透射型X射线摄影装置(X射线摄像装置)；

1a：X射线CT装置(X射线摄像装置)；

2：X射线检测器；

3：床；

4：支柱；

5：X射线管保持体；

6：X射线；

7：被摄体；

10：摄影控制装置；

11：X射线管故障预兆检测装置；

111：显示装置；

112：警报装置；

113：中央处理装置；

114：操作输入装置；

115：记录装置；

116：存储装置；

117：I/O端口；

12：X射线管；

121：X射线球管；

122：线圈；

123：旋转阳极；

123a：目标部件；

124：阴极；

125：控制部；

1251：摄影次数计数部；

13：传感器单元；

131：加速度传感器；

132：温度传感器；

133：陀螺传感器；

134：A/D转换器；

135：信号处理部；

1351：振动数据输出部；

1352：位置数据输出部；

1353：温度数据输出部；

1354：角度数据输出部；

14：操作台；

20：振动数据取得部；

21：频率分析部；

22：状态数据取得部；

221：位置代表值取得部；

2211：当前位置存储部；

2212：位置代表值计算部；

2213：位置代表值存储部；

2214：位置代表值履历存储部；

222：温度代表值取得部；

2221：当前温度存储部；

2222：温度代表值计算部；

2223：温度代表值存储部；

2224：温度代表值履历存储部；

223：角度代表值取得部；

2231：当前角度存储部；

2232：角度代表值计算部；

2233：角度代表值存储部；

2234：角度代表值履历存储部；

23：禁止标志设定部；

24：模式设定部；

25：学习部；

251：多路分配器；

252：簇数据生成部；

253：多路转换器；

26：异常度计算部；

261：多路分配器；

262：距离计算部；

263：最小值提取部；

27：故障预兆判定部。