JP2018081465A - 遠隔保守装置、遠隔保守方法及び遠隔保守プログラム - Google Patents

Abstract

【課題】簡易な手段で立ち上がりの早い故障検知技術を提供することができる。【解決手段】本発明は、通信回線で接続され、印刷媒体を搬送しつつ印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守装置を提供する。遠隔保守装置は、複数の画像形成装置のそれぞれから搬送に起因して発生する音声を含む音声情報を取得する情報取得部と、音声情報を複数の画像形成装置毎に紐づけて収集し、紐づけて収集された音声情報を使用して複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成部と、生成された複数の正常個体モデルの中から音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、選択された正常個体モデルにおける音声情報の出現確率に応じて画像形成装置の異常診断を行う異常診断部とを備える。【選択図】図１

Description

本発明は、画像形成装置の遠隔保守装置、遠隔保守方法及び遠隔保守プログラムに関する。

典型的な画像形成装置（たとえばプリンター、多機能プリンター、又は複合機（Ｍｕｌｔｉｆｕｎｃｔｉｏｎ Ｐｒｉｎｔｅｒ）は、印刷媒体を搬送させつつ画像を形成し、画像が形成されている印刷媒体を排出する。印刷媒体の搬送では、画像形成装置の搬送駆動装置は、たとえば給紙トレイに格納されている印刷用紙（印刷媒体の一例）をピックアップローラで取り出し、搬送しつつ転写工程や定着工程を実行し、画像形成装置から排出する。搬送駆動装置には可動部分が多いため、摩耗や経年変化によってジャム（紙詰まり）が発生することが想定されている。

これに対して、画像形成装置の故障診断方法が提案されている。たとえば特許文献１は、ベイジアンネットワークモデルなどの確率に基づく情報処理モデルのように、装置の故障を引き起こす原因をモデル化して解析することで、搬送装置や画像形成装置などの自動診断を行なう技術を提案している。

特開２００５−３０９０７７号公報

しかしながら、ベイジアンネットワークモデルなどの確率に基づく情報処理モデルは、ある程度の事前のモデル化が必要である一方、機械学習には膨大な時間とデータ量が必要となるという問題があった。一方、新機種が市場投入された直後には、搬送駆動装置の特性が従来と大きく相違し、機械学習の有効性が問題となることもある。

本発明は、このような状況に鑑みてなされたものであり、簡易な手段で立ち上がりの早い故障検知技術を提供することを目的とする。

本発明は、通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守装置を提供する。前記遠隔保守装置は、前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得部と、前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成部と、前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断部とを備える。

本発明は、通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守方法を提供する。前記遠隔保守方法は、前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得工程と、前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成工程と、前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断工程とを備える。

本発明は、通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守装置を制御する遠隔保守プログラムを提供する。前記遠隔保守プログラムは、前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得部、前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成部、及び前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断部として前記遠隔保守装置を機能させる。

本発明によれば、簡易な手段で立ち上がりの早い故障検知技術を提供することができる。

本発明の一実施形態に係る遠隔保守システム１の機能構成を示すブロックダイアグラムである。 一実施形態に係る画像形成装置２１の全体構成を示した断面図である。 一実施形態に係る印刷用紙搬送部２００の一部を示す拡大断面図である。 一実施形態に係る異常診断処理の内容を示す説明図である。 一実施形態に係る機械学習における標本データ群Ｄの内容の一例を示す説明図である。 一実施形態に係る画像形成装置２１が送信する音声情報の例を示す説明図である。 一実施形態に係る統計処理としての異常診断の方法を示す説明図である。 一実施形態に係る画像形成装置２１が送信する音声サンプルデータの例を示す説明図である。

以下、本発明を実施するための形態（以下、「実施形態」という）を、図面を参照して説明する。

図１は、本発明の一実施形態に係る遠隔保守システム１の機能構成を示すブロックダイアグラムである。遠隔保守システム１は、遠隔保守装置９００と、複数の社内ネットワーク２０内に設置されている複数の画像形成装置２１（２１ａ〜２１ｃ）と、サービスマンが使用する複数のモバイル端末９６０とを備えている。複数の画像形成装置２１ａ〜２１ｃは、インターネット３０その他の通信回線を介して遠隔保守装置９００の遠隔保守の対象となっている。遠隔保守には、複数の画像形成装置２１の一般的な保守作業（たとえばトナー残量の管理や課金処理（印刷枚数のカウント））だけでなく、異常診断等も含まれている。

遠隔保守装置９００は、制御部９１０と、通信インターフェイス部９３０と、操作表示部９４０と、記憶部９５０とを備えている。制御部９１０は、統計処理部９１１と、異常診断部９１２とを備えている。記憶部９５０には、知識データベース９２０が格納されている。

制御部９１０は、ＲＡＭやＲＯＭ等の主記憶手段、及びＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の制御手段を備えている。また、制御部１００は、各種Ｉ／Ｏ、ＵＳＢ（ユニバーサル・シリアル・バス）、バス、その他ハードウェア等のインターフェイスに関連するコントローラ機能を備え、遠隔保守装置９００全体を制御する。

記憶部９５０は、非一時的な記録媒体であるハードディスクドライブやフラッシュメモリー等からなる記憶装置で、制御部９１０が実行する処理の制御プログラムやデータ（設定データを含む）を記憶する。記憶部９５０は、前述のように、さらに、知識データベース９２０を格納している。

遠隔保守装置９００は、記憶部９５０に格納されている知識データベース９２０を利用する機械学習に基づいて故障診断や故障予測を行うことができる。知識データベース９２０は、複数の画像形成装置２１ａ〜２１ｃから取得した音声情報に基づいて統計処理部９１１によって半自動的に生成される。遠隔保守装置９００は、いわゆるビッグデータを扱って機械学習を行うことができるように構成されている。

知識データベース９２０は、個体時系列データ９２１と、正常モデル９２２ａ〜９２２ｃと、異常モデル９２３ａ〜９２３ｃとを含んでいる。個体時系列データ９２１は、管理対象となっている複数の画像形成装置２１ａ〜２１ｃのそれぞれから受信した音声情報を画像形成装置２１ａ〜２１ｃ毎に紐づけて時系列順に格納するデータである。

正常モデル９２２ａ〜９２２ｃは、複数の画像形成装置２１ａ〜２１ｃから受信した音声情報に基づいて確率分布として生成されている統計モデルである。正常モデル９２２ａ〜９２２ｃは、この例では、３台の画像形成装置２１ａ〜２１ｃ毎に生成される。正常モデル９２２ａは、画像形成装置２１ａのために生成される。正常モデル９２２ｂは、画像形成装置２１ｂのために生成される。正常モデル９２２ｃは、画像形成装置２１ｃのために生成される。このように、画像形成装置２１ａ〜２１ｃ毎に紐づけられている正常モデルは、正常個体モデルとも呼ばれる。

なお、この例では、異常モデル９２３ａ〜９２３ｃは、複数の画像形成装置２１ａ〜２１ｃにおいて異常状態が確認されたときの、この例では３つの故障モード毎に生成される。

複数の社内ネットワーク２０は、それぞれ複数の画像形成装置２１ａ〜２１ｃと、複数のパーソナルコンピュータ２２と、ルーター２３とを備えている。画像形成装置２１ａ〜２１ｃは、それぞれ制御部１００と、印刷用紙搬送部２００と、音声センサ３００と、画像読取部４００と、印刷媒体に画像を形成して印刷物として排出する画像形成部５００と、記憶部６００と、通信インターフェイス部７００と、操作表示部８００とを備えている。通信インターフェイス部７００は、ルーター２３を介して複数のパーソナルコンピュータ２２と、インターネット３０とに接続されている。

図２は、本発明の一実施形態に係る画像形成装置２１の全体構成を示す断面図である。本実施形態の画像形成装置２１は、タンデム型のカラープリンターである。画像形成装置２１は、その筐体１０内に、画像形成部として、マゼンタ、シアン、イエロー、及びブラックの各色に対応させて感光体ドラム（像担持体）３０ｍ、３０ｃ、３０ｙ及び３０ｋが一列に配置されている。感光体ドラム３０ｍ、３０ｃ、３０ｙ及び３０ｋのそれぞれに隣接して、現像装置１００ｍ、１００ｃ、１００ｙ及び１００ｋが配置されている。

感光体ドラム３０ｍ、３０ｃ、３０ｙ及び３０ｋには、露光ユニット５０から各色用のレーザー光Ｌｍ、Ｌｃ、Ｌｙ及びＬｋが照射される。この照射によって、感光体ドラム３０ｍ、３０ｃ、３０ｙ及び３０ｋに静電潜像が形成される。現像装置１００ｍ、１００ｃ、１００ｙ及び１００ｋは、トナーを攪拌しながら、感光体ドラム３０ｍ、３０ｃ、３０ｙ及び３０ｋの表面に形成された静電潜像にトナーを付着させる。これにより、現像工程が完了し、感光体ドラム３０ｍ、３０ｃ、３０ｙ及び３０ｋの表面に各色のトナー像が形成される。

画像形成装置２１は、無端状の中間転写ベルト２２０を有している。中間転写ベルト２２０は、テンションローラ２２４、駆動ローラ２２２ａ（図３参照）及び従動ローラ２２１に張架されている。中間転写ベルト２２０は、駆動ローラ２２２ａの回転によって循環駆動させられる。

たとえば感光体ドラム３０ｋ上のブラックのトナー像は、感光体ドラム３０ｋと一次転写ローラ２３ｋとで中間転写ベルト２２０を挟み、中間転写ベルト２２０が循環駆動させられることによって中間転写ベルト２２０に一次転写される。この点は、シアン、イエロー、ブラックの３色についても同様である。中間転写ベルト２２０の表面には、所定のタイミングで相互に重ね合わせられるように一次転写が行われることによってフルカラートナー像が形成される。

画像形成装置２１の印刷用紙搬送部２００は、印刷媒体としての印刷用紙Ｐ及び非定形用紙Ｐｔを供給して搬送するために、手差しトレイ２３５と、給紙カセット２６０と、第１搬送路２７１と、第２搬送路２７２と、第３搬送路２７３と、第４搬送路２７４と、反転搬送路２７５とを備えている。反転搬送路２７５は、両面印刷で使用される搬送路である。

給紙カセット２６０は、印刷用紙Ｐを供給することができる。給紙カセット２６０は、画像形成装置２１の筐体１０の下部に配置され、画像形成装置２１の筐体１０の外部に引き出すことによって印刷用紙Ｐの補充を可能としている。印刷用紙Ｐは、ピックアップローラ２６２と給紙ローラ対２６１とによって、給紙カセット２６０から１枚ずつ第２搬送路２７２に供給される。

一方、手差しトレイ２３５は、画像形成装置２１の筐体１０の右側に配置され、非定形用紙Ｐｔを供給することができる。非定形用紙Ｐｔは、給紙ローラ２３６によって１枚ずつ第１搬送路２７１に供給される。第１搬送路２７１は、第２搬送路２７２に接続されている。第２搬送路２７２は、前述のように定形の印刷用紙Ｐを供給する給紙カセット２６０にも接続されている。

図３は、一実施形態に係る印刷用紙搬送部２００の一部を示す拡大断面図である。印刷用紙搬送部２００では、印刷媒体は、第２搬送路２７２を通過して経路Ｔに沿って搬送される。印刷用紙搬送部２００は、さらに、駆動回路１２０と、音声センサ３００と、４個の駆動モータ２２２ｍ，２３１ｍ，２３６ｍ，２６２ｍと、排出検知スイッチＤｓと、レジストスイッチＲｓとを備えている。

駆動回路１２０は、４個の駆動モータ２２２ｍ，２３１ｍ，２３６ｍ，２６２ｍのそれぞれを駆動する。音声センサ３００は、印刷用紙搬送部２００の搬送に起因して発生する音声を含む音声情報を取得する。駆動回路１２０は、４個の駆動モータ２２２ｍ，２３１ｍ，２３６ｍ，２６２ｍのそれぞれに実際に流れたモータ電流値を制御部１００に送信する。

第２搬送路２７２は、印刷媒体をレジストローラ２３３まで搬送する。レジストスイッチＲｓ（図３参照）は、印刷媒体がレジストローラ２３３に到達したことを検知する。

画像形成装置２１は、第３搬送路２７３では、中間転写ベルト２２０の表面に転写されたフルカラートナー像を印刷媒体上に二次転写することができる。二次転写は、駆動ローラ２２２ａと二次転写ローラ２２２ｂとを有する転写ローラ対２２２によって行われる。レジストローラ２３３は、印刷媒体が検知されると、中間転写ベルト２２０上のフルカラートナー像にタイミングを合わせて転写ローラ対２２２に印刷媒体の搬送を開始することによって二次転写を可能とする。転写後に、ベルトクリーニング装置（図示略）が中間転写ベルト２２０に残存するトナーを清掃する。

画像形成装置２１は、第３搬送路２７３では、さらに、印刷媒体上に二次転写されたフルカラートナー像を印刷媒体上に定着させることができる。定着は、加圧ローラ２３１ａとヒートローラ２３１ｂとを有する定着ローラ対２３１によって行われる。加圧ローラ２３１ａとヒートローラ２３１ｂとは、相互に圧力をかけて変形した状態で接することによってニップ部（図示せず）を形成している。印刷媒体がニップ部を通過する際に、加圧・加熱され、フルカラートナー像が印刷媒体に定着することになる。

ヒートローラ２３１ｂは、一般にアルミニウムのパイプの芯金ローラを有し、その外周面にフッ素樹脂層やシリコンゴム層が形成されている。一方、加圧ローラ２３１ａは、金属製のローラ軸の外周面に厚さ数ｍｍ程度の周密な弾性変形可能なシリコンゴム層が形成されている。このような構成によって、加圧ローラ２３１ａの弾性変形を利用して定着ローラ対２３１間に適正な均一な幅のニップが形成される。加圧ローラ２３１ａは、駆動手段として用いられるＤＣモータやステッピングモータといった駆動モータ２３１ｍによって駆動される。駆動モータ２３１ｍは、記憶部６００に記憶されたプログラムに従って制御部１００によって制御される。定着ローラ対２３１及び駆動モータ２３１ｍは、定着部とも呼ばれる。

第４搬送路２７４は、印刷が完了した印刷媒体を画像形成装置２１から排出するための搬送路である。印刷媒体は、２つの排出ローラ２３２ａ，２３２ｂを有する排出ローラ対２３２を介して画像形成装置２１の外部に排出される。排出検知スイッチＤｓは、排出ローラ対２３２から排出される印刷媒体を検知することができる。

駆動モータ２２２ｍは、主として転写ローラ対２２２を回転駆動するモータである。駆動モータ２３１ｍは、主として定着ローラ対２３１を回転駆動するモータである。駆動モータ２３６ｍは、主として給紙ローラ２３６を回転駆動するモータである。駆動モータ２６２ｍは、主としてピックアップローラ２６２及び給紙ローラ対２６１を回転駆動するモータである。このような、印刷用紙搬送部２００における搬送動作に伴って回転する部品は、回転部品とも呼ばれる。

排出検知スイッチＤｓ及びレジストスイッチＲｓは、各位置において、経路Ｔにおける印刷媒体の到達を検知するので、印刷用紙Ｐでジャム（紙詰まり）が発生せず、実際に搬送されていることを確認するための用途にも利用される。

具体的には、たとえば制御部１００から駆動モータ２６２ｍや駆動モータ２３６ｍに駆動指令が発せられた後に、予め設定された時間経過後にレジストスイッチＲｓに印刷媒体が検知されなかった場合には、レジストスイッチＲｓよりも上流側（たとえば第１搬送路２７１や第２搬送路２７２）におけるジャムを検知することができる。一方、レジストスイッチＲｓで印刷媒体が検知され、排出検知スイッチＤｓで印刷媒体が検知されなかった場合には、レジストスイッチＲｓよりも下流側（たとえば第３搬送路２７３、第４搬送路２７４及び反転搬送路２７５のいずれか）でジャムが発生したことを検知することができる。

図４は、一実施形態に係る異常診断処理の内容を示す説明図である。図５は、一実施形態に係る機械学習における標本データ群Ｄ（図５の式Ｆ１参照）の内容の一例を示す説明図である。本異常診断処理は、複数の画像形成装置２１ａ〜２１ｃのそれぞれから収集した音声情報を使用して機械学習を実行し、この学習結果を利用して異常診断を行う処理である。

ステップＳ１０では、複数の画像形成装置２１ａ〜２１ｃは、予め設定されているタイミング（たとえば印刷開始時）で音声データ収集処理を起動する。音声データ収集処理では、制御部１００の音声処理部１１０は、記憶部６００に音声データを圧縮して記憶する。圧縮方式は、可逆圧縮方式を採用する。不可逆圧縮方式では、人間の聴覚特性に基づいてカットされた情報を再現することができなくなるからである。

音声処理部１１０は、音声データを処理して音声振幅ヒストグラム及び音声フーリエ変換値を生成する。ローラ回転数及びモータ電流値は、音声データと同様に処理しても良いし、あるいは平均値、一定時間（たとえば１０秒間）の時系列値、ヒストグラム及びフーリエ変換値のように画像形成装置２１で処理された形で音声情報を表すデータとすることもできる。

音声情報（標本データ）には、一例として、音声振幅ヒストグラム（定型：ｘ１^（ｎ））、音声フーリエ変換値（非定型：ｘ２^（ｎ））、モータ回転数（ＲＰＭ：ｘ３^（ｎ））、ローラ回転数（ＲＰＭ：ｘ４^（ｎ））、モータ電流値（ｘ５^（ｎ））といった５次元の画像形成装置２１の搬送に関する状態である搬送関連状態を表す情報が標本データｘ^（ｎ）として含まれている。これらの搬送関連状態を表す情報は、統計処理において確率変数として取り扱われる。

このように、本実施形態では、標本データ群Ｄは、複数の画像形成装置２１ａ〜２１ｃのそれぞれに対して標本数Ｎ個の５次元ベクトルとして構成されている（式Ｆ１、Ｆ２参照）。各標本データｘ^（ｎ）には、さらに標本ラベルｙ^（ｎ）が含まれている。

標本ラベルｙ^（ｎ）は、異常又は正常を表すフラグＦと、故障モードを表すモードＭとが含まれている（式Ｆ３参照）。フラグＦの初期値は、「０」（正常）に設定され、モードＭの初期値は、「０」（モータ故障）に設定されている。モータ故障は、４個の駆動モータ２２２ｍ，２３１ｍ，２３６ｍ，２６２ｍのいずれかの故障を意味している。モードＭの値「１」は、給紙ローラ２３６やピックアップローラ２６２の過摩耗を意味している。

図６は、一実施形態に係る画像形成装置２１が送信する音声情報の例を示す説明図である。図６（ａ）は、音声振幅ヒストグラムの一例を示している。度数とは、各振幅値（横軸）における出現値である。この例は、最小振幅値（負の値）と最大振幅値（正の値）で正規化されている。この音声振幅ヒストグラムは、振幅ゼロの近傍をピークとする山形の特性を有している。

図６（ｂ）は、音声フーリエ変換値の一例を示している。この例は、たとえば給紙ローラ２３６を発信源とする音声データの音声フーリエ変換値である。この音声フーリエ変換値は、基本振動数として給紙ローラ２３６の回転数ω０に応じた周波数にピークを有していることが分かる。この音声フーリエ変換値は、さらに、回転数ω０の第１高調波ω１と第２高調波ω２にもピークを有している。

音声フーリエ変換値は、回転部品の回転数の変化に応じて変化することが分かる。したがって、４個の駆動モータ２２２ｍ，２３１ｍ，２３６ｍ，２６２ｍやこれらに駆動されるローラの回転数に変化が生じている場合には、観測値と、正常モデル９２２ａ〜９２２ｃ及び異常モデル９２３ａ〜９２３ｃとの少なくとも一方を補正することが好ましい。

ステップＳ２０では、遠隔保守装置９００の統計処理部９１１は、情報取得部として機能し、音声データ受信処理を実行する。音声データ受信処理では、遠隔保守装置９００の統計処理部９１１は、先ず個体時系列データ９２１に音声情報を格納する。音声情報は、複数の画像形成装置２１ａ〜２１ｃのそれぞれに紐付けられて時系列毎に格納される。

本実施形態では、遠隔保守装置９００は、最初に、製造時（出荷前）における正常に作動している試験作動の音声データを複数の画像形成装置２１ａ〜２１ｃの製造者から受信する。この音声データは、製造者によって正常作動が確認されている状態での作動音である。統計処理部９１１は、正常個体モデル生成部として機能し、前述のように初期状態の統計モデル（初期モデルとも呼ばれる。）としての正常モデル９２２ａ〜９２２ｃを３台の画像形成装置２１ａ〜２１ｃ毎に生成する。

複数の画像形成装置２１ａ〜２１ｃは、ユーザーのオフィスへの設置後においては、予め設定されている間隔（たとえば毎日１回）で音声データ収集処理を実行する。画像形成装置２１は、さらに、排出検知スイッチＤｓ及びレジストスイッチＲｓを使用してジャムを検知したときにも遠隔保守装置９００に個体データを送信する。これに応じて、遠隔保守装置９００は、音声データ受信処理を実行する。

なお、単なるジャムの発生自体は、異常や故障ではなく、たとえばユーザーによる非定形用紙Ｐｔの不適切な裁置によって発生することもある。本実施形態では、異常や故障は、ユーザーの操作や再現性のない突発的な事象に起因せず、経年変化やピックアップローラ２６２等の過摩耗、駆動モータ２２２ｍ等の故障等によって予め想定されている頻度より多く発生する状態を意味している。

一方、過摩耗や故障は、正常時には発生しない音（たとえばローラーの滑りやきしみ）が発生し、正常時とは音の特性が大きく変化する。よって、単に画像形成装置２１ａ〜２１ｃの内部の音声に大きな変化があった場合や新規の特徴（周波数や振幅等）を有する音声が発生した場合に異常の可能性を検知することができる。

ステップＳ３０では、遠隔保守装置９００は、異常診断処理を実行する。異常診断処理では、遠隔保守装置９００の異常診断部９１２は、正常モデル９２２ａ〜９２２ｃのうち異常診断の対象となる画像形成装置２１に対応するモデルを選択し、選択された正常モデルに基づいて異常度Ａの大きさに基づいて異常の有無を診断する。異常度Ａは、たとえば正常モデル９２２ａにおいて画像形成装置２１ａの出現確率ｐが低い、すなわち正常である確率が低いことで、異常である確率が高いとして確率論的に定義することができる。

図７は、一実施形態に係る統計処理としての異常診断の方法を示す説明図である。図７（ａ）は、画像形成装置２１ａの観測値（実測値）の分布と正規分布としての正常モデル９２２ａを示している。観測値の分布は、実線で示されている。正規分布は、点線で示されている。正常モデル９２２ａは、この例では、観測値の分布が正規分布を有していると仮定して算出されたモデルである。

正常モデルに基づく異常度Ａは、たとえばホテリングのＴ^２法やマハラノビス・タグチ法に基づき、出現確率ｐが小さいとき、すなわち、観測された標本データの値（画像形成装置２１から取得した音声情報）が平均値から外れるほど大きく、正常モデルの標準偏差が小さいほど大きくなる指標として異常診断に使用できる。

このように、正常モデルの標本データにばらつきが小さく、平均値から外れた標本データは、高い異常度Ａを有することになる。この例では、たとえば式Ｆ４で定義される異常度Ａが予め設定されている閾値よりも大きな場合に異常であると診断される。なお、この際、画像形成装置２１ａの観測値は、これまでに観測されている観測値の分布からは外れている場合が多いと考えられる。

図７（ｂ）は、あるクラスターの正規分布としての正常モデルと異常モデルとを示している。正常モデル及び異常モデルに基づく異常度Ａは、たとえばネイマン・ピアソン決定則に基づき、正常モデルにおける出現確率ｐ０と異常モデルにおける出現確率ｐ１の比の自然対数として算出される。

このように、異常度Ａは、異常モデルにおいて出現確率ｐ１が高く、正常モデルにおいて出現確率ｐ０が低い指標として異常診断に使用できる。この例では、たとえば式Ｆ５で定義される異常度Ａが予め設定されている閾値よりも大きな場合に異常であると診断される。なお、異常モデル９２３ａ〜９２３ｃは、後述の故障モード毎に複数のクラスターとして生成され、故障モードの推定にも利用できる。

ステップＳ４０では、異常診断部９１２は、異常度Ａが予め設定されている閾値Ｔｈ以上である場合には、異常であると診断し、異常度Ａが予め設定されている閾値Ｔｈ未満である場合には、正常であると診断する。異常診断部９１２は、異常であると診断したときには、処理をステップＳ５０に進め、正常であると診断したときには、処理をステップＳ８０に進める。

ステップＳ５０では、遠隔保守装置９００は、異常通知処理を実行する。異常通知処理は、遠隔保守装置９００の操作表示部９４０を使用して画像形成装置２１の異常をオペレータに知らせる処理である。異常通知処理では、オペレータは、操作表示部９４０を使用して音声データ受信処理で取得した音声情報の内容及び異常判定の内容を確認することができる。異常判定の内容は、異常判定の判断となった理由（特に異常判定の主要因となったデータ（たとえば音声フーリエ変換値）、異常度Ａ及び異常判定の基準（閾値Ｔｈ）を含んでいる。

ステップＳ６０では、オペレータは、サービスマンの派遣が必要か否かを判断する。派遣が必要と判断した場合には、複数のモバイル端末９６０に対して、異常と診断された画像形成装置２１の位置と異常内容とを一斉配信する。オペレータは、サービスマンからの返信に応じて、異常と診断された画像形成装置２１を設置する会社を訪問するサービスマンを決定し、その旨を複数のモバイル端末９６０に対して一斉配信する。

ステップＳ７０では、サービスマンは、個体状況確認処理を実行する。個体状況確認処理では、サービスマンは、異常内容をモバイル端末９６０で確認しつつ異常と診断された画像形成装置２１の状態を調査する。

サービスマンは、たとえば異常の原因が給紙カセット２６０のピックアップローラ２６２の過摩耗であると判断した場合、ピックアップローラ２６２を交換する。この場合には、サービスマンは、モバイル端末９６０においてピックアップローラ２６２を交換した旨を遠隔保守装置９００に送信する。遠隔保守装置９００は、個体時系列データ９２１に格納されている当該標本データの標本ラベルｙ^（ｎ）のフラグＦの値を「１」（異常）とし、モードＭの値を「１」（ローラの過摩耗）とする。

ステップＳ８０では、遠隔保守装置９００の統計処理部９１１は、学習処理を実行する。学習処理では、統計処理部９１１は、標本データの標本ラベルｙ^（ｎ）のフラグＦの値を「１」とし、モードＭの値を「１」とし、該当するクラスターの異常モデル９２３ａ〜９２３ｃの標本データとして学習処理（統計用標本データとして追加処理）を実行する。一方、正常モデル９２２ａ〜９２２ｃの標本データから削除する。

なお、ステップＳ４０において、正常と判断された場合には、統計処理部９１１は、標本データの標本ラベルｙ^（ｎ）を初期値としたままで、正常モデル９２２ａ〜９２２ｃの該当するクラスターの標本データとして学習処理（統計用標本データとして追加処理）を完了する。一方、異常モデル９２３ａ〜９２３ｃの標本データとしては使用されない。

これにより、統計処理部９１１は、画像形成装置２１ａ〜２１ｃのそれぞれの自己の標本データの各確率変数の平均、分散、確率分布間の共分散といった種々の統計量を含む正常モデル９２２ａ〜９２２ｃと異常モデル９２３ａ〜９２３ｃとを生成することができる。この結果、異常診断部９１２は、画像形成装置２１ａ〜２１ｃの継続的な音情報の変化を検出することによって異常診断を実現することができる。具体的な実装では、これらのモデル９２２ａ〜９２２ｃ、９２３ａ〜９２３ｃに基づいてホテリングのＴ２法やマハラノビス・タグチ法、ネイマン・ピアソン決定則といった種々の方法を採用することができる。

このように、本実施形態に係る遠隔保守システム１は、専門家による事前のモデル設定の負担を軽減し、新機種が市場投入された直後においても、適切に故障診断を行うことができる。このように、本実施形態に係る遠隔保守システム１は、簡易な手段で立ち上がりの早い故障検知技術を提供することができる。

本発明は、上記各実施形態だけでなく、以下のような変形例でも実施することができる。

変形例１：上記実施形態では、標本ラベルｙ^（ｎ）には、異常と正常のいずれかを示すフラグＦと、故障モードを表すモードＭとが含まれているが、これらには限られない。具体的には、たとえば故障前状態を示すフラグをさらに追加してもよいし、故障モードに故障前状態を含めてもよい。

故障前状態を示す前兆フラグは、たとえば特定の固体においてサービスマンによって故障が確認された場合には、個体時系列データ９２１から当該特定の固体から取得した過去の標本データを取得し、故障前状態を示す値に変更して使用される。

このような、音声情報のうち、異常が後に確認され、異常が確認される前の音声情報は、特定の音声情報と呼ばれる。これにより、故障前状態フラグは、特定の音声情報を使用により前兆モデルの生成を実現し、時系列的な音声情報の変化をも使用して故障前に早期に故障を予測する学習モデルの生成に使用することができる。

変形例２：上記実施形態や変形例では、音声情報として音声振幅ヒストグラム及び音声フーリエ変換値が使用されているが、必ずしも双方を利用する必要はなく一方のみを使用しても良い。さらに、音声振幅ヒストグラムや音声フーリエ変換値の代わりに、たとえば図８に示されるような音声サンプルデータを使用しても良いし、両者を組み合わせて使用しても良い。さらに、遠隔保守装置９００は、異常発生時に音声サンプルデータをオペレータに提示するように構成されていてもよい。この例では、周期性の乱れや周波数の変化が発生し、変化点として検知可能である。

変形例３：上記実施形態や変形例では、単一の音声センサ３００を使用しているが、複数の音声センサを使用して、印刷用紙搬送部２００の各領域の音声を取得するようにしてもよい。さらに、音声センサとともに、あるいは音声センサの代わりに振動センサをしようしてもよい。音声情報には、広く振動センサの出力も含まれる。

変形例４：上記実施形態や変形例では、遠隔保守装置９００の統計処理部９１１は、画像形成装置２１ａ〜２１ｃ毎に紐づけられている正常モデル（正常個体モデル）を生成しているが、正常モデルは、このようなモデルに限られない。正常モデルは、以下のような他の方法でクラスター化されていても良い。

正常モデル９２２ａは、複数の画像形成装置２１ａ〜２１ｃの機種毎に分類され、クラスター化されている統計モデルとしてもよい。正常モデル９２２ｂは、複数の画像形成装置２１ａ〜２１ｃの印刷枚数毎（たとえば１万枚毎）に分類され、クラスター化されている統計モデルとしてもよい。正常モデル９２２ｃは、複数の画像形成装置２１ａ〜２１ｃの設置期間毎（データ量に応じて、たとえば１年毎あるいは１月毎）に分類され、クラスター化されている統計モデルとしてもよい。

変形例５：上記実施形態や変形例では、遠隔保守装置９００は、異常診断のみを行っている。しかしながら、遠隔保守装置９００は、検出された異常に対してサービスマンの派遣を行うだけでなく、たとえば遠隔操作で画像形成装置２１の駆動モータの回転数を仕様値よりも低下させ、印刷媒体の搬送速度を低下させてジャムを抑制する特定の作動モードに設定変更するように構成してもよい。これにより、サービスマンによる訪問前においてもジャムを抑制しつつ画像形成装置２１の利用を可能とすることができる。

変形例６：上記実施形態や変形例では、遠隔保守装置９００は、各確率変数の統計量を使用してホテリングのＴ２法やマハラノビス・タグチ法、ネイマン・ピアソン決定則といった方法で異常診断を行っているが、統計処理としては、ベイズ法その他の方法を採用してもよい。さらに、遠隔保守装置９００は、機械学習に必ずしも統計処理を採用する必要はなく、たとえばオートエンコーダーでディープ・ニューラルネットワークを構成し、ディープラーニングを使用して機械学習を実現するようにしてもよい。

１ 遠隔保守システム
２０ 社内ネットワーク
２１ 画像形成装置
２２ パーソナルコンピュータ
２３ ルーター
３０ インターネット
１００ 制御部
１１０ 音声処理部
２００ 印刷用紙搬送部
２２０ 中間転写ベルト
２６０ 給紙カセット
３００ 音声センサ
４００ 画像読取部
５００ 画像形成部
６００ 記憶部
９００ 遠隔保守装置
９１０ 制御部
９２０ 知識データベース
９３０ 通信インターフェイス部
９４０ 操作表示部
９５０ 記憶部
９６０ モバイル端末

Claims (8)

1. 通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守装置であって、
   前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得部と、
   前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成部と、
   前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断部と、
   を備える遠隔保守装置。
2. 請求項１記載の遠隔保守装置であって、
   前記情報取得部は、前記画像形成装置の出荷前における前記音声情報を取得し、前記取得した音声情報を使用して前記画像形成装置の正常個体モデルを初期モデルとして生成する遠隔保守装置。
3. 請求項１又は２に記載の遠隔保守装置であって、
   前記情報取得部は、異常が確認された前記画像形成装置における前記音声情報を取得し、前記取得した音声情報を使用して前記画像形成装置の異常モデルを生成し、
   前記異常診断部は、前記異常モデルにおける出現確率と前記正常個体モデルにおける出現確率とを使用して前記異常診断を行う遠隔保守装置。
4. 請求項１乃至３のいずれか１項に記載の遠隔保守装置であって、
   前記情報取得部は、前記搬送に使用される回転部品の回転数を取得し、
   前記異常診断部は、前記取得した回転数を使用して前記音声情報と前記正常個体モデルの少なくとも一方を補正して前記異常診断を行う遠隔保守装置。
5. 請求項１乃至４のいずれか１項に記載の遠隔保守装置であって、
   前記正常個体モデル生成部は、複数の画像形成装置のうち異常が確認された画像形成装置において前記異常が確認される前の特定の音声情報を使用し、前記特定の音声情報を確率変数とする確率分布を生成し、
   前記異常診断部は、前記特定の音声情報を使用して前記生成された確率分布に基づき、前記異常の発生を予測する遠隔保守装置。
6. 請求項１乃至５のいずれか１項に記載の遠隔保守装置であって、
   前記画像形成装置は、前記印刷媒体の搬送速度を低下させて、前記印刷媒体のジャムの発生を抑制する特定の作動モードを有し、
   前記遠隔保守装置は、前記異常診断の結果に基づいて、前記画像形成装置の作動モードを遠隔操作で前記特定の作動モードに変更する遠隔保守装置。
7. 通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守方法であって、
   前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得工程と、
   前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成工程と、
   前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断工程と、
   を備える遠隔保守方法。
8. 通信回線で接続され、印刷媒体を搬送しつつ前記印刷媒体に画像を形成する複数の画像形成装置の保守を行う遠隔保守装置を制御する遠隔保守プログラムであって、
   前記遠隔保守プログラムは、
   前記複数の画像形成装置のそれぞれから前記搬送に起因して発生する音声を含む音声情報を取得する情報取得部、
   前記音声情報を前記複数の画像形成装置毎に紐づけて収集し、前記紐づけて収集された音声情報を使用して前記複数の画像形成装置毎に正常個体モデルを生成する正常個体モデル生成部、及び
   前記生成された複数の正常個体モデルの中から前記音声情報を送信した画像形成装置に対応する正常個体モデルを選択し、前記選択された正常個体モデルにおける前記音声情報の出現確率に応じて前記画像形成装置の異常診断を行う異常診断部、
   として前記遠隔保守装置を機能させる遠隔保守プログラム。