JPH04273259A - 自己診断修復システムを備えた画像形成装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、自己診断および／ま
たは自己修復システムに関するものである。より詳しく
は、近年盛んに研究が行われている人工知能、知識工学
を利用するとともに、ファジイ推論を採用することによ
って装置の劣化状態や動作状態等を自己診断し、また必
要に応じて自己修復し得るようなシステムに関するもの
である。

【０００２】

【従来の技術】精密機械や産業機械等の開発分野におい
ては、保全作業の省力化や自動運転の長期化を実現する
ために、最近、人工知能（ＡｒｔｉｆｉｃｉａｌＩｎｔ
ｅｌｌｉｇｅｎｃｅ：いわゆるＡＩ）技術を利用したエ
キスパートシステムの研究が盛んに行われている。エキ
スパートシステムの中には、装置に故障が生じたか否か
を自己診断し、また生じた故障を自己修復するものが見
受けられる。

【０００３】ところが、従来のエキスパートシステムに
よる故障診断システムでは、（Ａ）知識に汎用性がなく
、様々な対象に対しての故障診断ができないこと、（Ｂ
）未知の故障に対する診断ができないこと、（Ｃ）対象
が複雑になると、故障診断に必要な知識量が爆発的に増
大するので、実現性が困難になること、（Ｄ）知識獲得
が難しいこと、等の限界が指摘されていた。

【０００４】より具体的に説明すると、従来の自動調節
システムや故障診断システムは、基本的には、或るセン
サの出力に基づいて対応するアクチュエータを作動させ
るようになっていた。つまり、予め定めるセンサおよび
アクチュエータの組み合わせにより、一種の自動調節や
故障診断がなされていた。よって、基本的には、或るセ
ンサは特定のアクチュエータと対応しており、両者の関
係は固定的であった。それゆえ、（ａ）センサのパラメ
ータとアクチュエータのパラメータとの関係は数値的に
明示されていなければならない。（ｂ）上記（ａ）の理
由から、センサのパラメータとアクチュエータのパラメ
ータとの関係は対象に強く依存しており、汎用性に乏し
く、様々な対象に対して利用ができない。（ｃ）各セン
サ同士のパラメータ間または各アクチュエータ同士のパ
ラメータ間の関係は制御と無関係であり、対応するセン
サのパラメータとアクチュエータのパラメータとの関係
のみに基づく単純な制御しか行えず、対処できる故障が
予め限定されており、未知の故障は扱えない。（ｄ）上
記（ｃ）の理由から、任意のアクチュエータのパラメー
タを操作したことにより生じ得る他のアクチュエータの
パラメータへの副次的影響を予測できない、等の問題点
があった。

【０００５】このように、従来の自動調節システムや故
障診断システムでは、予測故障ＡはセンサＡおよびアク
チュエータＡの組Ａに基づいて行われ、予測故障Ｂはセ
ンサＢおよびアクチュエータＢの組Ｂに基づいて行われ
、予測故障ＣはセンサＣおよびアクチュエータＣの組Ｃ
に基づいて行われるという具合に、それぞれ独立したセ
ンサおよびアクチュエータの組に基づく故障診断が行わ
れ、またそれに基づく故障修復が行われていたにすぎな
かった。

【０００６】

【発明が解決しようとする課題】そこで、本願出願人等
は、この発明に関連する技術として、先に、画像形成装
置を対象機械に取り上げて、従来技術の欠点を解消した
新規な自己診断および／または自己修復を行うシステム
を提案した（特願平２−２５２１１１号ないし特願平２
−２５２２１６号参照）。

【０００７】上記既提案の自己診断および／または自己
修復システムにおいて用いられている定性推論は、方程
式群と初期状態とから定性的遷移を決定する手法として
は完全性がある。その反面、定性的、換言すれば記号的
な表現形式上での推論を行っていることから、対象とす
る系（機械）の状態表現として曖昧な表現を許さないと
いう避けがたい宿命を持っている。これは、保全活動に
おいてしばしば見受けられる「曖昧な情報」、たとえば
、機械の状態として「これは正常かもしれないし、異常
かもしれない」といった情報を扱って故障診断、修復を
行う手法としては不十分である。

【０００８】また、機械を構成している個々の部品につ
いての劣化や故障履歴情報を利用した故障診断の総合化
を行うことを考えた場合、既提案の定性推論に何らかの
別の表現方法を用いた論理を足し合わせ、曖昧さのある
情報を扱う手法を加えた推論方法を考えなければ、故障
診断および／または故障修復システムとしてより完成度
の高いものを構築することができない。

【０００９】そこで、本願発明者は、上記既提案の自己
診断および／または自己修復システムで用いられている
定性推論に、曖昧さを数学的に扱う理論であるファジイ
理論を組み合わせることによって、より完成度の高い自
己診断および／または自己修復システムを発明した。こ
の発明の具体的な目的は、保全的な立場から見た、曖昧
さを許した推論の開発を行い、該推論を用いて機械、具
体的には画像形成装置の状態を自己診断することができ
、かつ必要に応じて自己修復可能なシステムを提供する
ことである。

【００１０】

【課題を解決するための手段】自己診断修復システムを
備えた画像形成装置であって、画像形成装置を複数個の
要素の結合として表現し、各要素の挙動または属性およ
び各要素間の結合関係をパラメータを用いて定性的に表
わした定性データ、各パラメータのメンバーシップ関数
ならびに故障診断知識が記憶された対象モデル記憶手段
、前記画像形成装置を構成する所定の部品について、使
用時間と劣化量との関係を表わす劣化データが記憶され
た劣化データ記憶手段、前記画像形成装置の予め定める
箇所における機能状態を検出して状態データを出力する
ための複数個のセンサ手段、前記画像形成装置の機能状
態を変化させることのできる複数個のアクチュエータ手
段、劣化データ記憶手段に記憶された劣化データに基づ
いて、現在までの使用時間に対応する劣化量を算出する
劣化量算出手段、対象モデル記憶手段に記憶された定性
データのパラメータのうち、劣化量算出手段により算出
された劣化量によって変化したパラメータの値をパラメ
ータのメンバーシップ関数を用いてファジイ定性値とし
て表現する変化算出手段、センサ手段によって検出され
た状態データを対象モデル記憶手段に記憶されたパラメ
ータのメンバーシップ関数を用いてファジイ定性値に変
換するデータ変換手段、データ変換手段の変換出力を対
象モデル記憶手段に記憶された定性データと比較するこ
とにより故障の有無を判定する故障判定手段、故障判定
手段が故障有りを判定したことに応答して、変化算出手
段の算出結果を初期条件として対象モデル記憶手段に記
憶された定性データおよび故障診断知識に基づいて画像
形成装置の状態を診断し、診断結果を曖昧さを含む表現
で出力する故障診断手段、データ変換手段で変換された
ファジイ定性値を故障診断手段から出力される画像形成
装置の状態と比較して故障原因を同定する原因同定手段
、原因同定手段からの原因同定出力が得られたことに基
づいて、診断された故障原因を修復可能か否かを判別す
る判別手段、ならびに判別手段が修復可能と判別したこ
とに基づいて、故障原因を除去するために前記複数個の
アクチュエータ手段を選択的に作動させる修復手段、を
含むことを特徴とするものである。

【００１１】

【作用】この発明にかかる自己診断修復システムは、ま
ず、使用時間と劣化量との関係を表わす劣化データに基
づいて現在までの使用時間に対する劣化量を算出する。 そして、算出された劣化量によって変化したパラメータ
の値をパラメータのメンバーシップ関数を用いてファジ
イ定性値化し、定性データ上で用いる表現に置き換える
。また、複数のセンサ手段で検出されたデータをパラメ
ータのメンバーシップ関数を用いてファジイ定性値に変
換し、そのファジイ定性値に基づいて故障の有無を判定
する。そして、故障有りと判定すると、上記劣化量によ
って変化したパラメータ値を初期値として故障診断を行
う。診断結果は曖昧さを含む表現で出力される。

【００１２】さらに、センサ手段の検出出力から変換さ
れたファジイ定性値を故障診断で得られた結果と比べて
故障原因を同定する。つまり、故障診断の結果、複数の
故障原因候補が取り上げられた場合に、どの故障原因候
補が実際の装置の状態により合致しているかを検討する
。したがって、現実の故障状態がより正確に出力される
。そして、その故障は修復できるもの（たとえばハロゲ
ンランプの光量不良）であるか、修復できないもの（た
とえばハロゲンランプ切れ）であるかが判別され、修復
できる場合のみ、複数個のアクチュエータのうちの所定
のものが作動され、修復操作がされる。

【００１３】

【実施例】ファジイ定性推論 まず、自己診断のために必要な新規に開発された曖昧さ
を有した推論であるファジイ定性推論について説明をす
る。 （１）ファジイ定性値 本願出願人の先願にかかる自己診断および／または自己
修復システムで用いられている定性推論においては、変
数の値を記号的に表現する手法として量空間と定性値と
いう概念が用いられている。量空間は、実数集合を物理
的に意味のある特徴的な値である境界標（ランドマーク
（Ｌａｎｄｍａｒｋ））と、それら境界標に囲まれた区
間とで記号的に表現した有限集合である。ゆえに、定性
値としては、境界値か区間値のどちらか片方しか取り得
ない。

【００１４】理想的な対象機械を例にとった自己診断お
よび／または自己修復システムを考えるならば、或る値
が境界値か区間値かと決めるのは意味のあることであろ
う。しかしながら、実際の現実世界において、測定によ
って得られた定量値を定性的な表現に変換しそれを基に
推論を行うことを考えた場合、ただ単に二者択一的に境
界値か区間値かに変換することは妥当性を欠くおそれが
ある。なぜならば、上述したように、保全活動において
は「曖昧な情報」が見受けられ、境界値かもしれないし
区間値かもしれないといった状況が現実に生じ得るから
である。

【００１５】そこで、この発明ではファジイ理論の適用
を考えることにした。ファジイ理論は、曖昧さを数学的
に扱う理論であり、ファジイ理論での集合の表現の特徴
は、或る要素が集合に属するか否かの中間的な状態を、
その要素が集合に属する度合いとして０．０から１．０
までの小数値で表わすことである。この表現形式を用い
ることにより、従来の集合では表現出来ない中間的な状
態の表現が可能である。ファジイ理論では、或る要素が
或る集合に属する度合い（グレード）を規定する関数は
「メンバーシップ関数」と呼ばれている。

【００１６】このメンバーシップ関数を用いて表現され
るファジイ集合の概念を導入することにより、定性的な
表現に曖昧さを付加した表現が可能になる。つまり、こ
の発明では、変数の値を、従来の定性値と、その定性値
に属する度合い（グレード）の組として表現する。かか
る表現形式を「ファジイ定性値」と呼ぶことにする。た
とえば、図１に示す量空間において或る変数の値をファ
ジイ定性値で表すと、たとえば 　　（Ｎｏｒｍａｌ：０．４、（Ｎｏｒｍａｌ，ｎｉｌ
）：０．６）などのように表現される。

【００１７】このファジイ定性値の表現法を用いること
により、センサ情報を推論に活用するときに、曖昧さを
許すことが可能になる。つまり、先に提案された定性推
論を用いた故障診断システムでは、正常値域として或る
一定の範囲を決めておき、センサから得られる定量値が
その範囲に入っていればその値を「正常値」のランドマ
ーク上にあるとして定性推論を行っていた。

【００１８】これに対し、この発明では、センサから得
られる定量値を定性的な表現に変換する操作にメンバー
シップ関数を用いる。メンバーシップ関数を用いる場合
においては、図２に示すように、予めセンサの実数空間
上に「正常値（Ｎｏｒｍａｌ；以下、Ｎと略す）」、「
正常値より大きい（Ｎｏｒｍａｌ，ｎｉｌ；以下、Ｎ，
ｎｉｌと略す）」、「正常値より小さい（０，Ｎｏｒｍ
ａｌ；以下、０，Ｎと略す）」などのメンバーシップ関
数を決めておく。そして、センサから得られる実測値を
図２に示すこの空間上にマッピングすることにより、実
測されたセンサの定量値を曖昧さを許す定性的な表現に
変換する。 （２）ファジイ定性値の演算則 ファジイ定性値の代数演算は、定性推論の代数演算規則
とグレードの計算とからなる。具体例を示しながら説明
する。たとえば、 Ｚｆ　　＝　　Ｘｆ　　×　　Ｙｆ Ｘｆ　　＝　　（Ｎ：０．８、（Ｎ，ｎｉｌ）：０．２
）Ｙｆ　　＝　　（（０，Ｎ）０．７、Ｎ：０．３）で
、かつ、ランドマーク間の関係が、 （Ｘｆ，Ｙｆ，Ｚｆ）＝（Ｎ，Ｎ，Ｎ）を具体例として
説明する。まず、Ｘｆ、Ｙｆのそれぞれの定性値（この
例ではＸｆについてＮと（Ｎ，ｎｉｌ）など）とランド
マーク間の関係から、Ｚｆの定性値としてとり得るもの
をすべて挙げる。そのときの、Ｚｆの定性値に対するグ
レードはＸｆ、Ｙｆの定性値に対するグレードの小さい
方をとる。具体的には、　　　　　　Ｘｆ　　　　　　
　　Ｙｆ　　　　　　　　　　Ｚｆ　　　　　　Ｎ　　
　　　　×（０，Ｎ）＝（０，Ｎ）　　　　　　　　　
　　　：　　０．８、　０．７＝０．７　　　　　　　
　　Ｎ　　　　　　×　　　　Ｎ　　　　＝　　　　Ｎ
　　　　　　　　　　　　　　　　：　　０．８、　０
．３＝０．３　　　（Ｎ，ｎｉｌ）　　×（０，Ｎ）＝
（０，Ｎ）Ｎ（Ｎ，ｎｉｌ）：　　０．２、　０．７＝
０．２　　　（Ｎ，ｎｉｌ）　　×　　　　Ｎ　　　　
＝（Ｎ，ｎｉｌ）　　　　　　　　　　　　：　　０．
２、　０．３＝０．２　さらに、Ｚｆの定性値に対する
グレードが２通り以上に求まるときは、その中で最大値
を採用する。上の例では、第１式と第３式において、Ｚ
ｆの定性値（０，Ｎ）に対して、それぞれ、０．７と０
．２の２通りが求まるが、そのうちの最大値０．７をＺ
ｆの定性値（０，ｎ）のグレードとする。同様に、Ｚｆ
の定性値Ｎに対しても、第２式と第３式において、０．
３と０．２の２通りとなるので、最大値０．３を選ぶ。

【００１９】以上の計算から、Ｚｆのファジイ定性値は
　　　　Ｚｆ＝（（０，Ｎ）：０．７、Ｎ：０．３、（
Ｎ，ｎｉｌ）：０．２）となる。さらに、グレードを足
し合わせたときにその合計が１となるように規格化をす
る。規格化は、各定性値のグレードを１．２（ただし、
１．２＝０．７＋０．３＋０．２）で除算することによ
って行う。規格化の結果、 　　Ｚｆ＝（（０，Ｎ）：０．５８、Ｎ：０．２５、（
Ｎ，ｎｉｌ）：０．１７）となる。 （３）推論 推論は、基本的にはプロパゲーション（伝播）法を用い
る。これは、既に値の決まっているパラメータから始ま
り、そのパラメータの値をパラメータ間の関係を用いて
他のパラメータに順次伝播させ、系全体のパラメータを
決めるアルゴリズムである。

【００２０】伝播のさせ方は、三項関係あるいは二項関
係にあるパラメータのうち、未定のものを既に決まって
いるパラメータとその間の関係を用いて上述のファジイ
演算則より決定する方法を用いる。具体的な推論の仕方
については、後述する具体例においてより明らかになろ
う。 システムの構成 図３は、この発明の一実施例の構成を示すブロック図で
ある。このシステムには、対象機械（具体的には、小型
の電子写真複写機等）上に設置された複数のセンサ１ａ
，１ｂ，１ｃおよび対象機械の作動状態等を変化させる
ための複数のアクチュエータ６ａ，６ｂ，６ｃが含まれ
ている。

【００２１】複数のセンサ１ａ，１ｂ，１ｃは、それぞ
れ、この対象機械の作動によって生じる対象機械の要素
または該機械要素間の関連状態の変化を検出するための
ものである。複数のセンサ１ａ，１ｂ，１ｃからそれぞ
れ取り込まれる情報は、増幅回路２で増幅され、Ａ／Ｄ
変換回路３でアナログ信号からディジタル信号に変換さ
れ、ディジタル信号／ＦＱ値（ファジイ定性値）変換部
１１へ与えられる。ディジタル信号／ＦＱ値変換部１１
は、Ａ／Ｄ変換回路３から与えられるディジタル信号を
ファジイ定性値に変換する部分である。すなわち、ディ
ジタル信号を、定性値（たとえば、なし（０）、小さい
（０，Ｎ）、ノーマル（Ｎ）、大きい（Ｎ，ｎｉｌ）、
という４つのシンボルのいずれか）およびグレード（０
．０ないし１．０の数値）によって表現する変換機能を
備えている。センサ１ａ，１ｂ，１ｃから与えられる信
号を、ファジイ定性値で表わされた定性的な情報に変換
することにより、後述するように、機能評価をより正確
に行うことができる。

【００２２】また、劣化データ算出部１２、劣化データ
算出部１２へ使用時間データを与えるためのタイマ１９
、ショートタームシミュレーション部１３、故障診断部
１４、対象モデル記憶部１５および故障シミュレーショ
ン部１６が備えられている。劣化データ算出部１２は、
対象機械を構成する部品の経年的な劣化量を算出するた
めの部分である。算出の仕方の詳細は後述する。ショー
トタームシミュレーション部１３は、対象機械の現在の
状態をシミュレーションするための部分である。故障診
断部１４は、ディジタル信号／ＦＱ値変換部１１から与
えられるファジイ定性値を用いて機能評価を行い、故障
症状を特定すると共に、故障症状から故障原因を導出す
るための部分である。この故障診断部１４で特定される
故障症状から故障原因を導出するための処理ステップ（
故障診断ステップ）は、前述した本願出願人の先願明細
書に開示されている自己診断および／または自己修復シ
ステムにおいて用いられている推論（ファジイ推論を用
いないノンファジイ推論）に基づいて行われる。

【００２３】対象モデル記憶部１５には、対象機械を物
理的な視点から捉え、実体レベルで複数個の要素の結合
としてパラメータで表わした「実体モデル」（後に説明
する表１参照）、各パラメータの結合ツリーとして表わ
した「パラメータモデル」（後に説明する図１１参照）
、各パラメータの初期値、機能パラメータのメンバーシ
ップ関数（図２に示すごときもの）、注目する部品の使
用時間と劣化状態との関係（後に説明する図４参照）、
劣化状態とパラメータのメンバーシップ関数との関係（
後に説明する図５参照）、劣化状態と故障現象の起こる
度合いとの関係（後に説明する図６参照）、故障判定基
準値、故障候補知識等が予め記憶されている。対象モデ
ル記憶部１５に記憶されているこれら知識は、ディジタ
ル信号／ＦＱ値変換部１１、劣化データ算出部１２、シ
ョートタームシミュレーション部１３または故障診断部
１４が処理を行う際に活用される。また、故障シミュレ
ーション部１６は、ショートタームシミュレーション部
１３および故障診断部１４と共同して、故障のシミュレ
ーションを行う部分である。

【００２４】この実施例およびこの発明の特徴の１つは
、システムに、劣化データ算出部１２およびショートタ
ームシミュレーション部１３という２つの構成要素が備
えられていることである。次に、これら２つの構成要素
についてより詳細に説明をする。 （１）劣化データ算出部 劣化データ算出部１２では、対象機械を構成する部品の
うち、故障診断に関連する部品を取り上げ、部品ごとの
時間経過による劣化状態ならびにその劣化状態がパラメ
ータ値に与える影響および故障現象の起こる度合いを算
出する。

【００２５】故障診断に関連する部品は、部品ごとまた
は関係する部品群ごとに、予め使用時間と劣化量との関
係を表わす劣化データが設定されている。たとえば、図
４に示すごときデータが設定されている。この劣化デー
タは、対象モデル記憶部１５に記憶されている。劣化デ
ータ算出部１２は、タイマ１９から与えられる時間デー
タをたとえば積算して現在までの機械の使用時間の合計
を求め、その時間を図４に当てはめることにより、注目
する部品の劣化状態を算出する。

【００２６】なお、この場合に算出される劣化状態は、
故障し易さ等の量で、対象機械のパラメータモデル上の
物理量を予測するものではない。たとえば注目する部品
が特定のギヤであり、そのギヤの劣化状態（歯車の摩耗
量）を求めても、その結果、対象機械のパラメータモデ
ルにどんな変化が起こるかはわからない。そこで、次に
、劣化が対象機械に及ぼす影響を求める。これは、図５
に示すような劣化状態とパラメータモデルのパラメータ
値との関係から求める。図５に示す劣化状態とパラメー
タ値との関係は、パラメータのメンバーシップ関数を用
いて予め設定され、対象モデル記憶部１５に記憶されて
いる。劣化データ算出部１２では、対象モデル記憶部１
５から図５に示す関係グラフを読み出し、このグラフ上
に劣化状態をマッピングすることにより、劣化がパラメ
ータ値に与える影響を算出する。

【００２７】また、劣化データ算出部１２は、予め対象
モデル記憶部１５に記憶されている図６に示すような劣
化状態と故障現象の起こる度合いとの関係グラフから、
算出された劣化状態に対する故障現象の起こる度合いを
決定する。なお、図４に基づいて算出される劣化状態は
使用時間が決まると一義的に決まる値であり、定量値と
して算出される。一方、図５に基づいて得られるパラメ
ータ値は、ファジイ定性値で表わされる曖昧さを有する
値であり、定性値とグレードとにより、たとえば（（０
，Ｎ）：０．９、Ｎ：０．１） のように表現される。さらに、図６に基づいて算出され
る現象の起こる度合いも、劣化状態に応じて一義的に定
まる定量値である。

【００２８】この実施例では、使用時間に対する劣化状
態のグラフ、劣化状態と故障現象の起こる度合いのグラ
フに基づいてパラメータ値の変化および故障現象の起こ
る度合いを求めたが、劣化状態ではなく、劣化量そのも
のを求め、劣化量とパラメータ値の変化または故障現象
の起こる度合いを表わすグラフに基づいて、パラメータ
値や故障現象の起こる度合いを求めてもよい。 （２）ショートタームシミュレーション部ショートター
ムシミュレーション（以下、ＳＳＩＭという）は、現在
の対象機械の状態を決定するためのシミュレーションで
ある。

【００２９】機械の状態は、対象機械を構成している個
々の部品についてその属性を表わす物理量の集合で表わ
される。ＳＳＩＭは、これら物理量を定性的な方程式で
関係付けたパラメータモデル（図１１参照）上で行う。 ＳＳＩＭの推論法は、上述したファジイ定性推論を用い
る。また、ファジイ定性推論のアルゴリズムとしては、
プロパゲーション法を用いる。以下に、このプロパゲー
ション法における伝播のさせ方について説明をする。

【００３０】推論は、定数パラメータ、センサから得ら
れる値によって決まるパラメータ、劣化データ算出部１
２によって決まるパラメータ、のそれぞれの値が決定さ
れた状態から始まる。伝播をさせる場合、まず、（１）
三項関係（＋、−、×、等）にあるパラメータのうち、
二項が既に決まっていれば、残りの一項を決める。

【００３１】（２）二項関係（＝）にあるパラメータの
うち、どちらかが決まっていれば、他方を決める。以上
の伝播方法を、すべてのパラメータの値が決まるまで繰
り返す。この結果、ＳＳＩＭにより、対象機械全体の状
態、換言すればすべてのパラメータ値が決定される。

【００３２】次に、劣化データ算出部１２、ショートタ
ームシミュレーション部１３、故障診断部１４および故
障シミュレーション部１６において行われる診断結果の
推論手順について説明をする。 劣化情報を利用したファジイ定性推論による故障診断図
７、図８および図９を参照して、故障診断の推論は、以
下の手順で行われる。

【００３３】予め、対象機械に設けられたセンサによっ
てその時点での対象機械の状態をセンシングし（ステッ
プＳ１）、センシングによって得られた各パラメータの
値をファジイ定性値化する（ステップＳ２）。ステップ
Ｓ１におけるパラメータ値のセンシングは、センサが設
けられている場合には、もちろんそのセンサによって行
われる（たとえば、後述するように、ハロゲンランプの
光量Ｈｌは、ＡＥセンサで測定される等である。）が、
センサが設けられていない場合には、サービスマン等が
対象機械をマニュアルで測定し、測定した値をシステム
に入力する方法がとられてもよい。また、ステップＳ２
におけるファジイ定性値化は、対象モデル記憶部１５に
予め記憶されている各パラメータのメンバーシップ関数
（図２に示すごときもの）上に測定された定量値をマッ
ピングすることによって行われる。

【００３４】（１）劣化状態の算出 次いで、現時点までの劣化状態が算出される（ステップ
Ｓ３）。この劣化状態は、前述したように、タイマ１９
から与えられる時間データが劣化データ算出部１２で積
算され、その積算値を対象モデル記憶部１５から読み出
した図４に示すグラフに当てはめることにより求められ
る。なお、タイマ１９自体を時間積算型のものとして、
その出力値をそのまま利用できるものとしてもよいし、
あるいはタイマ１９を設けず、使用時間は、サービスマ
ン等がマニュアル入力する構成とすることもできる。

【００３５】（２）劣化状態を対象モデルに与える影響
に変換 ここでは、図４に示すグラフから得られた劣化状態を、
対象モデルのパラメータに及ぼす影響等に変換する（ス
テップＳ４）。変換は、ステップＳ３で算出された劣化
状態を図５のグラフに当てはめて （ｉ）パラメータモデル上でのパラメータ値の変化を得
る処理と、劣化状態を図６のグラフに当てはめて（ｉｉ
）現象の起こる度合いの変化 を得る処理とからなる。

【００３６】なお、この説明では、上記２つの変化を劣
化が対象モデルに及ぼす影響として求めたが、たとえば
パラメータモデル上でのパラメータ値の変化だけを求め
てもよい。 （３）ＳＳＩＭ 上記（２）で求めた部品に及ぼす影響のうち、パラメー
タ値に対する影響の結果得られたパラメータ値を初期条
件としてシミュレーションを行い、時間経過後の対象機
械全体のパラメータの値を決定する。

【００３７】具体的には、ステップＳ４によって得られ
た所定のパラメータの値をパラメータモデル上に置き（
ステップＳ５）、プロパゲーション法によってパラメー
タモデル上を伝播させて、対象機械の全パラメータの値
を決定し、対象機械の現在の状態モデルを生成する（ス
テップＳ６）。 （４）故障判定 次いで、予めステップＳ２でファジイ定性値に変換して
おいたセンサ値のうち、機能パラメータのセンサ値を見
て、故障しているか否かを判定する（ステップＳ７）。

【００３８】機能パラメータのセンサ値の評価は、予め
対象モデル記憶部１５に記憶されている故障判定基準値
と比較することにより行われる。機能パラメータのセン
サ値が正常と判定されると、ステップＳ８へ進み、ステ
ップＳ６で求められたパラメータモデル上のパラメータ
値とステップＳ１でセンシングされまたは入力された実
際のパラメータ値をステップＳ２でファジイ定性値化し
た値とが比較され、パラメータモデルと実際の対象機械
の状態との一致度が判定される。

【００３９】ステップＳ８における一致度の評価の結果
、一致している場合には処理は終了する。また、一致し
ていない場合であっても、ステップＳ７で機能パラメー
タが正常であると判定されていることを優先して、機械
は作動させ続ける。しかし、モデルとセンサ値とは不一
致であり故障の可能性も残されていることから、たとえ
ば表示装置等にメッセージを表示させる（ステップＳ９
）。メッセージの表示形態は種々考えられるが、たとえ
ば上述のように、機能パラメータが正常でありモデルは
不一致である場合は、機能パラメータを測定するセンサ
が故障していることが考えられるので、「センサ異常に
なっている可能性がある」等の表示を行う。

【００４０】（５）故障診断 上記（４）で故障と判定された場合、故障症状から故障
候補を導出する（ステップＳ１０）。予め複数の故障候
補が対象モデル記憶部１５（図３）に記憶されている。 機能パラメータのパラメータ値からパラメータモデル上
でのトレースを行い、予め記憶されている複数の故障候
補の中から該当する故障候補を選択して導出する。ある
いは、先に述べた本願出願人の先願において説明されて
いる推論（ファジイ理論を用いないノンファジイ推論）
によって故障候補が決定されてもよい。

【００４１】（６）ＳＳＩＭ ステップＳ１０で導出された各故障候補について、ＳＳ
ＩＭを行い、故障モデルを作成する。より具体的には、
各故障候補について、故障条件と、劣化状態の算出およ
びモデルに及ぼす影響への変換の結果得られたパラメー
タ値とを初期条件としてパラメータモデル上に置き（ス
テップＳ１１）、プロパゲーション法によってパラメー
タモデルをトレースし、対象機械の状態モデルを生成す
る（ステップＳ１２）。

【００４２】これにより、故障モデルが作成される。 （７）故障原因同定 センサ情報と、（２）の（ｉｉ）で求めた現象の起こる
度合い等から、故障原因の順位付けおよび絞り込みを行
う。より具体的には、状態モデルのパラメータ値と、ス
テップＳ２で得られたセンシング値がファジイ定性値化
された値とに基づいてモデルの一致度が評価され（ステ
ップＳ１３）、モデルの評価結果に現象の起こる度合い
が加味されて再評価され、優先順位付けが行われる（ス
テップＳ１４）。

【００４３】なお、ステップＳ１４の処理を省略して、
ステップＳ１３で行っているパラメータ値の一致度のみ
によって故障原因の同定を行うという簡易なやり方を行
ってもよい。以上の推論手順によって故障診断が完了す
る。また、故障診断の完了時に、故障履歴情報を追加お
よび／または修正する作業が行われてもよい。そして、
その後、故障はパラメータ操作によって修復可能か否か
が判別され（ステップＳ１５）、パラメータ操作によっ
て修復可能な場合は修復が行われ（ステップＳ１６）、
パラメータ操作によって修復ができない場合、たとえば
電子写真複写機においてハロゲンランプが切れた場合等
には、修復不可能であるから処理はそのまま終わる。ス
テップＳ１６における修復操作は、以下に説明する修復
計画部１７において行われる。

【００４４】図３に戻って、残りの構成ブロックについ
て説明をする。修復計画部１７は、故障がある場合に、
該故障を修復するための修復計画を推論するとともに、
修復計画を導出するための構成部である。修復計画の推
論および修復作業の導出は、既提案の自己診断および／
または自己修復システムにおける推論と同様に、ファジ
イ理論を用いないノンファジイの定性推論が活用される
。

【００４５】修復計画部１７から出力される修復作業は
、シンボル／ディジタル信号変換部１８においてディジ
タル信号に変換される。そして、変換されたディジタル
信号は、Ｄ／Ａ変換回路４でディジタル信号からアナロ
グ信号に変換され、増幅回路５で増幅され、複数のアク
チュエータ６ａ，６ｂ，６ｃに与えられて該アクチュエ
ータ６ａ，６ｂ，６ｃを選択的に動作させ、修復作業を
実行させる。 具体的な対象機械を例にとった説明 具体的な対象機械の構成および状態 次に、このシステムを、具体的な対象機械として画像形
成装置、より具体的には小形の電子写真複写機に適用す
る場合を例にとって説明する。

【００４６】図１０は、具体的な対象機械としての小形
の電子写真複写機の図解図である。図１０において、２
１は感光体ドラム、２２は主帯電チャージャ、２３は原
稿照明用のハロゲンランプ、２４は現像装置、２５は転
写チャージャである。この具体的な対象機械には、たと
えば３つのセンサ１ａ，１ｂ，１ｃが設けられている。 すなわち、センサ１ａは感光体ドラム２１に入射する光
量を測定するためのＡＥセンサ、センサ１ｂは感光体ド
ラム２１の表面電位を測定する表面電位センサ、センサ
１ｃは用紙上にコピーされた画像の濃度を測定するため
の濃度計である。

【００４７】また、図１０に示されていないが３種類の
アクチュエータが設けられている。すなわち、感光体ド
ラム２１の主帯電電圧を変化させるための主帯電ボリュ
ームＶＲ１、ハロゲンランプ２３の光量を制御するため
のランプボリュームＡＶＲおよび感光体ドラム２１とコ
ピー用紙間の転写電圧を制御するための転写ボリューム
ＶＲ２、という３つのボリュームがアクチュエータとし
て設けられている。

【００４８】ところで、図１０に示す電子写真複写機を
物理的な視点から捉え、実体レベルでその電子写真複写
機を複数個の要素の結合として表現し、各要素の挙動お
よび属性並びに各要素間の結合関係をパラメータを用い
て定性的に表すと、表１に示す通りとなる。この表１の
ような表現形式を「実体モデル」と呼ぶことにする。ま
た、実体モデルを抽象化して、各パラメータの結合ツリ
ーとして表わした図１１の表現を「パラメータモデル」
と呼ぶことにする。

【００４９】そして、「実体モデル」と「パラメータモ
デル」とを合わせて「対象モデル」と呼ぶことにする。 「対象モデル」は、後述する故障修復のためにも活用さ
れる画像形成装置に一般的に共通する定性データである
。この実体モデルおよびパラメータモデルの各内容は、
対象モデル記憶部１５（図３参照）に記憶されている。

【００５０】

【表１】

【００５１】表１に示す実体モデルまたは図１１に示す
パラメータモデルにおいて、この機械の構造の基礎とな
るパラメータＨｌ、Ｄ、Ｖｎ、β、Ｖｂ、γ０、ζ、Ａ
ｓｐ、センサにより得られるセンサパラメータＸ、Ｖｓ
、Ｏｓ、および、劣化する可能性のあるパラメータにつ
いては、それぞれ、使用時間と劣化状態との関係が予め
設定されて、対象モデル記憶部１５に記憶されている。 この関係は、たとえばパラメータＨｌの場合、図１２に
示すごとき関係になっている。図１２に示す関係により
、使用時間データ、たとえば１か月目、２か月目、・・
・が与えられると、一義的に、Ｈｌの劣化状態Ｄ１、Ｄ
２、・・・が決定される。

【００５２】また、各パラメータは、それぞれ、図１３
に示すような定性ファジイ量空間を有している。この定
性ファジイ量空間は、各パラメータごとに定められたメ
ンバーシップ関数に従って作成され、対象モデル記憶部
１５に記憶されている。この図１３に示す定性ファジイ
量空間により、パラメータＨｌの劣化状態に対応したパ
ラメータ値の変化を求めることができる。たとえば、劣
化状態がＤ１の場合、パラメータ値は（Ｎ：１．０）で
あり、劣化状態がＤｎの場合、パラメータ値は（（０，
Ｎ）：０．０８５、Ｎ：０．９１５）である。

【００５３】さらに、各パラメータについて、それぞれ
、劣化状態と故障現象の起こる度合いとの関係が予め設
定され、対象モデル記憶部１５に記憶されている。この
関係は、たとえばパラメータＨｌを例にとると、図１４
に示すごとき関係になっている。図１４により、劣化状
態がＤ１のときは、故障現象の起こる度合いは０．９、
劣化状態がＤｎの場合、故障現象の起こる度合いは１．
２４であることを求めることができる。

【００５４】次に、以上の説明を前提として、いくつか
の例題を取り上げて説明する。 例題１：新品から１か月目（Ｔ１）で正常な例予め、上
記センサ１ａ，１ｂ，１ｃによって得られる値をファジ
イ定性値化しておく。具体的には、センサ１ａを用いて
測定した光量がパラメータＸの値として使用される。ま
た、センサ１ｂによって露光後の表面電位Ｖｓを、セン
サ１ｃによって出力紙上のトナー濃度Ｏｓを、それぞれ
測定する。そして、測定された各パラメータ値を各パラ
メータごとに設定された図１３に示すようなファジイ定
性量空間上にマッピングすると、たとえば以下のセンサ
パラメータ値が得られる。

【００５５】 Ｘ＝（（０，Ｎ）：０．１，Ｎ：０．９）Ｖｓ＝（Ｎ：
１．０） Ｏｓ＝（（０，Ｎ）：０．１，Ｎ：０．９）（１）現在
の劣化状態の予測 タイマ１９から与えられる時間情報を積算することによ
り、その機械の使用時間Ｔが求まる。その使用時間Ｔを
図１２に示すような各パラメータごとの使用時間に対す
る劣化状態を表わすグラフに当てはめて、現在の劣化状
態の予測を行う。この結果、予測値としてのパラメータ
値が求まる。今、１か月目（Ｔ＝Ｔ１）であるからＨｌ
のパラメータ値はＤ１となる。

【００５６】（２）劣化の影響を検討 上記（１）で求めたＨｌのパラメータ値を図１３に当て
はめることにより、 Ｈｌ＝（Ｎ：１．０） が得られる。また、上記Ｈｌのパラメータ値を図１４に
当てはめることにより、故障現象、たとえばハロゲンラ
ンプ断線（ＨｌＣｕｔ）という現象が起こる度合いとし
て０．９倍というデータを得る。すなわち、ｐ（ＨｌＣ
ｕｔ）＝０．９ が得られる。

【００５７】（３）ＳＳＩＭにより、（２）の結果を用
いて現在の機械全体の状態を推論上記（２）の結果（Ｈ
ｌ＝（Ｎ：１．０））と初期条件（この場合は、Ｈｌ以
外のパラメータについては劣化状態を算出していないの
で、残りのパラメータはすべて（Ｎ：１．０）としてい
る。）とに基づいてＳＳＩＭを行う。ＳＳＩＭの結果、
パラメータ値は、以下のように、全パラメータ値＝（Ｎ
：１．０）となる。

【００５８】 Ｈ１＝（Ｎ：１．０）　　　　　　γ０　　＝（Ｎ：１
．０）Ｄ　　＝（Ｎ：１．０）　　　　　　Ｖｔ　　＝
（Ｎ：１．０）β　　＝（Ｎ：１．０）　　　　　　ζ
　　　　＝（Ｎ：１．０）Ｖｎ＝（Ｎ：１．０）　　　
　　　Ａｓｐ＝（Ｎ：１．０）Ｖｂ＝（Ｎ：１．０） （４）故障判定 故障判定基準として、以下の知識を用いる。この知識は
、対象モデル記憶部１５（図３参照）に予め記憶されて
いる。

【００５９】（ａ）機械の機能評価 Ｎ値≧０．５→正常→モデルの一致度を比較＞０．５→
異常→故障診断 （ｂ）モデルと実測値との比較 機械の一致度≧０．５→故障なし ＞０．５→「センサ異常の可能性あり」等を表示本実施
例の場合、（ａ）機械の機能評価については、Ｏｓ値に
ついて比較を行えばよいので、Ｏｓの測定値をファジイ
定性値化したＯｓ＝（（０，Ｎ）：０．１，Ｎ：０．９
）を用いて比較する。この場合は、Ｎ値が０．９なので
、Ｎ≧０．５となり、（ａ）機能評価は正常となる。

【００６０】次に、（ｂ）モデルと実測値との比較を行
う。各センサ値と、上記（３）の結果のモデルとを比較
して、両者の一致度を以下の条件から求める。 一致度＝ｍａｘ（ｍｉｎ（各項目のグレード））それに
より、次の結果が得られる。

【００６１】 　　　　　　　　　　　　　　　　　　　　センサ値　
　　　モデル値　　　　ｍｉｎ値　　Ｘ　　：（０，Ｎ
）　　０．１　　　　　　　　　　　　　　　　　　　
　０　　　　　　　　　　　　Ｎ　　　　　　０．９　
　　　　　１．０　　　　　　　　０．９　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　ｍａｘ０．９　　Ｖｓ：　　　
　Ｎ　　　　　　１．０　　　　　　１．０　　　　　
　　　１．０　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　ｍａ
ｘ１．０　　Ｏｓ：（０，Ｎ）　　０．１　　　　　　
　　　　０　　　　　　　　０　　　　　　　　　　　
　Ｎ　　　　　　０．９　　　　　　１．０　　　　　
　　　０．９　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　ｍａ
ｘ０．９また、機械全体の一致度は、次の通りとなる。

【００６２】機械全体の一致度＝各センサの一致度の平
均 ＝（０．９＋１．０＋０．９）／３＝０．９３なお、機
械全体の一致度を求める際の各センサの一致度の平均を
とる代わりに、最小値をとるようにし、より厳しい条件
下で一致度を求めてもよい。ここで上述の故障判定基準
（ｂ）を適用すると、一致度の平均が０．５を超えてい
るので、正常と判定される。すなわち、（ａ）（ｂ）と
も正常であり、引き続き使用可能である。以上のような
実施例において、（ａ）機械の機能評価は正常であり、
（ｂ）モデルと実測値の比較結果が異常である場合（図
８では、ステップＳ８からステップＳ９へ進む場合）に
は、機能評価に関するパラメータ、すなわちＯｓを測定
するセンサに異常がある可能性も考えるので、その旨を
表示する。 例題２：例題１と同様に新品から１か月目（Ｔ１）で、
故障の例 センサパラメータＸ，Ｖｓ，Ｏｓの値は以下の通りであ
ったとする。

【００６３】 Ｘ　　＝（０：０，９、（０，Ｎ）：０．１）Ｖｓ＝（
Ｎ：０．１、（Ｎ，ｎｉｌ）：０．９）Ｏｓ＝（Ｎ：０
．１、（Ｎ，ｎｉｌ）：０．９）また、パラメータＨｌ
は、（１）現在の劣化状態の予測を行った後に（２）劣
化の影響を検討した結果、Ｈｌ＝（Ｎ：１．０） Ｐ（ＨｌＣｕｔ）＝０．９ であったとする。

【００６４】このような状態のもとで、（３）ＳＳＩＭ
を行うと、得られるモデルの全パラメータ値＝（Ｎ：１
．０）となる。 （４）故障判定 （ａ）機械の機能評価 Ｏｓのファジイ定性値より、Ｎ＝０．１でありＮ＜０．
５となっているので、機能異常である。したがって故障
と診断される。

【００６５】（５）故障候補の導出 故障候補として、予め下記に示す情報が、対象モデル記
憶部１５に記憶されている。 ＨｌＣｕｔ：Ｈｌ＝０ ＨｌＯｕｔ：Ｈｌ＝（０，Ｎ） ＶｔＯｕｔ：Ｖｔ＝（０，Ｎ） ＰａｐｅｒＯｕｔ：ζ＝（０，Ｎ） ＶｂＯｕｔ：Ｖｂ＝（Ｎ，ｎｉｌ） ＴｏｎｎｅｒＯｕｔ：γ０＝（０，Ｎ）ＭＣＯｕｔ：Ｖ
ｎ＝（０，Ｎ） なお、Ｏｕｔは不良の意味である。

【００６６】そこで、上記（４）で求めたＯｓが大きい
という機能異常、すなわちＯｓ＝（Ｎ，ｎｉｌ）を図１
１に示すパラメータモデル上でトレースし、図１５を得
る。図１５において、上向き矢印を付したパラメータは
、その値が（Ｎ，ｎｉｌ）に変化した可能性のあるもの
、下向き矢印を付したパラメータは、その値が（０，Ｎ
）または（０）に変化した可能性のあるもの、矢印を付
していないパラメータは、その値がノーマルのままのも
のである。この結果、上記故障候補のうち、ＨｌＣｕｔ
およびＨｌＯｕｔが故障候補として取り出される。

【００６７】（６）上記（５）で求められた２つの故障
候補に対し、ＳＳＩＭを実行し、そのときの故障状態を
推論する。つまり、ＨｌＯｕｔに対してＳＳＩＭを行い
、以下の２通りのモデルを得る。 　　Ｈｌ　　＝（（０，Ｎ）：１．０）　　Ｄ　　　　
＝（Ｎ：１．０） 　　Ｘ　　　　＝（０：１．０）　　　　　　　　　　
　　ｏｒ　　　　（（０，Ｎ）：１．０）　　β　　　
　＝（Ｎ：１．０） 　　Ｖｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ｙｎ　
　＝（Ｎ：１．０） 　　Ｖｂ　　＝（Ｎ：１．０） 　　γ０　　＝（Ｎ：１．０） 　　Ｄｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ｖｔ　
　＝（Ｎ：１．０） 　　ζ　　　　＝（Ｎ：１．０） 　　Ｏｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ａｓｐ
＝（Ｎ：１．０） 　　Ｓｐ　　＝（（Ｎ，ｎｉｌ）：１．０）２通りとい
うのは、Ｘの値が２通り生じるからである。 これは、Ｘの値は、ＨｌからＤを引いた値になるが、Ｈ
ｌ＝（０，Ｎ）であり、Ｄ＝（Ｎ）であるから、ノーマ
ルより小さいものからノーマルを引くと、ファジイ演算
の結果としては、ノーマルより小さいものが残るか、０
になるかの２通りの場合が考えられるからである。

【００６８】また、ＨｌＣｕｔに対してＳＳＩＭを行う
と、以下の２通りのモデルを得る。 　　Ｈｌ　　＝（０：１．０） 　　Ｄ　　　　＝（Ｎ：１．０） 　　Ｘ　　　　＝（０：１．０）　　　　　　　　　　
　　ｏｒ　　　　（（０，Ｎ）：１．０）　　β　　　
　＝（Ｎ：１．０） 　　Ｖｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ｙｎ　
　＝（Ｎ：１．０） 　　Ｖｂ　　＝（Ｎ：１．０） 　　γ０　　＝（Ｎ：１．０） 　　Ｄｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ｖｔ　
　＝（Ｎ：１．０） 　　ζ　　　　＝（Ｎ：１．０） 　　Ｏｓ　　＝（（Ｎ，ｎｉｌ）：１．０）　　Ａｓｐ
＝（Ｎ：１．０） 　　Ｓｐ　　＝（（Ｎ，ｎｉｌ）：１．０）（７）故障
原因の同定 モデルとセンサの一致度および現象の起こる度合いの２
つから、故障原因の順位付けおよび絞り込みを行う。

【００６９】 　　（ｉ）モデルとセンサの一致度 　　Ａ．　　ＨｌＯｕｔ　　　　Ｘ＝０　　　　　　　
　Ｂ．　　ＨｌＯｕｔ　　　　Ｘ＝（０，Ｎ）　　　　
　　　　Ｘ　　　　：　　０．９　　　　　　　　　　
　　　　　　　　Ｘ　　　　：　　０．１　　　　　　
　　Ｖｓ　　：　　０．９　　　　　　　　　　　　　
　　　　　Ｖｓ　　：　　０．９　　　　　　　　Ｏｓ
　　：　　０．９　　　　　　　　　　　　　　　　　
　Ｏｓ　　：　　０．９　　　　　　　　全体　　　　
　　０．９　　　　　　　　　　　　　　　　　　全体
　　　　　　０．６３　　　　　　 　　Ｃ．　　ＨｌＣｕｔ　　　　Ｘ＝０　　　　　　　
　Ｄ．　　ＨｌＣｕｔ　　　　Ｘ＝（０，Ｎ）　　　　
　　　　Ｘ　　　　：　　０．９　　　　　　　　　　
　　　　　　　　Ｘ　　　　：　　０．１　　　　　　
　　Ｖｓ　　：　　０．９　　　　　　　　　　　　　
　　　　　Ｖｓ　　：　　０．９　　　　　　　　Ｏｓ
　　：　　０．９　　　　　　　　　　　　　　　　　
　Ｏｓ　　：　　０．９　　　　　　　　全体　　　　
　　０．９　　　　　　　　　　　　　　　　　　全体
　　　　　　０．６３（６）でＳＳＩＭを行った結果得
られた各故障候補に対するモデルと、センサとの一致度
が上記のように求められる。

【００７０】（６）で得たモデルは、パラメータモデル
上に故障原因（たとえばＨｌＯｕｔとして、Ｈｌ＝（（
０，Ｎ）：１．０））をセットし、その故障原因が他の
パラメータに与える影響をトレースしたものである。し
たがって、注目するセンサが示している値と、モデル上
でそれに対応するパラメータ値との一致度が高いほど現
在の装置の状態はそのモデルに近いということであり、
言い換えれば、そのモデルを導出するために仮定した故
障原因が、現在の故障原因である可能性が高いというこ
とを意味する。

【００７１】本実施例の場合は、ＨｌＯｕｔ、ＨｌＣｕ
ｔのモデルとセンサの一致度が同時に０．９であり、共
に原因として考えられる。上記４つのモデルに対して、
順位を付けると、以下の通りである。 順位　　１．Ａ，Ｃ：０．９ ２．Ｂ，Ｄ：０．６３ このように複数の原因が導出された場合に対応して、図
３の対象モデル記憶部１５等に、予め故障原因の優先順
位を記憶させ、それに従って故障原因の絞り込みを行う
ようにしてもよい。本実施例ではさらに絞り込みを行う
ために以下の操作を行う。

【００７２】（ｉｉ）現象の起こる度合い（２）の劣化
の影響を検討した段階において導出した現象の起こる度
合いを考慮して、以下のように、一致度を示す値に度合
いを示す値を掛け合わせて絞り込みをする。 ｐ（ＨｌＯｕｔ）＝１ ｐ（ＨｌＣｕｔ）＝０．９ 順位　　１．　　Ａ：０．９　　×１．０＝０．９　　
　　正規化して　　１．０ ２．　　Ｃ：０．９　　×０．９＝０．８１　　正規化
して　　０．９ ３．　　Ｂ：０．６３×１．０＝０．６３　　正規化し
て　　０．７ ４．　　Ｄ：０．６３×０．９＝０．５７　　正規化し
て　　０．６３ （一致度）×（度合い）の計算値の高いものほど最も優
先度が高いので、ＨｌＯｕｔが最も疑わしいことがわか
る。そこで、ハロゲンランプの光量を変化させるように
修復を行うことになる。

【００７３】例題３：使用し続け、ｎか月目（ｎＴ１）
の劣化の例 センサから得られる実測値によって、各パラメータのフ
ァジイ定性値が求められている。 Ｘ＝（Ｎ：０．８，（０，Ｎ）：０．２）Ｖｓ＝（Ｎ：
０．９，（Ｎ，ｎｉｌ）：０．１）Ｏｓ＝（Ｎ：０．９
，（Ｎ，ｎｉｌ）：０．１）（１）現在の劣化状態を予
測 ｎＴ１を図１２に当てはめることにより、Ｈｌ＝Ｄｎを
得る。

【００７４】（２）劣化量の影響を検討上記（１）で求
めたＨｌ＝Ｄｎを図１３に当てはめると、 Ｈｌ＝（Ｎ：０．９１５、（０，Ｎ）：０．０８５）を
得る。また、Ｈｌ＝Ｄｎを図１４に当てはめるとｐ（Ｈ
ｌＣｕｔ）＝１．２４ を得る。 （３）ＳＳＩＭにより、（２）の結果を用いて現在の機
械全体の状態を推論上記（２）の結果と初期条件よりＨ
ｌ＝（Ｎ：０．９１５、（０，Ｎ）：０．０８５）Ｄ　
　＝（Ｎ：１．０） β　　＝（Ｎ：１．０） Ｖｎ＝（Ｎ：１．０） Ｖｂ＝（Ｎ：１．０） γ０＝（Ｎ：１．０） Ｖｔ＝（Ｎ：１．０） ζ　　　　＝（Ｎ：１．０） Ａｓｐ＝（Ｎ：１．０） この条件でＳＳＩＭを行うと、以下の結果を得る。

【００７５】 Ｈｌ＝（Ｎ：０．９１５、（０，Ｎ）：０．０８５）Ｄ
　　＝（Ｎ：１．０） Ｘ　　＝（Ｎ：０．９１５、（０，Ｎ）：０．０８５）
ｏｒ（Ｎ：０．９１５、０：０．０８５）β　　＝（Ｎ
：１．０） Ｖｓ＝（Ｎ：０．９１５、（Ｎ，ｎｉｌ）：０．０８５
） Ｖｎ＝（Ｎ：１．０） Ｖｂ＝（Ｎ：１．０） γ０＝（Ｎ：１．０） Ｄｓ＝（Ｎ：０．９１５、（Ｎ，ｎｉｌ）：０．０８５
） Ｖｔ＝（Ｎ：１．０） ζ　　＝（Ｎ：１．０） Ｏｓ＝（Ｎ：０．９１５、（Ｎ，ｎｉｌ）：０．０８５
） Ａｓｐ＝（Ｎ：１．０） Ｓｐ＝（Ｎ：０．９１５、（Ｎ，ｎｉｌ）：０．０８５
） この結果から、Ｈｌ劣化の影響として、画像が濃くなる
かもしれない（Ｏｓが上昇する）ことがわかる。また、
各パラメータ値の変化から、一般に、複数の部品の劣化
の複合的な影響や、その結果、連鎖的に起こる故障も推
論可能である。 （４）故障判定 （ａ）機械の機能評価 Ｏｓのファジイ定性値より、Ｎ＝０．９であり、Ｎ≧０
．５となっているので正常である。

【００７６】（ｂ）モデルと実測値との比較各センサ値
と、上記（３）の結果のモデルとを比較して、両者の一
致度を求める。 Ａ．　　　　Ｘ＝（Ｎ：０．９１５、（０，Ｎ）：０．
０８５）のモデル 各センサの一致度 Ｘ　　　　：　　０．８ Ｖｓ　　：　　０．８ Ｏｓ　　：　　０．８ 全体　　　　　　０．８７ Ｂ．　　　　Ｘ＝（Ｎ：０．９１５、０：０．０８５）
のモデル 各センサの一致度 Ｘ　　　　：　　０．８ Ｖｓ　　：　　０．９ Ｏｓ　　：　　０．９ 全体　　　　　　０．８７ よって、ＡあるいはＢのモデルと一致しているらしいこ
とがわかる。結論として、機能は正常であり、機械は劣
化してモデルＡあるいはＢの状態になっているが、正常
に使用可能であると判定される。

【００７７】例題４：例題３と同様の条件で故障発生の
場合 センサ値として、次のデータが得られている。 Ｘ　　＝（Ｎ：０．１、（０，Ｎ）：０．９）Ｖｓ＝（
（Ｎ：ｎｉｌ）：１．０） Ｏｓ＝（（Ｎ：ｎｉｌ）：１．０） また、ＨｌおよびＴの値を図１２，図１３，図１４に当
てはめて、上記例題３の（１）ないし（３）と同様の結
果が得られたものとする。 （４）故障判定 （ａ）機械の機能評価 Ｏｓのファジイ定性値よりＮ＝０であり、Ｎ＜０．５と
なるので異常である。したがって故障と判断される。 （５）故障候補の導出 予め記憶されている故障候補は、例題２の（５）に記載
のものと同様である。そこで、Ｏｓ＝（Ｎ，ｎｉｌ）を
図１１に示すパラメータモデル上でトレースし、ＨｌＣ
ｕｔ ＨｌＯｕｔ を故障候補として得る。

【００７８】（６）ＳＳＩＭによる故障シミュレーショ
ン ＨｌＣｕｔ，ＨｌＯｕｔに対して例題２の（６）と同じ
結果を得る。なお、この実施例では、簡単のために露光
部のみが劣化するものとして説明しているので、この例
題４の故障シミュレーション結果は例題２のそれと同じ
になるが、一般には、他のパラメータ値が劣化の影響で
変化するので同じ結果にはならない。たとえば、出力部
の劣化の影響としてζ＝（Ｎ：０．８、（０，Ｎ）：０
．２）であった場合は、ＨｌＯｕｔに対して次のような
結果を得る。

【００７９】Ｈｌ＝（（０，Ｎ）：１．０）Ｄ　　＝（
Ｎ：１．０） Ｘ　　＝（（０，Ｎ）：１．０）ｏｒ（０：１．０）β
　　＝（Ｎ：１．０） Ｖｓ＝（（Ｎ，ｎｉｌ）：１．０） Ｖｎ＝（Ｎ：１．０） Ｖｂ＝（Ｎ：１．０） γ０＝（Ｎ：１．０） Ｄｓ＝（（Ｎ，ｎｉｌ）：１．０） Ｖｔ＝（Ｎ：１．０） ζ　　＝（Ｎ：０．８、（０，Ｎ）：０．２）Ｏｓ＝（
（０，Ｎ）：０．２、Ｎ：０．２、（Ｎ，ｎｉｌ）：０
．８） 正規化して（（０，Ｎ）：０．１８、Ｎ：０．１８、（
Ｎ，ｎｉｌ）：０．８） Ａｓｐ＝（Ｎ：１．０） Ｓｐ＝（（Ｎ，ｎｉｌ）：１．０） （７）故障原因の同定 モデルとセンサの一致度および現象の起こる度合いの２
つから、故障原因の順位付けおよび絞り込みを行う。

【００８０】 　　（ｉ）モデルとセンサの一致度 　　Ａ．　　ＨｌＯｕｔ　　　　Ｘ＝０　　　　　　　
　Ｂ．　　ＨｌＯｕｔ　　　　Ｘ＝（０，Ｎ）　　　　
　　　　Ｘ　　　　：　　０．９　　　　　　　　　　
　　　　　　　　Ｘ　　　　：　　０．１　　　　　　
　　Ｖｓ　　：　　１．０　　　　　　　　　　　　　
　　　　　Ｖｓ　　：　　１．０　　　　　　　　Ｏｓ
　　：　　１．０　　　　　　　　　　　　　　　　　
　Ｏｓ　　：　　１．０　　　　　　　　全体　　　　
　　０．９７　　　　　　　　　　　　　　　　全体　
　　　　　０．７　　 　　Ｃ．　　ＨｌＣｕｔ　　　　Ｘ＝０　　　　　　　
　Ｄ．　　ＨｌＣｕｔ　　　　Ｘ＝（０，Ｎ）　　　　
　　　　Ｘ　　　　：　　０．９　　　　　　　　　　
　　　　　　　　Ｘ　　　　：　　０．１　　　　　　
　　Ｖｓ　　：　　１．０　　　　　　　　　　　　　
　　　　　Ｖｓ　　：　　１．０　　　　　　　　Ｏｓ
　　：　　１．０　　　　　　　　　　　　　　　　　
　Ｏｓ　　：　　１．０　　　　　　　　全体　　　　
　　０．９７　　　　　　　　　　　　　　　　全体　
　　　　　０．７順位　　１．　　Ａ，Ｃ：０．９７ ２．　　Ｂ，Ｄ：０．７ （ｉ）現象の起こる度合い ｐ（ＨｌＯｕｔ）＝１ ｐ（ＨｌＣｕｔ）＝１．２４ 順位　　１．　　Ｃ：０．９７×１．２４＝１．２０　
　正規化して　　１．０ ２．　　Ａ：０．９７×１．０　　＝０．９７　　正規
化して　　０．８１ ３．　　Ｄ：０．７　　×１．２４＝０．８７　　正規
化して　　０．７３ ４．　　Ｂ：０．７　　×１．０　　＝０．７　　　　
正規化して　　０．５８ よって、Ｃが最も疑わしい。また、少なくともＨｌＣｕ
ｔが疑わしい。しかし、ＨｌＣｕｔはハロゲンランプが
切れていることであり、修復は不可能であるから、修復
は行わない。

【００８１】なお、修復が可能であるかどうかは、修復
可能な故障原因と、修復不可能な故障原因とに分け、図
３の対象モデル記憶部１５に記憶しておき、適宜参照す
るようにすることができる。さらに、修復不可能な故障
原因が最優先で導出された場合には、その旨を表示部に
表示させるようにしてもよい。

【００８２】

【発明の効果】この発明は、以上のように、対象モデル
記憶手段、劣化データ記憶手段、複数個のセンサ手段、
複数個のアクチュエータ手段、劣化量算出手段、変化算
出手段、データ変換手段、故障判定手段、故障診断手段
、原因同定手段、判別手段および修復手段を含む構成に
なっているので、画像形成装置を構成する構成部品の劣
化量を考慮に入れた故障診断を自動的に行うことができ
、補修作業の省力化や自動運転の長期化を実現した画像
形成装置を提供することができる。

【００８３】また、劣化量を求めるのに、使用時間と劣
化量との関係を予め記憶しておき、その関係から求める
ので、迅速に劣化量が求まる。さらにまた、故障原因が
決定された場合に、その故障原因は部品交換等を要さな
い修復可能なものであるか否かが判別されるので、無駄
に修復操作が行われることがない。

【００８４】このように、この発明によれば、劣化量を
考慮した故障診断を比較的簡単なプログラムで速く行え
、しかも故障診断時においては、二者択一的な決定では
なく、曖昧さを有するファジイ値を扱いながら故障原因
の特定等を行うため、従来に比べてより正確な故障診断
ができる。そして、その診断結果に従って修復可能な故
障の場合だけ適切な修復を自動的に実行する自律性の高
い画像形成装置を提供することができる。

【図面の簡単な説明】

【図１】定性量空間の一例を表わす図である。

【図２】センサ情報をファジイ定性値に変換するメンバ
ーシップ関数の一例を表わす図である。

【図３】この発明の一実施例の構成を示すブロック図で
ある。

【図４】使用時間と部品の劣化状態との関係を表わす図
である。

【図５】パラメータの定性量空間の一例を表わす図であ
る。

【図６】劣化状態と現象の起こる度合いとの関係を表わ
す図である。

【図７】この実施例における故障診断の推論手順を表わ
すフローチャートの一部である。

【図８】この実施例における故障診断の推論手順を表わ
すフローチャートの一部である。

【図９】この実施例における故障診断の推論手順を表わ
すフローチャートの一部である。

【図１０】具体的な対象機械としての小型の電子写真複
写機の図解図である。

【図１１】この実施例にかかる電子写真複写機のパラメ
ータモデルを表わす図である。

【図１２】パラメータＨｌにおける使用時間と劣化状態
との関係を表わす図である。

【図１３】パラメータＨｌの定性ファジイ量空間の例を
表わす図である。

【図１４】パラメータＨｌの劣化状態と現象の起こる度
合いとの関係を表わす図である。

【図１５】故障候補の導出のためにパラメータモデル上
でＯｓが大きいという機能異常の原因をトレースした状
態の図である。

【符号の説明】

１ａ，１ｂ，１ｃ　　　　センサ ６ａ，６ｂ，６ｃ　　　　アクチュエータ１１　　　　
　　　　　　　　　　　　ディジタル信号／ＦＱ値変換
部１２　　　　　　　　　　　　　　　　劣化データ算
出部１３　　　　　　　　　　　　　　　　ショートタ
ームシミュレーション部

Claims (1)

【特許請求の範囲】
1. 【請求項１】自己診断修復システムを備えた画像形成装
   置であって、画像形成装置を複数個の要素の結合として
   表現し、各要素の挙動または属性および各要素間の結合
   関係をパラメータを用いて定性的に表わした定性データ
   、各パラメータのメンバーシップ関数ならびに故障診断
   知識が記憶された対象モデル記憶手段、前記画像形成装
   置を構成する所定の部品について、使用時間と劣化量と
   の関係を表わす劣化データが記憶された劣化データ記憶
   手段、前記画像形成装置の予め定める箇所における機能
   状態を検出して状態データを出力するための複数個のセ
   ンサ手段、前記画像形成装置の機能状態を変化させるこ
   とのできる複数個のアクチュエータ手段、劣化データ記
   憶手段に記憶された劣化データに基づいて、現在までの
   使用時間に対応する劣化量を算出する劣化量算出手段、
   対象モデル記憶手段に記憶された定性データのパラメー
   タのうち、劣化量算出手段により算出された劣化量によ
   って変化したパラメータの値をパラメータのメンバーシ
   ップ関数を用いてファジイ定性値として表現する変化算
   出手段、センサ手段によって検出された状態データを対
   象モデル記憶手段に記憶されたパラメータのメンバーシ
   ップ関数を用いてファジイ定性値に変換するデータ変換
   手段、データ変換手段の変換出力を対象モデル記憶手段
   に記憶された定性データと比較することにより故障の有
   無を判定する故障判定手段、故障判定手段が故障有りを
   判定したことに応答して、変化算出手段の算出結果を初
   期条件として対象モデル記憶手段に記憶された定性デー
   タおよび故障診断知識に基づいて画像形成装置の状態を
   診断し、診断結果を曖昧さを含む表現で出力する故障診
   断手段、データ変換手段で変換されたファジイ定性値を
   故障診断手段から出力される画像形成装置の状態と比較
   して故障原因を同定する原因同定手段、原因同定手段か
   らの原因同定出力が得られたことに基づいて、診断され
   た故障原因を修復可能か否かを判別する判別手段、なら
   びに判別手段が修復可能と判別したことに基づいて、故
   障原因を除去するために前記複数個のアクチュエータ手
   段を選択的に作動させる修復手段、を含む画像形成装置
   。