JP7315341B2 - ペーパージャム予測システム - Google Patents

Description

本発明は、紙用類に印字を行う印字手段を含む電子装置でのペーパージャム予測システムに関する。

ドキュメント処理デバイスは、プリンタ、コピー機、スキャナ及びＥメールゲートウェイを含む。近年、オフィス環境には、これらの機能のうち２以上の機能を搭載したデバイスがある。これらのデバイスは、多機能周辺機器（ＭＦＰ）又は複合デバイス（ＭＦＤ）と呼ばれる。本明細書で、ＭＦＰとは、上記のいずれかのデバイスを意味する。

高価な費用のため、ＭＦＰは、しばしば、例えば、ＳＮＭＰ（Simple Network Management Protocol）を使用したデータネットワークを介して、複数のユーザに共用される。メンテナンスのため、ＭＦＰは、しばしば、データネットワークを介して複数の技術者にモニタされる。あらゆるメカニカルデバイスと同様、ＭＦＰは摩耗する。ＭＦＰデバイスのパーツが摩耗したとき、あるいは、機械的調整をする必要があるとき、ＭＦＰ内での用紙の移動が問題の原因であることがある。ＭＦＰデバイスのエンドユーザにとって、ＭＦＰ内のペーパージャムは、極めてストレスになる。ペーパージャムにより、ＭＦＰを使用不可な時間が長時間続くことになる。その結果、エンドユーザはパワフルなオフィスツールであるＭＦＰを使用できない。また、ジャムを解消しなくてはならないとき、又は代わりのＭＦＰ（例えば、不便な場所に設置されたＭＦＰ、又は使用不可なＭＦＰでは利用可能であった性能（必要のある性能）を有さないＭＦＰ）を使用するとき、エンドユーザのフラストレーションが溜まる。

ペーパージャムは、エンドユーザの負担となるだけでなく、ＭＦＰのプロバイダにとっても大きな費用的なコストが発生する。ＭＦＰの典型的なビジネスモデルによれば、ディストリビュータ（販社）とエンドユーザとの契約において、ディストリビュータは、安価な初期費用又は初期費用無料でＭＦＰデバイスを提供する。エンドユーザの課金は、ページ毎のコストに基づく。このコストは、ＭＦＰデバイス使用量の課金と、メンテナンスコストとを反映した価格である。エンドユーザが解消できないペーパージャムが発生すると、あるいは、ジャムがより頻繁に発生すると、エンドユーザはサービスコールを行わなければならず、ディストリビュータはＭＦＰを修理するために技術者を派遣しなければならない。サービスコールを受け、サービスコールのログを取り、サービス時間をスケジュールし、サービス技術者を派遣し、デバイスを診断及びリペアする、一連に作業が発生することにより、膨大な人的資源のコストが掛かる。このサービスコストにより、ディストリビュータの利益が減り、エンドユーザのページ毎のコストが上昇し、あるいは、両方が発生する。一方、ＰＯＳシステムのように、印字手段を具備するシステムもある。これらＰＯＳシステムは、広い範囲の店舗の個々に、分散されて配置される配置されている。これら機器の保守、特に、印字手段で発生するペーパージャム等の保守は、時間もかかり、多数のサービスマンが必要であった。

特開平９－３２１９３１号公報 特開２００２－３３５３６５号公報 特開２０１６－１０７５９９号公報

本発明が解決しようとする課題は、印字手段を含む電子装置のペーパージャムの発生を予測し、サービス訪問の申し込み、受け付け及び処理を軽減することができるペーパージャム予測システムを提供することを目的とする。

実施形態に係るペーパージャム予測システムは、プロセッサと、紙用類に印字を行う電子機器と、ネットワーク接続された前記電子機器から紙用類に関するペーパージャムデータを常時受信するよう構成されたネットワークインタフェースと、前記電子機器のサービス訪問データを記憶するメモリと、を具備する。前記プロセッサは、前記サービス訪問データに設定されるサービス訪問日より前に、前記ペーパージャムデータのサンプリング窓を生成し、予期されるペーパージャムの兆候が存在しないとき、前記サンプリング窓に含まれるポイントを判断して予測窓を生成し、前記サンプリング窓の前記予測窓内のペーパージャムデータと、前記サンプリング窓の前記予測窓以外のペーパージャムデータ間の関連性を判断して、その関連性データを生成し、前記電子機器からの前記関連性データに関する前記ペーパージャムデータをモニタし、前記モニタした前記ペーパージャムデータが前記電子機器に予期されるペーパージャムを示すときペーパージャム警告を生成する。

実施形態例に係るペーパージャム予測システムの構成を示す図。 ネットワーク接続されたドキュメント描画システムの構成を示す図。 実施形態例に係るデジタルデータ処理装置の構成を示す図。 デジタルデータ処理装置のデバイスエラー予測機構の構成および処理手順を示す図。 機械学習故障解決策予測システムの構成および処理手順を示す図。 機械学習故障解決策予測システムによって生成されたデータパターンの一例を示す図。 機械学習アルゴリズムの例を示す図。 機械学習アルゴリズムの結果の例を視覚的に示す図。 実施形態例に係るデバイス兆候の故障を示す図。 実施形態例に係るデバイス故障の解決策を示す図。 実施形態に係る多機能周辺機器の断面図を示す図。 実施形態に係る機械学習トレーニングを示す図。 ペーパージャム予測システムの処理動作を示すフォローチャート。

各種の実施形態は、明細書、特許請求の範囲及び図面を参照することで、よりよく理解され得る。

ここに開示するシステム及び方法は、例示として図面を参照して詳細に説明する。なお、開示及び記載された例示、設備、構成、部品、要素、装置、デバイス、方法、システム等に対する変形は、好適に行われ得るし、また、特定のアプリケーションに対して要求され得る。本開示において、特定の技術、設備等は、提示された特定の例と同一であるか、あるいは、単にこの技術、設備等の一般的な記述と同一である。具体的に明示しない限り、具体的な詳細又は例と同一であると必須又は限定的に解釈されることを意図したものでは無いし、されてはならない。

実施形態に係るペーパージャム予測システムは、プロセッサと、紙用類に印字を行う電子機器と、ネットワーク接続された前記電子機器から紙用類に関するペーパージャムデータを常時受信するよう構成されたネットワークインタフェースと、前記電子機器のサービス訪問データを記憶するメモリと、を具備し、前記プロセッサは、前記サービス訪問データに設定されるサービス訪問日より前に、前記ペーパージャムデータのサンプリング窓を生成し、予期されるペーパージャムの兆候が存在しないとき、前記サンプリング窓に含まれるポイントを判断して予測窓を生成し、前記サンプリング窓の前記予測窓内のペーパージャムデータと、前記サンプリング窓の前記予測窓以外のペーパージャムデータ間の関連性を判断して、その関連性データを生成し、前記電子機器からの前記関連性データに関する前記ペーパージャムデータをモニタし、前記モニタした前記ペーパージャムデータが前記電子機器に予期されるペーパージャムを示すときペーパージャム警告を生成する。

図１は、実施形態例に係るペーパージャム予測システム１００を示す。ペーパージャム予測システム１００は、複数のＭＦＰ１０４（１０４ａ、１０４ｂ乃至１０４ｎ）を有する。複数のＭＦＰ１０４は、地理的に分散している。１以上のＭＦＰ１０４は、単一のビジネスロケーション（建物）１０８に位置しても良い。また、単一のビジネスの複数のロケーション（建物）に亘って位置しても良い。また、複数のビジネスに亘って位置しても良い。全てのＭＦＰ１０４は、ネットワーククラウド１１２を介してデータ通信可能に構成される。ネットワーククラウド１１２は、好適には、Ｌｏｃａｌ Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＬＡＮ）又はＷｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＷＡＮ）の一部または全てを含む。ＷＡＮは、グローバルインターネットを含んでも良い。ネットワーククラウド１１２のデータ通信は、さらにデータ分析及び機械学習サービスを含む。このサービスは、１以上のサーバ１１６を含む。複数のＭＦＰ１０４は、それぞれ、デバイスの１以上のステータスをモニタするよう構成された１以上のコンポーネントを有する。ステータスは、サーバ１１６にレポートされる。

サーバ１１６は、大容量記憶装置に付加的情報（リペア履歴、及びデバイスメンテナンススケジュール等）を記憶する。好適には、付加的情報は１以上のサービス技術者に対応するように記憶される。また、サーバ１１６は、複数のＭＦＰ１０４から送信されてくるＭＦＰデータを大容量記憶装置に蓄積する。ＭＦＰデータは、例えば、ペーパージャムサービス訪問データ、ペーパージャムエラーの日次数、ページプリントの日次数、前回のペーパージャムに関するパーツ交換からの経過時間、曜日、月、強制デバイスシャットダウンの頻度、及び環境的要因（温度、湿度、接地安定、気圧等）を含む。更に、サーバ１１６は、利用可能な情報を使用して、実際の故障が発生する前に、発生する可能性のあるＭＦＰデバイスのペーパージャムを含む故障を予測する。この情報は、無線通信によりサービス技術者１２４の携帯端末１２０（タブレットコンピュータ又はスマートフォン）を介して、サービス技術者又はサービスセンタに送信される。サーバ１１６は、故障が予測される特定のＭＦＰデバイス関して、推奨されるメンテナンス手順及びに必要となるパーツの情報を記憶する。

図２は、本実施形態が適用される、ネットワーク接続されたデジタルデバイスの構成を示す図である。デジタルデバイスは、ドキュメント描画システム２００を含む。ドキュメント描画システム２００は、図１のＭＦＰ１０４に含まれる。ドキュメント描画システム２００は、インテリジェントコントローラ２０１を有する。インテリジェントコントローラ２０１は、コンピュータシステム自体である。従って、ＭＦＰ自体が、本性能を有するクラウドサーバとして機能することが出来る。インテリジェントコントローラ２０１は、１以上のプロセッサ２０２を含む。プロセッサ２０２はデータバス２１２を介して、不揮発性のメモリ２０４（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）２０６をアクセスして、データの読み書きを実行する。

プロセッサ２０２は、さらに、ストレージインタフェース（Ｉ／Ｆ）２０８とデータ通信する。ストレージインタフェース２０８は、プロセッサ２０２の指令に従ってストレージ２１６にデータを読み書きする。ストレージ２１６は、ハードディスク、オプティカルディスク、ソリッドステートディスク、クラウドベースのストレージ、あるいは、他の好適なデータストレージによって構成することが出来る。

プロセッサ２０２は、さらに、ネットワークインタフェース（Ｉ／Ｆ）２１０とデータ通信する。ネットワークインタフェース２１０は、ネットワークインタフェースコントローラ（ＮＩＣ）２１４に対するインタフェースとして機能する。また、ネットワークインタフェースコントローラ（ＮＩＣ）２１４は、有線の（物理的な）ネットワークライン２２０に対するデータパス、あるいは、無線ネットワークインタフェース２１８を介した無線通信に対するデータパスを供給する。無線通信の接続は、例えば、セルラー方式、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣ、無線ユニバーサルシリアルバス（無線ＵＳＢ）、衛星等である。有線のインタフェースは、例えば、イーサネット（登録商標）、ＵＳＢ、ＩＥＥＥ１３９４（ＦｉｒｅＷｉｒｅ）、Ｌｉｇｈｔｎｉｎｇ、電話線等である。

プロセッサ２０２は、さらに、ユーザインタフェース（Ｉ／Ｆ）２１９とデータ通信可能である。ユーザインタフェース２１９は、ユーザ周辺機器（ディスプレイ、キーボード、マウス、トラックボール、タッチスクリーン等）とデータ通信を行い、使用者等のエンドユーザに対する各種のデータ表示、並びにエンドユーザによる入力操作等が行われる。

さらに、プロセッサ２０２は、文書プロセッサインタフェース（Ｉ／Ｆ）２２２とデータ通信可能である。文書プロセッサインタフェース２２２は、データバス２１２を介してプロセッサ２０２とデータ通信する。文書プロセッサインタフェース２２２は、ＭＦＰの機能部２５０ともデータ通信することが出来る。図示の例では、ＭＦＰの機能部２５０は、コピーハードウェア２４０、スキャンハードウェア２４２、プリントハードウェア２４４、及びファックスハードウェア２４６を有する。コピーハードウェア２４０、スキャンハードウェア２４２、プリントハードウェア２４４、及びファックスハードウェア２４６は、ＭＦＰの機能的ハードウェアを構成する。なお、機能部２５０は、好適なハードウェア又はソフトウェアプラットフォームを含むインテリジェントユニットである。

図３は、実施形態に係るデジタルデータ処理装置３００の構成を示す図である。デジタルデータ処理装置３００は、例えば、図１のサーバ１１６である。また、デジタルデータ処理装置３００は、例えば、図１の携帯端末１２０（タブレットコンピュータ等）であっても良い。デジタルデータ処理装置３００は、１以上のプロセッサ３１０と、ＲＯＭ３１２及びＲＡＭ３１４と、磁気ディスク等で構成されるバルクメモリの不揮発性ストレージ３１６とを含む。不揮発性ストレージ３１６は、ストレージインタフェース（Ｉ／Ｆ）３２５を介してプロセッサ３１０に接続される。ネットワークインタフェースコントローラ３３０は、無線ネットワークインタフェース（Ｉ／Ｆ）３３２及び物理ネットワークインタフェース（Ｉ／Ｆ）３３４を介して、外部のコンピュータ等と接続される。さらに、ネットワークインタフェースコントローラ３３０は、セルラーインタフェース３３１（デジタルデバイスが携帯電話又はタブレットコンピュータの場合）を介して、他のデバイスとのデータ通信のゲートウェイとして機能する。

デジタルデータ処理装置３００は、さらに、ＮＦＣインタフェース（Ｉ／Ｆ）３３５、ブルーツースインタフェース（Ｉ／Ｆ）３３６、及びＧＰＳインタフェース（Ｉ／Ｆ）３３７、ユーザ入出力（Ｉ／Ｏ）インタフェース（Ｉ／Ｆ）３５０を有する。ユーザ入出力（Ｉ／Ｏ）インタフェース（Ｉ／Ｆ）３５０は、各種の入出力デバイス（例えば、図３に示すキーボード３５２、ポインティングデバイス３５４、及びタッチスクリーンディスプレイで構成されるディスプレイ３６０）との入出力制御を実行する。なお、システムを実現するコンピュータプラットフォームは、上記デバイスの一部または全部により実現される。

図４は、実施形態に係るペーパージャム予測システムのデバイスエラー予測機構４００の構成および処理手順を示す図である。デバイスエラー予測機構４００は、例えば、図１のサーバ１１６の動作と連携して実現される。ＭＦＰデバイスのモニタリングは、デバイス管理システム４０４により実現される。一具体例として、ＭＦＰデバイスは、クラウドサービス（東芝テック株式会社製ｅ－ＢＲＩＤＧＥ ＣｌｏｕｄＣｏｎｎｅｃｔ（登録商標））を介して、構築可能でありモニタ可能である。当該クラウドサービスは、内蔵アプリケーション及びクラウドベースのアプリケーションの統合システムである。これらのアプリケーションは、ＭＦＰデバイスをリモートでモニタ及び管理することをサポートする機能を提供する。クラウドサービスは、自動インタラクションを介して、コンフィギュレーション設定を管理することができる。クラウドサービスは、接続されたＭＦＰデバイスからデバイスステータス情報（ＭＦＰのデバイスステータスデータを表すデバイスエラー及び使用量データを含む）を収集し、迅速な問題の診断及び解決に役立てる。デバイスステータス情報４０８の一例として、アジャストメントリスト、セッティングリスト、エラーログ、電源ＯＮ／ＯＦＦログ等がある。注目すべきは、収集した情報に含まれる不必要な個人の特定情報が除去されることである。

デバイス管理システム４０４は、収集したデバイスステータス情報４０８を機械学習プラットフォーム４１２（データアジュール（Ｄａｔａ Ａｚｕｒｅ）ＭＬ等）に供給する。機械学習プラットフォーム４１２は、デバイス故障予測解決に用いられる機械学習及び分析アプリケーションである。また、このようなデバイス故障予測解決のための付加的な情報（デバイスサービスログ情報：例えば「いつ、どのデバイスがサービスコールを行ったか」等）は、好適なＣＭＭＳ４２０（Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｍａｉｎｔｅｎａｎｃｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（又はＳｏｆｔｗａｒｅ））により機械学習プラットフォーム４１２に提供される。ＣＭＭＳ４２０は、Ｅｎｔｅｒｐｒｉｓｅ Ａｓｓｅｔ Ｍａｎａｇｅｍｅｎｔ（ＥＡＭ）とも称される。一具体例として、ＣＭＭＳ４２０は、Ｔｅｓｓａｒａｃｔ Ｃｏｒｐｏｒａｔｉｏｎ製のＣＭＭＳ Ｓｏｆｔｗａｒｅ、又はＦｉｅｌｄ サービスｅ Ｓｏｆｔｗａｒｅ、又はＦｉｅｌｄ Ｆｏｒｃｅ Ａｕｔｏｍａｔｉｏｎ Ｓｏｆｔｗａｒｅ等に基づいてよい。

図５は、実施形態に係る機械学習プラットフォーム４１２の機械学習故障解決策予測システム（以下、単に解決策予測システムと称する）５００の構成および処理手順を示す図である。本例の解決策予測システム５００において、処理が開始されると、ブロック５０４で、後述するように１以上の質問を受け付ける。例えば、何時、ＭＦＰデバイスが故障しそうか？、その故障に何が関係するのか？、等の質問である。ブロック５０８で、図４で収集したデバイスステータス情報４０８からデータ及び特徴を取得し、不要又は問題があるデータを浄化する。ブロック５１２で、浄化したデータを使ってペーパージャムを予測するトレーニングを実行すると共に、ブロック５１６で、浄化したデータを使ってテストする。その結果を、解決策予測システム５００の故障予測モデルに供給する。

故障予測モデルは、１以上の機械学習モデル（機械学習モデル５２０、５２４、及び５２８等）を含む。複数の機械学習モデルを並列採用することにより、予測精度の向上が期待される。機械学習モデル５２０、５２４、及び５２８は、故障の種類に応じたモデルであっても良いし、関連又は共通する複数のセンサ毎のモデルであっても良い。機械学習モデル５２０、５２４、５２８は、それぞれ、１以上のアルゴリズム学習方法（例えば、機械学習モデル５２０ではアルゴリズム学習方法５３２及びアルゴリズム学習モデル５３６）を有する。トレーニングセット５１２で決められたトレーニング対象窓（ウインドウ）を対象にアルゴリズム学習方法５３２は、その学習方法を出力する。アルゴリズム学習モデル５３６は、アルゴリズム学習方法５３２の出力とテストセット５１６からのＭＦＰから取得したセンサデータに基づき、データパターンを含むパラメータ５４０を生成する。評価ブロック５５０で、機械学習モデル５２０、５２４、及び５２８から得られたパラメータ（例えば、機械学習モデル５２０の出力であるパラメータ５４０等）を評価する。この結果を、ブロック５０８にフィードバックして、再度ブロック５０８でデータを取得して計算を繰り返す。

ブロック５０４では、例えば、一定の期間（例えば、次の７日間）の間に、ＭＦＰデバイスに対して、どのような種類のサービス（例えば、部品交換、メカ調整、潤滑油処理）が必要されているかを質問形式で問い合わせる。パラメータ５４０の出力は、機械学習モデル５２０、５２４、及び５２８によって変わる。例えば、機械学習モデルが決定木分析（「Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ」」）である場合、パラメータは当該学習モデルが生成する決定木（ｔｒｅｅ／ツリー）の深度に制限された数になる。例えば、機械学習モデルが回帰分析（「Ｒｅｇｒｅｓｓｉｏｎ」）である場合、パラメータは予測エラーを最適化するよう、選択される。評価ブロック５５０の入力は、各機械学習モデルで予測された解決策を示すコード（以下、予測解決策コードと呼ぶ）と、実際に適用された解決策を示すコードの対となっている。評価ブロック５５０の出力は、正確な予測と、不正確な予測数を含むマトリックスである。これらの全てが計算に用いられ、各モデルの制度を上げ、システム利用者は最も良いデータを選択することが出来る。

図６は、解決策予測システム５００によって生成されたデータパターンの一例を示す。ここでは、２０１７年１１月～１２月の期間を対象に、サービスコールの前に見られるデータパターンを一例とした図である。図６において、下側の横方向の日付軸に流れる波形は、ＭＦＰ内に設けられる既存の各種センサ（例えば、ジャム検出センサ、ローラの回転数サンサ、内部の温度センサ、トナーセンサ等）から取得したセンサデータを示す。上側に示したデータパターンは、下側のセンサ波形に対応して解決策予測システム５００の機械学習モデルによって生成されたデータパターンである。また、図６の縦線は、顧客が故障等の発生に伴いサービスセンタに通知したサービスコール日６００、６１０を行った日及びマークを示している。

図６の上部の数字と対になったアイコンは、電源ボタンを示すものであり、ここでは、強制的に電源がオフされた事実と、その回数を数字で示している。同図で、エラーは、棒グラフの積み重ねにより、表される。棒の高さが回数を表している。一方、図６の下部は、ＭＦＰに設けられた各種センサからのデータを示している。例えば、この実施形態では、２０１７年１２月１５日の実測データとしては、印刷出力の印字出力の濃度が、高い値（Ｈｉｇｈ Ｄｅｎｓｉｔｙ ｐａｔｔｅｒｎ）、低い値（Ｌｏｗ ｄｅｎｓｉｔｙ ｐａｔｔｅｒｎ）がある。さらに、感光ドラム表面の電圧（Ｄｒｕｍ Ｓｕｒｆａｃｅ ｖｏｌｔａｇｅ）、コントラスト電圧（Ｃｏｎｔｒａｓｔ ｖｏｌｔａｇｅ）、主チャージャーグリッド電圧、湿度、レーザーパワー、湿度の変化（ｃｌｏｓｅｄ－ｌｏｏｐ）、フィーダー配列の変化（Ｃｈａｎｇｅ ｉｎ ｆｅｅｄｅｒ ａｌｉｇｎｍｅｎｔ）、ドラム表面電圧の変化というセンサからの出力をモニタしている。

図６から明らかなように、２つのサービスコール日６００，６１０の直前の週（７日間）の各センサ波形に応じたデータパターンの比較から、２回目のサービスコール日６１０の各センサ波形の落ち込みによるデータパターンにより、ＭＦＰエラーがピークに達していると理解できる。解決策予測システム５００は、サービスコールを支援するために、１年以上の同様の故障データとその時の解決策を機械学習モデルにインプットし、学習を行う。一方、ＭＦＰからのリアルデータを逐次取り入れ、故障予測と、その際の解決を提示する。

図７は、機械学習モデル５２０、５２４、５２８のアルゴリズム学習モデルの一例に係る機械学習アルゴリズム７００を示す。機械学習アルゴリズム７００は、図７に示す分類アルゴリズム７０４、及び予想アルゴリズム７０８を有する。

図８は、機械学習アルゴリズム７００によって得られたアルゴリズム結果８００の一例を視覚的に示す。アルゴリズム結果８００は、分類アルゴリズム７０４により得られた分類結果８０４、及び予想アルゴリズム７０８により得られた予想結果８０８を含む。分類結果８０４のデバイス群（群８１２等）は、予想結果８０８の結果８１６により予想される故障に対応するデバイスエラー条件を示しても良い。例えば、ＭＦＰのデバイス故障は、一般化極値スチューデント化偏差テスト（a generalized extreme studentized deviate test）を応用することに基づき、予想することができる。図８の分類結果８０４は、２つの変数あるいは特徴に基づいた３つのクラスに分類したアウトプット（正方形［Square］、三角形[Triangle]、およびドット[Dot]）で予測するモデルの評価した一例を示している。図８は、本実施形態で、解決策予測モデルが単純化された場合の結果である。評価者は、予測するために多くの変数を使用すれば、３つのタイプ以上の予測が可能となる。

一具体例として、予期されるサービス訪問の可能性の判断を、デバイスメンテナンスをスケジュールするのに利用することができる。メンテナンススケジュールは、既にスケジュール済みのサービス訪問と統合しても良い。あるいは、２以上の地理的に近いＭＦＰデバイスのサービスと統合するようにしても良い。これにより、故障予測解決作業者がオンサイト訪問するのに必要な移動時間を最小化できる。好適な機械学習システムは、利用可能なサードパーティ製のプラットフォーム（例えばＲ－Ｓｃｒｉｐｔ、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ｇｏｏｇｌｅ Ｎｅｘｔ、Ｋａｇｇｌｅ.ｃｏｍ等）に構築しても良い。

図９は、実施形態に係るサービス訪問の可能性を判断するためのデバイス故障兆候９００を示す。同一システムにおいて、サービスコールの個々の課題に対し、異なる解決案が提示された回数を示している。言い換えると、デバイス故障兆候９００は、ある期間の故障発生状況を解析した結果の一例である。図９に示した例では、第１位の故障原因は、エラーコードＭＳＧに係る故障であり、約８２０件で、全体件数の３６．３７％を占めていることが分かる。第２位の故障原因は、ペーパージャム／ミスフィードに係る故障であり、約７５０件で、全体件数の３３．８９％を占めている。第３位の故障原因は、プリント／スキャンエラーに係る故障であり、約３００件で全体件数の１３．４３％を占めている。第４位の故障原因は、コピー／カラー品質に係る故障であり、約１６０件で、全体件数の７．４７％を占めている。第５位の故障原因は、ノイズに係る故障であり、約４０件以上で、全体件数の２．１２％を占めている。

図１０は、実施形態に係るデバイスエラー条件と連携する問題解決策１０００を示す。図１０は、特にペーパージャム予測を対象とした結果である。図１０では、異なる解決策と、同じ解決策内での故障要因の構成の一例を示す。解決策１０００は、ランク付けされ、サービス訪問を行わずに済むときのために役立つ可能性のある解決策の候補として提示されれば良い。図１０に例示した解決策１０００の第１位は、リプレースパーツ（部品交換）に係る解決策であり、総件数が約８００件あった。全ての解決策１０００中に占めるリプレースパーツ（部品交換）による解決の割合は、約３５％程度あり、その故障原因の内訳として、エラーコードＭＳＧが１３．１２％、ペーパージャム／ミスフィードが１３．１２％、プリント／スキャンエラーが４．９０％、コピー／カラー品質が２．５２％、…であった。第２位は、メカニカルアジャスト（機械的調整）に係る解決策であり、総件数が約４３０件あった。全ての解決策１０００中に占めるメカニカルアジャスト（機械的調整）による解決の割合は、約２０％程度あり、その故障原因の内訳として、エラーコードＭＳＧが５．５６％、ペーパージャム／ミスフィードが８．３６％、プリント／スキャンエラーが２．２０％、…であった。

図１１は、ＭＦＰの一部を示す断面図である。ＭＦＰ１１００は、図１の複数のＭＦＰ１０４のうちの１台である。後述のように、ＭＦＰ１１００の用紙搬送路には、ペーパージャムが発生し得る多数のポイントがある。特に、各種送りローラ１００６、１００８、１０１０、１０１４、１０１６、１０２０等や、転写ベルト１０１８では、それぞれのポイントで、用紙が機械的に接触することにより、ジャムが発生し得る。図１１の矢印付き線は、ＭＦＰ内の用紙１００２の搬送路を示す。

まず、給紙ローラ１００８は、用紙トレイ１００４又は手差し用のシートバイパスフィーダ１００６から、用紙１００２をピックアップする。給紙ローラ１００８は、ピックアップローラ、フィードローラ、及び分離ローラを有する。１組の搬送ローラ１０１０は、給紙ローラ１００８からの用紙１００２を受け取り、受け取った用紙１００２を位置検出センサ１０１２の先まで搬送し、さらに１組の位置決めローラ１０１４に到達させるように搬送する。位置検出センサ１０１２は、用紙１００２が搬送ローラ１０１０及び位置決めローラ１０１４の間を移動するとき、用紙１００２の前端及び用紙１００２の後端を検出する。

位置決めローラ１０１４は、転写ローラ１０１６及び転写ベルト１０１８の間のニップに、用紙１００２を搬送する。転写ローラ１０１６は、帯電し、転写ベルト１０１８上のトナーを転写ベルト１０１８から用紙１００２に転写する。用紙１００２は、定着器１０２０に進入する。定着器１０２０は、熱によりトナーを用紙に定着させる。定着器１０２０は、好適には、定着器ローラ、定着器ベルト及びプレッシャーローラを有する。用紙の長さは、前端検出時間と後端検出時間との間の差により判断できる。

公知の用紙サイズであり公知の用紙搬送スピードである場合、前端及び後端の検出時間の差が著しく小さければ、ペーパージャムが発生している可能性があると判断することができる。搬送路には用紙を検出する複数の検出センサが実装されており、それらの検出センサによってジャム発生時の相対的な用紙位置を示すようにしても良い。別の一例として、各種送りローラの回転をモニタすることにより、予期される用紙サイズに対してローラの動きが著しく大きい又は著しく少ないことが分かり、これにより、ペーパージャムが発生する虞（可能性）があると判定すれば良い。このような検出センサを並べることで、ＭＦＰ内での用紙の位置を詳細に判断することができ、プリンタジャムの特性を判断することができる。

ペーパージャムを予測するデバイストレーニング（図５のトレーニングセット５１２等）は、履歴データを使って機械学習モデルをトレーニングする。即ち、トレーニングセット５１２により、ジャムを引き起こす原因を機械的に予測することができる。実施形態に係る処理によれば、ペーパージャムのサービス訪問の日付を、マークしたり、あるいは、トレーニングデータを２つに分類したりするのに使用する。サービス訪問日前の、一定日数のＭＦＰの日次データを、故障の兆候があるデータとして分類する。この一定日数を、予測窓（ウインドウ）と称する。予測窓（ウインドウ）からのデータより古い一定日数の日次データを、故障の兆候が無いデータとして分類する。この一定日数を、稼動窓（ウインドウ）と称する。この２つの一定日数を合わせて、サンプリング窓（ウインドウ）と称する。本発明では、ペーパージャムエラーの履歴および他のＭＦＰのオペレーションデータを用いて機械学習モデルを管理・訓練する。これにより、ペーパージャムのサービスコールに導くパターンを学習することができる。

機械学習モデルによっては、レコードの履歴セットに亘るデータパターンを見つけるのが難しいこともある。従って、稼動窓計算（稼動平均及び標準偏差等）を用いて、多数の工学的特徴が生成される。これにより、特定のレコードの過去のデータをキャプチャすることができる。

図１２は、トレーニングセット５１２における機械学習トレーニングを示す図である。稼動値（ローリングバリュー）を計算するのに十分な過去のデータを各レコードが有することを保証するため、サンプリング窓（ウインドウ）１２０ｃ－稼動窓（ローリングウインドウ）１２０ｂのデータをトレーニングセット窓（ウインドウ）１２０ｄとする。トレーニングセット窓（ウインドウ）１２０ｄは、予測窓（プレディクションウインドウ）１２０ａを含む。

トレーニングセット５１２は、データ浄化処理（図５のブロック５０８等）を実行する。好適な浄化処理は以下を含む。
・重複するセットを除去する
・欠落したデータを高い割合で有するトレーニングセットを除去する
・セット中の欠落した値に、最新の利用可能な値を入れる
・稼動値を計算

トレーニングを終了後、予測処理を実行すればよい。その後、トレーニングセット５１２は、様々な機械学習モデルをトレーニングするのに使用される。良好な予測が得られる１つのトレーニングセットを、予測処理に使用されるものとして選択する。好適な予測処理において、ライブ（実際に発生中の）の日次データを収集し、トレーニングデータの稼動値を生成する方法と同じ方法を使用する。これにより、本日のデータの稼動値を計算することができる。得られた結果は、予測トレーニングモデルとして使用される。

各種送りローラ１００６、１００８、１０１０、１０１４、１０１６、１０２０等の回転のモニタ結果を含むように時間に亘って集められたＭＦＰのプリンタデータには、ＭＦＰデバイスの故障を予言する際に支援できる様々な著しい特性がある。この実施形態では、ペーパージャムの予測に注目している。そして、次の２つのメインプロセスを使用することに注目している。
（１）トレーニング：大量の履歴データは、機械学習モデルをトレーニングするために使用
（２）予測：近い将来にペーパージャム（紙詰り）が発生しそうなＭＦＰリストを生成するために、以下に示すデータが機械学習モデルに供給される。特許請求の範囲で言及するペーパージャムデータとしては、以下のものが選定され得る。
－ ペーパージャムのサービスコール日
－ ペーパージャムエラー発生の頻度
－ 印刷されたページの枚数
－ 最後の紙詰まりで部品交換してからの期間
－ その週の曜日
－ その年の月
－ デバイスシャットダウンした頻度
－ 環境要因：温度、湿度、ほこり
ただし、実施形態としては、上記データを用いたが、これに限定されず、学習モデルにより適宜選択できる。少なくとも、ペーパージャムエラー発生の頻度、印字枚数が重要となる。

次に、（１）トレーニングセット５１２のトレーニングプロセスについて説明する。このプロセスでは、ペーパージャムのサービスコール日は、２つのトレーニングデータをマークするか又は分類するために使用される。例えば、サービスコール前のＭＦＰのデイリーデータの定数は、ジャム故障の兆候を持っていることとして分類する。この定数は、図１２の予測窓（ウインドウ）１２０ａのデータである。また、上記デイリーデータより古いデイリーデータの定数は、故障の兆候を持っていないこととして分類する。この定数は、図１２の稼動窓（ウインドウ）１２０ｂのデータである。これら予測窓（ウインドウ）１２０ａと稼動窓（ウインドウ）１２０ｂとを合わせて、サンプリング窓（ウインドウ）１２０ｃとする。

ほとんどの機械学習モデルがレコードの履歴セットを跨ったパターンを見つけることができないので、特別のレコードの過去データを捕まえるために標準偏差と回転ウインドウ計算のよる回転平均値を使用して機械的な特徴数を生成する。各レコードに稼動値を計算するために十分な過去データを持っていることを確かめるために、サンプリング窓（ウインドウ）１２０ｃから稼動窓（ウインドウ）１２０ｂを引いたトレーニングセット窓（ウインドウ）１２０ｄのデータをモデルのトレーニングに使用される。

トレーニングセット窓（ウインドウ）１２０ｄのデータは、それぞれ以下に示すデータを浄化のプロセスを経っている。
－ 重複するトレーニングセットは削除
－ データの喪失割合が高いレーニングセットは削除
－ トレーニングセット中の喪失データは、最新の利用可能データで置換する
－ 稼動値の計算
その後、トレーニングセット５１２は、様々な機械学習モデルをトレーニングするために使用される。よりよい予測を与えるものは、次の予測プロセスに選ばれる。

次に、（２）予測プロセスについて説明する。予測プロセスでは、トレーニングセットの稼動値（ローリングバリュー）を作成するのと同じ方法で、実際のデイリーデータが集められ、当日のデータに対する稼動値を計算するために使用される。結果は、予測のための機械学習モデルに渡される。

図１３は、実施形態に係るペーパージャム予測システム１００の処理動作を示すフォローチャートである。図１３の動作を開始するにあたり、ネットワークインタフェースコントローラ３３０は、ネットワーク接続された複数のＭＦＰから、ペーパージャムデータを常時受信する。受信したペーパージャムデータは、プロセッサ３１０によりメモリ３１４（データ保存はストレージ３１６）に格納される。メモリ３１４には、各ＭＦＰについて申し込まれる事前サービス訪問を示す、サービス訪問データを記憶している。そして、プロセッサ３１０は、次の動作を実行するように構成されている。

まず、サービス訪問データに設定されるサービス訪問日より前に、ペーパージャムデータのサンプリング窓（ウインドウ）１２０ｃを定義する（Ｓ１３００）。予期されるペーパージャムの兆候が存在しないとき（Ｓ１３１０のＮｏ）、サンプリング窓（ウインドウ）１２０ｃに含まれるポイントを判断し、予測窓（ウインドウ）１２０ａを定義する（Ｓ１３２０）。一方、予期されるペーパージャムの兆候が存在するときは（Ｓ１３１０のＹｅｓ）、当該兆候を予測窓（ウインドウ）１２０ａに設定する（Ｓ１３３０）。次に、サンプリング窓（ウインドウ）１２０ｃの予測窓（ウインドウ）１２０ａ内のペーパージャムデータと、サンプリング窓（ウインドウ）１２０ｃの予測窓（ウインドウ）１２０ａ以外のペーパージャムデータとの関連性を判断する。そして、判断した関連性に対応する関連性データを生成する（Ｓ１３４０）。次に、監視対象のＭＦＰからの関連性データに関する受信したペーパージャムデータをモニタする（Ｓ１３５０）。モニタした受信したペーパージャムデータが、監視対象ＭＦＰに予期されるペーパージャムを示すとき、ペーパージャム警告を生成する（Ｓ１３６０）。このような手法により、ドキュメント処理装置のステータスを自動モニタして、ペーパージャムの予測を容易に行うことができる。

プロセッサ３１０は、受信したペーパージャムデータに関する稼動窓（ウインドウ）１２０ｂとして、サンプリング窓（ウインドウ）１２０ｃを生成しても良い。また稼動窓（ウインドウ）１２０ｂに関する受信したペーパージャムデータについて標準偏差値を判断する。そして、関連性データは判断した標準偏差に対応するように生成する。ペーパージャムデータは、ペーパージャムの頻度に対応するデータを含む。ペーパージャムデータは、ＭＦＰが処理した用紙のページカウントに対応するデータを含んでも良い。

メモリ３１２は、さらに、ＭＦＰに関する交換用パーツに対応する交換用パーツデータを記憶するよう構成しても良い。プロセッサは、さらに、交換用パーツデータに関する受信したペーパージャムデータをモニタする。プロセッサ３１０は、さらに、生成されたペーパージャム警告に従って、サービス訪問リクエストを起動するよう構成しても良い。

プロセッサ３１０による、複数のＭＦＰの処理動作について説明する。まず、サービス訪問データに設定される時期の早いサービス訪問日の１つに関して、ＭＦＰそれぞれについてペーパージャムデータのサンプリング窓（ウインドウ）１２０ｃを定義するよう構成する。さらに、予期されるペーパージャムの兆候が存在しないとき、サンプリング窓（ウインドウ）１２０ｃのそれぞれに含まれるポイントを判断し、時期の早いサービス訪問日の１つに関して、ＭＦＰそれぞれについて予測窓（ウインドウ）１２０ａを定義するよう構成する。サンプリング窓（ウインドウ）１２０ｃの予測窓（ウインドウ）１２０ａのそれぞれに含まれるペーパージャムデータと、サンプリング窓（ウインドウ）１２０ｃの予測窓（ウインドウ）１２０ａ以外のペーパージャムデータとの関連性を判断するよう構成する。判断した関連性に対応する関連性データを生成するよう構成する。ＭＦＰそれぞれの前記関連性データに関する、受信したペーパージャムデータをモニタするよう構成する。モニタした受信したペーパージャムデータが、何れかの特定のＭＦＰに予期されるペーパージャムを示すとき、ペーパージャム警告を生成するよう構成する。

プロセッサ３１０は、さらに、予期されるペーパージャムを示すＭＦＰを特定するサービス訪問リクエストを生成するよう構成する。受信したペーパージャムデータを浄化するよう構成しても良い。重複するデータを除去、又は欠落したエレメントがあるデータを除去することにより、受信したペーパージャムデータを浄化するよう構成しても良い。

本実施形態によれば、ドキュメント処理装置のステータスを自動モニタして、ペーパージャムの兆候を見逃さず、ジャム発生の予測を容易にする。この予測により、サービス訪問の申し込み、受け付け及び処理を無くすことができる。技術者を事前に派遣して、問題が大きくなる前に、将来的に故障するおそれのあるＭＦＰに対処することができる。近所でサービス訪問が既にスケジュールされている場合、この技術者は、将来的に故障するおそれのあるＭＦＰを同時に対処できる。

本技術の実施形態について上に説明したが、実施形態は単に例示であり、本技術は上述の実施形態にのみ限定されるものではない。上述の新規な実施形態は、他の種々の形態で実現し得、さらに、本発明の要旨を逸脱しない範囲内において種々省略、代替及び変更を加え得る。特許請求の範囲及びその均等物は、これらの形態又は変形をカバーし、これらは本発明の要旨を逸脱しない。

１００…ペーパージャム予測システム
１０４、１０４ａ、１０４ｂ、１０４ｎ…ＭＦＰ
１１６…サーバ
１１２…ネットワーククラウド
１２０…携帯端末
１２４…サービス技術者
２００…ドキュメント描画システム
２０１…インテリジェントコントローラ
２０２、３１０…プロセッサ
２０４、３１２…ＲＯＭ
２０６、３１４…ＲＡＭ
２０８、３２５…ストレージインタフェース（Ｉ／Ｆ）
２１０、３３０…ネットワークインタフェース（Ｉ／Ｆ）
２１２…データバス
２１４…ネットワークインタフェースコントローラ（ＮＩＣ）
２１６、２１６…ストレージ
２１８…無線ネットワークインタフェース（ＷｉＦｉ）
２１９…ユーザインタフェース
２２０…有線ネットワークライン
２２２…文書プロセッサインタフェース
２５０…ＭＦＰ機能部
３００…デジタルデータ処理装置
３３１…セルラーインタフェース（Ｉ／Ｆ）
３３２…無線ネットワークインタフェース（Ｉ／Ｆ）
３３４…物理ネットワークインタフェース（Ｉ／Ｆ）
３３５…ＮＦＣインタフェース（Ｉ／Ｆ）
３３６…ブルーツースインタフェース（Ｉ／Ｆ）
３３７…ＧＰＳインタフェース（Ｉ／Ｆ）
３５０…ユーザ入出力インタフェース（Ｉ／Ｆ）
３５２…キーボード
３５４…ポインティングデバイス
３６０…ディスプレイ
４００…デバイスエラー予測機構
４０４…デバイス管理システム
４１２…機械学習プラットフォーム
５００…機械学習故障予測解決システム
７００…機械学習アルゴリズム
７０４…分類アルゴリズム
７０８…予想アルゴリズム
８００…アルゴリズム結果
８０４…分類結果
８０８…予想結果
９００…デバイス故障兆候
１０００…問題解決策
１２０ａ…予測窓（ウインドウ）
１２０ｂ…稼動窓（ウインドウ）
１２０ｃ…サンプリング窓（ウインドウ）
１２０ｄ…トレーニングセット窓（ウインドウ）

Claims (5)

1. プロセッサと、
   紙用類に印字を行う電子機器と、
   ネットワーク接続された前記電子機器から紙用類に関するペーパージャムデータを常時受信するよう構成されたネットワークインタフェースと、
   前記電子機器のサービス訪問データを記憶するメモリと、
   を具備し、
   前記プロセッサは、
   前記サービス訪問データに設定されるサービス訪問日より前に、前記ペーパージャムデータのサンプリング窓を生成し、
   予期されるペーパージャムの兆候が存在しないとき、前記サンプリング窓に含まれるポイントを判断して予測窓を生成し、
   前記サンプリング窓の前記予測窓内のペーパージャムデータと、前記サンプリング窓の前記予測窓以外のペーパージャムデータ間の関連性を判断して、その関連性データを生成し、
   前記電子機器からの前記関連性データに関する前記ペーパージャムデータをモニタし、
   前記モニタした前記ペーパージャムデータが前記電子機器に予期されるペーパージャムを示すときペーパージャム警告を生成する
   ペーパージャム予測システム。
2. 前記プロセッサは、
   前記ペーパージャムデータに関する稼動窓として前記サンプリング窓を生成し、
   前記稼動窓の前記ペーパージャムデータについて標準偏差値を判断して前記関連性データを生成する
   請求項１に記載のペーパージャム予測システム。
3. 前記ペーパージャムデータは、ペーパージャムの頻度に対応するデータを含む請求項１又は請求項２に記載のペーパージャム予測システム。
4. 前記ペーパージャムデータは、前記電子機器が処理した用紙のページカウントに対応するデータを含む請求項１又は請求項２に記載のペーパージャム予測システム。
5. 前記メモリは、前記電子機器に関する交換用パーツに対応する交換用パーツデータをさらに記憶し、
   前記プロセッサは更に、前記交換用パーツデータに関する前記ペーパージャムデータをモニタする請求項１又は２のいずれか１項に記載のペーパージャム予測システム。