JP2019159730A - 保守システム、保守サーバ、保守方法 - Google Patents

保守システム、保守サーバ、保守方法 Download PDF

Info

Publication number
JP2019159730A
JP2019159730A JP2018044806A JP2018044806A JP2019159730A JP 2019159730 A JP2019159730 A JP 2019159730A JP 2018044806 A JP2018044806 A JP 2018044806A JP 2018044806 A JP2018044806 A JP 2018044806A JP 2019159730 A JP2019159730 A JP 2019159730A
Authority
JP
Japan
Prior art keywords
maintenance
prediction
abnormal state
prediction model
data
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
JP2018044806A
Other languages
English (en)
Other versions
JP7006396B2 (ja
Inventor
馬場　裕行
Hiroyuki Baba
裕行 馬場
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.)
Ricoh Co Ltd
Original Assignee
Ricoh 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 Ricoh Co Ltd filed Critical Ricoh Co Ltd
Priority to JP2018044806A priority Critical patent/JP7006396B2/ja
Priority to US16/269,688 priority patent/US10666814B2/en
Publication of JP2019159730A publication Critical patent/JP2019159730A/ja
Priority to US16/835,847 priority patent/US11070682B2/en
Application granted granted Critical
Publication of JP7006396B2 publication Critical patent/JP7006396B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00026—Methods therefor
    • H04N1/00029—Diagnosis, i.e. identifying a problem by comparison with a normal state
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/149—Network analysis or design for prediction of maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00026—Methods therefor
    • H04N1/00039—Analysis, i.e. separating and studying components of a greater whole
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00071—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for characterised by the action taken
    • H04N1/00082—Adjusting or controlling
    • H04N1/00084—Recovery or repair, e.g. self-repair
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Facsimiles In General (AREA)
  • Debugging And Monitoring (AREA)
  • Control Or Security For Electrophotography (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Abstract

【課題】機器が正常な状態でなくなることを予測可能な保守システムを提供すること。【解決手段】複数の機器１０は、機器の状態が正常でなくなる非正常状態を予測する予測モデルを前記保守サーバから受信する受信手段１７と、予測モデルに基づいて非正常状態の発生を予測する予測手段１３と、予測手段が予測した予測結果を保守サーバに送信する第一の送信手段１８と、を有し、保守サーバ３０は、ログデータに基づいて記機器の非正常状態の発生を予測する予測モデルを生成する予測モデル生成手段３５と、予測結果を送信した前記機器に対する保守作業の指示を発行する指示手段３６と、を有する。【選択図】図１

Description

本発明は、保守システム、保守サーバ、及び保守方法に関する。
複合機等の機器はますます高機能及び複雑化しているため、異常又は故障が発生するとユーザ側での対応が困難になる場合がある。このような場合はカスタマーエンジニア等が顧客に派遣され対応することになるが、緊急の保守作業は機器のメーカにとってもコスト増となるし、ユーザにとっても機器を使用できないダウンタイムとなる。
そこで、異常又は故障に対する適切な対応を容易にする技術が考案されている（例えば、特許文献１参照。）。特許文献１には、保守イベントを検出すると保守サーバにアクセスし、検出された保守イベントに応じた保守作業を案内する保守情報を保守サーバから取得し保守情報をディスプレイに表示する機器が開示されている。
しかしながら、従来の技術では、機器が実際に異常又は故障する前に異常又は故障を予測することが困難であるという問題があった。補足すると、機器が実際に故障する前に故障の発生を保守サーバ等が予測し、故障が発生する前に定期点検の作業内でカスタマーエンジニア等が修理すれば、複合機のダウンタイムを低減できるだけでなく、緊急の保守作業を低減することができるのでサービスコストを下げることができる。故障に限られず、異常の発生を予測することができれば同様の効果を期待できる。
例えば、多くの台数が市場で普及している機種は似たような異常又は故障が発生しやすく、生産台数の少ない機種に比べて異常又は故障を予測したいというニーズが一段と高い。このため、機器の異常又は故障が発生する前に、機器からの機器情報に基づいてサーバ等が異常又は故障を予測したいという要請がある。
機器のメーカの担当者が過去の経験から機器が将来的に故障する又は異常を示す可能性が高い機器の状態を予め機器に設定しておくことは可能である。しかし、機器の異常又は故障の前兆と実際の異常又は故障との関連性は多くのデータから判明するものであるため、機器のメーカの担当者等が設定する機器の状態では関連性を十分に反映させることが困難である。また、知られていない異常又は故障に対応する機器の状態を設定することが困難なため、予測できる異常又は故障も制限されていた。
本発明は、上記課題に鑑み、機器が正常な状態でなくなることを予測可能な保守システムを提供することを目的とする。
上記課題に鑑み、本発明は、複数の機器と、前記複数の機器の保守作業を管理する保守サーバとを有する保守システムであって、
前記複数の機器は、前記機器の状態が正常でなくなる非正常状態を予測する予測モデルを前記保守サーバから受信する受信手段と、前記予測モデルに基づいて前記非正常状態の発生を予測する予測手段と、前記予測手段が予測した予測結果を前記保守サーバに送信する第一の送信手段と、前記機器の状態を示すログデータを前記保守サーバに送信する第二の送信手段と、を有し、
前記保守サーバは、前記複数の機器からそれぞれ受信した前記ログデータに基づいて、前記機器の前記非正常状態の発生を予測する前記予測モデルを生成する予測モデル生成手段と、前記予測結果を送信した前記機器に対する保守作業の指示を発行する指示手段と、を有する。
機器が正常な状態でなくなることを予測可能な保守システムを提供することができる。
本実施形態の保守システムの動作の概略を説明する図の一例である。 保守システムの概略構成図の一例である。 保守サーバの概略的なハードウェア構成図の一例である。 機器の概略的なハードウェア構成を示したブロック図の一例である。 保守システムが有する機器と保守サーバの機能をフロック状に示す機能ブロック図の一例である。 ログデータの一例を模式的に示す図の一例である。 機器がログデータを保守サーバに送信する手順を示すシーケンス図の一例である。 学習モデルの構築に使用される訓練データと教師データを説明する図の一例である。 学習モデルの作成方法について説明する図の一例である。 ニューラルネットワークの学習モデルの作成方法について説明する図である。 ディープラーニングの構成を説明する図の一例である。 保守サーバが学習モデルを機器に配布する手順を示すシーケンス図の一例である。 サービスコール又は紙詰まりごとに生成された学習モデルを用いた異常又は故障の検出手順を説明する図の一例である。 機器が異常又は故障を予測した際の保守システムの動作を説明するシーケンス図の一例である。 機器の操作パネルに表示される予兆検知画面の一例を示す図である。 レポート作成部が作成するレポートの一例を示す図である。
以下、本発明を実施するための形態の一例として、保守システム、保守サーバ、及び、保守システムが行う保守方法について図面を参照しながら説明する。
＜保守システムの概略の動作＞
図１は、本実施形態の保守システム１００の動作の概略を説明する図の一例である。
（１）機器１０は自機の状態を示すログデータを収集して定期的に又は操作等を契機にして保守サーバ３０に送信する。
（２）保守サーバ３０はログデータに機械学習のアルゴリズムを適用し、機器１０の異常又は故障の発生を予測する学習モデル(予測モデル)を作成する。
（３）保守サーバ３０は学習モデルを各機器１０に配布する。
（４）保守サーバ３０から配布された学習モデルにログデータ（より具体的には機器監視データ）を入力し、機器１０が故障するか又は機器１０から異常が検知される可能性が高いか否かを判断する（以下、単に、異常又は故障が予測されるか否か、という。）。
（５）異常又は故障が予測された場合、機器１０が保守サーバ３０に通知する。保守サーバ３０は異常又は故障が生じると予測された箇所の保守作業を行うようにカスタマーサービスの担当に連絡する。
かかる構成によれば、機器１０に設定された学習モデルは異常又は故障が発生する前のログデータから異常又は故障を予測することができるため、定期点検の中でカスタマーエンジニア等が対応でき、緊急の保守作業を低減することできる。また、異常又は故障が発生する前に部品等を交換できるので、顧客が機器１０を使用できないダウンタイムを発生させにくくすることができる。
また、保守サーバ３０がログデータによる学習を継続するので、予め設定された異常又は故障の検出条件に固定されることなく、異常又は故障を予測する学習モデルを構築できる。
また、保守サーバ３０が学習モデルを使用して異常又は故障を予測する場合、異常又は故障の予測のためのログデータを各機器１０から保守サーバ３０が収集し、機器１０ごとに異常又は故障を予測する必要があるため、故障サーバの負荷が高くなってしまう。本実施形態では、各機器１０がそれぞれ異常又は故障を予測するので故障サーバへの負荷の集中を抑制できる。
＜用語について＞
予測モデルとは機器が非正常状態に陥ることを事前に予測する機能をいう。例えば、機器の状態を表すデータの入力に対し非正常状態に陥る可能性の大きさを出力するプログラムである。本実施形態では検出器、学習モデル、学習モデルデータ、等の用語で説明する。
また、非正常状態とは異常、故障、支障、欠陥等、通常の状態とは異なる状態をいう。正常でない状態と称してもよい。本実施形態では説明の便宜上、異常又は故障という用語で説明する。
また、本実施形態において、非正常状態の予兆、予測、推測は特に断らない限り同じ意味でよい。
保守作業の指示を発行するとは、異常又は故障を予測した機器１０に対し、異常又は故障を改善又は回復するためのサービスを手配することをいう。
＜システム構成例＞
図２は、本実施形態の保守システム１００の概略構成図の一例である。保守システム１００は、ネットワークＮを介して通信することが可能な一台以上の機器１０、及び、保守サーバ３０を有する。ネットワークＮは機器１０が存在する施設などに構築されているＬＡＮ、広域イーサネット（登録商標）、ＬＡＮ同士が接続されたＷＡＮ、ＶＰＮ（Virtual Private Network）、通信事業者の電話網、及び、インターネット等の一部又は全体より構築されている。
機器１０‐１〜機器１０‐ｎ（以下、任意の機器１０の符号を１０とする）はユーザが操作する装置であり、更に異常又は故障が生じうる装置である。機器１０は１つの顧客に１台以上、配置される。顧客は例えば組織、機関、機構、会社、企業、団体、協同組合、連盟、連合などである。
また、機器１０はユーザが業務に使用する電子的な情報を入力したり、出力したりすることで業務の効率化を支援する。機器１０では、アプリケーションソフト又はブラウザソフトウェアが動作することができ、機器１０はネットワークＮを介して通信する機能を有する。機器１０は、例えば複合機である。複合機とはスキャナ機能、プリント機能、コピー機能、及び、ＦＡＸ送受信機能など複数の機能を有する装置をいう。ＭＦＰ(Multi‐Function Printer/Product/Peripheral)、ＳＰＣ(Scan Print Copy)、又は、ＡＩＯ(All In One)と呼ばれる場合がある。本実施形態では複数の機能を有することまでは要求されず、機器は、スキャナ装置、プリント装置（印刷装置）、コピー装置、ＦＡＸ装置などでもよい。
また、機器１０は複合機に限らず、保守サーバ３０にログデータを送信しうる装置であればよい。例えば、テレビ会議端末、電子黒板、又はプロジェクタなどでもよい。この他、例えばＰＣ（Personal Computer）、タブレット装置、スマートフォン、ＰＤＡ（Personal Digital Assistant）、ゲーム機、ナビゲーション端末、ウェアラブルＰＣなどの情報処理装置が機器１０でもよい。
保守サーバ３０は機器１０に対しネットワークＮを通じて情報や機能を提供する情報処理装置である（サーバ装置）。保守サーバ３０は、機器１０から取得したログデータを学習し、機器１０の異常又は故障の発生を予測する学習モデルを構築する。学習モデルは各機器１０に配信される。機器１０がこの学習モデルを使って異常又は故障の発生を予測すると保守サーバ３０に通知するため、保守サーバ３０は機器１０を定期点検するカスタマーエンジニアに、発生すると予測された異常又は故障の原因となる部品の交換などの対応を指示する処理を行う。処理の一例として、保守サーバ３０はカスタマーエンジニアが所持する端末に対し、異常が発生すると予測された機器１０の番号を通知し、カスタマーエンジニアに対応を促す。
保守サーバ３０はクラウドコンピューティングに対応していてよい。クラウドコンピューティングとは、特定ハードウェア資源が意識されずにネットワーク上のリソースが利用される利用形態をいう。クラウドコンピューティングに対応している場合、本実施例の保守サーバ３０の物理的な構成は固定的でなくてもよく、負荷等に応じてハード的なリソースが動的に接続・切断されることで構成されてよい。
＜ハードウェア構成＞
図３は、保守サーバ３０の概略的なハードウェア構成図の一例である。保守サーバ３０は、ＣＰＵ２０１と、ＣＰＵ２０１が使用するデータの高速アクセスを可能とするメモリ２０２とを備える。ＣＰＵ２０１及びメモリ２０２は、システム・バス２０３を介して、保守サーバ３０の他のデバイス又はドライバ、例えば、グラフィックス・ドライバ２０４及びネットワーク・ドライバ（ＮＩＣ）２０５へと接続されている。
グラフィックス・ドライバ２０４は、バスを介してＬＣＤ（ディスプレイ装置）２０６に接続されて、ＣＰＵ２０１による処理結果をモニタする。また、ネットワーク・ドライバ２０５は、トランスポート層レベル及び物理層レベルで保守サーバ３０をネットワークＮへと接続して、機器１０とのセッションを確立させている。
システム・バス２０３には、更にＩ／Ｏバス・ブリッジ２０７が接続されている。Ｉ／Ｏバス・ブリッジ２０７の下流側には、ＰＣＩなどのＩ／Ｏバス２０８を介して、ＩＤＥ、ＡＴＡ、ＡＴＡＰＩ、シリアルＡＴＡ、ＳＣＳＩ、ＵＳＢなどにより、ＨＤＤ（ハードディスクドライブ）２０９などの記憶装置が接続されている。ＨＤＤ２０９は保守サーバ３０の全体を制御するプログラム２０９ｐを記憶している。ＨＤＤ２０９はＳＳＤ（Solid State Drive）でもよい。
また、Ｉ／Ｏバス２０８には、ＵＳＢなどのバスを介して、キーボード及びマウス（ポインティング・デバイスと呼ばれる）などの入力装置２１０が接続され、システム管理者などのオペレータによる入力及び指令を受け付けている。
なお、図示した保守サーバ３０のハードウェア構成は、１つの筐体に収納されていたりひとまとまりの装置として備えられていたりする必要はなく、保守サーバ３０が備えていることが好ましいハード的な要素を示す。また、クラウドコンピューティングに対応するため、本実施例の保守サーバ３０の物理的な構成は固定的でなくてもよく、負荷に応じてハード的なリソースが動的に接続・切断されることで構成されてよい。
<<機器のハードウェア構成について>>
図４は、機器１０の概略的なハードウェア構成を示したブロック図の一例である。機器１０は、コントローラ４１０と、ＦＣＵ４１２、ＵＳＥＢ４１３、ＩＥＥＥ９１３（４１４）、エンジン部（Ｅｎｇｉｎｅ）４１５、及びセンサ類４１７とをＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｆａｃｅ）バス４１６で接続した構成となる。
コントローラ４１０は、機器１０全体の制御と描画、通信、操作パネル４１１からの入力を制御するコントローラである。エンジン部４１５は、ＰＣＩバス４１６に接続可能なプリンタエンジンなどであり、たとえば白黒プロッタ、１ドラムカラープロッタ、４ドラムカラープロッタ、スキャナ又はファックスユニットなどである。
なお、このエンジン部４１５には、プロッタなどのいわゆるエンジン部分に加えて、誤差拡散やガンマ変換などの画像処理部分が含まれる。
センサ類４１７は、機器監視データの検出に必要な各種のセンサである。例えば、用紙検知センサ、電流センサ、定着器の温度センサ、時計等がある。
コントローラ４１０は、ＣＰＵ４０１と、ノースブリッジ（ＮＢ）４０３と、システムメモリ（ＭＥＭ‐Ｐ）４０２と、サウスブリッジ（ＳＢ）４０４と、ローカルメモリ（ＭＥＭ‐Ｃ）４０７と、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）４０６と、ハードディスクドライブ（ＨＤＤ）４０８とを有し、ノースブリッジ（ＮＢ）４０３とＡＳＩＣ４０６との間をＡＧＰ（Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）バス４０５で接続した構成となる。
また、ＭＥＭ‐Ｐ４０２は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）４０２ａと、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ)４０２ｂと、を更に有する。
ＣＰＵ４０１は、機器１０の全体制御を行うものであり、ＮＢ４０３、ＭＥＭ‐Ｐ４０２及びＳＢ４０４からなるチップセットを有し、このチップセットを介して他の機器１０と接続される。
ＮＢ４０３は、ＣＰＵ４０１とＭＥＭ‐Ｐ４０２、ＳＢ４０４、ＡＧＰバス４０５とを接続するためのブリッジであり、ＭＥＭ‐Ｐ４０２に対する読み書きなどを制御するメモリコントローラと、ＰＣＩマスタ及びＡＧＰターゲットとを有する。
ＭＥＭ‐Ｐ４０２は、プログラムやデータの格納用メモリ、プログラムやデータの展開用メモリ、プリンタの描画用メモリなどとして用いるシステムメモリであり、ＲＯＭ４０２ａとＲＡＭ４０２ｂとからなる。
ＲＯＭ４０２ａは、プログラムやデータの格納用メモリとして用いる読み出し専用のメモリであり、ＲＡＭ４０２ｂは、プログラムやデータの展開用メモリ、プリンタの描画用メモリなどとして用いる書き込み及び読み出し可能なメモリである。
ＳＢ４０４は、ＮＢ４０３とＰＣＩデバイス、周辺デバイスとを接続するためのブリッジである。このＳＢ４０４は、ＰＣＩバスを介してＮＢ４０３と接続されており、このＰＣＩバスには、ネットワークＩ／Ｆ４０９なども接続される。ＡＳＩＣ４０６は、画像処理用のハードウェア要素を有する画像処理用途向けのＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）であり、ＡＧＰバス４０５、ＰＣＩバス４１６、ＨＤＤ４０８及びＭＥＭ‐Ｃ４０７をそれぞれ接続するブリッジの役割を有する。
このＡＳＩＣ４０６は、ＰＣＩターゲット及びＡＧＰマスタと、ＡＳＩＣ４０６の中核をなすアービタ（ＡＲＢ）と、ＭＥＭ‐Ｃ４０７を制御するメモリコントローラと、ハードウェアロジックなどにより画像データの回転などを行う複数のＤＭＡＣ（Ｄｉｒｅｃｔ Ｍｅｍｏｒｙ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌｌｅｒ）と、エンジン部４１５との間でＰＣＩバスを介したデータ転送を行うＰＣＩユニットとを有する。
ネットワークＩ／Ｆ４０９はネットワークＮを介して保守サーバ３０等と通信するための通信装置であり、例えばＮＩＣ（Network Interface Card）である。
このＡＳＩＣ４０６には、ＰＣＩバスを介してＦＣＵ（Ｆａｃｓｉｍｉｌｅ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）４１２、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）４１３、ＩＥＥＥ１３９４（ｔｈｅ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｓ １３９４）インタフェース４１４が接続される。
操作パネル４１１はＡＳＩＣ４０６に直接接続されている。ＭＥＭ‐Ｃ４０７は、コピー用画像バッファ、符号バッファとして用いるローカルメモリである。ＨＤＤ４０８は、画像データの蓄積、プログラムの蓄積、フォントデータの蓄積、フォームの蓄積を行うためのストレージである。
また、ＨＤＤ４０８は、機器１０で実行されるプログラム４０８ｐを記憶する。ＡＧＰバス４０５は、グラフィック処理を高速化するために提案されたグラフィックスアクセラレーターカード用のバスインターフェースであり、ＭＥＭ‐Ｐ４０２に高スループットで直接アクセスすることにより、グラフィックスアクセラレーターカードを高速にするものである。
なお、図示する機器１０のハードウェア構成図は一例に過ぎず、例えば操作パネルをタブレット端末などの情報処理装置で実現した機器１０等もあり、ハードウェア構成は機器１０によって異なってよい。また、図示する以外に例えばマイク、温度センサ、湿度センサ、及び、加速度センサ等を有していてもよい。これらが検出するデータもログデータになりうる。
また、図４は機器１０として複合機が想定される場合のハードウェア構成図であるが、ハードウェア構成は機器１０に応じて変わりうる。
＜機能について＞
図５は、保守システム１００が有する機器１０と保守サーバ３０の機能をフロック状に示す機能ブロック図の一例である。
＜＜機器＞＞
機器１０は、異常・故障検出部１１、基本機能部１２、表示制御部１４、ログデータ送信部１５、状態監視部１６、学習モデル受信部１７、予兆通知部１８、及び、予兆検知結果記録部１９を有する。また、機器１０は、学習モデルデータの配信により実現される検出器１３を有する。機器１０が有するこれら各機能は、図４に示したＨＤＤ４０８からＭＥＭ‐Ｐ４０２に展開されたプログラム４０８ｐをＣＰＵ４０１が実行することにより実現されている。なお、このプログラム４０８ｐは、プログラム配信用のサーバから配信されてもよいし、ＵＳＢメモリや光記憶媒体などの可搬性の記憶媒体に記憶された状態で配布されてもよい。
まず、基本機能部１２は、ユーザ操作等に応じて機器１０が有する基本的な機能を提供する。例えば、印刷機能、スキャナ機能、コピー機能、及び、ＦＡＸ機能などを提供する。また、各機能の提供に必要なアクチュエータ（モータ、クラッチ等）の制御、スイッチのＯＮ/ＯＦＦ、定着ユニットの温度制御、センサの制御等を行う。
状態監視部１６は、基本機能部１２を監視して機器１０の状態を表す機器監視データを取得する。機器監視データは異常又は故障と関連性が高いと推測される機器１０の状態を含むことが好ましい。例えば、用紙の通過時刻、モータの電流値、定着ユニットの温度、ＡＳＩＣのレジスタの値等を機器監視データに含める。状態監視部１６は次述するサービスコールと共に機器監視データとサービスコールをログデータとしてログデータ記憶部２１に記憶させる。
異常・故障検出部１１は基本機能部１２の異常又は故障を監視する。本実施形態では、異常又は故障はサービスコールという所定の情報により保守サーバ３０に通知される。異常又は故障も機器１０の状態の一態様であるが、状態（機器監視データ）は機器の状態に過ぎないのに対し、サービスコールは何らかの不具合が生じたことを意味する。多くのサービスコールは、ユーザだけでは復旧が困難な不具合が生じたことを示す。また、サービスコールは学習モデルの構築に際し教師データとなる。本実施形態では、機器監視データに含まれる用紙ジャム又は原稿ジャム（以下、紙詰まりという）はサービスコールの対象とならないが、紙詰まりは教師データとなる。本実施形態ではサービスコール又は紙詰まりが検出されるような異常又は故障が生じる前に、学習モデルにより異常又は故障を予測することが可能になる。
ログデータ送信部１５は、ログデータ記憶部２１に記憶されたログデータを所定のタイミングで保守サーバ３０に送信する。例えば、サービスコール又は紙詰まりが検出された直後、定期的（毎時、半日ごと、毎日、１週ごと等）なタイミング、又は、一定量のログデータが蓄積されたタイミング、又は、決まった操作が検出されたタイミング等である。
学習モデル受信部１７は、保守サーバ３０が生成した学習モデルデータを受信し、機器１０に設定する。学習モデルデータは後述するようにフィルタ、最大値抽出のパラメータ、及びノード間の重みである。学習モデルデータで異常又は故障を予測する機能又は手段を検出器１３と称する。検出器１３はサービスコールの種類の数及び紙詰まりの種類の数だけ存在することが好ましい。検出器１３は機器監視データから異常又は故障を予測する。検出器１３は異常・故障検出部１１が実際の異常又は故障を検出するよりも先に異常又は故障を予測できる。表示制御部１４は、検出器１３が異常又は故障を予測した場合、後述する予兆検知画面を操作パネルに表示させる。
予兆通知部１８は、検出器１３が検出した異常又は故障の予兆検知結果を保守サーバ３０に送信する。予兆検知結果はまだ生じていない異常又は故障が将来、生じる可能性が高いことを通知する情報である。予兆検知結果はサービスコール番号、検出日時、及び機器番号等を含む。機器番号とは機器１０の機種情報を含み、更に、機器１０を一意に特定又は識別する識別情報である。また、予兆通知部１８は、後述する予兆記録データを監視して保守が実行され保守実行完了日が記録された予兆検知結果があると、保守実行通知を保守サーバ３０に送信する。
予兆検知結果記録部１９は、検出器１３が検出した異常又は故障の予測を予兆検知結果として予兆検知記録データ２２に記録する。予兆検知記録データ２２は、次述する記憶部２０に記憶されている。
機器１０は、図４に示したＨＤＤ４０８又はＭＥＭ‐Ｐ４０２等により実現される記憶部２０を有している。記憶部２０にはログデータ記憶部２１が構築され、予兆検知記録データ２２が記憶されている。ログデータ記憶部２１は状態監視部１６が収集したログデータ（機器監視データとサービスコール）を記憶する。ログデータ記憶部２１のログデータは保守サーバ３０に送信されると消去される。ログデータについては図６で説明する。
Figure 2019159730
 表１は、予兆検知記録データ２２の一例を示す。予兆検知記録データ２２は、機器１０でいつどのような予兆が検知され、また、保守がいつ実行されたかが記録されたものである。予兆検知記録データ２２は、予兆検知日時、サービスコール番号、及び、保守実行完了日の各項目を有する。予兆検知日時は、検出器１３が異常又は故障が予測された日時である。サービスコール番号は、サービスコールの種類を識別又は特定するための識別情報である。教師データとして紙詰まりが採用された場合は紙詰まりの種類がサービスコールの項目に設定される。ただし、紙詰まりの場合はカスタマーエンジニア等が保守することまでは不要なので保守実行完了日は空欄でよい。保守実行完了日は異常又は故障が予測されたサービスコールに対する保守の実行が完了した日時である。
＜＜保守サーバ＞＞
保守サーバ３０は、ログデータ受信部３１、学習モデル送信部３２、予兆受信部３３、保守内容記録部３４、学習部３５、サービス手配部３６、及び、レポート作成部３７を有する。保守サーバ３０が有するこれらの各機能は、図３に示したＨＤＤ２０９からメモリ２０２に展開されたプログラム２０９ｐをＣＰＵ２０１が実行することにより実現されている機能又は手段である。なお、このプログラム２０９ｐは、プログラム配信用のサーバから配信されてもよいし、ＵＳＢメモリや光記憶媒体などの可搬性の記憶媒体に記憶された状態で配布されてもよい。
また、保守サーバ３０は図３に示したＨＤＤ２０９又はメモリ２０２等により実現される記憶部４０を有している。記憶部４０にはログデータ蓄積部４１及びデータ選択テーブル記憶部４２が構築され、保守内容データ４３が記憶されている。ログデータ蓄積部４１が蓄積するログデータは機器１０が送信するログデータと同じであるが、保守サーバ３０には各機器１０からのログデータが蓄積される。
Figure 2019159730
 表２は、保守内容データ４３の一例を示す。保守内容データ４３は、各機器１０においていつどのような異常又は故障が予測され、保守が実行されたかが記録されたものである。したがって、保守内容データ４３は機器番号を除き予兆検知記録データ２２と同様の内容を有する。
Figure 2019159730
 表３は、データ選択テーブル記憶部４２に記憶されたデータ選択テーブルの一例を示す。データ選択テーブルは、学習モデルの構築に際して、どの機種のログデータを使用するかを決定するためのテーブルである。データ選択テーブルはサービスコール番号と１つ以上の機器グループの各項目を有する。機器グループとは、サービスコール又は紙詰まりに対して同じ機器１０であると見なせる1つ以上の機種である。サービスコール又は紙詰まりは特定の異常又は故障を識別する識別情報であるが、同じサービスコール又は紙詰まりでも異常又は故障の生じやすさは機種によって異なると考えられる。一方、機種が異なっても同じ部品や機構を採用している機種は同じ機種であると同一視してよい。すなわち、データ選択テーブルはサービスコール又は紙詰まりに対し同一視できる機種のグループが対応付けられたテーブルである。こうすることで、機器に搭載された部品又は機構別に学習モデルを構築できるので、異常又は故障の予測の精度を向上させることができる。
図５に戻って説明する。ログデータ受信部３１は、機器１０からログデータを受信して記憶部４０に構築されたログデータ蓄積部４１に蓄積する。学習部３５は、ログデータ蓄積部４１に蓄積されたログデータを用い異常又は故障の予兆を検出する学習モデルを生成する。
学習モデル送信部３２は、学習モデルデータを機器１０に送信する。予兆受信部３３は機器１０が検出器１３を使って検出した異常又は故障の予兆検知結果（予測結果）を機器１０から受信する。サービス手配部３６は異常又は故障を予測した機器１０に対するサービスを手配する。このようなサービスの手配を保守作業の指示を発行するという。例えば、サービスコール番号を指定して、機器１０を使用する顧客のカスタマーエンジニアにサービスコール番号に関連する部品の交換等を手配する。これにより、実際に機器１０が異常又は故障する前に定期点検の範囲で異常又は故障を未然に防ぐことができる。
予兆受信部３３は、機器１０から更に保守実行通知を受信する。予兆検知結果と保守実行通知は保守内容記録部３４に送出され、保守内容記録部３４が予兆検知結果と保守実行通知を保守内容データ４３に記録する。
レポート作成部３７は保守内容データ４３を読み取って、保守に関するレポートを作成する。一定の期間内(週,月,四半期など)に通知されたサービスコール番号を集計して報告書を作成し、各保守作業の拠点に送信する。これにより、例えば数が多いサービスコール番号が分かるので、このサービスコールで必要になる部品等を予めサービスセンター等で用意しておくことができる。
＜ログデータ＞
図６は、ログデータの一例を模式的に示す図の一例である。図６はログデータが取得された順に時系列のログデータを示す。機器１０は自機の状態を示すデータ（機器監視データとサービスコール）を常に収集している。機器１０の異常又は故障の発生要因はさまざまである。異常又は故障が発生する条件が明確にわかっていない異常又は故障を検知するため、関連性が高いさまざまな機器１０の状態を予め監視して、ログデータとして記録しておくことが好ましい。図６のログデータは以下のような内容である。なお、いずれのログデータも発生日時が記録されている。
・ＳＣ１０１
異常又は故障の発生を示すサービスコール(ＳＣ)の一例であり、「ＳＣ＋番号」の形式で出力される。この番号によりサービスコールの内容（種類）が分かる。
・SENSOR_A ON, SENSOR_A OFF
用紙搬送をスタートさせてから各用紙通過センサを通過した時間を記録するためのログデータである。つまり、SENSOR_AがＯＮになった時刻からＯＦＦになった時刻までの経過時間により用紙が通過するために要した時間がわかる。用紙の搬送に標準よりも時間がかかることは異常又は故障の要因が隠されている可能性がある。
・MOTOR_A CURRENT
モータ名と電流値のログデータである。MOTOR_Aが用紙搬送モータ名、0.155mAが電流値である。電流値が高いことは紙を送りにくくなっていることを示すので、用紙搬送モータの電流値が高いことは異常又は故障の要因が隠されている可能性がある。
・TEICHAKU 30 degree
定着ユニット(TEICHAKU)の温度(３０度)が記録されたログデータである。定着ユニットの温度が高すぎる又は温度が上昇しないことは、異常又は故障の要因が隠されている可能性がある。
・REGISTOR_A 50
ＣＰＵが画像処理用のＡＳＩＣのレジスタ(REGISTOR_A)に設定する値(50)と設定された時刻が記録されたログデータである。ＡＳＩＣのレジスタ(REGISTOR_A)に設定する値は画像処理に使用されるフィルタの番号やガンマ変換テーブルの番号等であり、決まった位置を用紙が通過する前にレジスタに正しい値が設定される必要がある。上記のSENSOR_A ON, SENSOR_A OFF等のログデータで用紙が通過したタイミングは記録されているので、これとレジスタの値と設定時刻からタイミングのずれ（遅れ）を検出できる。タイミングが遅れることは、異常又は故障の要因が隠されている可能性がある。
なお、図６のログデータは一例に過ぎず、機器１０から取得可能な情報であればログデータとなりうる。
＜動作手順＞
図７は、機器１０がログデータを保守サーバ３０に送信する手順を示すシーケンス図の一例である。なお、「Ｓ＋番号」の「Ｓ」はステップを意味する。
S11：機器１０のログデータ送信部１５は、所定の通信プロトコルを使って機器１０のログデータの送信要求を保守サーバ３０に送信する。所定のプロトコルはHTTPs、HTTP2.0、HTTP、FTP、WebDAVなどどのようなものでもよい。
S12：保守サーバ３０がログデータを受け取れる状態であれば了解を機器１０に送信する。例えば、保守サーバ３０側が別のタスクにより負荷が大きくなっている等の場合はログデータの送信を拒否する。データ送信を拒否された場合、機器１０は一定の時間経過後に再度、送信要求を行なう。
S13：機器１０のログデータ送信部１５は、送信するログデータのサイズ、データ圧縮方式、及び、暗号化方式などのデータ属性を保守サーバ３０に送信する。
S14：保守サーバ３０のログデータ受信部３１はログデータを受け取るために必要なメモリを確保し、データ受け取りの準備完了の通知を行なう。ログデータを受け取れるメモリサイズが確保できない場合は、データを分割して送信するように通知する。
S15：機器１０のログデータ送信部１５はログデータの送信を開始する。
S16：保守サーバ３０のログデータ受信部３１はサイズに基づいてログデータをすべて受け取ったか否かを判断し、全てを受信すると機器１０にデータ受信完了を送信する。
＜学習モデルの構築＞
図８は、学習モデルの構築に使用される訓練データと教師データを説明する図の一例である。学習部３５には、ログデータに含まれる機器監視データとサービスコール（紙詰まりも入力されるが図８では省略されている）が入力される。機器監視データが訓練データ（トレーニングデータ）であり、サービスコールが教師データである。学習モデルとは、機器監視データとサービスコールの間の関係を表す近似関数と表現することができる。学習モデルが生成されると、入力された機器監視データに対しサービスコールを出力することが可能になる。
保守サーバ３０はネットワークに接続されているすべての機器１０の機器監視データを収集して保持している。保守サーバ３０の学習部３５は機器１０から収集したログデータを使って特定の異常又は故障の発生の予兆を検知する学習モデルを機械学習で生成する。機械学習のアルゴリズムにはさまざまな方法があるが、近年、画像認識などで良好な成績を示したディープラーニングによる機械学習では特徴量を人が見つけ出す必要がなく、学習器に訓練データを与えてやれば学習モデルを作成することができる。
本実施形態の保守サーバ３０は学習モデルを作成する際に、ネットワークに接続されたすべての機器１０のログデータの一部を訓練データとして利用し、同様にログデータの中に含まれる紙詰まりなどの異常や機器１０を使用できない故障が発生したことを示すサービスコールを教師データとして使用する。サービスコールは機器１０自身では対処できない異常又は故障が発生したことを示し、サービスコールの種類ごとに番号(SC番号)が振られている。サービスコールはログデータに記録されるだけでなく、操作部にも表示される場合がある。
これまでのサービスコールは、通常、機器１０自体の制御では復帰できない障害や異常の発生に対し、保守作業を提供する業者に保守作業を行なうカスタマーエンジニア等を派遣するように使用者に知らせるための通知である。
ログデータそのものは時系列に発生した機器監視データとサービスコールを連続して記録しているだけであるが、取得したログデータのすべてを学習に使用すると時間が多くかかり、かつ、正しく学習モデルが作成できない場合がある。そこで、学習させたい特定のサービスコールやイベント(たとえば、紙詰まりなど)が発生した日時に対し一定時間前までに発生した機器監視データを訓練データに使用する。これにより、予測した異常又は故障に関連が強い機器監視データを抽出することができる。この抽出した機器監視データを訓練データとし、サービスコール（又は紙詰まり）の発生を表す確率ベクトルを教師データとする。確率ベクトルはサービスコールの種類及び紙詰まりの種類のうち検出された１つだけが１となり残りが０となるベクトルである。
機器監視データが抽出される一定時間は、適宜、調整して決定されてよい。サービスコールから前すぎる（過去過ぎる）と機器監視データとサービスコール（又は紙詰まり）の間の相関が小さいため、学習部３５が機器監視データとサービスコール（又は紙詰まり）の対応を学習することが困難になる。サービスコールに近い機器監視データのみでは、それよりも前にサービスコールの要因が隠れている場合に学習に使用できない。したがって、好ましい一定時間を実験的に適宜、決定することが好ましい。また、この一定時間はサービスコール又は紙詰まりの種類ごとに異なってよい。
学習にはサービスコールを送信した特定の機器１０だけの訓練データを使うのでなく、データ選択テーブルに設定されている機種である他の機器１０が発報したサービスコールも使用される。
また、一定量の訓練データで学習したあと、新たにサービスコールが発生したときのログデータ(ここでは、検証用データ)を使って学習モデルのサービスコール発生の予測の検知精度を確認する。
予測の検知精度(検証用データに対する正解率)が予め決めておいた精度以上に達成した場合、学習部３５はサービスコールの発生を予測する学習モデルが作成できたとして学習を終了し、その学習モデルから機器１０の検知器で異常又は故障を予測するために必要な学習モデルデータを抽出する。一定の検知精度以上に達しない場合は、基準を超えるまで引き続き学習を行う。学習部３５はサービスコール番号及び紙詰まりの種類ごとに学習モデルを作成し保持しておく。学習モデルは機器１０に配布される。
なお、一定量の訓練データを与えても検出精度が上がらない場合は、学習を中止し保守サーバ３０の管理者に通知する。この場合は学習モデルの配布は行なわない。サービスコールなどの異常又は故障の予兆を検知する場合以外に、故障ではないが、通常の動作に支障が生じるような紙詰まりなどのイベントの発生頻度上昇の予兆を検出する場合にも学習モデルを利用することができる。
図９は、学習モデルの作成方法について説明する図の一例である。機械学習には様々なアルゴリズムがある。本実施形態では、人が異常又は故障の予測に好適な訓練データの特徴量を見つけ出す必要がないディープラーニング（ニューラルネットワーク）を例にして説明する。図９はディープラーニングの一般的な構成例を示している。
ディープラーニングは入力層９０１、隠れ層９０２、及び、出力層９０３の３つの層を有する。隠れ層９０２は更に１つ以上の層を有している。この隠れ層の数が多いニューラルネットワークをディープラーニングという。各層の「○」はニューラルネットワークのノードを示している。入力層９０１から出力層９０３に向けて１つ前の層の全てのノードが１つ後の層の１つのノードにそれぞれ接続されている。ノード間の接続をエッジという。
隠れ層９０２は更に、畳み込み層９０２ａ、９０２ｃ、プーリング層９０２ｂ、９０２ｄ及び全結合層９０２ｅ、９０２ｆを有する。採用するアルゴリズムによって層の構成は異なる。例えば、畳み込み層９０２ａ、９０２ｃ、プーリング層９０２ｂ、９０２ｄの数、全結合層９０２ｅ、９０２ｆの数は図示するものに限られない。
本実施形態では、入力層９０１の各ノードを各機器監視データに対応させ、出力層９０３の各ノードをサービスコール及び紙詰まりなどのイベントに対応させる。出力層９０３のノードの数は最大で、サービスコールと紙詰まりの種類の合計になる。入力層９０１に機器監視データを入れると、出力層９０３の各ノードは値を出力するが、出力層９０３の各ノードの値の合計は「１」になるため、出力層９０３の各ノードの値は確率ベクトル(0.01,0.02, …,0.90)となる。確率ベクトルは合計すると１になるようなベクトルである。値が最も大きいノードに割り当てられているサービスコール又は紙詰まりが発生する確率が高いことを示す。なお、ニューラルネットワークの学習方法については後述する。
本実施形態ではニューラルネットワークを例にするが、必ずしもニューラルネットワークである必要はなく、線形回帰、ロジスティック回帰、サポートベクターマシン、決定木、ランダムフォレスト、Ada Boost、ナイーブベース、ｋ近傍法、などの機械学習のアルゴリズムで学習してもよい。
図１０は、ニューラルネットワークの学習モデルの作成方法について説明する図である。ここでは説明の便宜上、教師データ９０４として紙詰まりの発生を例にする。紙詰まりは発生する場所ごとに発生要因が異なるので発生する場所に対応させて紙詰まりＡ、紙詰まりＢ…と区別する（紙詰まりＡ、紙詰まりＢは紙詰まり場所情報の一例）。紙詰まり発生の要因はさまざまであるが、たとえば給紙コロの磨耗によって紙搬送で用紙がスリップして給紙タイミングが遅くなる場合や、給紙モータの劣化によるトルクの低下などがある。このような場合は用紙の通過タイミングが段々ずれてきて紙詰まりが発生しやすくなる。機器１０の部品の劣化によって紙詰まりが発生しやすくなっている場合は、用紙の通過タイミング等の機器監視データから紙詰まり発生の頻度の上昇を検出することができる。
そこで、ここでは発生するイベントに関連が大きいと考えられる紙搬送の開始タイミングやモータの電流値のデータを、紙詰まりが発生する直前のログデータから抽出して訓練データとして使用する。訓練データは図６でも説明したように、同じ機器１０の機器監視データだけでなく、データ選択テーブルで同じグループの他の機器１０で同一のサービスコール又は紙詰まりが発生した機器監視データも訓練データとなる。
入力層の各ノードには１つの機器監視データが入力される。ノードと機器監視データの対応は固定であり、あるノードには決まっている機器監視データが入力される。
紙詰まりＡが発生した時の教師データ９０４は先述した確率ベクトル(1,0,0,0)で表される。つまり、紙詰まりＡが発生したため紙詰まりＡに対応するノードには「１」が入力され、紙詰まりＢ〜Ｄは発生していないので紙詰まりＢ〜Ｄに対応するノードには「０」が入力される。この値と出力層の各ノードの出力値(たとえば(0.7, 0.02, 0.15, 0.13)の差分を求め、この差分が小さくなるようにニューラルネットワークのノード間の重みを調整する。ネットワークの最適化は誤差逆伝播法や勾配法などで行なう。
図１１（ａ）はディープラーニングの構成を説明する図の一例であり、図１１（ｂ）は畳み込みとプーリングを説明する図の一例である。機器監視データはＭ×Ｎの行列として畳み込みが行われる。Ｍは機器監視データの数、Ｎは機器監視データの最大の文字数である。このように行列として扱うことで画像データと同様にテキストデータを扱うことができる。畳み込み（要素を重複させながらのフィルタ演算）により、テキストデータよりも小さい行列が複数作成され、それぞれの行列に対しプーリング（行列の一定範囲からの最大値の抽出）が行われる。したがって、行列には徐々に小さくなる。図１１（ａ）では最終的に２×２になっている。この２×２の行列には特徴が要約されていると考えられる。２×２の行列は全結合層への入力のために一次元化される。全結合層の処理は通常のニューラルネットワークと同様でよい。
図１１（ｂ）は簡略化のためＭが７、Ｎが５の機器監視データである。
（１）畳み込み層では、４×５、３×５、２×５のフィルタをそれぞれ２つ使って機器監視データを畳み込む。なお、フィルタのサイズと数はあくまで一例である。これにより、４×１、５×１、６×１の行列が２つずつ得られる。
（２）プーリング層では２つの４×１の行列の最大値を取りだし、２つの５×１の行列の最大値を取りだし、２つの６×１の行列の最大値を取り出す。
（３）一次元化層では、３つの２×１の行列が1つのベクトルに合成される。
（４）このベクトルには機器監視データの特徴が要約されていると考え、全結合層（ニューラルネットワーク）で分類する。つまり、各サービスコールの確率を算出する。図１１（ｂ）では２つのサービスコールの確率が算出される。なお、全結合層のノード間の重みは誤差逆伝播法で学習すればよい。
したがって、学習モデルデータは、畳み込み層のフィルタ、プーリング層の最大値抽出パラメータ、及び、全結合層のノード間の重みを含む。
一定の量の訓練データを使用して学習モデルを作成したあと、今まで学習に使用していないログデータをいくつか用意し、ログデータのうちの機器監視データを学習モデルに入れた際の出力結果の正解率を算出する。学習の終了基準が検知精度７０%以上とした場合、今まで学習に使用していない１０個のログデータを与えて正解が７個以上ならば学習を終了する。
＜学習モデルの配布手順＞
図１２は、保守サーバ３０が学習モデルを機器１０に配布する手順を示すシーケンス図の一例である。
S21：保守サーバ３０の学習モデル送信部３２はネットワークの通信プロトコルを用いて学習モデルの送信要求を機器１０に送信する。
S22：機器１０の学習モデル受信部１７はデータを受け取れる状態であれば了解を通知する。例えば、機器１０をユーザが操作している等により負荷が大きくなっている場合、学習モデル受信部１７は学習モデルの送信を拒否する。学習モデルの送信を拒否された場合、保守サーバ３０の学習モデル送信部３２は一定の時間経過後に再度、送信要求を行なう。
S23：保守サーバ３０の学習モデル送信部３２は、送信する学習モデルが対応するサービスコール番号、データサイズ、データ圧縮方式、及び、暗号化方式などのデータ属性を機器１０に通知する。
S24：機器１０の学習モデル受信部１７は学習モデルを受信するために必要なメモリを確保し、学習モデルの受信の準備完了（準備ＯＫ）の通知を保守サーバ３０に行なう。学習モデルを受け取れるメモリサイズを確保できない場合、学習モデルを分割して送信するように要求する。
S25：保守サーバ３０の学習モデル送信部３２は学習モデル（データ）を機器１０に送信する。
S26：機器１０の学習モデル受信部１７は受信したデータサイズから学習モデル受信部１７を受信したと判断し、学習モデルの受信が完了したことを保守サーバ３０に通知する。機器１０は受信した学習モデルを検出器１３に設定する。
以上の学習モデルの送信処理を、保守サーバ３０と機器１０とがサービスコールの数だけ行う。
＜サービスコールごとの予兆の検出＞
図１３は、サービスコール又は紙詰まりごとに生成された学習モデルを用いた異常又は故障の検出手順を説明する図の一例である。
機器１０が有する検出器１３はさまざまな学習モデルに対応できるフレームワーク構造になっており、保守サーバ３０から受け取った学習モデルデータを設定することであるサービスコール又は紙詰まりを検出する検出器１３を実現できる。検出器１３は検出するサービスコール番号又は紙詰まりごとに用意されることが好ましい。図１３では３つのサービスコールに対応した学習モデルが設定されている（Ｓ１０１）。
機器１０の状態監視部１６は、通常の動作で収集している機器監視データからサービスコールの学習モデルに対応する機器監視データを検知器に入力する（Ｓ１０２）。
検出器１３が異常又は故障の予兆を検出する場合がある（Ｓ１０３）。この場合、機器１０の予兆通知部１８は異常又は故障の予兆検知結果を保守サーバ３０に行なう（Ｓ１０４）。予兆検知結果にはサービスコール番号(紙詰まりなどのイベントも含む)が含まれる。
図１４は、機器１０が異常又は故障を予測した際の保守システム１００の動作を説明するシーケンス図の一例である。
S31：機器１０の検出器１３が異常又は故障を予測する。すなわち、いずれかのサービスコールに対応した検知器でこのサービスコールが発生する確率が閾値を超える。
S32：機器１０の予兆通知部１８は機器番号とサービスコール番号を含む予兆検知結果を保守サーバ３０に送信する。また、予兆通知部１８は、以前、同じサービスコール番号の検出に対して保守作業がいつ行なわれたかの情報が機器１０に保持されているかを確認し、この前回の保守作業の日付を予兆検知結果に含める。これにより、同じ異常又は故障がどの位の周期で発生するか分かる。
また、機器１０の予兆通知部１８は初めの予兆検知から保守作業が行なわれるまでの間に、同一のサービスコール番号の異常又は故障の予兆が検出されても、保守作業が行なわれるまでは保守サーバ３０に通知を行わない。これにより、同じサービスコールが何度も通知されることを抑制できる。この判断には予兆検知記録データ２２で保守実行完了日が記録されていないサービスコール番号を参照すればよい。あるいは、機器１０から予兆検知結果が通知されても保守サーバ３０は保守作業が行なわれるまで同じ保守作業の依頼を保守センター５０に行なわないようにしてもよい。
S33：また、機器１０の表示制御部１４は図１５に示す予兆検知画面５０１を操作パネルに表示する。予兆検知画面５０１には、保守作業が後日行なわれることを示すメッセージが表示される。図１５は機器１０の操作パネルに表示される予兆検知画面５０１の一例を示す。予兆検知画面５０１には、一例として「異常又は故障の予兆を検出しました。サービスコール番号は１０１です。保守作業が後日、行われます。」というメッセージ５０２が表示される。ユーザはメッセージ５０２を見て実際には異常又は故障していないが実際に異常又は故障する前に対応してもらえることを把握できる。
S34：図１４に戻って説明する。機器１０の予兆検知結果記録部１９は予兆検知結果を予兆検知記録データ２２に記録する。これにより、実際に異常又は故障が生じる前に異常又は故障が予測されたことを記録できる。
S35：一方、保守サーバ３０の予兆受信部３３は予兆検知結果を受信して保守内容記録部３４に予兆検知結果を送出する。保守内容記録部３４は保守内容データ４３に異常又は故障が予測された旨を記録する。
S36：また、保守サーバ３０のサービス手配部３６は保守センターに機器番号、顧客情報、及びサービスコール番号を含む保守要求を保守センター５０に送信することで、保守作業を手配する。
S37：保守サーバ３０からの通知にしたがって、カスタマーエンジニア９等は機器１０の顧客と保守実施スケジュールの調整を行なう。これにより、カスタマーエンジニア９が顧客を訪問し、機器１０に対しサービスコール番号に基づく保守を実行する。例えば、異常又は故障した場合にサービスコールを発生させる部品を交換する。
S38：カスタマーエンジニア９は保守を実行すると、保守を実行した旨を機器１０に記録する。すなわち、予兆検知記録データ２２のサービスコール番号に対応付けて保守実行完了日を記録する。
S39：機器１０の予兆通知部１８は予兆検知記録データ２２の保守実行完了日が記録されたことを検出して、機器番号とサービスコール番号を含む保守実行通知を保守サーバ３０に送信する。
S40：保守サーバ３０の予兆受信部３３は保守実行通知を保守内容記録部３４に送出するので、保守内容記録部３４は機器番号とサービスコール番号に対応付けて保守実行完了日を保守内容データ４３に記録する。
このようにして、保守サーバ３０は全国の各機器１０からの保守内容を収集するので、保守サーバ３０のレポート作成部３７は特定の期間内(週,月,四半期など)に通知されたサービスコール番号のデータ集計をもとに報告書を作成し、各保守作業の拠点（保守センター）に送信する。
図１６は、レポート作成部３７が作成するレポートの一例を示す図である。図１６のレポートは毎月発行されるマンスリーレポートである。レポートは発生ＳＣ番号、件数、及び、比率の各フィールドを有し、それぞれに１ヶ月間の統計が記録されている。このような月ごとのレポートを月別にグラフ化すれば、各サービスコールごとに増大傾向、又は減少傾向などの傾向も把握可能になる。
＜まとめ＞
以上説明したように、本実施形態の保守システム１００は、異常又は故障が発生する前の機器監視データから異常又は故障を予測することができるため、定期点検の中でカスタマーエンジニア等が対応でき、緊急の保守作業を低減することできる。また、異常又は故障が発生する前に部品等を交換できるので、顧客が機器を使用できないダウンタイムを発生させにくくすることができる。
また、学習により予測モデルの精度が徐々に向上するので、予め設定された異常又は故障の検出条件に固定されることなく、異常又は故障を予測する学習モデルを構築できる。また、保守サーバ３０の負荷が極端に大きくなることもない。
＜その他の適用例＞
以上、本発明を実施するための最良の形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
例えば、本実施形態では複合機等の機器の異常又は故障の予測について説明したが、旋盤等の工作機械などの異常又は故障を予測してもよい。
また、本実施形態ではログデータが主にテキストデータであったが、機器の内部の音データ、又は、機器の内部が撮像された画像データをログデータとしてもよい。
また、本実施形態の手法は、いわゆるＡＩや人工知能と呼ばれるものと同じか類似しており、これらの技術の一分野に相当する。また、多くのデータを利用するという意味ではビッグデータに関する技術ということができる。
また、図５などの構成例は、機器１０、及び保守サーバ３０の処理の理解を容易にするために、主な機能に応じて分割したものである。処理単位の分割の仕方や名称によって本願発明が制限されることはない。また、機器１０、及び保守サーバ３０の処理は、処理内容に応じて更に多くの処理単位に分割することもできる。また、１つの処理単位が更に多くの処理を含むように分割することもできる。
なお、学習モデル受信部１７は受信手段の一例であり、検出器１３は予測手段の一例であり、予兆通知部１８は第一の送信手段の一例であり、ログデータ送信部１５は第二の送信手段の一例であり、学習部３５は予測モデル生成手段の一例であり、サービス手配部３６は指示手段の一例であり、予兆検知結果記録部１９は異常記録手段の一例であり、表示制御部１４は表示手段の一例である。データ選択テーブル記憶部４２はデータ選択情報の一例である。
１０ ：機器
１３ ：検出器
３０ ：保守サーバ
３５ ：学習部
３６ ：サービス手配部
３７ ：レポート作成部
１００ ：保守システム
特開２００７‐１１６６７１号公報

Claims (10)

  1. 複数の機器と、前記複数の機器の保守作業を管理する保守サーバとを有する保守システムであって、
    前記複数の機器は、
    前記機器の状態が正常でなくなる非正常状態を予測する予測モデルを前記保守サーバから受信する受信手段と、
    前記予測モデルに基づいて前記非正常状態の発生を予測する予測手段と、
    前記予測手段が予測した予測結果を前記保守サーバに送信する第一の送信手段と、
    前記機器の状態を示すログデータを前記保守サーバに送信する第二の送信手段と、を有し、
    前記保守サーバは、
    前記複数の機器からそれぞれ受信した前記ログデータに基づいて、前記機器の前記非正常状態の発生を予測する前記予測モデルを生成する予測モデル生成手段と、
    前記予測結果を送信した前記機器に対する保守作業の指示を発行する指示手段と、
    を有する保守システム。
  2. 前記第二の送信手段が送信する前記ログデータには前記非正常状態の種類を示す情報が含まれており、
    前記予測モデル生成手段は、前記非正常状態の種類ごとに前記予測モデルを生成し、
    前記予測手段は、前記非正常状態の種類ごとに生成された前記予測モデルに基づいて前記非正常状態の発生を予測することを特徴とする請求項１に記載の保守システム。
  3. 前記非正常状態の種類はサービスコール番号又は紙詰まり場所情報により識別され、
    前記予測モデル生成手段は、前記サービスコール番号又は紙詰まり場所情報ごとに前記予測モデルを生成し、
    前記予測手段は、前記サービスコール番号又は紙詰まり場所情報ごとに生成された前記予測モデルに基づいて前記非正常状態の発生を予測することを特徴とする請求項２に記載の保守システム。
  4. 前記予測モデル生成手段は、前記非正常状態の種類に対し１つ以上の機種情報が対応付けられたデータ選択情報を参照して、
    前記データ選択情報において前記非正常状態の種類に対応付けられた前記機種情報の複数の機種がそれぞれ送信した前記ログデータに基づいて前記予測モデルを生成することを特徴とする請求項２又は３に記載の保守システム。
  5. 前記予測モデル生成手段は、ディープラーニングをアルゴリズムとする前記予測モデルを生成することを特徴とする請求項１〜４のいずれか１項に記載の保守システム。
  6. 前記予測モデル生成手段は、前記非正常状態の種類に対応する複数のノードに対応する値の合計が１になる確率ベクトルを教師データにし、更に、
    前記非正常状態が検出された時から一定時間前までの前記ログデータを訓練データにして、前記予測モデルを生成することを特徴とする請求項５に記載の保守システム。
  7. 前記機器は、
    前記予測手段が前記非正常状態の発生を予測した場合、前記非正常状態の種類を記憶部に記録する記録手段を有し、
    前記非正常状態に対し保守作業が行われた旨が前記記憶部に記憶された場合、前記第一の送信手段は前記非正常状態に対し保守作業が行われた旨を前記保守サーバに送信することを特徴とする請求項１〜６のいずれか１項に記載の保守システム。
  8. 前記機器は、
    前記予測手段が前記非正常状態の発生を予測した場合、保守作業が行われる旨を操作パネルに表示する表示手段を有することを特徴とする請求項１〜７のいずれか１項に記載の保守システム。
  9. 機器の状態が正常でなくなる非正常状態を予測する予測モデルを保守サーバから受信する受信手段と、
    前記予測モデルに基づいて前記非正常状態の発生を予測する予測手段と、
    前記予測手段が予測した予測結果を前記保守サーバに送信する第一の送信手段と、
    前記機器の状態を示すログデータを前記保守サーバに送信する第二の送信手段と、を有する複数の機器の保守作業を管理する保守サーバであって、
    前記複数の機器からそれぞれ受信した前記ログデータに基づいて、前記機器の前記非正常状態の発生を予測する前記予測モデルを生成する予測モデル生成手段と、
    前記予測結果を送信した前記機器に対する保守作業の指示を発行する指示手段と、
    を有する保守サーバ。
  10. 機器の状態が正常でなくなる非正常状態を予測する予測モデルを保守サーバから受信する受信手段と、
    前記予測モデルに基づいて前記非正常状態の発生を予測する予測手段と、
    前記予測手段が予測した予測結果を前記保守サーバに送信する第一の送信手段と、
    前記機器の状態を示すログデータを前記保守サーバに送信する第二の送信手段と、を有する複数の機器の保守作業を管理する保守サーバが行う保守方法であって、
    予測モデル生成手段が、前記複数の機器からそれぞれ受信した前記ログデータに基づいて、前記機器の前記非正常状態の発生を予測する前記予測モデルを生成するステップと、
    指示手段が、前記予測結果を送信した前記機器に対する保守作業の指示を発行するステップと、を有する保守方法。
JP2018044806A 2018-03-12 2018-03-12 保守システム、保守サーバ、保守方法 Active JP7006396B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018044806A JP7006396B2 (ja) 2018-03-12 2018-03-12 保守システム、保守サーバ、保守方法
US16/269,688 US10666814B2 (en) 2018-03-12 2019-02-07 Maintenance system, maintenance server, and maintenance method using a prediction model
US16/835,847 US11070682B2 (en) 2018-03-12 2020-03-31 Maintenance system, maintenance server, and maintenance method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018044806A JP7006396B2 (ja) 2018-03-12 2018-03-12 保守システム、保守サーバ、保守方法

Publications (2)

Publication Number Publication Date
JP2019159730A true JP2019159730A (ja) 2019-09-19
JP7006396B2 JP7006396B2 (ja) 2022-01-24

Family

ID=67842250

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018044806A Active JP7006396B2 (ja) 2018-03-12 2018-03-12 保守システム、保守サーバ、保守方法

Country Status (2)

Country Link
US (2) US10666814B2 (ja)
JP (1) JP7006396B2 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021059451A (ja) * 2019-10-09 2021-04-15 コニカミノルタ株式会社 判別装置、判別システム、および判別方法
JP2021060715A (ja) * 2019-10-04 2021-04-15 キヤノンメディカルシステムズ株式会社 医用画像診断装置およびイベント発生予測方法
CN112927791A (zh) * 2019-12-06 2021-06-08 佳能医疗系统株式会社 设备管理装置、设备管理系统以及设备管理方法
JP2021092715A (ja) * 2019-12-12 2021-06-17 コニカミノルタ株式会社 異常診断システムおよび異常診断装置
WO2021124457A1 (ja) * 2019-12-17 2021-06-24 三菱電機株式会社 空気調和装置の異常予兆推測装置、空気調和装置の異常予兆推測モデル学習装置、および空気調和装置
JP2021177319A (ja) * 2020-05-08 2021-11-11 東芝ライフスタイル株式会社 家電システム
JP2022057368A (ja) * 2020-09-30 2022-04-11 ＰａｙＰａｙ株式会社 通知装置、通知方法及び通知プログラム
WO2022074930A1 (ja) * 2020-10-08 2022-04-14 パナソニックＩｐマネジメント株式会社 電子機器が有する記録媒体の保守サービスの提供方法及びシステム
JP7287591B1 (ja) * 2022-09-20 2023-06-06 三菱電機株式会社 電動機の状態診断装置、状態診断方法および異常予兆推論装置
KR20230082887A (ko) * 2021-12-02 2023-06-09 네모시스 주식회사 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
WO2023195093A1 (ja) * 2022-04-06 2023-10-12 三菱電機株式会社 電動機の状態診断装置、状態診断方法および異常予兆推論装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11444845B1 (en) * 2019-03-05 2022-09-13 Amazon Technologies, Inc. Processing requests using compressed and complete machine learning models
JP7036082B2 (ja) * 2019-04-04 2022-03-15 セイコーエプソン株式会社 画像処理装置、機械学習装置、画像処理方法
JP6939839B2 (ja) * 2019-04-04 2021-09-22 セイコーエプソン株式会社 情報処理装置、機械学習装置および情報処理方法
KR20200122867A (ko) * 2019-04-19 2020-10-28 휴렛-팩커드 디벨롭먼트 컴퍼니, 엘.피. 진동 정보를 이용한 인쇄 엔진의 이상여부 판단
EP4049157A4 (en) * 2019-10-21 2023-07-12 Hewlett-Packard Development Company, L.P. TELEMETRY DATA
JP7494473B2 (ja) * 2020-01-31 2024-06-04 セイコーエプソン株式会社 情報処理装置、情報処理プログラム、情報処理端末および情報処理方法
US11201971B1 (en) * 2020-09-24 2021-12-14 Toshiba Tec Kabushiki Kaisha Maintenance support apparatus and maintenance support method
CN113077061B (zh) * 2021-02-20 2022-08-16 上海琥崧智能科技股份有限公司 一种基于生产数据挖掘的设备预测性维护系统
CN115361199A (zh) * 2022-08-17 2022-11-18 西安象德信息技术有限公司 异常检测设备及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012104148A (ja) * 2012-01-18 2012-05-31 Toshiba Corp 評価ユニット、評価方法、評価プログラム、及び記録媒体
US20150269014A1 (en) * 2014-03-20 2015-09-24 Kabushiki Kaisha Toshiba Server, model applicability/non-applicability determining method and non-transitory computer readable medium
JP2016505984A (ja) * 2013-01-02 2016-02-25 クアルコム，インコーポレイテッド モバイルデバイスの挙動の効率的な分類のためのデバイス固有およびデバイス状態固有の分類器モデルを動的に生成し使用する方法およびシステム
JP2017016238A (ja) * 2015-06-29 2017-01-19 株式会社リコー 情報処理システム及びプログラム
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4646287B2 (ja) 2003-06-02 2011-03-09 株式会社リコー 画像形成システム、画像形成方法、画像形成プログラム、及び記録媒体
JP4730263B2 (ja) 2005-09-21 2011-07-20 富士ゼロックス株式会社 画像処理装置の保守システム
JP2009037141A (ja) * 2007-08-03 2009-02-19 Ricoh Co Ltd 画像形成装置の管理装置及び管理システム
JP5598293B2 (ja) * 2010-12-06 2014-10-01 富士ゼロックス株式会社 画像形成システム、予測基準設定装置、予測装置、画像形成装置及びプログラム
US9397906B2 (en) * 2014-08-29 2016-07-19 Verizon Patent And Licensing Inc. Scalable framework for monitoring and managing network devices
US10114598B2 (en) * 2016-03-16 2018-10-30 Canon Kabushiki Kaisha Image forming apparatus and method of controlling the same, in which image formation is stopped in accordance with obtained error information

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012104148A (ja) * 2012-01-18 2012-05-31 Toshiba Corp 評価ユニット、評価方法、評価プログラム、及び記録媒体
JP2016505984A (ja) * 2013-01-02 2016-02-25 クアルコム，インコーポレイテッド モバイルデバイスの挙動の効率的な分類のためのデバイス固有およびデバイス状態固有の分類器モデルを動的に生成し使用する方法およびシステム
US20150269014A1 (en) * 2014-03-20 2015-09-24 Kabushiki Kaisha Toshiba Server, model applicability/non-applicability determining method and non-transitory computer readable medium
JP2015184818A (ja) * 2014-03-20 2015-10-22 株式会社東芝 サーバ、モデル適用可否判定方法およびコンピュータプログラム
JP2017016238A (ja) * 2015-06-29 2017-01-19 株式会社リコー 情報処理システム及びプログラム
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021060715A (ja) * 2019-10-04 2021-04-15 キヤノンメディカルシステムズ株式会社 医用画像診断装置およびイベント発生予測方法
JP7398232B2 (ja) 2019-10-04 2023-12-14 キヤノンメディカルシステムズ株式会社 医用画像診断装置およびイベント発生予測方法
JP2021059451A (ja) * 2019-10-09 2021-04-15 コニカミノルタ株式会社 判別装置、判別システム、および判別方法
JP7427905B2 (ja) 2019-10-09 2024-02-06 コニカミノルタ株式会社 判別システム、および判別方法
US11830611B2 (en) 2019-12-06 2023-11-28 Canon Medical Systems Corporation Device management apparatus, device management system, and device management method
CN112927791A (zh) * 2019-12-06 2021-06-08 佳能医疗系统株式会社 设备管理装置、设备管理系统以及设备管理方法
JP2021092849A (ja) * 2019-12-06 2021-06-17 キヤノンメディカルシステムズ株式会社 機器管理装置、機器管理システム及び機器管理方法
CN112927791B (zh) * 2019-12-06 2024-05-28 佳能医疗系统株式会社 设备管理装置、设备管理系统以及设备管理方法
JP7408366B2 (ja) 2019-12-06 2024-01-05 キヤノンメディカルシステムズ株式会社 機器管理装置、機器管理システム及び機器管理方法
JP2021092715A (ja) * 2019-12-12 2021-06-17 コニカミノルタ株式会社 異常診断システムおよび異常診断装置
JP7484151B2 (ja) 2019-12-12 2024-05-16 コニカミノルタ株式会社 異常診断システムおよび異常診断装置
WO2021124457A1 (ja) * 2019-12-17 2021-06-24 三菱電機株式会社 空気調和装置の異常予兆推測装置、空気調和装置の異常予兆推測モデル学習装置、および空気調和装置
CN114787562A (zh) * 2019-12-17 2022-07-22 三菱电机株式会社 空调装置的异常预兆推测装置、空调装置的异常预兆推测模型学习装置以及空调装置
JPWO2021124457A1 (ja) * 2019-12-17 2021-06-24
JP7449771B2 (ja) 2020-05-08 2024-03-14 東芝ライフスタイル株式会社 家電システム
JP2021177319A (ja) * 2020-05-08 2021-11-11 東芝ライフスタイル株式会社 家電システム
JP2022057368A (ja) * 2020-09-30 2022-04-11 ＰａｙＰａｙ株式会社 通知装置、通知方法及び通知プログラム
WO2022074930A1 (ja) * 2020-10-08 2022-04-14 パナソニックＩｐマネジメント株式会社 電子機器が有する記録媒体の保守サービスの提供方法及びシステム
KR20230082887A (ko) * 2021-12-02 2023-06-09 네모시스 주식회사 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
KR102601338B1 (ko) 2021-12-02 2023-11-13 네모시스 주식회사 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
WO2023195093A1 (ja) * 2022-04-06 2023-10-12 三菱電機株式会社 電動機の状態診断装置、状態診断方法および異常予兆推論装置
JP7287591B1 (ja) * 2022-09-20 2023-06-06 三菱電機株式会社 電動機の状態診断装置、状態診断方法および異常予兆推論装置
WO2024062511A1 (ja) * 2022-09-20 2024-03-28 三菱電機株式会社 電動機の状態診断装置、状態診断方法および異常予兆推論装置

Also Published As

Publication number Publication date
US20200228667A1 (en) 2020-07-16
US10666814B2 (en) 2020-05-26
US20190281172A1 (en) 2019-09-12
JP7006396B2 (ja) 2022-01-24
US11070682B2 (en) 2021-07-20

Similar Documents

Publication Publication Date Title
JP7006396B2 (ja) 保守システム、保守サーバ、保守方法
JP6008665B2 (ja) 故障に基づくユニット交換
CN102638632A (zh) 图像形成装置
JP6468099B2 (ja) 情報処理システム、故障原因診断方法及びプログラム
JP2009130930A (ja) ドキュメント処理装置の状態を通知するシステムおよび方法
JP2020113324A (ja) システム、情報処理装置、サービス決定方法及びプログラム
JP6848295B2 (ja) 画像形成装置及びプログラム
US11068217B2 (en) Image forming apparatus and control method
JP6536213B2 (ja) システム及びサービス決定方法
US11722625B2 (en) Image forming apparatus and control method
JP7491132B2 (ja) 情報処理システム、保守方法、プログラム
JP7424014B2 (ja) 情報処理装置、障害管理システム、障害管理方法、及びプログラム
JP7192655B2 (ja) 情報処理装置、情報処理システム、プログラム、及び情報処理方法
JP7230457B2 (ja) 情報処理システム、情報処理装置、プログラム、及び推奨商品判定方法
JP4231215B2 (ja) カスタマエンジニア派遣システム、カスタマエンジニア派遣方法及びカスタマエンジニア派遣装置
JP6865368B2 (ja) 情報処理装置及び情報処理プログラム
JP2016086313A (ja) 情報処理システム及びプログラム
JP6503952B2 (ja) 画像形成装置及びプログラム
JP2017187906A (ja) システム、システムの制御方法
US10901826B2 (en) Image processing apparatus, control method of image processing apparatus to import setting file and analyze setting value for determining whether communication test is require to execute
JP2018125602A (ja) 保守サーバー、保守プログラムおよび保守方法
JP7214450B2 (ja) 画像処理装置、画像処理装置の制御方法、およびプログラム
JP5779983B2 (ja) 印刷システム、情報処理装置、プログラム及び印刷方法
JP2022059332A (ja) 機器管理システム、機器管理装置、機器管理方法、及びプログラム
JP2016166940A (ja) 情報処理システム及びその制御方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201118

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211130

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: 20211207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211220