目的　构建医用直线加速器高价值零件故障预测模型,以实现对高价值零件故障的预判.方法　选取2013年1月至2017年12月医院在用医科达Synergy医用直线加速器的60组共381个维修记录数据,按照7‥3比例随机分配为训练集(42组)和测试集(18组),采用一维卷积神经网络进行二分类建模,随机选取　30　组数据作为验证集评估模型性能,并采用测试集数据检测模型预测效果.结果　设定最大训练学习次数为　120　次,实际训练次数超过　80　次时数据趋于稳定,训练集和验证集的准确率均稳定于　90%左右,测试集数据准确率均在　96%以上,表明模型收敛较好.结论　该模型预测医用直线加速器高价值零件的故障次数与实际情况接近,为预防性维修和保修服务采购提供了可靠的数据支持.