JP6167948B2 - 障害予測システム、障害予測装置およびプログラム - Google Patents
障害予測システム、障害予測装置およびプログラム Download PDFInfo
- Publication number
- JP6167948B2 JP6167948B2 JP2014051058A JP2014051058A JP6167948B2 JP 6167948 B2 JP6167948 B2 JP 6167948B2 JP 2014051058 A JP2014051058 A JP 2014051058A JP 2014051058 A JP2014051058 A JP 2014051058A JP 6167948 B2 JP6167948 B2 JP 6167948B2
- Authority
- JP
- Japan
- Prior art keywords
- failure
- period
- data
- time
- collection
- 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
- 238000003860 storage Methods 0.000 claims description 74
- 208000024891 symptom Diseases 0.000 claims description 65
- 230000008859 change Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Accessory Devices And Overall Control Thereof (AREA)
- Control Or Security For Electrophotography (AREA)
- Facsimiles In General (AREA)
Description
本発明は、障害予測システム、障害予測装置およびプログラムに関する。
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、障害の発生に先立って或いは障害が発生した後に速やかに部品交換や修理等の必要な処置を施せるようにすることで、画像形成装置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、障害の発生に先立って或いは障害が発生した後に速やかに部品交換や修理等の必要な処置を施せるようにすることで、画像形成装置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、画像形成装置などの装置を対象とした障害予測に関し、種々の発明が提案されている。
例えば、特許文献１には、各障害前の期間ΔＴ１単位ずつ取得して作った障害前の期間のデータ分布と、障害が発生しない期間のデータ分布とに基づいて、障害の発生予測確率を算出する発明が開示されている。
例えば、特許文献２には、故障予兆期間と正常期間を目視推定し、学習データを作成し、ブースティング法による学習を行う発明が開示されている。
例えば、特許文献１には、各障害前の期間ΔＴ１単位ずつ取得して作った障害前の期間のデータ分布と、障害が発生しない期間のデータ分布とに基づいて、障害の発生予測確率を算出する発明が開示されている。
例えば、特許文献２には、故障予兆期間と正常期間を目視推定し、学習データを作成し、ブースティング法による学習を行う発明が開示されている。
本発明は、被監視装置における障害の発生を精度よく予測することが可能な予測モデルを生成する技術を提案することを目的とする。
本発明（１）は、被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶手段と、被監視装置における障害の発生時点を記憶する第２記憶手段と、被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶手段と、前記第３記憶手段に記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶手段に記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類手段と、前記分類手段による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成手段と、を備えたことを特徴とする障害予測システムである。
本発明（２）は、本発明（１）において、被監視装置の使用状況の傾向と障害兆候期間の長さとの対応関係を予め定めてあり、前記分類手段は、障害の発生時点における使用状況の傾向を前記対応関係に照らして障害兆候期間の長さを障害の事例毎に調整し、当該調整した障害兆候期間の長さを障害の各事例に適用して障害兆候期間の設定を行う、ことを特徴とする障害予測システムである。
本発明（３）は、本発明（１）、（２）において、前記予測モデルは、被監視装置における障害の発生確率を算出するものであり、前記障害予測システムは、被監視装置における障害の発生時点以前の複数の時点について、前記予測モデルを用いて障害の発生確率を算出する予測手段を備え、前記分類手段は、前記予測手段により算出された障害の発生確率の時系列変化と障害の発生時点に対応する収集時点の使用状況のデータとの関係に基づいて、障害兆候期間の長さを障害の事例毎に調整して、障害兆候期間の設定及び動作パラメータのデータの分類をやり直し、前記生成手段は、前記分類手段による分類のやり直し後の動作パラメータのデータに基づいて、前記予測モデルを生成し直す、ことを特徴とする障害予測システムである。
本発明（４）は、本発明（１）〜（３）において、前記第３記憶手段は、被監視装置の使用状況のデータ及びその収集時点を複数種の使用状況について記憶し、前記分類手段は、前記第３記憶手段に記憶された複数種の使用状況のデータ及びその収集時点に基づいて障害の事例毎に障害兆候期間を設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する、ことを特徴とする障害予測システムである。
本発明（５）は、被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶手段と、被監視装置における障害の発生時点を記憶する第２記憶手段と、被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶手段と、前記第３記憶手段に記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶手段に記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類手段と、前記分類手段による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成手段と、を備えたことを特徴とする障害予測装置である。
本発明（６）は、コンピュータに、被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶機能と、被監視装置における障害の発生時点を記憶する第２記憶機能と、被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶機能と、前記第３記憶機能により記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶機能により記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶機能により記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類機能と、前記分類機能による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成機能と、を実現させるためのプログラムである。
本発明（１）、（５）、（６）によれば、被監視装置における障害の発生を予測する予測モデルの生成において、本発明を適用しない場合に比べて精度よく予測を行うことが可能な予測モデルを生成することができる。
本発明（２）によれば、予測モデルの生成において障害の事例毎に障害兆候期間を設定する処理を、簡易に行うことができる。
本発明（３）によれば、予測モデルの生成において障害の事例毎に設定する障害兆候期間を、より適正化させることができる。
本発明（４）によれば、被監視装置における複数種の使用状況を考慮して、障害兆候期間を設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。
以下の説明では、画像形成装置（被監視装置の一例）を障害予測の対象とする障害予測システムを例にして説明する。ここで、画像形成装置は、用紙等の記録材に画像を形成する画像形成処理を行う装置であり、プリンタ、コピー機、ファクシミリ装置などの装置の他、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。
以下の説明では、画像形成装置（被監視装置の一例）を障害予測の対象とする障害予測システムを例にして説明する。ここで、画像形成装置は、用紙等の記録材に画像を形成する画像形成処理を行う装置であり、プリンタ、コピー機、ファクシミリ装置などの装置の他、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。
まず、本例の障害予測システムによる障害予測の基本動作について、図１を参照して説明しておく。
本例の障害予測システムは、図１に示すように、障害予測に用いる判別器１３を生成する学習段階と、生成した判別器１３を使って障害予測を行うテスト段階を有する。
判別器１３は、障害予測の対象となる画像形成装置が、正常状態か、障害の前の段階（障害の兆候が現れる段階）にある障害兆候状態（障害が発生した状態を含む）かを判別するものである。ここでは、画像形成装置に障害が発生する確率（以下、障害発生確率）Ｐを算出し、これを閾値と比較するなどして、画像形成装置が正常状態か障害兆候状態かの判別を行うものとする。
本例の障害予測システムは、図１に示すように、障害予測に用いる判別器１３を生成する学習段階と、生成した判別器１３を使って障害予測を行うテスト段階を有する。
判別器１３は、障害予測の対象となる画像形成装置が、正常状態か、障害の前の段階（障害の兆候が現れる段階）にある障害兆候状態（障害が発生した状態を含む）かを判別するものである。ここでは、画像形成装置に障害が発生する確率（以下、障害発生確率）Ｐを算出し、これを閾値と比較するなどして、画像形成装置が正常状態か障害兆候状態かの判別を行うものとする。
学習段階では、学習データ１１が学習器１２に入力され、学習器１２が学習データ１１に基づいて判別器１３を生成する。学習データ１１は、判別器１３の生成に使用するデータであり、主に、画像形成装置から過去の時点で収集したデータが用いられる。
テスト段階では、テストデータ１４が判別器１３に入力され、判別器１３がテストデータ１４に基づいて障害予測を行う。テストデータ１４は、画像形成装置の障害発生確率Ｐを算出したり、その精度を計算したりするのに使用するデータであり、主に、画像形成装置から現在の時点で収集したデータが用いられる。
テスト段階では、テストデータ１４が判別器１３に入力され、判別器１３がテストデータ１４に基づいて障害予測を行う。テストデータ１４は、画像形成装置の障害発生確率Ｐを算出したり、その精度を計算したりするのに使用するデータであり、主に、画像形成装置から現在の時点で収集したデータが用いられる。
学習段階における判別器の生成について、図２を参照して説明する。
なお、説明の簡略のため、障害予測に係る判別器ではなく、２種類の似た花をロジスティク回帰モデルで判別する判別器を例に説明する。
図２の例では、条件データである花の長さ及び幅と、回答データである花の種類とを対応付けた複数の学習データに基づいて、以下の数式により花の種類がＢである確率Ｐを算出する判別器が生成されている。
Ｐ＝１／｛１＋ｅｘｐ（３６３−１３２＊長さ＋１１０＊幅）｝
この判別器に、花の長さ＝５．５、幅＝３．７からなる条件データをテストデータとして入力すると、花の種類がＢである確率は２＊１０-20となり、花の種類がＢでないと判別される。また、花の長さ＝５．１、幅＝２．４からなる条件データをテストデータとして入力すると、花の種類がＢである確率は１となり、花の種類がＢであると判別される。
そして、この条件データ（テストデータ）に対する回答データがあれば、判別結果を回答データに照らして答え合わせすることで、判別器の精度（確率の算出精度）を計算することができる。
なお、説明の簡略のため、障害予測に係る判別器ではなく、２種類の似た花をロジスティク回帰モデルで判別する判別器を例に説明する。
図２の例では、条件データである花の長さ及び幅と、回答データである花の種類とを対応付けた複数の学習データに基づいて、以下の数式により花の種類がＢである確率Ｐを算出する判別器が生成されている。
Ｐ＝１／｛１＋ｅｘｐ（３６３−１３２＊長さ＋１１０＊幅）｝
この判別器に、花の長さ＝５．５、幅＝３．７からなる条件データをテストデータとして入力すると、花の種類がＢである確率は２＊１０-20となり、花の種類がＢでないと判別される。また、花の長さ＝５．１、幅＝２．４からなる条件データをテストデータとして入力すると、花の種類がＢである確率は１となり、花の種類がＢであると判別される。
そして、この条件データ（テストデータ）に対する回答データがあれば、判別結果を回答データに照らして答え合わせすることで、判別器の精度（確率の算出精度）を計算することができる。
ここで、本例の障害予測システムでは、図３に示すように、画像形成装置から過去の時点で収集した各種の動作パラメータのデータを条件データとし、その時点における障害の兆候の有無（正常状態か障害兆候状態かの別）を回答データとして対応付けた学習データを用いて、画像形成装置の障害予測を行う判別器を生成する。
図３の例における学習データは、日付、画像形成装置が画像形成処理の動作制御に用いる動作パラメータＸ，Ｙ，Ｚの各値、障害の兆候の有無を含んでいる。同図の例では、８／２０〜２３は障害の兆候が現れているか否かが不明確であり、８／２４に障害の兆候が現れており、８／２５に実際に障害が発生している。
図３の例における学習データは、日付、画像形成装置が画像形成処理の動作制御に用いる動作パラメータＸ，Ｙ，Ｚの各値、障害の兆候の有無を含んでいる。同図の例では、８／２０〜２３は障害の兆候が現れているか否かが不明確であり、８／２４に障害の兆候が現れており、８／２５に実際に障害が発生している。
なお、８／２０〜２３は障害の兆候が現れているか否かが不明確であるとしたのは、画像形成装置の使用状況に応じて、画像形成装置の動作パラメータに障害の兆候（異常性）が現れる期間（障害兆候期間）の長さが異なるためである。
図４には、或る画像形成装置における動作パラメータの時系列変化を表すグラフ（ａ）と、これとは使用状況が異なる他の画像形成装置における動作パラメータの時系列変化を表すグラフ（ｂ）を示してある。グラフ（ａ）は、動作パラメータに障害の兆候が現れる期間が比較的長いのに対し、グラフ（ｂ）は、動作パラメータに障害の兆候が現れる期間が比較的短い。
このように、装置の使用状況の違いにより、動作パラメータに障害の兆候が現れる期間（障害兆候期間）の長さが異なるため、障害の兆候の有無を間違えて学習を行うと、精度の低い判別器が生成されてしまう。
図４には、或る画像形成装置における動作パラメータの時系列変化を表すグラフ（ａ）と、これとは使用状況が異なる他の画像形成装置における動作パラメータの時系列変化を表すグラフ（ｂ）を示してある。グラフ（ａ）は、動作パラメータに障害の兆候が現れる期間が比較的長いのに対し、グラフ（ｂ）は、動作パラメータに障害の兆候が現れる期間が比較的短い。
このように、装置の使用状況の違いにより、動作パラメータに障害の兆候が現れる期間（障害兆候期間）の長さが異なるため、障害の兆候の有無を間違えて学習を行うと、精度の低い判別器が生成されてしまう。
従来の学習方法では、図５に示すように、画像形成装置から過去の複数の時点で収集した動作パラメータのデータを学習データ１１として受け付けると、学習データ１１を固定の障害兆候期間を用いて非障害兆候期間データ１１ａと障害兆候期間データ１１ｂに分類し、学習器１２へ入力して判別器１３の生成を行う。
この固定の障害兆候期間を用いる構成では、装置の使用状況の違いにより障害兆候期間の長さが異なることは考慮されないため、画像形成装置が正常な状態の動作パラメータのデータ（非障害兆候期間データ１１ａに分類されるべきデータ）が障害兆候期間データ１１ｂに分類されたり、画像形成装置が異常な状態の動作パラメータのデータ（障害兆候期間データ１１ｂに分類されるべきデータ）が非障害兆候期間データ１１ａに分類される場合があり、その結果、判別器１３の精度が低くなってしまう懸念がある。
そこで、本発明では、障害兆候期間の長さを障害の事例毎に調整し、非障害兆候期間データ１１ａと障害兆候期間データ１１ｂを適切に切り分けて判別器１３の生成に用いることで、判別器１３の精度の向上を図るようにした。
この固定の障害兆候期間を用いる構成では、装置の使用状況の違いにより障害兆候期間の長さが異なることは考慮されないため、画像形成装置が正常な状態の動作パラメータのデータ（非障害兆候期間データ１１ａに分類されるべきデータ）が障害兆候期間データ１１ｂに分類されたり、画像形成装置が異常な状態の動作パラメータのデータ（障害兆候期間データ１１ｂに分類されるべきデータ）が非障害兆候期間データ１１ａに分類される場合があり、その結果、判別器１３の精度が低くなってしまう懸念がある。
そこで、本発明では、障害兆候期間の長さを障害の事例毎に調整し、非障害兆候期間データ１１ａと障害兆候期間データ１１ｂを適切に切り分けて判別器１３の生成に用いることで、判別器１３の精度の向上を図るようにした。
なお、後述する第１構成例では、図６に示すように、学習器１２の前段に学習データ調整手段２１を設けることとした。学習データ調整手段２１は、障害の事例毎に、画像形成装置の使用状況に基づいて障害兆候期間の長さを調整するものであり、その調整結果に応じて学習データ１１を非障害兆候期間データ１１ａと障害兆候期間データ１１ｂに分類し、学習器１２へ入力する。これにより、学習器１２では、適切に分類されたデータを用いて学習を行うことができ、精度のよい判別器１３を生成することが可能となる。
また、後述する第２構成例，第３構成例では、図７に示すように、障害兆候期間の長さ推定器生成手段２２および障害兆候期間の長さ推定器２３を更に設けることとした。そして、第１構成例と同様にして生成された判別器１３に学習データ１１を適用して、画像形成装置の障害発生確率Ｐを算出し、当該算出した障害発生確率Ｐに基づいて、障害兆候期間の長さ推定器生成手段２２により障害兆候期間の長さ推定器２３を生成する。その後、障害兆候期間の長さ推定器２３により推定された障害兆候期間の長さを学習データ調整手段２１に与えることで、学習データ１１をより適正化された障害兆候期間の長さに基づいて非障害兆候期間データ１１ａ’と障害兆候期間データ１１ｂ’に分類し直して、学習器１２へ入力する。これにより、学習器１２では、より適切に分類されたデータを用いて学習を行うことができ、精度のよい判別器１３を生成することが可能となる。
次に、判別器１３に用いる予測モデルについて、Ｎａｉｖｅ−Ｂａｙｅｓモデルを例にして説明する。
Ｎａｉｖｅ−Ｂａｙｅｓモデルでは、複数の特徴量（Ｘ１，Ｘ２，・・・，Ｘｎ）のデータの組Ｄａｔａ＝ｄが得られた場合に障害が発生する条件付き確率Ｐ（Ｔ＝ｙｅｓ｜Ｄａｔａ＝ｄ）が、下記（式１）で与えられる。
Ｎａｉｖｅ−Ｂａｙｅｓモデルでは、複数の特徴量（Ｘ１，Ｘ２，・・・，Ｘｎ）のデータの組Ｄａｔａ＝ｄが得られた場合に障害が発生する条件付き確率Ｐ（Ｔ＝ｙｅｓ｜Ｄａｔａ＝ｄ）が、下記（式１）で与えられる。
（式１）において、Ｔ＝ｙｅｓは、障害が起きることを意味し、Ｔ＝ｎｏは、障害が起きないことを意味する。
また、Ｐ（Ｔ＝ｙｅｓ）は、障害が発生する確率（事前確率）であり、Ｐ（Ｔ＝ｎｏ）は、障害が発生しない確率（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（Ｄａｔａ＝ｄ｜（Ｔ＝ｙｅｓ））は、障害が発生した場合にＤａｔａ＝ｄであった確率であり、Ｐ（Ｄａｔａ＝ｄ｜（Ｔ＝ｎｏ））は、障害が発生しなかった場合にＤａｔａ＝ｄであった確率である。
ここで、（式１）の分子のＰ（Ｔ＝ｙｅｓ）・Ｐ（Ｄａｔａ＝ｄ｜Ｔ＝ｙｅｓ）で分母と分子を割ると、（式１）は下記（式２）に変形できる。
また、Ｐ（Ｔ＝ｙｅｓ）は、障害が発生する確率（事前確率）であり、Ｐ（Ｔ＝ｎｏ）は、障害が発生しない確率（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（Ｄａｔａ＝ｄ｜（Ｔ＝ｙｅｓ））は、障害が発生した場合にＤａｔａ＝ｄであった確率であり、Ｐ（Ｄａｔａ＝ｄ｜（Ｔ＝ｎｏ））は、障害が発生しなかった場合にＤａｔａ＝ｄであった確率である。
ここで、（式１）の分子のＰ（Ｔ＝ｙｅｓ）・Ｐ（Ｄａｔａ＝ｄ｜Ｔ＝ｙｅｓ）で分母と分子を割ると、（式１）は下記（式２）に変形できる。
Ｎａｉｖｅ−Ｂａｙｅｓモデルでは、各特徴量が独立と仮定するため、（式２）の分母におけるＰ（Ｄａｔａ＝ｄ｜Ｔ＝ｎｏ）／Ｐ（Ｄａｔａ＝ｄ｜Ｔ＝ｙｅｓ）は、更に複数の特徴量毎の分布比の積として表せるので、（式２）は下記（式３）に変形できる。
そこで、判別器１３では、画像形成装置から収集した各動作パラメータの値（例えば、図３におけるパラメータＸ，Ｙ，Ｚの各値）を（式３）に当てはめて演算することで、Ｄａｔａ＝ｄが得られた画像形成装置についての障害発生確率Ｐ（Ｔ＝ｙｅｓ｜Ｄａｔａ＝ｄ）を算出する。
なお、上記の説明ではＮａｉｖｅ−Ｂａｙｅｓモデルを用いたが、他の予測モデルを用いる構成としてもよい。
なお、上記の説明ではＮａｉｖｅ−Ｂａｙｅｓモデルを用いたが、他の予測モデルを用いる構成としてもよい。
＜第１構成例＞
図８には、第１構成例に係る障害予測システムの機能ブロックの例を示してある。
第１構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３を設けたシステム構成となっている。
第１構成例では、学習データ調整手段３２が、図６の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図６の学習器１２に対応し、障害予測器学習手段３３により学習される障害予測器が、図６の判別器１３に対応する。
以下では、学習段階の説明に留め、テスト段階の説明は省略する。
図８には、第１構成例に係る障害予測システムの機能ブロックの例を示してある。
第１構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３を設けたシステム構成となっている。
第１構成例では、学習データ調整手段３２が、図６の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図６の学習器１２に対応し、障害予測器学習手段３３により学習される障害予測器が、図６の判別器１３に対応する。
以下では、学習段階の説明に留め、テスト段階の説明は省略する。
装置動作状況記憶手段３１は、図９に示すように、動作データ記憶手段４１、障害発生情報記憶手段４２、装置使用状況記憶手段４３を有しており、他の機能部が必要に応じてアクセスしてデータの書き込みや読み出しを行うことが可能である。
なお、以下では明記しないが、これらの記憶手段４１〜４３は、各データを画像形成装置の識別情報と対応付けて記憶しており、各データがどの画像形成装置についてのものかを判別できるようにしてある。
なお、以下では明記しないが、これらの記憶手段４１〜４３は、各データを画像形成装置の識別情報と対応付けて記憶しており、各データがどの画像形成装置についてのものかを判別できるようにしてある。
動作データ記憶手段４１は、画像形成装置（被監視装置の一例）から、画像形成処理の動作制御に用いる動作パラメータ（いわゆる、画像形成パラメータ）のデータを収集し、その収集日時と対応付けて動作データとして記憶する。
本例では、画像形成装置の動作パラメータのデータとして、例えば、帯電電位、現像バイアス、露光電力、トナー濃度といった各種の画像形成パラメータの測定値や目標値を収集する。また、これらの複数点の値に基づいて算出される標準偏差や相関係数などの統計値を動作パラメータのデータとして収集してもよく、要は、画像形成装置の障害予測に寄与し得る種々のデータを収集できればよい。
これらの動作パラメータのデータの収集は画像形成装置を稼働させている状態で毎日行うことが好適であり、１日に複数回の収集を行ってもよい。
本例では、画像形成装置の動作パラメータのデータとして、例えば、帯電電位、現像バイアス、露光電力、トナー濃度といった各種の画像形成パラメータの測定値や目標値を収集する。また、これらの複数点の値に基づいて算出される標準偏差や相関係数などの統計値を動作パラメータのデータとして収集してもよく、要は、画像形成装置の障害予測に寄与し得る種々のデータを収集できればよい。
これらの動作パラメータのデータの収集は画像形成装置を稼働させている状態で毎日行うことが好適であり、１日に複数回の収集を行ってもよい。
障害発生情報記憶手段４２は、障害が発生した画像形成装置から、その障害のデータ（障害の種類を示す情報など）を収集し、障害の発生日時と対応付けて障害発生データとして記憶する。
障害のデータを収集するトリガーとしては、例えば、画像形成装置の動作異常を知らせるフォルトコードの発生や、画像形成装置の利用者からの要請によるサービス員の訪問保守の実施情報の入力などが挙げられる。
障害のデータを収集するトリガーとしては、例えば、画像形成装置の動作異常を知らせるフォルトコードの発生や、画像形成装置の利用者からの要請によるサービス員の訪問保守の実施情報の入力などが挙げられる。
装置使用状況記憶手段４３は、障害が発生した画像形成装置から、その障害が発生した際の画像形成装置の使用状況のデータを収集し、その収集日時と対応付けて装置使用状況データとして記憶する。
画像形成装置の使用状況としては、画像形成装置の稼働率を示す指標値（例えば、印刷枚数）、画像形成装置の使用経過時間、画像形成装置のメンテナンス状況、温度や湿度といった環境情報など、画像形成装置をどのように使用している状況かを示す種々の情報を用いることができる。これらの使用状況は、画像形成装置に障害の兆候が現れてから実際に障害が発生するまでの障害兆候期間の長さに影響を及ぼす。
装置使用状況データの収集は、動作データの収集と同様なタイミングで行われる。
画像形成装置の使用状況としては、画像形成装置の稼働率を示す指標値（例えば、印刷枚数）、画像形成装置の使用経過時間、画像形成装置のメンテナンス状況、温度や湿度といった環境情報など、画像形成装置をどのように使用している状況かを示す種々の情報を用いることができる。これらの使用状況は、画像形成装置に障害の兆候が現れてから実際に障害が発生するまでの障害兆候期間の長さに影響を及ぼす。
装置使用状況データの収集は、動作データの収集と同様なタイミングで行われる。
学習データ調整手段３２は、装置動作状況記憶手段３１に記憶された障害発生データと装置使用状況データに基づいて、障害の事例毎に障害兆候期間を設定し、装置動作状況記憶手段３１に記憶された動作データを障害兆候期間データと非障害兆候期間データに分類する。
すなわち、画像形成装置の使用状況の違いが障害兆候期間の長さに影響を及ぼすことを考慮して、障害の発生日時の時点における装置使用状況データの傾向に基づいて障害兆候期間の長さを障害の事例毎に調整し、障害の各事例について障害の発生日時を起点に前記調整した長さ分を遡った期間を特定して、当該特定した期間を障害兆候期間として設定する。そして、障害の事例毎に設定した障害兆候期間内に収集された動作データを障害兆候期間データに分類し、その他の期間に収集された動作データを非障害兆候期間データに分類する。
本例では、個々の動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与することで、動作データがどちらに分類されたかを把握できるようにしてある。
なお、装置の使用頻度が極端に低い画像形成装置などのように、装置の使用状況が特殊な状態の画像形成装置から収集された動作データについては、障害兆候期間データにも非障害兆候期間データにも分類しないようにしてもよい。
すなわち、画像形成装置の使用状況の違いが障害兆候期間の長さに影響を及ぼすことを考慮して、障害の発生日時の時点における装置使用状況データの傾向に基づいて障害兆候期間の長さを障害の事例毎に調整し、障害の各事例について障害の発生日時を起点に前記調整した長さ分を遡った期間を特定して、当該特定した期間を障害兆候期間として設定する。そして、障害の事例毎に設定した障害兆候期間内に収集された動作データを障害兆候期間データに分類し、その他の期間に収集された動作データを非障害兆候期間データに分類する。
本例では、個々の動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与することで、動作データがどちらに分類されたかを把握できるようにしてある。
なお、装置の使用頻度が極端に低い画像形成装置などのように、装置の使用状況が特殊な状態の画像形成装置から収集された動作データについては、障害兆候期間データにも非障害兆候期間データにも分類しないようにしてもよい。
障害予測器学習手段３３は、学習データ調整手段３２によって障害兆候期間データまたは非障害兆候期間データに分類（本例ではラベル付け）された動作データを使って学習し、障害予測器（障害の予測モデル）の生成を行う。
学習手法としては、判別分析、サポートベクターマシン、ベイジアンネットワークなどの方法があるが、これらに限定されるものではない。
なお、学習データ調整手段３２や障害予測器学習手段３３の処理は、障害の種類毎に行われる。
学習手法としては、判別分析、サポートベクターマシン、ベイジアンネットワークなどの方法があるが、これらに限定されるものではない。
なお、学習データ調整手段３２や障害予測器学習手段３３の処理は、障害の種類毎に行われる。
画像形成装置の使用状況に応じた障害兆候期間の長さの調整について、図１０〜図１２を参照して説明する。
画像形成装置は、或る標準的な使用状況を想定した設計仕様で開発されており、この設計仕様（標準的な使用状況）と障害の発生時における実際の使用状況とを比較して、障害兆候期間の長さを調整する。
画像形成装置は、或る標準的な使用状況を想定した設計仕様で開発されており、この設計仕様（標準的な使用状況）と障害の発生時における実際の使用状況とを比較して、障害兆候期間の長さを調整する。
図１０には、設計仕様を基準として、各種の使用状況について、障害の発生時における実際の使用状況の傾向を表す数値データを“１”〜“５”の５段階の水準値に区分する表の例を示してある。（ａ）は、直近１０日間の合計ＰＶ（印刷枚数）を水準値に区分する表の例であり、（ｂ）は、直近１００日間のメンテナンス回数（例えば、色調整キャリブレーションの回数）を水準値に区分する表の例であり、（ｃ）は、装置の使用経過年数を水準値に区分する表の例であり、（ｄ）は、直近１０日間の平均環境温度を水準値に区分する表の例であり、（ｅ）は、直近１０日間の平均環境湿度を水準値に区分する表の例である。
また、図１１には、図１０の表における設計仕様を具体的数値に置き換えた例を示してある。
また、図１１には、図１０の表における設計仕様を具体的数値に置き換えた例を示してある。
図１２には、図１０や図１１の表に画像形成装置の使用状況を照らして得られる各水準値の組み合わせと障害兆候期間の長さとの対応関係を定めた表の例を示してある。
学習データ調整手段３２は、障害の事例毎に、障害の発生時点の装置使用状況データやそれ以前の複数の時点の装置使用状況データに基づいて、各種の使用状況についてその傾向を表す数値データ（直近１０日間の合計ＰＶなど）を算出し、当該算出した数値データを図１０や図１１の表に照らして使用状況の種類毎の水準値を取得し、当該取得した水準値の組み合わせを図１２の表に照らして障害兆候期間の長さを決定する。
学習データ調整手段３２は、障害の事例毎に、障害の発生時点の装置使用状況データやそれ以前の複数の時点の装置使用状況データに基づいて、各種の使用状況についてその傾向を表す数値データ（直近１０日間の合計ＰＶなど）を算出し、当該算出した数値データを図１０や図１１の表に照らして使用状況の種類毎の水準値を取得し、当該取得した水準値の組み合わせを図１２の表に照らして障害兆候期間の長さを決定する。
以上のように、第１構成例に係る障害予測システムでは、障害の発生時における実際の使用状況に基づいて障害兆候期間の長さを調整することができるので、障害の事例毎に適切な障害兆候期間を設定して動作データの分類を行い、その結果に基づく学習を行うことで、障害予測を精度よく行うことが可能な障害予測器を生成することができる。
＜第２構成例＞
図１３には、第２構成例に係る障害予測システムの機能ブロックの例を示してある。
第２構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３、障害発生確率算出手段３４、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６を設けたシステム構成となっている。
第２構成例では、学習データ調整手段３２が、図７の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図７の学習器１２に対応し、障害発生確率算出手段３４が、図７の判別器１３に対応し、障害兆候期間長推定器生成手段３５が、図７の障害兆候期間の長さ推定器生成手段２２に対応し、障害兆候期間長推定器３６が、図７の障害兆候期間の長さ推定器２３に対応する。
なお、以下では、第１構成例（図８参照）と同様な機能部についての説明は省略し、相違する部分についての説明に留める。
図１３には、第２構成例に係る障害予測システムの機能ブロックの例を示してある。
第２構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３、障害発生確率算出手段３４、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６を設けたシステム構成となっている。
第２構成例では、学習データ調整手段３２が、図７の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図７の学習器１２に対応し、障害発生確率算出手段３４が、図７の判別器１３に対応し、障害兆候期間長推定器生成手段３５が、図７の障害兆候期間の長さ推定器生成手段２２に対応し、障害兆候期間長推定器３６が、図７の障害兆候期間の長さ推定器２３に対応する。
なお、以下では、第１構成例（図８参照）と同様な機能部についての説明は省略し、相違する部分についての説明に留める。
障害発生確率算出手段３４は、障害予測器学習手段３３により生成された障害予測器（障害の予測モデル）を用いて、画像形成装置の障害発生確率を算出する。すなわち、障害予測の対象となる画像形成装置について装置動作状況記憶手段３１に記憶された動作データを障害予測器に入力することで、当該画像形成装置の障害発生確率を算出する。
この障害発生確率算出手段３４は、学習段階とテスト段階とで使用される。
学習段階では、過去に収集された動作データ（学習データ１１としての動作データ）について、その収集時期を推移させながら演算を繰り返すことで、時間経過に伴う障害発生確率の推移（時系列変化）を捉えることが可能となる。学習段階で算出された障害発生確率は、障害兆候期間長推定器生成手段３５に与えられる。
テスト段階では、現時点で収集された動作データ（テストデータ１４としての動作データ）を障害予測器に入力することで、現時点における障害発生確率を算出することができる。テスト段階で算出された障害発生確率は、予め設定された通知先（例えば、画像形成装置の利用者や管理者、保守担当のサービス員など）に通知される。
この障害発生確率算出手段３４は、学習段階とテスト段階とで使用される。
学習段階では、過去に収集された動作データ（学習データ１１としての動作データ）について、その収集時期を推移させながら演算を繰り返すことで、時間経過に伴う障害発生確率の推移（時系列変化）を捉えることが可能となる。学習段階で算出された障害発生確率は、障害兆候期間長推定器生成手段３５に与えられる。
テスト段階では、現時点で収集された動作データ（テストデータ１４としての動作データ）を障害予測器に入力することで、現時点における障害発生確率を算出することができる。テスト段階で算出された障害発生確率は、予め設定された通知先（例えば、画像形成装置の利用者や管理者、保守担当のサービス員など）に通知される。
障害兆候期間長推定器生成手段３５は、学習段階において、障害発生確率算出手段３４により算出された障害発生確率と装置動作状況記憶手段３１に記憶された装置使用状況データとに基づいて、或る１種（単一種）の使用状況の傾向から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。
具体的には、図１４に示すように、障害の各事例について、障害発生確率が或る閾値Ｖを超えてから、超えた状態を維持したまま障害に至るまでの障害兆候期間の長さ（日数）をカウントする。そして、障害の各事例における単一種の使用状況の傾向と障害兆候期間の長さとの関係に基づいて、障害兆候期間長推定器３６を生成する。
具体的には、図１４に示すように、障害の各事例について、障害発生確率が或る閾値Ｖを超えてから、超えた状態を維持したまま障害に至るまでの障害兆候期間の長さ（日数）をカウントする。そして、障害の各事例における単一種の使用状況の傾向と障害兆候期間の長さとの関係に基づいて、障害兆候期間長推定器３６を生成する。
図１５には、障害発生確率が或る閾値Ｖを超えてから障害が発生するまでの日数と、障害発生の直近１０日間の印刷枚数（ＰＶ）との関係の例を示してある。同図によれば、障害発生確率が或る閾値Ｖを超えてから障害が発生するまでの日数は、直近１０日間の印刷枚数が多いほど短くなっており、直近１０日間の印刷枚数の違いに応じて変動していることが分かる。
そこで、本例の障害兆候期間長推定器生成手段３５では、これら２つの変数の関係について回帰分析することで、障害発生確率が閾値Ｖを超えてから障害が発生するまでの期間を障害兆候期間として、直近１０日間の印刷枚数から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。
なお、障害兆候期間長推定器３６の生成は、上記のような回帰分析に限るものではなく、他の方法により行ってもよい。
そこで、本例の障害兆候期間長推定器生成手段３５では、これら２つの変数の関係について回帰分析することで、障害発生確率が閾値Ｖを超えてから障害が発生するまでの期間を障害兆候期間として、直近１０日間の印刷枚数から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。
なお、障害兆候期間長推定器３６の生成は、上記のような回帰分析に限るものではなく、他の方法により行ってもよい。
障害兆候期間長推定器３６は、学習段階において、障害の各事例について、障害が発生する直前の１０日間の印刷枚数から障害兆候期間の長さを推定し、その結果を学習データ調整手段３２に入力する。
学習データ調整手段３２は、学習段階において、学習データ調整手段３２から障害兆候期間の長さの入力を受けると、この入力に従って障害兆候期間を再設定し、装置動作状況記憶手段３１に記憶された動作データの分類をやり直す。
また、障害予測器学習手段３３は、学習段階において、学習データ調整手段３２によって障害兆候期間データまたは非障害兆候期間データに再分類された動作データに基づいて、障害予測器（障害の予測モデル）を生成し直す。
ここで、第２構成例では、障害兆候期間の長さの調整を２回以上行うため、１回目の調整では、障害兆候期間の長さを各障害で一律にしても構わない。
また、障害予測器学習手段３３は、学習段階において、学習データ調整手段３２によって障害兆候期間データまたは非障害兆候期間データに再分類された動作データに基づいて、障害予測器（障害の予測モデル）を生成し直す。
ここで、第２構成例では、障害兆候期間の長さの調整を２回以上行うため、１回目の調整では、障害兆候期間の長さを各障害で一律にしても構わない。
第２構成例に係る障害予測システムの処理の流れについて、図１６、図１７を参照して説明する。図１６には、第２構成例に係る障害予測システムによる学習段階の処理フローの例を示してある。
第２構成例に係る障害予測システムでは、まず、画像形成装置の使用状況に基づいて障害兆候期間長推定器３６の生成を繰り返す回数Ｎの入力を受け付ける（ステップＳ１１）。
また、初期学習（１回目の学習）において障害兆候期間を一律にするか否かの入力を受け付け、その入力値を判定する（ステップＳ１２）。
これらの入力は、処理を開始する際にユーザが適宜入力してもよく、以前の処理で使用したものを記憶しておき、入力するようにしてもよい。
また、初期学習（１回目の学習）において障害兆候期間を一律にするか否かの入力を受け付け、その入力値を判定する（ステップＳ１２）。
これらの入力は、処理を開始する際にユーザが適宜入力してもよく、以前の処理で使用したものを記憶しておき、入力するようにしてもよい。
ステップＳ１２において、初期学習において障害兆候期間を一律にする旨の入力がなされた場合（Ｙｅｓ）には、学習データ調整手段３２が、全ての障害の事例に対して一律の障害兆候期間の長さを適用して障害兆候期間を設定し、当該設定に従って装置動作状況記憶手段３１に記憶された動作データの分類を行い、その後、障害予測器学習手段３３が、分類された動作データに基づく学習を行って、障害発生確率算出手段３４で使用する障害予測器を生成する（ステップＳ１３）。
一方、ステップＳ１２において、初期学習において障害兆候期間を一律にしない旨の入力がなされた場合（Ｎｏ）には、学習データ調整手段３２が、第１構成例の方法で障害の事例毎に障害兆候期間の長さを調整して障害兆候期間を設定し、当該設定に従って装置動作状況記憶手段３１に記憶された動作データの分類を行い、その後、障害予測器学習手段３３が、分類された動作データに基づく学習を行って、障害発生確率算出手段３４で使用する障害予測器を生成する（ステップＳ１４）。
次に、障害発生確率算出手段３４が、ステップＳ１３またはＳ１４の学習によって生成された障害予測器を用いて、障害の各事例について障害発生確率を算出する（ステップＳ１５）。
次に、障害兆候期間長推定器生成手段３５が、障害発生確率算出手段３４により算出された障害発生確率と装置動作状況記憶手段３１に記憶された装置使用状況データとに基づいて、画像形成装置の使用状況の傾向に対する障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する（ステップＳ１６）。
次に、学習データ調整手段３２が、障害兆候期間長推定器３６により推定された障害兆候期間の長さに従って障害兆候期間を再設定し、装置動作状況記憶手段３１に記憶された動作データの分類をやり直し、障害予測器学習手段３３が、学習データ調整手段３２による再分類後の動作データに基づいて、障害予測器を生成し直す（ステップＳ１７）。
次に、障害兆候期間長推定器生成手段３５が、障害発生確率算出手段３４により算出された障害発生確率と装置動作状況記憶手段３１に記憶された装置使用状況データとに基づいて、画像形成装置の使用状況の傾向に対する障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する（ステップＳ１６）。
次に、学習データ調整手段３２が、障害兆候期間長推定器３６により推定された障害兆候期間の長さに従って障害兆候期間を再設定し、装置動作状況記憶手段３１に記憶された動作データの分類をやり直し、障害予測器学習手段３３が、学習データ調整手段３２による再分類後の動作データに基づいて、障害予測器を生成し直す（ステップＳ１７）。
図１７には、障害兆候期間長推定器３６の生成（ステップＳ１６）に係る詳細な処理フローの例を示してある。
まず、現在の繰り返し回数を表す変数ｉを１に初期化する（ステップＳ２１）。
次に、障害発生時点以前において障害発生確率が閾値を超えた障害兆候期間の長さ（日数）を算出する（ステップＳ２２）。
次に、画像形成装置の使用状況の傾向と障害兆候期間の長さとの関係を学習して、障害兆候期間長推定器３６を生成する（ステップＳ２３）。
まず、現在の繰り返し回数を表す変数ｉを１に初期化する（ステップＳ２１）。
次に、障害発生時点以前において障害発生確率が閾値を超えた障害兆候期間の長さ（日数）を算出する（ステップＳ２２）。
次に、画像形成装置の使用状況の傾向と障害兆候期間の長さとの関係を学習して、障害兆候期間長推定器３６を生成する（ステップＳ２３）。
次に、ｉ≦Ｎ−１の条件を満たすか否かを判定する（ステップＳ２４）。
ステップＳ２４において、ｉ≦Ｎ−１の条件を満たすと判定された場合（Ｙｅｓ）には、生成した障害兆候期間長推定器３６を用いて障害兆候期間の長さを推定し、その結果に基づいて、障害兆候期間の設定、動作データの分類、障害予測器の生成をやり直す（ステップＳ２５）。そして、生成した障害予測器を用いて、障害の各事例について障害発生確率を算出し（ステップＳ２６）、ステップＳ２２の処理に戻る。
一方、ｉ≦Ｎ−１の条件を満たさないと判定された場合（Ｎｏ）には、ステップＳ１６の処理を終える。
ステップＳ２４において、ｉ≦Ｎ−１の条件を満たすと判定された場合（Ｙｅｓ）には、生成した障害兆候期間長推定器３６を用いて障害兆候期間の長さを推定し、その結果に基づいて、障害兆候期間の設定、動作データの分類、障害予測器の生成をやり直す（ステップＳ２５）。そして、生成した障害予測器を用いて、障害の各事例について障害発生確率を算出し（ステップＳ２６）、ステップＳ２２の処理に戻る。
一方、ｉ≦Ｎ−１の条件を満たさないと判定された場合（Ｎｏ）には、ステップＳ１６の処理を終える。
以上のように、第２構成例に係る障害予測システムでは、障害兆候期間の長さの調整、動作データの分類、障害予測器の生成といった一連の処理を複数回繰り返すことで、障害兆候期間の長さの調整や動作データの分類をより適切なものとすることができ、その結果、より精度を高めた障害予測器を生成することが可能となる。
＜第３構成例＞
図１８には、第３構成例に係る障害予測システムの機能ブロックの例を示してある。
第３構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３、障害発生確率算出手段３４、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６、予測結果通知手段３７を設けたシステム構成となっている。
第３構成例では、第２構成例と同様に、学習データ調整手段３２が、図７の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図７の学習器１２に対応し、障害発生確率算出手段３４が、図７の判別器１３に対応し、障害兆候期間長推定器生成手段３５が、図７の障害兆候期間の長さ推定器生成手段２２に対応し、障害兆候期間長推定器３６が、図７の障害兆候期間の長さ推定器２３に対応する。
なお、以下では、第１構成例（図８参照）や第２構成例（図１３参照）と同様な機能部についての説明は省略し、相違する部分についての説明に留める。
図１８には、第３構成例に係る障害予測システムの機能ブロックの例を示してある。
第３構成例に係る障害予測システムは、障害予測の対象となる１以上の画像形成装置と通信可能に接続された障害予測サーバに、装置動作状況記憶手段３１、学習データ調整手段３２、障害予測器学習手段３３、障害発生確率算出手段３４、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６、予測結果通知手段３７を設けたシステム構成となっている。
第３構成例では、第２構成例と同様に、学習データ調整手段３２が、図７の学習データ調整手段２１に対応し、障害予測器学習手段３３が、図７の学習器１２に対応し、障害発生確率算出手段３４が、図７の判別器１３に対応し、障害兆候期間長推定器生成手段３５が、図７の障害兆候期間の長さ推定器生成手段２２に対応し、障害兆候期間長推定器３６が、図７の障害兆候期間の長さ推定器２３に対応する。
なお、以下では、第１構成例（図８参照）や第２構成例（図１３参照）と同様な機能部についての説明は省略し、相違する部分についての説明に留める。
障害兆候期間長推定器生成手段３５は、学習段階において、障害発生確率算出手段３４により算出された障害発生確率と装置動作状況記憶手段３１に記憶された装置使用状況データとに基づいて、複数種の使用状況の傾向から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。すなわち、第２構成例では、単一種の使用状況の傾向から障害兆候期間の長さを推定していたのに対し、第３構成例では、複数種の使用状況の傾向から障害兆候期間の長さを推定する。
具体的には、図１４に示すように、障害の各事例について、障害発生確率が或る閾値Ｖを超えてから、超えた状態を維持したまま障害に至るまでの障害兆候期間の長さ（日数）をカウントする。そして、障害の各事例における複数種の使用状況の傾向と障害兆候期間の長さとの関係に基づいて、障害兆候期間長推定器３６を生成する。
具体的には、図１４に示すように、障害の各事例について、障害発生確率が或る閾値Ｖを超えてから、超えた状態を維持したまま障害に至るまでの障害兆候期間の長さ（日数）をカウントする。そして、障害の各事例における複数種の使用状況の傾向と障害兆候期間の長さとの関係に基づいて、障害兆候期間長推定器３６を生成する。
図１９には、障害発生確率が或る閾値Ｖを超えてから障害が発生するまでの日数と、障害発生の直近１０日間の印刷枚数（ＰＶ）、障害発生以前の直近１００日間のメンテナンス回数（例えば、色調整キャリブレーションの回数）、障害発生以前の直近１０日間の平均環境温度、障害発生以前の直近１０日間の平均環境湿度との関係の例を示してある。同図によれば、障害発生確率が或る閾値Ｖを超えてから障害が発生するまでの日数は、直近１０日間の印刷枚数だけでなく、直近１００日間のメンテナンス回数や直近１０日間の平均環境温度、湿度にも影響を受けて変動していることが分かる。
そこで、本例の障害兆候期間長推定器生成手段３５では、これら多数の変数の関係について重回帰分析することで、障害発生確率が閾値Ｖを超えてから障害が発生するまでの期間を障害兆候期間として、障害発生以前の直近１０日間の印刷枚数、直近１００日間のメンテナンス回数、直近１０日間の平均環境温度および平均環境湿度から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。
なお、障害兆候期間長推定器３６の生成は、上記のような重回帰分析に限るものではなく、他の方法により行ってもよい。
そこで、本例の障害兆候期間長推定器生成手段３５では、これら多数の変数の関係について重回帰分析することで、障害発生確率が閾値Ｖを超えてから障害が発生するまでの期間を障害兆候期間として、障害発生以前の直近１０日間の印刷枚数、直近１００日間のメンテナンス回数、直近１０日間の平均環境温度および平均環境湿度から障害兆候期間の長さを推定する障害兆候期間長推定器３６を生成する。
なお、障害兆候期間長推定器３６の生成は、上記のような重回帰分析に限るものではなく、他の方法により行ってもよい。
障害兆候期間長推定器３６は、学習段階において、障害の各事例について、障害発生以前の直近１０日間の印刷枚数、直近１００日間のメンテナンス回数、直近１０日間の平均環境温度および平均環境湿度から障害兆候期間の長さを推定し、その結果を学習データ調整手段３２に入力する。
予測結果通知手段３７は、テスト段階において、障害発生確率算出手段３４により算出された障害発生確率を、予め設定された通知先（例えば、画像形成装置の利用者や管理者、保守担当のサービス員など）に通知する。
本例では、障害発生確率が予め定めた通知閾値を超えた場合に通知を行うが、システムの運用形態等の種々の要件に応じて通知を行う条件を任意に定めることができる。すなわち、例えば、通知閾値を超えた状態が一定の期間継続した場合に通知を行ってもよく、無条件に通知を行ってもよく、画像形成装置毎に通知を行う条件を変えても構わない。
本例では、障害発生確率が予め定めた通知閾値を超えた場合に通知を行うが、システムの運用形態等の種々の要件に応じて通知を行う条件を任意に定めることができる。すなわち、例えば、通知閾値を超えた状態が一定の期間継続した場合に通知を行ってもよく、無条件に通知を行ってもよく、画像形成装置毎に通知を行う条件を変えても構わない。
以上のように、第３構成例に係る障害予測システムでは、各種の使用状況の組み合わせを考慮して、障害兆候期間の長さの調整や動作データの分類をより適切なものとすることができ、その結果、より精度を高めた障害予測器を生成することが可能となる。
実施例１では、第１構成例に示したようなシステム構成の障害予測システムにより、画像形成装置における搬送ベルトの障害を予測する障害予測器（障害の予測モデル）の学習を以下の通り行った。
すなわち、画像形成装置から、搬送ベルトの動作状態を反映する駆動エラー率を取得し、駆動エラー率の増減の傾向を算出した。更に、画像形成装置の使用状況として、当該画像形成装置による印刷枚数を取得した。これらの情報は、画像形成装置が動作している間に２時間おきに取得した。また、搬送ベルトの動作異常を知らせるフォルトコードが発生した時点を障害発生点とした。ここで、搬送ベルトは、印刷枚数が多いほど、障害の兆候が現れてから障害に至るまでの期間が短いため、印刷枚数の違いで障害兆候期間の長さを変更することとした。
すなわち、画像形成装置から、搬送ベルトの動作状態を反映する駆動エラー率を取得し、駆動エラー率の増減の傾向を算出した。更に、画像形成装置の使用状況として、当該画像形成装置による印刷枚数を取得した。これらの情報は、画像形成装置が動作している間に２時間おきに取得した。また、搬送ベルトの動作異常を知らせるフォルトコードが発生した時点を障害発生点とした。ここで、搬送ベルトは、印刷枚数が多いほど、障害の兆候が現れてから障害に至るまでの期間が短いため、印刷枚数の違いで障害兆候期間の長さを変更することとした。
図２０には、直近１０日間の印刷枚数から障害兆候期間の長さを推定するのに使用する表の例を示してある。実施例１では、同図のような表を使用して、障害の事例毎に障害兆候期間の長さを推定して障害兆候期間を設定し、動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与し、ラベル付与後の動作データ（動作データの分類結果）を用いてベイジアンネットワークにより障害予測器の学習を行った。
このように、本実施例では、搬送ベルトの障害の事例毎に、印刷枚数に応じて障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類や学習を行うことで、搬送ベルトの障害についての予測を精度よく行うことが可能な障害予測器を生成することができた。
このように、本実施例では、搬送ベルトの障害の事例毎に、印刷枚数に応じて障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類や学習を行うことで、搬送ベルトの障害についての予測を精度よく行うことが可能な障害予測器を生成することができた。
実施例２では、第２構成例に示したようなシステム構成の障害予測システムにより、画像形成装置における搬送ベルトの障害を予測する障害予測器（障害の予測モデル）の学習を以下の通り行った。
すなわち、実施例１と同様に、駆動エラー率の取得やその増減の傾向の算出、画像形成装置の使用状況としての印刷枚数の取得を行った。また、搬送ベルトの動作異常を知らせるフォルトコードが発生した時点を障害発生点とし、印刷枚数の違いで障害兆候期間の長さを変更することとした。
すなわち、実施例１と同様に、駆動エラー率の取得やその増減の傾向の算出、画像形成装置の使用状況としての印刷枚数の取得を行った。また、搬送ベルトの動作異常を知らせるフォルトコードが発生した時点を障害発生点とし、印刷枚数の違いで障害兆候期間の長さを変更することとした。
そして、障害の事例毎に、実施例１と同様の方法で障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類された動作データを用いてベイジアンネットワークにより障害予測器の学習を行った。次に、学習された障害予測器で、障害の各事例について障害発生前の障害発生確率を算出し、障害発生確率が閾値を超えてから障害が発生するまでの日数を計数し、その結果を、図２１に例示するように、直近１０日間の印刷枚数を横軸とし、障害発生確率が閾値を超えてから障害が発生するまでの日数を縦軸としたグラフにプロットした。次に、直近１０日間の印刷枚数と障害発生確率が閾値を超えてから障害が発生するまでの日数とについて回帰分析を行い、印刷枚数から搬送ベルトの障害兆候期間の長さを算出する計算式を求めた。
その後、上記で求めた計算式を用いて、障害の事例毎に障害兆候期間の長さを推定して障害兆候期間を設定し、動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与し、ラベル付与後の動作データ（動作データの分類結果）を用いてベイジアンネットワークにより障害予測器の学習を行った。
その後、上記で求めた計算式を用いて、障害の事例毎に障害兆候期間の長さを推定して障害兆候期間を設定し、動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与し、ラベル付与後の動作データ（動作データの分類結果）を用いてベイジアンネットワークにより障害予測器の学習を行った。
図２２には、作成した障害予測器を用いて日毎に算出した障害発生確率を、日付を横軸とし、障害発生確率を縦軸としたグラフにプロットした例を示してある。
同図の例では、障害前において障害発生確率が閾値を超えた期間は、７／３０〜８／６までの８日となっている。ここで、障害発生確率を日ｘの関数としてＰ（ｘ）で表すと、障害発生日ａに対して、Ｐ（ａ＋１−ｎ）≧０．５、∀ｎ＝１，２，・・・ｂを満たす最大のｂが、障害前において障害発生確率が閾値を超えた期間の日数となる。
そして、算出した日数（障害前において障害発生確率が閾値を超えた期間の日数）を印刷枚数により回帰分析して、障害兆候期間を算出する計算式を導出する。例として、障害兆候期間の長さＹを印刷枚数Ｘで計算する式を求めると、Ｙ＝１．９７３×１０9×Ｘ-2.043となる。
同図の例では、障害前において障害発生確率が閾値を超えた期間は、７／３０〜８／６までの８日となっている。ここで、障害発生確率を日ｘの関数としてＰ（ｘ）で表すと、障害発生日ａに対して、Ｐ（ａ＋１−ｎ）≧０．５、∀ｎ＝１，２，・・・ｂを満たす最大のｂが、障害前において障害発生確率が閾値を超えた期間の日数となる。
そして、算出した日数（障害前において障害発生確率が閾値を超えた期間の日数）を印刷枚数により回帰分析して、障害兆候期間を算出する計算式を導出する。例として、障害兆候期間の長さＹを印刷枚数Ｘで計算する式を求めると、Ｙ＝１．９７３×１０9×Ｘ-2.043となる。
図２３には、従来例の方法で算出した障害発生確率と本実施例で算出した障害発生確率とを比較した例を示してある。
図２３（ａ）の例によれば、従来例では、障害発生確率が閾値（本例では０．５）を超えた後、障害発生日前に障害発生確率が閾値以下に一旦下がっているが、本実施例では、その時点における障害発生確率の落ち込みが小さく、閾値以下になっていない。また、図２３（ｂ）の例によれば、従来例では、障害発生確率が閾値を一旦超えてから落ちるノイズが生じているが、本実施例では、その時点における障害発生確率の上昇が小さく、閾値を超えていない。
このように、図２３の比較例によれば、従来例よりも障害発生確率の算出精度が向上しており、障害が発生することを精度よく予測できたことが分かる。
また、障害発生日以前に障害発生確率が０．８を超えた日数と、障害発生日前以外で障害発生確率が０．８日を超えた日数（誤検出の日数）とから誤検出率を算出したところ、従来例では誤検出率が３０％であったのに対し、本実施例では誤検出率が７％となっており、従来例に比べて本実施例の方が誤検出率が低く、障害予測の精度が向上している。
図２３（ａ）の例によれば、従来例では、障害発生確率が閾値（本例では０．５）を超えた後、障害発生日前に障害発生確率が閾値以下に一旦下がっているが、本実施例では、その時点における障害発生確率の落ち込みが小さく、閾値以下になっていない。また、図２３（ｂ）の例によれば、従来例では、障害発生確率が閾値を一旦超えてから落ちるノイズが生じているが、本実施例では、その時点における障害発生確率の上昇が小さく、閾値を超えていない。
このように、図２３の比較例によれば、従来例よりも障害発生確率の算出精度が向上しており、障害が発生することを精度よく予測できたことが分かる。
また、障害発生日以前に障害発生確率が０．８を超えた日数と、障害発生日前以外で障害発生確率が０．８日を超えた日数（誤検出の日数）とから誤検出率を算出したところ、従来例では誤検出率が３０％であったのに対し、本実施例では誤検出率が７％となっており、従来例に比べて本実施例の方が誤検出率が低く、障害予測の精度が向上している。
以上のように、本実施例では、搬送ベルトの障害の事例毎に、印刷枚数に応じて障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類や学習を行うことで、搬送ベルトの障害についての予測を精度よく行うことが可能な障害予測器を生成することができた。
実施例３では、第３構成例に示したようなシステム構成の障害予測システムにより、画像形成装置による印刷画像について画質異常（本例では、画像粒状性異常）を予測する障害予測器（障害の予測モデル）の学習を以下の通り行った。
すなわち、画像形成装置から、トナー濃度、パッチ濃度、現像バイアス、帯電電位、転写電位、定着温度の各パラメータについて測定値及び目標値を取得し、パラメータ毎に測定値と目標値との差分を算出した。更に、画像形成装置の使用状況として、当該画像形成装置の設置環境の温度及び湿度、現像剤を交換してからの経過日数、印刷画像の画像密度、当該画像形成装置による印刷枚数を取得した。これらの情報は、画像形成装置が動作している間に２時間おきに取得した。また、画像形成装置による印刷画像に画質異常が生じ、画像形成装置の利用者がサービス員に訪問保守の要請をした時点を障害発生点とした。
すなわち、画像形成装置から、トナー濃度、パッチ濃度、現像バイアス、帯電電位、転写電位、定着温度の各パラメータについて測定値及び目標値を取得し、パラメータ毎に測定値と目標値との差分を算出した。更に、画像形成装置の使用状況として、当該画像形成装置の設置環境の温度及び湿度、現像剤を交換してからの経過日数、印刷画像の画像密度、当該画像形成装置による印刷枚数を取得した。これらの情報は、画像形成装置が動作している間に２時間おきに取得した。また、画像形成装置による印刷画像に画質異常が生じ、画像形成装置の利用者がサービス員に訪問保守の要請をした時点を障害発生点とした。
障害の各事例について、障害発生以前の直近１０日間の印刷枚数を用いて、実施例１と同様の方法で障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類された動作データを用いてベイジアンネットワークにより障害予測器の学習を行った。次に、学習された障害予測器で、障害の各事例について障害発生前の障害発生確率を算出し、障害発生確率が閾値を超えてから障害が発生するまでの日数を計数し、その結果に基づいて、障害が発生するまでの日数と、各種の使用状況とを対応付けた表を作成し、重回帰分析を行って、各種の使用状況から障害兆候期間の長さを算出する計算式を求めた。
その後、上記で求めた計算式を用いて、障害の事例毎に障害兆候期間の長さを推定して障害兆候期間を設定し、動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与し、ラベル付与後の動作データ（動作データの分類結果）を用いてベイジアンネットワークにより障害予測器の学習を行った。
そして、学習された障害予測器を用いて、障害予測の対象となる画像形成装置から新たに取得されたデータに基づいて画質異常の障害発生確率を算出し、画像形成装置の管理者等に通知するようにした。
その後、上記で求めた計算式を用いて、障害の事例毎に障害兆候期間の長さを推定して障害兆候期間を設定し、動作データに障害兆候期間データと非障害兆候期間データを区別するラベルを付与し、ラベル付与後の動作データ（動作データの分類結果）を用いてベイジアンネットワークにより障害予測器の学習を行った。
そして、学習された障害予測器を用いて、障害予測の対象となる画像形成装置から新たに取得されたデータに基づいて画質異常の障害発生確率を算出し、画像形成装置の管理者等に通知するようにした。
以上のように、本実施例では、画質異常の障害の事例毎に、印刷枚数等の複数種の使用状況に応じて障害兆候期間の長さを調整して障害兆候期間を設定し、その結果に基づいて分類や学習を行うことで、画質異常の障害についての予測を精度よく行うことが可能な障害予測器を生成することができた。
ここで、上記の各構成例や実施例の障害予測システムにおける障害予測サーバは、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、本発明に係る障害予測装置の各機能を障害予測サーバのコンピュータにより実現している。
なお、本例では、本発明に係る第１記憶手段を動作データ記憶手段４１により実現し、本発明に係る第２記憶手段を障害発生情報記憶手段４２により実現し、本発明に係る第３記憶手段を装置使用状況記憶手段４３により実現し、本発明に係る分類手段を学習データ調整手段３２（及び、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６）により実現し、本発明に係る生成手段を障害予測器学習３３により実現し、本発明に係る予測手段を障害発生確率算出手段３４により実現している。
なお、本例では、本発明に係る第１記憶手段を動作データ記憶手段４１により実現し、本発明に係る第２記憶手段を障害発生情報記憶手段４２により実現し、本発明に係る第３記憶手段を装置使用状況記憶手段４３により実現し、本発明に係る分類手段を学習データ調整手段３２（及び、障害兆候期間長推定器生成手段３５、障害兆候期間長推定器３６）により実現し、本発明に係る生成手段を障害予測器学習３３により実現し、本発明に係る予測手段を障害発生確率算出手段３４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、障害予測サーバ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、本発明に係る障害予測装置の各機能を１台の装置（障害予測サーバ）に設けた構成としてあるが、互いに通信可能に接続された複数台の装置に各機能を分散して設ける構成としてもよい。
また、本発明に係る障害予測装置により生成された障害予測器（障害の予測モデル）を各々の画像形成装置に配布し、各画像形成装置が自己診断（自装置について障害予測を実施）する構成としてもよい。
また、本発明に係る障害予測装置により生成された障害予測器（障害の予測モデル）を各々の画像形成装置に配布し、各画像形成装置が自己診断（自装置について障害予測を実施）する構成としてもよい。
また、これまでの説明では、画像形成装置を例にして、障害の各事例について障害兆候期間を調整した結果に基づいて障害予測器を生成する処理の説明を行ったが、使用状況の相違が障害兆候期間の長さに影響を及ぼす他の装置を被監視装置としてもよく、障害兆候期間の調整や障害予測器の生成などに必要なデータを各装置から収集することが可能な仕組みがあればよい。
本発明は、使用状況の相違が障害兆候期間の長さに影響を及ぼす装置を被監視装置として障害予測を行う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。
１１：学習データ、 １２：学習器、 １３：判別器、 １４：テストデータ、
２１：学習データ調整手段、 ２２：障害兆候期間の長さ推定器生成手段、 ２３：障害兆候期間の長さ推定器、
３１：装置動作状況記憶手段、 ３２：学習データ調整手段、 ３３：障害予測器学習手段、 ３４：障害発生確率算出手段、 ３５：障害兆候期間長推定器生成手段、 ３６：障害兆候期間長推定器、 ３７：予測結果通知手段、
４１：動作データ記憶手段、 ４２：障害発生情報記憶手段、 ４３：装置使用状況記憶手段
２１：学習データ調整手段、 ２２：障害兆候期間の長さ推定器生成手段、 ２３：障害兆候期間の長さ推定器、
３１：装置動作状況記憶手段、 ３２：学習データ調整手段、 ３３：障害予測器学習手段、 ３４：障害発生確率算出手段、 ３５：障害兆候期間長推定器生成手段、 ３６：障害兆候期間長推定器、 ３７：予測結果通知手段、
４１：動作データ記憶手段、 ４２：障害発生情報記憶手段、 ４３：装置使用状況記憶手段
Claims (6)
- 被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶手段と、
被監視装置における障害の発生時点を記憶する第２記憶手段と、
被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶手段と、
前記第３記憶手段に記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶手段に記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類手段と、
前記分類手段による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成手段と、
を備えたことを特徴とする障害予測システム。 - 被監視装置の使用状況の傾向と障害兆候期間の長さとの対応関係を予め定めてあり、
前記分類手段は、障害の発生時点における使用状況の傾向を前記対応関係に照らして障害兆候期間の長さを障害の事例毎に調整し、当該調整した障害兆候期間の長さを障害の各事例に適用して障害兆候期間の設定を行う、
ことを特徴とする請求項１に記載の障害予測システム。 - 前記予測モデルは、被監視装置における障害の発生確率を算出するものであり、
前記障害予測システムは、被監視装置における障害の発生時点以前の複数の時点について、前記予測モデルを用いて障害の発生確率を算出する予測手段を備え、
前記分類手段は、前記予測手段により算出された障害の発生確率の時系列変化と障害の発生時点に対応する収集時点の使用状況のデータとの関係に基づいて、障害兆候期間の長さを障害の事例毎に調整して、障害兆候期間の設定及び動作パラメータのデータの分類をやり直し、
前記生成手段は、前記分類手段による分類のやり直し後の動作パラメータのデータに基づいて、前記予測モデルを生成し直す、
ことを特徴とする請求項１又は請求項２に記載の障害予測システム。 - 前記第３記憶手段は、被監視装置の使用状況のデータ及びその収集時点を複数種の使用状況について記憶し、
前記分類手段は、前記第３記憶手段に記憶された複数種の使用状況のデータ及びその収集時点に基づいて障害の事例毎に障害兆候期間を設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する、
ことを特徴とする請求項１乃至請求項３のいずれか１項に記載の障害予測システム。 - 被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶手段と、
被監視装置における障害の発生時点を記憶する第２記憶手段と、
被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶手段と、
前記第３記憶手段に記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶手段に記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶手段に記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類手段と、
前記分類手段による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成手段と、
を備えたことを特徴とする障害予測装置。 - コンピュータに、
被監視装置が動作制御に用いる動作パラメータのデータ及びその収集時点を記憶する第１記憶機能と、
被監視装置における障害の発生時点を記憶する第２記憶機能と、
被監視装置の使用状況のデータ及びその収集時点を記憶する第３記憶機能と、
前記第３記憶機能により記憶された使用状況のデータ及びその収集時点に基づいて、前記第２記憶機能により記憶された障害の発生時点を基準に遡った期間であって障害の兆候が現れると想定される障害兆候期間を障害の事例毎に設定し、前記第１記憶機能により記憶された動作パラメータのデータをその収集時点が障害兆候期間に属するか否かで分類する分類機能と、
前記分類機能による動作パラメータのデータの分類結果に基づいて、被監視装置の障害予測に用いる予測モデルを生成する生成機能と、
を実現させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014051058A JP6167948B2 (ja) | 2014-03-14 | 2014-03-14 | 障害予測システム、障害予測装置およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014051058A JP6167948B2 (ja) | 2014-03-14 | 2014-03-14 | 障害予測システム、障害予測装置およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015174256A JP2015174256A (ja) | 2015-10-05 |
| JP6167948B2 true JP6167948B2 (ja) | 2017-07-26 |
Family
ID=54253907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014051058A Expired - Fee Related JP6167948B2 (ja) | 2014-03-14 | 2014-03-14 | 障害予測システム、障害予測装置およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6167948B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11472175B2 (en) * | 2019-03-08 | 2022-10-18 | Seiko Epson Corporation | Failure time estimation device, machine learning device, and failure time estimation method |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| DE102018121349A1 (de) | 2018-08-31 | 2020-03-05 | B. Braun Avitum Ag | Selbstlernender Eingabefilter für Medizingeräte |
| JP7236231B2 (ja) * | 2018-09-07 | 2023-03-09 | ルネサスエレクトロニクス株式会社 | 半導体装置及び解析システム |
| JP7059978B2 (ja) * | 2019-04-25 | 2022-04-26 | セイコーエプソン株式会社 | 情報処理装置、学習装置及び学習済モデル |
| EP4088934A1 (de) * | 2020-03-20 | 2022-11-16 | Heidelberger Druckmaschinen AG | Dumc mit variablem modell |
| CN112463853B (zh) * | 2020-11-27 | 2022-06-17 | 重庆医药高等专科学校 | 通过云平台进行财务数据行为筛选工作方法 |
| CN114654902B (zh) * | 2020-12-23 | 2023-06-02 | 精工爱普生株式会社 | 利用机器学习模型来执行印刷介质的判别处理的方法以及系统 |
| CN114697635B (zh) * | 2020-12-31 | 2023-11-10 | 三一汽车制造有限公司 | 臂架设备的场景再现方法、系统、电子设备及存储介质 |
| CN116184930B (zh) * | 2023-03-22 | 2023-07-21 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障预测方法、装置、设备及存储介质 |
Family Cites Families (15)
| 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 |
| JP3754927B2 (ja) * | 2002-03-12 | 2006-03-15 | キヤノン株式会社 | シート搬送装置及び画像形成装置及び回転体寿命予測方法 |
| JP2006259406A (ja) * | 2005-03-17 | 2006-09-28 | Ricoh Co Ltd | 画像形成装置、画像形成方法、その方法をコンピュータに実行させるプログラム、および記録媒体 |
| JP5122254B2 (ja) * | 2007-11-22 | 2013-01-16 | 株式会社リコー | 稼働状態判別方法および画像形成装置 |
| JP2009193486A (ja) * | 2008-02-18 | 2009-08-27 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
| JP5370832B2 (ja) * | 2009-07-01 | 2013-12-18 | 株式会社リコー | 状態判別装置及びこれを用いた故障予測システム |
| JP5718457B2 (ja) * | 2011-05-13 | 2015-05-13 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
| JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
| 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 |
| JP5867041B2 (ja) * | 2011-12-09 | 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 |
| JP5953779B2 (ja) * | 2012-02-01 | 2016-07-20 | 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 |
| JP6075240B2 (ja) * | 2013-08-16 | 2017-02-08 | 富士ゼロックス株式会社 | 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 |
| JP6136745B2 (ja) * | 2013-08-16 | 2017-05-31 | 富士ゼロックス株式会社 | 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 |
| JP6318674B2 (ja) * | 2014-02-13 | 2018-05-09 | 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 |
-
2014
- 2014-03-14 JP JP2014051058A patent/JP6167948B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11472175B2 (en) * | 2019-03-08 | 2022-10-18 | Seiko Epson Corporation | Failure time estimation device, machine learning device, and failure time estimation method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2015174256A (ja) | 2015-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6167948B2 (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 | |
| JP5370832B2 (ja) | 状態判別装置及びこれを用いた故障予測システム | |
| 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 | |
| JP5214656B2 (ja) | 評価装置および評価プログラム | |
| 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 | |
| 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 | |
| JP6365233B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
| JP6219865B2 (ja) | 制御装置の故障予測システム | |
| JP6318674B2 (ja) | 障害予測システム、障害予測装置およびプログラム | |
| JP5867000B2 (ja) | 障害予測システム、障害予測装置及びプログラム | |
| JP5790242B2 (ja) | 故障予測装置及びプログラム | |
| JP6424562B2 (ja) | 障害予測装置、障害予測システム、及びプログラム | |
| 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 | |
| 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 | |
| JP5716403B2 (ja) | 故障予測装置、画像形成装置及びプログラム | |
| JP2013033149A (ja) | 画質異常予測システム及びプログラム | |
| 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 | |
| JP2012037991A (ja) | 予測装置、予測システム及びプログラム | |
| WO2020091778A1 (en) | Printing device component status classification | |
| JP2014092729A (ja) | 消耗品管理装置及び消耗品管理プログラム | |
| JP6477367B2 (ja) | 障害予測管理装置、障害予測管理プログラム | |
| JP2011238046A (ja) | 監視システム、監視装置及び監視プログラム | |
| JP5861425B2 (ja) | 障害検出システム、障害検出装置及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160722 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170426 |
|
| 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: 20170530 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170612 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6167948 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 |