JP4618185B2 - 故障診断システム及び故障診断プログラム - Google Patents

Description

本発明は、画像形成装置の故障診断システム及び故障診断方法に関し、特に、故障原因特定のための最適なテストチャートを決定できる故障診断システム及び故障診断プログラムに関する。

画像形成装置の多機能化、高機能化及び高性能化により故障の態様が複雑化した結果、習熟した専門家であっても故障原因の特定が困難となった。そのため、画像形成装置の故障原因の特定を支援する故障診断システム等が必要となる。このような機能を有する故障診断システム等としては、画像形成装置内の機械データやジョブデータを収集し、収集したデータを故障診断推論エンジンにより分析し、分析結果を基に故障診断に用いられるテストチャートを決定する故障診断システムが知られている（例えば、特許文献１参照）。
特開平２００１‐２４５０９１

ところで、上記のような故障診断システムでは、機械データやジョブデータを分析して欠陥の有無を診断するため、微小な傷により生じる線状の欠陥のような機械データやジョブデータに影響を及ぼさずに現れる画像欠陥を分析することができなかった。

本発明は、上記問題に鑑みて成されたものであり、その目的とするところは、機械データやジョブデータに影響を及ぼさずに生じる画像欠陥を引き起こす故障を診断するために用いられるテストチャートを決定できる故障診断システム及び故障診断プログラムを提供することにある。

本発明に係る故障診断システムは、出力画像を読込んで得られる画像情報である読込画像情報を取得する取得手段と、前記出力画像の基礎とされた画像情報である基礎画像情報の情報量を軽減した情報である基礎画像軽減情報を記憶する記憶手段と、前記取得手段で取得された読込画像情報の情報量を軽減した情報である読込画像軽減情報と前記記憶手段で記憶された基礎画像軽減情報との差分の情報から投影波形に関する特徴値を算出する算出手段と、前記算出手段が算出した特徴値に基づいてクラスタリング処理により前記出力画像に含まれる欠陥の種別を要素とする集合である欠陥種別集合を判定する判定手段と、画像欠陥を引き起こす故障を診断するために用いられる複数のテストチャートの中から、前記判定手段で判定された前記欠陥種別集合に応じたテストチャートを決定するテストチャート決定手段と、決定されたテストチャートを出力した被検査画像を読み込んで得られる被検査画像情報と、前記決定されたテストチャートとを比較して、前記被検査画像に生じる欠陥種類の判別を行う画像欠陥検出手段と、判別された欠陥種類に基づいて、欠陥種類と画像形成装置の故障を引き起こす原因との関係をモデル化した故障診断モデルを解析することで前記画像形成装置を構成する個々の構成部材の故障を診断する故障診断手段と、を備えることを特徴としている。
この構成によれば、情報量の軽減された基礎画像軽減情報と読込画像軽減情報との差異に基づいて出力画像に含まれる欠陥の欠陥種別集合を判断するため、例えば、基礎画像軽減情報と読込画像軽減情報との差異に基づいて欠陥の種別を判断する場合と比べて、判断に要する情報量及び演算量を軽減できる。
また、この構成によれば、差分の情報は、基礎画像軽減情報と読込画像軽減情報との差異である欠陥を表すため、例えば、読込画像軽減情報のみから算出した特徴値基づいて欠陥の種別を判定する場合と比べて、欠陥の種別の判定精度を向上させることができる。
更に、この構成によれば、差分の情報から算出した特徴値に基づいてクラスタリング処理により欠陥の種別を判定できるため、例えば、オペレータが個別的かつ定性的に出力画像を検査して欠陥種別を判断する場合と比べて、オペレータの労力を軽減することができるだけでなく、欠陥種別の判別精度がオペレータの欠陥種別を推測する能力の優劣に影響を受けることがない。

上記構成において、記憶手段は、過去に出力した出力画像の基礎とされた画像情報の情報量を軽減した情報である出力画像軽減情報を、更に記憶し、基礎画像軽減情報は、記憶手段に記憶された出力画像軽減情報である、構成を採用できる。
この構成によれば、基礎画像軽減情報は出力画像軽減情報であり、出力画像軽減情報を記憶手段が記憶するため、基礎画像軽減情報を記憶された出力画像軽減情報の中から取得することができる。

上記構成において、基礎画像軽減情報は、記憶手段に記憶された出力画像軽減情報の中で読込画像軽減情報と正の相関関係を有する出力画像軽減情報である、構成を採用できる。
この構成によれば、正の相関関係の有無を検査することで出力画像軽減情報から基礎画像軽減情報を特定するため、出力画像の有する情報のみに基づいて出力画像軽減情報から基礎画像軽減情報を特定できる。

上記構成において、読込画像軽減情報は、読込画像情報の投影波形であり、基礎画像軽減情報は、基礎画像情報の投影波形であり、出力画像軽減情報は、出力画像情報の投影波形である、構成を採用できる。
この構成によれば、投影波形のデータ量は画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶手段に記憶する場合と比べて、使用する記憶資源を節約することができる。

上記構成において、読込画像軽減情報は、読込画像情報を読込画像情報の解像度より低い解像度で表した画像情報であり、基礎画像軽減情報は、基礎画像情報を基礎画像情報の解像度より低い解像度で表した画像情報であり、出力画像軽減情報は、出力画像情報を出力画像情報の解像度より低い解像度で表した画像情報である、構成を採用できる。
この構成によれば、画像情報を低い解像度に変換した画像情報のデータ量は、変換前の画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶手段に記憶する場合と比べて、使用する記憶資源を節約することができる。

上記構成において、読込画像軽減情報は、読込画像情報を読込画像情報の色数より低い色数で表した画像情報であり、基礎画像軽減情報は、基礎画像情報を基礎画像情報の色数より低い色数で表した画像情報であり、出力画像軽減情報は、出力画像情報を出力画像情報の色数より低い色数で表した画像情報である、構成を採用できる。
この構成によれば、画像情報を少ない色数で表した画像情報のデータ量は、変換前の画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶手段に記憶する場合と比べて、使用する記憶資源を節約することができる。

上記構成において、前記記憶手段は、基礎画像情報の全体領域に対する印刷領域の割合を示す印刷カバレッジである基礎画像印刷カバレッジを、更に記憶し、前記判定手段は、前記読込画像情報から計算される印刷カバレッジである読込画像印刷カバレッジと前記記憶手段に記憶された基礎画像印刷カバレッジとの差分に基づいて前記出力画像に含まれる欠陥の種別を地汚れであると判定し、前記テストチャート決定手段は、前記欠陥種別集合、及び前記出力画像に含まれる欠陥の種別に基づいて故障診断のために最適な検査用のテストチャートを決定する、構成を採用できる。
この構成によれば、地汚れの欠陥は、出力画像のほぼ全域に渡って基礎画像に無い印刷領域を有する傾向が高いため、印刷カバレッジの差分に基づいて欠陥種別を地汚れであるかどうかを判断できる。

上記構成において、記憶手段は、出力画像軽減情報と出力画像情報の印刷カバレッジである出力画像印刷カバレッジとを関連付けて記憶し、基礎画像印刷カバレッジは、記憶手段に記憶された出力画像印刷カバレッジであって、基礎画像軽減情報に関連付られた印刷カバレッジである、構成を採用できる。
この構成によれば、基礎画像印刷カバレッジは出力画像印刷カバレッジであり、出力画像印刷カバレッジを記憶手段が記憶するため、基礎画像印刷カバレッジを記憶された出力画像印刷カバレッジの中から取得することができる。

上記構成において、前記基礎画像情報は、投影波形と、前記読込画像情報の投影波形との相関が最も高い出力画像である、構成を採用できる。

上記構成において、投影波形に関する特徴値は、階調値ヒストグラムの積分値、階調値投影波形において階調値が閾値を超えた波形幅の合計である高階調値波形幅、階調値ヒストグラムの標準偏差及び階調値投影波形の標準偏差、階調値投影波形のピーク数、階調値投影波形の最大値、並びに、階調値投影波形の周波数成分の強度である、構成を採用できる。
この構成によれば、階調値ヒストグラムの積分値により欠陥領域の大小が、階調値投影波形の高階調値画素数により走査方向（又は副走査方向）へ一定幅以上に広がった欠陥領域の副走査方向（又は走査方向）の幅の長短が、階調値ヒストグラムの標準偏差及び階調値投影波形の標準偏差により階調値ムラの多少が、階調値投影波形のピーク数により線状の欠陥の数が、階調値投影波形の最大値により欠陥階調値の大小が、及び、階調値投影波形の周波数成分の強度により欠陥の周期的な発生の有無と言った欠陥集合の特徴を定量的に表した特徴値を画一的に取得することができる。よって、欠陥種別である「点」及び「縦線」を要素とする欠陥種別集合である「線／縦線」、欠陥種別である「点」及び「横線」を要素とする欠陥種別集合である「線／横線」、欠陥種別である「かぶり」、「横線」及び「縦線」を要素とする欠陥種別集合である「縦線／横線／かぶり」、欠陥種別である「縦線」のみを要素とする欠陥種別集合である「縦線」、若しくは、欠陥種別である「横線」のみを要素とする欠陥種別集合である「横線」のいずれの集合にテストパターンの有する欠陥が属するかを定量的かつ画一的に判定することができる。よって、例えば、オペレータがテストパターンの有する欠陥を推測し、推測した欠陥種別を要素とする欠陥種別集合毎に集合を特徴付ける値を定性的又は個別的に取得して解析することで欠陥種別集合を特定する方法に比べて、オペレータの労力を軽減することができるだけでなく、欠陥種別集合の判別精度がオペレータの欠陥種別集合を推測する能力の優劣に影響を受けることがない。

本発明に係る故障診断プログラムは、出力画像を読込んで得られる画像情報である読込画像情報を取得する取得ステップと、前記出力画像の基礎とされた画像情報である基礎画像情報の情報量を軽減した情報である基礎画像軽減情報を記憶手段に記憶する記憶ステップと、前記取得ステップで取得された読込画像情報の情報量を軽減した情報である読込画像軽減情報と前記記憶ステップで記憶された基礎画像軽減情報との差分の情報から投影波形に関する特徴値を算出する算出手段と、前記算出ステップで算出した特徴値に基づいてクラスタリング処理により前記出力画像に含まれる欠陥の種別を要素とする集合である欠陥種別集合を判定する判定ステップと、画像欠陥を引き起こす故障を診断するために用いられる複数のテストチャートの中から、前記判定ステップで判定された欠陥種別集合に応じたテストチャートを決定するテストチャート決定ステップと、決定されたテストチャートを出力した被検査画像を読み込んで得られる被検査画像情報と、前記決定されたテストチャートとを比較して、前記被検査画像に生じる欠陥種類の判別を行う画像欠陥検出ステップと、判別された欠陥種類に基づいて、欠陥種類と画像形成装置の故障を引き起こす原因との関係をモデル化した故障診断モデルを解析することで前記画像形成装置を構成する個々の構成部材の故障を診断する故障診断ステップと、をコンピュータに実行させることを特徴としている。
この構成によれば、情報量の軽減された基礎画像軽減情報と読込画像軽減情報との差異に基づいて前記出力画像に含まれる欠陥の種別を判断するため、例えば、基礎画像軽減情報と読込画像軽減情報との差異に基づいて欠陥の種別を判断する場合と比べて、判断に要する情報量及び演算量を軽減できる。
また、この構成によれば、差分の情報は基礎画像軽減情報と読込画像軽減情報との欠陥による差異を表すため、例えば、読込画像軽減情報のみから算出した特徴値基づいて欠陥の種別を判定する場合と比べて、欠陥の種別の判定精度を向上させることができる。
更に、この構成によれば、差分の情報から算出した特徴値に基づいてクラスタリング処理により欠陥の種別を判定できるため、例えば、オペレータが個別的かつ定性的に出力画像を検査して欠陥種別を判断する場合と比べて、オペレータの労力を軽減することができるだけでなく、欠陥種別の判別精度がオペレータの欠陥種別を推測する能力の優劣に影響を受けることがない。

本発明によれば、機械データやジョブデータに影響を及ぼさずに生じる画像欠陥を引き起こす故障を診断するために用いられるテストチャートを決定できる。

以下、本発明の最良の実施形態について、添付図面を参照しつつ説明する。図１は本発明の画像形成装置１００の一実施形態を示す構成図である。
本発明の画像形成装置１００は、取得手段である画像取得部１１０、プリントエンジン部１２０、センサ部１３０、故障診断情報入力部１４０、故障診断部１５０、制御部１６０、記憶手段である記憶部１７０、パラメタ算出部１８０、ネットワークインタフェース部１９０、算出手段である特徴値算出部２００、及び、判定手段である欠陥種別欠陥種別集合判定部２１０から構成される。

画像取得部１１０は、例えば、スキャナ等の光学的な読取装置で構成され、原稿ＤＣを読み込んで画像情報を取得する。特に自らプリントエンジン部１２０で原稿ＤＣを出力した場合には、出力画像である原稿ＤＣを読込んで得られる画像情報である読込画像情報を取得する。

プリントエンジン部１２０は、読み込んだ画像またはプリント指示された画像を形成し出力する。特に、画像取得部１１０が、プリントエンジン部１２０が出力した画像欠陥を有する原稿ＤＣから画像情報を取得した場合には、その画像情報を欠陥画像情報と言う。

センサ部１３０は、センサ群から構成される。センサ群は、用紙通過時間、駆動電流、装置内部の温度、湿度などの装置の内部状態に関する情報を得る。

故障診断情報入力部１４０は、例えば、タッチパネル、ポインティングディバイス、又は、キーボード等で構成され、故障診断に必要な情報をユーザにより入力される。故障診断部１５０は、故障診断情報入力部１４０により取得した各情報に基づき画像形成装置１００の故障診断を行なう。

具他的には、画像形成装置１００の故障を引き起こす原因をモデル化した後述する故障診断モデル１５４３を解析することで画像形成装置１００を構成する個々の構成部材の故障を診断し、後述する特徴量に関する情報と後述する内部状態情報とを用いて、種別判定手段で判定した欠陥種別に対応した故障診断モデルを解析することで故障原因を特定する。

制御部１６０は、例えば、ＣＰＵ等の演算装置とＲＡＭ等の記憶装置とＲＯＭ等の記録装置とそれらを制御するプログラムとで構成される。制御部１６０は、画像取得部１１０、プリントエンジン部１２０、センサ部１３０、故障診断情報入力部１４０、故障診断部１５０、パラメタ算出部１８０、ネットワークインタフェース部１９０、特徴値算出部２００、及び、欠陥種別欠陥種別集合判定部２１０等を制御する。尚、制御部１６０の実行する制御処理等については後述する。

記憶部１７０は、例えば、ハードディスク等で構成され、制御部１６０により出力画像軽減情報と出力画像印刷カバレッジとを関連付けられて記憶する。

尚、出力画像軽減情報とは、出力画像情報の情報量を軽減した情報である。具体的に言えば、コピー機能の提供の際に画像取得部１１０で出力画像を読込んで得られる画像情報である読込画像情報、又は、プリンタ機能の提供の際にネットワークインタフェース部１９０で取得された画像情報等の情報量を軽減した情報を言う。尚、出力画像情報とは、過去に出力した出力画像の基礎とされた画像情報を言う。

また、出力画像印刷カバレッジとは、出力画像情報の印刷カバレッジを言う。尚、印刷カバレッジとは、画像情報の全体領域に対する印刷領域の割合を示す。

ここで、図２を参照して、画像情報の情報量の軽減方法について説明する。図２は画像情報と投影波形との関係を示す図である。
図２においては、画像情報と、画像情報から得られる主走査方向の階調値投影波形と副走査方向の階調値投影波形とを表している。

ここで、画像情報の総画素数が４より大きい場合には画像情報の有する情報量よりも主走査方向の階調値投影波形及び副走査方向の階調値投影波形が有する情報量の和が小さくなる。よって、主走査方向の階調値投影波形と副走査方向の階調値投影波形とは、画像情報等の情報量を軽減した情報と言える。

次に、図３を参照して、記憶部１７０が記憶する出力画像軽減情報と出力画像印刷カバレッジとの関係を説明する。図３は、記憶部１７０の記憶する出力画像軽減情報と出力画像印刷カバレッジとの関係の一例を表した図である。
図３に示す履歴表ＴＨは、プリントエンジン部１２０が出力した出力画像を識別する情報と出力画像の出力画像軽減情報である主走査方向投影波形と副走査方向投影波形と出力画像印刷カバレッジとを関連付けて記憶している。

パラメタ算出部１８０は、画像取得部１１０又はネットワークインタフェース部１９０等で取得した画像情報の主走査方向及び副走査方向の階調値投影波形並びに印刷カバレッジを算出する。

ネットワークインタフェース部１９０は、例えば、ネットワークアダプタ等で構成される。ネットワークインタフェース部１９０は、ネットワークを通じて、画像情報や実行命令を取得する。

特徴値算出部２００は、画像取得部１１０で取得された読込画像情報の情報量を軽減した情報である読込画像軽減情報と記憶部１７０で記憶された基礎画像軽減情報との差分の情報から投影波形に関する特徴値を算出する。

ここで、基礎画像軽減情報とは、基礎画像情報の情報量を軽減した情報を言う。また、基礎画像情報とは、出力画像の基礎とされた画像情報を言う。

欠陥種別集合判定部２１０は、詳細は後述するが、特徴値算出部２００が算出した特徴値に基づいてクラスタリング処理により出力画像に含まれる欠陥の種別を要素とする集合である欠陥種別集合を判定する。

また、読込画像情報から計算される印刷カバレッジである読込画像印刷カバレッジと記憶部１７０に記憶された基礎画像印刷カバレッジとの差分に基づいて出力画像に含まれる欠陥の種別を地汚れであると判定する。尚、基礎画像印刷カバレッジとは、基礎画像情報の全体領域に対する印刷領域の割合を示す印刷カバレッジを言う。

次に、図４を参照して、故障診断部１５０の構成を説明する。図４は故障診断部１５０の構成例を示すブロック図である。
故障診断部１５０は、画像欠陥検出手段である画像欠陥検出部１５１０、特徴量抽出手段である特徴量抽出部１５２０、内部状態情報取得手段である内部状態情報取得部１５３０、故障確率推論部１５４０、追加操作情報取得部１５５０、及び、診断結果通知部１５６０等から構成される。

画像欠陥検出部１５１０は、画像取得部１１０から画像情報を受信する。次に、画像欠陥検出部１５１０は、受信した画像情報に基づいて画像欠陥の種別を判定する。

具体的には、欠陥種別集合判定部２１０で判定した欠陥種別集合に対応した検査用の基準画像と、画像形成装置１００によって出力された基準画像を光学的に読み取って得た被検査画像とを比較することにより出力画像の欠陥を解析する。

その後、判定した欠陥種別を制御部１６０、特徴量抽出部１５２０及び故障確率推論部１５４０へ送信する。

特徴量抽出部１５２０は、画像欠陥検出部１５１０の欠陥種別の判定結果から出力画像の欠陥を特徴づける種々の特徴量を抽出する。ここでは欠陥の種類に応じて、形状、大きさ、濃度、輪郭の状態、欠陥の発生方向、周期性といった特徴量を抽出する。

内部状態情報取得部１５３０は、部品状態情報取得部１５３１、履歴情報取得部１５３２、及び、環境情報取得部１５３３から構成され、センサ部１３０より取得され、故障診断モデル１５４３に入力される画像形成装置１００内部の様々な情報を取得する。その後、取得した情報を故障確率推論部１５４０へ送信する。

部品状態情報取得部１５３１は、センサ部１３０より取得された画像形成装置１００の内部状態情報に基づく各部品の稼動状態を示す部品情報を観測データ情報として取得する。

履歴情報取得部１５３２は、画像形成装置１００の使用状況の監視結果を履歴情報として取得する。環境情報取得部１５３３は、画像形成装置１００内部の環境情報を直接取得し、あるいはセンサ部１３０より取得される画像形成装置１００内部の環境情報を取得する。

この構成によれば、特徴量の抽出及び内部状態情報の取得はユーザによることなく行われるので、欠陥情報を逐一ユーザが入力する手間を省いて効率化が図れるとともに、装置に関する専門の知識がなくても詳細かつ精度の良い診断が可能となる。

故障確率推論部１５４０は、部品状態情報取得部１５３１、履歴情報取得部１５３２、環境情報取得部１５３３、特徴量抽出部１５２０、追加操作情報取得部１５５０により得られた情報に基づいて、画像欠陥検出部１５１０で判定された欠陥種別に対応した診断モデル１５４３に基づいて各モデル上の故障原因の故障確率を算出する。

さらに故障確率推論部１５４０は、故障候補検出部１５４１、推論エンジン１５４２、及び、診断モデル１５４３等から構成される。
故障候補検出部１５４１は、後述する推論エンジン１５４２で算出した故障原因確率を元にして故障原因候補を絞り込む。

推論エンジン１５４２は、故障を引き起こす各原因候補が、発生した故障の主原因であるであろう確率（故障原因確率）を内部状態情報取得部１５３０から取得した情報、追加操作情報取得部１５５０から取得した情報、及び、特徴量抽出部１５２０から取得した情報に基づいて算出する。

診断モデル１５４３は、後に説明する一又は複数の故障診断モデルであり、画像欠陥検出部１５１０で判定された欠陥種別に対応した診断モデルは、故障原因の確率を算出するために利用される。

ここで、故障原因確率の算出を行う推論エンジン１５４２には、ベイジアンネットワーク（Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ）を利用する。このベイジアンネットワークとは、因果関係が複雑な問題領域を表すため、複数の変数間の因果関係を順次結線し、グラフ構造を持つネットワークとして表現したものであり、変数間の依存関係を有向グラフにより表したものである。本発明における故障診断モデルはこのベイジアンネットワークを利用して構築されている。

なお、本発明の故障診断モデル、画像形成装置１００等は、従来ある故障診断モデル、画像形成装置等を利用することができる。

追加操作情報取得部１５５０は、ユーザ操作によって動作条件の異なる状態で故障情報を取得する。

診断結果通知部１５６０は、例えば、コントロールパネルなどの表示デバイスで構成され、故障候補抽出部１５４１で抽出された故障原因候補をユーザに通知する。

次に、図５を参照して、画像欠陥系の故障診断を行う場合のベイジアンネットワークの構成について説明する。図５は、画像欠陥系の故障診断を行う場合のベイジアンネットワークの構成例を概念的に示した図である。

図示するように、このベイジアンネットワークは、画像欠陥を吹き起こす原因を表す故障原因ノードＮＤ０と、画像形成装置を構成する部材（コンポーネント）の状態情報を表すコンポーネント状態ノードＮＤ１と、画像形成装置１００の履歴情報を表す履歴情報ノードＮＤ２と、画像形成装置１００が設置されている周辺環境情報を表す環境情報ノードＮＤ３と、画質欠陥の状態情報を表す観測状態ノードＮＤ４と、ユーザ操作によって得られる追試結果情報を表すユーザ操作ノードＮＤ５と、欠陥種類ノードＮＤ６を含んで構成されている。

故障原因ノードＮＤ０は、画像欠陥を引き起こす原因を表すノードであり、この部分の確率を計算して、故障か否かの判断を行う。各ノード内には、因果関係の強さを表す確率データをまとめた確率表が格納されている。この確率データの初期値は、過去の故障発生時のデータや部品のＭＴＢＦ（Ｍｅａｎ Ｔｉｍｅ Ｂｅｔｗｅｅｎ Ｆａｉｌｕｒｅ；平均故障間隔）を用いて決定することができる。

コンポーネント状態ノードＮＤ１は、コンポーネントの状態を表すノードであり、コンポーネントの状態を観測するセンサ部１３０から取得される情報である。このような情報としてコンポーネントの温度、印加電圧、パッチ濃度、色材(例えばトナー)残量などの情報がある。

履歴情報ノードＮＤ２は、画像形成装置１００の使用状況を表すものであり、例えばコンポーネントごとのプリント枚数の履歴を用いる。このプリント枚数はコンポーネントの磨耗や劣化などコンポーネントの状態に直接影響を与える。

環境情報ノードＮＤ３は、コンポーネントの状態に影響を与える周囲環境条件で、本実施例では、温度と湿度がこれに相当する。温度や湿度は、各コンポーネントの画像形成条件や動作条件に影響を与える。

観測状態ノードＮＤ４は、出力画像に発生した欠陥の観測状態を表すもので、ユーザにより観測され入力される情報である。例えば、欠陥の形状、大きさ、濃度、輪郭、向き、位置、周期性、発生領域などの情報がある。

ユーザ操作ノードＮＤ５は、画像形成装置１００に対して動作条件を代えて同様の処理をさせる情報であり、変更後の動作条件の情報も含まれる。

欠陥種類ノードＮＤ６は、画像欠陥の種類を表すもので、線、点、白抜け、濃度ムラなどの情報がある。まず、発生した画像欠陥の種類を判別してこのノードの状態を確定させてから、他のノード（ＮＤ１〜ＮＤ５）の情報を適宜入力して診断を行い、故障原因を推定する。

これらの各ノードは、"原因"→"結果"の関係になるように結線される。たとえば、"故障原因ノード"と"観測状態ノードＮＤ４"との関係は"故障原因ノード"で示される"原因"が元で"観測状態ノードＮＤ４"で示される"観測状態（濃度が薄い、筋状・帯状、など）"が表れるという関係になる。一方、"履歴情報ノードＮＤ２"と"原因ノード"との関係は"履歴情報に基づく状態（コピー枚数が多い、稼動年数が長いなど）"が元で"原因"（部品劣化など）が発生するという関係が成り立つ。

次に、図６を参照して、故障診断システムにおける故障診断モデルの具体的な事例について説明する。図６は、画像欠陥による故障診断の構成例の中で黒線発生時のベイジアンネットワークの一例を示した図である。

図示するように、ノードは、"原因"→"結果"の関係になるように結線される。たとえば、"ドラムの傷"と"線幅情報"の関係は"ドラムの傷"が元で細い線が発生といった"線幅情報"が表れるという関係になる。

一方、"フィード数履歴情報"と"フューザ"の関係は"フィード数"に基づく状態（フィード数が何枚以上）が元で"フューザ"劣化による黒線発生の可能性が高くなるという関係が成り立つ。

各ノードの確率データの初期値は、たとえば過去のデータを元に決定する。その後、部品の交換頻度や不具合発生頻度など、市場トラブルの統計データを元に定期的に各ノードの確率を更新するようにしてもよい。また、図５中の"線幅情報"や"周期性情報"、"発生箇所情報"といった画像欠陥の特徴を表すノードは、図４の特徴量抽出部１５２０によって得られた特徴量に基づいて状態が決定される。

次に、図７を参照して、制御部１６０の実行する画像情報の出力時における制御処理（以下単に、出力制御処理と言う）について説明する。図７は、制御部１６０の実行する出力制御処理の一例を示すフローチャートである。

先ず、制御部１６０は、出力画像情報をプリントアウトするようプリントエンジン部１２０へ命令を下す（ステップＳＴ０１）。
次に、制御部１６０は、出力画像情報の解像度を、出力画像情報の解像度よりも低い解像度へ変換するようパラメタ算出部１８０へ命令を下す（ステップＳＴ０２）。尚、本ステップで変換されることで得られた画像情報を低解像度出力画像情報と言う。

その後、制御部１６０は、低解像度出力画像情報から主走査方向の階調値投影波形及び主走査方向の階調値投影波形を算出するよう、パラメタ算出部１８０へ命令を下す（ステップＳＴ０３）。
次に、制御部１６０は、低解像度出力画像情報から出力画像印刷カバレッジを算出するようパラメタ算出部１８０へ命令を下す（ステップＳＴ０４）。

その後、制御部１６０は、出力画像情報を識別する情報と、パラメタ算出部１８０が算出した主走査方向の階調値投影波形及び主走査方向の階調値投影波形と、出力画像印刷カバレッジと、を関連付けて記憶部１７０へ記憶させる（ステップＳＴ０５）。

この構成によれば、投影波形のデータ量は画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶部１７０に記憶する場合と比べて、使用する記憶資源を節約することができる。

次に、図８を参照して、制御部１６０の実行する故障診断時における制御処理（以下単に、故障診断処理と言う）について説明する。図８は、制御部１６０の実行する故障診断処理の一例を示すフローチャートである。

先ず、制御部１６０は、自ら出力した出力画像であって欠陥を有する画像を画像取得部１１０に設置された後に、画像取得部１１０へ欠陥画像を読みとるよう命令を下す（ステップＳＴ１０１）。
次に、制御部１６０は、ステップＳＴ１０１で読込んだ欠陥画像を解析することで故障診断のために最適な検査用の基準画像（以下単に、テストチャートと言う）を決定する処理（以下単に、テストチャート決定処理と言う）を実行する（ステップＳＴ１０２）。

その後、故障診断モードに移行しテストパターンを出力する命令を受信し、プリントエンジン部１２０へステップＳＴ１０２で決定したテストチャートをプリントするようプリントエンジン部１２０へ命令を下す（ステップＳＴ１０３）。

ここで出力するテストパターンは、図１に示したプリントエンジン部１２０に予め保持しているものであり、故障の原因がプリントエンジン部１２０の部品である場合は、テストパターンに欠陥が再現されるが、コピー時のみの不具合など画像読取部１１０の部品に原因がある場合はテストパターンには欠陥は再現されない。しかし、画像読取部１１０の部品に原因がある場合、テストパターンを画像読取部１１０にセットして出力画像を読み取ると、読取画像には欠陥が現れる。従って出力画像の読取前に操作画面より欠陥はコピー時のみ発生するかどうかを問い合わせ、ユーザがその情報を選択入力できるようにしておく。そして、選択された情報を追加操作情報取得部２６０より取得して故障確率推論部２０７に入力する。画像形成装置１００のプリントエンジン部１２０からテストパターンが排出されると、そのテストパターンを画像読取部１１０にセットし、ユーザはテストパターンの読込を指示する命令を入力する。

次に、制御部１６０は、画像取得部１１０へ、出力されたテストチャートを光学的に読込み、被検査画像を取得するよう命令を下す（ステップＳＴ１０４）。

その後、画像取得部１１０が取得した被検査画像等に基づいて画像形成装置１００の故障箇所を特定する処理（以下単に、故障箇所特定処理と言う）を実行する（ステップＳＴ１０５）。

ここで、図９を参照して、画像欠陥とテストチャートとの関係を説明する。図９は、画像欠陥とテストチャートとの関係の一例を説明するための図である。

画像欠陥の種別として、点ＫＤ１、線ＫＤ２、地汚れＫＤ３、白抜けＫＤ４、及び、色味不良ＫＤ５を例示する。
欠陥画像の有する欠陥種別が点ＫＤ１であるとは、読込画像情報に点状の画像が存在するが基礎画像情報には存在しないことを言う。尚、読込画像情報とは、出力画像を読込んで得られる画像情報を言う。

欠陥画像の有する欠陥種別が線ＫＤ２であるとは、読込画像情報に線状の画像が存在するが基礎画像情報には存在しないことを言う。
欠陥画像の有する欠陥種別が地汚れＫＤ３であるとは、読込画像情報のほぼ全般に渡り汚れたような画像が存在するが基礎画像情報には存在しないことを言う。

欠陥画像の有する欠陥種別が白抜けＫＤ４であるとは、読込画像情報の特定の領域の画像が存在しないが基礎画像情報には存在することを言う。
欠陥画像の有する欠陥種別が色味不良ＫＤ５であるとは、読込画像情報の特定の色が基礎画像情報の特定の色と相違することを言う。

本故障診断システムでは、欠陥種別が点ＫＤ１、線ＫＤ２、又は、地汚れＫＤ３のいずれかであると判定した場合には、全面白紙のテストチャートＣＴ１をプリントエンジン部１２０から出力する。

また、欠陥種別が白抜けＫＤ４であると判定された場合には、全面に渡り印刷のされたテストチャートＣＴ２をプリントエンジン部１２０から出力する。

更に、欠陥種別が色味不良ＫＤ５であると判定した場合には、様々な階調の様々な色で表現された方形を有するテストチャートＣＴ３をプリントエンジン部１２０から出力する。

次に、図１０を参照して、図８のステップＳＴ１０２に示したテストチャート決定処理について説明する。図１０は、制御部１６０の実行するテストチャート決定処理の一例を示すフローチャートである。

先ず、制御部１６０は、図８のステップＳＴ１０１で欠陥画像を読込んで取得した読込画像情報の階調値投影波形を算出するようパラメタ算出部１８０へ命令を下す（ステップＳＴ２０１）。尚、読込画像情報の階調値投影波形を読込画像階調値投影波形と言う。

次に、制御部１６０は、読込画像情報の印刷カバレッジ（基礎画像印刷カバレッジ）を算出するようパラメタ算出部１８０へ命令を下す（ステップＳＴ２０２）。
その後、後述するステップＳＴ２０４及びステップＳＴ２０５の処理の対象としていない出力画像軽減情報（以下単に、未処理出力画像軽減情報と言う）を記憶部１７０が有しているかを判断する。制御部１６０は、未処理出力画像軽減情報が存在すると判断する場合にはステップＳＴ２０４の処理を、そうでない場合にはステップＳＴ２０６の処理を実行する。

ステップＳＴ２０３において、制御部１６０は、未処理出力画像軽減情報が存在すると判断した場合には、未処理出力画像軽減情報の内の１つを処理対象とする。尚、処理対象とした出力画像軽減情報である階調値投影波形を処理対象階調値投影波形と言う。

その後、制御部１６０は、ステップＳＴ２０１で算出した読込画像階調値投影波形と処理対象階調値投影波形との正規化相関係数を算出する（ステップＳＴ２０４）。

次に、制御部１６０は、ステップＳＴ２０２で算出した読込画像印刷カバレッジと記憶部１７０に記憶された処理対象階調値投影波形に関連付けられた印刷カバレッジとの差分を算出する（ステップＳＴ２０５）。その後、ステップＳＴ２０３に戻り上記処理を繰り返す。

ステップＳＴ２０３において、制御部１６０は、未処理出力画像軽減情報が存在しないと判断する場合には、ステップＳＴ２０４で算出した相関係数の内で最大の値となった相関係数（以下単に、最大相関係数と言う）が所定の閾値１を超えるかを判断する（ステップＳＴ２０６）。但し、閾値１は正の定数とする。制御部１６０は、最大相関係数が所定の閾値１を超えると判断する場合にはステップＳＴ２０７の処理を、そうでない場合にはステップＳＴ２１０の処理を実行する。

ステップＳＴ２０６において、制御部１６０は、最大相関係数が所定の閾値１を超えると判断した場合、又は、ステップＳＴ２１０において印刷カバレッジの差分が所定の閾値２より小さいと判断する場合には、読込画像階調値投影波形との相関が最も強かった出力画像軽減情報である出力画像の階調値投影波形を基礎画像軽減情報と特定する。

この構成によれば、基礎画像軽減情報は出力画像軽減情報であり、出力画像軽減情報を記憶手段が記憶するため、基礎画像軽減情報を記憶された出力画像軽減情報の中から取得することができる。

また、この構成によれば、正の相関関係の有無を検査することで出力画像軽減情報から基礎画像軽減情報を特定するため、出力画像の有する情報のみに基づいて出力画像軽減情報から基礎画像軽減情報を特定できる。

その後、制御部１６０は、基礎画像軽減情報と読込画像階調値投影波形との差分の情報（以下単に、差分階調値投影波形と言う）を取得する（ステップＳＴ２０７）。

次に、制御部１６０は、ステップＳＴ２０７で求めた差分階調値投影波形から、特徴値を算出するよう特徴値算出部２００へ命令を下す（ステップＳＴ２０８）。尚、本ステップで制御部１６０が通知した命令に基づいて特徴値算出部２００が実行する算出処理を集合判定特徴値算出処理と言う。

その後、制御部１６０は、特徴値算出部２００が算出した特徴値に基づいてクラスタリング処理により出力画像に含まれる欠陥の属する欠陥種別集合を判定するよう欠陥種別欠陥種別集合判定部２１０へ命令を下す（ステップＳＴ２０９）。尚、本ステップで制御部１６０が通知した命令に基づいて欠陥種別欠陥種別集合判定部２１０が実行する判定処理をクラスタリング処理と言う。

ステップＳＴ２０９、又は、ステップＳＴ２１１を実行した後には、制御部１６０は、ステップＳＴ２０９で判定された欠陥種別集合、又は、ステップＳＴ２１１で判定された欠陥種別に基づいて、出力すべきテストチャートを決定する（ステップＳＴ２１０）。その後、制御部１６０は、処理を終了する。

ステップＳＴ２０６において、制御部１６０は、最大相関係数が所定の閾値１を超えないと判断した場合には、ステップＳＴ２０５で求めた印刷カバレッジの差分が所定の閾値２より小さいかを判断する（ステップＳＴ２１０）。制御部１６０は、印刷カバレッジの差分が所定の閾値２より小さいと判断する場合にはステップ２０７の処理を、そうでない場合にはステップ２１１の処理を実行する。

また、この構成によれば、基礎画像印刷カバレッジは出力画像印刷カバレッジであり、出力画像印刷カバレッジを記憶手段が記憶するため、基礎画像印刷カバレッジを記憶された出力画像印刷カバレッジの中から取得することができる。

ステップＳＴ２１０において、制御部１６０は、印刷カバレッジの差分が所定の閾値２以上であると判断する場合には、欠陥種別を地汚れと判定する（ステップＳＴ２１１）。

この構成によれば、地汚れの欠陥は、出力画像のほぼ全域に渡って基礎画像に無い印刷領域を有する傾向が高いため、印刷カバレッジの差分に基づいて欠陥種別を地汚れであるかどうかを判断できる。

ここで、図１１を用いて、図１０のステップＳＴ２０７で示した差分階調値投影波形を取得する処理について説明する。図１１は、差分階調値投影波形を取得する処理の一例を説明するための図である。

図１１の左上図は、出力画像を読込んで得られた線状の欠陥を有する読込画像情報ＩＳと、読込画像情報ＩＳから取得した読込画像軽減情報ＩＳＲである階調値投影波形を表している。

図１１の左下図は、出力画像の基礎とされた画像情報である基礎画像情報ＩＢと、基礎画像情報ＩＢから取得した基礎画像軽減情報ＩＢＲである階調値投影波形を表している。尚、基礎画像軽減情報ＩＢＲは、図１０のステップＳＴ２０６において、記憶部１７０に記憶された出力画像軽減情報の内で最も読込画像軽減情報ＩＳＲとの相関係数が大きかった出力画像軽減情報として決定された情報である。

図１１の右図は、左上図で表した読込画像軽減情報ＩＳＲと左下図で表した基礎画像軽減情報ＩＢＲとの差分の情報ＩＤである差分階調値投影波形を表す。差分階調値投影波形は、読込画像情報ＩＳと基礎画像情報ＩＢとの差異である線状の欠陥画像のみから生じた階調値投影波形を表す。

次に、図１２を用いて、図１０のステップＳＴ２０８で示した集合判定特徴値算出処理について説明する。図１２は、特徴値算出部２００の実行する集合判定特徴値算出処理の一例を表すフローチャートである。

先ず、特徴値算出部２００は、画像取得部１１０が取得した多値の欠陥画像情報から以下の集合判定値を算出する。
特徴値算出部２００は、欠陥画像情報の階調値ヒストグラムの積分値（以下単に、階調値ヒストグラム積分値と言う）を算出する（ステップＳＴ３０１）。

次に、特徴値算出部２００は、階調値投影波形において階調値が閾値を超える画素数である高階調値幅を算出する（ステップＳＴ３０２）。尚、高階調値幅については後述する。

その後、特徴値算出部２００は、階調値ヒストグラムの標準偏差（以下単に、階調値ヒストグラム標準偏差と言う）を算出する（ステップＳＴ３０３）。

次に、特徴値算出部２００は、階調値投影波形の標準偏差（以下単に、階調値投影波形標準偏差と言う）を算出する（ステップＳＴ３０４）。

その後、特徴値算出部２００は、階調値投影波形のピーク数（以下単に、階調値投影波形ピーク数と言う）を算出する（ステップＳＴ３０５）。

次に、特徴値算出部２００は、階調値投影波形の最大値（以下単に、階調値投影波形最大値と言う）を算出する（ステップＳＴ３０６）。

その後、特徴値算出部２００は、階調値投影波形の周波数成分の強度（以下単に、周波数成分強度と言う）を算出する（ステップＳＴ３０７）。
次に、特徴値算出部２００は、処理を終了する。

この構成によれば、階調値ヒストグラムの積分値により欠陥領域の大小が、階調値投影波形の高階調値画素数により走査方向（又は副走査方向）へ一定幅以上に広がった欠陥領域の副走査方向（又は走査方向）の幅の長短が、階調値ヒストグラムの標準偏差及び階調値投影波形の標準偏差により階調値ムラの多少が、階調値投影波形のピーク数により線状の欠陥の数が、階調値投影波形の最大値により欠陥階調値の大小が、及び、階調値投影波形の周波数成分の強度により欠陥の周期的な発生の有無と言った欠陥集合の特徴を定量的に表した特徴値を画一的に取得することができる。よって、欠陥種別である「点」及び「縦線」を要素とする欠陥種別集合である「線／縦線」、欠陥種別である「点」及び「横線」を要素とする欠陥種別集合である「線／横線」、欠陥種別である「かぶり」、「横線」及び「縦線」を要素とする欠陥種別集合である「縦線／横線／かぶり」、欠陥種別である「縦線」のみを要素とする欠陥種別集合である「縦線」、若しくは、欠陥種別である「横線」のみを要素とする欠陥種別集合である「横線」のいずれの集合にテストパターンの有する欠陥が属するかを定量的かつ画一的に判定することができる。よって、例えば、オペレータがテストパターンの有する欠陥を推測し、推測した欠陥種別を要素とする欠陥種別集合毎に集合を特徴付ける値を定性的又は個別的に取得して解析することで欠陥種別集合を特定する方法に比べて、オペレータの労力を軽減することができるだけでなく、欠陥種別集合の判別精度がオペレータの欠陥種別集合を推測する能力の優劣に影響を受けることがない。

尚、特徴値算出部２００は、画像取得部１１０が取得した多値の欠陥画像情報の代わりに、欠陥画像情報（被検査画像）と欠陥画像情報の元となった欠陥を有する原稿ＤＣをプリントエンジン部１２０が出力する際に使用した画像情報（検査画像）との多値の差分画像の画像情報から上記特徴値を算出する構成を採用できる。

ここで、図１３を参照して、図１２に示したステップＳＴ３０２で算出する高階調値幅について説明する。図１３は、高階調値幅と閾値との関係を説明するための図である。
図１３の上図は、プリントエンジン部１２０から出力された欠陥を有する原稿ＤＣを画像取得部１１０が画像情報として取得した欠陥画像情報ＤＩである。

欠陥画像情報ＤＩは、プリントエンジン部１２０から出力された欠陥を有する原稿ＤＣを画像取得部１１０が画像情報として取得した欠陥画像情報である。欠陥画像情報ＤＩは、２本の線からなる画像欠陥を有している。また、これらの２本の線は、中心部が最も濃度が高く、中心部から離れるに従って濃度は低くなる。また、欠陥画像情報ＤＩは、主走査方向ＤＭ、及び、副走査方向ＤＳの座標軸を設定されている。

図１３の下図は、上図に示した欠陥画像情報ＤＩの主走査方向ＤＭの投影波形を表した図である。縦軸は、走査方向の単位距離（例えば、画素）毎に副走査方向の階調値の平均を表す。横軸は、上図に示した欠陥画像情報ＤＩの主走査方向ＤＭの座標軸である。図１３の下図は、２つの線の中心部の平均階調値が高く、中心から外れるに従って低く表れている。

図１３の下図においては、予め定められた所定の閾値が定められており、高階調値幅は、階調値投影波形において平均階調値が閾値を超えた部分の幅であるｄ１とｄ２との和として算出される。

次に、図１４を参照して図１０のステップＳＴ２０９で示した欠陥種別集合判定処理（クラスタリング処理）について説明する。図１４は、クラスタと欠陥種別集合との関係を説明するための図である。

図１４は、過去に観察された欠陥の種類が縦線、又は、点である場合に算出された集合判定特徴値で表される座標群で構成される縦線／点クラスタＣＶＤ、欠陥の種類が白抜けのみである場合に算出された集合判定特徴値で表される座標群で構成される白抜けクラスタＣＷ、欠陥の種類が色味不良のみである場合に算出された集合判定特徴値で表される座標群で構成される色味不良クラスタＣＣ、及び、欠陥の種類が地汚れである場合に算出された集合判定特徴値で表される座標群で構成される地汚れクラスタＣＯを表している。

また、縦線／点クラスタＣＶＤは縦線／点集合ＧＨＶＯに、白抜けクラスタＣＷは白抜け集合ＧＷに、色味不良クラスタＣＣは色味不良集合ＧＣに、及び、地汚れクラスタは地汚れ集合ＧＯにそれぞれ対応している。

よって、欠陥種別集合である縦線／点集合ＧＨＶＯは欠陥種別である縦線、又は、点を要素とし、白抜け集合ＧＷは欠陥種別である白抜けのみを要素し、色味不良集合ＧＣは欠陥種別である色味不良のみを要素とし、及び、欠陥種別集合である地汚れ集合ＧＯは欠陥種別である地汚れのみを要素とする。

図１４は、説明の便宜上、三次元座標空間をもって表示しているが、実際には三次元空間に限定されない。本実施例では、集合判定特徴値として採用した階調値ヒストグラム積分値、高階調値幅、階調値ヒストグラム標準偏差、階調値投影波形標準偏差、階調値投影波形ピーク数、階調値投影波形最大値、及び、周波数成分強度に対応したそれぞれの座標軸で表される多次元座標空間を用いる。

次に、図１５を参照して図１０のステップＳＴ２０９で示した欠陥種別集合判定処理（クラスタリング処理）について説明する。図１５は、欠陥種別集合判定部２１０が実行するクラスタリング処理を説明するためのフローチャートである。

先ず、欠陥種別集合判定部２１０は、全クラスタについて、クラスタ中心ベクトルＣｉと集合判定特徴値ベクタＸとの距離変数Ｄｉを初期化する（ステップＳＴ４０１）。ただし、ｉは１からｎまでの整数とする。また、ｎは、クラスタ数とする。

尚、クラスタ中心ベクトルＣｉとは、クラスタを構成する過去に観察された画像欠陥の集合判定特徴値で表される座標群を包含する最小の球の中心を言う。

また、集合判定特徴値ベクタＸとは、特徴値算出部２００が算出した集合判定特徴値である階調値ヒストグラム積分値、高階調値幅、階調値ヒストグラム標準偏差、階調値投影波形標準偏差、階調値投影波形ピーク数、階調値投影波形最大値、周波数成分強度を要素とするベクトルを言う。

また、集合判定特徴値ベクタＸと中心ベクタＣｉとの距離Ｄｉは、集合判定特徴値ベクタＸと中心ベクタＣｉとのマハラノビス距離で定義される。

次に、欠陥種別集合判定部２１０は、全クラスタの特徴値中心ベクタＣｉの内で処理対象としていない特徴値中心ベクタＣｉ（以下単に、未処理特徴値中心ベクタＣｉと言う）が存在するかを判断する（ステップＳＴ４０２）。欠陥種別集合判定部２１０は、未処理特徴値中心ベクタＣｉが存在すると判断する場合にはステップＳＴ４０３の処理を、そうでない場合にはステップＳＴ４０４の処理を実行する。

ステップＳＴ４０２において、欠陥種別集合判定部２１０は、未処理特徴値中心ベクタＣｉが存在すると判断した場合には、未処理特徴値中心ベクタＣｉの内の１つと集合判定特徴値ベクタＸとの距離を算出する（ステップＳＴ４０３）。その後、ステップＳＴ４０２に戻り上記処理を繰り返す。

ステップＳＴ４０２において、欠陥種別集合判定部２１０は、未処理特徴値中心ベクタＣｉが存在しないと判断した場合には、ステップＳＴ４０３で算出した距離Ｄｉの内で最小のものをＤｍｉｎとする（ステップＳＴ４０４）。次に、欠陥種別集合判定部２１０は、Ｄｍｉｎとした距離を算出するために用いられた特徴値中心ベクタＣｉに対応する欠陥種別集合を取得し、欠陥画像情報の有する欠陥種別であると判定する（ステップＳＴ４０５）。その後、欠陥種別集合判定部２１０は処理を終了する。

この構成によれば、情報量の軽減された基礎画像軽減情報と読込画像軽減情報との差異に基づいて出力画像に含まれる欠陥の欠陥種別集合を判断するため、例えば、基礎画像情報と読込画像情報との差異に基づいて欠陥の種別を判断する場合と比べて、判断に要する情報量及び演算量を軽減できる。
また、この構成によれば、差分の情報は基礎画像軽減情報と読込画像軽減情報との欠陥による差異を表すため、例えば、読込画像軽減情報のみから算出した特徴値基づいて欠陥の種別を判定する場合と比べて、欠陥の種別の判定精度を向上させることができる。
更に、この構成によれば、差分の情報から算出した特徴値に基づいてクラスタリング処理により欠陥の種別を判定できるため、例えば、オペレータが個別的かつ定性的に出力画像を検査して欠陥種別を判断する場合と比べて、オペレータの労力を軽減することができるだけでなく、欠陥種別の判別精度がオペレータの欠陥種別を推測する能力の優劣に影響を受けることがない。

次に、図１６を参照して、図８のステップＳＴ１０５で示した故障箇所特定処理について説明する。図１６は、制御部１６０の実行する故障箇所特定処理の他例を示すフローチャートである。

先ず、制御部１６０は、故障診断部１５０に含まれる画像欠陥検出部２０４にて読取画像と予め装置内部に保持している基準画像とを比較して画像欠陥の有無を調べる（ステップＳＴ５０１）。制御部１６０は、欠陥が存在すると判断した場合にはステップＳＴ５０３の処理を、そうでない場合にはそれ以前に発生した欠陥は偶発的なものであったか、あるいはテストパターン出力前に何らかの処置が施されて既に解決された可能性があるので、その旨を操作画面によりユーザに通知して処理を終了する(ステップＳＴ５０２−Ｎ)。

ステップＳＴ５０２において、制御部１６０は、欠陥が存在すると判断した場合（ステップＳＴ５０２−Ｙ）には、欠陥種類の判別を行なうよう画像欠陥検出部１５１０へ実行命令を通知する（ステップＳＴ５０３）。次に、制御部１６０は、画像欠陥検出部１５１０が判定した欠陥種別に応じた診断モデル１５４３を選択して故障確率推論部１５４０へ通知する（ステップＳＴ５０４）。

その後、制御部１６０は、特徴量抽出部１５２０へ実行通知を行なう（ステップＳＴ５０５）。次に、制御部１６０は、さらに、画像形成装置１００を構成する各部品の状態情報や、部品ごとの印刷枚数を示すカウンタ値などの履歴情報、装置内部の温度、湿度などの環境情報といった、故障診断に必要な種々のデータを取得させるために、部品状態情報取得部１５３１、履歴情報取得部１５３２、及び、環境情報取得部１５３３へ実行通知を行なう（ステップＳＴ５０６）。

その後、制御部１６０は、ステップＳＴ５０４で選択した診断モデルとステップＳＴ５０５及びステップＳＴ５０６で取得させた情報とに基づいて各故障原因の発生確率を算出させるために、推論エンジン１５４２ヘ実行通知を行なう（ステップＳＴ５０７）。

次に、制御部１６０は、ステップＳＴ５０７で算出された確率に基づいて、故障原因となる確率の高いほうから指定された候補数分の故障原因を抽出させるために、故障候補抽出部１５４１へ実行通知を行なう（ステップＳＴ５０８）。尚、候補数は予め設定できるようにしても良いし、候補抽出前に任意の数を入力して指定できるようにしても良い。

その後、制御部１６０は、抽出された故障原因候補を診断結果通知部１５６０によりコントロールパネルなどの表示デバイスに表示してユーザに通知するよう制御する（ステップＳＴ５０９）。

次に、制御部１６０は、故障原因候補を絞り込むことができているかを追試結果情報が有るかによって判断する（ステップＳＴ５１０）。制御部１６０は、故障原因候補を絞り込むことができていると判断した場合には処理を終了し、そうでない場合にはステップＳＴ５１１の処理を実行する。

より詳細に説明すれば、このような自動判定処理においては必ずしもこの時点で故障原因候補を一つに絞り込めるとは限らない。そこで、ユーザは、この時点で故障原因候補を絞り込むことができていない場合には、操作画面からさらなる故障診断に必要な追加操作項目を選択する。

制御部１６０は、選択された項目に従って画像形成装置１００の動作条件を変更して画像を再出力するようプリントエンジン部１２０へ実行命令を下す。そして、ユーザは、操作画面から追試結果の情報を入力する。この時の追加操作は、画像の拡大縮小であったり、イメージパスの各箇所で保持しているテストパターンの出力などであり、欠陥の発生状態の変化の有無を調べるものである。従って追試結果はユーザが操作画面の質問に従って容易に入力可能なレベルのものとなっている。よって、制御部１６０は、追加された情報を受信することで故障原因候補を絞り込むことができていないと判断する。

ステップＳＴ５１０において、制御部１６０は、追試結果情報が有ると判断した場合には、受信した追試結果情報を推論エンジン１５４２へ送信する（ステップＳＴ５１１）。そして追加された情報と、先に入力済みの情報とを合わせて故障原因確率を再計算し、その結果から故障候補を絞り込むようステップＳＴ５０７に戻り上記処理を繰り返す。

この構成によれば、特徴量の抽出及び内部状態情報の取得はユーザによることなく行われるので、欠陥情報を逐一ユーザが入力する手間を省いて効率化が図れるとともに、装置に関する専門の知識がなくても詳細かつ精度の良い診断が可能となる。

上記においては、読込画像軽減情報は読込画像情報の投影波形であり、基礎画像軽減情報は基礎画像情報の投影波形であり、記出力画像軽減情報は出力画像情報の投影波形である場合について説明したが、これに限定される訳ではない。

以下、読込画像軽減情報は、読込画像情報を読込画像情報の解像度より低い解像度で表した画像情報であり、基礎画像軽減情報は基礎画像情報を基礎画像情報の解像度より低い解像度で表した画像情報であり、出力画像軽減情報は出力画像情報を出力画像情報の解像度より低い解像度で表した画像情報である場合の本発明の他の実施形態について、図１７及び１８を参照しつつ説明する。

また同時に、読込画像軽減情報は読込画像情報を読込画像情報の色数より低い色数で表した画像情報であり、基礎画像軽減情報は、基礎画像情報を基礎画像情報の色数より低い色数で表した画像情報であり、出力画像軽減情報は出力画像情報を出力画像情報の色数より低い色数で表した画像情報である場合の本発明の他の実施形態について、図１７及び１８を参照しつつ説明する。

本発明の他の実施例における画像形成装置１００の構成は、図１に示した画像形成装置１００の構成とほぼ同様であるため説明を省略する。

しかし、記憶部１７０に記憶する情報及び制御部１６０の処理については、図１に示した画像形成装置１００を構成するものと異なるため、図１７及び図１８を用いて説明する。図１７は、制御部１６０の実行する出力制御処理の他例を示すフローチャートである。

先ず、制御部１６０の実行するステップＳＴ６０１及びステップＳＴ６０２の処理については、図８に示したステップＳＴ１０１及びステップＳＴ１０２の処理と同様であるため省略する。

次に、制御部１６０は、低解像度出力画像情報を出力画像情報の色数より低い色数で表した画像情報へ変換する（ステップＳＴ６０３）。例えば、出力画像情報（及び低解像度出力画像情報）が１画素あたりのデータサイズを２５６色とするデータフォーマットで作成されている場合には、１画素あたりのデータサイズを２５６色より小さい色数である１６色とするデータフォーマットで表される画像情報へと変換する。

その後、制御部１６０は、ステップＳＴ６０２変換した後に更にステップＳＴ６０３で変換した画像情報を出力画像軽減情報として記憶部１７０へ記憶させる（ステップＳＴ６０４）。尚、制御部１６０は、記憶部１７０へ出力画像軽減情報のみを記憶させ、印刷カバレッジを記憶させない点で図７に示した出力制御処理と異なる。

この構成によれば、画像情報を低い解像度に変換した画像情報のデータ量は、変換前の画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶手段に記憶する場合と比べて、使用する記憶資源を節約することができる。

また、この構成によれば、画像情報を少ない色数で表した画像情報のデータ量は、変換前の画像情報のデータ量よりも少ないので、例えば、出力画像情報を記憶手段に記憶する場合と比べて、使用する記憶資源を節約することができる。

次に、図８のステップＳＴ１０２に示したテストチャート決定処理の他例について説明する。図１８は、制御部１６０の実行するテストチャート決定処理の他例を示すフローチャートである。

先ず、制御部１６０は、画像取得部１１０が取得した読込画像情報の解像度を、読込画像情報の解像度よりも低い解像度へ変換する（ステップＳＴ７０１）。尚、本ステップにおける変換後の画像情報の解像度と図１７のステップＳＴ６０２における変換後の画像情報の解像度とは、同じ解像度であるとする。

次に、制御部１６０は、ステップＳＴ７０１で変換された読込画像情報を、読込画像情報の色数より低い色数で表した画像情報へ変換する（ステップＳＴ７０２）。

その後、制御部１６０は、ステップＳＴ７０１及びステップＳＴ７０２で変換された読込画像情報の階調値投影波形を算出するように、パラメタ算出部１８０へ命令を下す（ステップＳＴ７０３）。尚、本ステップで発せられた命令に基づいてパラメタ算出部１８０が算出した階調値投影波形を読込画像階調値投影波形と言う。

次に、制御部１６０は、ステップＳＴ７０１及びステップＳＴ７０２で変換された読込画像情報の印刷カバレッジを算出するように、パラメタ算出部１８０へ命令を下す（ステップＳＴ７０４）。尚、本ステップで発せられた命令に基づいてパラメタ算出部１８０が算出した印刷カバレッジを読込画像印刷カバレッジと言う。

次に、後述するステップＳＴ７０６ないし７０９の処理の対象としていない未処理出力画像軽減情報を記憶部１７０が有しているかを判断する（ステップＳＴ７０５）。制御部１６０は、未処理出力画像軽減情報が存在すると判断する場合にはステップＳＴ７０６の処理を、そうでない場合にはステップＳＴ７１０の処理を実行する。

ステップＳＴ７０５において、制御部１６０は、未処理出力画像軽減情報が存在すると判断する場合には、未処理出力画像軽減情報の内の１つを処理対象とする。尚、処理対象とした出力画像軽減情報を処理対象出力画像軽減情報と言う。

次に、制御部１６０は、処理対象出力画像軽減情報の階調値投影波形を算出するように、パラメタ算出部１８０へ命令を下す（ステップＳＴ７０６）。尚、本ステップで発せられた命令に基づいてパラメタ算出部１８０が算出した階調値投影波形を処理対象階調値投影波形と言う。

次に、制御部１６０は、ステップＳＴ７０３で算出した読込画像階調値投影波形とステップＳＴ７０６で算出した処理対象階調値投影波形との正規化相関係数を算出する（ステップＳＴ７０７）。

その後、制御部１６０は、処理対象出力画像軽減情報の印刷カバレッジを算出するように、パラメタ算出部１８０へ命令を下す（ステップＳＴ７０８）。尚、本ステップで発せられた命令に基づいてパラメタ算出部１８０が算出した印刷カバレッジを処理対象印刷カバレッジと言う。

次に、制御部１６０は、ステップＳＴ７０４で算出した読込画像印刷カバレッジとステップＳＴ７０８で算出した処理対象印刷カバレッジとの差分を算出する（ステップＳＴ７０９）。その後、ステップＳＴ７０５に戻り上記処理を繰り返す。

ステップＳＴ７０５において、制御部１６０は、未処理出力画像軽減情報が存在しないと判断する場合には、図１０のステップ２０６の処理と同様に、ステップＳＴ７０７で算出した相関係数の内で最大の値となった相関係数（以下単に、最大相関係数と言う）が所定の閾値１を超えるかを判断する（ステップＳＴ７１０）。但し、閾値１は正の定数とする。制御部１６０は、最大相関係数が所定の閾値１を超えると判断する場合にはステップＳＴ７１１の処理を、そうでない場合にはステップＳＴ７１５の処理を実行する。

ステップＳＴ７１０において、制御部１６０は、最大相関係数が所定の閾値１を超えると判断した場合、又は、ステップＳＴ７１５において印刷カバレッジの差分が所定の閾値２より小さいと判断する場合には、ステップ７１１ないし７１４の処理を実行する。その後、制御部１６０は、処理の実行を終了する。尚、ステップ７１１ないし７１４の処理は、図１０のステップ２０７ないし２１０と同様の処理であるため説明を省略する。

ステップＳＴ７１０において、制御部１６０は、最大相関係数が所定の閾値１を超えないと判断した場合には、ステップＳＴ７０９で求めた印刷カバレッジの差分が所定の閾値２より小さいかを判断する（ステップＳＴ７１５）。制御部１６０は、印刷カバレッジの差分が所定の閾値２より小さいと判断する場合にはステップＳＴ７１１の処理を、そうでない場合にはステップ７１６の処理を実行する。

ステップＳＴ７１５において、制御部１６０は、印刷カバレッジの差分が所定の閾値２以上であると判断する場合には、ステップＳＴ７１６、ステップＳＴ７１４の順に処理を実行する。その後、制御部１６０は、処理の実行を終了する。尚、ステップＳＴ７１４及びステップＳＴ７１６の処理については、図１０のステップＳＴ２１０及びステップＳＴ２１２の処理と同様であるため説明を省略する。

上記実施形態では、クラスタの中心ベクトルは、クラスタを構成する欠陥の集合判定特徴値で表される座標群を包含する最小の球の中心ベクトルとして定められるとしたが、これに限定されるわけではなく、例えば、クラスタを構成する欠陥の集合判定特徴値で表される座標群の平均値として定められる構成を採用することも可能である。

上記実施形態では、クラスタと集合判定特徴値ベクタＸとの距離Ｄ１の算出はマハラノビス距離を算出して行なう場合について説明したが、これに限定されるわけではなく、例えば、ユークリッド距離、標準かユークリッド距離、ユークリッド２乗距離、マンハッタン距離、チェビシェフ距離、又は、ミンコフスキー距離を算出して行なう構成を採用することができる。

上記実施形態では、集合判定特徴値ベクトルの長さを集合判定特徴値ベクタと原点間を算出して求め、距離の算出はマハラノビス距離を算出して行なう場合について説明したが、これに限定されるわけではなく、例えば、ユークリッド距離、標準かユークリッド距離、ユークリッド２乗距離、マンハッタン距離、チェビシェフ距離、又は、ミンコフスキー距離を算出して行なう構成を採用することができる。

本発明の画像形成装置の一実施形態を示す構成図である。 画像情報と投影波形との関係を示す図である。 記憶部の記憶する出力画像軽減情報と出力画像印刷カバレッジとの関係の一例を表した図である。 故障診断部の構成例を示すブロック図である。 画像欠陥系の故障診断を行う場合のベイジアンネットワークの構成例を概念的に示した図である。 画像欠陥による故障診断の構成例の中で黒線発生時のベイジアンネットワークの一例を示した図である。 制御部の実行する出力制御処理の一例を示すフローチャートである。 制御部の実行する故障診断処理の一例を示すフローチャートである。 画像欠陥とテストチャートとの関係の一例を説明するための図である。 制御部の実行するテストチャート決定処理の一例を示すフローチャートである。 差分階調値投影波形を取得する処理の一例を説明するための図である。 特徴値算出部の実行する集合判定特徴値算出処理の一例を表すフローチャートである。 高階調値幅と閾値との関係を説明するための図である。 クラスタと欠陥種別集合との関係を説明するための図である。 欠陥種別集合判定部が実行するクラスタ処理を説明するためのフローチャートである。 制御部の実行する故障箇所特定処理の他例を示すフローチャートである。 制御部の実行する出力制御処理の他例を示すフローチャートである。 制御部の実行するテストチャート決定処理の他例を示すフローチャートである。

符号の説明

１００…画像形成装置
１１０…画像取得部（取得手段）
１２０…プリントエンジン部
１３０…センサ部
１４０…故障診断情報入力部
１５０…故障診断部
１５１０…画像欠陥検出部（画像欠陥検出手段）
１５２０…特徴量抽出部（特徴量抽出手段）
１５３０…内部情報取得部（内部情報取得手段）
１５３１…部品状態情報取得部
１５３２…履歴情報取得部
１５３３…環境情報取得部
１５４０…故障確率推論部
１５４１…故障候補検出部
１５４２…推論エンジン
１５４３…診断モデル
１５５０…追加操作情報取得部
１５６０…診断結果通知部
１６０…制御部
１７０…記憶部（記憶手段）
１８０…軽減情報算出部
１９０…ネットワークインタフェース
２００…特徴値算出部（算出手段）
２１０…欠陥種別欠陥種別集合判定部（判定手段）
ＣＣ…色味不良
ＣＯ…地汚れ
ＣＴ１…テストチャート１
ＣＴ２…テストチャート２
ＣＴ３…テストチャート３
ＣＶＤ…縦線／点
ＣＷ…白抜け
ＤＣ…原稿
ＤＩ…欠陥画像情報
ＤＭ…主走査方向
ＤＳ…副主走査方向
ＩＢ…基礎画像情報
ＩＢＲ…基礎画像軽減情報
ＩＤ…差分の情報
ＩＳ…読込画像情報
ＩＳＲ…読込画像軽減情報
ＫＤ１…欠陥種別：点
ＫＤ２…欠陥種別：線
ＫＤ３…欠陥種別：地汚れ
ＫＤ４…欠陥種別：白抜け
ＫＤ５…欠陥種別：色味不良
Ｍ…主走査方向軸
Ｏ…原点
Ｓ…副走査方向軸
ＴＨ…履歴表
Ｗ…投影波形

Claims (11)

1. 出力画像を読込んで得られる画像情報である読込画像情報を取得する取得手段と、
   前記出力画像の基礎とされた画像情報である基礎画像情報の情報量を軽減した情報である基礎画像軽減情報を記憶する記憶手段と、
   前記取得手段で取得された読込画像情報の情報量を軽減した情報である読込画像軽減情報と前記記憶手段で記憶された基礎画像軽減情報との差分の情報から投影波形に関する特徴値を算出する算出手段と、
   前記算出手段が算出した特徴値に基づいてクラスタリング処理により前記出力画像に含まれる欠陥の種別を要素とする集合である欠陥種別集合を判定する判定手段と、
   画像欠陥を引き起こす故障を診断するために用いられる複数のテストチャートの中から、前記判定手段で判定された前記欠陥種別集合に応じたテストチャートを決定するテストチャート決定手段と、
   決定されたテストチャートを出力した被検査画像を読み込んで得られる被検査画像情報と、前記決定されたテストチャートとを比較して、前記被検査画像に生じる欠陥種類の判別を行う画像欠陥検出手段と、
   判別された欠陥種類に基づいて、欠陥種類と画像形成装置の故障を引き起こす原因との関係をモデル化した故障診断モデルを解析することで前記画像形成装置を構成する個々の構成部材の故障を診断する故障診断手段と、
   を備えることを特徴とする故障診断システム。
2. 前記記憶手段は、過去に出力した出力画像の基礎とされた画像情報の情報量を軽減した情報である出力画像軽減情報を、更に記憶し、
   前記基礎画像軽減情報は、前記記憶手段に記憶された出力画像軽減情報である、ことを特徴とする請求項１に記載の故障診断システム。
3. 前記基礎画像軽減情報は、前記記憶手段に記憶された出力画像軽減情報の中で前記読込画像軽減情報と正の相関関係を有する出力画像軽減情報である、ことを特徴とする請求項１又は２に記載の故障診断システム。
4. 前記読込画像軽減情報は、前記読込画像情報の投影波形であり、
   前記基礎画像軽減情報は、前記基礎画像情報の投影波形であり、
   前記出力画像軽減情報は、前記出力画像情報の投影波形である、ことを特徴とする請求項２又は３に記載の故障診断システム。
5. 前記読込画像軽減情報は、前記読込画像情報を前記読込画像情報の解像度より低い解像度で表した画像情報であり、
   前記基礎画像軽減情報は、前記基礎画像情報を前記基礎画像情報の解像度より低い解像度で表した画像情報であり、
   前記出力画像軽減情報は、前記出力画像情報を前記出力画像情報の解像度より低い解像度で表した画像情報である、ことを特徴とする請求項２又は３に記載の故障診断システム。
6. 前記読込画像軽減情報は、前記読込画像情報を前記読込画像情報の色数より低い色数で表した画像情報であり、
   前記基礎画像軽減情報は、前記基礎画像情報を前記基礎画像情報の色数より低い色数で表した画像情報であり、
   前記出力画像軽減情報は、前記出力画像情報を前記出力画像情報の色数より低い色数で表した画像情報である、ことを特徴とする請求項２又は３に記載の故障診断システム。
7. 前記記憶手段は、基礎画像情報の全体領域に対する印刷領域の割合を示す印刷カバレッジである基礎画像印刷カバレッジを、更に記憶し、
   前記判定手段は、前記読込画像情報から計算される印刷カバレッジである読込画像印刷カバレッジと前記記憶手段に記憶された基礎画像印刷カバレッジとの差分に基づいて前記出力画像に含まれる欠陥の種別を地汚れであると判定し、
   前記テストチャート決定手段は、前記欠陥種別集合、及び前記出力画像に含まれる欠陥の種別に基づいて故障診断のために最適な検査用のテストチャートを決定する、ことを特徴とする請求項１ないし６に記載の故障診断システム。
8. 前記記憶手段は、出力画像軽減情報と前記出力画像情報の印刷カバレッジである出力画像印刷カバレッジとを関連付けて記憶し、
   前記基礎画像印刷カバレッジは、前記記憶手段に記憶された出力画像印刷カバレッジであって、前記基礎画像軽減情報に関連付られた印刷カバレッジである、ことを特徴とする請求項７に記載の故障診断システム。
9. 前記基礎画像情報は、投影波形と、前記読込画像情報の投影波形との相関が最も高い出力画像であることを特徴とする請求項１ないし８に記載の故障診断システム。
10. 投影波形に関する特徴値は、階調値ヒストグラムの積分値、階調値投影波形において階調値が閾値を超えた波形幅の合計である高階調値波形幅、階調値ヒストグラムの標準偏差及び階調値投影波形の標準偏差、階調値投影波形のピーク数、階調値投影波形の最大値、並びに、階調値投影波形の周波数成分の強度であることを特徴とする請求項１ないし９に記載の故障診断システム。
11. 出力画像を読込んで得られる画像情報である読込画像情報を取得する取得ステップと、
    前記出力画像の基礎とされた画像情報である基礎画像情報の情報量を軽減した情報である基礎画像軽減情報を記憶手段に記憶する記憶ステップと、
    前記取得ステップで取得された読込画像情報の情報量を軽減した情報である読込画像軽減情報と前記記憶ステップで記憶された基礎画像軽減情報との差分の情報から投影波形に関する特徴値を算出する算出手段と、
    前記算出ステップで算出した特徴値に基づいてクラスタリング処理により前記出力画像に含まれる欠陥の種別を要素とする集合である欠陥種別集合を判定する判定ステップと、
    画像欠陥を引き起こす故障を診断するために用いられる複数のテストチャートの中から、前記判定ステップで判定された欠陥種別集合に応じたテストチャートを決定するテストチャート決定ステップと、
    決定されたテストチャートを出力した被検査画像を読み込んで得られる被検査画像情報と、前記決定されたテストチャートとを比較して、前記被検査画像に生じる欠陥種類の判別を行う画像欠陥検出ステップと、
    判別された欠陥種類に基づいて、欠陥種類と画像形成装置の故障を引き起こす原因との関係をモデル化した故障診断モデルを解析することで前記画像形成装置を構成する個々の構成部材の故障を診断する故障診断ステップと、
    をコンピュータに実行させることを特徴とする故障診断プログラム。

Images