JPH04274456A - 自己診断修復システムを備えた画像形成装置 - Google Patents

自己診断修復システムを備えた画像形成装置

Info

Publication number
JPH04274456A
JPH04274456A JP3036063A JP3606391A JPH04274456A JP H04274456 A JPH04274456 A JP H04274456A JP 3036063 A JP3036063 A JP 3036063A JP 3606391 A JP3606391 A JP 3606391A JP H04274456 A JPH04274456 A JP H04274456A
Authority
JP
Japan
Prior art keywords
failure
value
fault
qualitative
parameter
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.)
Pending
Application number
JP3036063A
Other languages
English (en)
Inventor
Yasushi Umeda
靖 梅田
Yasuo Mogi
康男 茂木
Tetsuo Tomiyama
冨山 哲男
▲吉▼川 弘之
Hiroyuki Yoshikawa
Yoshiki Shimomura
芳樹 下村
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.)
Kyocera Mita Industrial Co Ltd
Original Assignee
Mita Industrial Co Ltd
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 Mita Industrial Co Ltd filed Critical Mita Industrial Co Ltd
Priority to JP3036063A priority Critical patent/JPH04274456A/ja
Publication of JPH04274456A publication Critical patent/JPH04274456A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Control Or Security For Electrophotography (AREA)
  • Processing Or Creating Images (AREA)
  • Devices For Executing Special Programs (AREA)

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有する画像形成装置を提供すること
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、予
め定める故障診断タイミングごとの劣化量を予測し、そ
の予測した劣化量によって変化したパラメータのファジ
イ定性値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、予め定める故障診断タイミング
において、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、対象モデル記憶手段からそ
の故障診断タイミングにおけるパラメータのファジイ定
性値を読み出し、その値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、予
め定める故障診断タイミングごと、たとえば1か月経過
時ごとの部品の劣化量が予測され、その予測劣化量に基
づくパラメータ値の変化がファジイ定性値で記憶されて
いる。そして、予め定める故障診断タイミングになると
、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。 また、故障有りと判定すると、その故障診断タイミング
におけるパラメータのファジイ定性値を読み出し、その
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):0.5
8、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、
対象機械の経年的な変化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8参照)、
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)、予め定める故障診断
タイミングごとの、劣化量に応じて変化する注目するパ
ラメータのファジイ定性値および故障現象の起こる度合
い(後に説明する表1参照)、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1
6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、部品ごとに
、時間経過により劣化が進み、その結果変化するパラメ
ータ値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、予め各故障診断タイミングご
とのパラメータのファジイ定性値および故障現象の起こ
る度合いが予測されて設定されている。たとえば、表1
に示すごとき劣化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経過期間を求
め、その期間を表1に当てはめることにより、注目する
部品の劣化データ(パラメータのファジイ定性値および
故障現象の起こる度合い)を算出する。
【0026】
【表1】
【0027】(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。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8参照)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
【0028】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。
【0029】(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。
【0030】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
4、図5および図6を参照して、故障診断の推論は、以
下の手順で行われる。
【0031】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
対象機械の状態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。
【0032】(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)。この劣化状態の算出は、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1
2で積算され、その積算値が所定の経過期間T1,T2
,・・・に達した時に、表1に当てはめ、その期間T1
,T2,・・・に対応するパラメータ値および現象の起
こる度合いが読み出されることにより行われる。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。
【0033】上述の表1の代わりに、表1にパラメータ
のファジイ定性値のみが記録されている簡単な構成とし
、劣化状態としては、パラメータのファジイ定性値のみ
が算出されるようにしてもよい。 (2)SSIM 上記(1)で求め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、所定期間経過時の対象機械全体の
パラメータの値を決定する。
【0034】具体的には、ステップS3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S4)、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S5)。 (3)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S6)。
【0035】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S7へ進み、ステ
ップS5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。
【0036】ステップS7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S6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S8
)。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。
【0037】(4)故障診断 上記(3)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S9)。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。
【0038】(5)SSIM ステップS9で導出された各故障候補について、SSI
M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、ステップS3で得たパ
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S10)、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S11)。
【0039】これにより、故障モデルが作成される。 (6)故障原因同定 センサ情報と、(1)で説明したステップS3で求めた
現象の起こる度合いから、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S12)、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S13)。
【0040】なお、ステップS13の処理を省略して、
ステップS12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S14)、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S15)、
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S15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。
【0041】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
【0042】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。
【0043】図7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7において、21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。
【0044】また、図7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V
R2、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。
【0045】ところで、図7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2に示す通りとなる。この表2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8の表現を「パラメータモデル」と呼
ぶことにする。
【0046】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。
【0047】
【表2】
【0048】表2に示す実体モデルまたは図8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、As
p、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、経過期間と劣化状態との関係が予測さ
れて設定され、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の場合、表3に
示すごとき関係になっている。
【0049】
【表3】
【0050】表3に示す関係により、経過期間、たとえ
ば1か月後、2か月後、・・・におけるHlのファジイ
定性値および故障現象の起こる度合い(より具体的には
、この実施例における度合いは、ハロゲンランプが断線
するという現象の起こる度合いである。)を直ちに求め
ることができる。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。
【0051】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2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。
【0052】 X=((0,N):0.1,N:0.9)Vs=(N:
1.0) Os=((0,N):0.1,N:0.9)(1)現在
の劣化状態とその影響の検討タイマ19から与えられる
時間情報を積算することにより、その機械の経過期間T
=T1が求まる。その経過期間T1を表3に当てはめる
ことにより、Hl=(N:1.0) p(HlCut)=0.9 が得られる。ただし、P(HlCut)=0.9はハロ
ゲンランプ断線という現象が起こる度合いが0.9倍と
いう意味である。
【0053】(2)SSIMにより、(1)の結果を用
いて現在の機械全体の状態を推論上記(1)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。
【0054】 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) (3)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。
【0055】(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。
【0056】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(2)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。
【0057】                     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。
【0058】 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5では、ス
テップS7からステップS8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。
【0059】 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)現在の劣化状態とその影響を検討した結果、
表3より、 Hl=(N:1.0) P(HlCut)=0.9 が求まる。
【0060】このような状態のもとで、(2)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。 (3)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。
【0061】(4)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。
【0062】そこで、上記(3)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8
に示すパラメータモデル上でトレースし、図9を得る。 図9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。
【0063】(5)上記(4)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。
【0064】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)(6)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。
【0065】(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(5)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。
【0066】(5)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。
【0067】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。
【0068】(ii)現象の起こる度合い(1)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。
【0069】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)現在の劣化状態とそ
の影響を検討nT1を表3に当てはめることにより、H
l=(N:0.915、(0,N):0.085)p(
HlCut)=1.24 を得る。 (2)SSIMにより、(1)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。
【0070】 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。 (3)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。
【0071】(b)モデルと実測値との比較各センサ値
と、上記(2)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。
【0072】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、表3より、上記例題3の(1)および(2)と同
様の結果が得られたものとする。 (3)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。 (4)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(4)に記載
のものと同様である。そこで、Os=(N,nil)を
図8に示すパラメータモデル上でトレースし、HlCu
t HlOut を故障候補として得る。
【0073】(5)SSIMによる故障シミュレーショ
ン HlCut,HlOutに対して例題2の(5)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。
【0074】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) (6)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。
【0075】(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      0.9
7                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=1.2
0  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HlCut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。
【0076】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。
【0077】
【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、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
【0078】また、劣化データは、劣化量に応じて変化
するパラメータ値が予測され、ファジイ定性値で予め記
憶されているので、劣化データを考慮した故障診断を比
較的簡単なプログラムで極めて速く行える。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。ま
た、その診断結果に沿って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。
【0079】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。
【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】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5】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6】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7】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8】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9】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、予め定める故障診断
    タイミングごとの劣化量を予測し、その予測した劣化量
    によって変化したパラメータのファジイ定性値が記憶さ
    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、予め定める故障診断タイミングにおいて、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、対象モデル記憶手段からその故障診断タイミ
    ングにおけるパラメータのファジイ定性値を読み出し、
    その値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。
JP3036063A 1991-03-01 1991-03-01 自己診断修復システムを備えた画像形成装置 Pending JPH04274456A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP3036063A JPH04274456A (ja) 1991-03-01 1991-03-01 自己診断修復システムを備えた画像形成装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP3036063A JPH04274456A (ja) 1991-03-01 1991-03-01 自己診断修復システムを備えた画像形成装置

Publications (1)

Publication Number Publication Date
JPH04274456A true JPH04274456A (ja) 1992-09-30

Family

ID=12459262

Family Applications (1)

Application Number Title Priority Date Filing Date
JP3036063A Pending JPH04274456A (ja) 1991-03-01 1991-03-01 自己診断修復システムを備えた画像形成装置

Country Status (1)

Country Link
JP (1) JPH04274456A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114361536A (zh) * 2022-03-18 2022-04-15 北汽福田汽车股份有限公司 燃料电池系统故障处理方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114361536A (zh) * 2022-03-18 2022-04-15 北汽福田汽车股份有限公司 燃料电池系统故障处理方法及装置

Similar Documents

Publication Publication Date Title
US5467355A (en) Image forming apparatus provided with self-diagnosis system
JPH04264566A (ja) 画像形成装置のための自己診断システム
JPH04274456A (ja) 自己診断修復システムを備えた画像形成装置
JPH04274455A (ja) 自己診断修復システムを備えた画像形成装置
JPH04274461A (ja) 自己診断システムを備えた画像形成装置
JPH04273260A (ja) 自己診断修復システムを備えた画像形成装置
JPH04274458A (ja) 自己診断修復システムを備えた画像形成装置
JPH04274457A (ja) 自己診断修復システムを備えた画像形成装置
JPH04274459A (ja) 画像形成装置のための自己診断システム
JPH04264568A (ja) 自己診断システムを備えた画像形成装置
JPH04274460A (ja) 画像形成装置のための自己診断システム
JPH04273261A (ja) 自己診断修復システムを備えた画像形成装置
JPH04273263A (ja) 画像形成装置のための自己診断システム
JPH04273259A (ja) 自己診断修復システムを備えた画像形成装置
JPH04273258A (ja) 自己診断修復システムを備えた画像形成装置
JPH04264459A (ja) 自己診断修復システムを備えた画像形成装置
JPH04273262A (ja) 画像形成装置のための自己診断システム
JPH04273264A (ja) 自己診断システムを備えた画像形成装置
JPH04264565A (ja) 自己診断修復システムを備えた画像形成装置
JPH04264458A (ja) 自己診断修復システムを備えた画像形成装置
JPH04264460A (ja) 自己診断修復システムを備えた画像形成装置
JPH04264567A (ja) 画像形成装置のための自己診断システム
JP2534385B2 (ja) 画像形成装置のための自己診断および自己修復システム
JP2534386B2 (ja) 画像形成装置のための自己診断および自己修復システム
JP2628781B2 (ja) 画像形成装置のための自己診断および修復システム