基于医疗物联网运行数据的X射线管灯丝烧损原型对齐退化预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Prototype-aligned degradation prediction of X-ray tube filament burnout using Internet of Medical Things operational data

　　

•采用原型对齐的表示学习，将时间表示从完好状态原型到燃尽状态原型进行正则化，用于在部分观测条件下进行长程退化预测。
•开发了一个与灯丝退化状态对齐的三阶段警告框架，实现了对CT X射线管管理的具体阶段维护行动。
•在所有三个警告阶段上展示了所提出方法在真实CT数据上的有效性，并纳入天气相关的环境因素以考虑其对退化动力学的影响。
•利用时间建模捕捉未来退化轨迹，实现部分观测条件下的准确长程警告。

引言

计算机断层扫描（CT）已成为现代医疗中的核心诊断方式。通过X射线技术生成高分辨率横断面图像，CT支持多种临床场景下的常规诊断和治疗规划。其临床价值已在大规模研究中得到证实。例如，国家肺癌筛查试验报告了通过基于低剂量CT筛查的早期发现来降低肺癌死亡率[1]。随着对CT检查的临床依赖增加，CT设备的可靠性和可用性与服务连续性、患者安全和医院运营效率密切相关。

从运营角度看，CT设备是高价值资产，具有复杂的机电架构和多协议工作模式。典型的扫描模式包括顶图扫描（TOP）、旋转扫描（ROT）和序列扫描（SEQ），临床协议涉及在模式设置之间频繁切换。系统层面的影响是CT扫描仪在长期、异质和非平稳的工作负载下运行，而不是稳定的重复工业条件[2]、[3]、[4]。医院运营的证据表明，意外的CT设备故障可能引发长时间的停机，往往因更换部件采购和恢复程序的延迟而加剧，导致检查取消和收入损失[5]。在关键护理工作流程中，流程模拟研究进一步表明，CT设备完全停机可以显著降低治疗效率，更长的停机时间可能导致总流程时间翻倍以上，这可能会负面影响患者结果。这些观察表明，CT设备可靠性不仅应作为设备维护问题来处理，还应作为涉及可用性管理和风险控制的系统工程问题[2]。

在CT设备子系统中，X射线管是停机、意外曝光和维护成本的主要贡献因素。灯丝反复经历热循环、电子轰击和阴极蒸发，其剩余使用寿命（RUL）受实际运行模式的强烈影响。与实验室条件不同，临床使用涉及由解剖区域、患者体重、协议选择和操作员依赖行为（如预热例程和模式切换）引起的频繁工作负载波动。这产生了不均匀的应力历史和高变性的退化轨迹。因此，很难开发通用的退化指标或直接在平稳条件下开发的预测性维护（PdM）模型。目前专门针对常规纵向临床操作下高压医用X射线管的RUL数据驱动研究仍然有限。许多现有研究依赖于加速老化实验或受控测试，这不能代表医疗设施中遇到的异质应力模式[2]。

在常规使用中，灯丝退化是X射线管的主要失效机制，可作为灯丝健康状态的可观察替代指标[6]。随着灯丝电阻因热循环和材料损失而随时间增加，灯丝性能可能恶化并最终导致燃尽，这可能导致图像伪影、诊断准确性受损并威胁患者健康。已报告了灯丝电阻漂移与退化之间的经验关联，但由于以下几个原因，具有物理引导、可临床部署的失效预测模型仍然具有挑战性。首先，扫描协议在临床应用之间存在显著差异，导致异质的占空比和电流-电压响应。其次，由工作流程和技术人员引入的运行变异性掩盖了灯丝电流信号中的长期趋势，退化特征变得可观察性弱，并与短期运行条件纠缠在一起[2]。这些特征限制了纯数据驱动预测模型在没有额外物理约束或结构情况下的有效性。

最近的深度学习方法通过集成模型和基于随机性的技术，提高了非平稳退化系统的RUL预测。例如，[7]提出了一种集成模型，结合了时间卷积网络、Transformer和基于注意力的LSTM，并通过平滑半鞅层连接，以捕捉锂离子电池退化中的可预测趋势和随机变化。该工作还使用强化学习在制造质量筛选过程中动态调整电压、温度和持续时间，从而实现了动态烧入优化方法。类似地，[8]将CNN、Transformer和LSTM与平滑半鞅层结合用于RUL预测，并辅以强化学习进行超参数调优以及灵活的任务中止策略，该策略支持基于变化的RUL阈值的实时决策，如任务转移、重新参与和维护计划。

尽管这些方法通过随机建模和动态优化很好地处理了非平稳退化，但它们存在两个与我们临床环境相关的局限性。首先，它们仅从当前时刻预测RUL，从当前向后预测剩余寿命。然而，对于X射线管的主动维护，我们需要预测未来时间（例如几天后）的RUL，以便安排更换而不干扰患者护理。其次，它们的集成模型依赖于重度在线学习和大量计算能力，这在临床环境中可能不切实际。相比之下，所提出的方法通过预测输入段之后2.8天的RUL来解决这些差距，使用了一种轻量级的原型导向时间注意力机制，易于解释，适合临床使用。这种前瞻性预测测试了模型在观测数据窗口之外的预测能力，提供了一种专为医疗设备退化定制的随机集成替代方案。

更广泛地说，PdM已在能源、物流和制造系统等行业中得到广泛采用[9]、[10]，IoMT的出现也为通过连续传感器监测和数据采集在医疗设施中实施PdM提供了技术基础。现有研究已探索了CT设备的PdM和故障诊断，使用传统机器学习方法如KNN、SVM和符号序列建模[11]、[12]，以及具有注意力机制的深度模型用于异常预测[13]。一些工作专注于预测扫描期间的X射线管电弧事件[14]，并提出了相关方法将电弧模式与灯丝真空退化联系起来[15]。虽然这些研究提供了有用的见解，但它们通常将任务表述为事件预测或短期分类，这对于寿命预测和主动更换计划来说是不够的。此外，电弧只是一种与失效相关的现象，并不直接代表可用性管理至关重要的长期灯丝燃尽过程。

对于实际维护计划，灯丝可靠性管理需要预测长期退化轨迹并在失效前识别警告阶段。由于灯丝退化通常通过具有不同维护含义的多个工程阶段进展，预测轨迹可以使用预定义的工程规则转化为具体阶段的维护警告。多状态系统可靠性中的先前研究表明，明确考虑多个退化阶段对基于状态的维护决策制定是有益的[16]、[17]、[18]、[19]。CT设备退化不是从"健康"到"失效"的二元过程。相反，它通过中间阶段演变，这些阶段对应不同的风险水平和维护响应。例如，灯丝电流轨迹通常表现出慢速退化阶段，随后在燃尽前不久进入加速下降阶段[6]。这些退化特征促使先前工作对基于状态的维护和决策制定进行了多状态可靠性研究[20]、[21]、[22]。因此，CT设备的有效PdM需要（i）在异质运行条件下预测未来退化轨迹，（ii）从预测轨迹中识别高风险警告阶段，以及（iii）支持及时维护计划以减少非计划停机。

在方法论上，长序列多变量时间序列预测取得了迅速进展。基于MLP的模型如FreTS [23]和Koopa [24]以低复杂度提供高效的全球预测。基于CNN的方法如ForCNN [25]使用多尺度卷积提取时间模式。包括LSTM [26]和GRU [27]在内的递归网络仍被广泛使用，变体如NOA-LSTM [28]和DAFA-BiLSTM [29]专为长依赖建模而设计。基于Transformer的预测模型[30]也已被广泛用于RUL预测。因此，如Informer [31]和Autoformer [32]等Transformer架构也展示了强大性能，尽管对于长序列来说注意力计算可能很昂贵。最近，提出了状态空间模型如Mamba [21]和时间序列变体如TimeMachine [33]，以减少计算开销同时保持表示能力。

虽然先前工作已探索了全球退化建模（例如健康指标学习、单调约束和物理引导方法），但大多数长序列预测模型仍依赖于分段预测，其学习的表示通常由局部时间变化主导。对于在异质临床条件下运行的CT设备，捕捉向失效过渡的全球退化转变至关重要，因为有效的早期警告依赖于准确检测从稳定到加速退化的转变。没有全球过渡路径的明确表示，模型可能实现可接受的逐点误差，但仍提供不可靠的警告时间，这限制了它们对面向阶段的预测性维护的实用性。

为了解决这些问题，本研究专注于使用从真实CT系统收集的长期数据来预测CT X射线管的灯丝燃尽。我们开发了一种名为时间原型对齐递归神经网络（TPA-RNN）的模型，该模型将退化视为两个全球状态之间的有序转变：初始健康状态和最终燃尽状态。两个状态的原型是通过结合多个训练灯丝的边界特征构建的，而不是被视为几个可学习的中心。在实践中，该模型使用不同的组件处理不同阶段，以应对稳定退化与突然急剧下降之间的不平衡。这种原型对齐在仅提供部分观测时为模型的时间表示如何演变提供了清晰的全球约束，使得预测的退化轨迹可以被解释为一系列工程警告阶段。基于预测的退化过程，使用结合经验阈值和机器学习阈值的混合阈值方案推导出三阶段警告策略，对应于稳定退化、急剧下降的开始和终端燃尽窗口。与传统基于阈值的维护策略不同，所提出的框架将数据驱动的退化预测与基于规则的警告解释相结合。所提出的框架旨在支持主动X射线管更换计划，减少非计划停机，避免意外曝光[2]，并提高医院网络中CT设备的可用性。

本文的贡献如下：

1. 采用原型对齐的表示学习，将时间表示从完好状态原型到燃尽状态原型进行正则化，用于在部分观测条件下进行长程退化预测。

2. 开发了使用结合经验阈值和机器学习阈值的混合阈值策略的三阶段警告框架，实现了对CT X射线管管理的具体阶段维护行动。

3. 在所有三个警告阶段上展示了所提出方法在真实CT数据上的有效性，并纳入天气相关的环境因素以考虑其对退化动力学的影响。

章节片段

数据收集与预处理

数据收集和预处理的整体过程如图1所示，由三个阶段组成：数据收集、数据清洗和数据预处理。数据收集涉及多个网络系统：DNS（域名系统）、NAT（网络地址转换）、PGN（飞利浦全球网络）、VPN（虚拟私人网络）和RSN（远程服务网络）。在预处理期间，生成散点图，X轴为累计扫描时间（s），Y轴为灯丝电流（mA）。

时间原型对齐递归神经网络（TPA-RNN）

灯丝电流变化趋势的预测是标准的长期时间序列预测，需要基于过去灯丝电流和CT运行数据来预测未来的灯丝电流变化。假设输入到模型的运行数据〈X,Y〉< />< />
模型结果

为了确定准确的灯丝燃尽预测的最佳输入长度和预测范围，我们首先评估了模型输入所需的历史数据持续时间和预测所需未来数据的适当持续时间。此优化过程仅需一次预定义的数据集划分，因为它关注的是模型级性能而不是灯丝特定评估。为此目的，从15个灯丝数据集中选择了一个，以展翼县灯丝作为。

第一阶段警告的准确性

当n=100时，第一阶段警告时间与灯丝电流实际降至3600 ma以下的时间之间的偏差如图10所示。 模型结果 为了确定准确的灯丝燃尽预测的最佳输入长度和预测范围，我们首先评估了模型输入所需的历史数据持续时间和预测所需未来数据的适当持续时间。此优化过程仅需一次预定义的数据集划分，因为它关注的是模型级性能而不是灯丝特定评估。为此目的，从15个灯丝数据集中选择了一个，以展翼县灯丝作为。 第一阶段警告的准确性 当n=100时，第一阶段警告时间与灯丝电流实际降至3600>
模型结果

为了确定准确的灯丝燃尽预测的最佳输入长度和预测范围，我们首先评估了模型输入所需的历史数据持续时间和预测所需未来数据的适当持续时间。此优化过程仅需一次预定义的数据集划分，因为它关注的是模型级性能而不是灯丝特定评估。为此目的，从15个灯丝数据集中选择了一个，以展翼县灯丝作为。

第一阶段警告的准确性

当n=100时，第一阶段警告时间与灯丝电流实际降至3600 ma以下的时间之间的偏差如图10所示。>

蓝色点为模型提供11天提前预警时的结果，平均偏差为0.8155天，方差为2.8080天，最大值为8.9598天。偏差落在-2至+1.1天范围内的概率为86.7%，表明模型发布预警后，有86.7%的概率...

讨论：本研究提出了一个数据驱动的框架，该框架结合了三阶段预警机制，用于CT设备中X射线管的预测性维护（PdM）。该方法使用来自临床系统的15支CT管的收集数据进行了验证。当预测灯丝电流将降至3600 mA以下时，系统发出第一阶段预警，在我们的研究中，预测时长的预测准确率为±2天，预测周期为14天。接下来，当灯丝...

结论：本研究通过将长时程退化预测与三阶段预警策略相结合，开发了CT X射线管的PdM框架。通过分析长期轨迹演化来研究灯丝退化，并采用原型对齐的公式化方法，指导表征学习从完好原型向烧毁原型演化，同时通过分阶段建模进行处理。所提出的TPA-RNN能够捕捉长期轨迹演化模式，同时适应管特定的变异性...

CRediT作者贡献声明：李涵钰：方法论，数据整理。刘任远：方法论，形式化分析。谈宇琪：形式化分析，数据整理。唐婧：撰写—审阅与编辑。王昌熙：监督，资源支持。

利益冲突声明：作者声明不存在已知的可能影响本文所述工作的竞争性经济利益关系或个人关系。

致谢：本工作得到国家自然科学基金委员会（NSFC）国际科技合作重点项目（资助号：W2511076）、四川大学华西医院学科卓越1.3.5工程（资助号：ZYGD23024）、国家自然科学基金青年科学基金（资助号：12201441）、四川省科技计划重点研发项目（资助号：2024YFFK0050）、四川省自然科学基金（资助号：2025ZNSFSC0653）的支持。

李涵钰 | 刘任远 | 谈宇琪 | 唐婧 | 王昌熙