JP5716403B2 - 故障予測装置、画像形成装置及びプログラム - Google Patents

Description

本発明は、故障予測装置、画像形成装置及びプログラムに関する。

用紙等の記録材に画像を形成して出力する画像形成機能を備えた画像形成装置においては、画像形成機能の動作に支障をきたす紙詰まりや転写不良等の故障が発生すると画像形成機能の利用が制限されてしまい、利用者に不便を生じることになる。そこで、このような故障の発生について予測を行い、故障の発生に先立って或いは故障が発生した後に速やかに該当部品の交換や修理等の必要な処置を施せるようにすることで、画像形成機能の利用が制限された状態となる時間を低減することが望まれている。

これまで、監視対象の装置の状態を監視して故障の予測等を行う種々の発明が提案されており、以下に幾つかの例を示す。
例えば、プラントから時々刻々と入力されるプロセス値を時系列的なプロセスデータに変換して順次記憶し、所定の検査区間を区間１と区間２に分けてプロセスデータを統計処理し、それぞれの区間の一次近似式に対するプロセス値の分散が最小となる区間分割点をプラントの状態が変化した点と判断する発明が提案されている（特許文献１参照）。

例えば、空調システムなどの制御システムで、制御量と操作量を順次収集し時系列データとして蓄積し、これら時系列データを加工して加工データを生成し、制御量の加工データと操作量の加工データの組み合わせごとに相関値を順次算出し、個々の組み合わせごとに算出された一連の相関値に関する同等性に基づき異常有無を判定する発明が提案されている（特許文献２参照）。

特開２００２−２７８６２１号公報 特開２００３−２０８２１９号公報

本発明は、画像形成装置の故障予測に関し、故障の前兆となる装置状態の変化を精度よく検出して、故障予測の確度を高める技術を提案することを目的とする。

請求項１に記載の本発明は、故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集手段と、前記収集された画像形成パラメータを蓄積する蓄積手段と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、過去に発生した画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して故障予測の基準を作成する基準作成手段と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測手段と、を備え、前記抽出手段は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とする故障予測装置である。

請求項２に記載の本発明は、故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集手段と、前記収集された画像形成パラメータを蓄積する蓄積手段と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、過去に発生した画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して故障予測の基準を作成する基準作成手段と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測手段と、を備え、前記抽出手段は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とする故障予測装置である。

請求項３に記載の本発明は、請求項１、２に記載の本発明において、複数の画像形成パラメータを組み合わせたパラメータ群と故障の種別とを対応付けて記憶する記憶手段を備え、前記予測手段は、前記パラメータ群に係る全ての画像形成パラメータについて変曲点が抽出された場合に、当該パラメータ群に対応付けられた種別の故障が生ずることを予測する、ことを特徴とする故障予測装置である。

請求項４に記載の本発明は、記録材に画像を形成する画像形成手段と、前記画像形成手段による画像形成処理の実行における画像形成パラメータを収集する収集手段と、前記収集された画像形成パラメータを蓄積する蓄積手段と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得手段と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に自装置に生ずる故障を予測する予測手段と、を備え、前記抽出手段は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とする画像形成装置である。
請求項５に記載の本発明は、記録材に画像を形成する画像形成手段と、前記画像形成手段による画像形成処理の実行における画像形成パラメータを収集する収集手段と、前記収集された画像形成パラメータを蓄積する蓄積手段と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得手段と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に自装置に生ずる故障を予測する予測手段と、を備え、前記抽出手段は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とする画像形成装置である。

請求項６に記載の本発明は、コンピュータに、故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集機能と、前記収集された画像形成パラメータを蓄積する蓄積機能と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出機能と、過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得機能と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測機能と、を実現させるためのプログラムであって、前記抽出機能は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とするプログラムである。
請求項７に記載の本発明は、コンピュータに、故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集機能と、前記収集された画像形成パラメータを蓄積する蓄積機能と、前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出機能と、過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得機能と、前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測機能と、を実現させるためのプログラムであって、前記抽出機能は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、ことを特徴とするプログラムである。

請求項１、２、４〜７に記載の本発明によれば、故障の前兆となる装置状態の変化を精度よく検出することができ、故障予測の確度を高めることができる。

請求項１、２、４〜７に記載の本発明によれば、故障の前兆となる装置状態の変化を簡易に検出することができる。

請求項３に記載の本発明によれば、故障予測の精度を高めることができる。

本発明の一実施形態に係る画像形成装置の機能ブロックを例示する図である。 本発明の一実施形態に係る画像形成パラメータの時系列データに係る回帰曲線の算出対象となる区間の推移を例示する図である。 本発明の一実施形態に係る画像形成パラメータの時系列データに係る変曲点の抽出フローを例示する図である。 本発明の一実施形態に係る画像形成パラメータの時系列データと当該時系列データに係る回帰曲線群の２次項係数の推移とを例示する図である。 本発明の一実施形態に係る画像形成パラメータの時系列データに係る回帰曲線群を例示する図である。 本発明の一実施形態に係る画像形成パラメータの組み合わせと故障の種別との対応表を例示する図である。 本発明の一実施形態に係る画像形成パラメータの組み合わせと故障の種別との対応表を例示する図である。 本発明の一実施形態に係る画像形成パラメータと故障の種別との関係を例示する図である。 本発明の一実施形態に係る故障予測判定部の拡張例に係る機能ブロックを例示する図である。 本発明の一実施形態に係る確率推論モデル判定部による判定処理を説明する図である。 本発明の一実施形態に係るフォルトツリー判定部による判定処理を説明する図である。 本発明の一実施形態に係る判定選択部による選択処理を説明する図である。 本発明の一実施形態に係る画像形成装置の構造を例示する図である。 本発明の一実施形態に係る画像形成装置に係るコンピュータのハードウェア構成を例示する図である。

本発明の一実施形態について図面を参照して説明する。
まず、本発明の一実施形態に係る画像形成装置について説明する。
画像形成装置は、用紙等の記録材に画像を形成して出力する画像形成機能を備えた装置である。画像形成装置としては、プリンタ（印刷装置）、コピー機（複写装置）、ファクシミリ装置などの装置が挙げられるほか、印刷・複写・ファクシミリ等の機能を複合的に備えた複合機も含まれる。

図１３には、本例の画像形成装置における画像形成部の構造を例示してある。
本例の画像形成装置は、一般にタンデム型と呼ばれる中間転写方式であり、代表的な機能部として、電子写真方式により各色成分のトナー像が形成される複数の画像形成ユニット１Ｙ，１Ｍ，１Ｃ，１Ｋと、各画像形成ユニット１Ｙ，１Ｍ，１Ｃ，１Ｋにより形成された各色成分トナー像を中間転写ベルト１５に順次転写（一次転写）させる一次転写部１０と、中間転写ベルト１５上に転写された重畳トナー画像を用紙Ｐ（記録材の一例）に一括転写（二次転写）させる二次転写部２０と、二次転写された画像を用紙Ｐ上に定着させる定着器３４と、を備えている。
また、本例の画像形成装置は、各部の動作を制御する制御部４０、利用者への情報の提示や利用者からの指示を受け付けるためのユーザインタフェース（ＵＩ）４１、を備えている。

本例において、画像形成ユニット１Ｙ，１Ｍ，１Ｃ，１Ｋの各々は、矢印Ａ方向に回転する感光体ドラム１１（１１Ｙ，１１Ｍ，１１Ｃ，１１Ｋ）を有する。また、感光体ドラム１１の各々の周囲には、感光体ドラム１１を帯電する帯電器１２、感光体ドラム１１上に露光ビームＢｍを照射して静電潜像を書き込む露光器１３、各色成分トナーが収容されて感光体ドラム１１上の静電潜像をトナーにより可視像化する現像器１４、感光体ドラム１１上に形成された各色成分トナー像を一次転写部１０にて中間転写ベルト１５に転写する一次転写ロール１６、感光体ドラム１１上の残留トナーを除去するドラムクリーナ１７、といった各種の電子写真用デバイスが順次配設されている。
これらの画像形成ユニット１Ｙ，１Ｍ，１Ｃ，１Ｋは、中間転写ベルト１５の上流側から、イエロー（Ｙ）、マゼンタ（Ｍ）、シアン（Ｃ）、黒（Ｋ）の順に、略直線状に配置されており、中間転写ベルト１５に対して接離可能に構成されている。

また、本例の画像形成装置は、用紙搬送系として、用紙収容部から用紙Ｐを取り出して二次転写部２０へと送り込む給紙動作を行う給紙機構部３１と、二次転写部２０を通過した用紙Ｐを定着器３４側へと搬送する搬送ベルト３２と、用紙Ｐを定着器３４の入口へとガイドする定着入口ガイド３３と、定着器３４から排紙された用紙Ｐをガイドする排紙ガイド３５と、排紙ガイド５８によりガイドされた用紙Ｐを装置外部に排出する排紙ロール３６と、を備えている。

すなわち、給紙機構部３１により用紙収容部から二次転写部２０へと給紙された用紙Ｐは、二次転写部２０にて中間転写ベルト１５上のトナー像が静電転写された後、中間転写ベルト１５から剥離された状態で搬送ベルト３２へと搬送される。そして、搬送ベルト３２により、定着器３４の動作速度に合わせて、定着入口ガイド３３を介して定着器３４まで搬送される。定着器３４に搬送された用紙Ｐ上の未定着トナー像は、定着器３４によって熱及び圧力を加える定着処理を受けることで用紙Ｐ上に定着される。その後、定着画像が形成された用紙Ｐは、排紙ガイド３５及び排紙ロール３６を介して、装置外部に設けられた排紙収容部（図示せず）へと搬送される。

ここで、本例の画像形成装置は、画像形成処理の実行において適切な画質を維持するためにページ毎（すなわち、ページ単位の画像毎）に調整する項目である画像形成パラメータに基づいて、当該画像形成パラメータの変動傾向を算出し、画像形成処理が実行された時点を対象に当該対象時点の画像形成パラメータについて前記変動傾向と比較して、当該対象時点の画像形成パラメータが前記変動傾向に対して変曲点となるかを判別し、当該変曲点以後に画像形成に係る故障が自装置に発生することを予測する故障予測装置としても動作する。

すなわち、画像形成パラメータは、画像形成処理の特性（記録材となる用紙の種別、カバレッジ（記録材に対する画像の形成密度）、画像形成の枚数など）やその時点の外乱の有無などに応じて逐次変化するため、例えば画像形成パラメータが正常範囲に収まっているか等の観点から故障予測を行う従来手法では、画像形成パラメータの変動が画像形成処理の特性や外乱などによるものか或いは画像形成に係る部品の状態変化によるものかを区別できなかったところ、本例の画像形成装置では、画像形成に係る部品の状態変化に起因する画像形成パラメータの変動を効果的に検出する新たな手法を用いることで、故障予測の確度を高めるようにしている。

なお、対象時点の画像形成パラメータが前記変動傾向に対して変曲点となるかを判別する方法としては、例えば、当該変動傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する対象時点の画像形成パラメータの距離（乖離度合い）を算出し、当該距離が予め定められた閾値以上である場合に対象時点の画像形成パラメータが変曲点であると判別する方法や、対象時点より前の時系列区間における変動傾向を近似する２次の回帰曲線と対象時点を含む時系列区間における変動傾向を近似する２次の回帰曲線とのそれぞれの凸形状の向き（２次項係数）を比較し、これらが異なる場合に対象時点の画像形成パラメータが変曲点であると判別する方法などが挙げられる。以下では、後者の方法により変曲点の判別を行う場合を例に説明する。

また、対象時点としては、新たに画像形成処理を実行した時点でもよく、過去に故障予測を行った時点から現時点までの間のいずれかの時点でもよく、いずれにおいても、対象時点を基準にして、変曲点に係る対象時点以後における故障の発生を予測することができる。

図１には、本例の画像形成装置における故障予測に係る機能部を例示してある。
本例の画像形成装置は、上述したような故障予測に係る機能部として、パラメータ収集部５１、パラメータ統計処理部５２、時系列データ記憶部５３、逐次区間線形回帰算出部５４、変曲点抽出部５５、故障予測判定部５６、故障予測判定情報更新部５７などを備えている。

ここで、本例の画像形成装置は、１ページ或いは複数ページに係る画像形成処理の実行命令を受け付けると、用紙に形成する画像の品質を維持するためにページ毎（すなわち、ページ単位の画像毎）に画像形成パラメータを調整した上で画像形成を行うものであり、画像形成パラメータに基づいて制御される各部位に設けられたセンサにより、各画像形成パラメータの値を画像形成動作中に随時測定できるようにしてある。なお、以下では、実行命令に基づいて実施される一連の画像形成処理（実行命令単位の画像形成処理）をジョブという。

パラメータ収集部５１は、ジョブの実行中に調整される画像形成パラメータを測定時間と共にページ毎に収集する。当該収集は、ジョブ単位でまとめて行われる。
収集する画像形成パラメータとしては、例えば、感光体電位（感光体ドラム１１の電位）、感光体帯電電流（感光体ドラム１１の帯電電流）、半導体レーザ光量（露光器１３のレーザ光量）、現像器濃度（現像器１４により形成されるトナー像の濃度）、一次転写電流（一次転写部１０における転写電流）、二次転写電流（二次転写部２０における転写電流）、定着器ヒートロール温度（定着器３４を加熱するヒートロールの温度）、プロコンパッチ濃度（トナー像の位置合わせや濃度制御などのプロセスコントロールに用いるパッチ画像の濃度）等が挙げられる。本例では、画像形成パラメータとして、その画像形成パラメータに該当する部位で計測された実測値を用いるが、例えば、各部位を制御するための目標値や、実測値と目標値との差分などの他の種別の値を用いてもよい。また、例えば、装置内部の温度や湿度等の環境情報を監視項目に加え、上記の画像形成パラメータ群と共にページ毎に収集するようにしてもよい。

パラメータ統計処理部５２は、パラメータ収集部５１によりジョブ単位でページ毎に収集された画像形成パラメータの測定値に基づく統計処理を行って、ジョブ単位の画像形成パラメータ毎に統計値を算出する。統計処理としては、例えば、画像形成パラメータ毎の測定値の平均や標準偏差の算出などを行う。

時系列データ記憶部５３は、パラメータ統計処理部５２により算出されたジョブ単位の画像形成パラメータ毎の統計値を、そのジョブに関する日時情報（例えば、ジョブの開始時間や終了時間）を付して時系列順に並べて時系列データとして記憶（蓄積）する。

逐次区間線形回帰算出部５４は、予め定められたタイミングで（例えば、一定件数のジョブの終了毎、一定時間毎など）、時系列データ記憶部５３に蓄積されている画像形成パラメータの時系列データ（画像形成パラメータの統計値及び日時情報）を読み出し、画像形成パラメータ毎に、予め定められたデータ数の統計値を含む時系列方向の区間における統計値の推移を近似する曲線を、１データずつ移動させた各区間を対象にしてそれぞれ算出する。本例では、各区間について２次回帰の線形回帰を行って、回帰曲線群を算出する。なお、本例のように、１データ単位で移動させた各区間について回帰曲線を算出する構成に代えて、２以上のデータ単位で移動させた各区間について回帰曲線を算出する構成としてもよい。
図２には、「ＡＣＧｒｉｄＶｏｌｔａｇｅ３」という画像形成パラメータの時系列データと、当該時系列データに係る回帰曲線の算出対象となる区間の推移を例示しており、算出対象の区間を１データ単位で移動させる様子を概念的に示している。

変曲点抽出部５５は、逐次区間線形回帰算出部５４により算出された回帰曲線群に基づいて、画像形成パラメータの時系列データに係る変曲点を抽出（検出）する。
図３には、画像形成パラメータの時系列データに係る変曲点の抽出フローを例示してある。本例では、画像形成パラメータ毎に、次のようにして変曲点の抽出処理を行う。まず、各回帰曲線の２次の項の係数（以下、２次項係数という）を抽出し（ステップＳ１１）、２次項係数の極性（符号の正負）の変化の検出を行い（ステップＳ１２）、２次項係数の極性の変化が検出された場合に、２次項係数の極性が変化した時点を変曲点として出力する（ステップＳ１３）。
つまり、本例では、過去に故障予測を行った時点から現時点までの間の各時点を順に対象時点として切り換えながら、変曲点の検出を行う。

本例では、例えば、図５に例示するように、下に凸形状である曲線Ｌ１，Ｌ２及び上に凸形状である曲線Ｌ３，Ｌ４が時系列順に得られた場合には、凸形状が下向きの曲線Ｌ１，Ｌ２の２次項係数は負となり、凸形状が上向きの曲線Ｌ３，Ｌ４２次項係数は正となるため、曲線Ｌ２とＬ３において２次項係数の極性が変化したことが特定され、その変化時点が変曲点として検出される。
このように、本例では、回帰曲線群はそれぞれ２次曲線なので、区間を移動させながら算出した回帰曲線は、元データの傾向が変化すると、上に凸の曲線か下に凸の曲線かが切り替わることから、変曲点抽出部５５では、それぞれの回帰曲線の２次項係数の極性が変化した時点（符号が正から負或いは負から正に切り替わった時点）を特定し、変曲点として検出する。

ここで、画像形成パラメータの時系列データに係る変曲点について、図４を参照して説明しておく。
図４（ａ）には、画像形成パラメータの一例である「ＡＣＧｒｉｄＶｏｌｔａｇｅ３」についての時系列データを例示してある。同図の時系列データについて、図２を参照して説明したように、区間を１データ単位で移動させながら回帰曲線群が算出され、各回帰曲線の２次項係数が求められる。その結果、図４（ｂ）に例示するように、画像形成パラメータの時系列データに係る回帰曲線群の２次項係数の推移を得ることができる。
図４（ｂ）の例では、２次項係数の符号の切り替わりが生じた各変曲点のうち、２次項係数の符号が負から正へ切り替わり且つ一定期間内に２次項係数の変動量が閾値（本例では、０．１）以上となった変曲点に丸印を付しており、当該変曲点から数日後に画質トラブルの故障が発生している。

そこで、本例の画像形成装置上で動作する故障予測装置では、過去に発生した故障の事例に基づいて、故障の種別毎に、その故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴（例えば、２次項係数の符号（回帰曲線の凸形状の向き）の切り替わり方、変曲点における２次項係数の変動量など）を予め抽出して故障予測の基準として用意しておくことで、後述するように、その後、当該特徴と同様な傾向を有する変曲点が検出された場合に、当該変曲点に係る画像形成パラメータに対応する種別の故障が発生することを予測する。

故障予測判定部５６は、変曲点抽出部５５により画像形成パラメータの時系列データに係る変曲点が抽出された場合に、予め故障予測の基準として用意された、画像形成パラメータの種類（及びその組み合わせ）とその時系列データに基づく故障予測の対象となる故障の種別との対応表を参照して、当該変曲点に係る画像形成パラメータに対応する種別の故障について予測処理を行い、予測結果を画像形成装置のディスプレイ等に出力して利用者に報知する。なお、予測結果の出力に代えて、変曲点が検出された旨の表示や図４（ｂ）に例示したようなグラフをディスプレイ等に出力するようにしてもよい。

本例の故障予測判定部５６では、一例として、図６に例示する対応表を用いて故障の予測処理を行う。
図６（ａ）には、画像形成パラメータの組み合わせであるパラメータ群と故障の種別との対応表を例示してある。本例では、或るパラメータ群に係る全ての画像形成パラメータの時系列データについて変曲点が検出された場合について、当該パラメータ群に対応する種別の故障が発生する確率を設定してある。当該対応表における確率は、過去の事例に基づいて予め算出したものである。
図６（ｂ）には、図６（ａ）の対応表におけるパラメータ群に係る画像形成パラメータの組み合わせを例示してある。本例は、画像形成に係る部位の単位で、その部位に関連する複数の画像形成パラメータをパラメータ群として纏めてある。
例えば、パラメータ群１に係る全ての画像形成パラメータの時系列データについて変曲点が検出された場合には、パラメータ群１に対応付けられた故障Ａ及び故障Ｃの発生確率に基づいて、故障Ａが７０％の確率で発生し、故障Ｃが１０％の確率で発生すると予測される。また、この状態で、更に、パラメータ群３に係る全ての画像形成パラメータの時系列データについて変曲点が検出された場合には、パラメータ群３に対応付けられた故障Ａの発生確率が加算され、故障Ａについては９０％の確率で発生すると予測される。なお、変曲点の検出から故障が発生するまでの期間を過去の事例に基づいて設定しておけば、故障が発生する時期について予測することもできる。

また、本例の故障予測判定部５６では、他の一例として、図７に例示する対応表を用いて故障の予測処理を行う。
図７（ａ）には、画像形成パラメータの組み合わせであるパラメータ群と故障の種別との対応表を例示してある。本例では、或るパラメータ群に係る全ての画像形成パラメータの時系列データについて変曲点が検出された場合について、当該パラメータ群に対応する種別の故障が発生する確率を設定してある。当該対応表における確率は、過去の事例に基づいて予め算出したものである。
図７（ｂ）には、図７（ａ）の対応表におけるパラメータ群に係る画像形成パラメータの組み合わせを例示してある。本例は、故障の種別の単位で、その故障に関連する複数の画像形成パラメータをパラメータ群として纏めてある。
例えば、パラメータ群５に係る全ての画像形成パラメータの時系列データについて変曲点が検出された場合には、パラメータ群５に対応付けられた故障Ａの発生確率に基づいて、故障Ａが９０％の確率で発生すると予測される。なお、変曲点の検出から故障が発生するまでの期間を過去の事例に基づいて設定しておけば、故障が発生する時期について予測することもできる。

なお、図６及び図７に例示した対応表は、図８に例示する画像形成パラメータと故障の種別との関係に基づいて生成したものである。
図８において、「Ｕｐ」は画像形成パラメータの値が上昇傾向、「Ｄｏｗｎ」は画像形成パラメータの値が下降傾向であることを表している。例えば、「感光体電位パラメータ１」の変曲点が検出された場合において、その測定値が上昇傾向にあれば故障Ａの発生が予測され、下降傾向にあれば故障Ｂの発生が予測されることが設定されている。また、他の観点から見れば、例えば、故障Ｃが発生するときは、「感光体電位パラメータ２」の変曲点が検出され且つその測定値が上昇傾向にあると共に、「トナー濃度パラメータ１」の変曲点が検出され且つその測定値が下降傾向にあることが設定されている。

故障予測判定情報更新部５７は、外部のデータベースや更新サーバ等から、最新の故障事例を基にして生成された上記対応表の最新版を取得（受信）し、故障予測判定部５６で用いる対応表を更新する。対応表の更新は、予め定められたタイミング（例えば、１週間ごと）で行われる。また、後述する閾値判定、確率推論モデル判定、フォルトツリー判定などを行う構成の場合には、これらの判定に用いる情報の更新も行う。これにより、最新の故障事例を基にした故障予測を行うことができ、故障予測の確度が高められる。

次に、故障予測判定手段５６の拡張例について説明する。
図９には、故障予測判定手段５６の拡張例に係る機能ブロックを例示してある。
本例の故障予測判定手段５６は、検出した変曲点が故障に繋がるかをそれぞれ異なる手法で判定する手段としての複数の判定部６１〜６３と、各判定部６１〜６３による判定結果の選択処理を行う判定選択部６４とを有している。

閾値判定部６１は、回帰曲線の２次項係数について、変曲点における２次項係数の変動量に閾値を設け、当該閾値を超えた場合に故障に繋がる変曲点であると判定する。
確率推論モデル判定部６２は、確率ネットワーク（例えば、ベイジアンネットワーク）にて予め構築した故障モデルを用い、変曲点における画像形成パラメータの測定値などの詳細機器情報を入力して確率推論を実行し、故障に繋がる変曲点かどうかを判定する。
フォルトツリー判定部６３は、予め故障箇所や機器状態などの因果関係をツリー状に構築したモデルを使い、ツリーを辿って故障につながる変曲点かどうかを判定する。
なお、これらの判定部６１〜６３は一例であり、他の手法により判定を行う判定部を設けてもよい。

判定選択部６４では、各判定部６１〜６３による判定結果に対し、１つのみを選択するか、或いは各判定結果の多数決で最終的な判定結果を決定する。なお、例えば、多数決に代えて、各判定部６１〜６３による判定結果に重み付けを行い、重み付けを考慮して最終的な判定結果を決定するようにしてもよい。
このように、複数の判定手法を用いて、機器の状態や機種、故障の種別に応じて最適な判定手法により故障予測の判定を行うようにすることで、故障予測の精度の向上が図られる。

確率推論モデル判定部６２による判定処理について、図１０を参照して説明する。
図１０（ａ）は、ベイジアンネットワークによる確率推論モデルの因果ネットワーク図の一例であり、例えば、要因１０の発生に起因して要因１又は要因４が発生する可能性があり、要因１の発生に起因して故障Ａ又は故障Ｃが発生する可能性があることを表している。図１０（ｂ）は、ネットワーク中の各ノードの条件付き確率表の一例であり、例えば、要因１がＹｅｓ（変曲点を検出）の場合において、要因３もＹｅｓ（変曲点を検出）の場合には故障Ａの発生確率は９９％であり、一方、要因３がＮｏ（変曲点を非検出）の場合には故障Ａの発生確率は８０％であることを表している。

このように、本例では、要因１〜４，１０〜１２の各ノードは因果関係のある他の要因又は故障Ａ〜Ｄの各ノードに対してリンクが形成されており、条件付き確率表に沿って算出されるノード間での確率をネットワークに伝搬させて最終的な各ノード（故障Ａ〜Ｄ）の確率を推論する。すなわち、例えば、要因１に対応した画像形成パラメータで変曲点を検出した場合に、要因１に証拠情報としてデータをセットし、ネットワークを条件付き確率表に従って確率伝搬させ、故障Ａ〜故障Ｄの発生確率を推論し、規定の閾値以上の確率推定結果なら、その故障の発生に繋がる変曲点を当該日に検出したと出力する。

フォルトツリー判定部６３による判定処理について、図１１を参照して説明する。
図１１には、フォルトツリー判定部６３で用いるフォルトツリーの一例を示してある。図１１において、要因１〜５は基本パラメータであり、上位要因１〜３は基本パラメータ（要因１〜５）と関連する上位のパラメータであり、要因及び上位要因をそれぞれＡＮＤ（論理積）又はＯＲ（論理和）で結合させて、最上位の故障Ａの事象に至るツリーを構成している。本例では、変曲点を検出した画像形成パラメータに相当するフォルトツリー上の事象（要因１〜５）から上位に辿っていき、最上位の事象である故障Ａの発生確率が規定の閾値以上なら、故障Ａの発生に繋がる変曲点を当該日に検出したと出力する。

判定選択部６４による選択処理について、図１２を参照して説明する。
図１２には、判定選択部６４で用いる選択表の一例を示してあり、故障の種別毎に、各判定部６１〜６３に対して“○”、“−”、“△”、数値のいずれかを設定してある。“○”は、判定結果として選択される判定部を表し、“−”は判定結果として選択されない判定部を表し、“△”は多数決の候補となる判定部を表し、数値は各判定部による判定結果に対する重み付けの係数を表している。図１２によれば、故障Ａについては、閾値判定部６１の判定結果を選択することを示し、故障Ｂについては、３つの判定部６１〜６３の判定結果の多数決を選択することを示し、故障Ｃについては、フォルトツリー判定部６３の判定結果を選択することを示し、故障Ｄについては、各判定部６１〜６３の判定結果に重み付けの係数を乗じて合計し、当該合計値が規定の閾値以上であれば故障の発生に繋がる変曲点を検出したと判定する。
本例では、各判定部６１〜６３による判定結果の利用の仕方について、故障の種別毎に設定しているが、例えば、画像形成装置の種類（機種）や設置場所などを分類し、その分類毎に設定するようにしてもよい。

なお、これまでの説明では、画像形成装置自身が自装置における故障の発生を予測する故障予測装置として動作する例について説明したが、画像形成装置と故障予測装置とを別体に構成するようにしてもよい。すなわち、例えば、１以上の画像形成装置と無線又は有線により通信可能に接続された故障予測装置が、それぞれの画像形成装置から各画像形成パラメータの測定値を受信して時系列データとして蓄積し、当該時系列データに基づいて画像形成装置毎に故障の発生を予測する故障予測システムとしてもよい。

図１４には、本例の故障予測装置として動作するコンピュータのハードウェア構成を例示してある。
本例では、各種演算処理を行うＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８１、ＣＰＵ８１の作業領域となるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）８２や基本的な制御プログラムを記録したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）８３等の主記憶装置、本発明の一実施形態に係るプログラムや各種データを記憶するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）８４等の補助記憶装置、各種情報を表示出力するための表示装置及び操作者により入力操作に用いられる操作ボタンやタッチパネル等の入力機器とのインタフェースである入出力Ｉ／Ｆ８５、他の装置との間で有線又は無線により通信を行うインタフェースである通信Ｉ／Ｆ８６、等のハードウェア資源を有するコンピュータにより構成されている。
そして、本発明の一実施形態に係るプログラムを補助記憶装置８４等から読み出してＲＡＭ８２に展開し、これをＣＰＵ８１により実行させることで、上述した故障予測装置に係る各機能部をコンピュータ上に実現している。

なお、本発明の一実施形態に係るプログラムは、例えば、当該プログラムを記憶したＣＤ−ＲＯＭ等の外部記憶媒体から読み込む形式や、通信網等を介して受信する形式などにより、本例に係るコンピュータに設定される。
また、本例のようなソフトウェア構成により各機能部を実現する態様に限られず、それぞれの機能部を専用のハードウェアモジュールで実現するようにしてもよい。

５１：パラメータ収集部、 ５２：パラメータ統計処理部、 ５３：時系列データ記憶部、 ５４：逐次区間線形回帰算出部、 ５５：変曲点抽出部、 ５６：故障予測判定部、 ５７：故障予測判定情報更新部
６１：閾値判定部、 ６２：確率推論モデル判定部、 ６３：フォルトツリー判定部、 ６４：判定選択部

Claims (7)

1. 故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集手段と、
   前記収集された画像形成パラメータを蓄積する蓄積手段と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、
   過去に発生した画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して故障予測の基準を作成する基準作成手段と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測手段と、
   を備え、
   前記抽出手段は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とする故障予測装置。
2. 故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集手段と、
   前記収集された画像形成パラメータを蓄積する蓄積手段と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、
   過去に発生した画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して故障予測の基準を作成する基準作成手段と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測手段と、
   を備え、
   前記抽出手段は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とする故障予測装置。
3. 複数の画像形成パラメータを組み合わせたパラメータ群と故障の種別とを対応付けて記憶する記憶手段を備え、
   前記予測手段は、前記パラメータ群に係る全ての画像形成パラメータについて変曲点が抽出された場合に、当該パラメータ群に対応付けられた種別の故障が生ずることを予測する、
   ことを特徴とする請求項１又は請求項２に記載の故障予測装置。
4. 記録材に画像を形成する画像形成手段と、
   前記画像形成手段による画像形成処理の実行における画像形成パラメータを収集する収集手段と、
   前記収集された画像形成パラメータを蓄積する蓄積手段と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、
   過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得手段と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に自装置に生ずる故障を予測する予測手段と、
   を備え、
   前記抽出手段は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とする画像形成装置。
5. 記録材に画像を形成する画像形成手段と、
   前記画像形成手段による画像形成処理の実行における画像形成パラメータを収集する収集手段と、
   前記収集された画像形成パラメータを蓄積する蓄積手段と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出手段と、
   過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得手段と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に自装置に生ずる故障を予測する予測手段と、
   を備え、
   前記抽出手段は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とする画像形成装置。
6. コンピュータに、
   故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集機能と、
   前記収集された画像形成パラメータを蓄積する蓄積機能と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出機能と、
   過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得機能と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測機能と、
   を実現させるためのプログラムであって、
   前記抽出機能は、或る時点より前の時系列区間において前記傾向を近似する曲線の凸形状の向きと、前記或る時点を含む時系列区間において前記傾向を近似する曲線の凸形状の向きとを比較して、凸形状の向きが異なる場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とするプログラム。
7. コンピュータに、
   故障予測の対象となる画像形成装置の画像形成処理の実行における画像形成パラメータを収集する収集機能と、
   前記収集された画像形成パラメータを蓄積する蓄積機能と、
   前記蓄積された画像形成パラメータの変動の傾向に基づいて、前記画像形成パラメータの前記傾向に対する変曲点を抽出する抽出機能と、
   過去に発生した他の画像形成装置の故障の事例に基づいて、当該故障の発生前に変曲点が生じた画像形成パラメータについて、当該変曲点における特徴を抽出して予め作成された、故障予測の基準を取得する基準取得機能と、
   前記変動の傾向と前記基準とに基づいて、前記変曲点以後に前記故障予測の対象となる画像形成装置に生ずる故障を予測する予測機能と、
   を実現させるためのプログラムであって、
   前記抽出機能は、画像形成パラメータの変動の傾向を近似するＮ次（Ｎ≧３）の回帰曲線に対する或る時点の画像形成パラメータの乖離度合いを算出し、該算出値が予め定められた閾値以上である場合に、前記或る時点の画像形成パラメータの値を変曲点として抽出する、
   ことを特徴とするプログラム。

Images