CN110703723B - 系统、方法和非暂时性计算机可读存储介质 - Google Patents

系统、方法和非暂时性计算机可读存储介质 Download PDF

Info

Publication number
CN110703723B
CN110703723B CN201910605075.5A CN201910605075A CN110703723B CN 110703723 B CN110703723 B CN 110703723B CN 201910605075 A CN201910605075 A CN 201910605075A CN 110703723 B CN110703723 B CN 110703723B
Authority
CN
China
Prior art keywords
error event
network device
result
model
candidates
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910605075.5A
Other languages
English (en)
Other versions
CN110703723A (zh
Inventor
太田峻辅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Publication of CN110703723A publication Critical patent/CN110703723A/zh
Application granted granted Critical
Publication of CN110703723B publication Critical patent/CN110703723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
    • G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0787—Storage of error reports, e.g. persistent data storage, storage using memory protection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
    • G06F3/1229—Printer resources management or printer maintenance, e.g. device status, power levels
    • G06F3/1234—Errors handling and recovery, e.g. reprinting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
    • G06F3/1285—Remote printer device, e.g. being remote from client or server
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
    • G06F3/1285—Remote printer device, e.g. being remote from client or server
    • G06F3/1288—Remote printer device, e.g. being remote from client or server in client-server-printer device configuration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0686—Additional information in the notification, e.g. enhancement of specific meta-data

Abstract

本发明提供一种系统、方法和非暂时性计算机可读存储介质。结合图像形成设备中检测到的错误事件，故障诊断服务服务器诊断错误事件并获得用于对图像形成设备中所检测到的错误事件进行的应对的诊断结果。在诊断结果表示要对错误事件进行应对的多个候选的情况下，故障诊断服务服务器将用于应对的多个候选与通过诊断模型对错误事件所估计的结果进行比较。在用于应对的多个候选与通过诊断模型所估计出的结果不同的情况下，故障诊断服务从图像形成设备的历史获得部分操作信息，并且基于所获得的部分操作信息对诊断模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。

Description

系统、方法和非暂时性计算机可读存储介质
技术领域
本发明涉及对装置进行故障诊断的系统。
背景技术
传统上，已经构建了用于在硬件故障的情况下识别故障部件并呈现用于故障恢复的适当措施(例如，更换和清洁)(统称为故障诊断)的系统。特别地，随着机器学习算法等的精度的提高以及诸如云网络等的有效计算环境的普及，近年来已经讨论了用于使用根据对从多个装置收集的数据进行机器学习而获得的模型来(例如，在服务器上)进行故障诊断的机制。
日本特开2006-252422描述了用于接收来自子系统的故障信号并进行故障诊断的系统。在接收到多个故障信号的情况下，系统从过去的组合情况中选择具有高成功概率的候选解决方案，并输出与候选解决方案相对应的诊断结果。
根据日本特开2006-252422中描述的技术，通过参考过去的结果来检查从装置接收到的信号，并且自动选择具有高成功概率的候选解决方案。
然而，在某些情况下，从装置接收信号的组合是很少发生的事件。在这种情况下，参考过去的结果可能不是找到解决方案的有效方式。在这种情况下，难以通过简单地参考过去的组合情况来高精度地进行故障诊断。
发明内容
一种系统，包括：存储单元，其被配置为存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述模型是使用从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来通过机器学习构建的；获得单元，其被配置为结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；比较单元，其被配置为在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对所述错误事件的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；以及执行单元，其被配置为在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息，并基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
一种系统中所进行的方法，所述系统用于存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述适当应对是基于从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来估计的，所述方法包括：结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息；以及基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
一种非暂时性计算机可读存储介质，其上存储有用于使计算机执行系统的方法的计算机程序，所述系统用于存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述模型是使用从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来通过机器学习构建的，所述方法包括：结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息；以及基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
根据以下参考附图对典型实施例的描述，本发明的其它特征将变得明显。
附图说明
图1是示出根据典型实施例的系统的结构的框图。
图2A和2B是示出根据典型实施例的信息处理设备和图像形成设备的硬件结构的框图。
图3是根据典型实施例的系统的功能框图。
图4是示出根据本典型实施例的用于累积装置数据的处理的流程图。
图5是示出根据典型实施例的用于诊断模型构建的处理的流程图。
图6是示出根据典型实施例的用于故障诊断的处理的流程图。
图7是示出根据典型实施例的用于诊断模型调整的处理的流程图。
图8示出根据典型实施例的诊断模型。
图9A和9B分别示出根据典型实施例的调整中和调整后的诊断模型。
具体实施方式
图1示出根据第一典型实施例的系统的结构的示例。
如图1所示，根据本典型实施例的系统是多个网络装置(例如，图1的示例中的图像形成设备102)可以经由网络103与故障诊断服务服务器101进行通信的系统。根据本典型实施例，诸如打印机或多功能外围设备等的图像形成设备被描述为网络装置的示例。然而，本发明的网络装置不限于图像形成设备。网络装置例如可以是可连接到网络的其它装置，诸如可连接到网络的投影仪、网络照相机或各种物联网(IoT)装置等。在以下描述中，图像形成设备102有时也被称为“装置”。
图像形成设备102经由网络103连接到故障诊断服务服务器101。
故障诊断服务服务器101和包括故障诊断服务服务器101的故障诊断系统100的功能可以由单个计算机或多个计算机实现。还可以通过使用云服务等来实现故障诊断服务服务器101和故障诊断系统100的功能。
网络103可以是因特网、局域网(LAN)、广域网(WAN)、电话线、专用数字线、异步传输模式(ATM)线、帧中继线、有线电视线和数据广播无线信道中的任何一个或任何组合。网络103是通过这些网络之一或组合实现的通信网络。
图2A示出包括故障诊断服务服务器101和故障诊断系统100的信息处理设备的硬件结构的示例。在一个实施例中，该结构可以由通用信息处理设备(即，个人计算机(PC))的硬件配置成。
中央处理单元(CPU)201通过执行存储在只读存储器(ROM)203中的程序以及从外部存储器210加载到随机存取存储器(RAM)202的操作系统(OS)和应用等的程序来控制整个信息处理设备。换句话说，在各种实施例中，CPU 201用作通过执行存储在可读存储介质中的程序来执行后述的各流程图中的处理的各处理单元。
RAM 202是CPU 201的主存储器，并且用作工作区等。
ROM 203存储各种程序和数据。
键盘控制器204控制从键盘208和未示出的指点装置(例如，鼠标、触摸板、触摸面板和轨迹球)输入的操作。显示控制器205控制显示器209上的显示。
盘控制器206控制对用于存储各种数据的诸如硬盘驱动器(HDD)和固态驱动器(SSD)等的外部存储器210的数据访问。
网络接口(I/F)207连接到网络，并且相对于连接到该网络的其它装置执行通信控制处理。
图2B示出图像形成设备102的硬件结构的示例。
图像形成设备102可以是例如数字多功能外围设备、传真设备、激光束打印机、喷墨打印机或扫描器设备。
CPU 221包括存储在ROM 223中的程序(包括用于实现下述图像形成设备中的各处理的程序)，并且经由内部总线232全面地控制各装置。RAM 222用作CPU 221的存储器和工作区域。存储装置224用作外部存储装置。CPU 221与RAM 222和ROM 223协作进行程序的执行处理，并且还进行用于将图像数据记录到诸如存储装置224等的记录介质中的处理。存储装置224包括例如HDD、SSD或其组合。
网络I/F 225与外部网络装置单向或双向地交换数据。
装置控制件227是用于控制装置的各种控制部件228的控制器。控制部件包括用于实现图像形成设备的各种功能的诸如打印单元和扫描器单元等的部件组。
诊断装置229分析并识别作为图像形成设备102中的故障的要素的位置。诊断装置229经由装置控制件227将电流施加到各种部件以判断各种控制部件228的操作情况并识别是否存在故障。
输入/输出装置231具有用于进行图像形成设备102中的输入和输出的多个功能。更具体地，输入/输出装置231从用户接收输入(按钮输入)并经由输入/输出I/F 230将与输入相对应的信号发送到下述各处理单元。此外，输入/输出装置231包括用于向用户提供必要信息并接收用户操作的显示装置(例如，触摸面板)。另外，输入/输出装置231可以包括用于读取原稿和接收电子数据作为输入的扫描器设备。
图3是示出根据本典型实施例的系统的功能的示例的功能框图。
根据本典型实施例的系统的功能可大致分为三种类型，即“装置数据累积功能”、“诊断模型定期生成功能”和“错误发生时的故障诊断功能”。下面参考图3至9B来描述各功能。下述的表的模式和数据仅仅是示例，并且可以根据各种实施例来适当地改变表的模式和各种数据的格式。
图3所示的故障诊断服务服务器101的功能单元321至327各自作为程序存储在被配置为故障诊断服务服务器101的信息处理设备的ROM 203中，并且通过在RAM 202中由CPU201执行来实现。图像形成设备102的功能单元301至306各自作为程序存储在ROM 223中，并且通过在RAM 222中由CPU 221执行来实现。各功能单元与流程图的描述一起描述。
参考图3和4来描述“装置数据累积功能”。
图4是示出根据本典型实施例的用于累积装置数据的处理的示例的流程图。流程图中所示的处理由图3所示的图像形成设备102的各功能单元和故障诊断服务服务器101的各功能单元来执行。
在步骤S401中，作业执行单元301在图像形成设备102中执行诸如打印和扫描等的作业。
接着，在步骤S402中，错误检测单元304判断在步骤S401中执行作业期间是否发生错误。在错误检测单元304判断为没有发生错误的情况下(步骤S402中为“否”)，处理进入步骤S406。
另一方面，在错误检测单元304判断为发生错误的情况下(步骤S402中为“是”)，处理进入步骤S403。
在步骤S403中，诊断单元305识别导致步骤S402中所检测到的错误的故障部件(故障诊断)。作为识别故障部件的方法，例如，在判断马达中的故障的情况下，可以考虑向马达施加电流并且根据马达是否可以转动来识别马达的部件中是否存在故障的方法。根据本典型实施例，假设下述表1中的三个模式(模式A、B和C)作为上述识别的结果。
[表1]
Figure BDA0002120438100000061
模式A是诊断单元305可以识别出故障部件的情况。如果存在多个故障部件，则识别出所有故障部件。
模式B是如下情况：诊断单元305可以仅识别出在所识别出的多个部件中任何部件有故障。例如，诊断单元305仅可以识别出“马达”和“线缆”这两个部件中的任一个有故障的情况与模式B相对应。
模式C是诊断单元305不能识别任何故障部件(包括故障的可能性)的情况。例如，诊断单元305不能进行诊断处理的情况与模式C相对应。
诊断单元305输出表1中所示的故障码作为诊断结果。表1中所示的故障码包括表示上述各模式的前三位数字和表示故障部件的后四位数字。
更具体地，前三位数字中的“001”、“002”和“999”分别表示模式A、模式B和模式C。
此外，例如，后四位数字中的“0000”、“0001”和“0002”分别表示“基板”、“马达”和“线缆”。在这种情况下，在模式A的行中所写的故障码中的后四位数字是“0000”，因此该故障码表示判断为“基板”有故障。此外，在模式B的行中所写的故障码中的后四位数字是“0000”和“0001”，因此该故障码表示“基板”和“线缆”中的任一个被识别为有故障。仅在前三位数字中的“999”的情况(即，模式C的情况)下，后四位数字没有意义。如上所述，表1中所示的故障码包括表示识别要对图像形成设备102中检测到的错误事件进行的应对(错误应对)的模式的代码信息(前三位数字)以及表示该应对的代码信息(后四位数字)。描述如下情况作为示例：将作为错误事件的要素的部件替换为错误应对，并且将用于识别该部件的代码写入后四位数字。然而，在针对作为错误事件的要素的部件进行除替换之外的措施(例如，清洁)作为错误应对的情况下，将表示该部件被清洁的代码写入后四位数字。在进行特定操作(例如，重启装置)作为错误应对的情况下，将表示该操作的代码写入后四位数字。错误应对不限于上述示例。
接着，在步骤S404中，诊断结果发送单元306基于步骤S403中的诊断结果来将故障数据发送到故障诊断服务服务器101。故障数据包括上述故障码、表示错误内容的错误标识(ID)、故障发生的日期和时间、以及唯一地识别在步骤S401中执行的作业的作业ID。
在步骤S405中，故障诊断服务服务器101中的装置数据接收单元321接收在步骤S404中从图像形成设备102发送的故障数据，并且将故障数据以例如下述表2的格式存储在装置数据存储单元322中。故障数据不限于表2中所示的信息，并且其中可以包括其它信息。
[表2]
Figure BDA0002120438100000081
在步骤S406中，图像形成设备102中的操作信息获得单元302获得诸如步骤S401中执行的作业的作业ID和通过该作业的执行而改变的信息等的各种信息。通过作业的执行而改变的信息包括例如由装置打印的薄片总数、装置中的温度和湿度、以及各种部件(例如，鼓、转印带和定影装置)的磨损程度。此外，操作信息发送单元303将所获得的各种信息作为操作数据发送到故障诊断服务服务器101。
在步骤S407中，故障诊断服务服务器101中的装置数据接收单元321接收在步骤S406中从图像形成设备102发送的操作数据，并且将操作数据以例如下述表3的格式存储在装置数据存储单元322中。操作数据不限于表3中所示的信息，并且其中可以包括其它信息。
[表3]
作业ID 打印薄片数 装置中的温度 鼓的磨损程度
J00001 10000 50度 30％
J00002 10200 45度 20％
J00003 12032 100度 80％
如上所述，执行图4所示的处理，因此装置的操作数据和作为故障诊断结果的故障数据可以存储在故障诊断服务服务器101的装置数据存储单元322中。这样，累积从装置收集的操作数据(操作信息)和故障数据(错误应对)的历史。因此，故障诊断服务服务器101可以在下述的诊断模型的机器学习中使用各种数据。然后，在由服务人员或其它工作人员识别错误应对(例如，故障位置)的情况下，手动更新存储在故障诊断服务服务器101中的与模式B和模式C相对应的故障数据。此时，故障码中的前三位数字更新为“001”。根据本典型实施例，操作数据和故障数据基于作业ID彼此相关联，但是也可以基于其它信息彼此相关联。例如，在操作数据中包括日期信息，并且操作数据和故障数据可以基于日期和时间彼此相关联。
参考图3、5和8来描述“诊断模型定期生成功能”。假设通过上述“装置数据累积功能”累计了一定量的装置数据并存储在故障诊断服务服务器101中。此外，假设本处理是按照诸如每天一次和每周一次等的定期定时执行的。
图5是示出根据本典型实施例的用于诊断模型构建的处理的示例的流程图。该流程图中所示的处理由图3所示的故障诊断服务服务器101的各功能单元执行。
在步骤S501中，诊断模型生成单元323获得存储在装置数据存储单元322中的装置操作数据。
在步骤S502中，诊断模型生成单元323获得存储在装置数据存储单元322中的故障数据。
接着，在步骤S503中，诊断模型生成单元323使用在步骤S501和S502中获得的数据，通过机器学习来构建诊断模型。要用于机器学习的数据是模式A(识别出故障位置)的故障数据和通过与故障数据相同的作业ID与故障数据相关联的操作数据。描述要构建的诊断模型的示例。根据本典型实施例，前馈多层神经网络被描述为诊断模型的示例。然而，可以使用除前馈多层神经网络之外的模型。现在，参考图8来描述前馈多层神经网络。
图8示出作为根据本典型实施例的诊断模型的示例的前馈多层神经网络。参考图8示意性地描述前馈多层神经网络。
图8中所写的项“x1”至“xn”是本诊断模型的构建中的特征量。图8示出存在n个特征量。作为特征量，可以考虑使用如上面表3中所述的装置的操作数据(例如，打印薄片数、装置中的温度和鼓的磨损程度)。这里要构建的诊断模型可以针对各错误(表2的故障数据中包括的错误ID)构建，并且可以是所有错误共通的诊断模型。在针对各错误ID构建诊断模型的情况下，通过学习发生特定错误(错误ID)时的操作数据和故障部件的历史来构建与特定错误相对应的诊断模型。在通过不论错误类型如何都共通地使用的诊断模型来构建用于估计的诊断模型的情况下，特征量可以例如不仅包括操作数据而且还包括错误ID。
诊断模型的目的在于在向输入层(图8中最左列的节点组)输入特定特征量的情况下从输出层(图8中最右列的节点组)输出部件的故障概率。输出层中所写的项“y1”至“yk”表示从本诊断模型输出的部件的故障概率。图8中的后缀k表示故障部件的模式数量。
图8中的项w(a) bc是被调整以使得在构建诊断模型时输入特定特征量的情况下使所识别出的与该特定特征量相对应的故障部件的故障概率最高的权重(详情如下所述)。输入诊断模型的结构。权重的调整被称为诊断模型的学习。
描述权重w(a) bc中的各后缀。
后缀“a”表示多层神经网络中的第a层的权重。后缀“b”表示输入源的节点(图8中用圆圈表示的单位)。后缀“c”表示输出目的地的节点。
在图8中，项ujk的后缀“j”和“k”表示第j层的第k节点。项ujk可以通过下面描述的公式(1)计算。
Figure BDA0002120438100000101
项zjk是作为通过将激活函数应用于项ujk的结果而获得的值。作为激活函数，线性整流函数(ReLU)“f(u)＝max(u,0)”是众所周知的。
描述输出层(图8中最右列的节点组)。
诊断模型的目的在于在输入特征量的情况下输出多个部件中具有最高故障可能性的部件，因此可以认为诊断模型与通常被称为多类分类的类别匹配。根据本典型实施例，选择softmax函数作为输出层的激活函数，并且通过下面描述的公式(2)来计算第k节点的输出值yk。
Figure BDA0002120438100000111
值yk可以被视为伪概率，并且根据本典型实施例，与值yk最大的节点相对应的部件被诊断为故障部件。
如上所述，在权重学习中，进行学习，使得在输入特定特征量的情况下，与识别出的对应于该特定特征量的故障部件相对应的节点的输出值变得最高。更具体地，使用交叉熵来计算由基于输入特征量输出的值yk所表示的部件和与特征量相对应地实际有故障的故障部件(即，正解数据)之间的误差，并且调整权重以便使用反向传播等使误差最小化。根据本典型实施例，调整权重以使得由针对作为特征量ui输入的操作数据而输出的值yk所表示的部件和由与同操作数据相同的作业ID相关联的故障数据识别为有故障的部件(即，正解数据)之间的误差最小化。通过进行上述处理来构建前馈多层神经网络。
在图8中，除了输入层和输出层之外的部分被称为中间层。通常，在构建多层神经网络(即，深度学习)的情况下，经常进行自动编码和用于改善泛化性能的丢弃(dropout)设置。虽然省略了对其的描述，但是它们的算法可以应用于本典型实施例。预先通过实验获得诸如中间层的数量和丢弃率等的各种超参数。如上所述，在步骤S503中，通过基于所存储的操作数据和故障数据学习权重来构建诊断模型。
描述返回图5。
在步骤S504中，诊断模型生成单元323将在步骤S503中所学习的权重值存储在诊断模型存储单元324中，并且终止本流程图中的处理。
如上所述，可以通过进行图5的流程图中的处理来构建基于装置的操作数据可以呈现故障部件的诊断模型。因此，将如上所述生成的诊断模型存储在故障诊断服务服务器101中。
参考图3、6、7、9A和9B来描述“错误发生时的故障诊断功能”。假设通过上述“诊断模型定期生成功能”来构建诊断模型。
图6是示出根据本典型实施例的用于故障诊断的处理的示例的流程图。该流程图中所示的处理由图3所示的图像形成设备102的各功能单元和故障诊断服务服务器101的各功能单元执行。图6中的流程图仅示出错误发生的情况，并且从图4的流程图中描述的故障数据和操作数据的发送处理的描述来部分地简化描述。
在步骤S601中，图像形成设备102中的错误检测单元304检测错误，并且在步骤S602中，诊断单元305如图4所述识别故障部件并获得故障码。
在步骤S603中，诊断结果发送单元306将包括步骤S602中所获得的故障码的故障数据和此时的操作数据发送到故障诊断服务服务器101。虽然简化了步骤S601至S603的描述，但其中进行的处理类似于图4的步骤S402、S403、S404和S406中的处理。
在步骤S604中，故障诊断服务服务器101中的装置数据接收单元321接收包括故障码的故障数据以及操作数据，并将故障数据和操作数据存储在装置数据存储单元322中。虽然简化了步骤S604的描述，但其中进行的处理类似于图4中的步骤S405和S407中的处理。
接着，在步骤S605中，诊断单元325检查在步骤S604中接收到的故障码的模式，并判断该模式是否是模式A(可以识别出故障部件)。在模式被判断为模式A(可以识别出故障部件)的情况下(步骤S605中为“是”)，处理进入步骤S606。
在步骤S606中，诊断结果通知单元326(例如，通过在浏览器上显示并通知相关联的系统目的地)呈现由接收到的故障码所表示的部件(故障位置)。
另一方面，在步骤S605中，在诊断单元325判断为在步骤S604中接收到的故障码的模式不是模式A(不能识别故障部件)的情况下(步骤S605中为“否”)，处理进入步骤S607。换句话说，在存在具有故障可能性的多个部件(故障码是模式B)、或者不能识别任何故障部件(包括故障可能性)(故障码是模式C)的情况下(步骤S605中为“否”)，处理进入步骤S607。
在步骤S607中，诊断单元325从诊断模型存储单元324获得学习的诊断模型(权重)，并通过将学习的诊断模型(权重)应用于在步骤S603中接收到的操作数据来计算(估计)具有最高故障概率的部件。例如，假设从诊断模型输出下表4中所示的值。
[表4]
故障部件 输出值
基板 0.85
线缆 0.12
马达 0.03
在表4所示的示例的情况下，“基板”的输出值最高，因此“基板”被诊断为故障部件。
在步骤S608中，诊断单元325判断在步骤S604中接收到的故障码的模式是否是模式C或者在步骤S607中估计为故障位置的故障部件是否包括在由步骤S603接收到的故障码所表示的故障部件中。模式C对应于不能识别任何故障部件(包括故障可能性)的情况。
在判断为故障码的模式是模式C或者所估计出的故障部件包括在由所接收到的故障码表示的故障部件中的情况下(步骤S608中为“是”)，处理进入步骤S609。
另一方面，在判断为故障码的模式不是模式C而是模式B并且所估计出的故障部件未包括在由所接收到的故障码表示的故障部件中的情况下(步骤S608中为“否”)，处理进入步骤S610，并且进行控制以执行下面参照图7描述的处理。模式B对应于存在具有故障可能性的多个部件的情况，并且故障码包括表示具有故障可能性的部件的代码。
这里简要描述步骤S608中的分支处理。
在服务器上构建的诊断模型的构建算法具有基于统计概念的背景。更具体地，在基于过去数据进行判断的情况下，可以说故障概率随机地最高，但是不能说与当前发生的错误相对应地呈现的故障部件以100％的概率有故障。另一方面，由从图像形成设备102发送的故障码所表示的故障部件是在检查为该部件没有以硬件方式操作之后被判断为有故障的部件的候选，因此可以以几乎100％的概率判断为由多个故障码表示的任何部件有故障。因此，仅在以硬件方式获得的故障部件与由诊断模型计算出的故障部件不同的情况下，进行下面参考图7描述的处理，并且调整诊断模型以便使估计结果适合于以硬件方式获得的故障部件。
在步骤S609中，诊断结果通知单元326(例如，通过在浏览器上显示并通知相关联的系统目的地)呈现由诊断模型计算出的具有最高故障概率的部件(故障位置)。
在步骤S610中，诊断模型调整单元327调整诊断模型。下面参考图7来描述步骤S610中的诊断模型调整处理(再学习)。
在步骤S611中，诊断单元325使用在步骤S610中由诊断模型调整单元327调整的诊断模型来诊断故障部件。作为诊断结果，与参考表4描述相同，针对各部件输出故障概率。在步骤S609中，诊断结果通知单元326呈现由诊断模型计算出的具有最高故障概率的部件(故障位置)。
参考图7、9A和9B来详细描述图6的步骤S610中的诊断模型调整处理。
图7是示出根据第一典型实施例的用于诊断模型调整的处理(诊断模型调整处理)的示例的流程图。该流程图中所示的处理由图3所示的故障诊断服务服务器101中的诊断模型调整单元327执行。
图9A和9B分别示出根据第一典型实施例的调整中和调整后的诊断模型的示例。
在步骤S701中，诊断模型调整单元327从诊断模型存储单元324获得上述中间层的权重(w(a) bc)，并构建由权重表达的神经网络(即，调整中的神经网络)。如图9A所示，此时构建的神经网络与从图8所述的神经网络中排除神经网络的最终层的神经网络相同。
在步骤S702中，诊断模型调整单元327设计(调整)神经网络的输出层(最后段的层)，以便仅输出由当前接收到(图6的步骤S604中接收到)的具有故障可能性的故障码所表达的部件(故障部件的候选)。图9B示出所设计的神经网络(即，调整后的神经网络)的示例。
下面使用具体示例描述神经网络的调整。
例如，假设在图6的步骤S604中接收到两个故障码“002-0000”和“002-0001”。更具体地，假设如表1和2中所述从装置通知“基板”或“线缆”有故障的可能性(即，故障位置的候选)。在这种情况下，如图9B所示，仅与“基板”和“线缆”相对应的两个节点(y1和y2)被准备为输出层中的节点。接着，从诊断模型存储单元324获得已经识别出的基板和线缆中的任何一个实际上有故障的故障数据和与该故障数据相对应(通过作业ID与故障数据相关联)的操作数据作为学习数据，并且对数据进行学习。在学习中，仅学习从中间层的最后节点到这两个节点的新权重(图9B中的new_w(L) 11、new_w(L) 12、...、new_w(L) k1、new_w(L) k2)。
简要描述在本步骤中进行的仅学习最终层中的权重的意义。
通常说，在多层神经网络中，特别是在进行自动编码的情况下，在中间层提取适当地表达输入特征量的特征。这种趋势在图像识别系统中的神经网络中特别显著。例如，可以说计算用于仅提取诸如直线和点等的非常简单的特征的权重作为最初层中的权重，而随着计算进行到后面的层，计算可提取诸如多边形线和由多边形线的组合所形成的图形等的更高级特征的权重。被称为转移学习的技术可以通过利用多层神经网络的特征并再次使用曾经学习的中间层，以小计算成本来生成高精度的诊断模型。在多层神经网络的学习的情况下，存在许多要学习的权重，因此需要非常长的计算时间。然而，在如本典型实施例中描述的那样仅学习最终层的情况下，可以减少计算时间。
如上所述，构建了根据第一典型实施例的故障诊断系统，从而可以构建反映装置诊断结果的诊断模型，并且可以提高故障诊断的精度。
根据上述典型实施例，描述了如下结构：在图6的步骤S604中接收到的故障码被判断为模式A(可以识别出故障部件)的情况下(步骤S605中为“是”)，不将所识别出的故障部件与使用所识别出的故障部件和模型的估计结果进行比较。然而，即使在这种情况下，也可以在步骤S607和S608中将所识别出的故障部件与使用模型的估计结果进行比较，可以在步骤S610中在所识别出的故障部件与估计结果不同的情况下调整诊断模型，并且可以在步骤S611中使用调整后的模型来进行估计。
下面仅关于与第一典型实施例的不同点来描述第二典型实施例，并且省略对相同点的描述。根据上述第一典型实施例，描述了如下结构：基于由诊断单元325输出的值(基于softmax函数的伪概率)，将具有最高概率的部件呈现为故障部件。
然而，从上述softmax函数的公式可以明显看出，不在“0”至“1”之间计算各部件的故障概率，并且对输出进行归一化，使得所有输出值的总和为“1"。例如，如果存在由来自图像形成设备102的故障码表示的三个故障部件，则输出值可以是如下表5中所示的模式。
[表5]
故障部件 输出值
基板 0.45
线缆 0.43
马达 0.12
在这种情况下，具有最高概率的故障部件是“基板”，并且概率值是“0.45”。结果，在第一典型实施例的情况下，仅“基板”被呈现为故障部件。然而，存在多个部件有故障的可能性。此外，“线缆”的概率值是“0.43”，并且“基板”和“线缆”的概率值几乎彼此相等。因此，可以认为需要将多个部件呈现为故障部件。
因此，根据第二典型实施例，在诊断单元325呈现诊断结果的情况下，不仅具有最高输出值的部件而且输出值与具有最高输出值的部件的差在预定阈值内的部件都被呈现为故障部件。根据本典型实施例，将预先静态确定的值用作“阈值”。“阈值”可以由管理员或其它人改变。
其它结构与第一典型实施例中描述的结构相同，并且省略对其的描述。
如上所述，根据第二典型实施例中描述的方法来进行处理，因此可以呈现多个故障部件。
如上所述，在通过组合利用装置硬件的故障诊断和机器学习方法来进行装置的故障诊断的情况下，在利用硬件的故障诊断结果中，诊断结果通常精度更高。在利用硬件的故障诊断结果与通过机器学习的故障诊断结果不同的情况下，如果将这些结果彼此独立地进行应对处理，则难以进行高精度的故障诊断。因此，在利用硬件的故障诊断结果与通过机器学习的故障诊断结果不同的情况下，使用利用硬件的故障诊断结果来调整用于通过机器学习进行故障诊断的模型。这样，可以构建反映装置诊断结果的诊断模型，并且可以提高故障诊断的精度。
如上所述，根据各典型实施例，在装置的故障诊断结果与通过基于过去结果在服务器上所构建的诊断模型的诊断结果不同的情况下，调整服务器侧的模型，并且在从装置获得的信号的组合中诊断故障位置。利用这种结构，可以构建反映装置中的诊断结果的诊断模型，并且可以提高故障诊断的精度。
上述各种数据的结构和内容不限于上述结构和内容，并且数据可以根据用途和目的以各种结构和内容来配置。
以上描述了典型实施例，但是本发明的其它实施例可以实现为例如系统、设备、方法、程序和存储介质。更具体地，本发明的各种实施例可以应用于包括多个装置的系统或者包括单个装置的设备。
此外，通过组合上述各典型实施例获得的结构全部都包括在本发明的范围内。
其它实施例
本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(CPU)、微处理单元(MPU)读出并执行程序的方法。
虽然已经描述了典型实施例，但是应该理解，本发明不限于所公开的典型实施例。所附权利要求书的范围应被赋予最广泛的解释，以包含所有这些修改、等同的结构和功能。

Claims (11)

1.一种系统，包括：
存储单元，其被配置为存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述模型是使用从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来通过机器学习构建的；
获得单元，其被配置为结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；
比较单元，其被配置为在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对所述错误事件的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；以及
执行单元，其被配置为在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息，并基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
2.根据权利要求1所述的系统，其中，
在所述历史中，针对所述网络装置的应对与所述操作信息相关联，以及
要用于所述机器再学习的所述部分操作信息是所述历史中与同所述多个候选其中之一相同的针对所述网络装置的应对相关联的操作信息。
3.根据权利要求1所述的系统，其中，针对所述多个层中的最后段中的层执行所述再学习。
4.根据权利要求3所述的系统，其中，所述最后段中的层的节点与应对的所述多个候选相关联，并且在所述再学习中调整从前一层到所述最后段中的层的节点的权重。
5.根据权利要求1所述的系统，还包括输出单元，所述输出单元被配置为输出使用所述模型所估计出的结果作为对所述网络装置中所检测到的所述错误事件的应对，
其中，在进行所述再学习的情况下，所述输出单元输出使用通过所述再学习进行调整后的模型所估计出的结果。
6.根据权利要求5所述的系统，其中，在所述诊断结果表示要对所述网络装置中所识别出的所述错误事件进行的应对的情况下，所述输出单元输出所识别出的应对。
7.根据权利要求6所述的系统，其中，在所述诊断结果表示没有识别出应对的所述多个候选以及要对所述网络装置中所识别出的所述错误事件进行的应对中的任一个的情况下，所述输出单元输出使用所述模型所估计出的结果。
8.根据权利要求1所述的系统，其中，所述应对表示针对所述网络装置中的特定部件的特定措施或针对所述网络装置的特定操作。
9.根据权利要求1所述的系统，其中，具有最高概率的结果或具有相对于该最高概率在预定阈值内的概率的结果被视为使用所述模型的估计中的估计结果。
10.一种系统中所进行的方法，所述系统用于存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述适当应对是基于从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来估计的，所述方法包括：
结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；
在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；
在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息；以及
基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
11.一种非暂时性计算机可读存储介质，其上存储有用于使计算机执行系统的方法的计算机程序，系统用于存储用于估计对网络装置中所检测到的错误事件的适当应对的模型，所述模型是使用从所述网络装置收集的操作信息和针对所述网络装置的应对的历史来通过机器学习构建的，所述方法包括：
结合所述网络装置中所检测到的错误事件来获得所述网络装置中的用于识别要对所述错误事件进行的应对的诊断的诊断结果；
在所述诊断结果表示要对所述错误事件进行的应对的多个候选的情况下，将应对的所述多个候选与使用所述模型对所述错误事件所估计出的结果进行比较；
在通过比较发现应对的所述多个候选与所估计出的结果不同的情况下，从所述历史获得部分操作信息；以及
基于所获得的部分操作信息对所述模型中所包括的各自进行不同的估计的多个层的后段中的层执行机器再学习。
CN201910605075.5A 2018-07-09 2019-07-05 系统、方法和非暂时性计算机可读存储介质 Active CN110703723B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018129743A JP7091174B2 (ja) 2018-07-09 2018-07-09 システム、システムの制御方法及びプログラム
JP2018-129743 2018-07-09

Publications (2)

Publication Number Publication Date
CN110703723A CN110703723A (zh) 2020-01-17
CN110703723B true CN110703723B (zh) 2023-02-24

Family

ID=69101414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910605075.5A Active CN110703723B (zh) 2018-07-09 2019-07-05 系统、方法和非暂时性计算机可读存储介质

Country Status (3)

Country Link
US (1) US10768868B2 (zh)
JP (1) JP7091174B2 (zh)
CN (1) CN110703723B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11592828B2 (en) * 2020-01-16 2023-02-28 Nvidia Corporation Using neural networks to perform fault detection in autonomous driving applications
US11431858B2 (en) * 2020-07-09 2022-08-30 Canon Solutions America, Inc. Devices, systems, and methods for forecasting device failures
CN112804336B (zh) * 2020-10-29 2022-11-01 浙江工商大学 故障检测方法、装置、系统、计算机可读存储介质
CN112163640A (zh) * 2020-10-30 2021-01-01 北京信息科技大学 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统
JP2022156163A (ja) * 2021-03-31 2022-10-14 株式会社トプコン 情報処理装置、情報処理方法および測量システム
KR102432284B1 (ko) * 2021-07-28 2022-08-12 인프라닉스 아메리카 코퍼레이션 It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10154900A (ja) * 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
JPH10207734A (ja) * 1997-01-17 1998-08-07 Hitachi Ltd 障害診断装置
JP2004037941A (ja) * 2002-07-04 2004-02-05 Ricoh Co Ltd 画像形成装置管理システム
JP2004272878A (ja) * 2002-09-30 2004-09-30 United Technol Corp <Utc> 故障を分離するためのｐｂｎｎ
JP2006252422A (ja) * 2005-03-14 2006-09-21 Kawasaki Heavy Ind Ltd 故障診断方法及び装置
CN101742961A (zh) * 2007-10-18 2010-06-16 佳能株式会社 诊断支持设备、控制诊断支持设备的方法及其程序
CN101872165A (zh) * 2010-06-13 2010-10-27 西安交通大学 一种基于遗传神经网络的风电机组故障诊断方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN103793484A (zh) * 2014-01-17 2014-05-14 五八同城信息技术有限公司 分类信息网站中的基于机器学习的欺诈行为识别系统
CN104471410A (zh) * 2012-07-20 2015-03-25 日产自动车株式会社 故障诊断系统、故障诊断装置以及故障诊断方法
CN107193271A (zh) * 2017-06-13 2017-09-22 青岛科技大学 用于工业信息物理系统的前置服务适配和故障诊断装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3334807B2 (ja) * 1991-07-25 2002-10-15 株式会社日立製作所 ニュ−ラルネットを利用したパタ−ン分類方法および装置
JP5675214B2 (ja) * 2010-08-18 2015-02-25 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
US9349103B2 (en) * 2012-01-09 2016-05-24 DecisionQ Corporation Application of machine learned Bayesian networks to detection of anomalies in complex systems
US10565329B2 (en) * 2014-06-30 2020-02-18 Evolving Machine Intelligence Pty Ltd System and method for modelling system behaviour
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10154900A (ja) * 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
JPH10207734A (ja) * 1997-01-17 1998-08-07 Hitachi Ltd 障害診断装置
JP2004037941A (ja) * 2002-07-04 2004-02-05 Ricoh Co Ltd 画像形成装置管理システム
JP2004272878A (ja) * 2002-09-30 2004-09-30 United Technol Corp <Utc> 故障を分離するためのｐｂｎｎ
JP2006252422A (ja) * 2005-03-14 2006-09-21 Kawasaki Heavy Ind Ltd 故障診断方法及び装置
CN101742961A (zh) * 2007-10-18 2010-06-16 佳能株式会社 诊断支持设备、控制诊断支持设备的方法及其程序
CN101872165A (zh) * 2010-06-13 2010-10-27 西安交通大学 一种基于遗传神经网络的风电机组故障诊断方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN104471410A (zh) * 2012-07-20 2015-03-25 日产自动车株式会社 故障诊断系统、故障诊断装置以及故障诊断方法
CN103793484A (zh) * 2014-01-17 2014-05-14 五八同城信息技术有限公司 分类信息网站中的基于机器学习的欺诈行为识别系统
CN107193271A (zh) * 2017-06-13 2017-09-22 青岛科技大学 用于工业信息物理系统的前置服务适配和故障诊断装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种早期诊断变压器故障的神经网络方法;闫丽梅等;《大庆石油学院学报》;20000630(第02期);全文 *
改进PSO-BP网络在故障诊断中的应用;段向军等;《机床与液压》;20110115(第01期);全文 *
神经网络对水电机组振动故障的应用研究;戴志超;《计算机仿真》;20110615(第06期);全文 *

Also Published As

Publication number Publication date
US20200012457A1 (en) 2020-01-09
JP7091174B2 (ja) 2022-06-27
US10768868B2 (en) 2020-09-08
JP2020009156A (ja) 2020-01-16
CN110703723A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110703723B (zh) 系统、方法和非暂时性计算机可读存储介质
US11070682B2 (en) Maintenance system, maintenance server, and maintenance method
JP4710720B2 (ja) 故障予防診断支援システム及び故障予防診断支援方法
US20080059120A1 (en) Using fault history to predict replacement parts
US9696947B1 (en) Fault identification for a printing system
US8249830B2 (en) Method and system for automatically diagnosing faults in rendering devices
US10713587B2 (en) Method and system using machine learning techniques for checking data integrity in a data warehouse feed
US20130262082A1 (en) Natural language incident resolution
JP5266153B2 (ja) 生産リソースの持続的失敗確率および間欠的失敗確率を継続的に推定するための方法およびシステム
JP2008015568A (ja) メンテナンスシステムおよびメンテナンスシステムの制御方法およびホストサーバおよびホストサーバのプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
US20080246987A1 (en) Methods and systems for soft failure detection for networked printers
MX2012010165A (es) Reemplazo de unidad basado en una falla.
US8514425B2 (en) Image-forming system, criterion-setting apparatus, and storage medium
JP2008256981A (ja) 故障診断システム
JP4784225B2 (ja) 故障診断装置、画像形成装置及び故障診断方法
JP2008052376A (ja) 画像形成装置、故障診断システム及び故障診断プログラム
US10708444B2 (en) System and method for diagnosing parts of a printing device to be replaced based on incident rate
CN112955328B (zh) 打印设备组件状态分类
JP2007283635A (ja) 診断装置、診断装置の制御方法、情報処理装置、情報処理装置の制御方法、及び画像形成システム
CN103399717A (zh) 打印控制设备和数据管理方法
JP2007050651A (ja) 印刷システム
US11481164B2 (en) System and method for modeling and implementing predictive device maintenance
JP2021005306A (ja) 機器管理システム及び機器管理装置
US11431858B2 (en) Devices, systems, and methods for forecasting device failures
JP2020177276A (ja) システムおよび故障診断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant