JP7328770B2 - 故障解決策予測システム及び方法 - Google Patents

Description

本発明は、電子・電気装置の故障解決策予測システム及び方法に関する。

電子・電気装置の一例であるドキュメント処理デバイスは、プリンタ、コピー機、スキャナ及びＥメールゲートウェイを含む。近年、オフィス環境には、これらの機能のうち２以上の機能を搭載したデバイスがある。これらのデバイスは、多機能周辺機器（ＭＦＰ）又は複合デバイス（ＭＦＤ）と呼ばれる。本明細書で、ＭＦＰとは、上記のいずれかのデバイスを意味する。

高価な費用のため、ＭＦＰは、しばしば、例えば、ＳＮＭＰ（Simple Network Management Protocol）を使用したデータネットワークを介して、複数のユーザに共用される。メンテナンスのため、ＭＦＰは、しばしばデータネットワークを介して複数の技術者にモニタされる。ＭＦＰデバイスは、複雑なデバイスであり故障し易い。ＭＦＰデバイスが故障すると、エンドユーザはサービスコールを始める。ＭＦＰデバイスのエンドユーザにとって、ＭＦＰデバイスの故障は、極めてストレスになる。ＭＦＰデバイスの故障により、ＭＦＰを使用不可な時間が長時間続くことになる。その結果、エンドユーザは、パワフルなオフィスツールであるＭＦＰを使用できない。また、ジョブを待たなければならないとき、又は代わりのＭＦＰ（例えば、不便な場所に設置されたＭＦＰ、又は故障したＭＦＰでは利用可能であった性能（必要のある性能）を有さないＭＦＰ）を使用するとき、エンドユーザのフラストレーションが溜まる。

ＭＦＰデバイスの故障は、エンドユーザの負担となるだけでなく、ＭＦＰのプロバイダにとっても大きな費用的なコストが発生する。ＭＦＰの典型的なビジネスモデルによれば、ディストリビュータ（販社）とエンドユーザとの契約において、ディストリビュータは、エンドユーザにとって安価な初期費用又は初期費用無料でＭＦＰデバイスを提供する。エンドユーザの課金は、ページ毎のコストに基づく。このコストは、ＭＦＰデバイス使用量の課金と、メンテナンスコストとを反映した価格である。サービスコールを受け、サービスコールのログを取り、サービス時間をスケジュールし、サービス技術者を派遣し、ＭＦＰデバイスを診断及びリペアする、一連に作業が発生することにより、膨大な人的資源のコストが掛かる。このサービスコストにより、ディストリビュータの利益が減り、エンドユーザのページ毎のコストが上昇し、あるいは両方が発生する。

特開２０１３－０２５６６０号公報 特開２０１７－１７０７６０号公報

本発明が解決しようとする課題は、デバイスリペアによるサービスコストを削減すると共に、新たな故障状況及び解決策を用いることにより、将来的な故障を予測し対処する故障解決策予測システムおよび方法を提供することを目的とする。

実施形態に係る故障解決策予測システムは、プロセッサと、複数の多機能周辺機器それぞれから、デバイスエラー、デバイス使用量、及び機械的摩耗データを含むデバイスステータスデータを受信するネットワークインタフェースと、前記多機能周辺機器それぞれのサービス履歴データであって、以前のデバイス故障に対処するのに実施された解決策が関連付けられた前記以前のデバイス故障に関する複数のデータパターンを含む前記サービス履歴データを記憶するメモリと、を具備し、前記プロセッサは、前記ネットワークインタフェースを経由してモニタ中の多機能周辺機器から送信される前記デバイスステータスデータを受信すると、そのデバイスステータスデータ中のパターンを検出し、検出した前記パターンと、前記メモリに記憶した前記サービス履歴データとを用いて、機械学習およびデータ分析により前記モニタ中の多機能周辺機器の故障を予測する予測デバイス故障データを生成し、生成した前記予測デバイス故障データにより予測されるデバイス故障に対処するための少なくとも１つの推奨解決策を特定してサービス技術者に通知する。

実施形態に係る故障解決策予測システムの構成を示す図。 ネットワーク接続されたドキュメント描画システムの構成を示す図。 実施形態に係るデジタルデータ処理装置の構成を示す図。 故障解決策予測システムのデバイスエラー予測機構の構成および処理手順を示す図。 機械学習故障解決策予測システムの構成および処理手順を示す図。 機械学習故障解決策予測システムによって生成されたデータパターンの一例を示す図。 機械学習アルゴリズムの例を示す図。 機械学習アルゴリズムの結果の例を視覚的に示す図。 実施形態に係るデバイス兆候の故障を示す図。 実施形態に係るデバイス故障の解決策を示す図。

本発明に係る各種の実施形態は、明細書、特許請求の範囲及び図面を参照することで、よりよく理解され得る。

ここに開示するシステム及び方法は、例示として図面を参照して詳細に説明する。なお、開示及び記載された例示、設備、構成、部品、要素、装置、デバイス、方法、システム等に対する変形は、好適に行われ得るし、また、特定のアプリケーションに対して要求され得る。本開示において、特定の技術、設備等は、提示された特定の例と同一であるか、あるいは、単にこの技術、設備等の一般的な記述と同一である。具体的に明示しない限り、具体的な詳細又は例と同一であると必須又は限定的に解釈されることを意図したものでは無いし、されてはならない。

実施形態に係る、デバイス故障を予測し、エラー発生時の推奨解決策を生成する故障解決策予測システム及び方法によれば、複数の特定の電子・電気装置それぞれから、デバイスステータスデータをメモリに受信する。電子・電気装置それぞれのサービス履歴データを記憶する。サービス履歴データは、故障に対処するのに実施された解決策が関連付けられた、以前のデバイス故障に関する複数のデータパターンに対応するデータを含む。受信したデバイスステータスデータ中のパターンを検出する。検出したパターン及びサービス履歴データに基づいて、少なくとも１つの特定の電子・電気装置の予測デバイス故障データを生成する。予測デバイス故障データにより予測されるデバイスエラーに対処するための少なくとも１つの推奨解決策に従って、予測されるデバイス故障を通知する。

図１は、実施形態に係る故障解決策予測システム１００を示す。故障解決策予測システム１００は、電子・電気装置である複数のＭＦＰ１０４（１０４ａ、１０４ｂ乃至１０４ｎ）を有する。複数のＭＦＰ１０４は、地理的に分散している。１以上のＭＦＰ１０４は、単一のビジネスロケーション（建物）１０８に位置しても良い。また、単一のビジネスの複数のビジネスロケーション（建物）に亘って位置しても良い。また、複数のビジネスに亘って位置しても良い。全てのＭＦＰ１０４は、ネットワーククラウド１１２を介してデータ通信可能に構成される。ネットワーククラウド１１２は、好適には、現地のＷｉｄｅ Ａｒｅａ ネットワーク（ＬＡＮ）又はＷｉｄｅ Ａｒｅａ ネットワーク（ＷＡＮ）の一部または全てを含む。ＷＡＮは、グローバルインターネットを含んでも良い。ネットワーククラウド１１２のデータ通信は、さらにデータ分析及び機械学習サービスを含む。このサービスは、１以上のサーバ（図示のサーバ１１６）を含む。複数のＭＦＰ１０４は、それぞれ、デバイスの１以上のステータスをモニタするよう構成された１以上のコンポーネントを有する。ステータスは、複数のＭＦＰ１０４からネットワーククラウド１１２を介してサーバ１１６にレポートされる。

サーバ１１６は、大容量記憶装置に付加的情報（リペア履歴、及びデバイスメンテナンススケジュール等）を記憶する。好適には、付加的情報は１以上のサービス技術者に対応するように記憶される。サーバ１１６は、さらに、ＭＦＰ１０４の設置位置の情報を記憶する。設置位置の情報は、ＭＦＰ１０４それぞれに対して決定される地理的位置である。設置位置の情報は、ＭＦＰデバイスの物理的な位置の記述、ＭＦＰデバイスのインストールアドレス、ＭＦＰデバイスのＩＰアドレス情報等に基づき、予め設定すれば良い。ＭＦＰ１０４自体が、例えばＧＰＳ位置、セルタワーセクタ位置、ＲＦ三角測量等により、設置位置情報を判断しても良い。

サーバ１１６は、複数のＭＦＰ１０４から送信されてくるＭＦＰデータを大容量記憶装置に蓄積する。ＭＦＰデータは、例えば、デバイスエラーのログ、デバイス使用量（プリントジョブの数、又はデバイスページカウント等）、機械的摩耗の記録データ、強制デバイスシャットダウンの頻度、マニュアルでのコピー中断の回数、及び環境的要因（温度、湿度、地盤安定、気圧等）を含む。更に、以前のＭＦＰデバイスの故障に関連するデータパターンに対応する履歴データ（デバイスサービス履歴）は、エラーそれぞれに対処するために使用された以前の解決策と関連付けて、サーバ１１６の大容量記憶装置に記憶される。

サーバ１１６は、履歴データパターンに関するモニタ中のＭＦＰ１０４から受信したデータパターンをモニタする。これにより、サーバ１１６は、実際の故障より前に、予期されるモニタ中のＭＦＰデバイスの故障を予測する。これとともに、サーバ１１６は、同一又は同様のデータパターンの故障に関する以前の解決策に基づき、予測されるＭＦＰのデバイスエラーに対する１以上の推奨解決策を提案する。好適には、サーバ１１６は、複数の解決策を判断すれば良い。サーバ１１６は、複数の可能な解決策をランク付けしても良い。例えば、機械的調整及びパーツ交換を、優先度が高く高ランクの解決策としても良い。これにより、技術者は、問題発生時、機械的調整をしても問題に対処できなければ、必要なパーツを注文することができる。

予測デバイスエラー情報と、過去に同様のエラーに対して使用された１以上の推奨解決策は、無線通信機能を有する携帯端末１２０（例えば、タブレットコンピュータやスマートフォン）を介して、サービス技術者１２４又はサービスセンタに送信することが出来る。サーバ１１６には、故障が予測される特定のＭＦＰデバイスに関して、推奨されるメンテナンス手順、及びに必要となるパーツの情報を記憶している。また、存在する在庫（現地の在庫１２８等）を適切にチェックして、そのパーツの情報を取得する。利用可能なパーツの在庫が十分に無ければ、必要なパーツ注文情報を、パーツサプライヤ（倉庫１３２等）に送信して補充することが出来る。予測される故障が発生しなければ、その故障に関するパターンデータ連携を、システムにフィードバックする。これにより、この問題を治癒するのに最終的に使用された解決策に対応するデータを用いて、履歴パターンデータをさらに改良することが出来る。このような機械学習によれば、それぞれの新たな故障状況、及び解決策を用いることにより、将来的な故障を予測し対処するシステムをさらに改良することが出来る。

図２は、本発明が適用される、ネットワーク接続されたデジタルデバイスの構成を示す図である。デジタルデバイスは、ドキュメント描画システム２００を含む。ドキュメント描画システム２００は、図１のＭＦＰ１０４に含まれる。ドキュメント描画システム２００は、インテリジェントコントローラ２０１を有する。インテリジェントコントローラ２０１は、コンピュータシステム自体である。従って、ＭＦＰ自体が、本性能を有するクラウドサーバとして機能することが出来る。インテリジェントコントローラ２０１は、１以上のプロセッサ２０２を含む。プロセッサ２０２はデータバス２１２を介して、不揮発性のメモリ２０４（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）２０６をアクセスして、データの読み書きを実行する。

プロセッサ２０２は、さらに、ストレージインタフェース（Ｉ／Ｆ）２０８とデータ通信する。ストレージインタフェース２０８は、プロセッサ２０２の指令に従ってストレージ２１６にデータを読み書きする。ストレージ２１６は、ハードディスク、オプティカルディスク、ソリッドステートディスク、クラウドベースのストレージ、あるいは、他の好適なデータストレージによって構成することが出来る。

プロセッサ２０２は、さらに、ネットワークインタフェース（Ｉ／Ｆ）２１０とデータ通信する。ネットワークインタフェース２１０は、ネットワークインタフェースコントローラ（ＮＩＣ）２１４に対するインタフェースとして機能する。また、ネットワークインタフェースコントローラ２１４は、有線の（物理的な）ネットワークライン２２０に対するデータパス、あるいは、無線ネットワークインタフェース２１８を介した無線通信に対するデータパスを供給する。無線通信の接続は、例えば、セルラー方式、Ｗｉ－Ｆｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣ、無線ユニバーサルシリアルバス（無線ＵＳＢ）、衛星等である。有線のインタフェースは、例えば、イーサネット（登録商標）、ＵＳＢ、ＩＥＥＥ１３９４（ＦｉｒｅＷｉｒｅ）、Ｌｉｇｈｔｎｉｎｇ、電話線等である。

プロセッサ２０２は、さらに、ユーザ入出力（Ｉ／Ｏ）インタフェース２１９とデータ通信可能である。ユーザインタフェース２１９は、ユーザ周辺機器（ディスプレイ、キーボード、マウス、トラックボール、タッチスクリーン等）とデータ通信を行い、使用者等のエンドユーザに対する各種のデータ表示、並びにエンドユーザによる入力操作等が行われる。

さらに、プロセッサ２０２は、文書プロセッサインタフェース（Ｉ／Ｆ）２２２とデータ通信可能である。ドキュメントプロセッサインタフェース２２２は、データバス２１２を介してプロセッサ２０２とデータ通信する。ドキュメントプロセッサインタフェース２２２は、ＭＦＰの機能部２５０ともデータ通信することが出来る。図示の例では、ＭＦＰの機能部２５０は、コピーハードウェア２４０、スキャンハードウェア２４２、プリントハードウェア２４４、及びファックスハードウェア２４６を有する。コピーハードウェア２４０、スキャンハードウェア２４２、プリントハードウェア２４４、及びファックスハードウェア２４６は、ＭＦＰの機能的ハードウェアを構成する。なお、機能部２５０は、好適なハードウェア又はソフトウェアプラットフォームを含むインテリジェントユニットである。

図３は、実施形態に係るデジタルデータ処理装置３００の構成を示す図である。デジタルデータ処理装置３００は、例えば、図１のサーバ１１６である。また、デジタルデータ処理装置３００は、例えば、図１の携帯端末１２０（タブレットコンピュータ等）であっても良い。データ処理装置３００は、１以上のプロセッサ３１０と、ＲＯＭ３１２及びＲＡＭ３１４と、磁気ディスク等で構成されるバルクメモリの不揮発性ストレージ３１６とを含む。不揮発性ストレージ３１６は、ストレージインタフェース（Ｉ／Ｆ）３２５を介してプロセッサ３１０に接続される。ネットワークインタフェースコントローラ３３０は、無線ネットワークインタフェース（Ｉ／Ｆ）３３２及び物理ネットワークインタフェース（Ｉ／Ｆ）３３４を介して、外部のコンピュータ等と接続される。さらに、ネットワークインタフェースコントローラ３３０は、セルラーインタフェース３３１（デジタルデバイスが携帯電話又はタブレットコンピュータの場合）を介して、他のデバイスとのデータ通信のゲートウェイとして機能する。

デジタルデータ処理装置３００は、さらに、ＮＦＣインタフェース（Ｉ／Ｆ）３３５、Ｂｌｕｅｔｏｏｔｈインタフェース（Ｉ／Ｆ）３３６、及びＧＰＳインタフェース（Ｉ／Ｆ）３３７、ユーザ入出力（Ｉ／Ｏ）インタフェース（Ｉ／Ｆ）３５０を有する。ユーザ入出力（Ｉ／Ｏ）インタフェース（Ｉ／Ｆ）３５０は、各種の入出力デバイス（例えば、図３に示すキーボード３５２、ポインティングデバイス３５４、及びタッチスクリーンディスプレイで構成されるディスプレイ３６０）との入出力制御を実行する。なお、システムを実現するコンピュータプラットフォームは、上記デバイスの一部または全部により実現される。

図４は、実施形態に係る故障解決策予測システムのデバイスエラー予測機構４００の構成および処理手順を示す図である。デバイスエラー予測機構４００は、例えば、図１のサーバ１１６の動作と連携して実現される。ＭＦＰデバイスのモニタリングは、デバイス管理システム４０４により実現される。一具体例として、ＭＦＰデバイスは、ｅＣＣクラウドサービス（ｅ－ＢＲＩＤＧＥ ＣｌｏｕｄＣｏｎｎｅｃｔ）を介して、構築可能でありモニタ可能である。ｅＣＣクラウドサービスは、内蔵アプリケーション及びクラウドベースのアプリケーションの統合システムである。これらのアプリケーションは、ＭＦＰデバイスをリモートでモニタ及び管理することをサポートする機能を提供する。ｅＣＣクラウドサービスは、自動インタラクションを介して、コンフィギュレーション設定を管理することができる。ｅＣＣクラウドサービスは、接続されたＭＦＰデバイスからデバイスステータス情報（ＭＦＰのデバイスステータスデータを表すデバイスエラー及び使用量データを含む）を収集し、迅速な問題の診断及び解決に役立てる。デバイスステータス情報４０８の一例として、アジャストメントリスト、セッティングリスト、エラーログ、電源ＯＮ／ＯＦＦログ等がある。注目すべきは、収集した情報に含まれる不必要な個人の特定情報が除去されることである。

デバイス管理システム４０４は、収集したデバイスステータス情報４０８を機械学習プラットフォーム４１２（データアジュール（Ｄａｔａ Ａｚｕｒｅ）ＭＬ等）に供給する。機械学習プラットフォーム４１２は、デバイス故障解決策予測に用いられる機械学習及び分析アプリケーションである。また、このようなデバイス故障解決策予測のための付加的な情報（デバイスサービスログ情報：例えば「いつ、どのデバイスがサービスコールを行ったか」等）は、好適なＣＭＭＳ４２０（Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｍａｉｎｔｅｎａｎｃｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ（又はＳｏｆｔｗａｒｅ））により機械学習プラットフォーム４１２に提供される。ＣＭＭＳ４２０は、Ｅｎｔｅｒｐｒｉｓｅ Ａｓｓｅｔ Ｍａｎａｇｅｍｅｎｔ（ＥＡＭ）とも称される。一具体例として、ＣＭＭＳ４２０は、Ｔｅｓｓａｒａｃｔ Ｃｏｒｐｏｒａｔｉｏｎ製のＣＭＭＳ Ｓｏｆｔｗａｒｅ、又はＦｉｅｌｄ サービスｅ Ｓｏｆｔｗａｒｅ、又はＦｉｅｌｄ Ｆｏｒｃｅ Ａｕｔｏｍａｔｉｏｎ Ｓｏｆｔｗａｒｅ等に基づいてよい。

図５は、実施形態に係る機械学習プラットフォーム４１２の機械学習故障解決策予測システム（以下、単に解決策予測システムと称する）５００の構成および処理手順を示す図である。本例の解決策予測システム５００において、処理が開始されると、ブロック５０４で、１以上の質問を受け付ける。例えば、後述するように、対象である電子装置であるＭＦＰに対して、次に行うべきサービスに関することを質問とする。何時、ＭＦＰデバイスが故障しそうか？、その故障に何が関係するのか？、等の質問である。ブロック５０８で、図４で収集したデバイスステータス情報４０８からデータ及び特徴を取得し、不要又は問題があるデータを浄化する。機械学習に適したデータとするための浄化である。ブロック５１２で、浄化したデータを使ってトレーニングすると共に、ブロック５１６で、浄化したデータを使ってテストする。その結果を、解決策予測システム５００の故障予測モデルに供給する。

故障予測モデルは、１以上の機械学習モデル（機械学習モデル５２０、５２４、及び５２８等）を含む。複数の機械学習モデルを並列採用することにより、予測精度の向上が期待される。機械学習モデル５２０、５２４、及び５２８は、故障の種類に応じたモデルであっても良いし、関連又は共通する複数のセンサ毎のモデルであっても良い。機械学習モデル５２０、５２４、５２８は、それぞれ、１以上のアルゴリズム学習方法（例えば、機械学習モデル５２０ではアルゴリズム学習方法５３２及びアルゴリズム学習モデル５３６）を有する。トレーニングセット５１２で決められたトレーニング対象窓（ウインドウ）を対象にアルゴリズム学習方法５３２は、その学習方法を出力する。アルゴリズム学習モデル５３６は、アルゴリズム学習方法５３２の出力とテストセット５１６からのＭＦＰから取得したセンサデータに基づき、データパターンを含むパラメータ５４０を生成する。評価ブロック５５０で、機械学習モデル５２０、５２４、及び５２８から得られたパラメータ（例えば、機械学習モデル５２０の出力であるパラメータ５４０等）を評価する。この結果を、ブロック５０８にフィードバックして、再度ブロック５０８でデータを取得して計算を繰り返す。

ブロック５０４では、一定の期間（例えば、次の７日間）の間に、ＭＦＰデバイスに対して、どのような種類のサービス（例えば、部品交換、メカ調整、潤滑油処理）が必要されているかを質問形式で問い合わせる。パラメータ５４０の出力は、機械学習モデル５２０、５２４、及び５２８によって変わる。例えば、機械学習モデルが決定木解析（「decision tree」）である場合、パラメータは当該学習モデルが生成する決定木（tree/ツリー）の深度に制限された数になる。例えば、機械学習モデルが回帰分析（「regression」）である場合、パラメータは予測のエラーを最適化するよう、選択される。評価ブロック５５０の入力は、各機械学習モデルで予測された解決策を示すコード（「解決策コード」と呼ぶ）と、実際に適用された解決策を示すコードの対となっている。評価ブロック５５０の出力は、各解決策コードに対し、正確な予測と、不正確な予測数を含むマトリックスである。これらの全てが、計算に用いられ、各モデルの制度を上げ、システム利用者は、最も良いデータを選択することが出来る。

図６は、解決策予測システム５００によって生成されたデータパターンの一例を示す。ここでは、２０１７／１１月～１２月の期間を対象に、サービスコールの前に見られるデータパターンを一例とした図である。図６において、下側の横方向の日付軸に流れる波形は、ＭＦＰ内に設けられる既存の各種センサ（例えば、ジャム検出センサ、ローラの回転数サンサ、内部の温度センサ、トナーセンサ等）から取得したセンサデータを示す。上側に示したデータパターンは、下側のセンサ波形に対応して解決策予測システム５００の機械学習モデルによって生成されたデータパターンである。また、図６の縦線は、顧客が故障等の発生に伴いサービスセンタに通知したサービスコール日６００、６１０を行った日及びマークを示している。

図６から明らかなように、２つのサービスコール日６００，６１０の直前の週（７日間）の各センサ波形に応じたデータパターンの比較から、２回目のサービスコール日６１０の各センサ波形の落ち込みによるデータパターンにより、ＭＦＰエラーがピークに達していると理解できる。解決策予測システム５００は、故障およびその解決策を予測するために、一定期間（例えば、１年）以上の同様の故障パターンとその時の解決策を図５に示した機械学習モデルにより生成している、これらの生成したデータ及び実際に発生した故障及び解決策とを含む大量のデータパターンをストレージ１１６（図３ではストレージ３１６）に格納している。そして、故障解決策システム１００は、質問に応じてＭＦＰ内の各センサ波形を取り込み、生成したデータパターンとストレージ１１６に格納されるデータパターンとから、機械学習を行い、エラーの兆候を見逃さず、故障の予測と解決策の提案を実行するように構成されている。

図７は、機械学習モデル５２０、５２４、５２８のアルゴリズム学習モデルの一例に係る機械学習アルゴリズム７００を示す。機械学習アルゴリズム７００は、図７に示す分類アルゴリズム７０４、及び予想アルゴリズム７０８を有する。

本実施形態は、ＭＦＰデバイスの故障に関連する特徴の管理された学習に基づいた機械学習モデルである。機械学習モデルは、故障したＭＦＰデバイスに対する可能な解決策を提言する。提言の仮定は、時間にわたって集められた装置データである機械学習モデルが、特別の種類の解決と関係するデータパターンを識別するのを支援することができる特徴を持っている。そして、ＭＦＰデバイスには、過去のそれらの発生に基づいてランクされたセットの解決を持っている。最も一般的なものは、部品を交換すること、機械的な調節を行うこと、クリーニングにすること、油をさすことの１つを含んでいる。解決策は、それぞれの問題がサービスに関するオペレーターからの指示によって電話では解決されない場合、現場の観察に基づいてサービス技術者によって手仕事で決定される。そのため、実地訪問および解決発見（修理作業）などの全工程は、時間およびコスト消費となる。サービス技術者がやってはいけないことは、修理部品を持っていないこと、および他の間違いを起こすことである。

実施形態の学習モデルに使用され得るデータは、次の通りである:
－ デバイスエラー
－ 使用法／印刷ジョブ
－ 機械的な引き裂きのトラッキング・データ
－ デバイスシャットダウン発生の頻度
－ マニュアル・コピーの中断回数
－ 環境要因：温度、湿度、ほこり
－ デバイスの稼動履歴
特徴エンジニアリングは、異なる特性を要約し、そして可能な解決の提言に結びつくデータパターンを識別するために、上記のデータセットで決定する。

本実施形態で、さらに、好ましい一例としては、以下のようなデータである。
－ 調整値（過去７日間のマシーン調整に関する平均値）
－ マシーン設定（過去７日間の日々の印刷出力カウント［ページ単位］、過去７日間の平均印刷出力カウント／日）
－ エラーコード（過去７日間の日々の各エラーコード、過去７日間の総エラーコード数）
－ パワーオンオフ ログ（過去７日間の強制リブート、遠隔リブート、操作パネルからのリブート回数／日、過去７日間の総カウント数）

電気装置がＰＯＳ装置である場合、以下のデータがある。
－ ＰＯＳ本体、および周辺機器の調整値（過去７日間のマシーン調整に関する平均値）
－ 周辺機器として、プリンタを含めた場合のマシーン設定（過去７日間の日々の印刷出力カウント［ページ単位］、過去７日間の平均印刷出力カウント／日）
－ ＰＯＳ本体、及び周辺機器のエラーコード（過去７日間の日々の各エラーコード、過去７日間の総エラーコード数）
－ ＰＯＳ本体パワーオンオフ ログ（過去７日間の強制リブート、遠隔リブート、操作パネルからのリブート回数／日、過去７日間の総カウント数）

図８は、機械学習アルゴリズム７００によって得られたアルゴリズム結果８００の一例を視覚的に示す。アルゴリズム結果８００は、分類アルゴリズム７０４により得られた分類結果８０４、及び予想アルゴリズム７０８により得られた予想結果８０８を含む。分類結果８０４のデバイス群（群８１２等）は、予想結果８０８の結果８１６により予想される故障に対応するデバイスエラー条件を示しても良い。例えば、ＭＦＰのデバイス故障は、一般化極値スチューデント化偏差テスト（a generalized extreme studentized deviate test）を応用することに基づき、予想することができる。図８の分類結果８０４は、２つの変数あるいは特徴に基づいた３つのクラスに分類したアウトプット（正方形［Square］、三角形[Triangle]、およびドット[Dot]）で予測するモデルの評価した一例を示している。図８は、本実施形態で、解決策予測モデルが単純化された場合の結果である。評価者は、予測するために多くの変数を使用すれば、３つのタイプ以上の予測が可能となる。

一具体例として、予期されるサービス訪問の可能性の判断を、デバイスメンテナンスをスケジュールするのに利用することができる。メンテナンススケジュールは、既にスケジュール済みのサービス訪問と統合しても良い。あるいは、２以上の地理的に近いＭＦＰデバイスのサービスと統合するようにしても良い。これにより、故障解決策予測作業者がオンサイト訪問するのに必要な移動時間を最小化できる。好適な機械学習システムは、利用可能なサードパーティ製のプラットフォーム（例えばＲ－Ｓｃｒｉｐｔ、Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ｇｏｏｇｌｅ Ｎｅｘｔ、Ｋａｇｇｌｅ.ｃｏｍ等）に構築しても良い。

図９は、実施形態に係るサービス訪問の可能性を判断するためのデバイス故障兆候９００を示す。同一システムにおいて、サービスコールの個々の課題に対し、異なる解決案が提示された回数を示している。言い換えると、デバイス故障兆候９００は、ある期間の故障発生状況を解析した結果の一例である。図９に示した例では、第１位の故障原因は、エラーコードＭＳＧに係る故障であり、約８２０件で、全体件数の３６．３７％を占めていることが分かる。第２位の故障原因は、ペーパージャム／ミスフィードに係る故障であり、約７５０件で、全体件数の３３．８９％を占めている。第３位の故障原因は、プリント／スキャンエラーに係る故障であり、約３００件で全体件数の１３．４３％を占めている。第４位の故障原因は、コピー／カラー品質に係る故障であり、約１６０件で、全体件数の７．４７％を占めている。第５位の故障原因は、ノイズに係る故障であり、約４０件以上で、全体件数の２．１２％を占めている。

図１０は、一実施形態例に係るデバイスエラー条件と連携する問題解決策１０００を示す。図１０は、特にペーパージャム予測を対象とした結果である。図１０では、異なる解決策と、同じ解決策内での故障要因の構成の一例を示す。解決策１０００は、ランク付けされ、サービス訪問を行わずに済むときのために役立つ可能性のある解決策の候補として提示されれば良い。図１０に例示した解決策１０００の第１位は、リプレースパーツ（部品交換）に係る解決策であり、総件数が約８００件あった。全ての解決策１０００中に占めるリプレースパーツ（部品交換）による解決の割合は、約３５％程度あり、その故障原因の内訳として、エラーコードＭＳＧが１３．１２％、ペーパージャム／ミスフィードが１３．１２％、プリント／スキャンエラーが４．９０％、コピー／カラー品質が２．５２％、…であった。第２位は、メカニカルアジャスト（機械的調整）に係る解決策であり、総件数が約４３０件あった。全ての解決策９００中に占めるメカニカルアジャスト（機械的調整）による解決の割合は、約２０％程度あり、その故障原因の内訳として、エラーコードＭＳＧが５．５６％、ペーパージャム／ミスフィードが８．３６％、プリント／スキャンエラーが２．２０％、…であった。

以上の通り実施形態によれば、機械学習モデルによりドキュメント処理装置のセンサデータに基づき各種故障パターンをデータパターンとして大量に蓄積することで、ドキュメント処理装置の故障の兆候を見逃さず、故障の予測と解決策を提供することができる。これにより、デバイスリペアによるサービスコストを削減すると共に、新たな故障状況及び解決策を用いることにより、将来的な故障を予測し対処することができる。また、故障が予測される特定のＭＦＰデバイスに関して、推奨されるメンテナンス手順、及びに必要となるパーツの情報を記憶すると共に、存在する在庫を適切にチェックして、そのパーツの情報を取得しているので、利用可能なパーツの在庫が十分に無ければ、必要なパーツ注文情報を、パーツサプライヤに送信して補充することが出来る。

本技術の実施形態について上に説明したが、実施形態は単に例示であり、本技術は上述の実施形態にのみ限定されるものではない。上述の新規な実施形態は、他の種々の形態で実現し得、さらに、本発明の要旨を逸脱しない範囲内において種々省略、代替及び変更を加え得る。特許請求の範囲及びその均等物は、これらの形態又は変形をカバーし、これらは本発明の要旨を逸脱しない。

１００…故障解決策予測システム
１０４、１０４ａ、１０４ｂ、１０４ｎ…ＭＦＰ
１１６…サーバ、１１２…ネットワーククラウド、１２０…携帯端末
１２４…サービス技術者、１２８…現在の在庫、１３２…倉庫、
２００…ドキュメント描画システム、２０１…インテリジェントコントローラ
２０２、３１０…プロセッサ、２０４、３１２…ＲＯＭ、２０６、３１４…ＲＡＭ
２０８、３２５…ストレージインタフェース（Ｉ／Ｆ）
２１０、３３０…ネットワークインタフェース（Ｉ／Ｆ）
２１２…データバス、２１４…ネットワークインタフェースコントローラ（ＮＩＣ）
２１６、２１６…ストレージ、２１８…無線ネットワークインタフェース（ＷｉＦｉ）、
２１９…ユーザインタフェース、２２０…有線ネットワークライン、
２２２…文書プロセッサインタフェース、２５０…ＭＦＰ機能部
３００…デジタルデータ処理装置
３３１…セルラーインタフェース（Ｉ／Ｆ）
３３２…無線ネットワークインタフェース（Ｉ／Ｆ）
３３４…物理ネットワークインタフェース（Ｉ／Ｆ）
３３５…ＮＦＣインタフェース（Ｉ／Ｆ）
３３６…ブルーツースインタフェース（Ｉ／Ｆ）
３３７…ＧＰＳインタフェース（Ｉ／Ｆ）
３５０…ユーザ入出力インタフェース（Ｉ／Ｆ）
３５２…キーボード、３５４…ポインティングデバイス、３６０…ディスプレイ
４００…デバイスエラー予測機構、４０４…デバイス管理システム
４１２…機械学習プラットフォーム、５００…機械学習故障解決策予測システム
６００、６１０…サービスコール、７００…機械学習アルゴリズム、
７０４…分類アルゴリズム、７０８…予想アルゴリズム、８００…アルゴリズム結果、
８０４…分類結果、８０８…予想結果、９００…デバイス故障兆候、１０００…問題解決策

Claims (5)

1. プロセッサと、
   複数の多機能周辺機器それぞれから、デバイスエラー、デバイス使用量、及び機械的摩耗データを含むデバイスステータスデータを受信するネットワークインタフェースと、
   前記複数の多機能周辺機器それぞれのサービス履歴データであって、以前のデバイス故障に対処するのに実施された解決策が関連付けられた前記以前のデバイス故障に関する複数のデータパターンを含む前記サービス履歴データを記憶するメモリと、
   を具備し、
   前記プロセッサは、
   前記ネットワークインタフェースを経由してモニタ中の多機能周辺機器から送信される前記デバイスステータスデータを受信すると、そのデバイスステータスデータ中のパターンを検出し、
   検出した前記パターンと、前記メモリに記憶される前記サービス履歴データとを用いて、機械学習およびデータ分析により前記モニタ中の多機能周辺機器の故障を予測する予測デバイス故障データを生成し、
   生成した前記予測デバイス故障データにより予測されるデバイス故障に対処するための少なくとも１つの推奨解決策を特定してサービス技術者に通知する
   故障解決策予測システム。
2. 前記メモリには、前記複数の多機能周辺機器のデバイスメインテナンススケジュールがさらに記憶され、
   前記プロセッサは、
   前記予測デバイス故障データに基づいて前記デバイスメインテナンススケジュールを更新し、
   前記ネットワークインタフェースを介して、更新した前記デバイスメインテナンススケジュールを前記サービス技術者のサービス訪問に利用する
   請求項１に記載の故障解決策予測システム。
3. 前記メモリには、前記予測デバイス故障データにより特定される前記多機能周辺機器のデバイスリペアの対処に関連する交換パーツのデータ、並びに利用可能な前記交換パーツの在庫データがさらに記憶され、
   前記プロセッサは、
   前記多機能周辺機器の前記デバイスリペアに対処するための、必要である前記交換パーツの在庫が無いと判断したとき、当該交換パーツを注文するため前記交換パーツの注文をパーツサプライヤに送信する
   請求項１に記載の故障解決策予測システム。
4. 前記プロセッサは、前記予測されるデバイスエラーに対処するための、複数のランク付けされた前記推奨解決策を生成する請求項１に記載の故障解決策予測システム。
5. ネットワークインタフェースを経由して複数の多機能周辺機器それぞれから、デバイスエラー、デバイス使用量、及び機械的摩耗データを含むデバイスステータスデータを受信するプロセッサによって実行される故障解決予測方法であって、
   前記ネットワークインタフェースを経由してモニタ中の多機能周辺機器から送信される前記デバイスステータスデータを受信すると、そのデバイスステータスデータ中のパターンを検出し、
   検出した前記パターンと、メモリに記憶される以前のデバイス故障に実施された解決策が関連付けられた故障に関する複数のデータパターンを含む前記サービス履歴データとを用いて、機械学習およびデータ分析により前記モニタ中の多機能周辺機器の故障を予測する予測デバイス故障データを生成し、
   生成された前記予測デバイス故障データにより予測されるデバイス故障に対処するための、少なくとも１つの推奨解決策を特定してサービス技術者に通知する
   故障解決策予測方法。