DE69208110T2

DE69208110T2 - Selbstdiagnose- und Selbstreparatursystem für ein Bilderzeugungsgerät

Info

Publication number: DE69208110T2
Application number: DE69208110T
Authority: DE
Inventors: Yasuo Motegi; Yoshiki Shimomura; Tetsuo Tomiyama; Yasushi Umeda; Hiroyuki Yoshikawa
Original assignee: Mita Industrial Co Ltd
Current assignee: Kyocera Mita Industrial Co Ltd
Priority date: 1991-02-20
Filing date: 1992-02-19
Publication date: 1996-11-14
Anticipated expiration: 2012-02-20
Also published as: JPH04264566A; DE69208110D1; US5452438A; EP0500080B1; EP0500080A2; EP0500080A3

Description

Die Erfindung betrifft ein Selbstdiagnose- und Selbstreparatursystem und speziell ein System, das imstande ist, eine Selbstdiagnose des Verschlechterungszustands, des Betriebszustands und dergleichen einer Vorrichtung unter Nutzung von künstlicher Intelligenz und Wissenstechnik, die seit einigen Jahren ausführlich untersucht werden, durchzuführen sowie Fuzzy-Ableitungen anzuwenden und die erforderlichen Selbstreparaturen auszuführen.
Die Dokumente Patent Abstracts of Japan, Vol 15, Nr. 122 vom 26. März 1991 und JP-A-3 010 269 zeigen eine Bilderzeugungsvorrichtung, die eine Einrichtung aufweist, um eine Variable mittels Fuzzy-Ableitung in bezug auf eine unklare Beziehung zwischen dem Oberflächenpotential eines lichtempfindlichen Körpers und der auf den Entwickler aufgebrachten Entwicklungs-Vorspannung zu steuern. Fuzzy-Regelungen und Mitgliedschafts-Funktionen werden zum Zeitpunkt der Durchführung der Fuzzy-Ableitung in einem Betriebsbereich gespeichert. Das elektrische Potential und die Vorspannung werden in Abhängigkeit von Variablen wie der Feuchtigkeit, der ursprünglichen Dichte und der Anzahl der kopierten angesammelten Blätter gesteuert.
Auf dem Gebiet der Entwicklung von Präzisionsinstrumenten, Industriemaschinen und dergleichen werden seit einigen Jahren Expertensysteme, die künstliche Intelligenz- bzw. AI- Techniken nutzen, gründlich untersucht zum Zweck der Einsparung von Arbeitskräften für Wartungsarbeiten und des Langzeit-Automatikbetriebs. Die Expertensysteme umfassen solche, die eine Selbstdiagnose ausführen, um zu beurteilen, ob in einer Vorrichtung eine Störung bzw. ein Fehler vorliegt, und um eine Selbstreparatur des verursachten Fehlers auszuführen.
Bei einem Fehlerdiagnosesystem nach dem herkömmlichen Expertensystem treten Einschränkungen wie beispielsweise die folgenden auf: (A) Es gibt keine Vielseitigkeit des Wissens, was es unmöglich macht, eine Fehlerdiagnose an einer Vielzahl von Objekten durchzuführen, (B) die Diagnose kann nicht an unbekannten Fehlern bzw. Störungen ausgeführt werden, (C) die Wissensmenge, die für die Fehlerdiagnose notwendig ist, vergrößert sich explosionsartig mit zunehmender Komplexität eines Objekts, was die Implementierung erschwert, und (D) es ist schwierig, Wissen zu erfassen.
Dabei wird bei einem herkömmlichen automatischen Steuersystem und Fehlerdiagnosesystem eine Betätigungseinheit, die einem Sensor entspricht, grundsätzlich ausgebildet, um auf der Basis eines Ausgangssignals des Sensors betrieben zu werden. Das heißt, eine Art von automatischer Steuerung und Fehlerdiagnose erfolgt durch eine vorbestimmte Kombination aus einem Sensor und einer Betätigungseinheit. Daher entspricht ein bestimmter Sensor grundsätzlich einer bestimmten Betätigungseinheit, und die Beziehung zwischen ihnen ist stationär. Somit weist das herkömmliche System die folgenden Nachteile auf: (a) Die Beziehung zwischen Parametern des Sensors und Parametern der Betätigungseinheit muß deutlich zahlenmäßig ausgedrückt werden. (b) Aus dem in Abschnitt (a) genannten Grund ist die Beziehung zwischen Parametern des Sensors und Parametern der Betätigungseinheit weitgehend von einem Objekt abhängig. Daher mangelt es dem herkömmlichen System an Vielseitigkeit, und es kann nicht für viele verschiedene Objekte genutzt werden. (c) Die Beziehungen zwischen Parametern der jeweiligen Sensoren und Parametern der jeweiligen Betätigungseinheiten sind nicht auf die Steuerung bezogen. Deshalb kann nur eine einfache Steuerung auf der Basis der Beziehung zwischen den Parametern der Sensoren und den Parametern der Betätigungseinheiten, die einander jeweils entsprechen, ausgeführt werden. Störungen, die beseitigt werden können, sind von vornherein begrenzt, und unbekannte Störungen bzw. Fehler können nicht behandelt werden. Aus dem in Abschnitt (c) angegebenen Grund können Sekundäreffekte, die auf Parameter anderer Betätigungseinheiten wirken und die durch die Operation von Parametern einer beliebigen Betätigungseinheit verursacht sein können, nicht vorhergesagt werden.
Bei dem herkömmlichen automatischen Steuer- und Fehlerdiagnosesystem wird daher nur eine Fehlerdiagnose auf der Basis von Gruppen, die jeweils unabhängige Sensoren und Betätigungseinheiten, und eine Störungsreparatur auf der Basis der Fehlerdiagnose auf solche Weise durchgeführt, daß die Vorhersage eines Fehlers A auf der Basis einer Gruppe A aus einem Sensor und einer Betätigungseinheit A, die Vorhersage eines Fehlers B auf der Basis einer Gruppe B aus einem Sensor B und einer Betätigungseinheit B sowie die Vorhersage eines Fehlers C auf der Basis einer Gruppe C aus einem Sensor C und einer Betätigungseinheit C erfolgt.
Die Anmelderin der vorliegenden Anmeldung hat als eine mit der Erfindung verwandte Technik ein neues System vorgeschlagen, um eine Selbstdiagnose und/oder Selbstreparatur mit einer Bilderzeugungsvorrichtung als Objekt-Maschine durchzuführen, um so die Nachteile des Stands der Technik zu beseitigen.
Bei dem oben beschriebenen Selbstdiagnose- und/oder Selbstreparatursystem wird eine qualitative Ableitung als das Verfahren zum Bestimmen des qualitativen übergangs aus einer Gruppe von Gleichungen und dem Ausgangszustand angewandt. Andererseits hat die qualitative Ableitung naturgemäß das Ziel, daß ein nichteindeutiger Ausdruck nicht als die Zustandsdarstellung eines Objekt-Systems (einer Maschine) zugelassen wird, weil die Ableitung in Form eines qualitativen, d. h. symbolischen Ausdrucks gewonnen wird. Die qualitative Ableitung ist als Methode zur Fehlerdiagnose und -reparatur unzureichend, indem Informationen wie etwa "unklare Information" gehandhabt werden, was häufig bei Wartungsaktivitäten der Fall ist, wo beispielsweise als Zustand der Maschine die Information "dies kann normal oder abnormal sein" auftritt.
Wenn ferner die Fehlerdiagnose unter Nutzung der Verschlechterungs- und Fehlerhysterese-Information an entsprechenden die Maschine bildenden Komponenten synthetisiert wird, kann ein Fehlerdiagnosesystem und/oder Fehlerreparatursystem mit einem höheren Komplettheitsgrad nicht gebaut werden, wenn nicht eine Ableitungsmethode mit einer Logik, die eine weitere Methode der Darstellung verwendet, die zusätzlich zu der bereits vorgeschlagenen qualitativen Ableitung angewandt wird, und die Handhabung von hinzugefügten unklaren Informationen in Betracht gezogen werden.
Es ist eine Aufgabe der Erfindung, eine Bilderzeugungsvorrichtung anzugeben, die ein System hat, das imstande ist, eine Unschärfen zulassende Ableitung unter dem Gesichtspunkt der Wartung zu entwickeln, eine Selbstdiagnose des Zustands einer Vorrichtung unter Nutzung der Ableitung auszuführen und die erforderliche Selbstreparatur durchzuführen.
Durch die Erfindung wird ein Selbstdiagnose- und Selbstreparatursystem gemäß der Definition in Anspruch 1 bereitgestellt. Ferner wird ein Verfahren zum Diagnostizieren und Reparieren einer Vorrichtung gemäß der Definition in Anspruch 4 bereitgestellt.
Die vorstehenden und weitere Ziele und Vorteile der Erfindung ergeben sich aus der nachstehenden genauen Beschreibung von Ausführungsformen der Erfindung in Verbindung mit den beigefügten Zeichnungen.
Fig. 1 ist ein Diagramm eines Beispiels eines qualitativen Mengenraums;
Fig. 2 ist ein Diagramm eines Beispiels von Mitgliedsfunktionen zur Umwandlung von Sensorinformation in einen Fuzzy-Qualitätswert;
Fig. 3 ist ein Blockdiagramm, das den Aufbau einer Ausführungsform der Erfindung zeigt;
Fig. 4 ist ein Diagramm, das die Beziehung zwischen Verschlechterungsfaktor-Parametern und dem Verschlechterungswert zeigt;
Fig. 5 ist ein Diagramm, das ein Beispiel eines Mengenraums des Verschlechterungsfaktor-Parameters zeigt;
Fig. 6 ist ein Teil eines Flußdiagramms, das den Ableitungsvorgang für die Fehlerdiagnose bei der vorliegenden Ausführungsform zeigt;
Fig. 7 ist ein Teil eines Flußdiagramms, das den Ableitungsvorgang für die Fehlerdiagnose bei der vorliegenden Ausführungsform zeigt;
Fig. 8 ist ein Teil eines Flußdiagramms, das den Ableitungsvorgang für die Fehlerdiagnose bei der vorliegenden Ausführungsform zeigt;
Fig. 9 zeigt eine kleine elektrophotographische Kopiermaschine, die als spezifische Objekt-Vorrichtung dient;
Fig. 10 ist ein Diagramm, das ein Parametermodell der elektrophotographischen Kopiermaschine gemäß der Erfindung zeigt;
Fig. 11 ist ein Diagramm eines Beispiels eines qualitativen Fuzzy-Mengenraums eines Parameters;
Fig. 12 ist ein Diagramm eines Beispiels eines Verschlechterungs-Modells;
Fig. 13 ist ein Diagramm eines qualitativen Fuzzy-Mengenraums jedes der Parameter an dem Verschlechterungs-Modell; und
Fig. 14 ist ein Diagramm, das einen Zustand zeigt, in dem die Ursachen einer Funktions-Abnormalität, bei der Os groß ist, an einem Parametermodell verfolgt werden, um so einen Fehlerkandidaten abzuleiten.

Fuzzy-Qualitätsableitung

Es folgt nun die Beschreibung der Fuzzy-Qualitätsableitung, die eine neu entwickelte Art der Ableitung mit Mehrdeutigkeit ist, die für die Selbstdiagnose erforderlich ist.

(1) Fuzzy-Qualitätswert

Bei der Qualitätsableitung, die bei einem Selbstdiagnoseund/oder Selbstreparatursystem gemäß einer eigenen früheren Anmeldung verwendet wird, werden die Begriffe eines Mengenraums und eines Qualitätswerts als Methode zur symbolischen Darstellung des Werts einer Variablen verwendet. Der Mengenraum ist eine endliche Menge, die erhalten ist durch symbolische Darstellung einer Menge an von reellen Zahlen mittels einer Markierung, die ein charakteristischer Wert mit einer physischen Bedeutung ist, und eines von der Markierung umschlossenen Abschnitts. Daher wird nur entweder ein Grenzwert oder ein Abschnittswert als der Qualitätswert genutzt.
Bei Betrachtung eines Selbstdiagnose- und/oder Selbstreparatursystems für eine ideale Objektmaschine als Beispiel ist es sinnvoll zu beurteilen, ob ein bestimmter Wert ein Markierungswert oder ein Abschnittswert ist. Wenn ein durch Messungen erhaltener quantitativer Wert in einen qualitativen Ausdruck umgewandelt wird und auf der Grundlage des Ausdrucks eine Ableitung in der tatsächlichen Welt gewonnen wird, kann es eventuell unzweckmäßig sein, daß der durch Messungen erhaltene quantitative Wert nur alternativ in einen Markierungswert oder einen Abschnittswert umgewandelt wird. Der Grund hierfür ist, daß "mehrdeutige Information" in der Wartungsaktivität gesehen wird, wie oben beschrieben wurde, so daß tatsächlich die Situationeintreten kann, in der der quantitative Wert ein Markierungs- oder ein Abschnittswert sein kann.

Daher wird die Fuzzy-Logik angewandt.

Die Fuzzy-Logik ist eine Theorie zur mathematischen Behandlung von Mehrdeutigkeit. Der Ausdruck einer Menge in der Fuzzy-Logik ist dadurch charakterisiert, daß ein Zwischenzustand, in dem nicht klar ist, ob ein bestimmtes Element zu der Menge gehört oder nicht, durch Dezimalbrüche von 0,0 bis 1,0. als dem Grad, bis zu dem das Element zu der Menge gehört, bezeichnet wird. Der Zwischenzustand, der nicht durch eine konventionelle Menge repräsentiert werden kann, kann durch Anwendung dieser Ausdrucksform dargestellt werden. Bei der Fuzzy-Logik wird eine Funktion zur Definition des Grads, bis zu dem ein bestimmtes Element zu einer bestimmten Menge gehört (Rang), als eine "Mitgliedsfunktion" bezeichnet.
Ein Mehrdeutigkeit aufweisender Ausdruck, der zu einem qualitativen Ausdruck addiert wird, wird möglich durch Einführung des Konzepts einer Fuzzy-Menge, die unter Anwendung dieser Mitgliedsfunktion repräsentiert ist. Dabei wird der Wert einer Variablen als eine Menge eines herkömmlichen Qualitätswerts und als der Grad, bis zu dem sie zu dem Qualitätswert gehört (Rang), repräsentiert. Eine solche Ausdrucksform wird als ein "Fuzzy-Qualitätswert" bezeichnet.
Wenn beispielsweise der Wert einer bestimmten Variablen durch einen Fuzzy-Qualitätswert in einem Mengenraum gemäß Fig. 1 dargestellt ist, wird der Wert beispielsweise wie folgt ausgedrückt:
(Normal: 0,4, (Normal, nil) : 0,6).
Es ist möglich, Mehrdeutigkeit unter Anwendung dieser Darstellungsmethode mittels eines Fuzzy-Qualitätswerts zuzulassen, wenn zur Ableitung Sensorinformation genutzt wird. Dabei wird bei einem Fehlerdiagnosesystem, das die vorher vorgeschlagene Qualitätsableitung nutzt, ein bestimmter konstanter Bereich als ein Bereich von Normalwerten bestimmt. Wenn ein von dem Sensor erhaltener quantitativer Wert in dem Bereich liegt, wird davon ausgegangen, daß der Qualitätswert auf einer Markierung von "normalen Werten" liegt, um eine Qualitätsableitung herzuleiten.
Andererseits werden Mitgliedsfunktionen für die Operation der Umwandlung eines von einem Sensor erhaltenen quantitativen Werts in einen qualitativen Ausdruck angewandt. Wenn Mitgliedsfunktionen angewandt werden, werden Mitgliedsfunktionen wie "ein Normalwert (Normal; nachstehend mit N abgekürzt)", "größer als ein Normalwert (Normal, nil; nachstehend mit N, nil abgekürzt)" und "kleiner als ein Normalwert (0, Normal; nachstehend mit 0, N abgekürzt)" vorher an einem Raum reeller Zahlen des Sensors festgelegt, wie Fig. 2 zeigt. Ein von dem Sensor erhaltener quantitativer Wert wird auf dem in Fig. 2 gezeigten Raum kartiert, um den quantitativen Wert in einen qualitativen Ausdruck umzuwandeln, der Mehrdeutigkeit zuläßt.

(2) Operationsregel des Fuzzy-Qualitätswerts

Eine algebraische Operation eines Fuzzy-Qualitätswerts weist eine algebraische Operationsregel der Qualitätsableitung und der Berechnung von Rängen auf. Nachstehend folgt ein konkretes Beispiel:
Zf = Xf x Xf
Xf = (N : 0,8, (N, nil) : 0,2)
Yf = ((0, N) 0,7, N : 0,3)
und die Beziehung zwischen Markierungen ist folgende:
(Xf, Yf, Zf) = (N, N, N).
Alle Werte, die als der Qualitätswert von Zf angenommen werden können, sind aus den jeweiligen Qualitätswerten von Xf und Yf (bei diesem Beispiel N und (N, nil) von Xf) und der Beziehung zwischen den Markierungen angegeben. Der in bezug auf die Qualitätswerte von Xf und Yf kleinere Rang wird als ein Rang in bezug auf den Qualitätswert von Zf zu diesem Zeitpunkt angenommen. Das Vorstehende wird nun mehr im einzelnen beschrieben:
Xf Yf Zf
N x (0, N) = (0, N) : 0,8, 0,7 = 0,7
N x N = N : 0,8, 0,3 = 0,3
(N, nil) x (0, N) = (0, N) N (N, nil) : 0,2, 0,7 = 0,2
(N, nil) x N = (N, nil) : 0,2, 0,3 = 0,2
Wenn ferner nicht weniger als zwei Arten von Rängen in bezug auf den Qualitätswert von Zf gefunden werden, wird ihr Maximalwert angenommen. Da bei dem vorhergehenden Beispiel zwei Arten von Rängen, und zwar 0,7 und 0,2 in bezug auf den Qualitätswert (0, N) von Zf in der ersten und der dritten Gleichung gefunden werden, wird der Maximalwert davon, also 0,7, als der Rang in bezug auf den Qualitätswert (0, N) von Zf angenommen. Da zwei Arten von Rängen, und zwar 0,3 und 0,2, in bezug auf den qualitiven Wert N von Zf in der zweiten und der dritten Gleichung gefunden werden, wird ferner der Maximalwert davon, also 0,3, gewählt.
Aus den obigen Berechnungen ergibt sich der Fuzzy-Qualitätswert von Zf wie folgt:
Zf = ((0, N) : 0,7, N : 0,3, (N, nil) : 0,2).
Außerdem wird eine Standardisierung so erreicht, daß die Summe der Ränge 1 ist. Die Standardisierung wird erreicht durch Division des Rangs in bezug auf jeden der Qualitätswerte durch 1,2 (wobei 1,2 = 0,7 + 0,3 + 0,2). Als Resultat der Standardisierung wird der Qualitätswert von Zf zu folgendem Wert:
Zf = ((0, N) : 0,58, N : 0,25, (N, nil) : 0,17).

(3) Ableitung

Grundsätzlich wendet die Ableitung die Übertragungsmethode an. Diese Übertragungsmethode ist ein Algorithmus zur sequentiellen Übertragung des Werts eines Parameters, dessen Wert bereits bestimmt ist, auf die übrigen Parameter unter Anwendung der Beziehung zwischen den Parametern, um Parameter im Gesamtsystem zu bestimmen.
Der Übertragungsvorgang arbeitet mit einer Methode der Bestimmung eines unfixierten Parameters aus Parametern in der binomischen Beziehung oder der trinomischen Beziehung unter Nutzung der bereits festgelegten Parameter und der Beziehung zwischen ihnen aus der oben beschriebenen Fuzzy-Operationsregel. Die spezifische Ableitungsmethode wird unter Bezugnahme auf die später zu beschreibenden konkreten Beispiele deutlich.

Systemaufbau

Fig. 3 ist ein Blockdiagramm, das den Aufbau eines Systems gemäß einer Ausführungsform der Erfindung zeigt. Dieses System umfaßt eine Vielzahl von Sensoren 1a, 1b und 1c, die an einer Objektmaschine (konkret einer kleinen elektrophotographischen Kopiermaschine oder dergleichen) angebracht sind, und eine Vielzahl von Betätigungseinheiten 6a, 6b und 6c, um den Betriebszustand oder dergleichen der Objektmaschine zu ändern.
Die Mehrzahl von Sensoren 1a, 1b und 1c dient jeweils dazu, die Änderung von Elementen der Objektmaschine oder von relevanten Zuständen unter den Maschinenelementen, die durch den Betrieb der Objektmaschine eintreten, zu erfassen. Informationen, die von der Mehrzahl von Sensoren 1a, 1b und 1c abgenommen werden, werden in einer Verstärkerschaltung 2 verstärkt, von einem A/D-Wandler 3 von Analogsignalen in Digitalsignale umgewandelt und einer Digitalsignal/FQ-Wert- Umwandlungseinrichtung 11 zugeführt (FQ-Wert = Fuzzy-Qualitätswert). Die Digitalsignal/FQ-Wert-Umwandlungseinrichtung 11 dient der Umwandlung des von dem A/D-Wandler 3 zugeführten Digitalsignals in einen Fuzzy-Qualitätswert, d. h. sie hat die Umwandlungsfunktion, um das Digitalsignal durch einen Qualitätswert (beispielsweise eines von drei Symbolen wie etwa "klein", "normal" und "groß") und einen Rang (einen Zahlenwert von 0,0 bis 1,0) darzustellen. Die von den Sensoren 1a, 1b und 1c zugeführten Signale werden jeweils in Qualitätsinformation umgewandelt, die durch Fuzzy-Qualitätswerte dargestellt wird, so daß es einfach ist, eine Fehlerdiagnose durchzuführen.
Fuzzy-Qualitätswerte von Parametern, die notwendig sind, um den Grad der Verschlechterung jeder der Komponenten aus den Fuzzy-Qualitätswerten zu berechnen, die von der Digitalsignal/FQ-Wert-Umwandlungseinrichtung 11 abgegeben werden, werden sequentiell einer Langzeit-Simulationseinrichtung 12, einer Kurzzeit-Simulationseinrichtung 13 und einer Fehlerbzw. Störungsdiagnoseeinrichtung 14 zugeführt. Die Langzeit- Simulationseinrichtung 12 simuliert den Grad der Verschlechterung mit der Alterung jeder der Komponenten, die die Objektmaschine bilden. Die Kurzzeit-Simulationseinrichtung 13 dient der Simulation des momentanen Zustands der Objektmaschine. Die Fehlerdiagnoseeinrichtung 14 dient der Durchführung einer Funktionsbewertung unter Nutzung von Fuzzy- Qualitätswerten von Parametern, die notwendig sind, um eine Störungsbewertung durchzuführen, aus den Fuzzy-Qualitätswerten, die von der Digitalsignal/FQ-Wert-Umwandlungseinrichtung 11 abgegeben werden, um das Störungs- bzw. Fehlersymptom zu benennen sowie die Ursachen der Störung aus dem Fehlersymptom zu gewinnen. Ein Schritt (Fehlerdiagnose) zur Gewinnung der Fehlerursachen aus dem Fehlersymptom, das in der Fehlerdiagnoseeinrichtung 14 benannt wird, wird auf der Basis einer Ableitung durchgeführt, wobei keine Fuzzy-Ableitung angewandt wird, die bei dem in der oben beschriebenen eigenen früheren Anmeldung angegebenen Selbstdiagnoseund/oder Selbstreparatursystem angewandt wird.
Ferner ist eine Objektmodell-Speichereinrichtung 15 vorgesehen. In der Objektmodell-Speichereinrichtung 15 wird vorher folgendes gespeichert: ein "Substanzmodell", in dem eine Objektmaschine nach einem physischen Gesichtspunkt erfaßt und durch Parameter als eine Kombination aus einer Vielzahl von Elementen auf einem Substanzniveau erfaßt wird, ein "Parametermodell", in dem die Objektmaschine als ein kombinierter Baum der Parameter dargestellt ist, Anfangswerte der jeweiligen Parameter, Mitgliedsfunktionen der jeweiligen Parameter, die entsprechende Beziehung zwischen dem Grad der Verschlechterung und der tatsächlichen Änderung, ein Referenzwert zur Fehlerbeurteilung, Fehlerkandidaten-Wissen und dergleichen. Diese Wissensarten, die in der Objektmodell- Speichereinrichtung 15 gespeichert sind, werden genutzt, wenn die Digitalsignal/FQ-Wert-Umwandlungseinrichtung 11, die Langzeit-Simulationseinrichtung 12, die Kurzzeit-Simulationseinrichtung 13 oder die Fehlerdiagnoseeinrichtung 14 eine Verarbeitung ausführen. Außerdem ist eine Fehlersimulationseinrichtung 16 vorgesehen. Die Fehlersimulationseinrichtung 16 dient der Simulation eines Fehlers im Zusammenwirken mit der Kurzzeit-Simulationseinrichtung 13 und der Fehlerdiagnoseeinrichtung 14.
Das System ist mit zwei Grundelementen ausgestattet, und zwar einer Langzeit-Simulationseinrichtung und einer Kurzzeit-Simulationseinrichtung. Die beiden Grundelemente werden im einzelnen beschrieben.

(1) Langzeit-Simulationseinrichtung

Eine Langzeitsimulation (nachstehend kurz LSIM) ist eine Simulation, bei der aus den die Objektmaschine bildenden Komponenten solche aufgenommen werden, die der Fehlerdiagnose zugeordnet sind, um den Grad der Verschlechterung über die Zeit für jede Komponente zu simulieren.
Die Beziehung zwischen dem Verschlechterungsgrad und den Verschlechterungsfaktor-Parametern zum Schätzen des Verschlechterungsgrads wird vorher unter Anwendung eines qualitativen Ausdrucks für jede Komponente oder für jede Gruppe relevanter Komponenten dargestellt. Beispielsweise im Fall eines Zahnrads umfassen Faktoren, die den Grad der Verschlechterung (den Grad des Verschleißes) definieren, die Zeit T, die seit dem Beginn des Gebrauchs des Zahnrads abgelaufen ist, eine Drehkraft Tor, die im Gebrauchszustand des Zahnrads aufgebracht wird, und eine Umfangsgeschwindigkeit V. Die Beziehung zwischen den Verschlechterungsfaktor- Parametern und der Verschlechterungsgeschwindigkeit dX ist in Fig. 4 gezeigt.
Ein Mengenraum jedes der Verschlechterungsfaktor-Parameter, also von T, Tor und V, von Proportionalitätskonstanten α, ß und γ, der Verschlechterungsgeschwindigkeit dX und des Verschlechterungsgrads X in diesem Fall, ist ein Mengenraum, der nicht von der Objektmaschine abhängig ist, in der die Komponenten verwendet werden, sondern der von den Komponenten abhängt (ihnen eigen ist). Dieser Mengenraum kann durch Bestimmung von Mitgliedsfunktionen repräsentiert werden. Beispielsweise kann er wie in Fig. 5 repräsentiert werden, indem als ein Beispiel die Drehkraft Tor genommen wird, die einer der Verschlechterungsfaktor-Parameter ist.
Ferner wird vorher eine Qualitätsbeziehung zwischen den Werten des Parameters hergestellt, wie in Fig. 1 gezeigt ist. Wenn beispielsweise die Drehkraft Tor "groß" und die Proportionalitätskonstante ß relativ zu der Verschlechterungsgeschwindigkeit "mittel" ist, ist die Verschlechterungsgeschwindigkeit dX2 infolge der Größe der Drehkraft Tor "groß". Tabelle 1 Beziehung zwischen Parameterwerten Tor klein mittel groß
Der oben beschriebene Mengenraum und die Beziehung zwischen den Werten werden vorher in bezug auf jeden Verschlechterungsfaktor-Parameter, die Proportionalitätskonstanten, die Verschlechterungsgeschwindigkeit und den Verschlechterungs grad erstellt und in der Objektmodell-Speichereinrichtung 15 als Wissen gespeichert, das Komponenten-abhängig ist (also nicht Objektmaschinen-abhängig ist). Die LSIM wird unter Nutzung von solchem Wissen, das Komponenten-abhängig ist, für jede bestimmte konstante Periode oder zu beliebigen Zeitpunkten durchgeführt, um den Verschlechterungsgrad zu schätzen.
Bei der Durchführung der LSIM wird ein Wert (quantitativer Wert) unter Bedingungen, unter denen die Komponente in der Objektmaschine verwendet wird, zuerst in dem Mengenraum des Verschlechterungsfaktor-Parameters kartiert (siehe Fig. 5), um so den Verschlechterungsfaktor-Parameter in einen Fuzzy- Qualitätswert umzuwandeln.
Die Werte des Verschlechterungsfaktor-Parameters, die durch den Fuzzy-Qualitätswert und die Beziehung zwischen den Werten der Parameter repräsentiert sind, werden dann genutzt, um die Verschlechterungsgeschwindigkeit zu ermitteln. Außerdem werden die so ermittelten zeitlichen Unterschiede im Verschlechterungsgrad innerhalb einer konstanten Periode aufaddiert, um so den Gesamtverschlechterungsgrad der Komponente festzustellen (siehe Fig. 4). Der letztendlich ermittelte Verschlechterungsgrad wird beispielsweise in Form von (mittel: 0,3, groß: 0,7) erhalten.
Der bei dieser LSIM gefundene Verschlechterungsgrad dient jedoch nicht dem Schätzen der physischen Mengen an dem Parametermodell der Objektmaschine. Selbst wenn beispielsweise der Verschlechterungsgard eines Zahnrads (der Verschleißgrad eines Zahnrads) durch die LSIM gefunden wird, wird dabei nicht gefunden, wie in dem Parametermodell der Objektmaschine eine Änderung auftritt. Die Auswirkung der Verschlechterung auf die Objektmaschine wird aus einem vorbestimmten Verschlechterungsgrad und der Beziehung zwischen den Werten von Funktionsparametern an dem Parametermodell gefunden, wie noch beschrieben wird.

(2) Kurzzeit-Simulationseinrichtung

Eine Kurzzeitsimulation (nachstehend kurz: SSIM) dient der Bestimmung des Zustands der vorliegenden Objektmaschine.
Der Zustand der Objektmaschine ist durch eine Menge physischer Quantitäten repräsentiert, die Attribute der jeweiligen die Objektmaschine bildenden Komponenten bezeichnen. Die SSIM erfolgt an dem Parametermodell, wobei die physischen Quantitäten durch eine qualitative Gleichung miteinander in Beziehung gebracht werden. Die SSIM-Ableitungsmethode wendet die oben beschriebene Fuzzy-Qualitätsableitung an. Außerdem wird die Übertragungsmethode als ein Algorithmus für die Fuzzy-Qualitätsableitung genutzt. Es folgt nun die Beschreibung des Ausbreitungsverfahrens bei dieser Übertragungsmethode.
Die Ableitung beginnt in einem Zustand, in dem die jeweiligen Werte von konstanten Parametern, von Parametern, die durch von den Sensoren erhaltene Werte bestimmt sind, und von durch die LSIM bestimmten Parametern festgestellt werden.

Im Fall der Übertragung wird das folgende Verfahren durchgeführt:

(1) Wenn zwei Parameter von Parametern in der trinomischen Beziehung (+, -, x und dergleichen) bereits festgestellt worden sind, wird der eine verbleibende Parameter bestimmt.
(2) Wenn einer von Parametern in der binomischen Beziehung (=) feststeht, wird der andere Parameter bestimmt.
Das vorstehende Übertragungsverfahren wird wiederholt, bis die. Werte sämtlicher Parameter bestimmt worden sind.
Als Ergebnis wird der Zustand der gesamten Objektmaschine, d. h. die Werte sämtlicher Parameter, durch die SSIM bestimmt.
Es folgt nun die Beschreibung des Ableitungsverfahrens für die Fehlerdiagnose, die in der Langzeit-Simulationseinrichtung 12, der Kurzzeit-Simulationseinrichtung 13, der Fehlerdiagnoseeinrichtung 14 und der Fehlersimulationseinrichtung 16 durchgeführt wird.

Fehlerdiagnose bei der Fuzzy-Qualitätsableitung unter Nutzung von Verschlechterungsinformation

Eine Ableitung zur Fehlerdiagnose erfolgt in dem nachstehenden Ablauf unter Bezugnahme auf die Fig. 6, 7 und 8.
Der Zustand der Objektmaschine zu dem Zeitpunkt wird vorher von dem Sensor erfaßt, der für die Objektmaschine vorgesehen ist (Schritt S1), und der Wert jedes der Parameter, die durch die Erfassung erhalten werden, wird in einen Fuzzy- Qualitätswert umgewandelt (Schritt S2). Die Erfassung des Werts des Parameters in Schritt S1 wird durch den Sensor erreicht, wenn ein Sensor vorgesehen ist (beispielsweise wird die Lichtmenge H1 einer Halogenlampe von einem AE- Sensor erfaßt, wie noch beschrieben wird). Außerdem wird die nach dem Beginn des Gebrauchs der Objektmaschine abgelaufene Zeit beispielsweise von einem in der Objektmaschine enthaltenen Zähler gezählt, und der Zählerwert wird als ein quantitativer Wert abgelesen, der die Zeit bezeichnet. Alternativ kann die Erfassung in Schritt S1 erreicht werden durch Anwendung einer Methode, bei der ein Techniker oder dergleichen die Objektmaschine manuell mißt und den Meßwert in ein System eingibt, wenn in der Objektmaschine weder Sensor noch Zähler enthalten sind.

(1) LSIM

Die LSIM wird in bezug auf eine vorbestimmte der Komponenten ausgeführt, die die Objektmaschine bilden, wobei als Eingangsinformation quantitative Information, die als Konstruktionswert erhalten wird, und die abgelaufene Zeit seit Beginn des Gebrauchs der Komponente genutzt werden, um den Verschlechterungsgrad der Komponente zu schätzen.
Dann wird ein differenzierter Wert dXX des Verschlechterungsgrads XX berechnet aus Fuzzy-Qualitätswerten von Parametern, die zur Berechnung des Verschlechterungsgrads aus den Parametern notwendig sind, die zu Fuzzy-Qualitätswerten umgewandelt wurden (Schritt S3), und der momentane Verschlechterungswert XXn wird aus dem differenzierten Wert dXX des Verschlechterungsgrads und dem Verschlechterungsgrad XXn-1 berechnet, der zu dem Zeitpunkt festgestellt wird, zu dem die LSIM zum letztenmal ausgeführt wurde (Schritt S4), d. h. es wird die folgende Berechnung ausgeführt:
XXN = XXn - 1 + dXX.

(2) Umwandlung des Verschlechterungsgrads in die Auswirkung auf die Komponente

Der Verschlechterungsgrad, der als Resultat der LSIM erhalten wird, wird in die Auswirkung auf die Komponente umgewandelt (Schritt S5).
Die Umwandlung erfolgt durch Prüfung des in Schritt S4 berechneten aktuellen Verschlechterungsgrads XXn in der Tabelle, die die Übereinstimmung zwischen dem Verschlechterungsgrad und der tatsächlichen Änderung zeigt. Die Tabelle, die die Übereinstimmung zwischen dem Verschlechterungsgrad und der tatsächlichen Änderung zeigt, entspricht der Tabelle 3 in dem später zu beschreibenden konkreten Beispiel.
Als Ergebnis der Umwandlung werden die beiden folgenden Änderungen als die Auswirkung erhalten, die auf die Komponente durch die Verschlechterung aufgebracht wird:
(i) Änderung des Werts von Parametern an dem Parametermodell
(ii) Änderung des Grads des Auftretens des Phänomens.
Die beiden oben beschriebenen Änderungen werden zwar als die Auswirkung der Verschlechterung auf die Komponente ermittelt, aber beispielsweise kann nur die Wertänderung von Parametern an dem Parametermodell ermittelt werden.

(3) SSIM

Die Simulation erfolgt, indem als die ursprünglichen Bedingungen die Wertänderung von Parametern genutzt werden, die als die Auswirkung auf die Komponente erhalten werden, die in dem obigen Abschnitt (2) ermittelt wurde, um die Werte von Parametern in der gesamten Objektmaschine nach einem Zeitablauf zu bestimmen.
Dabei wird der durch die LSIM erhaltene Wert eines vorbestimmten Parameters an das Parametermodell angelegt (Schritt S6) und auf die anderen Parameter an dem Parametermodell durch die Ausbreitungsmethode ausgebreitet, so daß die Werte sämtlicher Parameter in der Objektmaschine bestimmt werden, um so ein Zustandsmodell der Objektmaschine zu erzeugen (Schritt S7).

(4) Fehlerbeurteilung

Dann wird durch Betrachten des Sensorwerts eines Funktionsparameters aus den Sensorwerten, die vorher in den Schritten S1 und S2 zu Fuzzy-Qualitätswerten umgewandelt wurden, beurteilt, ob ein Fehler vorliegt (Schritt S8).
Der Sensorwert des Funktionsparameters wird durch Vergleich mit einem Referenzwert für die Fehlerbeurteilung, der vorher in der Objektmodell-Speichereinrichtung 15 gespeichert wurde, ausgewertet. Wenn beurteilt wird, daß der sensorwert des Funktionsparameters normal ist, geht das Programm zu Schritt S9 weiter. In Schritt S9 werden der Wert des Parameters an dem Parametermodell, der in Schritt S7 gefunden wurde, und der Istwert des in Schritt S1 eingegebenen oder erfaßten Parameters miteinander verglichen, um den Grad der Übereinstimmung zwischen dem Parametermodell und dem Istzustand der Objektmaschine festzustellen.
Als Ergebnis der Auswertung des Übereinstimmungsgrads in Schritt S9 wird die Verarbeitung beendet, wenn beide miteinander übereinstimmen, während die Objektmaschine weiterhin betrieben wird, indem die Beurteilung in Schritt S8, daß der Sensorwert des Funktionsparameters normal ist, Vorrang erhält. Der Wert an dem Modell und der Sensorwert stimmen jedoch nicht miteinander überein, so daß die Möglichkeit des Auftretens einer Störung bzw. eines Fehlers gegeben ist. Daher wird eine Displayeinrichtung oder dergleichen veranlaßt, eine Mitteilung anzuzeigen (Schritt S10). Die Mitteilung wird auf verschiedene Weise angezeigt. Wenn beispielsweise der Sensorwert des Funktionsparameters normal ist und der Wert an dem Parametermodell und der Sensorwert nicht übereinstimmen, wird davon ausgegangen, daß der Sensor zur Messung des Funktionsparameters ausfällt, so daß eine Mitteilung wie etwa "Der Sensor ist möglicherweise abnormal" angezeigt wird.

(5) Fehlerdiagnose

Wenn in dem oben beschriebenen Abschnitt (4) beurteilt wird, daß eine Störung bzw. ein Fehler vorliegt, wird aus dem Fehlersymptom ein Fehlerkandidat abgeleitet (Schritt S11).
Eine Vielzahl von Fehlerkandidaten wurde vorher in der Objektmodell-Speichereinrichtung 15 gespeichert (siehe Fig. 3). Der Wert des Funktionsparameters wird an dem Parametermodell verfolgt, um den entsprechenden Fehlerkandidaten aus der Vielzahl von vorher gespeicherten Fehlerkandidaten auszuwählen und zu gewinnen. Alternativ kann der Fehlerkandidat durch Ableitung (Nicht-Fuzzy-Ableitung, wobei keine Fuzzy- Logik angewandt wird) bestimmt werden, die in der eingangs genannten früheren eigenen Anmeldung beschrieben ist.

(6) SSIM

Die SSIM erfolgt in bezug auf jeden der in Schritt S11 gewonnenen Fehlerkandidaten, um ein Fehlermodell zu bilden.
Dabei werden die Fehlerbedingungen und der Wert des Parameters, der als Resultat der LSIM erhalten wurde, als Anfangsbedingungen an das Parametermodell in bezug auf jeden der Fehlerkandidaten angelegt (Schritt S12), und der Wert des Parameters wird an dem Parametermodell durch die Ausbreitungsmethode verfolgt, um ein Zustandsmodell der Objektmaschine zu bilden (Schritt S13).
Auf die oben beschriebene Weise wird ein Fehlermodell erzeugt.

(7) Bezeichnung von Fehlerursachen

Den Ursachen der Störung bzw. des Fehlers wird Priorität zugeordnet, und sie werden aufgrund von Sensorinformation, dem in Abschnitt (2) gefundenen Grad des Auftretens eines Phänomens und dergleichen eingeschränkt.
Dabei wird der Übereinstimmungsgrad zwischen dem Modell und dem Sensor auf der Basis des Werts des Parameters an dem Zustandsmodell und des Istwerts des Parameters, der in Schritt S1 erfaßt oder eingegeben wurde, ausgewertet (Schritt S14), und der Übereinstimmungsgrad wird erneut ausgewertet durch Addition des als Resultat der LSIM erhaltenen Grads, in dem ein Phänomen auftritt, zu dem Resultat der Auswertung des Übereinstimmungsgrads, um den Ursachen der Fehler Priorität zuzuordnen (Schritt S15).
Dabei kann auch eine einfache Methode der Benennung der Fehlerursachen nur durch den Grad der Übereinstimmung zwischen dem Wert des Parameters an dem Modell und dem Istwert des Sensors des Parameters, der in Schritt S14 ausgewertet wird, angewandt werden, indem die Verarbeitung in Schritt S15 weggelassen wird.
Die Fehlerdiagnose wird in dem vorstehenden Ableitungsvorgang beendet. Zusätzlich kann zum Zeitpunkt der Beendigung der Fehlerdiagnose der Vorgang der Addition und/oder Reparatur von Fehlerhysterese-Information ausgeführt werden. Danach wird durch Operation von Parametern beurteilt, ob der Fehler repariert werden kann (Schritt S16). Der Fehler wird repariert, wenn er durch die Operation von Parametern repariert werden kann (Schritt S17), wohingegen der Ablauf ohne jede Modifikation beendet wird, weil der Fehler nicht repariert werden kann, wenn er durch Operation von Parametern nicht repariert werden kann, wenn beispielsweise eine Halogenlampe in einer elektrophotographischen Kopiermaschine ausgefallen ist. Die Reparaturoperation in Schritt S17 wird in einer Reparaturplaneinrichtung 17 gemäß der folgenden Beschreibung ausgeführt.
Unter erneuter Bezugnahme auf Fig. 3 werden die restlichen Blöcke der Vorrichtung beschrieben.
Die Reparaturplaneinrichtung 17 dient der Ableitung eines Reparaturplans, um bei Vorhandensein einer Störung bzw. eines Fehlers diesen zu beseitigen sowie Reparaturarbeiten abzuleiten. Die Ableitung des Reparaturplans und die Gewinnung der Reparaturarbeiten nutzt die Nicht-Fuzzy-Qualitätsableitung ohne Verwendung von Fuzzy-Logik ähnlich der Ableitung bei dem bereits vorgeschlagenen Selbstdiagnoseund/oder Selbstreparatursystem.
Die von der Reparaturplaneinrichtung 17 abgegebene Reparaturarbeit wird in einer Symbol/Digitalsignal-Umwandlungseinrichtung 18 in ein Digitalsignal umgewandelt. Das umgewandelte Digitalsignal wird in einem D/A-Wandler 4 in ein Analogsignal umgewandelt, in einer Verstärkerschaltung 5 verstärkt und einer Vielzahl von Betätigungseinheiten 6a, 6b und 6c zugeführt, so daß diese selektiv betätigt werden, um so die Reparaturarbeit auszuführen.

Beschreibung unter Bezugnahme auf eine spezifische Objektmaschine als Beispiel

Aufbau und Zustand einer spezifischen Objektmaschine

Es folgt nun eine Beschreibung, wobei als Beispiel ein Fall betrachtet wird, bei dem dieses System bei einer Bilderzeugungsvorrichtung, die als spezifische Objektmaschine dient, und zwar insbesondere bei einer kleinen elektrophotographischen Kopiermaschine angewandt wird.
Fig. 9 zeigt eine kleine elektrophotographische Kopiermaschine, die als spezifische Objektmaschine dient. In Fig. 9 bezeichnet 21 eine lichtempfindliche Trommel, 22 ist eine elektrostatische Hauptladeeinheit, 23 ist eine Halogenlampe zum Beleuchten der Kopie, 24 ist eine Entwicklungseinheit, 20 und 25 ist eine Transferladeeinheit.
Diese spezifische Objektmaschine ist beispielsweise mit drei Sensoren 1a, 1b und 1c versehen. Dabei ist der Sensor 1a ein AE-Sensor zur Messung der auf die lichtempfindliche Trommel 21 fallenden Lichtmenge, der Sensor 1b ist ein Oberflächenpotentialsensor zur Messung eines Oberflächenpotentials der lichtempfindlichen Trommel 21, und der Sensor 1c ist ein Densitometer zur Messung der Dichte einer auf Papier kopierten Abbildung.
Außerdem sind drei Arten von Betätigungseinheiten vorgesehen, die in Fig. 9 nicht gezeigt sind. Dabei sind als die Betätigungseinheiten drei Volumen vorgesehen, und zwar ein Hauptladungsvolumen VR1 zum Ändern einer Hauptladespannung der lichtempfindlichen Trommel 21, ein Lampenvolumen AVR zur Steuerung der Lichtmenge der Halogenlampe 23 und ein Transfervolumen VR2 zur Steuerung einer Transferspannung zwischen der lichtempfindlichen Trommel 21 und Kopierpapier.
Wenn man die in Fig. 9 gezeigte elektrophotographische Kopiermaschine vom physischen Gesichtspunkt betrachtet, wird die elektrophotographische Kopiermaschine als eine Kombination aus einer Vielzahl von Elementen auf einem Substanzniveau ausgedrückt, und Attribute der jeweiligen Elemente soeie die kombinatorische Beziehung zwischen den jeweiligen Elementen werden qualitativ unter Anwendung von Parametern ausgedrückt, wie in der Tabelle 2 gezeigt ist. Diese Ausdrucksform wird als ein "Substanzmodell" bezeichnet.
Ferner wird die Ausdrucksform von Fig. 10, bei der das Substanzmodell abstrahiert und als kombinierter Baum der Parameter gezeigt ist, als ein "Parametermodell" bezeichnet.
Das "Substanzmodell" und das "Parametermodell" werden kollektiv als ein "Objektmodell" bezeichnet. Das "Objektmodell" ist qualitative Information, die Bilderzeugungsvorrichtungen gemeinsam ist und die auch für die Fehlerreparatur genutzt wird, wie noch beschrieben wird. Die jeweiligen Inhalte des Substanzmodells und des Parametermodells sind in der Objektmodell-Speichereinrichtung 15 gespeichert (siehe Fig. 3). Tabelle 2 Substanzmodell Belichtungsbereich: Logarithmus der ursprünglichen reflektierten Lichtmenge Logarithmus der von der Halogenlampe abgegebenen Lichtmenge optische Dichte einer Kopie Lichtempfindlicher Bereich: Oberflächenpotential nach Belichtung Oberflächenpotential nach Hauptladung Empfindlichkeit von lichtempfindlicher Substanz Entwicklungseinrichtung: Tonerdichte auf Trommel Tonerdichte Vorspannung Abgabebereich: Tonerdichte auf abgegebenen Papier Empfindlichkeit des Papiers Transferspannung Trennbereich: Adsorptionskraft zwischen Trommel und Papier Amplitude der Trenn-Wechselspannung
In dem in der Tabelle 2 gezeigten Substanzmodell oder in dem in Fig. 10 gezeigten Parametermodell haben die Parameter H1, D, Vn, β, Vb, γ0, und Asp, die Grundparameter der Konstruktion dieser Objektmaschine sind, die von den Sensoren erhaltenen Sensorparameter X, Vs und Os und Parameter, die sich verschlechtern können, jeweils qualitative Fuzzy-Mengenräume, die in Fig. 11 gezeigt sind. Dieser qualitative Fuzzy-Mengenraum kann beliebig erzeugt sein, und sie werden vorher dadurch erzeugt, daß Mitgliedsfunktionen für jeden Parameter bestimmt und in der Objektmodell-Speichereinrichtung 15 gespeichert werden.
Außerdem wird ein Verschlechterungsmodell konstruiert, das einer vorbestimmten Komponente unter den die elektrophotographische Kopiermaschine der Erfindung bildenden Komponenten eigen ist. Bei der vorliegenden Ausführungsform erfolgt die Beschreibung der Einfachheit halber unter der Annahme, daß nur ein Belichtungsbereich verschlechtert wird. Fig. 12 zeigt ein Verschlechterungsmodell, und Fig. 13 zeigt einen qualitativen Fuzzy-Mengenraum an dem Verschlechterungsmodell jedes der Parameter. Außerdem zeigt die Tabelle 3 die entsprechende Beziehung zwischen dem Grad der Verschlechterung XX und der tatsächlichen Änderung, und die Tabellen 4(A) und (B) zeigen eine Operationsvorschrift. Tabelle 3 Jeweilige Beziehung zwischen Verschlechterungsgrad XX und tatsächlicher Änderung (R1cut) Tabelle 4
In den Tabellen 3 und 4 werden zwar zum Zweck der Vereinfachung nur s, m und 1 als Werte verwendet, aber die Anzahl von Werten ist nicht auf drei begrenzt. Beispielsweise können vier Werte verwendet werden. Die Werte können beliebig erweitert werden.
Ferner bezeichnet p(H1Cut) in der obigen Tabelle 3 den Grad p, in dem ein Phänomen eintritt, daß etwa die Halogenlampe abschaltet (H1Cut). Außerdem wird der Grad p, in dem ein Phänomen auftritt, als 1,0 angenommen, wenn es sich nicht mit der Zeit ändert, was in der Tabelle 3 nicht gezeigt ist. Beispielsweise ist bei der vorliegenden Ausführungsform der Grad p, in dem das Phänomen einer Störung der Halogenlampe (H1Out) auftritt, 1,0.
Bei der LSIM wird die Verschlechterung als die Integration des Benutzungswerts und der Zeitdauer seit dem Beginn des Gebrauchs der Objektmaschine gefunden. Daher erfolgt die LSIM beispielsweise einmal pro Monat, um zu ermöglichen, daß der Verschlechterungsgrad XXn für diesen Monat in der nachstehenden Gleichung aus dem Verschlechterungsgrad XXn-1 zu dem Zeitpunkt, zu dem die LSIM letzten Monat durchgeführt wurde, und dem differenzierten Wert dXX des aus Fig. 12 ermittelten Verschlechterungswerts gefunden wird:
XXn = XXn - 1 + dXX.
In der folgenden Beschreibung werden einige Beispiele erläutert, die die vorstehende Beschreibung als Voraussetzung nutzen.

Beispiel 1: Beispiel, bei dem die neue Maschine einen Monat (T1) nach Inbetriebnahme normal ist

Die von den oben beschriebenen Sensoren 1a, 1b und 1c erhaltenen Werte werden vorher in Fuzzy-Qualitätswerte umgewandelt.
Dabei wird die Lichtmenge des Sensors 1a, die unter Verwendung eines weißen Bezugsdokuments gemessen wird, als der Wert eines Parameters H1 genutzt, und die Lichtmenge des Sensors 1a, die unter Verwendung eines Dokuments mit einer vorbestimmten Dichte gemessen wird, wird als der Wert eines Parameters X genutzt. Außerdem werden von den Sensoren 1b bzw. 1c ein Oberflächenpotential Vs nach der Belichtung bzw. eine Tonerdichte Os auf abgegebenem Papier gemessen.
Ferner wird zeitliche Information zu dem Zeitpunkt, zu dem die Sensorwerte der oben beschriebenen jeweiligen Parameter gemessen werden, als T genutzt.
H1 = V1 und T = T1 werden aus den Messungen der oben beschriebenen Werte der Parameter gefunden und werden in Fig. 13 kartiert, um die folgenden Fuzzy-Qualitätswerte zu finden:
H1 = (m : 1,0)
T = (s : 1,0).
Ferner werden Mengenwerte von X, Vs und Os, die aus den Messungen der oben beschriebenen Werte der Parameter erhalten werden, jeweils in ihnen eigene qualitative Fuzzy-Mengenräume kartiert, wie Fig. 11 zeigt, um die folgenden Sensorwerte der Parameter zu erhalten:
X = ((0, N) : 0,1, N : 0,9)
Vs = (N : 1,0)
Os = ((0, N) : 0,1, N : 0,9)

(1) Vorhersage des momentanen Verschlechterungszustands durch LSIM

Die Anfangsbedingungen sind wie folgt vorgegeben:
XX = (0 : 1,0)
Die folgenden Koeffizienten sind vorher vorgegeben:
α1 = (s : 1,0),
α2 = (m : 1,0)
Die Koeffizienten α1 und α2 sind beliebige Werte und nach Maßgabe des Grads der Wirkung vorgegeben.
Ferner werden die vorstehenden Werte als die Werte der Parameter H1 und T genutzt:
H1 = (m : 1,0)
T = (s : 1,0)
Aus Fig. 13 und der Tabelle 4(A) und (B) werden die nachstehenden Resultate erhalten:
dXX1 = (s : 1,0)
dXX2 = (s : 1,0)
dXX = (s : 1,0)
:.XX = XXn - 1 + dXX
= (0 : 1,0) + (s : 1,0)
= (s : 1,0)

(2) Untersuchung der Wirkung des Verschlechterungsgrads

Der in dem vorstehenden Abschnitt (1) gefundene Verschlechterungsgrad XX wird auf die Tabelle 3 angewandt, um die folgenden Resultate zu erhalten:
H1 = (N : 1,0)
p (H1Cut) = 0,9
Das beweist, daß der Grad, in dem eine Erscheinung wie etwa die Abschaltung (H1Cut) der Halogenlampe auftritt, 0,9 ist.

(3) Ableitung des Momentanzustands der Gesamtmaschine unter Nutzung des Ergebnisses von LSIM durch SSIM

Die SSIM erfolgt auf der Basis des Ergebnisses des vorste henden Abschnitts (2) (H1 = (N : 1,0)) und der Anfangsbedingungen (in diesem Fall wird der Verschlechterungsgrad nicht in bezug auf von H1 verschiedene Parameter berechnet, und somit sind die übrigen Parameter sämtlich (N : 1,0)). Als Resultat der SSIM sind die Werte sämtlicher Parameter (N : 1,0), wie nachstehend beschrieben wird:
H1 = (N : 1,0) γ0 = (N : 1,0)
D = (N : 1,0) Vt = (N : 1,0)
β = (N : 1,0) = (N : 1,0)
Vn = (N 1,0) Asp = (N : 1,0)
Vb = (N : 1,0)

(4) Fehlerbeurteilung

Das nachstehende Wissen wird als Referenz für die Fehlerbeurteilung genutzt. Dieses Wissen wird vorher in der Objektmodell-Speichereinrichtung 15 (siehe Fig. 3) gespeichert.

(a) Fehlerbewertung der Maschine

N-Wert ≥ 0,5
T normal
T Vergleichen des Übereinstimmungsgrads zwischen dem Wert an dem Modell und dem gemessenen Wert
N-Wert > 0,5
T abnormal
T Fehlerdiagnose

(b) Vergleich zwischen Wert am Modell und gemessenem Wert

Übereinstimmungsgrad zwischen dem Wert am Modell und dem gemessenen Wert ≥ 0,5
kein Fehler
Übereinstimmungsgrad zwischen dem Wert am Modell und dem gemessenen Wert > 0,5
Mitteilung wie "Sensor ist möglicherweise abnormal" anzeigen
Bei der vorliegenden Ausführungsform wird (a) die Funktionsbewertung der Maschine zuerst ausgeführt. In diesem Fall kann ein Vergleich in bezug auf Os durchgeführt werden. Daher wird der Vergleich durchgeführt unter Nutzung von Os = ((0, N) : 0,1, N : 0,9), das durch Umwandlung des gemessenen Werts von Os in einen Fuzzy-Qualitätswert erhalten ist. In diesem Fall ist der Wert von N gleich 0,9. Daher ist N ≥ 0,5, so daß das Resultat von (a) der Funktionsbewertung normal wird.
Dann wird (b) ein Vergleich zwischen dem Wert an dem Modell und dem gemessenen Wert durchgeführt.
Der Vergleich erfolgt zwischen jedem der Sensorwerte und dem Wert an dem Modell, der als das Resultat des oben beschriebenen Abschnitts (3) erhalten wurde, um den Grad der Übereinstimmung zwischen ihnen aus den folgenden Bedingungen zu finden:
Übereinstimmungsgrad = max (min (Rang jedes Elements))
Infolgedessen werden die folgenden Resultate erhalten: Sensorwert Modellwert min-Wert max
Ferner ist der Übereinstimmungsgrad in der Gesamtmaschine wie folgt:
Der Übereinstimmungsgrad in der Gesamtmaschine
= der Mittelwert der Übereinstimmungsgrade zwischen den Werten der jeweiligen Sensoren und dem Wert an dem Modell
= (0,9 + 1,0 + 0,9)/3 = 0,93.
Dabei kann der Übereinstimmungsgrad in der Gesamtmaschine unter strengeren Bedingungen gefunden werden, wenn man nicht den Mittelwert, sondern den kleinsten Wert der Übereinstimmungsgrade zwischen den Werten der jeweiligen Sensoren und dem Wert am Modell nimmt.
Wenn der oben beschriebene Referenzwert für die Fehlerbeurteilung (b) angewandt wird, überschreitet der Mittelwert der Übereinstimmungsgrade 0,5, so daß beurteilt wird, daß das Ergebnis normal ist. Dabei sind die Resultate sowohl von (a) als auch von (b) normal, so daß die Objektmaschine weiterhin benutzt werden kann. Wenn bei der oben beschriebenen Ausführungsform das Resultat von (a) der Funktionsbewertung der Maschine normal ist und das Resultat von (b) dem Vergleich zwischen dem Wert an dem Modell und dem gemessenen Wert abnormal ist (ein Fall, in dem das Programm von Schritt S9 zu Schritt S10 in Fig. 6 weitergeht), besteht eine Möglichkeit, daß der Sensor zur Messung des Parameters, der auf die Funktionsbewertung bezogen ist, d. h. des Parameters Os, abnormal ist, so daß eine Mitteilung "der Sensor ist möglicherweise abnormal" angezeigt wird.

Beispiel 2: Beispiel bei dem die neue Maschine nach einem

Monat (T1) ausfällt, ähnlich wie Beispiel 1

Die Werte der Sensorparameter x, Vs und Os sind wie folgt:
X = (0 : 0,9, (0, N) : 0,1)
Vs = (N : 0,1, (N, nil) : 0,9)
Os = (N : 0,1, (N, nil) : 0,9).
Ferner ist der gemessene Wert des Parameters H1 kleiner als V1. Wenn jedoch (2) die Wirkung des Verschlechterungsgrads geprüft wird, nachdem (1) die LSIM durchgeführt wurde, werden die folgenden Resultate erhalten:
H1 = (N : 1,0)
P (H1Cut) = 0,9
Wenn in einem solchen Zustand (3) die SSIM durchgeführt wird, werden die Werte sämtlicher Parameter an dem erhalte nen Modell zu (N : 1,0).

(4) Fehlerbeurteilung

(a) Funktionsbewertung der Maschine

N = 0,1 aufgrund des Fuzzy-Qualitätswerts von Os, so daß N < 0,5. Infolgedessen ist das Resultat der Funktionsbewertung abnormal. Somit wird ein Fehler diagnostiziert.

(5) Ableitung eines Fehlerkandidaten

Die folgenden Informationen werden vorher als Fehlerkandidaten in der Objektmodell-Speichereinrichtung 15 gespeichert.
H1Cut : H1 = 0
H2Out : H1 = (0, N)
VtOut : Vt = (0, N)
PapierOut : ξ = (0, N)
VbOut : Vb = (N, nil)
TonerOut : γ0 = (0, N)
MCOut : Vn = (0, N)
Dabei bedeutet Out fehlerhaft bzw. gestärt.
Eine funktionelle Abnormalität, bei der Os groß ist, d. h. bei der Os = (N, nil), die in dem vorstehenden Abschnitt (4) gefunden wird, wird an dem Parametermodell von Fig. 10 verfolgt, um zu Fig. 14 zu gelangen. In Fig. 14 sind mit nach oben gerichteten Pfeilen markierte Parameter solche, deren Wert zu (N, nil) geändert werden kann, mit abwärts gerichteten Pfeilen markierte Parameter sind solche, deren Wert zu (0, N) oder (0) geändert werden kann, und keine Pfeile aufweisende Parameter sind solche, deren Wert normal bleibt. Infolgedessen werden unter den oben beschriebenen Fehlerkandidaten H1Cut und H1Out als Fehlerkandidaten entnommen.
(6) Die SSIM wird in bezug auf die beiden Fehlerkandidaten durchgeführt, die in dem vorstehenden Abschnitt (5) gefunden wurden, um den Fehlerzustand zu diesem Zeitpunkt abzuleiten.
Dabei wird die SSIM in bezug auf H1Out durchgeführt, um die beiden folgenden Modellarten zu erhalten:
H1 = ((0, N) : 1,0)
D = (N 1,0)
X = (0 : 1,0) oder ((0, N) : 1,0)
β = (N : 1,0)
VS = ((N, nil) : 1,0)
Yn = (N : 1,0)
Vb = (N : 1,0)
γ0 = (N : 1,0)
Ds = ((N, nil) : 1,0)
Vt = (N 1,0)
ξ = (N : 1,0)
Os = ((N, nil) : 1,0)
Asp = (N : 1,0)
Sp = ((N, nil) : 1,0)
Zwei Arten von Modellen werden erhalten, weil X zwei Arten von Werten annimmt. Der Grund hierfür ist folgender: Der Wert von X ist ein Wert, der erhalten wird, indem D von H1 subtrahiert wird. Aber H1 = (0, N) und D = (N). Wenn somit "Normal" von "kleiner als normal" subtrahiert wird, werden als Resultate der Fuzzy-operation zwei Arten vn Fällen berücksichtigt, d. h. "kleiner als normal" bleibt, oder die Antwort wird Null.
Ferner wird die SSIM in bezug auf H1Cut durchgeführt, um die zwei folgenden Modellarten zu erhalten:
H1 = (0 : 1,0)
D = (N : 1,0)
X = (0 : 1,0) oder ((0, N) : 1,0)
β = (N : 1,0)
Vs = ((N, nil) : 1,0)
Yn = (N : 1,0)
Vb = (N : 1,0)
γO = (N 1,0)
Ds = ((N, nil) : 1,0)
Vt = (N : 1,0)
ξ = (N : 1,0)
Os = ((N, nil) : 1,0)
Asp = (N : 1,0)
Sp = ((N, nil) : 1,0)

(7) Benennung von Fehlerursachen

Den Fehlerursachen wird eine Priorität zugewiesen, und sie werden durch den Übereinstimmungsgrad zwischen dem Modell und dem Sensor sowie den Grad, in dem ein Phänomen auftritt, eingeengt. (i) Übereinstimmungsgrad zwischen Modell und Sensor gesamt
Der Übereinstimmungsgrad zwischen dem Modell, das als Resultat der Durchführung der SSIM in bezug auf jeden Fehlerkandidaten in Abschnitt (6) erhalten wird, und dem Sensor wird wie oben beschrieben gefunden.
Das in Abschnitt (6) erhaltene Modell ist ein Parametermodell, in dem die Ursachen des Fehlers (beispielsweise H1 = ((0, N) : 1,0) für H1Out) gesetzt sind und die Wirkung der Fehlerursachen auf die übrigen Parameter verfolgt wird. Infolgedessen gilt, je höher der Übereinstimmungsgrad zwischen dem Wert des betrachteten Sensors und dem Wert eines diesem entsprechenden Parameters an dem Modell ist, umso näher ist der aktuelle Zustand der Objektmaschine an dem Modell. Anders ausgedrückt ist die Möglichkeit hoch, daß die Fehlerursachen, die angenommen werden, um das Modell abzuleiten, die momentanen Fehlerursachen sind.
Bei der vorliegenden Ausführungsform sind die Übereinstimmungsgrade zwischen den Modellen in bezug auf H1Out und H1Cut und dem Sensor gleichzeitig 0,9, so daß sowohl H1Out als auch H1Cut als die Fehlerursachen angesehen werden.
Den oben beschriebenen vier Modellen werden die folgenden Prioritäten zugeordnet:
Priorität 1. A, C : 0,9
2. B, C : 0,63.
Die Priorität der Fehlerursachen kann vorher in der Objektmodell-Speichereinrichtung 15 von Fig. 3 oder dergleichen gespeichert werden, um dann, wenn eine Vielzahl von Ursachen so abgeleitet wird, die Fehlerursachen gemäß der Priorität einzuengen. Bei der vorliegenden Ausführungsform wird die nachstehende Operation ausgeführt, um die Fehlerursachen weiter einzuengen.

(ii) Grad, in dem das Phänomen auftritt

Die Fehlerursachen werden eingeengt durch Multiplikation des Werts, der den Übereinstimmungsgrad bezeichnet, mit dem Wert, der den Grad bezeichnet, in dem ein Phänomen auftritt, und der in der Phase erhalten wird, in der die Wirkung des Verschlechterungsgrads, der in Abschnitt (2) erhalten wurde, untersucht wird, wie nachstehend beschrieben wird:
p (H1Out) = 1
p (H1Cut) = 0,9
Priorität 1. A: 0,9 x 1,0 = 0,9 normalisiert 1,
2. C: 0,9 x 0,9 = 0,81 normalisiert 0,9
3. B: 0,63 x 1,0= 0,63 normalisiert 0,7
4. D: 0,63 x 0,9= 0,57 normalisiert 0,63
Dem höchsten Rechenwert von (Übereinstimmungsgrad) x (Grad) wird die höchste Priorität zugeordnet. Daher wird gefunden, daß H1Out am unsichersten ist. Somit wird eine Reparatur durchgeführt, bei der die Lichtmenge der Halogenlampe geändert wird.

Beispiel 3: Beispiel. bei dem die Maschine n Monate (nT1) nach Beginn ihres Einsatzes verschlechtert ist

Die Fuzzy-Qualitätswerte der jeweiligen Parameter werden wie folgt aus den vom Sensor erhaltenen Meßwerten gefunden:
H1 = (m : 1,0) aus H1 = V1
T = (m : 0,3, 1 0,7) aus T = nT2
Außerdem sind die Werte der Sensorparameter die folgenden:
X = (N : 0 1 8 , (0, N) : 0, 2)
Vs = (N : 0,9, (N, nil) : 0,1)
Os = (N : 0,9, (N, nil) : 0,1)

(1) Vorhersage des momentanen verschlechterten Zustands durch LSIM

Die Ausgangsbedingungen sind folgende:
XXn - 1 = (m : 1,0).
Außerdem sind die vorher gesetzten Koeffizienten die folgenden:
α1 = (S : 1,0)
α2 = (m : 1,0)
Aus Fig. 13 und den Tabellen 4(A) und (B) werden die folgenden Resultate erhalten:
dXX1 = (s : 1,0)
dXX2 = (m : 0,3, 1 : 0,7)
. .dxx = (s : 1,0) + (m : 0,3, 1 : 0,7)
= (m : 0,3, 1 : 0,7)
XX = (m : 1,0) + (m : 0,3, 1 : 0,7)
= (m : 0,3, 1 : 0,7)

(2) Untersuchung der Auswirkung des Verschlechterungsgrads

Die Berechnung wird durchgeführt unter Anwendung des in dem vorstehenden Absatz (1) gefundenen Verschlechterungsgrads XX auf die Tabelle 3, um die nachstehenden Ergebnisse zu erhalten:
H1 = ((N : 0,95, (0, N) : 0,05) : 0,3)
((N : 0,9, (0, N) : 0,1) : 0,7)
= N : 0,95 x 0,3 + 0,9 x 0,7
(0, N) : 0,05 x 0,3 + 0,1 x 0,7
= (N : 0,915, (0, N) : 0,085)
p (H1Cut) = 1,1 x 0,3 + 1,3 x 0,7
= 1,24
(3) Ableitung des momentanen Maschinenzutands unter Nutzung des Resultats der LSIM durch SSIM
Aus dem Resultat in dem vorstehenden Abschnitt (2) und den Ausgangsbedingungen werden die nachstehenden Resultate erhalten:
H1 = (N : 0,915, (0, N) : 0,085)
D = (N : 1,0)
β = (N : 1,0)
Vn = (N : 1,0)
Vb = (N : 1,0)
γO = (N : 1,0)
Vt = (N : 1,0)
ξ = (N : 1,0)
Asp = (N : 1,0)
Die SSIM wird unter diesen Bedingungen ausgeführt, um die nachstehenden Resultate zu erhalten:
H1 = (N : 0,915, (0, N) 0,085)
D = (N : 1,0)
X = (N : 0,915, (0, N) : 0,085)
oder
(N : 0,915, 0 : 0,085)
β = (N : 1,0)
Vs = (N : 0,915, (N, nil) : 0,085)
Vn = (N : 1,0)
Vb = (N : 1,0)
γ0 = (N : 1,0)
Ds = (N 0,915, (N, nil) : 0,085)
Vt = (N : 1,0)
ξ = (N : 1,0)
Os = (N : 0,915, (N, nil) : 0,085)
Asp = (N : 1,0)
Sp = (N : 0,915, (N, nil) : 0,085)
Die Resultate zeigen, daß ein Bild als Auswirkung der Verschlechterung von Hl hohe Dichte haben kann (Os ist erhöht). Außerdem können der kombinierte Effekt der Verschlechterung einer Mehrzahl von Komponenten und infolgedessen Fehler, die seriell auftreten, allgemein aus den Änderungen der Werte der Parameter abgeleitet werden.

(4) Fehlerbeurteilung

(a) Funktionsbewertung der Maschine

N = 0,9 aufgrund des Fuzzy-Qualitätswerts von Os, so daß N ≥ 0,5. Infolgedessen ist das Ergebnis der Funktionsbe wertung normal.

(b) Vergleich zwischen Wert am Modell und Meßwert

Jeder der Sensorwerte und der Wert an dem Modell, die als Ergebnis in dem vorstehenden Abschnitt (3) erhalten werden, werden miteinander verglichen, um den Übereinstimmungsgrad zwischen ihnen zu finden.

A. Modell x = (N : 0,915, (0, N) : 0,085)

Übereinstimmungsgrad zwischen Sensor und Modell

B. Modell x = (N : 0,915, 0 : 0,085)

Übereinstimmungsgrad zwischen Sensor und Modell

Daher wird gefunden, daß der Sensorwerü möglicherweise mit dem Wert an dem Modell A oder B übereinstimmt. Als Schlußfolgerung daraus wird beurteilt, daß das Resultat der Funk tionsbewertung der Maschine normal ist, so daß die Maschine normal betrieben werden kann, obwohl sie verschlechtert ist, da sie in den Zustapd des Modells A oder B gebracht ist.

Beispiel 4: Fall, in dem ein Fehler unter den gleichen Bedingungen wie in Beispiel 3 auftritt

Die folgenden Daten werden als Sensorwerte erhalten:
X = (N : 0,1, (0, N) : 0,9)
Vs = ((N : nil) : 1,0)
Os = ((N : nil) : 1,0)
Wenn die Operation ausgehend von den Werten von Hl und T ausgeführt wird, werden ferner die gleichen Resultate wie in den Abschnitten (1) bis (3) des oben beschriebenen Beispiels 3 erhalten.

(4) Fehlerbeurteilung

(a) Funktionsbewertung der Maschine

N = 0 aufgrund des Fuzzy-Qualitätswerts von Os, so daß N < 0,5. Daher ist das Resultat der Funktionsbewertung abnormal. Infolgedessen wird beurteilt, daß die Maschine gestört ist.

(5) Ableitung von Fehlerkandidaten

Fehlerkandidaten, die vorher gespeichert wurden, sind die gleichen wie die, die in dem obigen Abschnitt (5) von Beispiel 2 beschrieben sind. Daher wird Os (N, nil) an dem Parametermodell von Fig. 10 verfolgt, um H1Cut und H1Out als Fehlerkandidaten zu erhalten.

(6) Fehlersimulation durch SSIM

Die gleichen Resultate wie in Abschnitt (6) von Beispiel 2 werden in bezug auf H1Cut und H1Cut erhalten.
Bei der vorliegenden Ausführungsform erfolgt die Beschreibung, indem der Einfachheit halber davon ausgegangen wird, daß nur ein Belichtungsbereich verschlechtert ist. Daher sind die Resultate der Fehlersimulation in diesem Beispiel 4 die gleichen wie in dem Beispiel 2. Allerdings werden die gleichen Resultate nicht allgemein erhalten, weil sich die Werte der übrigen Parameter durch die Auswirkung der Verschlechterung ändern. Wenn beispielsweise ξ = (N : 0,8, (0, N) : 0,2) als Auswirkung der Verschlechterung auf den Abgabebereich, dann werden in bezug auf H1Out die folgenden Resultate erhalten:
H1 = ((0, N) : 1,0)
D = (N : 1,0)
X = ((0, N) : 1,0)
oder
(0 : 1,0)
β = (N : 1,0)
Vs = ((N, nil) : 1,0)
Vn = (N 1,0)
Vb = (N : 1,0)
γO = (N : 1,0)
Ds = ((N, nil) : 1,0)
Vt = (N : 1,0)
ξ = (N : 0,8, (0, N) : 0,2)
Os = ((0, N) : 0,2, N : 0,2, (N, nil) : 0,8)
((0, N) : 0,18, N : 0,18, (N, nil) : 0,8) nach Normalisierung
Asp = (N : 1,0)
Sp = ((N, nil) : 1,0)

(7) Benennung von Fehlerursachen

Den Fehlerursachen wird Priorität zugeordnet, und sie werden ausgehend von dem Übereinstimmungsgrad zwischen dem Modell und dem Sensor sowie dem Grad, in dem ein Phänomen auftritt, eingeengt.
(i) Übereinstimmungsgrad zwischen Modell und Sensor gesamt
Priorität 1. A, C : 0,97
2. B, D : 0,7
(ii) Grad, in dem Phänomen auftritt
p (H1Out) = 1
p (H1Cut) = 1,24
Priorität 1. C: 0,97 x 1,24 = 1,20 1,0 normalisiert
2. A: 0,97 x 1,0 = 0,97 0,81 normalisiert
3. D: 0,7 x 1,24 = 0,87 0,73 normalisiert
4. B: 0,7 x 1,0 = 0,7 0,58 normalisiert
Somit ist C am unsichersten. Außerdem ist wenigstens H1Cut unsicher. H1Cut bedeutet jedoch, daß die Halogenlampe abgeschaltet ist und die Reparatur nicht durchgeführt werden kann, so daß keine Reparatur erfolgt.
Durch Unterteilung der Fehlerursachen in solche, die reparierbar sind, und solche, die nicht reparierpar sind, Speichern der Fehlerursachen in der Objektmodell-Speichereinrichtung 15 von Fig. 3 und geeignete Bezugnahme auf die Fehlerursachen kann beurteilt werden, ob die Fehlerursachen repariert werden können. Wenn ferner die Fehlerursache, die nicht repariert werden kann, als diejenige mit der höchsten Priorität abgeleitet wird, kann auf der Displayeinrichtung eine Mitteilung "Reparatur kann nicht durchgeführt werden" angezeigt werden.

Claims

1. Selbstdiagnose- und Selbstreparatursystem, das zur Verwendung in einer Bilderzeugungsvorrichtung geeignet ist, wobei das System folgendes aufweist:

eine Vielzahl von Sensoren (1a, 1b, 1c), die in einer zu diagnostizierenden und zu reparierenden Objektvorrichtung vorgesehen sind, um quantitative Zustandsdaten von vorbestimmten Komponenten der Vorrichtung abzugeben;

eine Vielzahl von Betätigungseinheiten (6a, 6b, 6c), die ausgebildet sind, um den Betriebszustand der Objektvorrichtung nach Maßgabe von auf der Basis der Sensorausgangssignale erstellten Reparaturdaten zu ändern;

eine Datenverarbeitungseinrichtung, um qualitative Fuzzy- Daten und Elementfunktionen zu speichern und um Fuzzy- Ableitungsrechnungen durchzuführen;

dadurch gekennzeichnet, daß die Datenverarbeitungseinrichtung folgendes aufweist:

eine Objektmodell-Speichereinrichtung (15), um folgendes zu speichern: (i) ein qualitatives Modell der Vorrichtung, das durch eine kombinatorische Beziehung von Parametern der Vorrichtungskomponenten repräsentiert ist, (ii) Elementfunktionen der jeweiligen Parameter, um Fuzzy-Räume jedes Parameters zu definieren, (iii) Referenzwerte zur Störungsbeurteilung, die vorbestimmte qualitative Fuzzy-Werte der Parameter aufweisen, (iv) eine Vielzahl von Störungskandidaten und (v) Verschlechterungsfaktoren für die Parameter der Vorrichtungskomponenten;

eine Datenumwandlungseinrichtung (11), um die von den Sensoren (1a, 1b, 1c) abgegebenen quantitativen Zustandsdaten in qualitative Fuzzy-Werte umzuwandeln durch Abbilden der quantitativen Zustandsdaten unter Nutzung der Elementfunktionen auf die Fuzzy-Räume ;

eine Langzeit-Simulationseinrichtung (12), um den Grad einer Verschlechterung der Vorrichtungskomponenten über die Zeit durch Detektieren von Änderungen in den Parametern auf der Basis der jeweiligen Verschlechterungsfaktoren, die in der Objektmodell-Speichereinrichtung (15) gespeichert sind, und auf der Basis der Ausgangswerte der Datenumwandlungseinrichtung (11) zu bestimmen;

eine Kurzzeit-Simulationseinrichtung (13), um den aktuellen Zustand der Vorrichtung durch Durchführen einer Simulation zu bestimmen, bei der die durch die Langzeit- Simulationseinrichtung (12) bestimmte Änderung in Parametern auf ein Parhetermodell als das qüalitative Modell, das in der Objektmodell-Speichereinrichtung (15) gespeichert ist, angewandt wird;

eine Störungsbeurteilungseinrichtung (16), um durch Vergleichen jedes der Ausgangswerte der Datenumwandlungseinrichtung (11) mit den in der Objektmodell-Speichereinrichtung (15) gespeicherten Verschlechterungsfaktoren zu beurteilen, ob eine Störung vorliegt;

eine Störungsdiagnoseeinrichtung (14, 16), die auf das Lokalisieren einer Störung durch die Störungsbeurteilungseinrichtung (16) anspricht, um einen oder mehrere der in der Modell-Speichereinrichtung (15) gespeicherten Störungskandidaten zu wählen und um den Ausgangswert der Datenumwandlungseinrichtung (11), der die Störungsbeurteilung repräsentiert, auf das in der Modell-Speichereinrichtung (15) gespeicherte Parametermodell anzuwenden;

eine Störungszustand-Ableitungseinrichtung (13), um durch Anwenden der gewählten Störungskandidaten auf das Parametermodell Störungszustände abzuleiten;

eine Ursachenbenennungseinrichtung (14), um durch Vergleichen des in der Kurzzeit-Simulationseinrichtung (13) bestimmten aktuellen Zustand der Vorrichtung mit jedem der abgeleiteten Störungszustände Störungskandidaten zu benennen; und

eine Reparatureinrichtung (17), um die Vielzahl von Betätigungseinheiten (6a, 6b, 6c) selektiv zu betätigen, um von der Ursachenbenennungseinrichtung (14) benannte Störungsursachen zu beseitigen.

2. Selbstdiagnose- und Selbstreparatursystem nach Anspruch 1, wobei die Reparatureinrichtung (17) folgendes aufweist: eine Reparaturbeurteilungseinrichtung, um auf der Basis einer Benennung der Ursache durch die Ursachenbenennungseinrichtung (11) zu beurteilen, ob eine Störung beseitigbar ist; und eine Einrichtung, um die Vielzahl von Betätigungseinheiten nur dann selektiv zu betätigen, wenn von der Reparaturbeurteilungseinrichtung beurteilt wird, daß die Ursache reparierbar ist.

3. Bilderzeugungsvorrichtung, die das Selbstdiagnose- und Selbstreparatursystem nach einem der vorhergehenden Ansprüche aufweist, wobei die Objektvorrichtung die Bilderzeugungsvorrichtung ist.

4. Verfahren zum Diagnostizieren und Reparieren einer Vorrichtung, insbesondere einer Bilderzeugungsvorrichtung, die aufweist: eine Vielzahl von Komponentensensoren (1a, 1b, 1c) zur Abgabe von quantitativen Zustandsdaten und eine Vielzahl von Betätigungseinheiten (6a, 6b, 6c), die ausgebildet sind, um den Betriebszustand der Vorrichtung nach Maßgabe von auf der Basis der Sensorausgangssignale erstellten Reparaturdaten zu ändern, wobei die Vorrichtung ferner eine Datenverarbeitungseinrichtung zum Durchführen einer Fuzzy-Regelung und von Fuzzy-Ableitungsrechnungen aufweist,

wobei das Verfahren durch die folgenden Schritte gekennzeichnet ist:

Speichern (i) eines qualitativen Modells der Vorrichtung, das durch eine kombinatorische Beziehung von Parametern der Vorrichtungskomponenten repräsentiert ist, (ii) von Elementfunktionen der jeweiligen Parameter, um Fuzzy- Räume jedes Parameters zu definieren, (iii) von Referenzwerten zur Störungsbeurteilung, die vorbestimmte qualitative Fuzzy-Werte der Parameter aufweisen, (iv) einer Vielzahl von Störungskandidaten und (v) von Verschlechterungsfaktoren für die Parameter der Vorrichtungskomponenten in einer Objektmodell-Speichereinrichtung (15), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Umwandeln der von den Sensoren (1a, 1b, 1c) abgegebenen quantitativen Zustandsdaten in qualitative Fuzzy-Werte durch Abbilden der quantitativen Zustandsdaten unter Nutzung der Elementfunktionen auf die Fuzzy-Räume in einer Datenumwandlungseinrichtung (11), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Bestimmen des Grads einer Verschlechterung der Vorrichtungskomponenten über die Zeit durch Detektieren von Änderungen in den Parametern auf der Basis der jeweiligen Verschlechterungsfaktoren, die in der Objektmodell- Speichereinrichtung gespeichert sind, und auf der Basis der Ausgangswerte der Datenumwandlungseinrichtung (11) in einer Langzeit-Simulationseinrichtung (12), die in der Datenverarbeitungseinrichtung vorgesehen ist,

Bestimmen des aktuellen Zustand der Vorrichtung durch Durchführen einer Simulation, bei der die durch die Langzeit-Simulationseinrichtung (12) bestimmte Änderung in Parametern auf ein Parametermodell als das qualitative Modell, das in der Objektmodell-Speichereinrichtung (15) gespeichert ist, angewandt wird, in einer Kurzzeit-Simulationseinrichtung (13), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Beurteilen, ob eine Störung vorliegt, durch Vergleichen jedes der Ausgangswerte der Datenumwandlungseinrichtung (11) mit den in der Objektmodell-Speichereinrichtung (15) gespeicherten Verschlechterungsfaktoren in einer Störungsbeurteilungseinrichtung (16), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Wählen aufgrund des Lokalisierens einer Störung durch die Störungsbeurteilungseinrichtung (16) von einem oder mehreren der in der Modell-Speichereinrichtung (15) gespeicherten Störungskandidaten und Anwenden des Ausgangswerts der Datenumwandlungseinrichtung (11), der die Störungsbeurteilung repräsentiert, auf das in der Modell-Speichereinrichtung (15) gespeicherte Parametermodell in einer Störungsdiagnoseeinrichtung (14, 16), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Ableiten von Störungszuständen durch Anwenden der gewählten Störungskandidaten auf das Parametermodell in einer Störungszustand-Ableitungseinrichtung (13), die in der Datenverarbeitungseinrichtung vorgesehen ist;

Benennen von Störungskandidaten durch Vergleichen des in der Kurzzeit-Simulationseinrichtung (13) bestimmten aktuellen Zustand der Vorrichtung mit jedem der abgeleite ten Störungszustände in einer Ursachenbenennungseinrichtung (14), die in der Datenverarbeitungseinrichtung vorgesehen ist; und

selektives Betätigen der Vielzahl von Betätigungseinheiten (6a, 6b, 6c), um die von der Ursachenbenennungseinrichtung (14) benannten Störungsursachen zu beseitigen, um dadurch die Vorrichtung zu reparieren.