JP6592899B2 - 障害予測装置、障害予測システム、及びプログラム - Google Patents

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、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２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２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２０１２−７３９２３号公報 特開２０１０−００２８１５号公報

上記の技術では、何れも、被監視装置の動作状態の特徴を示す状態特徴量のうち、被監視装置で障害が発生していた期間の状態特徴量と被監視装置で障害が発生していなかった期間の状態特徴量とを区別して用いることが好ましい。障害が発生していた期間として指定される期間が固定化されていると、障害が発生していた期間の状態特徴量を障害の発生の予測に用いる場合、予測に用いる状態特徴量の大半が、障害が発生していなかった期間の状態特徴量になってしまうことがある。

本発明の課題は、被監視装置で障害が発生していた期間として指定される期間が固定化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、単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害種類毎に対応する予め定められた状態特徴量の種類毎に生成する生成手段と、前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害種類毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記状態特徴量の種類毎に再生成する再生成手段と、前記再生成手段により再生成された前記障害分布及び前記非障害分布を用いて、前記障害種類毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、を含む。
請求項２に記載の障害予測装置は、単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害発生箇所毎に対応する予め定められた状態特徴量の種類毎に生成する生成手段と、前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害発生箇所毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記状態特徴量の種類毎に再生成する再生成手段と、前記再生成手段により再生成された前記障害分布及び前記非障害分布を用いて、前記障害発生箇所毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、を含む。
請求項３に記載の障害予測装置は、単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害種類毎に対応する予め定められた第１の状態特徴量の種類毎に生成し、前記障害分布及び前記非障害分布を、障害発生箇所毎に対応する予め定められた第２の状態特徴量の種類毎に生成する生成手段と、前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害種類毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記第１の状態特徴量の種類毎に再生成し、前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害発生箇所毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記第１の状態特徴量の種類毎に再生成する再生成手段と、
前記再生成手段により前記第１の状態特徴量の種類毎に再生成された前記障害分布及び前記非障害分布を用いて、前記障害種類毎に、前記被監視装置で障害が発生する確率を導出し、前記再生成手段により前記第２の状態特徴量の種類毎に再生成された前記障害分布及び前記非障害分布を用いて、前記障害発生箇所毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、を含む。

請求項５に記載の障害予測装置において、前記障害非発生期間は、前記障害発生期間と異なる期間である。

請求項６に記載の障害予測装置において、前記導出手段は、前記相違度が最大の前記障害分布及び前記非障害分布を用いて前記確率を導出する。

請求項７に記載の障害予測装置において、前記相違度は、前記障害分布及び前記非障害分布に関するｐ値であり、前記導出手段は、前記ｐ値が最小の前記障害分布及び前記非障害分布を用いて前記確率を導出する。

請求項８に記載の障害予測装置において、前記取得手段は、前記被監視装置で障害が発生した時点を特定する特定情報を更に取得し、前記障害発生期間は、前記取得手段で取得された前記特定情報により特定された時点を起点として遡って指定された期間である。

請求項９に記載の障害予測装置において、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１０に記載の障害予測システムは、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において、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１２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９の何れか１項に記載の障害予測装置に含まれる前記取得手段及び前記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１０、及び請求項１２に係る発明によれば、被監視装置で障害が発生していた期間として指定される期間が固定化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、障害発生期間と重複する期間を含む期間を障害非発生期間とする場合に比べ、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６に係る発明によれば、被監視装置で発生する確率を、相違度が最小の障害分布及び非障害分布を用いて導出する場合に比べ、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７に係る発明によれば、被監視装置で発生する確率の導出に要する障害分布及び非障害分布をｐ値を用いずに特定する場合に比べ、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８に係る発明によれば、被監視装置で障害が発生した時点を特定する特定情報により特定された時点を起点として遡って指定された期間とは異なる期間を障害発生期間として用いる場合に比べ、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９に係る発明によれば、被監視装置の機能に特有の機能物理量そのものを状態特徴量として用いる場合に比べ、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１１に記載の発明によれば、画像形成装置で障害が発生していた期間として指定される期間が固定化されている場合に比べ、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〜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〜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。 期間ΔＴ_２の状態特徴量の頻度分布、及び期間ΔＴ_３の状態特徴量の頻度分布との一例を示すグラフである。 障害Ａについての状態特徴量の推移の一例を示すグラフである。 障害Ａについての状態特徴量の推移の一例を示すグラフである。 障害Ａについての状態特徴量の推移の一例を示すグラフである。 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。 障害Ａ、障害Ｂ、及び障害Ｃの各々についてのｐ値と期間ΔＴ_２との相関の一例を示すグラフである。 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〜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、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、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。なお、障害日時情報は、本発明に係る特定情報の一例である。本第１実施形態では、障害日時情報を例示しているが、本発明はこれに限定されるものではなく、例えば、障害が発生した年月日及び時分秒を示す情報であってもよく、画像形成装置１２で障害が発生した時点を特定する情報であれば如何なる情報であってもよい。

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、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、画像形成装置１２の動作状態の特徴を示す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。

導出部２４は、異なる指定障害発生期間の各々の状態特徴量についての指定障害分布、及び指定障害非発生期間の状態特徴量についての指定非障害分布から特定された障害分布及び非障害分布を用いて、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、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。

ここで、障害発生期間とは、予測対象画像形成装置で障害が発生した期間を指す。また、指定障害発生期間とは、予測対象画像形成装置で障害が発生した期間として指定された障害発生期間を指す。また、指定障害発生期間の状態特徴量とは、取得部２０により取得された状態特徴量のうちの指定障害発生期間の状態特徴量を指す。また、指定障害分布とは、指定障害発生期間の状態特徴量の発生頻度の分布を示す障害分布を指す。

また、障害非発生期間とは、予測対象画像形成装置で障害が発生しなかった期間を指す。また、指定障害非発生期間とは、予測対象画像形成装置で障害が発生しなかった期間として指定された障害非発生期間を指す。また、指定障害非発生期間の状態特徴量とは、取得部２０により取得された状態特徴量のうちの指定障害非発生期間の状態特徴量を指す。指定非障害分布とは、指定障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を指す。

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は通知部２６によって端末装置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、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ΔＴ_１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ΔＴ_１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。

導出部２４は、特徴量分類部３４、頻度分布生成部３５、統計的検定部３６、頻度分布再生成部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ΔＴ_２及び期間ΔＴ_３を変化させながら、異なる期間ΔＴ_２の各々の状態特徴量と異なる期間ΔＴ_３の各々の状態特徴量とに分類する。

ここで、期間ΔＴ_２及び期間ΔＴ_３は、何れも、現時点よりも過去の期間である。期間ΔＴ_２とは、画像形成装置１２で障害が発生していた期間として指定された期間を指し、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過去に遡って指定された期間）を指す。例えば、障害が発生した時点が２０××年１１月１５日の場合、期間ΔＴ_２は、２０××年１１月１５日を起算日とした過去の５日間である。期間ΔＴ_３とは、画像形成装置１２で障害が発生していなかった期間として指定された期間を指し、例えば、期間ΔＴ_２と異なる期間を指す。期間ΔＴ_２と異なる期間とは、換言すると、期間ΔＴ_３と重複しない指定された期間を指す。また、期間ΔＴ_３は、例えば、期間ΔＴ_２が定まることで必然的に定まる期間である。例えば、期間ΔＴ_２が、２０××年１１月１０日から、障害が発生した２０××年１１月１５日までの期間の場合、期間ΔＴ_３は、２０××年１１月１０日に連続している過去の５日間を指す。

なお、以下では、説明の便宜上、指定された期間ΔＴ_２と、期間ΔＴ_２が指定されたことで必然的に定まる期間ΔＴ_３との組み合わせを「一対の期間」と称する。

頻度分布生成部３５は、状態特徴量の種類毎に、特徴量分類部３４により分類された期間ΔＴ_２の各々の状態特徴量の頻度分布及び期間ΔＴ_３の各々の状態特徴量の頻度分布を生成する。ここで、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。

統計的検定部３６は、一対の期間毎に、かつ、状態特徴量の種類毎に、頻度分布生成部３５によって生成された頻度分布に対してウィルコクソンの順位和検定を適用することで、ｐ値を算出する。そして、統計的検定部３６は、算出したｐ値を、ｐ値の算出に用いた頻度分布に対応する一対の期間毎に一次記憶部５２に記憶する。なお、統計的検定部３６によって算出されるｐ値は、期間ΔＴ_２の状態特徴量の頻度分布と期間ΔＴ_３の状態特徴量の頻度分布との相違度が大きい程、小さくなる値である。

一般的に、ｐ値とは、帰無仮説が正しいときに、帰無仮説を棄却する確率を示す値を指す。従って、２つの分布が同じ母集団であるとする帰無仮説が立てられ、ウィルコクソンの順位和検定で棄却確率であるｐ値が算出され、算出されたｐ値が小さいほど２つの分布間の相違の度合いが大きいと判断され、帰無仮説が棄却される。

なお、本第１実施形態では、ｐ値を採用しているが、本発明はこれに限定されるものではなく、他の指標値であってもよい。ここで、指標値とは、期間ΔＴ_２の状態特徴量の頻度分布と期間ΔＴ_３の状態特徴量の頻度分布との相違度を示す指標値を指す。例えば、指標値の一例としては、平均値の検定又はコルモゴロフ−スミルノフ検定を適用することで、一対の期間毎に、かつ、状態特徴量の種類毎に算出される指標値が挙げられる。

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。なお、ここで、「正常期間の分布」とは、期間Δ_３の状態特徴量の頻度分布を指し、「異常期間の分布」とは、期間ΔＴ_２の状態特徴量の頻度分布を指す。

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によってウィルコクソンの順位和検定が適用されると、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によってウィルコクソンの順位和検定が適用されると、ｐ値として“４．６９＊１０^−２５”が算出される。

頻度分布再生成部４０は、統計的検定部３６により一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_２の状態特徴量の頻度分布、及び、期間ΔＴ_３の状態特徴量の頻度分布を、状態特徴量の種類毎に再び生成する。

確率算出部４２は、頻度分布再生成部４０により状態特徴量の種類毎に生成された頻度分布を用いて、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。

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。

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、取得部２０、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。

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。

ところで、予測対象画像形成装置で障害が発生する確率を障害種類毎に導出する場合、期間ΔＴ_２の状態特徴量の頻度分布と期間ΔＴ_３の状態特徴量の頻度分布との比である分布比が用いられる。分布比は、期間ΔＴ_２の状態特徴量の頻度分布と期間ΔＴ_３の状態特徴量の頻度分布との相違度が大きいほど理想的な分布比に近付く。そのため、例えば、障害種類に拘らず、障害発生期間を５日間に固定化した場合、一例として図５に示すように、障害Ｂについての分布比は、障害Ａについての分布比に比べ、理想的な分布比から離れてしまう。なぜならば、一例として図６Ａ、図６Ｂ、及び図６Ｃに示すように、障害の発生に至るまでの状態特徴量の推移の傾向は障害種類によって異なるからである。これは、一対の期間を成す期間ΔＴ_２と期間ΔＴ_３とが障害種類によって異なることを意味する。なお、図６Ａ、図６Ｂ、及び図６Ｃにおいて、実線は、状態特徴量そのものを示しており、一点鎖線は、状態特徴量の近似値を示している。

このように、実際に得られる分布比が理想的な分布比から離れる程、予測対象画像形成装置で障害が発生する確率の導出精度は低下する。

そこで、本第１実施形態では、一例として図７に示すように、ＣＰＵ５０が障害予測プログラム５８を実行することで管理装置１６が障害予測処理を実行する。

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を実行することで管理装置１６によって実行される障害予測処理について図７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７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ΔＴ_１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ΔＴ_１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、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、障害が発生した時点を特定し、特定した時点を起点として一対の期間を定める。ここで、本障害予測処理の実行が開始されてから最初に定められる一対の期間に含まれる期間ΔＴ_２の長さは、例えば、１日であり、後述のステップ１１４の処理が実行されることで、特定期間が加算される。これに対し、期間ΔＴ_３の長さは固定されている。期間ΔＴ_３の長さの一例としては、５日間が挙げられる。

なお、本ステップ１０６では、説明の便宜上、１つの期間ΔＴ_２に対して１つの期間ΔＴ_３が必然的に定められる場合を例示しているが、これに限らず、１つの期間ΔＴ_２に対して複数の期間ΔＴ_３が必然的に定められるようにしてもよい。この場合、例えば、第１の期間ΔＴ_３と第２の期間ΔＴ_３とが存在する場合、期間ΔＴ_２と第１の期間ΔＴ_３とが一対の期間を成し、期間ΔＴ_２と第２の期間ΔＴ_３とが一対の期間を成す。

次のステップ１０８で、特徴量分類部３４は、ステップ１０４で算出された状態特徴量を、ステップ１０６で定めた一対の期間に含まれる期間ΔＴ_２の状態特徴量とステップ１０６で定めた一対の期間に含まれる期間ΔＴ_３の状態特徴量とに分類する。

次のステップ１１０で、頻度分布生成部３５は、状態特徴量の種類毎に、ステップ１０８で分類された期間ΔＴ_２の状態特徴量の頻度分布及びステップ１０８で分類された期間ΔＴ_３の状態特徴量の頻度分布を生成する。ここで、状態特徴量の種類とは、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状態特徴量の種類を指す。

次のステップ１１２で、統計的検定部３６は、状態特徴量の種類毎に、頻度分布生成部３５によって生成された頻度分布に対してウィルコクソンの順位和検定を適用することで、ｐ値を算出する。そして、統計的検定部３６は、算出したｐ値を、ｐ値の算出に用いた頻度分布に関する一対の期間に対応付けて一次記憶部５２に記憶する。

なお、ここでは、頻度分布の一例として、期間ΔＴ_２及び期間ΔＴ_３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１１４で、特徴量分類部３４は、期間ΔＴ_２に特定期間を加算する。特定期間とは、例えば、１日を指す。よって、この場合、本ステップ１１４の処理が実行されることで、期間ΔＴ_２が１日延びる。

なお、本ステップ１１４では、特定期間の一例として、１日が採用されているが、本発明はこれに限定されるものではなく、他の期間であってもよい。

また、本ステップ１１４では、期間ΔＴ_２に特定期間が加算される場合が例示されているが、本発明はこれに限定されるものではなく、期間ΔＴ_２から特定期間が減算されるようにしてもよい。

次のステップ１１６で、特徴量分類部３４は、期間ΔＴ_２が閾値に達したか否かを判定する。閾値とは、例えば、１００日間を指す。ステップ１１６において、期間ΔＴ_２が閾値に達していない場合は、判定が否定されて、ステップ１０６へ移行する。ステップ１１６において、期間ΔＴ_２が閾値に達した場合は、判定が肯定されて、ステップ１１８へ移行する。

ステップ１１８で、頻度分布再生成部４０は、ステップ１１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_２の状態特徴量の頻度分布を、状態特徴量の種類毎に、再び生成する。また、ステップ１１８で、頻度分布再生成部４０は、ステップ１１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_３の状態特徴量の頻度分布を、状態特徴量の種類毎に、再び生成する。なお、ｐ値が最小であるということは、期間ΔＴ_２の状態特徴量の頻度分布と期間ΔＴ_３の状態特徴量の頻度分布との相違度が最大であることを意味する。

ここで、一例として図６Ａ、図６Ｂ、及び図６Ｃに示すように、期間ΔＴ_２及び期間ΔＴ_３は、障害種類毎に異なるので、これに対応して、最小のｐ値も、障害種類毎に異なる。従って、本ステップ１１８の処理が実行されることにより、障害種類毎に異なる一対の期間の状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。

例えば、図８に示すように、障害Ａについては、複数のｐ値の各々に対応付けられている期間ΔＴ_２のうちの最小のｐ値に対応する期間ΔＴ_２ａの状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。これに伴って、期間ΔＴ_２ａと共に一対の期間を成す期間ΔＴ_３、すなわち、期間ΔＴ_２ａから必然的に定まる期間ΔＴ_３の状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。

また、例えば、図８に示すように、障害Ｂについては、複数のｐ値の各々に対応付けられている期間ΔＴ_２のうちの最小のｐ値に対応する期間ΔＴ_２ｂの状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。これに伴って、期間ΔＴ_２ｂと共に一対の期間を成す期間ΔＴ_３、すなわち、期間ΔＴ_２ｂから必然的に定まる期間ΔＴ_３の状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。

更に、例えば、図８に示すように、障害Ｃについては、複数のｐ値の各々に対応付けられている期間ΔＴ_２のうちの最小のｐ値に対応する期間ΔＴ_２ｃの状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。これに伴って、期間ΔＴ_２ｃと共に一対の期間を成す期間ΔＴ_３、すなわち、期間ΔＴ_２ｃから必然的に定まる期間ΔＴ_３の状態特徴量の頻度分布が状態特徴量の種類毎に再び生成される。

次のステップ１２０で、確率算出部４２は、ステップ１１８で状態特徴量の種類毎に生成された頻度分布を用いて、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１２０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、ｘ_ｉ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Ｐ_ｊ（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Ｘ_ｉ（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（ｘ_ｉ｜（Ｔ＝ｙｅｓ））は、障害Ｔが発生した場合にｉ番目の状態特徴量Ｘ_ｉの値がｘ_ｉであった確率であり、障害Ｔに対応する状態特徴量Ｘ_ｉについての障害種類判定用確率分布（障害有り）におけるｘ_ｉの確率が用いられる。ここで、障害種類判定用確率分布（障害有り）とは、例えば、ステップ１１８で生成された頻度分布のうちの期間ΔＴ_２についての頻度分布を指す。

また、Ｐ（ｘ_ｉ｜（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Ｘ_ｉの値がｘ_ｉであった確率であり、障害Ｔに対応する状態特徴量Ｘ_ｉについての障害種類判定用確率分布（障害無し）におけるｘ_ｉの確率が用いられる。ここで、障害種類判定用確率分布（障害無し）とは、例えば、ステップ１１８で生成された頻度分布のうちの期間ΔＴ_３についての頻度分布を指す。

すなわち、確率算出部４２では、数式（１）により、［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘ_ｉ｜（Ｔ＝ｙｅｓ））］、及び、［Ｐ（Ｔ＝ｎｏ）・ΠＰ（ｘ_ｉ｜（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）｜ｘ_１，ｘ_２，・・・・，ｘ_ｎ）］が算出される。

なお、ここで、［Ｐ（Ｔ＝ｙｅｓ）・ΠＰ（ｘ_ｉ｜（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Ｘ_ｉ（１≦ｉ≦ｎ）の各値として（ｘ_１，ｘ_２，・・・・，ｘ_ｎ）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（ｘ_ｉ｜（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Ｘ_ｉ（１≦ｉ≦ｎ）の各値として（ｘ_１，ｘ_２，・・・・，ｘ_ｎ）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１２２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１２２の処理が実行されることで、一例として図１２（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。

なお、上記第１実施形態では、頻度分布再生成部４０が、最小のｐ値に対応する一対の期間の頻度分布を再生成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、頻度分布再生成部４０は、最小のｐ値の次に小さなｐ値に対応する一対の期間の頻度分布を再生成してもよい。

また、上記第１実施形態では、ステップ１１６で期間ΔＴ_２が閾値に達するまでステップ１０６〜１１４の処理が繰り返し実行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、ステップ１１６で期間ΔＴ_２が閾値に達する前にステップ１０６〜１１４の処理が複数回繰り返し実行された場合にステップ１１８へ移行するようにしてもよい。この場合、ステップ１１８で、頻度分布再生成部４０は、期間ΔＴ_２が閾値に達するまでステップ１０６〜１１４の処理が繰り返し実行された場合に得られる最小のｐ値を、現時点で一次記憶部５２に記憶されているｐ値から補間法を用いて推定すればよい。

また、上記第１実施形態では、ステップ１０６において、障害予測処理の実行が開始されてから最初に定められる一対の期間に含まれる期間ΔＴ_２の長さの一例として１日を挙げたが、本発明はこれに限定されるものではなく、半日又は２日間以上の期間などであってもよい。

また、上記第１実施形態では、障害が発生した時点を起点として遡った期間を期間ΔＴ_２とし、特定期間を加算することで期間ΔＴ_２を変更しているが、本発明はこれに限定されるものではなく、障害が発生した時点よりも過去の期間で期間ΔＴ_２をずらしてもよい。この場合、例えば、障害が発生した時点よりも過去の期間のうち、障害が発生した期間として指定された異なる期間、換言すると、障害が発生している可能性がある期間として選択された異なる期間の各々を期間ΔＴ_２として用いるようにしてもよい。

また、上記第１実施形態では、ステップ１１６で用いる閾値の一例として１００日を例に挙げたが、本発明はこれに限定されるものではなく、１００日よりも短い期間であってもよいし、１００日を超える期間であってもよい。また、固定化された期間にする必要はなく、例えば、受付デバイス７０によって受け付けられた指示に従って変更される期間であってもよい。

また、上記第１実施形態では、頻度分布再生成部４０が頻度分布を再生成することで、記憶容量の増大を抑制するようにしたが、本発明はこれに限定されるものではない。例えば、ＣＰＵ５０は、ｐ値の算出で用いられる頻度分布を保持しておき、保持している頻度分布から最小のｐ値に対応する頻度分布を抽出するようにしてもよい。

また、上記第１実施形態では、期間ΔＴ_３を期間ΔＴ_２と重複しない期間としたが、本発明はこれに限定されるものではなく、期間ΔＴ_３は、期間ΔＴ_２と一部の期間が重複した期間であってもよい。なお、一部の期間を重複させる場合、重複させる期間が短いほど障害予測の精度が高くなる。

また、上記第１実施形態では、期間ΔＴ_３として、期間ΔＴ_２が指定されることで必然的に定まる期間を例示したが、本発明はこれに限定されるものではなく、期間ΔＴ_３は、例えば、受付デバイス７０によって受け付けられた指示によって変更されてもよいし、端末装置１４が操作されることによって指示された期間であってもよい。

［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４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を実行することで管理装置１６０によって実行される障害予測処理について図９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１１０の処理に代えてステップ２１０の処理を有する点、及び、ステップ１１２の処理に代えてステップ２１２の処理を有する点が異なる。また、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２１８の処理を有する点、及び、ステップ１２０の処理に代えてステップ２２０の処理を有する点が異なる。また、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１２２の処理に代えてステップ２２２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９に示す障害予測処理では、ステップ２１０で、頻度分布生成部３５は、複数種類の状態特徴量の各々について、ステップ１０８で分類された期間ΔＴ_２の状態特徴量の頻度分布及びステップ１０８で分類された期間ΔＴ_３の状態特徴量の頻度分布を生成する。ここで、複数種類の状態特徴量とは、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を指す。

ステップ２１２で、統計的検定部３６は、状態特徴量の種類毎に、頻度分布生成部３５によって生成された頻度分布に対してウィルコクソンの順位和検定を適用することで、ｐ値を算出する。そして、統計的検定部３６は、算出したｐ値を、ｐ値の算出に用いた頻度分布に関する一対の期間に対応付けて一次記憶部５２に記憶する。なお、本ステップ２１２で用いる状態特徴量の種類とは、ステップ２１０で用いた状態特徴量の種類を指す。

ステップ２１８で、頻度分布再生成部４０は、ステップ２１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_２の状態特徴量の頻度分布を、状態特徴量の種類毎に、再び生成する。また、ステップ２１８で、頻度分布再生成部４０は、ステップ２１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_３の状態特徴量の頻度分布を、状態特徴量の種類毎に、再び生成する。なお、本ステップ２１８で用いる状態特徴量の種類とは、ステップ２１０で用いた状態特徴量の種類を指す。

次のステップ２２０で、確率算出部４２は、ステップ２１８で状態特徴量の種類毎に生成された頻度分布を用いて、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２２０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、ｘ_ｉ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Ｐ_ｊ（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Ｘ_ｉ（１≦ｉ≦ｎ）の各値である。

次のステップ２２２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１２（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４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を実行することで管理装置３６０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、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１１０の処理に代えてステップ２１０の処理を有する点、及び、ステップ１１２の処理に代えてステップ２１２の処理を有する点が異なる。また、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３１８の処理を有する点、及び、ステップ１２０の処理に代えてステップ３２０の処理を有する点が異なる。また、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１２２の処理に代えてステップ３２２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。

ステップ３１０で、頻度分布生成部３５は、第１の状態特徴量種類毎に、ステップ１０８で分類された期間ΔＴ_２の状態特徴量の頻度分布及びステップ１０８で分類された期間ΔＴ_３の状態特徴量の頻度分布を生成する。ここで、第１の状態特徴量種類とは、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状態特徴量の種類を指す。また、ステップ３１０で、頻度分布生成部３５は、第２の状態特徴量毎に、ステップ１０８で分類された期間ΔＴ_２の状態特徴量の頻度分布及びステップ１０８で分類された期間ΔＴ_３の状態特徴量の頻度分布を生成する。ここで、第２の状態特徴量種類とは、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を指す。

ステップ３１２で、統計的検定部３６は、第１の状態特徴量種類毎に、頻度分布生成部３５によって生成された頻度分布に対してウィルコクソンの順位和検定を適用することで、ｐ値を算出する。また、統計的検定部３６は、第２の状態特徴量種類毎に、頻度分布生成部３５によって生成された頻度分布に対してウィルコクソンの順位和検定を適用することで、ｐ値を算出する。そして、統計的検定部３６は、算出したｐ値を、ｐ値の算出に用いた頻度分布に関する一対の期間に対応付けて一次記憶部５２に記憶する。

ステップ３１８で、頻度分布再生成部４０は、ステップ３１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_２の状態特徴量の頻度分布を、第１の状態特徴量種類毎に、再び生成する。また、ステップ３１８で、頻度分布再生成部４０は、ステップ３１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_３の状態特徴量の頻度分布を、第１の状態特徴量種類毎に、再び生成する。

また、ステップ３１８で、頻度分布再生成部４０は、ステップ３１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_２の状態特徴量の頻度分布を、第２の状態特徴量種類毎に、再び生成する。また、ステップ３１８で、頻度分布再生成部４０は、ステップ３１２で一次記憶部５２に記憶されたｐ値のうちの最小のｐ値に対応付けられている一対の期間に含まれる期間ΔＴ_３の状態特徴量の頻度分布を、第２の状態特徴量種類毎に、再び生成する。

次のステップ３２０で、確率算出部４２は、ステップ３１８で第１の状態特徴量種類毎に生成された頻度分布を用いて、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、ステップ３２０で、確率算出部４２は、ステップ３１８で第２の状態特徴量種類毎に生成された頻度分布を用いて、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３２２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３２２の処理が実行されることで、一例として図１２（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４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を実行することで管理装置４６０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３２２の処理に代えてステップ４２８の処理を有する点、及びステップ３２０とステップ４２８との間にステップ４２２，４２４，４２６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１１に示す障害予測処理では、ステップ４２２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４２２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４２２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４２２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４２４へ移行する。ステップ４２２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４２２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４２６へ移行する。

ステップ４２４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４２６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４２６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４２２へ移行する。ステップ４２６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、判定が肯定されて、ステップ４２８へ移行する。

ステップ４２８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１２（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７及び図９〜図１１）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、管理装置１６が取得部２０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、取得部２０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。

また、上記各実施形態では、予測対象画像形成装置を１台とした場合について説明したが、予測対象画像形成装置は複数台であってもよい。

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。

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 取得部
２４ 導出部
５８，１５８，２５８，３５８ 障害予測プログラム

Claims (12)

1. 単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、
   前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害種類毎に対応する予め定められた状態特徴量の種類毎に生成する生成手段と、
   前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害種類毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記状態特徴量の種類毎に再生成する再生成手段と、
   前記再生成手段により再生成された前記障害分布及び前記非障害分布を用いて、前記障害種類毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、
   を含む障害予測装置。
2. 単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、
   前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害発生箇所毎に対応する予め定められた状態特徴量の種類毎に生成する生成手段と、
   前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害発生箇所毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記状態特徴量の種類毎に再生成する再生成手段と、
   前記再生成手段により再生成された前記障害分布及び前記非障害分布を用いて、前記障害発生箇所毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、
   を含む障害予測装置。
3. 単数又は複数の被監視装置の動作状態の特徴を示す状態特徴量を取得する取得手段と、
   前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生した期間として指定された異なる障害発生期間の各々の状態特徴量の発生頻度の分布を示す障害分布、及び前記取得手段により取得された状態特徴量のうちの前記被監視装置で障害が発生しなかった期間として指定された障害非発生期間の状態特徴量の発生頻度の分布を示す非障害分布を、障害種類毎に対応する予め定められた第１の状態特徴量の種類毎に生成し、前記障害分布及び前記非障害分布を、障害発生箇所毎に対応する予め定められた第２の状態特徴量の種類毎に生成する生成手段と、
   前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害種類毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記第１の状態特徴量の種類毎に再生成し、前記生成手段により生成された前記障害分布と前記非障害分布との相違度であって、前記障害発生箇所毎の最大の相違度又は次に大きな相違度に対応する一対の期間に含まれる各期間の前記障害分布及び前記非障害分布を前記第１の状態特徴量の種類毎に再生成する再生成手段と、
   前記再生成手段により前記第１の状態特徴量の種類毎に再生成された前記障害分布及び前記非障害分布を用いて、前記障害種類毎に、前記被監視装置で障害が発生する確率を導出し、前記再生成手段により前記第２の状態特徴量の種類毎に再生成された前記障害分布及び前記非障害分布を用いて、前記障害発生箇所毎に、前記被監視装置で障害が発生する確率を導出する導出手段と、
   を含む障害予測装置。
4. 前記導出手段により前記障害発生箇所毎に導出された前記確率のうち、規定値以上の確率に対応する前記障害発生箇所を障害の主原因とする障害種類を、前記障害種類と前記障害発生箇所とが予め対応付けられた対応情報に従って特定し、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補正手段を更に含む請求項３に記載の障害予測装置。
5. 前記障害非発生期間は、前記障害発生期間と異なる期間である請求項１から請求項４の何れか１項に記載の障害予測装置。
6. 前記導出手段は、前記相違度が最大の前記障害分布及び前記非障害分布を用いて前記確率を導出する請求項１から請求項５の何れか１項に記載の障害予測装置。
7. 前記相違度は、前記障害分布及び前記非障害分布に関するｐ値であり、
   前記導出手段は、前記ｐ値が最小の前記障害分布及び前記非障害分布を用いて前記確率を導出する請求項１から請求項６の何れか１項に記載の障害予測装置。
8. 前記取得手段は、前記被監視装置で障害が発生した時点を特定する特定情報を更に取得し、
   前記障害発生期間は、前記取得手段で取得された前記特定情報により特定された時点を起点として遡って指定された期間である請求項１から請求項７の何れか１項に記載の障害予測装置。
9. 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８の何れか１項に記載の障害予測装置。
10. 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が取得される被監視装置と、
    を含む障害予測システム。
11. 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１０に記載の障害予測システム。
12. コンピュータを、
    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に含まれる前記取得手段及び前記導出手段として機能させるためのプログラム。