JP6365233B2 - 障害予測装置、障害予測システム、及びプログラム - Google Patents

障害予測装置、障害予測システム、及びプログラム Download PDF

Info

Publication number
JP6365233B2
JP6365233B2 JP2014217672A JP2014217672A JP6365233B2 JP 6365233 B2 JP6365233 B2 JP 6365233B2 JP 2014217672 A JP2014217672 A JP 2014217672A JP 2014217672 A JP2014217672 A JP 2014217672A JP 6365233 B2 JP6365233 B2 JP 6365233B2
Authority
JP
Japan
Prior art keywords
statistical value
failure
state feature
value
probability
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
Application number
JP2014217672A
Other languages
English (en)
Other versions
JP2016085589A (ja
Inventor
山田　紀一
紀一 山田
隆史 草皆
隆史 草皆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Fujifilm Business Innovation Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuji Xerox Co Ltd, Fujifilm Business Innovation Corp filed Critical Fuji Xerox Co Ltd
Priority to JP2014217672A priority Critical patent/JP6365233B2/ja
Priority to US14/703,093 priority patent/US10060834B2/en
Publication of JP2016085589A publication Critical patent/JP2016085589A/ja
Application granted granted Critical
Publication of JP6365233B2 publication Critical patent/JP6365233B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03G—ELECTROGRAPHY; ELECTROPHOTOGRAPHY; MAGNETOGRAPHY
    • G03G15/00—Apparatus for electrographic processes using a charge pattern
    • G03G15/50—Machine control of apparatus for electrographic processes using a charge pattern, e.g. regulating differents parts of the machine, multimode copiers, microprocessor control
    • G03G15/5075—Remote control machines, e.g. by a host
    • G03G15/5079—Remote control machines, e.g. by a host for maintenance
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03G—ELECTROGRAPHY; ELECTROPHOTOGRAPHY; MAGNETOGRAPHY
    • G03G15/00—Apparatus for electrographic processes using a charge pattern
    • G03G15/55—Self-diagnostics; Malfunction or lifetime display
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Automation & Control Theory (AREA)
  • Control Or Security For Electrophotography (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)
  • Facsimiles In General (AREA)

Description

本発明は、障害予測装置、障害予測システム、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装置において、画像形成装置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とって不便である。そこで、画像形成装置などの被監視装置で生じる障害を予測し、障害の発生に先立って又は障害が発生した後に速やかに部品交換や修理などの必要な処理を施さ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。
特許文献１には、被監視装置からデータを収集し、データから算出した特徴量を用いて、被監視装置の障害が発生する前の異常状態か障害が発生しない正常状態か識別する予測装置が開示されている。
特許文献２には、被監視装置から使用状態を収集し、使用状態から障害予測を用いるのに適した装置状態の項目を選択する障害関連項目設定装置が開示されている。
特許文献３には、受信した複数の状態データに基づいて、複数の画像形成ユニット毎の異常予兆を判定し、複数の画像形成ユニット毎の異常予兆の指標を示す予兆判別指標値を算出する推論部と、保守員の端末から診断依頼を受信した場合に、保守管理システムから、画像形成ユニットの交換日を含む交換部品情報を取得する交換情報取得部と、取得した交換部品情報に基づいて、予兆判別指標値に対する重み情報を算出する判定テーブル作成部と、予兆判別指標値及び重み情報から、画像形成ユニット毎の総合診断値情報を算出する総合診断情報作成部と、総合診断値情報を保守員の端末に送信する総合診断情報連絡部と、を含む管理装置が開示されている。
特許文献４には、画像形成装置の内部情報に基づき、複数種類の機器状態の異常を、機器状態の種類毎に設けられた各判別基準に従って各々判別する判別器を用いて、機器状態の異常を判別する状態判別方法であって、画像形成装置から出力される内部情報を収集し、内部情報に基づいて新たな種類の機器状態についての異常を判別し得る新たな判別基準を生成し、生成した新たな判別基準を判別器が使用可能となるように判別器に組み込んで、新たな種類の機器状態の異常を判別する状態判別方法が開示されている。なお、特許文献４に記載の状態判別方法は、判別結果を報知する報知工程であって、予め定められた条件を満たすまで報知しない報知工程を有していることを特徴としている。
特開２０１２−０３７９９１号公報 特開２０１１−２３７５７６号公報 特開２０１２−７３９２３号公報 特開２０１０−００２８１５号公報
特許文献１から特許文献４に記載の技術では、被監視装置の設置環境が変化した場合であっても、被監視装置の動作状態の特徴を示す状態特徴量が、設置環境の変化が反映されていない基準で選択され、選択された状態特徴量から障害の発生が予測される。
本発明の課題は、被監視装置の設置環境の変化が反映されていない基準で選択された状態特徴量から障害の発生を予測する場合に比べ、被監視装置の設置環境が変化した場合であっても、被監視装置での障害の発生を高精度に予測することができる障害予測装置、障害予測システム、及びプログラムを提供することである。
請求項１に記載の障害予測装置は、被監視装置の動作状態の特徴を示す複数の状態特徴量を取得する状態特徴量取得手段と、前記被監視装置の設置環境を示す環境物理量についての特定期間における統計値を取得する統計値取得手段と、前記複数の状態特徴量のうちの前記被監視装置で障害が発生する確率の導出に要する前記状態特徴量を各々選択する複数の選択条件であって、前記統計値の区分毎に各々予め定められた複数の選択条件のうちの、前記統計値取得手段により取得された統計値に対応する選択条件を満たす前記状態特徴量を用いて前記確率を導出する導出手段と、を含む。
請求項１に記載の障害予測装置で、請求項２に記載の発明のように、前記統計値取得手段は、前記統計値として第１統計値及び第２統計値を取得し、前記統計値の区分は、前記第１統計値及び前記第２統計値の各区分に分類されており、前記複数の選択条件の各々は、前記第１統計値の区分毎に、かつ、前記第２統計値の区分毎に予め定められており、前記導出手段は、前記複数の選択条件のうち、前記統計値取得手段により取得された前記第１統計値及び前記第２統計値に対応する選択条件を満たす前記状態特徴量を用いて前記確率を導出する。
請求項２に記載の障害予測装置で、請求項３に記載の発明のように、前記第１統計値の区分と前記選択条件とが対応付けられた対応付け情報が前記第２統計値の区分毎に分類されており、前記導出手段は、前記統計値取得手段により取得された前記第２統計値に対応する前記対応付け情報から、前記統計値取得手段により取得された前記第１統計値に対応する前記選択条件を取得し、取得した前記選択条件を満たす前記状態特徴量を用いて前記確率を導出する。
請求項２又は請求項３に記載の障害予測装置で、請求項４に記載の発明のように、前記第１統計値は、前記環境物理量についての前記特定期間における平均値であり、前記第２統計値は、前記環境物理量についての前記特定期間における標準偏差である。
請求項１から請求項４の何れか１項に記載の障害予測装置で、請求項５に記載の発明のように、前記環境物理量は、温度及び湿度である。
請求項１から請求項５の何れか１項に記載の障害予測装置で、請求項６に記載の発明のように、前記状態特徴量は、前記被監視装置の機能に特有の機能物理量についての予め定められた期間における統計値である。
請求項１から請求項６の何れか１項に記載の障害予測装置で、請求項７に記載の発明のように、前記複数の選択条件は、複数の閾値であり、前記導出手段は、前記状態特徴量に関するｐ値を算出し、前記統計値取得手段により取得された前記統計値に対応する前記閾値未満の前記ｐ値に対応する前記状態特徴量を用いて前記確率を算出する。
請求項１から請求項６の何れか１項に記載の障害予測装置で、請求項８に記載の発明のように、前記複数の選択条件は、各々順位を特定する複数の順位特定情報であり、前記導出手段は、前記状態特徴量に関するｐ値を算出し、算出した前記ｐ値が小さいほど前記状態特徴量に対して高順位を付与し、前記統計値取得手段により取得された前記統計値に対応する前記順位特定情報により特定される順位以上の高順位が付与された前記状態特徴量を用いて前記確率を算出する。
請求項１から請求項８の何れか１項に記載の障害予測装置で、請求項９に記載の発明のように、前記導出手段は、前記被監視装置で障害が発生した場合の前記状態特徴量の発生頻度の分布を示す障害時分布、及び前記被監視装置で障害が発生しなかった場合の前記状態特徴量の発生頻度の分布を示す非障害時分布を用いて前記確率を導出する。
請求項１から請求項９の何れか１項に記載の障害予測装置で、請求項１０に記載の発明のように、前記導出手段は、前記統計値取得手段により取得された前記統計値が変化したことを条件に、前記複数の選択条件から、前記統計値取得手段により取得された前記統計値に対応する選択条件を選択し、選択した選択条件を満たす前記状態特徴量を用いて前記確率を導出する。
請求項１１に記載の障害予測システムは、請求項１から請求項１０の何れか１項に記載の障害予測装置と、前記障害予測装置に含まれる状態特徴量取得手段により状態特徴量が取得される被監視装置と、を含む。
請求項１１に記載の障害予測システムで、請求項１２に記載の発明のように、前記被監視装置は、画像を形成する画像形成装置である。
請求項１３に記載のプログラムは、コンピュータを、請求項１から請求項１０の何れか１項に記載の障害予測装置に含まれる状態特徴量取得手段、統計値取得手段、及び導出手段として機能させるためのプログラムである。
請求項１、請求項１１、及び請求項１３に係る発明によれば、被監視装置の設置環境の変化が反映されていない基準で選択された状態特徴量から障害の発生を予測する場合に比べ、被監視装置の設置環境が変化した場合であっても、被監視装置での障害の発生を高精度に予測することができる。
請求項２、請求項３、及び請求項４に係る発明によれば、１種類の統計値のみで複数の選択条件が区分されている場合に比べ、被監視装置での障害の発生を高精度に予測することができる。
請求項５に係る発明によれば、温度又は湿度のみを、環境物理量として採用する場合に比べ、被監視装置の設置環境が変化した場合であっても、被監視装置での障害の発生を高精度に予測することができる。
請求項６に係る発明によれば、被監視装置から取得された機能物理量そのものを状態特徴量として採用する場合に比べ、被監視装置の設置環境が変化した場合であっても、被監視装置での障害の発生を高精度に予測することができる。
請求項７及び請求項８に係る発明によれば、状態特徴量に関するｐ値を利用せずに状態特徴量を選択する場合に比べ、被監視装置の設置環境が変化した場合であっても、被監視装置での障害の発生を高精度に予測することができる。
請求項９に係る発明によれば、障害発生の予測対象とされる被監視装置で障害が発生する確率を障害時分布及び非障害時分布を利用せずに導出する場合に比べ、障害発生の予測対象とされる被監視装置で障害が発生する確率を高精度に導出することができる。
請求項１０に係る発明によれば、被監視装置の設置環境が変化しても常に同一の選択条件下で確率を導出する場合に比べ、高精度な確率を導出することができる。
請求項１２に係る発明によれば、画像形成装置の設置環境の変化が反映されていない基準で選択された状態特徴量から障害の発生を予測する場合に比べ、画像形成装置の設置環境が変化した場合であっても、画像形成装置での障害の発生を高精度に予測することができる。
第１から第４実施形態に係る障害予測システムの要部構成の一例を示す概略構成図である。 種類Ａの状態特徴量についての正常期間の分布及び異常期間の分布の一例を示す分布図である。 種類Ｂの状態特徴量についての正常期間の分布及び異常期間の分布の一例を示す分布図である。 第１から第４実施形態に係る障害予測システムに含まれる管理装置の電気系のハードウェア構成の一例を示すブロック図である。 図４に示す管理装置に含まれる二次記憶部の記憶内容の一例を示す概念図である。 第１から第４特徴量特定用テーブルの構成の一例を示す概念図である。 第１特徴量特定用テーブルが有する閾値の配置例を示す概念図である。 第１実施形態に係る障害予測処理の流れの一例を示すフローチャートである。 状態特徴量の種類とｐ値との対応関係の一例を示す相関図である。 状態特徴量の種類とｐ値との対応関係の一例を示す相関図であって、閾値である０．０００３未満のｐ値が特定された状態を示す相関図である。 状態特徴量の種類とｐ値との対応関係の一例を示す相関図であって、閾値である０．０００１未満のｐ値が特定された状態を示す相関図である。 環境区分が温度Ｍ及び湿度Ｍから温度Ｍ及び湿度Ｌに遷移した場合の従来例の正常期間の分布の一例を示す分布図である。 環境区分が温度Ｍ及び湿度Ｍから温度Ｍ及び湿度Ｌに遷移した場合の従来例の異常期間の分布の一例を示す分布図である。 第２実施形態に係る障害予測処理の流れの一例を示すフローチャートである。 第３実施形態に係る障害予測処理の流れの一例を示すフローチャートである。 第４実施形態に係る障害予測処理の流れの一例を示すフローチャートである。 第１から第４実施形態に係る通知形態の一例を示す概念図である。 障害予測システムの変形例を示す概略構成図である。 順位付け部により状態特徴量の種類及びｐ値に対して順位が付与された状態の一例を示す概念図である。
以下、図面を参照して、本発明を実施するための形態の一例について詳細に説明する。なお、以下では、説明の便宜上、画像形成装置１２が設置されている環境を「設置環境」と称する。また、以下では、説明の便宜上、画像形成装置１２が設置されている場所を「設置場所」と称する。また、以下では、説明の便宜上、障害の種類を「障害種類」と称する。更に、以下では、説明の便宜上、障害の発生箇所を「障害発生箇所」と称する。
［第１実施形態］
一例として図１に示すように、障害予測システム１０は、複数の画像形成装置１２、複数の端末装置１４、及び本発明に係る障害予測装置の一例である管理装置１６を含み、これらは、通信網１８を介して相互に接続されている。通信網１８の一例としては、専用回線又はインターネット回線等が挙げられる。
本発明に係る被監視装置の一例である画像形成装置１２は、用紙やＯＨＰシート等の記録材に画像を形成して出力する装置である。画像形成装置１２の一例としては、プリンタ、コピー機、ファクシミリ装置、又は、これらの装置を複合的に備えた複合機が挙げられる。なお、本第１実施形態では、説明の便宜上、画像形成装置１２がゼログラフィ方式の画像形成装置であることを前提として説明する。また、本第１実施形態では、説明の便宜上、通信網１８に接続されている複数の画像形成装置１２は、何れも同機種の画像形成装置１２であることを前提として説明する。
画像形成装置１２は、画像形成プロセスに関わる監視パラメータ及び環境パラメータを画像形成中に随時検出する機能を有する。監視パラメータは、画像形成装置１２の障害の発生の予測に寄与するパラメータとして予め定められたパラメータであり、画像形成装置１２の機能に特有の機能物理量である。監視パラメータの一例としては、感光体の電位、感光体の帯電電流、半導体レーザ光の光量、現像器のトナー濃度、１次転写部の転写電流、２次転写部の転写電流、定着器に含まれるロールの温度、及びパッチの濃度等が挙げられる。また、環境パラメータの一例としては、画像形成装置１２の設置環境の温度及び湿度が挙げられる。画像形成装置１２の設置環境の温度及び湿度は、本発明に係る環境物理量の一例であり、例えば、画像形成装置１２に搭載されている温度センサ及び湿度センサによって測定される。
画像形成装置１２は、１ページ又は複数のページに係る画像を記録材に形成する一連の処理（ジョブ）の実行命令を受け付けると、ジョブの実行命令に従って画像を記録材に形成して出力する毎（例えば、１ページ毎）に監視パラメータ及び環境パラメータを検出する。そして、ジョブの実行命令に係る全ての画像形成処理の終了後に、監視パラメータ及び環境パラメータを格納したマシン情報を通信網１８を介して管理装置１６に送信する。
なお、マシン情報は、自装置を識別する装置ＩＤ、ジョブの実行命令を識別するジョブＩＤ、ジョブの実行命令に基づく画像形成処理毎の監視パラメータ、環境パラメータ、及び検出日時を示す検出日時情報等を格納した構造のデータである。
ここで、本第１実施形態では、説明の便宜上、ジョブの実行命令に基づく画像形成処理の終了毎にマシン情報が管理装置１６に送信される場合を例示しているが、本発明はこれに限定されるものではない。例えば、マシン情報を画像形成装置１２のメモリに一時的に蓄積しておき、予め定められた送信条件を満たした場合に、メモリに蓄積しておいた未送信のマシン情報が管理装置１６に送信されるようにしてもよい。例えば、予め定められた時間（例えば、１時間）が経過した場合に、マシン情報が管理装置１６に送信されるようにしてもよいし、管理装置１６からの要求に応じてマシン情報が管理装置１６に送信されるようにしてもよい。
端末装置１４は、画像形成装置１２の管理者や保守の担当者等によって用いられる。端末装置１４の一例としては、パーソナル・コンピュータ、スマートデバイス、又はウェアラブル端末装置が挙げられる。
端末装置１４は、通信インタフェース、受付デバイス、及び表示デバイスを有する。通信インタフェースは、無線通信プロセッサ及びアンテナを備えており、端末装置１４と通信網１８に接続された外部装置との通信を司る。また、端末装置１４は、画像形成装置１２の設置場所に訪問して保守作業を実際に行った保守担当者やその報告を受けた者などから、保守作業に関する保守情報の入力を受付デバイスで受け付け、受け付けた保守情報を管理装置１６に送信する。また、端末装置１４は、画像形成装置１２の障害の発生の予測結果が管理装置１６から送信されると、予測結果を受信し、受信した予測結果を表示デバイスに表示する。
なお、保守情報は、保守作業の対象となった画像形成装置１２を識別する装置ＩＤ、保守作業が実施された日時を示す保守日時情報、保守作業により除去された障害種類を示す障害種類情報、障害が発生した日時を示す障害日時情報、及び障害が発生した箇所を示す障害発生箇所情報等を格納した構造のデータである。すなわち、保守情報は、トラブル発生事例を示す情報とも言える。
管理装置１６は、画像形成装置１２の障害の発生を予測する装置であり、状態特徴量取得部２０、統計値取得部２２、導出部２４、及び通知部２６を含む。なお、通信網１８に接続されている複数の画像形成装置１２は何れも障害発生の予測対象になり得る。複数の画像形成装置１２のうちの何れの画像形成装置１２を障害発生の予測対象とするかは、管理装置１６がユーザの指示を受け付けることによって定まる。
状態特徴量取得部２０は、画像形成装置１２の動作状態の特徴を示す複数の状態特徴量を取得する。なお、状態特徴量は、通信網１８に接続されている複数の画像形成装置１２の各々から状態特徴量取得部２０によって取得される。状態特徴量とは、例えば、監視パラメータの統計値を指す。
統計値取得部２２は、画像形成装置１２の設置環境を示す環境物理量についての特定期間における統計値を取得する。
導出部２４は、統計値の区分毎に各々予め定められた複数の選択条件のうちの、統計値取得部２２によって取得された統計値に対応する選択条件を満たす状態特徴量を用いて、予測対象画像形成装置で障害が発生する確率を導出する。なお、ここで、予測対象画像形成装置とは、複数の画像形成装置１２のうちの障害発生の予測対象とされる画像形成装置１２を指す。また、ここで、複数の選択条件は、画像形成装置１２が有する複数の状態特徴量のうちの画像形成装置１２で障害が発生する確率の導出に要する状態特徴量を各々選択する条件である。
通知部２６は、導出部２４により導出された確率を通知する。例えば、導出部２４により導出された確率を示す確率情報が端末装置１４に送信され、確率情報により示される確率が端末装置１４の表示デバイスに表示される。
状態特徴量取得部２０は、保守・マシン情報収集部２３、保守情報蓄積部２５、マシン情報蓄積部２８、及び状態特徴量算出部３０を含む。
保守・マシン情報収集部２３は、画像形成装置１２から送信されたマシン情報を受信することでマシン情報を収集し、収集したマシン情報をマシン情報蓄積部２８に時系列化して記憶させることでマシン情報蓄積部２８にマシン情報を蓄積する。また、保守・マシン情報収集部２３は、端末装置１４から送信された保守情報を受信することで保守情報を収集し、収集した保守情報を保守情報蓄積部２５に時系列化して記憶させることで保守情報蓄積部２５に保守情報を蓄積する。
状態特徴量算出部３０は、保守情報及びマシン情報に基づいて、監視パラメータの種類毎に状態特徴量を算出する。すなわち、状態特徴量算出部３０は、時系列データ（時系列化された監視パラメータ）を統計処理することで監視パラメータの種類毎に状態特徴量を算出する。なお、本第１実施形態では、状態特徴量算出部３０により算出される状態特徴量の一例として、監視パラメータについての期間ΔＴ１における平均値を採用している。また、本第１実施形態では、期間ΔＴ１の一例として、１日を採用しているが、これに限らず、１ジョブの期間、数ジョブの期間、又は数日単位の期間であってもよい。また、ここでは、平均値を採用しているが、これに限らず、分散値、２パラメータ間の相関値、又はデータトレンド値であってもよい。
統計値取得部２２は、保守・マシン情報収集部２３、保守情報蓄積部２５、マシン情報蓄積部２８、及び統計値算出部３２を含む。
統計値算出部３２は、マシン情報に含まれる環境パラメータから、期間ΔＴ２及び期間ΔＴ３の各々についての統計値を算出する。なお、ここで、期間ΔＴ２及び期間ΔＴ３の各々は、本発明に係る特定期間の一例である。また、期間ΔＴ２とは、画像形成装置１２で障害が発生した期間を指し、例えば、画像形成装置１２の障害の発生日時以前の指定された期間（障害の発生日を起算日として遡って指定された期間）を指す。期間ΔＴ３とは、画像形成装置１２で障害が発生しなかった期間を指し、例えば、期間ΔＴ２以外の指定された期間を指す。また、期間ΔＴ２及び期間ΔＴ３の各々で指定された期間は、期間ΔＴ１よりも長い期間であり、本第１実施形態では、５日間を採用している。
本第１実施形態では、統計値算出部３２により算出される統計値の一例として、期間ΔＴ２及び期間ΔＴ３の各々についての温度の統計値及び湿度の統計値を採用している。また、本第１実施形態では、温度の統計値の一例として、温度の平均値及び標準偏差を採用しており、湿度の統計値の一例として、湿度の平均値及び標準偏差を採用している。以下では、説明の便宜上、温度の平均値を「温度平均値」と称し、湿度の平均値を「湿度平均値」と称し、温度の標準偏差を「温度標準偏差」と称し、湿度の標準偏差を「湿度標準偏差」と称する。なお、温度平均値及び湿度平均値は、本発明に係る第１統計値の一例であり、温度標準偏差及び湿度標準偏差は、本発明に係る第２統計値の一例である。
導出部２４は、特徴量分類部３４、統計的検定部３６、特徴量選択部３８、特徴量選択条件特定部４０、及び確率算出部４２を含む。
特徴量分類部３４は、状態特徴量算出部３０により算出された状態特徴量を、期間ΔＴ２の状態特徴量と期間ΔＴ３の状態特徴量とに分類する。
統計的検定部３６は、画像形成装置１２毎に、特徴量分類部３４により分類された期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布を生成する。そして、統計的検定部３６は、期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布に対して統計的検定法を適用することで、状態特徴量の種類毎にｐ値を算出する。なお、状態特徴量の種類とは、状態特徴量の算出に要した監視パラメータの種類（例えば、帯電電圧、現像バイアス、及びレーザ光量等）を指す。また、統計的検定法の一例としては、平均値の検定、ウィルコクソンの順位和検定、又はコルモゴロフ−スミルノフ検定が挙げられるが、これに限定されるものではない。また、以下では、説明の便宜上、期間Δ３の状態特徴量の頻度分布を「正常期間の分布」と称し、期間ΔＴ２の状態特徴量の頻度分布を「異常期間の分布」と称する。
図２には、種類Ａの状態特徴量についての正常期間の分布及び異常期間の分布の一例が示されており、図３には、種類Ｂの状態特徴量についての正常期間の分布及び異常期間の分布の一例が示されている。図２に示す正常期間の分布及び異常期間の分布に対して統計的検定部３６によって統計的検定法が適用されると、ｐ値として“０．２０７”が算出される。図３に示す正常期間の分布及び異常期間の分布に対して統計的検定部３６によって統計的検定法が適用されると、ｐ値として“４．６９＊１０−２５”が算出される。
特徴量選択部３８は、複数種類の状態特徴量から、特徴量選択条件特定部により特定された選択条件を満たす状態特徴量を選択する。
特徴量選択条件特定部４０は、複数の選択条件から、統計値算出部３２によって算出された統計値に対応する１つの選択条件を特定する。
確率算出部４２は、特徴量選択部３８により選択された状態特徴量を用いて、画像形成装置１２で障害が発生する確率をナイーブベイズ方式で算出する。
一例として図４に示すように、管理装置１６は、ＣＰＵ（Central Processing Unit）５０、一次記憶部５２、及び二次記憶部５４を備えている。一次記憶部５２は、各種プログラムの実行時のワークエリア等として用いられる揮発性のメモリ（例えば、ＲＡＭ（Random Access Memory））である。二次記憶部５４は、管理装置１６の作動を制御する制御プログラムや各種パラメータ等を予め記憶する不揮発性のメモリ（例えば、フラッシュメモリやＨＤＤ（Hard Disk Drive）など）である。ＣＰＵ５０、一次記憶部５２、及び二次記憶部５４は、バス５６を介して相互に接続されている。
一例として図５に示すように、二次記憶部５４は、障害予測プログラム５８を記憶している。ＣＰＵ５０は、二次記憶部５４から障害予測プログラム５８を読み出して一次記憶部５２に展開し、障害予測プログラム５８を実行することで、状態特徴量取得部２０、統計値取得部２２、導出部２４、及び通知部２６として動作する。また、状態特徴量取得部２０及び統計値取得部２２がＣＰＵ５０によって実現されることで、二次記憶部５４は保守情報蓄積部２５及びマシン情報蓄積部２８として用いられる。
なお、ここでは障害予測プログラム５８を二次記憶部５４から読み出す場合を例示したが、必ずしも最初から二次記憶部５４に記憶させておく必要はない。例えば、管理装置１６に接続されて使用されるＳＳＤ（Solid State Drive）、ＤＶＤディスク、ＩＣカード、光磁気ディスク、ＣＤ−ＲＯＭなどの任意の可搬型の記憶媒体に先ずは障害予測プログラム５８を記憶させておいてもよい。そして、ＣＰＵ５０が可搬型の記憶媒体から障害予測プログラム５８を取得して実行するようにしてもよい。また、通信網１８を介して管理装置１６に接続される他のコンピュータ又はサーバ装置等の記憶部に障害予測プログラム５８を記憶させておき、ＣＰＵ５０が他のコンピュータ又はサーバ装置等から障害予測プログラム５８を取得して実行してもよい。
二次記憶部５４は、統計値記憶領域（図示省略）を有しており、統計値記憶領域には、ＣＰＵ５０によって統計値が上書き保存され、統計値が上書き保存されることで、統計値記憶領域の記憶内容は最新の統計値に更新される。
二次記憶部５４は、状態特徴量記憶領域（図示省略）を有しており、状態特徴量記憶領域には、ＣＰＵ５０によって状態特徴量が上書き保存され、状態特徴量が上書き保存されることで、状態特徴量記憶領域の記憶内容は最新の状態特徴量に更新される。
一例として図５に示すように、二次記憶部５４は、第１特徴量特定用テーブル６０、第２特徴量特定用テーブル６２、第３特徴量特定用テーブル６４、及び第４特徴量特定用テーブル６６を記憶している。以下では、説明の便宜上、第１特徴量特定用テーブル６０、第２特徴量特定用テーブル６２、第３特徴量特定用テーブル６４、及び第４特徴量特定用テーブル６６を区別して説明する必要がない場合は、符号を付さずに「特徴量特定用テーブル」と称する。なお、特徴量特定用テーブルは、本発明に係る対応付け情報の一例である。
特徴量特定用テーブルは、特徴量選択条件特定部４０によって複数の選択条件から１つの選択条件が特定される際に参照されるテーブルである。一例として図６に示すように、第１特徴量特定用テーブル６０、第２特徴量特定用テーブル６２、第３特徴量特定用テーブル６４、及び第４特徴量特定用テーブル６６は、温度標準偏差の区分及び湿度標準偏差の区分の組み合わせ毎に定められている。
温度標準偏差は、高（Ｈ：Ｈｉｇｈ）及び低（Ｌ：Ｌｏｗ）の２つの区分に分類され、湿度標準偏差も、高及び低の２つの区分に分類される。以下では、説明の便宜上、「高」に分類される温度標準偏差を温度標準偏差Ｈと称し、「低」に分類される温度標準偏差を温度標準偏差Ｌと称する。また、以下では、説明の便宜上、「高」に分類される湿度標準偏差を湿度標準偏差Ｈと称し、「低」に分類される湿度標準偏差を湿度標準偏差Ｌと称する。なお、温度標準偏差Ｈ，Ｌ及び湿度標準偏差Ｈ，Ｌは、本発明に係る第２統計値の区分の一例である。
温度標準偏差Ｌ及び湿度標準偏差Ｌには、第１特徴量特定用テーブル６０が対応付けられている。温度標準偏差Ｌ及び湿度標準偏差Ｈには、第２特徴量特定用テーブル６２が対応付けられている。温度標準偏差Ｈ及び湿度標準偏差Ｌには、第３特徴量特定用テーブル６４が対応付けられている。温度標準偏差Ｈ及び湿度標準偏差Ｈには、第４特徴量特定用テーブル６６が対応付けられている。
特徴量選択条件特定部４０は、第１特徴量特定用テーブル６０、第２特徴量特定用テーブル６２、第３特徴量特定用テーブル６４、及び第４特徴量特定用テーブル６６から、統計値算出部３２により統計値として算出された温度標準偏差及び湿度標準偏差に対応する特徴量特定用テーブルを取得する。
特徴量特定用テーブルは、ｐ値と各々比較される複数の閾値を有しており、これらの閾値は、温度平均値の区分及び湿度平均値の区分の組み合わせ毎に定められている。なお、特徴量特定用テーブルが有する閾値は、本発明に係る選択条件の一例である。よって、特徴量選択部３８では、複数種類の状態特徴量から、特徴量選択条件特定部４０により選択条件として特定された閾値未満のｐ値に対応する状態特徴量が選択される。
温度平均値は、高、中（Ｍ：Ｍｉｄｄｌｅ）、及び低の３つの区分に分類され、湿度平均値も、高、中、及び低の３つの区分に分類される。以下では、説明の便宜上、「高」に分類される温度平均値を温度平均値Ｈと称し、「中」に分類される温度平均値を温度平均値Ｍと称し、「低」に分類される温度平均値を温度平均値Ｌと称する。また、以下では、説明の便宜上、「高」に分類される湿度平均値を湿度平均値Ｈと称し、「中」に分類される湿度平均値を湿度平均値Ｍと称し、「低」に分類される湿度平均値を湿度平均値Ｌと称する。なお、温度平均値Ｈ，Ｍ，Ｌ及び湿度平均値Ｈ，Ｍ，Ｌは、本発明に係る第１統計値の区分の一例である。
一例として図７に示すように、第１特徴量特定用テーブル６０は、温度平均値及び湿度平均値の組み合わせ毎に異なる閾値を有する。特徴量選択条件特定部４０は、第１特徴量特定用テーブル６０に含まれる複数の閾値から、統計値算出部３２により統計値として算出された温度平均値及び湿度平均値に対応する閾値を特定する。例えば、図７に示す第１特徴量特定用テーブル６０によれば、統計値算出部３２によって温度平均値Ｍ及び湿度平均値Ｍに属する統計値（温度平均値及び湿度平均値）が算出された場合、特徴量選択条件特定部４０によって特定される閾値は、“０．０００３”である。
一例として図４に示すように、管理装置１６は、受付デバイス７０及び表示デバイス７２を含む。受付デバイス７０は、例えば、キーボード、マウス、及びタッチパネルであり、ユーザから与えられる各種情報を受け付ける。受付デバイス７０は、バス５６に接続されており、受付デバイス７０によって受け付けられた各種情報はＣＰＵ５０によって取得される。表示デバイス７２は、例えば、液晶ディスプレイであり、液晶ディスプレイの表示面には受付デバイス７０のタッチパネルが重ねられている。表示デバイス７２は、バス５６に接続されており、ＣＰＵ５０の制御下で各種情報を表示する。
管理装置１６は、外部インタフェース（Ｉ／Ｆ）７４を含む。外部Ｉ／Ｆ７４はバス５６に接続されている。外部Ｉ／Ｆ７４は、ＵＳＢメモリや外付けハードディスク装置などの外部装置に接続され、外部装置とＣＰＵ５０との間の各種情報の送受信を司る。
管理装置１６は、通信Ｉ／Ｆ７６を含む。通信Ｉ／Ｆ７６は、バス５６に接続されている。通信Ｉ／Ｆ７６は、通信網１８に接続され、画像形成装置１２及び端末装置１４とＣＰＵ５０との間の各種情報の送受信を司る。
次に、予測対象画像形成装置で発生する障害を予測する障害予測処理の開始条件を満たした場合にＣＰＵ５０が障害予測プログラム５８を実行することでＣＰＵ５０によって実行される障害予測処理について図８を参照して説明する。なお、開始条件とは、端末装置１４から障害予測処理の開始指示を示す開始指示信号が送信され、開始指示信号が管理装置１６によって受信されたとの条件を指すが、これに限定されるものではない。例えば、開始条件は、障害予測処理の開始指示が受付デバイス７０によって受け付けられたとの条件であってもよい。
図８に示す障害予測処理では、先ず、ステップ１００で、状態特徴量算出部３０は、保守情報蓄積部２５から、トラブル発生事例として保守情報を抽出する。
次のステップ１０２で、状態特徴量算出部３０は、ステップ１００で抽出した保守情報に対応するマシン情報をマシン情報蓄積部２８から抽出する。そして、状態特徴量算出部３０は、抽出したマシン情報から、障害が発生した画像形成装置１２についての障害種類との対応が予め設定された監視パラメータ種類毎に期間ΔＴ１ずつ監視パラメータを取得する。ここで、予め設定された監視パラメータ種類とは、障害発生の予測に寄与する監視パラメータの種類を指す。例えば、本ステップ１０２では、濃度変動に起因する画質の不具合の場合には、監視パラメータとして、帯電電圧、現像バイアス、レーザ光量等が取得される。
次のステップ１０４で、状態特徴量算出部３０は、画像形成装置１２毎に、ステップ１０２で期間ΔＴ１ずつ取得した監視パラメータに基づく状態特徴量を算出する。なお、本ステップ１０４で状態特徴量の算出に要する監視パラメータの種類は、障害種類毎に予め定められている。
次のステップ１０６で、統計値算出部３２は、ステップ１０２で抽出したマシン情報から、障害が発生した画像形成装置１２についての環境パラメータを期間ΔＴ１ずつ取得する。
次のステップ１０８で、統計値算出部３２は、ステップ１００で抽出した保守情報を参照して、ステップ１０６で取得した環境パラメータについての期間ΔＴ２及び期間ΔＴ３の各々における統計値を算出する。
次のステップ１１０で、統計値算出部３２は、ステップ１０８で算出した統計値が二次記憶部５４の統計値記憶領域に記憶されている統計値（前回の統計値）と一致しているか否かを判定する。ステップ１１０において、ステップ１０８で算出した統計値が前回の統計値と一致していない場合は、判定が否定されて、ステップ１１２へ移行する。ステップ１１０において、ステップ１０８で算出した統計値が前回の統計値と一致している場合は、判定が肯定されて、ステップ１２４へ移行する。
ステップ１１２で、統計値算出部３２は、ステップ１０８で算出した統計値を、二次記憶部５４の統計値記憶領域に上書き保存することで、統計値記憶領域の記憶内容を最新の統計値に更新する。
次のステップ１１４で、特徴量選択条件特定部４０は、ステップ１１２で更新された最新の統計値である最新の温度標準偏差及び湿度標準偏差に対応する特徴量特定用テーブルを二次記憶部５４から取得する。
次のステップ１１６で、特徴量選択条件特定部４０は、ステップ１１４で取得した特徴量特定用テーブルから、ステップ１１２で更新された最新の統計値である最新の温度平均値及び湿度平均値に対応する閾値を特定する。
次のステップ１１８で、特徴量分類部３４は、ステップ１００で抽出した保守情報を参照して、ステップ１０４で算出された状態特徴量を、期間ΔＴ２の状態特徴量と期間ΔＴ３の状態特徴量とに分類する。そして、統計的検定部３６は、予測対象画像形成装置の障害種類に対応する予め定められた複数種類の状態特徴量の各々について、特徴量分類部３４により分類された期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布を生成する。なお、ここでは、頻度分布の一例として、期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度値が正規化されて得られた値の分布を採用しているが、本発明はこれに限定されるものではない。例えば、統計的検定部３６は、画像形成装置１２間の状態特徴量のばらつきを補正するために、画像形成装置１２毎に状態特徴量の平均値と標準偏差とを算出し、状態特徴量を規格化して頻度分布を生成してもよい。
次のステップ１２０で、統計的検定部３６は、一例として図９に示すように、状態特徴量の種類毎に期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布に対して統計的検定法を適用することで、状態特徴量の種類毎にｐ値を算出する。
ところで、一例として図１２及び図１３に示すように、環境区分（温度及び湿度）が変動すると、正常期間の分布及び異常期間の分布が共に変動する。この現象は、一例として下記の表１に示すように、誤検出率（障害発生の予測が外れる確率）及びトラブルカバー率（障害発生の予測が当たる確率）の低下を引き起こす。
そこで、ステップ１２２で、特徴量選択部３８は、ステップ１０４で算出された複数種類の状態特徴量から、ステップ１１６で特定された閾値及びステップ１２０で算出されたｐ値に基づいて状態特徴量を選択する。そして、特徴量選択部３８は、選択した状態特徴量を二次記憶部５４の状態特徴量記憶領域に上書き保存することで状態特徴量記憶領域の記憶内容を最新の状態特徴量に更新する。
本ステップ１２２では、例えば、ステップ１１６で特徴量特定用テーブルから閾値として“０．０００３”が特定された場合、一例として図１０に示す破線枠内のｐ値が選択されることで状態特徴量が選択される。図１０に示す破線枠内のｐ値とは、“０．０００３”未満のｐ値である。従って、図１０に示す例では、種類ａから種類ｇまでの状態特徴量が選択される。
また、本ステップ１２２では、例えば、ステップ１１６で特徴量特定用テーブルから閾値として“０．０００１”が特定された場合、一例として図１１に示す破線枠内のｐ値が選択されることで状態特徴量が選択される。図１１に示す破線枠内のｐ値とは、“０．０００１” 未満のｐ値である。従って、図１１に示す例では、種類ａから種類ｋまでの状態特徴量が選択される。
次のステップ１２４で、確率算出部４２は、二次記憶部５４の状態特徴量記憶領域に記憶されている状態特徴量を取得する。
次のステップ１２６で、確率算出部４２は、ステップ１２４で取得した状態特徴量の種類に基づいて、ステップ１１８で生成された頻度分布から障害種類判定用確率分布を取得する。すなわち、本ステップ１２６では、ステップ１１８で生成された頻度分布から、ステップ１２４で取得した状態特徴量の種類に対応する頻度分布が障害種類判定用確率分布として取得される。
次のステップ１２８で、確率算出部４２は、ステップ１２４で取得した状態特徴量、及びステップ１２６で取得した障害種類判定用確率分布に基づいて、障害種類毎に、予測対象画像形成装置で近い将来障害が発生する確率をナイーブベイズ方式で算出する。
すなわち、本ステップ１２８では、下記の数式（１）により、予測対象画像形成装置に障害Ｔが発生する確率が算出される。なお、数式（１）は、各々の状態特徴量の間に相関がないことを前提としている。また、数式（１）において、Ｔは、障害が発生する確率の算出対象となる障害種類である。また、ｘｉは、障害Ｔの予測対象画像形成装置における最新のマシン情報に含まれるｍ種の監視パラメータＰｊ（１≦ｊ≦ｍ）に基づいて算出された障害Ｔに関するｎ種の状態特徴量Ｘｉ（１≦ｉ≦ｎ）の各値である。
数式１において、Ｐ（Ｔ＝ｙｅｓ）は、障害Ｔが発生する確率（事前確率）であり、Ｐ（Ｔ＝ｎｏ）は、障害Ｔ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（ｘｉ｜（Ｔ＝ｙｅｓ））は、障害Ｔが発生した場合にｉ番目の状態特徴量Ｘｉの値がｘｉであった確率であり、障害Ｔに対応する状態特徴量Ｘｉについての障害種類判定用確率分布（障害有り）におけるｘｉの確率が用いられる。
また、Ｐ（ｘｉ｜（Ｔ＝ｎｏ））は、障害Ｔが発生しなかった場合にｉ番目の状態特徴量Ｘｉの値がｘｉであった確率であり、障害Ｔに対応する状態特徴量Ｘｉについての障害種類判定用確率分布（障害無し）におけるｘｉの確率が用いられる。
すなわち、確率算出部４２では、数式（１）により、［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘｉ｜（Ｔ＝ｙｅｓ））］、及び、［Ｐ（Ｔ＝ｎｏ）・ΠＰ（ｘｉ｜（Ｔ＝ｎｏ））］を用いて、予測対象画像形成装置に障害Ｔが発生する確率［Ｐ（（Ｔ＝ｙｅｓ）｜ｘ１，ｘ２，・・・・，ｘｎ）］が算出される。
なお、ここで、［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘｉ｜（Ｔ＝ｙｅｓ））］とは、障害Ｔが発生する確率（事前確率）と、障害Ｔが発生した場合にｎ種の状態特徴量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て得た値を指す。
また、［Ｐ（Ｔ＝ｎｏ）・ΠＰ（ｘｉ｜（Ｔ＝ｎｏ））］とは、障害Ｔが発生しない確率（事前確率）と、障害Ｔが発生しなかった場合にｎ種の状態特徴量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て得た値を指す。
次のステップ１３０で、通知部２６は、確率算出部４２により障害種類毎に算出された確率を通知し、その後、本障害予測処理を終了する。なお、確率の通知は、確率が表示デバイス７２及び端末装置１４のディスプレイの少なくとも一方に表示されることで実現される。また、通知部２６では、確率算出部４２により算出された全ての確率が通知されるようにしてもよいが、これに限らず、予め定められた確率（例えば、８０％）以上が通知されるようにしてもよい。また、確率が通知される場合、確率が高い順に通知されることが好ましい。また、本ステップ１３０の処理が実行されることで、一例として図１７（ａ）に示すように、障害種類毎の確率がリスト形式で通知され、障害種類毎に確率が、確率の高い順に表示される。
このように、ステップ１２２で閾値及びｐ値に基づいて状態特徴量が選択され、選択された状態特徴量に基づいて確率が算出されるので、一例として下記の表２に示すように、従来例の表１に比べ、誤検出率及びトラブルカバー率の低下が抑制される。
［第２実施形態］
上記第１実施形態では、障害種類毎に確率が算出される場合を例示したが、本第２実施形態では、障害発生箇所毎に確率が算出される場合について説明する。上記第１実施形態で説明した構成要素と相違しない構成要素については同一の符号を付し、その説明を省略する。
一例として図１に示すように、本第２実施形態に係る障害予測システム２００は、上記第１実施形態に係る障害予測システム１０に比べ、管理装置１６に代えて管理装置１６０を有する点が異なる。また、一例として図５に示すように、管理装置１６０は、管理装置１６に比べ、二次記憶部５４に障害予測プログラム５８に代えて障害予測プログラム１５８が記憶されている点が異なる。
次に、本第２実施形態に係る障害予測処理の開始条件を満たした場合にＣＰＵ５０が障害予測プログラム１５８を実行することでＣＰＵ５０によって実行される障害予測処理について図１４を参照して説明する。なお、本第２実施形態に係る障害予測処理は、上記第１実施形態に係る障害予測処理に比べ、ステップ１１８の処理に代えてステップ２５０の処理を有する点、ステップ１２６の処理に代えてステップ２５２の処理を有する点、ステップ１２８の処理に代えてステップ２５４の処理を有する点、ステップ１３０の処理に代えてステップ２５６の処理を有する点が異なる。また、以下では、図８に示すフローチャートに含まれるステップの処理と相違しない処理が行われるステップには、図８に示すステップ番号と相違しないステップ番号を付し、その説明を省略する。
図１４に示す障害予測処理では、ステップ２５０で、特徴量分類部３４は、ステップ１００で抽出した保守情報を参照して、ステップ１０４で算出された状態特徴量を、期間ΔＴ２の状態特徴量と期間ΔＴ３の状態特徴量とに分類する。そして、統計的検定部３６は、予測対象画像形成装置の障害発生箇所に対応する予め定められた複数種類の状態特徴量の各々について、特徴量分類部３４により分類された期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布を生成する。
ステップ２５２で、確率算出部４２は、ステップ１２４で取得した状態特徴量の種類に基づいて、ステップ２５０で生成された頻度分布から障害発生箇所判定用確率分布を取得する。すなわち、本ステップ２５２では、ステップ２５０で生成された頻度分布から、ステップ１２４で取得した状態特徴量の種類に対応する頻度分布が障害発生箇所判定用確率分布として取得される。
次のステップ２５４で、確率算出部４２は、ステップ１２４で取得した状態特徴量、及びステップ２５２で取得した障害発生箇所判定用確率分布に基づいて、障害発生箇所毎に、予測対象画像形成装置で近い将来障害が発生する確率をナイーブベイズ方式で算出する。
すなわち、本ステップ２５４では、数式（１）により、予測対象画像形成装置に障害Ｔが発生する確率が算出される。なお、数式（１）は、各々の状態特徴量の間に相関がないことを前提としている。また、数式（１）において、Ｔは、障害が発生する確率の算出対象となる障害発生箇所である。また、ｘｉは、障害Ｔの予測対象画像形成装置における最新のマシン情報に含まれるｍ種の監視パラメータＰｊ（１≦ｊ≦ｍ）に基づいて算出された障害Ｔに関するｎ種の状態特徴量Ｘｉ（１≦ｉ≦ｎ）の各値である。
次のステップ２５６で、通知部２６は、確率算出部４２により障害発生箇所毎に算出された確率を通知し、その後、本障害予測処理を終了する。なお、本ステップ２５６の処理が実行されることで、一例として図１７（ｂ）に示すように、障害種類毎の確率がリスト形式で通知され、障害発生箇所毎に確率が、確率の高い順に表示される。
［第３実施形態］
上記第１実施形態では、障害種類毎に確率が算出される場合について説明したが、本第３実施形態では、障害種類毎及び障害発生箇所毎に確率が算出される場合について説明する。上記第１及び第２実施形態で説明した構成要素と相違しない構成要素については同一の符号を付し、その説明を省略する。
一例として図１に示すように、本第３実施形態に係る障害予測システム３００は、上記第１実施形態に係る障害予測システム１０に比べ、管理装置１６に代えて管理装置３６０を有する点が異なる。また、一例として図５に示すように、管理装置３６０は、管理装置１６に比べ、二次記憶部５４に障害予測プログラム５８に代えて障害予測プログラム２５８が記憶されている点が異なる。
次に、本第３実施形態に係る障害予測処理の開始条件を満たした場合にＣＰＵ５０が障害予測プログラム２５８を実行することでＣＰＵ５０によって実行される障害予測処理について図１５を参照して説明する。なお、本第３実施形態に係る障害予測処理は、上記第１実施形態に係る障害予測処理に比べ、ステップ１１８の処理に代えてステップ３５０の処理を有する点、及びステップ１２８，１３０の処理に代えてステップ３５２，３５４，３５６の処理を有する点が異なる。また、以下では、図８に示すフローチャートに含まれるステップの処理と相違しない処理が行われるステップには、図８に示すステップ番号と相違しないステップ番号を付し、その説明を省略する。
図１５に示す障害予測処理では、ステップ３５０で、特徴量分類部３４は、ステップ１００で抽出した保守情報を参照して、ステップ１０４で算出された状態特徴量を、期間ΔＴ２の状態特徴量と期間ΔＴ３の状態特徴量とに分類する。そして、統計的検定部３６は、予測対象画像形成装置に発生した障害種類に対応する予め定められた複数種類の状態特徴量の各々について、特徴量分類部３４により分類された期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布を生成する。また、統計的検定部３６は、障害発生の予測対象とされる画像形成装置１２に発生した障害発生箇所に対応する予め定められた複数種類の状態特徴量の各々について、特徴量分類部３４により分類された期間ΔＴ２及び期間ΔＴ３の各々の状態特徴量の頻度分布を生成する。
ステップ３５２で、確率算出部４２は、ステップ１２４で取得した状態特徴量の種類に基づいて、ステップ３５０で生成された頻度分布から障害発生箇所判定用確率分布を取得する。すなわち、本ステップ３５２では、ステップ３５０で生成された頻度分布から、ステップ１２４で取得した状態特徴量の種類に対応する頻度分布が障害発生箇所判定用確率分布として取得される。
次のステップ３５４で、確率算出部４２は、ステップ１２４で取得した状態特徴量、及びステップ１２６で取得した障害種類判定用確率分布に基づいて、障害種類毎に、予測対象画像形成装置で近い将来障害が発生する確率をナイーブベイズ方式で算出する。また、確率算出部４２は、ステップ１２４で取得した状態特徴量、及びステップ３５２で取得した障害発生箇所判定用確率分布に基づいて、障害発生箇所毎に、予測対象画像形成装置で近い将来障害が発生する確率をナイーブベイズ方式で算出する。
次のステップ３５６で、通知部２６は、確率算出部４２により障害種類毎に算出された確率と確率算出部４２により障害発生箇所毎に算出された確率とを障害種類別に分類して通知し、その後、本障害予測処理を終了する。障害発生箇所ごとの確率を障害種類別に分類するには、例えば、障害種類と障害発生箇所とが予め対応付けられた対応テーブルを予め用意しておき、この対応テーブルに従って行われるようにすればよい。
なお、本ステップ３５６の処理が実行されることで、一例として図１７（ｃ）に示すように、障害種類毎の確率と障害発生箇所毎の確率とが障害種類別に分類されてリスト形式で通知される。また、障害種類毎の確率が、確率の高い順に表示されると共に、障害種類毎に対応する障害発生箇所の確率が、確率の高い順に表示される。
［第４実施形態］
上記第３実施形態では、障害種類毎の確率を補正しない場合を例示したが、本第４実施形態では、複数の障害種類のうちの特定の障害種類の確率を補正する場合について説明する。なお、上記第１実施形態から上記第３実施形態で説明した構成要素と相違しない構成要素については同一の符号を付し、その説明を省略する。
一例として図１に示すように、本第４実施形態に係る障害予測システム４００は、上記第３実施形態に係る障害予測システム３００に比べ、管理装置３６０に代えて管理装置４６０を有する点が異なる。また、一例として図５に示すように、管理装置４６０は、管理装置３６０に比べ、二次記憶部５４に障害予測プログラム２５８に代えて障害予測プログラム３５８が記憶されている点が異なる。
次に、本第４実施形態に係る障害予測処理の開始条件を満たした場合にＣＰＵ５０が障害予測プログラム３５８を実行することでＣＰＵ５０によって実行される障害予測処理について図１６を参照して説明する。なお、本第４実施形態に係る障害予測処理は、上記第３実施形態に係る障害予測処理に比べ、ステップ３５６の処理に代えてステップ４５６の処理を有する点、及びステップ３５４とステップ４５６との間にステップ４５０，４５２，４５４を有する点が異なる。また、以下では、図１５に示すフローチャートに含まれるステップの処理と相違しない処理が行われるステップには、図１５に示すステップ番号と相違しないステップ番号を付し、その説明を省略する。
図１６に示す障害予測処理では、ステップ４５０で、確率算出部４２は、障害発生箇所毎に算出した確率のうちの未だに本ステップ４５０の判定対象とされていない１つの確率が規定値以上か否かを判定する。ステップ４５０において、障害発生箇所毎に算出した確率のうちの未だに本ステップ４５０の判定対象とされていない１つの確率が規定値以上の場合は、判定が肯定されて、ステップ４５２へ移行する。ステップ４５０において、障害発生箇所毎に算出した確率のうちの未だに本ステップ４５０の判定対象とされていない１つの確率が規定値未満の場合は、判定が否定されて、ステップ４５４へ移行する。
ステップ４５２で、確率算出部４２は、確率が規定値以上の障害発生箇所を障害の主原因とする障害種類を特定し、特定した障害種類の確率を予め定められた割合だけ増加させる補正を行う。なお、障害種類の特定は、例えば、障害種類と障害発生箇所とが予め対応付けられた対応テーブルに従って行われるようにすればよい。
ステップ４５４で、確率算出部４２は、障害発生箇所毎に算出した全ての確率の各々を規定値と比較したか否かを判定する。ステップ４５４において、障害発生箇所毎に算出した全ての確率の各々を規定値と比較していない場合は、判定が否定されて、ステップ４５０へ移行する。ステップ４５４において、障害発生箇所毎に算出した全ての確率の各々を規定値と比較した場合は、判定が否定されて、ステップ４５６へ移行する。
ステップ４５６で、通知部２６は、確率算出部４２により障害種類毎に算出された補正前及び補正後の確率と確率算出部４２により障害発生箇所毎に算出された確率とを障害種類別に分類して通知し、その後、本障害予測処理を終了する。障害発生箇所ごとの確率を障害種類別に分類するには、例えば、障害種類と障害発生箇所とが予め対応付けられた対応テーブルを予め用意しておき、この対応テーブルに従って行われるようにすればよい。
本ステップ４５６の処理が実行されることで、一例として図１７（ｄ）に示すように、障害種類毎の補正前及び補正後の確率と障害発生箇所毎の確率とが障害種類別に分類されてリスト形式で通知される。また、障害種類毎の確率が、補正後の確率の高い順に表示されると共に、障害種類毎に対応する障害発生箇所の確率が、確率の高い順に表示される。
なお、上記各実施形態で説明した障害予測処理（図８及び図１４〜図１６）は、あくまでも一例である。従って、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよいことは言うまでもない。
また、上記各実施形態では、特徴量特定用テーブルが閾値を有する場合を例示したが、本発明はこれに限定されるものではなく、特徴量特定用テーブルは、閾値に代えて、選択する状態特徴量の個数（本発明に係る順位特定情報の一例）を有するようにしてもよい。この場合、一例として図１８に示すように、管理装置１６は順位付け部３７を有する。順位付け部３７は、一例として図１９に示すように、小さなｐ値ほど高順位となるようにｐ値に対応する状態特徴量の種類に対して順位を付与する。そして、特徴量選択部３８は、特徴量選択条件特定部４０によって特徴量特定用テーブルから特定された個数以下の順位（高順位）が付与されている状態特徴量を選択する。例えば、特徴量特定用テーブルから特定された個数が“４”の場合、順位として１位から４位が付与されている状態特徴量が選択される。
また、上記各実施形態では、特徴量特定用テーブルを例示したが、これに限らず、特徴量特定用テーブルに代えて、本発明に係る対応付け情報に相当する演算式を採用してもよい。
また、上記各実施形態では、状態特徴量算出部３０が状態特徴量を算出する場合を例示したが、本発明はこれに限定されるものではない。例えば、状態特徴量取得部２０は、管理装置１６以外の装置で算出された状態特徴量を取得するようにしてもよい。
また、上記各実施形態では、統計値算出部３２が統計値を算出する場合を例示したが、本発明はこれに限定されるものではない。例えば、統計値取得部２２は、管理装置１６以外の装置で算出された統計値を取得するようにしてもよい。
また、上記各実施形態では、管理装置１６が状態特徴量取得部２０、統計値取得部２２、及び導出部２４を有する場合を例示したが、本発明はこれに限定されるものではない。例えば、状態特徴量取得部２０、統計値取得部２２、及び導出部２４が複数の電子計算機によって分散されて実現されるようにしてもよい。また、通信網１８に接続されている複数の画像形成装置１２のうちの何れかが状態特徴量取得部２０、統計値取得部２２、及び導出部２４の少なくとも１つを有していてもよい。
また、上記各実施形態では、状態特徴量、統計値、及び確率が、各々に対応する演算式に従って算出される場合を例示したが、本発明はこれに限定されるものではない。例えば、演算式に代入される変数を入力とし、演算式によって得られる解を出力とするテーブルから、状態特徴量、統計値、及び確率が導出されるようにしてもよい。
また、上記各実施形態では、特徴量選択条件特定部４０によって、温度標準偏差及び湿度標準偏差に対応する特徴量特定用テーブルが選択される場合を例示したが、本発明はこれに限定されるものではない。例えば、温度標準偏差Ｌ，Ｈ、湿度標準偏差Ｌ，Ｈ、及び気圧Ｌ，Ｈの各々の組み合わせ毎に特徴量特定用テーブルを予め用意しておき、統計値算出部３２により算出された温度標準偏差及び湿度標準偏差に対応する特徴量特定用テーブルが選択されるようにしてもよい。
また、上記各実施形態では、複数の特徴量特定用テーブルから温度標準偏差及び湿度標準偏差によって１つの特徴量特定用テーブルが選択される場合を例示したが、特徴量特定用テーブルは１つであってもよい。この場合、温度標準偏差及び湿度標準偏差による特徴量特定用テーブルの選択を不要となる。
また、上記各実施形態では、温度平均値及び湿度平均値により特徴量特定用テーブルから閾値が特定される場合を例示したが、本発明はこれに限定されるものではない。例えば、温度標準偏差及び湿度標準偏差により特徴量特定用テーブルから閾値が特定されるようにしてもよい。また、特定期間における温度の分散値及び湿度の分散値、特定期間における温度の最頻値及び湿度の最頻値、又は、特定期間における温度の中央値及び湿度の中央値により特徴量特定用テーブルから閾値が特定されるようにしてもよい。
また、上記各実施形態では、本発明に係る被監視装置として画像形成装置１２を例示したが、本発明はこれに限定されるものではなく、例えば、通信網１８に接続されたサーバ装置やＡＴＭ（現金自動預け払い機）等であってもよい。
また、上記各実施形態では、複数の画像形成装置１２から監視パラメータ及び環境パラメータが収集される場合を例示したが、予測対象画像形成装置のみから監視パラメータ及び環境パラメータが収集されるようにしてもよい。
また、上記各実施形態では、統計値取得部２２により取得される統計値として平均値及び標準偏差を例示したが、これに限らず、各々特定期間における分散値、最頻値、中央値、最大値、及び最小値などの各種統計値であってもよい。また、状態特徴量として算出された統計値についても同様である。
１０，２００，３００，４００ 障害予測システム
１２ 画像形成装置
１６，１６０，３６０，４６０ 管理装置
２０ 状態特徴量取得部
２２ 統計値取得部
２４ 導出部
５８，１５８，２５８，３５８ 障害予測プログラム

Claims (13)

  1. 被監視装置の動作状態の特徴を示す複数の状態特徴量を取得する状態特徴量取得手段と、
    前記被監視装置の設置環境を示す環境物理量についての特定期間における統計値を取得する統計値取得手段と、
    前記複数の状態特徴量のうちの前記被監視装置で障害が発生する確率の導出に要する前記状態特徴量を各々選択する複数の選択条件であって、前記統計値の区分毎に各々予め定められた複数の選択条件のうちの、前記統計値取得手段により取得された統計値に対応する選択条件を満たす前記状態特徴量を用いて前記確率を導出する導出手段と、
    を含む障害予測装置。
  2. 前記統計値取得手段は、前記統計値として第１統計値及び第２統計値を取得し、
    前記統計値の区分は、前記第１統計値及び前記第２統計値の各区分に分類されており、
    前記複数の選択条件の各々は、前記第１統計値の区分毎に、かつ、前記第２統計値の区分毎に予め定められており、
    前記導出手段は、前記複数の選択条件のうち、前記統計値取得手段により取得された前記第１統計値及び前記第２統計値に対応する選択条件を満たす前記状態特徴量を用いて前記確率を導出する請求項１に記載の障害予測装置。
  3. 前記第１統計値の区分と前記選択条件とが対応付けられた対応付け情報が前記第２統計値の区分毎に分類されており、
    前記導出手段は、前記統計値取得手段により取得された前記第２統計値に対応する前記対応付け情報から、前記統計値取得手段により取得された前記第１統計値に対応する前記選択条件を取得し、取得した前記選択条件を満たす前記状態特徴量を用いて前記確率を導出する請求項２に記載の障害予測装置。
  4. 前記第１統計値は、前記環境物理量についての前記特定期間における平均値であり、
    前記第２統計値は、前記環境物理量についての前記特定期間における標準偏差である請求項２又は請求項３に記載の障害予測装置。
  5. 前記環境物理量は、温度及び湿度である請求項１から請求項４の何れか１項に記載の障害予測装置。
  6. 前記状態特徴量は、前記被監視装置の機能に特有の機能物理量についての予め定められた期間における統計値である請求項１から請求項５の何れか１項に記載の障害予測装置。
  7. 前記複数の選択条件は、複数の閾値であり、
    前記導出手段は、前記状態特徴量に関するｐ値を算出し、前記統計値取得手段により取得された前記統計値に対応する前記閾値未満の前記ｐ値に対応する前記状態特徴量を用いて前記確率を算出する請求項１から請求項６の何れか１項に記載の障害予測装置。
  8. 前記複数の選択条件は、各々順位を特定する複数の順位特定情報であり、
    前記導出手段は、前記状態特徴量に関するｐ値を算出し、算出した前記ｐ値が小さいほど前記状態特徴量に対して高順位を付与し、前記統計値取得手段により取得された前記統計値に対応する前記順位特定情報により特定される順位以上の高順位が付与された前記状態特徴量を用いて前記確率を算出する請求項１から請求項６の何れか１項に記載の障害予測装置。
  9. 前記導出手段は、前記被監視装置で障害が発生した場合の前記状態特徴量の発生頻度の分布を示す障害時分布、及び前記被監視装置で障害が発生しなかった場合の前記状態特徴量の発生頻度の分布を示す非障害時分布を用いて前記確率を導出する請求項１から請求項８の何れか１項に記載の障害予測装置。
  10. 前記導出手段は、前記統計値取得手段により取得された前記統計値が変化したことを条件に、前記複数の選択条件から、前記統計値取得手段により取得された前記統計値に対応する選択条件を選択し、選択した選択条件を満たす前記状態特徴量を用いて前記確率を導出する請求項１から請求項９の何れか１項に記載の障害予測装置。
  11. 請求項１から請求項１０の何れか１項に記載の障害予測装置と、
    前記障害予測装置に含まれる状態特徴量取得手段により状態特徴量が取得される被監視装置と、
    を含む障害予測システム。
  12. 前記被監視装置は、画像を形成する画像形成装置である請求項１１に記載の障害予測システム。
  13. コンピュータを、
    請求項１から請求項１０の何れか１項に記載の障害予測装置に含まれる状態特徴量取得手段、統計値取得手段、及び導出手段として機能させるためのプログラム。
JP2014217672A 2014-10-24 2014-10-24 障害予測装置、障害予測システム、及びプログラム Expired - Fee Related JP6365233B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014217672A JP6365233B2 (ja) 2014-10-24 2014-10-24 障害予測装置、障害予測システム、及びプログラム
US14/703,093 US10060834B2 (en) 2014-10-24 2015-05-04 Failure prediction apparatus and failure prediction system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014217672A JP6365233B2 (ja) 2014-10-24 2014-10-24 障害予測装置、障害予測システム、及びプログラム

Publications (2)

Publication Number Publication Date
JP2016085589A JP2016085589A (ja) 2016-05-19
JP6365233B2 true JP6365233B2 (ja) 2018-08-01

Family

ID=55791764

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014217672A Expired - Fee Related JP6365233B2 (ja) 2014-10-24 2014-10-24 障害予測装置、障害予測システム、及びプログラム

Country Status (2)

Country Link
US (1) US10060834B2 (ja)
JP (1) JP6365233B2 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10048996B1 (en) * 2015-09-29 2018-08-14 Amazon Technologies, Inc. Predicting infrastructure failures in a data center for hosted service mitigation actions
CN109391524B (zh) * 2018-10-11 2020-10-20 国家无线电监测中心成都监测站 一种故障定位方法及装置
CN110351120B (zh) * 2019-06-06 2022-07-29 武汉烽火技术服务有限公司 一种通信设备故障判断方法及系统
CN110525065B (zh) * 2019-08-31 2021-04-27 森大（深圳）技术有限公司 打印机稳定性测试方法、存储介质、设备及打印机
US11112783B2 (en) * 2019-10-25 2021-09-07 Computational Systems, Inc. Method and apparatus for machine monitoring with continuous improvement of a predictive maintenance database
CN112580718B (zh) * 2020-12-17 2023-10-24 中国航空工业集团公司成都飞机设计研究所 一种基于自然环境的军机故障率预测方法
CN112699048B (zh) * 2021-01-13 2023-11-17 腾讯科技（深圳）有限公司 基于人工智能的程序故障处理方法、装置、设备及存储介质
US11269752B1 (en) * 2021-07-07 2022-03-08 Eugenie Technologies Private Limited System and method for unsupervised anomaly prediction
CN114676125B (zh) * 2022-05-27 2022-10-14 广州市盛望信息科技有限公司 一种会计办公设备的电数字数据处理方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4538845B2 (ja) * 2004-04-21 2010-09-08 富士ゼロックス株式会社 故障診断方法および故障診断装置、画像形成装置、並びにプログラムおよび記憶媒体
JP5045191B2 (ja) * 2007-04-04 2012-10-10 富士ゼロックス株式会社 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並びに故障予測診断プログラム
JP5168643B2 (ja) 2008-06-23 2013-03-21 株式会社リコー 状態判別方法、状態判別システム及び画像形成装置
JP2011129580A (ja) * 2009-12-15 2011-06-30 Toshiba Corp 異常装置検出システムおよび異常装置検出プログラム
US20110216359A1 (en) * 2010-03-03 2011-09-08 Kabushiki Kaisha Toshiba Maintenance scheduling system and maintenance schedule creating method
JP5648314B2 (ja) * 2010-05-10 2015-01-07 富士ゼロックス株式会社 故障関連項目設定装置、プログラム及び故障予測システム
JP2012037991A (ja) 2010-08-05 2012-02-23 Fuji Xerox Co Ltd 予測装置、予測システム及びプログラム
JP5625689B2 (ja) * 2010-09-29 2014-11-19 株式会社リコー 管理装置、管理システムおよび管理方法
JP5828211B2 (ja) * 2011-03-01 2015-12-02 株式会社リコー 故障予測装置、故障予測方法、故障予測システム、故障予測プログラム、及び記憶媒体
JP5896668B2 (ja) * 2011-09-26 2016-03-30 三菱重工業株式会社 需要予測装置、需要予測方法および需要予測プログラム
US20130253898A1 (en) * 2012-03-23 2013-09-26 Power Analytics Corporation Systems and methods for model-driven demand response
CA2833768A1 (en) * 2012-11-15 2014-05-15 Power Analytics Corporation Systems and methods for model-based solar power management
SE536922C2 (sv) * 2013-02-19 2014-10-28 Basim Al-Najjar En metod och en apparat för att prediktera tillståndet hos en maskin eller en komponent hos maskinen
TWI601923B (zh) * 2013-08-19 2017-10-11 住友重機械工業股份有限公司 Monitoring methods and cooling system
JP6244840B2 (ja) * 2013-11-14 2017-12-13 株式会社リコー 故障予測装置および画像形成装置
US9450833B2 (en) * 2014-03-26 2016-09-20 International Business Machines Corporation Predicting hardware failures in a server
US9354953B2 (en) * 2014-07-24 2016-05-31 International Business Machines Corporation System integrator and system integration method with reliability optimized integrated circuit chip selection
JP6307383B2 (ja) * 2014-08-07 2018-04-04 日立オートモティブシステムズ株式会社 行動計画装置
US9791352B2 (en) * 2014-09-17 2017-10-17 General Electric Company Automated prognostics systems and methods
BR112017007004B1 (pt) * 2014-10-07 2023-03-07 Videojet Technologies Inc Método e sistema para a manutenção remota de uma impressora industrial
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
JP6010204B1 (ja) * 2015-10-26 2016-10-19 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置

Also Published As

Publication number Publication date
US10060834B2 (en) 2018-08-28
US20160116375A1 (en) 2016-04-28
JP2016085589A (ja) 2016-05-19

Similar Documents

Publication Publication Date Title
JP6365233B2 (ja) 障害予測装置、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
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
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
US9298150B2 (en) Failure predictive system, and failure predictive apparatus
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
JP5045191B2 (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並びに故障予測診断プログラム
JP5479177B2 (ja) 情報処理装置、消耗品管理方法およびプログラム
KR20170066510A (ko) 센서 상태를 결정하기 위한 시스템
US20160379144A1 (en) Information processing system and failure prediction model adoption determining method
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
US10462309B2 (en) System and method for diagnosing a printing device based on a correlation coefficient between print volume and error rate
US11032627B2 (en) Maintenance device, presentation system, and program
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
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
US11657321B2 (en) Information processing device, non-transitory storage medium and information processing method
JP6477367B2 (ja) 障害予測管理装置、障害予測管理プログラム
JP6350437B2 (ja) 管理システムおよび管理方法
JP2011238046A (ja) 監視システム、監視装置及び監視プログラム
US20230230100A1 (en) System and method to predict and prevent customer churn in servicing business
JP2018118465A (ja) 印刷装置、制御方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170928

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180525

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: 20180605

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180618

R150 Certificate of patent or registration of utility model

Ref document number: 6365233

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees
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