JP2021092715A - Abnormality diagnosis system and abnormality diagnosis device - Google Patents

Abnormality diagnosis system and abnormality diagnosis device Download PDF

Info

Publication number
JP2021092715A
JP2021092715A JP2019224245A JP2019224245A JP2021092715A JP 2021092715 A JP2021092715 A JP 2021092715A JP 2019224245 A JP2019224245 A JP 2019224245A JP 2019224245 A JP2019224245 A JP 2019224245A JP 2021092715 A JP2021092715 A JP 2021092715A
Authority
JP
Japan
Prior art keywords
abnormality diagnosis
machine learning
log data
cause
diagnosis system
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.)
Granted
Application number
JP2019224245A
Other languages
Japanese (ja)
Other versions
JP7484151B2 (en
Inventor
爽香 小笠原
Sayaka Ogasawara
爽香 小笠原
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.)
Konica Minolta Inc
Original Assignee
Konica Minolta Inc
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 Konica Minolta Inc filed Critical Konica Minolta Inc
Priority to JP2019224245A priority Critical patent/JP7484151B2/en
Publication of JP2021092715A publication Critical patent/JP2021092715A/en
Application granted granted Critical
Publication of JP7484151B2 publication Critical patent/JP7484151B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Or Security For Electrophotography (AREA)
  • Facsimiles In General (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Abstract

To provide an abnormality diagnosis system and an abnormality diagnosis device capable of widely investigating the causes of various failures.SOLUTION: An abnormality diagnosis system 1A includes an MFP 3 as an image processing device including a storage part for storing information on control as log data, and machine learning means 12A for determining the cause of a failure in the image processing device from the log data on the basis of machine learning. Further, it includes setting means for inputting work information obtained by performing correspondence to the failure, and the machine learning means 12A may determine the cause of the failure from the log data and the work information.SELECTED DRAWING: Figure 1

Description

本発明は、異常診断システムおよび異常診断装置に関する。 The present invention relates to an abnormality diagnosis system and an abnormality diagnosis device.

顧客先に設置してある複合機（以下では、「ＭＦＰ（MultiFunction Printer）」と呼ぶ場合がある）で問題が発生した場合、問題の発生したＭＦＰを設置する顧客先をサービスマンが訪問して処置することが行われている。サービスマンは、問題の発生したＭＦＰの診断を行い、その診断結果を基にして処置を行う。そして、処置が適切であれば問題解決となる。サービスマンは、例えばＭＦＰから出力されるエラー情報（例えば、不具合の種類に対応したコード）を参考にＭＦＰの診断を行う。 If a problem occurs with a multifunction device installed at the customer's site (hereinafter sometimes referred to as "MFP (MultiFunction Printer)"), a serviceman visits the customer's site where the problematic MFP is installed. Treatment is being done. The serviceman diagnoses the MFP in which the problem has occurred and takes action based on the diagnosis result. And if the treatment is appropriate, the problem will be solved. The serviceman diagnoses the MFP with reference to, for example, the error information output from the MFP (for example, the code corresponding to the type of defect).

ここで、不具合の原因は様々であり、不具合によっては制御状態の波形観測を実施することが問題の原因究明として有効な場合がある。しかしながら、顧客先に測定器（例えば、電力計）を持ち込んで、測定器とＭＦＰに内蔵される電子機器（例えば、センサ、基板、電源等）とを接続するなどして波形観測を実施することは基本的に難しい。そのため、その様な不具合の場合に、サービスマンは、ＭＦＰからログデータを取得し、そのログデータを解析することによって原因究明を行っている。ログデータは、膨大な数値情報で構成され、また、その解析ノウハウが一般化されていないため、解析者の力量によっては原因究明に時間がかかってしまったり、また原因究明を行えない場合があった。 Here, there are various causes of the problem, and depending on the problem, it may be effective to observe the waveform of the control state as the cause of the problem. However, it is necessary to bring a measuring instrument (for example, a power meter) to the customer and perform waveform observation by connecting the measuring instrument and an electronic device (for example, a sensor, a substrate, a power supply, etc.) built in the MFP. Is basically difficult. Therefore, in the case of such a defect, the serviceman acquires the log data from the MFP and analyzes the log data to investigate the cause. Since log data is composed of a huge amount of numerical information and its analysis know-how is not generalized, it may take time to investigate the cause or it may not be possible to investigate the cause depending on the ability of the analyst. It was.

また、画像形成装置の故障を引き起こす原因をモデル化した故障診断モデルを用いることにより、当該画像形成装置の故障原因を特定するシステムが開発されている（例えば、特許文献１参照）。特許文献１に記載の技術では、画像欠陥の特徴量を抽出し、抽出した特徴量に関する情報と画像形成装置の内部情報とを故障診断モデルに入力している。 Further, a system for identifying the cause of failure of the image forming apparatus has been developed by using a failure diagnosis model that models the cause of the failure of the image forming apparatus (see, for example, Patent Document 1). In the technique described in Patent Document 1, the feature amount of the image defect is extracted, and the information about the extracted feature amount and the internal information of the image forming apparatus are input to the failure diagnosis model.

特開２００７−０７４２９０号公報（段落０００６〜０００８、図２）Japanese Unexamined Patent Publication No. 2007-074290 (paragraphs 0006 to 0008, FIG. 2)

しかしながら、特許文献１に記載される技術では、画像欠陥の特徴量を入力としているので、画像欠陥が表れない不具合の原因究明を行うのが難しかった。つまり、前述したような波形観測が必要な不具合等の原因究明には不向きであった。 However, in the technique described in Patent Document 1, since the feature amount of the image defect is input, it is difficult to investigate the cause of the defect that the image defect does not appear. In other words, it was not suitable for investigating the cause of problems that require waveform observation as described above.

本発明は、前記した問題点に鑑みてなされたものであり、本発明の目的は、様々な不具合の原因を広く究明することができる異常診断システムおよび異常診断装置を提供することにある。 The present invention has been made in view of the above-mentioned problems, and an object of the present invention is to provide an abnormality diagnosis system and an abnormality diagnosis device capable of widely investigating the causes of various defects.

本発明の上記目的は、下記の手段によって達成される。 The above object of the present invention is achieved by the following means.

（１）制御に関する情報をログデータとして記憶する記憶部を備える画像処理装置と、前記画像処理装置における不具合の原因を機械学習に基づいて前記ログデータから判断する機械学習手段と、を備えることを特徴とする異常診断システム。 (1) An image processing device including a storage unit that stores information related to control as log data, and a machine learning means for determining the cause of a malfunction in the image processing device from the log data based on machine learning. Characteristic abnormality diagnosis system.

（２）前記不具合への対応を行った作業情報を入力する設定手段をさらに備え、前記機械学習手段は、前記ログデータと前記作業情報とから不具合の原因を判断する、ことを特徴とする上記（１）に記載の異常診断システム。 (2) The machine learning means further includes a setting means for inputting work information corresponding to the defect, and the machine learning means determines the cause of the defect from the log data and the work information. The abnormality diagnosis system according to (1).

（３）前記機械学習手段は、前記ログデータから不具合の第一原因を機械学習に基づいて判断する第一機械学習部と、前記第一原因と前記作業情報とから前記第一原因よりもさらに詳細な第二原因を判断する第二機械学習部と、を備える、ことを特徴とする上記（２）に記載の異常診断システム。 (3) The machine learning means is further than the first cause from the first machine learning unit that determines the first cause of a defect from the log data based on machine learning, and the first cause and the work information. The abnormality diagnosis system according to (2) above, comprising: a second machine learning unit for determining a detailed second cause.

（４）前記作業情報は、交換部品、作業内容および調整値の少なくとも一つである、ことを特徴とする上記（２）または（３）に記載の異常診断システム。 (4) The abnormality diagnosis system according to (2) or (3) above, wherein the work information is at least one of a replacement part, a work content, and an adjustment value.

（５）前記機械学習手段は、前記画像処理装置の動作状態毎の正常時の前記ログデータと異常時の前記ログデータとを用いて機械学習を行っており、前記動作状態は、ウォームアップ動作、アイドリング動作およびプリント中動作の少なくとも一つである、ことを特徴とする上記（１）ないし（４）の何れか一つに記載の異常診断システム。 (5) The machine learning means performs machine learning using the log data at the time of normal and the log data at the time of abnormality for each operating state of the image processing device, and the operating state is a warm-up operation. The abnormality diagnosis system according to any one of (1) to (4) above, wherein the abnormality diagnosis system is at least one of an idling operation and an operation during printing.

（６）前記不具合の真の原因を入力する入力手段をさらに備え、前記機械学習手段は、前記真の原因を取得してさらに再学習する、ことを特徴とする上記（１）ないし（５）の何れか一つに記載の異常診断システム。 (6) The above (1) to (5), further comprising an input means for inputting the true cause of the defect, the machine learning means acquires the true cause and further relearns. The abnormality diagnosis system described in any one of the above.

（７）前記機械学習手段は、不具合の対応を行った者の入力、不具合の情報を管理するデータサーバからの取得、対応完了後におけるログデータの取得によって真の原因を取得する、ことを特徴とする上記（６）に記載の異常診断システム。 (7) The machine learning means is characterized in that the true cause is acquired by inputting the person who has dealt with the defect, acquiring from the data server that manages the defect information, and acquiring the log data after the countermeasure is completed. The abnormality diagnosis system according to (6) above.

（８）前記ログデータは、用紙情報、定着制御状態、定着目標温度、定着検出温度、ヒーター点灯状態、ヒーター点灯Duty、および定着圧着状態の少なくとも一つである、ことを特徴とする上記（１）ないし（７）の何れか一つに記載の異常診断システム。 (8) The log data is at least one of paper information, fixing control state, fixing target temperature, fixing detection temperature, heater lighting state, heater lighting Duty, and fixing crimping state (1). ) To (7). The abnormality diagnosis system according to any one of (7).

（９）前記用紙情報は、用紙サイズ、坪量、用紙種類、銘柄、およびトレイ設定の少なくとも一つである、ことを特徴とする上記（８）に記載の異常診断システム。 (9) The abnormality diagnosis system according to (8) above, wherein the paper information is at least one of a paper size, a basis weight, a paper type, a brand, and a tray setting.

（１０）前記ログデータは、高圧の出力値、カラーレジストレーション補正動作時の制御情報、画像安定化補正動作時の制御情報、および用紙搬送時の制御情報の少なくとも一つである、ことを特徴とする上記（１）ないし（７）の何れか一つに記載の異常診断システム。 (10) The log data is at least one of a high-pressure output value, control information during color registration correction operation, control information during image stabilization correction operation, and control information during paper transport. The abnormality diagnosis system according to any one of (1) to (7) above.

（１１）前記機械学習手段は、時間経過に伴うログデータ、または当該時間経過に伴うログデータを加工してグラフ化したものから不具合の原因を判断する、ことを特徴とする上記（１）ないし（１０）の何れか一つに記載の異常診断システム。 (11) The machine learning means is characterized in that the cause of a defect is determined from the log data with the passage of time or the log data with the passage of time processed and graphed. The abnormality diagnosis system according to any one of (10).

（１２）制御に関する情報をログデータとして記憶する記憶部を備える画像処理装置または前記ログデータを蓄積する蓄積手段と通信可能であり、不具合が発生している前記画像処理装置の前記ログデータを取得し、当該画像処理装置における不具合の原因を機械学習に基づいて取得した前記ログデータから判断する機械学習手段、を備える、ことを特徴とする異常診断装置。 (12) It is possible to communicate with an image processing device provided with a storage unit that stores information related to control as log data or a storage means for accumulating the log data, and the log data of the image processing device in which a problem has occurred is acquired. An abnormality diagnostic device, further comprising a machine learning means for determining the cause of a defect in the image processing device from the log data acquired based on machine learning.

本発明によれば、様々な不具合の原因を広く究明することができる。 According to the present invention, the causes of various defects can be widely investigated.

本発明の第１実施形態に係る異常診断システムの概略構成図である。It is a schematic block diagram of the abnormality diagnosis system which concerns on 1st Embodiment of this invention. 第一機械学習部における学習方法のイメージ図である。It is an image diagram of the learning method in the first machine learning department. 各時刻のログデータの内容を示したものである。It shows the contents of the log data at each time. 各時刻のログデータの内容を波形化（グラフ化）したものである。The contents of the log data at each time are waveformized (graphed). 発生原因報告画面の一例である。This is an example of the cause report screen. 本発明の第１実施形態に係る異常診断システムを用いた修理の工程を示すフローチャートの例示である。It is an example of the flowchart which shows the repair process using the abnormality diagnosis system which concerns on 1st Embodiment of this invention. 本発明の第２実施形態に係る異常診断システムの概略構成図である。It is a schematic block diagram of the abnormality diagnosis system which concerns on 2nd Embodiment of this invention. 作業情報の入力画面の一例である。This is an example of a work information input screen. 第二機械学習部における診断方法のイメージ図である。It is an image diagram of the diagnosis method in the second machine learning department. 本発明の第２実施形態に係る異常診断システムを用いた修理の工程を示すフローチャートの例示である。It is an example of the flowchart which shows the repair process using the abnormality diagnosis system which concerns on 2nd Embodiment of this invention.

以下、本発明の実施するための形態を、適宜図面を参照しながら詳細に説明する。各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。よって、本発明は、図示例のみに限定されるものではない。また、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。 Hereinafter, embodiments for carrying out the present invention will be described in detail with reference to the drawings as appropriate. Each figure is only schematically shown to the extent that the present invention can be fully understood. Therefore, the present invention is not limited to the illustrated examples. Further, in each figure, common components and similar components are designated by the same reference numerals, and duplicate description thereof will be omitted.

［第１実施形態］
≪第１実施形態に係る異常診断システムの構成≫
図１を参照して、第１実施形態に係る異常診断システム１Ａの構成を説明する。図１は、第１実施形態に係る異常診断システム１Ａの概略構成図である。 [First Embodiment]
<< Configuration of the abnormality diagnosis system according to the first embodiment >>
The configuration of the abnormality diagnosis system 1A according to the first embodiment will be described with reference to FIG. FIG. 1 is a schematic configuration diagram of the abnormality diagnosis system 1A according to the first embodiment.

異常診断システム１Ａは、装置の不具合の原因を推定するシステムである。不具合を診断する対象の装置は特に限定されない。そのため、異常診断システム１Ａは、種々の装置の不具合を診断する様々な場面で使用することができる。診断対象の装置は、例えばプリンタ、複写機、複合機（ＭＦＰ）などの画像処理装置である。ここでは、装置として複合機（ＭＦＰ）を想定して説明する。なお、「正常」の状態に対して何らかの不具合が発生した状態を「異常」と表現する場合がある。 The abnormality diagnosis system 1A is a system for estimating the cause of a malfunction of the device. The device for diagnosing the defect is not particularly limited. Therefore, the abnormality diagnosis system 1A can be used in various situations for diagnosing a defect of various devices. The device to be diagnosed is an image processing device such as a printer, a copier, or a multifunction device (MFP). Here, a multifunction device (MFP) will be described as an apparatus. In addition, a state in which some trouble occurs with respect to the "normal" state may be expressed as "abnormal".

異常診断システム１Ａは、ユーザによるＭＦＰ３の修理を支援するサービスを提供するものであり、ユーザからの問いに対してＭＦＰ３の異常の原因を推定して回答する。ここでのユーザは、例えば顧客先に設置してあるＭＦＰ３の故障を修理するサービスマンである。サービスマンは、担当するエリアが予め決められており、担当するエリアにあるＭＦＰ３の修理を行う。なお、異常の原因に代えて、または原因とともに対処方法を提供してもよい。 The abnormality diagnosis system 1A provides a service for assisting the user in repairing the MFP3, and estimates and responds to a question from the user by estimating the cause of the abnormality in the MFP3. The user here is, for example, a serviceman who repairs a failure of the MFP 3 installed at the customer's site. The serviceman has a predetermined area in charge, and repairs the MFP3 in the area in charge. In addition, instead of the cause of the abnormality, or together with the cause, a coping method may be provided.

異常診断システム１Ａは、異常診断装置２Ａと、一台以上のＭＦＰ３と、ユーザ端末４と、修理報告書管理ＤＢ５とを備える。異常診断装置２ＡとＭＦＰ３とは通信可能であり、また、異常診断装置２Ａとユーザ端末４とは通信可能である。また、修理報告書管理ＤＢ５は、異常診断装置２Ａやユーザ端末４から接続可能である。ＭＦＰ３は、例えば顧客先に設置してある。また、ユーザ端末４は、例えば予めユーザに配布してある。また、異常診断装置２Ａおよび修理報告書管理ＤＢ５は、例えばＭＦＰ３を管理する者のデータセンタなどに設置されている。異常診断装置２Ａおよび修理報告書管理ＤＢ５は、クラウドシステムとして構成されてもよい。 The abnormality diagnosis system 1A includes an abnormality diagnosis device 2A, one or more MFPs 3, a user terminal 4, and a repair report management DB 5. The abnormality diagnosis device 2A and the MFP 3 can communicate with each other, and the abnormality diagnosis device 2A and the user terminal 4 can communicate with each other. Further, the repair report management DB 5 can be connected from the abnormality diagnosis device 2A or the user terminal 4. The MFP 3 is installed at the customer's site, for example. Further, the user terminal 4 is distributed to users in advance, for example. Further, the abnormality diagnosis device 2A and the repair report management DB 5 are installed in, for example, a data center of a person who manages the MFP 3. The abnormality diagnosis device 2A and the repair report management DB 5 may be configured as a cloud system.

図１に示すＭＦＰ３は、プリント、コピー、スキャナ、ファックスなどの機能が一つの装置にまとめられている装置である。ＭＦＰ３は、印刷媒体（例えば用紙）に画像を印刷する印刷部を有している。印刷部は、例えば、帯電、露光、現像、転写、および定着の各工程を含む電子写真方式の作像プロセスを用いて、各種データに基づく画像を用紙上に形成する。印刷部は、例えば、各色成分のトナー像を形成する複数の画像形成ユニット、各色成分のトナー像が順次転写されるとともにこのトナー像を保持する中間転写ベルト、中間転写ベルト上のトナー像を用紙に一括転写する二次転写装置、用紙上に二次転写された画像を定着させる定着装置などを備える。なお、作像プロセスは、電子写真方式以外のものであってもよく、インパクト方式、熱転写方式、及びインクジェット方式等の他の方式であってもよい。 The MFP 3 shown in FIG. 1 is a device in which functions such as printing, copying, scanner, and fax are integrated into one device. The MFP 3 has a printing unit that prints an image on a printing medium (for example, paper). The printing unit forms an image based on various data on paper by using, for example, an electrophotographic image forming process including each step of charging, exposure, development, transfer, and fixing. The printing unit prints, for example, a plurality of image forming units that form a toner image of each color component, an intermediate transfer belt that sequentially transfers the toner image of each color component and holds the toner image, and a toner image on the intermediate transfer belt. It is equipped with a secondary transfer device for batch transfer, a fixing device for fixing the secondary transferred image on paper, and the like. The image forming process may be a method other than the electrophotographic method, or may be another method such as an impact method, a thermal transfer method, and an inkjet method.

また、ＭＦＰ３は、制御に関する情報をログデータ（ログファイルとも呼ばれる）として記憶する記憶部を有している。なお、図１では、ログデータを「Ｌｏｇ」と表記しており、以降ではログデータを省略して「ログ」と呼ぶ場合がある。ＭＦＰ３は、通信機能を有しており、例えばユーザの操作によってログデータ（異常に関連する情報のみであってもよい）を異常診断装置２Ａに送信する。 Further, the MFP 3 has a storage unit that stores information related to control as log data (also referred to as a log file). In FIG. 1, the log data is referred to as "Log", and hereinafter, the log data may be abbreviated and referred to as "log". The MFP 3 has a communication function, and transmits log data (which may be only information related to the abnormality) to the abnormality diagnosis device 2A by, for example, a user operation.

ログデータには、ＭＦＰ３に関する様々な情報が含まれていてよい。また、ログデータの形式や構造は特に限定されない。ログデータは、例えばＭＦＰ３の制御情報を数値情報（数値の羅列）や文字情報（文字の羅列）として表現したものであってよい。また、ログデータは、例えば制御対象ごとに領域が分割されて構成されていてもよい（つまり、カテゴライズされて表現されていてもよい）。 The log data may include various information about the MFP3. The format and structure of the log data are not particularly limited. The log data may represent, for example, the control information of the MFP 3 as numerical information (list of numerical values) or character information (list of characters). Further, the log data may be configured by dividing the area for each control target, for example (that is, it may be represented by being categorized).

ログデータには、タイムスタンプが含まれている。タイムスタンプは、日付、時刻の情報である。また、ログデータは、動作状態を特定できるように、動作状態と制御情報とが対応付けて構成されているのがよい。ここでの動作状態は、例えば、ウォームアップ動作、アイドリング動作、プリント中動作などである。これにより、後記する機械学習において、ログデータを動作状態ごとに収集することができ、機械学習を動作状態単位で行うことができる。 The log data contains a time stamp. The time stamp is date and time information. Further, the log data is preferably configured in which the operating state and the control information are associated with each other so that the operating state can be specified. The operating state here is, for example, a warm-up operation, an idling operation, an operation during printing, and the like. As a result, in the machine learning described later, log data can be collected for each operating state, and machine learning can be performed in units of operating states.

ログデータには、例えば、用紙情報、定着制御状態、定着目標温度、定着検出温度、ヒーター点灯状態、ヒーター点灯Duty、定着圧着状態などが含まれる。なお、ログデータは、これらの内の少なくとも一つを含むものであってもよい。 The log data includes, for example, paper information, fixing control state, fixing target temperature, fixing detection temperature, heater lighting state, heater lighting duty, fixing crimping state, and the like. The log data may include at least one of these.

用紙情報は、印刷中の用紙に関する情報である。用紙情報には、例えば、用紙サイズ、坪量、用紙種類、銘柄、トレイ設定などが含まれる。なお、用紙情報は、これらの内の少なくとも一つを含むものであってもよい。用紙サイズは、用紙のサイズ（Ａ判、Ｂ判など）に関する情報である。坪量は、用紙の重さに関する情報である。用紙種類は、用紙の種類の情報である。銘柄は、用紙の名称の情報である。トレイ設定は、給紙元となるトレイに関する情報である。 Paper information is information about the paper being printed. Paper information includes, for example, paper size, basis weight, paper type, brand, tray setting, and the like. The paper information may include at least one of these. The paper size is information on the size of the paper (A size, B size, etc.). Basis weight is information about the weight of paper. The paper type is information on the type of paper. The brand is information on the name of the paper. The tray setting is information about the tray that is the paper feed source.

定着制御状態は、定着装置の制御状態（例えば、加熱中、冷却中等）である。定着目標温度は、定着装置の目標となる温度である。定着目標温度は、例えば定着制御状態に基づいて設定される。定着検出温度は、センサで検出した定着装置の検出温度である。ヒーター点灯状態は、ヒーターの点灯を示す情報（ＯＮ、ＯＦＦ）である。ヒーター点灯Dutyは、ＰＷＭ（Pulse Width Modulation）制御での１周期「High(ON)＋Low（OFF）」における「High(ON)」の時間の割合である。ここで、ＰＷＭ制御は、電力を制御する方式の一つであり、「ON」と「OFF」を繰り返し切り替えることで出力される電力を制御するものである。ヒーター点灯Dutyを変化させることによって、入力電圧を変えずに制御に使う実際の電圧（実電圧）を制御できる。定着圧着状態は、定着時に用紙に対して係る圧力の状態を示す情報である。 The fixing control state is a control state of the fixing device (for example, during heating, during cooling, etc.). The fixing target temperature is a target temperature of the fixing device. The fixing target temperature is set based on, for example, a fixing control state. The fixing detection temperature is the detection temperature of the fixing device detected by the sensor. The heater lighting state is information (ON, OFF) indicating that the heater is lit. The heater lighting Duty is the ratio of the time of "High (ON)" in one cycle "High (ON) + Low (OFF)" under PWM (Pulse Width Modulation) control. Here, PWM control is one of the methods for controlling electric power, and controls the electric power output by repeatedly switching between "ON" and "OFF". By changing the heater lighting duty, the actual voltage (actual voltage) used for control can be controlled without changing the input voltage. The fixing and crimping state is information indicating the state of pressure applied to the paper at the time of fixing.

また、ログデータには、例えば、高圧の出力値、カラーレジストレーション補正動作時の制御情報、画像安定化補正動作時の制御情報、用紙搬送時の制御情報などが含まれる。なお、ログデータは、これらの内の少なくとも一つを含むものであってもよい。 Further, the log data includes, for example, a high-voltage output value, control information during the color registration correction operation, control information during the image stabilization correction operation, control information during paper transport, and the like. The log data may include at least one of these.

高圧の出力値は、印刷部を構成する構成要素（例えば、ドラム）の電圧値の情報である。カラーレジストレーション補正動作時の制御情報は、カラーレジストレーションに関するパラメータ情報である。カラーレジストレーションは、タンデム方式における各色のトナー像の重ね合わせのことであり、ここでの制御情報は、例えば走査線の位置や曲がりなどのずれを補正するための情報である。画像安定化補正動作時の制御情報は、連続印刷時における画像（例えば、色再現）の安定化に関するパラメータ情報である。用紙搬送時の制御情報は、搬送部を構成する構成要素（例えば、ローラやセンサ）の制御に関する情報である。 The high-voltage output value is information on the voltage value of a component (for example, a drum) constituting the printing unit. The control information during the color registration correction operation is the parameter information related to the color registration. Color registration is the superposition of toner images of each color in the tandem method, and the control information here is information for correcting deviations such as the position and bending of scanning lines. The control information during the image stabilization correction operation is parameter information related to stabilization of an image (for example, color reproduction) during continuous printing. The control information at the time of paper transport is information related to the control of the components (for example, rollers and sensors) constituting the transport unit.

図１に示すユーザ端末４は、ユーザが所持する端末であり、例えばタブレット型コンピュータである。ユーザ端末４は、通信機能を有しており、異常診断装置２Ａとの間で通信が可能である。また、ユーザ端末４は、入出力機能を有しており、ユーザによるデータ入力およびユーザに対するデータ出力が可能である。ユーザ端末４は、例えばタッチパネルディスプレイを備えている。ユーザ端末４は、特許請求の範囲の「設定手段」、「入力手段」の一例である。 The user terminal 4 shown in FIG. 1 is a terminal owned by the user, for example, a tablet computer. The user terminal 4 has a communication function and can communicate with the abnormality diagnosis device 2A. Further, the user terminal 4 has an input / output function, and can input data by the user and output data to the user. The user terminal 4 includes, for example, a touch panel display. The user terminal 4 is an example of "setting means" and "input means" in the claims.

図１に示す修理報告書管理ＤＢ５には、ＭＦＰ３の修理を行ったユーザが作成した報告書が格納されている。報告書は、関係者（例えば、ユーザが所属する組織の者や顧客先）に対して、ＭＦＰ３の修理に関する情報を提供することを目的とした文書であり、データの形式は特に限定されない。報告書は、例えば文書作成ソフトウェアによって作成された文書データであってもよいし、紙媒体に手書きしたものをスキャンした画像データであってもよい。報告書には、例えば修理を行った日時、場所、不具合の原因、修理に関する情報（例えば、交換部品、作業内容、調整値）等が含まる。ユーザは、ＭＦＰ３の修理が完了した後で、例えばユーザ端末４や図示しない端末（ユーザ端末４以外の端末）を用いて報告書を作成する。 The repair report management DB 5 shown in FIG. 1 stores a report created by a user who has repaired the MFP 3. The report is a document for the purpose of providing information on repair of the MFP 3 to related parties (for example, a person in the organization to which the user belongs or a customer), and the format of the data is not particularly limited. The report may be, for example, document data created by document creation software, or image data obtained by scanning handwritten data on a paper medium. The report includes, for example, the date and time of the repair, the location, the cause of the defect, and information on the repair (eg, replacement parts, work content, adjustment values), and the like. After the repair of the MFP 3 is completed, the user creates a report using, for example, a user terminal 4 or a terminal (terminal other than the user terminal 4) (not shown).

図１に示す異常診断装置２Ａは、装置の不具合（異常）の原因を推定する装置である。異常診断装置２Ａは、主に、異常診断ＤＢ（Data Base）１１Ａと、機械学習手段１２Ａとを備える。なお、異常診断ＤＢ１１Ａは、異常診断装置２Ａの外部に配置されていてもよい。 The abnormality diagnosis device 2A shown in FIG. 1 is a device for estimating the cause of a malfunction (abnormality) of the device. The abnormality diagnosis device 2A mainly includes an abnormality diagnosis DB (Data Base) 11A and a machine learning means 12A. The abnormality diagnosis DB 11A may be arranged outside the abnormality diagnosis device 2A.

異常診断ＤＢ１１Ａには、ＭＦＰ３の異常の診断に関連する様々な情報が格納されている。異常診断ＤＢ１１Ａには、例えば機械学習手段１２Ａを機械学習させるための情報（学習データ）が格納されている。機械学習手段１２Ａを機械学習させるための情報は、例えばＭＦＰ３のログデータやログデータを加工したものであってよい。また、異常診断ＤＢ１１Ａには、不具合の真の原因が格納されている。不具合の真の原因は、例えば、ＭＦＰ３を修理したユーザによって入力される。不具合の真の原因は、機械学習手段１２Ａが再学習するために使用される。 The abnormality diagnosis DB 11A stores various information related to the diagnosis of the abnormality of the MFP3. The abnormality diagnosis DB 11A stores, for example, information (learning data) for machine learning the machine learning means 12A. The information for machine learning the machine learning means 12A may be, for example, processed log data or log data of the MFP3. Further, the abnormality diagnosis DB 11A stores the true cause of the defect. The true cause of the failure is entered, for example, by the user who repaired the MFP3. The true cause of the failure is that the machine learning means 12A is used to relearn.

機械学習手段１２Ａは、ＭＦＰ３における不具合の原因を機械学習に基づいてログデータから判断する。以降では、機械学習手段１２Ａによって推定された原因を「推定原因」と呼ぶ場合がある。機械学習手段１２Ａは、第一機械学習部１２１を有する。図２ないし図４を参照して、第一機械学習部１２１における学習方法および異常の診断方法について説明する。ここでは、定着のウォームアップが完了しない場合を例示して説明する。 The machine learning means 12A determines the cause of the failure in the MFP 3 from the log data based on the machine learning. Hereinafter, the cause estimated by the machine learning means 12A may be referred to as an “estimated cause”. The machine learning means 12A has a first machine learning unit 121. The learning method and the abnormality diagnosis method in the first machine learning unit 121 will be described with reference to FIGS. 2 to 4. Here, a case where the warm-up of fixing is not completed will be described as an example.

図２は、第一機械学習部１２１における学習方法のイメージ図である。図３は、各時刻のログデータの内容を示したもの（つまり、時間経過に伴うログデータの内容）である。図４は、各時刻のログデータの内容を波形化（グラフ化）したものである。図４の横軸（Ｘ軸）は時刻であり、縦軸（Ｙ軸）は温度（℃）やＯＮ／ＯＦＦ状態である。図３および図４は、定着のウォームアップが完了しないときの電源ＯＮからウォームアップまでの定着関連の情報（ここでは、ヒーター点灯状態、センサ検出温度、センサ目標温度）を示している。 FIG. 2 is an image diagram of a learning method in the first machine learning unit 121. FIG. 3 shows the contents of the log data at each time (that is, the contents of the log data with the passage of time). FIG. 4 is a waveform (graph) of the contents of the log data at each time. The horizontal axis (X-axis) of FIG. 4 is the time, and the vertical axis (Y-axis) is the temperature (° C.) and the ON / OFF state. 3 and 4 show fixing-related information (here, heater lighting state, sensor detection temperature, sensor target temperature) from power-on to warm-up when the warm-up of fixing is not completed.

図２に示すように、第一機械学習部１２１は、正常時のログデータと異常発生時のログデータを教師ありの学習データとして読み込み、機械学習を行って異常診断モデルを構築する。異常発生時のログデータにおける解答（正解）は不具合の真の原因である。異常診断モデルの構築は、異常診断を行う前に予め行われる。正常時のログデータと異常発生時のログデータは、多数用意しておくことが望ましく、複数のＭＦＰ３から収集したものであってよい。第一機械学習部１２１は、例えば、図３に示すような時間変化に伴うログデータ（文字列や数字の羅列）を学習データとして入力して学習を行ってもよいし、図４に示す時間変化に伴うログデータをさらに波形化（グラフ化）したもの（画像データ）を学習データとして入力して学習を行ってもよい。つまり、ログデータの読み込み方法は特に限定されず、ログデータを画像として読み込んでもよい。なお、第一機械学習部１２１は、動作状態毎に機械学習を行ってもよい。動作状態は、例えば、ウォームアップ動作、アイドリング動作、プリント中動作などである。 As shown in FIG. 2, the first machine learning unit 121 reads the log data at the time of normal and the log data at the time of abnormality occurrence as supervised learning data, performs machine learning, and constructs an abnormality diagnosis model. The answer (correct answer) in the log data when an abnormality occurs is the true cause of the defect. The construction of the abnormality diagnosis model is performed in advance before the abnormality diagnosis is performed. It is desirable to prepare a large number of log data at the time of normal operation and log data at the time of abnormality occurrence, and may be collected from a plurality of MFPs 3. For example, the first machine learning unit 121 may input log data (a list of character strings and numbers) accompanying a time change as shown in FIG. 3 as learning data to perform learning, or the time shown in FIG. 4 Learning may be performed by inputting the log data accompanying the change into a waveform (graph) (image data) as training data. That is, the method of reading the log data is not particularly limited, and the log data may be read as an image. The first machine learning unit 121 may perform machine learning for each operating state. The operating state is, for example, a warm-up operation, an idling operation, an operation during printing, and the like.

次に、第一機械学習部１２１による診断方法のイメージについて説明する。定着のウォームアップが完了しない場合、考えられる原因としてヒーターの故障やセンサの故障がある。例えば、図４に示す分布を参照すると、ウォームアップ状態のときにヒーターは点灯しており、センサ検出温度が開始からほとんど変化していないことからセンサの故障の可能性が高いと考えられる。第一機械学習部１２１は、例えばこのようなことを学習して異常の原因を推定する。推定原因は、ＭＦＰ３やユーザ端末４を介してユーザ（例えばサービスマン）に通知され、ユーザは、通知された推定原因に基づいて修理を行う。 Next, an image of the diagnostic method by the first machine learning unit 121 will be described. If the fixing warm-up is not complete, possible causes include heater failure or sensor failure. For example, referring to the distribution shown in FIG. 4, since the heater is lit in the warm-up state and the sensor detection temperature has hardly changed from the start, it is considered that there is a high possibility of sensor failure. The first machine learning unit 121 learns such a thing, for example, and estimates the cause of the abnormality. The probable cause is notified to the user (for example, a serviceman) via the MFP 3 or the user terminal 4, and the user performs repair based on the notified probable cause.

また、第１実施形態では、ユーザ（例えばサービスマン）は、不具合対応が完了した際に、ＭＦＰ３のパネルに表示される発生原因報告画面５０（図５参照）から、今回発生した不具合の真の原因（発生原因）を入力する。発生原因報告画面５０は、発生原因入力エリア５１および報告ボタン５２を有し、ユーザは、発生原因入力エリア５１への発生原因の入力を行った後で右下の報告ボタン５２を押す。これにより、ＭＦＰ３は、入力された発生原因を異常診断装置２Ａに送信し、異常診断ＤＢ１１Ａに格納される。なお、発生原因のフィードバック方法は、ここで説明したＭＦＰ３を用いる以外の方法であってもよい。例えば、ユーザ端末４から異常診断装置２Ａに送信されてもよいし、修理報告書管理ＤＢ５から異常診断装置２Ａに送信されてもよい。 Further, in the first embodiment, the user (for example, a serviceman) can see the true cause of the problem that occurred this time from the occurrence cause report screen 50 (see FIG. 5) displayed on the panel of the MFP 3 when the problem handling is completed. Enter the cause (cause of occurrence). The occurrence cause report screen 50 has an occurrence cause input area 51 and a report button 52, and the user presses the lower right report button 52 after inputting the occurrence cause in the occurrence cause input area 51. As a result, the MFP 3 transmits the input cause of occurrence to the abnormality diagnosis device 2A and stores it in the abnormality diagnosis DB 11A. The feedback method of the cause of occurrence may be a method other than using the MFP 3 described here. For example, it may be transmitted from the user terminal 4 to the abnormality diagnosis device 2A, or may be transmitted from the repair report management DB 5 to the abnormality diagnosis device 2A.

≪第１実施形態に係る異常診断システムの動作≫
図６（適宜、図１ないし図５）を参照して、第１実施形態に係る異常診断システム１Ａを用いた修理の工程を説明する。図６は、第１実施形態に係る異常診断システム１Ａを用いた修理の工程を示すフローチャートの例示である。 << Operation of the abnormality diagnosis system according to the first embodiment >>
The repair process using the abnormality diagnosis system 1A according to the first embodiment will be described with reference to FIG. 6 (FIGS. 1 to 5 as appropriate). FIG. 6 is an example of a flowchart showing a repair process using the abnormality diagnosis system 1A according to the first embodiment.

ＭＦＰ３で不具合が発生した場合、サービスマンに修理の依頼が伝えられる（ステップＳ１１）。サービスマンは、不具合が発生したＭＦＰ３が設置される顧客先を訪問し、ＭＦＰ３からログデータを取得する（ステップＳ１２）。 When a problem occurs in the MFP3, the serviceman is notified of the repair request (step S11). The serviceman visits the customer where the defective MFP3 is installed and acquires the log data from the MFP3 (step S12).

続いて、サービスマンは、異常診断装置２Ａの機械学習手段１２Ａでログデータを解析するか否か（つまり、異常診断装置２Ａによって提供される支援を受けるか否か）を検討する（ステップＳ１３）。機械学習手段１２Ａでログデータを解析しない場合（ステップＳ１３で“Ｎｏ”）、異常診断システム１Ａを用いた修理の工程は終了する。ログデータを解析しない場合とは、例えばサービスマンが自力でログデータを解析可能な場合であり、その場合にはサービスマンは自身の解析結果に基づいてＭＦＰ３を修理する。なお、サービスマンが機械学習手段１２Ａでログデータを常に解析するように運用されてもよい。 Subsequently, the serviceman considers whether or not to analyze the log data by the machine learning means 12A of the abnormality diagnosis device 2A (that is, whether or not to receive the support provided by the abnormality diagnosis device 2A) (step S13). .. When the log data is not analyzed by the machine learning means 12A (“No” in step S13), the repair process using the abnormality diagnosis system 1A ends. The case where the log data is not analyzed is, for example, a case where the serviceman can analyze the log data by himself / herself. In that case, the serviceman repairs the MFP 3 based on his / her own analysis result. The serviceman may be operated so as to always analyze the log data by the machine learning means 12A.

一方、機械学習手段１２Ａでログデータを解析する場合（ステップＳ１３で“Ｙｅｓ”）、サービスマンは、ＭＦＰ３を操作して機械学習手段１２Ａにログデータを送信する（ステップＳ１４）。機械学習手段１２Ａは、ＭＦＰ３から受信したログデータを第一機械学習部１２１に入力することでログデータを解析し、第一機械学習部１２１から推定原因が出力される（ステップＳ１５）。 On the other hand, when the machine learning means 12A analyzes the log data (“Yes” in step S13), the serviceman operates the MFP 3 to transmit the log data to the machine learning means 12A (step S14). The machine learning means 12A analyzes the log data by inputting the log data received from the MFP 3 into the first machine learning unit 121, and outputs the estimated cause from the first machine learning unit 121 (step S15).

続いて、異常診断装置２Ａの機械学習手段１２Ａは、サービスマンに推定原因をフィードバック（通知）する（ステップＳ１６）。機械学習手段１２Ａは、ＭＦＰ３に推定原因を送信することによってサービスマンに推定原因をフィードバックしてもよいし、ユーザ端末４に推定原因を送信することによってサービスマンに推定原因をフィードバックしてもよい。サービスマンは、通知された推定原因に従ってＭＦＰ３を修理する（ステップＳ１７）。 Subsequently, the machine learning means 12A of the abnormality diagnosis device 2A feeds back (notifies) the estimated cause to the serviceman (step S16). The machine learning means 12A may feed back the estimated cause to the serviceman by transmitting the estimated cause to the MFP 3, or may feed back the estimated cause to the serviceman by transmitting the estimated cause to the user terminal 4. .. The serviceman repairs the MFP 3 according to the notified probable cause (step S17).

ＭＦＰ３の修理が完了した後で、サービスマンは、ＭＦＰ３やユーザ端末４を操作して、発生した不具合の真の原因（発生原因）を機械学習手段１２Ａにフィードバック（通知）する（ステップＳ１８）。サービスマンは、例えば、図５に示す画面を介して発生原因を入力する。機械学習手段１２Ａは、原因の推定を行ったログデータとフィードバックされた発生原因とを対応付けて新たな教師ありの学習データを作成し、作成した教師ありの学習データを異常診断ＤＢ１１Ａに格納する。そして、機械学習手段１２Ａの第一機械学習部１２１は、異常診断ＤＢ１１Ａに格納される教師ありの学習データを用いて再学習する。これにより、異常の原因を推定する精度が向上する。再学習を行うタイミングは特に限定されず、任意のタイミングであってよい。なお、修理後の正常な状態のログデータを取得し、修理後のログデータを用いて再学習を行ってもよい。 After the repair of the MFP 3 is completed, the serviceman operates the MFP 3 and the user terminal 4 to feed back (notify) the true cause (cause of occurrence) of the problem to the machine learning means 12A (step S18). The serviceman inputs the cause of occurrence through the screen shown in FIG. 5, for example. The machine learning means 12A creates new supervised learning data by associating the log data for which the cause has been estimated with the fed-back cause of occurrence, and stores the created learning data with supervised learning in the abnormality diagnosis DB 11A. .. Then, the first machine learning unit 121 of the machine learning means 12A relearns using the supervised learning data stored in the abnormality diagnosis DB 11A. This improves the accuracy of estimating the cause of the abnormality. The timing of re-learning is not particularly limited and may be any timing. Note that the log data in the normal state after repair may be acquired, and re-learning may be performed using the log data after repair.

以上のように構成された本発明の第１実施形態に係る異常診断システム１Ａ（および異常診断装置２Ａ）は、以下のようの作用効果を奏する。
つまり、異常診断システム１Ａでは、不具合の原因を機械学習に基づいてログデータから判断する。そのため、画像欠陥が表れない不具合を含めた様々な不具合の原因を広く究明することができる。また、再学習を繰り返し行うことにより、異常の原因を推定する精度が向上する。 The abnormality diagnosis system 1A (and the abnormality diagnosis device 2A) according to the first embodiment of the present invention configured as described above has the following effects.
That is, in the abnormality diagnosis system 1A, the cause of the failure is determined from the log data based on machine learning. Therefore, it is possible to widely investigate the causes of various defects including defects in which image defects do not appear. Further, by repeating the re-learning, the accuracy of estimating the cause of the abnormality is improved.

［第２実施形態］
≪第２実施形態に係る異常診断システムの構成≫
図７を参照して、第２実施形態に係る異常診断システム１Ｂの構成を説明する。図７は、第２実施形態に係る異常診断システム１Ｂの概略構成図である。以降では、第１実施形態に係る異常診断システム１Ａ（図１参照）との相違点について主に説明する。 [Second Embodiment]
<< Configuration of the abnormality diagnosis system according to the second embodiment >>
The configuration of the abnormality diagnosis system 1B according to the second embodiment will be described with reference to FIG. 7. FIG. 7 is a schematic configuration diagram of the abnormality diagnosis system 1B according to the second embodiment. Hereinafter, the differences from the abnormality diagnosis system 1A (see FIG. 1) according to the first embodiment will be mainly described.

異常診断システム１Ｂは、異常診断装置２Ｂと、一台以上のＭＦＰ３と、ユーザ端末４と、修理報告書管理ＤＢ５とを備える。異常診断システム１Ｂにおける通信形態は、第１実施形態に係る異常診断システム１Ａ（図１参照）と同様である。 The abnormality diagnosis system 1B includes an abnormality diagnosis device 2B, one or more MFPs 3, a user terminal 4, and a repair report management DB 5. The communication mode in the abnormality diagnosis system 1B is the same as that of the abnormality diagnosis system 1A (see FIG. 1) according to the first embodiment.

図７に示す異常診断装置２Ｂは、装置の不具合（異常）の原因を推定する装置である。異常診断装置２Ｂは、主に、異常診断ＤＢ１１Ｂと、機械学習手段１２Ｂとを備える。なお、異常診断ＤＢ１１Ｂは、異常診断装置２Ｂの外部に配置されていてもよい。 The abnormality diagnosis device 2B shown in FIG. 7 is a device for estimating the cause of a malfunction (abnormality) of the device. The abnormality diagnosis device 2B mainly includes an abnormality diagnosis DB 11B and a machine learning means 12B. The abnormality diagnosis DB 11B may be arranged outside the abnormality diagnosis device 2B.

異常診断ＤＢ１１Ｂには、ＭＦＰ３の異常の診断に関連する様々な情報が格納されている。異常診断ＤＢ１１Ｂには、例えば機械学習手段１２Ｂを機械学習させるための情報（学習データ）が格納されている。機械学習手段１２Ｂを機械学習させるための情報は、例えばＭＦＰ３のログデータ（ログデータを加工したものであってよい）およびＭＦＰ３に対して行った作業情報である。また、異常診断ＤＢ１１Ｂには、不具合の真の原因が格納されている。不具合の真の原因は、例えば、ＭＦＰ３を修理したユーザによって入力される。不具合の真の原因は、機械学習手段１２Ｂが再学習するために使用される。 The abnormality diagnosis DB 11B stores various information related to the diagnosis of the abnormality of the MFP 3. The abnormality diagnosis DB 11B stores, for example, information (learning data) for machine learning the machine learning means 12B. The information for machine learning the machine learning means 12B is, for example, the log data of the MFP 3 (which may be processed log data) and the work information performed on the MFP 3. Further, the abnormality diagnosis DB 11B stores the true cause of the defect. The true cause of the failure is entered, for example, by the user who repaired the MFP3. The true cause of the failure is that the machine learning means 12B is used to relearn.

機械学習手段１２Ｂは、ＭＦＰ３における不具合の原因を機械学習に基づいてログデータおよび作業情報から判断する。つまり、機械学習手段１２Ｂは、第１実施形態に係る機械学習手段１２Ａと比較して入力データに作業情報が追加されている。以降では、機械学習手段１２Ｂによって推定された原因を「推定原因」と呼ぶ場合がある。 The machine learning means 12B determines the cause of the failure in the MFP 3 from the log data and the work information based on the machine learning. That is, the machine learning means 12B has work information added to the input data as compared with the machine learning means 12A according to the first embodiment. Hereinafter, the cause estimated by the machine learning means 12B may be referred to as an “estimated cause”.

図７に示すように、機械学習手段１２Ｂは、ログデータのみを学習する第一機械学習部１２１とサービスマンの作業情報を追加の入力データとして学習する第二機械学習部１２２とから構成される。第一機械学習部１２１および第二機械学習部１２２は、例えば、其々動作状態毎に学習し、解析結果をサービスマンにフィードバックする。フィードバックした結果を基にサービスマンが解析を行い、その解析結果と発生していた不具合の真の原因とが一致していたかを機械学習手段１２Ｂにフィードバックすることによって機械学習手段１２Ｂの精度を向上させていく。解析結果のフィードバック方法はＭＦＰ３を通して報告する場合もあれば、ユーザ端末４によって報告される場合もある。また、発生原因のフィードバック方法はＭＦＰ３を通して報告する場合もあれば、修理報告書管理ＤＢ５の情報を基に報告する場合と、ユーザ端末４によって報告される場合とがある。 As shown in FIG. 7, the machine learning means 12B is composed of a first machine learning unit 121 that learns only log data and a second machine learning unit 122 that learns the work information of a serviceman as additional input data. .. The first machine learning unit 121 and the second machine learning unit 122 learn for each operating state, for example, and feed back the analysis result to the service person. The serviceman analyzes based on the feedback result, and improves the accuracy of the machine learning means 12B by feeding back to the machine learning means 12B whether the analysis result and the true cause of the defect that has occurred match. Let me do it. The analysis result feedback method may be reported through the MFP 3 or may be reported by the user terminal 4. Further, the feedback method of the cause of occurrence may be reported through the MFP 3, the report may be based on the information of the repair report management DB 5, or may be reported by the user terminal 4.

図８を参照して、作業情報の入力方法について説明する。図８は、作業情報の入力画面の一例である。図８に示す入力画面６０は、交換部品選択エリア６１と、作業内容入力エリア６２と、調整値入力エリア６３とを備える。 A method of inputting work information will be described with reference to FIG. FIG. 8 is an example of a work information input screen. The input screen 60 shown in FIG. 8 includes a replacement part selection area 61, a work content input area 62, and an adjustment value input area 63.

修理を行うユーザ（例えば、サービスマン）は、不具合の解析時において交換部品に関する作業情報を入力するとき、入力画面６０の左下に配置される交換部品のタブ６４を押す。これにより、交換部品に関する交換部品選択エリア６１が表示され、ユーザは、交換部品に対応する内容を選択する。交換部品は、ユーザが交換した部品であり、例えば感光体、現像器などである。 The user who performs the repair (for example, a serviceman) presses the tab 64 of the replacement part arranged at the lower left of the input screen 60 when inputting the work information regarding the replacement part at the time of analyzing the defect. As a result, the replacement part selection area 61 for the replacement part is displayed, and the user selects the content corresponding to the replacement part. The replacement part is a part replaced by the user, such as a photoconductor, a developing device, and the like.

また、ユーザは、不具合の解析時において作業内容に関する作業情報を入力するとき、入力画面６０の下部中央に配置される作業内容のタブ６５を押す。これにより、作業内容に関する作業内容入力エリア６２が表示され、ユーザは、作業内容の入力を行う。作業内容は、部品の交換やパラメータの調整以外を広く含み、例えば清掃方法、清掃箇所などである。 Further, when the user inputs work information related to the work content at the time of analyzing the defect, the user presses the tab 65 of the work content arranged at the lower center of the input screen 60. As a result, the work content input area 62 relating to the work content is displayed, and the user inputs the work content. The work content includes a wide range of tasks other than parts replacement and parameter adjustment, such as cleaning methods and cleaning points.

また、ユーザは、不具合の解析時において調整値に関する作業情報を入力するとき、入力画面６０の右下に配置される調整値のタブ６６を押す。これにより、調整値に関する調整値入力エリア６３が表示され、ユーザは、変更後の調整値の入力を行う。調整値は、各種のパラメータの値であり、例えばループ量、レジスト量、高圧の出力値、エアの風量などである。 In addition, the user presses the tab 66 of the adjustment value arranged at the lower right of the input screen 60 when inputting the work information regarding the adjustment value at the time of analyzing the defect. As a result, the adjustment value input area 63 regarding the adjustment value is displayed, and the user inputs the changed adjustment value. The adjustment value is a value of various parameters, such as a loop amount, a resist amount, a high pressure output value, and an air air volume.

図９を参照して、第二機械学習部１２２における学習方法および診断方法について説明する。第１実施形態で説明した通り、定着のウォームアップが完了しない場合、考えられる原因としてヒーターの故障やセンサの故障がある。ログデータを基にして第一機械学習部１２１が推定原因をセンサの故障と判定した場合、センサの故障といってもセンサ自体が故障しているのか、束線が切れているのか、基板が故障しているのか、センサが汚れているのか等の様々な原因がさらに考えられる。 A learning method and a diagnostic method in the second machine learning unit 122 will be described with reference to FIG. As described in the first embodiment, if the fixing warm-up is not completed, a possible cause is a heater failure or a sensor failure. When the first machine learning unit 121 determines that the estimated cause is a sensor failure based on the log data, the sensor itself is broken, the bundled wire is broken, or the board is broken even if the sensor is broken. Various causes such as whether it is out of order or the sensor is dirty can be further considered.

そこで、第２実施形態では、ユーザが実際に行った作業の情報（作業情報）を入力し（ここでは「センサの交換」を想定）、第二機械学習部１２２に送信する。第二機械学習部１２２では第一機械学習部１２１の推定原因（ここでは「センサの故障」）とユーザによって入力された作業情報（ここでは「センサの交換」）からさらなる推定原因を判断する。例えば、図９に示すように、「束線の故障」がさらなる推定原因と判断したとする。そして、その判断した結果をユーザにフィードバックすることで発生原因を早期に発見することが可能となる。つまり、第二機械学習部１２２では、ユーザから作業情報を取得することによって原因を絞り込みやすくなっており、消去法のイメージでさらなる推定原因を判断することができる。その結果、ユーザは、第一機械学習部１２１の推定原因に関連する修理を全て行わずに済み、過剰な修理を抑制できる。 Therefore, in the second embodiment, information (work information) of the work actually performed by the user is input (here, "replacement of the sensor" is assumed) and transmitted to the second machine learning unit 122. The second machine learning unit 122 determines a further estimated cause from the estimated cause of the first machine learning unit 121 (here, “sensor failure”) and the work information input by the user (here, “sensor replacement”). For example, as shown in FIG. 9, it is assumed that "failure of the bundled wire" is determined to be a further probable cause. Then, by feeding back the determined result to the user, it is possible to discover the cause of the occurrence at an early stage. That is, the second machine learning unit 122 can easily narrow down the cause by acquiring the work information from the user, and can further determine the estimated cause from the image of the elimination method. As a result, the user does not have to perform all repairs related to the probable cause of the first machine learning unit 121, and can suppress excessive repairs.

≪第２実施形態に係る異常診断システムの動作≫
図１０（適宜、図７ないし図９）を参照して、第２実施形態に係る異常診断システム１Ｂを用いた修理の工程を説明する。図１０は、第２実施形態に係る異常診断システム１Ｂを用いた修理の工程を示すフローチャートの例示である。 << Operation of the abnormality diagnosis system according to the second embodiment >>
The repair process using the abnormality diagnosis system 1B according to the second embodiment will be described with reference to FIG. 10 (FIGS. 7 to 9 as appropriate). FIG. 10 is an example of a flowchart showing a repair process using the abnormality diagnosis system 1B according to the second embodiment.

ステップＳ２１，Ｓ２２は第１実施形態におけるステップＳ１１，Ｓ１２と同様である。つまり、ＭＦＰ３で不具合が発生した場合、サービスマンに修理の依頼が伝えられる（ステップＳ２１）。サービスマンは、不具合が発生したＭＦＰ３が設置される顧客先を訪問し、ＭＦＰ３からログデータを取得する（ステップＳ２２）。 Steps S21 and S22 are the same as steps S11 and S12 in the first embodiment. That is, when a problem occurs in the MFP3, the serviceman is notified of the repair request (step S21). The serviceman visits the customer where the defective MFP3 is installed and acquires the log data from the MFP3 (step S22).

続いて、サービスマンは、異常診断装置２Ｂの機械学習手段１２Ｂでログデータを解析するか否か（つまり、異常診断装置２によって提供される支援を受けるか否か）を検討する（ステップＳ２３）。機械学習手段１２Ｂでログデータを解析しない場合（ステップＳ２３で“Ｎｏ”）、異常診断システム１Ｂを用いた修理の工程は終了する。ログデータを解析しない場合とは、例えばサービスマンが自力でログデータを解析可能な場合であり、その場合にはサービスマンは自身の解析結果に基づいてＭＦＰ３を修理する。なお、サービスマンが機械学習手段１２Ｂでログデータを常に解析するように運用されてもよい。 Subsequently, the serviceman considers whether or not to analyze the log data by the machine learning means 12B of the abnormality diagnosis device 2B (that is, whether or not to receive the support provided by the abnormality diagnosis device 2) (step S23). .. If the machine learning means 12B does not analyze the log data (“No” in step S23), the repair process using the abnormality diagnosis system 1B ends. The case where the log data is not analyzed is, for example, a case where the serviceman can analyze the log data by himself / herself. In that case, the serviceman repairs the MFP 3 based on his / her own analysis result. The serviceman may be operated so as to always analyze the log data by the machine learning means 12B.

一方、機械学習手段１２Ｂでログデータを解析する場合（ステップＳ２３で“Ｙｅｓ”）、サービスマンは、作業情報を入力するか否かを検討し、必要に応じて作業情報を入力する（ステップＳ２４）。作業情報を入力しない場合（ステップＳ２４で“Ｎｏ”）、処理はステップＳ２５Ａに進む。一方、作業情報を入力する場合（ステップＳ２４で“Ｙｅｓ”）、処理はステップＳ２５Ｂに進む。 On the other hand, when the log data is analyzed by the machine learning means 12B (“Yes” in step S23), the serviceman considers whether or not to input the work information, and inputs the work information if necessary (step S24). ). If no work information is input (“No” in step S24), the process proceeds to step S25A. On the other hand, when inputting work information (“Yes” in step S24), the process proceeds to step S25B.

作業情報を入力しない場合（ステップＳ２４で“Ｎｏ”）、サービスマンは、ＭＦＰ３を操作して機械学習手段１２Ｂにログデータを送信する（ステップＳ２５Ａ）。機械学習手段１２Ｂは、ＭＦＰ３から受信したログデータを第一機械学習部１２１に入力することでログデータを解析し、第一機械学習部１２１から推定原因が出力される（ステップＳ２６Ａ）。ステップＳ２５Ａ，Ｓ２６Ａの処理は、第１実施形態のＳ１４，Ｓ１５（図６参照）の処理と同様である。 When the work information is not input (“No” in step S24), the serviceman operates the MFP 3 to transmit the log data to the machine learning means 12B (step S25A). The machine learning means 12B analyzes the log data by inputting the log data received from the MFP 3 into the first machine learning unit 121, and outputs the estimated cause from the first machine learning unit 121 (step S26A). The processing of steps S25A and S26A is the same as the processing of S14 and S15 (see FIG. 6) of the first embodiment.

作業情報を入力する場合（ステップＳ２４で“Ｙｅｓ”）、サービスマンは、ＭＦＰ３を操作して機械学習手段１２Ｂにログデータおよび作業情報を送信する（ステップＳ２５Ｂ）。機械学習手段１２Ｂは、図９で説明した方法によってＭＦＰ３から受信したログデータおよび作業情報を解析し、推定原因が出力される（ステップＳ２６Ｂ）。 When inputting the work information (“Yes” in step S24), the serviceman operates the MFP 3 to transmit the log data and the work information to the machine learning means 12B (step S25B). The machine learning means 12B analyzes the log data and work information received from the MFP 3 by the method described with reference to FIG. 9, and outputs the estimated cause (step S26B).

続いて、異常診断装置２Ｂの機械学習手段１２Ｂは、サービスマンに推定原因をフィードバック（通知）する（ステップＳ２７）。機械学習手段１２Ｂは、ＭＦＰ３に推定原因を送信することによってサービスマンに推定原因をフィードバックしてもよいし、ユーザ端末４に推定原因を送信することによってサービスマンに推定原因をフィードバックしてもよい。サービスマンは、通知された推定原因に従ってＭＦＰ３を修理する（ステップＳ２８）。 Subsequently, the machine learning means 12B of the abnormality diagnosis device 2B feeds back (notifies) the estimated cause to the serviceman (step S27). The machine learning means 12B may feed back the estimated cause to the serviceman by transmitting the estimated cause to the MFP 3, or may feed back the estimated cause to the serviceman by transmitting the estimated cause to the user terminal 4. .. The serviceman repairs the MFP 3 according to the notified probable cause (step S28).

ＭＦＰ３の修理が完了した後で、サービスマンは、ＭＦＰ３やユーザ端末４を操作して、発生した不具合の真の原因（発生原因）を機械学習手段１２Ｂにフィードバック（通知）する（ステップＳ２９）。サービスマンは、例えば、図５に示す画面を介して発生原因を入力する。機械学習手段１２Ｂは、原因の推定を行ったログデータおよび作業情報とフィードバックされた発生原因とを対応付けて新たな教師ありの学習データを作成し、作成した教師ありの学習データを異常診断ＤＢ１１Ｂに格納する。そして、機械学習手段１２Ｂは、異常診断ＤＢ１１Ｂに格納される教師ありの学習データを用いて再学習する。これにより、異常の原因を推定する精度が向上する。再学習を行うタイミングは特に限定されず、任意のタイミングであってよい。なお、修理後の正常な状態のログデータを取得し、修理後のログデータを用いて再学習を行ってもよい。 After the repair of the MFP 3 is completed, the serviceman operates the MFP 3 and the user terminal 4 to feed back (notify) the true cause (cause of occurrence) of the problem to the machine learning means 12B (step S29). The serviceman inputs the cause of occurrence through the screen shown in FIG. 5, for example. The machine learning means 12B creates new supervised learning data by associating the log data for which the cause has been estimated and the work information with the fed-back cause of occurrence, and the created learning data with supervised learning is used as an abnormality diagnosis DB 11B. Store in. Then, the machine learning means 12B relearns using the supervised learning data stored in the abnormality diagnosis DB 11B. This improves the accuracy of estimating the cause of the abnormality. The timing of re-learning is not particularly limited and may be any timing. Note that the log data in the normal state after repair may be acquired, and re-learning may be performed using the log data after repair.

以上説明した第２実施形態に係る異常診断システム１Ｂ（および異常診断装置２Ｂ）によっても、第１実施形態と略同等の効果を奏することができる。
また、第２実施形態に係る異常診断システム１Ｂは、ユーザから作業情報を取得することによって原因を絞り込みやすくなっており、消去法のイメージでさらなる推定原因を判断することができる。その結果、ユーザは、第一機械学習部１２１の推定原因に関連する修理を全て行わずに済み、過剰な修理を抑制できる。 The abnormality diagnosis system 1B (and the abnormality diagnosis device 2B) according to the second embodiment described above can also achieve substantially the same effect as that of the first embodiment.
Further, the abnormality diagnosis system 1B according to the second embodiment makes it easy to narrow down the cause by acquiring work information from the user, and further probable cause can be determined from the image of the elimination method. As a result, the user does not have to perform all repairs related to the probable cause of the first machine learning unit 121, and can suppress excessive repairs.

上述した各実施形態に係る異常診断装置２Ａ，２Ｂにおける各種処理を行う手段および方法は、専用のハードウエア回路、またはプログラムされたコンピュータのいずれによっても実現することが可能である。上記プログラムは、例えば、フレキシブルディスクやＣＤ−ＲＯＭ等のコンピュータで読み取り可能な記録媒体によって提供されてもよいし、インターネット等のネットワークを介してオンラインで提供されてもよい。この場合、コンピュータで読み取り可能な記録媒体に記録されたプログラムは、通常、ハードディスク（ＨＤＤ）等の記憶部に転送されて記憶される。また、上記プログラムは、単独のアプリケーションソフトとして提供されてもよいし、装置の一機能としてその装置のソフトウエアに組み込まれてもよい。 The means and methods for performing various processes in the abnormality diagnostic devices 2A and 2B according to the above-described embodiments can be realized by either a dedicated hardware circuit or a programmed computer. The program may be provided by a computer-readable recording medium such as a flexible disk or a CD-ROM, or may be provided online via a network such as the Internet. In this case, the program recorded on the computer-readable recording medium is usually transferred to a storage unit such as a hard disk (HDD) and stored. Further, the above program may be provided as a single application software, or may be incorporated into the software of the device as a function of the device.

１Ａ，１Ｂ 異常診断システム
２Ａ，２Ｂ 異常診断装置
３ ＭＦＰ（画像処理装置）
４ ユーザ端末（設定手段、入力手段）
５ 修理報告書管理ＤＢ
１１Ａ，１１Ｂ 異常診断ＤＢ
１２Ａ，１２Ｂ 機械学習手段
１２１ 第一機械学習部
１２２ 第二機械学習部 1A, 1B Abnormality Diagnosis System 2A, 2B Abnormality Diagnosis Device 3 MFP (Image Processing Device)
4 User terminal (setting means, input means)
5 Repair report management DB
11A, 11B Abnormality diagnosis DB
12A, 12B Machine learning means 121 First machine learning department 122 Second machine learning department

Claims (12)

制御に関する情報をログデータとして記憶する記憶部を備える画像処理装置と、
前記画像処理装置における不具合の原因を機械学習に基づいて前記ログデータから判断する機械学習手段と、
を備えることを特徴とする異常診断システム。 An image processing device equipped with a storage unit that stores control-related information as log data,
A machine learning means for determining the cause of a defect in the image processing device from the log data based on machine learning,
An abnormality diagnosis system characterized by being equipped with. 前記不具合への対応を行った作業情報を入力する設定手段をさらに備え、
前記機械学習手段は、前記ログデータと前記作業情報とから不具合の原因を判断する、
ことを特徴とする請求項１に記載の異常診断システム。 Further equipped with a setting means for inputting work information corresponding to the above-mentioned problem,
The machine learning means determines the cause of a defect from the log data and the work information.
The abnormality diagnosis system according to claim 1. 前記機械学習手段は、
前記ログデータから不具合の第一原因を機械学習に基づいて判断する第一機械学習部と、
前記第一原因と前記作業情報とから前記第一原因よりもさらに詳細な第二原因を判断する第二機械学習部と、を備える、
ことを特徴とする請求項２に記載の異常診断システム。 The machine learning means
The first machine learning department that determines the first cause of failure from the log data based on machine learning,
A second machine learning unit that determines a second cause that is more detailed than the first cause from the first cause and the work information is provided.
The abnormality diagnosis system according to claim 2. 前記作業情報は、交換部品、作業内容および調整値の少なくとも一つである、ことを特徴とする請求項２または請求項３に記載の異常診断システム。 The abnormality diagnosis system according to claim 2 or 3, wherein the work information is at least one of a replacement part, a work content, and an adjustment value. 前記機械学習手段は、前記画像処理装置の動作状態毎の正常時の前記ログデータと異常時の前記ログデータとを用いて機械学習を行っており、
前記動作状態は、ウォームアップ動作、アイドリング動作およびプリント中動作の少なくとも一つである、
ことを特徴とする請求項１ないし請求項４の何れか一項に記載の異常診断システム。 The machine learning means performs machine learning by using the log data at the time of normal and the log data at the time of abnormality for each operating state of the image processing device.
The operating state is at least one of a warm-up operation, an idling operation, and a printing operation.
The abnormality diagnosis system according to any one of claims 1 to 4, wherein the abnormality diagnosis system is characterized in that. 前記不具合の真の原因を入力する入力手段をさらに備え、
前記機械学習手段は、前記真の原因を取得してさらに再学習する、ことを特徴とする請求項１ないし請求項５の何れか一項に記載の異常診断システム。 Further provided with an input means for inputting the true cause of the defect,
The abnormality diagnosis system according to any one of claims 1 to 5, wherein the machine learning means acquires the true cause and further relearns. 前記機械学習手段は、不具合の対応を行った者の入力、不具合の情報を管理するデータサーバからの取得、対応完了後におけるログデータの取得によって真の原因を取得する、
ことを特徴とする請求項６に記載の異常診断システム。 The machine learning means acquires the true cause by inputting the person who has dealt with the defect, acquiring from the data server that manages the defect information, and acquiring the log data after the countermeasure is completed.
The abnormality diagnosis system according to claim 6. 前記ログデータは、用紙情報、定着制御状態、定着目標温度、定着検出温度、ヒーター点灯状態、ヒーター点灯Duty、および定着圧着状態の少なくとも一つである、
ことを特徴とする請求項１ないし請求項７の何れか一項に記載の異常診断システム。 The log data is at least one of paper information, fixing control state, fixing target temperature, fixing detection temperature, heater lighting state, heater lighting duty, and fixing crimping state.
The abnormality diagnosis system according to any one of claims 1 to 7, wherein the abnormality diagnosis system is characterized. 前記用紙情報は、用紙サイズ、坪量、用紙種類、銘柄、およびトレイ設定の少なくとも一つである、
ことを特徴とする請求項８に記載の異常診断システム。 The paper information is at least one of paper size, basis weight, paper type, brand, and tray setting.
The abnormality diagnosis system according to claim 8. 前記ログデータは、高圧の出力値、カラーレジストレーション補正動作時の制御情報、画像安定化補正動作時の制御情報、および用紙搬送時の制御情報の少なくとも一つである、
ことを特徴とする請求項１ないし請求項７の何れか一項に記載の異常診断システム。 The log data is at least one of a high-voltage output value, control information during color registration correction operation, control information during image stabilization correction operation, and control information during paper transport.
The abnormality diagnosis system according to any one of claims 1 to 7, wherein the abnormality diagnosis system is characterized. 前記機械学習手段は、時間経過に伴うログデータ、または当該時間経過に伴うログデータを加工してグラフ化したものから不具合の原因を判断する、
ことを特徴とする請求項１ないし請求項１０の何れか一項に記載の異常診断システム。 The machine learning means determines the cause of a defect from the log data with the passage of time or the log data with the passage of time processed and graphed.
The abnormality diagnosis system according to any one of claims 1 to 10, wherein the abnormality diagnosis system is characterized. 制御に関する情報をログデータとして記憶する記憶部を備える画像処理装置または前記ログデータを蓄積する蓄積手段と通信可能であり、
不具合が発生している前記画像処理装置の前記ログデータを取得し、当該画像処理装置における不具合の原因を機械学習に基づいて取得した前記ログデータから判断する機械学習手段、を備える、
ことを特徴とする異常診断装置。 It is possible to communicate with an image processing device provided with a storage unit that stores information related to control as log data or a storage means that stores the log data.
A machine learning means for acquiring the log data of the image processing device in which a defect has occurred and determining the cause of the defect in the image processing apparatus from the acquired log data based on machine learning is provided.
An abnormality diagnostic device characterized by the fact that.
JP2019224245A 2019-12-12 2019-12-12 Abnormality diagnosis system and abnormality diagnosis device Active JP7484151B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019224245A JP7484151B2 (en) 2019-12-12 2019-12-12 Abnormality diagnosis system and abnormality diagnosis device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019224245A JP7484151B2 (en) 2019-12-12 2019-12-12 Abnormality diagnosis system and abnormality diagnosis device

Publications (2)

Publication Number Publication Date
JP2021092715A true JP2021092715A (en) 2021-06-17
JP7484151B2 JP7484151B2 (en) 2024-05-16

Family

ID=76312393

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019224245A Active JP7484151B2 (en) 2019-12-12 2019-12-12 Abnormality diagnosis system and abnormality diagnosis device

Country Status (1)

Country Link
JP (1) JP7484151B2 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008090070A (en) * 2006-10-03 2008-04-17 Ricoh Co Ltd Maintenance management system for image forming apparatus
JP2016107599A (en) * 2014-12-10 2016-06-20 株式会社リコー Image forming apparatus, image forming method, and program
JP2019159730A (en) * 2018-03-12 2019-09-19 株式会社リコー Maintenance system, maintenance server, and maintenance method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018147420A (en) 2017-03-09 2018-09-20 セイコーエプソン株式会社 Information processing apparatus and method of controlling the same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008090070A (en) * 2006-10-03 2008-04-17 Ricoh Co Ltd Maintenance management system for image forming apparatus
JP2016107599A (en) * 2014-12-10 2016-06-20 株式会社リコー Image forming apparatus, image forming method, and program
JP2019159730A (en) * 2018-03-12 2019-09-19 株式会社リコー Maintenance system, maintenance server, and maintenance method

Also Published As

Publication number Publication date
JP7484151B2 (en) 2024-05-16

Similar Documents

Publication Publication Date Title
US7421371B2 (en) Automated performance analysis and failure remediation
KR100799290B1 (en) Image formation processing simulation apparatus and image formation processing simulation method
JP4572862B2 (en) Image forming apparatus simulation apparatus, image forming apparatus simulation method, and program
US6665425B1 (en) Systems and methods for automated image quality based diagnostics and remediation of document processing systems
US7747905B2 (en) Maintenance system, method of controlling maintenance system, server, record medium in which program used for server is recorded, computer and record medium in which program used for computer is recorded
JP2019159730A (en) Maintenance system, maintenance server, and maintenance method
CN102638632A (en) Image forming apparatus
JP2006014332A (en) Dynamic test pattern configuration for image analysis based on automaton diagnosis
JP2008004091A (en) Automated repair analysis using bundled rule-based system
CN110392174B (en) Information processing apparatus and control method
JP2007116671A (en) Maintenance system of image processor, image processor and program
JP6468099B2 (en) Information processing system, failure cause diagnosis method and program
CN106534603A (en) Image quality control and adjustment apparatus, image quality control and adjustment method, and non-transitory computer readable medium
JP2003094783A (en) System, method and program for diagnosing image quality, and recording medium storing diagnostic program
US8725008B2 (en) Using images to diagnose defects in an image forming apparatus
CN110223765A (en) The method of fault management is executed in an electronic
JP2020071271A (en) Machine learning device, data processing system, machine learning method, and data processing method
JP6634352B2 (en) Image forming apparatus and image forming system
JP2007062288A (en) Failure diagnosis system, imaging device and failure diagnostic method
US6427053B1 (en) Method and apparatus for monitoring parameters corresponding to operation of an electrophotographic marking machine
JP7484151B2 (en) Abnormality diagnosis system and abnormality diagnosis device
JP2007133472A (en) Fault diagnostic device and fault diagnostic method
JP2006091985A (en) Image forming device management system
JP2020077921A (en) Diagnostic system and diagnostic method
JP2019159069A (en) Fault diagnosis system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221117

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230803

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231027

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240130

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240327

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240402

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240415

R150 Certificate of patent or registration of utility model

Ref document number: 7484151

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150