JP2015036961A - Fault symptom diagnosis device, fault symptom diagnosis system, fault symptom diagnosis program, and fault symptom diagnosis method - Google Patents

Fault symptom diagnosis device, fault symptom diagnosis system, fault symptom diagnosis program, and fault symptom diagnosis method Download PDF

Info

Publication number
JP2015036961A
JP2015036961A JP2013169221A JP2013169221A JP2015036961A JP 2015036961 A JP2015036961 A JP 2015036961A JP 2013169221 A JP2013169221 A JP 2013169221A JP 2013169221 A JP2013169221 A JP 2013169221A JP 2015036961 A JP2015036961 A JP 2015036961A
Authority
JP
Japan
Prior art keywords
failure
parameters
distribution
diagnosis
feature quantities
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.)
Granted
Application number
JP2013169221A
Other languages
Japanese (ja)
Other versions
JP6075240B2 (en
Inventor
足立　康二
Koji Adachi
康二 足立
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 JP2013169221A priority Critical patent/JP6075240B2/en
Publication of JP2015036961A publication Critical patent/JP2015036961A/en
Application granted granted Critical
Publication of JP6075240B2 publication Critical patent/JP6075240B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To propose a technique enabling accurate calculation of the probability of occurrence of a failure in a target apparatus that has a mechanism to change plural parameters in correlation, the parameters indicating an internal state of the apparatus.SOLUTION: A symptom diagnosis model creation block 310 divides a normality data group and a failure symptom data group into plural clusters, the data groups having, as elements, feature amounts of plural image-forming parameters related to a category of failure for each category of failures, and create a symptom diagnosis model for each of the plural clusters; and, for an image forming apparatus 100 as a target of symptom diagnosis, a symptom diagnosis block 320 selects a symptom diagnosis model with a highest level of consistency with a symptom diagnosis data group having, as elements, the feature amounts of plural image-forming parameters related to the category of failure for each category of failure, and performs a symptom diagnosis of a failure using the symptom diagnosis model.

Description

本発明は、障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法に関する。   The present invention relates to a failure sign diagnosis device, a failure sign diagnosis system, a failure sign diagnosis program, and a failure sign diagnosis method.

紙などの記録材に画像を形成する機能を備えた画像形成装置として、複写機、プリンタ装置、ファクシミリ装置、これらの機能を併せもった複合機などが知られている。
電子写真方式の画像形成装置は複雑な構成を有しており、高画質を維持するためには保守担当者による保守作業が必要となる。また、画像形成装置の状態を遠隔的に監視し、画像形成装置の状態に基づいて障害箇所を特定するシステムを利用した、所謂リモートメンテナンスシステムにより、保守作業を効率化することが行われている。
更に、印刷分野で使用される高速の画像形成装置は生産材として使用されるため、予防的な保守サービスにより未然にトラブルを回避して画像形成装置を止めないことが望まれている。このため、画像形成装置の状態を継続的に監視して障害の発生を予測し、障害を未然に防止するための予兆診断システムの開発が行われている。 As an image forming apparatus having a function of forming an image on a recording material such as paper, a copying machine, a printer apparatus, a facsimile apparatus, and a multifunction machine having these functions are known.
An electrophotographic image forming apparatus has a complicated configuration, and maintenance work by a maintenance person is required to maintain high image quality. In addition, the efficiency of maintenance work is improved by a so-called remote maintenance system that uses a system that remotely monitors the state of the image forming apparatus and identifies a fault location based on the state of the image forming apparatus. .
Furthermore, since a high-speed image forming apparatus used in the printing field is used as a production material, it is desired to avoid troubles and prevent the image forming apparatus from being stopped by a preventive maintenance service. For this reason, a predictive diagnosis system for continuously monitoring the state of the image forming apparatus to predict the occurrence of a failure and preventing the failure in advance has been developed.

これまで、各種の装置や設備の保守に関する技術について、種々の発明が提案されている。
例えば、特許文献１には、製造装置の保守に関し、第１のフェーズで、判定対象の製造データがどの分類に属するかを決定し、第２のフェーズで、その製造データが、属する分類グループのなかで、時間推移とともに逸脱してしまっているかを監視することで、異常かどうかを判定する技術が提案されている。 So far, various inventions have been proposed for techniques related to maintenance of various devices and facilities.
For example, in Patent Document 1, regarding the maintenance of a manufacturing apparatus, it is determined to which classification the manufacturing data to be determined belongs in the first phase, and in the second phase, the manufacturing data of the classification group to which the manufacturing data belongs. In particular, there has been proposed a technique for determining whether or not there is an abnormality by monitoring whether or not there is a deviation with time.

例えば、特許文献２には、プラントなどの設備の保守に関し、設備から出力されるイベント信号からイベント列を切り出し、イベント列間の類似度に基づくクラスタリングによりイベント列を分類し、分類されたイベント列のグループとイベント信号を元に抽出されたアラームを関連付けて頻度マトリクスを作成しておき、これに基づいてイベント列に対して発生確率の高いアラームの予報を出力する技術が提案されている。   For example, in Patent Document 2, regarding maintenance of facilities such as plants, an event sequence is extracted from an event signal output from the facility, the event sequence is classified by clustering based on the similarity between the event sequences, and the classified event sequence A technique has been proposed in which a frequency matrix is created by associating an alarm extracted based on an event signal and an alarm signal having a high probability of occurrence with respect to an event string.

例えば、特許文献３には、製品を継続的に製造する工場の保守に関し、製品の欠陥に関するデータであって所定の監視期間に収集された監視データを、定常データに基づいて欠陥の種類ごとに評価することにより、欠陥の種類ごとに工場における異常の発生の有無を判定する技術が提案されている。   For example, in Patent Document 3, regarding maintenance of a factory that continuously manufactures products, monitoring data that is data related to product defects and collected during a predetermined monitoring period is classified for each type of defect based on regular data. A technique has been proposed in which, by evaluation, the presence or absence of an abnormality in a factory is determined for each type of defect.

特開２０１１−１００２１１号公報JP 2011-100211 A 特開２０１１−０８１６９７号公報JP 2011-081697 A 特開２００８−０３３９０２号公報JP 2008-033902 A

装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する被監視装置（例えば、画像形成装置）を対象にして、当該被監視装置に障害が発生する確率を精度よく算出することは、障害を未然に防止するための予防的な保守作業の実施タイミングの適正化に有効であるため、更なる改善が検討されている。
本発明は、装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する被監視装置についての障害の予兆診断に関し、これら複数のパラメータに基づいて障害が発生する確率を算出する処理をより精度よく実施することができる技術を提案することを目的とする。 To accurately calculate the probability that a failure will occur in a monitored device having a mechanism for changing a plurality of parameters indicating the internal state of the device in relation to each other (for example, an image forming device). Are effective in optimizing the timing of preventive maintenance work to prevent failures, and further improvements are being considered.
The present invention relates to predictive failure diagnosis for a monitored device having a mechanism for changing a plurality of parameters indicating the internal state of the device in relation to each other, and processing for calculating a probability of occurrence of a failure based on the plurality of parameters The purpose is to propose a technique that can implement the above with higher accuracy.

本発明（１）は、被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、を備えたことを特徴とする障害予兆診断装置である。   The present invention (1) is a cluster obtained by dividing a parameter space, which is a parameter indicating an internal state of a monitored device and includes feature quantities of a plurality of parameters that change in relation to each other. The distribution of feature quantities of the plurality of parameters in the period for each cluster divided based on the distribution of the distribution of feature quantities of the plurality of parameters in a period of a predetermined length that goes back from the time when maintenance work occurred And a storage unit for storing a predictive diagnosis model based on the distribution of feature quantities of the plurality of parameters in another period, and a period of a predetermined length that goes back from the time of diagnosis for the monitored apparatus to be diagnosed An acquisition means for acquiring the feature values of the plurality of parameters in accordance with a distribution of the feature values of the plurality of parameters acquired by the acquisition means Based on the selection means for selecting the predictive diagnosis model of the cluster, the distribution of the feature amounts of the plurality of parameters acquired by the acquisition means, and the predictive diagnosis model selected by the selection means, the monitored device to be diagnosed A failure sign diagnostic apparatus comprising: a calculating means for calculating a probability that a failure will occur in the device.

本発明（２）は、本発明（１）において、前記記憶手段は、前記パラメータ空間を障害の原因の分類に対応する数で分割したクラスタ毎の予兆診断モデルを記憶する、ことを特徴とする障害予兆診断装置である。   The present invention (2) is characterized in that, in the present invention (1), the storage means stores a predictive diagnosis model for each cluster obtained by dividing the parameter space by a number corresponding to a failure cause classification. It is a failure predictor diagnosis device.

本発明（３）は、本発明（１）、（２）において、前記記憶手段は、障害の種類毎に、当該障害の種類に対応する複数のパラメータの特徴量を要素としたパラメータ空間のクラスタ毎の予兆診断モデルを記憶し、診断対象の被監視装置について、障害の種類毎に、前記取得手段により前記複数のパラメータの特徴量を取得し、前記選択手段により前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、前記算出手段により前記取得した前記複数のパラメータの値と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、ことを特徴とする障害予兆診断装置である。   According to the present invention (3), in the present invention (1) and (2), the storage means is a parameter space cluster having, for each type of fault, elements of features of a plurality of parameters corresponding to the type of fault. For each monitored device to be diagnosed, the characteristic amount of the plurality of parameters is acquired by the acquisition unit for each type of failure, and the selection unit is configured to store the parameters of the plurality of parameters acquired. A predictive diagnosis model of a cluster corresponding to the distribution of feature values is selected, and a failure is detected in the monitored device to be diagnosed based on the values of the plurality of parameters acquired by the calculation unit and the selected predictive diagnosis model. A failure sign diagnostic apparatus characterized by calculating a probability of occurrence.

本発明（４）は、自装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータを検出する被監視装置と、被監視装置に障害が発生する確率を算出する障害予兆診断装置とを有し、障害予兆診断装置は、前記複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、を備えたことを特徴とする障害予兆診断システムである。   According to the present invention (4), a monitored device that detects a plurality of parameters that indicate the internal state of the device itself and changes in relation to each other, and a failure predictor that calculates a probability that a failure will occur in the monitored device The failure sign diagnosis device is a cluster obtained by dividing a parameter space including the feature quantities of the plurality of parameters as elements, and is determined in advance from the time when a failure or maintenance work occurs in the monitored device. Distribution of the feature quantities of the plurality of parameters in the period and feature quantities of the plurality of parameters in another period for each cluster divided based on a bias in the distribution of the feature quantities of the plurality of parameters in a period of a certain length A storage means for storing a predictive diagnosis model based on the distribution of the data, and a period of a predetermined length that goes back from the time of diagnosis for the monitored device to be diagnosed An acquisition means for acquiring feature quantities of the plurality of parameters in the apparatus; a selection means for selecting a predictive diagnosis model of a cluster corresponding to a distribution of the feature quantities of the plurality of parameters acquired by the acquisition means; and the acquisition means. Calculation means for calculating a probability that a failure occurs in the monitored apparatus to be diagnosed based on the acquired distribution of feature amounts of the plurality of parameters and the predictive diagnosis model selected by the selection means; This is a failure predictive diagnosis system characterized by this.

本発明（５）は、コンピュータに、被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶機能と、診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得機能と、前記取得機能により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択機能と、前記取得機能により取得された前記複数のパラメータの特徴量の分布と前記選択機能により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出機能と、を実現させるための障害予兆診断プログラムである。   The present invention (5) is a cluster obtained by dividing a parameter space, which is a parameter indicating the internal state of the monitored device and includes the feature quantities of a plurality of parameters that change in relation to each other, on the computer. The characteristics of the plurality of parameters in the period for each cluster divided based on the distribution of the feature amount distribution of the plurality of parameters in a period of a predetermined length that goes back from the time when a failure or maintenance work occurred A storage function for storing a predictive diagnosis model based on the distribution of the quantity and the distribution of the feature quantities of the plurality of parameters in other periods, and a predetermined length that goes back from the time of the diagnosis for the monitored device to be diagnosed An acquisition function for acquiring feature quantities of the plurality of parameters in a period of time, and a feature of the plurality of parameters acquired by the acquisition function. Based on a selection function for selecting a predictive diagnosis model of a cluster according to a distribution of quantities, a distribution of feature quantities of the plurality of parameters acquired by the acquisition function, and a predictive diagnosis model selected by the selection function, A failure sign diagnosis program for realizing a calculation function for calculating a probability of occurrence of a failure in a monitored apparatus to be diagnosed.

本発明（６）は、障害予兆診断装置が、被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶しておき、診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得し、前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、前記取得した前記複数のパラメータの特徴量の分布と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、ことを特徴とする障害予兆診断方法である。   The present invention (6) is a cluster in which the failure sign diagnosis apparatus divides a parameter space that is a parameter indicating an internal state of a monitored apparatus and includes feature amounts of a plurality of parameters that change in relation to each other, For each of the clusters divided based on the distribution of feature quantity distributions of the plurality of parameters in a predetermined length of time that goes back from the time when a failure or maintenance work occurred in the monitored device, the plurality of A predictive diagnosis model based on the distribution of parameter feature amounts and the distribution of feature amounts of the plurality of parameters in other periods is stored, and the monitored device to be diagnosed is determined in advance from the time of the diagnosis. The feature amounts of the plurality of parameters in a period of a predetermined length are acquired, and cluster predictions according to the acquired feature amount distributions of the plurality of parameters are acquired. Selecting a diagnosis model, and calculating a probability of occurrence of a failure in the monitored apparatus to be diagnosed based on the acquired distribution of feature quantities of the plurality of parameters and the selected predictive diagnosis model, This is a predictive diagnosis method for failure.

本発明（１）、（４）〜（５）によれば、装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する被監視装置についての障害の予兆診断に関し、これら複数のパラメータに基づいて障害が発生する確率を算出する処理を、本発明を適用しない場合に比べて精度よく実施することができる。   According to the present invention (1), (4) to (5), a plurality of parameters indicating the internal state of the apparatus are changed in relation to each other. The process of calculating the probability that a failure will occur based on the parameters can be performed with higher accuracy than when the present invention is not applied.

本発明（２）によれば、被監視装置に障害が発生する確率を、障害の原因の分類に対応付けて算出することができる。   According to the present invention (2), the probability that a failure occurs in the monitored device can be calculated in association with the classification of the cause of the failure.

本発明（３）によれば、被監視装置に障害が発生する確率を、障害の種類毎に算出することができる。   According to the present invention (3), the probability that a failure occurs in the monitored device can be calculated for each type of failure.

本発明の一実施形態に係る障害予兆診断システムの構成例を示す図である。It is a figure which shows the structural example of the failure sign diagnostic system which concerns on one Embodiment of this invention. 或る障害に関連する複数種の画像形成パラメータの各特徴量を要素とした障害予兆データ群の例を示す図である。It is a figure which shows the example of the failure omen data group which used each feature-value of the multiple types of image formation parameter relevant to a certain failure as an element. 従来の方式で作成した予兆診断モデルの例を示す図である。It is a figure which shows the example of the predictive diagnosis model produced with the conventional system. 本例の障害予兆診断装置で作成した予兆診断モデルの例を示す図である。It is a figure which shows the example of the predictive diagnosis model created with the failure predictive diagnosis apparatus of this example. 本例の障害予兆診断装置による予兆診断に係る処理フローの例を示す図である。It is a figure which shows the example of the processing flow which concerns on the sign diagnosis by the failure sign diagnostic apparatus of this example.

本発明の一実施形態について、図面を参照して説明する。
図１には、本発明の一実施形態に係る障害予兆診断システムの構成例を示してある。
本例の障害予兆診断システムは、用紙等の記録材に画像を形成して出力する画像形成装置１００（被監視装置の一例）と、画像形成装置１００の管理者や保守作業の担当者などに利用される保守データ入力端末２００と、を有している。図１の例では、２台の画像形成装置１００と２台の保守データ入力端末２００とを示してあるが、これらの台数は任意である。 An embodiment of the present invention will be described with reference to the drawings.
FIG. 1 shows a configuration example of a failure sign diagnosis system according to an embodiment of the present invention.
The failure sign diagnosis system of the present example is provided to an image forming apparatus 100 (an example of a monitored apparatus) that forms and outputs an image on a recording material such as paper, and an administrator of the image forming apparatus 100 or a person in charge of maintenance work. A maintenance data input terminal 200 to be used. In the example of FIG. 1, two image forming apparatuses 100 and two maintenance data input terminals 200 are shown, but the number of these is arbitrary.

また、本例の障害予兆診断システムは、画像形成装置１００及び保守データ入力端末２００のそれぞれと有線又は無線により通信可能に接続された障害予兆診断装置３００を有する。障害予兆診断装置３００は、画像形成装置１００及び保守データ入力端末２００から収集した情報を用いて、画像形成装置１００について障害（故障や異常を含む）の予兆診断（障害が発生する確率の算出）を行う。なお、図１では、障害予兆診断装置３００を１台の装置により構成してあるが、複数台の装置に分散した構成としてもよい。   Further, the failure sign diagnosis system of this example includes a failure sign diagnosis device 300 that is connected to each of the image forming apparatus 100 and the maintenance data input terminal 200 so as to be able to communicate with each other by wire or wirelessly. The failure sign diagnosis apparatus 300 uses the information collected from the image forming apparatus 100 and the maintenance data input terminal 200 to predict the failure (including failure and abnormality) of the image forming apparatus 100 (calculation of the probability of occurrence of a failure). I do. In FIG. 1, the failure sign diagnosis apparatus 300 is configured by one apparatus, but may be configured to be distributed to a plurality of apparatuses.

画像形成装置１００は、紙などの記録材に画像を形成する機能を備えた装置である。画像形成装置１００としては、複写機、プリンタ装置、ファクシミリ装置などの装置が挙げられるほか、これらの装置の機能を複合的に備えた複合機も含まれる。   The image forming apparatus 100 is an apparatus having a function of forming an image on a recording material such as paper. Examples of the image forming apparatus 100 include apparatuses such as a copying machine, a printer apparatus, and a facsimile apparatus, and also include a multi-function apparatus having a composite function of these apparatuses.

画像形成装置１００は、画像形成プロセスの制御に関わる各種の画像形成パラメータの値を検出する機能を有する。画像形成パラメータとしては、例えば、感光体電位、感光体帯電電流、半導体レーザ光量、現像機トナー濃度、１次転写電流、２次転写電流、定着機ヒートロール温度、プロコンパッチ濃度（プロセス制御用のパッチ濃度）などが挙げられる。画像形成パラメータは、画像形成装置１００の内部状態を示すパラメータであり、障害の発生の予測に寄与し得るパラメータでもある。なお、画像形成装置１００の内部状態を示すパラメータ（障害の発生の予測に寄与し得るパラメータ）としては、装置の内部の温度や湿度といった使用環境を示す環境パラメータも挙げられる。
これらの画像形成パラメータは、値が相互に関連して変化するという特性を有するが、これは、画像形成プロセスにおいて或る画像形成パラメータを調整した際に、当該調整後の値をフィードバックして他の画像形成パラメータの値を調整するフィードバック処理を行うためである。 The image forming apparatus 100 has a function of detecting various image forming parameter values related to control of the image forming process. The image forming parameters include, for example, a photoreceptor potential, a photoreceptor charging current, a semiconductor laser light amount, a developing machine toner density, a primary transfer current, a secondary transfer current, a fixing machine heat roll temperature, and a procompact density (for process control). Patch density). The image forming parameter is a parameter indicating the internal state of the image forming apparatus 100, and can also contribute to the prediction of the occurrence of a failure. Note that examples of the parameters indicating the internal state of the image forming apparatus 100 (parameters that can contribute to predicting the occurrence of a failure) include environmental parameters indicating the use environment such as the temperature and humidity inside the apparatus.
These image forming parameters have a characteristic that their values change in relation to each other. This is because, when an image forming parameter is adjusted in the image forming process, the adjusted value is fed back to the other. This is because feedback processing for adjusting the value of the image forming parameter is performed.

画像形成パラメータの値の検出は、予め規定されたタイミングで実施され、例えば、１ページの印刷出力毎、１又は複数ページの印刷出力をまとめた印刷ジョブ毎、設定された時間間隔（例えば、５分）の経過毎などのタイミングで実施される。検出する値としては、その画像形成パラメータに該当する部位で計測された計測値を用いてもよく、各部位を制御するための目標値を用いてもよく、計測値と目標値の差分といった他の種別の値を用いてもよい。   Detection of the value of the image forming parameter is performed at a predetermined timing. For example, for each print output of one page, for each print job in which one or a plurality of pages of print output are collected, for example, for a set time interval (for example, 5 This is done at the timing of every minute). As a value to be detected, a measured value measured at a part corresponding to the image formation parameter may be used, a target value for controlling each part may be used, or a difference between the measured value and the target value may be used. The value of the type may be used.

また、画像形成装置１００は、検出した画像形成パラメータの値を、当該画像形成装置１００を識別する情報と、画像形成パラメータの値を検出した日時の情報と共に、検出データとして障害予兆診断装置３００へ送信する。障害予兆診断装置３００への検出データの送信は、画像形成装置１００が自律的に行ってもよく、障害予兆診断装置３００からの要求に応じて行ってもよい。   In addition, the image forming apparatus 100 sends the detected image forming parameter value to the failure sign diagnosis apparatus 300 as detection data together with information for identifying the image forming apparatus 100 and information on the date and time when the image forming parameter value is detected. Send. The detection data may be transmitted to the failure sign diagnosis apparatus 300 autonomously by the image forming apparatus 100 or in response to a request from the failure sign diagnosis apparatus 300.

保守データ入力端末２００は、利用者からの要請により画像形成装置１００の設置場所に訪問して保守作業を実際に行った担当者やその報告を受けた者などから、実施した保守作業に関する保守データの入力を受け付ける。入力される保守データとしては、例えば、保守作業の対象となった画像形成装置１００を識別する情報、保守作業の内容を示す情報、保守作業を実施した日時の情報、保守作業で対処された障害の種類を示す情報などがある。   Maintenance data input terminal 200 visits the installation location of image forming apparatus 100 at the request of the user, and receives maintenance data related to the maintenance work performed from the person in charge who actually performed the maintenance work or the person who received the report. Accepts input. The maintenance data to be input includes, for example, information for identifying the image forming apparatus 100 that is the target of the maintenance work, information indicating the content of the maintenance work, information on the date and time when the maintenance work was performed, and a failure that has been dealt with in the maintenance work There is information indicating the type.

また、保守データ入力端末２００は、入力された保守データを、障害予兆診断装置３００へ送信する。障害予兆診断装置３００への保守データの送信は、保守データ入力端末２００が自律的に行ってもよく、障害予兆診断装置３００からの要求に応じて行ってもよい。
また、保守データ入力端末２００に手入力された保守データを送信する態様の他、例えば、画像形成装置１００側に保守の実施日や保守内容（部品交換や調整など）を検出して保守データを生成する機能を設け、障害予兆診断装置３００へ送信するようにしてもよい。 The maintenance data input terminal 200 transmits the input maintenance data to the failure sign diagnosis apparatus 300. The maintenance data transmission to the failure sign diagnosis apparatus 300 may be performed autonomously by the maintenance data input terminal 200 or may be performed in response to a request from the failure sign diagnosis apparatus 300.
In addition to a mode in which maintenance data manually input to the maintenance data input terminal 200 is transmitted, for example, the maintenance date and maintenance content (part replacement, adjustment, etc.) are detected and the maintenance data is detected on the image forming apparatus 100 side. A generation function may be provided and transmitted to the failure sign diagnosis apparatus 300.

障害予兆診断装置３００は、データ取得部３０１と、保守データ蓄積部３０２と、時系列データ蓄積部３０３と、時系列データ前処理部３０４と、予兆診断モデル保持部３０５と、予兆診断結果出力部３０６と、予兆診断モデル作成ブロック３１０と、予兆診断ブロック３２０と、を有している。   The failure sign diagnosis device 300 includes a data acquisition unit 301, a maintenance data storage unit 302, a time series data storage unit 303, a time series data preprocessing unit 304, a sign diagnosis model holding unit 305, and a sign diagnosis result output unit. 306, a predictive diagnosis model creation block 310, and a predictive diagnosis block 320.

データ取得部３０１は、画像形成装置１００から、検出データ（画像形成パラメータの値、当該画像形成装置１００を識別する情報、画像形成パラメータの値を検出した日時の情報など）を受信（取得）して、時系列データ蓄積部３０３に記憶（蓄積）させる。
また、データ取得部３０１は、保守データ入力端末２００から、保守データ（保守作業の対象となった画像形成装置１００を識別する情報、保守作業の内容を示す情報、保守作業を実施した日時の情報、保守作業で対処された障害の種類を示す情報など）を受信（取得）して、保守データ蓄積部３０２に記憶（蓄積）させる。 The data acquisition unit 301 receives (acquires) detection data (the value of the image forming parameter, information for identifying the image forming apparatus 100, information on the date and time when the value of the image forming parameter was detected) from the image forming apparatus 100. Then, it is stored (accumulated) in the time series data accumulation unit 303.
Further, the data acquisition unit 301 receives maintenance data (information for identifying the image forming apparatus 100 that is the target of the maintenance work, information indicating the content of the maintenance work, and information on the date and time when the maintenance work was performed) from the maintenance data input terminal 200. And the like (information indicating the type of failure dealt with in the maintenance work) is received (acquired) and stored (accumulated) in the maintenance data storage unit 302.

本例の保守データ蓄積部３０２と時系列データ蓄積部３０３にはデータの蓄積期間を設定してあり、蓄積期間を経過したデータは順次削除されて新しいデータで上書き（サイクリックに記憶）する仕組みになっている。データの蓄積期間としては、少なくとも、後述の予兆診断モデル作成ブロック３１０による予兆診断モデルの作成に必要なデータ量が得られる期間（例えば、過去３年）であればよい。   In the maintenance data storage unit 302 and the time-series data storage unit 303 of this example, a data storage period is set, and data that has passed the storage period is sequentially deleted and overwritten with new data (cyclically stored). It has become. The data accumulation period may be at least a period (for example, the past three years) in which a data amount necessary for creating a predictive diagnosis model by a predictive diagnosis model creating block 310 described later can be obtained.

時系列データ前処理部３０４は、時系列データ蓄積部３０３に蓄積されている画像形成パラメータの値を、予め定められた区間単位のデータ特性を表す特徴量に変換する。特徴量への変換は、画像形成装置１００毎及び画像形成パラメータ毎に行われる。変換の区間としては、例えば、時間の長さ、印刷ジョブの数、印刷ページの数といった種々の態様で表現される区間を用いることができる。データ特性を表す特徴量として、本例では、該当の区間における画像形成パラメータの値の平均値を算出するが、その他、処理対象となる障害の種類や画像形成パラメータの種類などに応じて、中央値、最頻値、標準偏差、歪度、尖度などの他の指標値を算出してもよい。   The time-series data pre-processing unit 304 converts the value of the image formation parameter stored in the time-series data storage unit 303 into a feature amount that represents data characteristics in units of predetermined intervals. The conversion to the feature amount is performed for each image forming apparatus 100 and each image forming parameter. As the conversion section, for example, a section expressed in various modes such as a length of time, the number of print jobs, and the number of print pages can be used. In this example, the average value of the image formation parameter values in the corresponding section is calculated as the feature amount representing the data characteristic. In addition, depending on the type of failure to be processed, the type of image formation parameter, and the like, Other index values such as a value, a mode value, a standard deviation, a skewness, and a kurtosis may be calculated.

時系列データ前処理部３０４により変換結果の各画像形成パラメータの区間単位の特徴量は、時系列データ蓄積部３０３に、画像形成パラメータの値に代えて記憶（蓄積）される。すなわち、時系列データ蓄積部３０３には、画像形成装置１００を識別する情報と、画像形成パラメータの区間単位の特徴量と、当該区間を示す日時の情報とを対応付けて蓄積される。   The time-series data preprocessing unit 304 stores (accumulates) the feature amount of each image formation parameter as a conversion result in the time-series data accumulation unit 303 instead of the image formation parameter value. That is, the time-series data storage unit 303 stores information for identifying the image forming apparatus 100, the feature amount of each section of the image forming parameter, and date / time information indicating the section in association with each other.

予兆診断モデル作成ブロック３１０は、画像形成装置１００に障害が発生する予兆を診断する際に使用される予兆診断モデルを作成するブロックであり、時系列データクラスタリング部３１１、予兆診断モデル作成部３１２を有する。   The sign diagnosis model creation block 310 is a block for creating a sign diagnosis model used when diagnosing a sign that a failure occurs in the image forming apparatus 100, and includes a time-series data clustering unit 311 and a sign diagnosis model creation unit 312. Have.

時系列データクラスタリング部３１１は、障害の種類毎に、時系列データ蓄積部３０３に蓄積されている各画像形成パラメータの区間単位の特徴量をシステム内の全ての画像形成装置１００について収集してクラスタリング処理を施す。
具体的には、処理対象となる種類の障害について、当該障害に係る保守作業が実施された各々の事例及びその対象の画像形成装置１００を保守データ蓄積部３０２を参照して特定し、保守作業の実施日から遡って予め定められた期間（障害の予兆として画像形成パラメータの値に異変が表れていると想定される期間であり、例えば、１ヶ月）における各区間単位の特徴量を障害予兆データ群の要素として収集し、また、他の期間における各区間単位の特徴量を正常データ群の要素として収集する。本例では、障害の種類毎に、当該障害の発生に関連して値が特徴的に変動すると想定される複数の画像形成パラメータを予め設定してあり、これら複数の画像形成パラメータの特徴量を、障害予兆データ群又は正常データ群の要素として収集する。そして、まず、障害予兆データ群を、そのデータ空間（該当の障害に係る画像形成パラメータの数に対応する次元数を持つデータ空間）における各要素（特徴量）の分布の偏り具合に応じて複数のクラスタに分割する。その後、正常データ群も、障害予兆データ群と同じ態様で複数のクラスタに分割する。すなわち、正常データ群のデータ空間を、障害予兆データ群のデータ空間を分割した態様に合わせて分割する。 The time-series data clustering unit 311 performs clustering by collecting the feature quantities of each image formation parameter stored in the time-series data storage unit 303 for each type of failure for all the image forming apparatuses 100 in the system. Apply processing.
Specifically, for each type of failure to be processed, each case where the maintenance work related to the failure is performed and the target image forming apparatus 100 are identified with reference to the maintenance data storage unit 302, and the maintenance work is performed. The feature amount of each section in a predetermined period (a period in which an image formation parameter value is assumed to have changed as a sign of failure, for example, one month) retroactively from the implementation date The data is collected as an element of the data group, and the feature amount of each section in another period is collected as an element of the normal data group. In this example, for each type of failure, a plurality of image forming parameters whose values are assumed to fluctuate characteristically in relation to the occurrence of the failure are set in advance, and feature amounts of these plurality of image forming parameters are set. , Collected as an element of a failure predictor data group or a normal data group. First, a plurality of failure predictor data groups are selected according to the distribution of each element (feature) in the data space (a data space having a number of dimensions corresponding to the number of image formation parameters related to the failure). Divide into clusters. Thereafter, the normal data group is also divided into a plurality of clusters in the same manner as the failure predictor data group. That is, the data space of the normal data group is divided in accordance with the mode in which the data space of the failure sign data group is divided.

本例では、Ｋ−ｍｅａｎｓ法を採用したアルゴリズムを用いてクラスタリング処理を実施しているが、他の手法でクラスタリング処理を実施してもよく、障害予兆データ群のデータ空間を、各要素の分布の偏り具合を反映した複数のクラスタに分割できればよい。
クラスタリング処理による分割数（クラスタ数）は任意であるが、障害の原因の分類に対応する数とすることが望ましい。例えば、「濃度ムラ」が発生する主な原因は、帯電系、現像系、転写系の３つに分類することができるので、「濃度ムラ」についての分割数を３とする。また、例えば、「かぶり」が発生する主な原因は、帯電系、現像系の２つに分類することができるので、「かぶり」についての分割数を２とする。これにより、障害の原因の相違に起因する分布の偏り具合をクラスタ分割に反映させることができる。 In this example, the clustering process is performed using an algorithm that employs the K-means method. However, the clustering process may be performed using other methods, and the data space of the failure predictor data group is represented by the distribution of each element. What is necessary is just to be able to divide into a plurality of clusters reflecting the degree of bias.
Although the number of divisions (number of clusters) by the clustering process is arbitrary, it is desirable that the number corresponds to the classification of the cause of the failure. For example, the main causes of “density unevenness” can be classified into three types: charging system, development system, and transfer system. Therefore, the number of divisions for “density unevenness” is 3. Further, for example, the main cause of “fogging” can be classified into two types, that is, a charging system and a developing system. Therefore, the division number for “fogging” is set to 2. As a result, it is possible to reflect the deviation of the distribution due to the difference in the cause of the failure in the cluster division.

なお、処理対象となる種類の障害の事例数が少ない場合や、当該障害について収集した障害予兆データ群の要素数が少ない場合は、分割数を低減させてもよい。これにより、データの収集が不十分な段階にも対応することができる。
また、これとは逆に、処理対象となる種類の障害の事例数が大量な場合や、当該障害について収集した障害予兆データ群の要素数が大量な場合は、分割数を増加させてもよい。これにより、障害の原因のより詳細な分類に合わせてクラスタ分割を行うことができる。 Note that the number of divisions may be reduced when the number of types of failures to be processed is small, or when the number of elements of the failure predictor data group collected for the failure is small. Thereby, it is possible to cope with a stage where data collection is insufficient.
On the other hand, if the number of types of faults to be processed is large, or if the number of elements in the failure predictor data group collected for the fault is large, the number of divisions may be increased. . Thereby, cluster division can be performed in accordance with a more detailed classification of the cause of the failure.

また、上記のような障害の原因の分類以外の要因に応じたクラスタ分割を行ってもよく、例えば、画像形成装置１００を設置する環境の特性の相違が各画像形成パラメータの特徴量のばらつきに影響を与える場合には、環境の特性の分類に応じた分割数としてもよい。また、複数の要因（例えば、障害の原因の分類と環境の特性の分類）の組合わせに応じた分割数としてもよい。   In addition, cluster division may be performed according to factors other than the above-described failure cause classification. For example, differences in the characteristics of the environment in which the image forming apparatus 100 is installed cause variations in the feature values of the image forming parameters. In the case of influence, the number of divisions according to the classification of environmental characteristics may be used. Further, the number of divisions may be set in accordance with a combination of a plurality of factors (for example, classification of the cause of failure and classification of environmental characteristics).

ここで、本例では、障害予兆データ群として値を取得する対象の期間（保守作業の実施日を起点に遡った期間）に保守作業の実施日を含めているが、保守作業の実施日を除外してもよい。
また、障害の発生日を特定できる場合には、障害予兆データ群として値を取得する対象の期間として、障害の発生日を起点に遡った期間を用いてもよく、この場合、障害の発生日を含めてもよく、障害の発生日を除外してもよい。 Here, in this example, the maintenance work execution date is included in the period for which the value is acquired as the failure predictor data group (the period retroactively from the maintenance work execution date). It may be excluded.
If the failure date can be identified, the period for which the value is acquired as the failure predictor data group may be a period that dates back from the failure date. In this case, the failure date May be included, and the date of failure may be excluded.

図２には、或る障害に関連する複数種の画像形成パラメータの各特徴量を要素とした障害予兆データ群の例を示してある。同図は、ｐ（ａ）、ｐ（ｂ）、ｐ（ｃ）、ｐ（ｄ）の４つの画像形成パラメータの各特徴量を要素とした障害予兆データ群の例であり、障害予兆データ群のデータ空間（４次元のデータ空間）における各要素（特徴量）の分布を複数の分布図４０１〜４１２で表現している。各分布図４０１〜４１２は、２つの画像形成パラメータの組合わせ毎に、各々の画像形成パラメータを軸とした２次元平面に障害予兆データ群のデータ空間を投影した様子を示したものであり、例えば、分布図４０５には、画像形成パラメータｐ（ｂ）を第１軸とし、画像形成パラメータｐ（ｃ）を第２軸とした２次元平面に投影してある。また、同図では、障害予兆データ群のデータ空間を３つのクラスタに分割してあり、第１のクラスタに属する要素を“○”、第２のクラスタに属する要素を“×”、第３のクラスタに属する要素を“△”で示してある。
このように、時系列データクラスタリング部３１１では、障害予兆データ群を、そのデータ空間における各要素の分布の偏り具合に応じて複数のクラスタに分割する。 FIG. 2 shows an example of a failure symptom data group that includes each feature amount of a plurality of types of image forming parameters related to a certain failure. The figure shows an example of a failure predictor data group using the feature amounts of the four image forming parameters p (a), p (b), p (c), and p (d) as elements. The distribution of each element (feature amount) in the data space (four-dimensional data space) is expressed by a plurality of distribution diagrams 401 to 412. Each of the distribution diagrams 401 to 412 shows a state in which the data space of the failure predictor data group is projected on a two-dimensional plane around each image forming parameter for each combination of two image forming parameters. For example, the distribution map 405 is projected onto a two-dimensional plane with the image forming parameter p (b) as the first axis and the image forming parameter p (c) as the second axis. In the same figure, the data space of the failure predictor data group is divided into three clusters, the element belonging to the first cluster is “◯”, the element belonging to the second cluster is “×”, the third Elements belonging to the cluster are indicated by “Δ”.
As described above, the time-series data clustering unit 311 divides the failure predictor data group into a plurality of clusters according to the distribution of each element in the data space.

予兆診断モデル作成部３１２は、障害の種類毎に、時系列データクラスタリング部３１１によるクラスタリング処理で得られた複数のクラスタの各々について予兆診断モデルを作成する。すなわち、障害の種類毎に、複数の予兆診断モデル（クラスタ別の予兆診断モデル）を作成する。
本例では、障害予兆データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布（該当の画像形成パラメータにおいて各々の特徴量が出現する頻度の分布）と正常データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布とに基づいて、Ｎａｉｖｅ−Ｂａｙｅｓモデル方式の予兆診断モデルを作成する。 The predictive diagnosis model creation unit 312 creates a predictive diagnosis model for each of a plurality of clusters obtained by clustering processing by the time-series data clustering unit 311 for each type of failure. That is, a plurality of predictive diagnosis models (predictive diagnosis models for each cluster) are created for each type of failure.
In this example, the frequency distribution of the feature amount for each image forming parameter belonging to the corresponding cluster of the failure predictor data group (the distribution of the frequency at which each feature amount appears in the corresponding image forming parameter) belongs to the corresponding cluster of the normal data group. Based on the frequency distribution of the feature quantity for each image forming parameter, a predictive diagnosis model of the Naive-Bayes model method is created.

図３には、従来の方式で作成した予兆診断モデルの例を示してあり、図４には、本例の方式で作成した予兆診断モデルの例を示してある。このように、従来は、処理対象となる種類の障害に関連する画像形成パラメータの特徴量のデータ群の全体を用いて単一の予兆診断モデル（汎用的な予兆診断モデル）を作成していたのに対し、本例の予兆診断モデル作成ブロック３１０では、処理対象となる種類の障害に関連する画像形成パラメータの特徴量のデータ群を当該障害の原因の分類に対応する数の複数のクラスタ（図４の例では、Ａ領域のクラスタと、Ｂ領域のクラスタと、Ｃ領域のクラスタの３つ）に分割して、クラスタ毎の予兆診断モデルを作成するようにした。   FIG. 3 shows an example of the predictive diagnosis model created by the conventional method, and FIG. 4 shows an example of the predictive diagnosis model created by the method of this example. As described above, conventionally, a single predictive diagnosis model (general-purpose predictive diagnosis model) has been created by using the entire feature amount data group of image formation parameters related to the type of failure to be processed. On the other hand, in the predictive diagnosis model creation block 310 of this example, the data group of the feature quantity of the image formation parameter related to the type of failure to be processed is converted into a plurality of clusters (the number of clusters corresponding to the category of the failure cause) In the example of FIG. 4, the predictive diagnosis model for each cluster is created by dividing the cluster into three (A area cluster, B area cluster, and C area cluster).

なお、予兆診断モデルは、各画像形成パラメータの特徴量そのものを用いて作成してもよいが、各画像形成パラメータの特徴量の分散値、各画像形成パラメータの特徴量の時間的変化の傾向を表す指標値、画像形成パラメータ間の特徴量の時間的変化の相関度合を表す相関値など、各画像形成パラメータの特徴量に対して各種の演算を施した結果を用いて作成してもよい。
また、Ｎａｉｖｅ−Ｂａｙｅｓモデル方式以外の予兆診断モデルを作成してもよく、例えば、マハラノビス距離に基づく予兆診断モデルを作成してもよい。 The predictive diagnosis model may be created by using the feature amount of each image formation parameter itself, but the variance value of the feature amount of each image formation parameter and the tendency of the feature amount of each image formation parameter to change over time. It may be created using the results obtained by performing various operations on the feature amounts of the respective image formation parameters, such as the index value to be represented and the correlation value representing the correlation degree of the temporal change in the feature amount between the image formation parameters.
In addition, a predictive diagnosis model other than the Naive-Bayes model method may be created. For example, a predictive diagnosis model based on the Mahalanobis distance may be created.

以上のように、画像形成装置１００に発生する障害は、同じ種類の障害でもその原因が複数想定されるので、本例の予兆診断モデル作成ブロック３１０では、障害の種類毎に、当該障害の原因の分類数に対応する複数の予兆診断モデルを作成するようにした。   As described above, the failure that occurs in the image forming apparatus 100 is assumed to have a plurality of causes even for the same type of failure. Therefore, in the predictive diagnosis model creation block 310 of this example, the cause of the failure for each type of failure. Several predictive diagnosis models corresponding to the number of classifications were created.

予兆診断モデル保持部３０５は、予兆診断モデル作成ブロック３１０により障害の種類毎に作成されたクラスタ毎の予兆診断モデルを記憶（保持）する。   The sign diagnosis model holding unit 305 stores (holds) the sign diagnosis model for each cluster created by the sign diagnosis model creation block 310 for each type of failure.

なお、自装置で予兆診断モデルの作成を行わず、他装置で作成された予兆診断モデルを予兆診断モデル保持部３０５に保持させるようにしてもよい。この場合には、保守データ蓄積部３０２や予兆診断モデル作成ブロック３１０は不要であり、また、時系列データ蓄積部３０３におけるデータの蓄積期間は、後述の予兆診断ブロック３２０による予兆診断に必要なデータ量が得られる期間（例えば、１ヶ月）で足りる。   Note that the sign diagnosis model created by another apparatus may be held in the sign diagnosis model holding unit 305 without creating the sign diagnosis model by the own apparatus. In this case, the maintenance data storage unit 302 and the predictive diagnosis model creation block 310 are unnecessary, and the data storage period in the time-series data storage unit 303 is data necessary for predictive diagnosis by the predictive diagnosis block 320 described later. A period in which the amount is obtained (for example, one month) is sufficient.

予兆診断ブロック３２０は、画像形成装置１００について障害（故障や異常を含む）の予兆診断（障害が発生する確率の算出）を行うブロックであり、時系列データクラスタリング部３２１、予兆診断モデル選択部３２２、予兆診断部３２３を有する。   The predictive diagnosis block 320 is a block that performs predictive diagnosis (calculation of the probability of occurrence of a failure) of the image forming apparatus 100 (including failure and abnormality), and includes a time-series data clustering unit 321 and a predictive diagnosis model selecting unit 322. And a predictive diagnosis unit 323.

時系列データクラスタリング部３２１は、障害予兆の診断対象となる画像形成装置１００について、障害の種類毎に、時系列データ蓄積部３０３に蓄積されている直近の予め定められた期間における各画像形成パラメータの区間単位の特徴量に対してクラスタリング処理を施す。
具体的には、処理対象となる種類の障害について、診断対象の画像形成装置１００における直近の予め定められた期間（障害の予兆がある場合に画像形成パラメータの値に異変が表れると想定される期間であり、本例では、当該処理の時点を起点に遡った過去１ヶ月）分の各区間単位の特徴量を予兆診断データ群の要素として収集する。本例では、障害の種類毎に、当該障害の発生に関連して値が特徴的に変動すると想定される複数の画像形成パラメータを予め設定してあり、これら複数の画像形成パラメータの特徴量を、予兆診断データ群の要素として収集する。そして、予兆診断データ群を、障害予兆データ群や正常データ群と同じ態様で複数のクラスタに分割する。すなわち、予兆診断データ群のデータ空間を、障害予兆データ群のデータ空間を分割した態様に合わせて分割する。
なお、本例では、障害予兆データ群についての期間と予兆診断データ群についての期間とを共に１ヶ月としているが、これらは異ならせても構わない。 The time-series data clustering unit 321 has the image forming parameters for the most recent predetermined period accumulated in the time-series data accumulation unit 303 for each type of failure for the image forming apparatus 100 that is the diagnosis target of the failure sign. Clustering processing is performed on the feature quantity of each section.
Specifically, for the type of failure to be processed, the most recent predetermined period in the image forming apparatus 100 to be diagnosed (when there is a sign of failure, the value of the image forming parameter is assumed to change. In this example, feature quantities for each section for the past one month from the starting point of the process are collected as elements of the predictive diagnosis data group. In this example, for each type of failure, a plurality of image forming parameters whose values are assumed to fluctuate characteristically in relation to the occurrence of the failure are set in advance, and feature amounts of these plurality of image forming parameters are set. Collect as an element of the predictive diagnosis data group. The sign diagnosis data group is divided into a plurality of clusters in the same manner as the failure sign data group and the normal data group. In other words, the data space of the predictive diagnosis data group is divided in accordance with a mode in which the data space of the failure predictive data group is divided.
In this example, the period for the failure sign data group and the period for the sign diagnosis data group are both set to one month, but they may be different.

予兆診断モデル選択部３２２は、診断対象の画像形成装置１００について、障害の種類毎に、時系列データクラスタリング部３２１によるクラスタリング処理の結果に応じた予兆診断モデルを選択し、該当する予兆診断モデルを予兆診断モデル保持部３０５から取得する。
本例では、予兆診断データ群を分割した複数のクラスタのうち要素数が最も多いクラスタを特定し、当該クラスタについて作成された予兆診断モデルを選択する。すなわち、予兆診断データ群の各要素が各々のクラスタに属する数の多数決によりクラスタの特定を行い、当該クラスタに対応する予兆診断モデルを選択する。なお、上記のような多数決以外の方法でクラスタの特定を行ってもよく、例えば、予兆診断データ群の重心と各クラスタの重心との距離を算出し、当該距離が最も小さいクラスタを特定して、当該クラスタに対応する予兆診断モデルを選択してもよい。
このように、予兆診断モデル選択部３２２は、予兆診断モデル保持部３０５に保持されたクラスタ毎の予兆診断モデルのうち、診断対象の画像形成装置１００について作成した予兆診断データ群との適合性が最も高い予兆診断モデルを取得する。 The predictive diagnosis model selection unit 322 selects a predictive diagnosis model corresponding to the result of the clustering process by the time-series data clustering unit 321 for each type of failure for the image forming apparatus 100 to be diagnosed, and selects the corresponding predictive diagnosis model. Obtained from the predictive diagnosis model holding unit 305.
In this example, the cluster having the largest number of elements is identified from among a plurality of clusters obtained by dividing the sign diagnosis data group, and the sign diagnosis model created for the cluster is selected. That is, a cluster is specified by the majority of the number of elements of the sign diagnosis data group belonging to each cluster, and the sign diagnosis model corresponding to the cluster is selected. Note that the cluster may be identified by a method other than the majority vote as described above. For example, the distance between the centroid of the predictive diagnosis data group and the centroid of each cluster is calculated, and the cluster having the smallest distance is identified. A predictive diagnosis model corresponding to the cluster may be selected.
As described above, the predictive diagnosis model selection unit 322 has compatibility with the predictive diagnosis data group created for the image forming apparatus 100 to be diagnosed among the predictive diagnosis models for each cluster held in the predictive diagnosis model holding unit 305. Get the highest predictive diagnostic model.

予兆診断部３２３は、診断対象の画像形成装置１００について、障害の種類毎に、予兆診断モデル選択部３２２で取得した予兆診断モデルを用いて予兆診断（障害が発生する確率の算出）を行う。
具体的には、処理対象となる種類の障害について時系列データクラスタリング部３２１で収集した予兆診断データ群と、当該予兆診断データ群に基づいて予兆診断モデル選択部３２２で取得した予兆診断モデル（本例では、障害予兆データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布と正常データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布）とを用いて、処理対象となる種類の障害が発生する確率（危険度）を算出する。 The sign diagnosis unit 323 performs sign diagnosis (calculation of the probability of occurrence of a failure) for each type of failure using the sign diagnosis model acquired by the sign diagnosis model selection unit 322 for each type of failure.
More specifically, the predictive diagnosis data group collected by the time-series data clustering unit 321 for the type of failure to be processed, and the predictive diagnosis model (this book) acquired by the predictive diagnosis model selection unit 322 based on the predictive diagnosis data group In the example, using the frequency distribution of the feature amount for each image forming parameter belonging to the corresponding cluster of the failure predictor data group and the frequency distribution of the feature amount for each image forming parameter belonging to the corresponding cluster of the normal data group), The probability (risk level) that a certain type of failure occurs is calculated.

本例では、図４に示したように、処理対象となる種類の障害の各クラスタについて、当該障害に関連する画像形成パラメータ（正常データ群や障害予兆データ群のデータ空間を構成する画像形成パラメータ）毎に、正常データ群の特徴量の頻度分布と障害予兆データ群の特徴量の頻度分布を作成し、Ｎａｉｖｅ−Ｂａｙｅｓモデルの各ノード（画像形成パラメータ毎のノード）に確率テーブルとして持たせてある。予兆診断部３２３は、処理対象となる種類の障害に関連する画像形成パラメータ毎に、予兆診断データ群における特徴量の頻度分布とＮａｉｖｅ−Ｂａｙｅｓモデルの該当ノードの確率テーブルとに基づいて障害が発生する確率を算出し、画像形成パラメータ毎に算出した確率を集約することで、処理対象となる種類の障害が発生する確率を算出する。なお、画像形成パラメータ毎に算出した確率の集約は種々の方法により行うことができ、例えば、単なる加算や乗算でもよく、画像形成パラメータ毎に重み値を乗算した結果の加算や乗算でもよい。   In this example, as shown in FIG. 4, for each type of failure cluster to be processed, image formation parameters related to the failure (image formation parameters constituting the data space of the normal data group and the failure predictor data group). ), The frequency distribution of the feature amount of the normal data group and the frequency distribution of the feature amount of the failure predictor data group are created for each node (node for each image forming parameter) of the Naive-Bayes model as a probability table. is there. The predictive diagnosis unit 323 generates a failure on the basis of the frequency distribution of the feature amount in the predictive diagnosis data group and the probability table of the corresponding node of the Naive-Bayes model for each image formation parameter related to the type of failure to be processed. And the probability calculated for each image forming parameter is aggregated to calculate the probability of occurrence of the type of failure to be processed. The aggregation of the probabilities calculated for each image forming parameter can be performed by various methods. For example, simple addition or multiplication may be performed, or addition or multiplication of a result obtained by multiplying a weight value for each image forming parameter may be used.

Ｎａｉｖｅ−Ｂａｙｅｓモデルを用いた予兆診断の手法について更に説明する。
本例では、診断対象の画像形成装置１００について取得した障害Ｔに係る予兆診断データ群におけるｎ種の特徴量Ｘｉ（１≦ｉ≦ｎ）の各値をそれぞれｘｉとして、以下の（式１）により、障害Ｔが発生する確率を算出する。なお、（式１）は、各々の特徴量の間に相関が無いことを前提としている。 A method of predictive diagnosis using the Naive-Bayes model will be further described.
In this example, the values of the diagnosis of n species in sign diagnostic data group according to fault T obtained for the image forming apparatus 100 of the object characteristic quantity X i (1 ≦ i ≦ n ) as x i, respectively, the following (formula According to 1), the probability that a failure T will occur is calculated. Note that (Equation 1) is based on the assumption that there is no correlation between the feature quantities.

Figure 2015036961
Figure 2015036961

ここで、Ｐ（Ｔ＝ｙｅｓ）は、障害Ｔが発生する確率（事前確率）であり、Ｐ（Ｔ＝ｎｏ）は、障害Ｔが発生しない確率（事前確率）であり、Ｐ（Ｔ＝ｙｅｓ）＋Ｐ（Ｔ＝ｎｏ）＝１という関係を有する。
また、Ｐ（ｘｉ｜（Ｔ＝ｙｅｓ））は、障害Ｔが発生した場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、障害Ｔに係る特徴量Ｘｉについての障害予兆データ群におけるｘｉの出現確率を用いる。
また、Ｐ（ｘｉ｜（Ｔ＝ｎｏ））は、障害Ｔが発生しなかった場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、障害Ｔに係る特徴量Ｘｉについての正常データ群におけるｘｉの出現確率を用いる。 Here, P (T = yes) is a probability (prior probability) that the failure T occurs, P (T = no) is a probability (prior probability) that the failure T does not occur, and P (T = yes) ) + P (T = no) = 1.
Also, P (x i | (T = yes)) is the probability value of the i-th feature quantity X i was x i when the fault T occurs, the feature quantity X i in accordance with the fault T The occurrence probability of x i in the failure predictor data group is used.
P (x i | (T = no)) is a probability that the value of the i-th feature value X i is x i when the failure T does not occur, and the feature value X related to the failure T Use the probability of occurrence of x i in the normal data group for i .

すなわち、（式１）では、障害Ｔが発生する確率（事前確率）と、障害Ｔが発生した場合にｎ種の特徴量Ｘｉ（１≦ｉ≦ｎ）の各値として（ｘ１，ｘ２，・・・，ｘｎ）という組み合わせが得られた確率とを乗じた値［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘｉ｜（Ｔ＝ｙｅｓ））］、及び、障害Ｔが発生しない確率（事前確率）と、障害Ｔが発生しなかった場合にｎ種の特徴量Ｘｉ（１≦ｉ≦ｎ）の各値として（ｘ１，ｘ２，・・・，ｘｎ）という組み合わせが得られた確率とを乗じた値［Ｐ（Ｔ＝ｎｏ）・ΠＰ（ｘｉ｜（Ｔ＝ｎｏ））］を用いて、診断対象の画像形成装置１００に障害Ｔが発生する確率［Ｐ（（Ｔ＝ｙｅｓ）｜ｘ１，ｘ２，・・・，ｘｎ）］を算出する。 In other words, in (Equation 1), the probability of occurrence of the failure T (prior probability) and the values of the n types of feature amounts X i (1 ≦ i ≦ n) when the failure T occurs are (x 1 , x 2 ,..., X n ) multiplied by the probability that the combination was obtained [P (T = yes) · ΠP (x i | (T = yes))] and the probability that the failure T does not occur (Priority probability) and a combination of (x 1 , x 2 ,..., X n ) as each value of the n types of feature amounts X i (1 ≦ i ≦ n) when the failure T does not occur. Using the value [P (T = no) · ΠP (x i | (T = no))] multiplied by the obtained probability, the probability [P ( (T = yes) | x 1 , x 2 ,..., X n )] is calculated.

なお、予兆診断モデルが、各画像形成パラメータの特徴量に対して各種の演算を施した結果を用いて作成されたものであれば、予兆診断データ群についても同種の演算を施して予兆診断データ群の変換を行い、当該変換後の予兆診断データ群を用いて予兆診断（障害が発生する確率の算出）を行えばよい。   In addition, if the predictive diagnosis model is created using the result of performing various calculations on the feature amount of each image forming parameter, the predictive diagnosis data group is also subjected to the same kind of calculation and the predictive diagnosis data It is only necessary to perform group conversion and perform predictive diagnosis (calculation of the probability of occurrence of a failure) using the pre-diagnosis diagnosis data group after the conversion.

予兆診断結果出力部３０６は、予兆診断ブロック３２０による予兆診断の結果（障害の種類毎に算出した障害が発生する確率）を出力する。本例では、予兆診断の結果を示す情報を保守データ入力端末２００へ送信し、保守データ入力端末２００に設けられた表示装置により表示出力することで、保守作業の担当者や保守作業の指示者などに予兆診断の結果を知らしめる。なお、予兆診断の結果は、画像形成装置１００に設けられた表示装置や障害予兆診断装置３００に設けられた表示装置など、他の表示装置により表示出力してもよい。また、予兆診断の結果は、表示出力以外の態様で出力してもよく、例えば、印刷装置により用紙に印刷出力したり、スピーカにより音声出力してもよい。   The sign diagnosis result output unit 306 outputs the result of sign diagnosis by the sign diagnosis block 320 (probability of occurrence of a failure calculated for each type of failure). In this example, information indicating the result of predictive diagnosis is transmitted to the maintenance data input terminal 200 and displayed on the display device provided in the maintenance data input terminal 200, so that the person in charge of maintenance work or the person instructing maintenance work is displayed. Let them know the results of predictive diagnosis. Note that the result of the sign diagnosis may be displayed and output by another display device such as a display device provided in the image forming apparatus 100 or a display device provided in the failure sign diagnosis apparatus 300. Moreover, the result of the sign diagnosis may be output in a mode other than the display output. For example, it may be printed on a sheet by a printing device or may be output by a speaker.

本例の障害予兆診断装置３００による予兆診断の流れについて、図５の処理フローを参照して説明する。なお、各画像形成装置１００から画像形成パラメータの値を取得するタイミングであるデータ取得タイミング、取得した画像形成パラメータの値を区間単位のデータ特性を表す特徴量に変換するタイミングであるデータ変換タイミング、障害の発生の予兆を診断するタイミングである予兆診断タイミングが予め規定されているものとする。   The flow of predictive diagnosis by the failure predictive diagnosis apparatus 300 of this example will be described with reference to the processing flow of FIG. It should be noted that a data acquisition timing that is a timing for acquiring the value of the image forming parameter from each image forming apparatus 100, a data conversion timing that is a timing for converting the acquired value of the image forming parameter into a feature amount representing a data characteristic for each section, It is assumed that a sign diagnosis timing that is a timing for diagnosing a sign of occurrence of a failure is defined in advance.

障害予兆診断装置３００は、データ取得部３０１により、データ取得タイミングが到来する毎に、診断対象の画像形成装置１００から画像形成パラメータの値を取得し（ステップＳ１１）、時系列データ蓄積部３０３に記憶（記憶）させる（ステップＳ１２）。
次に、障害予兆診断装置３００は、データ変換タイミングが到来したか否かを判定する（ステップＳ１３）。データ変換タイミングが到来していない場合には、ステップＳ１１に戻る。一方、データ変換タイミングが到来した場合には、時系列データ前処理部３０４により、診断対象の画像形成装置１００から取得した画像形成パラメータの値を区間単位の特徴量に変換する（ステップＳ１４）。
次に、障害予兆診断装置３００は、予兆診断タイミングが到来したか否かを判定する（ステップＳ１５）。予兆診断タイミングが到来していない場合には、ステップＳ１１に戻る。一方、予兆診断タイミングが到来した場合には、予兆診断動作へ移行する。 The failure sign diagnosis apparatus 300 acquires the value of the image formation parameter from the image forming apparatus 100 to be diagnosed by the data acquisition unit 301 every time the data acquisition timing arrives (step S11), and stores it in the time-series data storage unit 303. Store (store) (step S12).
Next, the failure sign diagnosis apparatus 300 determines whether or not the data conversion timing has arrived (step S13). If the data conversion timing has not arrived, the process returns to step S11. On the other hand, when the data conversion timing has arrived, the time-series data pre-processing unit 304 converts the value of the image formation parameter acquired from the image forming apparatus 100 to be diagnosed into a feature amount for each section (step S14).
Next, the failure sign diagnosis device 300 determines whether or not the sign diagnosis timing has come (step S15). If the sign diagnosis timing has not arrived, the process returns to step S11. On the other hand, when the sign diagnosis timing comes, the process proceeds to the sign diagnosis operation.

予兆診断動作では、処理対象となる障害の種類を切り替えながら、以下の処理（ステップＳ１７〜Ｓ１９）を繰り返す。
まず、障害予兆診断装置３００は、時系列データクラスタリング部３２１により、診断対象の画像形成装置１００における各画像形成パラメータの区間単位の特徴量（本例では、直近の１ヶ月分）を予兆診断データ群の要素として収集し、当該予兆診断データ群を障害予兆データ群と同じ態様で複数のクラスタに分割する（ステップＳ１７）。
次に、障害予兆診断装置３００は、予兆診断モデル選択部３２２により、時系列データクラスタリング部３２１によるクラスタリング処理の結果に応じた予兆診断モデルを予兆診断モデル保持部３０５から取得する（ステップＳ１８）。ここで、取得した予兆診断モデルが、各画像形成パラメータの特徴量に対して各種の演算を施した結果を用いて作成されたものであれば、予兆診断データ群についても同種の演算を施しておく。
次に、障害予兆診断装置３００は、診断対象の画像形成装置１００について取得した予兆診断データ群と、当該予兆診断データ群に基づいて取得した予兆診断モデルとを用いて、処理対象となる種類の障害が発生する確率（危険度）を算出する（ステップＳ１９）。 In the predictive diagnosis operation, the following processing (steps S17 to S19) is repeated while switching the type of failure to be processed.
First, the failure predictor diagnosis apparatus 300 uses the time-series data clustering unit 321 to calculate the feature amount of each image formation parameter in the image forming apparatus 100 to be diagnosed (in this example, for the most recent month) as predictive diagnosis data. Collected as group elements, the predictive diagnosis data group is divided into a plurality of clusters in the same manner as the failure predictive data group (step S17).
Next, the failure sign diagnosis apparatus 300 acquires from the sign diagnosis model holding unit 305 the sign diagnosis model according to the result of the clustering process by the time series data clustering unit 321 by the sign diagnosis model selection unit 322 (step S18). Here, if the acquired predictive diagnosis model is created using the results obtained by performing various calculations on the feature values of each image formation parameter, the same type of calculation is also performed on the predictive diagnosis data group. deep.
Next, the failure sign diagnosis apparatus 300 uses the sign diagnosis data group acquired for the image forming apparatus 100 to be diagnosed and the sign diagnosis model acquired based on the sign diagnosis data group of the type to be processed. The probability (risk level) that a failure occurs is calculated (step S19).

次に、障害予兆診断装置３００は、全ての障害の種類について処理を終えたか否かを判定する（ステップＳ１６）。全ての障害の種類について処理を終えていない場合には、ステップＳ１７に戻る。一方、全ての障害の種類について処理を終えた場合には、予兆診断結果出力部３０６により、予兆診断の結果を出力する（ステップＳ２０）。   Next, the failure predictor diagnosis apparatus 300 determines whether or not processing has been completed for all types of failures (step S16). If the processing has not been completed for all types of failure, the process returns to step S17. On the other hand, when the processing has been completed for all types of failure, the sign diagnosis result output unit 306 outputs the sign diagnosis result (step S20).

以上のように、本例の障害予兆診断装置３００は、予兆診断モデル作成ブロック３１０にて、障害の種類毎に、当該障害の種類に関連する複数の画像形成パラメータの特徴量を要素とした正常データ群及び障害予兆データ群を複数のクラスタに分割し、複数のクラスタの各々について予兆診断モデルを作成し、予兆診断ブロック３２０にて、診断対象の画像形成装置１００について、障害の種類毎に、当該障害の種類に関連する複数の画像形成パラメータの特徴量を要素とした予兆診断データ群との適合性が最も高い予兆診断モデルを選択し、当該予兆診断モデルを用いて障害の予兆診断（障害が発生する確率の算出）を行う。   As described above, the failure predictor diagnosis apparatus 300 according to the present example has a normal function using the feature amounts of a plurality of image formation parameters related to the type of failure for each type of failure in the predictive diagnosis model creation block 310. The data group and the failure predictor data group are divided into a plurality of clusters, a predictive diagnosis model is created for each of the plurality of clusters, and in the predictive diagnosis block 320, the image forming apparatus 100 to be diagnosed is classified for each type of failure. Select a predictive diagnosis model having the highest compatibility with the predictive diagnosis data group including the feature quantities of a plurality of image formation parameters related to the type of the fault, and use the predictive diagnosis model to predict the sign of the fault (failure (Probability of occurrence) is performed.

すなわち、フィードバック処理により互いに関連して変化する特性を持つ複数の画像形成パラメータのデータ空間全体を用いて予兆診断モデルを作成するのではなく、画像形成パラメータの特徴量の分布の偏り具合を反映したクラスタ別に予兆診断モデルを作成しておき、診断対象の画像形成装置１００について収集した画像形成パラメータの特徴量の分布に応じた予兆診断モデルを選択して予兆診断を行うようにした。
これにより、同じ種類の障害でも画像形成パラメータの特徴量の分布の偏り具合が異なる状況（例えば、障害の原因系の相違によって分布の偏り具合が異なる状況）に対応した予兆診断を行うことができ、予兆診断の精度を高めることができる。 That is, instead of creating a predictive diagnosis model using the entire data space of a plurality of image formation parameters that have characteristics that change in relation to each other by feedback processing, the degree of distribution of the feature amount distribution of the image formation parameters is reflected. A predictive diagnosis model is created for each cluster, and the predictive diagnosis model is selected according to the distribution of the feature amounts of the image forming parameters collected for the image forming apparatus 100 to be diagnosed, and the predictive diagnosis is performed.
As a result, it is possible to perform predictive diagnosis corresponding to a situation in which the distribution deviation of the feature amount distribution of the image forming parameter is different even in the same type of failure (for example, a situation in which the distribution deviation is different due to a difference in the cause system of the failure). The accuracy of predictive diagnosis can be increased.

ここで、本例の障害予兆診断装置３００は、各種演算処理を行うＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＣＰＵの作業領域となるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）や基本的な制御プログラムなどを記録したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の主記憶装置、各種のプログラムやデータを記憶するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の補助記憶装置、各種の情報を表示出力するための表示装置及び操作者により入力操作に用いられる操作ボタンやタッチパネル等の入力機器とのインタフェースである入出力Ｉ／Ｆ、他の装置との間で有線又は無線により通信を行うインタフェースである通信Ｉ／Ｆ、といったハードウェア資源を備えたコンピュータにより実現されている。   Here, the failure sign diagnosis apparatus 300 of this example includes a CPU (Central Processing Unit) that performs various arithmetic processing, a RAM (Random Access Memory) that is a work area of the CPU, a ROM (Read) that records a basic control program, and the like. Main memory such as Only Memory), auxiliary storage such as HDD (Hard Disk Drive) that stores various programs and data, display device for displaying and outputting various information, and operations used for input operations by the operator Realized by a computer equipped with hardware resources such as an input / output I / F that is an interface with an input device such as a button or a touch panel, and a communication I / F that is an interface for performing wired or wireless communication with other devices. Has been.

そして、本発明に係るプログラムを補助記憶装置等から読み出してＲＡＭに展開し、これをＣＰＵにより実行させることで、本発明に係る障害予兆診断装置の機能をコンピュータ上に実現している。
なお、本例では、本発明に係る記憶手段の機能を予兆診断モデル保持部３０５により実現し、本発明に係る取得手段の機能を時系列データクラスタリング部３２１により実現し、本発明に係る選択手段の機能を時系列データクラスタリング部３２１及び予兆診断モデル選択部３２２により実現し、本発明に係る算出手段の機能を予兆診断部３２３により実現している。 Then, the program according to the present invention is read from the auxiliary storage device or the like, loaded into the RAM, and executed by the CPU, thereby realizing the function of the failure sign diagnosis device according to the present invention on the computer.
In this example, the function of the storage unit according to the present invention is realized by the predictive diagnosis model holding unit 305, the function of the acquisition unit according to the present invention is realized by the time-series data clustering unit 321, and the selection unit according to the present invention. Is realized by the time-series data clustering unit 321 and the predictive diagnosis model selection unit 322, and the function of the calculation means according to the present invention is realized by the predictive diagnosis unit 323.

ここで、本発明に係るプログラムは、例えば、当該プログラムを記憶したＣＤ−ＲＯＭ等の外部記憶媒体から読み込む形式や、通信網等を介して受信する形式などにより、障害予兆診断装置３００のコンピュータに設定される。
なお、本例のようなソフトウェア構成により各機能部を実現する態様に限られず、各機能部を専用のハードウェアモジュールで実現するようにしてもよい。 Here, the program according to the present invention is stored in the computer of the failure predictor diagnosis apparatus 300 by, for example, a format read from an external storage medium such as a CD-ROM storing the program or a format received via a communication network. Is set.
Note that the present invention is not limited to a mode in which each functional unit is realized by a software configuration as in this example, and each functional unit may be realized by a dedicated hardware module.

また、上記の説明では、画像形成装置１００を被監視装置の例として、被監視装置に係る障害の予兆診断について説明をしたが、本発明は、装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する他の装置（例えば、フィードバック処理により各種パラメータを連動的に制御する機構を有する製造装置）を被監視装置としてもよく、障害予兆診断装置３００が被監視装置から障害の予兆診断に必要な情報を収集する仕組みがあればよい。   In the above description, the image forming apparatus 100 is taken as an example of the monitored apparatus, and the failure diagnosis related to the monitored apparatus has been described. However, the present invention relates a plurality of parameters indicating the internal state of the apparatus to each other. Another device having a mechanism for changing the parameters (for example, a manufacturing device having a mechanism for controlling various parameters in conjunction with feedback processing) may be used as the monitored device. There should be a mechanism to collect information necessary for predictive diagnosis.

本発明は、装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する被監視装置について障害の予兆診断を行う種々のシステムや装置、これらのプログラム、方法等に利用することができる。   The present invention can be used for various systems and devices for performing a predictive diagnosis of a failure on a monitored device having a mechanism for changing a plurality of parameters indicating the internal state of the device in relation to each other, a program, a method thereof, and the like. it can.

１００：画像形成装置、 ２００：保守データ入力端末、 ３００：障害予兆診断装置、
３０１：データ取得部、 ３０２：保守データ蓄積部、 ３０３：時系列データ蓄積部、 ３０４：時系列データ前処理部、 ３０５：予兆診断モデル保持部、 ３０６：予兆診断結果出力部、 ３１０：予兆診断モデル作成ブロック、 ３１１：時系列データクラスタリング部、 ３１２：予兆診断モデル作成部、 ３２０：予兆診断ブロック、 ３２１：時系列データクラスタリング部、 ３２２：予兆診断モデル選択部、 ３２３：予兆診断部 100: Image forming apparatus, 200: Maintenance data input terminal, 300: Predictive failure diagnosis apparatus,
301: Data acquisition unit, 302: Maintenance data storage unit, 303: Time series data storage unit, 304: Time series data preprocessing unit, 305: Predictive diagnosis model holding unit, 306: Predictive diagnosis result output unit, 310: Predictive diagnosis Model creation block, 311: Time series data clustering unit, 312: Predictive diagnosis model creation unit, 320: Predictive diagnosis block, 321: Time series data clustering unit, 322: Predictive diagnosis model selection unit, 323: Predictive diagnosis unit

Claims (6)

被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、
を備えたことを特徴とする障害予兆診断装置。 This is a cluster that divides the parameter space that is the parameter that indicates the internal state of the monitored device and that includes the feature quantities of multiple parameters that change in relation to each other. From the time when a failure or maintenance work occurs on the monitored device The distribution of feature quantities of the plurality of parameters in the period and the plurality of features in other periods for each cluster divided based on the bias of the distribution of the feature quantities of the plurality of parameters in a period of a predetermined length that goes back. Storage means for storing a predictive diagnosis model based on the distribution of feature quantities of the parameters of
For the monitored device to be diagnosed, acquisition means for acquiring feature quantities of the plurality of parameters in a period of a predetermined length that goes back from the time of the diagnosis;
A selection unit that selects a predictive diagnosis model of a cluster according to a distribution of feature amounts of the plurality of parameters acquired by the acquisition unit;
Calculating means for calculating a probability of occurrence of a failure in the monitored apparatus to be diagnosed based on the distribution of feature amounts of the plurality of parameters acquired by the acquiring means and the predictive diagnosis model selected by the selecting means; ,
A failure sign diagnosis apparatus comprising: 前記記憶手段は、前記パラメータ空間を障害の原因の分類に対応する数で分割したクラスタ毎の予兆診断モデルを記憶する、
ことを特徴とする請求項１に記載の障害予兆診断装置。 The storage means stores a predictive diagnosis model for each cluster obtained by dividing the parameter space by a number corresponding to the classification of the cause of failure.
The failure sign diagnostic apparatus according to claim 1. 前記記憶手段は、障害の種類毎に、当該障害の種類に対応する複数のパラメータの特徴量を要素としたパラメータ空間のクラスタ毎の予兆診断モデルを記憶し、
診断対象の被監視装置について、障害の種類毎に、前記取得手段により前記複数のパラメータの特徴量を取得し、前記選択手段により前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、前記算出手段により前記取得した前記複数のパラメータの値と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、
ことを特徴とする請求項１又は請求項２に記載の障害予兆診断装置。 The storage means stores, for each failure type, a predictive diagnosis model for each cluster in the parameter space including feature quantities of a plurality of parameters corresponding to the failure type,
For each type of failure to be monitored, the acquisition unit acquires feature quantities of the plurality of parameters for each type of failure, and the selection unit acquires cluster feature quantities according to the acquired feature quantity distributions of the plurality of parameters. Selecting a predictive diagnosis model, and calculating a probability of occurrence of a failure in the monitored apparatus to be diagnosed based on the values of the plurality of parameters acquired by the calculating means and the selected predictive diagnosis model;
The failure sign diagnostic apparatus according to claim 1 or 2, characterized in that 自装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータを検出する被監視装置と、被監視装置に障害が発生する確率を算出する障害予兆診断装置とを有し、
障害予兆診断装置は、
前記複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、
を備えたことを特徴とする障害予兆診断システム。 A monitored device that detects a plurality of parameters that indicate the internal state of the device itself and change in relation to each other, and a failure predictor diagnosis device that calculates a probability that a failure occurs in the monitored device,
The failure sign diagnosis device
A cluster obtained by dividing a parameter space having feature quantities of the plurality of parameters as elements, and the characteristics of the plurality of parameters in a predetermined length period that goes back from the time when a failure or maintenance work occurs in the monitored device A memory for storing a predictive diagnosis model based on a distribution of feature quantities of the plurality of parameters in the period and a distribution of feature quantities of the plurality of parameters in another period for each cluster divided based on a distribution of quantity distribution Means,
For the monitored device to be diagnosed, acquisition means for acquiring feature quantities of the plurality of parameters in a period of a predetermined length that goes back from the time of the diagnosis;
A selection unit that selects a predictive diagnosis model of a cluster according to a distribution of feature amounts of the plurality of parameters acquired by the acquisition unit;
Calculating means for calculating a probability of occurrence of a failure in the monitored apparatus to be diagnosed based on the distribution of feature amounts of the plurality of parameters acquired by the acquiring means and the predictive diagnosis model selected by the selecting means; ,
A failure predictive diagnosis system characterized by comprising: コンピュータに、
被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶機能と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得機能と、
前記取得機能により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択機能と、
前記取得機能により取得された前記複数のパラメータの特徴量の分布と前記選択機能により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出機能と、
を実現させるための障害予兆診断プログラム。 On the computer,
This is a cluster that divides the parameter space that is the parameter that indicates the internal state of the monitored device and that includes the feature quantities of multiple parameters that change in relation to each other. From the time when a failure or maintenance work occurs on the monitored device The distribution of feature quantities of the plurality of parameters in the period and the plurality of features in other periods for each cluster divided based on the bias of the distribution of the feature quantities of the plurality of parameters in a period of a predetermined length that goes back. A memory function for storing a predictive diagnosis model based on the distribution of feature amounts of parameters of
For the monitored device to be diagnosed, an acquisition function for acquiring feature amounts of the plurality of parameters in a period of a predetermined length that goes back from the time of the diagnosis;
A selection function for selecting a predictive diagnosis model of a cluster according to a distribution of feature amounts of the plurality of parameters acquired by the acquisition function;
A calculation function for calculating a probability of occurrence of a failure in the monitored device to be diagnosed based on the distribution of feature amounts of the plurality of parameters acquired by the acquisition function and the predictive diagnosis model selected by the selection function; ,
Predictive failure diagnosis program for realizing 障害予兆診断装置が、
被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶しておき、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得し、
前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、
前記取得した前記複数のパラメータの特徴量の分布と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、
ことを特徴とする障害予兆診断方法。 The failure predictor diagnosis device
This is a cluster that divides the parameter space that is the parameter that indicates the internal state of the monitored device and that includes the feature quantities of multiple parameters that change in relation to each other. From the time when a failure or maintenance work occurs on the monitored device The distribution of feature quantities of the plurality of parameters in the period and the plurality of features in other periods for each cluster divided based on the bias of the distribution of the feature quantities of the plurality of parameters in a period of a predetermined length that goes back. Memorizing a predictive diagnosis model based on the distribution of feature quantities of the parameters of
For the monitored device to be diagnosed, obtain feature quantities of the plurality of parameters in a period of a predetermined length that goes back from the time of the diagnosis,
Select a predictive diagnosis model of the cluster according to the distribution of the feature quantities of the acquired parameters,
Based on the acquired distribution of feature quantities of the plurality of parameters and the selected predictive diagnosis model, a probability that a failure occurs in the monitored apparatus to be diagnosed is calculated.
A predictive failure diagnosis method characterized by the above.
JP2013169221A 2013-08-16 2013-08-16 Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method Expired - Fee Related JP6075240B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013169221A JP6075240B2 (en) 2013-08-16 2013-08-16 Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013169221A JP6075240B2 (en) 2013-08-16 2013-08-16 Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method

Publications (2)

Publication Number Publication Date
JP2015036961A true JP2015036961A (en) 2015-02-23
JP6075240B2 JP6075240B2 (en) 2017-02-08

Family

ID=52687399

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013169221A Expired - Fee Related JP6075240B2 (en) 2013-08-16 2013-08-16 Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method

Country Status (1)

Country Link
JP (1) JP6075240B2 (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015174256A (en) * 2014-03-14 2015-10-05 富士ゼロックス株式会社 Fault prediction system, fault prediction device and program
JP2016085293A (en) * 2014-10-23 2016-05-19 富士ゼロックス株式会社 Failure prediction device, failure prediction system, and program
JP2017049940A (en) * 2015-09-04 2017-03-09 富士ゼロックス株式会社 Schedule update device and schedule update program
CN109753979A (en) * 2017-11-01 2019-05-14 阿里巴巴集团控股有限公司 Fault detection method and device based on characteristics of image
CN111542846A (en) * 2018-01-19 2020-08-14 株式会社日立制作所 Failure prediction system and failure prediction method
CN112564948A (en) * 2020-11-24 2021-03-26 北京三快在线科技有限公司 Information backtracking method and device, storage medium and electronic equipment
CN114026513A (en) * 2019-06-20 2022-02-08 株式会社日立制作所 Fault precursor diagnosis device and method thereof
US11293989B2 (en) 2018-03-15 2022-04-05 Nec Corporation Anomaly detection device, anomaly detection method, and recording medium

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06208568A (en) * 1993-01-08 1994-07-26 Nikon Corp Fault diagnosis assisting device
JP2013033149A (en) * 2011-08-02 2013-02-14 Fuji Xerox Co Ltd Image quality abnormality predicting system and program
JP2013109483A (en) * 2011-11-18 2013-06-06 Fuji Xerox Co Ltd Failure prediction system, failure prediction device, and program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06208568A (en) * 1993-01-08 1994-07-26 Nikon Corp Fault diagnosis assisting device
JP2013033149A (en) * 2011-08-02 2013-02-14 Fuji Xerox Co Ltd Image quality abnormality predicting system and program
JP2013109483A (en) * 2011-11-18 2013-06-06 Fuji Xerox Co Ltd Failure prediction system, failure prediction device, and program

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015174256A (en) * 2014-03-14 2015-10-05 富士ゼロックス株式会社 Fault prediction system, fault prediction device and program
JP2016085293A (en) * 2014-10-23 2016-05-19 富士ゼロックス株式会社 Failure prediction device, failure prediction system, and program
JP2017049940A (en) * 2015-09-04 2017-03-09 富士ゼロックス株式会社 Schedule update device and schedule update program
CN109753979A (en) * 2017-11-01 2019-05-14 阿里巴巴集团控股有限公司 Fault detection method and device based on characteristics of image
CN111542846A (en) * 2018-01-19 2020-08-14 株式会社日立制作所 Failure prediction system and failure prediction method
CN111542846B (en) * 2018-01-19 2023-08-29 株式会社日立制作所 Fault Prediction System and Fault Prediction Method
US11293989B2 (en) 2018-03-15 2022-04-05 Nec Corporation Anomaly detection device, anomaly detection method, and recording medium
CN114026513A (en) * 2019-06-20 2022-02-08 株式会社日立制作所 Fault precursor diagnosis device and method thereof
CN112564948A (en) * 2020-11-24 2021-03-26 北京三快在线科技有限公司 Information backtracking method and device, storage medium and electronic equipment
CN112564948B (en) * 2020-11-24 2022-11-04 北京三快在线科技有限公司 Information backtracking method and device, storage medium and electronic equipment

Also Published As

Publication number Publication date
JP6075240B2 (en) 2017-02-08

Similar Documents

Publication Publication Date Title
JP6075240B2 (en) Predictive failure diagnosis apparatus, predictive failure diagnosis system, predictive failure diagnosis program, and predictive failure diagnosis method
JP5370832B2 (en) State determination device and failure prediction system using the same
JP5867000B2 (en) Failure prediction system, failure prediction device, and program
JP6318674B2 (en) Failure prediction system, failure prediction device, and program
JP5953779B2 (en) Failure prediction system, failure prediction device, and program
JP6167948B2 (en) Failure prediction system, failure prediction device, and program
JP6365233B2 (en) Failure prediction device, failure prediction system, and program
JP5045191B2 (en) Failure prediction diagnosis device, failure prediction diagnosis system using the same, and failure prediction diagnosis program
JP6424562B2 (en) Failure prediction device, failure prediction system, and program
JP5790242B2 (en) Failure prediction apparatus and program
JP7315341B2 (en) Paper jam prediction system
US10462309B2 (en) System and method for diagnosing a printing device based on a correlation coefficient between print volume and error rate
JP4646287B2 (en) Image forming system, image forming method, image forming program, and recording medium
JP6075241B2 (en) Treatment determination apparatus, treatment determination system, treatment determination program, and treatment determination method
US20160110653A1 (en) Method and apparatus for predicting a service call for digital printing equipment from a customer
JP2009003561A (en) Fault prediction diagnostic system and fault prediction diagnostic system using the same
US10369825B2 (en) Systems and methods for supply quality measurement
US8233669B2 (en) System and method to detect changes in image quality
JP2013041173A (en) Failure prediction system and program
JP6136745B2 (en) Maintenance judgment device, maintenance judgment system, maintenance judgment program, and maintenance judgment method
US20100281188A1 (en) Methods and Systems for Outlying Peripheral Device Management
JP2013033149A (en) Image quality abnormality predicting system and program
JP5716403B2 (en) Failure prediction apparatus, image forming apparatus, and program
JP2013029987A (en) Monitor system and program
JP6477367B2 (en) Failure prediction management device, failure prediction management program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160218

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20161205

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20161213

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20161226

R150 Certificate of patent or registration of utility model

Ref document number: 6075240

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees