JP5229625B2 - 組データ分別方法、故障予測方法、組データ分別装置、故障予測装置、及び画像形成装置 - Google Patents

Description

本発明は、故障予測の対象となる部品又は内部装置を搭載した被検機から取得された複数種類の情報の組合せからなる組データについて、正常組データであるのか、異常組データであるのかを分別する組データ分別方法及び組データ分別装置に関するものである。また、それら組データ分別方法や組データ分別装置によって分別された正常組データによって正常データ群を構築して、故障予測に利用する故障予測方法、故障予測装置及び画像形成装置に関するものである。

市場に出回っている様々な機器に発生する故障は、機器の使用が不可能になってしまうものと、機器の使用は可能であるが使用に耐え難いほどの不具合を引き起こしてしまうものとに大別される。前者の故障が発生すると、修理が実施されるまで、機器の不使用を余儀なくされてしまうことから、迅速な修理が要求される。また、後者の故障が発生すると、機器の使用は可能であるものの、使用に耐え難いほどの不具合を引き起こす。例えば、電子写真方式の画像形成装置では、部品としての感光体や、内部装置としての感光体クリーニング装置などの故障に起因して、黒スジなどの異常画像が形成されるようになることがある。プリント動作は正常に行えることから、画像の形成は可能であるが、異常画像しか得られなくなるという使用に耐え難いほどの不具合が発生する。このような不具合が発生した状況では、迅速な修理を要求される場合が殆どである。つまり、何れの種類の故障が発生しても、迅速な修理が要求されるのである。

しかしながら、部品や内部装置の手配に手間取ったり、サービスマンの都合がつかなかったりして、修理の実施までにある程度の期間を要することが少なくない。

そこで、従来、電子写真方式の画像形成装置において、部品や内部装置の定期交換を次のようにしてユーザーに促すものが知られている。即ち、部品や内部装置についてそれぞれ、累積プリント枚数を個別にカウントしていき、カウント値が所定の閾値を超えた部品や内部装置が発生した時点で、その部品や内部装置の交換をユーザーに促すのである。このように、各種の部品や内部装置について故障発生前に交換する運用を行うことで、修理の実施までユーザーに不便を強いてしまうといった事態の発生を抑えることができる。

ところが、部品や内部装置の劣化進行速度には個体差があることから、部品や内部装置の交換を故障発生前に確実にユーザーに促すためには、カウント値の閾値を劣化進行速度の比較的速い個体に合わせて設定せざるを得ない。このような設定では、故障発生までにはまだかなりの余裕があるにもかかわらず、交換を促してしまっている事例が殆どになるため、無駄なコストを多く発生させてしまう。

一方、近年の機器においては、様々なセンサによる検知結果（以下、センシングデータという）に基づいて、制御パラメータを調整する構成を採用していることが多い。そして、それらのセンシングデータを組み合わせることで、部品や内部装置の故障予測に利用できる場合が少なくない。例えば、電子写真方式の画像形成装置においては、基準トナー像に対する単位面積あたりのトナー付着量を検知する光学センサ、現像剤のトナー濃度を検知するトナー濃度センサ、感光体の表面電位を検知する電位センサなど、様々なセンサを搭載している。本出願人は先に、特許文献１において、各種センサによるセンシングデータをＭＴＳ（Maharanobis Taguchi System）法で処理した結果に基づいて、画像形成装置の部品や内部装置の故障発生を予測する方法を開示している。この方法では、まず、部品や内部装置が正常状態にある被検機から、各種のセンシングデータを組み合わせた組データを多量に収集して正常組データ群とする。その後、故障予測の対象となる被検機（正常データ群を取得した被検機、あるいはそれと同じ仕様の別の被検機）を稼働させる。そして、稼働中の被検機から取得した組データについて、前述の正常組データ群による多次元空間内でどのような相対位置関係にあるのかを示すマハラノビス距離を求める。被検機の部品や内部装置が正常状態から異常状態（もうすぐ故障が発生する状態）へと徐々に近づいていくにつれて、組データのマハラノビス距離が徐々に大きくなっていく。このため、マハラノビス距離が所定の閾値に到達した状態を、近い将来に部品や内部装置に故障が発生する異常状態になったとみなすことができる。その時点でユーザーに部品や内部装置の交換を促すことで、まだ十分に使用に耐え得るにもかかわらず交換を促してしまうことによる無駄なコストの発生を低減することができる。

特許文献１に記載の方法では、ＭＴＳ法によるデータ処理によって部品や内部装置の異常状態を検出しているが、他の方法によっても異常状態を検出することが可能である。例えば、周知の線形判別法やＡｄａＢｏｏｓｔ法（重み付け多数決判別法）などによっても、部品や内部装置の異常状態を検出することが可能である。これらの方法は、正常組データ群をそのまま故障予測に利用するのではなく、故障予測用のアルゴリズムを構築するのに利用する点で、ＭＴＳ法と異なっている。この一方で、故障予測の対象となる部品や内部装置を搭載した被検機から、複数種類のデータからなる組データを取得し、それを所定のアルゴリズムで処理した結果に基づいて故障予測を行う点で、ＭＴＳ法と共通している。ある１種類のデータだけに着目していても、異常状態であるか否かを高い精度で判定することはできないが、複数種類のデータを組み合わせることでその高精度の判定が可能になるからである。

特開２００５−２６６３８０号公報

しかしながら、ＭＴＳ法、線形判別法、ＡｄａＢｏｏｓｔ法の何れにおいても、次に説明する理由により、正常状態であるにもかかわらず、異常状態であるとみなしてしまう誤判定が発生し易かった。即ち、部品や内部装置が正常状態にあるときや、故障の前段階である異常状態にあるときには、異常画像や異音などといった機械的あるいは機能的な不具合を顕在化させる現象が発生しない。このため、異常に近い正常状態と、正常に近い異常状態とを判別するのは非常に困難である。このような理由から、従来は、初期運転時など、正常状態であることが明らかなとき、即ち、正常さの度合いが比較的大きいとき、に取得した組データしか、正常組データ群に含めることができなかった。このことが、正常状態であるにもかかわらず、異常状態であるとみなしてしまう誤判定を発生させ易くする原因になっていた。

正常さの度合いの比較的大きな組データしか正常組データ群に含めないことが前述の誤判定の原因になる理由を、ＭＴＳ法を例にして説明しておく。マハラノビス距離の閾値については、正常組データ群の多次元空間の外側に相当する値に設定の一般的である。多次元空間の内側に相当する値に設定すると、正常状態を異常状態とする誤判定が発生してしまうからである。また、閾値については、正常に近い異常を「異常状態」であると正確に検出する狙いから、正常に近い異常状態のときに取得された組データ（以下、正常に近い異常組データという）と同程度の値に設定することが望ましい。正常に近い異常組データを正常組データ群に含めることができれば、そのような設定は、閾値を正常組データ群の多次元空間の広がりよりも少し大きな値にすることで容易に実現することができる。ところが、正常さの度合いの比較的大きな組データしか含んでいない正常組データ群では、正常に近い異常組データのマハラノビス距離、即ち、閾値の適正値が、正常組データ群の多次元空間の広がりよりもかなり大きな値になる。そして、どの程度大きな値になるのかを正確に把握することが困難であることから、実際に設定した閾値と、適正値とに大きな誤差を発生させることが少なくない。そして、その誤差により、正常であるにもかかわらず、マハラノビス距離が閾値を上回って、異常であるという誤判定を引き起こすのである。

また、線形判別法やＡｄａＢｏｏｓｔ法では、正常組データ群の他に、部品や内部装置が異常状態にある被検機から取得した組データだけを含む異常組データ群も利用する。このような方法において、異常状態であるにもかかわらず、正常状態であるとみなしてしまう誤判定の発生を抑えるためには、部品や内部装置が正常に近い異常状態にあるときに取得された組データを、異常組データ群に含める必要がある。ところが、従来は、異常に近い正常状態と、正常に近い異常状態とを判別するのが困難であることから、故障発生の直前に取得した組データ、即ち、異常の度合いが比較的大きな組データしか、異常組データ群に含めることができなかった。そして、このことが故障予測の精度を高める上で障害になっていた。

本発明は以上の背景に鑑みてなされたものであり、その第１の目的とするところは、次のような組データ分別方法や組データ装置を提供することである。即ち、被検機から取得された組データについて、部品や内部装置が異常に近い正常状態であるときに取得された組データと、部品や内部装置が正常に近い異常状態であるときに取得された組データとを正確に分別することができる組データ分別方法等である。

また、第２の目的とするところは、次のような故障予測方法、故障予測装置及び画像形成装置を提供することである。即ち、部品や内部装置が正常状態であるにもかかわらず異常状態である誤判定したり、異常状態であるにもかかわらず正常状態であると誤判定したりすることによる故障予測精度の悪化を抑えることができる故障予測方法等である。

上記第１の目的を達成するために、請求項１の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データについて、該部品又は内部装置が正常状態にあるときに取得された正常組データであるのか、あるいは、該部品又は内部装置が異常状態にあるときに取得された異常組データであるのかを分別する組データ分別方法において、少なくとも、所定の開始時点から、上記部品又は内部装置の故障が発生する時点までの期間に、上記被検機から上記組データを所定の周期で取得及び保存して該組データの時系列データを構築するデータ構築工程と、該時系列データにおける複数の該組データについてそれぞれ、複数のクラスターのうちの何れに該当するのかをクラスター分析によって分類する分類工程と、分類結果に基づいて、故障発生時点よりも前の時点で且つクラスターの出現パターンが変化し始めた時点を、該部品又は内部装置が正常状態から異常状態に移行した移行時点として特定する特定工程と、該時系列データにおける複数の該組データのうち、該移行時点から故障発生時点の直前までに取得された組データを異常組データとして分別する一方で、該開始時点から該移行時点の直前までに取得された組データを正常組データとして分別する分別工程とを実施することを特徴とするものである。
また、請求項２の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群を構築する正常組データ群構築工程と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データと、該正常組データ群とに基づいて、該部品又は内部装置の故障の発生を予測する予測工程とを実施する故障予測方法において、上記正常組データ群構築工程にて、被検機から取得した複数の組データについて、請求項１の組データ分別方法によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群を構築することを特徴とするものである。
また、請求項３の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群と、異常な該組データだけからなる異常組データ群とを構築するデータ群構築工程と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データに基づいて該部品又は内部装置の故障の発生を予測するためのアルゴリズムを、該正常組データ群及び異常組データ群に基づいて構築するアルゴリズム構築工程と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した該被検機について、稼働中に取得した該組データを該アルゴリズムで処理した結果に基づいて、該部品又は内部装置の故障の発生を予測する予測工程とを実施する故障予測方法において、上記組データ群構築工程にて、被検機から取得した複数の組データについて、請求項１の組データ分別方法によって正常組データであるのか異常組データであるのかを分別することを特徴とするものである。
また、請求項４の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データについて、該部品又は内部装置が正常状態にあるときに取得された正常組データであるのか、あるいは、該部品又は内部装置が異常状態にあるときに取得された異常組データであるのかを分別する組データ分別装置において、少なくとも、所定の開始時点から、上記部品又は内部装置の故障が発生する時点までの期間に、上記被検機から上記組データを所定の周期で取得及び保存して該組データの時系列データを構築するデータ構築手段と、該時系列データにおける複数の該組データについてそれぞれ、複数のクラスターのうちの何れに該当するのかをクラスター分析によって分類する分類手段と、分類結果に基づいて、故障発生時点よりも前の時点で且つクラスターの出現パターンが変化し始めた時点を、該部品又は内部装置が正常状態から異常状態に移行した移行時点として特定する特定手段と、該時系列データにおける複数の該組データのうち、該移行時点から故障発生時点の直前までに取得された組データを異常組データとして分別する一方で、該開始時点から該移行時点の直前までに取得された組データを正常組データとして分別する分別手段とを設けたことを特徴とするものである。
また、請求項５の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群を構築する正常組データ群構築手段と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データと、該正常組データ群とに基づいて、該部品又は内部装置の故障の発生を予測する予測手段とを備える故障予測装置において、請求項４の組データ分別装置を設け、被検機から所定の周期毎に取得した複数の組データについてそれぞれ、該組データ分別装置によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群を上記正常組データ群構築手段に構築させるようにしたことを特徴とするものである。
また、請求項６の発明は、部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群と、異常な該組データだけからなる異常組データ群とを構築するデータ群構築手段と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データに基づいて該部品又は内部装置の故障の発生を予測するためのアルゴリズムを、該正常組データ群及び異常組データ群に基づいて構築するアルゴリズム構築手段と、故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した該被検機について、稼働中に取得した該組データを該アルゴリズムで処理した結果に基づいて、該部品又は内部装置の故障の発生を予測する予測手段とを備える故障予測装置において、請求項４の組データ分別装置を設け、被検機から所定の周期毎に取得した複数の組データについてそれぞれ、該組データ分別装置によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群や、異常組データだけからなる異常組データ群を、上記データ群構築手段に構築させるようにしたことを特徴とするものである。
また、請求項７の発明は、画像を形成する画像形成手段と、部品又は内部装置と、複数のセンサーと、該部品又は内部装置の故障発生を予測する故障予測手段とを備える画像形成装置において、上記故障予測手段として、請求項５又は６の故障予測装置を用いたことを特徴とするものである。

本発明者らは、次に説明する経緯により、これらの発明を完成させるに至った。即ち、上述したように、部品や内部装置が正常状態にあるときや、異常状態にあるときには、異常画像や異音などといった、機械的あるいは機能的な不具合を顕在化させる現象が発生しない。このため、そのような現象に基づいて異常に近い正常状態と、正常に近い異常状態とを判別することはできない。しかしながら、正常状態と異常状態との境界付近では、組データに何らかの特性変化が急激に起こっている可能性がある。本発明者らは、その特性変化として、組データの挙動に着目した。異常期間中に特有の組データの挙動が認められれば、その挙動に基づいて両状態の境界を特定することが可能になると考えたのである。但し、組データには複数種類のデータが含まれており、それぞれのデータの挙動を個別にみても、組データという組単位での挙動を把握することはできない。そこで、クラスター分析により、組単位での挙動を把握する試みを行った。クラスター分析は、周知の通り、互いに似通った個体同士あるいは変数同士を同類（同じクラスター）としてグループ化するための分析手法である。クラスター分析を用いれば、互いに似通った特性の組データ同士をそれぞれ同一のクラスターで表現して、組データという組単位での挙動を把握することが可能になる。実験の詳細については後述するが、部品や内部装置の故障発生時よりも１週間以上遡った時点から、組データのクラスターの出現パターンが急激に変化し出す現象を確認した。例えば、連続プリント開始から、故障発生よりも１週間以上遡った時点に到達するまでの間は、主にＡ、Ｂ、Ｃという３種類のクラスターが出現するパターンであったのに対し、その時点に到達するとＢ、Ｃ、Ｄという３種類のクラスターが出現するパターンに変化し、それ以降、Ｃ、Ｄ、Ｅという３種類のクラスターが出現するパターン、Ｄ、Ｅ、Ｆ、Ｇという４種類のクラスターが出現するパターン・・・といった具合に、故障発生まで出現パターンが順次変化していくのである。このような現象が起きる条件では、クラスターの出現パターンが変化し始めた時点を、部品や内部装置が正常状態から異常状態に移行した移行時点であるとみなすことができる。
請求項１の組データ分別方法や、請求項４の組データ分別装置においては、その移行時点を特定することで、被検機から取得された組データについて、部品や内部装置が異常に近い正常状態であるときに取得された組データと、部品や内部装置が正常に近い異常状態であるときに取得された組データとを正確に分別することができる。
また、故障予測方法、故障予測装置、又は画像形成装置の発明においては、組データの分別法として請求項１の組データ分別方法を用いることで、部品や内部装置が異常に近い正常状態であるときに取得された組データを正常組データ群に含めたり、部品や内部装置が正常に近い異常状態であるときに取得された組データを異常組データ群に含めたりする。このような正常組データ群や異常組データ群を利用することで、正常状態であるにもかかわらず異常状態であるとする誤判定や、異常状態であるにもかかわらず正常状態であるとする誤判定の発生を抑えることができる。

まず、本発明を適用した組データ分別方法等の実施形態を説明する前に、被検機の一例として、カラー画像形成装置について説明する。
図１は、被検機の一例となるカラー画像形成装置１を示す概略構成図である。また、図２は、カラー画像形成装置１に搭載されている制御部１００とその周囲の電気機器との接続状態を示すブロック図である。

図１において、カラー画像形成装置１は、給紙部１０、中間転写ベルト２１を備えた転写ユニット２０、中間転写ベルト２１に沿って配設されたイエロー（Ｙ）、マゼンタ（Ｍ）、シアン（Ｃ）及びブラック（Ｂｋ）の各色のトナー像形成手段たる画像形成部３０Ｙ、３０Ｍ、３０Ｃ、３０Ｂｋなどを図示しない本体筐体内に備えている。また、中間転写ベルト２１上のトナー像のトナー付着量を検知するための付着量検知部５０等を備えている。これらの他に、カラー画像形成装置１の各機器をコントロールする制御部１００等を備えている。

各色の画像形成部３０について説明する。なお、ここでは、Ｂｋ色の画像形成部３０Ｂｋについて説明するが、Ｙ、Ｍ，Ｃの画像形成部３０Ｙ〜Ｃも同様の構成をしている。画像形成部３０Ｂｋは、感光体３１Ｂｋの周囲に、帯電部３２Ｂｋ、露光部３３Ｂｋ、現像部３４Ｂｋ、１次転写部３５Ｂｋ、クリーニング部３６Ｂｋ等が配設されている。

画像形成時には、通常運転信号がカラー画像形成装置のコントローラ１１０によって指示されると感光体３１Ｂｋは、制御部１００の制御下で図示しない駆動モータによって回転駆動される。また、図２に示すように、制御部１００のＣＰＵは感光体モータなどの駆動手段と帯電バイアスを始めとする各作像工程のバイアス出力を順次シーケンシャルに出力する。外部装置からのカラー画像信号は、制御部１００の画像信号発生回路１０１で色変換処理などの画像処理が施され、Ｂｋ色の画像信号が露光部３３Ｂｋへ出力される。露光部３３Ｂｋは、制御部１００の露光駆動回路１０２で、Ｂｋの画像信号を光信号に変換し、この光信号に基づいて露光用レーザーダイオードが点滅しながら、感光体３１Ｂｋを走査して露光することで静電潜像を形成する。

この感光体３１Ｂｋ上の静電潜像は現像部３４Ｂｋによって現像されてＢｋトナー像となり、転写部３５Ｂｋによって感光体３１Ｂｋ上のＢｋトナー像が中間転写ベルト２１上に転写される。感光体３１Ｂｋは、トナー像転写後にクリーニング部３６Ｂｋによって残留トナーがクリーニングされ、除電ランプ３８Ｂｋにより除電されて次の画像形成に備えられる。

同様にして、画像形成部３０Ｙ，Ｍ，Ｃは、感光体３１Ｙ，Ｍ，Ｃの周りに、帯電部、現像部、クリーニング部、除電ランプなどを備えている。そして、感光体３１Ｙ、３１Ｍ、３１ＣにＹ，Ｍ，Ｃトナー像を形成し、これらは中間転写ベルト２１上に重ね合わせて１次転写される。

各色の画像形成部の下方には、転写手段たる転写ユニット２０が配設されている。この転写ユニット２０は、無端状の中間転写ベルト２１、従動ローラ２２、２３、駆動ローラ２４などを備えている。複数の色のトナー像を担持する像担持体である中間転写ベルト２１は、駆動ローラ２４、従動ローラ２２、２３等に張り渡されている。駆動ローラ２４が、図２に示す制御部１００の制御下で図外のモータ等の駆動機構により回転駆動されることにより、中間転写ベルト２１は、図１中反時計方向に回転駆動される。各色の感光体３１Ｙ，Ｍ，Ｃ，Ｂｋ上に形成されたＹ，Ｍ，Ｃ，Ｂｋトナー像は、各色の１次転写ニップで中間転写ベルト２１上に重ね合わせて１次転写される。これにより、中間転写ベルト２１上には４色重ね合わせトナー像（以下、４色トナー像という）が形成される。

中間転写ベルト２１における駆動ローラ２４に対する掛け回し箇所には、２次転写バイアスローラ６１がベルトおもて面側から当接しており、これによって２次転写ニップ６が形成されている。この２次転写バイアスローラ６１には、図２に示すように、制御部１００の制御下で、バイアス電源回路１０４によって２次転写バイアスが印加されている。これにより、２次転写バイアスローラ６１と接地された２次転写ニップ裏側ローラ２４との間に２次転写電界が形成されている。中間転写ベルト２１上に形成された４色トナー像は、ベルトの無端移動に伴って２次転写ニップに進入する。

給紙部１０は、給紙カセット１１内の記録紙（転写紙）１２を、例えば、図示しない給紙コロ１１ａと分離部材１１ｂにより１枚ずつ分離して図示しないレジストローラ対に送り出す。レジストローラ対が、給紙カセット１１から送られてきた記録紙１２のタイミング調整を行って、記録紙１２を所定のタイミングで２次転写ニップ６に向けて送り出す。２次転写ニップ６では、中間転写ベルト２１上の４色トナー像が２次転写電界やニップ圧の作用によって記録紙１２上に一括２次転写されて、記録紙１２の白色と相まってフルカラー画像となる。

このようにしてフルカラー画像が形成された記録紙１２は、定着部４０に搬送される。定着部４０は、フルカラー画像が形成された記録紙１２を定着ローラ４１と加圧ローラ４２で加熱・加圧することにより、各色のトナーを記録紙１２に定着させ、排紙ローラ対により図示しない排紙トレイ上に排出する。

なお、感光体３１、帯電部３２、露光部３３、現像部３４、１次転写部３５、及びクリーニング部３６を具備する画像形成部３０においては、それら各部のうち、露光部３３及び１次転写部３５を除く部分がプロセスユニットとして構成されている。このプロセスユニットは、感光体３１、帯電部３２、現像部３４及びクリーニング部３６を共通の保持体で保持しており、それらが１つのユニットとして画像形成装置本体に対して一体的に着脱されるものである。

付着量検知部５０は、ブラック（Ｂｋ）の画像形成部３０Ｂｋよりも中間転写ベルト２１の移動方向下流側に配設されており、図３に示すように、中間転写ベルト２１の幅方向にそれぞれ一対配設された光学的検知手段たる光学センサ５１、５２を備えている。光学センサ５１、５２は、それぞれ、図４、図５に示すように発光ダイオードなどからなる発光素子１５１と、乱反射光を受光する第１受光素子１５２と、正反射光を受光する第２受光素子１５３とから構成されている。第１受光素子１５２及び第２受光素子１５３は、Ｓｉフォトトランジスタや、ＰＤ（フォトダイオード）などを用いる。各素子１５１，１５２，１５３は、プリント基板１５０上に実装されている。また、射出光路上に集光レンズ１５４が配置されており、発光素子１５１からの射出光は、集光レンズ１５４により屈折して、像担持体たる中間転写ベルト２１の表面の照射目標に集光される。また、入射光路上にも、集光レンズ１５５、１５６が配置されている。中間転写ベルト１２上の照射対象物であるトナーから反射した反射光を集光レンズ１５５、１５６で集光された光を受光素子１５２、１５３が受光する。プリント基板１５０は、制御部１００に接続されている。発光素子１５１は、図２に示す制御部１００の光量調整回路１０５によって調整された電圧が印加されている。また、制御部１００は、第１、第２受光素子１５２、１５３からの出力信号をＡＤコンバータ１０６でデジタル信号に変換処理する。

光学センサ５１、５２としては、近赤外光および／または赤外光が検出可能なものを用いている。近赤外光および／または赤外光は、トナー像のトナー付着量が同じであれば、トナーの着色剤の影響を受けず、受光素子の出力値がほぼ同じ値を示す。具体的には、ピーク発光波長が８４０［ｎｍ］程度の波長の光を照射する光学素子を用い、ピーク分光感度が８４０［ｎｍ］程度の受光素子を用いる。また、例えば、発光素子を可視光から赤外光の領域までの光を照射する発光素子とし、受光素子を近赤外光または赤外光を受光する受光素子としてもよい。また、受光素子を可視光から赤外光までの領域の光を受光する受光素子とし、発光素子を近赤外光または赤外光を照射する発光素子としてもよい。光学センサをこのような構成にしても、近赤外光または赤外光を検出する光学センサとすることができる。なお、黒色トナーの着色剤として、低価格のカーボンブラックを用いた場合、カーボンは赤外領域でも強い吸光を示すため、図６に示すように、Ｙ、Ｍ、Ｃ色に比べて付着量検知感度が低くなる。

図１に示したカラー画像形成装置においては、電源投入時あるいは所定枚数のプリントを行う度に、各色の画像濃度を適正化するために現像バイアス、帯電バイアス、露光量などを調整するプロセス調整運転が行われている。電子写真方式では、経時劣化や環境変動で画像濃度が変動してしまう弱点があるので、上記プロセス調整運転を実行して画像濃度が安定するように制御しているのである。

このプロセス調整運転の制御フローを図７に示す。電源投入時あるいは所定枚数のプリント前後の時間を利用し、プロセス調整運転信号がコントローラ１１０によって制御部１００に指示され、プロセス調整運転がスタートする（図２参照）。

プロセス調整運転がスタートすると、制御部１００は、画像信号発生回路１０１を画像ナシの状態とする（Ｓ２０１）。次に、制御部１００のＣＰＵは、図４に示したように、中間転写ベルト２１に光を照射して正反射光を第２受光素子１５３で受光する。そして、第２受光素子１５３の出力（受光信号）が予め決められた所定値になるように、光量調整回路１０５で光学センサ５１、５２の発光素子１５１の発光強度Ｒを調整する（Ｓ２０２〜Ｓ２０４）。これは、図８に示すように、発光素子１５１の発光効率個体差、温度変動や経時変動により、第２受光素子１５３の出力値がばらつく。このため、第２受光素子１５３の出力値が、目標出力値となるように、発光素子１５１の発光強度Ｒを調整することで、精度良くトナー像濃度を計測することが可能となる。すなわち、Ｓ２０２〜Ｓ２０４は、光学センサ５１、５２で精度良くトナー像の付着量を計測するための光学センサ５１、５２の校正動作に相当する。

このような光学センサ５１、５２の校正動作が終わったら、図９に示すような、パターン画像６０を中間転写ベルト２１上における各光学センサ５１、５２に対向する位置に自動形成する（Ｓ２０５）。パターン画像６０は、濃度レベルの異なる５個程度のパッチ画像６０Ｓからなり、Ｂｋ色のパターン画像６０Ｂｋ、Ｍ色のパターン画像６０Ｍ、Ｃ色のパターン画像６０Ｃ（図示せず）、Ｙ色のパターン画像６０Ｙ（図示せず）が順次中間転写ベルト１２に形成される。このパッチ画像６０Ｓは、露光条件をそれぞれ変えて形成される。このとき帯電、現像バイアス条件は予め決められた特定値で実行される。この中間転写ベルト上のパターン画像を図５に示したように光学センサ５１、５２で光学的に計測する（Ｓ２０６）。

次に、各色パターン画像の各パッチ画像６０Ｓを検知して得られた乱反射光を受光する第１受光素子１５２の５点の受光信号を、図６に示したような付着量と受光素子の出力値との関係に基づいて構築された付着量算出アルゴリズムを用いてトナー付着量（画像濃度）に変換処理する。これにより、各パッチ画像６０Ｓのトナー付着量が検知される。図１に示したカラー画像形成装置においては、近赤外および／または赤外光を用いた光学センサを用いており、色によって第１受光素子１５２の出力値に差異がないため、付着量算出アルゴリズムを色毎に備える必要がなく、共通の付着量算出アルゴリズムを用いることができる。なお、黒色の着色剤として、カーボンブラックを用いた場合は、先の図６に示したように、Ｙ、Ｍ、Ｃと、Ｂｋとで付着量に対する受光素子の出力値が異なるので、Ｙ、Ｍ、Ｃ用と、Ｂｋ用との２つの付着量算出アルゴリズムを用いる。

色毎に各パッチ画像６０Ｓのトナー付着量を検知したら、各パッチ画像のトナー付着量（単位面積あたり）と、各パッチ画像を作成したときの各現像ポテンシャルとの関係から、図１０に示すように、線形近似した現像ポテンシャル−トナー付着量直線を各色求める。この現像ポテンシャル−トナー付着量直線から傾きγ、切片ｘ０を各色算出する（Ｓ２０７）。このように各色の傾きγ、切片ｘ０を求めることで、先ほど述べた濃度変動要因（経時劣化・環境変動）によって直線の傾きγおよび切片ｘ０が狙いの特性（図中点線）とずれていることが検出できる。傾きγのずれを補正するための露光光量補正パラメータＰを傾きγから決定する。また、現像が開始される現像ポテンシャル（切片Ｘ０）のズレを補正するため現像バイアス補正パラメータＱを切片ｘ０から決定する（Ｓ２０８）。

露光光量補正パラメータＰを露光信号に掛け合わせることで傾きγが主に補正され、現像バイアスに補正パラメータＱを掛け合わせることで切片ｘ０が主に補正されることで、狙いとする画像濃度を安定して得ることが可能となる。なお、上述では、露光光量と現像バイアスを補正しているが、帯電電位や転写電流など画像濃度に寄与するその他のプロセス制御値を補正しても良い。

各色の画像形成部３０Ｙ，Ｍ，Ｃ，Ｂｋにおける感光体表面をクリーニングするクリーニング部３６Ｙ，Ｍ，Ｃ，Ｂｋは、次のようにして、中間転写ベルト２１に転写されずに感光体３１Ｙ，Ｍ，Ｃ，Ｂｋの表面上に残った転写残トナーを掻き落としている。長期の使用によってブレード部材ＢＬが磨耗してくるとブレード部材ＢＬの掻き落とし力が低下する。これにより、黒スジ画像が発生することがある。また、感光体３１Ｙ，Ｍ，Ｃ，Ｂｋが劣化による故障を引き起こした際にも、黒スジ画像が発生することがある。

次に、本発明者らが行った実験について説明する。
本発明者らは、図１に示したカラー画像形成装置１と同様の構成のプリンタ試験機を用意した。このプリンタ試験機の内部装置である各色のプロセスユニットを故障予測の対象とすることを想定し、プリンタ試験機に対して、初期不良を引き起こしていないことを確認しているＢｋ用のプロセスユニットを搭載した。そして、所定のモノクロテスト画像を連続して出力する連続プリントを実施した。この連続プリントの実施中、１００枚の出力を行う毎に、プリントジョブを一時中止させて、Ｂｋ用のプロセスユニットについて、上述したプロセス調整運転を実施させるようにした。そして、プロセス調整運転によって得られる、Ｂｋプロセスユニット用の露光光量補正パラメータＰ（以下、Ｐ値という）、現像バイアス補正パラメータＱ（以下、Ｑ値という）、発光強度Ｒ（以下、Ｒ値という）などを、データ記憶手段に順次記憶させていった。そして、少なくとも、連続プリント開始時から、異常画像である黒スジ画像を引き起こす時点（故障が発生する時点）までの期間に、Ｐ値、Ｑ値、Ｒ値等のデータからなる組データを順次取得及び保存して、時系列データを構築した。

その後、周知のクラスター分析法により、得られた時系列データについて、それに含まれる複数の組データをそれぞれクラスター分類した。そして、時系列データで示される時系列内において、組データのクラスターがどのような挙動をとっているのかを解析した。具体的には、連続プリント開始時から、異常画像である黒スジ画像を引き起こす時点までの期間を、所定の単位時間毎に区切って、期間開始から終了までの間を複数の経過時間帯に分けた。そして、それぞれの経過時間帯において、どのようなパターンで組データのクラスターが出現しているのかを分析した。すると、連続プリント開始から、故障発生よりも１週間以上遡った時点に到達するまでの間は、特定の出現パターンがずっと継続するが、同時点でパターンが急激に変化し始める現象を確認した。例えば、同時点に到達するまでは、Ａ、Ｂ、Ｃという３種類のクラスターが出現するパターンであったのに対し、その時点に到達するとＢ、Ｃ、Ｄという３種類のクラスターが出現するパターンに変化し、それ以降、Ｃ、Ｄ、Ｅという３種類のクラスターが出現するパターン、Ｄ、Ｅ、Ｆ、Ｇという４種類のクラスターが出現するパターン・・・といった具合である。実験を繰り返してみたところ、そのように出現パターンが変化し始めることに、比較的高い再現性が認められた。よって、クラスターの出現パターンが変化し始める時点を、内部部品であるＢｋ用のプロセスユニットが正常状態から異常状態に移行した移行時点であるとみなすことができる。

プロセスユニットが正常状態から異常状態に移行するときに生ずるクラスターの出現パターンの変化があることを実験により実証したが、プロセスユニットに限らず、様々な機器の部品や内部装置において、同様の現象が認められる可能性は非常に高いと考えられる。

次に、本発明を適用した故障予測装置の実施形態について説明する。
実施形態に係る故障予測装置は、図１に示した被検機たるカラー画像形成装置１に搭載されている各種の部品や内部装置の故障を予測するものである。より詳しくは、少なくとも、内部装置としての各色のプロセスユニットについて、それぞれ故障の発生を個別に予測するようになっている。各色のプロセスユニットに加えて、又は代えて、転写ユニット２０や露光部などの内部装置を故障予測の対象としてもよい。また、中間転写ベルト２１などの部品を故障予測の対象としてもよい。

また、実施形態に係る故障予測装置は、少なくとも、組データ群構築手段と予測手段とを備えている。組データ群構築手段は、故障予測を行うのに先立って、カラー画像形成装置１から複数種類のデータからなる組データ（少なくともＰ値、Ｑ値、Ｒ値を含む）を取得して、正常組データ群や異常組データ群を構築するものである。また、予測手段は、故障予測の対象となる部品や内部装置を搭載したカラー画像形成装置１について、稼働中に取得した組データと、予め構築しておいた正常組データ群とに基づいて、少なくとも各色のプロセスユニットについてそれぞれ故障の発生を個別に予測するものである。

上記組データ群構築手段は、組データ分別手段を具備しており、この組データ分別手段による組データの分別結果に基づいて、正常組データ群や異常組データ群を構築する。

組データ群構築手段に具備される組データ分別手段は、データ構築手段と、分類手段と、特定手段と、分別手段とを有している。データ構築手段は、各色のプロセスユニットについてそれぞれ、少なくとも、所定の開始時点から故障が発生する時点までの期間に、各色に固有の組データを所定の周期で個別に取得及び保存して、組データの時系列データを構築するデータ構築処理（データ構築工程）を実施する。例えば、Ｂｋ用のプロセスユニットについては、それの故障を個別に予測するために、所定の開始時点からＢｋ用のプロセスユニットの故障が発生するまでの期間に、Ｂｋに固有のＰ値等からなる組データを取得及び保存して、Ｂｋ用の時系列データを構築する。

なお、所定の開始時点については、工場出荷後の初期運転時、部品や内部装置を修理した後の運転開始時などを採用すればよい。

また、故障が発生し始めた時点については、作業者から入力される各色プロセスユニットについての異常発生情報に基づいて特定する。但し、故障が発生し始めた時点を正確に把握する必要はないので、作業者（ユーザーやサービスマン）によって入力される修理履歴情報（修理実行情報）に基づいて、組データの取得及び時系列データの構築を終了してもよい。修理が実行された場合、必ず故障が発生しているからである。本発明者らの実験によれば、プロセスユニットが異常状態になったことに伴ってクラスターの出現パターンが変化し出すと、故障発生後もその変化は継続し、最終的にユニット修理が済むまで続いた。よって、故障が発生した時点を正確に把握しなくても、正常状態から異常状態への移行時点については、クラスターの出現パターンの変化に基づいて正確に特定することが可能である。

上記分類手段は、組データ群構築手段によって構築された時系列データにおける複数の組データについてそれぞれ、複数のクラスターのうちの何れに該当するのかをクラスター分析によって分類する分類処理（分類工程）を実施する。この分類処理については、各色毎にそれぞれ個別に行う。

また、上記特定手段は、分類手段による分類結果に基づいて、プロセスユニットの故障発生時点よりも前の時点で且つクラスターの出現パターンが変化し始めた時点を、プロセスユニットが正常状態から異常状態に移行した移行時点として特定する特定処理（特定工程）を実施する。この特定処理については、各色毎に個別に行う。

また、上記分別手段は、時系列データに含まれる複数の組データのうち、上記移行時点から故障発生時点の直前までに取得された組データを異常組データとして分別する。更に、開始時点から該移行時点の直前までに取得された組データを正常組データとして分別する。このような分別処理（分別工程）を、各色についてそれぞれ個別に行う。

故障予測装置の組データ群構築手段は、このようにして分別手段によって分別した正常組データだけを組み合わせたり、異常組データだけを組み合わせたりして、正常組データ群や異常組データ群を構築する組データ群構築処理（組データ群構築工程）を実施する。この組データ群構築処理についても、各色毎に個別に行う。

このようにして、各色のプロセスユニットについての正常組データ群が構築されたら、故障予測装置の予測手段が、各色のプロセスユニットについての故障予測を開始する。具体的は、カラー画像形成装置１から、組データを所定の周期で取得し、取得結果における、予め構築しておいた正常組データ群に対するマハラノビス距離を求める。そして、マハラノビス距離を所定の閾値と比較し、マハラノビス距離がその閾値以上である場合に、もうすぐ故障が発生すると予測して、その旨をディスプレイ表示等でユーザーに報知する。また、マハラノビス距離が閾値未満である場合には、まだ故障が発生しないとみなして、前述の報知を行わない。つまり、実施形態に係る故障予測装置では、ＭＴＳ法を利用した予測処理を実施する。このような予測処理（予測工程）を、各色のプロセスユニットについてそれぞれ個別に行う。

以上の構成の故障予測装置においては、各色のプロセスユニットについてそれぞれ、異常に近い正常状態であるときに取得された組データを正常組データ群に含めたり、正常に近い異常状態であるときに取得された組データを異常組データ群に含めたりする。そして、このような正常組データ群や異常組データ群を利用することで、正常状態であるにもかかわらず異常状態であるとする誤判定や、異常状態であるにもかかわらず正常状態であるとする誤判定の発生を抑えることができる。

実施形態に係る故障予測装置については、カラー画像形成装置１に搭載することも可能である。例えば、先に示した図２では、実施形態に係る故障予測装置１２０を搭載したカラー画像形成装置１の例を示している。

次に、実施形態に係る故障予測装置１２０の変形例について説明する。なお、以下に特筆しない限り、変形例に係る故障予測装置１２０の構成は、実施形態と同様である。

図１１は、変形例に係る故障予測装置１２０を、カラー画像形成装置１などとともに示すブロック図である。同図において、故障予測装置１２０は、組データ構築手段１２１や予測手段１２３の他に、アルゴリズム構築手段１２２を有している。なお、組データ構築手段１２１は、実施形態と同様にして、各色のプロセスユニットについて、正常組データ群や異常組データ群を個別に構築するものである。

アルゴリズム構築手段１２２は、周知の線形判別法、ＡｄａＢｏｏｓｔ法、あるいは主成分分析法により、カラー画像形成装置１から取得した組データに基づいてプロセスユニットの故障を予測するためのアルゴリズムを構築するアルゴリズム構築処理（アルゴリズム構築工程）を実施する。このアルゴリズム構築処理についても、各色のプロセスユニットについてそれぞれ個別に行う。

アルゴリズム構築手段１２２は、線形判別法を利用する場合には、次のようにしてアルゴリズムを構築する。即ち、まず、各色のプロセスユニットについてそれぞれ、正常組データ群や異常組データ群に基づいて、正常状態と異常状態とを判別するための線形判別関数を前述のアルゴリズムとして構築する。この場合、予測手段１２３は、各色のプロセスユニットについてそれぞれ、カラー画像形成装置１から取得した組データを、前述の線形判別関数で処理した結果に基づいて異常状態を検出する。

また、アルゴリズム構築手段１２２は、ＡｄａＢｏｏｓｔ法を利用する場合には、次のようにしてアルゴリズムを構築する。即ち、正常組データ群や異常組データ群を、ブースティング法（「統計的パタン識別の情報幾何」 数理科学、Ｎｏ．４８９，ＭＡＲＣＨ、２００４を参照）と呼ばれる教師付き学習アルゴリズムで処理する。これにより、組データに含まれる各種のデータについてそれぞれ、プロセスユニットの異常状態の検出に貢献する度合いに応じた数値の重み付け係数を、前述のアルゴリズムとして求める。この場合、予測手段１２３は、次のようにして各色のプロセスユニットの故障を個別に予測する。即ち、組データに含まれる各所のデータについてそれぞれ、小判別処理を実施して正常か否かを個別に判別する。それぞれの小判別処理では、判別結果をデータ種類に固有の重み付け係数で表す。その際、判別結果が正常である場合にはその重み付け係数の極性をプラス（あるいはマイナス）にするのに対し、異常である場合には逆の極性にする。重み付け係数は、データの種類毎に個別に設定される数値であり、ブースティング法により、プロセスユニットの異常状態の検出に大きく貢献するデータほど、重み付け係数を大きな数値が設定されている。組データに含まれる全ての種類のデータについてそれぞれ小判別処理を実施したら、それらの結果を合計した合計値を算出する。この合計値の極性がプラスになるのかマイナスになるのかの違いにより、部品や内部装置について正常であるか否かの最終的な判別を行う。つまり、合計値の極性がプラスあるいはマイナスになることにより、プロセスユニットの異常状態を検出し、もうすぐ故障が発生する旨の信号を出力する。

また、アルゴリズム構築手段１２２は、主成分分析法を利用する場合には、次のようにしてアルゴリズムを構築する。即ち、正常組データ群や異常組データ群に対して主成分分析を行って、１次から所定の次元までの主成分得点をそれぞれ算出するための式をアルゴリズムとして構築する。この場合、予測手段１２３は、カラー画像形成装置１から取得された組データを、前述の式で処理した結果に基づいて、各色のプロセスユニとの異常状態を検出する。

正常組データ群や異常組データ群を取得するカラー画像形成装置１と、プロセスユニットの故障予測対象となるカラー画像形成装置１とが同一である例について説明したが、互いに同一仕様の機種であれば、両者を異ならせてもよい。この場合、例えば、故障予測装置１２０を電話回線などで複数のユーザーのカラー画像形成装置とそれぞれ接続し、それぞれのカラー画像形成装置から取得した組データに基づいて、正常組データ群や異常組データ群を構築するようにしてもよい。更に、この場合、ユーザーからの連絡、あるいはカラー画像形成装置への入力操作により、故障が発生し始めた時点を把握すればよい。また、故障が発生し始めた時点を把握する代わりに、修理が実行されたタイミングを、ユーザーやサービスマンからの連絡や入力操作で把握してもよい。

また、構築した正常組データ群や異常組データ群と、電話回線等を通じて、各ユーザーのカラー画像形成装置からそれぞれ個別に取得した組データとに基づいて、各ユーザーのカラー画像形成装置のプロセスユニットについての故障予測をそれぞれ個別に行うようにしてもよい。

被検機としてのカラー画像形成装置を示す概略構成図。 同カラー画像形成装置に搭載されている制御部とその周囲の電気機器との接続状態を示すブロック図。 同カラー画像形成装置の４つの感光体と転写ユニットとを示す斜視図。 中間転写ベルトの無垢の表面を被検対象にしている付着量検知部を示す模式図。 中間転写ベルト上のトナー像を被検対象にしている付着量検知部を示す模式図。 乱反射光を受光する受光素子からの出力と、トナー付着量との関係を示すグラフ。 同カラー画像形成装置におけるプロセス調整運転の制御フローを示すフローチャート。 正反射光を受光する受光素子からの出力と、ＬＥＤ電流（発光量）との関係を示すグラフ。 中間転写ベルトの表面上に形成されるパターン画像を示す模式図。 パターン画像に対するトナー付着量と現像ポテンシャルとの関係を示すグラフ。 変形例に係る故障予測装置を、同カラー画像形成装置などとともに示すブロック図。

符号の説明

１：カラー画像形成装置（被検機）
１２０：故障予測装置
１２１：組データ群構築手段
１２２：アルゴリズム構築手段
１２３：予測手段

Claims (7)

1. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データについて、該部品又は内部装置が正常状態にあるときに取得された正常組データであるのか、あるいは、該部品又は内部装置が異常状態にあるときに取得された異常組データであるのかを分別する組データ分別方法において、
   少なくとも、所定の開始時点から、上記部品又は内部装置の故障が発生する時点までの期間に、上記被検機から上記組データを所定の周期で取得及び保存して該組データの時系列データを構築するデータ構築工程と、
   該時系列データにおける複数の該組データについてそれぞれ、複数のクラスターのうちの何れに該当するのかをクラスター分析によって分類する分類工程と、
   分類結果に基づいて、故障発生時点よりも前の時点で且つクラスターの出現パターンが変化し始めた時点を、該部品又は内部装置が正常状態から異常状態に移行した移行時点として特定する特定工程と、
   該時系列データにおける複数の該組データのうち、該移行時点から故障発生時点の直前までに取得された組データを異常組データとして分別する一方で、該開始時点から該移行時点の直前までに取得された組データを正常組データとして分別する分別工程と
   を実施することを特徴とする組データ分別方法。
2. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群を構築する正常組データ群構築工程と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データと、該正常組データ群とに基づいて、該部品又は内部装置の故障の発生を予測する予測工程とを実施する故障予測方法において、
   上記正常組データ群構築工程にて、被検機から取得した複数の組データについて、請求項１の組データ分別方法によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群を構築することを特徴とする故障予測方法。
3. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群と、異常な該組データだけからなる異常組データ群とを構築するデータ群構築工程と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データに基づいて該部品又は内部装置の故障の発生を予測するためのアルゴリズムを、該正常組データ群及び異常組データ群に基づいて構築するアルゴリズム構築工程と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した該被検機について、稼働中に取得した該組データを該アルゴリズムで処理した結果に基づいて、該部品又は内部装置の故障の発生を予測する予測工程とを実施する故障予測方法において、
   上記組データ群構築工程にて、被検機から取得した複数の組データについて、請求項１の組データ分別方法によって正常組データであるのか異常組データであるのかを分別することを特徴とする故障予測方法。
4. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データについて、該部品又は内部装置が正常状態にあるときに取得された正常組データであるのか、あるいは、該部品又は内部装置が異常状態にあるときに取得された異常組データであるのかを分別する組データ分別装置において、
   少なくとも、所定の開始時点から、上記部品又は内部装置の故障が発生する時点までの期間に、上記被検機から上記組データを所定の周期で取得及び保存して該組データの時系列データを構築するデータ構築手段と、
   該時系列データにおける複数の該組データについてそれぞれ、複数のクラスターのうちの何れに該当するのかをクラスター分析によって分類する分類手段と、
   分類結果に基づいて、故障発生時点よりも前の時点で且つクラスターの出現パターンが変化し始めた時点を、該部品又は内部装置が正常状態から異常状態に移行した移行時点として特定する特定手段と、
   該時系列データにおける複数の該組データのうち、該移行時点から故障発生時点の直前までに取得された組データを異常組データとして分別する一方で、該開始時点から該移行時点の直前までに取得された組データを正常組データとして分別する分別手段とを設けたことを特徴とする組データ分別装置。
5. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群を構築する正常組データ群構築手段と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データと、該正常組データ群とに基づいて、該部品又は内部装置の故障の発生を予測する予測手段とを備える故障予測装置において、
   請求項４の組データ分別装置を設け、被検機から所定の周期毎に取得した複数の組データについてそれぞれ、該組データ分別装置によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群を上記正常組データ群構築手段に構築させるようにしたことを特徴とする故障予測装置。
6. 部品又は内部装置と、複数のセンサーとを搭載した被検機におけるそれら複数のセンサーからそれぞれ所定のタイミングで取得した複数種類のセンシングデータの組合せからなる組データに基づいて、正常な該組データだけからなる正常組データ群と、異常な該組データだけからなる異常組データ群とを構築するデータ群構築手段と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した被検機について、稼働中に取得した該組データに基づいて該部品又は内部装置の故障の発生を予測するためのアルゴリズムを、該正常組データ群及び異常組データ群に基づいて構築するアルゴリズム構築手段と、
   故障予測の対象となる該部品又は内部装置、及び複数のセンサーを搭載した該被検機について、稼働中に取得した該組データを該アルゴリズムで処理した結果に基づいて、該部品又は内部装置の故障の発生を予測する予測手段とを備える故障予測装置において、
   請求項４の組データ分別装置を設け、被検機から所定の周期毎に取得した複数の組データについてそれぞれ、該組データ分別装置によって正常組データであるのか異常組データであるのかを分別した結果に基づいて、正常組データだけからなる正常組データ群や、異常組データだけからなる異常組データ群を、上記データ群構築手段に構築させるようにしたことを特徴とする故障予測装置。
7. 画像を形成する画像形成手段と、部品又は内部装置と、複数のセンサーと、該部品又は内部装置の故障発生を予測する故障予測手段とを備える画像形成装置において、
   上記故障予測手段として、請求項５又は６の故障予測装置を用いたことを特徴とする画像形成装置。

Images