JP2007286924A - 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 - Google Patents

Abstract

【課題】多段階層構造を有する故障原因をモデル化した故障診断モデルを容易に作成できる故障診断システム及び故障診断方法を提供する。
【解決手段】
画像形成装置を構成する部品又は部品群であるコンポーネントの異常状態と、画像形成装置の故障を特徴付ける事象である故障事象と、の因果関係を表現する因果関係テーブル、を有する蓄積手段と、蓄積手段が有する因果関係テーブルに基づいて、画像形成装置の故障原因をモデル化した故障診断モデルを生成する生成手段と、を備え、因果関係テーブルは、コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積する。
この構成によれば、コンポーネントの多段階層的な構成に従って情報を蓄積する因果関係テーブルに基づいて故障診断モデルを作成するため、階層的な故障原因をモデル化した複雑な故障診断モデルであっても容易に作成できる。
【選択図】図１

Description

本発明は、画像形成装置の故障診断システム及び故障診断方法に関し、特に、多段階層的に分類される故障原因をモデル化した故障診断モデルを容易に作成できる故障診断システム及び故障診断方法に関する。

画像形成装置の多機能化、高機能化及び高性能化により故障の態様が複雑化した結果、習熟した専門家であっても故障原因の特定が困難となった。そのため、画像形成装置の故障原因の特定を支援する故障診断システム等が必要となる。
このような機能を有する故障診断システム等としては、入力されたデータと知識ベースに予め定められた規則とを照合して故障原因を推論する故障推論装置が知られている（例えば、特許文献１参照）。
この知識ベースは故障推論に必要な知識として縦列に結果を横列に原因を表した二次元のテーブル形式で規則を表現するため、規則の追加、削除、及び、修正に対してテーブルの行列の追加、削除、及び、修正により柔軟に対応できる。
特開平５‐２９８１０５

またこのような機能を有する故障診断システム等としては、入力されたデータと単段階層を有する知識ベースに予め定められた規則とを照合して故障原因を推論する故障推論装置が知られている（例えば、特許文献２参照）。
この知識ベースは故障推論に必要な知識として縦列に発生事象を、横列に故障要因を、行列の要素に発生事象と故障要因との重み付けを、表した二次元のテーブル形式で規則を表現し、各行列の要素に詳細な規則を表すテーブルを対応付けて単段階層化することで故障診断精度を向上させている。
特開１１‐１１９８２３

ところで、上記のような故障推論装置では、二次元テーブルがディシジョンツリーに対応しているため、故障原因と故障原因の発生により生じる複数の結果との因果関係に基づいて故障原因を推論する確率推論型モデルに対応できないと言う問題があった。

また上記のような故障推論装置では、故障推論をする処理に対して、一例として、初期状態における異常確率等の故障発生頻度に関する情報を反映して推論することができない、また、テーブル階層が単段階層構造を取るため、多段階層的に分類される因果関係に基づいて故障原因を推論する確率推論型モデルに対応できないと言う問題があった。

本発明は、上記問題に鑑みて成されたものであり、その目的とするところは、多段階層的に分類される故障原因をモデル化した故障診断モデルを容易に作成できる故障診断システム及び故障診断方法を提供することにある。

本発明に係る故障診断モデル生成装置は、画像形成装置を構成する部品又は部品群であるコンポーネントの異常状態と、コンポーネントの異常により画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積手段と、蓄積手段が有する因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、コンポーネントに生じ得る画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成手段と、を備え、コンポーネントは、機能又は構成要素の少なくともいずれかに基づいて大分類から小分類へと多段階層的に分類された部品又は部品群であり、因果関係テーブルは、コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、初期異常確率テーブルは、コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴としている。
この構成によれば、コンポーネントの多段階層的な分類に基づいて情報を蓄積する因果関係テーブルと初期異常確率テーブルとに基づいて故障診断モデルを作成できるため、一例として、多段階層構成を有しない因果関係テーブル及び初期異常確率テーブルに基づいて故障診断モデルを生成する場合に比べて、多段階層的に分類されたコンポーネントに生じ得る故障原因をモデル化した複雑な故障診断モデルであっても容易に作成できる。

上記構成において、蓄積手段の有する因果関係テーブル又は初期異常確率テーブルの少なくとも１つの蓄積する情報を更新する更新手段、を更に備え、生成手段は、更新手段が蓄積手段の有する因果関係テーブル又は初期異常確率テーブルの少なくとも１つを更新した後に故障診断モデルを再生成する、構成を採用できる。
この構成によれば、更新された因果関係テーブル又は初期異常確率テーブルの蓄積する情報に基づいて故障診断モデルを再生成し、また通常、テーブルの管理については、一例としてデータベースの提供する管理コマンド等を用いて、容易に行なうことができる。よって、因果関係テーブル又は初期異常確率テーブルの維持及び管理により故障診断モデルを維持及び管理できるので、故障診断モデルの維持及び管理に要する労力を軽減できる。

上記構成において、因果関係を表現する情報とは、少なくとも画像形成装置に引き起こされる故障の種類である故障種類とコンポーネントを識別する情報であるコンポーネント識別情報と故障事象とコンポーネント識別情報で識別されるコンポーネントが異常状態である場合の故障事象の発生確率である事象発生確率とを関連付けた情報であり、生成手段は、故障種類毎に故障診断モデルを生成する、構成を採用できる。
この構成によれば、画像形成装置に引き起こされる故障の種類毎に、それぞれのコンポーネントの異常状態の発生と故障事象の発生と言う因果関係をモデル化した故障診断モデルを生成できる。

上記構成において、初期異常確率に関する情報とは、少なくともコンポーネント識別情報と初期異常確率とを関連付けた情報である、構成を採用できる。
この構成によれば、コンポーネントの初期異常確率を知ることができる。

上記構成において、更新手段は、蓄積手段の有する因果関係テーブルの蓄積する事象発生確率を更新する、構成を採用できる。
この構成によれば、因果関係テーブルの蓄積する事象発生確率を更新できるため、一例として、画像形成装置を構成するコンポーネントの配置の変更等による事象発生確率の変化、又は、調査統計資料等の充実により算出される事象発生確率の精度向上による変化を容易に故障診断モデルへ反映できる。

上記構成において、更新手段は、蓄積手段の有する初期異常確率テーブルの蓄積する初期異常確率を更新する、構成を採用できる。
この構成によれば、初期異常確率テーブルの蓄積する初期異常確率を更新できるため、一例として、画像形成装置を構成するコンポーネントの製造メーカの変更等による初期異常確率の変化、又は、調査統計資料等の充実により算出される初期異常確率の精度向上による変化等を容易に故障診断モデルへ反映できる。

上記構成において、更新手段は、蓄積手段の有する因果関係テーブルが蓄積していない故障種類とコンポーネント識別情報と故障事象と事象発生確率とを関連付けた情報を追加更新する、構成を採用できる。
この構成によれば、コンポーネントの異常状態の発生と故障事象の発生と言う新たな因果関係を確率的に表現する情報を因果関係テーブルへ追加更新するため、故障診断モデルに新たな関係を容易に追加できる。

上記構成において、少なくとも故障種類とコンポーネント識別情報と故障事象とを関連付けた情報である関連情報を、更新手段の有する因果関係テーブルへ追加更新することを要求するリクエストを受信する受信手段、を更に備え、
更新手段は、受信手段が受信したリクエストの関連情報毎の受信回数に基づいて算出された事象発生確率を、関連情報に関連付けて追加更新する、構成を採用できる。
この構成によれば、関連情報と事象発生確率とを受信したリクエストから取得して因果関係テーブルへ追加更新し、更新されたテーブルに基づいて故障診断モデルを再生成するため、リクエストを送信した装置により適した故障診断モデルへと容易に変更できる。

本発明に係る故障診断システムは、画像形成装置を構成する分類された部品又は部品群であるコンポーネントの異常状態と、コンポーネントの異常により画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積手段と、蓄積手段が有する因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成手段と、を備え、コンポーネントは、コンポーネントをより細かく分類した１又は複数のコンポーネントに多段階層的に分類され、因果関係テーブルは、コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、初期異常確率テーブルは、コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴とする故障診断モデル生成装置と、故障診断モデルを解析することで画像形成装置を構成するコンポーネントの故障を診断する故障診断部と、故障診断モデルに入力される装置の内部状態情報を取得する内部状態情報取得手段と、画像形成装置によって出力された出力画像と検査用の基準画像とを比較することにより得られる出力画像の不具合を特徴づける特徴量に関する情報を取得する故障情報取得手段と、を備え、故障診断部は、故障情報取得手段が取得した特徴量に関する情報と内部状態情報取得手段が取得した内部状態情報とを用いて、故障の種類に対応した故障診断モデルを解析することで故障原因を診断する、ことを特徴とする１又は複数の画像形成装置と、を備え、画像形成装置の故障診断部が解析する故障診断モデルは、故障診断モデル生成装置の生成手段が生成したモデルである、ことを特徴としている。
この構成によれば、画像形成装置は故障診断モデル生成装置が生成した故障診断モデルを解析することで故障原因を診断するため、画像形成装置は、多段階層的に分類されるコンポーネント毎に故障診断できる。

上記構成において、画像形成装置は、少なくとも画像形成装置に引き起こされる故障の種類である故障種類とコンポーネントを識別する情報であるコンポーネント識別情報と故障事象とを関連付けた情報である関連情報を、故障診断モデル生成装置の更新手段が有する因果関係テーブルへ追加更新することを要求するリクエストを送信する送信手段、を更に備え、故障診断モデル生成装置は、画像形成装置の送信手段の送信するリクエストを受信する受信手段と、蓄積手段の有する因果関係テーブルが蓄積する因果関係を表現する情報を更新する更新手段と、を更に備え、因果関係を表現する情報とは、少なくとも関連情報とコンポーネント識別情報で識別されるコンポーネントが異常状態である場合の故障事象の発生確率である事象発生確率とを関連付けた情報であり、故障診断モデル生成装置の更新手段は、受信手段が受信したリクエストの関連情報毎の受信回数に基づいて算出された事象発生確率を、関連情報に関連付けて追加更新し、故障診断モデル生成装置の生成手段は、更新手段が蓄積手段の有する因果関係テーブルを更新した後に故障診断モデルを故障種類毎に再生成し、画像形成装置の故障診断部が解析する故障診断モデルは、故障診断モデル生成装置の生成手段がリクエストに基づいて再生成したモデルである、構成を採用できる。
この構成によれば、画像形成装置が送信したリクエストに基づいて再生成された故障診断モデルを解析することで故障原因を診断する。よって、リクエストを送信した画像形成装置により適した故障診断モデルを解析するため、故障診断システムの故障診断精度を向上できる。

本発明に係る故障診断モデル生成方法は、画像形成装置を構成する分類された部品又は部品群であるコンポーネントの異常状態と、コンポーネントの異常により画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積ステップと、蓄積ステップが有する因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、コンポーネントに生じ得る画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成ステップと、を備え、コンポーネントは、機能又は構成要素の少なくともいずれかに基づいて大分類から小分類へと多段階層的に分類された部品又は部品群であり、因果関係テーブルは、コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、初期異常確率テーブルは、コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴としている。
この構成によれば、コンポーネントの多段階層的な分類に基づいて情報を蓄積する因果関係テーブルと初期異常確率テーブルとに基づいて故障診断モデルを作成できるため、一例として、多段階層構成を有しない因果関係テーブル及び初期異常確率テーブルに基づいて故障診断モデルを生成する場合に比べて、多段階層的に分類されたコンポーネントに生じ得る故障原因をモデル化した複雑な故障診断モデルであっても容易に作成できる。

本発明によれば、多段階層構造を有する確率テーブルに基づいて故障診断モデルを生成することで、多段階層的に分類される故障原因をモデル化した故障診断モデルを容易に作成できる故障診断システム及び故障診断方法を提供できる。

以下、本発明の最良の実施形態について、添付図面を参照しつつ説明する。図１は本発明の故障診断モデル生成装置２００の一実施形態を示す構成図である。

本発明の故障診断モデル生成装置２００は、更新手段である更新データ管理部２１０、生成手段である故障診断モデル生成部２２０、受信手段である第１通信部２３０、蓄積手段である因果データベース蓄積部２４０、更新データ候補蓄積部２５０、故障診断モデル蓄積部２６０、及び、第１制御部２７０から構成される。

故障診断モデル生成装置２００を構成する更新データ管理部２１０、故障診断モデル生成部２２０、第１通信部２３０、因果データベース蓄積部２４０、更新データ候補蓄積部２５０、及び、故障診断モデル蓄積部２６０は、バスを通じて相互に接続している。また、故障診断モデル生成装置２００は、第１通信部２３０によってネットワーク３００に接続している。

更新データ管理部２１０は、例えば、ＣＰＵ等の演算装置とＤＲＡＭやＳＲＡＭと言った半導体メモリ等の記憶装置と演算装置及び記憶装置等を制御するプログラム等とで構成されている。

更新データ管理部２１０は、後述する因果データベース蓄積部２４０が有する因果関係テーブルＴＣＡ及び初期異常確率テーブルＴＰＥの蓄積する情報を更新する。具体的には、因果関係テーブルＴＣＡの蓄積する事象発生確率及び初期異常確率テーブルＴＰＥの蓄積する初期異常確率を更新する。

尚、事象発生確率とは、後述する画像形成装置１００を構成する部品又は部品群であるコンポーネントが異常状態にある場合において、異常状態により画像形成装置１００に引き起こされる故障を特徴付ける事象である故障事象の発生確率を言う。また、初期異常確率とは、故障が発生した時にコンポーネントが初期状態において異常状態にある確率を言う。

また、更新データ管理部２１０は、因果関係テーブルＴＣＡが蓄積していない故障種類とコンポーネント識別情報と故障事象と事象発生確率とを関連付けた情報を、因果関係テーブルＴＣＡへ追加更新する。尚、コンポーネント識別情報とは、コンポーネントを識別する情報を言う。つまり、画像形成装置１００が故障しており、その故障が特定の故障種類である場合に、コンポーネント識別情報で識別されるコンポーネントの異常状態により特定の故障事象が発生すると言う新たな因果関係を因果関係テーブルＴＣＡへ追加更新する。

故障診断モデル生成部２２０は、例えば、ＣＰＵ等の演算装置とＤＲＡＭやＳＲＡＭと言った半導体メモリ等の記憶装置と演算装置及び記憶装置等を制御するプログラム等とで構成されている。

故障診断モデル生成部２２０は、因果関係テーブルＴＣＡと初期異常確率テーブルＴＰＥとに蓄積された情報に基づいて、画像形成装置１００の故障を引き起こす原因をモデル化した故障診断モデルを生成する。特に、故障診断モデル生成部２２０は、画像形成装置に引き起こされる故障の種類である故障種類毎に故障診断モデルを生成する。

また、更新データ管理部２１０が因果関係テーブルＴＣＡ又は初期異常確率テーブルＴＰＥの少なくとも１つを更新した後に、故障診断モデル生成部２２０は故障種類毎に故障診断モデルを再生成する。

第１通信部２３０は、例えば、ネットワークカード等で構成される。第１通信部２３０は、更新データ管理部２１０に関連情報を因果関係テーブルＴＣＡへ追加更新することを要求するリクエスト等を受信する。尚、関連情報とは、本実施例においては、画像形成装置１００に引き起こされる故障の種類である故障種類とコンポーネント識別情報と故障事象とを関連付けた情報を言う。
また、第１通信部２３０は、実際に異常の生じていたコンポーネントを識別する情報を報告するレポートを受信する。

更にまた、第１通信部２３０は、故障診断モデル生成部２２０が生成した故障診断モデルであって、後述する故障診断モデル蓄積部２６０に蓄積された故障診断モデルを画像形成装置１００へ送信する。

因果データベース蓄積部２４０は、例えば、ハードディスク等の外部記憶装置と外部記憶装置が記憶した情報の整合等を管理等するデータベースプログラムとで構成されている。

因果データベース蓄積部２４０は、因果関係テーブルＴＣＡ及び初期異常確率テーブルＴＰＥとを有する。

ここで、図２を参照して因果データベース蓄積部２４０が有する初期異常確率テーブルＴＰＥについて説明する。図２は、初期異常確率テーブルの一例を示した図である。

初期異常確率テーブルＴＰＥは、初期異常確率に関する情報を蓄積する。初期異常確率に関する情報とは、少なくともコンポーネント識別情報と初期異常確率とを関連付けた情報である。

ここで、画像形成装置１００を構成する部品又は部品群であるコンポーネントは、機能又は構成要素の少なくともいずれかに基づいて大分類から小分類へと多段階層的に分類された部品又は部品群であり、初期異常確率テーブルＴＰＥは、コンポーネントの多段階層的な構成に基づいて、初期異常確率に関する情報を蓄積する。

具体的には、画像形成装置は、ＩＩＴ（Ｉｍａｇｅ Ｉｎｐｕｔ ｔｅｒｍｉｎａｌ）又はＩＯＴ（Ｉｍａｇｅ Ｏｕｔｐｕｔ Ｔｅｒｍｉｎａｌ）と言う機能又は構成要素に着眼して分類された２つのコンポーネントに大分類されている。尚、ＩＩＴ及びＩＯＴコンポーネントを第１階層（又はエリア１）に属するコンポーネントと言う。尚、本実施例においては、コンポーネントは、例えば、ＩＩＴ及びＩＯＴ等と言う名称によって識別され、コンポーネントを識別する名称をもってコンポーネント識別情報とした。

また、画像形成装置を構成するＩＩＴコンポーネントは、原稿送り部及び画像読取部と言うコンポーネントで構成され、ＩＯＴコンポーネントは、帯電部、感光部、露光部、現像部、転写部、及び、定着部と言うコンポーネントで構成される。尚、原稿送り部、画像読取部、帯電部、感光部、露光部、現像部、転写部、及び、定着部を第２階層（又はエリア２）に属するコンポーネントと言う。

更に、原稿送り部、画像読取部、帯電部、感光部、露光部、現像部、転写部、及び、定着部は、部品であるパーツの集合体であるユニット又は部品単体である非ユニットで構成される。尚、ユニット及び非ユニットを第３階層（又はエリア３）に属するコンポーネントと言い、パーツを第４階層（又はエリア４）に属するコンポーネントと言う。

つまり、本実施例において画像形成装置１００を構成するコンポーネントは、大分類されたコンポーネントの属する第１から小分類されたコンポーネントの属する４階層までの３段階層に分類される。

初期異常確率テーブルＴＰＥは、第１ないし４階層に属するコンポーネントについて、階層毎に算出した初期異常確率を蓄積する。つまり、初期異常確率テーブルＴＰＥは、初期異常確率に関する情報としてコンポーネント識別情報と初期異常確率とを関連付けた情報を蓄積する。

それぞれの階層に属するコンポーネントの初期異常確率は、過去に統計又は実験等で取得した情報から算出される。また、それぞれの階層に属するコンポーネントの初期異常確率は、同一の階層に属し、直上の階層に属する同一のコンポーネントを構成する全コンポーネントの初期異常確率の総和が１００％となるように計算される。

具体的には、第２階層に属し、直上の階層である第１階層に属するＩＩＴコンポーネントを構成する原稿送りコンポーネント及び画像読取コンポーネントの初期異常確率の総和は１００％となるように計算される。

この構成によれば、コンポーネントの初期異常確率を知ることができる。

次に、図３を参照して因果データベース蓄積部２４０が有する因果関係テーブルＴＣＡについて説明する。図３は、因果関係テーブルＴＣＡの一例を示した図である。

因果関係テーブルＴＣＡは、故障種類にそれぞれ対応した情報を蓄積するテーブル群ＧＴを構成するテーブル総称を言う。

テーブル群ＧＴ１は、画像形成装置１００が故障しておりその故障種類が故障種類１である場合に因果関係を表現する情報を、図２で説明したコンポーネントで構成される階層毎に蓄積する。

具体的には、図３においては、因果関係テーブルＴＣＡは、図２で説明した第１ないし４階層に対応した第１ないし４階層の因果関係テーブルＴＣＡ１１ないし１４で構成される。

また、テーブル群ＧＴ２は、画像形成装置１００が故障しておりその故障種類が故障種類２である場合に因果関係を表現する情報を、図２で説明したコンポーネントで構成される階層毎に蓄積する。

具体的には、図３においては、因果関係テーブルＴＣＡは、図２で説明した第１ないし４階層に対応した第１ないし４階層の因果関係テーブルＴＣＡ２１ないし２４で構成される。具体的には、図３において因果関係テーブルＴＣＡは、故障種類１及び２毎に各４階層に対応した計８個の因果関係テーブルで構成される。

第１階層の因果関係テーブルＴＣＡ１１は、第一階層に属するコンポーネントＩＩＴが異常状態にある場合に故障事象１−１が生じる確率である事象発生確率が８０％であること、及び、第一階層に属するコンポーネントＩＯＴが異常状態にある場合に故障事象１−１が生じる確率である事象発生確率が１０％であることを表す。

また、コンポーネントＩＩＴが異常状態にある場合に故障事象１−２が生じる確率である事象発生確率について表示していないものの、コンポーネントＩＯＴが異常状態にある場合に故障事象１−２が生じる確率である事象発生確率が７０％であることを表す。

これは、因果関係テーブルＴＣＡ１１は、コンポーネントＩＩＴが異常状態にある事と故障事象１−１が生じる事、コンポーネントＩＯＴが異常状態にある事と故障事象１−１が生じる事、及び、コンポーネントＩＯＴが異常状態にある事と故障事象１−２が生じる事、にはそれぞれ因果関係がある一方で、コンポーネントＩＩＴが異常状態にある事と故障事象１−２が生じる事、には因果関係が無いことを表している。

また同様に、因果関係テーブルＴＣＡ１２ないし１４は、第２ないし４階層に属するコンポーネントが異常状態にある事と、それぞれの事象が生じる事と、の因果関係を表している。

また更に同様に、因果関係テーブルＴＣＡ２１ないし２４は、第１ないし４階層に属するコンポーネントが異常状態にある事と、それぞれの事象が生じる事と、の因果関係を表している。

よって、因果関係テーブルＴＣＡは、故障種類と故障事象との因果関係を表現する情報を、コンポーネントで構成される階層毎に蓄積する。つまり、本実施例においては、因果関係を表現する情報として、故障種類とコンポーネント識別情報と故障事象と事象発生確率とを関連付けた情報を蓄積する。

次に、図１に戻り、引き続き故障診断モデル生成装置２００の構成について引き続き説明する。
更新データ候補蓄積部２５０は、例えば、ハードディスク等の外部記憶装置と外部記憶装置が記憶した情報の整合等を管理等するデータベースプログラムで構成されている。

更新データ候補蓄積部２５０は、第１通信部２３０が受信したリクエストから取得した関連情報を蓄積する。
また、更新データ候補蓄積部２５０は、第１通信部２３０が受信したリクエストの受信回数を関連情報毎に表すカウンタを蓄積するリクエストカウンタ・テーブルを有する。

更に更新データ候補蓄積部２５０は、第１通信部２３０が受信したレポートの受信回数をレポートから取得したコンポーネント識別情報毎に表すカウンタを蓄積するレポートカウンタ・テーブルを有する。

尚、更新データ管理部２１０は、更新データ候補蓄積部２５０が有するリクエストカウンタ・テーブルによって表されるリクエストの関連情報毎の受信回数とレポートカウンタ・テーブルによって表されるレポートのコンポーネント識別情報毎の受信回数とを取得し、取得した受信回数に基づいて算出された事象発生確率を、関連情報に関連付けて追加更新する。

故障診断モデル蓄積部２６０は、例えば、ハードディスク等の外部記憶装置と外部記憶装置が記憶した情報の整合等を管理等するデータベースプログラムで構成されている。

故障診断モデル蓄積部２６０は、故障診断モデル生成部２２０が生成した故障診断モデルを故障診断モデルのバージョン情報と供に蓄積する。故障診断モデル蓄積部２６０に蓄積された故障診断モデル及びバージョン情報は、第１通信部２３０を通じて画像形成装置１００によりダウンロードされる。

第１制御部２７０は、例えば、ＣＰＵ等の演算装置とＲＡＭ等の記憶装置とＲＯＭ等の記録装置とそれらを制御するプログラムとで構成される。第１制御部２７０は、更新データ管理部２１０、故障診断モデル生成部２２０、第１通信部２３０、因果データベース蓄積部２４０、更新データ候補蓄積部２５０、及び、故障診断モデル蓄積部２６０等を制御する。尚、第１制御部２７０の実行する制御処理等については後述する。

次に図４を参照して、本発明に係る画像形成装置１００について説明する。図４は本発明の画像形成装置１００の一実施形態を示す構成図である。

本発明の画像形成装置１００は、画像取得部１１０、プリントエンジン部１２０、センサ部１３０、故障診断情報入力部１４０、故障診断部１５０、第２制御部１６０、送信手段である第２通信部１７０、表示部１８０、及び、入力部１９０等から構成される。

画像形成装置１００を構成する画像取得部１１０、プリントエンジン部１２０、センサ部１３０、故障診断情報入力部１４０、故障診断部１５０、第２制御部１６０、及び、送信手段である第２通信部１７０等はバスＢを通じて相互に接続している。また、画像形成装置１００は、第２通信部１７０によってネットワーク３００に接続している。

画像取得部１１０は、例えば、スキャナ等の光学的な読取装置で構成され、原稿ＤＣを読み込んで画像情報を取得する。特に自らプリントエンジン部１２０で原稿ＤＣを出力した場合には、出力画像である原稿ＤＣを読込んで得られる画像情報である読込画像情報を取得する。

プリントエンジン部１２０は、読み込んだ画像またはプリント指示された画像を形成し出力する。

センサ部１３０は、センサ群から構成される。センサ群は、用紙通過時間、駆動電流、装置内部の温度、湿度などの装置の内部状態に関する情報を得る。

故障診断情報入力部１４０は、例えば、タッチパネル、ポインティングディバイス、又は、キーボード等で構成され、故障診断に必要な情報をユーザにより入力される。

故障診断部１５０は、故障診断情報入力部１４０により取得した情報等に基づき画像形成装置１００の故障診断を行なう。

具体的には、故障診断部１５０は、画像形成装置１００の故障を引き起こす原因をモデル化した後述する故障診断モデル１５４３を、後述する特徴量に関する情報と後述する内部状態情報とを用いて解析することで画像形成装置１００を構成する個々の構成部材の故障を診断する。特に、故障診断モデル１５４３については、故障診断モデル生成装置２００の生成手段が生成した故障診断モデルであって故障の種類を表す欠陥の種別に対応したモデルを用いる。

第２制御部１６０は、例えば、ＣＰＵ等の演算装置とＲＡＭ等の記憶装置とＲＯＭ等の記録装置とそれらを制御するプログラムとで構成される。第２制御部１６０は、画像取得部１１０、プリントエンジン部１２０、センサ部１３０、故障診断情報入力部１４０、故障診断部１５０、第２通信部１７０、表示部１８０、及び、入力部１９０等を制御する。尚、第２制御部１６０の実行する制御処理等については後述する。

第２通信部１７０は、例えば、ネットワークカード等で構成される。第２通信部１７０は、リクエスト及びレポート等を送信する。

表示部１８０は、例えば、液晶ディスプレイ又はＣＲＴディスプレイ等で構成され、後述する故障診断モデル１５４３に追加することを求める関連情報を入力することを促すメッセージを表示する。また、関連情報として選択可能な情報を表示する。

更に、実際に異常が確認されたコンポーネントのコンポーネント識別情報等を入力することを促すメッセージを表示する。また、コンポーネント識別情報として選択可能な情報を表示する。

入力部１９０は、例えば、キーボード、タッチパネル、又は、ポインティング・ディバイス等で構成される。入力部１９０は、ユーザの操作によって、関連情報、又は、コンポーネント識別情報を選択する命令等を入力される。

次に、図５を参照して、故障診断部１５０の構成を説明する。図２は故障診断部１５０の構成例を示すブロック図である。

故障診断部１５０は、故障情報取得手段である故障情報取得部１５２０、内部状態情報取得手段である内部状態情報取得部１５３０、故障確率推論部１５４０、追加操作情報取得部１５５０、及び、診断結果通知手段である診断結果通知部１５６０等から構成される。

故障情報取得部１５２０は、図示は省略するが、例えばキーボド、ポインティング・ディバイス、又は、タッチパネル等に接続され、ユーザがタッチパネル等を操作することで入力した特徴量に関する情報を取得する。

尚、特徴量に関する情報とは、画像形成装置１００によって出力された出力画像と出力画像の作成の基礎とされた検査用の基準画像とを比較することにより得られる出力画像の不具合を特徴づける特徴量に関する情報を言う。
具体的には、ここでは欠陥の種類に応じて、形状、大きさ、濃度、輪郭の状態、欠陥の発生方向、周期性等といった特徴量を言う。

内部状態情報取得部１５３０は、部品状態情報取得部１５３１、履歴情報取得部１５３２、及び、環境情報取得部１５３３から構成され、センサ部１３０より取得され、故障診断モデル１５４３に入力される画像形成装置１００内部の様々な情報を取得する。その後、取得した情報を故障確率推論部１５４０へ送信する。つまり、内部状態情報取得部１５３０は、後述する故障診断モデル１５４３に入力される装置の内部状態情報を取得する。

部品状態情報取得部１５３１は、センサ部１３０より取得された画像形成装置１００の内部状態情報に基づく各部品の稼動状態を示す部品情報を観測データ情報として取得する。

履歴情報取得部１５３２は、画像形成装置１００の使用状況の監視結果を履歴情報として取得する。

環境情報取得部１５３３は、画像形成装置１００内部の環境情報を直接取得し、あるいはセンサ部１３０より取得される画像形成装置１００内部の環境情報を取得する。

故障確率推論部１５４０は、部品状態情報取得部１５３１、履歴情報取得部１５３２、環境情報取得部１５３３、故障情報取得部１５２０、及び、追加操作情報取得部１５５０により得られた情報と、欠陥の種別に対応した故障診断モデル１５４３と、に基づいて各モデル上の故障原因の故障確率を算出する。

さらに故障確率推論部１５４０は、故障候補検出部１５４１、推論エンジン１５４２、及び、故障診断モデル１５４３等から構成される。

故障候補検出部１５４１は、後述する推論エンジン１５４２で算出した故障原因確率を元にして故障原因候補を絞り込む。

推論エンジン１５４２は、故障を引き起こす各原因が、発生した故障の主原因であるであろう確率（故障原因確率）を内部状態情報取得部１５３０から取得した情報、追加操作情報取得部１５５０から取得した情報、及び、故障情報取得部１５２０から取得した情報に基づいて算出する。

故障診断モデル１５４３は、後に説明する一又は複数の画像形成装置１００の故障を引き起こす原因をモデル化した故障診断モデルである。尚、本故障診断システム１０は、画像形成装置１００の故障種類に対応した診断モデルを故障原因の確率を算出するために利用する。

また、故障診断モデル１５４３は、故障診断モデル生成装置２００の故障診断モデル生成部２２０が生成したモデル、又は、リクエストに基づいて再生成したモデルであってネットワーク３００を通じてダウンロードしたモデルである。

ここで、故障原因確率の算出を行う推論エンジン１５４２には、ベイジアンネットワーク（Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ）を利用する。このベイジアンネットワークとは、因果関係が複雑な問題領域を表すため、複数の変数間の因果関係を順次結線し、グラフ構造を持つネットワークとして表現したものであり、変数間の依存関係を有向グラフにより表したものである。本発明における故障診断モデルはこのベイジアンネットワークを利用して構築されている。

なお、本発明の故障診断モデル、画像形成装置１００等は、従来ある故障診断モデル、画像形成装置等を利用することができる。

追加操作情報取得部１５５０は、ユーザ操作によって動作条件の異なる状態で故障情報を取得する。

診断結果通知部１５６０は、例えば、液晶モニタなどの表示デバイスで構成され、故障候補抽出部１５４１で抽出された故障原因候補をユーザに通知する。

次に、図６を参照して、画像欠陥系の故障診断を行う場合のベイジアンネットワークの構成について説明する。図６は、画像欠陥系の故障診断を行う場合のベイジアンネットワークの構成例を概念的に示した図である。

図示するように、このベイジアンネットワークは、画像欠陥を吹き起こす原因を表す故障原因ノードＮＤ０と、画像形成装置を構成する部材（コンポーネント）の状態情報を表すコンポーネント状態ノードＮＤ１と、画像形成装置１００の履歴情報を表す履歴情報ノードＮＤ２と、画像形成装置１００が設置されている周辺環境情報を表す環境情報ノードＮＤ３と、画質欠陥の状態情報を表す観測状態ノードＮＤ４と、ユーザ操作によって得られる追試結果情報を表すユーザ操作ノードＮＤ５と、欠陥種類ノードＮＤ６を含んで構成されている。

故障原因ノードＮＤ０は、画像欠陥を引き起こす原因を表すノードであり、この部分の確率を計算して、故障か否かの判断を行う。各ノード内には、因果関係の強さを表す確率データをまとめた確率表が格納されている。この確率データの初期値は、過去の故障発生時のデータや部品のＭＴＢＦ（Ｍｅａｎ Ｔｉｍｅ Ｂｅｔｗｅｅｎ Ｆａｉｌｕｒｅ；平均故障間隔）を用いて決定することができる。

コンポーネント状態ノードＮＤ１は、コンポーネントの状態を表すノードであり、コンポーネントの状態を観測するセンサ部１３０から取得される情報である。このような情報としてコンポーネントの温度、印加電圧、パッチ濃度、色材(例えばトナー)残量などの情報がある。

尚、本実施例においては、コンポーネント状態ノードＮＤ１を、コンポーネントの異常状態を表すノードとする。また、コンポーネント状態ノードＮＤ１を単に、コンポーネントノードを言う。

履歴情報ノードＮＤ２は、画像形成装置１００の使用状況を表すものであり、例えばコンポーネントごとのプリント枚数の履歴を用いる。このプリント枚数はコンポーネントの磨耗や劣化などコンポーネントの状態に直接影響を与える。

環境情報ノードＮＤ３は、コンポーネントの状態に影響を与える周囲環境条件で、本実施例では、温度と湿度がこれに相当する。温度や湿度は、各コンポーネントの画像形成条件や動作条件に影響を与える。

観測状態ノードＮＤ４は、出力画像に発生した欠陥の観測状態を表すもので、ユーザにより観測され入力される情報である。例えば、欠陥の形状、大きさ、濃度、輪郭、向き、位置、周期性、発生領域などの情報がある。

尚、本実施例においては、出力画像に発生した欠陥の観測された状態を画像形成装置１００に引き起こされる故障を特徴付ける事象である故障事象とし、観測状態ノードＮＤ４を故障事象ノードと言うこととする。

ユーザ操作ノードＮＤ５は、画像形成装置１００に対して動作条件を代えて同様の処理をさせる情報であり、変更後の動作条件の情報も含まれる。

欠陥種類ノードＮＤ６は、画像欠陥の種類を表すもので、線、点、白抜け、濃度ムラなどの情報がある。まず、発生した画像欠陥の種類を判別してこのノードの状態を確定させてから、他のノード（ＮＤ１〜ＮＤ５）の情報を適宜入力して診断を行い、故障原因を推定する。

尚、本実施例においては、画像形成装置１００の故障の種類を画像欠陥の種類とし、欠陥種類ノードＮＤ６を故障種類ノードと言うこととする。

これらの各ノードは、"原因"→"結果"の関係になるように結線される。たとえば、"故障原因ノード"と"観測状態ノードＮＤ４"との関係は"故障原因ノード"で示される"原因"が元で"観測状態ノードＮＤ４"で示される"観測状態（濃度が薄い、筋状・帯状、など）"が表れるという関係になる。一方、"履歴情報ノードＮＤ２"と"原因ノード"との関係は"履歴情報に基づく状態（コピー枚数が多い、稼動年数が長いなど）"が元で"原因"（部品劣化など）が発生するという関係が成り立つ。

次に、図７を参照して、故障診断システムにおける故障診断モデルの具体的な事例について説明する。図７は、画像欠陥による故障診断の構成例の中で黒線発生時のベイジアンネットワークの一例を示した図である。

図示するように、ノードは、"原因"→"結果"の関係になるように結線される。たとえば、"ドラムの傷"と"線幅情報"の関係は"ドラムの傷"が元で細い線が発生といった"線幅情報"が表れるという関係になる。

一方、"フィード数履歴情報"と"フューザ"の関係は"フィード数"に基づく状態（フィード数が何枚以上）が元で"フューザ"劣化による黒線発生の可能性が高くなるという関係が成り立つ。

各ノードの確率データの初期値は、たとえば過去のデータを元に決定する。その後、部品の交換頻度や不具合発生頻度など、市場トラブルの統計データを元に定期的に、又は、特定のタイミングで各ノードの確率を更新するようにしてもよい。

本実施例においては、後述するように異常状態が実際に発生したコンポーネントを報告するレポート、又は、生じた事象とコンポーネントの異常との因果関係を故障診断モデルに追加することを要求するリクエストを故障診断モデル作成装置２００が受信した回数を統計データとして更新データ候補蓄積部２５０が蓄積し、更新データ候補蓄積部２５０が蓄積したデータに基づいて特定のタイミングで各ノードの確率を更新する。

また、図５中の"線幅情報"や"周期性情報"、"発生箇所情報"といった画像欠陥の特徴を表すノードは、取得された特徴量に基づいて状態が決定される。

更に、"線幅情報"や"周期性情報"、"発生箇所情報"と言った画像欠陥の特徴を表すノードは、故障情報取得部１５２０によって得られた特徴量に関する情報に基づいて状態が決定される。

次に、図８を参照して、本発明に係る故障診断システムの構成について説明する。図８は、本発明の故障診断システムの一実施形態を示す構成図である。

故障診断システム１０は、１つの故障診断モデル生成装置２００と３つの画像形成装置１０１、１０２、１０３とで構成される。故障診断モデル生成装置２００と画像形成装置１０１、１０２、１０３とは、ネットワーク３００を介して接続している。ここで、故障診断モデル生成装置２００及び画像形成装置１０１、１０２、１０３の構成については既に説明したため省略する。

次に、図９を参照して、故障診断モデル生成部２２０が故障診断モデルを作成するために実行する処理（以下単に、故障診断モデル作成処理という）について説明する。図９は、故障診断モデル生成部２２０の実行する故障診断モデル作成処理の一例を示すフローチャートである。

故障診断モデル生成部２２０は、故障種類毎に因果データベース蓄積部２４０の有する因果関係テーブルＴＣＡ及び初期異常確率テーブルＴＰＥを参照して、故障種類毎にステップＳＴ１ないしステップＳＴ８の処理を実行することで故障診断モデルを生成する。

先ず、各階層に属するコンポーネントをノードとする（ステップＳＴ１）。尚、ステップＳＴ１で生成されたノードをコンポーネントノードと言う。
その後、故障診断モデル生成部２２０は、下位ノードから上位ノードへ結線する（ステップＳＴ２）。

下位ノードとは、下位コンポーネントに基づいて生成されたノードを言う。尚、下位コンポーネントとは、直上の階層に属する特定のコンポーネントを構成するコンポーネントを言う。

また、上位ノードとは、上位コンポーネントに基づいて生成されたノードを言う。尚、上位コンポーネントとは、下位コンポーネントによって構成されるコンポーネントを言う。

その後、故障診断モデル生成部２２０は、故障種類をノードとする（ステップＳＴ３）。尚、このようにして生成されたノードを故障種類ノードと言う。
次に、故障診断モデル生成部２２０は、最上位のコンポーネントノードから故障種類ノードへ結線する（ステップＳＴ４）。

その後、故障診断モデル生成部２２０は、それぞれの上位ノードに対して異常発生確率分布テーブルを作成する（ステップＳＴ５）。尚、異常発生確率分布テーブルについては後述する。
次に、故障診断モデル生成部２２０は、故障事象をノードとする（ステップＳＴ６）。尚、このようにして生成されたノードを故障事象ノードと言う。

その後、故障診断モデル生成部２２０は、故障事象ノードの生成の基とされた故障事象と因果関係を有するコンポーネントのコンポーネントノードへ結線する（ステップＳＴ７）。

次に、故障診断モデル生成部２２０は、故障事象ノードの異常発生確率分布テーブルを作成する（ステップＳＴ８）。
その後、故障診断モデル生成部２２０は、処理を終了する。

この構成によれば、コンポーネントの多段階層的な分類に基づいて情報を蓄積する因果関係テーブルと初期異常確率テーブルとに基づいて故障診断モデルを作成できるため、一例として、多段階層構成を有しない因果関係テーブル及び初期異常確率テーブルに基づいて故障診断モデルを生成する場合に比べて、多段階層的に分類されたコンポーネントに生じ得る故障原因をモデル化した複雑な故障診断モデルであっても容易に作成できる。

この構成によれば、画像形成装置に引き起こされる故障の種類毎に、それぞれのコンポーネントの異常状態の発生と故障事象の発生と言う因果関係をモデル化した故障診断モデルを生成できる。

ここで、図１０を参照して故障診断モデル生成部２２０の作成する異常発生確率分布テーブルについて説明する。図１０は、異常発生確率分布テーブルの一例を説明するための図である。

異常発生確率分布テーブルには、コンポーネントノードの有する異常発生確率分布テーブルＴＰＣと故障事象ノードの有する異常発生確率分布テーブルＴＰＤの２つの種類が存在する。

コンポーネントノードの有する異常発生確率分布テーブルＴＰＣは、上位コンポーネントと下位コンポーネントとの関係を異常の発生確率で表した表である。

図１０に示すコンポーネントノードの有する異常発生確率分布テーブルＴＰＣは、第１階層に属する上位コンポーネントであるＩＩＴコンポーネントと第２階層に属し、ＩＩＴコンポーネントを構成する下位コンポーネントである原稿送り部コンポーネントと原稿送り部コンポーネントとの関係を表す。

異常発生確率分布テーブルＴＰＣの要素は、それぞれの下位コンポーネントが正常又は異常状態にある場合において上位コンポーネントが正常又は異常状態にある確率を表す。

具体的には、異常発生確率分布テーブルＴＰＣは、下位コンポーネントの画像送り部が正常であり、かつ、下位コンポーネントの画像読み取り部が正常である場合には、下位コンポーネントのいずれかの異常が原因で上位コンポーネントであるＩＩＴコンポーネントが異常となる確率は０％であり、この状態では上位コンポーネントであるＩＩＴコンポーネントは１００％の確率で正常であることを表している。

また、異常発生確率分布テーブルＴＰＣは、下位コンポーネントの画像送り部が異常であり、かつ、下位コンポーネントの画像読み取り部が正常である場合には、下位コンポーネントの画像送り部の異常が原因で上位コンポーネントであるＩＩＴコンポーネントが異常である確率が４０％であることを表している。

尚、これらの異常発生確率分布は、初期異常確率テーブルＴＰＥに基づいて取得できる。

図１０に示す故障事象ノードの有する異常発生確率分布テーブルＴＰＤは、コンポーネントと故障事象との関係を異常の発生確率で表した表である。

次に、図１０に示す故障事象ノードの有する異常発生確率分布テーブルＴＰＤは、ＩＩＴコンポーネントと故障事象１−１との関係を表す。

異常発生確率分布テーブルＴＰＤの要素は、それぞれのコンポーネントが正常又は異常状態にある場合において故障事象が発生する確率を表す。

具体的には、異常発生確率分布テーブルＴＰＤは、ＩＩＴコンポーネントが正常である場合には、故障事象１−１は０％の確率で発生することを表している。

また、異常発生確率分布テーブルＴＰＤは、ＩＩＴコンポーネントが異常である場合には、故障事象１−１は８０％の確率で発生することを表している。

尚、これらの異常発生確率分布は、因果関係テーブルＴＣＡに基づいて取得できる。

次に、図１１を参照して、第２制御部１６０がリクエストを送信するために実行する処理（以下単に、リクエスト送信処理と言う）について説明する。図１１は、画像形成装置１００の第２制御部１６０が実行するリクエスト送信処理の一例を示すフローチャートである。

先ず、第２制御部１６０は、画像形成装置１００の故障原因を診断する処理（以下単に、故障診断処理と言う）を実行する（ステップＳＴ１０１）。

次に、第２制御部１６０は、故障診断処理において故障診断モデル１５４３の解析により故障を診断できたかを判断する（ステップＳＴ１０２）。第２制御部１６０は、故障を診断できたと判断する場合にはステップＳＴ１０６の処理を、そうでない場合にはステップＳＴ１０３の処理を実行する。

具体的には、ユーザが、入力部１９０を操作することで故障を診断できたかに関する情報を入力し、第２制御部１６０は、入力された情報に基づいて故障を診断できたかを判断する。

ステップＳＴ１０２において、第２制御部１６０は、故障を診断でなかったと判断した場合には、表示部１８０に対して、故障診断モデル１５４３に追加することを求める関連情報を入力することを促すメッセージを表示させる制御を行う。また、第２制御部１６０は、表示部１８０に対して、入力可能な関連情報を表示させる制御を行う（ステップＳＴ１０３）。ここで、故障診断モデル１５４３に追加することを求める関連情報を更新データ候補と呼ぶ。

具体的には、第２制御部１６０は、第２通信部１７０を通じて故障診断モデル生成装置２００の因果データベース蓄積部２４０の有する因果関係テーブルＴＣＡを参照する。その後、因果関係テーブルＴＣＡに基づいて、関連情報である故障種類とコンポーネント識別情報と故障事象とを関連付けた情報を表示部１８０に表示させる制御を行う。

次に、第２制御部１６０は、入力部１９０によって入力された更新データ候補を選択する命令を受領する（ステップＳＴ１０４）。尚、更新データ候補は、因果関係テーブルＴＣＡに蓄積されていない故障種類、コンポーネント識別情報、又は、故障事象と、蓄積された故障種類、コンポーネント識別情報、又は、故障事象と、を関連付けた関連情報であっても構わない。

つまり、表示部１８０は、因果関係テーブルＴＣＡに蓄積された情報に基づいて選択可能な関連情報の一覧を表示し、ユーザは入力部１９０を操作して、表示部１８０に一覧表示された関連情報を選択できる。また、ユーザは、因果関係テーブルＴＣＡに蓄積されていない故障種類、コンポーネント識別情報、又は、故障事象を関連情報の一部又は全部として選択できる。

その後、第２制御部１６０は、選択された関連情報である更新データ候補を、因果関係テーブルＴＣＡへ追加更新することを要求するリクエストを生成し、第２通信部を制御して送信する（ステップＳＴ１０５）。その後、第２制御部１６０は、処理を終了する。

ステップＳＴ１０２において、第２制御部１６０は、故障を診断できたと判断した場合には、表示部１８０に対して、実際に異常が生じていたコンポーネント（以下単に、異常コンポーネントと言う）のコンポーネント識別情報等（以下単に、異常コンポーネント識別情報等と言う）の入力を促すメッセージを表示させる制御を行う。また、第２制御部１６０は、表示部１８０に対して、入力可能なコンポーネント識別情報等を表示させる制御を行う（ステップＳＴ１０６）。

次に、第２制御部１６０は、入力部１９０によって入力された異常コンポーネント識別情報等を選択する命令を受領する（ステップＳＴ１０７）。

その後、第２制御部１６０は、選択された異常コンポーネント識別情報等を含むレポートを生成し、第２通信部を制御して送信する（ステップＳＴ１０８）。その後、第２制御部１６０は、処理を終了する。

次に、図１２を参照して、第１制御部２７０がリクエストに基づいて故障診断モデルを再生成させるために実行する処理（以下単に、故障診断モデル再生成制御処理と言う）について説明する。図１２は、第１制御部２７０の実行する故障診断モデル再生成制御処理の一例を示すフローチャートである。

先ず、第１制御部２７０は、第１通信部２３０を、リクエストを受信するよう制御する（ステップＳＴ２０１）。
次に、第１制御部２７０は、リクエストから関連情報を取得する。また、更新データ候補蓄積部２５０に蓄積したリクエストカウンタ・テーブルが蓄積するカウンタであって取得した関連情報に対応するカウンタをインクリメントする（ステップＳＴ２０２）。

その後、第１制御部２７０は、インクリメントしたカウンタが所定の閾値を超えるかを判断する（ステップＳＴ２０３）。第１制御部２７０は、カウンタが所定の閾値を超えたと判断する場合にはステップＳＴ２０４の処理を、そうでない場合には処理を終了する。

ステップＳＴ２０３において、第１制御部２７０は、カウンタが所定の閾値を超えたと判断した場合には、事象発生確率、及び、初期異常確率を算出する。尚、所定の閾値を超えたカウンタに関連付けられたコンポーネント識別情報を処理対象コンポーネント識別情報と言い、
処理対象コンポーネント識別情報で識別されるコンポーネントを処理対象コンポーネントと言う。

ここで、事象発生確率、及び、初期異常確率は、因果関係の発生回数を表すリクエストカウンタ・テーブルのカウントする受信回数と、異常状態の発生回数を表すレポートカウンタ・テーブルのカウントする受信回数と、を用いてを算出する。

具体的には、事象発生確率は、所定の閾値を超えたリクエストカウンタ・テーブルのカウンタを、処理対象コンポーネント識別情報と関連付けられたレポートカウンタ・テーブルのカウンタで除算して得られる割合として算出される。

また、初期異常確率は、処理対象コンポーネントが第１階層に属する場合には、処理対象コンポーネント識別情報と関連付けられたレポートカウンタ・テーブルのカウンタを、同じ第１階層に属するコンポーネント識別情報に関連付けられたレポートカウンタ・テーブルのカウンタの総和で除算して得られる割合として算出される。

処理対象コンポーネントが第２階層以下の階層に属する場合には、初期異常確率は、処理対象コンポーネント識別情報と関連付けられたレポートカウンタ・テーブルのカウンタを、同一の階層に属し、かつ、処理対象コンポーネントが構成する直上の階層に属するコンポーネントと同一のコンポーネントを構成するコンポーネントの識別情報に関連付けられたレポートカウンタ・テーブルのカウンタの総和で除算して得られる割合として算出される。

次に、第１制御部２７０は、更新データ管理部２１０を、所定の閾値を超えたカウンタに対応する関連情報と算出した事象発生確率とを関連付けて因果データベース蓄積部２４０の有する因果関係テーブルＴＣＡに追加更新するよう制御する。

この構成によれば、因果関係テーブルの蓄積する事象発生確率を更新できるため、一例として、画像形成装置を構成するコンポーネントの配置の変更等による事象発生確率の変化、又は、調査統計資料等の充実により算出される事象発生確率の精度向上による変化を容易に故障診断モデルへ反映できる。

更に、第１制御部２７０は、更新データ管理部２１０を、算出した初期異常確率に基づいて初期異常確率テーブルＴＰＥを更新するよう制御する（ステップＳＴ２０５）。

この構成によれば、初期異常確率テーブルの蓄積する初期異常確率を更新できるため、一例として、画像形成装置を構成するコンポーネントの製造メーカの変更等による初期異常確率の変化、又は、調査統計資料等の充実により算出される初期異常確率の精度向上による変化等を容易に故障診断モデルへ反映できる。

その後、第１制御部２７０は、故障診断モデル生成部２２０を、更新した初期異常確率テーブルＴＰＥ、及び、因果関係テーブルＴＣＡに基づいて故障種類毎に故障診断モデルを生成するよう制御する（ステップＳＴ２０６）。尚、故障診断モデル生成部２２０が故障診断モデルを生成する処理については、図９で説明した故障診断モデル作成処理であるために説明は省略する。

この構成によれば、更新された因果関係テーブル又は初期異常確率テーブルの蓄積する情報に基づいて故障診断モデルを再生成し、また通常、テーブルの管理については、一例としてデータベースの提供する管理コマンド等を用いて、容易に行なうことができる。よって、因果関係テーブル又は初期異常確率テーブルの維持及び管理により故障診断モデルを維持及び管理できるので、故障診断モデルの維持及び管理に要する労力を軽減できる。

またこの構成によれば、故障種類毎に、コンポーネントの異常状態の発生と故障事象の発生と言う新たな因果関係を確率的に表現する情報を因果関係テーブルへ追加更新するため、故障種類毎に生成された故障診断モデルに新たな関係を容易に追加できる。

更にこの構成によれば、関連情報と事象発生確率とを受信したリクエストから取得して因果関係テーブルへ追加更新し、更新されたテーブルに基づいて故障診断モデルを再生成するため、リクエストを送信した装置により適した故障診断モデルへと容易に変更できる。

次に、第１制御部２７０は、生成した故障診断モデルを故障診断モデル蓄積部２６０へ蓄積する（ステップＳＴ２０７）。その後、第１制御部２７０は、処理を終了する。

次に、図１１のステップＳＴ１０１で説明した故障診断処理について説明する。図１３は、画像形成装置１００の第２制御部１６０が実行する故障診断処理の一例を示すフローチャートである。

まず、第２制御部１６０は、故障診断モードに移行するとテストパターンを出力する命令を受信し、プリントエンジン部１２０へテストパターンを出力する命令を送信する（ステップＳＴ３０１）。

ここで出力するテストパターンは、図４に示したプリントエンジン部１２０に予め保持しているものであり、故障の原因がプリントエンジン部１２０の部品である場合は、テストパターンに欠陥が再現されるが、コピー時のみの不具合など画像取得部１１０の部品に原因がある場合はテストパターンには欠陥は再現されない。しかし、画像取得部１１０の部品に原因がある場合、テストパターンを画像取得部１１０にセットして出力画像を読み取ると、読取画像には欠陥が現れる。従って出力画像の読取前に操作画面より欠陥はコピー時のみ発生するかどうかを問い合わせ、ユーザがその情報を選択入力できるようにしておく。そして、選択された情報を追加操作情報取得部１５５０より取得して故障確率推論部１５４０に入力する。画像形成装置１００のプリントエンジン部１２０からテストパターンが排出されると、そのテストパターンを画像取得部１１０にセットし、ユーザはテストパターンの読込を指示する命令を入力する。

次に、第２制御部１６０は、ユーザの入力した読込命令を受信し、図４の画像取得部１１０へ読み取り命令を通知する（ステップＳＴ３０２）。

次に、第２制御部１６０は、読取画像と予め装置内部に保持している基準画像とを比較して画像欠陥の有無を調べる（ステップＳＴ３０３）。第２制御部１６０は、欠陥が存在すると判断した場合にはステップＳＴ３０５の処理を、そうでない場合にはそれ以前に発生した欠陥は偶発的なものであったか、あるいはテストパターン出力前に何らかの処置が施されて既に解決された可能性があるので、その旨を操作画面によりユーザに通知して処理を終了する(ステップＳＴ３０４−Ｎ)。

ステップＳＴ３０４において、第２制御部１６０は、欠陥が存在すると判断した場合（ステップＳＴ３０４−Ｙ）には、ユーザが入力部１９０を通じて入力した故障の種類を取得する（ステップＳＴ３０５）。

次に、第２制御部１６０は、故障種類に応じた故障診断モデル１５４３を故障診断モデル生成装置２００から第２通信部１７０を通じてダウンロードする（ステップＳＴ３０６）。

尚、故障診断モデル生成装置２００の故障診断モデル蓄積部２６０の蓄積する故障診断モデルにはそれぞれバージョン情報が与えられており、第２制御部１６０は、故障確率推論部１５４０に蓄積された故障診断モデルのバージョン情報よりも新しい故障診断モデルのみをダウンロードするものとする。

この構成によれば、画像形成装置が送信したリクエストに基づいて再生成された故障診断モデルを解析することで故障原因を診断する。よって、リクエストを送信した画像形成装置により適した故障診断モデルを解析するため、故障診断システムの故障診断精度を向上できる。

その後、第２制御部１６０は、故障情報取得部１５２０から特徴量に関する情報を取得する（ステップＳＴ３０７）。
次に、第２制御部１６０は、画像形成装置１００を構成する各部品の状態情報や、部品ごとの印刷枚数を示すカウンタ値などの履歴情報、装置内部の温度、湿度などの環境情報といった、故障診断に必要な種々のデータを取得させるために、部品状態情報取得部１５３１、履歴情報取得部１５３２、及び、環境情報取得部１５３３へ実行通知を行なう（ステップＳＴ３０８）。

その後、第２制御部１６０は、ステップＳＴ３０６で取得した診断モデルとステップＳＴ３０７及びステップＳＴ３０８で取得させた情報とに基づいて各故障原因の発生確率を算出させるために、推論エンジン１５４２ヘ実行通知を行なう（ステップＳＴ３０９）。

次に、第２制御部１６０は、ステップＳＴ３０９で算出された確率に基づいて、故障原因となる確率の高いほうから指定された候補数分の故障原因を抽出させるために、故障候補抽出部１５４１へ実行通知を行なう（ステップＳＴ３１０）。尚、候補数は予め設定できるようにしても良いし、候補抽出前に任意の数を入力して指定できるようにしても良い。

その後、第２制御部１６０は、抽出された故障原因候補を診断結果通知部１５６０によりコントロールパネルなどの表示デバイスに表示してユーザに通知するよう制御する（ステップＳＴ３１１）。

次に、第２制御部１６０は、故障原因候補を絞り込むことができているかを追試結果情報が有るかによって判断する（ステップＳＴ３１２）。第２制御部１６０は、故障原因候補を絞り込むことができていないと判断した場合にはステップＳＴ３１３の処理を、そうでない場合には処理を終了する。

より詳細に説明すれば、このような自動判定処理においては必ずしもこの時点で故障原因候補を一つに絞り込めるとは限らない。そこで、ユーザは、この時点で故障原因候補を絞り込むことができていない場合には、操作画面からさらなる故障診断に必要な追加操作項目を選択する。

第２制御部１６０は、選択された項目に従って画像形成装置１００の動作条件を変更して画像を再出力するようプリントエンジン部１２０へ実行命令を下す。そして、ユーザは、操作画面から追試結果の情報を入力する。この時の追加操作は、画像の拡大縮小であったり、イメージパスの各箇所で保持しているテストパターンの出力などであり、欠陥の発生状態の変化の有無を調べるものである。従って追試結果はユーザが操作画面の質問に従って容易に入力可能なレベルのものとなっている。よって、第２制御部１６０は、追加された情報を受信することで故障原因候補を絞り込むことができていないと判断する。

ステップＳＴ３１２において、第２制御部１６０は、追試結果情報が有ると判断した場合には、受信した追試結果情報を推論エンジン１５４２へ送信する（ステップＳＴ３１３）。そして追加された情報と、先に入力済みの情報とを合わせて故障原因確率を再計算し、その結果から故障候補を絞り込むようステップＳＴ３０９に戻り上記処理を繰り返す。

この構成によれば、画像形成装置は故障診断モデル生成装置が生成した故障診断モデルを解析することで故障原因を診断するため、画像形成装置は、多段階層的な構成を有するコンポーネント毎に故障診断できる。

上記実施形態では、実現する機能又は構成要素に着目して多段階層的に部品又は部品群を分類する場合について説明したがこれに限定されるわけではなく、例えば、作用、効果、大きさ、又は、組立順等により多段階層的に分類する構成を採用することも可能である。

上記実施形態では、図１３において、画像形成装置１００は故障診断処理を実行する毎に故障診断モデルを故障診断モデル生成装置２００からダウンロードする場合について説明したがこれに限定されるわけではなく、例えば、定期的、特定のイベントの生じた際に、又は、ユーザの指示によりダウンロードする構成を採用することも可能である。

上記実施形態では、図８において、１つの故障診断モデル生成装置２００と複数の画像形成装置１００によって故障診断システム１０が構成される場合について説明したがこれに限定されるわけではなく、複数の故障診断モデル生成装置２００と１つの画像形成装置１００、又は、複数の故障診断モデル生成装置２００と複数の画像形成装置１００によって故障診断システム１０が構成される構成を採用することも可能である。

本発明の故障診断モデル生成装置の一実施形態を示す構成図である。 初期異常確率テーブルの一例を示した図である。 因果関係テーブルの一例を示した図である。 本発明の画像形成装置の一実施形態を示す構成図である。 本発明の画像投影装置の故障診断部の一実施形態を示す構成図である。 本発明の故障診断システムの一実施形態を示す構成図である。 ベイジアンネットワークの構成例を概念的に示した図である。 黒線発生時のベイジアンネットワークの一例を示した図である。 故障診断モデル生成装置の故障診断モデル生成部の実行する故障診断モデル作成処理の一例を示すフローチャートである。 異常発生確率分布テーブルの一例を説明するための図である。 画像形成装置の第２制御部が実行するリクエスト送信処理の一例を示すフローチャートである。 第１制御部の実行する故障診断モデル再生成制御処理の一例を示すフローチャートである。 画像形成装置の第２制御部が実行する故障診断処理の一例を示すフローチャートである。

符号の説明

１０…故障診断システム
１００〜１０３…画像形成装置
１１０…画像取得部
１２０…プリントエンジン部
１３０…センサ部
１４０…故障診断情報入力部
１５０…故障診断部
１５２０…故障情報取得部（故障情報取得手段）
１５３０…内部状態情報取得部（内部状態情報取得手段）
１５３１…部品状態情報取得部
１５３２…履歴情報取得部
１５３３…環境情報取得部
１５４０…故障確率推論部
１５４１…故障候補検出部
１５４２…推論エンジン
１５４３…故障診断モデル
１５５０…追加操作情報取得部
１５６０…診断結果通知部
１６０…第２制御部
１７０…第２通信部（送信手段）
１８０…表示部
１９０…入力部
２００…故障診断モデル生成装置
２１０…更新データ管理部（更新手段）
２２０…故障診断モデル生成部（生成手段）
２３０…第１通信部（受信手段）
２４０…因果データベース蓄積部（蓄積手段）
２５０…更新データ蓄積部
２６０…故障故障診断モデル蓄積部
２７０…第１制御部
３００…ネットワーク
Ｂ…バス
ＤＣ…原稿
ＧＴ１…故障種類１の因果関係テーブル群
ＧＴ２…故障種類２の因果関係テーブル群
Ｌ１…第１階層
Ｌ２…第２階層
Ｌ３…第３階層
Ｌ４…第４階層
ＴＣＡ１１…第１階層の因果関係テーブル
ＴＣＡ１２…第２階層の因果関係テーブル
ＴＣＡ１３…第３階層の因果関係テーブル
ＴＣＡ１４…第４階層の因果関係テーブル
ＴＣＡ２１…第１階層の因果関係テーブル
ＴＣＡ２２…第２階層の因果関係テーブル
ＴＣＡ２３…第３階層の因果関係テーブル
ＴＣＡ２４…第４階層の因果関係テーブル
ＴＰＣ…コンポーネントノードの有する初期異常確率テーブル
ＴＰＤ…故障事象ノードの有する初期異常確率テーブル
ＴＰＥ…初期異常確率テーブル

Claims (11)

1. 画像形成装置を構成する部品又は部品群であるコンポーネントの異常状態と、前記コンポーネントの異常により前記画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、前記コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積手段と、
   前記蓄積手段が有する前記因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、前記コンポーネントに生じ得る前記画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成手段と、を備え、
   前記コンポーネントは、機能又は構成要素の少なくともいずれかに基づいて大分類から小分類へと多段階層的に分類された前記部品又は部品群であり、
   前記因果関係テーブルは、前記コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、
   前記初期異常確率テーブルは、前記コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴とする故障診断モデル生成装置。
2. 前記蓄積手段の有する因果関係テーブル又は初期異常確率テーブルの少なくとも１つの蓄積する情報を更新する更新手段、を更に備え、
   前記生成手段は、前記更新手段が前記蓄積手段の有する因果関係テーブル又は初期異常確率テーブルの少なくとも１つを更新した後に故障診断モデルを再生成する、ことを特徴とする請求項１に記載の故障診断モデル生成装置。
3. 前記因果関係を表現する情報とは、少なくとも前記画像形成装置に引き起こされる故障の種類である故障種類と前記コンポーネントを識別する情報であるコンポーネント識別情報と故障事象と前記コンポーネント識別情報で識別されるコンポーネントが前記異常状態である場合の前記故障事象の発生確率である事象発生確率とを関連付けた情報であり、
   前記生成手段は、故障種類毎に故障診断モデルを生成する、ことを特徴とする請求項１又は２に記載の故障診断モデル生成装置。
4. 前記初期異常確率に関する情報とは、少なくとも前記コンポーネント識別情報と前記初期異常確率とを関連付けた情報である、ことを特徴とする請求項１ないし３に記載の故障診断モデル生成装置。
5. 前記更新手段は、前記蓄積手段の有する因果関係テーブルの蓄積する前記事象発生確率を更新する、ことを特徴とする請求項３に記載の故障診断モデル生成装置。
6. 前記更新手段は、前記蓄積手段の有する初期異常確率テーブルの蓄積する初期異常確率を更新する、ことを特徴とする請求項４に記載の故障診断モデル生成装置。
7. 前記更新手段は、前記蓄積手段の有する因果関係テーブルが蓄積していない前記故障種類と前記コンポーネント識別情報と前記故障事象と前記事象発生確率とを関連付けた情報を追加更新する、ことを特徴とする請求項３又は５に記載の故障診断モデル生成装置。
8. 少なくとも前記故障種類と前記コンポーネント識別情報と前記故障事象とを関連付けた情報である関連情報を、前記更新手段の有する因果関係テーブルへ追加更新することを要求するリクエストを受信する受信手段、を更に備え、
   前記更新手段は、前記受信手段が受信したリクエストの関連情報毎の受信回数に基づいて算出された前記事象発生確率を、前記関連情報に関連付けて追加更新する、ことを特徴とする請求項７に記載の故障診断モデル生成装置。
9. 画像形成装置を構成する分類された部品又は部品群であるコンポーネントの異常状態と、前記コンポーネントの異常により前記画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、前記コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積手段と、
   前記蓄積手段が有する前記因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、前記画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成手段と、を備え、
   前記コンポーネントは、前記コンポーネントをより細かく分類した１又は複数のコンポーネントに多段階層的に分類され、
   前記因果関係テーブルは、前記コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、
   前記初期異常確率テーブルは、前記コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴とする故障診断モデル生成装置と、
   前記故障診断モデルを解析することで前記画像形成装置を構成する前記コンポーネントの故障を診断する故障診断部と、
   前記故障診断モデルに入力される装置の内部状態情報を取得する内部状態情報取得手段と、
   前記画像形成装置によって出力された出力画像と検査用の基準画像とを比較することにより得られる出力画像の不具合を特徴づける特徴量に関する情報を取得する故障情報取得手段と、を備え、
   前記故障診断部は、前記故障情報取得手段が取得した特徴量に関する情報と内部状態情報取得手段が取得した前記内部状態情報とを用いて、前記故障の種類に対応した故障診断モデルを解析することで故障原因を診断する、ことを特徴とする１又は複数の画像形成装置と、を備え
   前記画像形成装置の故障診断部が解析する故障診断モデルは、前記故障診断モデル生成装置の生成手段が生成したモデルである、ことを特徴とする故障診断システム。
10. 前記画像形成装置は、少なくとも前記画像形成装置に引き起こされる故障の種類である故障種類と前記コンポーネントを識別する情報であるコンポーネント識別情報と前記故障事象とを関連付けた情報である関連情報を、前記故障診断モデル生成装置の更新手段が有する因果関係テーブルへ追加更新することを要求するリクエストを送信する送信手段、を更に備え、
    前記故障診断モデル生成装置は、前記画像形成装置の送信手段の送信するリクエストを受信する受信手段と、
    前記蓄積手段の有する因果関係テーブルが蓄積する因果関係を表現する情報を更新する更新手段と、を更に備え、
    前記因果関係を表現する情報とは、少なくとも前記関連情報と前記コンポーネント識別情報で識別されるコンポーネントが前記異常状態である場合の前記故障事象の発生確率である事象発生確率とを関連付けた情報であり、
    前記故障診断モデル生成装置の更新手段は、前記受信手段が受信したリクエストの関連情報毎の受信回数に基づいて算出された前記事象発生確率を、前記関連情報に関連付けて追加更新し、
    前記故障診断モデル生成装置の生成手段は、前記更新手段が前記蓄積手段の有する因果関係テーブルを更新した後に故障診断モデルを故障種類毎に再生成し、
    前記画像形成装置の故障診断部が解析する故障診断モデルは、前記故障診断モデル生成装置の生成手段が前記リクエストに基づいて再生成したモデルである、ことを特徴とする請求項９に記載の故障診断システム。
11. 画像形成装置を構成する分類された部品又は部品群であるコンポーネントの異常状態と、前記コンポーネントの異常により前記画像形成装置に引き起こされる故障を特徴付ける事象である故障事象と、の因果関係を表現する情報を蓄積する因果関係テーブルと、前記コンポーネントが初期状態において異常状態にある確率である初期異常確率に関する情報を蓄積する初期異常確率テーブルと、を有する蓄積ステップと、
    前記蓄積ステップが有する前記因果関係テーブルと初期異常確率テーブルとに蓄積された情報に基づいて、前記コンポーネントに生じ得る前記画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを生成する生成ステップと、を備え、
    前記コンポーネントは、機能又は構成要素の少なくともいずれかに基づいて大分類から小分類へと多段階層的に分類された前記部品又は部品群であり、
    前記因果関係テーブルは、前記コンポーネントで構成される階層毎に、因果関係を表現する情報を蓄積し、
    前記初期異常確率テーブルは、前記コンポーネントの多段階層的な分類に基づいて、初期異常確率に関する情報を蓄積する、ことを特徴とする故障診断モデル生成方法。
    

Images