医学设备的故障处理时的组件识别的制作方法

本发明涉及一种用于识别可以在设备的联合中运行的医学设备中的故障的、待更换的组件的方法和数据库系统、计算单元和系统以及计算机程序产品。

背景技术：

在临床运行中，医学设备的长时间的故障通常是不可接受的并且因此是时间上严格的。必须寻找替换件并且由替换件替换故障的组件的时间段应当尽可能小，以便尽可能地减小设备的停机时间。

从现有技术中已知，为此应用计算机辅助的方法以改善医学设备的服务。这些方法有时基于大量的可用数据，以便可以从中导出结论。然而，如果只有少量的数据可用，例如对于新产品，直接在产品发布之后，则这些方法会出现问题，因为还不存在运行数据或者存在很少的运行数据。

技术实现要素：

基于该现有技术，本发明要解决的技术问题是，扩展数据库，以便在故障情况下通过自动方法在产品周期中就已经能够及早地确定应当更换复杂的医学设备中的哪个组件。总的来说，应当改善故障情况下的设备的运行时间和故障处理。特别地，应当加快寻找合适的替换件。

该技术问题通过本发明来解决。本发明的说明书和附图还给出优选的实施方式。

根据第一方面，上述技术问题由用于识别医学设备的待更换的(由于是故障的)组件的方法来解决，所述医学设备分别包括多个(可能是不同的)组件。医学设备可以是mr设备。该方法包括如下方法步骤：

-分别读取设备中的一个的故障报告；

-实施识别算法，以用于针对读取的故障报告计算和输出更换数据组，其中更换数据组识别待更换的组件。识别算法为此利用读取的故障报告来访问数据库系统，在所述数据库系统中存储有具有从仿真模型计算出的更换数据组的故障模式，以便计算分别与读取的故障报告相关联的更换数据组作为结果。

本质上，本发明旨在通过使用机器方法和算法持续地扩展用于存储故障模式的数据库，以便可以在设备的产品生命周期中及早地并且特别是可以直接在产品发布之后就已经能够以最佳的质量为所采集的故障情况提供结果。该结果应当基于参考数据识别更换组件。参考数据包括来自测试运行的测试数据和来自仿真模型的仿真数据。仿真模型在测试运行期间，也在实际的设备运行期间在现场不断地扩展。

在该方法的一种有利的实施方式中，识别算法的实施通过读取故障报告触发。因此，该方法可以作为主动的方法运行。这具有如下优点：可以自动地且更快地提供结果，因为不必首先等待手动输入或询问。

有利地，该方法甚至可以在没有运行数据的情况下并且在医学设备首次投入运行或者产品发布之后直接完整实施。这可以通过产生和应用仿真模型来实现，仿真模型除了提供测试数据还提供仿真数据，所述仿真数据作为输入参量被用于产生故障模式。这具有如下优点：该方法可以在初次投入运行时就已经应用并且即使没有运行数据也可以。这可以通过利用参考数据(即在开发阶段收集的测试数据)以及附加地利用仿真的数据扩展数据库来实现。

在本发明的另外的有利的实施方式中，识别算法被设计为自学习的系统。为此，针对相应的故障报告所计算的更换数据组(迭代地且持续地)，以及可选地：相关联的分析数据组，被提供到数据库系统中。由此可以改善结果的质量。

此外，该技术问题通过用于在上述方法中应用的数据库系统来解决。在数据库系统中存储故障模式，所述故障模式借助故障模式产生单元自动地产生，其中故障模式产生单元被设计为用于基于仿真模型实施机器学习方法，所述仿真模型用于通过输入参量的相关性连续地学习和存储故障模式，其中故障模式相应地包括故障报告的故障类型(或者故障类型的组合)和指示待更换组件的更换数据组之间的关联。

在数据库系统的有利的实施方式中，为了产生故障模式，故障模式产生单元读取作为输入参量汇集的、具有医学设备的故障情况的、测试运行的测试数据以及相关联的更换数据组，以便由此产生故障模式。因此，在设备的开发阶段中并且特别是在设备发布之前采集测试数据。优选地，更换数据组(其唯一地参考以测试方式替换的组件)和分析数据组分别与测试模式(测试数据)中的相应的故障情况相关联并且作为模式存储。分析数据组用于表明(通过更换导致的)故障消除措施的质量分析。

与设备的测试运行并行地产生仿真模型。仿真模型用于扩展具有仿真数据的数据库，所述仿真数据库由迄今汇集的数据(测试运行和之后在实际设备运行中利用运行数据)计算。汇集的数据包括用于表明相应的故障情况的数据字段、相关联的更换数据组和分析数据组。所述汇集的数据也可以源自同类型的另外的设备(例如相同的模态和具有可预设的一致的技术标准的设备)。根据本发明的有利的实施方式，测试数据也可以由相同类型的另外的设备使用。由此扩展了数据库并且可以更早或者更快地获得测试数据或者训练数据，以便将其用于计算。

在数据库系统的另一种有利的实施方式中，仿真模型不仅在开发阶段中的测试运行期间持续扩展，而且随后还可以在产品生命周期中，即在实际运行期间以运行数据来扩展。由此，可以通过组件更换来持续地改善故障消除措施的质量。这通过数据库设计为用于产生故障模式作为自学习的系统并且不断扩展来实现。这进一步具有如下优点：自动的组件识别方法可以在产品周期中就已经及早地甚至直接在产品发布之后，在不存在运行数据的情况下实施。在本发明的该实施方式中，所述设备在开发阶段中被测试。为此产生可预定义的测试情况，部分地也是为了以预期的方式产生故障，然后采集这些故障。用于消除所采集的故障而(部分地)更换的组件被采集为更换数据组并且存储在数据库系统中。通过组件更换(换言之，通过新的或者无故障的组件替换故障的组件)导致的故障消除的品质借助分析数据组分析并且也被存储。对于未来的故障情况，之前收集的数据(故障报告、更换数据组、分析数据组)以关联的方式(即作为故障模式)提供给数据库系统的数据库。针对特定的故障报告可以基于存储的故障模式在存储的数据中实施分析，以便计算对于故障情况合适的更换数据组。

在数据库系统的另一种有利的实施方式中，该数据库系统被设计为用于大量医学设备的中央实体。由此可以扩展所产生的故障模式的范围并且改善结果的说服力。

在数据库系统的另一种有利的实施方式中，故障模式产生单元与规则库交互，在所述规则库中存储有用于产生故障模式的规则。所述规则可以预先定义。所述规则优选地是动态可调整的。因此，该方法有利地可以非常灵活地匹配于设备的应用和运行情况。

规则例如可以是首先a然后b的处理顺序或者是a和b的任意顺序。

在另外的情况下，规则可以导致仅使用最大概率的故障模式或者可以对规则进行特定于系统的或者特定于国家的预设。

在数据库系统的另一种有利的实施方式中，为了产生故障模式，故障模式产生单元考虑分析数据或者分析数据组，所述分析数据组表示对于相应的已经实施的故障消除的品质的度量，并且在历史上的组件替换中采集和存储所述分析数据组以形成故障报告。

在另外的有利的设计中，为了产生故障模式，数据库系统和/或故障模式产生单元可以包括处理器或者与该处理器交互，所述处理器被确定用于应用用于机器学习的方法以及特别是用于应用用于实施马尔可夫(markow)过程(或者马尔可夫链)的方法。

在另一种有利的实施方式中，处理器还可以用于应用数据数据挖掘方法和/或用于应用统计的和随机的方法来进行数据处理。

此外，开头提到的技术问题还通过计算单元来解决，所述计算单元尤其可以被设计为中央服务器并且用于提供组件识别服务，所述组件识别服务根据上述方法中的一个运行并且为此与数据库系统交互。计算单元包括如下组件：

-输入接口，其被确定为用于分别读取医学设备中的一个的故障报告；

-识别单元，其被设计为用于应用识别算法以计算更换数据组；

-输出接口，其被确定为用于输出计算的更换数据组。

输入和输出接口被理解为逻辑接口。其能够实现并且规范数据库系统或者计算单元的不同的处理器和部件之间的命令和数据的交换。

此外，该技术问题通过具有经由网络连接的单元的医学系统来解决，其包括：

-多个医学设备、尤其是mr设备，其分别包括多个组件；

-计算单元，如上所述；

-数据库系统，如上所述。

此外，该技术问题还通过用于识别待更换(故障)的医学设备的组件的计算机程序产品来解决，其中计算机程序产品存储在数据载体上并且包括用于在计算机的处理器上实施上述方法的计算机程序代码。

本申请中使用的术语的定义如下。

医学设备是复杂的医学技术装置，其由不同的电子、机械和/或物理组件组成。医学设备在医学环境中可以具有纯粹的医学目的(例如，图像采集)或者具有技术目的(例如，数据压缩、图像后处理，设备控制)。设备例如可以在医学领域中用于图像获取和/或用于技术处理。如果下文中提到“设备”，则是指医学设备。其例如可以是mrt设备、ct设备等。所述设备可以在相同的或者不同的类型的设备的联合中以设备联合运行。

组件可以集成在设备中或者与该设备进行数据交换。组件可以实现设备的不同功能。mr设备的组件例如可以是超导磁体、冷却机组、梯度线圈、表面线圈、计算单元或者用于数据交换的通信连接。组件(特别是在故障情况下)可更换地布置在设备中并且可以由相同类型的另外的(无故障的)组件替换。

仿真模型基于计算器或者计算机地产生并且用于对设备的故障状态建模以用于寻找通过更换设备的一个或多个组件的合适的故障消除措施。仿真模型可以是用于故障消除的描述性的仿真模型。优选地，仿真模型被设计为连续的模型。所述模型根据(在设备的测试运行或者实际运行中的)新的故障情况的出现，事件控制地工作。通过应用仿真模型可以利用对组件更换的建议在故障情况下关于其质量改善结果。

仿真模型例如可以表示为马尔可夫链或者可以借助神经网络来训练，所述神经网络已经学习了报告的转换概率由此可以仿真以一定概率包含故障模式的许多日志文件。这些日志文件独立于单个系统并且包含同样可以学习的多个日志文件变体。仿真模型的优化可以通过训练以及与测试系统或者实际系统进行比较来改善。

故障报告是电子数据组，其可以作为消息经由网络与另外的实体进行交换。故障报告用于表明在设备上已经采集的故障或故障状态(故障的组合)。故障报告优选地是特定于设备的。然而，故障报告是非特定于组件的，从而从故障报告的分析中通常不可以推断出故障的和待更换的组件。故障报告可以具有特定的结构，其例如可以对应于标准(例如dicom、医学数字成像和通信)。故障报告可以具有不同的技术原因。故障报告通常是特定于设备的并且可以描述设备状态。通常不可以从故障报告中直接地且容易地获取故障原因。这意味着，通常需要广泛的技术知识来从故障报告中推断出待更换的组件。

识别算法用于识别待更换的、故障的组件，以消除设备的故障状态或者故障，为此，将读取的故障报告作为输入数据进行分析，并且与另外的数据组进行比较，例如与(数据库系统的)参考数据比较。识别算法还可以将另外的数据作为输入数据考虑。识别算法提供更换数据组作为结果(输出数据)。识别算法以软件实施并且可以在具有商用的运行系统的计算机上实施。优选地，识别算法在识别单元上实施。识别算法还可以分布地在不同的计算单元上实施或者其可以中央地由服务器作为服务提供。识别算法可以在所有的或者所选择的设备上作为客户应用实施和/或在中央服务器上作为服务实施。识别算法对存储的故障模式实施关于读取的故障报告的分析。

识别单元是计算单元，其用于实施识别算法。

更换数据组是电子数据组，其根据可预定义的规则构建并且由识别单元计算并且作为结果提供。更换数据组以唯一的方式表示设备上的哪个组件是故障的或者必须被更换以可以消除故障。因此，更换数据组唯一地推荐关于故障报告的设备的组件。在最简单的情况下，更换数据组可以是唯一的组件号或者材料号。

在本发明的优选的实施方式中，更换数据组可以包括具有元数据的另外的数据字段，特别是包括用于评估所计算的更换数据组的说服力的验证数据字段。验证数据字段特别是可以包括关于正确性和关于测试覆盖的数据。这证实特别是在仿真模型的早期应用中，以及如果已经应用了统计学方法进行测试的话，对于故障消除的质量是有利的。

数据库系统包括(特别是相关的)数据库和用于技术数据处理的数据库管理系统。其可以包括数据存储器和作为计算单元的处理器。数据库系统包括故障模式产生单元。

故障模式产生单元用于自动地且计算机执行地产生故障模式，所述故障模式存储在数据库系统中。故障模式产生单元可以直接布置在数据系统中或者其可以作为独立的实体经由接口连接。

故障模式是自动计算的电子数据结构。故障模式通过不同的数据组的相关性来计算，所述不同的数据组从由设备提供的故障日志文件和/或另外的文件中读取并且涉及特定的故障类型或者一组故障类型。故障模式的相关性和计算根据特定的可预定义的规则进行。在此动用规则集，其(可以存储在规则数据库中并且)用于将不同设备的不同的故障报告编组并且分类为故障类型(例如关于设备状态的报告，如“缺少/中断供电”或者“缺少数据组”)或者故障类型组(例如，关于特定的组件或者组件的部件的故障类型)。故障模式的故障类型或者故障类型组与至少一个更换数据组相关联。就此，故障模式也可以称为更换模式。

在第一实施方式中，故障模式可以作为度量模式计算，在本发明的第二实施方式中，故障模式可以作为组件模式计算。

在第一实施方式中，为了产生故障模式，预先处理来自设备运行期间(例如也在测量期间)产生的日志文件的数据，以便将该预先处理的数据与设备消息(其表示设备状态，如测量或者图像获取的中断)相关联。然后，从关联的数据组中可以提取相关性信息，从而然后可以在具有该相关性信息的设备的完整事件记录文件上(事件日志)应用数据挖掘方法。

在本发明的第二实施方式中，为了产生故障模式，设备消息直接与关于测量的中断的设备状态数据相关联。然后，在应用数据挖掘方法的情况下利用设备的完整事件日志数据(事件日志)使用该相关性信息，以产生故障模式。设备消息表示设备的运行状态并且例如可以包括对于如下信息的字段：设备的故障或者停滞阶段的开始(downtime_start)、故障或者停滞阶段的结束(downtime_end)、相应的设备的识别号和关于故障更换的组件。

产生的故障模式可以存储在表格类型的数据结构中，和/或可以在图形用户界面上以二维图示的形式输出。故障模式还可以包括分析数据组，其表明通过实现的组件更换能够多好地消除故障。故障模式例如还可以产生为，使得相应的数据组基于分析数据组编组，并且由此将故障模式的顺序与故障消除的品质相关联。

关于过去的故障报告的、历史上已经实施的组件替换的故障模式都存储在数据库系统中。附加地还存储相关联的更换数据(即，相应的更换的组件)，并且可选地存储表示故障消除的品质的分析数据组。为了(关于当前的故障报告)计算相应的当前的更换数据组，借助识别算法分析(已经实施的组件替换和与此相关的分析的)这些历史上的数据。

借助故障模式产生单元通过输入参量的相关性产生故障模式。故障模式优选地对于特定的设备类型(例如，xyz类型的mr设备)是特定的。因此可以将不同设备类型的故障模式汇聚。用于产生故障模式的方法在故障模式产生单元上执行，并且可以在数据库系统的计算单元(处理器，…)上实施或者可以在处于数据库系统外部的外部计算单元上实施。

输入参量优选地也存储在数据库中。输入参量包括关于设备中的一个的故障的运行状态的设备报告、更换数据组和分析数据组。

系统以及特别是识别算法被设计为自学习的系统。这意味着，数据库持续不断地扩展并且由此利用每个新的故障报告和应用来改善结论的质量。

计算单元可以以软件和/或硬件实现。计算单元可以构造在设备联合的、医学设备的或者中央服务器的处理器上，以便可以为多个设备提供作为中央服务的识别服务。优选地，计算单元被设计为具有输出接口(浏览器、gui、数据接口…)以输出更换数据组。有利地，用于计算更换数据组的方法可以中央地对于有时也不同的多个医学设备实施(也并行地或者替换地，在具有到中央的先前数据库系统的网络连接的设备上本地地实施)。

识别单元对应于基于硬件的解决方案，并且用于实施识别算法。同样地，故障模式产生单元对应于基于硬件的解决方案，并且用于实施用于产生以软件执行的故障模式的方法。在此提到的特征、优点或者替换的实施方式同样也可以转用于其他要求保护的对象，反之亦然。换言之，物的特征(例如针对系统、计算单元或者计算机程序产品)利用结合相应的方法描述或者要求保护的特征来扩展。在此，该方法的相应的功能特征由相应的具体的模块、特别是由系统的或者产品的硬件模块或者微处理器模块形成，反之亦然。

另外的解决方案在于用于关于故障报告识别医学设备的待更换的组件的计算机程序产品，所述计算机程序产品可以被设计为存储器可读的介质(具有计算机程序的便携式数据载体)或者被设计为机器，其被确定为用于下载计算机程序(例如作为中央服务器)。

另外的解决方案设置一种计算机程序，具有计算机程序代码，用于当计算机程序在计算机上实施时执行上面详细描述的(用于产生故障模式并且用于基于具体的故障报告识别待更换的组件的)方法的所有的方法步骤。在此，计算机程序也可以存储在由计算机可读的介质中。

附图说明

在下面的详细的附图描述中，根据附图讨论具有其特征和另外的优点的不应理解为是限制性的实施例。附图中：

图1示出了根据本发明的优选的实施方式的系统的框图；

图2示出了根据本发明的优选的实施例的用于识别待更换的组件的方法的流程图；

图3示出了在实施例中具有故障模式产生单元的系统的示意性概览图，和

图4示出了用于表示数据库系统、计算单元和医学设备之间的数据交换的序列图，和

图5示出了用于表示医学设备、数据库系统和故障模式产生单元之间的数据交换的序列图，和

图6示出了具有数据字段的故障模式的示意图。

具体实施方式

下面参考附图更详细地描述本发明。

图1示意性地示出了系统100的概览图。系统100包括多个独立的设备，所述设备下面用附图标记d1，d2，...dj表示。这些设备可以是技术的、特别是医学技术的设备，例如图像获取系统，除了别的之外诸如磁共振断层成像设备、计算机断层成像设备、超声设备等。重点强调的是，对于本领域技术人员显而易见地，这些设备具有高度的复杂性并且包括多个部件和组件b。如图1所示，每个医学设备d1，d2，...dj通过多个不同的部件和组件表示，这些部件和组件在图1中针对第一医学设备d1用附图标记b11，b12，b1n表示，并且针对第j个医学设备dj用附图标记bj1，bj2，...bjn表示。所有的医学设备通过网络nw彼此连接并且可以交互或者交换数据。此外，医学设备d与计算单元s连接，所述计算单元s可以被设计为中央服务器并且用于提供组件识别服务。为此，计算单元s与数据库系统db交互，在图1所示的示例性的实施方式中，数据库系统db布置在计算单元s内部。然而，在替换的实施方式中，数据库系统db可以作为外部实体经由相应的接口连接到计算单元s(这将是优选的实施方式)。为了提供组件识别服务，计算单元s包括多个电子部件：输入接口s1，其被确定为用于从其中一个医学设备d中读取故障报告fm。此外，计算单元s包括识别单元s2，其被设计为用于应用识别算法22来计算更换数据组ad。此外，计算单元s还包括输出接口s3，其被确定用于输出作为结果计算的更换数据组ad。在此，例如可以是图形用户界面(graphicaluserinterface，gui)或者是至所连接的客户端和/或服务器的接口。

计算单元s用于实施识别方法，下面参考附图2更详细地描述该识别方法。

在用于识别医学设备的待更换的组件b的方法开始之后，在步骤21中分别读取其中一个设备d的故障报告fm。在此，所述系统不限制在每单位时间接收多少故障报告fm。该方法或者建议的系统能够同时处理并行接收的故障报告fm。步骤21中的读取优选地在设备的运行阶段进行，即通常在例如mr设备d的临床应用中进行。

在步骤22中实施用于计算和用于输出更换数据组ad的识别算法，其识别特定地关于所采集的故障报告fm的待更换的组件b。因此，更换数据组ad是特定于组件的并且是特定于故障报告的。识别算法22可以在任何计算机上或者计算单元上或者计算单元的联合上或者计算器的处理器上实施。识别算法22访问数据库系统db以用于计算，在故障模式fmu中存储有更换数据组ad和相关联的分析数据组bd。对数据库系统db的访问仅专用于读取的故障报告fm进行，以特定地针对该读取的故障报告fm从存储在数据组系统db中的故障模式fmu中计算更换数据组ad，该更换数据组ad与读取的故障报告fm相关联并且具有尽可能高的品质，即在解决问题方面具有最优的更换结果。因此可以保证，识别算法22的结果尽可能地只指示对于在故障报告fm中表明的故障是有因果关系的并且通过更换或者替换使得故障消除的组件b。识别算法22的结果可以在随后的方法步骤中特别是在输出接口上输出或者提供用于调用或者下载。

如上面已经解释的，在数据库系统db中存储了用于计算更换数据组ad的故障模式fmu。因此，本发明的一个重要的方面在于，在数据库系统db中产生故障模式fmu。这在下面将更详细地解释。

为了产生故障模式fmu，设置故障模式产生单元fme。该故障模式产生单元fme被设计为包括硬件和软件的基于计算机的单元。因此，故障模式产生单元fme也可以被设计为用于实施用于产生故障模式的算法的处理器。用于产生故障模式的算法基于机器学习的方法。

故障模式产生器访问仿真模型。仿真模型的特征通常在于基于所采集的数据(即来自测试运行的或者现场的设备运行的数据)产生仿真数据。仿真模型用于应用学习的数据、模式和规律性以产生新的数据(仿真数据)。根据本发明使用的、机器学习的方法基于输入参量，该输入参量是从不同的医学设备d的历史上采集的故障报告中提取的。输入参量一方面包括相应的医学设备d的相应的故障报告，该医学设备d包括关于该故障报告的待更换的组件。作为重要的另外的特征，输入参量附加地还包括分析数据bd(或者分析数据组)，该分析数据bd用作针对通过更换相应的组件b已经实施的(早期的)历史上的故障消除的品质的度量。换言之，分析数据bd表明通过更换相应的组件b多好地消除相应的故障(表现在故障报告fm中)。因此，历史上的故障消除措施的质量或者效果计入故障模式产生单元fme的故障模式的产生中。由此保证了连续的和迭代的学习过程。

故障模式产生单元fme被设计为通过(连续地新提供的)输入参量的相关性来产生故障模式fmu。相应产生的故障模式fmu包括故障类型(例如组件b的完整的或者部分的故障或者部分干扰的通信连接等)或者故障类型的组合与更换数据组ad之间的关联。因此，更换数据组ad与历史上的基于故障报告fm实施的更换有关。更换数据组ad表明当时更换的组件。如上面已经提到的，产生的故障模式fmu附加地还表示当时的故障消除的品质的分级，其在分析数据bd中表示。根据这些输入参量，故障模式产生单元fme创建故障模式。这些故障模式连续地存储在数据库系统db中并且分别通过新的学习过程进行丰富。因此，这样产生和存储的故障模式fmu存储在数据库系统db中并且由识别方法使用以计算更换数据组ad。

在故障模式产生单元fme的一种优选的实施方式中，其被设计为应用基于计算机的自动的模式识别方法。马尔可夫过程可以应用于读取的数据或者应用于输入参量(如上所述)并用于产生故障模式fmu。

优选地，在处理器p上实施模式识别方法或者机器学习的方法。此外，处理器p还可以实施另外的算法，例如数据挖掘方法和/或数据处理统计学方法。

在本发明的优选的实施方式中规定，提供用于产生故障模式fmu的特定的规则。由此应当保证，待产生的故障模式fmu尽可能最优地与医学设备的当前的技术条件相匹配并且因此更换数据组ad的结果的质量尽可能的高。为此规定，故障模式产生单元fme与规则库rdb交互，在其中存储有用于产生故障模式fmu的规则。规则还可以在运行期间，即在设备在现场使用期间(设备运行阶段)就已经动态地改变或调整。由此，故障模式fmu的产生可以当前地且动态地适用于相应的技术情况(例如，当设备在新的环境中使用或者应当以新的运行系统补丁运行时)。

在图3中，在下部区域示出了具有另外的部件的计算单元s和具有规则库rdb的数据库系统db。在这里示出的示例中，规则库rdb作为独立的数据库示出，其经由相应的接口与数据库系统db连接。然而，该实施方式不是强制性的。规则库rdb也可以集成在数据库系统db中。此外，在该示例性的实施方式中规定，数据库系统db包括作为独立电子实体的数据存储器ds、处理器p和故障模式产生单元fme。同样地，这也不是强制要求的。在替换的实施方式中，前面提及的组件fme、p、ds也可以集成在数据库系统db的单一的模块中。替换地，上述部件也可以分布在分离的、独立的部件上，从而例如故障模式产生单元fme被构造在独立的计算单元上，所述计算单元经由数据连接与数据库系统db进行数据交换。同样地，这也适用于处理器p。

如图3示意性示出的，根据本发明的系统100包括医学设备d，所述医学设备d经由网络nw与数据库系统db以及与计算单元s进行数据交换。

如上面已经解释的，用于识别待更换的或者待替换的组件b的方法基于自动产生的故障模式fmu，所述故障模式fmu存储在数据库系统db中。因此，基本上要区分两个时间阶段：

1.应用阶段。在该阶段中实施用于识别待更换的组件b的方法。该阶段通常对应于相应的医学设备d的运行阶段。只要医学设备d例如在临床应用中发生故障，就产生故障报告fm，所述故障报告fm经由接口转发到计算单元s，由此所述计算单元s可以计算待更换的组件b，以便尽可能快速且有效地消除故障。为此，计算单元s动用在数据库系统db中保存的故障模式和仿真模型。

2.故障模式产生阶段。该阶段用于产生应当存储在数据库系统db中的故障模式。该阶段可以说是(在根据第1点的应用阶段中)能够实施组件识别方法的前提，因为计算单元s必须访问故障模式fmu。因此，该阶段在时间上置于应用阶段之前。该阶段可以与用于创建仿真模型的仿真阶段一致。然而，故障模式产生阶段也可以与医学设备d的测试阶段一致。

因为用于识别待更换的组件b的方法被设计为自学习的系统，所以还可以在应用阶段期间收集和汇集另外的数据作为故障模式产生单元fme的输入参量。

在图3中示意性地综合不同的时间阶段。在优选的实施方式中区分三个阶段：

1.设备运行阶段gb，

2.测试运行阶段tb，和

3.仿真阶段或者仿真运行sb。

设备运行阶段涉及医学设备d的交付或者产品发布之后的现场的正常的设备运行。通常，在该设备运行阶段中应用用于识别待更换的组件b的方法。这对应于应用阶段(见上文)。在此，可以在设备d上采集故障报告fm并且转达给计算单元s，如这在图3中在右侧由指向下方的、针对故障报告用附图标记fm表示的箭头表示的。

测试运行阶段tb用于医学设备d的测试运行，特别是在设备d的产品发布或者交付之前。因此，在开发期间就进行测试运行阶段tb。在测试运行tb中专用地在相应的设备d上实施情况配置，以引起可以说“故意的”故障。这些故障由此导致输出故障报告fm。在该阶段，可以在一定程度上实验性地产生故障模式fmu并且相应地产生更换数据组ad，然后对该更换数据组ad进行分析。分析数据以分析数据组bd的形式保存在数据库系统db的存储器中。在该阶段中，对产生的故障模式fmu进行检查或验证。所述验证或分析自动或者手动进行。在自动验证时可以使用可预定义的规则，其分析预定义的参数，例如测量故障的持续时间或者测量对于分别替换的组件的故障报告与故障消除之间的时间间隔。因此，规则可以(通过分析数据组)根据故障的持续时间来优化故障消除措施。因此，如果通过相应的组件更换可以更快地消除故障，则分析数据组bd表示更好的质量度量。另外的规则可以表示故障消除的范围。如果通过相应的组件更换可以更全面地(以及例如不仅是部分地)消除故障，则在这种情况下分析数据组bd表示更好的质量度量。因此，优选地仅将具有预设的足够的质量度量的这种故障模式fmu存储在数据库系统db中。在此，可以由用户以前置的定义方式选择所述质量度量。

医学设备d的仿真运行sb不是设备的实际运行，而是仅用于构建和应用仿真模型来产生扩展的数据库，所述数据库又用于产生故障模式fmu。仿真运行可以关于时间与测试运行阶段一致。仿真运行带来如下技术优点：即使不存在具有关于组件替换的实际数据的运行数据，也已经可以实施组件识别。仿真运行用于基于在开发阶段中收集的测试数据来预测和学习新的模式。

如图3示意性示出的，在所有三个阶段，设备运行阶段gb、测试运行阶段tb和仿真运行sb中采集医学设备d的输入参量并且经由网络nw转发到数据库系统db以及特别是转发到故障模式产生单元fme以用于数据处理。这种基于自学习的系统的实现具有如下技术上的优点：即使相应的医学设备d首次投入运行并且因此没有设备运行数据，也可以提供具有故障模式fmu的足够的数据库。因此，由于可以动用能够在测试运行阶段tb中并且通过仿真模型使用的故障模式fmu，在医学设备首次投入运行之后可以直接在没有运行数据的情况下实施用于识别待更换的组件的方法。

在图3中，输入参量用附图标记e表示。这些输入参量在不同的阶段gb、tb、sb中由相应的医学设备d经由网络nw采集并且特别是转发到故障模式产生单元fme。输入参量e用于产生故障模式fmu。在图3中同样表明了，医学设备在应用阶段中、即在现场的实际的设备运行期间，在故障情况下产生故障报告fm，所述故障报告fm也经由同一网络或者经由另外的网络转发到计算单元s，由此该计算单元通过访问数据库系统db产生更换数据组ad，由此本地的单元(模态)知道要更换(替换)哪个组件b，由此可以消除报告的故障。

图4示出了表示数据库系统db、计算单元s和相应的医学技术设备d之间的涉及的交互的序列图。图4中示出的交换的消息涉及应用阶段，即相应的医学设备d处于实际运行中的阶段。在故障情况下，设备d产生故障报告fm，所述故障报告fm从设备d发送到计算单元s。计算单元s读取该故障报告fm并且利用该故障报告fm访问数据库系统db，以便分析在那存储的故障模式fmu，以便计算与相应的故障报告fm相关联的更换数据组ad。然后，将借助模式识别分析计算的更换数据组ad从数据库系统db转发到计算单元s，并且可以在那里直接在用户界面上输出，和/或其可以发送回相应的本地的医学设备d，以便在那里通过识别待更换的组件来启动合适的故障消除措施。模式识别分析在识别算法中实施并且基于仿真模型。结合图4描述的上述方法的前提是，故障模式fmu已经由故障模式产生单元fme产生。下面结合图5更详细地解释故障模式产生。

图5示出了各个医学设备d、数据库系统db和故障模式产生单元fme之间的消息交换，以便产生故障模式。

在医学设备d1，d2，...dn上，在不同的时间阶段采集输入参量。为了产生故障模式和产生数据库，设备d可以在具有测试数据以及仿真数据的测试运行tb中运行。此外，在实际中(设备运行gb中)可以将实际的数据(具有更换数据和分析的故障模式)提供给数据库系统，以便持续地扩展数据库。在此，不同的设备d可以在相同的时间段中分别以不同的阶段(测试/仿真和设备运行)运行，并且因此采集不同类型的输入参量。

为了初始化仿真模型，可以在故障情况下将初始的更换数据组ad与故障报告相关联，然后对初始的更换数据组ad进行分析。然后，根据故障消除措施的质量产生分析数据组bd，在所述分析数据组bd中表示相应的更换数据组ad的品质。在抽象的层面上可以掌握，对于足够的品质度量，将故障报告与更换数据之间的关联作为故障模式fmu存储在数据库系统db中。对于不足够的品质，不将故障报告与更换数据组之间的关联作为故障模式fmu存储。由此可以确保，只有被选择的故障模式存储在数据库系统db中并且仅包括具有可预定义的品质度量的这种故障模式fmu。

在设备运行阶段gb中，再次在医学设备d上采集输入参量，所述输入参量转发到数据库系统db中。在该阶段中，通过在设备运行gb中采集实际的故障报告fm并且然后以汇聚的形式作为汇聚的故障报告afm从数据库系统db转发到故障模式产生单元fme，可以用实际的数据扩展数据库。接着，故障模式产生单元fme可以从汇聚的故障报告afm中产生故障模式fmu并且将其传输到数据库系统db。

通过应用机器学习方法和仿真运行sb，即使在产品发布时也可以提供针对故障模式fmu的足够的数据库。即使相应的设备d还不能在实际中(设备运行gb中)运行，这本身也是可以的。然后，该方法访问在测试运行tb和/或在仿真运行sb中已经产生的现有的故障模式fmu。

图6示出了故障模式fmu的示意图。故障模式可以存储在表格的数据结构中，如图6示意性示出的那样。故障模式fmu分别包括故障报告fm、更换数据组ad和分析数据组bd之间的关联。在此，故障报告fm可以只与一个更换数据组ad相关联或者故障报告fm还可以与多个更换数据组ad相关联。后一种情况表明在故障报告fm中要更换多个组件b，由此可以消除故障的情况。同样地，多个故障报告还可以具有相同的更换数据组ad。这意味着，在不同的故障报告中，更换相同的组件b导致故障消除。如上所述，分析数据bd表示更换的质量或者产生的更换数据ad的质量。

根据本发明的建议重要的优点在于，在第一组医学设备上学习了的学习故障模式可以自动地转用到第二组医学设备上。在技术上，这可以通过除了相应的故障报告fm和更换数据组ad附加地还附带有分析数据组bd来实现。通过处理分析数据组bd，可以持续地改善产生的故障模式。通过多年的设备运行gb，机器学习方法产生更频繁的且更好的故障模式fmu。由于待更换的组件b可以唯一地识别，根据本发明的建议用于在总体上提高故障消除措施的质量，并且由于现在可以自动地产生用于更换组件的建议，而无需服务技术人员在现场，根据本发明的建议另一方面还用于减小维护成本。

通过附带和处理分析数据bd形成产生的故障模式fmu，可以随着时间推移持续地学习和改善故障模式。

在优选的实施方式中，识别算法22应用数学的和随机的优化方法，以改善结果的质量。因此，在有利的实施方式中规定，更换数据组ad包括元数据的附加的字段。元数据可包括关于优化方法的说明，因此尤其可以指出测试覆盖(coverage)的度量和正确性(correctness)的度量。这具有如下优点：在医学设备d处的客户可以直接从产生的更换数据ad中识别，怎样分析相应的更换数据组ad的质量并且特别是是否存在较高的或者较低的测试覆盖和/或正确性。

例如如果该方法应当用于mr设备，该设备包括超过500个组件b，从而mr设备d的每个仿真系统日的数据量是30000个故障报告。假设针对一个仿真运行sb并行地考虑100个mr设备，则预计每100天有3亿个故障报告，并且由此在每个系统家族中仿真多达1百万种的组件替换。如上面已经解释的，系统家族(相同的设备类型)内的不同设备d的数据和学习数据也可以用于相同系统家族的另外的设备。由此可以有利地扩展机器学习方法的库。

故障模式fmu自动地基于汇聚的输入参量产生。故障模式fmu针对特定的故障报告fm包括计算的更换数据组ad和分析数据组bd，必要时具有关于测试覆盖和关于正确性的另外的元数据。因此，产生的故障模式fmu也可以称为组件更换模式。故障模式fmu表示了一组故障报告fm、根据可预定义的规则(例如故障消除的质量的度量)编组的更换数据组ad。

在用于构建仿真模型的初始化阶段，同样提供已经完成的、历史上的组件替换和与此相关的数据组和测试数据作为输入参量。因此，在所有的故障报告和随后的组件替换中，获取尤其是包括如下数据元素的数据：

-故障报告或者故障报告fm的类型

-相关联的更换数据组ad

-分析数据组bd

-可选地：元数据，包括关于正确性和测试覆盖的数据。

在故障报告和随后的组件更换中采集，通过组件更换多好地消除故障。该数据被连续不断地提供给数据库系统db。从这些数据中可以通过机器学习方法计算对于在未来尚未已知的数据的预测。基于仿真模型，系统还可以针对新的故障报告fm预测更换数据组ad。

最后要指出的是，本发明的描述和实施例原则上不应被理解为关于本发明的特定的物理实现的限制。结合本发明的各个实施方式解释和示出的所有特征可以在根据本发明的对象中以不同的组合设置，以同时实现其有利的效果。对于本领域技术人员特别显而易见的是，本发明不仅可以被应用于mr设备，而且也可以被应用于在故障情况下必须更换组件的另外的医学设备。此外，系统的组件可以分布地在多个物理的产品上实现。

本发明的保护范围不受说明书中解释的或者附图中示出的特征限制。