JP2009003561A - Fault prediction diagnostic system and fault prediction diagnostic system using the same - Google Patents

Fault prediction diagnostic system and fault prediction diagnostic system using the same Download PDF

Info

Publication number
JP2009003561A
JP2009003561A JP2007161682A JP2007161682A JP2009003561A JP 2009003561 A JP2009003561 A JP 2009003561A JP 2007161682 A JP2007161682 A JP 2007161682A JP 2007161682 A JP2007161682 A JP 2007161682A JP 2009003561 A JP2009003561 A JP 2009003561A
Authority
JP
Japan
Prior art keywords
failure
failure prediction
diagnosis
information
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2007161682A
Other languages
Japanese (ja)
Inventor
Kaoru Yasukawa
薫 安川
Koki Uetoko
弘毅 上床
Tetsukazu Satonaga
哲一 里永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Priority to JP2007161682A priority Critical patent/JP2009003561A/en
Publication of JP2009003561A publication Critical patent/JP2009003561A/en
Pending legal-status Critical Current

Links

Images

Abstract

<P>PROBLEM TO BE SOLVED: To accurately predict the necessity/non-necessity of fault-coping to diagnostic object equipment. <P>SOLUTION: This fault prediction diagnostic device is provided with an information collection means 2 for collecting the internal information of diagnostic object equipment 10; a regression model creation means 3 for creating a regression model for calculating a fault prediction index corresponding to the fault prediction state of the diagnostic object equipment 10 based on the internal information of the diagnostic object equipment 10 collected by the information collection means 2; an index calculation means 4 for calculating a fault prediction index by using the regression model created by the regress model creation means 3; an index change digitizing means 5 for digitizing the secular change of the fault prediction index calculated by the index calculation means 4 to make it usable as a parameter; a fault-coping circumstance digitizing means 6 for digitizing the secular fault-coping circumstances to make it usable as a parameter; and a fault-coping determination means 8 for determining the presence/absence of the fault-coping of the diagnostic object equipment 10 based on each parameter of the index change digitizing means 5 and the fault-coping circumstance digitizing means 6. <P>COPYRIGHT: (C)2009,JPO&INPIT

Description

本発明は、故障予測診断装置及びこれを用いた故障予測診断システムに関する。   The present invention relates to a failure prediction diagnosis apparatus and a failure prediction diagnosis system using the same.

従来、画像形成装置などの診断対象機器の故障状態を事前に予測する各種の故障予測診断システムが提供されている。
特許文献1には、画像形成装置の状態と関連がある複数種類の情報を取得し、この取得情報を用いて正常時の基準空間からのマハラノビス距離を計算し、この距離が予め定めた閾値よりも大きい場合、故障発生の可能性が高いと判断する技術が開示されている。
また、特許文献2には、複写装置からジャムコードとその時点での累積複写枚数がホストコンピュータへ送信され、ホストコンピュータが送信されたデータに基づいて累積ジャム曲線を求め、所定のフィルタ処理を行い、フィルタ出力とフィルタ値と危険度とのメンバーシップ関数とに基づいてジャムの危険度を推論し、ユーザ訪問するか否かを決定する技術が開示されている。
2. Description of the Related Art Conventionally, various failure prediction diagnosis systems that predict in advance a failure state of a diagnosis target device such as an image forming apparatus have been provided.
In Patent Document 1, a plurality of types of information related to the state of the image forming apparatus is acquired, and the Mahalanobis distance from the normal reference space is calculated using the acquired information, and the distance is calculated based on a predetermined threshold. Is larger, the technology for determining that the possibility of failure is high is disclosed.
In Patent Document 2, the jam code and the cumulative number of copies at that time are transmitted from the copying apparatus to the host computer, and the host computer obtains a cumulative jam curve based on the transmitted data, and performs a predetermined filtering process. A technique for inferring a jam risk level based on a filter output, a filter value, and a membership function of the risk level and determining whether or not to visit the user is disclosed.

特開2005−17874号公報(発明の実施の形態,図1)Japanese Patent Laying-Open No. 2005-17874 (Embodiment of the Invention, FIG. 1) 特開平10−161483号公報(発明の実施の形態,図14)JP-A-10-161383 (Embodiment of the Invention, FIG. 14)

本発明は、診断対象機器に対する故障対処の要否を正確に予測する故障予測診断装置及びこれを用いた故障予測診断システムを提供しようとするものである。   The present invention is intended to provide a failure prediction diagnosis apparatus that accurately predicts whether or not a failure countermeasure is required for a diagnosis target device, and a failure prediction diagnosis system using the failure prediction diagnosis system.

請求項1に係る発明は、動作管理上必要な内部情報が記憶可能な診断対象機器の故障予測状態を診断する故障予測診断装置であって、診断対象機器の前記内部情報を収集する情報収集手段と、この情報収集手段にて収集された診断対象機器の内部情報に基づき診断対象機器の故障予測状態に対応する故障予測指標が算出可能な回帰モデルを作成する回帰モデル作成手段と、この回帰モデル作成手段にて作成された回帰モデルを用いて故障予測指標を算出する指標算出手段と、この指標算出手段にて算出された故障予測指標の経時変化をパラメータとして利用可能に数値化する指標変化数値化手段と、経時的な故障対処状況をパラメータとして利用可能に数値化する故障対処状況数値化手段と、前記指標変化数値化手段及び前記故障対処状況数値化手段の各パラメータに基づいて診断対象機器の故障対処の要否を決定する故障対処決定手段とを備えることを特徴とする故障予測診断装置である。   The invention according to claim 1 is a failure prediction diagnosis apparatus for diagnosing a failure prediction state of a diagnosis target device capable of storing internal information necessary for operation management, and collecting information on the internal information of the diagnosis target device A regression model creating means for creating a regression model capable of calculating a failure prediction index corresponding to the failure prediction state of the diagnosis target device based on the internal information of the diagnosis target device collected by the information collection unit, and the regression model An index calculation unit that calculates a failure prediction index using the regression model created by the creation unit, and an index change numerical value that quantifies the change over time of the failure prediction index calculated by the index calculation unit as a parameter. , Means for quantifying trouble handling status over time as a parameter, quantifying means for changing index, and number of troubleshooting status A failure prediction diagnosis apparatus characterized by comprising a failure address determining means for determining the necessity of the failure dealing diagnosis target device based on the parameters of the means.

請求項2に係る発明は、請求項1に係る故障予測診断装置において、更に、故障対処についての顧客の習熟度状況をパラメータとして利用可能に数値化する顧客状況数値化手段を備え、前記故障対処決定手段が、前記指標変化数値化手段、前記故障対処状況数値化手段及び前記顧客状況の各パラメータに基づいて診断対象機器の故障対処の要否を決定するものであることを特徴とする故障予測診断装置である。
請求項3に係る発明は、請求項1又は2に係る故障予測診断装置において、診断対象機器が搬送する記録材に対して画像を形成する画像形成装置であることを特徴とする故障予測診断装置である。
請求項4に係る発明は、請求項1又は2に係る故障予測診断装置において、故障予測指標が診断対象機器の故障に至る危険度合を示す故障危険度であることを特徴とする故障予測診断装置である。
請求項5に係る発明は、請求項1又は2に係る故障予測診断装置において、回帰モデル作成手段がロジスティック回帰分析を利用して回帰モデルを作成するものであることを特徴とする故障予測診断装置である。
According to a second aspect of the present invention, the failure prediction / diagnosis device according to the first aspect further comprises customer situation quantification means for digitizing the customer's proficiency level of the failure handling as a parameter so that the failure handling can be performed. A failure prediction unit, wherein the determination unit determines whether or not failure diagnosis of the diagnosis target device is necessary based on each parameter of the index change digitization unit, the failure handling status digitization unit, and the customer status It is a diagnostic device.
The invention according to claim 3 is the failure prediction diagnosis apparatus according to claim 1 or 2, wherein the failure prediction diagnosis apparatus is an image forming apparatus that forms an image on a recording material conveyed by the diagnosis target device. It is.
The invention according to claim 4 is the failure prediction diagnosis apparatus according to claim 1 or 2, characterized in that the failure prediction index is a failure risk level indicating a risk level to reach a failure of the diagnosis target device. It is.
The invention according to claim 5 is the failure prediction diagnostic apparatus according to claim 1 or 2, wherein the regression model creation means creates a regression model using logistic regression analysis. It is.

請求項6に係る発明は、請求項1又は2に係る故障予測診断装置において、回帰モデル作成手段が、回帰モデルを作成する際に用いる内部情報として、診断対象機器が故障したときの内部情報と、故障した診断対象機器に対して故障対処した後の内部情報とを含むものであることを特徴とする故障予測診断装置である。
請求項7に係る発明は、請求項1又は2に係る故障予測診断装置において、回帰モデル作成手段が回帰モデルを更新するものであることを特徴とする故障予測診断装置である。
請求項8に係る発明は、請求項1又は2に係る故障予測診断装置において、情報収集手段が内部情報として環境情報も収集することを特徴とする故障予測診断装置である。
請求項9に係る発明は、請求項8に係る故障予測診断装置において、回帰モデル作成手段が環境区分毎に作成される回帰モデルを故障要因で複数に分類したものであることを特徴とする故障予測診断装置である。
請求項10に係る発明は、請求項1又は2に係る故障予測診断装置において、指標変化数値化手段にて数値化される指標変化パラメータが、故障予測指標の予め決められた閾値との差情報、故障予測指標の傾き変化情報及び所定期間中の故障予測指標の傾き変化回数情報の少なくとも一つであることを特徴とする故障予測診断装置である。
請求項11に係る発明は、請求項1又は2に係る故障予測診断装置において、故障対処決定手段がベイジアンネットワークによる確率推論エンジンを用いて故障対処の要否を決定するものであることを特徴とする故障予測診断装置である。
請求項12に係る発明は、請求項1又は2に係る故障予測診断装置において、故障対処決定手段にて決定された故障対処情報が表示可能な表示手段を備えていることを特徴とする故障予測診断装置である。
The invention according to claim 6 is the failure prediction diagnosis apparatus according to claim 1 or 2, wherein the regression model creation means uses internal information when the diagnosis target device fails as internal information used when creating the regression model; A failure prediction diagnosis apparatus including internal information after a failure is dealt with a failed diagnosis target device.
The invention according to claim 7 is the failure prediction diagnostic apparatus according to claim 1 or 2, wherein the regression model creating means updates the regression model.
The invention according to claim 8 is the failure prediction diagnosis apparatus according to claim 1 or 2, wherein the information collection means also collects environmental information as internal information.
The invention according to claim 9 is the failure prediction diagnosis apparatus according to claim 8, wherein the regression model creation means classifies the regression models created for each environmental category into a plurality of failure factors. This is a predictive diagnostic device.
The invention according to claim 10 is the failure prediction diagnostic apparatus according to claim 1 or 2, wherein the index change parameter quantified by the index change digitizing means is difference information from a predetermined threshold of the failure prediction index. The failure prediction diagnostic apparatus is characterized in that it is at least one of inclination change information of the failure prediction index and inclination change frequency information of the failure prediction index during a predetermined period.
The invention according to claim 11 is the failure prediction diagnosis apparatus according to claim 1 or 2, characterized in that the failure handling determining means determines the necessity of handling the failure using a Bayesian network probability inference engine. It is a failure prediction diagnosis device.
The invention according to claim 12 is the failure prediction diagnosis apparatus according to claim 1 or 2, further comprising a display unit capable of displaying the failure handling information determined by the failure handling determining unit. It is a diagnostic device.

請求項13に係る発明は、動作管理上必要な内部情報が環境情報と共に記憶可能な複数の診断対象機器と、各診断対象機器と通信可能な通信ネットワークを介して接続されて各診断対象機器の故障予測状態を診断する故障予測診断装置とを備えた故障予測診断システムであって、前記故障予測診断装置が、診断対象機器の前記内部情報を収集する情報収集手段と、この情報収集手段にて収集された診断対象機器の内部情報に基づき診断対象機器の故障予測状態に対応する故障予測指標が算出可能な回帰モデルを作成する回帰モデル作成手段と、この回帰モデル作成手段にて作成された回帰モデルを用いて故障予測指標を算出する指標算出手段と、この指標算出手段にて算出された故障予測指標の経時変化をパラメータとして利用可能に数値化する指標変化数値化手段と、経時的な故障対処状況をパラメータとして利用可能に数値化する故障対処状況数値化手段と、前記指標変化数値化手段及び前記故障対処状況数値化手段の各パラメータに基づいて診断対象機器の故障対処の要否を決定する故障対処決定手段とを備えることを特徴とする故障予測診断システムである。
請求項14に係る発明は、請求項13に係る故障予測診断システムにおいて、故障予測診断装置が、更に、故障対処についての顧客の習熟度状況をパラメータとして利用可能に数値化する顧客状況数値化手段を備え、前記故障対処決定手段が、前記指標変化数値化手段、前記故障対処状況数値化手段及び前記顧客状況の各パラメータに基づいて診断対象機器の故障対処の要否を決定するものであることを特徴とする故障予測診断システムである。
請求項15に係る発明は、請求項13又は14に係る故障予測診断システムにおいて、情報収集手段が各診断対象機器から定期的に内部情報を収集することを特徴とする故障予測診断システムである。
請求項16に係る発明は、請求項13又は14に係る故障予測診断システムにおいて、情報収集手段が、診断対象機器を特定する診断対象情報及び診断対象機器の内部情報が収集される情報収集日時情報を併せて収集するものであることを特徴とする故障予測診断システムである。
According to a thirteenth aspect of the present invention, a plurality of diagnosis target devices capable of storing internal information necessary for operation management together with environmental information are connected to each diagnosis target device via a communication network that can communicate with each diagnosis target device. A failure prediction diagnosis system comprising a failure prediction diagnosis device for diagnosing a failure prediction state, wherein the failure prediction diagnosis device collects the internal information of the diagnosis target device, and the information collection unit A regression model creation means for creating a regression model capable of calculating a failure prediction index corresponding to the failure prediction state of the diagnosis target device based on the collected internal information of the diagnosis target device, and a regression created by the regression model creation means Index calculation means for calculating failure prediction index using a model, and change with time of failure prediction index calculated by this index calculation means can be used as a parameter Based on the parameters of the index change digitizing means, the failure handling situation digitizing means for digitizing the failure handling situation over time as a parameter, and the parameter change digitizing means and the failure handling situation digitizing means A failure prediction diagnosis system comprising failure handling determination means for determining whether or not failure diagnosis of a device to be diagnosed is necessary.
According to a fourteenth aspect of the present invention, in the failure prediction / diagnosis system according to the thirteenth aspect, the failure prediction / diagnosis device further quantifies the customer situation quantification so that the customer's proficiency level regarding failure handling can be used as a parameter. And the failure handling determination means determines whether or not failure diagnosis of the diagnosis target device is necessary based on each parameter of the index change digitizing means, the failure handling status digitizing means, and the customer situation. Is a failure prediction diagnosis system characterized by
The invention according to claim 15 is the failure prediction diagnosis system according to claim 13 or 14, wherein the information collecting means periodically collects internal information from each diagnosis target device.
The invention according to claim 16 is the failure prediction diagnosis system according to claim 13 or 14, wherein the information collection means collects information to be diagnosed for identifying the device to be diagnosed and internal information of the device to be diagnosed. It is a failure prediction diagnostic system characterized by collecting these together.

請求項1に係る発明によれば、診断対象機器に対して故障対処の要否を正確に予測することができる。
請求項2に係る発明によれば、故障対処についての顧客の習熟度を加味し、故障対処の緊急性について配慮することができ、その分、故障対処の要否をより正確に予測することができる。
請求項3に係る発明によれば、診断対象機器としての画像形成装置に対して故障対処の要否を正確に予測することができる。
請求項4に係る発明によれば、診断対象機器の故障予測指標としての故障危険度を正確に予測することができる。
請求項5に係る発明によれば、正確な回帰モデルを簡単に作成することができる。
請求項6に係る発明によれば、過去の故障事例を利用して回帰モデルを簡単に構築することができる。
請求項7に係る発明によれば、季節の影響を有効に反映させ、故障対処の要否をより正確に予測することができる。
請求項8に係る発明によれば、環境条件に依存し易い故障状態を正確に予測することができる。
According to the first aspect of the present invention, it is possible to accurately predict the necessity of handling the failure for the diagnosis target device.
According to the second aspect of the invention, it is possible to consider the urgency of troubleshooting, taking into account the customer's proficiency level regarding troubleshooting, and to predict the necessity of handling the failure more accurately. it can.
According to the third aspect of the present invention, it is possible to accurately predict whether or not failure handling is required for the image forming apparatus as the diagnosis target device.
According to the invention which concerns on Claim 4, the failure risk as a failure prediction parameter | index of a diagnostic object apparatus can be estimated correctly.
According to the invention of claim 5, an accurate regression model can be easily created.
According to the invention of claim 6, it is possible to easily construct a regression model using past failure cases.
According to the invention which concerns on Claim 7, the influence of a season can be reflected effectively, and the necessity of failure handling can be predicted more correctly.
According to the invention which concerns on Claim 8, the failure state which tends to depend on environmental conditions can be estimated correctly.

請求項9に係る発明によれば、環境条件に依存し易い故障状態を故障要因毎に正確に予測することができる。
請求項10に係る発明によれば、故障予測指標の経時変化を正確に把握することができる。
請求項11に係る発明によれば、故障対処の要否を効率的に決定することができる。
請求項12に係る発明によれば、故障対処の要否結果を正確に把握することができる。
請求項13に係る発明によれば、複数の診断対象機器に対して故障対処の要否を正確に予測することができる。
請求項14に係る発明によれば、故障対処についての顧客の習熟度を加味し、故障対処の緊急性について配慮することができ、その分、複数の診断対象機器に対して故障対処の要否をより正確に予測することができる。
請求項15に係る発明によれば、複数の診断対象機器の状態を常に監視し、故障状態を正確に予測することができる。
請求項16に係る発明によれば、診断対象機器を特定し、経時的変化を見ながら故障状態を正確に予測することができる。
According to the ninth aspect of the present invention, it is possible to accurately predict a failure state that tends to depend on environmental conditions for each failure factor.
According to the invention of claim 10, it is possible to accurately grasp the temporal change of the failure prediction index.
According to the invention of claim 11, it is possible to efficiently determine whether or not to deal with a failure.
According to the twelfth aspect of the present invention, it is possible to accurately grasp the result of necessity of troubleshooting.
According to the invention of claim 13, it is possible to accurately predict whether or not failure handling is necessary for a plurality of devices to be diagnosed.
According to the invention of claim 14, it is possible to consider the urgency of troubleshooting, taking into account the customer's proficiency level regarding troubleshooting, and accordingly, whether or not troubleshooting is necessary for a plurality of diagnosis target devices. Can be predicted more accurately.
According to the invention which concerns on Claim 15, the state of a some diagnostic object apparatus is always monitored, and a failure state can be estimated correctly.
According to the sixteenth aspect of the present invention, it is possible to specify a diagnosis target device and accurately predict a failure state while observing changes over time.

先ず、本発明が適用される実施の形態モデルの概要について説明する。
◎実施の形態モデルの概要
図1は本発明が適用される故障予測診断システムの実施の形態の概要を示す。
同図において、故障予約診断システムは、動作管理上必要な内部情報が環境情報と共に記憶可能な複数の診断対象機器10(例えば10(1),10(2),10(3)……10(n))と、各診断対象機器10と通信可能にネットワーク11接続されて各診断対象機器10の故障予測状態を診断する故障予測診断装置1とを備えた故障予測診断システムであって、前記故障予測診断装置1が、診断対象機器10の前記内部情報を収集する情報収集手段2と、この情報収集手段2にて収集された診断対象機器10の内部情報に基づき診断対象機器10の故障予測状態に対応する故障予測指標が算出可能な回帰モデルを作成する回帰モデル作成手段3と、この回帰モデル作成手段3にて作成された回帰モデルを用いて故障予測指標を算出する指標算出手段4と、この指標算出手段4にて算出された故障予測指標の経時変化をパラメータとして利用可能に数値化する指標変化数値化手段5と、経時的な故障対処状況をパラメータとして利用可能に数値化する故障対処状況数値化手段6と、前記指標変化数値化手段5及び前記故障対処状況数値化手段6の各パラメータに基づいて診断対象機器の故障対処の要否を決定する故障対処決定手段8とを備えるものである。
First, an outline of an embodiment model to which the present invention is applied will be described.
Outline of Embodiment Model FIG. 1 shows an outline of an embodiment of a failure prediction diagnosis system to which the present invention is applied.
In the figure, the failure reservation diagnosis system includes a plurality of diagnosis target devices 10 (for example, 10 (1), 10 (2), 10 (3)... 10 () that can store internal information necessary for operation management together with environmental information. n)), and a failure prediction diagnosis system 1 that is connected to the network 11 so as to be communicable with each diagnosis target device 10 and diagnoses a failure prediction state of each diagnosis target device 10. The predictive diagnostic apparatus 1 collects the internal information of the diagnostic target device 10 and the failure prediction state of the diagnostic target device 10 based on the internal information of the diagnostic target device 10 collected by the information collecting unit 2 A regression model creation means 3 for creating a regression model that can calculate a failure prediction index corresponding to the above, an index calculation means 4 for calculating a failure prediction index using the regression model created by the regression model creation means 3, The index change digitizing means 5 that digitizes the time-dependent change of the failure prediction index calculated by the index calculating means 4 as a parameter, and the fault countermeasure that digitizes the time-lapse failure countermeasure status as a parameter A situation digitizing means 6 and a failure handling determining means 8 for deciding whether or not to deal with a failure of the diagnosis target device based on the parameters of the index change digitizing means 5 and the failure handling status digitizing means 6 It is.

このような技術的手段において、診断対象は診断対象機器10の故障予測状態であり、診断対象機器10の故障を事前に予測して予防することを可能とするものである。
ここで、‘内部情報’としては一つの種類の故障要因に関する情報でもよいが、故障予測を広範囲に亘って予測するという観点からすれば、複数種の故障要因に関する情報を収集することが好ましい。
また、診断対象機器1が環境依存性の高い画像形成装置であるような場合には、内部情報として環境情報も取り込むようにすることが好ましい。この場合において、‘環境情報’としては温度及び湿度情報を用いることが好ましいが、温度又は湿度情報だけを用いることは可能である。
更に、情報収集手段2としては、故障予測診断システムの中で使用する場合には通常は通信ネットワーク11接続による通信回線が用いられるが、これに限られるものではなく、記録媒体などを介して収集するようにしてもよい。
In such technical means, the diagnosis target is a failure prediction state of the diagnosis target device 10, and it is possible to predict and prevent a failure of the diagnosis target device 10 in advance.
Here, the 'internal information' may be information relating to one type of failure factor, but from the viewpoint of predicting failure prediction over a wide range, it is preferable to collect information relating to a plurality of types of failure factors.
In addition, when the diagnosis target device 1 is an image forming apparatus with high environmental dependency, it is preferable to capture environmental information as internal information. In this case, it is preferable to use temperature and humidity information as the “environment information”, but it is possible to use only the temperature or humidity information.
Further, as the information collecting means 2, when used in a failure prediction diagnosis system, a communication line with a communication network 11 connection is usually used, but the information collecting means 2 is not limited to this and is collected via a recording medium or the like. You may make it do.

更にまた、回帰モデル作成手段3としては、故障予測指標が算出可能な回帰モデルが作成されればよく、通常は過去の故障事例における内部情報を用いたり、同一機種の過去の事例がないような場合には関連する機種の故障事例における内部情報を利用するなどすればよい。また、作成される回帰モデルとしては必ずしも一つである必要はなく、複数作成されていてもよい。この場合、いずれかの回帰モデルが選定されるようにすればよい。
更に、故障対処決定手段8は、指標変化及び故障対処状況をパラメータとして、所定のルール(推論エンジン)に従って故障対処の要否を決定するものを広く含む。
ここで、故障対処法としては一つでもよいし複数でもよく、代表的には保守点検専門家(例えばサービスエンジニア)を派遣する方法が挙げられるが、これに限られるものではなく、保守点検専門家にTV会議システム、電話にて相談するなどの方法も含まれる。
Furthermore, as the regression model creation means 3, a regression model capable of calculating a failure prediction index may be created. Usually, internal information on past failure cases is used, or there is no past case of the same model. In such a case, it is sufficient to use internal information in a failure example of a related model. In addition, one regression model is not necessarily created, and a plurality of regression models may be created. In this case, one of the regression models may be selected.
Further, the failure handling determination means 8 widely includes a unit for determining whether or not failure handling is necessary according to a predetermined rule (inference engine) using the index change and the failure handling status as parameters.
Here, there may be one or a plurality of troubleshooting methods, and a representative method is to send a maintenance inspection specialist (for example, a service engineer), but this is not a limitation. It also includes methods such as consulting home with a TV conference system and telephone.

また、本実施の形態モデルでは、診断対象機器10の代表的態様としては、故障対処の必要性が高い画像形成装置などが挙げられる。ここでいう画像形成装置は搬送する用紙に対して画像を形成するものであれば、画像形成方式や後処理装置の有無などを問わない。
更に、‘故障予測指標’としては、例えば診断対象機器10の故障に至る危険度合を示す故障危険度、診断対象機器10の故障に対する緊急度合を示す故障緊急度、診断対象機器10の故障の症状の程度を示す故障重症度など適宜選定して差し支えないが、故障を有効に予防、予測するという観点からすれば故障危険度を故障予測指標として用いることが好ましい。
Further, in the present embodiment model, a typical aspect of the diagnosis target device 10 includes an image forming apparatus that has a high necessity for troubleshooting. The image forming apparatus here may be an image forming method or the presence or absence of a post-processing apparatus as long as it forms an image on a sheet to be conveyed.
Furthermore, as the “failure prediction index”, for example, a failure risk indicating the degree of risk leading to the failure of the diagnosis target device 10, a failure urgency indicating the urgency with respect to the failure of the diagnosis target device 10, and a symptom of the failure of the diagnosis target device 10 However, from the viewpoint of effectively preventing and predicting failure, it is preferable to use failure risk as a failure prediction index.

また、情報収集手段2において、情報の収集効率を良好に保つという観点からすれば各診断対象機器10から定期的に内部情報を環境情報と共に収集する方式が好ましい。
更に、診断対象機器10を特定し、経時的変化を見ながら故障状態を正確に予測するという観点からすれば、情報収集手段2は、診断対象機器10を特定する診断対象情報及び診断対象機器10の内部情報、環境情報が収集される情報収集日時情報を併せて収集するものが好ましい。
Further, from the viewpoint of maintaining good information collection efficiency in the information collecting means 2, a method of regularly collecting internal information together with environmental information from each diagnosis target device 10 is preferable.
Furthermore, from the viewpoint of specifying the diagnosis target device 10 and accurately predicting the failure state while observing the change over time, the information collecting unit 2 determines the diagnosis target information and the diagnosis target device 10 for specifying the diagnosis target device 10. It is preferable to collect the internal information and the information collection date and time information for collecting environmental information.

また、回帰モデル作成手段3としては公知の回帰分析を用いて回帰モデルを設定して差し支えないが、代表的な手法としては例えばロジスティック回帰分析を利用して回帰モデルを作成することが挙げられる。
更に、回帰モデル作成手段3において、回帰モデルを簡単に構築するという観点からすれば、回帰モデルを作成する際に用いる診断対象機器10の内部情報として、診断対象機器10が故障したときの内部情報と、故障した診断対象機器10を修理した後の内部情報とを含むものを利用することが好ましい。
更にまた、季節の影響をより正確に反映させるという観点からすれば、回帰モデル作成手段3は回帰モデルを更新するものであることが好ましい。この態様において、更新の時期については定期的でもよいし、顧客の指定時期など適宜選定して差し支えない。
また、回帰モデル作成手段3は少なくとも一つの回帰モデルを有していればよいが、環境依存性の高い画像形成装置などを診断対象機器10とする場合には、環境区分毎に作成される回帰モデルを有することが好ましく、診断予測をより細かく行うという観点からすれば、環境区分毎の回帰モデルを故障要因で複数に分類するようにしてもよい。
In addition, as the regression model creation means 3, a regression model may be set using a known regression analysis. As a typical method, for example, a regression model is created using logistic regression analysis.
Furthermore, from the viewpoint of easily constructing a regression model in the regression model creation means 3, internal information when the diagnostic target device 10 fails is used as internal information of the diagnostic target device 10 used when creating the regression model. It is preferable to use the information including the internal information after repairing the failed diagnostic target device 10.
Furthermore, from the viewpoint of more accurately reflecting the influence of the season, the regression model creating means 3 is preferably one that updates the regression model. In this aspect, the renewal time may be regular or may be appropriately selected such as a customer designated time.
Further, the regression model creation means 3 only needs to have at least one regression model. However, when an image forming apparatus having a high environment dependency or the like is used as the diagnosis target device 10, the regression model creation means 3 is created for each environment category. It is preferable to have a model, and from the viewpoint of performing diagnosis prediction more finely, the regression model for each environment category may be classified into a plurality of failure factors.

また、指標変化数値化手段5にて数値化される指標変化パラメータとしては適宜選定して差し支えないが、故障予測指標の予め決められた閾値との差情報、故障予測指標の傾き変化情報及び所定期間中の故障予測指標の傾き変化回数情報の少なくとも一つ、好ましいは全てを用いるのがよい。
また、本実施の形態モデルの好ましい態様としては、故障予測診断装置1が、更に、故障対処についての顧客の習熟度状況をパラメータとして利用可能に数値化する顧客状況数値化手段7を備え、前記故障対処決定手段8が、前記指標変化数値化手段5、前記故障対処状況数値化手段6及び前記顧客状況7の各パラメータに基づいて診断対象機器10の故障対処の要否を決定するものが挙げられる。
更にまた、故障対処の要否結果を正確に把握するという観点からすれば、故障対処決定手段8にて決定された故障対象の要否結果が表示可能な表示手段9を備えるようにすることが好ましい。尚、この表示手段9に前記指標変化数値化手段5、前記故障対処状況数値化手段6及び前記顧客状況7の各パラメータを表示するようにしてもよいことは勿論である。
The index change parameter quantified by the index change digitizing means 5 may be selected as appropriate. However, the difference information with respect to a predetermined threshold of the failure prediction index, the inclination change information of the failure prediction index, and the predetermined It is preferable to use at least one, preferably all of the slope change count information of the failure prediction index during the period.
In addition, as a preferable aspect of the model of the present embodiment, the failure prediction diagnosis apparatus 1 further includes customer situation quantification means 7 that quantifies the customer proficiency status regarding failure handling as a parameter, The failure coping determination unit 8 determines whether or not the diagnosis target device 10 should be coping with the failure based on the parameters of the index change digitizing unit 5, the failure coping status digitizing unit 6 and the customer situation 7. It is done.
Furthermore, from the viewpoint of accurately grasping the necessity / unnecessary result of failure handling, a display means 9 capable of displaying the necessity / unnecessary result of the failure target determined by the failure handling determining means 8 may be provided. preferable. Of course, each parameter of the index change digitizing means 5, the failure handling situation digitizing means 6 and the customer situation 7 may be displayed on the display means 9.

以下、添付図面に示す実施の形態に基づいてこの発明をより詳細に説明する。
◎実施の形態1
図2は実施の形態1に係る故障予測診断システムの全体構成を示す。
同図において、故障予測診断システムは、複数の画像形成装置20(具体的には20(1),20(2),20(3)……20(n))と、これらに夫々通信可能な通信ネットワーク21を介して接続された保守センター22とを備えたものである。
本実施の形態において、保守センター22は、各画像形成装置20の故障予測状態を診断する故障予測診断装置40を有しており、この故障予測診断装置40は、各画像形成装置20からの管理情報を受け入れるための通信部41と、この通信部41で受け入れた管理情報や故障予測診断を行う上で必要な回帰モデルである回帰式などを格納する記憶部42と、各種入力操作を行うための入力部43と、前記入力部43からの故障予測診断要求に対する解析処理などを制御する解析処理/制御部44と、この解析処理/制御部44による処理結果などを表示する表示部45とを備えている。
Hereinafter, the present invention will be described in more detail based on embodiments shown in the accompanying drawings.
Embodiment 1
FIG. 2 shows the overall configuration of the failure prediction diagnosis system according to the first embodiment.
In the figure, the failure prediction diagnosis system can communicate with a plurality of image forming apparatuses 20 (specifically, 20 (1), 20 (2), 20 (3)... 20 (n)), respectively. A maintenance center 22 connected via a communication network 21 is provided.
In the present embodiment, the maintenance center 22 has a failure prediction diagnosis device 40 for diagnosing the failure prediction state of each image forming apparatus 20, and this failure prediction diagnosis apparatus 40 is managed by each image forming apparatus 20. A communication unit 41 for receiving information, a storage unit 42 for storing management information received by the communication unit 41, a regression equation as a regression model necessary for performing failure prediction diagnosis, and various input operations An input processing unit 43, an analysis processing / control unit 44 for controlling analysis processing for a failure prediction diagnosis request from the input unit 43, and a display unit 45 for displaying processing results by the analysis processing / control unit 44. I have.

また、本実施の形態において、画像形成装置20は、図3に示すように、例えば電子写真方式などの作像部31にて記録材としての例えば用紙に画像を形成するものであり、作像処理プログラムなどを格納する記憶部32、故障予測診断装置40との通信を可能とする通信部33と、作像部31、記憶部32及び通信部33を制御する制御部34とを備えている。
更に、制御部34には、画像形成装置20の内部若しくは周辺温度を検出するための温度検出器36、画像形成装置20の内部若しくは周辺湿度を検出するための湿度検出器37、用紙の搬送経路に設けられて用紙の搬送制御やジャム処理時に使用される位置検出器38及び用紙の枚数を計数するための用紙計数器39が接続されている。
そして、制御部34は、記憶部32に予め格納されている作像プログラムに従って作像部31による作像処理を行ったり、記憶部32に対して画像形成装置20の動作管理上必要な管理情報を格納処理したり、あるいは、故障予測診断装置40に対して管理情報を送信処理したりするようになっている。
In the present embodiment, as shown in FIG. 3, the image forming apparatus 20 forms an image on, for example, a sheet as a recording material in an image forming unit 31 such as an electrophotographic system. A storage unit 32 that stores processing programs and the like, a communication unit 33 that enables communication with the failure prediction / diagnosis device 40, and a control unit 34 that controls the image forming unit 31, the storage unit 32, and the communication unit 33 are provided. .
Further, the control unit 34 includes a temperature detector 36 for detecting the temperature inside or around the image forming apparatus 20, a humidity detector 37 for detecting the humidity inside or around the image forming apparatus 20, and a paper conveyance path. Are connected to a position detector 38 used for paper conveyance control and jam processing, and a paper counter 39 for counting the number of paper sheets.
The control unit 34 performs image forming processing by the image forming unit 31 in accordance with an image forming program stored in the storage unit 32 in advance, or management information necessary for operation management of the image forming apparatus 20 with respect to the storage unit 32. Is stored, or management information is transmitted to the failure prediction diagnosis apparatus 40.

上述した管理情報としては、画像形成装置20の内部情報に加えて、温度検出器36からの温度情報及び湿度検出器37からの湿度情報からなる環境情報、更には、画像形成装置の機械番号、及び、これらのデータ収集日情報が利用されている。
ここで、画像形成装置20の内部情報について補足すると、画像形成装置20が、動作状態によって自動的に送出する警告(ウォーニング)やフェイル信号、制御に利用されている各設定値や観測値などが装置内にある記憶部32としての不揮発性メモリに記憶されている。例えばフェイル信号なら、システムフェイル、ローカルフェイル、用紙ジャムフェイル、原稿ジャムフェイルの4種があり、それぞれの種類に対して、約20〜30程度のフェイルがある。これらは、画像形成装置20内に設けられた各種検出器(例えば位置検出器38)やプログラムによって検出され、フェイルの内容と回数、又、過去に生じたフェイルの履歴もフェイル発生時の用紙カウント数とともに画像形成装置20内に記憶されており、最新の一定(例えば各種類20個)のフェイル数が保持されている。
As the management information described above, in addition to the internal information of the image forming apparatus 20, environmental information including temperature information from the temperature detector 36 and humidity information from the humidity detector 37, and further, a machine number of the image forming apparatus, And these data collection date information is used.
Here, supplementing the internal information of the image forming apparatus 20, there is a warning (warning) or a fail signal that the image forming apparatus 20 automatically sends depending on the operation state, each set value or observation value used for control, and the like. It is stored in a non-volatile memory as a storage unit 32 in the apparatus. For example, there are four types of fail signals: system failure, local failure, paper jam failure, and document jam failure. There are about 20-30 failures for each type. These are detected by various detectors (for example, the position detector 38) and a program provided in the image forming apparatus 20, and the content and number of failures and the history of failures that occurred in the past are also counted as the paper count when the failure occurs. The number is stored in the image forming apparatus 20 together with the number, and the latest fixed number of failures (for example, 20 for each type) is held.

図4に画像形成装置20の内部情報の一例を示す。
同図において、フェイル情報とは、画像形成装置20の各部で生ずる故障情報を示す。
IOT_LogicFail:画像出力部での故障
ESS_FanFail:電送サブシステム(画像信号生成器)のファン故障
SoftFail:ソフトウエア上の故障
SensorC_Fail:センサ故障
USB_Open_Fail:USBケーブルの接続故障
CommunicationFail:通信フェイル(例えば画像出力部と画像読取部との間の通信フェイルなど)
また、ジャム情報とは用紙の搬送経路各部に設けられている位置検出器38からのジャム検出情報である。
Fuser_Jam:作像部31の定着部位でのジャム
Regi_Jam:作像部31の位置合わせロール(レジストロール)におけるジャム
FeedOut_Jam:用紙供給部でのジャム
Exit_Jam:排出ロール付近でのジャム
TakeAway_Jam:所定の搬送ロールでのジャム
更に、現在カウンタ値−異常発生時カウンタ値に関する情報は、正常に作像処理が行われた枚数を示す情報である。
FIG. 4 shows an example of internal information of the image forming apparatus 20.
In the figure, failure information indicates failure information that occurs in each part of the image forming apparatus 20.
IOT_LogicFail: Failure in the image output unit ESS_FanFail: Fan failure in the transmission subsystem (image signal generator) SoftFail: Failure in the software SensorC_Fail: Sensor failure USB_Open_Fail: Connection failure in the USB cable Communication Fail (for example, communication fail in the communication unit) Communication failure with image reader)
The jam information is jam detection information from the position detector 38 provided in each part of the sheet conveyance path.
Fuser_Jam: Jam at the fixing portion of the image forming unit 31 Regi_Jam: Jam on the alignment roll (registration roll) of the image forming unit 31 FeedOut_Jam: Jam at the paper supply unit Exit_Jam: Jam near the discharge roll TakeAway_Jam: Predetermined transport roll Further, the information on the current counter value−the counter value at the time of occurrence of abnormality is information indicating the number of sheets that have been normally imaged.

また、本実施の形態では、故障予測診断装置40の制御部44は図5に示すような各処理を実行するようになっている。
(1)管理情報要求処理(ステップ51〜53参照)
これは、診断対象となる画像形成装置20に対して定期的に管理情報要求信号を送信し、これに伴って、画像形成装置20側から管理情報を受信し、受信した管理情報を記憶部42に格納するものである。
(2)回帰式作成(ステップ54参照)
これは、例えば図6に示すように、故障して修理依頼のあった画像形成装置20の内部情報(故障内部情報とする)を温度湿度データとともに収集する。その後、修理されて正常に動作している画像形成装置20の内部情報(正常内部情報とする)を温度湿度データとともに収集する。
このとき、複数台の画像形成装置20から内部情報、温度湿度データを抽出することが好ましい。
また、温度湿度データは、例えば温度データなら20℃から65℃の程度、湿度データなら124から135(任意の相対値)の値で分布している。
本実施の形態では、例えば図7に示すように、温度データ領域を3分割、湿度データ領域を3分割し、9つの環境区分A〜Iに分ける。
尚、図7において、一つの点は同じ温度、湿度にある複数台の画像形成装置を示し、この例では中央の環境区分Eに全体の約50%の画像形成装置が含まれている。
図7において、9つの環境区分A〜Iに入る画像形成装置の故障内部情報と正常内部情報とを使って、環境区分A〜I毎に9通りの故障危険度の回帰モデルとしての回帰式を作成する。
ここで、回帰式としては、例えば図8に示すように、ロジスティック回帰分析を利用したものが採用される。
作成された故障危険度の回帰式は識別番号が付されて記憶部42に格納される。
Further, in the present embodiment, the control unit 44 of the failure prediction / diagnosis apparatus 40 executes each process as shown in FIG.
(1) Management information request processing (see steps 51 to 53)
This periodically transmits a management information request signal to the image forming apparatus 20 to be diagnosed, and accordingly, receives management information from the image forming apparatus 20 side, and stores the received management information in the storage unit 42. To be stored.
(2) Regression formula creation (see step 54)
For example, as shown in FIG. 6, the internal information of the image forming apparatus 20 that has been requested for repair due to failure (collected as failure internal information) is collected together with temperature and humidity data. Thereafter, internal information of the image forming apparatus 20 that has been repaired and is operating normally (collected as normal internal information) is collected together with temperature and humidity data.
At this time, it is preferable to extract internal information and temperature / humidity data from a plurality of image forming apparatuses 20.
The temperature / humidity data is distributed, for example, in the range of 20 ° C. to 65 ° C. for temperature data and 124 to 135 (arbitrary relative value) for humidity data.
In the present embodiment, for example, as shown in FIG. 7, the temperature data area is divided into three and the humidity data area is divided into three and divided into nine environmental categories A to I.
In FIG. 7, one point indicates a plurality of image forming apparatuses having the same temperature and humidity. In this example, the central environmental section E includes approximately 50% of the image forming apparatuses.
In FIG. 7, using the failure internal information and normal internal information of the image forming apparatus falling into nine environment categories A to I, regression equations as regression models of nine failure risks for each of the environment categories A to I are obtained. create.
Here, for example, as shown in FIG. 8, a regression equation using logistic regression analysis is employed.
The created regression formula of failure risk is assigned an identification number and stored in the storage unit 42.

このように、本実施の形態では、環境区分A〜I毎に一つの回帰モデルを作成する方式を採用すればよいが、より細かい故障予測診断を行うという観点からすれば、環境区分A〜I毎に故障要因に関連して更にカテゴリー分けし、夫々のカテゴリーに対して故障危険度の回帰式を作成する方式が好ましい。
つまり、故障危険度の回帰式作成には、上述したように過去の故障事例における画像形成装置の内部情報を用いることになるが、過去に故障した画像形成装置は、故障個所や故障要因がわかっているので、例えば故障要因を、紙送りトラブル(ジャムトラブル)、画質トラブル、機械トラブル等のカテゴリーに分け、夫々のトラブルを生じた画像形成装置の内部情報を利用して回帰式を作成するようにすればよい。
As described above, in this embodiment, a method of creating one regression model for each of the environmental classifications A to I may be adopted. However, from the viewpoint of performing a more detailed failure prediction diagnosis, the environmental classifications A to I are used. It is preferable to further categorize each failure factor in relation to each other and create a regression equation of failure risk for each category.
In other words, as described above, the internal information of the image forming apparatus in the past failure cases is used to create the regression formula of the failure risk, but the image forming apparatus that has failed in the past knows the failure location and the failure factor. So, for example, failure factors are divided into categories such as paper feeding troubles (jam troubles), image quality troubles, machine troubles, etc., and regression equations are created using the internal information of the image forming apparatus that caused each trouble. You can do it.

例えば紙送りトラブルであれば、紙送りトラブルの故障危険度の回帰式を作成する。紙送りトラブルに関する内部情報は、用紙ジャムフェイル、原稿ジャムフェイル、フェイル時のフィード数の間隔、ローカルフェイル(用紙位置を検出する位置検出器に関するフェイル)、消耗品の限界率等が挙げられる。ここで、消耗品の限界率とは、紙送りに用いられるロール、ソレノイド、モータ等の限界使用回数で現在の使用回数を割った値を意味する。
したがって、紙送りトラブルの故障危険度P(図8中のDに相当)の回帰式は、
紙送りトラブルの故障危険度P=1/(1+exp(−X))
但し、X=A1×(用紙ジャムフェイル数の合計)+B1×(原稿ジャムフェイル数の合計)+C1×(フェイル間のフィード数の平均)+D1×(紙送り全フィード数の合計)+E1×(消耗品の限界率)
そして、A1〜E1の係数は、過去の故障事例の内部情報を利用して決定するようにすればよい。
このとき、画像形成装置の過去の故障事例で、サービスエンジニア(サービスマン)が紙送りトラブルの保守点検を実施する前の内部情報と保守点検を実施した後の内部情報(一部の内部情報は再設定される)から、保守点検前ならP=1とし、保守点検後ならP=0としてA1〜E1の係数(図8中のK1〜K3に相当)を求める。この手順は通常ロジスティック回帰分析と呼ばれている。
For example, in the case of a paper feed trouble, a regression equation of the failure risk of the paper feed trouble is created. The internal information related to the paper feeding trouble includes a paper jam failure, a document jam failure, a feed number interval at the time of failure, a local failure (failure related to a position detector for detecting the paper position), a consumable limit rate, and the like. Here, the limit rate of consumables means a value obtained by dividing the current use count by the limit use count of a roll, solenoid, motor, or the like used for paper feeding.
Therefore, the regression equation of the failure risk P (corresponding to D in FIG. 8) of the paper feed trouble is
Failure risk P = 1 / (1 + exp (−X))
However, X = A1 × (total number of paper jam failures) + B1 × (total number of document jam failures) + C1 × (average number of feeds between failures) + D1 × (total number of all paper feeds) + E1 × (consumption Product margin rate)
The coefficients A1 to E1 may be determined using internal information of past failure cases.
At this time, in the past failure cases of the image forming device, the internal information before the service engineer performs the maintenance check of the paper feed trouble and the internal information after the maintenance check (some internal information is Therefore, the coefficient of A1 to E1 (corresponding to K1 to K3 in FIG. 8) is obtained with P = 1 before maintenance inspection and P = 0 after maintenance inspection. This procedure is usually called logistic regression analysis.

また、画質トラブルの故障危険度G(図8中のDに相当)の回帰式は、画質にカテゴリ分けした内部情報を利用して作成される。
つまり、画質トラブルの故障危険度G=1/(1+exp(−Y))
但し、Y=A2×(システムフェイル数の合計)+B2×(ローカルフェイル数の合計)+C2×(画質に関わるセンサの測定値)+D2×(フェイル間のフィード数の平均)+E2×(消耗品の限界率)
ここでの消耗品の限界率は、画質に関わる消耗品で、ドラム、デベロッパー等の限界使用回数で現在の使用回数を割った値である。
そして、A2〜E2の係数(図8中のK1〜K3に相当)は、紙送りトラブルの場合と同様に過去の故障事例の内部情報を利用して決定するようにすればよい。
具体的には、サービスエンジニアが過去に画質トラブルで訪問した日前後の内部情報からロジスティック回帰分析手法を使って、A2〜E2の値を決定するようにすればよい。
尚、過去の内部情報に関するデータが少ない場合には上述したように計算ができないことがある。更に、機種によって画像形成装置の特性が異なるので、新規の新しい画像形成装置導入時などの場合には、過去の故障事例の内部情報に関するデータがないので、他の機種の内部情報に関するデータを用いてもよい。
Further, the regression equation of the failure risk degree G (corresponding to D in FIG. 8) of the image quality trouble is created using internal information categorized into image quality.
In other words, failure risk G = 1 / (1 + exp (−Y)) for image quality trouble
However, Y = A2 × (total number of system failures) + B2 × (total number of local failures) + C2 × (sensor measurement value related to image quality) + D2 × (average number of feeds between failures) + E2 × (consumables Marginal rate)
The consumable limit rate here is a consumable item related to image quality, and is a value obtained by dividing the current use count by the limit use count of drums, developers, and the like.
Then, the coefficients A2 to E2 (corresponding to K1 to K3 in FIG. 8) may be determined using internal information of past failure cases as in the case of the paper feed trouble.
Specifically, the values of A2 to E2 may be determined by using the logistic regression analysis method from the internal information before and after the day when the service engineer visited in the past due to the image quality trouble.
In addition, when there is little data regarding past internal information, calculation may not be possible as described above. Furthermore, since the characteristics of the image forming apparatus differ depending on the model, when there is a new new image forming apparatus introduced, there is no data regarding internal information of past failure cases, so data regarding internal information of other models is used. May be.

(3)故障予測診断処理(図5ステップ55〜ステップ61)
これは、例えばサービスエンジニアが診断対象である画像形成装置について故障予測診断を要求するような場合の処理である。
このとき、サービスエンジニアは、診断対象である画像形成装置の機械番号、データ収集日を入力部43から入力するようにすればよく、解析処理/制御部44は、記憶部42にある該当する内部情報、環境情報(温度湿度データ)を抽出し、環境情報(温度湿度データ)に基づいて、故障危険度の回帰式の選定を行い、選定した回帰式に、環境情報と一緒に抽出した内部情報を入力して、環境情報に基づいた故障危険度を算出し、その値を表示部45の画面にて参照可能に表示する。
このとき、記憶部42に格納されている故障危険度の回帰式は、環境区分A〜I毎によって複数作成されており、識別番号とともに記憶部42に格納されている。このため、環境情報がわかれば識別番号に対応でき、回帰式を選定することができる。
(3) Failure prediction diagnosis processing (step 55 to step 61 in FIG. 5)
This is a process when, for example, a service engineer requests failure prediction diagnosis for an image forming apparatus to be diagnosed.
At this time, the service engineer may input the machine number of the image forming apparatus to be diagnosed and the data collection date from the input unit 43, and the analysis processing / control unit 44 stores the corresponding internal data in the storage unit 42. Information, environmental information (temperature / humidity data) is extracted, and a regression formula for failure risk is selected based on the environmental information (temperature / humidity data). Internal information extracted along with the environmental information in the selected regression formula Is input, the failure risk based on the environmental information is calculated, and the value is displayed on the screen of the display unit 45 so that it can be referred to.
At this time, a plurality of regression equations of failure risk stored in the storage unit 42 are created for each of the environmental categories A to I, and are stored in the storage unit 42 together with the identification numbers. For this reason, if environmental information is known, it can respond to an identification number and a regression equation can be selected.

更に、算出した故障危険度は、記憶部42に機械番号、データ収集日、選定された回帰式の識別番号とともに格納され、表示部45に機械番号、データ収集日とともに故障危険度が表示される。
但し、診断対象となる画像形成装置の機械番号とデータ収集日から既に故障危険度が計算され、記憶部42に格納されている場合には、記憶部42から故障危険度を読み出し、表示部45に機械番号、データ収集日とともに故障危険度を表示することが可能である。
ここで、故障危険度の過去の履歴をグラフ化して表示する場合には、入力部43から機械番号と表示したい日付の範囲を指定すればよく、上述の計算を自動的に繰り返し表示部45に過去の履歴に相当するグラフを表示することが可能である(例えば図14参照)。
特に、故障危険度の回帰式として、故障要因毎にカテゴリーを分類した態様にあっては、紙送りトラブルの故障危険度が、画質トラブルの故障危険度より大きな確率であれば、紙送りトラブルでの故障危険度が高いと判断でき、故障危険度の値を算出することができる。この値は、内部情報を与えたときにサービスエンジニアが保守点検が必要か否かの判定基準とすることができる(例えば図14参照)。
Further, the calculated failure risk is stored in the storage unit 42 together with the machine number, data collection date, and identification number of the selected regression equation, and the failure risk is displayed on the display unit 45 together with the machine number and data collection date. .
However, when the failure risk is already calculated from the machine number of the image forming apparatus to be diagnosed and the data collection date and stored in the storage unit 42, the failure risk is read from the storage unit 42 and displayed on the display unit 45. It is possible to display the failure risk along with the machine number and date of data collection.
Here, when the past history of failure risk is displayed in a graph, the machine number and the date range to be displayed may be designated from the input unit 43, and the above calculation is automatically repeated on the display unit 45. A graph corresponding to the past history can be displayed (for example, see FIG. 14).
In particular, as a regression formula of failure risk, in the case where the category is classified for each failure factor, if the failure risk of the paper feed trouble is greater than the failure risk of the image quality trouble, the paper feed trouble It is possible to determine that the risk of failure is high, and the value of the risk of failure can be calculated. This value can be used as a criterion for determining whether the service engineer needs maintenance or inspection when internal information is given (see, for example, FIG. 14).

このとき、故障危険度は0〜1の間の確率値として表示され、その値によって画像形成装置の故障予測状態を示す。
所定の閾値(例えば0.5)未満ではサービスエンジニアが顧客を訪問する必要がないと判断することが可能である。また、例えば0.5以上0.6以下の場合には、顧客まで訪問しなくても注意が必要ということでその診断対象である画像形成装置を見守ることができる。また、所定の閾値(例えば0.6)を超えた場合には、たとえ顧客から連絡がなくても、サービスエンジニアが顧客まで訪問し、予防メンテナンスを行うという手法が従前から行われている一般的手法である。
At this time, the failure risk is displayed as a probability value between 0 and 1, and the failure prediction state of the image forming apparatus is indicated by the value.
If it is less than a predetermined threshold (for example, 0.5), it can be determined that the service engineer does not need to visit the customer. Further, for example, in the case of 0.5 or more and 0.6 or less, it is possible to watch the image forming apparatus as the diagnosis target because attention is necessary without visiting a customer. In addition, when a predetermined threshold value (for example, 0.6) is exceeded, a method in which a service engineer visits a customer and performs preventive maintenance even if the customer does not contact is generally used. It is a technique.

しかし、予防メンテナンスが必要か否かの判定には、画像形成装置の故障危険度だけでなく、その危険が迫っている程度を示す緊急度も必要になる。予防メンテナンスの判定に故障危険度の閾値のみ用いる方式では、その緊急度が適切に反映されない点で好ましいとは言えない。緊急度を適切に反映することは、市場にある多数の画像形成装置をメンテナンスする優先順位を決める場合や限られたサービスエンジニアを効率的に活用する上でも非常に重要な課題である。
例えば、故障危険度がゆっくり1ヶ月をかけて上昇して閾値を超える場合と、故障危険度が1日で殆どゼロから閾値を超える場合とでは、後者の緊急性が高いことは過去の事例から見ても明らかである。
また、サービスエンジニアの訪問状況、顧客状況によっても、サービスエンジニア派遣の緊急度が異なってくる。例えばサービスエンジニアが2ヶ月に1回訪問する画像形成装置と2週間に1回訪問する画像形成装置とでは、故障危険度が同じであっても、同じ緊急度とは言えないことは明らかである。
ここで、顧客状況とは、画像形成装置のトラブルに対する顧客の習熟度である。画像形成装置の使用目的によっても異なってくるが、ジャムを簡単にクリアできる習熟した顧客とそうでない顧客とでは、同じ故障危険度が表示されたとしても、同じ緊急度ではない。未熟顧客の方がサービスエンジニア派遣の緊急度が高いことは明らかである。
そこで、本実施の形態にあっては、これらの故障危険度の経時変化、サービスエンジニアの訪問状況、顧客状況を夫々パラメータ化、つまりパラメータとして利用可能に数値化し、例えば図9に示すベイジアンネットワークによる確率推論エンジンでサービスエンジニア派遣の要否を決定する方式が採用されている(図5ステップ61参照)。
However, in determining whether or not preventive maintenance is necessary, not only the failure risk level of the image forming apparatus but also the urgency level indicating the level of the danger is required. The method of using only the failure risk threshold for the preventive maintenance determination is not preferable in that the urgency is not appropriately reflected. Appropriately reflecting the degree of urgency is a very important issue when deciding the order of priority for maintaining a large number of image forming apparatuses on the market and for efficiently utilizing a limited service engineer.
For example, when the risk of failure rises slowly over one month and exceeds the threshold, and when the risk of failure exceeds the threshold from almost zero in one day, the latter is highly urgent from past cases. It is clear even if it sees.
In addition, the urgency of dispatching a service engineer varies depending on the service engineer visit status and customer status. For example, it is clear that an image forming apparatus that a service engineer visits once every two months and an image forming apparatus that visits once every two weeks cannot be said to have the same degree of urgency even if the risk of failure is the same. .
Here, the customer status is a customer's proficiency level with respect to troubles in the image forming apparatus. Although it differs depending on the purpose of use of the image forming apparatus, even if the experienced customer who can easily clear the jam and the customer who is not the same, even if the same failure risk is displayed, it is not the same urgency. It is clear that immature customers are more urgent to dispatch service engineers.
Therefore, in the present embodiment, the change in failure risk over time, the visit status of the service engineer, and the customer status are parameterized, that is, converted into numerical values that can be used as parameters, for example, using the Bayesian network shown in FIG. A method of determining the necessity of dispatching a service engineer using a probabilistic inference engine is employed (see step 61 in FIG. 5).

−サービスエンジニア派遣要否決定処理−
本実施の形態において、サービスエンジニア派遣要否の決定処理は、例えば図9に示すように、故障危険度の状況、サービスエンジニアの訪問状況、顧客状況のパラメータに基づいて、ベイジアンネットワークによる確率推論エンジンに組み込まれた条件付確率表を参照し、サービスエンジニア派遣要否の確率を求め、その確率値によってサービスエンジニアの派遣要否を決定するものである。
ここで、故障危険度の状況は、故障危険度の経時変化の閾値との差、傾き変化、一定期間中の傾き変化回数につき、例えば図10(a)に示すルールに従ってパラメータ化するようにしたものである。
また、サービスエンジニアの訪問状況は、日常的な保守メンテナンスの回数頻度を例えば図10(b)のルールに従ってパラメータ化した。
更に、顧客状況は、顧客の習熟度につき例えば図10(c)のルールに従ってパラメータ化するようにしたものである。
-Service engineer dispatch necessity decision processing-
In this embodiment, the service engineer dispatch necessity determination process is performed by a Bayesian network probability inference engine based on failure risk level, service engineer visit status, and customer status parameters, as shown in FIG. 9, for example. , The probability of the necessity of dispatching the service engineer is obtained with reference to the conditional probability table incorporated in the table, and the necessity of dispatching the service engineer is determined based on the probability value.
Here, the situation of the failure risk is parameterized according to the rule shown in FIG. 10A, for example, the difference from the failure change threshold with respect to the threshold, the change in inclination, and the number of changes in the inclination during a certain period. Is.
The service engineer visit status is parameterized according to the rule of FIG. 10B, for example, the frequency of daily maintenance.
Further, the customer situation is parameterized according to the rules shown in FIG.

図9に示すベイシアンネットワークのノードは、サービスエンジニア派遣要否、故障危険度の状況、サービスエンジニアの訪問状況、顧客状況、閾値との差、傾き変化、変化回数の7つである。
ここで、閾値との差、傾き変化、変化回数のノードは、故障危険度の状況の原因ノードとなり、故障危険度の状況、サービスエンジニアの訪問状況、顧客状況のノードがサービスエンジニア派遣要否ノードの原因ノードとなる構成になっている。
そして、閾値との差、傾き変化、変化回数のノードは故障危険度のパラメータから抽出されるデータである。更に、サービスエンジニアの訪問状況、顧客状況のノードへのデータは過去の経験値をインプットする。これらのデータは保守センター22の故障予測診断装置40の記憶部42に格納されている。これらのデータは機械番号から検索できるように格納されている。
ベイジアンネットワークでは図11に示すようにサービスエンジニア派遣要否の決定処理が順次行われる。
このとき、ベイジアンネットワークで確率を計算するノードは、故障危険度の状況及びサービスエンジニア派遣要否であるが、故障危険度の状況の値は中間ノードなので結果は不要である。最終的に必要な結果はサービスエンジニア派遣要否の確率である。そして、サービスエンジニア派遣要否の確率が算出されると、この値と予め設定している閾値(例えば50%)より大きい場合は、サービスエンジニアを派遣し、前記閾値以下である場合にはサービスエンジニア派遣不要という判断を行う。
The nodes of the Bayesian network shown in FIG. 9 are seven: service engineer dispatch necessity, failure risk status, service engineer visit status, customer status, difference from threshold, slope change, and number of changes.
Here, the difference between the threshold, the change in slope, and the number of changes are the cause nodes of the failure risk status, and the failure risk status, service engineer visit status, and customer status nodes are service engineer dispatch necessity nodes It becomes the configuration which becomes the cause node.
The nodes of the difference from the threshold, the slope change, and the number of changes are data extracted from the failure risk parameter. Furthermore, past experience values are input as data to the service engineer visit status and customer status nodes. These data are stored in the storage unit 42 of the failure prediction / diagnosis device 40 of the maintenance center 22. These data are stored so that they can be searched from the machine number.
In the Bayesian network, as shown in FIG. 11, processing for determining whether or not a service engineer is dispatched is sequentially performed.
At this time, the nodes that calculate the probability in the Bayesian network are the failure risk level and the necessity of dispatching the service engineer. However, the value of the failure risk level is an intermediate node, so the result is unnecessary. The final required result is the probability of needing a service engineer. When the probability of necessity of dispatching a service engineer is calculated, if this value is larger than a preset threshold value (for example, 50%), a service engineer is dispatched. Judge that dispatch is unnecessary.

また、故障予測診断装置40内の記憶部42には、サービスエンジニアに付けられたコード番号と機械番号が関連づけられたデータが格納されており、入力部43からサービスエンジニアが自分のコードを入力すると、担当している機械番号の一覧を故障危険度とともに表示部45に表示でき、保守点検の予防が必要な画像形成装置の全てを把握することが可能である(例えば図14参照)。
更に、故障予測診断装置40内の記憶部42には、地域コードと機械番号とが関連づけられたデータが格納されており、入力部43から該当画像形成装置が設置されている地域を特定できるコード、即ち地域コードを入力すると、地域にある機械番号の一覧を故障危険度とともに表示部45に表示でき、保守点検の予防が必要な画像形成装置の全てを把握することが可能である。
The storage unit 42 in the failure prediction diagnosis apparatus 40 stores data in which the code number assigned to the service engineer and the machine number are associated with each other, and when the service engineer inputs his / her code from the input unit 43. A list of machine numbers in charge can be displayed on the display unit 45 together with the risk of failure, and all the image forming apparatuses that need to be prevented from being inspected can be grasped (see, for example, FIG. 14).
Further, the storage unit 42 in the failure prediction diagnosis apparatus 40 stores data in which the area code and the machine number are associated with each other, and the code that can specify the area where the image forming apparatus is installed from the input unit 43. In other words, when the area code is input, a list of machine numbers in the area can be displayed on the display unit 45 together with the failure risk level, and it is possible to grasp all of the image forming apparatuses that require prevention of maintenance and inspection.

(4)故障危険度の閾値変更処理
故障危険度の閾値については、図5のステップ62に示すように、画像形成装置の機種によって特性が異なるため、実際に運用されてから閾値を変更可能にすることが好ましい。
(4) Failure Risk Threshold Change Processing As shown in step 62 of FIG. 5, the failure risk threshold value has different characteristics depending on the model of the image forming apparatus, so that the threshold value can be changed after actual operation. It is preferable to do.

(5)回帰式の更新(ステップ54参照)
画像形成装置で生じるフェイルの数は、使用条件、環境条件によっても変化することが経験的に知られているので、故障危険度算出のための回帰式は、定期的に更新される必要がある。例えばジャムフェイルは、湿度の関係から冬場増加することがわかっているので、季節の影響を反映させることを考えれば、定期的(例えば1ヶ月毎で)又は不定期的に回帰式を再算出する方法がより好ましい。このとき、故障危険度の閾値を変更してフェイルの変化に対応させることも可能であるが、回帰式を更新したほうがより良い。
(5) Update regression equation (see step 54)
Since it is empirically known that the number of failures occurring in an image forming apparatus also changes depending on use conditions and environmental conditions, the regression equation for calculating the risk of failure needs to be updated periodically. . For example, jam failure is known to increase in the winter due to the relationship of humidity, so re-calculating the regression equation regularly (for example, every month) or irregularly when considering the influence of the season The method is more preferred. At this time, it is possible to change the failure risk threshold to cope with a change in the failure, but it is better to update the regression equation.

◎変形形態
実施の形態1では、回帰モデルとして環境情報に応じて複数に分けられたものを使用しているが、これに限られるものではなく、一つの回帰モデルを用いるようにしてもよい。
また、実施の形態1では、サービスエンジニア派遣要否の決定処理にあたり、顧客状況を加味しているが、これに限られるものではなく、顧客状況を用いないようにしてもよい。
更に、実施の形態1に係る故障予測診断システムの変形形態を図12に示す。
同図においては、故障予測診断システムは、保守センター22の故障予測診断装置40だけでなく、サービスエンジニアが所有している携帯情報端末70(例えばノートパソコン70a、PDA70b、携帯電話等)から通信ネットワーク21を介して、故障危険度の情報を収集することが可能である。
この場合、サービスエンジニアが自分のコードを入力することで故障予測診断装置40にアクセスし、一連の故障予測診断処理などを行うようにすればよい。
In the first embodiment, a regression model divided into a plurality according to environmental information is used. However, the present invention is not limited to this, and a single regression model may be used.
In the first embodiment, the customer engineer is taken into consideration in the process of determining whether or not the service engineer is dispatched. However, the present invention is not limited to this, and the customer situation may not be used.
Furthermore, a modified form of the failure prediction diagnosis system according to Embodiment 1 is shown in FIG.
In the figure, the failure prediction diagnosis system includes a communication network from not only the failure prediction diagnosis device 40 of the maintenance center 22 but also a portable information terminal 70 (for example, a notebook personal computer 70a, a PDA 70b, a mobile phone, etc.) owned by a service engineer. It is possible to collect information on the degree of failure risk via 21.
In this case, the service engineer may input his / her code to access the failure prediction diagnosis apparatus 40 and perform a series of failure prediction diagnosis processes.

図13は画像形成装置のジャムなど紙送りトラブルでサービスエンジニアが顧客訪問した回数を示した棒グラフである。
同図において、画像形成装置導入開始XX年5月からZZ年5月までの数年間にわたって徐々に増加傾向にある。
これは消耗によるトラブルと考えられる。
また、図13によれば、季節によって周期性も認められる。例えば5〜8月にかけて訪問回数は少なくなり、11〜2月にかけて増加している。6月と1月では約2倍の差がある。
これは、周囲の環境情報(温度湿度)の影響により、画像形成装置内の温度湿度も影響を受け、紙送りトラブルの発生回数が変化するものと考えられる。
FIG. 13 is a bar graph showing the number of times a service engineer visits a customer due to a paper feed trouble such as a jam in the image forming apparatus.
In the figure, there is a gradual increase over several years from the beginning of the introduction of the image forming apparatus from May XX to May ZZ.
This is considered a trouble due to wear.
Moreover, according to FIG. 13, periodicity is recognized according to the season. For example, the number of visits decreases from May to August, and increases from 11 to February. There is a difference of about twice between June and January.
This is considered to be due to the influence of ambient environmental information (temperature and humidity), which also affects the temperature and humidity in the image forming apparatus, and the number of occurrences of paper feeding troubles changes.

このような状態において、実施の形態1で示すような故障予測診断システム、特には各環境区分A〜I毎に故障要因に応じて更にカテゴリー分けし、例えば紙送りトラブル/画質トラブルの故障危険度の回帰式を設定し、これを選定して夫々の故障危険度を所定の日数に亘ってプロットしたところ、図14に示すような結果が得られた。
同図において、例えば故障危険度が60%を超え且つ緊急性が高い状況下で、サービスエンジニアの派遣を決定したところ、2月16日の紙送りトラブルにおいてサービスエンジニアを派遣することになり、サービスエンジニアによる保守点検作業が行われる。
この状況において、翌日には、サービスエンジニアによる保守点検作業が完了しているため、故障危険度が0になっている。
このように、本実施例によれば、故障が発生する前に、サービスエンジニアが顧客の下に訪問して保守点検を行うことが可能になる。つまり、サービスエンジニアが訪問計画をたて効率的に顧客を訪問し保守点検を行うことが可能になるので、サービスコストの大幅な低減、画像形成装置のダウンタイムの大幅な低減、更には、顧客満足度の向上につながることが理解される。
In such a state, a failure prediction diagnosis system as shown in the first embodiment, in particular, further classified into categories according to failure factors for each of the environmental classifications A to I, for example, failure risk of paper feed trouble / image quality trouble 14 was selected, and each failure risk was plotted over a predetermined number of days. As a result, the results shown in FIG. 14 were obtained.
In the figure, for example, when the failure risk exceeds 60% and the urgency is high, it is decided to dispatch a service engineer. Maintenance inspection work is performed by engineers.
In this situation, on the next day, since the maintenance inspection work by the service engineer is completed, the failure risk is 0.
As described above, according to the present embodiment, before a failure occurs, a service engineer can visit a customer to perform a maintenance inspection. In other words, the service engineer can make a visit plan and visit the customer efficiently and perform maintenance inspection, so that the service cost is greatly reduced, the downtime of the image forming apparatus is greatly reduced, and further, the customer It is understood that it leads to improvement of satisfaction.

ここで、故障危険度の経時変化パターンを見てみると、例えば図15に示す状況では、閾値との差が閾値未満、傾き変化=10%/day以上、40%/day未満、一定期間中の傾き変化回数=1であるから、サービスエンジニア派遣が不要ということが理解される。
また、図16では、閾値との差が閾値以上、傾き変化は10%/day以上、40%/day未満、一定期間中の傾き変化回数=2であり、故障危険度が急嵯に上昇しているため、サービスエンジニア派遣の緊急性が高いということが理解される。
更に、図17では、閾値との差が閾値未満、傾き変化=10%/day、一定期間中の傾き変化回数=1以下であり、故障危険度が緩やかに上昇しているため、サービスエンジニア派遣の緊急性は低いということが理解される。
Here, looking at the temporal change pattern of failure risk, for example, in the situation shown in FIG. 15, the difference from the threshold value is less than the threshold value, the slope change = 10% / day or more, less than 40% / day, during a certain period. It is understood that the dispatch of the service engineer is not necessary because the number of changes in the inclination of the system is 1.
In FIG. 16, the difference from the threshold is greater than or equal to the threshold, the slope change is 10% / day or more and less than 40% / day, the number of slope changes during a certain period = 2, and the risk of failure suddenly increases. Therefore, it is understood that the urgency of dispatching service engineers is high.
Further, in FIG. 17, since the difference from the threshold is less than the threshold, the slope change = 10% / day, the number of slope changes during a certain period = 1 or less, and the failure risk increases moderately, the service engineer is dispatched. It is understood that the urgency of is low.

更にまた、本実施例における故障危険度の経時変化は、図18(a)(b)に示すように、比較例のフィルタ出力に比べて応答性が良好であることも確認された。
この比較例は、特許文献2のFIRフィルタ(Finite Impulse Response Filter:有限インパルス応答フィルタ)をハイパスフィルタとして使用し、以下のようなフィルタ条件にてフィルタ出力を算出したものであるが、抽出した変化部分の傾きが緩やかであり、ピークがフィルタ長の約1/2程度遅延していることが理解される。
但し、比較例のフィルタ条件は、q(フィルタ長)=9、xを入力、yを出力、
(フィルタ係数)=(a,a,a・・・a
=(-0.3,-0.225,-0.15,-0.075,0,0.075,0.15,0.225,0.3)とすると、以下の数1で表される。

Figure 2009003561
Furthermore, as shown in FIGS. 18 (a) and 18 (b), it was also confirmed that the responsiveness of the change over time in the failure risk in this example is better than the filter output of the comparative example.
In this comparative example, the FIR filter (Finite Impulse Response Filter) of Patent Document 2 is used as a high-pass filter, and the filter output is calculated under the following filter conditions. It is understood that the slope of the part is gentle and the peak is delayed by about ½ of the filter length.
However, the filter condition of the comparative example, q (filter length) = 9, enter the x t, outputs y t,
a j (filter coefficient) = (a 0 , a 1 , a 2 ... a q )
= (-0.3, -0.225, -0.15, -0.075,0,0.075,0.15,0.225,0.3), it is expressed by the following formula 1.
Figure 2009003561

本発明が適用される実施の形態モデルの故障予測診断システムの概要を示す説明図である。It is explanatory drawing which shows the outline | summary of the failure prediction diagnostic system of embodiment model to which this invention is applied. 実施の形態1に係る故障予測診断システムを示す説明図である。It is explanatory drawing which shows the failure prediction diagnostic system which concerns on Embodiment 1. FIG. 実施の形態1で用いられる画像形成装置の概要を示す説明図である。1 is an explanatory diagram showing an overview of an image forming apparatus used in Embodiment 1. FIG. 実施の形態1で用いられる画像形成装置の内部情報の一例を示す説明図である。2 is an explanatory diagram illustrating an example of internal information of an image forming apparatus used in Embodiment 1. FIG. 実施の形態1に係る故障予測診断システムの動作過程を示す説明図である。It is explanatory drawing which shows the operation | movement process of the failure prediction diagnostic system which concerns on Embodiment 1. FIG. 図5の回帰式作成処理の一例を示すフローチャートである。It is a flowchart which shows an example of the regression type preparation process of FIG. 実施の形態1で用いられる複数の回帰式の環境区分の一例を示す説明図である。6 is an explanatory diagram illustrating an example of an environment classification of a plurality of regression equations used in the first embodiment. FIG. 実施の形態1で用いられる回帰式を作成する際に用いられるロジスティック回帰分析の一例を示す説明図である。It is explanatory drawing which shows an example of the logistic regression analysis used when producing the regression type used in Embodiment 1. FIG. 図5のサービスエンジニア派遣要否決定処理を具現化するための推論エンジンの一例を示す説明図である。It is explanatory drawing which shows an example of the inference engine for embodying the service engineer dispatch necessity determination process of FIG. (a)〜(c)は図9の故障危険度の状況、サービスエンジニアの訪問状況、顧客状況のパラメータ化についてのルール例を示す説明図である。(A)-(c) is explanatory drawing which shows the example of a rule about the parameterization of the situation of failure risk of FIG. 9, the visit situation of a service engineer, and a customer situation. 図5のサービスエンジニア派遣要否決定処理の一例を示すフローチャートである。It is a flowchart which shows an example of the service engineer dispatch necessity determination process of FIG. 実施の形態1の変形形態に係る故障予測診断システムを示す説明図である。It is explanatory drawing which shows the failure prediction diagnostic system which concerns on the modification of Embodiment 1. 実施例におけるサービスエンジニアの訪問年月と訪問回数との関係の一例を示す説明図である。It is explanatory drawing which shows an example of the relationship between the visit date and the number of visits of the service engineer in an Example. 実施例における故障危険度の変化例を示す説明図である。It is explanatory drawing which shows the example of a change of the failure risk in an Example. 故障危険度の変化パターン1を示す説明図である。It is explanatory drawing which shows the change pattern 1 of failure risk. 故障危険度の変化パターン2を示す説明図である。It is explanatory drawing which shows the change pattern 2 of failure risk. 故障危険度の変化パターン3を示す説明図である。It is explanatory drawing which shows the change pattern 3 of failure risk. (a)(b)は実施例における故障危険度の変化パターンと比較例におけるフィルタ出力の変化パターンとを対比したグラフ図である。(A) (b) is the graph which contrasted the change pattern of the failure risk in an Example, and the change pattern of the filter output in a comparative example.

符号の説明Explanation of symbols

1…故障予測診断装置,2…情報収集手段,3…回帰モデル作成手段,4…指標算出手段,5…指標変化数値化手段,6…故障対処状況数値化手段,7…顧客状況数値化手段,8…故障対処決定手段,9…表示手段,10(10(1)〜10(n))…診断対象機器,11…通信ネットワーク   DESCRIPTION OF SYMBOLS 1 ... Failure prediction diagnostic apparatus, 2 ... Information collection means, 3 ... Regression model preparation means, 4 ... Index calculation means, 5 ... Index change numerical conversion means, 6 ... Failure handling situation numerical conversion means, 7 ... Customer situation numerical conversion means , 8... Failure handling determination means, 9... Display means, 10 (10 (1) to 10 (n))... Diagnosis target device, 11.

Claims (16)

動作管理上必要な内部情報が記憶可能な診断対象機器の故障予測状態を診断する故障予測診断装置であって、
診断対象機器の前記内部情報を収集する情報収集手段と、
この情報収集手段にて収集された診断対象機器の内部情報に基づき診断対象機器の故障予測状態に対応する故障予測指標が算出可能な回帰モデルを作成する回帰モデル作成手段と、
この回帰モデル作成手段にて作成された回帰モデルを用いて故障予測指標を算出する指標算出手段と、
この指標算出手段にて算出された故障予測指標の経時変化をパラメータとして利用可能に数値化する指標変化数値化手段と、
経時的な故障対処状況をパラメータとして利用可能に数値化する故障対処状況数値化手段と、
前記指標変化数値化手段及び前記故障対処状況数値化手段の各パラメータに基づいて診断対象機器の故障対処の要否を決定する故障対処決定手段とを備えることを特徴とする故障予測診断装置。
A failure prediction diagnosis device for diagnosing a failure prediction state of a diagnosis target device capable of storing internal information necessary for operation management,
Information collecting means for collecting the internal information of the device to be diagnosed;
A regression model creation means for creating a regression model capable of calculating a failure prediction index corresponding to the failure prediction state of the diagnosis target device based on the internal information of the diagnosis target device collected by the information collection means;
Index calculation means for calculating a failure prediction index using the regression model created by the regression model creation means;
Index change digitizing means for digitizing the change over time of the failure prediction index calculated by the index calculating means so that it can be used as a parameter;
Failure handling status quantification means for digitizing the failure handling status over time as a parameter,
A failure prediction diagnosis apparatus comprising failure handling determination means for determining whether or not failure handling of a diagnosis target device is necessary based on each parameter of the index change digitizing means and the failure handling status digitizing means.
請求項1記載の故障予測診断装置において、
更に、故障対処についての顧客の習熟度状況をパラメータとして利用可能に数値化する顧客状況数値化手段を備え、
前記故障対処決定手段は、前記指標変化数値化手段、前記故障対処状況数値化手段及び前記顧客状況の各パラメータに基づいて診断対象機器の故障対処の要否を決定するものであることを特徴とする故障予測診断装置。
In the failure prediction and diagnosis apparatus according to claim 1,
Furthermore, a customer situation quantification means is provided for quantifying the customer's proficiency status regarding troubleshooting as a parameter,
The failure handling determination means determines whether or not failure diagnosis of the diagnosis target device is necessary based on each parameter of the index change digitizing means, the failure handling status digitizing means, and the customer situation. Failure prediction diagnosis device.
請求項1又は2記載の故障予測診断装置において、
診断対象機器は搬送する記録材に対して画像を形成する画像形成装置であることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus, wherein the diagnosis target device is an image forming apparatus that forms an image on a recording material to be conveyed.
請求項1又は2記載の故障予測診断装置において、
故障予測指標は診断対象機器の故障に至る危険度合を示す故障危険度であることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
The failure prediction index is a failure risk level indicating a risk level that leads to a failure of the diagnosis target device.
請求項1又は2記載の故障予測診断装置において、
回帰モデル作成手段はロジスティック回帰分析を利用して回帰モデルを作成するものであることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus characterized in that the regression model creation means creates a regression model using logistic regression analysis.
請求項1又は2記載の故障予測診断装置において、
回帰モデル作成手段は、回帰モデルを作成する際に用いる内部情報として、診断対象機器が故障したときの内部情報と、故障した診断対象機器に対して故障対処した後の内部情報とを含むものであることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
The regression model creation means includes internal information when the diagnosis target device has failed and internal information after troubleshooting the failed diagnosis target device as internal information used when creating the regression model. A failure prediction and diagnosis apparatus characterized by the above.
請求項1又は2記載の故障予測診断装置において、
回帰モデル作成手段は回帰モデルを更新するものであることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus characterized in that the regression model creation means updates the regression model.
請求項1又は2記載の故障予測診断装置において、
情報収集手段は内部情報として環境情報も収集することを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus characterized in that the information collecting means also collects environmental information as internal information.
請求項8記載の故障予測診断装置において、
回帰モデル作成手段は環境区分毎に作成される回帰モデルを故障要因で複数に分類したものであることを特徴とする故障予測診断装置。
The failure prediction and diagnosis apparatus according to claim 8,
A failure prediction diagnosis apparatus characterized in that the regression model creation means is a regression model created for each environment category, which is classified into a plurality of failure factors.
請求項1又は2記載の故障予測診断装置において、
指標変化数値化手段にて数値化される指標変化パラメータは、故障予測指標の予め決められた閾値との差情報、故障予測指標の傾き変化情報及び所定期間中の故障予測指標の傾き変化回数情報の少なくとも一つであることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
The index change parameter quantified by the index change digitizing means includes information on the difference between the failure prediction index and a predetermined threshold, slope change information on the failure prediction index, and information on the number of slope changes of the failure prediction index during a predetermined period. It is at least one of these, The failure prediction diagnostic apparatus characterized by the above-mentioned.
請求項1又は2記載の故障予測診断装置において、
故障対処決定手段はベイジアンネットワークによる確率推論エンジンを用いて故障対処の要否を決定するものであることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus characterized in that the failure handling determination means determines whether or not a failure handling is necessary using a probability inference engine based on a Bayesian network.
請求項1又は2記載の故障予測診断装置において、
故障対処決定手段にて決定された故障対処情報が表示可能な表示手段を備えていることを特徴とする故障予測診断装置。
In the failure prediction diagnostic apparatus according to claim 1 or 2,
A failure prediction diagnosis apparatus comprising display means capable of displaying the failure handling information determined by the failure handling determination means.
動作管理上必要な内部情報が環境情報と共に記憶可能な複数の診断対象機器と、各診断対象機器と通信可能な通信ネットワークを介して接続されて各診断対象機器の故障予測状態を診断する故障予測診断装置とを備えた故障予測診断システムであって、
前記故障予測診断装置は、
診断対象機器の前記内部情報を収集する情報収集手段と、
この情報収集手段にて収集された診断対象機器の内部情報に基づき診断対象機器の故障予測状態に対応する故障予測指標が算出可能な回帰モデルを作成する回帰モデル作成手段と、
この回帰モデル作成手段にて作成された回帰モデルを用いて故障予測指標を算出する指標算出手段と、
この指標算出手段にて算出された故障予測指標の経時変化をパラメータとして利用可能に数値化する指標変化数値化手段と、
経時的な故障対処状況をパラメータとして利用可能に数値化する故障対処状況数値化手段と、
前記指標変化数値化手段及び前記故障対処状況数値化手段の各パラメータに基づいて診断対象機器の故障対処の要否を決定する故障対処決定手段とを備えることを特徴とする故障予測診断システム。
Failure prediction that diagnoses the failure prediction status of each diagnosis target device by connecting to multiple diagnosis target devices that can store internal information necessary for operation management together with environmental information and a communication network that can communicate with each diagnosis target device A failure prediction diagnosis system comprising a diagnosis device,
The failure prediction diagnostic apparatus is
Information collecting means for collecting the internal information of the device to be diagnosed;
A regression model creation means for creating a regression model capable of calculating a failure prediction index corresponding to the failure prediction state of the diagnosis target device based on the internal information of the diagnosis target device collected by the information collection means;
Index calculation means for calculating a failure prediction index using the regression model created by the regression model creation means;
Index change digitizing means for digitizing the change over time of the failure prediction index calculated by the index calculating means so that it can be used as a parameter;
Failure handling status quantification means for digitizing the failure handling status over time as a parameter,
A failure prediction diagnosis system comprising failure handling determination means for determining whether or not failure handling of a diagnosis target device is necessary based on each parameter of the index change digitizing means and the failure handling status digitizing means.
請求項13記載の故障予測診断システムにおいて、
故障予測診断装置は、更に、故障対処についての顧客の習熟度状況をパラメータとして利用可能に数値化する顧客状況数値化手段を備え、
前記故障対処決定手段が、前記指標変化数値化手段、前記故障対処状況数値化手段及び前記顧客状況の各パラメータに基づいて診断対象機器の故障対処の要否を決定するものであることを特徴とする故障予測診断システム。
The failure prediction diagnosis system according to claim 13,
The failure prediction diagnosis device further includes a customer situation quantification means for quantifying the customer's proficiency status regarding failure handling as a parameter,
The failure handling determining means determines whether or not failure handling of the diagnosis target device is necessary based on each parameter of the index change digitizing means, the failure handling status digitizing means, and the customer situation. Failure prediction diagnosis system.
請求項13又は14記載の故障予測診断システムにおいて、
情報収集手段は各診断対象機器から定期的に内部情報を収集することを特徴とする故障予測診断システム。
The failure prediction diagnosis system according to claim 13 or 14,
A failure prediction diagnosis system, wherein the information collection means periodically collects internal information from each diagnosis target device.
請求項13又は14記載の故障予測診断システムにおいて、
情報収集手段は、診断対象機器を特定する診断対象情報及び診断対象機器の内部情報が収集される情報収集日時情報を併せて収集するものであることを特徴とする故障予測診断システム。
The failure prediction diagnosis system according to claim 13 or 14,
The information collection means collects together diagnosis target information for identifying a diagnosis target device and information collection date and time information for collecting internal information of the diagnosis target device.
JP2007161682A 2007-06-19 2007-06-19 Fault prediction diagnostic system and fault prediction diagnostic system using the same Pending JP2009003561A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2007161682A JP2009003561A (en) 2007-06-19 2007-06-19 Fault prediction diagnostic system and fault prediction diagnostic system using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007161682A JP2009003561A (en) 2007-06-19 2007-06-19 Fault prediction diagnostic system and fault prediction diagnostic system using the same

Publications (1)

Publication Number Publication Date
JP2009003561A true JP2009003561A (en) 2009-01-08

Family

ID=40319906

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007161682A Pending JP2009003561A (en) 2007-06-19 2007-06-19 Fault prediction diagnostic system and fault prediction diagnostic system using the same

Country Status (1)

Country Link
JP (1) JP2009003561A (en)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011013440A (en) * 2009-07-01 2011-01-20 Ricoh Co Ltd State determining apparatus and failure predicting system using the same
JP2011237576A (en) * 2010-05-10 2011-11-24 Fuji Xerox Co Ltd Failure-related item setting device, program and failure prediction system
US8576082B2 (en) 2010-07-15 2013-11-05 Jones Group Forensic Engineers Busway joint parameter detection system
JP2014174896A (en) * 2013-03-12 2014-09-22 Ricoh Co Ltd Failure prediction system, failure prediction device, and failure prediction program
US9091990B2 (en) 2013-11-14 2015-07-28 Ricoh Company, Ltd. Device failure predictor and image forming apparatus incorporating same
JP2015214054A (en) * 2014-05-09 2015-12-03 富士ゼロックス株式会社 Program and maintenance management apparatus
US9298150B2 (en) 2014-02-13 2016-03-29 Fuji Xerox Co., Ltd. Failure predictive system, and failure predictive apparatus
US9310345B2 (en) 2010-09-30 2016-04-12 Hitachi, Ltd. Sensor system, computer, and machine
WO2019163160A1 (en) * 2018-02-22 2019-08-29 株式会社日立製作所 Analysis device, analysis method, and analysis program
CN112486136A (en) * 2019-09-11 2021-03-12 中科云谷科技有限公司 Fault early warning system and method
JP7433877B2 (en) 2019-12-17 2024-02-20 キヤノン株式会社 Image forming system, information transfer method, server device, program, image forming device, and image processing system

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011013440A (en) * 2009-07-01 2011-01-20 Ricoh Co Ltd State determining apparatus and failure predicting system using the same
JP2011237576A (en) * 2010-05-10 2011-11-24 Fuji Xerox Co Ltd Failure-related item setting device, program and failure prediction system
US8576082B2 (en) 2010-07-15 2013-11-05 Jones Group Forensic Engineers Busway joint parameter detection system
US9310345B2 (en) 2010-09-30 2016-04-12 Hitachi, Ltd. Sensor system, computer, and machine
JP2014174896A (en) * 2013-03-12 2014-09-22 Ricoh Co Ltd Failure prediction system, failure prediction device, and failure prediction program
US9091990B2 (en) 2013-11-14 2015-07-28 Ricoh Company, Ltd. Device failure predictor and image forming apparatus incorporating same
US9298150B2 (en) 2014-02-13 2016-03-29 Fuji Xerox Co., Ltd. Failure predictive system, and failure predictive apparatus
JP2015214054A (en) * 2014-05-09 2015-12-03 富士ゼロックス株式会社 Program and maintenance management apparatus
WO2019163160A1 (en) * 2018-02-22 2019-08-29 株式会社日立製作所 Analysis device, analysis method, and analysis program
JP2019144970A (en) * 2018-02-22 2019-08-29 株式会社日立製作所 Analysis apparatus, analysis method, and analysis program
US11507881B2 (en) 2018-02-22 2022-11-22 Hitachi, Ltd. Analysis apparatus, analysis method, and analysis program for calculating prediction error and extracting error factor
CN112486136A (en) * 2019-09-11 2021-03-12 中科云谷科技有限公司 Fault early warning system and method
CN112486136B (en) * 2019-09-11 2022-03-15 中科云谷科技有限公司 Fault early warning system and method
JP7433877B2 (en) 2019-12-17 2024-02-20 キヤノン株式会社 Image forming system, information transfer method, server device, program, image forming device, and image processing system

Similar Documents

Publication Publication Date Title
JP2009003561A (en) Fault prediction diagnostic system and fault prediction diagnostic system using the same
JP5045191B2 (en) Failure prediction diagnosis device, failure prediction diagnosis system using the same, and failure prediction diagnosis program
JP4710720B2 (en) Failure prevention diagnosis support system and failure prevention diagnosis support method
JP5370832B2 (en) State determination device and failure prediction system using the same
Prytz et al. Predicting the need for vehicle compressor repairs using maintenance records and logged vehicle data
JP4609368B2 (en) Fault diagnosis model generation apparatus, fault diagnosis system, and fault diagnosis model generation program
JP4711077B2 (en) Fault diagnosis system, image forming apparatus, and fault diagnosis program
US6564227B2 (en) Customer support system
US20050096759A1 (en) Distributed power generation plant automated event assessment and mitigation plan determination process
EP2144166A1 (en) Diagnostic system
JP2008015568A (en) Maintenance system, control method for maintenance system, host server, and computer readable storage medium storing program of host server
JP2006216017A (en) Automated performance analysis and failure restoration
KR20190021560A (en) Failure prediction system using big data and failure prediction method
JP5370905B2 (en) Fault diagnosis apparatus and program
US20110066898A1 (en) Predictive analysis method for improving and expediting realization of system safety, availability and cost performance increases
US20160110653A1 (en) Method and apparatus for predicting a service call for digital printing equipment from a customer
JP6075240B2 (en) Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method
JP2008256981A (en) Fault diagnostic system
WO2013041440A1 (en) System and method for plant wide asset management
US20170169342A1 (en) System and method for diagnosing at least one component requiring maintenance in an appliance and/or installation
JP2013109483A (en) Failure prediction system, failure prediction device, and program
US11201971B1 (en) Maintenance support apparatus and maintenance support method
JP6075241B2 (en) Treatment determination apparatus, treatment determination system, treatment determination program, and treatment determination method
JP2007328641A (en) Apparatus and method for managing image forming apparatus
US11657321B2 (en) Information processing device, non-transitory storage medium and information processing method