JP6075241B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP6075241B2 JP6075241B2 JP2013169226A JP2013169226A JP6075241B2 JP 6075241 B2 JP6075241 B2 JP 6075241B2 JP 2013169226 A JP2013169226 A JP 2013169226A JP 2013169226 A JP2013169226 A JP 2013169226A JP 6075241 B2 JP6075241 B2 JP 6075241B2
- Authority
- JP
- Japan
- Prior art keywords
- treatment
- type
- feature
- determination
- significant difference
- 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
本発明は、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に関する。
紙などの記録材に画像を形成する機能を備えた画像形成装置として、複写機、プリンタ装置、ファクシミリ装置、これらの機能を併せもった複合機などが知られている。
このような画像形成装置では、その動作に支障をきたす障害（故障や不具合を含む）が発生すると、画像形成装置の利用者に不便を生じることになる。そこで、画像形成装置における障害の発生について予測を行い、障害の発生が予測された場合に、当該障害の防止や解消のために有効な処置（障害の原因となる部品の交換、清掃、調整など）を判定（特定）し、その結果を保守担当者などに知らせて保守作業を実施させることが検討されている。
このような画像形成装置では、その動作に支障をきたす障害（故障や不具合を含む）が発生すると、画像形成装置の利用者に不便を生じることになる。そこで、画像形成装置における障害の発生について予測を行い、障害の発生が予測された場合に、当該障害の防止や解消のために有効な処置（障害の原因となる部品の交換、清掃、調整など）を判定（特定）し、その結果を保守担当者などに知らせて保守作業を実施させることが検討されている。
これまで、各種の装置や設備の保守に関する技術について、種々の発明が提案されている。
例えば、特許文献１には、プラントや設備の保守に関し、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードの出現頻度（文脈）で相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、検知した異常と関連付けられた保守履歴情報とを結びつけることにより、予兆を検知した時点で、部品交換や調整、再立上げなどの対策との関連性を付与し、発生した異常に対しなすべき診断・処置を明らかにし、作業指示を提示する発明が開示されている。
例えば、特許文献１には、プラントや設備の保守に関し、作業履歴や交換部品情報などの過去の事例からなる保守履歴情報を、キーワードの出現頻度（文脈）で相互に関連付けておき、設備に付加した多次元センサの出力信号を対象とした異常検知に基づき、検知した異常と関連付けられた保守履歴情報とを結びつけることにより、予兆を検知した時点で、部品交換や調整、再立上げなどの対策との関連性を付与し、発生した異常に対しなすべき診断・処置を明らかにし、作業指示を提示する発明が開示されている。
例えば、特許文献２には、臨床検査装置を含む様々な装置の保守に関し、臨床検査装置の製造・販売業者のホストコンピュータが、ユーザの臨床検査装置の部品センサから、各部品の状態データを受信し、状態監視部において、受信した状態データと条件記憶部に記憶されている予知条件とを対比することにより、異常の前触れを検知する発明が開示されている。
障害が発生した被監視装置（例えば、画像形成装置）に対して保守作業を実施するにあたり、障害の原因が明らかであれば、障害の解消に必要十分な処置を施すだけで済む。しかしながら、障害の原因が不明なときは、障害の解消に寄与すると想定される全ての処置が施される場合がある。ここで、処置の必要性の判定で使用する処置判定モデルを、保守作業の各事例の情報に基づいて作成することが検討されているが、障害の原因が不明なままで行った保守作業の事例の存在により、処置判定モデルの精度の低下が懸念される。
本発明は、被監視装置に発生することが予測された障害について、当該障害の防止や解消のために有効な処置を精度よく判定することが可能な処置判定モデルを作成する技術を提案することを目的とする。
本発明（１）は、被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定手段と、処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成手段と、を備えたことを特徴とする処置判定装置である。
本発明（２）は、本発明（１）において、前記有意差判定手段により有意差が有ると判定された特徴量の種類に係る第１特徴量群における特徴量の外れ値を特定する特定手段を、更に備え、前記作成手段は、処置判定モデルを作成する処理を、前記有意差判定手段により有意差が有ると判定された特徴量の種類に係る第１特徴量群から前記特定手段により外れ値として特定された特徴量を除外して行う、ことを特徴とする処置判定装置である。
本発明（３）は、本発明（１）、（２）において、判定対象の被監視装置について、処置の種類毎に、当該判定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種類の特徴量をその種類別に集めた第３特徴量群を取得する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類を除外して行う取得手段と、前記判定対象の被監視装置について、処置の種類毎に、前記取得手段により取得された第３特徴量群と、前記作成手段により作成された処置判定モデルとに基づいて、該当の処置の必要性を判定する処置判定手段と、を更に備えたことを特徴とする処置判定装置である。
本発明（４）は、保守作業の対象となる被監視装置と、被監視装置に対する保守作業で施す必要性がある処置について判定する処置判定装置とを有し、処置判定装置は、被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定手段と、処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成手段と、を備えたことを特徴とする処置判定システムである。
本発明（５）は、コンピュータに、被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定機能と、処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定機能により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成機能と、を実現させるための処置判定プログラムである。
本発明（６）は、処置判定装置が、被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定し、処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う、ことを特徴とする処置判定方法である。
本発明（１）、（４）〜（６）によれば、被監視装置に発生することが予測された障害について、当該障害の防止や解消のために有効な処置を精度よく判定することが可能な処置判定モデルを作成できる。
本発明（２）によれば、処置判定モデルの作成に用いる第１特徴量群から処置との関連性が低い特徴量を除外することができ、処置判定モデルを用いた判定の精度を更に高めることができる。
本発明（３）によれば、被監視装置に発生することが予測された障害について、当該障害の防止や解消のために有効な処置を、本発明を適用しない場合に比べて精度よく判定することができる。
本発明の一実施形態について、図面を参照して説明する。
図１には、本発明の一実施形態に係る処置判定システムの構成例を示してある。
本例の処置判定システムは、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。
図１には、本発明の一実施形態に係る処置判定システムの構成例を示してある。
本例の処置判定システムは、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。
また、本例の処置判定システムは、画像形成装置１００における障害（故障や異常を含む）の発生について予測を行う障害予兆判定装置４００と、障害の発生が予測された画像形成装置１００について当該障害の防止や解消のために有効な処置の判定を行う処置判定装置３００と、を有しており、これらの装置３００，４００は、画像形成装置１００及び保守データ入力端末２００のそれぞれと有線又は無線により通信可能に接続されている。
なお、図１では、処置判定装置３００及び障害予兆判定装置４００を、それぞれ、１台の装置により構成してあるが、複数台の装置に分散した構成としてもよい。また、処置判定装置３００及び障害予兆判定装置４００を一体化した装置としてもよい。
なお、図１では、処置判定装置３００及び障害予兆判定装置４００を、それぞれ、１台の装置により構成してあるが、複数台の装置に分散した構成としてもよい。また、処置判定装置３００及び障害予兆判定装置４００を一体化した装置としてもよい。
画像形成装置１００は、紙などの記録材に画像を形成する機能を備えた装置である。画像形成装置１００としては、複写機、プリンタ装置、ファクシミリ装置などの装置が挙げられるほか、これらの装置の機能を複合的に備えた複合機も含まれる。
画像形成装置１００は、画像形成プロセスの制御に関わる各種の画像形成パラメータの値を検出する機能を有する。画像形成パラメータとしては、例えば、感光体電位、感光体帯電電流、半導体レーザ光量、現像機トナー濃度、１次転写電流、２次転写電流、定着機ヒートロール温度、プロコンパッチ濃度（プロセス制御用のパッチ濃度）などが挙げられる。画像形成パラメータは、画像形成装置１００の内部状態を示すパラメータであり、障害の発生の予測に寄与し得るパラメータでもある。
画像形成パラメータの値の検出は、予め規定されたタイミングで実施され、例えば、１ページの印刷出力毎、１又は複数ページの印刷出力をまとめた印刷ジョブ毎、設定された時間間隔（例えば、５分）の経過毎などのタイミングで実施される。検出する値としては、その画像形成パラメータに該当する部位で計測された計測値を用いてもよく、各部位を制御するための目標値を用いてもよく、計測値と目標値の差分といった他の種別の値を用いてもよい。
また、画像形成装置１００の内部状態を示すパラメータ（障害の発生の予測に寄与し得るパラメータ）としては、装置の内部の温度や湿度といった使用環境を示す環境パラメータも挙げられる。本例の画像形成装置１００は、これらの環境パラメータを検出する機能も有している。以下では、画像形成パラメータや環境パラメータを総称して監視パラメータと呼ぶ。
また、画像形成装置１００の内部状態を示すパラメータ（障害の発生の予測に寄与し得るパラメータ）としては、装置の内部の温度や湿度といった使用環境を示す環境パラメータも挙げられる。本例の画像形成装置１００は、これらの環境パラメータを検出する機能も有している。以下では、画像形成パラメータや環境パラメータを総称して監視パラメータと呼ぶ。
また、画像形成装置１００は、検出した監視パラメータの値を、当該画像形成装置１００を識別する情報と、監視パラメータの値を検出した日時の情報と共に、検出データとして処置判定装置３００へ送信する。処置判定装置３００への検出データの送信は、画像形成装置１００が自律的に行ってもよく、処置判定装置３００からの要求に応じて行ってもよい。
保守データ入力端末２００は、利用者からの要請により画像形成装置１００の設置場所に訪問して保守作業を実際に行った担当者やその報告を受けた者などから、実施した保守作業に関する保守データの入力を受け付ける。入力される保守データとしては、例えば、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、保守作業で施した処置の種類を示す情報、保守作業を施した日時の情報などがある。
なお、保守作業で複数の処置が施された場合には、各々の処置（保守作業で施した全ての処置）について、処置の種類を示す情報が入力される。ここで、障害が発生した画像形成装置１００に対して保守作業を実施するにあたり、障害の原因が明らかであれば、障害の解消に必要十分な処置を施すだけで済む。しかしながら、障害の原因が不明なときは、障害の解消に寄与すると想定される全ての処置が施される場合がある。この場合も各々の処置について処置の種類を示す情報が入力されるので、処置の種類を示す情報は、障害の解消に実際に寄与した処置と、実際には寄与しなかった処置とが混在した状態となる。
また、保守データ入力端末２００は、入力された保守データを、処置判定装置３００へ送信する。処置判定装置３００へのデータ送信は、保守データ入力端末２００が自律的に行ってもよく、処置判定装置３００からの要求に応じて行ってもよい。
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、処置判定装置３００へ送信するようにしてもよい。
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、処置判定装置３００へ送信するようにしてもよい。
処置判定装置３００は、保守・マシン情報収集部３０１と、保守情報蓄積部３０２と、マシン情報蓄積部３０３と、処置判定モデル生成部３０４と、処置判定部３０５と、判定結果出力部３０６と、を有している。
保守・マシン情報収集部３０１は、画像形成装置１００から送信された検出データ（画像形成装置１００を識別する情報、検出した監視パラメータの値、監視パラメータの値を検出した日時の情報など）を受信して、マシン情報蓄積部３０３に記憶（蓄積）させる。
また、保守・マシン情報収集部３０１は、保守データ入力端末２００から送信された保守データ（画像形成装置１００を識別する情報、保守作業で施した処置の種類を示す情報、保守作業を施した日時の情報など）を受信して、保守情報蓄積部３０２に記憶（蓄積）させる。
また、保守・マシン情報収集部３０１は、保守データ入力端末２００から送信された保守データ（画像形成装置１００を識別する情報、保守作業で施した処置の種類を示す情報、保守作業を施した日時の情報など）を受信して、保守情報蓄積部３０２に記憶（蓄積）させる。
図２には、マシン情報蓄積部３０３に蓄積されたデータの例を示してある。
同図において、「装置識別情報」は、画像形成装置１００を識別する情報であり、「ジョブ実行日時」は、監視パラメータの値を検出した日時の情報であり、「監視パラメータ（帯電電圧、現像バイアス、・・・）」は、監視パラメータの値である。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／１／１の１０：００、１０：０５、１０：２０、・・・に印刷ジョブが実行され、各々の実行タイミングにおける帯電電圧の値がａ11Ｖ、ａ12Ｖ、ａ13Ｖ、・・・となり、現像バイアスの値がｂ11Ｖ、ｂ12Ｖ、ｂ13Ｖ、・・・となっている。
同図において、「装置識別情報」は、画像形成装置１００を識別する情報であり、「ジョブ実行日時」は、監視パラメータの値を検出した日時の情報であり、「監視パラメータ（帯電電圧、現像バイアス、・・・）」は、監視パラメータの値である。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／１／１の１０：００、１０：０５、１０：２０、・・・に印刷ジョブが実行され、各々の実行タイミングにおける帯電電圧の値がａ11Ｖ、ａ12Ｖ、ａ13Ｖ、・・・となり、現像バイアスの値がｂ11Ｖ、ｂ12Ｖ、ｂ13Ｖ、・・・となっている。
図３には、保守情報蓄積部３０２に蓄積されたデータの例を示してある。
同図において、「装置識別情報」は、画像形成装置１００を識別する情報であり、「保守日時」は、保守作業を施した日時の情報であり、「カテゴリー」は、発生した障害の分類を示す情報であり、「障害種類」は、発生した障害の種類を示す情報であり、「処置」は、保守作業で施した処置の種類を示す情報である。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／１／１０の１３：００に行われた保守作業で画質系の障害である“濃度ムラ”を解消するために処置Ａが施され、２０１０／１／２２の１１：００に行われた保守作業で用紙搬送系の障害である“紙詰まり”を解消するために処置Ｃ，Ｅが施され、２０１０／１／１０の１３：００に行われた保守作業で画質系の障害である“かぶり”を解消するために処置Ｂ，Ｄが実施されている。また、例えば、“紙詰まり”に対して複数の処置（処置Ｃ，Ｅ）が施されているが、両方が障害の解消に寄与した処置である可能性もあり、片方が障害の解消に寄与した処置である可能性もある。
同図において、「装置識別情報」は、画像形成装置１００を識別する情報であり、「保守日時」は、保守作業を施した日時の情報であり、「カテゴリー」は、発生した障害の分類を示す情報であり、「障害種類」は、発生した障害の種類を示す情報であり、「処置」は、保守作業で施した処置の種類を示す情報である。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／１／１０の１３：００に行われた保守作業で画質系の障害である“濃度ムラ”を解消するために処置Ａが施され、２０１０／１／２２の１１：００に行われた保守作業で用紙搬送系の障害である“紙詰まり”を解消するために処置Ｃ，Ｅが施され、２０１０／１／１０の１３：００に行われた保守作業で画質系の障害である“かぶり”を解消するために処置Ｂ，Ｄが実施されている。また、例えば、“紙詰まり”に対して複数の処置（処置Ｃ，Ｅ）が施されているが、両方が障害の解消に寄与した処置である可能性もあり、片方が障害の解消に寄与した処置である可能性もある。
処置判定モデル生成部３０４は、画像形成装置１００に対する保守作業が行われた複数の事例に基づいて、処置の種類毎に、処置を施す必要性の判定に使用する処置判定モデルを作成する処理部であり、特徴量群取得機能３１１、有意差判定機能３１２、外れ値検出機能３１３、処置判定モデル生成機能３１４を有する。
特徴量群取得機能３１１は、処置の種類毎に、マシン情報蓄積部３０３に蓄積されているシステム内の全ての画像形成装置１００の検出データに基づいて異常期間データ群ＳTと正常期間データ群ＳNを取得する。
具体的には、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を保守情報蓄積部３０２を参照して特定し、処置の種類毎に、当該処置が施された各々の事例の実施日（保守作業の実施日）から遡って予め定められた期間（障害の予兆として監視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、５日間）における各区間単位の特徴量を特徴量の種類別に収集して異常期間データ群ＳTを取得し、また、他の期間における各区間単位の特徴量を特徴量の種類別に収集して正常期間データ群ＳNを取得する。すなわち、処置の種類毎に、複数（特徴量の種類の数）の異常期間データ群ＳTと正常期間データ群ＳNが取得される。
具体的には、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を保守情報蓄積部３０２を参照して特定し、処置の種類毎に、当該処置が施された各々の事例の実施日（保守作業の実施日）から遡って予め定められた期間（障害の予兆として監視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、５日間）における各区間単位の特徴量を特徴量の種類別に収集して異常期間データ群ＳTを取得し、また、他の期間における各区間単位の特徴量を特徴量の種類別に収集して正常期間データ群ＳNを取得する。すなわち、処置の種類毎に、複数（特徴量の種類の数）の異常期間データ群ＳTと正常期間データ群ＳNが取得される。
ここで、区間単位の特徴量とは、該当の区間における監視パラメータ（画像形成装置の内部状態を示すパラメータ）のデータ特性を表す特徴量であり、監視パラメータ毎の平均値や標準偏差を用いるが、その他、中央値、最頻値、歪度、尖度などの他の指標値を用いてもよい。また、監視パラメータ間の相関度合を示す相関係数など、複数の監視パラメータから算出される指標値を用いてもよい。また、区間としては、例えば、時間の長さ、印刷ジョブの数、印刷ページの数といった種々の態様で表現される区間を用いることができる。
なお、処置の種類毎に取得する異常期間データ群ＳTには、当該処置のみを実施した保守作業の事例に係る特徴量だけでなく、当該処置に加えて他の処置を実施した保守作業の事例に係る特徴量も含まれる。すなわち、例えば、或る保守作業で処置Ａ，Ｂの２つが施された場合には、当該保守作業の事例に係る特徴量は、処置Ａに係る異常期間データ群ＳTとして収集されると共に、処置Ｂに係る異常期間データ群ＳTとしても収集される。
図４には、予め定められた長さの分析期間ΔＴ1における日単位の特徴量の算出例を示してある。同図では、画像形成装置１００毎に、日単位の特徴量として、帯電電圧の平均値、帯電電圧の標準偏差、・・・を算出してある。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／２／１における帯電電圧の平均値がａave11Ｖ、帯電電圧の標準偏差がａσ11Ｖ、・・・となり、２０１０／２／２における帯電電圧の平均値がａave12Ｖ、帯電電圧の標準偏差がａσ12Ｖ、・・・となっている。
例えば、装置識別情報：＃１００１の画像形成装置１００では、２０１０／２／１における帯電電圧の平均値がａave11Ｖ、帯電電圧の標準偏差がａσ11Ｖ、・・・となり、２０１０／２／２における帯電電圧の平均値がａave12Ｖ、帯電電圧の標準偏差がａσ12Ｖ、・・・となっている。
また、図５には、処置の種類毎に各特徴量を異常期間データ群ＳTと正常期間データ群ＳNに分けた例を示してある。
同図は、処置Ａについての例であり、異常期間データ群ＳTは、処置Ａを施した保守作業（処置Ａと共に他の処置を施した保守作業を含む）の実施日から遡った期間Ｔ2内の各特徴量（例えば、帯電電圧の日単位の平均値や標準偏差）で構成され、正常期間データ群ＳNは他の期間（処置Ａを施さなかった保守作業の期間を含む）の各特徴量で構成される。
同図は、処置Ａについての例であり、異常期間データ群ＳTは、処置Ａを施した保守作業（処置Ａと共に他の処置を施した保守作業を含む）の実施日から遡った期間Ｔ2内の各特徴量（例えば、帯電電圧の日単位の平均値や標準偏差）で構成され、正常期間データ群ＳNは他の期間（処置Ａを施さなかった保守作業の期間を含む）の各特徴量で構成される。
有意差判定機能３１２は、処置の種類毎に、特徴量群取得機能３１１で特徴量の種類別に取得した異常期間データ群ＳTと正常期間データ群ＳNとを同一の特徴量の種類同士で比較して、互いのデータ群に含まれる特徴量の分布における有意差の有無を特徴量の種類別に判定する。
本例では、異常期間データ群ＳTについて特徴量の値（又は範囲）毎に発生頻度を求めてヒストグラム化し、同様に正常期間データ群ＳNをヒストグラム化して、予め定めた有意水準（例えば、１％や５％）にて公知の有意差検定手法を用いて有意差の有無を判定する。なお、他の手法で判定してもよく、例えば、異常期間データ群ＳTと正常期間データ群ＳNの各々の代表値（例えば、各データ群に含まれる特徴量の平均値、中央値、最頻値など）の差分絶対値が閾値以上の場合に有意差が有ると判定し、閾値未満の場合に有意差が無いと判定する手法などが挙げられる。
図６には、或る処置について特徴量の種類別に作成した異常期間データ群ＳTと正常期間データ群ＳNのヒストグラムの例を示してある。図６（ａ）は、特徴量の分布に有意差が無い場合の例であり、同図（ｂ）は、特徴量の分布に有意差が有る場合の例であり、各グラフにおいて、横軸は、特徴量ｘiの値を表し、縦軸は、特徴量ｘiの各値の発生頻度を表している。（ａ）に示すように、各ヒストグラムのピークの位置が近い場合には特徴量の分布に有意差が無いと判定され、（ｂ）に示すように、各ヒストグラムのピークの位置が離れている場合には特徴量の分布に有意差が無いと判定される。
このような有意差判定を行うことで、障害の解消に実際に寄与した処置と実際には寄与しなかった処置とが混在した状態であっても、処置の種類毎に、当該処置との関連性が高い監視パラメータに基づく特徴量の種類、すなわち、特徴量が異常な傾向を示していたが当該処置によって適正化した監視パラメータに基づく特徴量の種類を特定することができる。これにより、後述するように、障害の発生が予測された場合に、当該障害の予防や解消のために或る処置を施すべきか否かを判定する際に、当該処置との関連性が高い監視パラメータに基づく特徴量の種類について分布の傾向を見ることで、当該処置の必要性を精度よく判断できるようになる。
外れ値検出機能３１３は、有意差判定機能３１２により有意差が有ると判定された種類の特徴量に係る異常期間データ群ＳT及び正常期間データ群ＳNについて、各々のデータ群を構成する特徴量の中から外れ値を検出（特定）する。
すなわち、処置の種類毎に取得した異常期間データ群ＳTには、障害の解消に寄与した処置との関連性が高い監視パラメータに基づく特徴量だけでなく、当該処置との関連性が低い監視パラメータ（障害の解消に寄与しなかった処置のみに関わりがある監視パラメータ）に基づく特徴量もノイズとして含まれているが、その特徴量は異常期間データ群ＳTを構成する他の特徴量とは大きく乖離した値となる場合が多いため、これを外れ値として検出するようにしている。同様に、正常期間データ群ＳNについても、ノイズと想定される外れ値を検出する。
本例では、外れ値かどうか検定したい特徴量の標本について、偏差を不偏標準偏差で割った統計量τ1を以下の（式１）により算出し、統計量τ1が予め定めた有意点より大きい場合に外れ値と判断している。
τ1＝（ａ1−μ）／σ ・・・（式１）
ただし、ａ1は標本（検定する特徴量）、μは平均、σは標準偏差とする。
なお、他の手法で外れ値の検出を行ってもよく、例えば、スミルノフ・グラブス検定、トンプソン検定、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）検定などを用いることができる。
τ1＝（ａ1−μ）／σ ・・・（式１）
ただし、ａ1は標本（検定する特徴量）、μは平均、σは標準偏差とする。
なお、他の手法で外れ値の検出を行ってもよく、例えば、スミルノフ・グラブス検定、トンプソン検定、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）検定などを用いることができる。
図７には、異常期間データ群ＳT及び正常期間データ群ＳNにおける外れ値の検出例を示してある。図７は、互いに種類が異なる２つの特徴量ｘ1、ｘ2のデータ空間を表したものであり、横軸は、特徴量ｘ1の値を表し、縦軸は、特徴量ｘ2の値を表す。また、異常期間データ群ＳTの各要素を×印で示し、正常期間データ群ＳNの各要素を△印で示すと共に、異常期間データ群ＳT及び正常期間データ群ＳNの各々について、外れ値を含む範囲を破線で示し、外れ値を除いた範囲を実線で示してある。
例えば、処置Ａ，Ｂ，Ｄが施された或る保守作業に係る特徴量は、処置Ａに係る異常期間データ群ＳTの要素に含まれているが、異常期間データ群ＳTの外れ値として検出されている。これは、この保守作業で障害の解消に寄与したのは処置Ａではなく、処置Ｂ又はＤであった可能性が高いため、その際の特徴量は異常期間データ群ＳTとして扱うのは適切でないので外れ値として検出している。
また、例えば、処置Ｃ，Ｄが施された或る保守作業に係る特徴量は、処置Ａに係る正常期間データ群ＳNの要素に含まれているが、正常期間データ群ＳNの外れ値として検出されている。これは、この保守作業で処置Ｃ，Ｄが施されたということは、処置Ａとは関わりが無い（或いは少ない）とはいえ何らかの障害が発生した状態にあり、その際の特徴量は正常期間データ群ＳNとして扱うのは適切でないので外れ値として検出している。
また、例えば、処置Ｃ，Ｄが施された或る保守作業に係る特徴量は、処置Ａに係る正常期間データ群ＳNの要素に含まれているが、正常期間データ群ＳNの外れ値として検出されている。これは、この保守作業で処置Ｃ，Ｄが施されたということは、処置Ａとは関わりが無い（或いは少ない）とはいえ何らかの障害が発生した状態にあり、その際の特徴量は正常期間データ群ＳNとして扱うのは適切でないので外れ値として検出している。
処置判定モデル生成機能３１４は、処置の種類毎に、当該処置の必要性の判定で使用する処置判定モデルを作成する。本例では、処置の種類毎に、特徴量群取得機能３１１で特徴量の種類別に取得した異常期間データ群ＳTと正常期間データ群ＳNに基づいて処置判定モデルを作成するが、その際に、有意差判定機能３１２により有意差が無いと判定された種類の特徴量に係る異常期間データ群ＳTと正常期間データ群ＳNを除外し、更に、外れ値検出機能３１３により外れ値として検出された特徴量を除外して処置判定モデルの作成を行う。すなわち、処置との関連性が低い監視パラメータに基づく特徴量を除外して処置判定モデルの作成を行う。
なお、処置判定モデルは、異常期間データ群ＳTだけで作成（正常期間データ群ＳNを用いずに作成）してもよい。
また、処置判定モデルは種々の手法により作成することができ、例えば、ＮａｉｖｅＢａｙｅｓモデル、マハラノビス距離、ブースティング等の処置判定の手法に応じたモデルを作成すればよい。
なお、処置判定モデルは、異常期間データ群ＳTだけで作成（正常期間データ群ＳNを用いずに作成）してもよい。
また、処置判定モデルは種々の手法により作成することができ、例えば、ＮａｉｖｅＢａｙｅｓモデル、マハラノビス距離、ブースティング等の処置判定の手法に応じたモデルを作成すればよい。
処置判定部３０５は、障害予兆判定装置４００により障害の発生が予測された画像形成装置１００を対象に、処置の種類毎に、当該処置を施す必要性を処置判定モデル生成部３０４で作成された処置判定モデルを用いて判定する処理部であり、特徴量群取得機能３２１、処置判定機能３２２を有する。
特徴量群取得機能３２１は、判定対象の画像形成装置１００（障害の発生が予測された画像形成装置１００）について、処置の種類毎に、マシン情報蓄積部３０３に蓄積されている検出データに基づいて処置判定用データ群を取得する。
具体的には、処置の種類毎に、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監視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５日間）分の各区間単位の特徴量を特徴量の種類別に収集して処置判定用データ群を取得する。このとき、該当する処置の種類について有意差判定機能３１２により有意差が有ると判定された種類の特徴量（処置との関連性が高い監視パラメータに基づく特徴量）を収集して処置判定用データ群を取得する。すなわち、該当する処置の種類に係る処置判定モデルと同じ特徴量の種類について処置判定用データ群の取得を行う。
なお、本例では、異常期間データ群についての期間と処置判定用データ群についての期間とを共に５日間としているが、これらは異ならせても構わない。
具体的には、処置の種類毎に、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監視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５日間）分の各区間単位の特徴量を特徴量の種類別に収集して処置判定用データ群を取得する。このとき、該当する処置の種類について有意差判定機能３１２により有意差が有ると判定された種類の特徴量（処置との関連性が高い監視パラメータに基づく特徴量）を収集して処置判定用データ群を取得する。すなわち、該当する処置の種類に係る処置判定モデルと同じ特徴量の種類について処置判定用データ群の取得を行う。
なお、本例では、異常期間データ群についての期間と処置判定用データ群についての期間とを共に５日間としているが、これらは異ならせても構わない。
処置判定機能３２２は、判定対象の画像形成装置１００（障害の発生が予測された画像形成装置１００）について、処置の種類毎に、特徴量群取得機能３２１により取得された処置判定用データ群と、処置判定モデル生成部３０４により作成された処置判定モデルとに基づいて、当該処置の必要性を判定する。
本例では、処置の種類毎に、当該処置の必要性を表す値（確度）を算出し、その算出値が閾値以上の場合に当該処置が必要であると判定するが、他の手法により各処置の必要性を判定してもよく、例えば、上記の算出値が高い順に幾つかの処置を必要であると判定してもよい。
本例では、処置の種類毎に、当該処置の必要性を表す値（確度）を算出し、その算出値が閾値以上の場合に当該処置が必要であると判定するが、他の手法により各処置の必要性を判定してもよく、例えば、上記の算出値が高い順に幾つかの処置を必要であると判定してもよい。
判定結果出力部３０６は、処置判定部３０５による処置判定の結果（保守作業にて施す必要があると判定された処置）を出力する。本例では、処置判定の結果を示す情報を保守データ入力端末２００へ送信し、保守データ入力端末２００に設けられた表示装置により表示出力することで、ユーザ（保守作業の担当者や保守作業の指示者）などに処置判定の結果を知らしめる。なお、処置判定の結果は、画像形成装置１００に設けられた表示装置や処置判定装置３００に設けられた表示装置など、他の表示装置により表示出力してもよい。また、処置判定の結果は、表示出力以外の態様で出力してもよく、例えば、印刷装置により用紙に印刷出力したり、スピーカにより音声出力してもよい。
次に、処置判定装置３００の動作の流れについて、図８、図９を参照して説明する。
図８には、処置判定モデル生成部３０４による処置判定モデル生成に係る処理フローの例を示してある。処置判定モデル生成部３０４は、処理の対象となる処置の種類を切り替えながら、以下の処理を行う。
図８には、処置判定モデル生成部３０４による処置判定モデル生成に係る処理フローの例を示してある。処置判定モデル生成部３０４は、処理の対象となる処置の種類を切り替えながら、以下の処理を行う。
まず、特徴量群取得機能３１１により、対象となる処置の種類について、その処置が保守作業で実施された各々の事例及びその対象の画像形成装置１００を保守情報蓄積部３０２を参照して特定し（ステップＳ１１）、当該特定した各々の画像形成装置１００について分析期間ΔＴ1分の各監視パラメータの値をマシン情報蓄積部３０３から取得し（ステップＳ１２）、各監視パラメータの値に基づいて区間単位の各種の特徴量を算出し（ステップＳ１３）、処置の実施日から遡って期間ΔＴ2分の特徴量を特徴量の種類別に集めた異常期間データ群ＳTと、他の期間の特徴量を特徴量の種類別に集めた正常期間データ群ＳNとのそれぞれについてヒストグラムを作成する（ステップＳ１４）。
次に、有意差判定機能３１２により、特徴量の種類別に取得した異常期間データ群ＳTと正常期間データ群ＳNとを同一の特徴量の種類同士で比較して、互いのデータ群に含まれる特徴量の分布に有意差が有る特徴量の種類を特定する（ステップＳ１５）。
次に、外れ値検出機能３１３により、有意差が有ると判定された種類の特徴量に係る異常期間データ群ＳT及び正常期間データ群ＳNの各々のデータ群を構成する特徴量の中から外れ値を検出する（ステップＳ１６）。
次に、外れ値検出機能３１３により、有意差が有ると判定された種類の特徴量に係る異常期間データ群ＳT及び正常期間データ群ＳNの各々のデータ群を構成する特徴量の中から外れ値を検出する（ステップＳ１６）。
次に、処置判定モデル生成機能３１４により、特徴量の種類別に取得した異常期間データ群ＳTと正常期間データ群ＳNに基づいて処置判定モデルを作成し、このとき、有意差が無いと判定された種類の特徴量に係る異常期間データ群ＳTと正常期間データ群ＳNを除外し、更に、外れ値として検出された特徴量を除外して処置判定モデルの作成を行う（ステップＳ１７）。
以上の処理により、処置の種類毎の処置判定モデルが作成される。処置判定モデル生成部３０４により作成された処置判定モデルは処置判定装置３００内のメモリに保存（記憶）され、処置判定部３０５にて使用される。
以上の処理により、処置の種類毎の処置判定モデルが作成される。処置判定モデル生成部３０４により作成された処置判定モデルは処置判定装置３００内のメモリに保存（記憶）され、処置判定部３０５にて使用される。
図９には、処置判定部３０５による処置判定に係る処理フローの例を示してある。
処置判定部３０５は、障害予兆判定装置４００により画像形成装置１００に障害の発生が予測されたか否かを判定し（ステップＳ２１）、障害の発生が予測された場合に、当該画像形成装置１００について、以下の処理を行う。
処置判定部３０５は、障害予兆判定装置４００により画像形成装置１００に障害の発生が予測されたか否かを判定し（ステップＳ２１）、障害の発生が予測された場合に、当該画像形成装置１００について、以下の処理を行う。
まず、処置判定機能３２２により、処置の種類毎の処置判定モデルを取得する（ステップＳ２２）。
次に、特徴量群取得機能３２１により、該当の画像形成装置１００について当該処理の時点から遡って期間ΔＴ2分の各監視パラメータの値をマシン情報蓄積部３０３から取得し（ステップＳ２３）、各監視パラメータの値に基づいて区間単位の各種の特徴量を算出し（ステップＳ２４）、特徴量の種類別に集めて処置判定用データ群を取得する。このとき、処置の種類毎に、該当する処置判定モデルと同じ特徴量の種類（異常期間データ群ＳTと正常期間データ群ＳNとで特徴量の分布に有意差が有る特徴量の種類）について処置判定用データ群の取得を行う。
次に、特徴量群取得機能３２１により、該当の画像形成装置１００について当該処理の時点から遡って期間ΔＴ2分の各監視パラメータの値をマシン情報蓄積部３０３から取得し（ステップＳ２３）、各監視パラメータの値に基づいて区間単位の各種の特徴量を算出し（ステップＳ２４）、特徴量の種類別に集めて処置判定用データ群を取得する。このとき、処置の種類毎に、該当する処置判定モデルと同じ特徴量の種類（異常期間データ群ＳTと正常期間データ群ＳNとで特徴量の分布に有意差が有る特徴量の種類）について処置判定用データ群の取得を行う。
次に、処置判定機能３２２により、処置の種類毎の処置判定モデルと、処置の種類毎の処置判定用データ群とに基づいて、各処置の必要性を表す値（確度）を算出する（ステップＳ２５）。
処置判定部３０５による処置判定の結果は、判定結果出力部３０６によりユーザ（保守作業の担当者や保守作業の指示者）へ提供される（ステップＳ２６）。本例では、処置の確度が閾値以上のものを確度が高い順に並べて処置情報として提供する。
以上の処理により、ユーザは、障害の発生が予測された画像形成装置１００に対して施すことが好ましい処置（障害の解消に寄与する可能性が高い処置）の情報を得ることができる。
処置判定部３０５による処置判定の結果は、判定結果出力部３０６によりユーザ（保守作業の担当者や保守作業の指示者）へ提供される（ステップＳ２６）。本例では、処置の確度が閾値以上のものを確度が高い順に並べて処置情報として提供する。
以上の処理により、ユーザは、障害の発生が予測された画像形成装置１００に対して施すことが好ましい処置（障害の解消に寄与する可能性が高い処置）の情報を得ることができる。
ここで、処置判定の手法について幾つか説明しておく。
上述したように、処置判定は、ＮａｉｖｅＢａｙｅｓ、マハラノビス距離、ブースティング等の種々の手法で行うことができる。
例えば、ＮａｉｖｅＢａｙｅｓモデルを用いる手法では、判定対象の画像形成装置１００について取得した処置Ｔに係る処置判定用データ群における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２）により、処置Ｔを施すべき確率（処置Ｔの確度）を算出できる。なお、（式２）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。
上述したように、処置判定は、ＮａｉｖｅＢａｙｅｓ、マハラノビス距離、ブースティング等の種々の手法で行うことができる。
例えば、ＮａｉｖｅＢａｙｅｓモデルを用いる手法では、判定対象の画像形成装置１００について取得した処置Ｔに係る処置判定用データ群における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２）により、処置Ｔを施すべき確率（処置Ｔの確度）を算出できる。なお、（式２）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。
ここで、Ｐ（Ｔ＝ｙｅｓ）は、処置Ｔを施す確率（事前確率）であり、Ｐ（Ｔ＝ｎｏ）は、処置Ｔを施さない確率（事前確率）であり、Ｐ（Ｔ＝ｙｅｓ）＋Ｐ（Ｔ＝ｎｏ）＝１という関係を有する。
また、Ｐ（ｘｉ｜（Ｔ＝ｙｅｓ））は、処置Ｔを施した場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、処置Ｔに係る特徴量Ｘｉについての異常期間データ群ＳTにおけるｘｉの出現確率を用いる。
また、Ｐ（ｘｉ｜（Ｔ＝ｎｏ））は、処置Ｔを施さなかった場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、処置Ｔに係る特徴量Ｘｉについての正常期間データ群ＳNにおけるｘｉの出現確率を用いる。
また、Ｐ（ｘｉ｜（Ｔ＝ｙｅｓ））は、処置Ｔを施した場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、処置Ｔに係る特徴量Ｘｉについての異常期間データ群ＳTにおけるｘｉの出現確率を用いる。
また、Ｐ（ｘｉ｜（Ｔ＝ｎｏ））は、処置Ｔを施さなかった場合にｉ番目の特徴量Ｘｉの値がｘｉであった確率であり、処置Ｔに係る特徴量Ｘｉについての正常期間データ群ＳNにおけるｘｉの出現確率を用いる。
すなわち、（式２）では、処置Ｔを施す確率（事前確率）と、処置Ｔを施した場合にｎ種の特徴量Ｘｉ（１≦ｉ≦ｎ）の各値として（ｘ１，ｘ２，・・・，ｘｎ）という組み合わせが得られた確率とを乗じた値［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘｉ｜（Ｔ＝ｙｅｓ））］、及び、処置Ｔを施さない確率（事前確率）と、処置Ｔを施さなかった場合にｎ種の特徴量Ｘｉ（１≦ｉ≦ｎ）の各値として（ｘ１，ｘ２，・・・，ｘｎ）という組み合わせが得られた確率とを乗じた値［Ｐ（Ｔ＝ｎｏ）・ΠＰ（ｘｉ｜（Ｔ＝ｎｏ））］を用いて、判定対象の画像形成装置１００に処置Ｔを施すべき確率［Ｐ（（Ｔ＝ｙｅｓ）｜ｘ１，ｘ２，・・・，ｘｎ）］を算出する。
そして、算出した確率を基準の確率と比較し、基準の確率以上となる処置Ｔを、判定対象の画像形成装置１００に施す必要性があると判定する。
そして、算出した確率を基準の確率と比較し、基準の確率以上となる処置Ｔを、判定対象の画像形成装置１００に施す必要性があると判定する。
例えば、マハラノビス距離を用いる手法では、判定対象の画像形成装置１００について取得した処置Ｔに係る処置判定用データ群と、各処置の異常期間データ群ＳTとのマハラノビス距離をそれぞれ算出し、マハラノビス距離を基準の距離と比較し、基準の距離以下となる処置Ｔを、判定対象の画像形成装置１００に施す必要性があると判定する。
以上のように、本例の処置判定装置３００では、画像形成装置１００に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、特徴量群取得機能３１１により、処置を施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画像形成装置１００の内部状態を示す複数の種類の特徴量をその種類別に集めた異常期間データ群ＳT（本発明に係る第１特徴量群）と、他の期間における前記複数の種類の特徴量をその種類別に集めた正常期間データ群ＳN（本発明に係る第２特徴量群）とを取得し、有意差判定機能３１２により、異常期間データ群ＳTと正常期間データ群ＳNとを同一の特徴量の種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定した。そして、処置判定モデル生成機能３１４により、特徴量の種類別に取得した異常期間データ群ＳTと正常期間データ群ＳNに基づいて処置判定モデルを作成し、このとき、有意差が無いと判定された種類の特徴量に係る異常期間データ群ＳTと正常期間データ群ＳNを除外して処置判定モデルの作成を行うようにした。
これにより、障害の解消に実際に寄与した処置と実際には寄与しなかった処置とが混在した状態であっても、当該障害の防止や解消のために有効な処置を精度よく判定することが可能な処置判定モデルを作成できる。
これにより、障害の解消に実際に寄与した処置と実際には寄与しなかった処置とが混在した状態であっても、当該障害の防止や解消のために有効な処置を精度よく判定することが可能な処置判定モデルを作成できる。
また、外れ値検出機能３１３により、有意差が有ると判定された種類の特徴量に係る異常期間データ群ＳT及び正常期間データ群ＳNの各々のデータ群を構成する特徴量の中から外れ値を検出し、処置判定モデル生成機能３１４では、外れ値として検出された特徴量を更に除外して処置判定モデルの作成を行うようにした。
これにより、処置判定モデルの作成に用いる異常期間データ群ＳTから処置との関連性が低い特徴量（外れ値）を除外することができ、処置判定モデルを用いた判定の精度を更に高めることができる。
これにより、処置判定モデルの作成に用いる異常期間データ群ＳTから処置との関連性が低い特徴量（外れ値）を除外することができ、処置判定モデルを用いた判定の精度を更に高めることができる。
ここで、本例の処置判定装置３００は、各種演算処理を行うＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＣＰＵの作業領域となるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）や基本的な制御プログラムなどを記録したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の主記憶装置、各種のプログラムやデータを記憶するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の補助記憶装置、各種の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／Ｆ、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／Ｆ、といったハードウェア資源を備えたコンピュータにより実現されている。
そして、本発明に係るプログラムを補助記憶装置等から読み出してＲＡＭに展開し、これをＣＰＵにより実行させることで、本発明に係る処置判定装置の機能をコンピュータ上に実現している。
なお、本例では、本発明に係る有意差判定手段の機能を特徴量群取得機能３１１及び有意差判定機能３１２により実現し、本発明に係る特定手段の機能を外れ値検出機能３１３により実現し、本発明に係る作成手段の機能を処置判定モデル生成機能３１４により実現し、本発明に係る取得手段の機能を特徴量群取得機能３２１により実現し、本発明に係る処置判定手段の機能を予兆診断部３２２により実現している。
なお、本例では、本発明に係る有意差判定手段の機能を特徴量群取得機能３１１及び有意差判定機能３１２により実現し、本発明に係る特定手段の機能を外れ値検出機能３１３により実現し、本発明に係る作成手段の機能を処置判定モデル生成機能３１４により実現し、本発明に係る取得手段の機能を特徴量群取得機能３２１により実現し、本発明に係る処置判定手段の機能を予兆診断部３２２により実現している。
ここで、本発明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、処置判定装置３００のコンピュータに設定される。
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。
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。
また、本例では、処置判定モデル生成部３０４と処置判定部３０５の両方を備えた処置判定装置３００の例を示したが、処置判定モデル生成部３０４と処置判定部３０５はそれぞれ別の装置に設けてもよい。
また、上記の説明では、画像形成装置１００を被監視装置の例として、被監視装置に係る処置の判定について説明をしたが、本発明は、障害の防止や解消のために有効な処置を判定することが有効な他の装置を被監視装置としてもよく、処置判定装置３００が被監視装置から処置の判定に必要な情報を収集する仕組みがあればよい。
被監視装置における障害の防止や解消のために有効な処置を判定する種々のシステムや装置、これらのプログラム、方法等に利用することができる。
１００：画像形成装置、 ２００：保守データ入力端末、 ３００：処置判定装置、 ４００：障害予兆判定装置、
３０１：保守・マシン情報収集部、 ３０２：保守情報蓄積部、 ３０３：マシン情報蓄積部、 ３０４：処置判定モデル生成部、 ３０５：処置判定部、 ３０６：判定結果出力部
３１１：特徴量群取得機能、 ３１２：有意差判定機能、 ３１３：外れ値検出機能、３１４：処置判定モデル生成機能、 ３２１：特徴量群取得機能、 ３２２：処置判定機能
３０１：保守・マシン情報収集部、 ３０２：保守情報蓄積部、 ３０３：マシン情報蓄積部、 ３０４：処置判定モデル生成部、 ３０５：処置判定部、 ３０６：判定結果出力部
３１１：特徴量群取得機能、 ３１２：有意差判定機能、 ３１３：外れ値検出機能、３１４：処置判定モデル生成機能、 ３２１：特徴量群取得機能、 ３２２：処置判定機能
Claims (6)
- 被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定手段と、
処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成手段と、
を備えたことを特徴とする処置判定装置。 - 前記有意差判定手段により有意差が有ると判定された特徴量の種類に係る第１特徴量群における特徴量の外れ値を特定する特定手段を、更に備え、
前記作成手段は、処置判定モデルを作成する処理を、前記有意差判定手段により有意差が有ると判定された特徴量の種類に係る第１特徴量群から前記特定手段により外れ値として特定された特徴量を除外して行う、
ことを特徴とする請求項１に記載の処置判定装置。 - 判定対象の被監視装置について、処置の種類毎に、当該判定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種類の特徴量をその種類別に集めた第３特徴量群を取得する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類を除外して行う取得手段と、
前記判定対象の被監視装置について、処置の種類毎に、前記取得手段により取得された第３特徴量群と、前記作成手段により作成された処置判定モデルとに基づいて、該当の処置の必要性を判定する処置判定手段と、
を更に備えたことを特徴とする請求項１又は請求項２に記載の処置判定装置。 - 保守作業の対象となる被監視装置と、被監視装置に対する保守作業で施す必要性がある処置について判定する処置判定装置とを有し、
処置判定装置は、
被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定手段と、
処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定手段により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成手段と、
を備えたことを特徴とする処置判定システム。 - コンピュータに、
被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定する有意差判定機能と、
処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について前記有意差判定機能により有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う作成機能と、
を実現させるための処置判定プログラム。 - 処置判定装置が、
被監視装置に対する保守作業が行われた複数の事例に基づいて、保守作業で施された処置の種類毎に、処置を施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被監視装置の内部状態を示す複数の種類の特徴量をその種類別に集めた第１特徴量群と、他の期間における前記複数の種類の特徴量をその種類別に集めた第２特徴量群とを同一種類同士で比較して、特徴量の分布における有意差の有無を特徴量の種類別に判定し、
処置の種類毎に、処置の必要性の判定で使用する処置判定モデルを当該処置に係る第１特徴量群を用いて作成する処理を、該当の処置について有意差が無いと判定された特徴量の種類に係る第１特徴量群を除外して行う、
ことを特徴とする処置判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013169226A JP6075241B2 (ja) | 2013-08-16 | 2013-08-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013169226A JP6075241B2 (ja) | 2013-08-16 | 2013-08-16 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015036962A JP2015036962A (ja) | 2015-02-23 |
| JP6075241B2 true JP6075241B2 (ja) | 2017-02-08 |
Family
ID=52687400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013169226A Expired - Fee Related JP6075241B2 (ja) | 2013-08-16 | 2013-08-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6075241B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6541482B2 (ja) * | 2015-07-13 | 2019-07-10 | Kddi株式会社 | 検証装置、検証方法及び検証プログラム |
| JP6888532B2 (ja) * | 2017-11-30 | 2021-06-16 | 京セラドキュメントソリューションズ株式会社 | 画像形成装置 |
| JP6649416B2 (ja) * | 2018-02-02 | 2020-02-19 | ファナック株式会社 | 障害分類装置、障害分類方法及び障害分類プログラム |
| JP6705845B2 (ja) | 2018-02-08 | 2020-06-03 | ファナック株式会社 | 障害部位特定装置、障害部位特定方法及び障害部位特定プログラム |
| JP2023109049A (ja) * | 2022-01-26 | 2023-08-07 | 株式会社日立製作所 | 設計支援デバイス、設計支援デバイスを備える設計支援装置、及び設計支援方法 |
| CN116933197B (zh) * | 2023-09-19 | 2023-12-08 | 安徽融兆智能有限公司 | 一种基于大数据的用电信息采集系统故障判别方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008299486A (ja) * | 2007-05-30 | 2008-12-11 | Toshiba Corp | データ削除装置並びにデータ削除のための方法およびプログラム |
| JP2011238046A (ja) * | 2010-05-11 | 2011-11-24 | Fuji Xerox Co Ltd | 監視システム、監視装置及び監視プログラム |
| JP5655571B2 (ja) * | 2011-01-06 | 2015-01-21 | 富士ゼロックス株式会社 | 画像形成システム、判定基準設定装置及びプログラム |
-
2013
- 2013-08-16 JP JP2013169226A patent/JP6075241B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2015036962A (ja) | 2015-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| JP4710720B2 (ja) | 故障予防診断支援システム及び故障予防診断支援方法 | |
| JP5953779B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
| JP5370832B2 (ja) | 状態判別装置及びこれを用いた故障予測システム | |
| US9298150B2 (en) | Failure predictive system, and failure predictive apparatus | |
| 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 | |
| JP5867000B2 (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 | |
| JP6585482B2 (ja) | 機器診断装置及びシステム及び方法 | |
| JP5794034B2 (ja) | 障害予測システム及びプログラム | |
| JP6424562B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
| JP2010002815A (ja) | 状態判別方法、状態判別システム及び画像形成装置 | |
| JP5790242B2 (ja) | 故障予測装置及びプログラム | |
| JP2016152011A (ja) | 制御装置の故障予測システム | |
| US20040252324A1 (en) | Image forming system, computer, computer program product, computer readable storage medium, management method, inspection method and system | |
| 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 | |
| US11201971B1 (en) | Maintenance support apparatus and maintenance support method | |
| 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 | |
| JP6592899B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
| JP5942401B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
| US10409209B2 (en) | Image forming apparatus, photoconductor film thickness estimation method, and estimation program | |
| JP5867041B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
| JP6477367B2 (ja) | 障害予測管理装置、障害予測管理プログラム | |
| JP2011198171A (ja) | 監視システム、監視装置及び監視プログラム |
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: 6075241 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 |