JP2015170200A - 故障予測装置及び故障予測方法 - Google Patents
故障予測装置及び故障予測方法 Download PDFInfo
- Publication number
- JP2015170200A JP2015170200A JP2014045417A JP2014045417A JP2015170200A JP 2015170200 A JP2015170200 A JP 2015170200A JP 2014045417 A JP2014045417 A JP 2014045417A JP 2014045417 A JP2014045417 A JP 2014045417A JP 2015170200 A JP2015170200 A JP 2015170200A
- Authority
- JP
- Japan
- Prior art keywords
- image
- image forming
- test image
- forming apparatus
- test
- 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
Links
Images
Abstract
【課題】ユーザーの負荷を軽減し、かつ制度の高い故障予測を行なうこと。【解決手段】故障予測装置は、画像形成装置にテスト画像を出力させるスケジュールを決定する決定手段と、前記決定したスケジュールに従って前記画像形成装置から送信されるテスト画像を受信する受信手段と、前記受信手段で受信したテスト画像を解析する解析手段と、前記解析手段での解析結果の時系列の推移に基づいて前記画像形成装置が故障するかを判定する判定手段と、前記解析手段での解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出手段とを有し、前記決定手段は、前記算出手段で算出されたテスト画像の評価値に応じて前記スケジュールを決定する。【選択図】図7
Description
本発明は、画像形成装置で形成された画像を診断して故障箇所を予測する技術に関する。
近年、画像形成装置で発生した画像障害の原因を特定する際、サービスマンが直接現地に赴くのではなく、ユーザーに画像を送ってもらい画像診断を行うことで画像障害の原因を特定する技術が知られている。
例えば、特定のテスト画像を複数枚ユーザーに出力してもらい、さらに出力された画像を画像形成装置に接続されているスキャナで読み取り、読みとった画像を適切な場所へ送信してもらう。そして、送信された場所では、過去のデータと送られてきた画像解析の結果から画像障害の原因を特定する。このような手法により、サービスマンは現地に行って原因を特定し、故障部品を取りにサービス拠点に戻り、再度故障部品を持って現地に赴くという無駄を省くことができる。
しかし、画像診断を行った結果、部品交換が必要だと判定されにもかかわらず、その必要な部品が、サービスマンが駐在しているサービス拠点にない場合、部品を取り寄せる必要がある。そのような場合、ユーザーは部品が取り寄せられる間、画像形成装置を使うことが出来なくなる。
このような問題が発生しないようにないように事前に故障を予測する技術が開示されている。特許文献1では、画像形成装置から情報を収集し、その情報に基づいて将来起こり得る故障を予測する技術が開示されている。
故障を精度よく予測するためには、様々な情報をより多く収集したほうが良い。しかしながら、画像形成装置で出力された画像を診断した結果を用いて故障を予測する場合、ユーザーが画像形成装置から出力されたテスト画像をスキャンして送信するので、多くの情報を収集しようとするとユーザーに負荷が発生する。
本発明に係る故障予測装置は、画像形成装置にテスト画像を出力させるスケジュールを決定する決定手段と、前記決定したスケジュールに従って前記画像形成装置から送信されるテスト画像を受信する受信手段と、前記受信手段で受信したテスト画像を解析する解析手段と、前記解析手段での解析結果の時系列の推移に基づいて前記画像形成装置が故障するかを判定する判定手段と、前記解析手段での解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出手段とを有し、前記決定手段は、前記算出手段で算出されたテスト画像の評価値に応じて前記スケジュールを決定することを特徴とする。
発明によれば、ユーザー負荷の負荷を軽減しつつ、精度良く故障を予測することができる。
(実施形態1)
以下、本発明を実施するための形態について図面を用いて説明する。以下の実施形態は特許請求の範囲に係る発明を限定するものでなく、また実施形態で説明されている特徴の組み合わせの全てが発明の解決手段に必須のものとは限らない。
以下、本発明を実施するための形態について図面を用いて説明する。以下の実施形態は特許請求の範囲に係る発明を限定するものでなく、また実施形態で説明されている特徴の組み合わせの全てが発明の解決手段に必須のものとは限らない。
第1の実施形態では、画像形成装置から送信された画像をサーバーで解析し、その解析内容に基づいて複数のテスト画像の出力方法を変更しながらサーバーで故障予測を行う方法について述べる。その結果、画像形成装置が出力するテスト画像の総枚数はほとんど変わらないが、故障を予測する上で評価値の高いテスト画像を重点的に出力することが出来るため、精度よく故障を予測することができる。
《システム全体構成》
図1は、本実施形態における故障予測システムの全体図である。LAN110には、画像形成装置101、103および端末102が接続されている。また、LAN110はインターネット120に接続されており、画像診断や故障予測サービスを提供するサーバー131もインターネット120経由で接続されている。ここでは、画像形成装置101、103、端末102はLAN110に接続されているが、その限りではなく、サーバー131に接続可能であればよい。サーバー131とサービス拠点132はLAN111を介して接続されている。ここでサービス拠点132とは、画像形成装置101,103の保守等を行う拠点を指す。なお、サーバー131はサービス拠点132に設置されていてもよいし、サーバー131とサービス拠点との間がインターネット120経由で接続されていてもよい。以下では、画像形成装置101からの画像をサーバー131が診断して故障を予測する例について説明する。
図1は、本実施形態における故障予測システムの全体図である。LAN110には、画像形成装置101、103および端末102が接続されている。また、LAN110はインターネット120に接続されており、画像診断や故障予測サービスを提供するサーバー131もインターネット120経由で接続されている。ここでは、画像形成装置101、103、端末102はLAN110に接続されているが、その限りではなく、サーバー131に接続可能であればよい。サーバー131とサービス拠点132はLAN111を介して接続されている。ここでサービス拠点132とは、画像形成装置101,103の保守等を行う拠点を指す。なお、サーバー131はサービス拠点132に設置されていてもよいし、サーバー131とサービス拠点との間がインターネット120経由で接続されていてもよい。以下では、画像形成装置101からの画像をサーバー131が診断して故障を予測する例について説明する。
《ハードウェア構成例−画像形成装置》
図2は、画像形成装置101のハードウェア構成を示すブロック図である。画像形成装置101は、制御部210、操作部219、プリンタ220、及びスキャナ221を有する。制御部210は、CPU211、ROM212、RAM213、HDD214、操作部I/F215、プリンタI/F216、スキャナI/F217、ネットワークI/F218を有する。
図2は、画像形成装置101のハードウェア構成を示すブロック図である。画像形成装置101は、制御部210、操作部219、プリンタ220、及びスキャナ221を有する。制御部210は、CPU211、ROM212、RAM213、HDD214、操作部I/F215、プリンタI/F216、スキャナI/F217、ネットワークI/F218を有する。
CPU211を含む制御部210は、画像形成装置101全体の動作を制御する。CPU211は、ROM212に記憶された制御プログラムを読み出して読取制御や送信制御などの各種制御を行う。RAM213は、CPU211の主メモリ、ワークエリア等の一時記憶領域として用いられる。
HDD214は、画像データや各種プログラム、或いは各種情報テーブルを記憶する。操作部I/F215は、操作部219と制御部210とを接続する。操作部219には、タッチパネル機能を有する液晶表示部やキーボードなどが備えられている。また、カード等でユーザー認証を行う場合、ユーザー認証を受け付けるユーザー認証部などが備えられている。
プリンタI/F216は、プリンタ220と制御部210とを接続する。プリンタ220で印刷すべき画像データはプリンタI/F216を介して制御部210から転送され、プリンタ220において記録媒体上に印刷される。
スキャナI/F217は、スキャナ221と制御部210とを接続する。スキャナ221は、原稿上の画像を読み取って画像データを生成し、スキャナI/F217を介して制御部210に入力する。
ネットワークI/F218は、制御部210をLAN110に接続する。ネットワークI/F218は、外部装置(例えば、サーバー131)に画像データや情報を送信し、外部装置から各種情報を受信する。画像形成装置103も画像形成装置101と同じ構成を持つ。
《ソフトウェア構成例−画像形成装置》
図3は画像形成装置101のソフトウェア構成を説明するための図である。図3に示す各機能部は、画像形成装置101のCPU211が制御プログラムを実行することにより実現される。
図3は画像形成装置101のソフトウェア構成を説明するための図である。図3に示す各機能部は、画像形成装置101のCPU211が制御プログラムを実行することにより実現される。
画像形成装置101は、画面表示部300、画像取得部301、画像処理部302、通信部303、情報管理部304、画像出力部305を有する。
以下、各機能の説明を行う。まず、画面表示部300は、図2の操作部219、操作部I/F215を介してユーザーに対する設定値の表示や、ユーザーからの設定の受け付け等を行う。画像取得部301はスキャナI/F217、ネットワークI/F218を介して受信した入力画像データを取得する。例えば、スキャナ221から入力された画像をコピーする場合は、スキャンした画像データを取得し、PCなどの端末102からプリントされる場合は、PDL言語等を取得する。また、画像取得部301は、HDD214に格納されている画像データを取得してもよい。
画像処理部302は、取得した画像データに対してさまざまな画像処理を行う。例えば、コピーの場合は、MTF補正、色変換や像域判定などが行われ、プリントの場合は、PDL言語を解釈しビットマップに変換する処理や色変換処理などが行われる。そして、コピー、プリントいずれの場合でもガンマ補正やディザ処理を行う。
通信部303は、画像データやパラメータなどの情報の送信や受信を行う。情報管理部304は、画像形成装置101に格納している画像データや情報を管理する。画像出力部305は、処理後の画像をプリンタI/F216を介してプリンタ220にて出力する。
《ハードウェア構成例−サーバー》
図4は、サーバー131の構成を示すブロック図である。サーバー131は制御部410を有する。制御部410は、CPU411、ROM412、RAM413、HDD414、ネットワークI/F415を有する。CPU411を含む制御部410は、サーバー131全体の動作を制御する。CPU411は、ROM412に記憶された制御プログラムを読み出して各種制御処理を実行する。RAM413は、CPU411の主メモリ、ワークエリア等の一時記憶領域として用いられる。HDD414は、画像データや各種プログラム、或いは後述する各種情報テーブルを記憶する。
図4は、サーバー131の構成を示すブロック図である。サーバー131は制御部410を有する。制御部410は、CPU411、ROM412、RAM413、HDD414、ネットワークI/F415を有する。CPU411を含む制御部410は、サーバー131全体の動作を制御する。CPU411は、ROM412に記憶された制御プログラムを読み出して各種制御処理を実行する。RAM413は、CPU411の主メモリ、ワークエリア等の一時記憶領域として用いられる。HDD414は、画像データや各種プログラム、或いは後述する各種情報テーブルを記憶する。
ネットワークI/F415は、制御部410(サーバー131)をLAN111を介してインターネット120に接続する。ネットワークI/F415は、LAN111を介して他の装置との間で各種情報を送受信する。
《ソフトウェア構成例−サーバー》
図5はサーバー131のソフトウェア構成を説明するための図である。図5に示す各機能部は、サーバー131のCPU411が制御プログラムを実行することにより実現される。
図5はサーバー131のソフトウェア構成を説明するための図である。図5に示す各機能部は、サーバー131のCPU411が制御プログラムを実行することにより実現される。
サーバー131は、画像処理アプリケーション501を有する。そして、画像処理アプリケーション501は、通信部511、画像解析部512、予測部513、スケジュール管理部514、情報管理部515、故障判定部516、リスク算出部517を有する。以下、それぞれの機能の働きについて説明を行う。
通信部511は、ネットワークI/F415を介して画像形成装置101からの画像データやパラメータ等の情報を受信し、受信した情報を情報管理部515に保存する。通信部511はまた、画像形成装置101へ情報管理部515に保存された情報の送信や、サービス拠点132へ故障予測結果や故障原因の通知等を行う。
画像解析部512は、情報管理部515に格納された画像データをパラメータ等の情報をもとに解析する。そして、解析結果を情報管理部515へ通知する。予測部513は、情報管理部515に保存している解析結果や過去の解析結果などをもとに時系列化し、推移を分析し、将来のある時点における診断結果を予測する。そしてその結果を示す予測情報を情報管理部515に通知する。
情報管理部515は、画像処理アプリケーション501内で生成された情報や通信部511を介して受信した情報を保存する。故障判定部516は、情報管理部515に格納されている予測情報を用いて故障原因を判定し情報管理部515にその故障判定結果を通知する。リスク算出部517は、情報管理部515に保存されている解析結果等からテスト画像ごとに評価値(以下、リスクという)を算出し、その結果を情報管理部515に通知する。スケジュール管理部514は、情報管理部515に格納されている評価値をもとにテスト画像の出力方法を決定し決定結果を情報管理部515に保存する。
以下、図6を用いて本実施形態の画像形成装置101とサーバー131のシーケンスについて説明を行う。
ステップS601において、サーバーのスケジュール管理部514は、テスト画像の出力方法を決定し、通信部511へ通知する。ここで、テスト画像の出力方法とは、画像形成装置101において、何時どの種類のテスト画像を出力させるかの出力方法を示す。画像診断で故障を予測する際には、複数種類の画像の診断が必要になる場合がある。また、定期的に画像を診断することにより将来的に起こり得る故障の予測の精度を高めることができる。そこで、ここでは故障の診断に必要なテスト画像の出力方法をスケジュール管理部514で決定する。例えば、テスト画像の種類として、テスト画像1からNまでのN枚を用いるものと仮定する。スケジュール管理部514では、リスク算出部517で算出されるリスク(評価値)に応じてテスト画像1からNまでのそれぞれの出力枚数を決定する。本実施形態では、一定期間内にN×M枚を出力するものとする。つまり、N種類のテスト画像を複数回出力するものとし、ここでの出力回数はそれぞれM回とする。この最初のステップS601においては、まずは、各テスト画像のリスクが同じであるとして、各テスト画像の出力枚数は同じとし、テスト画像1からNまでを1枚ずつ出力するサイクルをMセット出力するものとする。なお、本実施形態においては、後述するように各リスクに応じて出力するテスト画像の種類や枚数が変更される。つまり、故障のリスクが高いことを示す画像をより高い頻度で出力するように制御する。詳細については後述する。スケジュール管理部514はこの最初のステップS601の段階では、テスト画像をN×M枚出力することを決定する。
次にステップS602において、サーバーの通信部511は、ステップS601で決定されたテスト画像の出力方法に従ったスケジュールを画像形成装置101内の通信部303に通知する。例えば、何時、どの種類のテスト画像を出力すべきかを示したスケジュールを通知する。なお、必要に応じてテスト画像を出力するための画像データを画像形成装置に送信してもよい。
ステップS603において、画像形成装置の通信部303は、ステップS602で送信されたスケジュールを受信してその内容を情報管理部304へ通知する。次に、ステップS604において、画像形成装置の画面表示部300は、情報管理部304に保存したスケジュールに従ってテスト画像1の出力を表示する。そして、ユーザーはステップS604における表示を受け、出力指示を行う。ステップS605において画像形成装置はユーザーからの出力指示を受ける。なお、ユーザーにボタンを押してテスト画像1を出力してもらうのではなく自動で出力する形態でもよい。その時は、ステップS604において「テスト画像を出力しました」という旨の表示を行ってもよい。
ステップS605において出力指示されると、ステップS606にて画像形成装置においてテスト画像1が出力される。その後、ステップS607において、ユーザーは、出力された画像をスキャナ221を用いてスキャンしてサーバー131への送信指示を行う。ステップS608にて画像形成装置の通信部303は、テスト画像1をスキャンした画像をサーバー131へ送信する。
ステップS609にてサーバー131の通信部511は、テスト画像1を受信する。通信部511は、受信したテスト画像1を画像解析部512へ送信する。画像解析部512は、テスト画像1を解析し、解析結果を情報管理部515へ通知する。
以降、テスト画像1からNまで同様な処理を行う。すなわち、ステップS601で決定されたスケジュールに従って、画像形成装置はテスト画像を出力してスキャンし、サーバー131に送信する。サーバー131は、受信したテスト画像を解析し、解析結果を情報管理部515へ通知する。以上の処理を繰り返す。なお、ここでは、テスト画像1とテスト画像2を出力するタイミングは離れているものとする。例えば1週間後などである。そして、そのテスト画像1からNのN種類をMセット出力する。
ステップS610からは、最後のMセット目の最後のテスト画像Nを出力し、サーバー131で解析するステップを説明する。
ステップS610において、画像形成装置の画面表示部300は、情報管理部304で格納しているテスト画像の出力方法(ステップS601で決定された方法)に従ってテスト画像Nの出力を表示する。
そして、ユーザーはステップS610においてテスト画像Nの表示を受け、テスト画像Nの出力を指示する。ステップS611において画像形成装置はテスト画像Nの出力指示を受ける。ステップS611で出力指示されると、ステップS612に画像形成装置はテスト画像Nを出力する。その後、ステップS613において、ユーザーは、スキャナ221においてテスト画像Nをスキャンし、スキャンしたテスト画像Nの送信指示を行う。すると、ステップS614にて画像形成装置の通信部303は、テスト画像Nをサーバー131へ送信する。
ステップS615にてサーバー131の通信部511はテスト画像Nを受信し画像解析部512へ送信する。画像解析部512は、テスト画像Nを解析し、解析結果を情報管理部515へ通知する。予測部513は情報管理部515に格納している過去の解析結果をもとに解析結果の予測を行いその情報を情報管理部515に格納する。過去の解析結果は、テスト画像1からテスト画像NまでのMセットの解析結果や、それ以前の解析結果などのことである。
ステップS616にて、サーバーの故障判定部516は、解析結果の予測によって得られる情報を用いて将来のある時点において故障が生じるか否か判定する。ここで、故障が生じると判定されればサービス拠点132へその旨を通知する。
ステップS617にて、サーバーのリスク算出部517は、情報管理部515に格納されている情報をもとにリスクを算出し、その結果を情報管理部515に保存する。
ステップS618にて、サーバーのスケジュール管理部514は、ステップS617で算出されたリスクを用いて再度テスト画像1からNまでのN枚の出力方法を決定する。そして、決定した出力方法に従ったスケジュールを通信部511へ通知する。詳細処理は後述する。ステップS619においてサーバーの通信部511は、ステップS618で決定したテスト画像出力のスケジュールを画像形成装置101内の通信部303に通知する。以上によって、画像形成装置101とサーバー131のシーケンスについて説明を終了する。
次にサーバー内での処理フローについて図7を用いて説明を行う。ここでは処理フローを中心に説明し詳細処理は別途説明する。
ステップS700においてサーバー131のスケジュール管理部514はN種類のテスト画像の出力順序、枚数等の出力方法を決定し、テスト画像出力のスケジュールを画像形成装置101内の通信部303へ通知する。また一方でスケジュール管理部514はそのスケジュールをサーバー内の情報管理部へも通知する。出力方法は例えば、N種類のテスト画像を1からNまで順に出力しそれを、M回出力するなどの方法である。また、どのくらいの期間でテスト画像の出力を行なうかを含めてもよく、あるいは個々のテスト画像を出力する具体的な日時の指定を含めても良い。
ステップS701において通信部511は、画像形成装置から送信されたテスト画像を受信し、画像解析部512へ送信する。そして、ステップS702において画像解析部512は、テスト画像を解析して、スコアを算出し情報管理部515へ通知する。ここでは、テスト画像ごとに解析すべき項目が定まっており、テスト画像に応じて例えば、周波数解析を行いその結果を正規化しスコア化する。スコア化とは、周波数解析の結果から0−10の点数をつけ分類を行いやすくするものである。
次に、ステップS703において情報管理部515は、ステップS700で決定した出力方法に従ったテスト画像を全て受信したかを判定する。例えば、N種類のテスト画像の出力をM回出力するという出力方法が決定されている場合には、その全てのテスト画像(N×Mのテスト画像)を受信したかを判定する。受信していなければ、NoでステップS701へ進み、受信していればYesでステップS704へ進む。将来的な予測を行なうために、ある程度のサンプリング数が必要になるので、ここではステップS700で決定した出力方法に従ったテスト画像を全て受信した時点でステップS704に進む例を示している。なお、何らかの事情で画像形成装置からテスト画像が送信されない場合も想定される。そこで、ここではステップS700で決定したスケジュールに従った日時が経過した時点でステップS704に進む処理としてもよい。全てのテスト画像が受信されていない場合でも、それまでに受信したテスト画像から故障の予測は可能だからである。
ステップS704で予測部513は、情報管理部515に保存している各テスト画像のスコアを時系列化する。次に、ステップS705において予測部513は、時系列化した情報をもとに推移分析を行う。例えば、予測部513は回帰分析などを行い、傾きなどを算出し、ステップS702で算出した現在までのスコアを修正した将来のある時点におけるスコアを作成し情報管理部515に保存する。
ステップS706において故障判定部516は、情報管理部515で保持しているデータから故障するか否かを判定する。この情報管理部515が保持しているデータとは、ステップS702で解析した結果得られる現在までのスコアと、推移分析に基づいて現在までのスコアを修正した将来のある時点におけるスコアを含むものである。さらに、画像形成装置101だけではなく別の画像形成装置でのスコアと故障の関係を記した学習データも含むものである。故障するか否かの判定は、近い将来故障が生じる可能性が高いか否かを判定する。なお、現在故障が発生しているか否かを判定してももちろんよい。ここでは、故障すると判定されればYesでステップS708へ進み、故障しないと判定されればNoでステップS707へ進む。
ステップS707で予測部513は、テスト画像ごとにリスク(評価値)を算出し情報管理部515へ通知する。ここでリスク算出とは、ステップS702で算出した解析結果やステップS705で算出した推移分析結果等を用いて、時間が経つと故障に寄与しそうか否かを判定するために数値化することを指す。つまり、予測部513は、故障するリスクを表す評価値をテスト画像ごとに算出する。
その後、ステップS700へ進みスケジュール管理部514は、再度出力方法を決定する。この時、スケジュール管理部514は、ステップS707で算出したリスクに応じてテスト画像を出力する。したがって、リスクが高いテスト画像は多めに出力される一方でリスクの低いテスト画像は少なく出力されるよう出力方法が決定される。
一方、故障すると判定された場合、ステップS708で通信部511は、画像形成装置101に近いサービス拠点132に対してある部品が故障するだろう旨を通知する。故障するであろうある部品は、スコアが高いテスト画像の種別や、スコアが高いテスト画像の組み合わせ等などから特定することができる。ある部品が故障するだろう旨を通知することで、サービス拠点132では、部品の在庫調整を行うことが出来る。また、ステップS708では、場合によっては直接ユーザーに知らせてもよく、さらに適切なパラメータをユーザーまたはサーバーが画像形成装置101にセットすることで修正を行ってもよい。
なお、ステップS708で部品の交換や適切なパラメータの調整によって故障を回避できた場合、スケジュール管理部514で再度の出力方法を決定する場合にはその交換等を考慮したリスクに応じてテスト画像の出力方法を決定してもよい。例えば、故障に寄与するであろう部品を交換することで、その故障に寄与するであろうリスクは低く設定することができる。一方で、これまでの処理で得られた他の解析結果や予測に基づくリスクはそのまま維持することで、テスト画像の出力方法のスケジューリングの更なる最適化を行なうことができる。
以上、サーバー内での処理フローについて説明を行った。以下、図9における処理フロー中の処理の詳細について説明を加える。
まず、ステップS702に記載の画像解析部512の画像解析方法についてその方法について例をあげて説明を加える。例えば、均一濃度で出力されるべき箇所が均一に出力されているかを調べる場合、均一濃度の箇所を含む特有のテスト画像に対して、周波数解析を行い、ノイズ等が載っているか否かを判定しその度合いを0‐10にスコア化する。また、特定の色値の画像が出力されたとき、所望の濃度になっているか否かを判定する場合、特定の色値を含む特有のテスト画像をリファレンスとなるLabと比較し色差ΔEを算出する。そして、色差ΔEを0‐10にスコア化する処理を行う。
ここで、スコア化する際に数値の大きいと画像障害があると判定される。ここでは、スコア化する際の数値の意味を各解析結果の際にそろえておくと良い。例えば、その数値の大きさが5を超えると画像障害になる恐れがあり、7を超えると画像障害である、と判定するように各テスト画像における数値の意味を共通化しておくとよい。
次に、ステップS704における時系列化について説明を加える。前述の通り、情報管理部においてはステップS704の時点においてステップS700において決定された出力方法に従ったテスト画像を保持している。先に説明した例では、スケジュール管理部514は、一つのテスト画像についてM枚取得する出力方法を決定しているので、各テスト画像につき最低M個のスコアを保持している。しかし、Mが少ない場合、ステップS705での推移分析の精度が下がるため、それ以前にスコアが算出され情報管理部515に保存されている各テスト画像のスコアも含めて時系列化していく。そうすることでステップS705において多くのデータから推移分析を行うことが出来る。つまり、ステップS700で決定された出力方法に従ったテスト画像以前のテスト画像も含めて推移分析を行なってもよい。
そして、ステップS705における推移分析について図8を用いて説明を加える。ここでは、予測部513は、ステップS704において情報管理部515に保存したスコアを用いて回帰分析等を行い実線802で示すY=αt+Sにおける傾きα、切片Sを得る。そして近い将来であるt0時におけるスコアを算出する。この近い将来におけるスコアを、現在までに得られたスコアを修正したスコアとして、情報管理部515に保持する。そしてこの分析をテスト画像ごとに行う。
次に、ステップS706における故障判定部516の故障判定方法について例をあげて説明を加える。ここでは、情報管理部515には、テスト画像のスコアと各部品の故障との対応関係を示す学習データが保持されている。この学習データは、過去の故障判定の結果が蓄積されて得られたものである。学習データの例としては、{(テスト画像1、スコア3)、・・・(テスト画像N、スコア1)}={定着器の故障}、{(テスト画像1、スコア0)、・・・(テスト画像N、スコア7)}={感光ドラムの故障}・・・が保持されている。前者は定着器の故障を判定するための学習データであり、各テスト画像のスコアがどの値であれば定着器の故障が生じるかを判定するためのものである。後者も同様であり、感光ドラムの故障が生じる場合には、各テスト画像のスコアがどの値であるかを示すものである。故障判定部516は、スコアを用いて各部品や画像障害原因の発生する確率を推定する。例えば、ステップS702において画像解析部512が算出したスコアである{(テスト画像1、スコア3)、・・・(テスト画像N、スコア1)}、ステップS705で予測部513が算出した修正したスコア、またはそれらの組み合わせを用いて推定する。推定方法は例えば、ベイズ理論を用いて推定する。
ベイズの定理により、
が導かれる。式(1)においては以下の通りである。
i={0,1,2,・・・,C}
P(θi│D):Dが発生したときにθiが生起する確率(事後確率)
P(θi ):事象θiが生起する確率(事前確率)
P(D|θi):θiが発生したときのDを得る確率(尤度)
Cは事象の数でありここでは定着器の故障や感光ドラムの故障などの事象の数を指す。
i={0,1,2,・・・,C}
P(θi│D):Dが発生したときにθiが生起する確率(事後確率)
P(θi ):事象θiが生起する確率(事前確率)
P(D|θi):θiが発生したときのDを得る確率(尤度)
Cは事象の数でありここでは定着器の故障や感光ドラムの故障などの事象の数を指す。
DはステップS702において画像解析部512が算出したスコアまたは、ステップS705で予測部513が算出した修正されたスコアを指す。
これによって事象D=(画像解析部512が算出したスコア)を得た時に各事象θiの発生する確率が算出される。算出結果として例えば、P(定着器の故障|D)=0.02、P(感光ドラムの故障|D)}=0.3、・・・が算出され、発生確率の大きいものがある閾値以上であれば故障と判定する。この結果から現在の故障可能性が判定できる。
上記のように計算を行なうことで現在の故障可能性を判定できるが、本実施形態では特に将来のある時点における故障可能性を予測する。具体的には、事象D’=(予測部513が算出した修正されたスコア)を得た時に各事象θiの発生する確率を算出する。算出結果として例えば、P(定着器の故障|D’)=0.02、P(感光ドラムの故障|D’)=0.5、・・・が算出され、発生確率の大きいものがある閾値以上であれば故障と判定する。この結果から将来の故障可能性が判定できる。
そして以上の処理の結果からある閾値以上の確率を有する事象があれば将来故障すると判定し、サービス拠点132にその旨を通知する。
次に、ステップS707におけるリスク算出について図9を用いて説明を加える。リスク算出部517は、情報管理部515に保存してあるデータをもとにリスク906を算出する。図9は、情報管理部515に保存してあるデータの例を示す図である。情報管理部515に保存してあるデータとは、図9に示すように、画像解析部512が算出したスコアや、予測部513が推移分析して算出した傾き901や、平均902や、過去の傾き903や過去の平均904などである。図9では、スコアとして最近のスコア905のみを例示しているが、過去のスコアも含まれる。これらの値がテスト画像ごとに保持されている。ここでは、主にステップS702で画像解析部512が算出した最近のスコア905と、ステップS705で予測部513が推移分析を行い算出した傾き901とからリスクを算出する。
リスクの算出方法は様々である。例えば、最近のスコア905に単純に傾き901を用いることでリスクを算出してもよい。あるいは、スコアの平均902、904やその他の過去の傾き903などを加味して最近のスコア905に対して微修正を加えてもよい。そして、微修正を加えたスコアに対して傾き901からリスク906を算出する。ここではリスク906は0以上になるようにする。
最後に、ステップS700での出力方法の決定方法について説明を加える。スケジュール管理部514は、ステップS707において算出されたリスクを用いてリスクの多いものを多めに出力枚数を決定する。例えば、テスト画像IのリスクがRiskIであれば、テスト画増Iを一定期間に出力する枚数は、
ここで、(テスト画像の総出力枚数)=M×N
である。
である。
この式によって、RiskIの大きさによってテスト画像Iの出力枚数が変化するが、総出力枚数はM×Nで変化しない。そして、リスクの大きいテスト画像が多く出力される一方でリスクの小さいテスト画像が少なく出力される。もちろん、上記式だけでは、割り切れない場合や、1枚も出力されない場合があるので総枚数が変わらないように最低1枚以上は出力するように調整する。図9(b)は、各テスト画像のリスクと出力枚数との関係を示す図である。スケジュール管理部514は、このように算出されたリスクに基づいて各テスト画像の出力枚数を決定する。
そして、各テスト画像の出力枚数をもとに、一定期間内にそれぞれのテスト画像が分散するように出力順序が決定される。以上により、図9における処理フロー中の処理の詳細説明を終える。
本実施形態によれば、まず、1度に送信するテスト画像の枚数は1〜数枚にすることでユーザーの負荷を抑える。次に、故障にかかわりそうなテスト画像を多めに出力することで精度が高い推定を行うことが出来るようにする一方で故障にかかわりそうにないテスト画像は少なく出力することが出来る。従って、ユーザーが出力するテスト画像の総枚数はほとんど変わらないが、故障予測をするうえで必要なテスト画像を多く取得することが出来ることで精度の高い予測を行うことが出来る。その結果、サービス拠点132に故障しそうな部品の在庫確保を行うことや、適切なパラメータ等を画像形成装置101に通知することで画像形成装置101を遠隔地からメンテナンスすることが出来る。
また、本実施形態では、ステップS703において、N×M枚全て取り終えることを前提とした例を示したが、ステップS703を抜かしてもよい。こうすることで早い段階でステップS706の故障判定を行うことが出来る。
また、テスト画像の総枚数をN×MとしたがステップS701で得られたスコアがどのテスト画像も小さい場合、総枚数を減らしてもよい。そうすることでユーザーの負荷や無駄なトナーやメディアの消費が少なくなる。
(実施形態2)
実施形態1では、故障を予測するためのテスト画像をユーザーが出力し、スキャンして送信するというシステムにおいて少しでもユーザーの負担が少なくなるような方法について述べた。
実施形態1では、故障を予測するためのテスト画像をユーザーが出力し、スキャンして送信するというシステムにおいて少しでもユーザーの負担が少なくなるような方法について述べた。
しかし、故障予測のためだけにテスト画像を出力してスキャンするのはユーザーにとっては負荷がある場合がある。そこで、ユーザーが何かしらかの画像を出力し、スキャンをするタイミングでテスト画像も合わせて出力し、スキャンすればユーザーの負担はさらに軽減する。
そこで、実施形態2では、ユーザーが画像を出力してその画像をスキャンする画像形成装置101が有する機能の一つである自動で階調を補正する機能(以下、自動階調補正と呼ぶ)と同じタイミングでテスト画像を出力する方法について述べる。自動階調補正とは画像形成装置101が出力する画像の階調を補正するための機能である。この機能は、ユーザーが階調を補正するための画像(以下、階調画像という)を出力し、スキャナ221でスキャンすることで、その時の階調特性を把握し、あらかじめ定められた階調特性となるよう補正する。例えばルックアップテーブル(以下、LUTと記す)などで補正する。
本実施形態では自動階調補正と同じタイミングでテスト画像を出力することで故障の予測だけのためにユーザーに負荷をかけるということを避ける。
しかし、自動階調補正と故障予測とでは必要となるタイミングが異なる。具体的には、自動階調補正の方が故障予測よりも行なわれる頻度が高い。自動階調補正を行うたびに故障予測用のテスト画像を出力するのは、ユーザーに負荷をかけ、またトナー等の無駄になる。そこで自動階調補正のL回につき1回の間隔でテスト画像を出力するのが望ましい。ここでLは1より大きく、一定期間内に自動階調補正が実施される回数によって決定される。例えば、図10に示すようにテスト画像を出力するタイミングは自動階調補正を行うタイミングであり、自動階調補正をL回行った時、テスト画像を1回出力していく。
本実施形態では故障予測する方法は実施形態1と同じなので、階調画像とテスト画像の出力方法について説明を行う。
初めに、図11を用いて画像形成装置101とサーバー131のシーケンスについて説明を行う。ステップS1101において、スケジュール管理部514は、テスト画像1からNまでのN枚の出力方法を決定し、テスト画像出力のスケジュールを通信部511へ通知する。ここでは、実施形態1での説明に加え、ユーザーが過去どのくらいの頻度で自動階調補正を行っているかの情報をもとに、自動階調補正のタイミングでテスト画像を出力する頻度を決定する。
ステップS1102において、通信部511は、スケジュールを画像形成装置101内の通信部303に通知する。ステップS1103において、通信部303は、スケジュールを受信してその内容を情報管理部304へ通知する。
ステップS1104において、ユーザーは自動階調補正を行う旨を画面表示部300に通知する。ステップS1105において、画像出力部305は情報管理部304に保存されているスケジュールに従って階調画像とテスト画像の出力を行う。ここでは、情報管理部304に保存されているスケジュールには自動階調補正L回につき1回テスト画像を出力する旨が示されていて、さらにテスト画像の出力順序が記載されている。そして、ステップS1106では、テスト画像1を出力すると記載されているものとすると、階調画像とテスト画像1の出力を行う。ステップS1107において、ユーザーは、スキャナ221において階調画像とテスト画像とをスキャンをし、合わせてスキャンしたテスト画像の送信指示を行う。
ステップS1108で画像処理部302は、階調画像から補正LUTを作成し画像処理部302へ補正LUTを設定する。ステップS1109にて通信部303は、テスト画像をサーバー131へ送信する。なお、ここでは階調画像も同時に転送してもよい。
ここで、ステップS1110にてサーバー131内の通信部511は、テスト画像1を受信し画像解析部512へ送信し、画像解析部512は、テスト画像1を解析し、解析結果を情報管理部515へ通知する。
次に一定時間後、ステップS1111において、ユーザーは自動階調補正を行う旨を画面表示部300に通知する。そして、ステップS1112において、画像出力部305は情報管理部304に保存されているスケジュールに従って階調画像とテスト画像の出力を行う。なお、本ステップのタイミングでは、テスト画像を出力しない旨が記載されているものとすると、階調画像のみを出力する。
そして、ステップS1113において、ユーザーは、スキャナ221においてスキャンする指示を行う。ステップS1114で画像処理部302は、階調画像から補正LUTを作成し画像処理部302へ補正LUTを設定する。ステップS1115からステップS1120は、図6のステップS614からステップS619と同様の処理を行なう。以上によって、画像形成装置101とサーバー131のシーケンスについて説明を終了する。
本シーケンスではユーザーが自動階調補正を意図的に行う場合について説明したがテスト画像の出力方法を決定する際に自動階調補正の出力方法も決定し、出力方法に従って画像形成装置が自動でテスト画像と階調画像とを出力してもよい。そして、出力した旨だけを画面表示部300などに通知してもよい。そうすれば、ユーザーはスキャナ221においてスキャンを行うだけで良い。
次に、ユーザーが自動階調補正を指示した際の画像形成装置101内の処理フローについて図12を用いて説明する。ステップS1200において、情報管理部304は、画像を出力するタイミングであるか否かをサーバー131から送信されたスケジュールから判定する。判定の結果、テスト画像を出力するタイミングであると判定したらYesでステップS1201へ進み、テスト画像を出力するタイミングでないと判定したらNoでステップS1202へ進む。
ステップS1201で画像出力部305は、プリンタ220を介して自動階調補正用の階調画像と、テスト画像Iとを出力する。一方で、ステップS1202で画像出力部305は、プリンタ220を介して自動階調補正用の階調画像のみを出力する。
ステップS1103でスキャナ221は、出力された画像をスキャンする。その後、ステップS1104で画像処理部302は、スキャンした画像がテスト画像Iであるか否かを判定する。その結果テスト画像Iであると判定すればYesでステップS1205へ進み、テスト画像Iでないと判定すればNoでステップS1206へ進む。スキャンした画像がテスト画像Iであるか否かは、ユーザー指示に基づいて行なわれてもよいし、スキャンした画像に含まれる所定のパターンなどから判定してもよい。
そして、ステップS1205で通信部303は、スキャンしたテスト画像Iをサーバー131に送信する。一方、ステップS1206で画像処理部302は、スキャンした階調画像を用いて階調補正するための補正LUTを作成する。以上によってユーザーが自動階調補正を指示した際の画像形成装置101内の処理フローについての説明を終える。
本実施形態によれば、テスト画像の出力タイミングが自動階調補正を行うタイミングに対応するのでユーザーの負荷を少なくすることが出来る。
(実施形態3)
実施形態1、2では画像形成装置101の情報から故障を予測するシステムについて説明した。実施形態3では、画像形成装置101とは別の機体、例えば、画像形成装置103からの情報も用いて予測する場合について説明を行う。本実施形態においても実施形態1、2と同じシーケンスや処理フローの説明は省略する。
実施形態1、2では画像形成装置101の情報から故障を予測するシステムについて説明した。実施形態3では、画像形成装置101とは別の機体、例えば、画像形成装置103からの情報も用いて予測する場合について説明を行う。本実施形態においても実施形態1、2と同じシーケンスや処理フローの説明は省略する。
本実施形態では、予測部513においてスコアの予測を行う上で、画像形成装置101以外の画像形成装置103やその他の機体の故障履歴やテスト画像のスコア、及びスコアの推移状況などから将来のスコアを推定する方法について述べる。
以下、図7のステップS705の推移分析の詳細フローについて図13を用いて説明を行う。ステップS705における推移分析は実施形態1で説明したものと同様である。ステップS1301において予測部513は、類似する他の機体、例えば画像形成装置103の事例から同じテスト画像の一定区間におけるスコア推移で、推移が似ている箇所を探索する。似ている事象があればYesとなりステップS1302へ進む。似ている事象がなければNoとなり終了する。似ている事象の判定方法は、一定期間の傾き、切片、平均値などのパラメータの組み合わせから判定してもよい。ステップS1302において、予測部513は、類似するスコア推移の結果を用いて、将来におけるt0時のスコアを修正する。ステップS1302の後は図7のステップS706へ進む。
以下、ステップS1302のスコア修正の例を図14を用いて説明する。ここで、図14(a)及び(b)はいずれも画像形成装置101のスコア推移状況と画像形成装置103のスコア推移状況とを示す図である。予測部513が、画像形成装置101でのスコア予測を画像形成装置103のスコア推移を用いて行う例について図14を用いて説明する。
なお、図14(a)及び(b)にある×の推移が画像形成装置101から得られた画像をもとにスコア算出したスコアの推移状況であり、その回帰分析で得られた回帰式は実線1402に示すグラフである。一方で○の推移が画像形成装置103から得られた推移状況であり、回帰分析で得られた回帰式はそれぞれ点線1403、1404に示すグラフである。
まず図14(a)の場合を説明する。図14(a)に示すように、画像形成装置101のスコアを予測する際に、途中まで同じような推移をしていてさらに、画像形成装置101の将来におけるt0時のスコア1400は、画像形成装置103の実測スコアとさほど変わらない。したがって、画像形成装置101の回帰式1402はある程度の確からしさがある。
一方で図14(b)のように途中まで画像形成装置101から得られた推移と、画像形成装置103から得られた推移が似ているが、画像形成装置101の将来におけるt0時のスコア1400は、画像形成装置103の実測スコアと大きく差が開いている。このような場合、画像形成装置101はスコアを大きく見積もりすぎており、その結果、リスク算出部517でリスクを大きく算出してしまうため、スケジュール管理部514で出力枚数を算出する際、このテスト画像を多く出力しすぎてしまう可能性がある。
以上を踏まえ、推移分析をおこなう際のステップS1302は、以下の方法を用いてもよい。すなわち、ステップS1302において似ている事象が以下の複数現象であれば
Y=α0t+S0(1402)
Y=α1t+S1(1403)
:
上記の各係数を重みづけして予測を修正する。
Y=α0t+S0(1402)
Y=α1t+S1(1403)
:
上記の各係数を重みづけして予測を修正する。
例えば、重みを一定にするならば、
としてt=t0時のYを算出してもよいし、特定の現象の重みを重くしてもよい。故障判定部516は、このように修正された予測結果を用いて故障するかを判定することができる。また、リスク算出部517も、このように修正された予測結果を用いてリスクを算出することができる。
以上によって、将来のスコア推移の予測精度を高めることが出来、その結果、将来の故障予測精度やリスクの算出精度が上がる。したがって、サービス拠点132で保持する部品の在庫管理の精度向上や、テスト画像の出力方法をより正確に行うことが出来る。
(他の実施形態)
上記の各実施形態においては、現在までに得られたデータと、そのデータの推移分析を行なった結果得られるデータとからリスクを算出し、そのリスクに基づいて出力方法を決定する例を説明した。しかしながら、リスクを算出せずに現在までに得られたデータと、そのデータの推移分析を行なった結果得られるデータとから直接出力方法を決定してもよい。
上記の各実施形態においては、現在までに得られたデータと、そのデータの推移分析を行なった結果得られるデータとからリスクを算出し、そのリスクに基づいて出力方法を決定する例を説明した。しかしながら、リスクを算出せずに現在までに得られたデータと、そのデータの推移分析を行なった結果得られるデータとから直接出力方法を決定してもよい。
また、上記の各実施形態においては、画像形成装置から送信されたテスト画像の解析等をサーバーで行なう例を挙げて説明した。しかしながら、画像形成装置内に前述の学習データ等を保持しておき、画像形成装置内において前述のサーバー側の処理を行なわせてもよい。また、サーバーで行なう例に挙げた一部の機能(例えば、画像解析)までを画像形成装置で行い、その他の機能(例えば、推移分析等)をサーバー側で行なう形態であってもよい。
また、実施形態2では、自動階調補正の階調画像とともにテスト画像を出力する例を説明した。実施形態2では、階調画像とテスト画像がそれぞれ別の用紙に出力される形態について説明したが、階調画像とテスト画像とが1枚の用紙に出力されてもよい。つまり、階調画像とテスト画像とを含む画像を出力してもよい。この場合、実施形態2で説明した階調画像のみを出力するタイミングでは、階調画像のみを出力し、階調画像とテスト画像を出力するタイミングでは、両者を含む画像を出力する形態とすることができる。
なお、本発明の目的は、以下の処理を実行することによっても達成される。即ち、前記実施形態の機能を実現するソフトウェアのプログラムコードを記録した記憶媒体を、システム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)が記憶媒体に格納されたプログラムコードを読み出す処理である。
この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード及び該プログラムコードを記憶した記憶媒体は本発明を構成することになる。
Claims (24)
- 画像形成装置にテスト画像を出力させるスケジュールを決定する決定手段と、
前記決定したスケジュールに従って前記画像形成装置から送信されるテスト画像を受信する受信手段と、
前記受信手段で受信したテスト画像を解析する解析手段と、
前記解析手段での解析結果の時系列の推移に基づいて前記画像形成装置が故障するかを判定する判定手段と、
前記解析手段での解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出手段と
を有し、
前記決定手段は、前記算出手段で算出されたテスト画像の評価値に応じて前記スケジュールを決定することを特徴とする故障予測装置。 - 前記決定手段は、複数の異なる種類のテスト画像を出力するスケジュールを決定することを特徴とする請求項1に記載の故障予測装置。
- 前記決定手段は、複数の異なる種類のテスト画像を複数回出力するスケジュールを決定する請求項1または2に記載の故障予測装置。
- 前記算出手段は、前記決定手段で決定したスケジュールに従った各テスト画像を前記画像形成装置から前記受信手段が受信した後で、前記評価値を算出することを特徴とする請求項1から3のいずれか一項に記載の故障予測装置。
- 前記算出手段は、前記決定手段で決定したスケジュールに従った時間が経過した後で、前記評価値を算出する請求項1から3のいずれか一項に記載の故障予測装置。
- 前記受信手段で受信するテスト画像は、前記画像形成装置で出力され、かつ前記画像形成装置にてスキャンされることで得られた画像であることを特徴とする請求項1から5のいずれか一項に記載の故障予測装置。
- 前記テスト画像は、前記画像形成装置における各部品の故障を特定するためのパターンを示すことを特徴とする請求項1から6のいずれか一項に記載の故障予測装置。
- 前記算出手段は、前記解析結果を回帰分析することで前記時系列の推移を求めることを特徴とする請求項1から7のいずれか一項に記載の故障予測装置。
- 前記決定手段は、一定期間におけるテスト画像の出力回数がほぼ一定となるように前記スケジュールを決定することを特徴とする請求項1から8のいずれか一項に記載の故障予測装置。
- 前記決定手段は、前記算出手段で算出された評価値が高いテスト画像を、評価値が低いテスト画像よりも多く出力するように前記スケジュールを決定する請求項1から9のいずれか一項に記載の故障予測装置。
- 前記判定手段は、前記画像形成装置が将来におけるある時点で故障するかを判定することを特徴とする請求項1から10のいずれか一項に記載の故障予測装置。
- 前記判定手段は、前記解析結果と特定の部品の故障可能性との対応関係を示す学習データと、前記解析結果の時系列の推移とに基づいて前記画像形成装置における特定の部品が故障するかを判定することを特徴とする請求項1から11のいずれか一項に記載の故障予測装置。
- 前記決定手段は、前記画像形成装置における階調画像のタイミングに応じて前記テスト画像を出力するタイミングを変更するスケジュールを決定することを特徴とする請求項1から12のいずれか一項に記載の故障予測装置。
- 前記決定手段は、前記階調画像のみを少なくとも1回出力した後に、前記テスト画像を前記階調画像と共に出力するスケジュールを決定することを特徴とする請求項13に記載の故障予測装置。
- 前記決定手段は、前記テスト画像を前記階調画像と共に出力した後に、前記階調画像のみを少なくとも1回出力するスケジュールを決定することを特徴とする請求項13または14に記載の故障予測装置。
- 前記判定手段は、他の画像形成装置におけるテスト画像の解析結果の時系列の推移をさらに用いて前記判定を行うことを特徴とする請求項1から15のいずれか一項に記載の故障予測装置。
- 前記算出手段は、他の画像形成装置におけるテスト画像の解析結果の時系列の推移に基づいて、評価値を修正することを特徴とする請求項1から16のいずれか一項に記載の故障予測装置。
- 前記判定手段は、前記解析手段での解析結果の時系列の推移と、他の画像形成装置におけるテスト画像の解析結果の時系列の推移とを重み付けすることで前記画像形成装置が故障するかを判定する請求項1から17のいずれか一項に記載の故障予測装置。
- 前記算出手段は、前記解析手段での解析結果の時系列の推移と、他の画像形成装置におけるテスト画像の解析結果の時系列の推移とを重み付けすることで前記評価値を修正することを特徴とする請求項1から18のいずれか一項に記載の故障予測装置。
- 請求項1から19のいずれか一項に記載の故障予測装置を備えることを特徴とする画像形成装置。
- 画像形成手段の故障を予測するシステムであって、
前記画像形成手段がテスト画像を出力するスケジュールを決定する決定手段と、
前記決定したスケジュールに従って前記画像形成手段において出力され、スキャンされたテスト画像を取得する取得手段と、
前記取得手段で取得したテスト画像を解析する解析手段と、
前記解析手段での解析結果の時系列の推移に基づいて前記画像形成手段が故障するかを判定する判定手段と、
前記解析手段での解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出手段と
を有し、
前記決定手段は、前記算出手段で算出された前記テスト画像の評価値に従って前記スケジュールを決定することを特徴とするシステム。 - 画像形成装置にテスト画像を出力させるスケジュールを決定する決定ステップと、
前記決定したスケジュールに従って前記画像形成装置から送信されるテスト画像を受信する受信ステップと、
前記受信ステップで受信したテスト画像を解析する解析ステップと、
前記解析ステップでの解析結果の時系列の推移に基づいて前記画像形成装置が故障するかを判定する判定ステップと、
前記解析ステップでの解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出ステップと
を有し、
前記決定ステップは、前記算出手段で算出されたテスト画像の評価値に応じて前記スケジュールを決定することを特徴とする故障予測方法。 - 画像形成手段の故障を予測するシステムにおける制御方法であって、
前記画像形成手段がテスト画像を出力するスケジュールを決定する決定ステップと、
前記決定したスケジュールに従って前記画像形成手段において出力され、スキャンされたテスト画像を取得する取得ステップと、
前記取得ステップで取得したテスト画像を解析する解析ステップと、
前記解析ステップでの解析結果の時系列の推移に基づいて前記画像形成手段が故障するかを判定する判定ステップと、
前記解析ステップでの解析結果の時系列の推移に基づいて前記テスト画像の評価値を算出する算出ステップと
を有し、
前記決定ステップは、前記算出ステップで算出された前記テスト画像の評価値に従って前記スケジュールを決定することを特徴とする制御方法。 - コンピュータを請求項1から19のいずれか一項に記載の故障予測装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014045417A JP2015170200A (ja) | 2014-03-07 | 2014-03-07 | 故障予測装置及び故障予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014045417A JP2015170200A (ja) | 2014-03-07 | 2014-03-07 | 故障予測装置及び故障予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015170200A true JP2015170200A (ja) | 2015-09-28 |
Family
ID=54202861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014045417A Pending JP2015170200A (ja) | 2014-03-07 | 2014-03-07 | 故障予測装置及び故障予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2015170200A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020003656A (ja) * | 2018-06-28 | 2020-01-09 | 株式会社リコー | 画像処理装置、画像処理システム、画像処理方法、及びプログラム |
JP2020008607A (ja) * | 2018-07-03 | 2020-01-16 | コニカミノルタ株式会社 | 学習装置、学習方法および学習プログラム |
US20210316549A1 (en) * | 2020-04-10 | 2021-10-14 | Memjet Technology Limited | Method of evaluating printhead condition |
US11472175B2 (en) | 2019-03-08 | 2022-10-18 | Seiko Epson Corporation | Failure time estimation device, machine learning device, and failure time estimation method |
US11836403B2 (en) | 2021-08-25 | 2023-12-05 | Kyocera Document Solutions Inc. | Schedule adjustment apparatus and image forming system capable of adjusting maintenance schedule of image forming apparatus |
-
2014
- 2014-03-07 JP JP2014045417A patent/JP2015170200A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020003656A (ja) * | 2018-06-28 | 2020-01-09 | 株式会社リコー | 画像処理装置、画像処理システム、画像処理方法、及びプログラム |
JP7102978B2 (ja) | 2018-06-28 | 2022-07-20 | 株式会社リコー | 画像処理装置、画像処理システム、画像処理方法、及びプログラム |
JP2020008607A (ja) * | 2018-07-03 | 2020-01-16 | コニカミノルタ株式会社 | 学習装置、学習方法および学習プログラム |
US11472175B2 (en) | 2019-03-08 | 2022-10-18 | Seiko Epson Corporation | Failure time estimation device, machine learning device, and failure time estimation method |
US20210316549A1 (en) * | 2020-04-10 | 2021-10-14 | Memjet Technology Limited | Method of evaluating printhead condition |
US11836403B2 (en) | 2021-08-25 | 2023-12-05 | Kyocera Document Solutions Inc. | Schedule adjustment apparatus and image forming system capable of adjusting maintenance schedule of image forming apparatus |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9244803B2 (en) | Failure predictive system, and failure predictive apparatus | |
JP2015170200A (ja) | 故障予測装置及び故障予測方法 | |
JP6102774B2 (ja) | パラメータ設定システム、パラメータ設定装置およびプログラム | |
JP5867000B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
JP7091174B2 (ja) | システム、システムの制御方法及びプログラム | |
JP6075240B2 (ja) | 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 | |
JP2016224749A (ja) | 印刷制御装置及びジョブ処理制御プログラム並びにジョブ処理制御方法 | |
JP6424562B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
US11301192B2 (en) | Printing management system, printing management apparatus, and non-transitory computer readable medium | |
US9298150B2 (en) | Failure predictive system, and failure predictive apparatus | |
US10462309B2 (en) | System and method for diagnosing a printing device based on a correlation coefficient between print volume and error rate | |
US11481266B2 (en) | Diagnosing an information processing system malfunction via diagnostic modeling | |
US20210200486A1 (en) | Information processing apparatus and non-transitory computer readable medium | |
JP2016085589A (ja) | 障害予測装置、障害予測システム、及びプログラム | |
US9942421B2 (en) | Information processing system, information processing method, and computer program product | |
US11201971B1 (en) | Maintenance support apparatus and maintenance support method | |
US10944810B2 (en) | System, service determining method, and computer program product | |
JP2006253800A (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP2021179686A (ja) | 画像形成装置、その制御方法、及びプログラム | |
JP5664811B1 (ja) | 画像調整装置、画像形成装置、管理装置、画像調整システムおよびプログラム | |
US11216229B2 (en) | Information processing apparatus, non-transitory computer readable medium storing program, and management system | |
JP2013122510A (ja) | 障害予測システム、障害予測装置及びプログラム | |
EP3928502A1 (en) | Remove vertical streak in scanned images based on server | |
JP6331778B2 (ja) | 情報管理制御装置、情報管理制御プログラム | |
US20230255490A1 (en) | Image processing apparatus and image processing system |