JPH086323A - ディジタル画像形成装置 - Google Patents
ディジタル画像形成装置Info
- Publication number
- JPH086323A JPH086323A JP6134422A JP13442294A JPH086323A JP H086323 A JPH086323 A JP H086323A JP 6134422 A JP6134422 A JP 6134422A JP 13442294 A JP13442294 A JP 13442294A JP H086323 A JPH086323 A JP H086323A
- Authority
- JP
- Japan
- Prior art keywords
- developing
- image forming
- digital image
- data
- output voltage
- 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
Links
Landscapes
- Facsimiles In General (AREA)
- Facsimile Image Signal Circuits (AREA)
- Dry Development In Electrophotography (AREA)
- Control Or Security For Electrophotography (AREA)
Abstract
(57)【要約】
【目的】ニューラルネットワークにより、装置の適正な
現像状態をソフト的に認識することで、安定した現像動
作調整を自動的に行うことができるディジタル画像形成
装置を提供する。 【構成】本発明のディジタル画像形成装置は、装置内に
配設される制御対象(現像トナー付着）の被制御量（グ
リッド出力電圧値，ランプ出力電圧値またはＬＤ出力電
流値，現像バイアス出力電圧値等）に関与する状態量
（感光体ドラム表面電位，Ｐセンサパターン濃度）を検
知する状態量検知手段（センサまたは回路）３と、前記
被制御量、状態量、及び演算データを格納するデータ格
納手段（ＲＡＭ）６と、前記被制御量を制御する制御用
プログラムを格納するプログラム格納手段（ＲＯＭ）７
と、前記制御用プログラムにより演算処理をする演算処
理手段（ＣＰＵ）１とを有し、前記制御用プログラムに
おいてニューラルネットワークを用い現像状態を推定す
る。
現像状態をソフト的に認識することで、安定した現像動
作調整を自動的に行うことができるディジタル画像形成
装置を提供する。 【構成】本発明のディジタル画像形成装置は、装置内に
配設される制御対象(現像トナー付着）の被制御量（グ
リッド出力電圧値，ランプ出力電圧値またはＬＤ出力電
流値，現像バイアス出力電圧値等）に関与する状態量
（感光体ドラム表面電位，Ｐセンサパターン濃度）を検
知する状態量検知手段（センサまたは回路）３と、前記
被制御量、状態量、及び演算データを格納するデータ格
納手段（ＲＡＭ）６と、前記被制御量を制御する制御用
プログラムを格納するプログラム格納手段（ＲＯＭ）７
と、前記制御用プログラムにより演算処理をする演算処
理手段（ＣＰＵ）１とを有し、前記制御用プログラムに
おいてニューラルネットワークを用い現像状態を推定す
る。
Description
【０００１】
【産業上の利用分野】本発明は、ディジタル複写機、プ
リンター、ファクシミリ等の電子写真プロセスを用いた
ディジタル画像形成装置に関し、特に、学習制御（ニュ
ーラルネットワーク）を用いて装置各部の制御を行なう
ディジタル画像形成装置に関する。
リンター、ファクシミリ等の電子写真プロセスを用いた
ディジタル画像形成装置に関し、特に、学習制御（ニュ
ーラルネットワーク）を用いて装置各部の制御を行なう
ディジタル画像形成装置に関する。
【０００２】
【従来の技術】従来、ディジタル画像形成装置で行なわ
れている電子写真プロセス動作は、現在の現像能力（現
像器から感光体ドラムへのトナー付着能力）を認識（現
像器と感光体のポテンシャルを変化させてトナー付着状
態をＰセンサ（フォトセンサを用いた画像濃度検知セン
サ）で検知する）し、そのデータによって画像部感光体
電位を変化させ、現像段階（感光体にトナーを付着させ
る時）で安定した階調性を維持させている。しかしなが
ら、現像能力を認識する段階で現像器と感光体ドラムの
ポテンシャルが一定しているにもかかわらず、現像剤や
トナーまたは現像器の特性によりトナー付着が安定せ
ず、正確な現像能力を認識できていない。また、特開平
３−２１９７７５号公報記載の技術においても、各色ト
ナー濃度を調整するのに操作者の判断・認識（上記現像
能力は操作者が判断・認識しているため大まかなものに
なる）が中心であり、ニューラルネットワークはソフト
的に認識された、その操作者からの調整要求を具体的な
制御量にしているものにすぎない。
れている電子写真プロセス動作は、現在の現像能力（現
像器から感光体ドラムへのトナー付着能力）を認識（現
像器と感光体のポテンシャルを変化させてトナー付着状
態をＰセンサ（フォトセンサを用いた画像濃度検知セン
サ）で検知する）し、そのデータによって画像部感光体
電位を変化させ、現像段階（感光体にトナーを付着させ
る時）で安定した階調性を維持させている。しかしなが
ら、現像能力を認識する段階で現像器と感光体ドラムの
ポテンシャルが一定しているにもかかわらず、現像剤や
トナーまたは現像器の特性によりトナー付着が安定せ
ず、正確な現像能力を認識できていない。また、特開平
３−２１９７７５号公報記載の技術においても、各色ト
ナー濃度を調整するのに操作者の判断・認識（上記現像
能力は操作者が判断・認識しているため大まかなものに
なる）が中心であり、ニューラルネットワークはソフト
的に認識された、その操作者からの調整要求を具体的な
制御量にしているものにすぎない。
【０００３】
【発明が解決しようとする課題】本発明は上記事情に鑑
みてなされたものであって、ニューラルネットワークに
より、装置の適正な現像状態（トナー付着量等）をソフ
ト的に認識することで、安定した現像動作調整を自動的
に行なうことができるディジタル画像形成装置を提供す
ることを目的とする。
みてなされたものであって、ニューラルネットワークに
より、装置の適正な現像状態（トナー付着量等）をソフ
ト的に認識することで、安定した現像動作調整を自動的
に行なうことができるディジタル画像形成装置を提供す
ることを目的とする。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、本発明では電子写真プロセスを用いたディジタル画
像形成装置において、以下の手段を設けたことを特徴と
する。 （１）装置内に配設される制御対象（現像トナー付着）
の被制御量（グリッド出力電圧値，ランプ出力電圧値ま
たはＬＤ（レーザダイオード）出力電流値，現像バイア
ス出力電圧値等）に関与する状態量（感光体ドラム表面
電位，Ｐセンサパターン濃度）を検知する状態量検知手
段（センサまたは回路）と、前記被制御量、前記状態
量、及び演算データを格納するデータ格納手段（ＲＡ
Ｍ）と、前記被制御量を制御する制御用プログラムを格
納するプログラム格納手段（ＲＯＭ）と、前記制御用プ
ログラムにより演算処理をする演算処理手段（ＣＰＵ）
とを有し、前記制御用プログラムにおいて、ニューラル
ネットワークを用い、現像状態を推定する。
め、本発明では電子写真プロセスを用いたディジタル画
像形成装置において、以下の手段を設けたことを特徴と
する。 （１）装置内に配設される制御対象（現像トナー付着）
の被制御量（グリッド出力電圧値，ランプ出力電圧値ま
たはＬＤ（レーザダイオード）出力電流値，現像バイア
ス出力電圧値等）に関与する状態量（感光体ドラム表面
電位，Ｐセンサパターン濃度）を検知する状態量検知手
段（センサまたは回路）と、前記被制御量、前記状態
量、及び演算データを格納するデータ格納手段（ＲＡ
Ｍ）と、前記被制御量を制御する制御用プログラムを格
納するプログラム格納手段（ＲＯＭ）と、前記制御用プ
ログラムにより演算処理をする演算処理手段（ＣＰＵ）
とを有し、前記制御用プログラムにおいて、ニューラル
ネットワークを用い、現像状態を推定する。
【０００５】（２）上記（１）において、前記ニューラ
ルネットワークによりポテンシャル（感光体ドラム表面
電位と現像バイアス出力電圧間）に対するトナー付着傾
向を推定算出する。
ルネットワークによりポテンシャル（感光体ドラム表面
電位と現像バイアス出力電圧間）に対するトナー付着傾
向を推定算出する。
【０００６】（３）上記（２）において、前記ポテンシ
ャルに対するトナー付着傾向を推定算出する際、現像能
力検知パターンを作成する。
ャルに対するトナー付着傾向を推定算出する際、現像能
力検知パターンを作成する。
【０００７】（４）上記（３）において、前記ニューラ
ルネットワークの入力を現像能力検知パターン作成時の
Ｐセンサ出力電圧データ、感光体ドラム表面電位、現像
バイアス出力電圧、現像器内トナー濃度データ、装置内
湿度データ、装置内温度データ、またはそれらを用いた
計算値のうち少なくとも１つを用いたものとし、出力を
複数のトナー付着量データとポテンシャル（感光体ドラ
ム表面電位と現像バイアス出力電圧間）データとの関係
を近似した関数の各係数とする。
ルネットワークの入力を現像能力検知パターン作成時の
Ｐセンサ出力電圧データ、感光体ドラム表面電位、現像
バイアス出力電圧、現像器内トナー濃度データ、装置内
湿度データ、装置内温度データ、またはそれらを用いた
計算値のうち少なくとも１つを用いたものとし、出力を
複数のトナー付着量データとポテンシャル（感光体ドラ
ム表面電位と現像バイアス出力電圧間）データとの関係
を近似した関数の各係数とする。
【０００８】（５）上記（４）において、前記ニューラ
ルネットワーク出力の複数のトナー付着量データとポテ
ンシャル（感光体ドラム表面電位と現像バイアス出力電
圧間）データとの関係を直線近似する。
ルネットワーク出力の複数のトナー付着量データとポテ
ンシャル（感光体ドラム表面電位と現像バイアス出力電
圧間）データとの関係を直線近似する。
【０００９】（６）上記（３）において、前記現像能力
検知パターンを前記ニューラルネットワークへの入力数
以上作成し、選別して使用する。
検知パターンを前記ニューラルネットワークへの入力数
以上作成し、選別して使用する。
【００１０】
【作用】本発明のディジタル画像形成装置においては、
少なくとも前記（１）の各手段を備え、ニューラルネッ
トワークを用いて現像状態を推定する。すなわち現像能
力を認識する段階でニューラルネットワークを使用する
ことにより、現像パターンデータに含まれるハード的な
バラツキを排除でき（その時点での現像パターンデータ
が全てではなく、そのデータをニューラルネットワーク
の各ニューロン間の重み（係数）を掛け合わせることに
よりハード的なバラツキを除いた正確な現像能力を推定
できる）、従来に比べかなり正確な現像能力を認識する
ことができる。
少なくとも前記（１）の各手段を備え、ニューラルネッ
トワークを用いて現像状態を推定する。すなわち現像能
力を認識する段階でニューラルネットワークを使用する
ことにより、現像パターンデータに含まれるハード的な
バラツキを排除でき（その時点での現像パターンデータ
が全てではなく、そのデータをニューラルネットワーク
の各ニューロン間の重み（係数）を掛け合わせることに
よりハード的なバラツキを除いた正確な現像能力を推定
できる）、従来に比べかなり正確な現像能力を認識する
ことができる。
【００１１】
【実施例】以下、本発明を図面を参照して詳細に説明す
る。図１は本発明の一実施例を示すディジタル画像形成
装置の制御系のブロック図であり、図中符号１は制御用
プログラムにより演算処理をする演算処理部（ＣＰ
Ｕ）、２は原稿の画像を画像データとして読み込む画像
データ読み込み手段（スキャナ，ＣＣＤ，シェーディン
グ補正回路，濃度変換回路，Ａ／Ｄ変換回路等）、３は
装置内に配設される制御対象（現像トナー付着）の被制
御量（グリッド出力電圧値，ランプ出力電圧値またはＬ
Ｄ（レーザダイオード）出力電流値，現像バイアス出力
電圧値等）に関与する状態量（感光体ドラム表面電位，
Ｐセンサパターン濃度）を検知する状態量検知手段（回
路，電位センサ，Ｐセンサ，トナー濃度センサ等）、４
は前記被制御量を検知する被制御量検知手段（回路，電
位センサ，Ｐセンサ，トナー濃度センサ等）、５は操作
者が操作を行なうためのインターフェース手段（ディス
プレイ，テンキー等）、６は前記被制御量、前記状態
量、及び演算データを格納するデータ格納手段（ＲＡ
Ｍ）、７は前記被制御量を制御する制御用プログラムを
格納するプログラム格納手段（ＲＯＭ）をそれぞれ表わ
しており、本発明では、前記制御用プログラムにおい
て、ニューラルネットワークを用い、現像状態を推定す
る。
る。図１は本発明の一実施例を示すディジタル画像形成
装置の制御系のブロック図であり、図中符号１は制御用
プログラムにより演算処理をする演算処理部（ＣＰ
Ｕ）、２は原稿の画像を画像データとして読み込む画像
データ読み込み手段（スキャナ，ＣＣＤ，シェーディン
グ補正回路，濃度変換回路，Ａ／Ｄ変換回路等）、３は
装置内に配設される制御対象（現像トナー付着）の被制
御量（グリッド出力電圧値，ランプ出力電圧値またはＬ
Ｄ（レーザダイオード）出力電流値，現像バイアス出力
電圧値等）に関与する状態量（感光体ドラム表面電位，
Ｐセンサパターン濃度）を検知する状態量検知手段（回
路，電位センサ，Ｐセンサ，トナー濃度センサ等）、４
は前記被制御量を検知する被制御量検知手段（回路，電
位センサ，Ｐセンサ，トナー濃度センサ等）、５は操作
者が操作を行なうためのインターフェース手段（ディス
プレイ，テンキー等）、６は前記被制御量、前記状態
量、及び演算データを格納するデータ格納手段（ＲＡ
Ｍ）、７は前記被制御量を制御する制御用プログラムを
格納するプログラム格納手段（ＲＯＭ）をそれぞれ表わ
しており、本発明では、前記制御用プログラムにおい
て、ニューラルネットワークを用い、現像状態を推定す
る。
【００１２】図２は本発明の制御に用いられる学習制御
（ニューラルネットワーク）の入出力関係及びその後の
流れを表わした図である。この例では、入力ニューロン
は入力要素１つに対し１つとし、各状態量は０から１ま
での値に正規化し入力する。ここで入力は、ポテンシャ
ルＶp1〜Ｖp10 （現像能力検知パターンの感光体表面電
位と現像バイアス出力電圧との差）とＰセンサ出力値Ｖ
spと現像器内トナー濃度センサ出力値Ｖt であり、出力
は現像状態関係式（１次式）の傾きａと切片ｂである。
また、各出力値も０から１までの値であるので正規化を
する。
（ニューラルネットワーク）の入出力関係及びその後の
流れを表わした図である。この例では、入力ニューロン
は入力要素１つに対し１つとし、各状態量は０から１ま
での値に正規化し入力する。ここで入力は、ポテンシャ
ルＶp1〜Ｖp10 （現像能力検知パターンの感光体表面電
位と現像バイアス出力電圧との差）とＰセンサ出力値Ｖ
spと現像器内トナー濃度センサ出力値Ｖt であり、出力
は現像状態関係式（１次式）の傾きａと切片ｂである。
また、各出力値も０から１までの値であるので正規化を
する。
【００１３】現像能力検知パターン（請求項３）は、感
光体ドラム上にある一定のチャージャをかけ、そこに１
０種の異なるＬＤ光量をあて、帯電電位の異なったパタ
ーンを作成し（電位センサで測定：Ｖ）、それらに一定
の現像バイアス出力電圧Ｖbをかけた現像器によりトナ
ーをそれぞれ付着させたパターン（Ｐセンサで測定：Ｖ
sp）である。この１０個の現像能力検知パターンにより
ポテンシャルＶp（＝Ｖ−Ｖb）に対するトナーの付着傾
向がわかる。また、請求項６の場合、例えばパターン数
を１２個作成し、上下の値（トナーがほとんど付着して
いないデータや上限値に近いデータ）をしきい値を設け
てカットする。
光体ドラム上にある一定のチャージャをかけ、そこに１
０種の異なるＬＤ光量をあて、帯電電位の異なったパタ
ーンを作成し（電位センサで測定：Ｖ）、それらに一定
の現像バイアス出力電圧Ｖbをかけた現像器によりトナ
ーをそれぞれ付着させたパターン（Ｐセンサで測定：Ｖ
sp）である。この１０個の現像能力検知パターンにより
ポテンシャルＶp（＝Ｖ−Ｖb）に対するトナーの付着傾
向がわかる。また、請求項６の場合、例えばパターン数
を１２個作成し、上下の値（トナーがほとんど付着して
いないデータや上限値に近いデータ）をしきい値を設け
てカットする。
【００１４】尚、ここでいう学習制御（ニューラルネッ
トワーク）とは、ニューラルネットワーク上で、ある出
力値（教師信号）に対する正しい入力値（その出力値に
関係する入力値が全て揃わなくてもよい＝＞分からない
ものがあってもよい）を予め教えてやり（出力層から入
力層へ信号を送るという誤差逆伝搬則）、各ニューロ間
の結合の度合い（重み）を記憶させること（学習）によ
って、入力値が変化した場合にも正しい出力値が出るよ
うに構成された制御方法である。
トワーク）とは、ニューラルネットワーク上で、ある出
力値（教師信号）に対する正しい入力値（その出力値に
関係する入力値が全て揃わなくてもよい＝＞分からない
ものがあってもよい）を予め教えてやり（出力層から入
力層へ信号を送るという誤差逆伝搬則）、各ニューロ間
の結合の度合い（重み）を記憶させること（学習）によ
って、入力値が変化した場合にも正しい出力値が出るよ
うに構成された制御方法である。
【００１５】図３は、学習制御（ニューロンモデル）を
説明したものである。 ここで、ｙi：ｉ番目の入力値． ωi：ｉ番目入力のシナプス結合係数（重み）． ｘ：ニューロンの出力値． である。ニューロンは、その機能を簡単に表わすと、
「多入力−１出力の非線形素子」（図３）であり、その
設計は実際のニューロンの非線形特性をどのようにモデ
ル化するかに応じて多様である。本発明は離散時間モデ
ルを使用しており、そのモデルを(1)式に示す。
説明したものである。 ここで、ｙi：ｉ番目の入力値． ωi：ｉ番目入力のシナプス結合係数（重み）． ｘ：ニューロンの出力値． である。ニューロンは、その機能を簡単に表わすと、
「多入力−１出力の非線形素子」（図３）であり、その
設計は実際のニューロンの非線形特性をどのようにモデ
ル化するかに応じて多様である。本発明は離散時間モデ
ルを使用しており、そのモデルを(1)式に示す。
【００１６】
【数１】 ここで、ｘ(t+1)：時刻t+1におけるニューロンの出力
値． ｆ：出力関数． ωi ：ｉ番目入力のシナプス結合係数（重み）． ｙi(t)：時刻ｔにおけるｉ番目入力値． θ：しきい値． Ｎ：階層数． である。また、出力関数ｆは、 ｆ(ｕ)＝１／(１＋ｅｘｐ(−ｕ／ε)) (2) であり、εは出力関数の非線形性を決める非負のパラメ
ータで、ε->+0のとき(2）式は単位ステップ関数とな
り、各ニューロンの出力値は１または０の２値であり、
各々ニューロンの興奮（発火）状態、制止（非発火）状
態を表わしている。
値． ｆ：出力関数． ωi ：ｉ番目入力のシナプス結合係数（重み）． ｙi(t)：時刻ｔにおけるｉ番目入力値． θ：しきい値． Ｎ：階層数． である。また、出力関数ｆは、 ｆ(ｕ)＝１／(１＋ｅｘｐ(−ｕ／ε)) (2) であり、εは出力関数の非線形性を決める非負のパラメ
ータで、ε->+0のとき(2）式は単位ステップ関数とな
り、各ニューロンの出力値は１または０の２値であり、
各々ニューロンの興奮（発火）状態、制止（非発火）状
態を表わしている。
【００１７】学習・自己組織化：ニューラルネットワー
クの最大の特徴である学習能力や自己の組織化は、シナ
プス結合係数ω（上記各ニューロン間の結合の重み）
や、しきい値θの変化（主に重みω）に基づいている。
ここで、シナプス結合係数ωは次式のように定義され
る。
クの最大の特徴である学習能力や自己の組織化は、シナ
プス結合係数ω（上記各ニューロン間の結合の重み）
や、しきい値θの変化（主に重みω）に基づいている。
ここで、シナプス結合係数ωは次式のように定義され
る。
【００１８】
【数２】 であり、k ，c：パラメータ（0<k<1，c>0）． δi：出力層ｉ番目から戻される学習信号． ｄi：教師信号（出力層のｉ番目のニューロンに望まし
い出力値）． ｆ'：出力関数の微分． とする。
い出力値）． ｆ'：出力関数の微分． とする。
【００１９】ニューラルネットワークの最大の特徴であ
る学習能力とは、各層間の入力から出力への情報の伝達
に加えて、バックプロパゲーションという誤差逆伝搬法
により望ましい出力（教師信号）を何回も（出力側から
入力側へ）教えることにより、ある入力に対しその望ま
れる出力が出やすいように、その望まれる出力までの入
力信号の経路を経路間の係数ω（重み）で制限するこ
と、またそれを記憶すること（各ニューロン間の重みを
変化させ記憶すること）で、任意に与えられた情報が、
望まれる出力へと導かれるというものである。本発明で
使用する場合においては、入力要素が様々なハード誤差
でふれた場合においても、重み決定時の山下り作用（図
４）によって最適な出力値が得られるというニューラル
ネットワークの特性を利用している。
る学習能力とは、各層間の入力から出力への情報の伝達
に加えて、バックプロパゲーションという誤差逆伝搬法
により望ましい出力（教師信号）を何回も（出力側から
入力側へ）教えることにより、ある入力に対しその望ま
れる出力が出やすいように、その望まれる出力までの入
力信号の経路を経路間の係数ω（重み）で制限するこ
と、またそれを記憶すること（各ニューロン間の重みを
変化させ記憶すること）で、任意に与えられた情報が、
望まれる出力へと導かれるというものである。本発明で
使用する場合においては、入力要素が様々なハード誤差
でふれた場合においても、重み決定時の山下り作用（図
４）によって最適な出力値が得られるというニューラル
ネットワークの特性を利用している。
【００２０】図４は、学習時入出力のポテンシャル関数
を表わしており、各ニューロ間の重み決定の過程（上記
山下り作用）を簡単に説明したものである。尚、図の入
出力は図３のｙi ，ｘ（学習時）である。前述の学習方
法は、近似的にポテンシャル関数を持ち、平均的には図
４と同様のある種の山下りのダイナミクスに従って学習
が進行する。すなわち、学習のポテンシャル関数にいく
つかの極小点が存在し、各シナプス結合の初期値分布に
応じて、対応する極小点へ向かって斜面を揺らぎながら
下っていく。これは、各ニューロ間の結合の重みωを適
正な出力に対応する極小点へ何回か学習させることによ
って近づけるということを意味し、最適な重みが記憶さ
れる。この最適な重みにより、各センサの読み取り誤差
や現像器自体のバラツキを入力データ（Ｖt ，Ｖp ，Ｖ
sp）から排除でき、適正な出力値（現像状態１次式の傾
きａと切片ｂ）を算出できる。
を表わしており、各ニューロ間の重み決定の過程（上記
山下り作用）を簡単に説明したものである。尚、図の入
出力は図３のｙi ，ｘ（学習時）である。前述の学習方
法は、近似的にポテンシャル関数を持ち、平均的には図
４と同様のある種の山下りのダイナミクスに従って学習
が進行する。すなわち、学習のポテンシャル関数にいく
つかの極小点が存在し、各シナプス結合の初期値分布に
応じて、対応する極小点へ向かって斜面を揺らぎながら
下っていく。これは、各ニューロ間の結合の重みωを適
正な出力に対応する極小点へ何回か学習させることによ
って近づけるということを意味し、最適な重みが記憶さ
れる。この最適な重みにより、各センサの読み取り誤差
や現像器自体のバラツキを入力データ（Ｖt ，Ｖp ，Ｖ
sp）から排除でき、適正な出力値（現像状態１次式の傾
きａと切片ｂ）を算出できる。
【００２１】次に、本発明を複写機に使用した場合につ
いて説明する。図５は、本発明を含めた電源ＯＮからコ
ピー動作までを簡略化した制御動作のフローチャートで
ある。本発明の起動タイミングとしては、定着温度を見
ており低温時のみ動作する。定着温度が低温時の場合、
まず電位センサやＰセンサの初期調整を行ない、次に本
発明である現像能力検知動作を行ない現像状態を認識
し、次にその状態に合った適正な画像電位（階調電位）
を算出し、次にその算出された画像電位のトップ濃度の
電位と地肌部の電位の２点をグリッド出力とＬＤ光量を
変化させ調整する。階調電位は予め複数の標準的装置か
ら実験で求めた階調電位データを基に、上記現像能力検
知データで補正を行ない各階調のＬＤ光量を決める。こ
こで、書き込み光源としてのＬＤの光量は、図７に示す
ように最大出力をある範囲（例えば、0.9〜1.6mWを0〜2
55のディジタル値の範囲で設定する）で設定でき、その
設定された最大出力までを通常出力とし、更に0〜255で
割り振る（通常出力も0〜255のディジタル値で設定す
る）。また、上記の画像電位を調整する場合に地肌部電
位は上記最大出力を可変する。
いて説明する。図５は、本発明を含めた電源ＯＮからコ
ピー動作までを簡略化した制御動作のフローチャートで
ある。本発明の起動タイミングとしては、定着温度を見
ており低温時のみ動作する。定着温度が低温時の場合、
まず電位センサやＰセンサの初期調整を行ない、次に本
発明である現像能力検知動作を行ない現像状態を認識
し、次にその状態に合った適正な画像電位（階調電位）
を算出し、次にその算出された画像電位のトップ濃度の
電位と地肌部の電位の２点をグリッド出力とＬＤ光量を
変化させ調整する。階調電位は予め複数の標準的装置か
ら実験で求めた階調電位データを基に、上記現像能力検
知データで補正を行ない各階調のＬＤ光量を決める。こ
こで、書き込み光源としてのＬＤの光量は、図７に示す
ように最大出力をある範囲（例えば、0.9〜1.6mWを0〜2
55のディジタル値の範囲で設定する）で設定でき、その
設定された最大出力までを通常出力とし、更に0〜255で
割り振る（通常出力も0〜255のディジタル値で設定す
る）。また、上記の画像電位を調整する場合に地肌部電
位は上記最大出力を可変する。
【００２２】次に、図６は上記現像能力検知動作を示し
たフローチャートである。始めに現像器内のトナー濃度
をトナー濃度センサによって測定し、次に現時点の現像
能力を認識するため上記現像能力検知パターンを１０パ
ターンそれぞれ感光体表面電位を変えて［帯電チャージ
ャ出力電流（1100μＡ），グリッド出力電圧(600Ｖ）は
一定としＬＤ光量を可変して（最大出力は一定(128）
で、通常のＬＤ出力設定値を可変する（例えば、10,30,
50,70,80,90,100,120,200,230）)］トナーを付着させ作
成する。次に、そのパターンのデータを電位センサ（出
力Ｖ），Ｐセンサ（出力Ｖsp）で検知する。次に、ニュ
ーラルネットワークにポテンシャルＶp ［Ｖp ＝（上記
現像能力検知パターン電位Ｖ）−（パターン作成時の現
像バイアス出力電圧値Ｖb ）］，Ｐセンサ出力Ｖsp，ト
ナー濃度センサ出力Ｖt を各０から１の値に変換し入力
する。次に、出力ニューロンから出力された現像状態１
次式の傾きａと切片ｂを算出する。ここで数々のハード
特性誤差（現像器内のトナー濃度のムラ，帯電ムラ，グ
リッド出力誤差，ＬＤ光量誤差等によりＶp ，Ｖspデー
タがばらつく）により同じ現像能力状態でも異なった現
像能力として認識してしまうものをニューラルネットワ
ークを使うことにより、適正な現像能力（現像状態１次
式）を認識することができる。次にその直線からトナー
が感光体に付き初めるところと１mg/cm2付着する間のポ
テンシャル幅を求め、実験によるデータテーブルからそ
のポテンシャル幅に最適なトップ濃度電位と地肌部電位
を選出する。この電位がそのディジタル画像形成装置の
現状態に適正な画像電位である。
たフローチャートである。始めに現像器内のトナー濃度
をトナー濃度センサによって測定し、次に現時点の現像
能力を認識するため上記現像能力検知パターンを１０パ
ターンそれぞれ感光体表面電位を変えて［帯電チャージ
ャ出力電流（1100μＡ），グリッド出力電圧(600Ｖ）は
一定としＬＤ光量を可変して（最大出力は一定(128）
で、通常のＬＤ出力設定値を可変する（例えば、10,30,
50,70,80,90,100,120,200,230）)］トナーを付着させ作
成する。次に、そのパターンのデータを電位センサ（出
力Ｖ），Ｐセンサ（出力Ｖsp）で検知する。次に、ニュ
ーラルネットワークにポテンシャルＶp ［Ｖp ＝（上記
現像能力検知パターン電位Ｖ）−（パターン作成時の現
像バイアス出力電圧値Ｖb ）］，Ｐセンサ出力Ｖsp，ト
ナー濃度センサ出力Ｖt を各０から１の値に変換し入力
する。次に、出力ニューロンから出力された現像状態１
次式の傾きａと切片ｂを算出する。ここで数々のハード
特性誤差（現像器内のトナー濃度のムラ，帯電ムラ，グ
リッド出力誤差，ＬＤ光量誤差等によりＶp ，Ｖspデー
タがばらつく）により同じ現像能力状態でも異なった現
像能力として認識してしまうものをニューラルネットワ
ークを使うことにより、適正な現像能力（現像状態１次
式）を認識することができる。次にその直線からトナー
が感光体に付き初めるところと１mg/cm2付着する間のポ
テンシャル幅を求め、実験によるデータテーブルからそ
のポテンシャル幅に最適なトップ濃度電位と地肌部電位
を選出する。この電位がそのディジタル画像形成装置の
現状態に適正な画像電位である。
【００２３】また、図２に示されるニューラルネットワ
ークの学習データとしては、高精度の電位センサ及びＰ
センサを使用し、現像器内のトナー濃度も現像剤やトナ
ーを実際に計量して混入した状態から十分な時間撹拌
し、現像バイアス出力電圧も実測し、出来るだけハード
誤差を取り除いた状態で現像能力検知パターンを作成
し、各データ（Ｖt ，Ｖp ，Ｖsp）を測定する（Ｖt は
計量された値）。ＰセンサデータＶspは実験により作成
されたテーブルからトナー付着量データＶm に変換し、
その１０組（Ｖp とＶm ）のデータから最小二乗法によ
り現像状態１次式の傾きａ，切片ｂを求め、これらを学
習データ（入力値：Ｖt，Ｖp1〜Ｖp10，Ｖsp1〜Ｖsp1
0、出力値：ａ，ｂ）とし、学習させ最適な重みを決め
る。
ークの学習データとしては、高精度の電位センサ及びＰ
センサを使用し、現像器内のトナー濃度も現像剤やトナ
ーを実際に計量して混入した状態から十分な時間撹拌
し、現像バイアス出力電圧も実測し、出来るだけハード
誤差を取り除いた状態で現像能力検知パターンを作成
し、各データ（Ｖt ，Ｖp ，Ｖsp）を測定する（Ｖt は
計量された値）。ＰセンサデータＶspは実験により作成
されたテーブルからトナー付着量データＶm に変換し、
その１０組（Ｖp とＶm ）のデータから最小二乗法によ
り現像状態１次式の傾きａ，切片ｂを求め、これらを学
習データ（入力値：Ｖt，Ｖp1〜Ｖp10，Ｖsp1〜Ｖsp1
0、出力値：ａ，ｂ）とし、学習させ最適な重みを決め
る。
【００２４】
【発明の効果】以上説明したように、本発明のディジタ
ル画像形成装置では、装置内に配設される制御対象（現
像トナー付着）の被制御量（グリッド出力電圧値，ラン
プ出力電圧値またはＬＤ（レーザダイオード）出力電流
値，現像バイアス出力電圧値等）に関与する状態量（感
光体ドラム表面電位，Ｐセンサパターン濃度）を検知す
る状態量検知手段（センサまたは回路）と、前記被制御
量、前記状態量、及び演算データを格納するデータ格納
手段（ＲＡＭ）と、前記被制御量を制御する制御用プロ
グラムを格納するプログラム格納手段（ＲＯＭ）と、前
記制御用プログラムにより演算処理をする演算処理手段
（ＣＰＵ）とを有し、前記制御用プログラムにおいてニ
ューラルネットワークを用い現像状態を推定することを
特徴としており、ニューラルネットワークにより、装置
の適正な現像状態をソフト的に認識することで、安定し
た現像動作調整を自動的に行なうことができる。すなわ
ち、現像能力認識段階（現像状態関係式（１次式）推
定）でニューラルネットワークを使用することにより、
現像パターンデータ（図２のＶp ，Ｖsp）に含まれるハ
ード的なバラツキを排除でき（その時点での現像パター
ンデータが全てではなく、そのデータにニューラルネッ
トワークの各ニューロン間の重み（係数）を掛け合わせ
ることによりハード的なバラツキを除いた正確な現像能
力を推定できる）、従来に比べかなり正確な現像能力を
認識することができる。これにより、高画質なコピー画
像（特にフルカラー機）を安定して供給することができ
る。
ル画像形成装置では、装置内に配設される制御対象（現
像トナー付着）の被制御量（グリッド出力電圧値，ラン
プ出力電圧値またはＬＤ（レーザダイオード）出力電流
値，現像バイアス出力電圧値等）に関与する状態量（感
光体ドラム表面電位，Ｐセンサパターン濃度）を検知す
る状態量検知手段（センサまたは回路）と、前記被制御
量、前記状態量、及び演算データを格納するデータ格納
手段（ＲＡＭ）と、前記被制御量を制御する制御用プロ
グラムを格納するプログラム格納手段（ＲＯＭ）と、前
記制御用プログラムにより演算処理をする演算処理手段
（ＣＰＵ）とを有し、前記制御用プログラムにおいてニ
ューラルネットワークを用い現像状態を推定することを
特徴としており、ニューラルネットワークにより、装置
の適正な現像状態をソフト的に認識することで、安定し
た現像動作調整を自動的に行なうことができる。すなわ
ち、現像能力認識段階（現像状態関係式（１次式）推
定）でニューラルネットワークを使用することにより、
現像パターンデータ（図２のＶp ，Ｖsp）に含まれるハ
ード的なバラツキを排除でき（その時点での現像パター
ンデータが全てではなく、そのデータにニューラルネッ
トワークの各ニューロン間の重み（係数）を掛け合わせ
ることによりハード的なバラツキを除いた正確な現像能
力を推定できる）、従来に比べかなり正確な現像能力を
認識することができる。これにより、高画質なコピー画
像（特にフルカラー機）を安定して供給することができ
る。
【図１】本発明の一実施例を示すディジタル画像形成装
置の制御系のブロック図である。
置の制御系のブロック図である。
【図２】本発明の制御に用いられる学習制御（ニューラ
ルネットワーク）の入出力関係及びその後の流れを表わ
した図である。
ルネットワーク）の入出力関係及びその後の流れを表わ
した図である。
【図３】学習制御（ニューロンモデル）を説明するため
の図である。
の図である。
【図４】学習時入出力のポテンシャル関数を表わした図
である。
である。
【図５】本発明を含めた電源ＯＮからコピー動作までを
簡略化した制御動作のフローチャートである。
簡略化した制御動作のフローチャートである。
【図６】現像能力検知動作を示したフローチャートであ
る。
る。
【図７】ＬＤ出力設定値とＬＤ光量の関係を示す図であ
る。
る。
１：演算処理部（ＣＰＵ） ２：画像データ読み込み手段（スキャナ，ＣＣＤ，シェ
ーディング補正回路，濃度変換回路，Ａ／Ｄ変換回路
等） ３：状態量検知手段（回路，電位センサ，Ｐセンサ，ト
ナー濃度センサ等） ４：被制御量検知手段（回路，電位センサ，Ｐセンサ，
トナー濃度センサ等） ５：インターフェース手段（ディスプレイ，テンキー
等） ６：データ格納手段（ＲＡＭ） ７：プログラム格納手段（ＲＯＭ）
ーディング補正回路，濃度変換回路，Ａ／Ｄ変換回路
等） ３：状態量検知手段（回路，電位センサ，Ｐセンサ，ト
ナー濃度センサ等） ４：被制御量検知手段（回路，電位センサ，Ｐセンサ，
トナー濃度センサ等） ５：インターフェース手段（ディスプレイ，テンキー
等） ６：データ格納手段（ＲＡＭ） ７：プログラム格納手段（ＲＯＭ）
Claims (6)
- 【請求項１】電子写真プロセスを用いたディジタル画像
形成装置において、装置内に配設される制御対象（現像
トナー付着）の被制御量（グリッド出力電圧値，ランプ
出力電圧値またはＬＤ（レーザダイオード）出力電流
値，現像バイアス出力電圧値等）に関与する状態量（感
光体ドラム表面電位，Ｐセンサパターン濃度）を検知す
る状態量検知手段（センサまたは回路）と、前記被制御
量、前記状態量、及び演算データを格納するデータ格納
手段（ＲＡＭ）と、前記被制御量を制御する制御用プロ
グラムを格納するプログラム格納手段（ＲＯＭ）と、前
記制御用プログラムにより演算処理をする演算処理手段
（ＣＰＵ）とを有し、前記制御用プログラムにおいて、
ニューラルネットワークを用い、現像状態を推定するこ
とを特徴とするディジタル画像形成装置。 - 【請求項２】請求項１記載のディジタル画像形成装置に
おいて、前記ニューラルネットワークによりポテンシャ
ル（感光体ドラム表面電位と現像バイアス出力電圧間）
に対するトナー付着傾向を推定算出することを特徴とす
るディジタル画像形成装置。 - 【請求項３】請求項２記載のディジタル画像形成装置に
おいて、前記ポテンシャルに対するトナー付着傾向を推
定算出する際、現像能力検知パターンを作成することを
特徴とするディジタル画像形成装置。 - 【請求項４】請求項３記載のディジタル画像形成装置に
おいて、前記ニューラルネットワークの入力を現像能力
検知パターン作成時のＰセンサ出力電圧データ、感光体
ドラム表面電位、現像バイアス出力電圧、現像器内トナ
ー濃度データ、装置内湿度データ、装置内温度データ、
またはそれらを用いた計算値のうち少なくとも１つを用
いたものとし、出力を複数のトナー付着量データとポテ
ンシャル（感光体ドラム表面電位と現像バイアス出力電
圧間）データとの関係を近似した関数の各係数としたこ
とを特徴とするディジタル画像形成装置。 - 【請求項５】請求項４記載のディジタル画像形成装置に
おいて、前記ニューラルネットワーク出力の複数のトナ
ー付着量データとポテンシャル（感光体ドラム表面電位
と現像バイアス出力電圧間）データとの関係を直線近似
したことを特徴とするディジタル画像形成装置。 - 【請求項６】請求項３記載のディジタル画像形成装置に
おいて、前記現像能力検知パターンを前記ニューラルネ
ットワークへの入力数以上作成し、選別して使用するこ
とを特徴とするディジタル画像形成装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6134422A JPH086323A (ja) | 1994-06-16 | 1994-06-16 | ディジタル画像形成装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6134422A JPH086323A (ja) | 1994-06-16 | 1994-06-16 | ディジタル画像形成装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH086323A true JPH086323A (ja) | 1996-01-12 |
Family
ID=15128019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6134422A Pending JPH086323A (ja) | 1994-06-16 | 1994-06-16 | ディジタル画像形成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH086323A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654100B2 (en) | 2000-03-09 | 2003-11-25 | Nikon Corporation | Stage device and exposure apparatus, and method of manufacturing a device |
-
1994
- 1994-06-16 JP JP6134422A patent/JPH086323A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654100B2 (en) | 2000-03-09 | 2003-11-25 | Nikon Corporation | Stage device and exposure apparatus, and method of manufacturing a device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5220373A (en) | Electrophotographic process control device using a neural network for estimating states of the device | |
| JPH1063048A (ja) | 画像形成装置 | |
| JPH08248760A (ja) | 画像形成装置 | |
| JPH08251364A (ja) | デジタル画像形成装置 | |
| JPH04320278A (ja) | 電子写真プロセス制御装置 | |
| JPH06102735A (ja) | 画像形成装置 | |
| JP2893861B2 (ja) | 画像形成装置 | |
| JPH1090961A (ja) | 画像形成装置 | |
| JPH086323A (ja) | ディジタル画像形成装置 | |
| JP3380821B2 (ja) | 複写システム作動方法 | |
| JPH1115217A (ja) | 画像形成装置 | |
| JPH086324A (ja) | ディジタル画像形成装置 | |
| JP3031070B2 (ja) | 画質制御装置 | |
| JPH07245702A (ja) | ディジタル画像形成装置 | |
| JPH07175777A (ja) | ディジタル画像形成装置 | |
| JP2000122354A (ja) | 画像形成装置 | |
| JPH0611937A (ja) | 画像濃度制御装置 | |
| JPH0934188A (ja) | 画像形成装置 | |
| JP3179936B2 (ja) | 画像濃度制御装置 | |
| JP4175005B2 (ja) | 画像形成装置および画像形成方法 | |
| JP2917620B2 (ja) | 画像濃度制御装置 | |
| JP3401947B2 (ja) | 画像形成装置 | |
| JP3438378B2 (ja) | 画像形成装置 | |
| JPH08248749A (ja) | 画像形成装置 | |
| JPH05333649A (ja) | 画像形成装置 |