Detecting excessive toner usage in a printer fleet

Abstract

The objective of this thesis was to provide both a theoretical and software solution for monitoring toner usage in a printer fleet. In particular it strives to offer the means to automatically detect and identify the devices with excessive toner consumption in relation to the bulk of the fleet. The sample device set with which the results are evaluated consists of color based printers under the brand name Sharp but the principles are readily applicable to all devices providing adequately detailed usage reports.

The methods devised rely on elementary machine learning strategies and simple bivariate statistical analysis and are implemented using the programming languages Python and Octave. Python is used for data extraction and presenting the results to the user, Octave for numerical analysis and algorithm development.

The results consist of visual analysis of the fleet and a multiparameter prediction algorithm known as the hypothesis. The parameters of the hypothesis are learned during the process. The solution as such is the most usable for fleets which undergo no sudden major changes in the fleet, but can be extended to other types of situations also.

Tämän opinnäytetyön tavoitteena on tarjota sekä teoreettinen että ohjelmistollinen ratkaisu tulostuskaluston värinkulutuksen seurantaan. Erityisesti se pyrkii löytämään keinot tunnistaa ja yksilöidä laitteet, jotka kuluttavat liiallisesti väriä verrattuna kaluston valtaosaan. Esimerkkijoukko, jonka pohjalta tuloksia arvioidaan, koostuu Sharp-tuotemerkillä valmistetuista värimonitoimilaitteista, mutta samat periaatteet ovat helposti sovellettavissa kaikkiin riittävän yksityiskohtaista käyttöraportointia tarjoaviin laitteisiin.

Kehitetyt menetelmät pohjautuvat alkeellisiin koneoppimisen strategioihin sekä yksinkertaiseen kaksimuuttujaiseen tilastolliseen analyysiin, ja ne on toteutettu Python- ja Octave-ohjelmointikieliä käyttäen. Pythonia käytetään datan eristämiseen sekä käyttäjälle esittämiseen, Octavea numeeriseen analyysiin sekä algoritmin kehittämiseen.

Tulokset koostuvat kaluston visuaalisesta analyysista sekä moniparametrisesta ennustealgoritmista, niin sanotusta hypoteesista. Kyseiset parametrit opitaan koneellisesti prosessin aikana. Ratkaisu on parhaiten sovellettavissa kalustoon, johon ei kohdistu yhtäkkisiä suuria muutoksia, mutta se voidaan laajentaa koskemaan myös muunlaisia tilanteita.