CN112955328B - 打印设备组件状态分类 - Google Patents

打印设备组件状态分类 Download PDF

Info

Publication number
CN112955328B
CN112955328B CN201880099234.2A CN201880099234A CN112955328B CN 112955328 B CN112955328 B CN 112955328B CN 201880099234 A CN201880099234 A CN 201880099234A CN 112955328 B CN112955328 B CN 112955328B
Authority
CN
China
Prior art keywords
printing device
failure
particular component
event
statistical features
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
CN201880099234.2A
Other languages
English (en)
Other versions
CN112955328A (zh
Inventor
F·弗里德里奇
T·西尔瓦
L·奥利维拉
M·宝拉
F·纳瓦罗
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.)
Hewlett Packard Development Co LP
Original Assignee
Hewlett Packard Development Co LP
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 Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN112955328A publication Critical patent/CN112955328A/zh
Application granted granted Critical
Publication of CN112955328B publication Critical patent/CN112955328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F11/0733—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 data processing system embedded in an image processing device, e.g. printer, facsimile, scanner
    • 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
    • G06F11/0778—Dumping, i.e. gathering error/state information after a fault for later diagnosis
    • 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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • 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
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00026—Methods therefor
    • H04N1/00029—Diagnosis, i.e. identifying a problem by comparison with a normal state
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00071—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for characterised by the action taken
    • H04N1/00074—Indicating or reporting
    • 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
    • G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)
  • Facsimiles In General (AREA)

Abstract

示例实现方式涉及打印设备组件状态分类。一些示例包括：包含可由处理器执行的指令的非暂时性机器可读介质，所述指令使得处理器使用打印设备的检索到的事件日志数据来生成对应于与打印设备的特定组件相关联的事件代码的多个统计特征，使用由应用于多个统计特征的机器学习机制产生的分类器来对特定组件的状态进行分类，并且基于所分类的状态来实行与特定组件相关联的动作。

Description

打印设备组件状态分类
背景技术
诸如打印机、复印机等的打印设备可以被用来在诸如文本、图像等物理介质上形成标记。在一些示例中，打印设备可以通过实行打印作业在物理介质上形成标记。打印作业可以包括通过将打印材料转移到物理介质来形成诸如文本和/或图像之类的标记。
附图说明
图1图示了根据示例的用于打印设备组件状态分类的系统；
图2图示了根据示例的包括处理器、存储器资源和引擎的控制器的示图；以及
图3图示了根据示例的用于打印设备组件状态分类的方法。
具体实施方式
诸如工业印刷机和商业印刷设备之类的设备具有组成该设备的多个组件——既有硬件也有软件。这些设备可能经历停机，其可以影响生产率和打印成本。设备的特定组件可能例如由于特定组件的故障而引起停机。在这样的情况下，维护可以是反应性过程，使得特定组件在被发现发生故障和/或引起设备停机之后被替换。
用于设备和设备组件维护的一些方法包括：在查看和诊断引起故障的问题之后，在特定组件或设备发生故障时替换特定组件。由于缺少备件、与干预调度的时间冲突等，这可能导致计划外停机和非预期成本。
其他方法包括：使用支持向量机和人工神经网络来评估滚动轴承，或通过实行不使用机器学习机制的一系列参数测试来诊断打印设备问题。然而，这样的方法可能仅适用于特定情况，并且可能取决于特定设备的系统事件日志基础架构。
相反，本公开的示例可以是预测性的，使得可以进行关于如下内容的确定：设备的特定组件是否可以作为下一次干预中的替换候选。可以使用设备的事件日志和机器学习机制来进行确定。例如，与其他方法相比，本公开的示例可以使用集中于设备事件日志的统计分析的目标方法来更早地诊断设备的特定组件是否可能在干预中发生故障。在这样的示例中，可以做出关于特定组件是否引起设备故障的建议。例如，技术人员可以使用该建议，并且技术人员可以将适当的组件带到干预中。
在本公开的示例是预测性的情况下，可以维持打印量，可以改进打印质量，并且可以改进用户体验，因为与其他方法相比，可以减少打印机停机时间，因此减少用户中断。例如，本公开的示例可以标识哪个特定组件已出故障和/或是设备故障的原因（例如，诊断设备故障来源）或者是设备故障的可能原因，其可以降低成本并且改进售后消费者和/或用户关系。
图1图示了根据示例的用于打印设备组件状态分类的系统128。如本文中使用的，术语“打印设备”是指具有在介质上物理产生（一个或多个）表示的功能的任何硬件设备。在一些示例中，打印设备可以除了其他事物之外是激光打印机、扫描设备、激光打印机/扫描仪组合设备或其他多功能打印设备（例如，A3多功能打印设备）。如本文中使用的，术语“打印设备组件”是指与打印设备相关联的硬件或软件元件。虽然本文中的示例描述了打印设备，但是本公开可应用于其他设备，诸如工业印刷机或可以产生事件日志并且具有可能引起设备故障的特定组件的其他设备。
在一些示例中，系统128可以是计算设备，并且可以包括处理器129。系统128可以进一步包括非暂时性机器可读介质（MRM）130，其上可以存储指令，诸如指令131、132和133。尽管以下描述涉及处理器和存储器资源，但是描述也可以应用于具有多个处理器和多个存储器资源的系统。在这样的示例中，指令可以跨多个非暂时性MRM被分发（例如，存储），并且指令可以跨多个处理器被分发（例如，由其执行）。
非暂时性MRM 130可以是存储可执行指令的电子、磁、光或其他物理存储设备。因此，非暂时性MRM 130可以是例如随机存取存储器（RAM）、电可擦除可编程ROM（EEPROM）、存储驱动器、光盘等等，非暂时性MRM 130可以设置在系统128内，如图1中所示。在该示例中，可执行指令131、132和133可以“安装”在设备上。附加地和/或替代地，非暂时性MRM 130可以是例如便携式、外部或远程存储介质，其允许系统128从便携式/外部/远程存储介质下载指令131、132和133。在该情况下，可执行指令可以是“安装包”的一部分。如本文中所述，非暂时性MRM 130可以利用用于易损性状态报告创建的可执行指令来编码。
指令131当由诸如处理器129之类的处理器执行时，可以包括使用打印设备的检索到的事件日志数据来生成对应于与打印设备的特定组件相关联的事件代码的多个统计特征的指令。例如，来自打印设备的事件日志数据可以在先前的（例如，上次）打印设备干预与打印机故障的那一天之间被收集。如本文中使用的，干预包括：利用打印设备和/或其组件进行干预的过程。干预可以是调度的；例如，打印设备可以具有周期性的、调度的维护。在一些实例中，干预可以是非调度的，使得它响应于打印设备和/或特定组件的问题和/或故障而发生。特定组件包括打印设备的组件，其包括硬件（例如，定影器、辊、扫描仪等）或者软件。
事件代码可以被用作数据集来生成多个统计特征，并且，在一些示例中，事件代码包括多个八位字节，该八位字节表示包括特定组件的多个打印设备组件，并且提供与多个组件中的每一个有关的信息。例如，该信息可以包括除了其他事物之外的故障信息、警告和信息日志。示例包括除了其他事物之外与如下各项有关的警告：墨盒短缺、备份或固件更新中的错误、打印设备的特定托盘中的故障，或关于打印任务的正确实行的信息/警报。在一些示例中，事件代码包括：表示以下指令的多个八位字节，该指令由打印设备接收到，并且与包括在打印设备故障期间发生的特定组件的多个打印设备组件相关联。
根据检索到的事件日志数据，可以使用关于按干预进行分组的事件代码和严重性的信息来生成统计特征。如本文中使用的，严重性是指检索到的数据——除了其他事物之外包括错误信息或警告信息——的重大性（gravity）。事件代码和诸如描述性数据之类的相关联的数据提供与打印设备组件的状态或打印设备指令的反馈有关的信息。事件代码可以与硬件组件或软件组件有关，并且事件代码可以由多个（例如，三个）八位字节形成，该八位字节表示发生特定事件的打印设备组件或在特定时间发生的软件指令。每个八位字节都是对先前八位字节的更详细描述。在一些示例中，因为如此，事件代码的简化形式可以被用来创建统计特征，将其他信息与一个八位字节、两个八位字节和完全形式的代码进行组合。
统计特征可以由分组变量的计算值生成，诸如均值、众数、分位数、方差、标准差等。通过这样做，事件代码被转换成描述打印设备的寿命行为的统计值，其允许检测打印设备组件故障的模式。例如，对于每个事件代码，可以创建事件代码在特定时间段（例如，一天、一个月等）内发生的一系列次数。
使用该系列（表示为“S”），可以确定多个统计特征。例如，S是代码在先前的干预与打印设备故障之间每天发生的次数。例如，统计特征可以包括除了其他事物之外的“具有（has）”、“总和（sum）”、“均值-按日期”、“var-按日期偏置”、“std-按日期偏置”、“均值-按系列”、“sem”、“var-按系列偏置”、“std-按系列偏置”、“var-按系列无偏”、“std-按系列无偏”和“分位数”。每个事件代码具有与其相关联的多个统计特征中的每一个。
“具有”特征是“是”或“否”特征，使得确定S是否具有事件代码。“总和”特征是S元素的总和。“均值-按日期”特征是基于在先前干预与打印设备故障之间的天数的S元素的均值。例如，如果打印设备花费十五天才出现故障（例如，自上次干预以来），并且在S中存在三个元素（例如，因为事件代码在十五天内发生了三次），则“均值-按日期”是S的元素总和除以S中的总天数（例如，在该示例中是十五）。统计特征基于事件代码在上次干预与打印设备故障之间存在的天数和每天次数，而不管事件代码是否存在于该天数的每一天，该统计特征都被认为是“偏置的”。基于事件代码在上次干预与打印设备故障之间存在的天数和每天次数的统计特征被认为是“无偏的”。
“var-按日期偏置”特征是S基于“均值-按日期”特征的变型。“std-按日期偏置”特征是S基于“var-按日期偏置”特征的标准差。“均值-按系列”特征是系列S的均值，其不考虑事件代码不发生的那些天。对于上面的示例，“均值-按系列”考虑三天。这不同于在序列中可能具有间隙的“均值-按日期”（例如，因为它考虑了十五天，其中仅三天发生了事件代码）。
“sem”特征是系列S的无偏标准误差（例如，不考虑没有事件代码的那些天）。“var-按系列偏置”特征是S的偏置方差，并且“std-按系列偏置”特征是S的偏置标准差（例如，“var-按系列偏置”的平方根）。“var-按系列无偏”特征是S的无偏方差，“std-按系列无偏”特征是S的无偏标准差（例如，“var-按系列无偏”的平方根）。
“分位数”特征包括在S内创建多个间隔（例如，21个间隔）。例如，分位数是将频率分布划分成相等组的变量的一组值中的每一个，每个组都包含总体的相同分数。特征的该汇编可以被用来估计S的值的密度概率。虽然本文中描述了前述统计特征，但是在一些示例中，可以确定其他统计特征。
指令132当由诸如处理器129之类的处理器执行时，可以包括使用由应用于多个统计特征的机器学习机制产生的分类器来对特定组件的状态进行分类的指令。该状态包括：由机器学习机制生成的分类器产生的分类。例如，该机器学习机制可以使用生成的统计特征来创建分类器，该分类器对特定组件是否发生故障进行分类。虽然本文中描述了一种机器学习机制，但是可以使用多于一种机器学习机制。例如，可以除了其他事物之外单独或以组合的形式使用GBoost机器学习机制、ExtraTrees机器学习机制和随机森林机器学习机制，来创建分类器。例如，在特定组件是定影器的示例中，分类器可以产生两个类别，“定影器”和“其他的”。“定影器”类别包括定影器故障的预测，而“其他的”类别包括定影器无故障的预测。该类别可以被用来预测打印设备的故障是否将由于特定组件（例如，该示例中的定影器）的故障所致。
指令133当由诸如处理器129之类的处理器执行时，可以包括基于所分类的状态来实行与特定组件相关联的动作的指令。例如，所分类的状态可以包括“定影器”（例如，“故障”）或“其他的”（例如，“没有故障”）类别之一。例如，该动作可以包括：确定特定组件引起或将引起打印设备故障的概率。如将在本文中进一步讨论的，准确度和精确度可以被用来确定概率。基于分类的结果和相关联的概率，可以确定特定组件引起了打印设备故障（例如，“定影器”或“故障”类别），或者没有引起打印设备故障（例如，“其他的”或“没有故障”类别）。
在一些情况下，该动作可以包括提供关于特定组件是否引起打印设备故障的建议。例如，如果确定了特定组件有可能引起故障或将引起故障，则可以进行以下建议：技术人员为下一次干预带来适当的替换组件和工具。例如，在一些示例中，该建议可以以向管理员或者直接向技术人员发出警报的形式出现。
图2图示了根据示例的控制器220的示图，该控制器220包括处理器218、存储器资源221以及引擎222、223、224和225。例如，控制器220可以是用于易损性状态报告创建的硬件和指令的组合。例如，硬件可以包括处理器218和/或存储器资源221（例如，MRM、计算机可读介质（CRM）、数据存储等）。
如本文中使用的处理器218可以包括：能够执行由存储器资源221存储的指令的多个处理资源。指令（例如，机器可读指令（MRI））可以包括存储在存储器资源221上、并且可由处理器218执行以实现期望功能（例如，打印设备组件状态分类）的指令。如本文中使用的，存储器资源221可以包括：能够存储可以由处理器218执行的非暂时性指令的多个存储器组件。存储器资源221可以集成在单个设备中或者跨多个设备分布。另外，存储器资源221可以完全或部分地集成在与处理器218相同的设备中，或者它可以是单独的，但是对该设备和处理器218可访问。因此，注意到，控制器220可以在除了其他可能性之外在电子设备和/或电子设备的集合上实现。
存储器资源221可以经由通信链路（例如，路径）219与处理器218进行通信。通信链路219可以是与处理器218相关联的电子设备的本地或远程的。存储器资源221包括：引擎（例如，检索引擎222、特征引擎223、模式引擎224和概率引擎225）。存储器资源221可以包括比所图示的更多的引擎来实行本文中所述的各种功能。
引擎222、223、224和225可以包括硬件和指令的组合，以实行本文中所述的多个功能（例如，创建易损性状态报告）。指令（例如，软件、固件等）可以除了其他可能性之外被下载并存储在存储器资源（例如，MRM）以及硬连线程序（例如，逻辑）中。
检索引擎222可以检索与打印设备的上次干预与打印设备的故障之间的事件代码相关联的事件日志数据。在一些示例中，检索可以响应于打印设备的故障，并且事件代码可以与打印设备的特定组件相关联。例如，可以从打印设备检索多个事件数据日志，其中每个事件数据日志具有关于事件的信息（例如，事件类型、描述、日期和时间、严重性、干预信息等）。该信息还可以包括与打印设备的特定组件相关联的事件代码。例如，第一事件代码可以与定影器相关联，而第二事件代码可以与辊相关联。在一些示例中，事件数据日志包括关于与这些组件相关联的事件的信息。例如，事件可以包括除了其他事物之外的打印设备或打印设备组件故障、打印问题（例如，卡纸、缺纸）和打印材料（例如，墨粉、墨水等）问题。
特征引擎223可以使用检索到的事件日志数据生成对应于事件代码的多个统计特征。例如，生成统计特征可以包括计算除了其他事物之外的事件日志数据的分组变量的均值、众数、分位数、方差和标准偏差值。事件代码——其可以包括多个八位字节（例如，特定格式的代码）——可以被转换成统计特征，如上面提到的，使用分组变量也被称为系列S。例如，S可以包括事件代码在上次干预与打印设备故障之间发生的频率。这可以包括它发生的那些天和每天它发生的次数。在一些实例中，使用多个事件代码。多个事件代码中的每一个都具有与其相关联的多个统计特征。如关于图1所讨论的，例如，统计特征可以包括除了其他事物之外的“具有”、“总和”、“均值-按日期”、“var-按日期偏置”、“std-按日期偏置”、“均值-按系列”、“sem”、“var-按系列偏置”、“std-按系列偏置”、“var-按系列无偏”、“std-按系列无偏”和“分位数”。
模式引擎224可以使用由应用于多个统计特征的机器学习机制产生的分类器，基于多个统计特征来创建打印设备的特定组件的故障模式。例如，多个统计特征可以描述打印设备的寿命行为，其可以导致打印机组件故障模式的创建。使用机器学习机制（或多个机器学习机制），多个统计特征可以被分类为“故障”（例如，如参照图1所讨论的“定影器”类别）或“没有故障”（例如，如参照图1所讨论的“其他的”类别）。例如，响应于打印设备故障，统计特征和机器学习机制可以在每次定影器故障时揭示打印设备故障。基于此，可以确定接着是打印设备故障的定影器故障的故障模式。类似地，响应于打印设备故障，统计特征和机器学习机制可以揭示打印设备每次（或一些次）发生故障时，定影器没有故障，而是辊故障。基于此，可以确定辊故障在前的打印设备故障的故障模式。
基于故障模式，可以确定是否需要或将来将会需要干预，以及打印设备故障的可能原因是什么。这可以使技术人员为修理打印设备做准备。例如，概率引擎225可以基于故障模式来确定特定组件引起打印设备故障的概率。如说明的，基于故障模式，可以确定打印设备的特定组件（例如，多功能打印机的定影器）引起故障，或没有引起故障。如果该模式指出特定的组件是故障的原因，则技术人员可以利用替换定影器来进行干预，从而节省技术人员和用户的时间和金钱。
在一些实例中，就概率而言，可以（例如，在概率确定期间）确定与引起打印设备故障的特定组件相关联的准确度和精确度。表1图示了“定影器”和“其他的”类别中准确度、精确度和总体召回率的不同值的示例。类别的召回率（recall）是由分类器生成的真阳性数与被研究类别的元素数之间的比率。总体召回率是使用每个类别的元素数量作为权重的类别召回率之间的加权均值。
表1：
定影器准确度 其他的准确度 定影器精确度 其他的精确度 总体召回率
GBoost 84% 79% 34% 97% 73%
ExtraTrees 86% 78% 34% 98% 71%
随机森林 85% 74% 30% 97% 66%
在表1中的示例中，显示了所实行的每个分类器（例如，GBoost、ExtraTrees、随机森林）的两个测量结果——准确度和精确度——如何。定影器准确度是指定影器干预（例如，定影器故障）被正确分类的频率。例如，84%的GBoost表明，在关于定影器干预进行分类的84%的时间，该分类是正确的。
定影器精确度是指故障定影器分类的置信水平。更高的精确度暗示着更少的假阳性预测。例如，在50%的故障实际上是由定影器引起的、并且50%是由不同的组件（例如，“其他的”组件）引起的示例中，如果分类器总是说定影器故障，则准确度是100%，因为在打印设备发生故障的所有时间里，定影器都有故障。然而，在该实例中，精确度将是50%，因为在打印设备发生故障的50%的时间里，定影器实际上没有引起打印设备的故障；相反，它是由不同的组件或用户错误引起的。
精确度、准确度和召回率的值可能取决于打印设备、打印组件和所使用的机器学习机制。取决于这些，可以确定结果中的置信水平，并且该置信水平可能变化。例如，置信水平可能是高的，即定影器没有故障，并且当打印设备应该维修时，技术人员不需要带定影器。
图3图示了根据示例的用于打印设备组件状态分类的方法340。方法340可以由系统128和/或控制器220实行，如参照图1和图2所述。在一些实例中，系统128和/或控制器220可以位于打印设备上。
在342，方法340包括：检索与打印设备的上次干预与打印设备的故障之间的事件代码相关联的事件日志数据。在一些示例中，检索响应于打印设备的故障，并且事件代码与打印设备的特定组件相关联。例如，事件代码可以与多功能打印设备的定影器相关联。附加地或替代地，与打印设备的不同组件相关联的事件代码可以是事件日志数据的一部分。在一些实例中，检索到的数据除了其他事物之外包括事件的描述性信息（例如，严重性、发生日期和时间、事件代码等）、打印设备和扫描使用信息（例如，打印计数、扫描计数等）和干预信息（例如，干预计数、干预日期和时间、替换的组件等）。
在344，方法340包括：使用检索到的事件日志数据，生成对应于事件代码的一系列数字的多个统计特征，以及事件代码在打印设备的上次干预与故障之间每天发生的次数。例如，统计特征通过计算统计特征的值来生成，从而允许发现打印设备故障的模式。特别地，对于每个事件代码，包括事件代码在上次干预与打印设备故障之间发生的次数的系列S（例如，天数和每天的次数）被构建。统计特征是基于每个事件代码的S来确定的。
在一些示例中，多个统计特征包括无偏和偏置的统计特征。无偏统计特征是基于事件代码在打印设备的上次干预与故障之间出现的天数和每天次数的统计特征。偏置统计特征是基于在打印设备的上次干预与故障之间的天数和每天次数的统计特征，而不管事件代码是否存在于该天数的每一天。例如，如参照图1所讨论的，“var-按系列偏置”统计特征是考虑事件在上次干预与打印设备故障之间发生的那些天、而不是事件没有发生的那些天的S的方差。相比之下，“var-按系列无偏”统计特征是考虑在上次干预与打印设备故障之间的所有那些天的S的方差，而不管事件是否发生。
在346，方法340包括：使用由应用于多个统计特征的多个机器学习机制产生的分类器，将特定组件的状态分类为故障原因或不是故障原因。例如，状态可以包括机器学习机制创建的诸如“故障”或“没有故障”之类的类别，其将特定组件分类为打印设备故障的原因、或不是打印设备故障的原因。在一些实例中，可以基于状态分类的结果向特定组件的状态提供置信水平。例如，该置信水平可以取决于多个机器学习机制中的每一个的准确度和精确度，如关于图2和表1所述的。
一旦机器学习分类器完成，就可以实时进行分类。例如，一旦统计特征被馈入机器学习机制，并且分类器被确定，特定打印机组件的分类就可以例如按“故障”或“没有故障”实时进行。例如，响应于除了其他原因之外的假阳性分类在特定阈值以上，可以根据期望更新和/或调整分类器。
通过对特定组件进行分类，可以远程确定特定组件的状态，使得可以向技术人员警报打印设备的哪个部分已经或可能发生故障（例如，是有缺陷的）。结果，当技术人员前往打印设备的位置时，技术人员可能已经知道要更换什么部件，从而减少了打印设备停止工作的时间，降低了成本，减少了技术人员的时间管理，并且改进了库存管理。例如，当预测到引起打印设备故障的组件在故障发生之前被替换时（例如，在周期性的、调度的干预下），打印设备性能可以进行改进。
在本公开的前述详细描述中，参考了形成本公开的一部分的附图，并且在附图中通过图示的方式示出了可以如何实践本公开的示例。这些示例被足够详细地描述，以使得本领域的普通技术人员能够实践本公开的示例，并且要理解的是，在不脱离本公开的范围的情况下，可以利用其他示例，并且可以进行过程、电气和/或结构改变。
本文中的各图遵循编号惯例，其中第一个数字对应于附图编号，并且其余的数字标识附图中的元素或组件。可以添加、交换和/或消除本文中各图中所示的元件，以便提供本公开的多个附加示例。此外，各图中提供的元件的比例和相对尺度意图图示本公开的示例，并且不应在限制性的意义上理解。另外，如本文中使用的，“多个”元件和/或特征可以指一个或多个这样的元件和/或特征。

Claims (15)

1.一种包含可由处理器执行的指令的非暂时性机器可读介质，所述指令使得处理器：
使用打印设备的检索到的事件日志数据，生成对应于与打印设备的特定组件相关联的事件代码的多个统计特征；
使用由应用于多个统计特征的机器学习机制产生的分类器，对特定组件的状态进行分类；以及
基于所分类的状态来实行与特定组件相关联的动作。
2.根据权利要求1所述的介质，其中，可执行以实行与特定组件相关联的动作的指令包括：可执行来确定特定组件引起打印设备故障的概率的指令。
3.根据权利要求1所述的介质，其中，可执行来实行与特定组件相关联的动作的指令包括：可执行来提供特定组件是否引起打印设备故障的建议的指令。
4.根据权利要求1所述的介质，其中，检索到的事件日志数据包括：在先前的打印设备干预与打印设备故障的一天之间的事件日志数据。
5.根据权利要求1所述的介质，进一步包括：可执行来为事件代码创建事件代码在特定时间段内发生的一系列次数的指令。
6.根据权利要求1所述的介质，其中，事件代码包括多个八位字节，所述八位字节表示包括特定组件的多个打印设备组件，并且提供与多个组件中的每一个有关的信息。
7.根据权利要求1所述的介质，其中，事件代码包括多个八位字节，所述八位字节表示由打印设备接收到的指令，并且与包括在打印设备故障期间发生的特定组件的多个打印设备组件相关联。
8.一种控制器，其包括与存储器资源通信的处理器，所述存储器资源包括可执行用于如下各项的指令：
响应于打印设备的故障，检索与打印设备的上次干预与打印设备的故障之间的事件代码相关联的事件日志数据，其中，事件代码与打印设备的特定组件相关联；
使用检索到的事件日志数据生成对应于事件代码的多个统计特征；
使用由应用于多个统计特征的机器学习机制产生的分类器，基于多个统计特征创建打印设备的特定组件的故障模式；以及
基于故障模式确定特定组件引起打印设备故障的概率。
9.根据权利要求8所述的控制器，进一步包括：可执行来通过计算事件日志数据的分组变量的均值、众数、分位数、方差和标准偏差值来生成多个统计特征的指令。
10.根据权利要求8所述的控制器，其中，可执行来确定特定组件引起打印设备故障的概率的指令进一步包括：可执行来确定与引起打印设备故障的特定组件相关联的准确度和精确度的指令。
11.根据权利要求8所述的控制器，其中，打印设备是多功能打印设备，并且特定组件是定影器。
12.一种用于打印设备组件状态分类的方法，其包括：
响应于打印设备的故障，检索与打印设备的上次干预与打印设备的故障之间的事件代码相关联的事件日志数据，其中，事件代码与打印设备的特定组件相关联；
使用检索到的事件日志数据，生成对应于事件代码的一系列数字的多个统计特征，以及事件代码在打印设备的上次干预与故障之间每天发生的次数；以及
使用由应用于多个统计特征的多个机器学习机制产生的分类器，将特定组件的状态分类为故障的原因或者不是故障的原因。
13.根据权利要求12所述的方法，进一步包括：基于状态分类的结果，向特定组件的状态提供置信水平。
14.根据权利要求12所述的方法，其中，生成多个统计特征包括生成：
多个无偏统计特征，其中，无偏统计特征基于事件代码在打印设备的上次干预与故障之间存在的天数和每天次数；以及
多个偏置统计特征，其中，偏置统计特征基于在打印设备的上次干预与故障之间的天数和每天次数，而不管事件代码是否存在于所述天数的每一天。
15.根据权利要求12所述的方法，其中，检索事件日志数据包括：检索与事件相关联的数据，所述数据包括事件的描述信息、打印设备使用信息、扫描和干预信息。
CN201880099234.2A 2018-11-01 2018-11-01 打印设备组件状态分类 Active CN112955328B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2018/058622 WO2020091778A1 (en) 2018-11-01 2018-11-01 Printing device component status classification

Publications (2)

Publication Number Publication Date
CN112955328A CN112955328A (zh) 2021-06-11
CN112955328B true CN112955328B (zh) 2022-11-15

Family

ID=70463172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880099234.2A Active CN112955328B (zh) 2018-11-01 2018-11-01 打印设备组件状态分类

Country Status (4)

Country Link
US (1) US20210294687A1 (zh)
EP (1) EP3873747A4 (zh)
CN (1) CN112955328B (zh)
WO (1) WO2020091778A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020159606A1 (en) * 2019-01-30 2020-08-06 Hewlett-Packard Development Company, L.P. Processing service notes
CN115421675B (zh) * 2022-11-03 2023-02-14 南京环印防伪科技有限公司 一种基于队列关联的防错误打印方法及其系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0823408A (ja) * 1994-07-07 1996-01-23 Canon Inc 画像形成システム
US6782495B2 (en) * 2001-06-19 2004-08-24 Xerox Corporation Method for analyzing printer faults
JP4096906B2 (ja) * 2003-05-14 2008-06-04 セイコーエプソン株式会社 故障予測通知プリンタ及びプリンタ管理サーバ並びにこれら用いた故障予測通知システム、故障予測通知プログラム及び故障予測通知方法
US20090094091A1 (en) * 2007-10-05 2009-04-09 Xerox Corporation Service call data selection and delivery method and system
KR20140005768A (ko) * 2012-07-04 2014-01-15 삼성전자주식회사 네트워크를 통한 화상형성장치의 관리 방법 및 시스템
EP3063633B1 (en) * 2013-10-31 2021-12-29 Ent. Services Development Corporation LP Monitoring printers
US20150138579A1 (en) * 2013-11-15 2015-05-21 Toshiba Tec Kabushiki Kaisha Maintenance method and maintenance apparatus for information processing apparatus
EP2889579B1 (en) * 2013-12-31 2018-02-14 The Boeing Company System and method for defining and predicting aircraft trajectories
JP6459180B2 (ja) * 2014-02-10 2019-01-30 富士ゼロックス株式会社 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム
KR102096771B1 (ko) * 2015-09-30 2020-04-03 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 프린터 전력 관리
CN105653444B (zh) * 2015-12-23 2018-07-13 北京大学 基于互联网日志数据的软件缺陷故障识别方法和系统
CN105893208A (zh) * 2016-03-31 2016-08-24 城云科技（杭州）有限公司 基于隐半马尔可夫模型的云计算平台系统故障预测方法

Also Published As

Publication number Publication date
WO2020091778A1 (en) 2020-05-07
CN112955328A (zh) 2021-06-11
EP3873747A4 (en) 2022-06-22
EP3873747A1 (en) 2021-09-08
US20210294687A1 (en) 2021-09-23

Similar Documents

Publication Publication Date Title
US8407163B2 (en) Monitoring a device, network, or system with adaptive dynamic classification employing a hidden Markov model operating on a time sequence of information
US8935153B2 (en) Natural language incident resolution
JP4609368B2 (ja) 故障診断モデル生成装置、故障診断システム、及び、故障診断モデル生成プログラム
US9134675B2 (en) Predicting remaining useful life for a consumable using a weighted least square regression prediction technique
US20210342211A1 (en) Fault prediction model training with audio data
US10768868B2 (en) System and method for performing fault diagnosis on a device
EP3663919B1 (en) System and method of automated fault correction in a network environment
JP2008256981A (ja) 故障診断システム
JP6219865B2 (ja) 制御装置の故障予測システム
JP6167948B2 (ja) 障害予測システム、障害予測装置およびプログラム
CN112955328B (zh) 打印设备组件状态分类
US10369825B2 (en) Systems and methods for supply quality measurement
CN113168172B (zh) 模型生成装置、模型生成方法及程序
JP2008258897A (ja) 故障予測診断装置及びこれを用いた故障予測診断システム
CN111542792A (zh) 诊断装置和诊断方法
JP2015152709A (ja) 障害予測システム、障害予測装置およびプログラム
US20100281188A1 (en) Methods and Systems for Outlying Peripheral Device Management
US20190362262A1 (en) Information processing device, non-transitory storage medium and information processing method
US20130107313A1 (en) Evaluating and managing image quality performance and improving service effectiveness of groups of production printers
US20090002754A1 (en) Image forming apparatus management server, service continuity score (scs) calculating method of management server, and image forming apparatus management system
US10628092B1 (en) Automated system and method for prediction of device settings for stocks
US20220269456A1 (en) System and method for modeling and implementing predictive device maintenance
US10599086B1 (en) Automated stock evaluation system and method
JP2021005306A (ja) 機器管理システム及び機器管理装置
US20230069498A1 (en) Image-based predictive data models for failure of information technology devices

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