CN111553552A - 维修人员选择装置、机器学习方法 - Google Patents
维修人员选择装置、机器学习方法 Download PDFInfo
- Publication number
- CN111553552A CN111553552A CN202010081659.XA CN202010081659A CN111553552A CN 111553552 A CN111553552 A CN 111553552A CN 202010081659 A CN202010081659 A CN 202010081659A CN 111553552 A CN111553552 A CN 111553552A
- Authority
- CN
- China
- Prior art keywords
- serviceman
- information
- maintenance
- error
- printing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 246
- 238000010801 machine learning Methods 0.000 title claims abstract description 42
- 230000008439 repair process Effects 0.000 claims abstract description 30
- 230000010485 coping Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 24
- 238000000034 method Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
- Control Or Security For Electrophotography (AREA)
Abstract
本申请涉及维修人员选择装置、机器学习方法,能够容易地选择派遣的维修人员。维修人员选择装置具备:存储部,存储采用教师数据进行了机器学习的学习完毕模型,该教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、技能信息、手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及控制部,在印刷装置中发生了错误时,获取所述维修人员选择信息,并采用获取到的所述维修人员选择信息和所述学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
Description
技术领域
本发明涉及维修人员选择装置、机器学习装置、机器学习方法。
背景技术
在现有技术中,已知有向发生了故障的电子设备派遣维修人员的系统。例如,在专利文献1中记载了基于针对该电子设备中发生的故障的应对历史记录、应对状况来确定支援请求的通知对象(出门应对的维修人员、电话应对的操作人员)的技术。
专利文献1:日本专利特开2015-225404号公报
但是,难以从多个维修人员中选择派遣进行保养作业的维修人员。
发明内容
本发明的目的在于能够容易地选择派遣的维修人员。
用于达到上述目的的维修人员选择装置具备:存储部,存储采用教师数据进行了机器学习的学习完毕模型,所述教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及控制部,在印刷装置中发生了错误时,所述控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
进而,用于达到上述目的的机器学习装置具备控制部,所述控制部获取教师数据,并使模型基于教师数据进行机器学习,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联,模型输入维修人员选择信息并输出为了对发生了错误的印刷装置进行保养而派遣的维修人员。
进而,用于达到上述目的的机器学习方法包括:获取教师数据,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及使模型基于教师数据进行机器学习,模型输入维修人员选择信息并输出为了对发生了错误的印刷装置进行保养而派遣的维修人员。
进而,用于达到上述目的的维修人员选择程序使计算机作为以下各部发挥功能:存储部,存储采用教师数据进行了机器学习的学习完毕模型,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及控制部,在印刷装置中发生了错误时,控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
进而,用于达到上述目的的维修人员选择装置具备:存储部,存储采用教师数据进行了机器学习的学习完毕模型,教师数据将电子设备的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的电子设备进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的电子设备的保养作业为止的推断所需时间相关联;以及控制部,在电子设备中发生了错误时,所述控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的电子设备进行保养而派遣的维修人员。
附图说明
图1是维修人员选择装置(机器学习装置)的框图。
图2是示出印刷装置DB的一例的图。
图3是示出维修人员选择DB的一例的图。
图4是示出机器学习模型的输入输出的一例的示意图。
图5是机器学习处理的流程图。
图6是示出保养顺序的顺序图。
图7是示出保养顺序的顺序图。
附图标记说明
1…服务器,10…控制部,20…存储部,20c…学习完毕模型,20d…教师数据,30…通信部,100…印刷装置,110…处理器,120…非易失性存储器,130…通信部,140…UI部,150…印刷部,200…便携式终端,210…控制部,220…非易失性存储器,230…通信部,240…UI部,250…GNSS接收部,260…照相机,20a…印刷装置DB,20b…维修人员DB。
具体实施方式
这里,按照以下的顺序对本发明的实施方式进行说明。
(1)维修人员选择装置(机器学习装置)的构成
(2)维修人员选择信息的收集
(3)机器学习处理
(4)保养顺序
(5)其它实施方式
(1)维修人员选择装置(机器学习装置)的构成:
图1是示出作为本发明实施方式所涉及的维修人员选择装置及机器学习装置的服务器1的构成的框图。服务器1是能够通过因特网等网络与多个印刷装置通信的计算机。在图1中图示为印刷装置100。此外,服务器1能够通过网络与多个便携式终端通信。便携式终端是进行印刷装置的保养作业的维修人员携带的终端。维修人员为多个人,各维修人员每人携带一台便携式终端。在图1中图示为便携式终端200。在本实施方式中,服务器1具有以下功能:在检测到任一印刷装置中发生了错误时,为了在该印刷装置的设置场所实施该印刷装置的保养作业而从多个维修人员中选择派遣的维修人员。
为了实现上述功能,服务器1包括控制部10、存储部20以及通信部30。控制部10具备CPU、ROM、RAM等,可以执行包括存储于存储部20的未图示的维修人员选择程序、机器学习程序等在内的各种程序。通过执行机器学习程序,控制部10可以实现与机器学习相关的功能。此外,通过执行维修人员选择程序,控制部10可以实现选择派遣的维修人员的功能。控制部10也可以是包括ASIC、GPU的构成。
通信部30包括用于通过因特网等网络与其它装置进行通信的通信接口电路。控制部10通过执行机器学习程序、维修人员选择程序,可以通过通信部30与包括印刷装置100的多个印刷装置以及包括便携式终端200的多个便携式终端进行通信。
印刷装置DB20a、维修人员DB20b存储于存储部20。印刷装置DB20a是管理印刷装置每个机体的信息的数据库,如图2所示,存储机体ID、型号、所在位置、运行状况、用户ID等。维修人员DB20b是管理每个维修人员的信息的数据库,如图3所示,在本实施方式中包括技能信息、手头零部件信息、状态信息。关于印刷装置DB20a、维修人员DB20b的详细情况将在后面描述。此外,用于后述的机器学习的教师数据20d以及通过机器学习而生成的学习完毕模型20c存储于存储部20。
印刷装置的构成
接着,关于印刷装置100的构成进行说明。印刷装置100具备:处理器110、非易失性存储器120、通信部130、UI(User Interface:用户界面)部140以及印刷部150。处理器110具备未图示的CPU、ROM、RAM等,可以执行记录于非易失性存储器120中的各种程序,控制印刷装置100的各部。需要说明的是,处理器110既可以由单个芯片构成,也可以由多个芯片构成。此外,例如也可以采用ASIC来取代CPU,还可以是CPU与ASIC协作的构成。
通信部130包括通信接口电路,该通信接口电路用于按照各种通信协议与安装于印刷装置100的各种可移动存储器、以有线或无线的方式连接于印刷装置100的其它装置进行通信。处理器110能够通过通信部130与服务器1通信。
UI部140包括触摸面板式的显示器、各种键、开关等。处理器110可以通过UI部140获取用户(印刷装置100的用户)的操作内容。此外,处理器110可以在UI部140的显示器上显示各种信息以通知用户。印刷部150具备用于通过喷墨式、电子照相式等公知的印刷方式对各种印刷介质执行印刷的执行机构、传感器,驱动电路、机械部件等。
便携式终端的构成
接着,关于便携式终端200的构成进行说明。便携式终端200是维修人员携带的终端,可以设想为平板终端、智能手机等。便携式终端200具备控制部210、非易失性存储器220、通信部230、UI部240、GNSS接收部250以及照相机260。控制部210具备未图示的CPU、RAM、ROM等,可以执行记录于非易失性存储器220的各种程序,控制便携式终端200的各部。通信部230包括通信接口电路,该通信接口电路用于按照各种通信协议与安装于便携式终端200的各种可移动存储器、以有线或无线的方式连接于便携式终端200的其它装置进行通信。控制部210能够通过通信部230与服务器1通信。
UI部240包括触摸面板式的显示器、各种键、开关、麦克风、扬声器等。控制部210可以通过UI部240获取维修人员的操作内容。此外,控制部210可以在UI部240的显示器上显示各种信息以通知维修人员。此外,控制部210可以获取表示通过麦克风所收集的声音的输入声音数据。此外,控制部210可以使扬声器发出各种声音。
GNSS接收部250从GNSS(Global Navigation Satellite System:全球导航卫星系统)卫星接收电波,并通过未图示的接口输出用于计算便携式终端的当前位置的信号。控制部210基于从GNSS接收部250输出的信号定期地获取便携式终端200的当前位置。需要说明的是,也可以基于从未图示的无线LAN接入点发送的信息校正当前位置。控制部210通过通信部230向服务器1通知便携式终端200的当前位置。照相机260可以拍摄便携式终端200周围的图像。控制部210根据维修人员的操作使照相机260拍摄图像。控制部210可以通过照相机260读取条形码、二维码等,并进行与条形码、二维码所示的信息对应的处理。
(2)维修人员选择信息的收集:
接着,关于存储于服务器1的存储部20的印刷装置DB20a、维修人员DB20b的更新进行说明。在印刷装置DB20a中,对印刷装置每个机体分配固有的机体ID来进行管理。服务器1的控制部10可以根据机体ID获取该机体的型号、所在位置、运行状况、使用机体的用户的用户ID等。例如,在印刷装置的用户进行保养服务的用户注册时,将该机体的机体ID、型号、所在位置、用户ID等注册于印刷装置DB20a。印刷装置的所在位置既可以是地址的形式,也可以是坐标的形式。经过用户注册等手续,印刷装置100可以与服务器1进行通信。例如,在印刷装置100中发生了错误时等,印刷装置100可以向服务器1发送信息。此外,例如服务器1可以向印刷装置100通知与维修人员的派遣相关的信息等。
如果在印刷装置100中发生了故障,则处理器110可以通过感测印刷装置100的各部的状态的传感器来检测错误。根据感测的结果,处理器110可以确定指示错误内容的错误码。错误码与该错误码所示的错误的保养应对所需的技能的领域、保养作业的标准作业时间、保养作业所需的零部件等相关。处理器110通过通信部130向服务器1通知确定的错误码和印刷装置100的机体ID。机体ID是分配给印刷装置每个机体的机体的识别信息。印刷装置100的机体ID、型号预先记录于ROM或非易失性存储器120中。
服务器1的控制部10如果接收到从印刷装置100发送来的错误码、机体ID,则在印刷装置DB20a(参照图2)中更新对应于机体ID的运行状况。作为正在发生错误的机体的运行状况,可以设想例如正在发生的错误码、针对错误的应对状况(维修人员安排中,维修人员正赶往机体的所在位置,维修人员正在进行保养作业)等。
如图3所示,维修人员DB20b包括技能信息、手头零部件信息、维修人员状态信息。维修人员ID是维修人员的识别信息。按各维修人员ID记录有技能信息、手头零部件信息、维修人员状态信息。
对应于印刷装置的每个型号设置有允许实施印刷装置的保养作业的认定资格。例如在维修人员S1拥有型号PA的认定资格却未拥有型号PB的认定资格时,规定维修人员S1可以进行型号为PA的印刷装置的保养作业,但却不可以进行型号为PB的印刷装置的保养作业。在本实施方式中,作为技能信息,对应于每个维修人员记录印刷装置的型号、表示是否拥有该型号的认定资格的信息、该型号的印刷装置的维修应对件数以及该型号的印刷装置的解决件数。
维修应对件数是实际派遣了维修人员进行保养作业的件数。解决件数表示实际派遣了维修人员进行保养作业并通过该保养作业解决了故障(消除了错误)的件数(保养应对件数≥解决件数)。例如,为了对某印刷装置进行保养,某维修人员进行了上门,但通过该上门时进行的作业未能解决,通过日后再次上门进行保养作业得以解决,以这种情况为例进行说明。这种情况下,在本实施方式中,当作维修应对件数为2件(两次)、解决件数为1件(对应于再次上门的件数)进行处理。此外,在本实施方式中,计算出解决件数占保养应对件数的比例作为解决率,作为后述的机器学习模型的输入值之一。在上述例子的情况下,解决率为0.5(50%)。
需要说明的是,在本实施方式中,按各个型号、进而按该型号的印刷装置的各个领域(B1~B3)合计保养应对件数、解决件数。领域可以设想例如印刷介质的传送机构的领域、印刷头或滑架的领域,网络或通信的领域等。需要说明的是,为了简化说明,在本实施方式中,将维修人员的人数、印刷装置的型号数、领域数,零部件的种类等的数值设为3~5,但该数值仅为一个例子,实际上可以设想更多的数值。
此外,作为手头零部件信息,按每个维修人员ID、进而按每个零部件代码记录该零部件代码所示的零部件的手头数量。维修人员可以操作自身携带的便携式终端,输入手头(持有)的零部件的零部件代码及数量。在手头零部件信息中,作为对象的零部件是在印刷装置的保养作业中使用的零部件即可。可以设想例如印刷装置的更换用的零部件、用于修理印刷装置所需的工具类、印刷装置的动作确认所需的物品(例如油墨、印刷介质)等。
维修人员在由于零部件的补给、因保养作业而对零部件的消耗等导致手头零部件数量产生变化时,各维修人员通过从自身携带的便携式终端输入手头零部件数量的增减数,从而来更新维修人员DB20b的手头零部件信息。需要说明的是,例如可以用便携式终端的照相机260对印刷于零部件的条码进行读取等而使该输入作业自动化。此外,也可以是即便维修人员未明确地输入手头零部件数量的增减数亦可反映手头零部件数量的变化的构成。例如,也可以是如下所述的构成:预先确定为了消除错误所使用(消耗)的零部件代码及数量,如果维修人员通过便携式终端200向服务器1通知消除了错误,则在该维修人员的手头零部件信息中将上述零部件代码的零部件数量减少上述数量。需要说明的是,还可以是手头零部件信息一天更新一次的构成。
此外,作为维修人员状态信息,按每个维修人员ID记录当前位置、作业状况、交通工具。控制部10响应于从维修人员携带的便携式终端200接收到表示当前位置的信息而随时更新维修人员状态信息中的当前位置。此外,控制部10随时更新维修人员的当前状况和之后的预定作为作业状况。例如,在维修人员为等待中(正在等待派遣请求)的状态下,如果该维修人员同意了服务器1通知的派遣请求,则控制部10将该维修人员的作业状况更新为“正赶往下一派遣目的地”。此外,控制部10也一并记录下一派遣目的地中的预应对错误码。
此外,例如在检测到维修人员到达派遣目的地并开始了保养作业时,控制部10将该维修人员的作业状况更新为“作业中”。此外,控制部10也一并记录作业过程中的错误码。需要说明的是,关于维修人员是否开始了保养作业,例如也可以通过检测到维修人员的当前位置变为下一派遣目的地的印刷装置的所在位置来进行判定。需要说明的是,在开始了保养作业时,下一派遣目的地被当作当前派遣目的地进行处理。
需要说明的是,对每个错误码预先确定了保养作业的标准作业时间。控制部10通过将标准作业时间乘以与维修人员的技能水平相应的系数,从而推断该维修人员进行该错误码的错误的保养作业所需的预计作业时间。具体而言,例如将技能水平为标准以上的维修人员的系数设为1,将不到标准的维修人员的系数设为大于1的值(例如1.3等)。这样一来,可以根据技能水平来提高维修人员进行保养作业所需的预计作业时间的精度。需要说明的是,关于与错误码相应的标准作业时间,也可以根据型号和错误码收集过去的实际情况的时间,根据其统计值设定标准作业时间。
例如,也可以在上述解决率小于预定的值时,设为技能水平不到标准。此外,例如也可以在上述保养应对件数小于预定的值时,设为技能水平不到标准。还可以根据应对件数和解决率的组合来设定系数。向请求派遣的维修人员通知这样推断出来的预计作业时间,作为维修人员是否同意派遣请求的判断材料之一。此外,关于正在进行保养作业的维修人员,在计算到达下一派遣目的地的推断所需时间时,用于计算在当前派遣目的地的保养作业的推断剩余时间。例如,控制部10计算从检测到维修人员到达当前派遣目的地并开始保养作业的时刻至当前时刻的经过时间,通过从预计作业时间中减去经过时间,从而计算出在当前派遣目的地的推断剩余时间。控制部10将推断剩余时间与后述的移动时间相加,从而计算出该维修人员的推断所需时间。
此外,在维修人员状态信息(参照图3)中,交通工具是表示维修人员能够利用的交通工具的信息。能够利用的交通工具用于计算维修人员移动至下一派遣目的地(印刷装置的所在位置)所需的移动时间。需要说明的是,该移动时间包含在到维修人员对发生了错误的印刷装置实施保养作业为止的推断所需时间中。在本实施方式中,举例示出了自行车和汽车(四轮),但除此之外也可以包括例如摩托车、徒步、公共交通工具(电车等)。根据维修人员利用的交通工具,从维修人员的当前位置到派遣目的地(印刷装置的所在位置)的移动时间不同。此外,根据交通工具,可能影响移动时间的计算的交通信息(道路的堵塞信息、公共交通机关的晚点信息等)不同。
关于维修人员能够利用的交通工具,例如在出动中的维修人员的情况下,可以是维修人员正在利用的交通工具。维修人员正在利用的交通工具例如既可以是维修人员预先输入的构成,也可以是基于维修人员的当前位置的轨迹和移动速度来确定的构成。需要说明的是,例如关于正等在营业部的维修人员,可以选择存留在营业部的交通工具(如果存留有自行车则选择自行车,如果存留有汽车则选择汽车,如果存留有双方则选择双方)。此外,例如可以根据维修人员持有的驾驶执照的种类预先有所限制。
在本实施方式中,控制部10请求未图示的路径搜索服务器进行路径搜索,获取上述移动时间。控制部10向路径搜索服务器发送维修人员的当前位置、发生了错误的印刷装置的所在位置以及维修人员能够利用的交通工具,请求进行路径搜索。路径搜索服务器在交通工具是汽车时,基于从未图示的交通信息中心接收到的堵塞信息(交通信息),搜索从维修人员的当前位置到印刷装置的所在位置的路径,获取移动时间。在交通工具是公共交通时,路径搜索服务器基于从公共交通机关获取到的晚点信息(交通信息)搜索路径,获取移动时间。需要说明的是,也可以是如下所述的构成:在能够利用的交通工具为多个的情况下,获取多个交通工具的移动时间,采用例如最短的移动时间。
需要说明的是,也可以是在神经网络中安装上述路径搜索来获取移动时间的构成。此外,还可以是维修人员可以利用的交通工具、与从维修人员的当前位置到印刷装置的所在位置的交通工具相关联的交通信息本身为神经网络模型的输入数据的构成。作为输入的交通信息,例如可以设想维修人员的当前位置周边的堵塞程度(堵塞、拥堵、顺畅)、印刷装置的所在位置周边的堵塞程度(堵塞、拥堵、顺畅)等。
需要说明的是,关于休假中的(未出勤)维修人员,也可以是如下所述的构成:将到下一次出勤日及开始上班时刻为止的时间与从出勤场所(例如营业部)到印刷装置的所在位置的移动时间相加而得到的时间计算作为推断所需时间。这样一来,与出勤中的其他维修人员相比,推断所需时间更长,因此,不易由后述的学习完毕模型选出休假中的维修人员,可以降低对派遣对象外的维修人员发出派遣请求的可能性。
从印刷装置100接收到表示印刷装置100中发生错误的通知时,服务器1的控制部10基于以上说明的各信息生成维修人员选择信息。生成的维修人员选择信息为后述的机器学习模型的输入数据。图4是示出本实施方式中的机器学习模型的输入输出的示意图。在本实施方式中,按印刷装置的各个型号生成这样的机器学习模型。例如可以设想关于型号为PA的印刷装置的模型、关于型号为PB的印刷装置的模型、关于型号为PC的印刷装置的模型等。根据型号,持有认定资格的维修人员可能不同。图4示出了S1~S5的五人持有某型号的印刷装置的认定资格时的例子。在这种情况下,表示所发生的错误的内容的错误码以及关于S1~S5的各维修人员的信息(推断所需时间、每个领域的应对件数和解决率、每个零部件的拥有数)被输入到输入层Li的各节点。输入到输入层Li的数据相当于维修人员选择信息。此外,在这种情况下,输出层Lo的各节点与各维修人员(S1~S5)分别建立对应。
当然,在S1~S4的四人持有其它型号的印刷装置的认定资格时,错误码以及关于S1~S4的各维修人员的信息被输入到关于该其它型号的印刷装置的模型。输出层Lo的节点数为S1~S4四个。
(3)机器学习处理:
图5是示出机器学习处理的流程图。可以在积累了既定量的教师数据20d之后,在任意的时机执行机器学习处理。教师数据20d是将过去发生了错误时实际派遣到发生了错误的印刷装置的维修人员与表示发生了错误时的该印刷装置、包含其他维修人员在内的全部维修人员(持有发生了错误的印刷装置的型号的认定资格的全部维修人员)的状况的数据(即维修人员选择信息)建立对应的数据。教师数据可以包括在导入神经网络模型对维修人员的选择以前积累的数据。此外,在导入之后,如后所述,也可以为了进行与派遣请求的同意结果、保养应对结果相应的再学习而进一步积累教师数据。
开始机器学习处理时,控制部10获取训练模型(未图示)(步骤S300)。这里,模型是指表示导出推断对象的数据与推断结果的数据的对应关系的式子的信息。在本实施方式中,如图4所示,以推断对象的数据为维修人员选择信息、维修人员为推断结果的数据的模型为例进行说明。
在将输入数据转换为输出数据的限度内,模型可以有各种定义。图4是示意性示出本实施方式中所利用的模型的一个例子的图。在本实施方式中采用神经网络。在该图中,用白圈示出了神经网络的节点。
本实施方式的模型将维修人员选择信息作为对输入层Li的输入数据,从输出层Lo输出维修人员。输出层Lo的各节点与各维修人员(S1、S2、S3、S4、S5)对应。输出层Lo的各节点的输出值的和被标准化为1。与输出层Lo中输出值最大的节点对应的维修人员可以推断为是在获取到输入至输入层Li的维修人员选择信息的各数据时应该派遣的维修人员。
在图4所示的流程图中的步骤S100中,获取训练模型。这里,训练表示是学习对象。即,在训练模型中,虽然输入维修人员选择信息的各数据,并输出维修人员,但上述维修人员选择信息与维修人员的对应关系在初始阶段是不正确的。即,在训练模型中,虽然确定节点构成的层的数量、节点的数量,但规定输入输出的关系的参数(权重、偏差等)并未最优化。这些参数在机器学习的过程中被最优化(即,被训练)。
训练模型既可以是预先决定的,也可以是通过操作服务器1的操作人员操作服务器1具备的UI部(未图示)进行输入来获取。不管是哪种情况,如图5的例子所示,控制部10获取基于维修人员选择信息输出应该派遣的维修人员的神经网络的参数作为训练模型。
接着,控制部10获取教师数据(步骤S305)。在本实施方式中,教师数据20d记录于存储部20中。于是,控制部10参照存储部20获取教师数据20d。然后,控制部10获取测试数据(步骤S310)。在本实施方式中,从教师数据20d中提取出其一部分成为测试数据。测试数据不用于训练。
接着,控制部10决定初始值(步骤S315)。即,控制部10对步骤S300中获取到的训练模型中的可变参数赋予初始值。可以通过各种方法决定初始值。例如,可以将随机值、0等设为初始值,也可以在权重与偏差之间按照不同的想法来决定初始值。当然,也可以调整初始值以使在学习的过程中参数得以最优化。
接着,控制部10进行学习(步骤S320)。即,控制部10将在步骤S305中获取到的教师数据20d中的维修人员选择信息输入步骤S300中获取到的训练模型,计算输出层Lo的输出值。此外,控制部10通过表示输出的维修人员与教师数据20d所示的维修人员的误差的损失函数确定误差。然后,控制部10反复进行既定次数的基于损失函数的参数的微分来更新参数的处理。例如,在存在过去派遣维修人员(S1)时的维修人员选择信息与维修人员(S1)建立对应的教师数据时,更新参数,以使将派遣了维修人员(S1)时的维修人员选择信息输入模型所得的输出(S1、S2、S3、S4、S5)接近(1、0、0、0、0)。
当然,损失函数可以采用各种函数,例如可以采用交叉熵误差等。针对教师数据20d中包含的维修人员选择信息的全部或一部分实施以上那样的计算损失函数的处理,通过其平均或总和来表达一次学习中的损失函数。一旦获得了一次学习中的损失函数,则控制部10通过既定的最优化算法、例如随机梯度下降法等更新参数。
在如上所述地进行了既定次数的参数的更新时,控制部10判定是否完成了训练模型的泛化(步骤S325)。即,控制部10将在步骤S310中获取到的测试数据所示的维修人员选择信息输入训练模型并获取表示设定的输出。然后,控制部10获取输出的设定与和测试数据建立对应的设定一致的程度。在本实施方式中,控制部10在该一致的程度为阈值以上时判定为泛化完成。
需要说明的是,除了泛化性能的评价以外,也可以还进行超参数的妥当性的验证。即,在作为权重和偏差以外的可变量的超参数、例如节点的数量等被调整的构成中,控制部10也可以基于验证数据验证超参数的妥当性。验证数据也可以通过与步骤S310同样的处理从教师数据中提取。当然,验证数据也和测试数据同样地不用于训练。
在步骤S325中未判定为完成了训练模型的泛化的情况下,控制部10反复进行步骤S320。即,进一步更新权重及偏差。另一方面,在步骤S325中判定为完成了训练模型的泛化的情况下,控制部10记录学习完毕模型(步骤S330)。即,控制部10将训练模型设为学习完毕模型20c记录于存储部20。通过以上的构成,可以生产用于选择为了印刷装置的保养作业而应该派遣的维修人员的模型(学习完毕模型20c)。
(4)保养顺序:
接着,参照图6的顺序图,对从错误发生开始经过维修人员的选择和派遣请求直至存储保养应对结果为止的顺序的一例进行说明。在印刷装置100中,当处理器110检测到错误的发生时(步骤S100),处理器110向服务器1发送错误码和机体ID(步骤S105)。即,处理器110基于传感器的输出确定表示所发生的错误的内容的错误码。处理器110获取存储于非易失性存储器120的机体ID。处理器110通过通信部130向服务器1发送错误码和机体ID。
服务器1的控制部10在通过通信部30从印刷装置100接收到错误码和机体ID时(步骤S110),获取维修人员选择信息(步骤S115)。即,控制部10参照印刷装置DB20a(参照图2),根据机体ID确定印刷装置的型号和所在位置。然后,控制部10参照维修人员DB20b(参照图3)的各维修人员的技能信息,挑选持有该型号的印刷装置的认定资格的维修人员。关于挑选出的各个维修人员,控制部10计算推断所需时间。即,控制部10请求路径搜索服务器进行从维修人员的当前位置到印刷装置的所在位置的路径(维修人员能够利用的交通工具的路径)的搜索,获取移动时间。
在维修人员的作业状况(参照图3)是正在当前派遣目的地进行作业时,进一步获取从检测到维修人员到达当前派遣目的地并开始了保养作业的时刻开始至当前时刻的经过时间。控制部10根据正在当前派遣目的地进行作业的错误码所对应的标准作业时间以及维修人员的技能水平,计算该维修人员进行该错误码的保养作业所需的预计作业时间。控制部10从预计作业时间中减去经过时间而计算出推断剩余时间。关于作业状况是正在当前派遣目的地进行作业的维修人员,将推断剩余时间与移动时间相加所得的时间计算作为推断所需时间。
此外,控制部10关于挑选出的各个维修人员,参照技能信息(参照图3),获取按照领域的保养应对件数以及解决率。此外,控制部10关于挑选出的各个维修人员,参照手头零部件信息(参照图3),获取每个零部件代码的手头数量。控制部10如上所述地获取维修人员选择信息。
接着,服务器1的控制部10采用学习完毕模型20c选择派遣的维修人员(步骤S120)。即,控制部10将在步骤S115中获取到的维修人员选择信息输入学习完毕模型20c的输入层Li的各节点,并算出输出层Lo的各节点的输出值。控制部10将与输出最大值的节点对应的维修人员选择为派遣的维修人员。此外,控制部10参照选定的维修人员的技能信息(参照图3),获取技能水平。控制部10基于与步骤S110中接收到的错误码对应的标准作业时间和技能水平,计算出该维修人员进行该错误码的保养作业时的预计作业时间。
接着,服务器1的控制部10向选定的维修人员的便携式终端发送派遣请求(步骤S125)。具体而言,控制部10将表示派遣请求的通知与在步骤S110中接收到的机体ID的印刷装置的所在位置、错误码(及错误的说明)、预计作业时间一起发送给维修人员的便携式终端。在该例子中,假设选择了维修人员S1来进行说明。因此,在步骤S125中,向维修人员S1携带的便携式终端200发送派遣请求。
便携式终端200的控制部210在从服务器1接收到派遣请求时,在UI部240的显示器上显示接收到的信息(步骤S130)。即,在便携式终端200的显示器上显示派遣目的地的印刷装置的所在位置、该印刷装置中发生的错误码(及错误的说明)、预计作业时间等。此外,在显示器上还显示用于选择是否同意该派遣请求的选择部(例如,“同意”按钮和“拒绝”按钮)。
在维修人员确认了显示器的显示内容并同意派遣请求时,控制部210将该意思发送至服务器1(步骤S140)。服务器1的控制部10在从发出了派遣请求的维修人员的便携式终端200接收到表示“同意”的通知时,计算出该维修人员的预计到达时刻,并通知给印刷装置(步骤S145)。即,控制部10针对该维修人员将在步骤S115中计算出的推断所需时间与当前时刻相加,计算出预计到达时刻。控制部10将计算出的预计到达时刻通过通信部30向印刷装置发送。
需要说明的是,在步骤S120中,除了预计作业时间之外,也可以还计算预计到达时刻,在这种情况下,在步骤S125~S130中,预计到达时刻也可以发送至便携式终端。此外,也可以在显示器上显示预计到达时刻、用于在预计到达时刻到达的交通工具。这样一来,有多个能够利用的交通工具的维修人员可以容易地掌握利用哪一种交通工具赶往派遣目的地比较好。
印刷装置100的处理器110将从服务器1接收到的预计到达时刻显示于UI部140的显示器(步骤S150)。因此,印刷装置100的用户可以掌握维修人员的预计到达时刻。
另一方面,如果维修人员选择了派遣请求的“同意”,则赶赴所请求的派遣目的地(通过能够利用的交通工具),并在到达派遣目的地时开始保养作业。在完成了保养作业时,维修人员将保养应对结果输入便携式终端200。在输入了保养应对结果时,便携式终端200的控制部210将保养应对结果与被派遣的维修人员(携带该便携式终端的维修人员,在本例的情况下为S1)的识别信息一起发送给服务器1(步骤S155)。保养应对结果包括表示通过此次上门是否消除了错误的信息以及表示实际的作业时间的信息。进而,也可以包括消耗掉的零部件数量等信息。
服务器1的控制部10在接收到实际派遣的维修人员及其保养应对结果时,将其存储于存储部20(步骤S160)。即,控制部10基于接收到的保养应对结果,将印刷装置DB20a的该印刷装置的运行状况更新为“正常运行中”。此外,控制部10基于保养应对结果在维修人员DB20b中更新被派遣的维修人员的技能信息、手头零部件信息。通过基于保养应对结果更新技能信息、手头零部件信息,从而在下次以后的维修人员的选择时,可以基于更新后的技能信息、手头零部件信息进行维修人员的选择。
此外,控制部10在维修人员DB20b中将被派遣的维修人员的作业状况从“作业中”更新为下一状态。此外,控制部10在存储部20中存储将选择了该维修人员时的维修人员选择信息与实际派遣的该维修人员建立对应的数据作为教师数据之一。
如上所述,在印刷装置中发生错误时,可以采用发生时获取到的维修人员选择信息以及学习完毕模型,从多个维修人员中容易地选择派遣的维修人员。
(5)其它实施方式:
以上的实施方式是用于实施本发明的一例,只要是在印刷装置中发生错误时,获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员,则也可以采用其它各种实施方式。例如,保养对象的装置也可以是除了印刷功能之外还具备图像读取功能、FAX通信功能等的复合机。
在上述实施方式中,对向与来自于学习完毕模型的输出值最大的节点对应的维修人员发出派遣请求,并且该维修人员同意了派遣请求时的顺序进行了说明。图7是示出向其发出了派遣请求的维修人员未同意派遣请求时的顺序的一例的顺序图。在图7的顺序图中,步骤S200~S230与图6的步骤S100~S130是共通的,因此省略说明。在步骤S230中,维修人员S1的便携式终端在显示器上显示派遣请求和随附的信息。在维修人员S1向便携式终端输入了“不同意”时,维修人员S1的便携式终端的控制部210向服务器1发送表示维修人员“不同意”的通知(步骤S235)。
服务器1的控制部10在接收到“不同意”时,再次选择维修人员(步骤S240)。即,控制部10重新选择与输出了仅比在步骤S220中选定的维修人员所对应的节点的输出值小的值(第二大的值)的节点对应的维修人员。在该例子的情况下,假设选择了维修人员S2来进行说明。接下来的步骤S245~S275是新选出的维修人员S2同意了派遣请求时的顺序,虽然与服务器1的通信对象不同,但却是和图6的步骤S125~S155同样的流程。
在步骤S275中,将实际派遣的维修人员(即,在这种情况下,不是S1而是S2)与在步骤S215中获取到的维修人员选择信息的对应关系作为新的教师数据之一存储于存储部20。也可以采用该教师数据实施再学习。即,也可以是基于针对向所选定的维修人员发出的派遣请求的同意结果,学习完毕模型被再次进行机器学习的构成。具体而言,也可以进行再学习,使得在将步骤S215中获取到的维修人员选择信息输入至了学习完毕模型时,与第一个被选择的维修人员(学习完毕模型的输出值曾是最大的维修人员(在本例的情况下为S1))对应的节点的输出值为0,与第二个被选择的维修人员(学习完毕模型的输出值曾是第二大的维修人员(在本例的情况下为S2))对应的节点的输出值为1,与其他维修人员对应的节点的输出值为0。
这样一来,在维修人员选择信息具有某种特征时,可以学习某维修人员未同意派遣请求,但其他维修人员同意派遣请求。例如,学习某维修人员有拒绝某特定的错误码的保养作业的派遣请求的倾向等。其结果,在维修人员选择信息具有某种特征时,可以降低选择有可能不同意派遣请求的维修人员的可能性,能够缩短确定实际派遣的维修人员所需的时间。
需要说明的是,也可以是基于被派遣的维修人员的保养应对结果,学习完毕模型被再次进行机器学习的构成。例如,也可以是在本次上门中未消除错误时、实际的作业时间比预计作业时间大幅延长时等进行再学习的构成。具体而言,也可以进行再学习,使得在将步骤S215中获取到的维修人员选择信息输入至了学习完毕模型时,与在实际派遣的维修人员之后通过学习完毕模型选择出的维修人员对应的节点的输出值为1,与实际派遣的维修人员对应的节点的输出值为0,与其他维修人员对应的节点的输出值为0。这样一来,可以降低选择在一次上门中能够在预计作业时间内消除错误的可能性低的维修人员的可能性。
需要说明的是,图4所示的机器学习模型的输入输出是一个例子,只要是可以基于错误发生时的维修人员选择信息选择派遣的维修人员,也可以是任意的构成。在图4的例子中,设想持有该型号的印刷装置的认定资格的维修人员眼下为五人的情况来构成输入五人的信息并输出五人中任一人的模型,但也可以设想今后持有该型号的印刷装置的认定资格的维修人员増加,而将模型构成为,对于模型的输入层,例如将关于100人的维修人员的信息输入到输入层(关于眼下不存在的95人,输入0、NULL等),使100人的维修人员分别与输出层的100个的各节点建立对应。
此外,例如也可以按印刷装置的型号与错误码的各个组合来构建模型。此外,例如也可以按印刷装置的型号与错误码所属的领域的各个组合来构建模型。在这些情况下,错误码也可以不包含在模型的输入数据中。
此外,例如也可以是在输出层的各节点仅将与输出值为阈值(例如0.9)以上的节点对应的维修人员作为派遣请求的对象的构成。在不存在输出值为阈值以上的节点的情况下,也可以等待一定时间(对谁都不进行派遣请求)。然后,也可以是如下所述的构成:将等待后再次获取到的维修人员选择信息输入模型,其结果,在获得阈值以上的输出值时,向与获得了阈值以上的输出值的节点中输出了最大值的节点对应的维修人员发出派遣请求。
此外,例如也可以是向模型的输入层输入任意一人的维修人员的推断所需时间、技能信息、手头零部件信息的构成。这种情况下的模型的输出节点也可以由输出表示是否派遣(1:派遣、0:不派遣)的值的一个节点构成。
在模型是这样的构成的情况下,如果在印刷装置中发生了错误,则服务器1的控制部10挑选持有该印刷装置的认定资格的维修人员,进而挑选其中的出勤中的维修人员。然后,控制部10针对挑选出的各维修人员获取推断所需时间、按领域的应对件数/解决率,每个零部件代码的手头数量。控制部10将获取到的这些信息按各个维修人员输入上述模型,获得输出值。然后,也可以选择与最大的值输出到输出节点时的、输入到输入层的输入信息对应的维修人员作为派遣的维修人员。
此外,例如也可以是向模型的输入层输入任意一人的维修人员的推断所需时间、技能信息、手头零部件信息的构成。这种情况下的输出层也可以由与各维修人员(具有发生了错误的印刷装置的型号的认定资格的各维修人员)对应的节点构成。
此外,推断所需时间信息只要是与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联的信息即可,可以设想各种构成。例如,既可以如图4所示是推断所需时间本身,也可以是间接地表示推断所需时间的信息。例如,模型的输入数据也可以包括表示印刷装置的所在位置、包含所在位置的区域(地区)的信息。此外,模型的输入数据也可以包括表示用于计算推断所需时间中的移动时间的交通工具的信息、维修人员的当前位置。此外,模型的输入数据也可以包括推断剩余时间。需要说明的是,推断所需时间也可以包括移动时间、正在进行作业的保养作业的推断剩余时间以外的时间。例如,关于正在休息的维修人员,也可以包括休息时间的剩余时间。
此外,错误信息中除了错误码之外,例如也可以包括表示发生了错误时的状况(例如,最近的用户的操作历史记录、印刷装置的动作历史记录、使用频率、气温、湿度、错误发生时刻等)的信息等。此外,这些信息也可以包含在模型的输入数据中。
进而,如本发明所示,在印刷装置中发生了错误时,获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员的技术也可以应用作为程序、方法。此外,以上那样的系统、程序、维修人员选择方法、机器学习方法既可以作为单独的装置来实现,也可以利用多个装置具备的部件来实现,包括各种形态。此外,也可以是一部分为软件一部分为硬件等方式,能够适当地进行变更。进而,发明作为控制系统的程序的记录介质也是成立的。当然,该程序的记录介质既可以是磁性记录介质,也可以是半导体存储器,在今后开发的任何记录介质中也可以完全同样地考虑。
需要说明的是,在上述实施方式中,将印刷装置作为保养对象装置,但对于在投影仪、机器人等其它电子设备中发生的错误,也可以应用本发明而派遣维修人员进行保养。
根据本发明实施方式的维修人员选择装置具备:存储部,存储采用教师数据进行了机器学习的学习完毕模型,所述教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及控制部,在印刷装置中发生了错误时,所述控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
本构成中的学习完毕模型是通过采用了教师数据的机器学习而生成的,该教师数据将维修人员选择信息与在该维修人员选择信息所示的环境中实际进行了派遣的维修人员建立对应。根据本构成,在印刷装置中发生了错误时,可以采用发生时获取到的维修人员选择信息以及学习完毕模型容易地从多个维修人员中选择派遣的维修人员。
需要说明的是,用于机器学习的教师数据中包含的维修人员选择信息与发生了错误时自此为了选择维修人员而获取的维修人员选择信息在数据结构上是共同的,但数据内容当然可能是不同的。
进而,也可以是如下所述的构成:推断所需时间信息包括维修人员能够利用的交通工具以及从维修人员的当前位置到印刷装置的所在位置的与交通工具相关联的交通信息。
根据本构成,可以提高维修人员从当前位置移动至印刷装置的所在位置所需的推断所需时间的精度。
进而,也可以是如下所述的构成:在维修人员正在进行保养作业时,推断所需时间信息包括直到维修人员完成保养作业为止的推断剩余时间。
根据本构成,可以提高从维修人员的当前位置(正在进行保养作业的印刷装置的所在位置)移动至印刷装置(不是正在进行保养作业的印刷装置,而是新的需要进行保养作业的其它印刷装置)的所在位置所需的推断所需时间的精度。
进而,也可以是如下所述的构成:基于针对向所选定的维修人员发出的派遣请求的同意结果,学习完毕模型被再次进行机器学习。
根据本构成,在维修人员选择信息具有某种特征时,可以学习某维修人员未同意派遣请求,但其他维修人员同意派遣请求。其结果,在维修人员选择信息具有某种特征时,可以降低选择可能不同意派遣请求的维修人员的可能性,能够缩短到确定实际派遣的维修人员为止所需的时间。
进而,也可以是如下所述的构成:基于所派遣的维修人员的保养应对结果,所派遣的维修人员的技能信息被更新。
根据本构成,通过基于保养应对结果更新技能信息,可以在下次之后选择维修人员时,基于更新后的技能信息进行维修人员的选择。
进而,根据本发明实施方式的机器学习装置具备控制部,所述控制部获取教师数据,并使模型基于教师数据进行机器学习,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联,模型输入维修人员选择信息并输出为了对发生了错误的印刷装置进行保养而派遣的维修人员。
根据本构成,可以获得基于维修人员选择信息选择为了进行印刷装置的保养而派遣的维修人员的机器学习模型。
进而,根据本发明实施方式的机器学习方法包括:获取教师数据,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及使模型基于教师数据进行机器学习,模型输入维修人员选择信息并输出为了对发生了错误的印刷装置进行保养而派遣的维修人员。
根据本方法,可以获得基于维修人员选择信息选择为了进行印刷装置的保养而派遣的维修人员的机器学习模型。
进而,根据本发明实施方式的维修人员选择程序使计算机作为以下各部发挥功能:存储部,存储采用教师数据进行了机器学习的学习完毕模型,教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及控制部,在印刷装置中发生了错误时,控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
通过执行本程序,计算机可以基于维修人员选择信息选择为了对印刷装置进行保养而派遣的维修人员。
进而,根据本发明实施方式的维修人员选择装置具备:存储部,存储采用教师数据进行了机器学习的学习完毕模型,教师数据将电子设备的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的电子设备进行保养而进行了派遣的维修人员建立对应,推断所需时间信息与直到维修人员实施发生了错误的电子设备的保养作业为止的推断所需时间相关联;以及控制部,在电子设备中发生了错误时,所述控制部获取维修人员选择信息,并采用获取到的维修人员选择信息和学习完毕模型选择为了对发生了错误的电子设备进行保养而派遣的维修人员。
根据本构成,在电子设备中发生了错误时,可以采用发生时获取到的维修人员选择信息以及学习完毕模型容易地从多个维修人员中选择派遣的维修人员。
Claims (7)
1.一种维修人员选择装置,其特征在于,具备:
存储部,存储采用教师数据进行了机器学习的学习完毕模型,所述教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及
控制部,在印刷装置中发生了错误时,所述控制部获取所述维修人员选择信息,并采用获取到的所述维修人员选择信息和所述学习完毕模型选择为了对发生了错误的印刷装置进行保养而派遣的维修人员。
2.根据权利要求1所述的维修人员选择装置,其中,
所述推断所需时间信息包括维修人员能够利用的交通工具以及从维修人员的当前位置到印刷装置的所在位置的与所述交通工具相关联的交通信息。
3.根据权利要求1或2所述的维修人员选择装置,其中,
在维修人员正在进行保养作业时,所述推断所需时间信息包括直到维修人员完成保养作业为止的推断剩余时间。
4.根据权利要求1所述的维修人员选择装置,其中,
基于针对向所选定的维修人员发出的派遣请求的同意结果,所述学习完毕模型被再次进行机器学习。
5.根据权利要求1所述的维修人员选择装置,其中,
基于所派遣的维修人员的保养应对结果,所派遣的维修人员的所述技能信息被更新。
6.一种机器学习方法,其特征在于,包括:
获取教师数据,所述教师数据将印刷装置的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的印刷装置进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的印刷装置的保养作业为止的推断所需时间相关联;以及
使模型基于所述教师数据进行机器学习,所述模型输入所述维修人员选择信息并输出为了对发生了错误的印刷装置进行保养而派遣的维修人员。
7.一种维修人员选择装置,其特征在于,具备:
存储部,存储采用教师数据进行了机器学习的学习完毕模型,所述教师数据将电子设备的错误信息、每个维修人员的推断所需时间信息、每个维修人员的技能信息、每个维修人员的手头零部件信息中的至少一种维修人员选择信息与为了对发生了错误的电子设备进行保养而进行了派遣的维修人员建立对应,所述推断所需时间信息与直到维修人员实施发生了错误的电子设备的保养作业为止的推断所需时间相关联;以及
控制部,在电子设备中发生了错误时,所述控制部获取所述维修人员选择信息,并采用获取到的所述维修人员选择信息和所述学习完毕模型选择为了对发生了错误的电子设备进行保养而派遣的维修人员。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-021301 | 2019-02-08 | ||
JP2019021301A JP6996520B2 (ja) | 2019-02-08 | 2019-02-08 | サービスマン選定装置、機械学習装置、機械学習方法、サービスマン選定プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553552A true CN111553552A (zh) | 2020-08-18 |
Family
ID=71945323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081659.XA Pending CN111553552A (zh) | 2019-02-08 | 2020-02-06 | 维修人员选择装置、机器学习方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200258026A1 (zh) |
JP (1) | JP6996520B2 (zh) |
CN (1) | CN111553552A (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220284693A1 (en) * | 2021-03-05 | 2022-09-08 | The Boeing Company | Method, apparatus and computer program product for managing identified issues |
CN113920626B (zh) * | 2021-10-25 | 2024-06-21 | 北京恋美家生活服务有限公司 | 一种在线定制服务系统及其使用方法 |
JP2023155923A (ja) * | 2022-04-08 | 2023-10-24 | コニカミノルタ株式会社 | 印刷中断に関する情報を出力するためのプログラム、装置、システム及び方法 |
KR102518460B1 (ko) * | 2022-09-30 | 2023-04-05 | 주식회사 페달링 | 사용자로부터 수신된 긴급 정비 요청에 대한 개인용 이동 장치의 방문 정비 서비스 제공 방법 및 이를 수행하는 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102009885A (zh) * | 2009-09-07 | 2011-04-13 | 株式会社日立建筑系统 | 升降机维护管理系统 |
CN106055687A (zh) * | 2016-06-06 | 2016-10-26 | 青岛杰奥斯智能科技有限公司 | 一种地铁突发事件的应急处理方法 |
CN107832902A (zh) * | 2016-09-14 | 2018-03-23 | 株式会社日立大厦系统 | 应对者分配系统 |
CN107835209A (zh) * | 2017-09-20 | 2018-03-23 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的维修人员调度方法及物联网系统 |
CN108335228A (zh) * | 2017-12-26 | 2018-07-27 | 南京海兴电网技术有限公司 | 一种基于改进bp神经网络的配电网中工作量均衡派单方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3913504B2 (ja) | 2000-09-25 | 2007-05-09 | シャープ株式会社 | 電子機器の管理方法、電子機器、電子機器の管理システム、および情報通信装置 |
JP2008009496A (ja) | 2006-06-27 | 2008-01-17 | Hitachi Ltd | 保守サービス運用システムおよび保守サービス運用方法 |
JP5487588B2 (ja) | 2008-09-30 | 2014-05-07 | 富士通株式会社 | 遠隔の機械を保守するための情報処理装置、プログラム、および方法 |
JP2013054425A (ja) | 2011-09-01 | 2013-03-21 | Nec Corp | 判定装置、判定方法及びプログラム |
JP2016103066A (ja) | 2014-11-27 | 2016-06-02 | 沖電気工業株式会社 | 機器メンテナンス管理装置、機器メンテナンス管理システム、及びプログラム |
-
2019
- 2019-02-08 JP JP2019021301A patent/JP6996520B2/ja active Active
-
2020
- 2020-02-06 CN CN202010081659.XA patent/CN111553552A/zh active Pending
- 2020-02-06 US US16/783,861 patent/US20200258026A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102009885A (zh) * | 2009-09-07 | 2011-04-13 | 株式会社日立建筑系统 | 升降机维护管理系统 |
CN106055687A (zh) * | 2016-06-06 | 2016-10-26 | 青岛杰奥斯智能科技有限公司 | 一种地铁突发事件的应急处理方法 |
CN107832902A (zh) * | 2016-09-14 | 2018-03-23 | 株式会社日立大厦系统 | 应对者分配系统 |
CN107835209A (zh) * | 2017-09-20 | 2018-03-23 | 成都秦川物联网科技股份有限公司 | 基于复合物联网的维修人员调度方法及物联网系统 |
CN108335228A (zh) * | 2017-12-26 | 2018-07-27 | 南京海兴电网技术有限公司 | 一种基于改进bp神经网络的配电网中工作量均衡派单方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6996520B2 (ja) | 2022-01-17 |
JP2020129246A (ja) | 2020-08-27 |
US20200258026A1 (en) | 2020-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553552A (zh) | 维修人员选择装置、机器学习方法 | |
RU2601837C2 (ru) | Система управления транспортным средством | |
RU2561482C2 (ru) | Способ, использующий опознавание воздействия для системы управления парками транспортных средств | |
CN111091200A (zh) | 训练模型的更新方法、系统、智能体、服务器及存储介质 | |
US20070093215A1 (en) | Automatically managing rental vehicles | |
CN106022541A (zh) | 一种到站时间预测方法 | |
JP2017097477A (ja) | 保険業務支援システムおよび保険業務支援方法 | |
KR102364082B1 (ko) | 물류 운송 관리 방법 | |
JP6775707B2 (ja) | 移動体端末及び現在位置補正システム | |
CN112771556A (zh) | 车辆检验管理系统 | |
JP2020129208A (ja) | 予約システム及びデータベース構築システム | |
JP7284278B2 (ja) | 情報処理システム、情報処理方法、電動車両、記憶媒体及びプログラム | |
JP5453354B2 (ja) | 生産管理システムおよび生産管理方法、制御プログラム、可読記憶媒体 | |
CN112330218B (zh) | 物流配送控制方法、装置和系统 | |
JP2015069373A (ja) | 機械式駐車場システムの運用方法 | |
CN115759307A (zh) | 一种订单派送方法、装置、电子设备及存储介质 | |
CN110316156B (zh) | 用于检测车辆内部空间的清洁必要性的方法以及处理装置 | |
JP2019008678A (ja) | 配送管理システムおよびプログラム | |
CN114463087A (zh) | 派单管理系统、方法和装置,以及调派单平台和车机设备 | |
JP2022141131A (ja) | 点検支援システム、点検支援装置、端末装置、点検支援方法、及びプログラム | |
CN114556388A (zh) | 派车管理控制装置、派车管理装置、派车管理系统、派车管理方法以及程序 | |
JP7048063B1 (ja) | 作業状況管理システム | |
WO2023105656A1 (ja) | カメラ装置及び監視システム | |
JP2023131717A (ja) | 技師管理装置 | |
KR20190141533A (ko) | 차량 점검 대행 서비스 제공 서버 및 차량점검 대행 서비스 제공 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |
|
RJ01 | Rejection of invention patent application after publication |