JPH09179458A

JPH09179458A - 画像形成装置

Info

Publication number: JPH09179458A
Application number: JP7337532A
Authority: JP
Inventors: Atsushi Kawai; 敦河合; Tetsuya Sakai; 哲也酒井
Original assignee: Minolta Co Ltd
Current assignee: Minolta Co Ltd
Priority date: 1995-12-25
Filing date: 1995-12-25
Publication date: 1997-07-11
Also published as: US5778279A

Abstract

(57)【要約】【課題】電子写真画像形成装置において、感光体や現
像剤等の消耗品の消耗度を効果的に推定することによっ
て、消耗品の寿命を自動的に判定し、コピー１枚当りの
コストの低減を図ること。【解決手段】感光体ドラム２１の累積回転時間をカウ
ントするＰＣカウンタ、現像器２３の累積駆動時間をカ
ウントするデベカウンタ、感光体ドラム２１へのトナー
付着量を検出するセンサ５１、現像剤中のトナー濃度を
検出するセンサ５４、湿度センサ５２を備えた複写機。
前記カウンタ、センサからの出力値に基づいて、ファジ
イ推論又はニューラルネットワークを用いて消耗品の消
耗度を推定し、その寿命を判定する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像形成装置、特
に、電子写真複写機、レーザプリンタ等電子写真方式に
よる画像形成装置に関する。

【０００２】

【従来の技術】一般に、電子写真方式による画像形成装
置においては、消耗品はその寿命に達すると交換する必
要がある。例えば、感光体はコピー枚数が増加する、即
ち、感光体の累積回転時間が増加するに伴って感光層が
削られ、性能が劣化してくる。感光層の膜厚が減少する
と帯電能力が低下し、アナログ機の場合は画像濃度が低
下し、デジタル機の場合は画像背景部へのトナーのかぶ
りが増加する傾向にある。一方、キャリアとトナーから
なる２成分現像剤を使用して現像を行う場合、コピー枚
数が増加する、即ち、現像器の累積駆動時間が増加する
に伴ってキャリアが劣化してくる。キャリアが劣化する
とトナーに対する帯電性能が低下し、帯電不良のトナー
が発生し、画像背景部へのトナーのかぶりや機内へのト
ナー飛散が発生しやすくなる。

【０００３】そこで、従来では、それぞれある決められ
たコピー枚数に達すると、サービスマンが感光体あるい
は現像剤の交換を行い、前記問題点の発生を未然に防止
していた。

【０００４】

【発明が解決しようとする課題】ところで、削れによる
感光体の劣化度は感光層膜厚値という感光体に対する物
理量である程度定量的に表すことができ、この値が小さ
くなるに伴って感光体の劣化が進んでいると言える。ま
た、キャリアの劣化度はキャリアスペント値というキャ
リアに対する物理量である程度定量的に表わすことがで
き、この値が大きくなるに伴ってキャリアの劣化が進ん
でいると言える。しかし、感光層膜厚値やキャリアスペ
ント値はユーザー先でサービスマンが測定するのは不可
能である。

【０００５】感光層削れ量は、感光体表面が回転によっ
て受けるストレスの大きさ、即ち、感光体の累積回転時
間に依存する。また、キャリアスペント値は、キャリア
が現像器中で撹拌などにより受けるストレスの大きさ、
即ち、現像器の累積駆動時間に依存する。しかし、実際
に使用されている複写機やプリンタでは、同じコピー枚
数であっっても、使用モードの相違、例えば１枚コピー
や連続コピーの頻度によって感光体の回転時間、現像器
駆動時間が異なる。また、同じ回転時間や駆動時間であ
っても、使用モードの履歴によって感光層削れ量やキャ
リアスペント値が異なる。また、トナーのかぶりの発生
を検知しても、その発生原因には感光体又はキャリアの
劣化のいずれかか判然とせず、かつ、それ以外の要因も
存在するため、原因を推定することはできない。

【０００６】つまり、コピー枚数は感光体や現像剤の交
換を行うべきか否かを判断する大きな要因であっても、
実際上寿命か否かはそれぞれの機械の使用状態によって
異なり、一定のコピー枚数に達していても感光体あるい
はキャリアがあまり劣化していなくて、トナーのかぶり
や飛散が発生していなかったり、逆に一定のコピー枚数
に達する前であっても感光体あるいはキャリアが劣化
し、トナーのかぶりや飛散が発生する場合がある。この
ように、感光体やキャリアの劣化を検知するには作像プ
ロセスにおける多くのパラメータが関与し、パラメータ
に関する明確な関係式を定義することは不可能であっ
た。通常は、感光体や現像剤を交換する基準となるコピ
ー枚数を予め余裕を持って設定しており、これらの部材
が現実には寿命が来ていないのに交換されてしまい、不
経済であった。

【０００７】そこで、本発明の目的は、消耗品の消耗
度、特に感光体にあっては感光層削れ量、現像剤にあっ
てはキャリアスペント値を効果的に推定することによっ
て、これらの消耗品の寿命を自動的に判定し、ＣＰＣ
（コピー１枚当たりのコスト）の低減を図ることのでき
る画像形成装置を提供することにある。

【０００８】

【発明の構成、作用及び効果】以上の目的を達成するた
め、本発明に係る画像形成装置は、消耗品の消耗度に関
する要因を検出する検出手段と、この検出手段の検出値
に基づいて消耗品の消耗度を推定し、かつ、消耗品の寿
命を判定する判定手段とを備えている。消耗度は、感光
体の累積回転時間、現像器の累積駆動時間、感光体への
トナー付着量、現像剤中のトナー濃度又は湿度の少なく
ともいずれか一つを検出することにより推定する。

【０００９】本発明によれば、種々の消耗要因から総合
的に消耗度を判定し、寿命を判定するため、より確証の
高い判定が可能であり、機械それぞれの使用状態に応じ
て適切な時期に消耗品を交換でき、ＣＰＣの低減を図る
ことができる。特に、感光体やキャリアの劣化の判定に
有効である。

【００１０】また、本発明においては、入力パラメータ
を一括処理するためにファジイ推論又はニューラルネッ
トワークを用いて出力を計算し、寿命を判定する。ファ
ジイ推論を用いた場合、設計者がシステム設計時に得た
感光層削れ量やキャリアスペント値に関する知識をメン
バーシップ関数と言語的なルールによって記述し、推論
ができるので、設計者のノウハウを適用でき、高精度な
判定が可能となる。また、ニューラルネットワークを用
いた場合、入力と出力との関係を記述する明確な法則が
なかったり、その法則が複雑すぎる場合であっても、実
験結果に基づいた事実から比較的簡単に推論処理を定義
することができる。しかも、ファジイ推論及びニューラ
ルネットワークいずれの処理においても、制御手段内に
入力／出力の大きなテーブル（データ）を保持する必要
はなく、メモリが小さくて済む。

【００１１】

【発明の実施の形態】以下、本発明に係る画像形成装置
の実施形態について添付図面を参照して説明する。

【００１２】（第１実施形態、図１〜図１６参照）本第
１実施形態は感光体の寿命を判断するものであり、図１
は本発明の第１実施形態であるデジタル方式の複写機を
示す。この複写機は上段にイメージリーダユニット１を
配置し、その直下にレーザ走査ユニット１０を設け、中
段部に作像ユニット２０、下段部にシート搬送系４０を
配置したものである。

【００１３】イメージリーダユニット１は、矢印ａ方向
に移動することによってプラテンガラス９上にセットさ
れた原稿の画像を読み取るスキャナ２と、読み取った画
像データを印字用のデータに変換処理する画像信号処理
部５とで形成されている。スキャナ２は密着型のライン
イメージセンサ（ＣＣＤ）３を備えた周知のものであ
る。

【００１４】レーザ走査ユニット１０は、前記画像信号
処理部５で生成、編集された印字データに基づいて光源
駆動部１１が光源（レーザダイオード）を変調駆動し、
感光体ドラム２１上に画像部の電位が減衰したネガの静
電潜像を形成する。このレーザ走査ユニット１０はポリ
ゴンミラー１２、ｆθレンズ１３等で構成されており、
その構造、作用は周知である。

【００１５】作像ユニット２０は矢印ｂ方向に回転する
感光体ドラム２１を中心に構成され、その周囲には、帯
電チャージャ２２、現像器２３、転写チャージャ３１、
シート分離チャージャ３２、残留トナーのクリーナ３
３、残留電荷のイレーサランプ３４が配置されている。
さらに、感光体ドラム２１へのトナー付着量を光学的に
検出するためのＡＩＤＣセンサ５１、機内の湿度を検出
するための湿度センサ５２が配置されている。なお、セ
ンサ５２は相対湿度を検出するものであるが、本発明で
はこの検出値を絶対湿度に変換して用いる。

【００１６】現像器２３は、キャリアとトナーとの混合
物からなる２成分系現像剤を使用するもので、トナーは
ホッパ２４に収容されており、補給ローラ２５の回転に
よって撹拌／循環槽２６へ補給される。補給されたトナ
ーは撹拌／循環槽２６内を撹拌されつつ循環することに
よりキャリアとの摩擦で所定の電荷に帯電し、現像スリ
ーブ２７によって感光体ドラム２１の表面に供給され、
電位の減衰した画像部に付着する。また、撹拌／循環槽
２６には現像剤中のトナー濃度を磁気的にあるいは光学
的に検出するためのＡＴＤＣセンサ５４が配置されてい
る。

【００１７】シート搬送系４０は、給紙カセット４１に
収容されているシートを給紙ローラ４２の回転によって
１枚ずつ給紙し、タイミングローラ４３で感光体ドラム
２１上に形成されたトナー画像と同期をとって転写部へ
送られる。転写部において、シートは転写チャージャ３
１からの放電によってトナー画像を転写されると共にシ
ート分離チャージャ３２からのＡＣ放電によって除電さ
れ、感光体ドラム２１から分離される。分離後のシート
はエアーサクションベルト４６で定着器４７へ送り込ま
れてトナー画像の定着を施され、排出ローラ４８からト
レイ４９上へ排出される。

【００１８】図２は前記複写機の制御機構を示す。制御
機構はＣＰＵ６０を中心として構成されている。ＣＰＵ
６０は制御用プログラムが格納された制御ＲＯＭと、各
種データが格納されたデータＲＯＭと、各種パラメータ
ーが格納されるＲＡＭを備えている。データＲＯＭには
後述するトナー濃度制御、画像濃度制御及び感光体劣化
判定制御等を行う際に必要な各種データが格納されてい
る。ＣＰＵ６０には、ＡＩＤＣセンサ５１、ＡＴＤＣセ
ンサ５４、湿度センサ５２からの検出値が入力される。
また、ＣＰＵ６０は光源駆動部１１、グリッド電圧トラ
ンス７１、現像バイアストランス７２、現像器２３、ト
ナーホッパ２４を制御する。

【００１９】また、制御機構には、感光体ドラム２１の
回転時間を積算するＰＣカウンタ、現像器２３の駆動時
間を積算するデベカウンタが設置され、それぞれの積算
値はＣＰＵ６０へ入力される。本複写機においては、１
枚のコピー形成の動作終了後に、感光体ドラム２１の画
像形成領域外に一定面積の基準パターン（基準トナー
像）が形成され、ＡＩＤＣセンサ５１によって感光体の
地肌部と基準パターンへのトナー付着量を光学的に検出
する。感光体上へのトナー付着量とＡＩＤＣセンサ５１
の出力電圧との関係の一例を図３に示す。地肌部へのト
ナー付着量からトナーのかぶり状態が判断でき、基準パ
ターンへのトナー付着量から画像濃度が判断できる。

【００２０】また、ＡＴＤＣセンサ５４の出力電圧から
は現像剤中のトナー濃度の変動をモニタできる。例え
ば、ある種類のキャリアとトナーの組み合わせの現像剤
において、該現像剤中のトナー濃度とＡＴＤＣセンサ５
４の出力電圧との関係は図４に示すとおりであり、ＡＴ
ＤＣセンサ５４の出力電圧から現像剤中のトナー濃度が
判断できる。

【００２１】前記ＡＩＤＣセンサの基準トナー像の検出
出力値はＣＰＵ６０によって、予め設定された基準付着
量に対する出力値と比較され、基準付着量を維持するよ
うにトナーホッパ２４からトナーが補給される。なお、
このようなＡＩＤＣの処理はよく知られている。

【００２２】次に、複写機の制御手順を図５のフローチ
ャートを参照して説明する。まず、ステップＳ１で１枚
の画像についてのコピー動作を実行した後、ステップＳ
２で感光体ドラム２１上の画像形成領域外に所定の画像
形成条件で基準トナー像を作成する。次に、ステップＳ
３でＡＩＤＣセンサ５１によって感光体地肌部へのトナ
ー付着量が検出され、ステップＳ４で基準トナー像のト
ナー付着量が検出される。

【００２３】さらに、ステップＳ５でＡＴＤＣセンサ５
４によって現像剤中のトナー濃度が検出され、ステップ
Ｓ６で前記ＰＣカウンタ及びデベカウンタから感光体ド
ラム２１の累積回転時間及び現像器２３の累積駆動時間
に関するカウント値を取り込み、ステップＳ７で湿度セ
ンサ５２によって機内の湿度を検出する。次に、前記セ
ンサ、カウンタからの情報に基づいて、ステップＳ８で
感光層削れ量を推論する。ステップＳ９では感光体が寿
命であるか否かを判定し、寿命であればステップＳ１０
で警告を発する。警告は複写機の操作パネル上に感光体
交換時期であることを表示したり、複写機に接続されて
いる電話回線によって遠隔地のサービスセンタにその旨
を通報する。最後に、ステップＳ１１で前記ＡＩＤＣセ
ンサ５１の基準トナー像の検出出力値に応じて、トナー
ホッパ２４からトナー補給が行われる。

【００２４】ここで、作像プロセスから得られたデータ
と感光体寿命との関係について説明する。感光体の寿命
は感光層膜厚値と称する物性値で判断できる。削れ量が
大きくなって膜厚値が小さくなるに伴って感光体の帯電
能力が低下することは前述のとおりである。一般に、感
光層の削れは感光体が回転によって物理的なストレスを
受けることを原因とする。

【００２５】図６は本複写機での感光体回転時間に対す
る感光層削れ量を示す。このデータは実験室の通常環境
下で感光体ドラム２１を連続回転させて得られたもので
ある。個々の実機においては、コピー使用モードの履歴
等に差があるため、図６のデータをそのまま使って感光
層削れ量を推定することはできない。また、感光層削れ
量が大きくなると反転現像を行うデジタル複写機では画
像背景部にトナーのかぶりが発生しやすくなる。トナー
のかぶりは前記ＡＩＤＣセンサ５１による感光体地肌部
へのトナー付着量を検出することによって判別できる。
しかし、かぶりは湿度の上昇によってトナーの帯電量が
低下している場合や、何らかの原因で現像剤中のトナー
濃度が必要以上に上昇した場合、あるいはキャリアの劣
化によってトナーの帯電量が低下した場合に発生する。
従って、トナーのかぶりを検出するだけでは感光層削れ
量を推定することはできない。

【００２６】感光層削れ量を正しく推定するためには、
感光体ドラム２１の累積回転時間に加えて、感光体地肌
部へのトナー付着量、湿度、トナー濃度、現像器２３の
累積駆動時間を検出して、それぞれの検出値を総合的に
判断すればよい。例えば、感光体回転時間が長い、感光
体地肌部へのトナー付着量が多い、湿度が高い、トナー
濃度が高い、という条件が各種センサ、カウンタの出力
値から得られた場合は、感光体地肌部へのトナー付着量
が多い要因としては、感光体回転時間が長いことに加え
て、湿度が高いこと、トナー濃度が高いことが考えられ
る。この場合は、感光層の削れを原因とするかぶりの発
生である可能性は少ないと推定できる。

【００２７】以上述べたように、作像プロセスから得ら
れたデータと感光層削れ量との間には相関関係が存在
し、種々のプロセスデータから判定すれば、感光層削れ
量を正しく推定することができる。従来では、削れ量の
バラメータが多く、明確な関係式で定義して入力と出力
を決定することは不可能であった。そこで、本第１実施
形態では、前記ステップＳ８での感光層削れ量の推定に
ニューラルネットワークによる方法又はファジイ推論に
よる方法を用いる。

【００２８】まず、ニューラルネットワークによる推論
方法について説明する。この推論方法は、作像プロセス
の状態を変化させて各種センサ、カウンタの出力値を取
り込みそのときに実際に測定した感光層削れ量を教師値
としてニューラルネットワークの学習を行い、学習後に
はセンサ、カウンタの出力値をニューラルネットワーク
の入力値として与え、感光層削れ量を得て感光体の寿命
を判定する。

【００２９】図７にニューラルネットワークの構成を示
す。ニューラルネットワークは、入力層、中間層、出力
層の３層構造で構成されており、各ユニットはそれぞれ
が属する層以外の隣り合った層のユニットとある結合荷
重を介して結合されている。信号は一方向だけに伝わ
り、結合されたユニットに入力される。このニューラル
ネットワークの各ユニットは、図８に示すように、多入
力、１出力の素子が用いられる。入力値ｘ１は結合荷重
ｗ１によって重みをつけられ、重みづけられた入力値ｗ
１ｘ１は総和Ｘがとられ、応答関数ｆによる変形を受け
た後、出力される。出力値（ユニット値）ｙは、

【００３０】

【数１】

【００３１】で表される。ところで、一般的なニューラ
ルネットワークの学習モデルの概要は図９に示すような
手順で行われる。最初にランダムな値で各結合の結合荷
重ｗが初期設定される（ステップＳ２１）。次に、この
結合荷重に対して外部から教師信号として入力信号に対
する理想出力を与え、評価基準を参照して評価する（ス
テップＳ２２）。次に、評価結果に基づいて結合荷重の
値を調整し（ステップＳ２４）、再び評価を行う。この
ようなプロセスを繰り返して、次第に最適な値に近づけ
ていく。

【００３２】ニューラルネットワークの学習は３層バッ
クプロパゲーション法によって行われる。図１０に示す
ように、入力層ユニットｉ番目の出力Ｉ（ｉ）が、結合
荷重Ｗ（ｊｉ）での荷重和により、中間層ユニットｊ番
目の入力となり、閾値θ（ｊ）と出力を規格化する関数
ｆにより中間層ユニットｊの出力Ｈ（ｊ）が決まり、中
間層ユニットｊの出力Ｈ（ｊ）が、結合荷重Ｖ（ｋｊ）
での荷重和により出力層ユニットｋ番目の入力となり、
閾値γ（ｋ）と関数ｆにより出力層ユニットｋの出力Ｏ
（ｋ）が決まるモデルを考える。

【００３３】入力層に与えられた入力データは、重みづ
け計算（結合荷重とユニット値との積和計算）を行いな
がら、中間層、出力層へと伝搬される。出力層のユニッ
ト値は、入力データに対応した教師データと比較され、
その間の誤差が小さくなるように、出力層−中間層、中
間層−入力層の結合の強さが修正される。この修正を繰
り返すことにより、出力層から出力される値は教師デー
タに近づいていく。これら一連の動作を、全ての入力デ
ータに対して十分繰り返すことにより、様々な入力デー
タに対して教師データで示される値を出力させることが
できる。

【００３４】各層のユニット層は、

【００３５】

【数２】

【００３６】Ｈ（ｊ）：中間層のｊ番目のユニットの値Ｏ（ｋ）：出力層のｋ番目のユニットの値Ｉ（ｉ）：入力層のｉ番目のユニットの値 θ（ｊ）：中間層のｊ番目のユニットの閾値 γ（ｋ）：出力層のｋ番目のユニットの閾値Ｗ（ｊｉ）：中間層のｊ番目のユニットが持つ入力層の
ｉ番目のユニットに対する荷重Ｖ（ｋｊ）：出力層のｋ番目のユニットが持つ中間層の
ｊ番目のユニットに対する荷重関数ｆ（Ｘ）はシグモイド関数と呼ばれる非線形な連続
関数で、これによってユニットの入出力特性が定めら
れ、出力値は０≦Ｈ（ｊ），Ｏ（ｋ），Ｉ（ｉ）≦１の
範囲に制限される。

【００３７】ｆ（Ｘ）＝１／｛１＋ｅｘｐ（−２ｘ／ｕ０）｝＝｛１＋ｔａｎｈ（ｘ／ｕ０）｝／２ｕ０：シグモイド関数の傾きを決めるパラメーター結合荷重Ｗ（ｊｉ），Ｖ（ｋｊ）と閾値θ（ｊ），γ
（ｋ）の初期値はそれぞれ小さな値の乱数値で設定す
る。

【００３８】出力と教師信号との差の２乗、即ち、２乗
誤差の関数を誤差関数と呼ぶ。あるパターンｐに対する
誤差関数Ｅ（ｐ）と全パターンでの誤差Ｅｔは次式のよ
うに表される。

【００３９】

【数３】

【００４０】誤差Ｅｔが最小となる状態を最適なネット
ワークであるとし、Ｅｔが最小となるように結合荷重と
閾値を修正する。修正は以下のように行う。学習パター
ンの教師信号Ｔ（ｋ）と出力層の出力Ｏ（ｋ）との差か
ら、出力層のユニットｋにつながる結合荷重Ｖ（ｋｊ）
と出力層のユニットｋの閾値γ（ｋ）に対する誤差δ
（ｋ）を次式により求める。

【００４１】δ（ｋ）＝２×｛Ｔ（ｋ）−Ｏ（ｋ）｝×
Ｏ（ｋ）×｛１−Ｏ（ｋ）｝／ｕ０誤差δ（ｋ）と中間層から出力層への結合荷重Ｖ（ｋ
ｊ）と中間層の出力Ｈ（ｊ）から、中間層ユニットｊに
つながる結合荷重Ｗ（ｊｉ）と中間層ユニットｊの閾値
θ（ｊ）に対する誤差δ（ｊ）を次式により求める。

【００４２】

【数４】

【００４３】出力層ユニットｋでの誤差δ（ｋ）と中間
層ユニットｊの出力Ｈ（ｊ）と定数αとの積を加算する
ことで、中間層ユニットｊから出力ユニットｋにつなが
る結合係数Ｖ（ｋｊ）を修正する。また、誤差δ（ｋ）
と定数βとの積を加算することで、出力層ユニットｋの
閾値γ（ｋ）を修正する。Ｖ（ｋｊ）＝Ｖ（ｋｊ）＋α×δ（ｋ）×Ｈ（ｊ） γ（ｋ）＝γ（ｋ）＋β×δ（ｋ）中間層ユニットｊでの誤差δ（ｊ）と入力層ユニットｉ
の出力Ｉ（ｉ）と定数αとの積を加算することで、入力
層ユニットｉから中間層ユニットｊにつながる結合係数
Ｗ（ｊｉ）を修正する。また、誤差δ（ｊ）と定数βと
の積を加算することで、中間層ユニットｊの閾値θ
（ｊ）を修正する。

【００４４】Ｗ（ｊｉ）＝Ｗ（ｊｉ）＋α×δ（ｊ）×Ｉ（ｉ） θ（ｊ）＝θ（ｊ）＋β×δ（ｊ）この計算式を一つの入出力パターンｐに対して実行する
ことにより、誤差Ｅ（ｐ）が極小化し、全ての入力パタ
ーンに対して学習を実行することにより、全体としての
誤差関数Ｅｔを極小化する。

【００４５】本実施形態においては、五つの入力層、七
つの中間層、一つの出力層を持つ階層型ニューラルネッ
トワークを用い、前述したバックプロパゲーション法に
より学習を行う。ニューラルネットワークの学習計算や
出力計算を行う場合、入出力データを０〜１の間に規格
化する必要がある。そこで、得られた実験データを最小
値と最大値の範囲で０〜１の値に規格化する。

【００４６】本実施形態においては、実験によって得ら
れた教師データを以下の表１に示す値の範囲で規格化
し、ニューラルネットワークの出力値とした。

【００４７】

【表１】

【００４８】例えば、ある教師データは以下の表２に示
すように規格化される。

【００４９】

【表２】

【００５０】このように実験で得られた教師データを規
格化し、規格化された教師データを使って学習を行う。
本実施形態においては、教師データの数は全部で１２０
個であり、コンピュータにより２乗誤差が十分小さくな
るまで繰り返し学習を行い、ユニット間の結合荷重とユ
ニットの閾値を決定する。学習終了後は、決定された結
合荷重と閾値を持つニューラルネットワークの出力を計
算する部分の処理プログラムを、感光層削れ量推定ルー
チンとして制御プログラムＲＯＭに組み込む。

【００５１】コピー時、各種センサやカウンタからの出
力によって得られたデータをニューラルネットワークの
入出力の型に合うように規格化処理した後、ニューラル
ネットワークの処理プログラムの入力値として取り込
み、出力値の計算を行う。出力値を規格化された値から
実際の値に直すことによって感光体削れ量を得る。

【００５２】また、ニューラルネットワークの処理プロ
グラムを制御ＲＯＭに組み込まず、予め学習されたニュ
ーラルネットワークによって入力の組み合わせに対する
出力を計算し、計算された値をデータテーブルとしてデ
ータＲＯＭに組み込み、コピー時、入力データに対して
出力データをデータテーブルから選択し、感光層削れ量
を得るようにしてもよい。

【００５３】次に、ファジイ推論について説明する。こ
こでは、各種プロセスの状態量をメンバーシップ関数で
定義し、実験等で得られた関係から制御ルールを作成
し、プロセスの状態量を入力として感光層削れ量を出力
するファジイ推論を行い、感光体の寿命を判定する。本
実施形態では、入力として感光体回転時間、感光体地肌
部トナー付着量、トナー濃度、湿度及び現像器駆動時間
を用い、感光層削れ量を出力する。

【００５４】メンバーシップ関数としては、プロセスの
状態量と制御量のファジイ集合を図１１〜図１６に示す
ように定義する。図１１〜図１６中に示された記号は、
それぞれ、図１１の感光体回転時間では、ＺＯ：標準ＰＳ：少し長いＰＬ：非常に長い図１２の地肌部トナー付着量では、ＺＯ：標準ＰＳ：少し高いＰＬ：非常に高い図１３のトナー濃度では、Ｎ：低いＺ：標準Ｐ：高い図１４の湿度では、Ｎ：低いＺ：標準Ｐ：高い図１５の現像器駆動時間では、ＺＯ：標準ＰＳ：少し長いＰＬ：非常に長い図１６の感光層削れ量では、ＺＯ：標準ＰＳ：少し多いＰＬ：非常に多いという意味を表わす。

【００５５】また、各図１１〜図１６において、グラフ
の縦軸はそれぞれの記号のファジイ集合の確信度を表
し、０〜１の範囲で任意の値をとる。例えば、図１１に
示すように、感光体回転時間が１００時間であった場
合、状態量としてＺＯとＰＳが選択され、ＺＯの確信度
が０．２８で、ＰＬの確信度が０．７０となる。このよ
うに、メンバーシップ関数から、ある入力値に対してそ
れぞれの状態の確信度を求めることができる。

【００５６】また、制御ルールは以下のとおりである。（１）感光体回転時間が長い程、感光層削れ量は大き
い。（２）感光体地肌部へのトナー付着量が少なければ、感
光層削れ量は小さい。（３）感光体地肌部へのトナー付着量が高く、トナー濃
度と湿度が標準であれば、感光層削れ量は大きい。

【００５７】などのルールが様々な実験や設計者の経験
に基づいて得られたものが用意される。本実施形態で
は、以下の表３に示すように、１９個の制御ルールを定
義した。

【００５８】

【表３】

【００５９】以上の制御ルールとメンバーシップ関数を
共に、例えばｍｉｎ−ｍａｘ重心法によって感光層削れ
量を推定する。そして、出力された感光層削れ量を予め
決められた限界削れ量と比較し、前者が後者よりも大き
ければ、感光体の寿命であると判断する。

【００６０】（第２実施形態、図１７、図１８、図１９
参照）本第２実施形態は現像剤の寿命を判断するもので
あり、複写機は図１、図２に示したものと同じ構成であ
る。従って、図１７に示す複写機の制御手順も図５に示
したフローチャートと基本的には同様であり、センサ５
１，５２，５４からの検出値やＰＣカウンタ及びデベカ
ウンタからの情報に基づいて、ステップＳ８’でキャリ
アスペント値を推定する。ステップＳ９’では現像剤が
寿命であるか否かを判定し、寿命であればステップＳ１
０で警告を発する。

【００６１】ここで、作像プロセスから得られたデータ
と現像剤寿命との関係について説明する。現像剤の寿命
はキャリアスペント値と称するキャリアの劣化度を示す
物性値で判断できる。キャリアスペント値が大きくなる
に伴ってトナーに対する帯電能力が低下することは前述
のとおりである。一般に、キャリアスペント値は現像剤
が撹拌されることによって物理的なストレスを受けるこ
とを原因とする。

【００６２】図１８は本複写機での現像器駆動時間に対
するキャリアスペント値を示す。このデータは実験室の
通常環境下で現像器２３を連続駆動して得られたもので
ある。個々の実機においては、コピー使用モードの履歴
等に差があるため、図１８のデータをそのまま使ってキ
ャリアスペント値を推定することはできない。また、キ
ャリアスペント値が大きくなると反転現像を行うデジタ
ル複写機では画像背景部にトナーのかぶりが発生しやす
くなる。トナーのかぶりは前記ＡＩＤＣセンサ５１によ
る感光体地肌部へのトナー付着量を検出することによっ
て判別できる。しかし、かぶりは湿度の上昇によってト
ナー帯電量が低下している場合や、何らかの原因で現像
剤中のトナー濃度が必要以上に上昇した場合、あるいは
感光層の削れによって感光体の帯電電位が低下した場合
に発生する。従って、トナーのかぶりを検出するだけで
は、キャリアスペント値を推定することはできない。

【００６３】キャリアスペント値を正しく推定するため
には、現像器２３の累積駆動時間に加えて、感光体地肌
部へのトナー付着量、湿度、トナー濃度、感光体ドラム
２１の累積回転時間を検出して、それぞれの検出値を総
合的に判断すればよい。例えば、現像器駆動時間が長
い、感光体地肌部へのトナー付着量が多い、湿度が高
い、トナー濃度が高い、という条件が各種センサ、カウ
ンタの出力値から得られた場合は、感光体地肌部へのト
ナー付着量が多い要因としては、現像器駆動時間が長い
ことに加えて、湿度が高いこと、トナー濃度が高いこと
が考えられる。この場合は、キャリアの劣化を原因とす
るかぶりの発生である可能性は少ないと推定できる。

【００６４】以上述べたように、作像プロセスから得ら
れたデータとキャリアスペント値との間には相関関係が
存在し、種々のプロセスデータから判定すれば、キャリ
アスペント値を正しく推定することができる。従来で
は、キャリア劣化のパラメータが多く、明確な関係式で
定義して入力と出力を決定することは不可能であった。
そこで、本第２実施形態では、前記ステップＳ８’での
キャリアスペント値の推定にニューラルネットワークに
よる方法又はファジイ推論による方法を用いる。

【００６５】まず、ニューラルネットワークによる推論
方法について説明する。この推論方法は、作像プロセス
の状態を変化させて各種センサ、カウンタの出力値を取
り込み、このときに実際に測定したキャリアスペント値
を教師値としてニューラルネットワークの学習を行い、
学習後にはセンサ、カウンタの出力値をニューラルネッ
トワークの入力値として与え、キャリアスペント値を得
て現像剤の寿命を推定する。

【００６６】ニューラルネットワークの構成は前記図７
に示したものと同じ３層構造であり、各ユニットの入力
／出力も図８に示したとおりである。さらに、ニューラ
ルネットワークの学習モデルも図９に示した手順で行わ
れ、図１０に示した３層バックプロパゲーション法が採
用されている。３層バックプロパゲーション法は既に前
記第１実施形態で説明したため、ここでは省略する。

【００６７】本実施形態においては、実験によって得ら
れた教師データを以下の表４に示す値の範囲で規格化
し、ニューラルネットワークの出力値とした。

【００６８】

【表４】

【００６９】例えば、ある教師データは以下の表５に示
すように規格化される。

【００７０】

【表５】

【００７１】このように実験で得られた教師データを規
格化し、規格化された教師データを使って学習を行う。
本実施形態においては、教師データの数は全部で１２０
個であり、コンピュータにより２乗誤差が十分小さくな
るまで繰り返し学習を行い、ユニット間の結合荷重とユ
ニットの閾値を決定する。学習終了後は、決定された結
合荷重と閾値を持つニューラルネットワークの出力を計
算する部分の処理プログラムを、キャリアスペント値推
定ルーチンとして制御プログラムＲＯＭに組み込む。

【００７２】コピー時、各種センサやカウンタからの出
力によって得られたデータをニューラルネットワークの
入出力の型に合うように規格化処理した後、ニューラル
ネットワークの処理プログラムの入力値として取り込
み、出力値の計算を行う。出力値を規格化された値から
実際の値に直すことによってキャリアスペント値を得
る。

【００７３】また、ニューラルネットワークの処理プロ
グラムを制御ＲＯＭに組み込まず、予め学習されたニュ
ーラルネットワークによって入力の組み合わせに対する
出力を計算し、計算された値をデータテーブルとしてデ
ータＲＯＭに組み込み、コピー時、入力データに対して
出力データをデータテーブルから選択し、キャリアスペ
ント値を得るようにしてもよい。

【００７４】次に、ファジイ推論について説明する。こ
こでは、各種プロセスの状態量をメンバーシップ関数で
定義し、実験等で得られた関係から制御ルールを作成
し、プロセスの状態量を入力としてキャリアスペント値
を出力とするファジイ推論を行い、現像剤の寿命を判定
する。本実施形態では、入力として現像器駆動時間、感
光体地肌部トナー付着量、トナー濃度、湿度及び感光体
回転時間を用い、キャリアスペント値を出力する。

【００７５】メンバーシップ関数としては、プロセスの
状態量と制御量のファジイ集合を図１１〜図１５に示し
たように、及びキャリアスペント値を図１９に示すよう
に定義する。図１１〜図１５中に示された記号は、前記
第１実施形態で説明したとおりであり、図１９のキャリ
アスペント値では、ＺＯ：標準ＰＳ：少し多いＰＬ：非常に多いという意味を表わす。

【００７６】また、制御ルールは以下のとおりである。（１）現像器駆動時間が長い程、キャリアスペント値は
大きい。（２）感光体地肌部へのトナー付着量が少なければ、キ
ャリアスペント値は小さい。（３）感光体地肌部へのトナー付着量が高く、トナー濃
度と湿度が標準であれば、キャリアスペント値は大き
い。

【００７７】などのルールが様々な実験や設計者の経験
に基づいて得られたものが用意される。本実施形態で
は、以下の表６に示すように、１９個の制御ルールを定
義した。

【００７８】

【表６】

【００７９】以上の制御ルールとメンバーシップ関数を
基に、例えばｍｉｎ−ｍａｘ重心法によってキャリアス
ペント値を推定する。そして、出力されたキャリアスペ
ント値を予め決められた限界キャリアスペント値と比較
し、前者が後者よりも大きければ、現像剤の寿命である
と判断する。

【００８０】（他の実施形態）なお、本発明に係る画像
形成装置は、前記実施形態に限定するものではなく、そ
の要旨の範囲内で種々に変更可能である。

【００８１】例えば、前述のニューラルネットワークで
は３層ニューラルネットワークを使ったバックプロパゲ
ーション法による学習を行っているが、それ以外に、ニ
ューラルネットワークの層の数、ユニットの数、ユニッ
トの閾値、応答関数などのパラメーターを変化させて、
最適なニューラルネットワークを構築する方法も考えら
れる。

【００８２】また、前述のファジイ推論ではｍｉｎ−ｍ
ａｘ重心法を用いて制御量の算出を行っているが、その
他にも推論規則の後件部をファジイ集合でなく定数とし
て定義し、荷重平均により制御量を算出する簡略化推論
法や、後件部を関数として定義する関数型推論法など推
論手順の異なった方法を用いてもよい。さらに、メンバ
ーシップ関数の形状、推論規則の数や内容は経験や実験
結果に応じて変更が可能である。

【図面の簡単な説明】

【図１】本発明の一実施形態であるデジタル複写機を示
す内部構成図。

【図２】前記複写機の制御回路を示すブロック図。

【図３】感光体トナー付着量とＡＩＤＣセンサの出力電
圧の関係を示すグラフ。

【図４】トナー濃度とＡＴＤＣセンサの出力電圧の関係
を示すグラフ。

【図５】前記デジタル複写機の制御手順を示すフローチ
ャート図。

【図６】感光体回転時間と感光層削れ量の関係を示すグ
ラフ。

【図７】ニューラルネットワークの説明図。

【図８】ニューラルネットワークの各ユニットの入力／
出力を示す説明図。

【図９】ニューラルネットワークの学習手順を示すフロ
ーチャート図。

【図１０】ニューラルネットワークの学習を示す説明
図。

【図１１】ファジイ推論におけるメンバーシップ関数
（感光体回転時間）を示すチャート図。

【図１２】ファジイ推論におけるメンバーシップ関数
（地肌部トナー付着量）を示すチャート図。

【図１３】ファジイ推論におけるメンバーシップ関数
（トナー濃度）を示すチャート図。

【図１４】ファジイ推論におけるメンバーシップ関数
（湿度）を示すチャート図。

【図１５】ファジイ推論におけるメンバーシップ関数
（現像器駆動時間）を示すチャート図。

【図１６】ファジイ推論におけるメンバーシップ関数
（感光層削れ量）を示すチャート図。

【図１７】他の実施形態であるデジタル複写機の制御手
順を示すフローチャート図。

【図１８】現像器駆動時間とキャリアスペント値の関係
を示すグラフ。

【図１９】ファジイ推論におけるメンバーシップ関数
（キャリアスペント値）を示すチャート図。

【符号の説明】

２０…作像ユニット２１…感光体ドラム２３…現像器５１…ＡＩＤＣセンサ５２…湿度センサ５４…ＡＴＤＣセンサ６０…ＣＰＵ

Claims

【特許請求の範囲】

【請求項１】感光体上に形成された潜像を現像剤でト
ナー画像に現像し、このトナー画像をシート上に転写す
る画像形成装置において、消耗品の消耗度に関する要因を検出する検出手段と、前記検出手段の検出値に基づいて消耗品消耗度を推定
し、かつ、消耗品の寿命を判定する判定手段と、を備えていることを特徴とする画像形成装置。
【請求項２】前記判定手段は、検出手段の検出値と消
耗品の消耗度をメンバーシップ関数で記述し、制御ルー
ルの前件部がセンサの検出値で、後件部が物性値の推定
量で記述されたファジイ推論ルールを用い、検出手段の
検出値を入力値として前件部に与え、後件部のファジイ
出力値をファジイ推論によって決定し、この出力値を消
耗度として消耗品の寿命を判定することを特徴とする請
求項１記載の画像形成装置。
【請求項３】前記判定手段は、検出手段の検出値を入
力値とし、予め設定された消耗品の消耗度を教師値とし
てニューラルネットワークの学習を行い、学習後には検
出手段の検出値を入力値として与えてニューラルネット
ワークを用いて消耗度を求め、この消耗度に基づいて消
耗品の寿命を判定することを特徴とする請求項１記載の
画像形成装置。
【請求項４】感光体上に形成された潜像を現像剤でト
ナー画像に現像し、このトナー画像をシート上に転写す
る画像形成装置において、前記感光体の感光層が削られる要因を検出する検出手段
と、前記検出手段の検出値に基づいて感光層の削れ量を推定
し、かつ、感光体の寿命を判定する判定手段と、を備えていることを特徴とする画像形成装置。
【請求項５】前記判定手段は、検出手段の検出値と感
光層削れ量をメンバーシップ関数で記述し、制御ルール
の前件部がセンサの検出値で、後件部が物性値の推定量
で記述されたファジイ推論ルールを用い、検出手段の検
出値を入力値として前件部に与え、後件部のファジイ出
力値をファジイ推論によって決定し、この出力値を削れ
量として感光体の寿命を判定することを特徴とする請求
項４記載の画像形成装置。
【請求項６】前記判定手段は、検出手段の検出値を入
力値とし、予め設定された感光層削れ量を教師値として
ニューラルネットワークの学習を行い、学習後には検出
手段の検出値を入力値として与えてニューラルネットワ
ークを用いて削れ量を求め、この削れ量に基づいて感光
体の寿命を判定することを特徴とする請求項４記載の画
像形成装置。
【請求項７】感光体上に形成された潜像を現像剤でト
ナー画像に現像し、このトナー画像をシート上に転写す
る画像形成装置において、前記現像剤に含まれているキャリアが劣化する要因を検
出する検出手段と、前記検出手段の検出値に基づいてキャリアスペント値を
推定し、かつ、現像剤の寿命を判定する判定手段と、を備えていることを特徴とする画像形成装置。
【請求項８】前記判定手段は、検出手段の検出値とキ
ャリアスペント値をメンバーシップ関数で記述し、制御
ルールの前件部がセンサの検出値で、後件部が物性値の
推定量で記述されたファジイ推論ルールを用い、検出手
段の検出値を入力値として前件部に与え、後件部のファ
ジイ出力値をファジイ推論によって決定し、この出力値
をキャリアスペント値として現像剤の寿命を判定するこ
とを特徴とする請求項７記載の画像形成装置。
【請求項９】前記判定手段は、検出手段の検出値を入
力値とし、予め設定されたキャリアスペント値を教師値
としてニューラルネットワークの学習を行い、学習後に
は検出手段の検出値を入力値として与えてニューラルネ
ットワークを用いてキャリアスペント値を求め、このキ
ャリアスペント値に基づいて現像剤の寿命を判定するこ
とを特徴とする請求項７記載の画像形成装置。
【請求項１０】前記検出手段は、感光体の累積回転時
間又は現像器の累積駆動時間の少なくとも一つを検出す
ると共に、さらに感光体へのトナー付着量、現像剤中の
トナー濃度又は湿度の少なくとも一つを検出することを
特徴とする請求項１、請求項４又は請求項７記載の画像
形成装置。
【請求項１１】さらに、前記判定手段によって寿命で
あると判定すると操作パネル上への警告を表示する、ま
たは電話回線を通じて外部へ警告を発する警告手段を備
えていることを特徴とする請求項１、請求項４又は請求
項７記載の画像形成装置。