特開 2024-164709 情報処理システム、情報処理方法、コンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024164709

(43)【公開日】2024-11-27

(54)【発明の名称】情報処理システム、情報処理方法、コンピュータプログラム

(51)【国際特許分類】

   G06Q 10/20 20230101AFI20241120BHJP

【ＦＩ】

G06Q10/20

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023080385

(22)【出願日】2023-05-15

(71)【出願人】

【識別番号】000001007

【氏名又は名称】キヤノン株式会社

(74)【代理人】

【識別番号】100114775

【弁理士】

【氏名又は名称】高岡 亮一

(74)【代理人】

【識別番号】100121511

【弁理士】

【氏名又は名称】小田 直

(74)【代理人】

【識別番号】100208580

【弁理士】

【氏名又は名称】三好 玲奈

(72)【発明者】

【氏名】茂垣 俊介

(72)【発明者】

【氏名】今井 哲

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049CC15

(57)【要約】      （修正有）

【課題】精度の高い学習データを収集することが可能な情報処理システム、情報処理方法及びコンピュータプログラムを提供する。
【解決手段】学習データを収集する情報処理システムにおける情報処理方法は、対象装置のエラー履歴情報を取得するエラー履歴情報取得手段Ｓ５５２と、前記対象装置の部品交換情報を取得する部品交換情報取得手段Ｓ５５３と、前記エラー履歴情報と前記部品交換情報とを紐づけた第１の紐づけデータを生成する紐づけ手段Ｓ５５４と、所定の交換部品の情報を、前記所定の交換部品を含有する他の交換部品の情報に置換して、前記エラー履歴情報と紐づけた第２の紐づけデータを生成する複製手段Ｓ５５７と、を含む。
【選択図】図５

【特許請求の範囲】

【請求項1】

学習データを収集する情報処理システムであって、
対象装置のエラー履歴情報を取得するエラー履歴情報取得手段と、
前記対象装置の部品交換情報を取得する部品交換情報取得手段と、
前記エラー履歴情報と前記部品交換情報とを紐づけた第１の紐づけデータを生成する紐づけ手段と、
所定の交換部品の情報を、前記所定の交換部品を含有する他の交換部品の情報に置換して、前記エラー履歴情報と紐づけた第２の紐づけデータを生成する複製手段と、
を有することを特徴とする情報処理システム。

【請求項2】

前記第１の紐づけデータと前記第２の紐づけデータを夫々用いて学習を行う学習手段を有することを特徴とする請求項１に記載の情報処理システム。

【請求項3】

前記複製手段は、前記第１の紐づけデータにおける前記所定の交換部品の情報を、前記他の交換部品の情報に置換することにより複製して、前記エラー履歴情報と紐づけた前記第２の紐づけデータを生成することを特徴とする請求項１に記載の情報処理システム。

【請求項4】

前記複製手段は、前記所定の交換部品の情報を、前記他の交換部品の情報に置換した後、前記他の交換部品の情報と前記エラー履歴情報とを紐づけた前記第２の紐づけデータを生成することを特徴とする請求項１に記載の情報処理システム。

【請求項5】

前記所定の部品の交換を行った前記対象装置が、前記他の交換部品を使用可能な機種か否か特定する機種特定手段を有し、
前記複製手段は、前記機種特定手段により特定された前記対象装置が前記他の交換部品を使用可能な機種である場合に、前記第２の紐づけデータを生成することを特徴とする請求項１に記載の情報処理システム。

【請求項6】

前記所定の部品の交換を行った前記対象装置の設置地域を特定する地域特定手段を有し、
前記複製手段は、前記地域特定手段により特定された前記設置地域が、前記他の交換部品を取り扱い可能な地域の場合に、前記第２の紐づけデータを生成することを特徴とする請求項１に記載の情報処理システム。

【請求項7】

学習データを収集する情報処理方法であって、
対象装置のエラー履歴情報を取得するエラー履歴情報取得ステップと、
前記対象装置の部品交換情報を取得する部品交換情報取得ステップと、
前記エラー履歴情報と前記部品交換情報とを紐づけた第１の紐づけデータを生成する紐づけステップと、
所定の交換部品の情報を、前記所定の交換部品を含有する他の交換部品の情報に置換して、前記エラー履歴情報と紐づけた第２の紐づけデータを生成する複製ステップと、
を有することを特徴とする情報処理方法。

【請求項8】

請求項１～６のいずれか１項に記載の情報処理システムの各手段をコンピュータにより制御するためのコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習データを収集する情報処理システム、情報処理方法、コンピュータプログラム等に関する。

【背景技術】

【0002】

例えば複合機などの画像形成装置等では、エラーや故障などの異常が発生した場合、前記異常の通報によりサービスマンなどの保守担当者が派遣される。保守担当者は、マニュアルを確認し部品交換、などのメンテナンスを行う。

【0003】

また近年、クラウドコンピューティングの普及が進んでいる。クラウドコンピューティングは、多くのコンピューティングリソースを用いてデータ変換やデータ処理を分散実行し、多くのクライアントからの要求を分散並列処理により並行して処理することが主な特徴である。システム開発者はクラウドコンピューティングを利用することで、必要なコンピューティングリソースを容易に調達でき、システム機能開発に注力することができる。

【0004】

クラウドコンピューティングとの親和性が高い要素の１つが、ＡＩ（Ａｒｔｉｆｉｃａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）である。ＡＩを実現するコア技術の１つに機械学習がある。機械学習では大量データ（ビッグデータ）を学習アルゴリズムで解析することでデータの特徴（特性やパターン、傾向など）を抽出した学習モデルを作成することができる。

【0005】

こうした大量データを安全に保管・解析するためには多くのコンピューティングリソースが必要であるため、クラウドコンピューティング環境で導入される事例が多い。先述した画像形成装置等のメンテナンスにおいても、複数の画像形成装置等から収集したデータを学習し、得られた学習済みモデルを用いて、部品交換などのメンテナンス作業を支援する方法が提案されている。

【0006】

例えば特許文献１では、複数の装置から集めた装置情報と、サービスマンなどの作業者が保有する作業者情報に基づき作成された推定情報を得ている。作業者情報は、作業者の情報端末から取得した部品情報と作業状況情報を含む。これにより、サービスマンなどの作業者が効率的に交換作業を行えるようになる。

【先行技術文献】

【特許文献】

【0007】

【特許文献1】特開２０１９－２１１９４０号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

一方、故障などのエラーに対し、サービスマンなどの保守担当者に適切な対応を可能にするための情報提供に関して、適切な対応を推定する機械学習モデルが求められている。機械学習モデルを作成するためには、故障などのエラーと、前記エラーに対する適切な対応実績（例えば交換部品など）の紐付いた大量の学習データが必要になる。

【0009】

しかし実際に運用するにあたり、交換部品の単位が異なる場合がある。例えばある地域では特定のパーツＡを交換するケースでも、異なる地域ではパーツＡを含む、より大きなスケールである、ユニットＸを交換することで対応する、といった場合がある。

【0010】

その結果、学習のために大量のデータを集めようとした際に、実際には同じ正解ラベル（交換部品）であるにも関わらず、スケールが異なるために異なる正解ラベルと認識されてしまい、学習精度が下がる場合がある。

【0011】

一方、スケールが同一のデータのみを用いて学習すると、学習に用いることができるデータ量が減少し、やはり学習精度が下がる場合がある。特に「多くの地域ではパーツ単位での交換を行うが、一部地域ではユニット単位での交換を行う」等のケースでは、マイナーなデータ（ユニットを対象とするデータ）の数が少なくなる傾向がある。

【0012】

そこで、本発明では、精度の高い学習データを収集することが可能な情報処理システムを提供することを目的の１つとする。

【課題を解決するための手段】

【0013】

学習データを収集する情報処理システムであって、
対象装置のエラー履歴情報を取得するエラー履歴情報取得手段と、
前記対象装置の部品交換情報を取得する部品交換情報取得手段と、
前記エラー履歴情報と前記部品交換情報とを紐づけた第１の紐づけデータを生成する紐づけ手段と、
所定の交換部品の情報を、前記所定の交換部品を含有する他の交換部品の情報に置換して、前記エラー履歴情報と紐づけた第２の紐づけデータを生成する複製手段と、
を有することを特徴とする。

【発明の効果】

【0014】

本発明により、精度の高い学習データを収集することが可能な情報処理システムを提供することができる。

【図面の簡単な説明】

【0015】

【図1】本発明を実施例１に係る情報処理システムの構成例を示す図である。

【図2】（Ａ）は、本発明の実施例１に係る画像形成装置１０６のハードウェア構成例を示す図である。（Ｂ）は、本発明の実施例１に係る装置情報収集サーバ１０２、交換部品情報収集サーバ１０４、及び修理箇所通知サーバ１０５のハードウェア構成例を示す図である。

【図3】（Ａ）、（Ｂ）は、本発明の実施例１に係る情報入力端末１０３に表示される画面例を示す図である。

【図4】本発明の実施例１に係る修理箇所通知サーバ１０５の構成例を示す機能ブロック図である。

【図5】（Ａ）、（Ｂ）は、本発明の実施例１に係る情報処理方法の例を示すフローチャートである。

【図6】本発明の実施例１に係る機械学習処理の例を示すフローチャートである。

【図7】本発明の実施例２に係るデバイス対象ユニットに絞った学習データ収集処理のフローチャートである。

【図8】本発明の実施例３に係る地域対象ユニットに絞った学習データ収集処理のフローチャートである。

【発明を実施するための形態】

【0016】

以下、図面を参照して本発明の実施の形態を、実施例を用いて説明する。ただし、本発明は以下の実施例に限定されるものではない。なお、各図において、同一の部材または要素については同一の参照番号を付し、重複する説明は省略または簡略化する。

【実施例0017】

図１は、本発明を実施例１に係る情報処理システムの構成例を示す図であり、図１において、複数の画像形成装置１０６は、例えば、デジタル複合機、ファクシミリ装置、レーザービームプリンタ、スキャナ装置などである。尚、以下の実施例において、機械学習モデルを生成するために生成するデータを学習データ、生成済みの機械学習モデルに入力し推定を行うデータを入力データと呼ぶ。

【0018】

本実施例のエラーに対する適切な対応を含む学習データ収集は、図１に示すように、装置情報収集サーバ１０２と、交換部品情報収集サーバ１０４と、修理箇所通知サーバ１０５等を用いて行う。又、学習データを用いて機械学習モデルを作成し、該モデルを用いて画像形成装置のエラー通知を受けたサービス側で推定を行う。又、その推定結果を保守（メンテナンス）担当者がアクセス可能なポータルサイトのＷＥＢ ＵＩに表示する。

【0019】

１０２は、画像形成装置からの情報収集システムを提供しているオンラインサービスシステムを構成する装置情報収集サーバである。ネットワーク１０１を経由して複数の画像形成装置１０６からのエラー履歴情報を収集、蓄積する。

【0020】

１０３は、保守担当者が保持する情報入力端末であり、保守担当者が保守作業を行った際に、その保守作業の内容を情報入力端末１０３に入力する。情報入力端末１０３は、その入力された保守作業の内容を保持する。

【0021】

又、情報入力端末１０３は、入力された保守作業の内容を、ネットワーク１０１を介して、交換部品情報収集サーバ１０４や修理箇所通知サーバ１０５等に送信する。又、情報入力端末１０３は、ネットワーク１０１を経由して、修理箇所通知サーバ１０５から送信された修理箇所推定情報を受信し、情報入力端末１０３の画面に表示することができる。

【0022】

１０４は、情報入力端末１０３からの情報を収集しオンラインサービスを提供する交換部品情報収集サーバである。ネットワーク１０１を経由して情報入力端末１０３が送信した交換部品情報を受信し、取得した情報を収集、蓄積する。

【0023】

１０５は、装置情報収集サーバ１０２や交換部品情報収集サーバ１０４からの情報を収集しオンラインサービスを提供する修理箇所通知サーバであり、ネットワーク１０１を経由し、各種情報を受信する。

【0024】

各種情報は、情報入力端末１０３が送信したフィードバック情報、装置情報収集サーバ１０２が保有するエラー履歴情報、及び交換部品情報収集サーバ１０４が保有する交換部品情報を含む。修理箇所通知サーバ１０５は、受信した各種情報に基づいて、学習データを作成し、蓄積する。このように、修理箇所通知サーバ１０５を含む本実施例の情報処理システムは、学習データを収集し、蓄積することができる。

【0025】

図２（Ａ）は、本発明の実施例１に係る画像形成装置１０６のハードウェア構成例を示す図である。ハードウェアの各構成要素はシステムバス２０２に接続されている。２０１は装置全体の制御を行うコンピュータとしてのＣＰＵであり、ＲＯＭ２０３や外部メモリ２０６に記憶されたコンピュータプログラムを実行することによりシステムバス２０２に接続される各種デバイスを統括的に制御する。

【0026】

２０３は記憶手段であるＲＯＭであり、内部には基本Ｉ／Ｏプログラム等のプログラム、文書処理の際に使用するフォントデータ、テンプレート用データ等の各種データを記憶する。

【0027】

２０４はＣＰＵ２０１の主メモリ、ワークエリア等として機能するＲＡＭで、図示しない増設ポートに接続されるオプションＲＡＭによりメモリ容量を拡張することができるように構成されている。２０５は、ネットワークインターフェースカード（ＮＩＣ）であり、該インターフェース２０５を介して外部装置とのデータのやり取りを行う。

【0028】

２０７は操作パネルであり、画面の表示や、画面を介したユーザの操作指示を受け付ける。操作パネル２０７は、画像形成装置の動作モード等の設定や画像形成装置の動作状況の表示、コピー指定等の操作を行うためのボタン及び液晶パネル等の表示部を有する。２０８は大容量メモリとして機能する外部記憶手段である。

【0029】

２０９は機器インターフェースであり、ＵＳＢ等で接続可能な外部機器との接続インターフェースである。プリンタ２１０は既知の印刷技術を利用するものであり、好適な実施系として例えば電子写真方式（レーザービーム方式）やインクジェット方式、昇華方（熱転写）方式等が挙げられる。

【0030】

プリンタ２１０は印刷データ（ＰＤＬ言語・ＰＤＦ言語など）から変換された画像データに排紙する。スキャナ２１１は既知の画像読取技術を利用するものであり、透明な天板に置かれた紙原稿を光学的に走査し画像に変換する。また自動原稿送り装置（ＡＤＦ）に置かれた複数枚の紙原稿を連続して読み込み、画像に変換する。

【0031】

図２（Ｂ）は、本発明の実施例１に係る装置情報収集サーバ１０２、交換部品情報収集サーバ１０４、及び修理箇所通知サーバ１０５のハードウェア構成例を示す図である。ハードウェアの各構成要素は、システムバス２２０に接続されている。尚、情報入力端末１０３のハードウェア構成も図２（Ｂ）に示す構成と同様の構成で良い。

【0032】

２２１は装置全体の制御を行うコンピュータとしてのＣＰＵであり、ＲＯＭ２２３や外部メモリ２２６に記憶されたコンピュータプログラムを実行することによりシステムバス２２０に接続される各種デバイスを統括的に制御する。

【0033】

２２２はＧＰＵであり、画像処理や機械学習などのベクトル演算に特化した演算装置である。２２３は記憶手段であるＲＯＭであり、内部には基本Ｉ／Ｏプログラム等の各種データを記憶する。

【0034】

２２４はＣＰＵ２２１やＧＰＵ２２２の主メモリ、ワークエリア等として機能するＲＡＭで、図示しない増設ポートに接続されるオプションＲＡＭによりメモリ容量を拡張することができるように構成されている。２２５は、ネットワークインターフェースカード（ＮＩＣ）であり、ネットワークインターフェースカード２２５を介して外部装置とのデータのやり取りを行う。

【0035】

２２７は入出力インターフェースであり、ディスプレイやキーボード、マウス、スマートフォン、タブレット等機器を介して、画面の表示や、ユーザの操作指示を受け付けることができる。２２８は大容量メモリとして機能する外部記憶手段である。２２９は機器インターフェースであり、ＵＳＢ等で接続可能な外部機器との接続インターフェースである。

【0036】

図３（Ａ）、（Ｂ）は、本発明の実施例１に係る情報入力端末１０３に表示される画面例を示す図である。図３（Ａ）の３０１は、交換部品情報収集サーバ１０４に送信する情報の入力画面例である。保守担当者が、実際に交換を行った交換部品情報３１１を入力する。

【0037】

交換部品情報３１１は、製品名、機体番号、部品交換日、交換部品情報等を含む。「製品名」は画像形成装置の製品種別を表す名称である。「機体番号」は画像形成装置毎に振られたユニークなＩＤである。「部品交換日」は、保守担当者が部品を交換した日付である。

【0038】

「交換部品情報」は、保守担当者が実際に交換した部品の略称である。図では例として部品を表示しているが、国や地域、デバイス等によっては、ここで部品よりも大きい単位のユニットを表示する。尚、ここで、ユニットとは、例えば複数の部品から構成され、ユニット単位で交換可能なものを意味する。

【0039】

図３（Ｂ）の３０２は、修理箇所通知サーバ１０５に送信する情報を入力するポータル画面の例であり、情報入力端末１０３に表示される。上記ポータル画面には、修理対象の画像形成装置情報を含むエラー詳細情報表示部３２１、推奨修理処理内容表示部３２２、及び地域選択部３２３を含む。エラー詳細情報表示部３２１は、修理対象の画像形成装置の製品名、機体番号、エラー発生日、発生エラーコードを表示する。

【0040】

「製品名」は修理対象の画像形成装置の製品種別を表す名称である。「機体番号」は修理対象の画像形成装置毎に付けられたユニークなＩＤである。「エラー発生日」は、当該エラーが発生した日付である。「発生エラーコード」は、当該エラーの種別を認識するためのユニークな文字列コードである。

【0041】

推奨修理処理内容表示部３２２は、修理箇所通知サーバ１０５において推定された、当該事象（エラー）を解決できる可能性が高い推奨メンテナンス処理を表示する。推奨メンテナンス処理は、特定の部品の交換や清掃、修理、再起動等の処理を含む。また推奨メンテナンス処理表示は、推定結果に基づき、当該処理により事象（エラー）が解決される確からしさを、図３（Ｂ）のように表示する。

【0042】

即ち、図３（Ｂ）に示す推奨修理処理内容表示部３２２の例では、部品Ａを交換することで当該エラーが解決する確からしさは８０％、部品Ｂの交換では１５％、部品Ｃの交換では５％となっている。尚、図３（Ｂ）では、例として部品Ａ～Ｃを表示しているが、国や地域、デバイス等によっては、部品よりも大きい交換単位であるユニットを表示することもできる。

【0043】

地域選択部３２３は、情報入力端末１０３のユーザの利用地域を入力する画面である。又、入力した利用地域の情報により、推奨修理処理内容表示部３２２に表示される、対応する推奨交換部品のスケールが切り替わる。

【0044】

具体的には、推奨修理処理内容表示部３２２に表示される推奨メンテナンス処理が、部品交換なのかユニット交換なのかが切り替わる。尚、地域情報の入力は地域選択部３２３によらず、ログインした情報入力端末１０３のユーザ（保守担当者）の担当地域情報や、登録された画像形成装置の地域情報等を用いても良い。

【0045】

図４は、本発明の実施例１に係る修理箇所通知サーバ１０５の構成例を示す機能ブロック図である。尚、図４に示される機能ブロックの一部は、修理箇所通知サーバ１０５に含まれるコンピュータとしてのＣＰＵ等に、記憶媒体としてのメモリに記憶されたコンピュータプログラムを実行させることによって実現されている。

【0046】

しかし、それらの一部又は全部をハードウェアで実現するようにしても構わない。ハードウェアとしては、専用回路（ＡＳＩＣ）やプロセッサ（リコンフィギュラブルプロセッサ、ＤＳＰ）などを用いることができる。又、図４に示される夫々の機能ブロックは、同じ筐体に内蔵されていなくても良く、互いに信号路を介して接続された別々の装置により構成しても良い。

【0047】

修理箇所通知サーバ１０５のコンピュータプログラムは、ＲＡＭ２２４、記憶装置２２８、機器Ｉ／Ｆ２２９を介して接続された２次記憶装置などから読み込まれ、ＣＰＵ２２１やＧＰＵ２２２により実行される。装置情報収集サーバ１０２、情報入力端末１０３、交換部品情報収集サーバ１０４等の外部へのアクセスは、ネットワークインターフェースカード２２５を介して行われる。

【0048】

修理箇所通知サーバ１０５は、データ格納部として、装置情報格納部４０１、部品交換情報格納部４０２、推定結果格納部４０３、フィードバック格納部４０４、ユニット情報格納部４０５を持つ。

【0049】

又、学習・入力データ管理部４０６、学習実行部４０７、機械学習モデル管理部４０８、推定実行部４０９を持つ。装置情報格納部４０１は、装置情報収集サーバ１０２からネットワーク１０１を経由して受信した、画像形成装置のエラー情報や機器情報などを格納する。

【0050】

部品交換情報格納部４０２は、交換部品情報収集サーバ１０４からネットワーク１０１を経由して受信した、交換部品情報を格納する。フィードバック格納部４０４は、情報入力端末１０３で入力されたフィードバック情報を、ネットワーク１０１を経由して受信し格納する。

【0051】

ユニット情報格納部４０５は、部品を含有（包含）する各種ユニットに関する情報を保持する。具体的には、各種ユニットが何の部品を含有（包含）するか、各機種（画像形成装置）に対して何のユニットが交換可能か、各地域で何の部品／ユニットを扱うか、などの情報を保持する。

【0052】

学習・入力データ管理部４０６は、修理箇所通知サーバ１０５が格納する各要素情報に基づいて学習データ及び入力データを作成し、格納する。各要素情報は、例えば以下の情報を含む。

【0053】

・装置情報格納部４０１が保有する画像形成装置情報
・部品交換情報格納部４０２が保有する交換部品情報
・フィードバック格納部４０４が保有するフィードバック情報
・ユニット情報格納部４０５が保有するユニット情報

【0054】

学習・入力データ管理部４０６は、機械学習モデルの学習時においては学習データを作成、格納し、機械学習モデルを用いた推定時には入力データを作成、格納する。学習実行部４０７は、学習・入力データ管理部４０６から学習データを取得し、予め指定した機械学習アルゴリズムに基づいて学習を実行し、機械学習モデルを生成する。

【0055】

前記機械学習モデルは、機械学習モデル管理部４０８に格納される。尚、所定の時間間隔で、或いは学習・入力データ管理部４０６が格納する学習データの変化に伴い、繰り返し学習を実行し、機械学習モデルを再作成しても良い。

【0056】

機械学習モデル管理部４０８は、学習実行部４０７にて作成した機械学習モデルを格納する。尚、学習実行部４０７からの機械学習モデル受信や、機械学習モデル管理部４０８内での条件判断（例えば、新たな機械学習モデルの正答率が一定を上回ること）等をトリガとし、推定に用いる機械学習モデルを変更（置換）しても良い。

【0057】

推定実行部４０９は、学習・入力データ管理部４０６から入力データを取得し、機械学習モデル管理部４０８に格納された機械学習モデルに入力することで、推定を実行する。推定結果格納部４０３は、推定実行部４０９にて実行された推定の結果を格納する。

【0058】

推定結果格納部４０３は、ネットワーク１０１を経由して、情報入力端末１０３に推定結果を送信する。或いは、ネットワーク１０１を経由して情報入力端末１０３からの要求を受信した場合に、推定結果を送信しても良い。

【0059】

情報入力端末１０３は、図３（Ｂ）の３２２に示すように、上記の推定結果をポータル画面上に表示する。前述のように、３２２の例における推定結果は、部品Ａの交換によりエラーが解決する確からしさが８０％、同様に、部品Ｂの場合には、確からしさが１５％、部品Ｃの場合には、確からしさが５％となっている。

【0060】

図５（Ａ）、（Ｂ）は、本発明の実施例１に係る情報処理方法の例を示すフローチャートであり、図５（Ａ）は、実施例１における修理箇所通知サーバ１０５の全体フローチャートである。尚、修理箇所通知サーバ１０５内のコンピュータとしてのＣＰＵ等がメモリに記憶されたコンピュータプログラムを実行することによって図５（Ａ）のフローチャートの各ステップの動作が順次行われる。

【0061】

最初にステップＳ５０２において、修理箇所通知サーバ１０５は、学習・入力データ管理部４０６にて、学習データの収集を行う。そしてステップＳ５０３において、収集した前記学習データを用いて、学習実行部４０７にて、機械学習モデルを作成する。ここでステップＳ５０３は、学習データを用いて学習を行う学習ステップ（学習手段）として機能している。

【0062】

又、ステップＳ５０４において、作成した機械学習モデルを、機械学習モデル管理部４０８に格納する。又、画像形成装置にてエラーが発生した場合、修理箇所通知サーバ１０５が、その画像形成装置から通知を受信する。すると、修理箇所通知サーバ１０５は、図５（Ａ）のフローにて生成した機械学習モデルを用いて、推定実行部４０９にて推定を行う。

【0063】

推定結果は、情報入力端末１０３に送信され、保守担当者が情報入力端末１０３を用いてアクセスできるポータルサイトに、図３（Ｂ）のように表示される。保守担当者は、情報入力端末１０３上に図３（Ａ）のように表示される画面３０１を介して、実際の交換部品情報を入力できる。

【0064】

図３（Ａ）の画面３０１は、交換部品情報の入力を受け付け、入力された交換部品情報は、交換部品情報収集サーバ１０４に送信される。また保守担当者は、情報入力端末１０３上に表示される図３（Ｂ）の画面３０２を介して、フィードバック情報（修理結果等）を入力できる。

【0065】

フィードバック情報の入力は、推奨修理処理内容表示部３２２内の不図示のボタンやチェックボックス等を介して行ってもよく、またポップアップ、自由入力等を介して行っても良い。図３（Ｂ）の画面３０２において、フィードバック情報の入力がなされると、入力されたフィードバック情報は、修理箇所通知サーバ１０５に送信される。

【0066】

図５（Ｂ）は、実施例１に係る修理箇所通知サーバ１０５の学習データ収集ステップ（ステップＳ５０２）の詳細な例を記したフローチャートである。尚、修理箇所通知サーバ１０５内のコンピュータとしてのＣＰＵ等がメモリに記憶されたコンピュータプログラムを実行することによって図５（Ｂ）のフローチャートの各ステップの動作が順次行われる。

【0067】

ステップＳ５５１において、学習データ収集を開始する。又、ステップＳ５５２において、装置情報収集サーバ１０２からエラーコード履歴情報（エラー履歴情報）を取得し、装置情報格納部４０１に格納する。ここでステップＳ５５２は、対象装置としての画像形成装置のエラー履歴情報を取得するエラー履歴情報取得ステップ（エラー履歴情報取得手段）として機能している。

【0068】

装置情報収集サーバで収集したエラーコード履歴情報の例を表１に示す。表１において、「製品」は画像形成装置の製品種別を表す名称である。「機体番号」は画像形成装置毎に付与されたユニークなＩＤである。「地域」は、画像形成装置が設置された地域である。「エラー発生日」は、当該エラーが発生した日付である。「発生エラーコード」は、当該エラーの種別を認識するためのユニークな文字列コードである。

【0069】

例えば表１の１行目は、「地域Ａに設置された製品ａａａの、機体番号ＤＥＶ０００００では、２０２３／０６／０１にＥｘｘｘ－ｙｙｙｙというエラーコードのエラーが発生した」という意味を持つ。

【表1】

【0070】

次に、ステップＳ５５３において、交換部品情報収集サーバ１０４から部品交換情報を取得し、部品交換情報格納部４０２に格納する。交換部品情報収集サーバで収集した交換部品情報の例を表２に示す。ここで、ステップＳ５５３は、対象装置の部品交換情報を取得する部品交換情報取得ステップ（部品交換情報取得手段）として機能している。

【0071】

表２において、「製品」は画像形成装置の製品種別を表す名称、「機体番号」は画像形成装置毎に付与されたユニークなＩＤである。「部品交換日」は、保守担当者が部品を交換した日付である。「交換部品」は、保守担当者が実際に交換した部品の名称である。

【0072】

例えば表２の１行目は、「製品ａａａの、機体番号ＤＥＶ０００００は、２０２２／０２／０５にパーツＡを交換した」という意味を持つ。また表２の５行目は、「製品ｂｂｂの機体番号ＤＥＶ００００２は、２０２２／０２／２５にユニットＸを交換した」という意味を持つ。

【表2】

【0073】

次に、ステップＳ５５４において、フィードバック格納部４０４に保持するフィードバック情報に基づき、エラーコード情報と交換部品情報の紐づけを行う。ここでステップＳ５５４は、エラー履歴情報と部品交換情報とを紐づけた第１の紐づけデータを生成する紐づけステップ（紐づけ手段）として機能している。

【0074】

前記フィードバック情報の例を表３に示す。表３において、「製品」は画像形成装置の製品種別を表す名称、「機体番号」は画像形成装置毎に振られたユニークなＩＤである。「部品交換日」は、保守担当者が部品を交換した日付である。「発生エラーコード」は、当該エラーの種別を認識するためのユニークな文字列コードである。「交換部品」は、保守担当者が実際に交換した部品の名称である。

【0075】

例えば表３の１行目は、「製品ａａａの、機体番号ＤＥＶ０００００は、２０２３／０６／０５に発生エラーコードＥｘｘｘ－ｙｙｙｙを発生し、それに対してパーツＡを交換した」という意味を持つ。

【表3】

【0076】

又、ステップＳ５５４において、フィードバック情報に基づきエラーコード情報と交換部品情報とを紐づけた結果を表４のように生成し、保存する。尚、表４に示す、エラーコード情報と交換部品情報とを紐づけたデータをここでは、第１の紐づけデータと呼ぶ。

【表4】

【0077】

次にステップＳ５５５において、ステップＳ５５４の出力である、表４の各行のエラーコード情報と交換部品情報の紐づけ一件ずつに対し、ループ処理を開始する。そしてステップＳ５５６において、ユニット情報格納部４０５にて、表４の各行に示した各交換部品がパーツ単体か、もしくはユニットかを判定する。

【0078】

即ち、ユニット情報格納部４０５は、ユニット情報格納部４０５にて保持するユニット・パーツ対応情報に基づき、表４に示す各「交換部品」の列の値が、パーツかユニットかを判断する。表５は、ユニット情報格納部４０５にて保持するユニット・パーツ対応情報の例を示す。

【0079】

「ユニット名」はユニットを表す名称である。「含有パーツ」はユニットが含有するパーツのリストである。例えば表５の１行目は、「ユニットＸは、パーツＡ，パーツＤを含有する」という意味を持つ。尚、本実施例における「含有」は、「包含」或いは「含む」と同様の意味を持つ。

【0080】

表４の「交換部品」の列の値が、表５に示す「ユニット名」の列に含まれる場合、当該の交換部品はユニットと判断する。表４の「交換部品」の列の値が、表５の「ユニット名」の列に含まれない場合、当該の交換部品はパーツと判断する。

【表5】

【0081】

ステップＳ５５６にてユニットと判定された場合、処理を実行せずステップＳ５５５に戻り表４の次の行のデータに進む。ステップＳ５５６にてパーツと判断された場合には、ステップＳ５５７において、交換したパーツを含むユニットも交換したものとして、交換部品情報を複製する。

【0082】

ここでステップＳ５５７は、所定の交換部品の情報を、所定の交換部品を含有する他の交換部品の情報に置換して、エラー履歴情報と紐づけた第２の紐づけデータを生成する複製ステップ（複製手段）として機能している。

【0083】

即ち、表４の所定の行について、「交換部品」がステップＳ５５６でパーツと判断された場合には、表５の「含有パーツ」列において、そのパーツを含むユニットを抽出する。そして、表４における、エラーコードと交換部品の紐づけデータの、「交換部品」列を、抽出されたユニットに置換した行を複製して追加する。

【0084】

ステップＳ５５８で、表４の全ての行についてループ処理が終了していなければ、再びステップＳ５５５を介してステップＳ５５６に戻って上記の動作を繰り返す。表４の全ての行について上記の処理が終了したらステップＳ５５８でループ処理を終了してステップＳ５５９に進み学習データ終了処理を終了する。

【0085】

ステップＳ５５９で、表４の全ての行について処理が終了した時点の、エラーと交換部品の紐づけ（複製済）結果の例を表６に示す。複製されて追加されたデータは、交換部品の項目に「＊」を付与している。

【0086】

尚、表６のように、所定の交換部品（例えばパーツＡ）の情報を、所定の交換部品を含有する他の交換部品の情報（例えばユニットＸ）に置換して、エラー履歴情報と紐づけたデータを、本実施例では第２の紐づけデータと呼ぶ。

【表6】

【0087】

尚、本実施例では、ステップＳ５５４～ステップＳ５５８において、紐づけを行ったうえで交換部品がユニットかパーツかを判断し、データの複製を行った。即ち、第１の紐づけデータにおける所定の交換部品の情報を、他の交換部品の情報に置換することにより複製して、エラー履歴情報と紐づけた第２の紐づけデータを生成した。

【0088】

しかし、この処理は順序を入れ替え、先にユニットかパーツかを判断してデータを複製し、その後紐づけを行っても良い。即ち、所定の交換部品の情報を、他の交換部品の情報に置換した後、他の交換部品の情報とエラー履歴情報とを紐づけた第２の紐づけデータを生成しても良い。

【0089】

次に、図６は、本発明の実施例１に係る機械学習処理の例を示すフローチャートであり、修理箇所通知サーバ１０５の機械学習モデル作成ステップ（ステップＳ５０３）の１例を示している。尚、修理箇所通知サーバ１０５内のコンピュータとしてのＣＰＵ等がメモリに記憶されたコンピュータプログラムを実行することによって図６のフローチャートの各ステップの動作が順次行われる。

【0090】

ステップＳ６０１において機械学習モデルの作成が開始され、ステップＳ６０２において修理箇所通知サーバ１０５は、表６のデータと、装置情報格納部４０１が保有する、画像形成装置機器の情報を結合し、収集データとする。尚、この際、表６のデータはパーツの行とユニットの行で分けて、夫々収集データとする。即ち、第１の紐づけデータと第２の紐づけデータを夫々収集データとして夫々用いて学習を行う。

【0091】

ステップＳ６０３以降、ユニットに関する収集データを用いた学習処理を行う。収集データの例を表７に示す。表７において、「製品」は画像形成装置の製品種別を表す名称である。「稼働情報１」、「稼働情報２」は、例えばデータ取得日に印刷した紙の枚数など、画像形成装置の使用状況を示す情報である。

【0092】

「Ｅｘｘｘ－ｙｙｙｙ」、「Ｅｘｘｘ－ｚｚｚｚ」の列は、夫々エラーコードを示し、夫々のエラーが発生していれば１、発生していなければ０を示している。「ユニットＸ」、「ユニットＹ」の列は、交換されうる部品を含むユニットの場合に１、含まない場合を０としている。

【0093】

例えば表９の１行目は、「地域Ａに設置された製品ａａａの、機体番号ＤＥＶ０００００は、２０２３／０６／０１の発生エラーコードＥｘｘｘ－ｙｙｙｙに対してユニットＸを交換され、稼働情報１の値は１、稼働情報２の値は７である。」ことを示す。

【0094】

【表7】

【0095】

ステップＳ６０３において、修理箇所通知サーバ１０５は、ステップＳ６０２で準備した表７のような収集データを、入力データと正解データに分割する。本実施例では、入力データは稼働情報１、稼働情報２及びエラーコードの列の値とし、正解データはユニットＸ、ユニットＹの列の値とする。

【0096】

尚、入力データとしては、時間情報（コピー実行された時間など）、ユーザ属性（部署、役職、年齢など）、画像形成装置属性（機種、設置場所、コピー速度など）等の値を利用しても良い。

【0097】

次にステップＳ６０４において、修理箇所通知サーバ１０５は、ステップＳ６０３で生成した正解データの設定項目（ユニットＸ、ユニットＹ）を１設定項目ずつ全設定項目について処理したか判定する。Ｙｅｓの場合には図６の学習モデル作成のフローを終了する。Ｎｏの場合には、ステップＳ６０５に進む。

【0098】

尚、本実施例では、正解データを１設定項目ずつ処理するが、複数の設定項目をまとめて学習しても良い。但し、正解データの複数の設定項目をまとめて学習した場合、精度の高い推定を行うためには、大量のデータが必要になる。例えば機体番号毎の学習データは大量に収集することが難しく、少量の学習データとなるため、推定精度が悪くなる可能性がある。

【0099】

ステップＳ６０５において修理箇所通知サーバ１０５は、ステップＳ６０３で生成した入力データと正解データの１つの設定項目についてＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）を利用して学習する。

【0100】

ＳＶＭは公知の機械学習アルゴリズムであり、本実施例ではＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ ｆｕｎｃｔｉｏｎ Ｋｅｒｎｅｌ）による非線形ソフトマージンＳＶＭを利用する。又、学習をする際に、学習データをランダムに解析データと検証データに分割する交差検証によって学習結果を評価する。

【0101】

尚、ＲＢＦを用いたＳＶＭのハイパーパラメータには、コストパラメータ（Ｃ）とガンマ（γ）があり、推定性能に影響を及ぼすので、夫々複数の値を網羅的に試すグリッドサーチを行い推定性能が高いものを学習結果とする。

【0102】

ここで機械学習アルゴリズムとしてはどのようなアルゴリズムを用いても良い。例えばパーセプトロンやロジスティック回帰、ニューラルネットワーク、ｋ近傍法、ナイーブベイズ、畳み込みニューラルネットワーク、決定木、ランダムフォレスト、線形回帰、多項式回帰、Ｌａｓｓｏ回帰、Ｒｉｄｇｅ回帰等を用いれば良い。

【0103】

又、ＳＶＭとしては、ハードマージンＳＶＭや多項式カーネルＳＶＭなどの種類があり、いずれを用いても良い。又、機械学習アルゴリズムのハイパーパラメータも機械学習アルゴリズムによって異ならせても良い。また学習結果の評価手法としては、交差検証法以外に代替推定法やテストサンプル法などを用いても良い。

【0104】

更に機械学習アルゴリズムのハイパーパラメータの最適化手法としては、グリッドサーチ、ランダムサーチ、ラテン超方格サンプリング法、ベイズ最適化などのいずれを用いても良い。本実施例において機械学習アルゴリズムや学習結果の評価手法、機械学習アルゴリズムのハイパーパラメータの最適化手法などは適宜変更しても良いし組み合わせても良い。

【0105】

ステップＳ６０６において、修理箇所通知サーバ１０５は、ステップＳ６０５で学習した学習済みモデルをファイルに保存し、機械学習モデル管理部４０８に登録する。ここで学習済みモデルを保存したファイルには、学習アルゴリズムの種類（ＲＢＦによる非線形ソフトマージンＳＶＭ等）や学習アルゴリズムのハイパーパラメータの値（コストパラメータ（Ｃ）とガンマ（γ））等が含まれる。

【0106】

ステップＳ６０６で学習済モデルを保存した後で、ステップＳ６０４に戻り、全項目について正解データを処理したか判定し、ＮｏであればステップＳ６０５、ステップＳ６０６を繰り返し、ＹｅｓであればステップＳ６０７に進み図６のフローを終了する。

【実施例0107】

実施例１によれば、パーツ単体とユニット単位のように、スケールの異なる部品交換データに対し、対応関係からデータを複製することで学習用のデータを充実させることができる。しかし、デバイスの製品機種によって扱うユニットに差がある場合がある。本来その製品機種では扱わないユニットも含めてデータを複製し学習すると、現実にはあり得ないパターンのデータも学習してしまい、学習精度が落ちる場合がある。

【0108】

そこで、実施例２では、交換したパーツを含むユニットで、かつ当該製品機種で扱うユニットのみを対象とし、データ複製を行う。これにより、実際にはあり得ないパターンを排除しつつデータを複製することができ、学習精度を向上することができる。

【0109】

実施例２の、システム構成図、ハードウェア構成図、入力端末画面例図、ソフトウェア構成図に関しては、夫々実施例１の図１～図４と同様のため説明を省略する。又、修理箇所通知サーバ１０５の全体フローチャートは実施例１の図５（Ａ）と同様なので、説明を省略する。

【0110】

図７は、本発明の実施例２に係るデバイス対象ユニットに絞った学習データ収集処理のフローチャートであり、実施例２における修理箇所通知サーバ１０５の学習データ収集ステップ（ステップＳ５０２）の詳細を示している。尚、修理箇所通知サーバ１０５内のコンピュータとしてのＣＰＵ等がメモリに記憶されたコンピュータプログラムを実行することによって図７のフローチャートの各ステップの動作が順次行われる。

【0111】

ステップＳ５５１～ステップＳ５５６、ステップＳ５５８、ステップＳ５５９の処理内容は、図５（Ｂ）に示した処理内容と同じなので説明を省略する。ステップＳ５５６にてユニットと判断された場合には、ステップＳ７０１～ステップＳ７０３の処理を実行せず次の行のデータに進むようにループ処理を行う。

【0112】

ステップＳ５５６にてパーツと判定された場合、ステップＳ７０１において、表４に示すエラーと交換部品の紐づけのテーブルの「製品」列から、当該部品の交換処理を行ったデバイス（製品機種）を特定する。

【0113】

次に、ステップＳ７０２において、表８に示すようなユニット・パーツ対応情報（取扱い機種情報も含む）を参照し、交換したパーツを含むユニットで、かつ当該製品機種の取り扱い対象であるユニットを特定する。ここで、ステップＳ７０２は、所定の部品の交換を行った対象装置が、他の交換部品を使用可能な機種か否か特定する機種特定ステップ（機種特定手段）として機能している。

【0114】

表８において、「ユニット名」はユニットの名称であり、「含有パーツ」はユニットが含有するパーツのリストである。「取扱機種」はユニットを取り扱う製品機種のリストである。例えば表８の１行目は、「ユニットＸはパーツＡ，パーツＤを含有し、製品機種ｂｂｂ、及びｃｃｃで取り扱い対象である」という意味を持つ。

【0115】

【表8】

【0116】

ステップＳ７０３において、交換したパーツを含むユニットで、かつ当該製品機種の取り扱い対象であるユニットの場合には、そのユニットも交換したものとして、交換部品情報を複製する。

【0117】

又、ステップＳ７０２で特定したユニットについて、当該のエラーと交換部品の紐づけデータを複製し、交換部品列を夫々、特定されたユニットに置換する。即ち、ステップＳ７０３において、機種特定ステップとしてのステップＳ７０２により特定された対象装置が他の交換部品を使用可能な機種である場合に、第２の紐づけデータを生成する。

【0118】

更に、上記のステップＳ５５６、ステップＳ７０１～ステップＳ７０３の処理を、ステップＳ５５５、ステップＳ５５８によるループ処理により、全ての行について実行してからステップＳ５５９に進み、学習データ収集のフローを終了する。

【0119】

ステップＳ５５９に進み、学習データ収集を終了した時点の、エラーと交換部品の紐づけ（複製済・取扱機種込み）の例を表９に示す。複製したデータは、「交換部品」の項目に「＊」を付与している。

【0120】

実施例１の表６と比較すると、一行目のＤＥＶ０００００にて発生したパーツＡの交換情報が、ユニット交換情報として複製されていないことがわかる。これは、表８において製品機種ａａａがユニットＸの対象機種に含まれないためである。

【0121】

【表9】

【0122】

尚、ステップＳ５５４～ステップＳ７０３に関して、本実施例では紐づけを行ったうえで交換部品がユニットかパーツかを判断し、データの複製を行った。しかし、これらの処理は順序を入れ替え、先にユニットかパーツかを判断してデータを複製し、その後紐づけを行っても良い。尚、実施例２における機械学習モデル作成のシーケンスに関しては、実施例１の図６に示されるシーケンスと同様で良いので説明を省略する。

【0123】

本実施例により、エラーと交換部品の紐づけデータ複製時に、当該パーツを含み、かつ当該製品機種が扱うユニットのみ複製を行うことで、現実に発生し得るユニット交換に限定したうえで学習用データを増幅することが可能となる。これにより、エラーに対する交換部品の予測において、スケールが異なる夫々の部品の学習精度を向上することができる。