JP6424562B2 - 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
JP6424562B2
JP6424562B2 JP2014216608A JP2014216608A JP6424562B2 JP 6424562 B2 JP6424562 B2 JP 6424562B2 JP 2014216608 A JP2014216608 A JP 2014216608A JP 2014216608 A JP2014216608 A JP 2014216608A JP 6424562 B2 JP6424562 B2 JP 6424562B2
Authority
JP
Japan
Prior art keywords
failure
prediction
state feature
unit
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.)
Active
Application number
JP2014216608A
Other languages
English (en)
Other versions
JP2016085293A (ja
Inventor
上床　弘毅
弘毅 上床
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 JP2014216608A priority Critical patent/JP6424562B2/ja
Priority to US14/707,412 priority patent/US20160116377A1/en
Publication of JP2016085293A publication Critical patent/JP2016085293A/ja
Application granted granted Critical
Publication of JP6424562B2 publication Critical patent/JP6424562B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

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、装置の内部状態の特徴を示す複数種の特徴量の各々について、装置で障害が発生した場合の特徴量の発生頻度の分布を示す第１分布と、装置で障害が発生しなかった場合の特徴量の発生頻度の分布を示す第２分布とを記憶する記憶手段と、障害予測の対象となる装置における各特徴量の値を取得する取得手段と、取得手段により取得された各特徴量の値と記憶手段に記憶された各特徴量の第１分布及び第２分布とに基づいて、障害予測の対象となる装置における障害の発生確率を算出する算出手段と、算出手段により算出された障害の発生確率を通知する通知手段と、を備えたことを特徴とする障害予測システムが開示されている。
特開２０１３−１０９４８３号公報
特許文献１に記載の技術では、同一の障害事象に対して、被監視装置の使われ方に拘わらず同一の障害予測モデルを使用して障害の発生を予測している。
本発明の課題は、同一の障害事象に対しては被監視装置の使われ方に拘わらずに同一の障害予測モデルを使用して障害の発生を予測する場合に比べ、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、複数の被監視装置から、前記被監視装置の動作状態の特徴を示す複数の状態特徴量である状態特徴量群を取得する取得手段と、前記取得手段で取得された前記状態特徴量群により規定された基準空間と前記複数の被監視装置の各々の前記状態特徴量群との乖離度毎に、前記複数の被監視装置を層別する層別手段と、前記層別手段により層別されて得られた層毎に、正常期間及び異常期間各々の状態特徴量群の頻度分布を表す予測モデルを生成する予測モデル生成手段と、前記複数の被監視装置のうちの障害発生の予測対象とされる予測対象被監視装置で障害が発生する確率を、前記層別手段により層別されて得られた層のうち、前記取得手段により前記予測対象被監視装置について予め定められた期間に取得された前記状態特徴量群と前記基準空間との乖離度に対応する層に含まれる、前記被監視装置に関する前記状態特徴量群と前記予測モデルと、を用いて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、前記層別手段で用いる状態特徴量は、前記被監視装置の機能に特有の機能物理量のばらつきの度合いを示す統計値である。
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、前記乖離度は、前記基準空間と前記複数の被監視装置の各々の前記状態特徴量群とのマハラノビス距離によって規定される乖離度である。
請求項３に記載の障害予測装置は、請求項４に記載の発明のように、前記乖離度は、予め定められた単位毎に導出された前記マハラノビス距離の特定期間内の平均値及び標準偏差の少なくとも一方である。
請求項２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、前記導出手段は、前記層別手段により層別されて得られた層のうち、前記取得手段により前記予測対象被監視装置について前記予め定められた期間に取得された前記状態特徴量群と前記基準空間との乖離度に対応する層に含まれる前記被監視装置に関する前記状態特徴量群から、前記予測対象被監視装置で障害が発生した場合の前記複数の状態特徴量の各々の発生頻度の分布を各々示す複数の障害時分布、及び前記予測対象被監視装置で障害が発生しなかった場合の前記複数の状態特徴量の発生頻度の各々の分布を各々示す複数の非障害時分布を生成し、生成した前記障害時分布及び前記非障害時分布を用いて前記確率を導出する。
請求項６に記載の障害予測システムは、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と、前記障害予測装置に含まれる取得手段により状態特徴量群が取得される複数の被監視装置と、を含む。
請求項６に記載の障害予測システムで、請求項７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８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５の何れか１項に記載の障害予測装置に含まれる取得手段、層別手段、予測モデル生成手段、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６、及び請求項８に係る発明によれば、同一の障害事象に対しては被監視装置の使われ方に拘わらずに同一の障害予測モデルを使用して障害の発生を予測する場合に比べ、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２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３に係る発明によれば、乖離度がユークリッド距離により規定される場合に比べ、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４に係る発明によれば、予め定められた単位毎に導出されたユークリッド距離の特定期間内の平均値又は標準偏差を乖離度として使用する場合に比べ、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、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７に係る発明によれば、同一の障害事象に対しては画像形成装置の使われ方に拘わらずに同一の障害予測モデルを使用して障害の発生を予測する場合に比べ、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。 状態特徴量群のばらつきの度合いが大きいマシンＡの状態特徴量群及び基準空間の一例を示す概略分布図である。 状態特徴量群のばらつきの度合いが小さいマシンＡの状態特徴量群及び基準空間の一例を示す概略分布図である。 期間ΔＴ１の範囲内におけるジョブ単位で取得された状態特徴量に関する単位マハラノビス距離の一例を示すグラフである。 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５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実施形態に係る障害予測準備処理の流れの一例を示すフローチャートである。 マシンＡのマハラノビス距離平均値、マシンＢのマハラノビス距離平均値、及び層別条件の関係性の一例を示す概念図である。 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２実施形態に係る障害予測準備処理の流れの一例を示すフローチャートである。 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準備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。
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、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。
画像形成装置１２は、画像形成プロセスに関わる複数の監視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。
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、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、取得部２０、層別部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。
取得部２０は、複数の画像形成装置１２から、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である状態特徴量群を取得する。この状態特徴量群の構成要素である状態特徴量としては、例えば、画像形成装置１２の機能に特有の機能物理量そのもの、並びに、機能物理量のばらつきの度合いを示す統計値及び機能物理量の変化量を示す統計値などの機能物理量の振る舞いを特徴付ける様々な統計値が挙げられる。以下では、この状態特徴量群を「状態特徴量群Ａ」と称する。なお、本第１実施形態では、機能物理量の一例として監視パラメータを採用している。
層別部２２は、取得部２０で取得された状態特徴量群Ａのうち、機能物理量のばらつきの度合いを示す状態特徴群（以下、「状態特徴量群Ｂ」と称する）により規定された基準空間と複数の画像形成装置１２の各々の状態特徴量群Ｂとの乖離度毎に、複数の画像形成装置１２を層別する。本実施形態において、乖離度とは、いくつかの物事（例えば、状態特徴量群Ａと状態特徴量群Ｂ）が離ればなれになっている度合いを指す。より具体的には、乖離度は後述のマハラノビス距離を用いて表すことができる。状態特徴量群Ａと状態特徴量群Ｂとが離れている度合いが示せるものであれば、ユークリッド距離等の他の方式によって乖離度を表しても良いことは言うまでもない。但し、障害が発生する確率を高精度に算出するためには、ユークリッド距離を用いるよりもマハラノビス距離を用いることが好ましい。
導出部２４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予測対象画像形成装置で障害が発生する確率を、層別部２２により層別されて得られた層のうちの特定の層に含まれる画像形成装置１２に関する状態特徴量群Ａを用いて導出する。ここで、特定の層とは、層別部２２により層別されて得られた層のうちの取得部２０により予測対象画像形成装置について期間ΔＴ１に取得された状態特徴量群Ｂと基準空間との乖離度に対応する層を指す。
なお、本第１実施形態では、期間ΔＴ１の一例として６箇月を採用しているが、本発明はこれに限定されるものではなく、例えば、数箇月単位の期間であってもよいし、年単位の期間であってもよい。また、本第１実施形態では、基準空間の一例として、取得部２０により複数の画像形成装置１２について取得された全ての状態特徴量Ｂのうちの最も状態特徴量が密集している空間を採用している。
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。
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、画像形成装置１２毎に、かつ、監視パラメータの種類毎に、かつ、期間ΔＴ１における予め定められた単位毎に状態特徴量を算出することで、画像形成装置１２毎の状態特徴量群Ａを算出する。
なお、本第１実施形態では、状態特徴量Ｂの一例として、予め定められた単位毎の監視パラメータの標準偏差を採用しているが、本発明はこれに限定されるものではない。状態特徴量は、例えば、予め定められた単位毎の監視パラメータの分散値、又は予め定められた単位の監視パラメータ間の相関係数であってもよく、期間ΔＴ１分の監視パラメータのばらつきの度合いを示す統計値であればよい。
また、本第１実施形態では、予め定められた単位の一例としてジョブ単位を採用しているが、本発明はこれに限定されるものではない。予め定められた単位は、例えば、数ジョブ単位、１日単位、又は数日単位であってもよく、期間ΔＴ１よりも短い期間の単位であればよい。
層別部２２は、状態特徴量算出部３０により複数の画像形成装置１２の各々について算出された状態特徴量群Ｂを用いて、一例として図２及び図３に示すように、基準空間３２を生成する。基準空間３２は、後述のマハラノビス距離の算出に要する基準空間であり、例えば、期間ΔＴ１分の各監視パラメータのばらつきに対する特徴量空間である。なお、図２及び図３に示す例では、状態特徴量Ｘ１，Ｘ２により規定された基準空間３２が示されているが、これはあくまでも一例であり、基準空間３２は、複数の状態特徴量群Ｂによって規定されることは言うまでもない。
図２に示す例では、マシンＡに関する状態特徴量群Ｂ（実線枠）が基準空間３２（破線枠）に包含されていない。これは、マシンＡにおける状態特徴量のばらつきの度合いが大きいことを意味する。これに対し、図３に示す例では、マシンＡに関する状態特徴量群Ｂ（実線枠）が基準空間３２（破線枠）に包含されている。これは、マシンＡにおける状態特徴量のばらつきの度合いが小さいことを意味する。状態特徴量のばらつきは、基準空間３２と画像形成装置１２毎の状態特徴量群Ｂとのマハラノビス距離から特定される。
そこで、層別部２２は、画像形成装置１２毎に、期間ΔＴ１の範囲内で基準空間と状態特徴量算出部３０により算出された状態特徴量群Ｂとのマハラノビス距離を予め定められた単位毎に算出する。なお、図４に示す例では、期間ΔＴ１の範囲内でジョブ単位毎に算出されたマハラノビス距離（ＭＤ）が例示されている。また、以下では、説明の便宜上、予め定められた単位毎に算出されたマハラノビス距離を「単位マハラノビス距離」と称する。
層別部２２は、画像形成装置１２毎に、期間ΔＴ１分の単位マハラノビス距離の平均値を算出する。なお、以下では、期間ΔＴ１分の単位マハラノビス距離の平均値を「マハラノビス距離平均値」と称する。
層別部２２は、複数の画像形成装置１２の各々のマハラノビス距離平均値を予め定められたグループ数に分類することで、複数の画像形成装置１２を層別する。例えば、層別部２２は、複数のマハラノビス距離平均値における中央値を算出し、中央値未満のマハラノビス距離平均値の画像形成装置１２と中央値以上のマハラノビス距離平均値の画像形成装置１２とに層別する。
なお、本第１実施形態では、複数のマハラノビス距離平均値の中央値が層別条件として算出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、層別条件として、マハラノビス距離平均値の平均値を採用してもよい。また、複数の画像形成装置１２を３層以上に層別する場合は、ｋ−ｍｅａｎｓ法などのクラスタリング手法によって層別してもよい。また、複数の画像形成装置１２の各々のマハラノビス距離平均値、及びマラハノビス距離の標準偏差を算出し、２軸で層別条件を算出してもよい。この場合、例えば、マハラノビス距離平均値、及びマラハノビス距離の標準偏差のそれぞれの中央値を層別条件とし、４種類に層別するようにしてもよい。
導出部２４は、予測モデル生成部３４及び確率算出部３６を含む。予測モデル生成部３４は、層別部２２により層別されて得られた層毎に、状態特徴量算出部３０により算出された状態特徴量群Ａを用いて、期間ΔＴ２及び期間ΔＴ３の各々の各状態特徴量の頻度分布を予測モデルとして生成する。
なお、ここで、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で指定された期間は、期間ΔＴ１よりも短い期間であり、本第１実施形態では、５日間を採用している。また、以下では、説明の便宜上、期間ΔＴ３の状態特徴量の頻度分布を「正常期間の頻度分布」と称し、期間ΔＴ２の状態特徴量の頻度分布を「異常期間の頻度分布」と称する。
確率算出部３６は、予測モデル生成部３４により生成された特定の予測モデルを用いて、予測対象画像形成装置で障害が発生する確率をナイーブベイズ方式で算出する。なお、ここで、特定の予測モデルとは、層別部２２により層別されて得られた層のうちの特定の層に含まれる画像形成装置１２に関する予測モデルとして予測モデル生成部３４により生成された頻度分布を指す。また、ここで、特定の層とは、層別部２２により層別されて得られた層のうちの状態特徴量算出部３０により予測対象画像形成装置について期間ΔＴ１の範囲内で算出された状態特徴量群Ｂと基準空間との乖離度に対応する層を指す。
一例として図５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６に示すように、二次記憶部５４は、障害予測準備プログラム６０及び障害予測プログラム６２を記憶している。なお、以下では、説明に便宜上、障害予測準備プログラム６０及び障害予測プログラム６２を区別して説明する必要がない場合、符号を付さずに「プログラム」と称する。
ＣＰＵ５０は、二次記憶部５４からプログラムを読み出して一次記憶部５２に展開し、プログラムを実行することで、取得部２０、層別部２２、導出部２４、及び通知部２６として動作する。また、取得部２０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、ここではプログラムを二次記憶部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プログラム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プログラム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プログラムを記憶させておき、ＣＰＵ５０が他のコンピュータ又はサーバ装置等からプログラムを取得して実行してもよい。
二次記憶部５４は、予測モデル記憶領域（図示省略）を有しており、予測モデル記憶領域には、ＣＰＵ５０によって予測モデルが上書き保存され、予測モデルが上書き保存されることで、予測モデル記憶領域の記憶内容は最新の予測モデルに更新される。
一例として図５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、障害予測準備処理を開始する条件（準備開始条件）を満たした場合にＣＰＵ５０が障害予測準備プログラム６０を実行することでＣＰＵ５０によって実行される障害予測準備処理について図７を参照して説明する。なお、障害予測準備処理とは、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が実行される前段階で実行される準備処理を指す。また、準備開始条件とは、端末装置１４から障害予測準備処理の開始指示を示す準備開始指示信号が送信され、準備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、準備開始条件は、障害予測準備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７に示す障害予測準備処理では、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内で予め定められた単位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、ステップ１０２で予め定められた単位ずつ取得した監視パラメータに基づく状態特徴量群Ａを画像形成装置毎に算出する。なお、本ステップ１０４で状態特徴量群Ａ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、層別部２２は、ステップ１０４で算出された状態特徴量群Ａのうちの状態特徴量群Ｂから基準空間を生成する。
次のステップ１０８で、層別部２２は、ステップ１０６で生成した基準空間を用いて、画像形成装置１２毎に単位マハラノビス距離を算出する。
次のステップ１１０で、層別部２２は、ステップ１０８で算出した単位マハラノビス距離から、画像形成装置１２毎にマハラノビス距離平均値を算出する。
次のステップ１１２で、層別部２２は、ステップ１１０で算出したマハラノビス距離平均値に基づいて層別条件を算出する。すなわち、本ステップ１１２では、一例として図８に示すように、複数のマハラノビス距離平均値の中央値が層別条件として算出される。
次のステップ１１４で、層別部２２は、ステップ１１２で算出した層別条件に従って、複数の画像形成装置１２を層別する。本ステップ１１４では、例えば、複数の画像形成装置１２が、複数のマハラノビス距離平均値における中央値未満のマハラノビス距離平均値の画像形成装置１２と中央値以上のマハラノビス距離平均値の画像形成装置１２とに層別される。
次のステップ１１６で、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ１０４で算出された状態特徴量群Ａに含まれる状態特徴量を、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、予測モデル生成部３４は、ステップ１１４で層別されて得られた各層で、障害種類毎に、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、一例として図９に示すように、正常期間の頻度分布及び異常期間の頻度分布を生成する。
次のステップ１１８で、予測モデル生成部３４は、ステップ１１６で生成した正常期間の頻度分布及び異常期間の頻度分布の各々における頻度値を正規化することで、正常期間の頻度分布及び異常期間の頻度分布を補正する。
なお、ここでは、頻度値を正規化することで頻度分布を補正す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、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、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ１１８で補正して得た正常期間の頻度分布及び異常期間の頻度分布を予測モデルとして二次記憶部５４の予測モデル記憶領域に上書き保存し、その後、本障害予測準備処理を終了する。
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予測開始条件を満たした場合にＣＰＵ５０が障害予測プログラム６２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１０を参照して説明する。なお、予測開始条件とは、端末装置１４から障害予測処理の開始指示を示す予測開始指示信号が送信され、予測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、予測開始条件は、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１０に示す障害予測処理では、先ず、ステップ１３０で、状態特徴量算出部３０は、予測対象画像形成装置に関する直近のマシン情報（ここでは、一例として、現時点を含めて遡った期間ΔＴ１内のマシン情報）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、予測対象画像形成装置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内で予め定められた単位ずつ監視パラメータ（最新パラメータ）を取得する。
次のステップ１３２で、状態特徴量算出部３０は、ステップ１３０で予め定められた単位ずつ取得した監視パラメータに基づく状態特徴量群Ａを画像形成装置毎に算出する。なお、本ステップ１３２で状態特徴量群Ａ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１３４で、確率算出部３６は、ステップ１３２で算出された状態特徴量群Ａのうちの状態特徴量Ｂについて、障害予測準備処理におけるステップ１０６で生成された基準空間を用いて、単位マハラノビス距離を算出する。
次のステップ１３６で、確率算出部３６は、ステップ１３４で算出した単位マハラノビス距離についてのマハラノビス距離平均値を算出する。なお、本第１実施形態では、層別条件としてマハラノビス距離平均値の中央値を採用しているため、本ステップ１３６ではマハラノビス距離平均値が算出されるが、層別条件としてマハラノビス距離の標準偏差の中央値が採用されている場合は、本ステップ１３６で、マハラノビス距離の標準偏差が算出される。
次のステップ１３８で、確率算出部３６は、障害予測準備処理におけるステップ１１４で層別されて得られた層のうちのステップ１３６で算出したマハラノビス距離平均値に対応する層に対応する予測モデルを二次記憶部５４の予測モデル記憶領域から取得する。
次のステップ１４０で、確率算出部３６は、ステップ１３２で算出された状態特徴量群Ａ、及びステップ１３８で取得した予測モデルに基づいて、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１４０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３６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１４２で、通知部２６は、確率算出部３６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３６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１４２の処理が実行されることで、一例として図１６（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。
［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６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に障害予測準備プログラム６０に代えて障害予測準備プログラム１７０が記憶されている点が異なる。また、一例として図６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６２に代えて障害予測プログラム１７２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準備処理の準備を開始する条件（準備開始条件）を満たした場合にＣＰＵ５０が障害予測準備プログラム１７０を実行することでＣＰＵ５０によって実行される障害予測準備処理について図１１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準備処理は、上記第１実施形態に係る障害予測準備処理に比べ、ステップ１１６，１１８，１２０の処理に代えてステップ１８０，１８２，１８４の処理を有する点が異なる。また、以下では、図７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７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１１に示す障害予測準備処理では、ステップ１８０で、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ１０４で算出された状態特徴量群Ａに含まれる状態特徴量を、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、予測モデル生成部３４は、ステップ１１４で層別されて得られた各層で、複数の画像形成装置１２の障害発生箇所毎に、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、正常期間の頻度分布及び異常期間の頻度分布を生成する。
次のステップ１８２で、予測モデル生成部３４は、ステップ１８０で生成した正常期間の頻度分布及び異常期間の頻度分布の各々における頻度値を正規化することで、正常期間の頻度分布及び異常期間の頻度分布を補正する。
次のステップ１８４で、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ１８２で補正して得た正常期間の頻度分布及び異常期間の頻度分布を予測モデルとして二次記憶部５４の予測モデル記憶領域に上書き保存し、その後、本障害予測準備処理を終了する。
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予測開始条件を満たした場合にＣＰＵ５０が障害予測プログラム１７２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１２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１４０，１４２の処理に代えてステップ１９０，１９２の処理を有する点が異なる。また、以下では、図１０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１０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１２に示す障害予測処理では、ステップ１９０で、確率算出部３６は、ステップ１３２で算出された状態特徴量群Ａ、及びステップ１３８で取得した予測モデルに基づいて、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１９０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１９２で、通知部２６は、確率算出部３６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１９２の処理が実行されることで、一例として図１６（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２６０を有する点が異なる。また、一例として図６に示すように、管理装置２６０は、管理装置１６に比べ、二次記憶部５４に障害予測準備プログラム６０に代えて障害予測準備プログラム２７０が記憶されている点が異なる。また、一例として図６に示すように、管理装置２６０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６２に代えて障害予測プログラム２７２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準備処理の準備を開始する条件（準備開始条件）を満たした場合にＣＰＵ５０が障害予測準備プログラム２７０を実行することでＣＰＵ５０によって実行される障害予測準備処理について図１３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準備処理は、上記第１実施形態に係る障害予測準備処理に比べ、ステップ１１８，１２０の処理に代えてステップ２８０，２８２，２８４の処理を有する点が異なる。また、以下では、図７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７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１３に示す障害予測準備処理では、ステップ２８０で、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ１０４で算出された状態特徴量群Ａに含まれる状態特徴量を、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、予測モデル生成部３４は、ステップ１１４で層別されて得られた各層で、複数の画像形成装置１２の障害発生箇所毎に、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、正常期間の頻度分布及び異常期間の頻度分布を生成する。
次のステップ２８２で、予測モデル生成部３４は、ステップ１１６，２８０の各々で生成した正常期間の頻度分布及び異常期間の頻度分布の各々における頻度値を正規化することで、正常期間の頻度分布及び異常期間の頻度分布を補正する。
次のステップ２８４で、予測モデル生成部３４は、ステップ１１４で層別されて得られた層毎に、ステップ２８２で補正して得た正常期間の頻度分布及び異常期間の頻度分布を予測モデルとして二次記憶部５４の予測モデル記憶領域に上書き保存し、その後、本障害予測準備処理を終了する。
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予測開始条件を満たした場合にＣＰＵ５０が障害予測プログラム２７２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１４０，１４２の処理に代えてステップ２９０，２９２の処理を有する点が異なる。また、以下では、図１０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１０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２９０で、確率算出部３６は、ステップ１３２で算出された状態特徴量群Ａ、及びステップ１３８で取得した予測モデルに基づいて、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３６は、ステップ１３２で算出された状態特徴量群Ａ、及びステップ１３８で取得した予測モデルに基づいて、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２９２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２９２の処理が実行されることで、一例として図１６（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２６０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６に示すように、管理装置３６０は、管理装置２６０に比べ、二次記憶部５４に障害予測プログラム２７２に代えて障害予測準備プログラム３７２が記憶されている点が異なる。
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予測開始条件を満たした場合にＣＰＵ５０が障害予測プログラム３７２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２９２の処理に代えてステップ３９６の処理を有する点、及びステップ２９０とステップ３９６との間にステップ３９０，３９２，３９４を有する点が異なる。また、以下では、図１４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１４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３９０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３９０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３９０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３９０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３９２へ移行する。ステップ３９０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３９０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３９４へ移行する。
ステップ３９２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３９４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３９４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３９０へ移行する。ステップ３９４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３９６へ移行する。
ステップ３９６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３９６の処理が実行されることで、一例として図１６（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準備処理（図７、図１１、及び図１３）は、あくまでも一例である。また、上記各実施形態で説明した障害予測処理（図１０、図１２、図１４、及び図１５）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、状態特徴量算出部３０が状態特徴量群Ａ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、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群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、取得部２０、層別部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。取得部２０、層別部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のうちの何れかが取得部２０、層別部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、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。
１０，２００，３００，４００ 障害予測システム
１２ 画像形成装置
１６，１６０，２６０，３６０ 管理装置
２０ 取得部
２２ 層別部
２４ 導出部
６０，１７０，２７０ 障害予測準備プログラム
６２，１７２，２７２，３７２ 障害予測プログラム

Claims (8)

  1. 複数の被監視装置から、前記被監視装置の動作状態の特徴を示す複数の状態特徴量である状態特徴量群を取得する取得手段と、
    前記取得手段で取得された前記状態特徴量群により規定された基準空間と前記複数の被監視装置の各々の前記状態特徴量群との乖離度毎に、前記複数の被監視装置を層別する層別手段と、
    前記層別手段により層別されて得られた層毎に、正常期間及び異常期間各々の状態特徴量群の頻度分布を表す予測モデルを生成する予測モデル生成手段と、
    前記複数の被監視装置のうちの障害発生の予測対象とされる予測対象被監視装置で障害が発生する確率を、前記層別手段により層別されて得られた層のうち、前記取得手段により前記予測対象被監視装置について予め定められた期間に取得された前記状態特徴量群と前記基準空間との乖離度に対応する層に含まれる、前記被監視装置に関する前記状態特徴量群と前記予測モデルと、を用いて導出する導出手段と、
    を含む障害予測装置。
  2. 前記層別手段で用いる状態特徴量は、前記被監視装置の機能に特有の機能物理量のばらつきの度合いを示す統計値である請求項１に記載の障害予測装置。
  3. 前記乖離度は、前記基準空間と前記複数の被監視装置の各々の前記状態特徴量群とのマハラノビス距離によって規定される乖離度である請求項２に記載の障害予測装置。
  4. 前記乖離度は、予め定められた単位毎に導出された前記マハラノビス距離の特定期間内の平均値及び標準偏差の少なくとも一方である請求項３に記載の障害予測装置。
  5. 前記導出手段は、前記層別手段により層別されて得られた層のうち、前記取得手段により前記予測対象被監視装置について前記予め定められた期間に取得された前記状態特徴量群と前記基準空間との乖離度に対応する層に含まれる前記被監視装置に関する前記状態特徴量群から、前記予測対象被監視装置で障害が発生した場合の前記複数の状態特徴量の各々の発生頻度の分布を各々示す複数の障害時分布、及び前記予測対象被監視装置で障害が発生しなかった場合の前記複数の状態特徴量の発生頻度の各々の分布を各々示す複数の非障害時分布を生成し、生成した前記障害時分布及び前記非障害時分布を用いて前記確率を導出する請求項２から請求項４の何れか１項に記載の障害予測装置。
  6. 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と、
    前記障害予測装置に含まれる取得手段により状態特徴量群が取得される複数の被監視装置と、
    を含む障害予測システム。
  7. 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６に記載の障害予測システム。
  8. コンピュータを、
    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に含まれる取得手段、層別手段、予測モデル生成手段、及び導出手段として機能させるためのプログラム。
JP2014216608A 2014-10-23 2014-10-23 障害予測装置、障害予測システム、及びプログラム Active JP6424562B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014216608A JP6424562B2 (ja) 2014-10-23 2014-10-23 障害予測装置、障害予測システム、及びプログラム
US14/707,412 US20160116377A1 (en) 2014-10-23 2015-05-08 Failure prediction apparatus and failure prediction system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014216608A JP6424562B2 (ja) 2014-10-23 2014-10-23 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
JP2016085293A JP2016085293A (ja) 2016-05-19
JP6424562B2 true JP6424562B2 (ja) 2018-11-21

Family

ID=55791765

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014216608A Active JP6424562B2 (ja) 2014-10-23 2014-10-23 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) US20160116377A1 (ja)
JP (1) JP6424562B2 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6365233B2 (ja) * 2014-10-24 2018-08-01 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
CN106527407B (zh) * 2016-12-22 2018-11-27 泰兴市东城水处理工程有限公司 一种综合垃圾处理系统
CN110866612A (zh) * 2018-08-10 2020-03-06 奥的斯电梯公司 使用识别标签创建用于维护记录的区块链
CN113168173B (zh) * 2018-11-27 2022-08-16 利乐拉瓦尔集团及财务有限公司 用于循环运动式机器部件的状态监测的方法
JP6915638B2 (ja) * 2019-03-08 2021-08-04 セイコーエプソン株式会社 故障時期推測装置、機械学習装置、故障時期推測方法
CN110400231B (zh) * 2019-06-06 2023-01-31 湖南大学 一种加权非线性贝叶斯的电能计量设备失效率预估方法
CN110224874B (zh) * 2019-06-27 2023-04-07 郑州阿帕斯科技有限公司 一种设备故障的处理方法及装置
CN111027721B (zh) * 2019-11-22 2023-07-18 中国铁道科学研究院集团有限公司通信信号研究所 一种系统故障定位方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3182169B2 (ja) * 1991-07-26 2001-07-03 株式会社リコー 故障診断方法
US5923834A (en) * 1996-06-17 1999-07-13 Xerox Corporation Machine dedicated monitor, predictor, and diagnostic server
JP2003233688A (ja) * 2002-02-12 2003-08-22 Ricoh Co Ltd 障害発生予測装置と障害発生予測方法及び記憶媒体
JP4867366B2 (ja) * 2006-01-30 2012-02-01 富士ゼロックス株式会社 寿命予測システム
JP4413915B2 (ja) * 2006-12-13 2010-02-10 株式会社東芝 異常兆候検出装置および方法
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
US9298172B2 (en) * 2007-10-11 2016-03-29 International Business Machines Corporation Method and apparatus for improved reward-based learning using adaptive distance metrics
JP5299684B2 (ja) * 2009-03-03 2013-09-25 富士ゼロックス株式会社 監視装置および情報処理システムおよび監視プログラム
JP5611546B2 (ja) * 2009-06-30 2014-10-22 株式会社東芝 自動診断支援装置、超音波診断装置及び自動診断支援プログラム
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
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
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

Also Published As

Publication number Publication date
JP2016085293A (ja) 2016-05-19
US20160116377A1 (en) 2016-04-28

Similar Documents

Publication Publication Date Title
JP6424562B2 (ja) 障害予測装置、障害予測システム、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
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
US9298150B2 (en) Failure predictive system, and failure predictive apparatus
CN103354924B (zh) 用于监视性能指标的方法和系统
JP5214656B2 (ja) 評価装置および評価プログラム
US10963807B2 (en) Social collaboration in probabilistic prediction
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
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
JP5768983B2 (ja) 契約違反予測システム、契約違反予測方法および契約違反予測プログラム
US10438140B2 (en) Information processing apparatus, visit plan creating method, and storage medium
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
US20210191799A1 (en) Hardware replacement predictions verified by local diagnostics
JP7434073B2 (ja) モデル運用支援システム及び方法
JP6592899B2 (ja) 障害予測装置、障害予測システム、及びプログラム
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
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
CN112685390A (zh) 数据库实例管理方法及装置、计算设备
JP5906873B2 (ja) 訪問発生解析装置および訪問発生解析プログラム
JP2011238046A (ja) 監視システム、監視装置及び監視プログラム
JP2018067147A (ja) 管理システム、及び管理システムの制御方法
JP2024003329A (ja) 異常検知装置、異常検知方法、及び異常検知プログラム

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: 20180523

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180529

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180725

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: 20180925

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181008

R150 Certificate of patent or registration of utility model

Ref document number: 6424562

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