JP7281053B2 - 画像形成装置 - Google Patents

Description

本発明は、画像形成装置に関する。

特許文献１に記載の画像形成装置は、ジョブの実行に伴ってエラーが発生したときに実行条件を含むジョブログを記憶し、同じ実行条件の他のジョブに関して実行要求があったときにデバッグ機能を有効にし、再現されたエラーに基づいてデバッグ用の詳細ログを取得する。

特開２０１１－２１０２５９号公報

特許文献１に記載の画像形成装置は、事前にエラーの内容が定義される必要があったので、ソフトウェアに起因した想定外の動作不具合を検知することができなかった。

そこで、本発明は上記事情を考慮し、検知可能な動作不具合の範囲が拡大された画像形成装置を提供することを目的とする。

本発明の画像形成装置は、記録媒体の上に画像を形成する装置であって、取得部と、制御部とを備える。前記取得部は、前記画像形成装置の動作状況を示す複数のログ記録を順次取得する。前記制御部は、前記画像形成装置の各構成部分の動作を制御する。前記複数のログ記録は、前記画像形成装置の画像形成の準備のための第１動作の完了を示す第１ログ記録と、前記第１ログ記録の後に出現すべき第２ログ記録とを含む。前記制御部は、前記画像形成装置の前記第１動作が開始した後、前記第１ログ記録が出現する前に前記第２ログ記録が出現した場合に、前記第１動作の開始に戻ってリカバリー動作が実行されるように制御する。

本発明によれば、検知可能な動作不具合の範囲が拡大された画像形成装置を提供することが可能になる。

実施形態に係る画像形成装置の一例を示す図である。 画像形成装置の構成の一例を示すブロック図である。 ソフトウェアログの一例を示す図である。 学習モデルの構成の一例を示す図である。 学習モデルの動作の一例を示す図である。 不具合推定結果テーブルの一例を示す図である。 不具合推定処理の一例を示すフローチャートである。 図７に続くフローチャートである。 （ａ）は正常シーケンスの一例を、（ｂ）は異常シーケンスの一例をそれぞれ示す図である。 （ａ）は正常シーケンスの他の例を、（ｂ）は異常シーケンスの他の例をそれぞれ示す図である。

以下、図面を参照して本発明の実施形態を説明する。なお、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。

まず、図１を参照して、本実施形態に係る画像形成装置１００について説明する。図１は、画像形成装置１００の一例を示す図である。画像形成装置１００は、シートＳに画像を形成する。画像形成装置１００は、例えば、プリンター、コピー機又は複合機である。画像形成装置１００は、ファクシミリ機能を有してもよい。本実施形態では、画像形成装置１００は電子写真方式である。

画像形成装置１００は、画像形成部１１０と、取得部１２０と、通信部１３０と、装置制御部１４０と、入出力部１５０とを備える。画像形成部１１０、取得部１２０、通信部１３０及び装置制御部１４０は、画像形成装置１００の筐体内に設置される。

画像形成部１１０は、シートＳに画像を形成する。例えば、シートＳは、普通紙、再生紙、薄紙、厚紙、コート紙又はＯＨＰ（Ｏｖｅｒｈｅａｄ Ｐｒｏｊｅｃｔｏｒ）シートである。

取得部１２０は、画像形成装置１００の動作状況を示すログを取得する。具体的には、取得部１２０は、画像形成装置１００の制御プログラムの実行中における動作状況を示すソフトウェアログを取得する。ここで、「ソフトウェアログ」とは、制御プログラムに基づいて制御された画像形成装置１００の振る舞いを、日時とともに時系列に記録した一連の記録である。例えば、ソフトウェアログは、画像形成装置１００の状態、各機能の制御結果、エラー若しくは障害の状態、又は他の電子機器との通信状況を示す。取得部１２０は、第１取得部１２２と、第２取得部１２４とを含む。

第１取得部１２２は、画像形成装置１００の動作状況を示す第１ログを取得する。ここで、「第１ログ」は、自然言語処理の学習モデルと同様の手法で、第１確率分布を学習するために使用されるソフトウェアログである。本実施形態では、第１ログは、例えば、３０００～４０００程度のログ記録を含む。第１確率分布は、第１ログに含まれる各ログ記録の出現確率を示す。

第２取得部１２４は、画像形成装置１００の動作状況を示す第２ログを取得する。ここで、「第２ログ」は、学習済みの学習モデルに入力されて、第２確率分布を推論するために使用されるソフトウェアログである。本実施形態では、第２ログは、例えば、１０００～１５００程度のログ記録を含む。第２確率分布は、第２ログに含まれる各ログ記録の出現確率を示す。なお、第１ログと第２ログとは、同形式であるが、内容の異なる情報である。

通信部１３０は、同じ通信方式（プロトコル）を利用する通信機が搭載された電子機器との間で通信が可能である。具体的には、通信部１３０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）のようなネットワークを介して、他の電子機器と通信する。通信部１３０は、例えば、ＬＡＮボードのような通信モジュール（通信機器）である。

装置制御部１４０は、制御プログラムを実行することによって、画像形成装置１００の各構成部分の動作を制御する。更に、装置制御部１４０は、ニューラルネットワークを含む学習モデルを用いて、画像形成装置１００の不具合の可能性の有無を推定する。具体的には、装置制御部１４０は、再帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：以下、「ＲＮＮ」と称する場合がある）に、ソフトウェアログを示す一連の記号を入力し、自然言語処理のための学習モデルと同様の手法を用いて、不具合の可能性の有無を推定する。例えば、ＲＮＮにおいて、特異なログ記録が検出された場合に、不具合の可能性があると推定する。ＲＮＮは、入力層と、隠れ層と、出力層とを有する。なお、隠れ層は、１層であってもよく、２層以上であってもよい。

入出力部１５０は、各種の情報をユーザーに報知する。具体的には、入出力部１５０は、装置制御部１４０で不具合の可能性があると判定された場合に、その旨を示す情報を報知する。更に、入出力部１５０は、ユーザーから指示を受け付ける。入出力部１５０は、表示部１５２と、受付部１５４と、音声出力部１５６とを有する。

表示部１５２は、各種の情報を画面に表示する。具体的には、表示部１５２は、装置制御部１４０で不具合の可能性があると判定された場合に、不具合の可能性がある旨を示す内容を画面に表示する。

表示部１５２は、ディスプレー及びタッチセンサーを含む。表示部１５２は、例えば、液晶ディスプレーを含むタッチパネルである。なお、ディスプレーは、液晶ディスプレーに限らず、有機ＥＬディスプレー（Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ Ｄｉｓｐｌａｙ）でもよい。

タッチセンサーは、被検知体によるタッチを検知する。タッチセンサーは、被検知体によるタッチを検知した位置を示す検知信号を出力する。被検知体は、例えば、ユーザーの手指である。タッチセンサーは、例えば、抵抗膜方式のタッチセンサーである。

受付部１５４は、例えば、テンキー、スタートキー、及びキャンセルキーを含む。

音声出力部１５６は、各種の情報を音声で報知する。具体的には、音声出力部１５６は、装置制御部１４０で不具合の可能性があると判定された場合に、不具合の可能性がある旨を音声で報知する。

画像形成部１１０は、給送部１１２と、搬送部１１４と、作像部１１６とを含む。給送部１１２は、シートＳを収容する。また、給送部１１２は、必要に応じてシートＳを１枚ずつ給送する。

給送部１１２は、カセット１１２ａと、給送ローラー１１２ｂとを備える。カセット１１２ａは、複数枚のシートＳを収容する。給送ローラー１１２ｂは、カセット１１２ａに収容されたシートＳを給送する。給送ローラー１１２ｂは、カセット１１２ａに収容された複数枚のシートＳのうち最上面に位置するシートＳを１枚ずつ給送する。ここでは、給送部１１２は、複数のカセット１１２ａを備え、複数のカセット１１２ａごとに給送ローラー１１２ｂが設置されている。

搬送部１１４は、給送部１１２によって給送されたシートＳを作像部１１６に搬送する。詳細には、搬送部１１４は、給送部１１２によって給送されたシートＳを１枚ずつ作像部１１６に搬送する。作像部１１６がシートＳに画像を形成した後、搬送部１１４は、作像部１１６からシートＳを搬送し、シートＳを画像形成装置１００の外部に排出する。

搬送部１１４は、搬送ローラー１１４ａを複数含む。搬送ローラー１１４ａは、シートＳを搬送する。搬送部１１４において、複数の搬送ローラー１１４ａによってシートＳの搬送路が形成される。

搬送ローラー１１４ａは、回転ローラーを含む。回転ローラーは、回転軸を中心に回転する。典型的には、搬送ローラー１１４ａは、一対の回転ローラーを含む。一対の回転ローラーは、互いに対向して回転軸を中心に回転する。一例では、一対の回転ローラーのうちの一方の回転ローラーはモーターの動力にしたがって回転し、他方の回転ローラーは従動して回転する。シートＳは、回転する一対の回転ローラーの間に進入し、回転ローラーによって付勢されて回転ローラーから押し出される。

搬送ローラー１１４ａは、レジストローラー１１４ｒを含む。レジストローラー１１４ｒは、作像部１１６にシートＳを搬送するタイミングを調整する。レジストローラー１１４ｒは、シートＳの搬送を一旦停止し、作像部１１６の所定のタイミングに合わせて作像部１１６にシートＳを搬送する。

トナーコンテナＣａ～Ｃｄは画像形成装置１００に装着される。トナーコンテナＣａ～Ｃｄの各々は画像形成装置１００に対して着脱自在である。トナーコンテナＣａ～Ｃｄのそれぞれには異なる色のトナーが収容される。トナーコンテナＣａ～Ｃｄのトナーは画像形成部１１０に供給される。画像形成部１１０は、トナーコンテナＣａ～Ｃｄから供給されたトナーを用いて画像を形成する。

例えば、トナーコンテナＣａは、イエロー色のトナーを収容し、作像部１１６にイエロー色のトナーを供給する。トナーコンテナＣｂは、マゼンタ色のトナーを収容し、作像部１１６にマゼンタ色のトナーを供給する。トナーコンテナＣｃは、シアン色のトナーを収容し、作像部１１６にシアン色のトナーを供給する。トナーコンテナＣｄは、ブラック色のトナーを収容し、作像部１１６にブラック色のトナーを供給する。

作像部１１６は、トナーコンテナＣａ～Ｃｄに収容されたトナーを用いて、画像データに基づく画像をシートＳに形成する。ここでは、作像部１１６は、露光部１１６ａ、感光体ドラム１１６ｂ、帯電部１１６ｃ、現像部１１６ｄ、１次転写ローラー１１６ｅ、クリーニング部１１６ｆ、中間転写ベルト１１６ｇ、２次転写ローラー１１６ｈ、及び、定着部１１６ｉを含む。

中間転写ベルト１１６ｇは、モーターの動力にしたがって回転する回転ローラーによって回転する。現像部１１６ｄには、モーターが取り付けられている。現像部１１６ｄ内のトナーは、モーターの回転に伴って攪拌される。

感光体ドラム１１６ｂ、帯電部１１６ｃ、現像部１１６ｄ、１次転写ローラー１１６ｅ及びクリーニング部１１６ｆは、トナーコンテナＣａ～Ｃｄのそれぞれに対応して設けられる。複数の感光体ドラム１１６ｂは、中間転写ベルト１１６ｇの外表面に当接し、中間転写ベルト１１６ｇの回転方向に沿って配置される。複数の１次転写ローラー１１６ｅは、複数の感光体ドラム１１６ｂに対応して設けられる。複数の１次転写ローラー１１６ｅは、中間転写ベルト１１６ｇを介して、複数の感光体ドラム１１６ｂに対向する。

帯電部１１６ｃは、感光体ドラム１１６ｂの周面を帯電する。露光部１１６ａは、画像データに基づく光を感光体ドラム１１６ｂの各々に照射し、感光体ドラム１１６ｂの周面には静電潜像が形成される。現像部１１６ｄは、静電潜像にトナーを付着させて静電潜像を現像し、感光体ドラム１１６ｂの周面にトナー像を形成する。したがって、感光体ドラム１１６ｂはトナー像を担持する。１次転写ローラー１１６ｅは、感光体ドラム１１６ｂに形成されたトナー像を中間転写ベルト１１６ｇの外表面に転写する。クリーニング部１１６ｆは、感光体ドラム１１６ｂの周面に残留しているトナーを除去する。

トナーコンテナＣａに対応する感光体ドラム１１６ｂは、静電潜像に基づきイエロー色のトナー像を形成し、トナーコンテナＣｂに対応する感光体ドラム１１６ｂは、静電潜像に基づきマゼンタ色のトナー像を形成する。トナーコンテナＣｃに対応する感光体ドラム１１６ｂは、静電潜像に基づきシアン色のトナー像を形成し、トナーコンテナＣｄに対応する感光体ドラム１１６ｂは、静電潜像に基づきブラック色のトナー像を形成する。

中間転写ベルト１１６ｇの外表面には、感光体ドラム１１６ｂから複数色のトナー像が重畳して転写され、画像が形成される。このため、中間転写ベルト１１６ｇは、画像を担持する。２次転写ローラー１１６ｈは、中間転写ベルト１１６ｇの外表面に形成された画像をシートＳに転写する。

定着部１１６ｉは、トナー像が転写されたシートＳを加熱及び加圧することによって、トナー像をシートＳに定着させる。定着部１１６ｉは、加熱ローラー１１６ｊ及び加圧ローラー１１６ｋを備える。加熱ローラー１１６ｊ及び加圧ローラー１１６ｋは互いに対向して配置され、定着ニップを形成する。中間転写ベルト１１６ｇと２次転写ローラー１１６ｈとの間を通過したシートＳは、定着ニップを通過することにより所定の定着温度で加熱されながら、加圧される。この結果、トナー像がシートＳに定着する。搬送部１１４は、トナー像の定着されたシートＳを画像形成装置１００の外部に排出する。

次に、図１及び図２を参照して、装置制御部１４０の構成について説明する。図２は、画像形成装置１００の構成の一例を示すブロック図である。

図２に示されるように、装置制御部１４０は、処理部１４２と、記憶部１４４とを備える。処理部１４２は、例えば、プロセッサーである。プロセッサーは、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。処理部１４２は、記憶部１４４に記憶された制御プログラムを実行することによって、画像形成装置１００の各構成部分の動作を制御する。

処理部１４２は、記号化部１４２１と、学習部１４２２と、推論部１４２３と、判定部１４２４と、制御部１４２５とを含む。本実施形態において、処理部１４２が記憶部１４４に記憶された制御プログラムを実行することによって、制御プログラムが、記号化部１４２１と、学習部１４２２と、推論部１４２３と、判定部１４２４と、制御部１４２５との機能を実現する。

記号化部１４２１は、後述するソフトウェアログ辞書の一文の情報に一義的に対応する記号を付与する。具体的には、記号化部１４２１は、ソフトウェアログとして取得される可能性のある全ての一文の情報に、ＩＤ番号を付与する。本実施形態では、記号化部１４２１は、第１ログ又は第２ログとして取得される可能性のある全ての一文の情報に、ＩＤ番号を付与し、ソフトウェアログ辞書を作成する。

更に、記号化部１４２１は、第１ログに含まれる全てのログ記録に、ソフトウェアログ辞書に付与されたＩＤ番号を流用する。更に、記号化部１４２１は、第１ログの場合と同様に、第２ログに含まれる全てのログ記録に、ソフトウェアログ辞書に付与されたＩＤ番号を流用する。

学習部１４２２は、ニューラルネットワークを用いた学習モデルに第１記号を入力して、第１記号に対応するログ記録の出現確率を示す第１確率分布を、機械学習によって取得する。具体的には、学習部１４２２は、ＲＮＮを用いた学習モデルに第１記号を入力し、学習モデルの出力結果に基づいて、第１確率分布を取得する。

本実施形態では、学習部１４２２は、ＲＮＮを含む学習モデルに、順次、全ての第１記号を入力して、第１ログに含まれる全てのログ記録の出現確率を示す第１確率分布を学習する。具体的には、学習部１４２２は、いわゆる「ｏｎｅ－ｈｏｔベクトル」を利用して、学習モデルに全ての第１記号を順次入力し、全ての第１記号の出現確率を学習する。その際、学習部１４２２は、学習モデルから出力された出力結果が示す第１記号の出現順序と、教師データである第１記号の出現順序とに関する誤差を算出する。学習部１４２２は、算出した誤差に基づいて、学習モデルのパラメーターである、いわゆる「重み」と「バイアス」とを更新する。このように、学習部１４２２は、全ての第１記号の出現確率について学習する。

推論部１４２３は、ＲＮＮを含む学習モデルに第２記号を入力し、学習モデルからの出力結果に基づいて、第２記号に対応するログ記録の出現確率を示す第２確率分布を推論する。具体的には、推論部１４２３は、特定の第２記号の次に出現する第２記号の出現確率を推論する。すなわち、推論部１４２３は、一の第２記号の次に出現する他の第２記号の確率を、全ての第２記号について推論する。このように、推論部１４２３は、全ての第２記号の出現確率を推論する。

判定部１４２４は、推論された第２確率分布によって特定される第２ログの推論出現順序と、第２ログが示す実際出現順序との比較に基づいて、画像形成装置１００の不具合の可能性の有無を判定する。

制御部１４２５は、記憶部１４４に記憶された制御プログラムを実行することによって、画像形成装置１００の各構成部分を制御する。制御部１４２５は、演算素子を含む。演算素子は、プロセッサーを含む。一例では、プロセッサーは、中央処理演算機（ＣＰＵ）を含む。プロセッサーは、特定用途集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）を含んでもよい。

記憶部１４４は、各種のデータ及び制御プログラムを記憶する。記憶部１４４は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、及び／又はソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ：ＳＳＤ）によって構成される。記憶部１４４は、外部メモリーを含んでもよい。外部メモリーは、リムーバブルメディアである。記憶部１４４は、外部メモリーとして、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリー、及び／又はＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）カードを含んでもよい。

更に、記憶部１４４は、制御プログラムを、コンピューター読取可能な記録媒体に非一時的に記録する。制御プログラムが非一時的に記録されるコンピューター読取可能な記録媒体は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＣＤ－ＲＯＭ、磁気テープ、磁気ディスク又は光データ記憶装置を含む。

次に、図１～図６を参照して、本実施形態の画像形成装置１００による不具合推定方法を説明する。図３は、ソフトウェアログ３１０の一例を示す図である。

図３中の２番目のログ記録「［ＴＣＣ］ＲＦＩＤ＿ｃｖｒＣｌｏｓｅ」は、カバーが閉じたことを示す。７番目のログ記録「［ＬＳＵ］ｉｎｉｔｉａｌ」は、ＬＳＵ（Ｌａｓｅｒ Ｓｃａｎｎｉｎｇ Ｕｎｉｔ）が初期化処理を開始したことを示す。他のログ記録については、説明を省略する。

次に、ソフトウェアログ辞書について説明する。ソフトウェアログ辞書は、ＩＤ番号と、辞書内容とを含む。

ＩＤ番号は、例えば昇順の番号である。ＩＤ番号は、個々の辞書内容に一義的に対応するように割り当てられている。

辞書内容は、ソフトウェアログ３１０に登場する全ての一文の情報を含む。記号化部１４２１は、辞書内容を構成する個々のログ記録に、ＩＤ番号を割り当てる（以下、ＩＤ番号が割り当てられた個々のログ記録を「単語」と称する場合がある）。

次に、コーパス（教師データ）について説明する。「コーパス」とは、自然言語処理を対象とした学習モデルにおいては、ある言語又はその言語の特定分野で観測された文節の並びの実例をいう。更に、コーパスは、コンピューターによって検索可能な大量の文節を含むデータベースである。本実施形態の「コーパス」も、自然言語処理を対象とした学習モデルにおけるコーパスと同様に、データベース化されている。

図４及び図５は、再帰型ニューラルネットワーク６００を含む学習モデルの一例を示す図である。再帰型ニューラルネットワーク６００は、入力層６１２と、隠れ層６１３と、出力層６１４と、ソフトマックス６１５とを含む。入力層６１２は、入力単語６１１を順次受け取る。入力単語６１１の各々は、ｏｎｅ－ｈｏｔベクトルとして与えられる。ｏｎｅ－ｈｏｔベクトルは、全ての成分のうちの１成分のみが「１」を示し、他の全ての成分が「０」を示すベクトルである。隠れ層６１３は、入力層６１２から出力層６１４に値を伝播させる役目を担う。具体的には、隠れ層６１３は、「重み」と「バイアス」を含む関数によって、入力層６１２から出力層６１４に値を伝播させる。出力層６１４は、入力層６１２が受け取った入力単語６１１の次に出現する単語の確率６１６を出力する。ソフトマックス６１５は、ソフトマックス関数を示す。ソフトマックス６１５は、出力値を０～１の値に落とし込み、出力値の合計が「１」となるように各出力値を算出する。その結果、再帰型ニューラルネットワーク６００からｏｎｅ－ｈｏｔベクトルとして出力単語６１７が得られる。

更に、図５には、「時刻Ｔ」のＲＮＮ６１０と、「時刻Ｔ＋１」のＲＮＮ６２０と、「時刻Ｔ＋２」のＲＮＮ６３０と、「時刻Ｔ＋３」のＲＮＮ６４０と、「時刻Ｔ＋４」のＲＮＮ６５０とが示されている。

図５に示されるように、例えば、「時刻Ｔ」のＲＮＮ６１０の出力層６１４の出力値は、「時刻Ｔ＋１」のＲＮＮ６２０の隠れ層６１３に入力されている。これにより、前後に位置するログ記録の関連の強さが、後ろのログ記録に順次引き継がれる。

図６は、不具合推定結果テーブル７００の一例を示す図である。不具合推定結果テーブル７００は、インデックス７０１と、推論結果ＩＤ７０２と、第２ログＩＤ７０３と、良好／非良好７０４とを含む。インデックス７０１は、テスト用データのＩＤ番号を示す。推論結果ＩＤ７０２は、テスト用データを入力して推論を実行した場合の出力単語６１７のＩＤ番号を示す。第２ログＩＤ７０３は、第２ログに含まれるログ記録のＩＤ番号を示す。良好／非良好７０４は、推論結果ＩＤ７０２と第２ログＩＤ７０３とを比較した結果、第２ログが示す画像形成装置１００の動作に不具合の可能性が低いこと、又は不具合の可能性があることを示す。

図６に示されるように、インデックス７０１の範囲「６７９」～「６８７」のうち、インデックス７０１が「６８３」、「６８４」及び「６８６」である各ログ記録については、「非良好」である、すなわち不具合の可能性があると判定されている。

次に、図１～図８を参照して本実施形態の画像形成装置１００の不具合推定処理を説明する。図７及び図８は、画像形成装置１００の不具合推定処理の一例を示すフローチャートである。不具合推定処理は、ステップＳ２～ステップＳ２８によって実行される。

ステップＳ２：図７に示されるように、制御部１４２５は、受付部１５４を介して、学習準備又は推論実行の指示をユーザーから受け付ける。ユーザーから学習準備の指示を受け付けたと制御部１４２５が判定した場合（ステップＳ２で「学習準備」）、処理は、ステップＳ４に進む。ユーザーから推論実行の指示を受け付けたと制御部１４２５が判定した場合（ステップＳ２で「推論実行」）、処理はステップＳ２０に進む（図８参照）。

ステップＳ４：記号化部１４２１は、ＩＤ番号を付与したソフトウェアログ辞書を生成する。処理は、ステップＳ６に進む。

ステップＳ６：第１取得部１２２は、第１ログを取得する。記号化部１４２１は、第１ログの各ログ記録にソフトウェアログ辞書のＩＤ番号を流用する。処理は、ステップＳ８に進む。

ステップＳ８：制御部１４２５は、コーパスを学習用と、交差検証用と、テスト用とに分離する。処理は、ステップＳ１０に進む。

ステップＳ１０：学習部１４２２は、第１ログのＩＤ番号をＲＮＮに入力する。処理は、ステップＳ１２に進む。

ステップＳ１２：学習部１４２２は、誤差を計算する。処理は、ステップＳ１４に進む。

ステップＳ１４：学習部１４２２は、誤差が閾値より大きいか否かを判定する。誤差が閾値より大きいと学習部１４２２が判定した場合（ステップＳ１４でＹｅｓ）、処理は、ステップＳ１６に進む。誤差が閾値より大きくないと学習部１４２２が判定した場合（ステップＳ１４でＮｏ）、処理はステップＳ１８に進む。

ステップＳ１６：学習部１４２２は、重み値及びバイアス値を更新する。処理は、ステップＳ１０に戻る。

ステップＳ１８：学習部１４２２は、重み値及びバイアス値を保存する。処理は終了する。

ステップＳ２０：図８に示されるように、第２取得部１２４は、第２ログを取得する。記号化部１４２１は、第２ログの各ログ記録にソフトウェアログ辞書のＩＤ番号を流用する。処理は、ステップＳ２２に進む。

ステップＳ２２：推論部１４２３は、第２ログのＩＤ番号を学習済みのＲＮＮに入力し、推論を実行する。処理は、ステップＳ２４に進む。

ステップＳ２４：判定部１４２４は、推論結果が示す推論出現順序と第２ログが示す実際出現順序とを比較する。処理は、ステップＳ２６に進む。

ステップＳ２６：推論結果と出力ログとが一致すると判定部１４２４が判定した場合は（ステップＳ２６でＹｅｓ）、処理は終了する。推論結果と出力ログとが一致しないと判定部１４２４が判定した場合は（ステップＳ２６でＮｏ）、ステップＳ２８に進む。

ステップＳ２８：制御部１４２５は、次に説明するリカバリー動作を実行する。音声出力部１５６は、必要に応じて、アラーム音によりユーザーに不具合を通知する。表示部１５２も、必要に応じて、文字又は記号によりユーザーに不具合を通知する。そして、処理は終了する。

次に、図１～図８、図９（ａ）、及び図９（ｂ）を参照して、リカバリー動作について説明する。図９（ａ）は正常シーケンスの一例を、図９（ｂ）は異常シーケンスの一例をそれぞれ示す図である。

図９（ａ）は、ある時点で取得部１２０によって順次取得された、画像形成装置１００の動作状況を示す６個のログ記録を示す。１番目のログ記録は、電源スイッチがオンされたことを示す。２番目のログ記録は、ウォーミングアップ動作が開始したことを示す。３番目のログ記録は、ウォーミングアップ動作が完了したことを示す。４番目のログ記録は、印刷準備が完了したことを示す。５番目のログ記録は、印刷要求が受け付けられたことを示す。６番目のログ記録は、画像形成装置１００が印刷動作を開始することを示す。

ウォーミングアップ動作は、感光体ドラム１１６ｂのキャリブレーションのような、印刷に必要な準備を含む。図９（ａ）の例では、ウォーミングアップ動作完了を示す３番目のログ記録の後に、印刷動作開始を示す６番目のログ記録が出現しているので、正常な画像形成が期待される。

図９（ｂ）は、他の時点で取得部１２０によって順次取得された、画像形成装置１００の動作状況を示す３個のログ記録を示す。１番目のログ記録は、電源スイッチがオンされたことを示す。２番目のログ記録は、ウォーミングアップ動作が開始したことを示す。３番目のログ記録は、画像形成装置１００が印刷動作を開始することを示す。

制御部１４２５は、ウォーミングアップ動作完了を示すログ記録の後に、印刷動作開始を示すログ記録が出現すべきとの情報を、機械学習によって取得している。制御部１４２５は、この情報に基づいて、ウォーミングアップ動作が開始した後、ウォーミングアップ動作の終了を示すログ記録が取得される前に、印刷動作開始を示すログ記録が取得された時点で、リカバリー動作が実行されるように制御する。つまり、制御部１４２５は、ウォーミングアップ動作の開始に戻るようにプログラムの流れを制御する。その結果、印刷不良が予想される印刷動作が実際には開始されることなく、ウォーミングアップ動作のやり直しが実行される。

次に、図１～図８、図１０（ａ）、及び図１０（ｂ）を参照して、他のリカバリー動作について説明する。図１０（ａ）は正常シーケンスの他の例を、図１０（ｂ）は異常シーケンスの他の例をそれぞれ示す図である。

図１０（ａ）は、ある時点で取得部１２０によって順次取得された、画像形成装置１００の動作状況を示す９個のログ記録を示す。１番目のログ記録は、トナーコンテナＣａのトナー切れが検知されたことを示す。２番目のログ記録は、トナー切れ状態で印刷動作が開始することがないように画像形成装置１００が動作ホールドの状態に移行したことを示す。３番目のログ記録は、トナーコンテナＣａの交換が確認されたことを示す。４番目のログ記録は、動作ホールドが解除されたことを示す。５番目のログ記録は、トナーインストール動作が開始したことを示す。６番目のログ記録は、トナーインストール動作が完了したことを示す。７番目のログ記録は、印刷準備が完了したことを示す。８番目のログ記録は、印刷要求が受け付けられたことを示す。９番目のログ記録は、画像形成装置１００が印刷動作を開始することを示す。

トナーインストール動作は、トナーコンテナＣａから現像部１１６ｄへのトナー供給に必要な準備を含む。図１０（ａ）の例では、トナーインストール動作完了を示す６番目のログ記録の後に、印刷動作開始を示す９番目のログ記録が出現しているので、正常な画像形成が期待される。

図１０（ｂ）は、他の時点で取得部１２０によって順次取得された、画像形成装置１００の動作状況を示す６個のログ記録を示す。１番目のログ記録は、トナーコンテナＣａのトナー切れが検知されたことを示す。２番目のログ記録は、画像形成装置１００が動作ホールドの状態に移行したことを示す。３番目のログ記録は、トナーコンテナＣａの交換が確認されたことを示す。４番目のログ記録は、動作ホールドが解除されたことを示す。５番目のログ記録は、トナーインストール動作が開始したことを示す。６番目のログ記録は、画像形成装置１００が印刷動作を開始することを示す。

制御部１４２５は、トナーインストール動作完了を示すログ記録の後に、印刷動作開始を示すログ記録が出現すべきとの情報を、機械学習によって取得している。制御部１４２５は、この情報に基づいて、トナーインストール動作が開始した後、トナーインストール動作の終了を示すログ記録が取得される前に、印刷動作開始を示すログ記録が取得された時点で、リカバリー動作が実行されるように制御する。つまり、制御部１４２５は、トナーインストール動作の開始に戻るようにプログラムの流れを制御する。その結果、印刷不良が予想される印刷動作が実際には開始されることなく、トナーインストール動作のやり直しが実行される。

なお、制御部１４２５は、画像形成期間中は、リカバリー動作が実行されないように制御すればよい。ユーザーが画像形成装置１００を使用するにあたって差支えのない範囲でリカバリー動作が行われるのが適切だからである。例えば、電源スイッチオンから印刷要求受付までの第１期間、動作ホールド解除から印刷要求受付までの第２期間、又は印刷動作終了から電源スイッチオフまでの第３期間にリカバリー動作の実行が許容される。

また、制御部１４２５は、リカバリー動作の繰り返し回数が所定回数を超えないように制御すればよい。回数の制限により、画像形成装置１００がリカバリー動作から抜け出せなくなることを抑制することができる。

以上のように、本実施形態の画像形成装置１００によれば、検知可能な動作不具合の範囲が拡大される。しかも、リカバリー動作の実行により、動作不具合に起因した障害が未然に抑制され得る。

なお、画像形成装置１００は、ネットワークを介してサーバー装置に接続されてもよい。サーバー装置は、ネットワークを介して画像形成装置１００からソフトウェアログ３１０を受信し、画像形成装置１００の不具合の可能性の有無を推定することができる。

以上、図面を参照しながら本発明の実施形態について説明した。ただし、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の実施形態に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明の形成が可能である。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の長さ、個数、間隔等は、図面作成の都合上から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素の形状、寸法等は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能である。

例えば、実施形態では、画像形成装置１００は電子写真方式であったが、これに限られない。例えば、画像形成装置１００は、インクジェット方式であってもよい。

また、実施形態では、制御部１４２５が機械学習の結果を利用したが、本発明はこれに限られない。あるログ記録の前に出現すべきでないログ記録のリストを制御部１４２５が保持しておき、制御部１４２５がリストを参照してリカバリー動作の実行を制御してもよい。

本発明は、画像形成装置の分野に利用可能である。

１００ 画像形成装置
１１０ 画像形成部
１２０ 取得部
１４０ 装置制御部
１４２ 処理部
１４４ 記憶部
３１０ ソフトウェアログ
６００ 再帰型ニューラルネットワーク
１４２１ 記号化部
１４２２ 学習部
１４２３ 推論部
１４２４ 判定部
１４２５ 制御部

Claims (4)

1. 記録媒体の上に画像を形成する画像形成装置であって、
   前記画像形成装置の動作状況を示す複数のログ記録を順次取得する取得部と、
   前記画像形成装置の各構成部分の動作を制御する制御部と
   を備え、
   前記複数のログ記録は、
   前記画像形成装置の画像形成の準備のための第１動作の完了を示す第１ログ記録と、
   前記第１ログ記録の後に出現すべき第２ログ記録と
   を含み、
   前記制御部は、前記画像形成装置の前記第１動作が開始した後、前記第１ログ記録が出現する前に前記第２ログ記録が出現した場合に、前記第１動作の開始に戻ってリカバリー動作が実行されるように制御する、画像形成装置。
2. 前記制御部は、前記第１ログ記録の後に前記第２ログ記録が出現すべきとの情報を、機械学習によって取得する、請求項１に記載の画像形成装置。
3. 前記制御部は、前記記録媒体の上に前記画像が形成されている期間は、前記リカバリー動作が実行されないように制御する、請求項１又は請求項２に記載の画像形成装置。
4. 前記制御部は、前記リカバリー動作の繰り返し回数が所定回数を超えないように制御する、請求項１から請求項３のいずれか１項に記載の画像形成装置。

Images