JP6075240B2 - 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 - Google Patents
障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 Download PDFInfo
- Publication number
- JP6075240B2 JP6075240B2 JP2013169221A JP2013169221A JP6075240B2 JP 6075240 B2 JP6075240 B2 JP 6075240B2 JP 2013169221 A JP2013169221 A JP 2013169221A JP 2013169221 A JP2013169221 A JP 2013169221A JP 6075240 B2 JP6075240 B2 JP 6075240B2
- Authority
- JP
- Japan
- Prior art keywords
- failure
- parameters
- distribution
- predictive
- feature quantities
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
電子写真方式の画像形成装置は複雑な構成を有しており、高画質を維持するためには保守担当者による保守作業が必要となる。また、画像形成装置の状態を遠隔的に監視し、画像形成装置の状態に基づいて障害箇所を特定するシステムを利用した、所謂リモートメンテナンスシステムにより、保守作業を効率化することが行われている。
更に、印刷分野で使用される高速の画像形成装置は生産材として使用されるため、予防的な保守サービスにより未然にトラブルを回避して画像形成装置を止めないことが望まれている。このため、画像形成装置の状態を継続的に監視して障害の発生を予測し、障害を未然に防止するための予兆診断システムの開発が行われている。
例えば、特許文献1には、製造装置の保守に関し、第1のフェーズで、判定対象の製造データがどの分類に属するかを決定し、第2のフェーズで、その製造データが、属する分類グループのなかで、時間推移とともに逸脱してしまっているかを監視することで、異常かどうかを判定する技術が提案されている。
本発明は、装置の内部状態を示す複数のパラメータを互いに関連して変化させる機構を有する被監視装置についての障害の予兆診断に関し、これら複数のパラメータに基づいて障害が発生する確率を算出する処理をより精度よく実施することができる技術を提案することを目的とする。
図1には、本発明の一実施形態に係る障害予兆診断システムの構成例を示してある。
本例の障害予兆診断システムは、用紙等の記録材に画像を形成して出力する画像形成装置100(被監視装置の一例)と、画像形成装置100の管理者や保守作業の担当者などに利用される保守データ入力端末200と、を有している。図1の例では、2台の画像形成装置100と2台の保守データ入力端末200とを示してあるが、これらの台数は任意である。
これらの画像形成パラメータは、値が相互に関連して変化するという特性を有するが、これは、画像形成プロセスにおいて或る画像形成パラメータを調整した際に、当該調整後の値をフィードバックして他の画像形成パラメータの値を調整するフィードバック処理を行うためである。
また、保守データ入力端末200に手入力された保守データを送信する態様の他、例えば、画像形成装置100側に保守の実施日や保守内容(部品交換や調整など)を検出して保守データを生成する機能を設け、障害予兆診断装置300へ送信するようにしてもよい。
また、データ取得部301は、保守データ入力端末200から、保守データ(保守作業の対象となった画像形成装置100を識別する情報、保守作業の内容を示す情報、保守作業を実施した日時の情報、保守作業で対処された障害の種類を示す情報など)を受信(取得)して、保守データ蓄積部302に記憶(蓄積)させる。
具体的には、処理対象となる種類の障害について、当該障害に係る保守作業が実施された各々の事例及びその対象の画像形成装置100を保守データ蓄積部302を参照して特定し、保守作業の実施日から遡って予め定められた期間(障害の予兆として画像形成パラメータの値に異変が表れていると想定される期間であり、例えば、1ヶ月)における各区間単位の特徴量を障害予兆データ群の要素として収集し、また、他の期間における各区間単位の特徴量を正常データ群の要素として収集する。本例では、障害の種類毎に、当該障害の発生に関連して値が特徴的に変動すると想定される複数の画像形成パラメータを予め設定してあり、これら複数の画像形成パラメータの特徴量を、障害予兆データ群又は正常データ群の要素として収集する。そして、まず、障害予兆データ群を、そのデータ空間(該当の障害に係る画像形成パラメータの数に対応する次元数を持つデータ空間)における各要素(特徴量)の分布の偏り具合に応じて複数のクラスタに分割する。その後、正常データ群も、障害予兆データ群と同じ態様で複数のクラスタに分割する。すなわち、正常データ群のデータ空間を、障害予兆データ群のデータ空間を分割した態様に合わせて分割する。
クラスタリング処理による分割数(クラスタ数)は任意であるが、障害の原因の分類に対応する数とすることが望ましい。例えば、「濃度ムラ」が発生する主な原因は、帯電系、現像系、転写系の3つに分類することができるので、「濃度ムラ」についての分割数を3とする。また、例えば、「かぶり」が発生する主な原因は、帯電系、現像系の2つに分類することができるので、「かぶり」についての分割数を2とする。これにより、障害の原因の相違に起因する分布の偏り具合をクラスタ分割に反映させることができる。
また、これとは逆に、処理対象となる種類の障害の事例数が大量な場合や、当該障害について収集した障害予兆データ群の要素数が大量な場合は、分割数を増加させてもよい。これにより、障害の原因のより詳細な分類に合わせてクラスタ分割を行うことができる。
また、障害の発生日を特定できる場合には、障害予兆データ群として値を取得する対象の期間として、障害の発生日を起点に遡った期間を用いてもよく、この場合、障害の発生日を含めてもよく、障害の発生日を除外してもよい。
このように、時系列データクラスタリング部311では、障害予兆データ群を、そのデータ空間における各要素の分布の偏り具合に応じて複数のクラスタに分割する。
本例では、障害予兆データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布(該当の画像形成パラメータにおいて各々の特徴量が出現する頻度の分布)と正常データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布とに基づいて、Naive−Bayesモデル方式の予兆診断モデルを作成する。
また、Naive−Bayesモデル方式以外の予兆診断モデルを作成してもよく、例えば、マハラノビス距離に基づく予兆診断モデルを作成してもよい。
具体的には、処理対象となる種類の障害について、診断対象の画像形成装置100における直近の予め定められた期間(障害の予兆がある場合に画像形成パラメータの値に異変が表れると想定される期間であり、本例では、当該処理の時点を起点に遡った過去1ヶ月)分の各区間単位の特徴量を予兆診断データ群の要素として収集する。本例では、障害の種類毎に、当該障害の発生に関連して値が特徴的に変動すると想定される複数の画像形成パラメータを予め設定してあり、これら複数の画像形成パラメータの特徴量を、予兆診断データ群の要素として収集する。そして、予兆診断データ群を、障害予兆データ群や正常データ群と同じ態様で複数のクラスタに分割する。すなわち、予兆診断データ群のデータ空間を、障害予兆データ群のデータ空間を分割した態様に合わせて分割する。
なお、本例では、障害予兆データ群についての期間と予兆診断データ群についての期間とを共に1ヶ月としているが、これらは異ならせても構わない。
本例では、予兆診断データ群を分割した複数のクラスタのうち要素数が最も多いクラスタを特定し、当該クラスタについて作成された予兆診断モデルを選択する。すなわち、予兆診断データ群の各要素が各々のクラスタに属する数の多数決によりクラスタの特定を行い、当該クラスタに対応する予兆診断モデルを選択する。なお、上記のような多数決以外の方法でクラスタの特定を行ってもよく、例えば、予兆診断データ群の重心と各クラスタの重心との距離を算出し、当該距離が最も小さいクラスタを特定して、当該クラスタに対応する予兆診断モデルを選択してもよい。
このように、予兆診断モデル選択部322は、予兆診断モデル保持部305に保持されたクラスタ毎の予兆診断モデルのうち、診断対象の画像形成装置100について作成した予兆診断データ群との適合性が最も高い予兆診断モデルを取得する。
具体的には、処理対象となる種類の障害について時系列データクラスタリング部321で収集した予兆診断データ群と、当該予兆診断データ群に基づいて予兆診断モデル選択部322で取得した予兆診断モデル(本例では、障害予兆データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布と正常データ群の該当クラスタに属する画像形成パラメータ毎の特徴量の頻度分布)とを用いて、処理対象となる種類の障害が発生する確率(危険度)を算出する。
本例では、診断対象の画像形成装置100について取得した障害Tに係る予兆診断データ群におけるn種の特徴量Xi(1≦i≦n)の各値をそれぞれxiとして、以下の(式1)により、障害Tが発生する確率を算出する。なお、(式1)は、各々の特徴量の間に相関が無いことを前提としている。
また、P(xi|(T=yes))は、障害Tが発生した場合にi番目の特徴量Xiの値がxiであった確率であり、障害Tに係る特徴量Xiについての障害予兆データ群におけるxiの出現確率を用いる。
また、P(xi|(T=no))は、障害Tが発生しなかった場合にi番目の特徴量Xiの値がxiであった確率であり、障害Tに係る特徴量Xiについての正常データ群におけるxiの出現確率を用いる。
次に、障害予兆診断装置300は、データ変換タイミングが到来したか否かを判定する(ステップS13)。データ変換タイミングが到来していない場合には、ステップS11に戻る。一方、データ変換タイミングが到来した場合には、時系列データ前処理部304により、診断対象の画像形成装置100から取得した画像形成パラメータの値を区間単位の特徴量に変換する(ステップS14)。
次に、障害予兆診断装置300は、予兆診断タイミングが到来したか否かを判定する(ステップS15)。予兆診断タイミングが到来していない場合には、ステップS11に戻る。一方、予兆診断タイミングが到来した場合には、予兆診断動作へ移行する。
まず、障害予兆診断装置300は、時系列データクラスタリング部321により、診断対象の画像形成装置100における各画像形成パラメータの区間単位の特徴量(本例では、直近の1ヶ月分)を予兆診断データ群の要素として収集し、当該予兆診断データ群を障害予兆データ群と同じ態様で複数のクラスタに分割する(ステップS17)。
次に、障害予兆診断装置300は、予兆診断モデル選択部322により、時系列データクラスタリング部321によるクラスタリング処理の結果に応じた予兆診断モデルを予兆診断モデル保持部305から取得する(ステップS18)。ここで、取得した予兆診断モデルが、各画像形成パラメータの特徴量に対して各種の演算を施した結果を用いて作成されたものであれば、予兆診断データ群についても同種の演算を施しておく。
次に、障害予兆診断装置300は、診断対象の画像形成装置100について取得した予兆診断データ群と、当該予兆診断データ群に基づいて取得した予兆診断モデルとを用いて、処理対象となる種類の障害が発生する確率(危険度)を算出する(ステップS19)。
これにより、同じ種類の障害でも画像形成パラメータの特徴量の分布の偏り具合が異なる状況(例えば、障害の原因系の相違によって分布の偏り具合が異なる状況)に対応した予兆診断を行うことができ、予兆診断の精度を高めることができる。
なお、本例では、本発明に係る記憶手段の機能を予兆診断モデル保持部305により実現し、本発明に係る取得手段の機能を時系列データクラスタリング部321により実現し、本発明に係る選択手段の機能を時系列データクラスタリング部321及び予兆診断モデル選択部322により実現し、本発明に係る算出手段の機能を予兆診断部323により実現している。
なお、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、各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。
301:データ取得部、 302:保守データ蓄積部、 303:時系列データ蓄積部、 304:時系列データ前処理部、 305:予兆診断モデル保持部、 306:予兆診断結果出力部、 310:予兆診断モデル作成ブロック、 311:時系列データクラスタリング部、 312:予兆診断モデル作成部、 320:予兆診断ブロック、 321:時系列データクラスタリング部、 322:予兆診断モデル選択部、 323:予兆診断部
Claims (6)
- 被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、
を備えたことを特徴とする障害予兆診断装置。 - 前記記憶手段は、前記パラメータ空間を障害の原因の分類に対応する数で分割したクラスタ毎の予兆診断モデルを記憶する、
ことを特徴とする請求項1に記載の障害予兆診断装置。 - 前記記憶手段は、障害の種類毎に、当該障害の種類に対応する複数のパラメータの特徴量を要素としたパラメータ空間のクラスタ毎の予兆診断モデルを記憶し、
診断対象の被監視装置について、障害の種類毎に、前記取得手段により前記複数のパラメータの特徴量を取得し、前記選択手段により前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、前記算出手段により前記取得した前記複数のパラメータの値と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、
ことを特徴とする請求項1又は請求項2に記載の障害予兆診断装置。 - 自装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータを検出する被監視装置と、被監視装置に障害が発生する確率を算出する障害予兆診断装置とを有し、
障害予兆診断装置は、
前記複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶手段と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択手段と、
前記取得手段により取得された前記複数のパラメータの特徴量の分布と前記選択手段により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出手段と、
を備えたことを特徴とする障害予兆診断システム。 - コンピュータに、
被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶する記憶機能と、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得する取得機能と、
前記取得機能により取得された前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択する選択機能と、
前記取得機能により取得された前記複数のパラメータの特徴量の分布と前記選択機能により選択された予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する算出機能と、
を実現させるための障害予兆診断プログラム。 - 障害予兆診断装置が、
被監視装置の内部状態を示すパラメータであって互いに関連して変化する複数のパラメータの特徴量を要素としたパラメータ空間を分割したクラスタであり、被監視装置に障害又は保守作業が発生した時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量の分布の偏りに基づいて分割したクラスタ毎に、前記期間における前記複数のパラメータの特徴量の分布と他の期間における前記複数のパラメータの特徴量の分布とに基づく予兆診断モデルを記憶しておき、
診断対象の被監視装置について、当該診断の時点から遡った予め定められた長さの期間における前記複数のパラメータの特徴量を取得し、
前記取得した前記複数のパラメータの特徴量の分布に応じたクラスタの予兆診断モデルを選択し、
前記取得した前記複数のパラメータの特徴量の分布と前記選択した予兆診断モデルとに基づいて、診断対象の被監視装置に障害が発生する確率を算出する、
ことを特徴とする障害予兆診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013169221A JP6075240B2 (ja) | 2013-08-16 | 2013-08-16 | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013169221A JP6075240B2 (ja) | 2013-08-16 | 2013-08-16 | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015036961A JP2015036961A (ja) | 2015-02-23 |
JP6075240B2 true JP6075240B2 (ja) | 2017-02-08 |
Family
ID=52687399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013169221A Expired - Fee Related JP6075240B2 (ja) | 2013-08-16 | 2013-08-16 | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6075240B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6167948B2 (ja) * | 2014-03-14 | 2017-07-26 | 富士ゼロックス株式会社 | 障害予測システム、障害予測装置およびプログラム |
JP6424562B2 (ja) * | 2014-10-23 | 2018-11-21 | 富士ゼロックス株式会社 | 障害予測装置、障害予測システム、及びプログラム |
JP6589470B2 (ja) * | 2015-09-04 | 2019-10-16 | 富士ゼロックス株式会社 | スケジュール更新装置及びスケジュール更新プログラム |
CN109753979B (zh) * | 2017-11-01 | 2022-11-15 | 阿里巴巴集团控股有限公司 | 基于图像特征的故障检测方法及装置 |
WO2019142331A1 (ja) * | 2018-01-19 | 2019-07-25 | 株式会社日立製作所 | 障害予測システムおよび障害予測方法 |
WO2019176063A1 (ja) | 2018-03-15 | 2019-09-19 | 日本電気株式会社 | 異常検知装置、異常検知方法および記録媒体 |
JP7229861B2 (ja) * | 2019-06-20 | 2023-02-28 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
CN112564948B (zh) * | 2020-11-24 | 2022-11-04 | 北京三快在线科技有限公司 | 一种信息回溯方法、装置、存储介质及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06208568A (ja) * | 1993-01-08 | 1994-07-26 | Nikon Corp | 故障診断支援装置 |
JP2013033149A (ja) * | 2011-08-02 | 2013-02-14 | Fuji Xerox Co Ltd | 画質異常予測システム及びプログラム |
JP5867000B2 (ja) * | 2011-11-18 | 2016-02-24 | 富士ゼロックス株式会社 | 障害予測システム、障害予測装置及びプログラム |
-
2013
- 2013-08-16 JP JP2013169221A patent/JP6075240B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2015036961A (ja) | 2015-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6075240B2 (ja) | 障害予兆診断装置、障害予兆診断システム、障害予兆診断プログラム及び障害予兆診断方法 | |
JP5370832B2 (ja) | 状態判別装置及びこれを用いた故障予測システム | |
JP5867000B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
JP6459180B2 (ja) | 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム | |
JP6318674B2 (ja) | 障害予測システム、障害予測装置およびプログラム | |
JP5953779B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
JP6365233B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
JP6167948B2 (ja) | 障害予測システム、障害予測装置およびプログラム | |
JP6102774B2 (ja) | パラメータ設定システム、パラメータ設定装置およびプログラム | |
JP6424562B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
JP5790242B2 (ja) | 故障予測装置及びプログラム | |
JP7315341B2 (ja) | ペーパージャム予測システム | |
JP4646287B2 (ja) | 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 | |
US10462309B2 (en) | System and method for diagnosing a printing device based on a correlation coefficient between print volume and error rate | |
JP6075241B2 (ja) | 処置判定装置、処置判定システム、処置判定プログラム及び処置判定方法 | |
JP2008258897A (ja) | 故障予測診断装置及びこれを用いた故障予測診断システム | |
JP2009003561A (ja) | 故障予測診断装置及びこれを用いた故障予測診断システム | |
US20160110653A1 (en) | Method and apparatus for predicting a service call for digital printing equipment from a customer | |
US10369825B2 (en) | Systems and methods for supply quality measurement | |
JP6136745B2 (ja) | 保守判定装置、保守判定システム、保守判定プログラム及び保守判定方法 | |
US20100281188A1 (en) | Methods and Systems for Outlying Peripheral Device Management | |
JP2013033149A (ja) | 画質異常予測システム及びプログラム | |
JP5716403B2 (ja) | 故障予測装置、画像形成装置及びプログラム | |
JP2013029987A (ja) | 監視システム、プログラム | |
JP6592899B2 (ja) | 障害予測装置、障害予測システム、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160218 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161205 |
|
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: 20161213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6075240 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |