JP3283716B2

JP3283716B2 - ヒータ制御装置

Info

Publication number: JP3283716B2
Application number: JP08297595A
Authority: JP
Inventors: 輝彦松岡
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1995-04-07
Filing date: 1995-04-07
Publication date: 2002-05-20
Anticipated expiration: 2017-05-20
Also published as: JPH08278722A; EP0736821B1; DE69606573T2; US5747777A; DE69606573D1; EP0736821A1

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、レーザ光を用いて静電
潜像を形成するレーザプリンタ、読込んだ原稿像の画像
処理が可能なデジタル複写機、従来からのアナログ複写
機および普通紙ファクシミリ等の電子写真方式を用いる
画像形成装置における熱定着装置のヒータ温度を制御す
るためのヒータ制御装置に関するものである。

【０００２】

【従来の技術】従来より、上記した電子写真方式の画像
形成装置には、図１０に示すように、記録紙に転写され
たトナー像を熱定着させるための熱定着装置１００が備
えられている。この熱定着装置１００は、交流電源１０
２からの電力を、ヒータ制御回路１０７が温度ヒューズ
１０６を介してヒータ１０５に与えることによって、こ
のヒータ１０５を所望とする温度に維持するように構成
されている。上記ヒータ１０５は、ハロゲンランプなど
で構成されており、熱定着ローラ１０４内に設けられて
いる。

【０００３】また、熱定着ローラ１０４の近傍には、こ
の熱定着ローラ１０４の表面温度を検出するために、サ
ーミスタなどで構成される温度検出部１０１が設けられ
ている。この温度検出部１０１で検出された表面温度が
予め定められる設定温度以上であるか否かに対応して、
コントローラ１０３が前記ヒータ制御回路１０７を駆動
制御することで、前記設定温度の維持が可能となる。

【０００４】

【発明が解決しようとする課題】ところが、上記従来技
術では、温度検出部１０１で検出された表面温度と、設
定温度との比較の結果のみに基づいて、コントローラ１
０３がヒータ１０５を点灯制御するので、熱定着ローラ
１０４内に設けられているヒータ１０５で発生した熱が
該熱定着ローラ１０４の表面に伝導されるまでの熱応答
時間が存在するために、特にヒータ１０５を連続点灯さ
せた場合には、前記表面温度が前記設定温度を超えてオ
ーバーシュートが発生するという問題がある。

【０００５】この問題を解決するために、特開平３−１
０２７５号で示される従来技術では、熱定着ローラの表
面温度、雰囲気温度および本体電源が投入されてからの
累積時間などを入力値として、ファジィルールに従っ
て、熱定着ローラの回転開始時期および停止時期ならび
に回転速度を制御するように構成されている。

【０００６】また、特開平４−７３７８６号および特開
平４−３０３８７５号で示される他の従来技術では、熱
定着ローラの温度とその変化量とを用いて、ファジィル
ールに従ってヒータを駆動するように構成されている。
さらにまた、特開平４−１７８６７８号で示されるよう
な、熱定着ローラの温度とその微分値とを用いてヒータ
の点灯時間をファジィ制御する構成や、特開平５−３２
３８３０号で示されるような、室温値偏差と、サーミス
タの出力値と、その勾配とに基づいてヒータの点灯時間
をファジィ制御するようにした構成が提案されている。

【０００７】しかしながら、上述の各従来技術では、予
め正しいファジィルールを作成しておく必要があり、す
なわち、間違ったルールが存在すると、正しい制御がで
きなくなってしまう。また、ファジィ変数を表すメンバ
ーシップ関数は、一旦決定してしまうと修正することが
できないので、試行錯誤によって望ましい値を予め求め
ておく必要があり、作成が煩雑であるという問題もあ
る。

【０００８】さらに、一旦作成してしまったファジィル
ールおよびメンバーシップ関数は変更することができ
ず、したがって、機種の違いや個体差および経年変化や
周囲環境の違いに対応することができないという問題が
ある。

【０００９】本発明の目的は、経年変化および周囲環境
の違いなどを逐次学習して、オーバーシュートのない最
適な点灯時間を常に求めることができるヒータ制御装置
を提供することである。

【００１０】

【課題を解決するための手段】請求項１のヒータ制御装
置は、ヒータで発生された熱が放熱手段に伝導されて該
放熱手段から放出されるようにしたヒータの制御装置に
おいて、前記放熱手段の表面温度を検出するための温度
検出手段と、前記温度検出手段の検出結果から、予め定
める時間当りの温度変化量を演算する温度変化量演算手
段と、前記温度検出手段の検出結果および温度変化量演
算手段の演算結果から、第１のファジィ・ニューラルネ
ットワークによって前記ヒータの点灯時間を演算して制
御する点灯時間演算制御手段と、前記温度検出手段の検
出結果、温度変化量演算手段の演算結果および点灯時間
演算制御手段の演算結果から、第２のファジィ・ニュー
ラルネットワークによって、前記点灯時間演算制御手段
で演算された点灯時間で前記ヒータが点灯制御されたと
きの前記放熱手段の次回温度検出時の表面温度を予測す
る予測演算手段と、前記予測演算手段で演算された予測
表面温度と、温度検出手段によって検出された実測表面
温度と、予め設定された前記放熱手段の表面温度の上限
値を示す上限表面温度とを比較し、前記３つの温度の関
係によって、前記第１および第２のファジィ・ニューラ
ルネットワークの重みを調整するか否かを判定する比較
手段と、前記比較手段によって前記第１および第２のフ
ァジィ・ニューラルネットワークの重みを調整すること
が判定されたとき、それぞれの重みを調整するための教
師データとなる目標値を設定する目標値設定手段とを備
えていることを特徴としている。

【００１１】請求項２のヒータ制御装置は、請求項１記
載のヒータ制御装置において、比較手段は、前記放熱手
段に対する３つの温度の関係が、上限表面温度＞予測表
面温度＞実測表面温度、または予測表面温度＞実測表面
温度＞上限表面温度、または実測表面温度＞予測表面温
度＞上限表面温度、または実測表面温度＞上限表面温度
＞予測表面温度のとき、前記第１および第２のファジィ
・ニューラルネットワークの重みの調整を行う制御信号
を前記目標値設定手段に出力することを特徴としてい
る。

【００１２】請求項３のヒータ制御装置は、請求項２記
載のヒータ制御装置において、前記比較手段での放熱手
段に対する３つの温度の関係が、上限表面温度＞予測表
面温度＞実測表面温度、または実測表面温度＞上限表面
温度＞予測表面温度のとき、前記放熱手段の予測表面温
度を、前記第２のファジィ・ニューラルネットワークの
重みを調整するための目標値として設定すると共に、前
記目標値、温度変化量および温度検出の時間間隔からヒ
ータの点灯時間を算出し、この算出した点灯時間を、前
記第１のファジィ・ニューラルネットワークの重みを調
整するための目標値として設定することを特徴としてい
る。

【００１３】請求項４のヒータ制御装置は、請求項２記
載のヒータ制御装置において、前記目標値設定手段は、
前記比較手段での放熱手段に対する３つの温度の関係
が、予測表面温度＞実測表面温度＞上限表面温度、また
は実測表面温度＞予測表面温度＞上限表面温度のとき、
前記放熱手段の上限表面温度を、前記第２のファジィ・
ニューラルネットワークの重みを調整するための目標値
として設定すると共に、前記目標値、温度変化量および
温度検出の時間間隔からヒータの点灯時間を算出し、こ
の算出した点灯時間を、前記第１のファジィ・ニューラ
ルネットワークの重みを調整するための目標値として設
定することを特徴としている。

【００１４】

【作用】請求項１の構成によれば、たとえば画像形成装
置における熱定着装置に用いられ、ヒータで発生された
熱が熱定着ローラなどの放熱手段に伝導されて該放熱手
段から放出されるようにしたヒータの制御装置におい
て、放熱手段の表面温度を温度検出手段によって検出
し、またその検出結果から予め定める時間当りの温度変
化量を温度変化量演算手段で演算し、それらの検出結果
および演算結果を入力するように構築された点灯時間演
算制御手段の第１のファジィ・ニューラルネットワーク
によって、前記検出結果および温度変化量からヒータの
点灯時間を演算し、該ヒータを制御する。

【００１５】また、そのような制御によってヒータが点
灯制御されたときの放熱手段の表面温度を、前記検出結
果、温度変化量およびヒータの点灯時間を入力するよう
に構築された予測演算手段の第２のファジィ・ニューラ
ルネットワークによって、前記検出結果、温度変化量お
よびヒータの点灯時間から放熱手段の表面温度を予測し
ておき、比較手段が、その予測された表面温度と温度検
出手段によって検出された実際の表面温度と予め定める
前記放熱手段の表面温度の上限値の３つの温度関係か
ら、前記第１および第２のファジィ・ニューラルネット
ワークの重みを調整するか否かを判定し、前記第１およ
び第２のファジィ・ニューラルネットワークの重みを調
整することになった場合に、それぞれの重みを調整す
る。

【００１６】したがって、パラメータなどを大まかに設
定しておくだけで、それらは逐次学習によって、オーバ
ーシュートのない最適な点灯時間を得ることができる値
となるように修正されてゆくので、プログラム作成の手
間を簡略化できるとともに、機種や個体差および経年変
化や周囲環境の違いなどに容易に対応することができ
る。また、実際に検出するパラメータは、放熱手段の表
面温度だけであるので、簡便な構成で実現することがで
きるとともに、少ない入力パラメータで、演算時間を短
縮して、温度変化に対して迅速に点灯時間を変化させる
ことができる。

【００１７】また、例えば、前記第１のファジィ・ニュ
ーラルネットワークは、入力層およびメンバーシップ層
が、温度検出手段の検出結果の入力値および温度変化量
演算手段の演算結果の入力値を、それぞれファジィ集合
の３領域、Ｂｉｇ，Ｍｉｄｄｌｅ，Ｓｍａｌｌに分割す
るように構成されており、かつルール層は、各入力値の
各領域の全ての組合せルールの論理積で構成され、ま
た、第２のファジィ・ニューラルネットワークは、入力
層およびメンバーシップ層が、前記温度検出手段の検出
結果の入力値、温度変化量演算手段の演算結果の入力値
および前記点灯時間演算制御手段で演算された点灯時間
をそれぞれファジィ集合の３領域に分割するように構成
され、かつルール層は、前記各入力値の各領域の全ての
組合わせルールの論理積で構成される。

【００１８】このように、第１および第２のファジィ・
ニューラルネットワークが構成されることによって、各
入力値の前記各領域毎に相互に異なる制御を行うことが
でき、複雑な変化を伴った制御が可能になる。

【００１９】また、各入力値の各領域の全てのルールの
組合せを選択しておくことによって、予めエキスパート
の知識によって得られるファジィルール以外の入力の組
合わせが発生しても、必ずいずれかの組合せに対応する
ことになり、上述のように逐次学習してゆくことによっ
て、最適な制御を行うことができる。

【００２０】また、請求項２の構成によれば、前記比較
手段は、前記放熱手段に対する３つの温度の関係が、上
限表面温度＞予測表面温度＞実測表面温度、または予測
表面温度＞実測表面温度＞上限表面温度、または実測表
面温度＞予測表面温度＞上限表面温度、または実測表面
温度＞上限表面温度＞予測表面温度のとき、前記第１お
よび第２のファジィ・ニューラルネットワークの重みの
調整を行うための制御信号を前記目標値設定手段に出力
している。

【００２１】これにより、第１および第２のファジィ・
ニューラルネットワークは、３つの温度関係が前記条件
のとき、すなわち、オーバーシュートやアンダーシュー
トが生じる温度関係の条件のときにのみ学習を行うこと
になる。

【００２２】したがって、実測表面温度と予測表面温度
とが異なる全ての場合に、第１および第２のファジィ・
ニューラルネットワークの学習を行う必要がなくなるの
で、無駄な学習時間を作らずに必要なときだけ学習を行
うことが可能となる。

【００２３】また、請求項３の構成によれば、目標値設
定手段は、前記比較手段での放熱手段に対する３つの温
度の関係のうち、上限表面温度＞予測表面温度＞実測表
面温度、または実測表面温度＞上限表面温度＞予測表面
温度のとき、すなわち、予測表面温度が、常に上限表面
温度より低いときに、この予測表面温度を、第２のファ
ジィ・ニューラルネットワークの重みを調整するための
目標値として設定し、さらに、この目標値、温度変化量
および温度検出の時間間隔からヒータの点灯時間を算出
し、この算出した点灯時間を、第１のファジィ・ニュー
ラルネットワークの重みを調整するための目標値として
設定する。

【００２４】これにより、第２のファジィ・ニューラル
ネットワークは、常に上限温度よりも低い予測表面温度
を目標値、すなわち、教師データとして重みが調整さ
れ、さらに、この教師データに基づいて算出された点灯
時間を、第１のファジィ・ニューラルネットワークの教
師データとしているので、ヒータの実測表面温度が上限
表面温度を超えた場合でも、オーバーシュートなどのヒ
ータの温度異常の発生しない最適なヒータの点灯時間を
得ることができる。

【００２５】さらに、請求項４の構成によれば、目標値
設定手段は、前記比較手段での放熱手段に対する３つの
温度の関係のうち、予測表面温度＞実測表面温度＞上限
表面温度、または実測表面温度＞予測表面温度＞上限表
面温度のとき、すなわち、上限表面温度が、常に予測表
面温度および実測表面温度よりも低いときに、この上限
表面温度を、第２のファジィ・ニューラルネットワーク
の重みを調整するための目的値として設定し、さらに、
この目標値、温度変化量および温度検出の時間間隔から
ヒータの点灯時間を算出し、この算出した点灯時間を、
第１のファジィ・ニューラルネットワークの重みを調整
するための目標値として設定する。

【００２６】これにより、第２のファジィ・ニューラル
ネットワークは、常に実測表面温度および予測表面温度
よりも低い上限表面温度を目標値、すなわち、教師デー
タとして重みが調整され、さらに、この教師データに基
づいて算出された点灯時間を、第１のファジィ・ニュー
ラルネットワークの教師データとしているので、ヒータ
の実測表面温度は上限表面温度を超えないようになり、
オーバーシュートなどのヒータの温度異常の発生しない
最適なヒータの点灯時間を得ることができる。

【００２７】

【実施例】本発明の一実施例について図１ないし図９に
基づいて説明すれば、以下の通りである。尚、本実施例
では、ヒータ制御装置として、電子写真方式の画像形成
装置に備えられ、記録紙上に形成されたトナー像を熱定
着する熱定着装置について説明する。

【００２８】本実施例に係る熱定着装置は、図１に示す
ように、記録紙上に形成されたトナー像を熱定着するた
めの放熱手段としての熱定着ローラ１を備え、熱定着ロ
ーラ１内部には、ハロゲンランプなどからなるヒータ２
が設けられている。したがって、ヒータ２の熱が熱定着
ローラ１の内部から表面に伝導することで、熱定着ロー
ラ１の表面が加熱され、熱定着ローラ１に接する記録紙
上のトナーを溶融するようになっている。但し、ヒータ
２への通電が開始または停止されてから、熱定着ローラ
１の温度上昇がそれぞれ開始または停止するまで、熱定
着ローラ１の熱伝導遅れによって、２〜３秒程度の応答
遅れを生じる。

【００２９】上記ヒータ２は、交流電源３を介してヒー
タ制御回路４に接続される一方、温度ヒューズ５を介し
てヒータ制御回路４に接続されている。したがって、交
流電源３からの電力は、ヒータ制御回路４および温度ヒ
ューズ５を介してヒータ２に与えられる。

【００３０】上記ヒータ制御回路４は、リレーやＩＣス
イッチなどで構成され、後述するヒータ点灯時間演算部
８からの、点灯または消灯すべきことを表す駆動信号に
応答して、ヒータ２に電力供給を行うようになってい
る。また、このヒータ制御回路４の前記駆動信号に応答
したＯＮまたはＯＦＦを表す状態表示信号が、後述する
ローラ表面温度演算部７へ出力される。尚、前記ヒータ
制御回路４とヒータ点灯時間演算部８とで点灯時間演算
制御手段を構成している。

【００３１】また、上記熱定着ローラ１に近接して、サ
ーミスタなどで構成される温度検出部６が設けられてい
る。この温度検出部６は、熱定着ローラ１の表面温度の
変化に対して、その端子間抵抗値が変化する。このた
め、この温度検出部６に関連して、ローラ表面温度演算
部７が設けられている。尚、前記温度検出部６とローラ
表面温度演算部７とで温度検出手段を構成している。

【００３２】上記ローラ表面温度演算部７は、まず、図
２で示すように、予め定める時間間隔ｔ（ｈ）（ｈ＝
１，２，…，ｎ−１，ｎ，ｎ＋１，ｎ＋２，…，以下同
じ）、たとえば３〜５秒周期で入力される上記ヒータ制
御回路４からの前記状態表示信号に応答して、ヒータ２
のＯＮタイミングとＯＦＦタイミングとで、それぞれ温
度検出部６の前記端子間抵抗値に対応する端子間電圧値
をアナログ／デジタル変換してサンプリングを行う。次
に、ローラ表面温度演算部７は、このようにして得られ
た電圧値から、該電圧値に予め対応して求められている
表面温度値に変換するための電圧−温度変換テーブルを
対照して、前記電圧値に対応した表面温度を求める。

【００３３】なお、図２において、ｔｏｎ（ｈ）は、ｈ
回目の時間間隔ｔ（ｈ）におけるヒータ２のＯＮ期間を
表し、ｔｏｆｆ（ｈ）は、時間間隔ｔ（ｈ）におけるＯ
ＦＦ期間を表す。また、Ｔ（ｈ）は、前記時間間隔ｔ
（ｈ）の開始時点での表面温度を表し、Ｔｏｎ（ｈ）
は、前記時間間隔ｔ（ｈ）におけるＯＮ期間の終了時に
おける表面温度を表す。さらにまた、Ｔｌｍｔは、熱定
着ローラ１の上限温度であり、かつ設定温度を表す。

【００３４】上記ローラ表面温度演算部７によって求め
た熱定着ローラ１の表面温度は、図１に示すヒータ点灯
時間演算部８、ローラ表面温度変化量演算部（温度変化
量演算手段）９、記憶部１０、ローラ表面温度予測演算
部（予測演算手段）１１およびローラ表面温度比較部
（比較手段）１２に与えられる。

【００３５】尚、記憶部１０は、ＲＡＭ等の記憶手段か
らなり、前記ローラ表面温度演算部７の演算結果の他
に、前記ヒータ点灯時間演算部８、ローラ表面温度変化
量演算部９およびローラ表面温度予測演算部１１の演算
結果を記憶するようになっている。

【００３６】前記ローラ表面温度変化量演算部９は、記
憶部１０で記憶している前回入力された表面温度、たと
えばＴ（ｎ−１）と、今回入力された表面温度Ｔ（ｎ）
とから、前記時間間隔ｔ（ｎ−１）における温度変化量
ΔＴ（ｎ−１）を求める。これら温度変化量ΔＴ（ｎ−
１）は、以下の数１から求めることができる。

【００３７】

【数１】

【００３８】このようにして求められた表面温度Ｔ
（ｎ）と、温度変化量ΔＴ（ｎ−１）とを入力パラメー
タとして、ヒータ点灯時間演算部８は、後述するような
第１のファジィ・ニューラルネットワーク２１（図３）
を用いて、ヒータ２の点灯期間ｔｏｎ（ｎ）を演算し、
今回の時間間隔ｔ（ｎ）の開始タイミングから、求めら
れたＯＮ期間ｔｏｎ（ｎ）だけ、前記ヒータ制御回路４
に駆動信号を出力して、ヒータ２を点灯させる。

【００３９】また、前記ＯＮ期間ｔｏｎ（ｎ）は、ロー
ラ表面温度予測演算部１１に与えられており、このロー
ラ表面温度予測演算部１１は、前記ＯＮ期間ｔｏｎ
（ｎ）および温度変化量ΔＴ（ｎ−１）ならびに表面温
度Ｔ（ｎ）を入力パラメータとして、後述する第２のフ
ァジィ・ニューラルネットワーク２２（図８）を用い
て、次に検出されるべき表面温度Ｔ（ｎ＋１）を予測演
算し、その演算結果をローラ表面温度比較部１２および
記憶部１０へ与える。

【００４０】また、前記ローラ表面温度予測演算部１１
は、予測演算された表面温度が上限温度よりも大きくな
ると予測された場合、ヒータ点灯時間演算部８における
第１のファジィ・ニューラルネットワーク２１の微調整
を行うための制御信号をローラ表面温度比較部１２およ
び目標値設定部１３を介してヒータ点灯時間演算部８に
出力する。

【００４１】この制御信号に応答して、ヒータ点灯時間
演算部８は、後述する微調整をまず行った後、そのｎ回
目の時間間隔ｔ（ｎ）で求められた実際の表面温度Ｔ
（ｎ）と、温度変化量ΔＴｏｎ（ｎ−１）とから、該ｎ
回目の時間間隔におけるＯＮ時間ｔｏｎ（ｎ）を演算す
る。

【００４２】また、前記ローラ表面温度比較部１２は、
入力されたｎ＋１回目の時間間隔ｔ（ｎ＋１）での表面
温度Ｔ（ｎ＋１）の予測された値（予測表面温度）と、
ローラ表面温度演算部７で算出された実際の値（実測表
面温度）と予め設定された上限温度（上限表面温度）と
を比較し、３つの温度の関係が後述する温度関係のとき
のみ、ヒータ点灯時間演算部８における第１のファジィ
・ニューラルネットワーク２１およびローラ表面温度予
測演算部１１における第２のファジィ・ニューラルネッ
トワーク２２の微調整を行うための制御信号を出力す
る。

【００４３】この制御信号に目標値設定部１３を介して
応答して、ヒータ点灯時間演算部８は、後述するような
微調整をまず行った後、そのｎ＋１回目の時間間隔ｔ
（ｎ＋１）で求められた実際の表面温度Ｔ（ｎ＋１）
と、温度変化量ΔＴ（ｎ）とから、該ｎ＋１回目の時間
間隔におけるＯＮ時間ｔｏｎ（ｎ＋１）を演算する。ま
た、上記制御信号に応答して、ローラ表面温度予測演算
部１１は、後述するような微調整をまず行った後、前記
微調整後に、ヒータ点灯時間演算部８にて再演算された
ＯＮ時間ｔｏｎ（ｎ＋１）と、温度変化量ΔＴ（ｎ）
と、表面温度Ｔ（ｎ＋１）とから、次に検出されるべき
表面温度Ｔ（ｎ＋１）を予測演算する。

【００４４】前記目標値設定部１３は、前記ローラ表面
温度比較部１２によって前記第１および第２のファジィ
・ニューラルネットワーク２１・２２の重みを調整する
ことが判定されたとき、それぞれの重みを調整するため
の後述する教師データとなる目標値を設定するようにな
っており、後述する３つの温度関係のうち所望する条件
となっているとき、前記目標値をヒータ点灯時間演算部
８およびローラ表面温度予測演算部１１に与えるように
なっている。

【００４５】また、前記微調整を行う条件は、前記３つ
の温度関係が、以下の場合である。

【００４６】尚、熱定着ローラ１の表面温度の上限値を
上限温度（上限表面温度）、熱定着ローラ１の表面温度
の予測値を予測温度（予測表面温度）、熱定着ローラ１
の表面温度の実測値を実測温度（実測表面温度）とす
る。

【００４７】すなわち、前記３つの温度関係が、上限温度＞予測温度＞実測温度予測温度＞実測温度＞上限温度実測温度＞予測温度＞上限温度実測温度＞上限温度＞予測温度の場合である。

【００４８】ここで、ヒータ点灯時間演算部８内に構築
される第１のファジィ・ニューラルネットワーク２１お
よびローラ表面温度予測演算部１１に構築される第２の
ファジィ・ニューラルネットワーク２２について、図３
ないし図８を参照しながら以下に説明する。

【００４９】尚、上記第１のファジィ・ニューラルネッ
トワーク２１の構成方法は、本件出願人によって先に提
案された特願平６−１７５８０５号に従うものであり、
当該出願中に詳述されている。また、第２のファジィ・
ニューラルネットワーク２２においても、上記第１のフ
ァジィ・ニューラルネットワーク２１と、入力項目数が
異なるだけで、基本構成および基本的な計算部分は同じ
である。よって、本実施例では、主に、第１のファジィ
・ニューラルネットワーク２１について説明する。

【００５０】本実施例では、図３に示すように、参照符
ｘ１で表す前記表面温度Ｔと、参照符ｘ２で表すその変
化量ΔＴとの２入力とし、かつヒータ制御回路４へは、
参照符ｙで示す１出力としている。したがって、この第
１のファジィ・ニューラルネットワーク２１は、入力層
Ａと、メンバーシップ入力層Ｂと、メンバーシップ出力
層Ｃと、ルール層Ｄと、出力層Ｆとを含んで構成されて
いる。

【００５１】まず、入力層Ａにおいて、前記表面温度Ｔ
である入力値ｘ１が入力されるノードＡ２と、その表面
温度Ｔに関連する定数１が入力されるノードＡ１と、前
記温度変化量ΔＴである入力値ｘ２が入力されるノード
Ａ４と、その温度変化量ΔＴに関連する定数１が入力さ
れるノードＡ３とが設けられている。

【００５２】各入力値ｘ１，１；ｘ２，１のメンバーシ
ップ関数は、図４で示されるとおり、参照符Ｇ１で示す
Ｓｍａｌｌ、参照符Ｇ２で示すＭｉｄｄｌｅおよび参照
符Ｇ３で示すＢｉｇの３つの領域に分割されている。こ
の図４において、横軸は入力値ｘ１，ｘ２であり、縦軸
はメンバーシップ関数のグレード値である。これらのメ
ンバーシップ関数によって、たとえばｘ１＝０．２であ
るとき、ファジィ命題「ｘ１ｉｓｓｍａｌｌ」，
「ｘ１ｉｓｍｉｄｄｌｅ」，「ｘ１ｉｓｂｉｇ」
の確からしさを表すグレード値は、図４からそれぞれ
０．６，０．４，０．０である。このようにファジィ命
題のグレード値は、０〜１の範囲の任意の値となる。

【００５３】上述のような入力層Ａの各ノードＡ１，Ａ
２；Ａ３，Ａ４に対して、本実施例では、メンバーシッ
プ入力層Ｂには、各入力値ｘ１，ｘ２毎に、４つのノー
ドＢ１〜Ｂ４；Ｂ５〜Ｂ８を設定する。すなわち、これ
は、前記図４で示すメンバーシップ関数のうち、参照符
Ｇ１で示すＳｍａｌｌ領域および参照符Ｇ３で示すＢｉ
ｇ領域は、それぞれ単調減少および単調増加であるけれ
ども、参照符Ｇ２で示すＭｉｄｄｌｅ領域は山形をして
おり、このため２つのノードを用い、それらのシグモイ
ド関数の論理積によって表現するためである。

【００５４】前記各ノードＡ１，Ａ２；Ａ３，Ａ４とノ
ードＢ１〜Ｂ４；Ｂ５〜Ｂ８とは、それぞれリンクＬｉ
ｊ（ｉ＝１，２，３，４、ｊ＝１，２，３，４）で接続
されている。そのうち、各リンクＬ１１〜Ｌ１４，Ｌ３
１〜Ｌ３４は、メンバーシップ関数のセンター値を表す
重みＷｃｉｊ（ただしｉ＝１，３、ｊ＝１〜４）を有し
ており、残余のリンクＬ２１〜Ｌ２４，Ｌ４１〜Ｌ４４
は、重み１に設定される。前記重みＷｃｉｊは、たとえ
ば図５で示すような単調増加のメンバーシップ関数を考
えるとき、グレード値（出力値）が０．５（センター
値）となるときの入力値（図５では０．５）を示す。

【００５５】したがって、たとえば入力値ｘ１がＢｉｇ
であることを表すメンバーシップ関数のセンター値の重
みはＷｃ１１であり、Ｓｍａｌｌであることを表すメン
バーシップ関数のセンター値の重みはＷｃ１４である。
また、Ｍｉｄｄｌｅであることを表すメンバーシップ関
数のセンター値の重みは、該Ｍｉｄｄｌｅは２つのメン
バーシップ関数の論理積で表されるので、Ｗｃ１２とＷ
ｃ１３となっている。

【００５６】前記重みＷｃｉｊは、各ノードＡ１，Ａ３
からの出力値が０．５となるときの入力値ｘ１，ｘ２の
値であり、したがって、メンバーシップ入力層Ｂへの入
力値Ｈｉｊは、以下の数２で示されるように、入力値ｘ
ｉに前記重みＷｃｉｊが加算された値となる。

【００５７】

【数２】

【００５８】ニューラルネットワーク計算の一般式で
は、各層の出力は、ｆ｛Σ（各層への入力×結合の重
み）｝で表され、したがって、前記数２の右辺はｘｉ×
１＋１×Ｗｃｉｊとなり、また上述のように、入力値ｘ
１，ｘ２のためのリンクＬ２１〜Ｌ２４，Ｌ４１〜Ｌ４
４の重みは１に設定され、定数１のためのリンクＬ１１
〜Ｌ１４，Ｌ３１〜Ｌ３４にはそれぞれ重みＷｃ１１〜
Ｗｃ１４，Ｗｃ３１〜Ｗｃ３４が設定されることにな
る。

【００５９】次に、メンバーシップ出力層Ｃには、前記
ファジィ命題の３つの領域Ｇ１〜Ｇ３に対応して、各入
力値ｘ１，ｘ２毎に３つのノードＣ１〜Ｃ３；Ｃ４〜Ｃ
６が設けられており、メンバーシップ入力層Ｂからメン
バーシップ出力層Ｃの間は、リンクＫｉｊ（ｉ＝１，
３、ｊ＝１〜４）で接続されている。このメンバーシッ
プ入力層Ｂからメンバーシップ出力層Ｃの間では、以下
の数３で示すように、メンバーシップ入力層Ｂの入力値
Ｈｉｊにメンバーシップ関数の傾きを表す重みＷｇｉｊ
が乗算され、その乗算結果をシグモイド関数の入力値と
して、シグモイド関数の出力値Ｍｉｋが求められる。

【００６０】

【数３】

【００６１】前記重みＷｇｉｊは、前記図５で示される
ように、前記入力値Ｈｉｊがセンター値となるときのメ
ンバーシップ関数の傾きを表す。また前記シグモイド関
数とは、図６で示すように、入力値ｘの範囲が−∞〜＋
∞に対して、出力値ｆ（ｘ）の範囲が０．０＜ｆ（ｘ）
＜１．０となる非線形の関数である。すなわち、数式で
表せば、以下の数４のようになる。

【００６２】

【数４】

【００６３】ここでＭｉｄｄｌｅ領域Ｇ２の演算を行う
ときには、２つのシグモイド関数の論理積を求める必要
がある。具体的には、前記図３の入力値ｘ１に関して、
ノードＢ２からノードＣ２へ演算された結果と、ノード
Ｂ３からノードＣ２へ演算された結果とを比較し、小さ
い方の値を前記Ｍｉｄｄｌｅ領域Ｇ２の出力値とするこ
とである。同様に入力値ｘ２に関しても、ノードＢ６か
らノードＣ５へ演算された結果と、ノードＢ７からノー
ドＣ５へ演算された結果とを比較して、小さい方の値が
選択される。

【００６４】したがって、前記メンバーシップ関数の３
つの領域Ｇ１，Ｇ２，Ｇ３にそれぞれ対応して設けられ
ているメンバーシップ出力層ＣのノードＣ１，Ｃ２，Ｃ
３；Ｃ４，Ｃ５，Ｃ６に対して、前記ノードＢ１，Ｂ
４；Ｂ５，Ｂ８は、それぞれ前記重みＷｇ１１，Ｗｇ１
４；Ｗｇ３１，Ｗｇ３４を有するリンクＫ１１，Ｋ１
４；Ｋ３１，Ｋ３４によってノードＣ１，Ｃ３；Ｃ４，
Ｃ６に接続され、また前記ノードＢ２，Ｂ３は、それぞ
れ重みＷｇ１２，Ｗｇ１３を有するリンクＫ１２，Ｋ１
３によってノードＣ２と接続され、さらにノードＢ６，
Ｂ７は、それぞれ重みＷｇ３２，Ｗｇ３３を有するリン
クＫ３２，Ｋ３３によってノードＣ５と接続される。

【００６５】またルール層Ｄには、各入力値ｘ１，ｘ２
毎の３つの領域Ｇ１〜Ｇ３にそれぞれ対応したメンバー
シップ出力層Ｃの前記ノードＣ１〜Ｃ３とノードＣ４〜
Ｃ６との全ての組合せ通りに対応して、９つのノードＤ
１〜Ｄ９が設けられている。

【００６６】ノードＣ１，Ｃ２，Ｃ３は、ノードＤ１〜
Ｄ３；Ｄ４〜Ｄ６；Ｄ７〜Ｄ９と、それぞれリンクＪ１
１〜Ｊ１３；Ｊ２１〜Ｊ２３；Ｊ３１〜Ｊ３３によって
接続されている。これに対してノードＣ４，Ｃ５，Ｃ６
は、ノードＤ１，Ｄ４，Ｄ７；Ｄ２，Ｄ５，Ｄ８；Ｄ
３，Ｄ６，Ｄ９と、リンクＪ４１〜Ｊ４３；Ｊ５１〜Ｊ
５３；Ｊ６１〜Ｊ６３を介して、それぞれ接続されてい
る。なお、各リンクＪ１１〜Ｊ１３；Ｊ２１〜Ｊ２３；
Ｊ３１〜Ｊ３３；Ｊ４１〜Ｊ４３；Ｊ５１〜Ｊ５３；Ｊ
６１〜Ｊ６３は、重み１に設定される。

【００６７】こうして２つの入力が与えられた各ノード
Ｄ１〜Ｄ９は、以下の数５で示すように、２つの入力Ｍ
ｉ１ｋ１，Ｍｉ２ｋ２のうち、小さい方の値を選択して
出力Ｒｐ（ｐ＝１，２，…，９）とする。

【００６８】

【数５】

【００６９】ルール層Ｄから出力層Ｆへは、以下の数６
で示すように、ルール層Ｄの全てのノードＤ１〜Ｄ９の
出力値Ｒｐが、エキスパートから得られる知識を反映し
て設定されている重みＷｆ１〜Ｗｆ９を有するリンクＱ
１〜Ｑ９をそれぞれ介して、ノードＦ１に与えられて加
算されて出力される。すなわち、

【００７０】

【数６】

【００７１】したがって、各ノードＤ１〜Ｄ９の出力値
Ｒｐは、ヒータ点灯時間を割振るために各リンクＱ１〜
Ｑ９に設定されている各重みＷｆ１〜Ｗｆ９に対応して
加重平均されて前記出力値ｙとなり、この出力値ｙが前
記ＯＮ期間ｔｏｎとなる。

【００７２】次に図７を参照して、各重みの具体的な設
定方法を説明する。まず、予めエキスパートの経験から
得られた知識をルールｌ１として作成しておく。この例
では、「X1 is Big then Y is Big 」、「X2 is Small
then Y is Small 」、「X1 is Big and X2 is Big then
Y is Big 」の３つである。次に、ルール層Ｄにおい
て、論理積ルールａ１〜ａ３を構成する。その後、エキ
スパートのルールｌ１とルール層Ｄの論理積ルールａ１
〜ａ３の各ノードの結合を比較し、重みの初期値を決定
する。

【００７３】各ルールの初期値は、当初は基準値とし
て、ある値、たとえば０．１としておく。次に、エキス
パートのルールｌ１の出力値が増加するルールに当ては
まる部分の論理積ルールから出力層Ｆへの結合の重みに
は、ネットワークの入力項目数を掛ける。これに対し
て、前記出力値が減少するルールに当てはまる部分の論
理積ルールから出力層Ｆへの結合の重みには、ネットワ
ークの入力項目数の逆数をかける。

【００７４】たとえば、論理積ルールａ１において、入
力値ｘ１がＢｉｇであるというのはエキスパートの知識
から得たルールであり、その時の出力はＢｉｇであるの
で、最初の重みの初期値０．１に入力項目数２を乗算す
る。さらに入力値ｘ２がＳｍａｌｌであるというのもエ
キスパートの知識から得たルールであり、そのときの出
力はＳｍａｌｌであるので、さらに入力項目数２の逆数
０．５を乗算する。これによって、論理積ルールａ１の
重みの初期値は、０．１×２×０．５から、０．１に決
定される。同様にして、論理積ルールａ２の重みは、
０．１×２×２＝０．４に決定され、論理積ルールａ３
の重みは、０．１×０．５＝０．０５のように決定され
る。こうして求められた各値が、学習前の重みの初期値
として決定される。

【００７５】前記ネットワークを構成した当初は、各重
みは、上述のようにエキスパートの知識などから予め設
定されている。しかしながら、入力値ｘ１，ｘ２に対し
て必ずしも適応した値とならないこともあり、したがっ
て、本実施例における第１のファジィ・ニューラルネッ
トワーク２１では、以下のような学習による重みの調整
を、ヒータ２の制御とともにリアルタイムで行う。本発
明では、ニューラルネットワークでよく用いられるバッ
クプロバケーション法に基づく学習アルゴリズムを用い
ている。

【００７６】前記ヒータ点灯時間演算部８からローラ表
面温度比較部１２へ前記制御信号が出力されると、ロー
ラ表面温度比較部１２は、その比較で用いたローラ表面
温度Ｔと温度変化量ΔＴと後述する目標にすべき温度
（以下、ローラ表面温度予測演算部１１の第２のファジ
ィ・ニューラルネットワーク２２における教師データＯ
ｔ２とする）を目標値設定部１３に与える。これに応答
して、目標値設定部１３は、教師データＯｔ２と前記温
度変化量ΔＴと時間間隔ｔから、以下の数７によってヒ
ータ点灯時間を演算し、その演算結果を、出力の目標値
（以下、ヒータ点灯時間演算部８の第１のファジィ・ニ
ューラルネットワーク２１における教師データＯｔ１と
する）として、ヒータ点灯時間演算部８に与える。ま
た、目標値設定部１３は、所望する条件にてローラ表面
温度比較部１２から与えられた教師データＯｔ２を第２
のファジィ・ニューラルネットワーク２２の目標値とし
て、ローラ表面温度予測演算部１１に与える。

【００７７】

【数７】

【００７８】前記教師データＯｔ２の設定は、ローラ表
面温度比較部１２において比較に用いられた熱定着ロー
ラ１の表面温度に対する３つの温度が以下に示す各関係
のときに行われる。尚、上述したように、熱定着ローラ
１の表面温度の上限値を上限温度（上限表面温度）、熱
定着ローラ１の表面温度の予測値を予測温度（予測表面
温度）、熱定着ローラ１の表面温度の実測値を実測温度
（実測表面温度）とする。

【００７９】すなわち、３つの温度関係が、上限温度＞
予測温度＞実測温度、または、実測温度＞上限温度＞予
測温度のとき、熱定着ローラ１の予測温度を目標値と
し、また、予測温度＞実測温度＞上限温度、または、実
測温度＞予測温度＞上限温度のとき、熱定着ローラ１の
上限温度を目標値として教師データＯｔ２に設定する。

【００８０】また、ヒータ点灯時間演算部８は、前記ロ
ーラ表面温度Ｔと温度変化量ΔＴとをそれぞれ２つの入
力値ｘ１，ｘ２として、前記第１のファジィ・ニューラ
ルネットワーク２１に代入して、出力値ｙを算出する。

【００８１】こうして得られた出力値ｙと教師データＯ
ｔ１との２乗誤差Ｅを以下の数８から求め、この誤差Ｅ
が最小となるように前記各重みＷｃｉｊ，Ｗｇｉｊ，Ｗ
ｆｐを微調整することによって学習が行われる。

【００８２】

【数８】

【００８３】前記微調整は、この数８で示される誤差関
数を前記各重みＷｃｉｊ，Ｗｇｉｊ，Ｗｆｐで偏微分す
ることによって、各重みＷｃｉｊ，Ｗｇｉｊ，Ｗｆｐの
影響を求め、誤差関数の出力値が小さくなるような方向
に各重みを微小変化させることによって行う。すなわ
ち、まず、以下の数９で示すように、上記数８で示す誤
差関数を出力値ｙで偏微分して、前記誤差関数における
出力値ｙの影響を求める。

【００８４】

【数９】

【００８５】この数９から、出力値ｙが教師データＯｔ
１よりも大きいときには、出力値ｙの影響は、誤差の＋
方向に大きくなることを表している。したがって、この
誤差関数を最小にするためには、該出力値ｙの影響を小
さくする方向、すなわち、出力値ｙの−方向に誤差が得
られるように微調整する必要がある。これに対して、出
力値ｙの影響が誤差が−方向に大きくなるように表れる
ときには、同様に逆方向、すなわち、＋方向に出力値ｙ
を得るように微調整を行う。具体的には、前記各重みＷ
ｃｉｊ，Ｗｇｉｊ，Ｗｆｐの前記誤差関数に対する影響
を求め、その逆方向に各重みＷｃｉｊ，Ｗｇｉｊ，Ｗｆ
ｐを微調整することによって、誤差関数の値を小さくす
ることができる。

【００８６】したがって、まず、以下の数１０に重みＷ
ｆｐの誤差関数に対する影響を求める式を示し、この影
響を小さくする方向に重みＷｆｐを修正するための式を
以下の数１１に示す。

【００８７】

【数１０】

【００８８】

【数１１】

【００８９】ここで、αは学習パラメータであり、重み
Ｗｆｐを微小変化させる度合を調整するためのものであ
る。

【００９０】次に、以下の数１２に誤差関数における重
みＷｇｉｊの影響を求める式を示し、以下の数１３にそ
の影響を小さくする方向に重みを修正するための式を示
す。

【００９１】

【数１２】

【００９２】

【数１３】

【００９３】ここで、βも前記学習パラメータαと同様
に、重みを微小変化させるための学習パラメータであ
る。

【００９４】さらに、以下の数１４に誤差関数における
重みＷｃｉｊの影響を求める式を表す。また、この影響
を小さくする方向に重みを修正するための式を以下の数
１５で表す。

【００９５】

【数１４】

【００９６】

【数１５】

【００９７】ここで、γも学習パラメータである。これ
ら学習パラメータα，β，γは、重みの修正が大きくな
りすぎないように、予め実験によって、これらの各学習
パラメータα，β，γを変動させたときの誤差関数が最
も小さくなる値に定めておく。たとえば、α≧β≧γに
設定する。

【００９８】最後に、前記数１１、１３、１５によって
求められた単位修正値ΔＷｆｐ，ΔＷｇｉｊ，ΔＷｃｉ
ｊを用いて、以下の数１６に示すように、各重みＷｆ
ｐ，Ｗｇｉｊ，Ｗｃｉｊの修正を行う。

【００９９】

【数１６】

【０１００】ただし、ｌｔは、学習回数を表し、たとえ
ばＷｆｐ（ｌｔ＋１）＝Ｗｆｐ（ｌｔ）＋ΔＷｆｐは、
次回の値Ｗｆｐ（ｌｔ＋１）として、今回の値Ｗｆｐ
（ｌｔ）を単位修正値ΔＷｆｐで補正した値を代入する
ことを表す。

【０１０１】このようにして、各重みＷｃｉｊ，Ｗｇｉ
ｊ，Ｗｆｐを微調整した後、再度入力値ｘ１，ｘ２を与
え、演算して、教師データＯｔ１との誤差Ｅを求める。
その誤差Ｅが予め設定した範囲内、たとえば±２℃以下
となるか、または前記ｌｔが予め定める学習回数、たと
えば３００回となると学習を終了する。

【０１０２】なお、学習回数ｌｔは、微小時間、たとえ
ば１秒以内に繰返し実行可能な回数に設定する。すなわ
ち、このような学習を行う期間は、前記ヒータ２の制御
を休止するので、該学習期間は前記微小時間に設定され
る。しかしながら、メーカ側で標準的な実験データでの
学習は終了しており、記憶部１０に記憶されている１０
回分以下の検出・演算データを学習させるだけであるの
で、少ない学習回数であっても支障はない。また、前記
学習期間には、余熱や放熱によって熱定着ローラ１４の
温度が変化するけれども、学習期間終了後に再びその時
点での表面温度Ｔ（ｎ）と温度変化量ΔＴｏｎ（ｎ−
１）とを演算し、学習を終了した第１のファジィ・ニュ
ーラルネットワーク２１によって出力値ｙを演算させ
る。

【０１０３】以上のことから、上記第１のファジィ・ニ
ューラルネットワーク２１にて演算された出力値ｙは、
ローラ表面温度予測演算部１１に与えられる。すなわ
ち、このローラ表面温度予測演算部１１では、上述した
ように、入力パラメータとして、与えられた出力値ｙで
ある第１のファジィ・ニューラルネットワーク２１の教
師データＯｔ１と、前記温度変化量ΔＴ（ｎー１）と、
前記表面温度Ｔ（ｎ）を用いて、第２のファジィ・ニュ
ーラルネットワーク２２にてローラ表面温度の予測温度
が演算される。

【０１０４】上記第２のファジィ・ニューラルネットワ
ーク２２は、図８に示すように、参照符ｘ１で表す前記
表面温度Ｔと、参照符ｘ２で表すその変化量ΔＴと、参
照符ｘ３で表すヒータ点灯時間ｔｏｎの３入力とし、か
つローラ表面温度比較部１２および目標値設定部１３へ
は、参照符ｙで示す１出力としている。尚、参照符ｘ３
は、ヒータ点灯時間演算部８にて演算されたヒータ点灯
時間とする。

【０１０５】上記第２のファジィ・ニューラルネットワ
ーク２２は、入力層Ａと、メンバーシップ入力層Ｂと、
メンバーシップ出力層Ｃと、ルール層Ｄと、出力層Ｆと
を含んで構成されている。

【０１０６】すなわち、前記第２のファジィ・ニューラ
ルネットワーク２２、入力層Ａにおいて、前記表面温度
Ｔである入力値ｘ１が入力されるノードＡ２と、その表
面温度Ｔに関連する定数１が入力されるノードＡ１と、
前記温度変化量ΔＴである入力値ｘ２が入力されるノー
ドＡ４と、その温度変化量ΔＴに関連する定数１が入力
されるノードＡ３と、前記ヒータ点灯時間ｔｏｎである
入力値ｘ３が入力されるノードＡ６と、ヒータ点灯時間
ｔｏｎに関連する定数１が入力されるノードＡ５とが設
けられている。

【０１０７】上述のような入力層Ａの各ノードＡ１，Ａ
２；Ａ３，Ａ４；Ａ５，Ａ６に対して、本実施例では、
メンバーシップ入力層Ｂには、各入力値ｘ１，ｘ２，ｘ
３毎に、４つのノードＢ１〜Ｂ４；Ｂ５〜Ｂ８；Ｂ９〜
Ｂ１２を設定する。

【０１０８】また、メンバーシップ出力層Ｃには、各入
力値ｘ１，ｘ２，ｘ３毎に３つのノードＣ１〜Ｃ３；Ｃ
４〜Ｃ６；Ｃ７〜Ｃ９が設けられており、ノードＣ１，
Ｃ２，Ｃ３；Ｃ４，Ｃ５，Ｃ６；Ｃ７，Ｃ８，Ｃ９に対
して、前記ノードＢ１，Ｂ４；Ｂ５，Ｂ８；Ｂ９，Ｂ１
２は、ノードＣ１，Ｃ３；Ｃ４，Ｃ６に接続され、また
前記ノードＢ２，Ｂ３は、ノードＣ２と接続され、また
ノードＢ６，Ｂ７は、ノードＣ５と接続され、さらに、
ノードＢ１０，Ｂ１１は、ノードＣ８と接続されてい
る。

【０１０９】また、ルール層Ｄには、各入力値ｘ１，ｘ
２，ｘ３毎の３つの領域にそれぞれ対応したメンバーシ
ップ出力層Ｃの前記ノードＣ１〜Ｃ３とノードＣ４〜Ｃ
６とノードＣ７〜Ｃ９との全ての組合せ通りに対応し
て、２７個のノードＤ１〜Ｄ２７が設けられている。

【０１１０】尚、上記第２のファジィ・ニューラルネッ
トワーク２２における学習は、第１のファジィ・ニュー
ラルネットワーク２１における前記教師データＯｔ１を
教師データＯｔ２に置き換えて、第１のファジィ・ニュ
ーラルネットワーク２１の場合と同様に行い、学習後に
新たな予測温度を演算するようになっている。

【０１１１】ここで、前記ヒータ２の制御について、図
９に示すフローチャートを参照しながら以下に説明す
る。

【０１１２】まず、前記時間間隔ｔ（ｈ）のサンプリン
グタイミングとなったか否かが判断され（Ｓ１）、サン
プリングタイミングとなるまでここでループし、サンプ
リングタイミングとなるとＳ２、Ｓ３、Ｓ４と順に移行
する。

【０１１３】Ｓ２では、温度検出部６の出力電圧値が、
ローラ表面温度演算部７にアナログ／デジタル変換され
て読込まれる。Ｓ３では、ローラ表面温度演算部７が前
記電圧−温度変換テーブルを対照して、電圧値に対応し
た表面温度を求める。Ｓ４では、その求められた表面温
度から、ローラ表面温度変化量演算部９が温度変化量を
演算する。

【０１１４】Ｓ５では、前記Ｓ３で求められた表面温度
と、後述するＳ６において前記ローラ表面温度予測演算
部１１において予測されていた表面温度と、予め設定さ
れた上限温度とがローラ表面温度比較部１２において比
較され、上記３つの温度関係が学習すべき温度関係か否
かを判定する。ここで、３つの温度関係が学習すべき温
度関係でないと判定すれば、ヒータ点灯時間演算部８に
てヒータ２の点灯時間を演算し（Ｓ７）、ヒータ制御回
路４を介してヒータ２の点灯制御を行う（Ｓ８）。ま
た、Ｓ７において、ヒータ２の点灯時間が演算される
と、ローラ表面温度予測演算部１１にて表面温度の予測
を行い（Ｓ６）、その後再びＳ５に移行する。

【０１１５】これに対して、前記Ｓ５において３つの温
度関係が学習すべき温度関係であると判定すれば、Ｓ９
でローラ表面温度比較部１２は、目標値設定部１３へ前
記制御信号を出力し、この目標値設定部１３は、さら
に、ヒータ点灯時間演算部８へ制御信号を出力し、上記
したような学習パラメータα、β、γを用いた学習が行
われた後、Ｓ７に移行し、点灯時間を演算する。

【０１１６】前記Ｓ８でヒータ２の点灯制御が行われた
後、Ｓ１０に移行する。Ｓ１０において、前記Ｓ７で演
算された点灯時間に到達したか否かが判断され、そうで
ないときには、Ｓ８に戻って継続して点灯制御が行わ
れ、前記時間が経過したときには表面温度のサンプリン
グタイミングとなって前記Ｓ２に移行し、前記図２にお
けるＯＦＦタイミングでの表面温度Ｔｏｎ（ｎ−１）を
求める。

【０１１７】上記構成のヒータの制御装置によれば、熱
定着ローラ１の表面温度を温度検出部６によって検出
し、またその検出結果から予め定める時間当りの温度変
化量をローラ表面温度変化量演算部９で演算し、それら
の検出結果および演算結果を入力するように構築された
ヒータ点灯時間演算部８の第１のファジィ・ニューラル
ネットワーク２１によって、前記検出結果および温度変
化量からヒータ２の点灯時間を演算し、該ヒータ２を制
御する。

【０１１８】また、そのような制御によってヒータ２が
点灯制御されたときの熱定着ローラ１の表面温度を、前
記検出結果、温度変化量およびヒータの点灯時間を入力
するように構築されたローラ表面温度予測演算部１１の
第２のファジィ・ニューラルネットワーク２２によっ
て、前記検出結果、温度変化量およびヒータ２の点灯時
間から熱定着ローラ１の次回の表面温度を予測してお
き、ローラ表面温度比較部１２が、その予測された表面
温度と温度検出部６によって検出された実際の表面温度
と予め定める前記熱定着ローラ１の表面温度の上限値の
３つの温度関係から、前記第１および第２のファジィ・
ニューラルネットワーク２１・２２の重みを調整するか
否かを判定し、前記第１および第２のファジィ・ニュー
ラルネットワーク２１・２２の重みを調整することにな
った場合に、それぞれの重みを調整する。

【０１１９】したがって、パラメータなどを大まかに設
定しておくだけで、それらは逐次学習によって、オーバ
ーシュートのない最適な点灯時間を得ることができる値
となるように修正されてゆくので、プログラム作成の手
間を簡略化できるとともに、機種や個体差および経年変
化や周囲環境の違いなどに容易に対応することができ
る。また、実際に検出するパラメータは、熱定着ローラ
１の表面温度だけであるので、簡便な構成で実現するこ
とができるとともに、少ない入力パラメータで、演算時
間を短縮して、温度変化に対して迅速に点灯時間を変化
させることができる。

【０１２０】また、前記第１のファジィ・ニューラルネ
ットワーク２１は、入力層Ａおよびメンバーシップ層
Ｂ，Ｃをファジィ集合の３領域Ｇ１，Ｇ２，Ｇ３に分割
するように構成されており、かつルール層Ｄを各入力値
ｘ１，ｘ２の各領域Ｇ１，Ｇ２，Ｇ３の全ての組合せル
ールの論理積で構成されており、また、前記第２のファ
ジィ・ニューラルネットワーク２２は、入力層Ａおよび
メンバーシップ層Ｂ，Ｃをファジィ集合の３領域Ｇ１，
Ｇ２，Ｇ３に分割するように構成されており、かつルー
ル層Ｄを各入力値ｘ１，ｘ２，ｘ３の各領域Ｇ１，Ｇ
２，Ｇ３の全ての組合せルールの論理積で構成されてい
る。

【０１２１】したがって、各入力値の前記各領域毎に相
互に異なる制御を行うことができ、複雑な変化を伴った
制御が可能になる。

【０１２２】また、各入力値の各領域の全てのルールの
組合せを選択しておくことによって、予めエキスパート
の知識によって得られるファジィルール以外の入力の組
合わせが発生しても、必ずいずれかの組合せに対応する
ことになり、上述のように逐次学習してゆくことによっ
て、最適な制御を行うことができる。

【０１２３】また、ローラ表面温度比較部１２は、前記
熱定着ローラ１に対する３つの温度の関係が、上限温度
＞予測温度＞実測温度、または予測温度＞実測温度＞上
限温度、または実測温度＞予測温度＞上限温度、または
実測温度＞上限温度＞予測温度のとき、前記第１および
第２のファジィ・ニューラルネットワーク２１・２２の
重みの調整を行うための制御信号を前記目標値設定部１
３に出力している。

【０１２４】これにより、第１および第２のファジィ・
ニューラルネットワーク２１・２２は、３つの温度関係
が前記条件のとき、すなわち、オーバーシュートなどの
温度異常が発生するような温度関係の条件のときにのみ
学習を行うことになる。

【０１２５】したがって、実測温度と予測温度とが異な
る全ての場合に、第１および第２のファジィ・ニューラ
ルネットワーク２１・２２の学習を行う必要がなくなる
ので、無駄な学習時間を作らずに必要なときだけ学習を
行うことが可能となる。

【０１２６】また、前記目標値設定部１３によって、前
記ローラ表面温度比較部１２での熱定着ローラ１に対す
る３つの温度の関係のうち、上限表面温度＞予測表面温
度＞実測表面温度、または実測表面温度＞上限表面温度
＞予測表面温度のとき、すなわち、予測温度が、常に上
限温度より低いときに、この予測温度を、第２のファジ
ィ・ニューラルネットワーク２２の重みを調整するため
の目標値として設定されると共に、この目標値と温度変
化量および温度検出の時間間隔からヒータの点灯時間を
算出し、この算出した点灯時間を、第１のファジィ・ニ
ューラルネットワーク２１の重みを調整するための目標
値として設定される。

【０１２７】これにより、第２のファジィ・ニューラル
ネットワーク２２は、常に上限温度よりも低い予測温度
を目標値、すなわち、教師データＯｔ２として重みを調
整し、さらに、この教師データＯｔ２に基づいて算出さ
れた点灯時間を、第１のファジィ・ニューラルネットワ
ーク２１の教師データＯｔ１としているので、熱定着ロ
ーラ１の実測温度が上限温度を超えた場合でも、オーバ
ーシュートのない最適なヒータ２の点灯時間を得ること
ができる。

【０１２８】さらに、前記目標値設定部１３によって、
前記ローラ表面温度比較部１２での熱定着ローラ１に対
する３つの温度の関係のうち、予測表面温度＞実測表面
温度＞上限表面温度、または実測表面温度＞予測表面温
度＞上限表面温度のとき、すなわち、上限温度が、常に
予測温度および実測温度よりも低いときに、この上限温
度を、第２のファジィ・ニューラルネットワーク２２の
重みを調整するための目標値として設定すると共に、こ
の目標値、温度変化量および温度検出の時間間隔からヒ
ータ２の点灯時間を算出し、この算出した点灯時間を、
第１のファジィ・ニューラルネットワーク２１の重みを
調整するための目標値として設定する。

【０１２９】これにより、第２のファジィ・ニューラル
ネットワーク２２は、常に実測温度および予測温度より
も低い上限温度を目標値、すなわち、教師データＯｔ２
として重みを調整し、さらに、この教師データＯｔ２に
基づいて算出された点灯時間を、第１のファジィ・ニュ
ーラルネットワーク２１の教師データＯｔ１としている
ので、熱定着ローラ１の実測表面温度は上限温度を超え
ないようになり、オーバーシュートのない最適なヒータ
２の点灯時間を得ることができる。

【０１３０】したがって、目標値設定部１３は、ローラ
表面温度比較部１２による比較結果により、必要な場合
だけその時の第１および第２のファジィ・ニューラルネ
ットワーク２１・２２の教師データＯｔ１・Ｏｔ２であ
る目標値をそれぞれ設定しているので、少ない学習デー
タセットで学習を行うため、学習時間が必要最小限とな
り、目標値の設定も臨機応変に行うことができる。

【０１３１】さらに、本実施例の熱定着装置では、第１
および第２のファジィ・ニューラルネットワーク２１・
２２の学習データとして用いる各部での検出結果および
演算結果を過去１０回分以下でも、適正にヒータ２の点
灯時間を制御することができる。したがって、記憶部１
０におけるメモリを少なくでき、さらに、学習データの
数が少ないので学習に係る時間を少なくすることができ
る。

【０１３２】

【発明の効果】請求項１の発明のヒータ制御装置は、以
上のように、ヒータで発生された熱が放熱手段に伝導さ
れて該放熱手段から放出されるようにしたヒータの制御
装置において、前記放熱手段の表面温度を検出するため
の温度検出手段と、前記温度検出手段の検出結果から、
予め定める時間当りの温度変化量を演算する温度変化量
演算手段と、前記温度検出手段の検出結果および温度変
化量演算手段の演算結果から、第１のファジィ・ニュー
ラルネットワークによって前記ヒータの点灯時間を演算
して制御する点灯時間演算制御手段と、前記温度検出手
段の検出結果、温度変化量演算手段の演算結果および点
灯時間演算制御手段の演算結果から、第２のファジィ・
ニューラルネットワークによって、前記点灯時間演算制
御手段で演算された点灯時間で前記ヒータが点灯制御さ
れたときの前記放熱手段の次回温度検出時の表面温度を
予測する予測演算手段と、前記予測演算手段で演算され
た予測表面温度と、温度検出手段によって検出された実
測表面温度と、記憶手段に予め記憶された前記放熱手段
の表面温度の上限値を示す上限表面温度とを比較し、前
記３つの温度の関係によって、前記第１および第２のフ
ァジィ・ニューラルネットワークの重みを調整するか否
かを選択する比較手段と、前記比較手段によって前記第
１および第２のファジィ・ニューラルネットワークの重
みを調整することが選択されたとき、それぞれの重みを
調整するための教師データとなる目標値を設定する目標
値設定手段とを備えている構成である。

【０１３３】それゆえ、パラメータなどを大まかに設定
しておくだけで、それらは逐次学習によって、オーバー
シュートのない最適な点灯時間を得ることができる値と
なるように修正されてゆくので、プログラム作成の手間
を簡略化できるとともに、機種や個体差および経年変化
や周囲環境の違いなどに容易に対応することができる。
また、実際に検出するパラメータは、放熱手段の表面温
度だけであるので、簡便な構成で実現することができる
とともに、少ない入力パラメータで、演算時間を短縮し
て、温度変化に対して迅速に点灯時間を変化させること
ができるという効果を奏する。

【０１３４】請求項２の発明のヒータ制御装置は、以上
のように、請求項１記載のヒータ制御装置において、比
較手段は、前記放熱手段に対する３つの温度の関係が、
上限表面温度＞予測表面温度＞実測表面温度、または予
測表面温度＞実測表面温度＞上限表面温度、または実測
表面温度＞予測表面温度＞上限表面温度、または実測表
面温度＞上限表面温度＞予測表面温度のとき、前記第１
および第２のファジィ・ニューラルネットワークの重み
の調整を行う制御信号を前記目標値設定手段に出力する
構成である。

【０１３５】それゆえ、請求項１の効果に加えて、実測
表面温度と予測表面温度とが異なる全ての場合に、第１
および第２のファジィ・ニューラルネットワークの重み
の学習を行う必要がなくなるので、無駄な学習時間を作
らずに必要なときだけ学習を行うことができるという効
果を奏する。

【０１３６】請求項３の発明のヒータ制御装置は、以上
のように、請求項２記載のヒータ制御装置において、目
標値設定手段は、前記比較手段での放熱手段に対する３
つの温度の関係が、上限表面温度＞予測表面温度＞実測
表面温度、または実測表面温度＞上限表面温度＞予測表
面温度のとき、前記放熱手段の予測表面温度を目標値と
して第２のファジィ・ニューラルネットワークの重みを
調整するための第２の教師データを設定すると共に、前
記第２の教師データ、温度変化量および温度検出の時間
間隔からヒータの点灯時間を算出し、この算出した点灯
時間を目標値として第１のファジィ・ニューラルネット
ワークの重みを調整するための第１の教師データを設定
する構成である。

【０１３７】それゆえ、請求項２の効果に加えて、第１
および第２のファジィ・ニューラルネットワークは、常
に上限温度よりも低い予測表面温度に基づいてそれぞれ
の重みを調整しているので、ヒータの実測表面温度が上
限表面温度を超えた場合でも、オーバーシュートなどの
ヒータの温度異常の発生しない最適なヒータの点灯時間
を得ることができるという効果を奏する。

【０１３８】請求項４の発明のヒータ制御装置は、以上
のように、請求項２記載のヒータ制御装置において、目
標値設定手段は、前記比較手段での放熱手段に対する３
つの温度の関係が、予測表面温度＞実測表面温度＞上限
表面温度、または実測表面温度＞予測表面温度＞上限表
面温度のとき、前記放熱手段の上限表面温度を目標値と
して第２のファジィ・ニューラルネットワークの重みを
調整するための第２の教師データを設定すると共に、前
記第２の教師データ、温度変化量および温度検出の時間
間隔からヒータの点灯時間を算出し、この算出した点灯
時間を目標値として第１のファジィ・ニューラルネット
ワークの重みを調整するための第１の教師データを設定
する構成である。

【０１３９】それゆえ、請求項２の効果に加えて、第１
および第２のファジィ・ニューラルネットワークは、常
に実測表面温度および予測表面温度上限温度よりも低い
予測表面温度に基づいてそれぞれの重みが調整されるの
で、ヒータの実測表面温度は上限表面温度を超えないよ
うになり、オーバーシュートなどのヒータの温度異常の
発生しない最適なヒータの点灯時間を得ることができる
という効果を奏する。

【図面の簡単な説明】

【図１】本発明の一実施例の熱定着装置の電気的構成を
示すブロック図である。

【図２】熱定着ローラの表面温度のサンプリングタイミ
ングとサンプリングした温度との一例を示すためのグラ
フである。

【図３】上記熱定着装置のヒータ点灯時間演算部内に構
築される本発明の第１のファジィ・ニューラルネットワ
ークの構成を示すブロック図である。

【図４】本発明に適用されるメンバーシップ関数のグラ
フである。

【図５】メンバーシップ関数と、重みＷｃｉｊ，Ｗｇｉ
ｊとの関係を説明するためのグラフである。

【図６】シグモイド関数を説明するためのグラフであ
る。

【図７】ネットワーク間における各ルールの重みの決定
方法を説明するための図である。

【図８】上記熱定着装置のローラ表面温度予測演算部内
に構築される本発明の第２のファジィ・ニューラルネッ
トワークの構成を示すブロック図である。

【図９】ヒータの点灯制御動作を説明するためのフロー
チャートである。

【図１０】従来の熱定着装置の電気的構成を示すブロッ
ク図である。

【符号の説明】

１熱定着ローラ（放熱手段）２ヒータ４ヒータ制御回路（点灯時間演算制御手段）５温度ヒューズ６温度検出部（温度検出手段）７ローラ表面温度演算部（温度検出手段）８ヒータ点灯時間演算部（点灯時間演算制御手段）９ローラ表面温度変化量演算部（温度変化量演算手
段）１１ローラ表面温度予測演算部（予測演算手段）１２ローラ表面温度比較部（比較手段）１３目標値設定部（目標値設定手段）２１第１のファジィ・ニューラルネットワーク２２第２のファジィ・ニューラルネットワークＡ入力層Ｂメンバーシップ入力層Ｃメンバーシップ出力層Ｄルール層Ｆ出力層

フロントページの続き (56)参考文献特開平３−89369（ＪＰ，Ａ) 特開平５−149621（ＪＰ，Ａ) 特開平４−178678（ＪＰ，Ａ) 堀川慎一、他３名，ファジイニューラルネットワークの構成法とその性能評価，第６回ファジィシステムシンポジウム講演論文集，日本，ｐ．57−62 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G03G 13/20 G03G 15/20 G05D 23/00 - 23/32

Claims

(57)【特許請求の範囲】

【請求項１】ヒータで発生された熱が放熱手段に伝導さ
れて該放熱手段から放出されるようにしたヒータの制御
装置において、前記放熱手段の表面温度を検出するための温度検出手段
と、前記温度検出手段の検出結果から、予め定める時間当り
の温度変化量を演算する温度変化量演算手段と、前記温度検出手段の検出結果および温度変化量演算手段
の演算結果から、第１のファジィ・ニューラルネットワ
ークによって前記ヒータの点灯時間を演算して制御する
点灯時間演算制御手段と、前記温度検出手段の検出結果、温度変化量演算手段の演
算結果および点灯時間演算制御手段の演算結果から、第
２のファジィ・ニューラルネットワークによって、前記
点灯時間演算制御手段で演算された点灯時間で前記ヒー
タが点灯制御されたときの前記放熱手段の次回温度検出
時の表面温度を予測する予測演算手段と、前記予測演算手段で演算された予測表面温度と、温度検
出手段によって検出された実測表面温度と、予め設定さ
れた前記放熱手段の表面温度の上限値を示す上限表面温
度とを比較し、前記３つの温度の関係によって、前記第
１および第２のファジィ・ニューラルネットワークの重
みを調整するか否かを判定する比較手段と、前記比較手段によって前記第１および第２のファジィ・
ニューラルネットワークの重みを調整することが判定さ
れたとき、それぞれの重みを調整するための教師データ
となる目標値を設定する目標値設定手段とを備えている
ことを特徴とするヒータ制御装置。
【請求項２】前記比較手段は、前記放熱手段に対する３
つの温度の関係が、上限表面温度＞予測表面温度＞実測
表面温度、または予測表面温度＞実測表面温度＞上限表
面温度、または実測表面温度＞予測表面温度＞上限表面
温度、または実測表面温度＞上限表面温度＞予測表面温
度のとき、前記第１および第２のファジィ・ニューラル
ネットワークの重みの調整を行うための制御信号を前記
目標値設定手段に出力することを特徴とする請求項１記
載のヒータ制御装置。
【請求項３】前記目標値設定手段は、前記比較手段での
放熱手段に対する３つの温度の関係が、上限表面温度＞
予測表面温度＞実測表面温度、または実測表面温度＞上
限表面温度＞予測表面温度のとき、前記放熱手段の予測
表面温度を、前記第２のファジィ・ニューラルネットワ
ークの重みを調整するための目標値として設定すると共
に、前記目標値、温度変化量および温度検出の時間間隔
からヒータの点灯時間を算出し、この算出した点灯時間
を、前記第１のファジィ・ニューラルネットワークの重
みを調整するための目標値として設定することを特徴と
する請求項２記載のヒータ制御装置。
【請求項４】前記目標値設定手段は、前記比較手段での
放熱手段に対する３つの温度の関係が、予測表面温度＞
実測表面温度＞上限表面温度、または実測表面温度＞予
測表面温度＞上限表面温度のとき、前記放熱手段の上限
表面温度を、前記第２のファジィ・ニューラルネットワ
ークの重みを調整するための目標値として設定すると共
に、前記目標値、温度変化量および温度検出の時間間隔
からヒータの点灯時間を算出し、この算出した点灯時間
を、前記第１のファジィ・ニューラルネットワークの重
みを調整するための目標値として設定することを特徴と
する請求項２記載のヒータ制御装置。