X射线设备的制造方法
【技术领域】
[0001]本发明涉及X射线设备，特别是X射线设备的球管。
【背景技术】
[0002]X射线管是CT设备、X光机等医疗设备的关键部件之一，在这些设备的运行过程中，通常会记录X射线管的历史数据，以备维修工程师查阅。X射线管具有一定的使用寿命，但是无论是维修工程师还是这些医疗设备的使用者目前都不知道其何时损坏。这会导致进行中的检测终止，也因客户长时间宕机而造成资产的闲置。
【发明内容】
[0003]有鉴于此，本发明提出了一种X光设备，用以提供预计的X射线管损坏概率。
[0004]本发明的一实施例提供一种X射线设备，包括:一 X射线管；一历史数据获取单元，其获取所述X射线管在一第一时间段内运行的历史数据；一估计单元，其根据所述X射线管的历史数据估计所述X射线管在将来的一第二时间段内的损坏概率或损坏概率为某一值所对应的将来的一第三时间段。这样，维修工程师就能适时维修或更换，避免宕机造成的损失。
[0005]在一实施例中，所述估计单元以所述X射线管的历史数据作为一神经网络模型的输入估计所述损坏概率或所述第三时间段。
[0006]在一实施例中，所述神经网络模型是一反向传播神经网络、一径向基函数网络或一小波神经网络。
[0007]在一实施例中，所述估计单元归一化所述X射线管的历史数据后将归一化的历史数据作为所述神经网络模型的输入。历史数据的归一化可使神经网络的训练收敛。
[0008]在一实施例中，所述X射线设备包括一神经网络建立单元，所述神经网络建立单元根据复数个其他X射线管在所述第一时间段内运行的历史数据和损坏时间建立所述神经网络模型。这样，估计单元就能从神经网络建立单元获得神经网络模型。
[0009]在一实施例中，所述X射线管的历史数据包括所述X射线管的打火类型和打火次数，所述其他X射线管的历史数据包括所述其他X射线管的打火类型和打火次数。打火类型和打火次数是X射线管完好程度的重要指标。
[0010]在一实施例中，所述X射线管的历史数据还包括所述X射线管的类型、靶盘故障次数和一预定剂量下的灯丝电流中的至少一个，所述其他X射线管的历史数据还包括所述其他X射线管的类型、靶盘故障次数和所述预定剂量下的灯丝电流的相应组合。靶盘故障次数和灯丝电流也反映X射线管的完好程度。若其他X射线管中存在X射线管类型异于待估计损坏概率的X射线管，则历史数据中加入X射线管的类型可提高估计的精度。
[0011]在一实施例中，所述X射线设备包括一通知单元，用于向所述X射线设备的用户告知所述第二时间段内的损坏概率或损坏概率为某一值所对应的将来的第三时间段。这样，用户可在必要时联系维修人员。
[0012]在一实施例中，所述通知单元在所述X射线管使用一预定时间后或累计扫描时间超过一预定时间后向所述X射线设备的用户告知所述第二时间段内的损坏概率或损坏概率为某一值所对应的将来的第三时间段。这样可避免在X射线管状态良好时也出现提醒。
[0013]在一实施例中，所述X射线设备包括一发送单元，用于向一外部设备发送所述第二时间段内的损坏概率或损坏概率为某一值所对应的将来的第三时间段。这样，维修工程师能及时了解X射线管的状态并适时维修或更换。
[0014]本发明的X射线设备能根据X射线管的历史数据估计其损坏概率或损坏概率为某值时的时间段，以便维修工程师适时维修或更换，避免宕机造成的损失。
【附图说明】
[0015]下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中:
[0016]图1为根据本发明的一实施例的X射线设备的结构框图。
[0017]图2为根据本发明的一实施例的一神经网络。
[0018]在上述附图中，所采用的附图标记如下:
[0019]100 X射线设备111 发送单元
[0020]102 X射线管112输入层
[0021]104历史数据获取单元114分析层
[0022]106估计单元116输出层
[0023]108神经网络建立单元118外部设备
[0024]110通知单元
【具体实施方式】
[0025]为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
[0026]图1为根据本发明的一实施例的X射线设备100的结构框图，图中仅示出了与本发明最密切相关的部分。X射线设备100例如是一 CT设备。如图1所示，X射线设备100包括一 X射线管102、一历史数据获取单元104和一估计单元106。历史数据获取单元104获取X射线管102在一第一时间段内运行的历史数据，例如半年内。历史数据可包括X射线管102的打火类型和打火次数，打火类型和打火次数可以作为X射线管状态好坏的指标。此外，靶盘故障次数和一预定剂量下的灯丝电流也可以作为历史数据。事实上，随着时间的推移，X射线管趋于老化，达到相同剂量所需的灯丝电流会增大。估计单元106根据X射线管102的历史数据估计X射线管102在将来的一第二时间段内的损坏概率或损坏概率为某一值所对应的将来的一第三时间段。例如，估计单元106可以估计两周或一个月内的损坏概率，或者损坏概率为80%所对应的时间。
[0027]优选地，估计单元106以X射线管102的历史数据作为一神经网络模型的输入估计损坏概率或第三时间段。神经网络模型可以是一反向传播神经网络、一径向基函数网络或一小波神经网络。为使神经网络的输出收敛，估计单元106需要归一化X射线管102的历史数据，然后将归一化的历史数据作为神经网络模型的输入。
[0028]在本实施例中，X射线设备100还包括一神经网络建立单元108。神经网络建立单元108根据复数个其他X射线管在第一时间段内运行的历史数据和损坏时间建立神经网络模型。其他X射线管的历史数据的类型需要与X射线管102的历史数据的类型保持一致。若其他X射线管中存在异于X射线管102的球管类型，则X射线管102和其他X射线管的历史数据应包括X射线管的