JPH0869159A - 画像形成装置 - Google Patents

画像形成装置

Info

Publication number
JPH0869159A
JPH0869159A JP6207340A JP20734094A JPH0869159A JP H0869159 A JPH0869159 A JP H0869159A JP 6207340 A JP6207340 A JP 6207340A JP 20734094 A JP20734094 A JP 20734094A JP H0869159 A JPH0869159 A JP H0869159A
Authority
JP
Japan
Prior art keywords
potential
neural network
value
coefficient
photoconductor
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
JP6207340A
Other languages
English (en)
Inventor
Takeshi Morishita
武志 森下
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.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox 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 Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Priority to JP6207340A priority Critical patent/JPH0869159A/ja
Publication of JPH0869159A publication Critical patent/JPH0869159A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Electrostatic Charge, Transfer And Separation In Electrography (AREA)
  • Control Or Security For Electrophotography (AREA)

Abstract

(57)【要約】 【目的】 いかなる条件下においても常に高精度かつ頑
強性に富んだ画像形成装置を提供するとともに、開発工
数を大幅に削減すること。 【構成】 帯電器の設定電圧、感光体の表面電位を検出
したアナログ信号をA/D変換器102を介してデジタ
ル信号に変換し、ニューラルネットワークによる演算処
理を施す。ニューラルネットワーク演算部107は、帯
電器の設定電圧と表面電位と電位制御量を算出する所定
の計算式中の係数値をニューラルネットワークを学習さ
せることでこれらを関係づける。ニューラルネットワー
ク演算部107からの出力は、感光体の表面電位を制御
するための帯電器の設定電圧を決定するための計算式中
の係数の値である。電位制御量を算出する所定の計算式
中の係数値をニューラルネットワークを用いて演算する
ことで最適な制御量を決定し、この制御量をグリッド電
圧設定値として帯電器のグリッド電源108を制御す
る。

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は、複写機やレーザープリ
ンターのような電子写真方式において、高精度な帯電電
位制御を行う画像形成装置に関するものである。
【0002】
【従来の技術】特開平3−10269号公報に記載の従
来例の技術は、一般に知られている。
【0003】すなわち、品質の良い画像を得るために
は、帯電工程において感光体に望ましい電位を与えなけ
れぼならないが、電位の設定は温湿度の変化や累積複写
枚数の増加等の逐次変化する条件に合わせて常時考慮し
て行わなければならないという困難さをもっている。通
常、単一の設定値ではこれら全ての状態量の変動をカバ
ーすることはできないため、サービスマンが人為的に出
力レベルを切り換えたり、あるいは全く対処せずに画質
の低下を許容してしまう場合もあった。
【0004】帯電電位制御をする際には、種々の外的要
因、すなわち温度、湿度、累積複写枚数などを常時考慮
して行わなければならず、そのため従来は温度、湿度、
累積複写枚数や表面電位と電位制御量の関係づけを計算
式を用いて帯電電位制御を行っていた。しかし、温湿度
や累積複写枚数等の外的要因と電位制御量の関係は複雑
であり、現状の技術レベルでは十分な物理的数式モデル
化はなされていない。
【0005】また、近似式を用いた定量化などが行われ
ているが、静電気的ブロセスが主である電子写真技術で
は、通常、種々の外的要因、すなわち温度、湿度、累積
複写枚数などと、最適な帯電器の設定電圧、表面電位と
の関係は極めて複雑で非線形的であるため、十分な定量
化はなされていない。
【0006】非線形な関係を取り扱うための方法として
は、ルックアップテーブル方式を用いることが行われて
いるが、静電気的プロセスが主である電子写真技術の場
合、非常に複雑な関係をテーブルによって表現しなけれ
ばならないため、十分な精度をもったルックアップテー
ブルを作成することは事実上不可能であった。なぜなら
ば、ルックアップテーブルを埋める各要素は、それぞれ
実験データに基づいて決定しなければならず、しかも極
めて大きなルックアップテーブルが必要となるため、膨
大な実験データを採取しなければならなかったからであ
る。
【0007】そこで、特開平3−10269号公報で
は、複写機制御システムに内包されている複雑な関係、
たとえば温度、湿度、累積複写枚数や表面電位と電位制
御量の関係を複写機制御システムに内包されているあい
まい情報としてファジィルールやメンバーシップ関数を
用いてモデル化することで、それらを関係づける構成を
用いている。
【0008】しかし、温度、湿度、累積複写枚数や表面
電位と電位制御量の関係は、複写機によって特性が異な
ったり、ユーザの複写機の使用状況によって大きく異な
る。このような複写機の特徴を考慮していない従来技術
は、入力情報を直接ファジィ演算部に入力し制御量を推
論していた。しかし、ファジィ演算は入力があいまいな
情報で良いというわけではなく、入力に真値との誤差を
含んでいる場合は、誤差を含んだファジィ推論結果を出
力してしまい、必ずしも良好なファジィ推論結果を得ら
れない。さらにファジィ理論は、複雑な制御対象のモデ
ル化は極めて容易であるが、ファジィロジックの最適化
に対してはパラメータが多いため、ロジックの最適化が
困難であるという欠点がある。このように従来の技術で
は温度、湿度、累積複写枚数や表面電位を入力して電位
制御量を直接ファジィ論理を用いて演算していたため、
入力に真値とのズレを生じた場合は必然的にズレを含ん
だファジィ推論結果となり、制御系の最適化が極めて困
難であった。このように推論結果を直接帯電電位設定値
としてしまっては、適切で安定した制御系の開発、最適
帯電制御が困難であることは明らかである。
【0009】
【発明が解決しようとする課題】本発明は上記の点に鑑
みたものであって、画像形成装置において状態量からニ
ューロアルゴリズムを用いることにより係数を推論し、
電位制御量を算出する所定の計算式にこの係数を用いて
制御量を決定することで、いかなる条件下においても常
に高精度かつ頑強性に富んだ画像形成装置を提供すると
ともに、開発工数を大幅に削減することを目的とする。
【0010】
【課題を解決するための手段】ここでは課題を解決する
ための手段の要点を述べ、具体的な発明内容は実施例に
その詳細を記述する。
【0011】上記の課題を解決するための方針として
は、電位制御量を算出するための状態量検知手段からの
状態量をニューラルネットワーク演算部に入力し電位制
御量を直接算出するのではなく、後述する計算式を用い
て、この計算式中の係数をニューラルネットワークを用
いた演算部で算出する。これにより、ニューラルネット
ワーク演算部に入力された状態量に誤差が含まれていて
も、十分精度良くかつ頑強性を備えた電位制御量を算出
することができるようになり、如何なる条件下において
も常に高精度、安定性かつ頑強性に富んだ画像形或装置
を実現する。
【0012】ニューラルネットワークを用いて推論する
計算式中の係数は、後述する暗減衰曲線の変化率に当た
る係数を推論している。暗減衰曲線の変化率に当たるこ
の係数は、温度、湿度、累積複写枚数、帯電電位の変化
が大きくても、あまり大きな変化を示さないという大き
な特徴をもつ。実施例で述べるように、この特徴を用い
ることにより電位制御において従来に見られない多大な
頑強性を生みだしている。従って、電位制御系の入力情
報源である温度、湿度、累積複写枚数、帯電電位等が、
さまざまな条件の変化による何らかの原因で理想的な値
と大きく差異を生じた場合にも、従来技術のように演算
誤差が増大することなく、高精度の電位制御が実現でき
る。
【0013】本発明による実現手段としては、状態量検
知手段の帯電器の設定電圧、感光体の表面電位を検出し
たアナログ信号をそれぞれA/D変換器を介してデジタ
ル信号に変換する変換手段により情報を得る。これらの
状態量を入力するニューラルネットワークによる演算処
理を施す。ニューラルネットワーク演算処理部は、帯電
器の設定電圧と表面電位と電位制御量を算出する所定の
計算式中の係数値をバックプロパゲーションアルゴリズ
ムを用いてニューラルネットワークを学習させることで
これらを関係づける。この学習方法の詳細は実施例で述
べる。ニューラルネットワーク演算手段からの出力は、
感光体の表面電位を制御するための帯電器の設定電圧を
決定するための後述する計算式中の係数の値である。電
位制御量を算出する所定の計算式中の係数値をニューラ
ルネットワークを用いて演算することで最適な制御量を
決定し、この制御量をグリッド電圧設定値として帯電器
のグリッド電源を制御することで如何なる条件下におい
ても常に高精度かつ頑強性に富んだ電位制御をする複写
機の制御システムを堤供する。
【0014】
【実施例】図1において、104の帯電器のグリッド電
圧設定値と、感光体の表面電位を測定する電位センサ1
05からのそれぞれの情報は、アナログ信号をデジタル
信号に変換するA/D変換器102を介してデジタル信
号にそれぞれ変換される。感光体の表面電位測定ポイン
トは、感光体の表面の決まった任意の1点を測定する。
また、測定と同時にグリッド電圧設定値もA/D変換器
102に人力される。ここで、複数の測定ポイントを用
いて、それらの情報を平均等の演算をそれぞれ施し、グ
リッド電圧設定値、表面電位の情報としてもよい。これ
らの信号は、ニューラルネットワークによる演算部10
7に入力され、制御量決定手段で使用される係数の値を
出力する。後述する制御量決定部101は、電位制御量
を算出する計算式にこの係数と状態量を用いることで制
御量を決定し、グリッド制御量を出力する。このデジタ
ル信号をアナログ信号に変換するD/A変換器103に
より変換し、このグリッド制御量により帯電器のグリッ
ド電源108を用いて感光体の表面電位が制御される。
なお、ニューラルネットワークによる演算部では後述す
るニューラルネットワーク、結合係数及びオフセット等
を記憶する。
【0015】図2において、201は複写機、202は
感光体ドラム、203はスコロトロン型の高圧ユニッ
ト、204は高圧電源、205はバイアス電源、206
は制御量決定部、207はA/D変換器、208はイレ
ーズランプ、209はクリーニング装置、210はニュ
ーラルネット演算部、211はD/A変換器である。
【0016】感光体ドラム202はスコロトロン型の高
圧ユニット203のワイヤに高圧電源204により適当
な高電圧が印加され、バイアス電源によりバイアスの印
加電圧を各状態量を基に制御することで、適切な帯電量
が一定に形成される。
【0017】図3においては、本発明で使用した公知の
スコロトロン型の高圧ユニットを示す。
【0018】同3において、301は放電ワイヤ、30
2は高圧電源、303はグリッド、304はバイアス電
源、305は接地されたシールド材、306は感光体ド
ラムである。
【0019】感光体ドラムをある電位に帯電させ、光の
当たらない場所で放置すると、電位は時間と共に減衰す
る。この現象を暗減衰というが、環境や帯電電位が異な
ればこの特性は変化する。ここで、所定のチャージ電流
をコロトロンに流し、所定のグリッド電圧をグリッドに
印加し、感光体ドラムがある電位に帯電した後、時問と
共に帯電電位の減衰を表した図が、図4(a)、(b)
である。図4(a)において、401は高温高湿の環境
の特性、403は低温低湿の環境の特性、402は通常
の環境下での特性であり、環境が変化した場合の暗減衰
特性である。図4(b)においては、帯電電位を可変し
た場合の相対的な減衰特性を示し、高電位では404、
通常電位では405、低電位では406のような特性を
示す。これらの感光体ドラム特性を決める状態量と暗減
衰率の関係は非線形的要素を含み、現在の技術レベルで
は数式による定量的なモデル化は困難である。しかし、
ニューラルネットワークの学習によってそれらの入出力
を関係づけることは極めて容易である。
【0020】図1のように、グリッド電圧をモニターす
るグリッド電圧設定値104、感光体の表面電位を測定
する電位センサ105からのそれぞれの情報が、アナロ
グ信号をデジタル信号に変換するA/D変換器102を
介してデジタル信号にそれぞれ変換される。これらの信
号は、ニューラルネットワークによる演算部107に入
力され、制御量決定手段で使用される係数の値を出力す
る。
【0021】その構造は図6に示すように入力層、中間
層、出力層からなり、バックプロパゲーションアルゴリ
ズムに基づき所望の入出力関係を学習する。ニューラル
ネットについては「入門と実習ニューロコンピュータ」
(技術評論社)により知られている。
【0022】以下、ニューラルネットワークが係数を演
算する学習法を説明する。
【0023】まず事前に、図4(a)、(b)の暗減衰
特性からグリッドの印加電圧、所定時間後の暗減衰した
帯電電位、これらが表す状態量のときの暗減衰率を図5
(a)のようにデータ化する。ここで図5(a)のデー
タを規格化してもよい。すなわち、このデータを図5
(b)のようにそれぞれ暗減衰は10分の1にし、表面
電位は1000分の1にして0から1の間の数にしたも
のをニューラルネットワークの教師信号とする。
【0024】次にこれらのグリッドの印加電圧、所定時
間後の陪減衰した帯電電位からなる状態量をニューラル
ネットワークの入力信号として与え、このときにニュー
ラルネットワークから出力される出力信号が、これらの
状態量のときに示される暗減衰率の値を教師信号とした
時に、この出力信号と出力側に与える教師信号の差が所
定の値以下になるまでバックプロパゲーションアルゴリ
ズムを用いてニューラルネットワークを学習させる。
【0025】こうして、学習の完了したニューラルネッ
トを搭載したニューラルネット演算部は、グリッドの印
加電圧、所定時間後の暗減衰した帯電電位をこの回路の
入力とする。これにより、学習済みのニューラルネット
ワークの出力層には、そのときの条件下で最良の画質を
実現するための暗減哀率の値αBが、出力層に出力され
る。
【0026】制御量決定部は、状態量からニューラルネ
ットによって演算された係数を入力し、同時に電位制御
量を算出する以下の式1、2に、状態量と現像位置電位
設定値を用いることで、グリッド電源を制御する値であ
るグリッド制御量を決定する。
【0027】式2で用いられているGAINは、例えば
ユーザが複写を終了した後や複写を始める直前に所望の
タイミングでグリッド電圧を少なくとも2段階に変化さ
せた時のグリッド電圧と表面電位のそれぞれの変化の比
を求める(式3に表記)。すなわち、図7における電位
差1と電位差2の比を求めるのである。これにより、環
境の変化や経時の変化等によって感光体の特性が変化し
た場合のグリッド電圧値の補正分は、感光体の特性に合
わせて可変することになり、常に適切なグリッド電庄値
の補正分がこの係数GAINによって最適化される。
【0028】以下に、制御量の具体的な演算方法を述べ
る。
【0029】 現像位置電位予測値=グリッド電圧−αB×(グリッド電圧−電位センサ位置電 位) ・・・(式1) グリッド制御量=グリッド電圧値−GAIN×(現像位置電位予測値−現像位置 電位設定値) ・・・(式2) GAIN=(グリッド電圧値1−グリッド電圧値2)/(電位センサ位置電位1 −電位センサ位置電位2) ・・・(式3) 例えば、今グリッド電圧αが690(−V)、表面電位
信号βが646(−V)のときニューラルネットワーク
は1.68を演算し、現像位置電位設定値が600(−
V)、GAINが1であったとき、グリッド制御量は、 690−1.68×(690−646)=616(−
V) 690−1×(616−600)=674(−V) のように求まり、このデジタル信号をD/A変換器10
3によりアナログ信号に変換し、この出力値に基づいて
グリッド電源108を用いて感光体の表面電位が制御さ
れ、現像位置の電位が設定値600(−V)に対し一定
に保たれる。
【0030】ここで、式1の係数αBは、ニューラルネ
ットワークの出力値であり、これは先に述ベた通り、図
4の暗減衰曲線の変化率にあたる係数である。この係数
は温湿度、帯電電位の変化が大きくても、あまり大きな
変化を示さないという大きな特徴をもつ。例えば、実験
的に明らかであるが、一定に帯電をさせた感光体におい
て高温多湿と低温低湿の暗減衰曲線の変化率の変化を比
べると、変化率は1.597から1.806に変化する
程度であり、両者の差は実に0.209である。暗減衰
の変化率は暗減衰の変化率=(グリッド電圧−現像位置
電位)/(グリッド電圧−電位センザ位置電位)で表さ
れる。
【0031】本発明では、感光体およびその周辺の環境
等の変化にともない帯電特性が大きく変化しても、この
変化に対してあまり大きな変化を示さない暗減衰曲線の
変化率にあたる係数をニューラルネットワークを用いて
前述した状態量をもとに演算するために、電位制御にお
いて従来に見られない多大な頑強性を生みだしているの
で、電位制御の入力である状態量に何らかの原因で真値
との誤差を生じた場合も、従来技術のように演算値を極
度に間違えることなしに、電位制御誤差を従来よりも大
幅におさえることができる。
【0032】例えば、前述の例において急激な温湿度の
変化や複写機の立上げ時のウォームアップ不足や複写機
の過激な使われ方等のさまざまな条件の変化により、本
来表面電位信号βが646(−V)と得られるところ、
651(−V)と誤差を含んだ値で入力されると、我々
の実験では従来のように入力の状態量から直接ファジィ
推論等によって電位制御量を推論する方式を用いると、
電位制御量はほぼ702(−V)と推論される。しか
し、本発明によれば、ニューラルネットワークを用いた
推論によって式1の係数αBが1.65と推論され、そ
の結果、式1、2から電位制御量はほぼ664(−V)
と演算される。いま、表面電位信号が13646(−
V)の電位のとき、理想的な電位制御量は674(−
V)であるから、入力信号の誤差がこの10(V)とお
よそ3分の1となり、大幅に抑えることが実現できた。
【0033】
【発明の効果】この発明は、以上の構成及び作用よりな
るもので、さまざまな条件の状態量とこれに対する感光
体の特性の暗減衰率を、ニューラルネットワークを用い
て関係づけることにより、電位制御量を算出する計算式
の係数を推論し、グリッド電圧設定値を演算し表面電位
の制御を実行することで、いかなる環境変動等に対して
も、また入力情報に誤差が含まれていても常に最適にか
つ、安定した帯電量を制御できる。しかも入出力関係づ
けは極めて容易であるので、開発工数が大輻に効率化で
きる画像形成装置とすることができる。
【図面の簡単な説明】
【図1】 帯電装置の制御ブロック図を示す。
【図2】 画像形成装置の全体を示す概略図である。
【図3】 帯電高圧ユニットの概略図を示す。
【図4】 感光体ドラムの特性を示すグラフである。
【図5】 (a)は感光体ドラムの特性のデータ、
(b)は感光体ドラムの特性のデータの教師データを示
す。
【図6】 ニューラルネットの構成図を示す。
【図7】 感光体の帯電電位特性グラフを示す。
【符号の説明】
101 制御量決定部 102 A/D
変換器 103 D/A変換器 104 グリッ
ド電圧計 105 電位センサ 107 ニューラルネットワーク演算部 108 グリッド電源 201 複写機 202 感光体ドラム 203 スコロトロン型の高圧ユニット 204 高圧電源 205 バイア
ス電源 206 制御量決定部 207 A/D
変換器 208 イレーズランプ 209 クリー
ニング装置 210 ニューラルネット演算部 211 D/A
変換器 301 放電ワイヤ 302 高圧電
源 303 グリッド 304 バイア
ス電源 305 接地されたシールド材 306 感光体
ドラム 401 高温高湿の環境の特性 402 通常の
環境下の特性 403 低温低湿の環境の特性

Claims (1)

    【特許請求の範囲】
  1. 【請求項1】 感光体の表面を帯電させる手段と、 電位制御量に応じて前記帯電手段を制御して、前記感光
    体の表面電位を変化させる制御手段と、 前記感光体の表面電位を制御するための状態量を検知す
    るための状態量検知手段と、 前記状態量検知手段により検知された状態量からニュー
    ロアルゴリズムにより前記感光体の暗減衰率を推定する
    ニューラルネットワークと、 前記ニューラルネットワークにより推定された暗減衰率
    を用いて所定の演算式から前記感光体の最適な表面電位
    を維持するための電位制御量を演算する制御量決定手段
    と、を有することを特徴とする画像形成装置。
JP6207340A 1994-08-31 1994-08-31 画像形成装置 Pending JPH0869159A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP6207340A JPH0869159A (ja) 1994-08-31 1994-08-31 画像形成装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP6207340A JPH0869159A (ja) 1994-08-31 1994-08-31 画像形成装置

Publications (1)

Publication Number Publication Date
JPH0869159A true JPH0869159A (ja) 1996-03-12

Family

ID=16538127

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6207340A Pending JPH0869159A (ja) 1994-08-31 1994-08-31 画像形成装置

Country Status (1)

Country Link
JP (1) JPH0869159A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020013078A (ja) * 2018-07-20 2020-01-23 キヤノン株式会社 画像形成装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020013078A (ja) * 2018-07-20 2020-01-23 キヤノン株式会社 画像形成装置

Similar Documents

Publication Publication Date Title
JP3026690B2 (ja) 電位推定装置
US5220373A (en) Electrophotographic process control device using a neural network for estimating states of the device
JPH1063048A (ja) 画像形成装置
JP3381964B2 (ja) 電子写真印刷機用電荷制御装置
JP3026630B2 (ja) 電子写真プロセス制御装置
JPH04320285A (ja) 電子写真プロセス制御装置
JP3266297B2 (ja) 電子写真プロセス制御装置
JPH0869159A (ja) 画像形成装置
JPS63177177A (ja) 画像形成装置
JPH06236098A (ja) 複写システム作動方法
JP3031070B2 (ja) 画質制御装置
JP3095123B2 (ja) 画像形成装置および方法
JP2917620B2 (ja) 画像濃度制御装置
JPH06324557A (ja) 画像形成装置
JPH0572859A (ja) 電子写真プロセス制御装置
JPH04291274A (ja) 電子写真プロセス制御装置
JP3200121B2 (ja) 電子写真プロセス制御装置
JPH07160073A (ja) 電子写真プロセス制御装置
JPS6162075A (ja) 複写機の電位制御装置
JPH05333649A (ja) 画像形成装置
JP3438378B2 (ja) 画像形成装置
JPH03274069A (ja) 画像形成装置
JPH06337561A (ja) 画像濃度制御装置
JPH086323A (ja) ディジタル画像形成装置
JPH0895322A (ja) 画像形成装置