CN111562890B - 信息处理装置、学习装置以及非暂时性的存储介质 - Google Patents

信息处理装置、学习装置以及非暂时性的存储介质 Download PDF

Info

Publication number
CN111562890B
CN111562890B CN202010088896.9A CN202010088896A CN111562890B CN 111562890 B CN111562890 B CN 111562890B CN 202010088896 A CN202010088896 A CN 202010088896A CN 111562890 B CN111562890 B CN 111562890B
Authority
CN
China
Prior art keywords
information
error
consumable
print head
learning
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.)
Active
Application number
CN202010088896.9A
Other languages
English (en)
Other versions
CN111562890A (zh
Inventor
小林大起
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Publication of CN111562890A publication Critical patent/CN111562890A/zh
Application granted granted Critical
Publication of CN111562890B publication Critical patent/CN111562890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
    • G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0733—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a data processing system embedded in an image processing device, e.g. printer, facsimile, scanner
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
    • G06F3/1229—Printer resources management or printer maintenance, e.g. device status, power levels
    • G06F3/1234—Errors handling and recovery, e.g. reprinting
    • G06F3/1235—Errors handling and recovery, e.g. reprinting caused by end of consumables, e.g. paper, ink, toner
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
    • G06F3/1237—Print job management
    • G06F3/1253—Configuration of print job parameters, e.g. using UI at the client
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
    • G06F3/1285—Remote printer device, e.g. being remote from client or server
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
    • B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
    • B41J29/393—Devices for controlling or analysing the entire machine ; Controlling or analysing mechanical parameters involving printing of test patterns
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)
  • Facsimiles In General (AREA)
  • Ink Jet (AREA)

Abstract

本发明提供信息处理装置、学习装置以及非暂时性的存储介质，用于对在电子设备已发生的错误提示恰当的应对。信息处理装置(200)包括：存储部(230)，存储学习完毕模型；受理部(210)，受理从电子设备发送的错误信息以及运转信息；以及处理部(220)，根据学习完毕模型，提示针对由受理到的错误信息表示的错误推荐的应对。学习完毕模型是根据将错误信息、运转信息以及表示对错误已实施的应对的应对信息建立对应的数据组来机器学习针对错误推荐的应对的条件的学习完毕模型。

Description

信息处理装置、学习装置以及非暂时性的存储介质
技术领域
本发明涉及信息处理装置、学习装置以及存储学习完毕模型的非暂时性(非一過性)的存储介质等。
背景技术
为了实现电子设备的稳定运转，用户进行恰当应对是尤为重要的。以往，公知有支持由用户进行应对的方法。例如，在专利文献1中公开了在打印机发生了错误时生成包括表示应对方法的信息的维护信息的方法。在专利文献1中，通过根据表示错误种类的错误信息以及表示错误时的状态的状态信息来检索数据库，生成维护信息。数据库是存储了按设备种类、按错误种类以及按错误时的状态的应对方法的数据库。
专利文献1：日本特开2008-211662号公报
如专利文献1所述，在使用应用了数据库的检索处理的情况下，不一定能检索到恰当的应对方法。为了构建数据库，需要设定用于根据设备种类、错误种类、状态来决定应对的条件。在用户手动设定了该条件的情况下，用户的负担非常大。
发明内容
本发明一个方式的信息处理装置包括：存储部，存储学习完毕模型，所述学习完毕模型是根据将表示在电子设备中已发生的错误的错误信息、表示所述电子设备的运转状态的运转信息以及表示针对所述错误已实施的应对的应对信息建立对应的数据组来机器学习针对所述错误推荐的所述应对的条件的模型；受理部，受理从所述电子设备发送的所述错误信息以及所述运转信息；以及处理部，根据所述学习完毕模型，提示对通过受理到的所述错误信息表示的所述错误推荐的所述应对。
附图说明
图1是印刷系统的构成例。
图2是记录头和墨水供给装置的构成例。
图3是包括信息收集系统的系统的构成例。
图4是用于阅览与电子设备相关的信息的显示画面例。
图5是用于阅览与电子设备相关的信息的显示画面例。
图6是错误通知的例子。
图7是学习装置的构成例。
图8是学习处理所使用的数据组的例子。
图9是学习处理所使用的数据组的例子。
图10是神经网络(Neural network)的构成例。
图11是用于说明误差反向传播法的图。
图12是进行推论处理的信息处理装置的例子。
图13是说明推论处理中的输入数据和输出数据的例子的图。
图14是说明推论处理中的输入数据和输出数据的例子的图。
图15是说明推论处理的流程图。
图16是提示应对方法的显示画面例。
图17是进行推论处理的信息处理装置的其他例子。
图18是说明推论处理中的输入数据和输出数据的例子的图。
附图标记的说明
11…打印机，12…主体外壳，13…片材，14…抽出部，15…印刷室，16…干燥装置，17…卷绕部，18…基台，19…支承部件，20…卷轴，21…第一辊，22…第二辊，23…第三辊，24…第四辊，25…卷绕轴，26…导轨，27…滑架，28…支承板，29、29A、29B…记录头，30…抽吸装置，32…维护装置，33…盖，34…升降装置，35…喷嘴形成面，36…喷嘴，37…喷嘴列，38…罩，39…墨水供给装置，65…泵电机，66…加压泵，67…子容器，70A、70B…墨水供给路径，71…空气供给路径，100…学习装置，110…获取部，120…学习部，200…信息处理装置，210…受理部，220…处理部，230…存储部，300…印刷系统，310…图像生成装置，311…主体，312…图像生成部，313…输入装置，314…监视器，320…主装置，321…主体，322…打印机驱动器，323…监视器，400…信息收集系统，410…服务器系统，420…终端装置，C…控制装置，IC1～IC8…墨盒，NE2…网络，X…主扫描方向，Y…副扫描方向。
具体实施方式
下面，对本实施方式进行说明。此外，下面说明的本实施方式并非不恰当地限定权利要求书的范围所记载的内容。此外，本实施方式中说明的全部结构并不一定是必要构成要素。
1.概要
如上所述，公知有用于支持在电子设备中发生了错误的情况下由用户进行应对的方法。电子设备例如是打印机。或者电子设备也可以是扫描仪、传真装置或复印机。电子设备可以为具有多种功能的复合机(MFP：Multifunction Peripheral)，具有印刷功能的复合机也是打印机的一例。此外，电子设备还可以是投影机、头部安装型显示装置、可穿戴式设备、脉搏计或活动量计等生物体信息测定装置、机器人、照相机等影响设备、智能手机等便携式信息终端、或物理量计测设备等。
下面，对电子设备是打印机的例子进行说明。首先，使用图1以及图2对包括打印机的印刷系统300的具体构成例进行说明。然后，使用图3，对信息收集系统400进行说明。
图1是印刷系统300的示意图。如图1所述，印刷系统300包括图像生成装置310、主装置320和打印机11。打印机11是例如横向式(lateral)的喷墨式打印机。
图像生成装置310例如是PC(Personal Computer，个人计算机)。图像生成装置310具备通过主体311内的CPU(Central Processing Unit，中央处理器)执行图像创建用软件而构建的图像生成部312。用户在启动图像生成部312的基础上，操作输入装置313，由此在监视器314上创建图像。而且，用户通过操作输入装置313，指示已创建的图像的印刷。根据该指示，图像生成装置310通过规定的通信接口将已创建的图像所涉及的图像数据发送给主装置320。
主装置320例如是PC，且具备通过其主体321内的CPU执行打印机驱动器用软件而构建的打印机驱动器322。打印机驱动器322基于图像生成装置310接收到的图像数据来生成印刷数据，并发送给设置于打印机11的控制装置C。控制装置C根据从打印机驱动器322接收到的印刷数据来控制打印机11，使打印机11印刷基于印刷数据的图像。此外，在监视器323上显示用于向打印机11输入设定控制用设定值的菜单画面、印刷对象的图像等。
接下来，对图1所示的打印机11的结构进行说明。其中，在下面的说明书中的描述中，称为“左右方向”、“上下方向”的情况是以在图1等的图中箭头所示的方向为基准而表示的。另外，在图1中，以跟前侧作为前侧，以里侧作为后侧。
如图1所示，打印机11具备长方体状的主体外壳12。在主体外壳12内设置有：抽出长条状的片材13的抽出部14、通过对该片材13喷出墨水而实施印刷的印刷室15、对通过该印刷附着了墨水的片材13实施干燥处理的干燥装置16、以及卷绕实施了干燥处理的片材13的卷绕部17。
在主体外壳12内的稍微靠上的位置，设置有将主体外壳12内上下划分的平板状的基台18，该基台18的上侧区域成为将矩形板状的支承部件19支承在基台18上而成的印刷室15。并且，在基台18的下侧区域，在片材13的输送方向上成为上游侧的靠左侧的位置配设有抽出部14，并且在成为下游侧的靠右侧位置配设有干燥装置16以及卷绕部17。
如图1所示，在抽出部14，沿前后方向延伸的卷轴20被设置为旋转自如，能够被支承为以片材13在该卷轴20上预先卷绕成卷状的状态一体旋转。通过卷轴20旋转而从抽出部14抽出片材13。另外，从抽出部14抽出后的片材13被卷挂在位于卷轴20的右侧的第一辊21并且被引导到上方。
另一方面，第二辊22以与下侧的第一辊21平行的状态被设置在支承部件19的左侧的在上下方向上与下侧的第一辊21对应的位置。并且，输送方向被第一辊21转换为铅直上方向的片材13通过从左侧下方卷挂在该第二辊22，其输送方向被转换为水平右方向且与支承部件19的上表面滑动接触。
另外，在支承部件19的右侧，隔着支承部件19与左侧的第二辊22对置的第三辊23以与第二辊22平行的状态设置。此外，第二辊22以及第三辊23各自的周面的顶部被位置调整为与支承部件19的上表面同一高度。
在印刷室15内输送方向被左侧的第二辊22转换为水平右方向的片材13与支承部件19的上表面滑动接触的同时向成为下游侧的右侧输送之后，从右侧上方卷挂到第三辊23，由此输送方向被转换为铅直下方向并朝向基台18的下侧的干燥装置16输送。然后，通过经过干燥装置16内而进行了干燥处理的片材13被进一步向铅直下方向输送之后，卷挂到第四辊24从而输送方向被转换为水平右方向，通过配置在该第四辊24右侧的卷绕部17的卷绕轴25旋转而被卷绕为卷状。卷绕轴25通过未图示的输送电机的驱动力而旋转。
如图1所示，在印刷室15设置有沿左右方向延伸的导轨26。导轨26在印刷室15内的支承部件19的前后两侧成对地设置。导轨26的上表面比支承部件19的上表面高，在两个导轨26的上表面，以根据第一滑架电机及第二滑架电机的驱动而能够沿着两个导轨26向图1所示的主扫描方向X做往复移动的状态支承有矩形状的滑架27。并且，在该滑架27的下表面侧通过支承板28支承有多个记录头29。
将从支承部件19的左端到右端为止的一定范围设为印刷区域，以该印刷区域为单位间歇地输送片材13。并且，针对停止在支承部件19上的片材13，通过随着滑架27的往复移动从记录头29喷射墨水，而对片材13实施印刷。
此外，在印刷时，设置在支承部件19的下侧的抽吸装置30被驱动，通过波及在支承部件19的上表面开口的许多抽吸孔的负压所产生的抽吸力，片材13被吸附到支承部件19的上表面。然后，若结束了对片材13的一次印刷，则解除抽吸装置30的负压，并输送片材13。
另外，在印刷室15内，在成为第三辊23的右侧的非印刷区域，设置有在不印刷时用于进行记录头29的维护的维护装置32。维护装置32针对每个记录头29具备盖33和升降装置34。各盖33通过升降装置34的驱动，在与记录头29的喷嘴形成面35抵接的压盖位置和从喷嘴形成面35分离的退避位置之间移动。将在后面使用图2对喷嘴形成面35进行描述。
另外，如图1所示，在主体外壳12内，能够拆装地安装有多个墨盒IC1～IC8，它们分别容纳了不同颜色的墨水。此外，墨盒的数量并不限于8个。各墨盒IC1～IC8通过墨水供给路径与记录头29连接，各记录头29喷射从各墨盒IC1～IC8供给的墨水。将在后面使用图2对墨水供给路径进行描述。在图1所示的打印机11中，能够进行使用8色墨水的彩色印刷。此外，在主体外壳12中，在与墨盒IC1～IC8的配置位置对应的地方设置有开闭式的罩38。打开罩38进行墨盒IC1～IC8的更换作业。
8个墨盒IC1～IC8容纳例如黑色、青色、品红色、黄色等的各墨水。此外，也可以采用添装容纳保湿液的保湿液盒的结构。可以适当设定墨水的种类、颜色数量，可以采用仅通过黑色墨水进行单色印刷的结构、或者将墨水设为2色或者非8色的3色以上的任意颜色数量的结构。
各墨盒IC1～IC8通过未图示的盒支架与控制装置C电连接，使得对安装于各墨盒IC1～IC8的非易失性存储元件写入对应颜色的墨水剩余量信息。
图2是示出设置于滑架27的底面的多个记录头29和向各记录头29供给墨水的墨水供给装置39的示意图。如图2所示，在被支承于滑架27的下表面侧的支承板28上，多个记录头29在与片材13的输送方向正交的宽度方向上以格子状的配置图案被支承。也就是说，15个记录头29的沿着副扫描方向Y以固定间距排列为两列的记录头29A、29B以在副扫描方向Y上相互错开半个间距的状态配置。并且，在成为各记录头29的下表面的喷嘴形成面35，在主扫描方向X上隔开规定间隔形成有多列喷嘴列37。喷嘴列37包括沿着副扫描方向Y配置为一列的多个喷嘴36。喷嘴列37例如是8列，但喷嘴列的数量并不仅限于此。
如图2所示，打印机11包括用于向各记录头29供给各种颜色的墨水的墨水供给装置39。墨水供给装置39具备泵电机65、加压泵66、墨盒IC1～IC8以及子容器67。
各墨盒IC1～IC8在被安装于盒支架的状态下，分别通过墨水供给路径70A与子容器67连接，子容器67进一步通过墨水供给路径70B与各记录头29连接。墨水供给路径70A、墨水供给路径70B例如是管。其中，在图2中仅示出了多个子容器67与一个记录头29的连接关系。实际上，从一个子容器67延伸出与记录头29的数量相同数量的墨水供给路径70B，各墨水供给路径70B与各记录头29连接。
另外，墨盒IC1～IC8在被安装于盒支架的状态下，通过空气供给路径71与加压泵66的喷出口连接。控制装置C驱动泵电机65，对加压泵66进行泵驱动，由此从加压泵66喷出的加压空气通过空气供给路径71被供给到墨盒IC1～IC8内。
在墨盒IC内容纳有墨水包，通过空气供给路径71供给到墨盒IC内的加压空气来加压墨水包，由此从墨盒IC向墨水供给路径70A加压供给墨水。从墨盒IC供给的墨水通过墨水供给路径70A被供给到子容器67，并且进一步从子容器67通过墨水供给路径70B供给到各记录头29。
图3是示意性示出信息收集系统400的图。印刷系统300例如是构建在购买打印机11的企业的设施内的系统，其具体是在上文中使用图1描述的系统。此外，在图1中举例示出了打印机11以及图像生成装置310为一个的印刷系统300。但是，印刷系统300也可以包括多个打印机11，且在该多个打印机11中共用一台图像生成装置310。如图3所示，印刷系统300并不仅限于一个，可以使用多个印刷系统300。另外，包括信息收集系统400的系统并不仅限于图3的结构，可以实施省略这些的一部分构成要素或者追加其他构成要素等的各种变形。
印刷系统300收集打印机11的错误信息以及运转信息。错误信息是与在打印机11中已发生的错误相关的信息。作为在打印机11发生的错误，可想到头的喷出不良、漏液、电机错误、基板错误等各种错误。喷出不良也可以改称为记录头29所包括的喷嘴36的堵塞。漏液具体是指墨水泄漏。错误信息包括确定已发生的错误的种类的信息以及表示错误的发生日期时间的信息。打印机11例如包括检测板以及检测是否对该检测板喷出了墨水的传感器。打印机11根据该传感器的输出，输出表示喷出不良的错误信息。另外，在记录头29使用压电元件喷出墨水的情况下，在正常喷出墨水时和未喷出墨水时供给到该压电元件的电流的波形不同是已知的。因此，打印机11也可以根据该电流的波形来输出表示喷出不良的错误信息。另外，打印机11包括漏液检测传感器，根据该漏液检测传感器的输出来输出表示漏液的错误信息。此外，公知有各种在打印机11检测错误信息的方法，在本实施方式中可以广泛应用这些方法。
运转信息是表示打印机11的运转状态的信息。运转信息包括已执行的印刷任务的历史即任务历史信息、在打印机11已发生的事件的历史即事件历史信息、墨水消耗量信息、印刷量信息、喷嘴信息、消耗品的寿命信息等。
印刷任务是与打印机11中的一次印刷相对应的数据。任务历史信息是将表示已执行的印刷任务的信息和表示执行的日期时间的信息建立对应的时序的数据。表示印刷任务的信息包括任务ID、确定印刷对象即图像数据的信息等。确定图像数据的信息也可以是图像数据本身，也可以是表示缩略图的数据，还可以是文件名等信息。
事件是在喷嘴检查、清洁、冲洗等在打印机11中发生的事项。时间历史信息是将表示已发生的事件的信息和表示发生日期时间的信息建立对应的时序的数据。
墨水消耗量信息是表示由打印机11中的印刷而消耗的墨水的量的信息。通过例如从记录头29的喷嘴36喷出墨水的次数以及喷出一次所用的墨水量的乘法运算来求出墨水消耗量。另外，打印机11也可以包括用于检测墨水量的传感器，并根据该传感器的输出对墨水消耗量进行运算。
印刷量信息是表示由打印机11中的印刷而消耗的印刷介质的量的信息。例如如上所述，在印刷介质是卷状的片材13的情况下，印刷量信息是表示印刷所使用的片材13的长度的信息。但是，印刷量信息也可以是表示印刷所使用的印刷介质的面积的信息，还可以是表示印刷介质的张数的信息。
消耗品的寿命信息是表示消耗品的使用程度的信息。这里的消耗品是指打印机11所包括的希望定期更换的保养/更换部件。在消耗品中包括印刷头、流路过滤器、管、输送电机、盒电机等各种部件。印刷头具体是记录头29。管具体是墨水供给路径70A、70B。另外，管也可以包括用于将墨水排出到废液容器的废液管。流路过滤器是用于除去混入到墨水供给路径的异物的过滤器。对于各部件，在设计上对能够发挥所期望性能的使用量设定了上限。这里的使用量可以是使用时间，也可以是使用次数。另外，如果是电机等可动部件，则使用量也可以是移动量或旋转量。消耗品的使用时间可以是例如打印机11处于启动中的时间，也可以是执行着印刷任务的时间。另外，考虑到消耗品的特性，也可以通过针对每个消耗品利用不同的方法来进行使用量的计数，可以对求得使用量的具体方法实施各种变形。消耗品的寿命信息例如是表示实际的使用量与作为对象的消耗品的上限使用量的比率的信息。
信息收集系统400包括服务器系统410和终端装置420。服务器系统410以及终端装置420与网络NE2连接，通过网络NE2能够进行双向通信。网络NE2是互联网等公用通信网。但是，服务器系统410和终端装置420也可以通过与作为公用通信网的网络NE2不同的、未图示的私人网络连接。私人网络是指例如公司内的网络。
印刷系统300以及服务器系统410与网络NE2连接，通过网络NE2能够进行双向通信。服务器系统410通过网络NE2从印刷系统300收集打印机11的错误信息以及运转信息。例如，图像生成装置310进行来自打印机11的错误信息以及运转信息的收集处理和将收集到的错误信息以及运转信息向服务器系统410发送的发送处理。但是，也可以由打印机11或主装置320进行上述收集处理以及发送处理。
另外，终端装置420是例如负责打印机11的保养、修理的技术服务人员所使用的终端。终端装置420可以是PC，也可以是平板电脑终端等便携式终端装置。技术服务人员在对自己负责的打印机11进行了修理、检验等应对的情况下，创建与该应对相关的报告信息。终端装置420将由技术服务人员创建的报告信息发送给服务器系统410。
报告信息例如包括确定进行了应对的打印机11的信息、该打印机11输出的错误信息、表示技术服务人员所进行的应对的信息和表示应对结果的信息。确定打印机11的信息包括用于唯一地确定打印机11的打印机ID、打印机11的机种信息、打印机11的固件(firmware)的版本信息等。打印机ID是指例如后述的序列号。错误信息是在应对前由打印机11输出的错误信息。另外，报告信息除错误信息以外也可以包括表示由使用打印机11的顾客报告的症状的信息。症状是指印刷结果飞边、润洇、与设定颜色不同等由顾客识别到的异常。表示应对的信息是表示消耗品的更换、拆解清扫等技术服务人员所进行的行为的信息。应对结果是指表示通过应对是否恢复正常状态的信息。
此外，终端装置420也可以是多个。例如，技术服务人员为多名，各技术服务人员负责不同的打印机11的保养。多名技术服务人员利用分别不同的终端装置420进行报告信息的创建、发送。另外，也可以由一名技术服务人员使用多个终端装置420。
如上所述，服务器系统410通过收集错误信息、运转信息以及报告信息，储存与打印机11相关的信息。服务器系统410对收集到的信息进行加工处理，将加工处理后的信息发送给印刷系统300以及终端装置420。这里的加工处理包括确定的信息的提取处理、统计处理、图表的创建处理等各种处理。此外，可以作为对从印刷系统300或终端装置420发送的请求的响应而从服务器系统410发送信息，也可以通过推送通知从服务器系统410发送信息。
例如，服务器系统410生成时序的墨水使用量数据、已执行的任务的历史信息等对于顾客使用打印机11方面有用的面向顾客的信息，并将该面向顾客的信息发送给印刷系统300。发送的面向顾客的信息例如被显示在图像生成装置310的监视器314或主装置320的监视器323上。另外，接收面向顾客的信息的装置并不仅限于印刷系统300所包括的装置，还可以是由顾客使用的其他装置。
另外，服务器系统410生成错误的发生历史、表示消耗品的寿命的信息、修理历史等对于技术服务人员进行打印机11的保养方面有用的面向技术服务人员的信息，并将该面向技术服务人员的信息发送给终端装置420。此外，面向顾客的信息和面向技术服务人员的信息也可以包括重复的信息。另外，接收面向技术服务人员的信息的终端并不仅限于终端装置420，也可以是由技术服务人员使用的其他终端装置。换言之，向服务器系统410发送报告信息的终端以及接收面向技术服务人员的信息的终端可以相同也可以不同。
例如，服务器系统410将收集到的错误信息发送给终端装置420。使用图4～图6对在终端装置420阅览错误信息的画面的例子进行说明。
图4是用于阅览与打印机11相关的信息的显示画面的一例，具体而言是主画面的例子。例如，服务器系统410包括存储错误信息、运转信息以及报告信息的数据库服务器以及Web应用服务器。Web应用服务器根据来自终端装置420的请求从数据库服务器获取所需的信息，作为响应而发送包括错误信息、运转信息的HTML(HyperText Markup Language，超文本标记语言)文件。图4以及后述的图5是例如使用在终端装置420动作的Web浏览器而显示的画面。
如图4所示，显示在主画面上的信息包括打印机11的产品名称、序列号、公司名称、国家、地区和版本。产品名称表示打印机11的型号。序列号是唯一地确定打印机11的ID。公司名称是作为顾客的公司的名称。国家和地区表示对象的打印机11在运转的地方。版本表示打印机11的固件的版本。通过使用图4的画面，技术服务人员可以以一览性高的方式识别交付到世界各地的打印机11的信息。
图5是用于阅览与给定的打印机11相关的错误信息的显示画面的一例。例如，在图4所示的画面上，在进行了用于选择给定的打印机11的操作以及指示错误信息的显示的操作的情况下，进行向图5的画面的迁移。此外，在图4的画面上选择打印机11的操作是在例如图4的左端示出的复选框被选中的基础上按下未图示的选择按钮的操作。所选择的打印机11可以是一台也可以是多台。
如图5所示，在错误画面上显示的信息包括序列号、公司名称、国家、地区、历史日期时间、错误ID、错误种类。序列号、公司名称、国家、地区与图4相同。历史日期时间是表示错误发生的年月日以及时刻的信息。错误ID是确定发生了错误的ID。错误种类是说明已发生的错误的文本信息。通过使用图5的画面，技术服务人员可以掌握在自己负责保养的打印机11中在哪个定时发生了怎样的错误。
图6是示出发送给技术服务人员使用的终端装置420的错误通知邮件的一部分的图。如图6所示，错误通知邮件包括历史日期时间、序列号和错误ID。各信息的内容与图5相同。在现有的方法中，服务器系统410例如按照每个规定期间将包括图6所示的内容的错误通知邮件发送给终端装置420。错误通知邮件所包括的信息是与在该规定期间所发生的错误相关的信息。这里的规定时间例如是几小时～一天左右的期间。另外，这里已经描述了使用错误通知邮件的例子，但是服务器系统410也可以使用其他推送通知方法，将图6所示的信息发送到终端设备420。
当使用图5所示的画面的情况下，技术服务人员主动地获取错误信息。具体地，技术服务人员使用终端装置420的操作部主动地执行显示错误画面的操作。当使用图6所示的错误通知邮件的情况下，技术服务人员被动地获取错误信息。无论使用哪种方法，通过服务器系统410向终端设备420发送错误信息，技术服务人员能够在自己负责保养的打印机11中识别到发生了错误。
另外，如上所述，服务器系统410储存报告信息。在所储存的报告信息中包括对过去发生过的错误进行的应对和应对结果。通过参照报告信息，技术服务人员决定用于消除在负责保养的打印机1中发生的错误。
然而，在现有方法中，技术服务人员不容易判断针对错误的恰当应对。这是因为用于解决给定的错误的应对可能会存在多个。例如，对喷出不良这样的错误，存在通过进行清洁来消除错误的情况，也存在若不通过拆解使喷嘴露出以进行擦拭扫除则无法消除错误的情况。在堵塞程度严重的情况下，考虑如果不更换印刷头则无法消除错误。印刷头具体为记录头29。在报告信息中包括表示通过清洁消除了喷出不良的信息、表示通过擦拭扫除消除了喷出不良的信息、以及通过更换印刷头消除了喷出不良的信息等。因此，在现有方法中，技术服务人员必须自己判定要参照哪个报告信息。其结果，能否执行恰当的应对取决于技术服务人员的知识、经验。
认为如果技术服务人员在实际上移动到印刷系统300被设置的地方并来回尝试各种应对则可以以高概率消除错误。然而，在图1和图2所示的工业用打印机中，难以执行这种措施。首先，由于上述工业用打印机具有非常大型且复杂的构造，所以与广泛应用于面向消费者的打印机相比，拆解、更换部件花费的时间较长。例如，由于假定一个应对要花费几个小时，在某些情况下可能还要花费十小时以上，所以来回尝试多个应对这一措施需要的时间成本变大。在工业用打印机中，在由于错误而使打印机11的动作停止的停机时间产生的情况下，产品的生产将停止。由于停机时间的产生会直接导致生产力的降低，所以选长时间修理并不优选。
另外，工业用打印机的更换用的部件比面向消费者的打印机更大且更重。因此，除非预先缩小应对，否则为应对准备的更换部件的数量也会增加，从而难以运输该更换部件。另外，导致更换部件所需的工具也增加。根据情况，还有可能在技术服务人员移动所使用的车辆中无法载完部件、工具。
另外，工业用打印机在世界范围内交付这点也可能会导致问题。例如，从技术服务人员常驻的服务据点移动到顾客的办公室会存在花费一天到几天的情况。在通过最初假定的应对并没有消除错误的情况下，技术服务人员需要花费时间返回服务据点，准备用于进行不同应对的部件、工具，并再次花费时间移至顾客的办公室。在这种情况下，打印机11的动作可能长时间停止。
此外，在喷出不良的例子的情况下，如果更换了印刷头，则消除错误的可能性较高。然而，印刷头是具有许多喷嘴36的复杂部件，成本高。另外，为了露出印刷头部分，应拆解卸下的配件变多，所以导致时间成本也高。即，如果存在不更换印刷头就消除喷出不良的应对，则应优先该应对，难以假定在任何情况下都可以采用的通用应对。
如上所述，预先缩小能够消除错误的可能性高的应对是非常重要的，但是难以仅通过参照过去的报告信息来决定恰当的应对。在专利文献1中公开了参照包括状态信息的数据库的方法。然而，在专利文献1等的现有方法中，用户需要按照每个应对来逐一设定将各状态信息的数值和具体的应对相结合的条件。若要为假定的所有应对设定恰当的条件则会增加用户的负担。另外，当在过去没有相似状况的新状况下发生了错误的情况下，就无法提示针对错误的恰当应对。
因此，在本实施方式中，对针对错误信息推荐的应对的条件进行机器学习。这样，由于自动学习推荐的应对，所以能够向作为技术服务人员的用户提示恰当的应对。例如，通过将各种运转信息用作输入数据，即使是相同种类的错误，也能够判定严重程度的高低，因此能够提示恰当的应对。此时，用户不需要手动设定具体的判定条件，因此可以减轻用户的负担。
另外，在上文中示出了作为推荐的应对的提示对象的用户是负责电子设备的保养的技术服务人员的例子。但是，推荐的应对的提示对象也可以是顾客、即电子设备的用户。例如，可以不需要专门工具而催促顾客执行不涉及危险的简单应对。在下文中，对通过向终端装置420发送错误信息而向作为技术服务人员的用户提示应对的例子进行说明。其中，在以下的说明中可适当将用户替换为作为顾客的用户。另外，错误信息的发送目的地也并不仅限于终端设备420，还可以替换为顾客使用的印刷系统300、未图示的装置。
下面，对本实施方式的学习处理、推论处理分别进行说明。学习处理是指通过进行基于训练数据的机器学习来获取学习结果的处理。学习结果具体是指学习完毕模型。推论处理是指使用通过学习处理生成的学习完毕模型而输出基于输入的一些推理结果的处理。另外，还将对根据推论处理的结果来更新学习完毕模型的方法进行说明。
2.学习处理
2.1学习装置的构成例
图7是示出本实施方式的学习装置100的构成例的图。学习装置100包括：获取部110，获取学习所用的训练数据；以及学习部120，根据该训练数据执行机器学习。
图7所示的学习装置100被包括在例如图3的服务器系统410中。即，服务器系统410进行从印刷系统300以及终端装置420获取训练数据的处理以及根据该训练数据进行机器学习的处理。其中，学习装置100也可以包括在服务器系统410之外的设备中。例如，学习装置100包括在通过网络NE2与服务器系统410连接的设备中。该设备通过网络NE2获取服务器系统410收集到的训练数据，并根据该训练数据进行机器学习。或者，学习装置100也可以通过其他设备从服务器系统410获取训练数据。或者，也可以在与图3所示的信息收集系统400不同的系统中储存训练数据。
获取部110是例如从其他装置获取训练数据的通信接口。或者，获取部110也可以获取学习装置100保存的训练数据。例如，学习装置100包括未图示的存储部，获取部110是用于从该存储部读出训练数据的接口。本实施方式中的学习例如是示教性学习。示教性学习中的训练数据是输入数据和正确标签建立对应的数据组。正确标签也可以改称为示教数据。
学习部120进行基于获取部110获取到的训练数据的机器学习，并生成学习完毕模型。此外，本实施方式的学习部120由下述的硬件构成。硬件可以包括处理数字信号的电路和处理模拟信号的电路中的至少一方。例如，硬件可以由安装在电路板上的一个或多个电路装置、一个或多个电路元件构成。一个或多个电路装置是例如IC等。一个或多个电路元件是例如电阻、电容器等。
另外，学习部120可以由下述的处理器实现。本实施方式的学习装置100包括：存储信息的存储器和根据存储于存储器的信息进行动作的处理器。信息例如是程序和各种数据等。处理器包括硬件。处理器可以使用CPU、GPU(Graphics Processing Unit，图形处理单元)和DSP(Digital Signal Processor，数字信号处理器)等各种处理器。存储器可以是SRAM(Static Random Access Memory，静态随机存取存储器)、DRAM(Dynamic RandomAccess Memory，动态随机存取存储器)等半导体存储器，也可以是寄存器，还可以是硬盘装置等磁存储装置，还可以是光盘装置等光学式存储装置。例如，存储器存储由计算机能读取的指令，通过由处理器执行该指令而将学习装置100的各部分的功能作为处理实现。这里的指令可以是构成程序的指令集的指令，也可以是用于对处理器的硬件电路指示动作的指令。
更具体地，获取部110获取表示在电子设备中已发生的错误的错误信息、表示电子设备的运转状态的运转信息以及表示对错误已实施的应对的应对信息。错误信息以及运转信息如上所述。应对信息是报告信息的一部分或全部的信息，其包括例如确定进行了应对的打印机11的信息、表示技术服务人员所进行的应对的信息以及表示应对结果的信息。学习部120根据将错误信息、运转信息和应对信息建立对应的数据组，机器学习针对由错误信息表示的错误推荐的应对的条件。这样，获取考虑到过去发生过的错误与针对该错误实际执行的应对之间的关系的学习结果。通过使用该学习结果，能够向用户提示能消除错误的可能性高的应对。例如，在将如图1和图2所示的大型打印机11作为对象的情况下，能够缩小到恰当的应对，因此可以筹备应对所需的更换部件等，可以降低修理费用和修理时间。将在后面使用图10及图11对具体的学习处理的流程进行说明。
2.2学习处理所使用的数据组的例子
如上所述，本实施方式的学习处理中使用的训练数据是将错误信息、运转信息和应对信息建立对应的数据组。
错误信息是表示与在电子设备中使用的消耗品相关的错误的信息。并且，应对包括消耗品的更换和消耗品的维护。如上所述，消耗品是指随着电子设备的使用而劣化且作为由用户进行保养、更换的对象的部件。打印机11中的消耗品是印刷头、管、各种电机等。另外，在电子设备是投影仪的情况下，消耗品包括光源。此外，作为消耗品的部件根据电子设备的种类而不同。这样，通过使与消耗品相关的错误信息作为处理对象，可以使用户进行与该消耗品相关的恰当应对。而且，根据本实施方式的方法，可以恰当判定是更换消耗品还是对现有消耗品进行维护。例如，可以进行如下应对：在能够消除错误的情况下尽可能地止步于消耗品的维护，仅在必要时才更换消耗品。因此，在长时间使用电子设备的情况下可以降低运行成本。
例如，电子设备是打印机11，消耗品是印刷头。并且，错误是印刷头所具有的喷嘴36的堵塞。这样，在发生了印刷头的喷出不良的情况下，可以恰当地决定用于消除该喷出不良的应对。例如，图1和图2所示的打印机11具有多个记录头29，各记录头29具有许多喷嘴36。因此，认为喷出不良这样的错误发生频率较高。
然而，存在能够通过打印机11定期执行的冲洗和清洁来消除喷出不良的情况，也存在需要由作为技术服务人员的用户执行专用命令来进行的强力清洁。或者，能够想到还存在需要将打印机11拆解并物理地清扫喷嘴36周围的情况，还存在如果墨水阻塞严重则需要更换印刷头本身的情况。此外，冲洗是指在印刷过程中与印刷无关地从印刷头的各喷嘴36喷射墨水。清洁是指不驱动印刷头而通过利用设置在废墨盒中的泵等抽吸印刷头来清洁印刷头内。
这样，喷出不良是发生频率比较高的错误且可以考虑多种能执行的应对。因此，决定在抑制时间成本或费用成本的同时能消除错误状态的应对并不容易。因此，使用机器学习来学习恰当的应对意义巨大。
或者，电子设备是打印机11，消耗品是作为印刷所使用的墨水的供给路径的管和用于供给墨水的泵。并且，错误是漏液、即墨水的泄漏。这些管例如是图2中的墨水供给路径70A、70B。泵例如是图2所示的加压泵66。或者，当通过抽吸而供给墨水的情况下，泵也可以是抽吸泵。另外，这里的供给不限于从墨盒或墨水容器向印刷头供给墨水，也包括从印刷头向废液容器等排出墨水。即，上述管可以包括用于将印刷头的墨水移动到废液容器的废液管。另外，上述抽吸泵是例如用于向废液容器排出墨水的泵。
这样，在打印机11发生了漏液的情况下，可以恰当地决定用于消除该漏液的应对。在发生了漏液的情况下，作为液体的墨水有可能会扩散在打印机11的内部，而有可能导致例如其他部件的故障。另外，当在印刷头的附近发生了漏液的情况下，片材13被污染，难以进行产品的恰当生产。这样，漏液是应该迅速消除的错误。但是，如上面使用图2所述，在打印机11中，复杂地配置有许多管，漏液的发生原因以及恰当的应对也是多种多样的。如上所述，由于难以针对漏液决定能消除错误状态的应对，所以利用机器学习来学习恰当的应对意义巨大。
另外，在本实施方式的学习处理中，运转信息被用作输入数据。运转信息包括例如消耗品的寿命信息。寿命信息如上所述。例如在印刷头已经超过寿命的情况下，具体而言在超过耐用年限而使用的情况下，推定该印刷头已劣化。因此，难以通过冲洗、清洁等来消除错误，需要更换印刷头这样的应对的可能性较高。另一方面，如果印刷头为几乎接近新品的状态，则通过清扫或清洁来消除喷出不良的可能性较高，而不采用更换印刷头这样的花费成本的应对。也就是说，通过在学习处理中使用反映打印机11的运转状态的运转信息，考虑打印机11的状态来推定应对。
另外，运转信息包括消耗品的使用历史信息或使用了消耗品的任务历史信息。即使消耗品的使用时间相同，在例如一天使用8小时且剩余16小时没有使用的情况和连续使用24小时的情况下，可认为该消耗品的劣化程度不同。即，在判断消耗品的劣化时，不仅使用简单的累积使用时间，还希望利用是怎么使用的历史。另外，任务历史信息是表示在哪个定时输入、执行了怎样的印刷任务的信息。如果确定了任务的内容，则也确定了消耗品的使用状况，因此根据任务历史信息也能够推定消耗品是怎样使用的历史。这样，通过在学习处理中使用与消耗品相关的更详细的信息，能够高精度地学习恰当的应对。
另外，运转信息中包括的其他信息也可以作为学习处理中的输入数据加以使用。例如，学习装置100可以将墨水消耗量信息、印刷量信息、事件信息等作为输入数据加以使用。
图8是在错误是喷出不良时的数据组的例子。作为训练数据的数据组是将错误信息、过去进行过的应对以及错误发生定时的运转信息建立对应的数据组。
错误信息是从打印系统300发送的错误信息。例如，学习装置100使用错误信息中的确定错误的种类的信息作为训练数据。如图8所示，由错误信息确定的错误的种类是喷出不良或喷嘴堵塞。
应对信息包括在从终端装置420发送的报告信息中。例如，学习装置100使用报告信息中的确定可消除错误的应对的种类的信息作为训练数据。例如，服务器系统410列出在电子设备假定的应对，同时对各个应对赋予识别信息。这里的识别信息例如是用于唯一地确定应对的应对ID。报告信息包括上述应对ID，学习装置100将应对ID作为训练数据。此外，应对信息不仅限于消除过错误的应对。例如，应对信息也可以是将所执行的应对与通过该应对是否消除了错误建立对应的信息。换句话说，应对信息也可以包括表示未能消除错误的不恰当应对的信息。
运转信息例如是印刷头的寿命信息、泵的寿命信息、墨水使用量信息、印刷量信息。这样，可以通过将认为与喷出不良关联性高的运转信息作为训练数据来提高学习精度。但是，训练数据所使用的运转信息不限于图8的例子，也可以省略一部分或追加其他运转信息。
此外，如图8所示，在数据组中也可以包括确定发生的错误的打印机11的信息。确定打印机11的信息是例如上述序列号。或者，也可以不识别到个体而将机种的信息、固件版本信息作为确定打印机11的信息加以使用。
另外，图9是错误为漏液时的数据组的例子。与图8同样，作为训练数据的数据组是将错误信息、过去执行过的应对、错误发生定时的运转信息建立对应的数据组。另外，与图8同样地，数据组也可以包括确定打印机11的信息。
错误信息与图8中相同，使用从印刷系统300发送的错误信息。但是，在图9的例子中，由错误信息表示的错误是漏液。
另外，应对信息也与图8相同，其是确定报告信息中包括的应对的种类的信息。但是，对于喷出不良和漏液，作为候选的应对不同。作为针对漏液的应对，可以考虑更换管、更换泵、拆解清扫以及管的布置再调整。此外，由于假设打印机11包括多个管，所以也可以将第一管的更换和不同于第一管的第二管的更换作为不同的应对。对于泵也同样可以将不同的泵的更换分别视为不同的应对。管的布置表示管在打印机11内部的配置、固定的状态。也就是说，对管的布置再调整表示确认管是否被恰当配置且根据需要修改配置的应对。
运转信息例如是泵的寿命信息、管的寿命信息、墨水使用量信息、印刷量信息。这样，可以通过将认为与漏液的关联性高的运转信息作为训练数据来提高学习精度。其中，用于训练数据的运转信息不限于图9的例子，也可以省略一部分或者追加其他运转信息。例如，运转信息可以包括墨水的颜色信息和色材信息。颜色信息是指表示青色、品红色等墨水颜色的信息。色材信息是指表示颜料或染料等色材的信息。根据墨水颜色、色材，沉淀难易度不同，因此管的劣化程度也不同。因此，可以通过将墨水的颜色信息、色材信息作为输入来恰当地学习针对漏液推荐的应对。另外，运转信息也可以包括打印机11的温度信息。例如，当温度低时，墨水的粘度增加，所以容易发生管堵塞，其结果，发生漏液的概率也变高。因此，可以通过将温度信息作为输入来恰当地学习针对漏液推荐的应对。
2.3学习的具体例
对基于数据组的学习处理进行详细的说明。这里，对使用神经网络的机器学习进行说明。
图10是神经网络的基本构造例。神经网络是在计算机上模拟大脑功能的数学模型。将图10中的一个圆称为节点或神经元。在图10的例子中，神经网络具有输入层、两个中间层和输出层。输入层为I，中间层为H1和H2，输出层为O。另外，在图10的例子中，输入层的神经元的数量为3，中间层的神经元的数量分别为4，输出层的神经元的数量为1。其中，对中间层的层数、各层中包括的神经元的数量可以实施各种变形。输入层中包括的神经元分别与作为第一中间层的H1的神经元结合。第一中间层中包括的神经元分别与作为第二中间层的H2的神经元结合，第二中间层中包括的神经元分别与输出层的神经元结合。中间层也改称为隐藏层。
输入层是分别输出输入值的神经元。在图10的例子中，神经网络受理x1、x2、x3作为输入，输入层的各神经元分别输出x1、x2、x3。此外，也可以对输入值执行一些预处理，且输入层的各神经元也可以输出预处理后的值。
在中间层之后的各神经元中，进行模拟在大脑中以电信号传输信息的样子的运算。在大脑中，由于信息传递难易度根据突触连接强度而变化，所以在神经网络中，通过权重W来表示该连接强度。
图10中的W1是输入层和第一中间层之间的权重。W1表示输入层中包括的给定的神经元与第一中间层中包括的给定的神经元之间的权重的集合。在将输入层中的第p个神经元的数量和第一中间层中的第q个神经元之间的权重表示为w1 pq的情况下，图10中的W1为包括w1 11～w1 34这12个权重的信息。更广义而言，权重W1是相当于输入层中的神经元数量与第一中间层中的神经元数量的乘积的、数量的权重所构成的信息。
在第一中间层中的第一个神经元，进行下式(1)所示的运算。在一个神经元中，进行将连接于该神经元的前一层的各个神经元的输出乘积累加并进一步将偏差相加的运算。下式(1)中的偏差为b1。
【式1】
另外，如上式(1)所示，在一个神经元的运算中，使用作为非线性函数的激活函数f。作为激活函数f，例如使用下式(2)所示的ReLU函数。ReLU函数是如果变量为0以下则为0、如果变量大于0则为变量本身的值的函数。但是，已知激活函数f可以使用各种函数，也可以使用S形函数(sigmoid function)，还可以使用将ReLU函数改进而得的函数。在上式(1)中，示出了关于h1的运算式，但对第一个中间层中的其他神经元进行相同的运算即可。
【式2】
另外，对于后续层也是同样的。在例如设第一中间层和第二中间层之间的权重为W2的情况下，在第二中间层的神经元进行使用第一中间层的输出和权重W2的乘积累加运算，并将偏差相加，进行应用激活函数的运算。
在输出层的神经元中，进行对前一层的输出进行加权加法然后加上偏差的运算。在图10的例子中，输出层的前一个层是第二中间层。神经网络将输出层的运算结果作为该神经网络的输出。或者，也可以对输出层的运算结果输出进行了一些后处理的结果。
综上可知，为了根据输入获得所期望的输出，需要设定恰当的权重和偏差。此外，在下文中，权重也标记为加权系数。另外，也可以设为加权系数包括偏差。在学习中，准备好将给定的输入x与该输入下的正确的输出建立对应的数据组。正确的输出是示教数据t。可以认为神经网络的学习处理是指根据该数据组求出最准确的加权系数的处理。在神经网络的学习处理中公知有误差反向传播法(Backpropagation)。
图11是用于说明误差反向传播法的图。此外，在图11中，为了简化说明，分别对第一中间层、第二中间层和输出层示出了着眼于一个神经元的处理。另外，神经网络的学习处理并不限于误差反向传播法。
在误差反向传播法中，通过反复进行正向传播和反向传播，更新参数。这里的参数是上述的加权系数。首先，使用输入x和那一时间点的加权系数来对输出y进行运算。此外，对加权系数的初始值可以进行各种设定。在图11的例子中，执行下式(3)～(5)的运算，根据xk运算y。在下式(3)～(5)中的u表示第一中间层的输出，v表示第二中间层的输出。
【式3】
【式4】
【式5】
然后，基于求出的输出y和与输入x对应的示教数据t，求出损失函数E。损失函数E例如是下式(6)，但也可以是单纯的差值(y-t)，还可以是其他损失函数。将求出损失函数E之前的处理称为正向传播。
【式6】
在通过正向传播求出损失函数E之后，如下式(7)～(12)所示，使用损失函数E的偏微分来更新各参数。在下式(7)～(12)中，标注“+1”的附注的值表示更新处理后的值。例如，b+1表示更新处理后的b的值。另外，η表示学习率。学习率不是恒定的，期望根据学习的状况加以变更。
【式7】
【式8】
【式9】
【式10】
【式11】
【式12】
此时，从输出层朝向输入层，使用连锁率来计算与各参数相关的损失函数E的偏微分。具体地，通过依次计算下式(13)～(18)，可以容易求出上式(7)～(12)所示的偏微分。另外，在将上式(2)的ReLU函数用作激活函数f的情况下，微分值为0或1，因此容易进行偏微分的计算。将使用式(7)～(18)的一系列的处理称为反向传播。
【式13】
【式14】
【式15】
【式16】
【式17】
【式18】
例如，学习装置100对一种错误创建一个神经网络。更具体地说，学习装置100创建用于喷出不良的第一神经网络以及用于漏液的第二神经网络。当然错误也可以是三种以上，学习装置100创建具有与错误的种类数量相当的数量的神经网络。
在创建用于喷出不良的第一神经网络的情况下，作为输入的x是与喷出不良相对应的运转信息。如图8所示，消耗品的寿命信息例如是表示使用时间与耐用时间的比例的数值数据。具体而言，表示一个消耗品的寿命信息的数值是针对输入层的一个神经元的输入数据。墨水使用量信息例如是以千克为单位表示的墨水的消耗重量的数值数据。印刷量信息是以米为单位表示用于印刷的片材13的长度的数值数据。此外，也可以在进行标准化处理等前处理之后，将各数值数据输入到神经网络。在图8的例子中，输入层的神经元的数量例如为4。
另外，如上所述，运转信息也可以包括消耗品的使用历史信息或任务历史信息。消耗品的使用历史信息例如是将消耗品的使用开始定时与使用结束定时的组整理为k组(k为正整数)的2×k维的矢量。使用开始定时与使用结束定时例如是以错误发生时刻为基准的时间差等表示的数值数据。这样，可以将消耗品的使用历史信息作为数值数据来表示。在这种情况下，消耗品的使用历史信息成为针对输入层的2×k个神经元的输入数据。其中，消耗品的使用历史信息也可以是使用开始定时和连续使用时间的组，还可以是表示寿命信息的时序变化的多个数值数据。也就是说，可以对将储存于服务器系统410的消耗品的使用历史信息转换为神经网络的输入数据时的转换处理实施各种变形。
与将任务历史信息用作输入数据的情况相同，可以考虑对转换处理实施各种变形。此外，在使用任务历史信息的情况下，也可以将成为印刷任务中的印刷对象的图像数据作为输入数据。在使用图像数据的学习处理中，也可以使用例如广为人知的卷积神经网络(CNN：Convolutional neural network)。CNN具有卷积层和池化层。卷积层进行卷积运算。这里的卷积运算具体是指滤波处理。池化层进行缩小数据的纵横尺寸的处理。CNN在例如被输入图像数据的情况下，可以进行考虑了给定的像素与其周围像素之间的关系的处理。在CNN中，通过机器学习来学习卷积运算所使用的滤波特性。也就是说，神经网络中的加权系数包括CNN中的滤波特性。
另外，输出层的一个神经元例如对应一种应对。在创建用于喷出不良的第一神经网络的情况下，输出层的神经元数量是被假定为针对喷出不良的应对的应对数量。例如，在假定清洁、喷嘴擦拭扫除、喷嘴更换和管更换这四个作为针对喷出不良的应对的情况下，输出层的神经元数量是四个。
用作示教数据t的应对信息例如是通过对应的应对消除了错误时为1、否则为0的数值数据。例如，在通过清洁消除了喷出不良的情况下，对应于清洁的神经元中的示教数据t为1，与喷嘴擦拭扫除、喷嘴更换和管更换对应的三个神经元中的示教数据t为0。
另外，应对信息并不仅限于二进制的数据。例如，在报告信息为能输入能够消除错误的恰当的应对和无法消除错误的不恰当的应对的方式的情况下，各应对可以分类为“已执行且恰当”、“已执行但不恰当”和“未执行”这三类。这种情况下的应对信息也可以是对于“已执行且恰当”的应对为1、对于“已执行但不恰当”的应对为0、对于“未执行”的应对为0.5等中间值的数值数据。
作为学习结果的学习完毕模型受理运转信息作为输入并输出表示被推荐的应对的数据作为输出。在上述例子的情况下，与被推荐的应对相对应的神经元的输出成为接近1的值，与未推荐的应对相对应的神经元的输出成为接近0的值。
漏液用的第二神经网络也是同样的，根据将与漏液对应的运转信息作为输入x并将包括可以消除漏液的应对的应对信息作为示教数据t的学习处理，确定加权系数信息。
如上所述，学习部120通过机器学习来生成学习完毕模型。本实施方式的方法也可以适用于学习完毕模型。学习完毕模型是用于确定对电子设备中已发生的错误推荐的应对的学习完毕模型。学习完毕模型具有输入层、中间层和输出层，并且根据将错误信息、运转信息、应对信息建立对应的数据组，设定加权系数信息。加权系数信息包括输入层和中间层之间的第一加权系数、以及中间层和输出层之间的第二加权系数。在图10的例子中，第一加权系数为W1，第二加权系数为W3。而且，在中间层是两层以上的情况下，加权系数信息也可以包括给定的中间层和接下来的中间层之间的加权系数。例如，加权系数信息包括图10的例子中的权重W2。
学习完毕模型受理错误信息和运转信息作为输入。学习完毕模型使计算机发挥功能，以使将受理到的运转信息输入到输入层，进行基于设定的加权系数信息的运算，并从输出层输出表示对错误信息所示的错误推荐的应对的数据。这里的学习完毕模型例如是针对每种错误的种类设置的多个学习完毕模型的集合。或者，使用图18如后所述，也可以使计算机发挥功能，以使将受理到的错误信息和运转信息这两者输入到输入层，进行基于所设定的加权系数信息的运算，并输出对表示错误信息所示的错误推荐的应对的数据。
此外，在以上例子中，已经示出了对应每种错误的种类生成神经网络的例子。因此，在学习阶段，数据组所包括的错误信息被用于确定作为学习对象的神经网络，运转信息被用作作为输入的x。另外，在推论阶段，在作为输入获取到的错误信息和运转信息中，错误信息被用于确定推论处理所使用的学习完毕模型，运转信息被用于向学习完毕模型的输入。然而，本实施方式的处理并不仅限于此，错误信息也可以被输入到学习完毕模型的输入层。将在后面对变形例进行详细说明。
此外，在上面已经对学习完毕模型是使用神经网络的模型的例子进行了说明。然而，本实施方式中的机器学习并不仅限于使用神经网络的方法。例如，本实施方式的方法中也可以应用SVM(support vector machine，支持向量机)等众所周知的各种方式的机器学习、或使这些方式发展的方式的机器学习。
3.推论处理
3.1推论装置的构成例
图12是示出本实施方式的作为推论装置的信息处理装置200的构成例的图。信息处理装置200包括受理部210、处理部220和存储部230。
存储部230根据将错误信息、运转信息、应对信息建立对应的数据组，存储对错误信息所述的错误推荐的应对条件进行机器学习的学习完毕模型。错误信息、运转信息以及应对信息如上所述。受理部210受理从电子设备发送来的错误信息以及运转信息。处理部220根据学习完毕模型，进行提示对由所受理的错误信息表示的错误推荐的应对的处理。具体而言，处理部220使用学习完毕模型，对预先设定的多个应对的各个应对求出表示是否推荐该应对的数据。表示是否推荐应对的数据并不仅限于二进制数据，例如是表示推荐程度、推荐概率的数值数据。并且，处理部220根据学习完毕模型的输出，进行向用户提示所推荐的应对的处理。此外，提示并不仅限于在信息处理装置200中进行的提示。例如，信息处理装置200也可以对进行提示的装置进行提示用信息的发送处理。所谓提示用信息是指用于生成显示画面的信息。并且，提示并不仅限于显示，可以进行基于扬声器的声音输出等使用各种方式的提示。
这样，可以根据各种运转信息来恰当地判定应推荐的应对。即，即使在服务器系统410中储存有大量的报告信息的情况下，用户也无需从中选择恰当的信息，可以减轻用户进行应对决定的负担。利用该实施方式的方法，即使是知识、经验匮乏的用户也可以执行恰当的应对。
此外，学习完毕模型被用作人工智能软件的一部分即程序模块。处理部220按照来自存储在存储部230中的学习完毕模型的指令，输出表示对由作为输入的错误信息表示的错误推荐的应对的数据。
与学习装置100的学习部120同样地，信息处理装置200的处理部220由包括处理数字信号的电路和处理模拟信号的电路中的至少一个电路的硬件构成。并且，处理部220可以由下述的处理器实现。本实施方式的信息处理装置200包括存储信息的存储器和基于存储在存储器中的信息进行动作的处理器。作为处理器，可以使用CPU、GPU和DSP等各种处理器。存储器可以是半导体存储器，也可以是寄存器，也可以是磁存储装置，还可以是光学式存储装置。
此外，基于学习完毕模型的处理部220中的运算、即用于基于输入数据输出输出数据的运算可以通过软件执行，也可以通过硬件执行。换句话说，上式(1)等的乘积累加运算或CNN中的滤波运算也可以由软件执行。或者，也可以通过FPGA(field-programmable gatearray，现场可编程门阵列)等的电路装置来执行上述运算。此外，也可以通过软件和硬件的组合来执行上述运算。如上所述，可以通过各种方式来实现处理部220按照来自存储在存储部230中的学习完毕模型的指令而进行的动作。
图12所示的信息处理装置200包括在例如图3的服务器系统410中。换句话说，服务器系统410从打印系统300受理错误信息和运转信息，基于学习完毕模型执行提示对由该错误信息表示的错误推荐的应对的处理。换句话说，信息处理装置200的受理部210是通过网络从电子设备收集错误信息和运转信息的通信部。这里的网络例如是图3的网络NE2。并且，通信部具体为通信设备或通信接口。这样，在图3所示的信息收集系统400中，可以进行恰当信息收集以及基于收集到的信息的推论处理。
然而，信息处理装置200也可以被包括在服务器系统410之外的设备中。例如，信息处理装置200被包括在通过网络NE2与服务器系统410连接的设备中。该设备通过利用网络NE2获取由服务器系统410收集到的错误信息和运转信息来执行提示恰当应对的处理。此外，信息处理装置200可以是一个装置，也可以包括多个装置。
3.2推论处理的具体例
图13是示出本实施方式的推论处理中的输入与输出之间的关系的图，其是示出在输出对喷出不良推荐的应对时的输入输出的示意图。此外，在图13中，对进行神经网络运算的例子进行说明。推论处理中的输入包括运转信息。例如如图13所示，运转信息是印刷头的寿命信息、泵的寿命信息、墨水使用量信息、印刷量信息等。此外，推论处理中的输入也可以包括事件信息等其他的运转信息。具体而言，与在学习处理中与被用作输入数据的信息相对应的信息成为推论处理中的输入。
处理部220基于这些输入，执行神经网络运算。然后，处理部220输出表示推荐的应对的信息作为输出。例如，神经网络具有4个输出，各输出都是r以上且s以下的范围的数值数据。各输出是作为用于消除喷出不良的应对的推荐程度越高其值越大的数据。例如，r＝0，s＝1，但是具体的数值并不仅限于此。在图13的例子中，对喷嘴更换、喷嘴擦拭扫除、清洁、管更换的各种应对，输出表示推荐程度的数值数据。
图14是示出在本实施方式的推论处理中的输入与输出的关系的图，其是示出输出对漏液推荐的应对时的输入输出的示意图。推论处理中的输入包括运转信息。例如如图14所示，运转信息是泵的寿命信息、管的寿命信息、墨水使用信息、打印量信息等。
处理部220基于这些输入，执行神经网络运算。例如，神经网络具有4个输出，各输出都是r以上且s以下的范围的数值数据。各输出是作为用于消除漏液的应对的推荐程度越高其值越大的数据。在图14的例子中，对管更换、拆解清扫、泵更换、管的布置再调整的各种应对，输出表示推荐程度的数值数据。
图15是用于说明处理部220中的处理的流程图。处理部220定期从印刷系统300收集错误信息和运转信息(S101)。处理部220基于在S101中获取到的信息，判定在打印机11中是否发生了错误(S102)。具体而言，处理部220判定在S101中获取到的信息中是否包括错误信息。在未发生错误的情况下(S102中为“否”)，结束处理而不执行S103及S103之后的处理。
在发生错误的情况下(S102中为“是”)，处理部220根据错误信息以及运转信息，进行神经网络运算(S103)。在上述例子中，处理部220根据错误信息来确定推论处理所使用的学习完毕模型，并对学习完毕模型输入运转信息，从而进行神经网络运算。
处理部220根据神经网络运算的结果判定推荐的应对，并存储该推荐的应对(S104)。例如，处理部220从假定的多个应对中提取三个推荐程度最高的应对，并将按照推荐程度的顺序排列的数据存储于存储部230。其中，基于神经网络运算的结果的处理并不仅限于此，可以实施各种变形。通过执行如图15所示的处理，可以在电子设备中发生了错误的情况下每次都判定推荐的应对。
信息处理装置200也可以将推荐的应对和错误信息一起推送通知给用户。例如，在发送错误通知邮件时，添加表示推荐的应对的信息。但是，也能想到会有因错误本身轻微而不需要用户应对的情况。因此，如果每次发生错误时都通知推荐的应对，则可能导致用户会感到麻烦。
因此，也可以在有来自用户的请求的情况下，信息处理装置200才发送表示推荐的应对的信息作为响应。以下，以信息处理装置200包括在服务器系统410中的情况为例进行说明。
图16是错误画面的另一示例。例如，在图5所示的错误画面中，在进行对左端所示的“+”标记的操作的情况下，如图16的B1和B2所示，服务器系统410显示关于所选择的错误的详细信息。详细信息包括由B1表示的子信息和由B2表示的表示推荐的应对的信息。换句话说，在用户执行了访问错误的详细信息的操作的情况下，进行提示表示推荐的应对的信息作为该详细信息的处理。这样，可以针对用户关心的错误信息提示推荐的应对。
此外，虽然在图15中示出了在获取到错误信息时肯定进行神经网络运算的例子，但并不仅限于此。例如，也可以在用户进行了访问错误的详细信息的操作的情况下，服务器系统410进行神经网络运算。
4.学习完毕模型的更新
在以上说明中，单独说明了学习处理和推论处理。例如，学习装置100通过根据预先储存的训练数据进行学习处理，而生成学习完毕模型。在推论阶段，信息处理装置200通过连续使用所生成的学习完毕模型来进行推论处理。在这种情况下，生成过一次的学习完毕模式是固定的，不会假定更新。
但本实施方式的方法并不仅限于此，也可以在推论阶段适当地更新学习完毕模型。在包括如图3所示的信息收集系统400的系统处于运转中的情况下，服务器系统410通过收集来自印刷系统300和终端设备420的信息，而可以随时获取将错误信息、运转信息以及报告信息建立对应的数据组。因此，服务器系统410可以通过根据该数据组进行学习来更新学习完毕模型。这样，由于可以进行使用了更多数据组的学习，所以能提高可以推荐恰当应对的可能性。例如，服务器系统410将获取到来自终端装置420的报告信息为触发，执行学习完毕模型的更新处理。
图17是示出在推论阶段更新学习完毕模型时的信息处理装置200的构成例的图。信息处理装置200除了受理部210、处理部220和存储部230之外，还包括获取部110和学习部120。也就是说，图17中的信息处理装置200除了如图12所示的结构之外，还包括与如图7所示的学习装置100相同的结构，其是能执行学习处理和推论处理两者的装置。图17的信息处理装置200被包括在例如图3的服务器系统410中。通过使用图17的信息处理装置200，可以在同一装置中高效率地执行学习处理和推论处理。其中，在推论阶段更新学习完毕模型时，也可以在不同装置中执行学习处理和推论处理。
5.变形例
如使用图13和图14已经在上文中描述的那样，以上的本实施方式中对根据错误的种类生成不同的多个学习完毕模型的例子进行了说明。在这种情况下，各学习完毕模型由于专门针对确定的错误，所以容易限定在学习阶段和推论阶段中的输入数据。具体而言，将与作为处理对象的错误关联性高的运转信息用作输入数据。因此，输入数据的数量不易增大，可以减轻学习处理和推论处理的负担。
然而，本实施方式的处理并不仅限于此，学习装置100也可以生成能与多种错误对应的学习完毕模型。即使在作为输入的错误信息的种类不同的情况下，信息处理装置200也能根据一个学习完毕模型来确定推荐的应对。例如，信息处理装置200能对在电子设备内可能发生的全部错误信息，使用一个学习完毕模型来提示推荐的应对。
图18是表示本变形例的推论处理中的输入和输出之间的关系的图。如图18所示，将错误信息用作推论处理的输入数据。错误信息还用作学习处理中的输入数据。错误信息包括确定错误ID等错误种类的信息。另外，作为输入数据的运转信息包括如图13及图14所示的各运转信息。此外，具有与作为处理对象的错误关联的可能性的其他运转信息也包括在输入数据中。并且，如图18所示，输出是表示在对象的电子设备中可能执行的多个应对的各应对的推荐程度的信息。也就是说，作为输出对象的应对包括对喷出不良的应对、对漏液的应对、对其他错误的应对。
使学习完毕模型在多个错误信息中通用的如图18所示的方法中，存在学习完毕模型的数量少且不需要手动进行作为输入数据使用的运转信息的提取这样的优点。另一方面，在对应每个错误信息生成学习完毕模型的如图13、图14所示的方法中，存在着眼于一个学习完毕模型的情况下输入数据的数量少且处理负荷轻这样的优点。这样，可以考虑各种学习完毕模型的结构，特性根据结构而不同。在本实施方式中使用哪种结构是任意的。另外，也可以实施使用其他结构的变形。例如，学习装置100也可以将错误信息分类为例如墨水处理类、印刷介质输送类、干燥室类这样的几个类别，并对应每个类别生成学习完毕模型。由于在同一类别中包括的多个错误信息在某一程度上相关，因此认为关联性高的运转信息也会相似。因此，可以抑制学习完毕模型并抑制输入数据的数量。
如上所述，本实施方式的信息处理装置包括存储部、受理部和处理部。存储部根据将错误信息、运转信息以及应对信息建立对应的数据组来存储机器学习了对错误推荐的应对的条件的学习完毕模型。错误信息是表示在电子设备中发生的错误的信息。运转信息是表示电子设备的运转状态的信息。应对信息是表示对错误已实施的应对的信息。受理部受理从电子设备发送的错误信息和运转信息。处理部基于学习完毕模型，执行提示对由受理到的错误信息表示的错误推荐的应对的处理。
根据本实施方法的方法，使用通过基于将错误信息、运转信息以及应对信息建立对应的数据组的机器学习而生成的学习完毕模型来提示对错误推荐的应对。由于使用基于应对信息生成的学习完毕模型，所以可以进行基于过去进行过的应对的恰当与否的判定。另外，由于使用运转信息，所以可以进行不仅考虑错误的种类等的信息还考虑电子设备的运转状态的判定。这样，通过使用基于恰当的训练数据的机器学习的结果，可以高精度地判定能恰当地消除错误的应对。
另外，错误是与消耗品相关的错误，应对也可以包括消耗品的更换、以及消耗品的维护。
这样，在发生了与电子设备所包括的消耗品相关的错误的情况下，可以恰当地判定是更换该消耗品还是通过维护进行应对。
另外，运转信息可以包括消耗品的寿命信息。
这样，可以基于消耗品的使用状况来判定推荐的应对。
另外，运转信息可以包括消耗品的使用历史信息或使用消耗品的任务历史信息。
这样，可以根据消耗品的时序使用状况来判定推荐的应对。
另外，消耗品也可以是印刷头，错误也可以是印刷头的喷出不良。
这样，可以提示用于消除喷出不良的恰当的应对。
此外，消耗品也可以是作为印刷所使用的墨水的供给路径的管、以及供给墨水所使用的泵，错误也可以是墨水的泄漏。
这样，可以提示用于消除墨水泄漏的恰当的应对。
另外，电子设备也可以包括通信部，该通信部通过网络从电子设备收集错误信息以及运转信息。
这样，在收集来自电子设备的信息的信息处理装置中，在收集到的信息中包括错误的情况下，可以提示恰当的应对。
并且，本实施方式的学习装置包括获取部和学习部。获取部获取表示在电子设备中已发生的错误的错误信息、表示电子设备的运转状态的运转信息以及表示对错误已实施的应对的应对信息。学习部基于将错误信息、运转信息和应对信息建立对应的数据组，机器学习对错误信息所示的错误推荐的应对的条件。
根据本实施方式的方法，由于将应对信息用于机器学习，所以可以获取基于过去进行过的应对的恰当与否的学习结果。另外，由于将运转信息用于机器学习，所以可以获得不仅考虑错误的种类等的信息还考虑电子设备的运转状态的学习结果。
并且，本实施方式的学习完毕模型是用于判定对在电子设备中已发生的错误推荐的应对的学习完毕模型，其具有输入层、中间层和输出层。学习完毕模型根据将表示错误的错误信息、表示电子设备的运转状态的运转信息和表示对错误已实施的应对的应对信息建立对应的数据组来设定加权系数信息，该加权系数信息包括输入层和中间层之间的第一加权系数以及中间层和输出层之间的第二加权系数。学习完毕模型使计算机发挥功能，以使将受理错误信息和运转信息作为输入，并至少将运转信息输入到输入层，进行基于设定的加权系数信息的运算，从输出层输出表示对由作为输入受理到的错误信息表示的错误推荐的应对的数据。
这样，通过学习处理来学习加权系数信息，从而生成能判定对错误推荐的应对的学习完毕模型。更具体地说，可以生成使用了神经网络的学习完毕模型。
此外，已经如上所述对本实施方式进行了详细的说明，但是本领域技术人员能够容易理解在实质上不脱离本实施方式的新事项和效果的范围内可以进行多种变形。因此，这些变形例全部包含在本发明的范围内。例如，在说明书或附图中，至少一次与更广义或同义的不同用语一起记载的用语在说明书或附图的任何地方都能用不同的用语替换。另外，本实施方式和变形例的所有组合也包括在本发明的范围内。并且，学习装置、信息处理装置及包括这些装置的系统的结构以及动作等也并不限定于在本实施方式中说明的内容，可以实施各种变形。

Claims (5)

1.一种信息处理装置，其特征在于，包括：
存储部，存储学习完毕模型，所述学习完毕模型是根据将表示在电子设备中已发生的错误的错误信息、表示所述电子设备的运转状态的运转信息以及表示针对所述错误已实施的应对的应对信息建立对应的数据组来机器学习针对所述错误推荐的所述应对的条件的模型；
受理部，受理从所述电子设备发送的所述错误信息以及所述运转信息；以及
处理部，根据所述学习完毕模型，提示针对通过受理到的所述错误信息表示的所述错误推荐的所述应对，
所述错误是与消耗品有关的错误，
所述应对包括所述消耗品的更换以及所述消耗品的维护，
所述运转信息包括所述消耗品的寿命信息，所述消耗品的寿命信息包括所述消耗品的使用历史信息或使用了所述消耗品的任务历史信息，
所述使用历史信息为将所述消耗品的使用开始定时与使用结束定时的组整理为k组的2×k维的矢量，其中k为正整数，所述任务历史信息为将表示已执行的印刷任务的信息和表示执行的日期时间的信息建立对应的时序的数据，
所述电子设备为打印机且所述消耗品包括印刷头时，所述印刷头的所述错误包括所述印刷头的喷出不良，所述印刷头的所述运转信息包括所述印刷头的所述使用历史信息或使用了所述印刷头的所述任务历史信息，
所述打印机包括检测板以及检测是否对所述检测板喷出了墨水的传感器，基于所述传感器的输出，输出表示所述印刷头的喷出不良的所述错误信息。
2.根据权利要求1所述的信息处理装置，其特征在于，
所述消耗品是作为用于印刷的墨水的供给路径的管以及用于供给所述墨水的泵，
所述错误是所述墨水的泄漏。
3.根据权利要求1所述的信息处理装置，其特征在于，
所述信息处理装置包括通信部，所述通信部通过网络从所述电子设备收集所述错误信息及所述运转信息。
4.一种学习装置，其特征在于，包括：
存储部，获取表示在电子设备中已发生的错误的错误信息、表示所述电子设备的运转状态的运转信息以及表示针对所述错误已实施的应对的应对信息；以及
学习部，根据将所述错误信息、所述运转信息以及所述应对信息建立对应的数据组，机器学习针对由所述错误信息表示的所述错误推荐的应对的条件，
所述错误是与消耗品有关的错误，
所述应对包括所述消耗品的更换以及所述消耗品的维护，
所述运转信息包括所述消耗品的寿命信息，所述消耗品的寿命信息包括所述消耗品的使用历史信息或使用了所述消耗品的任务历史信息，
所述使用历史信息为将所述消耗品的使用开始定时与使用结束定时的组整理为k组的2×k维的矢量，其中k为正整数，所述任务历史信息为将表示已执行的印刷任务的信息和表示执行的日期时间的信息建立对应的时序的数据，
所述电子设备为打印机且所述消耗品包括印刷头时，所述印刷头的所述错误包括所述印刷头的喷出不良，所述印刷头的所述运转信息包括所述印刷头的所述使用历史信息或使用了所述印刷头的所述任务历史信息，
所述打印机包括检测板以及检测是否对所述检测板喷出了墨水的传感器，基于所述传感器的输出，输出表示所述印刷头的喷出不良的所述错误信息。
5.一种非暂时性的记录介质，其特征在于，
存储用于判定针对在电子设备中已发生的错误推荐的应对的学习完毕模型，
所述学习完毕模型具有输入层、中间层以及输出层，
所述学习完毕模型根据将表示所述错误的错误信息、表示所述电子设备的运转状态的运转信息以及表示针对所述错误已实施的所述应对的应对信息建立对应的数据组，设定加权系数信息，所述加权系数信息包括所述输入层和所述中间层之间的第一加权系数以及所述中间层和所述输出层之间的第二加权系数，
所述学习完毕模型使计算机发挥作用，使得受理所述错误信息和所述运转信息作为输入，并至少将所述运转信息输入到所述输入层，进行基于设定的所述加权系数信息的运算，从所述输出层输出表示针对由作为输入所受理的所述错误信息表示的所述错误推荐的应对的数据，
所述错误是与消耗品有关的错误，
所述应对包括所述消耗品的更换以及所述消耗品的维护，
所述运转信息包括所述消耗品的寿命信息，所述消耗品的寿命信息包括所述消耗品的使用历史信息或使用了所述消耗品的任务历史信息，
所述使用历史信息为将所述消耗品的使用开始定时与使用结束定时的组整理为k组的2×k维的矢量，其中k为正整数，所述任务历史信息为将表示已执行的印刷任务的信息和表示执行的日期时间的信息建立对应的时序的数据，
所述电子设备为打印机且所述消耗品包括印刷头时，所述印刷头的所述错误包括所述印刷头的喷出不良，所述印刷头的所述运转信息包括所述印刷头的所述使用历史信息或使用了所述印刷头的所述任务历史信息，
所述打印机包括检测板以及检测是否对所述检测板喷出了墨水的传感器，基于所述传感器的输出，输出表示所述印刷头的喷出不良的所述错误信息。
CN202010088896.9A 2019-02-13 2020-02-12 信息处理装置、学习装置以及非暂时性的存储介质 Active CN111562890B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-023427 2019-02-13
JP2019023427A JP2020135007A (ja) 2019-02-13 2019-02-13 情報処理装置、学習装置及び学習済モデル

Publications (2)

Publication Number Publication Date
CN111562890A CN111562890A (zh) 2020-08-21
CN111562890B true CN111562890B (zh) 2023-10-13

Family

ID=71945209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010088896.9A Active CN111562890B (zh) 2019-02-13 2020-02-12 信息处理装置、学习装置以及非暂时性的存储介质

Country Status (3)

Country Link
US (1) US20200257586A1 (zh)
JP (1) JP2020135007A (zh)
CN (1) CN111562890B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11431858B2 (en) * 2020-07-09 2022-08-30 Canon Solutions America, Inc. Devices, systems, and methods for forecasting device failures
JP2022049205A (ja) * 2020-09-16 2022-03-29 セイコーエプソン株式会社 情報処理システム、学習装置及び情報処理方法
JP2022049896A (ja) * 2020-09-17 2022-03-30 セイコーエプソン株式会社 情報処理システム、情報処理方法及び学習装置
JPWO2022064731A1 (zh) * 2020-09-28 2022-03-31
JP2022073091A (ja) * 2020-10-30 2022-05-17 セイコーエプソン株式会社 情報処理装置、情報処理方法及びそのプログラム
JP7444036B2 (ja) * 2020-12-01 2024-03-06 株式会社島津製作所 モニタリングシステム
US11467786B2 (en) * 2021-02-02 2022-10-11 Kyocera Document Solutions Inc. Using artificial intelligence to respond to printer error
JP2023104099A (ja) * 2022-01-17 2023-07-28 東芝テック株式会社 プリンタおよび部品交換勧奨プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008211662A (ja) * 2007-02-27 2008-09-11 Seiko Epson Corp 画像形成装置エラー対処情報提供装置及び方法
CN106990760A (zh) * 2016-01-21 2017-07-28 发那科株式会社 单元控制装置、以及生产系统
CN107633101A (zh) * 2017-10-27 2018-01-26 安徽硕威智能科技有限公司 一种学习信息纠错处理方法和信息处理系统
CN109144025A (zh) * 2017-06-27 2019-01-04 发那科株式会社 故障预测装置以及机器学习装置
CN109263271A (zh) * 2018-08-15 2019-01-25 同济大学 一种基于大数据的印刷设备检测分析方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004037941A (ja) * 2002-07-04 2004-02-05 Ricoh Co Ltd 画像形成装置管理システム
JP4234978B2 (ja) * 2002-10-30 2009-03-04 株式会社サトー プリンタ
JP2004171400A (ja) * 2002-11-21 2004-06-17 Canon Inc メンテナンス管理を行う情報処理装置
JP4089716B2 (ja) * 2005-08-25 2008-05-28 コニカミノルタビジネステクノロジーズ株式会社 エラー通知方法、エラー通知プログラム、エラー通知装置、およびエラー通知システム
JP4974837B2 (ja) * 2007-10-12 2012-07-11 キヤノン株式会社 管理装置、画像形成装置、部品管理方法、記憶媒体及びプログラム
JP5141762B2 (ja) * 2008-03-31 2013-02-13 富士通株式会社 トラブル対処システム、方法およびそのためのプログラム
CN103129148B (zh) * 2011-11-25 2016-01-06 精工爱普生株式会社 液体排出检查装置及液体排出检查方法
US9467583B2 (en) * 2014-04-24 2016-10-11 Xerox Corporation System and method for semi-automatic generation of operating procedures from recorded troubleshooting sessions
US10587721B2 (en) * 2015-08-28 2020-03-10 Qualcomm Incorporated Small cell edge computing platform
JP6675297B2 (ja) * 2016-12-09 2020-04-01 Dmg森精機株式会社 情報処理方法、情報処理システム、および情報処理装置
JP2018147420A (ja) * 2017-03-09 2018-09-20 セイコーエプソン株式会社 情報処理装置、及び、情報処理装置の制御方法
JPWO2018215864A1 (ja) * 2017-05-22 2020-04-09 株式会社半導体エネルギー研究所 充電制御システム、及び充電制御装置
US10423865B1 (en) * 2018-03-06 2019-09-24 Kabushiki Kaisha Toshiba System and method of prediction of paper jams on multifunction peripherals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008211662A (ja) * 2007-02-27 2008-09-11 Seiko Epson Corp 画像形成装置エラー対処情報提供装置及び方法
CN106990760A (zh) * 2016-01-21 2017-07-28 发那科株式会社 单元控制装置、以及生产系统
CN109144025A (zh) * 2017-06-27 2019-01-04 发那科株式会社 故障预测装置以及机器学习装置
CN107633101A (zh) * 2017-10-27 2018-01-26 安徽硕威智能科技有限公司 一种学习信息纠错处理方法和信息处理系统
CN109263271A (zh) * 2018-08-15 2019-01-25 同济大学 一种基于大数据的印刷设备检测分析方法

Also Published As

Publication number Publication date
US20200257586A1 (en) 2020-08-13
CN111562890A (zh) 2020-08-21
JP2020135007A (ja) 2020-08-31

Similar Documents

Publication Publication Date Title
CN111562890B (zh) 信息处理装置、学习装置以及非暂时性的存储介质
JP6992774B2 (ja) 情報処理装置、学習装置及び学習済モデル
CN111942022B (zh) 信息处理装置、印刷装置、学习装置以及信息处理方法
JP6915638B2 (ja) 故障時期推測装置、機械学習装置、故障時期推測方法
JP2018051846A (ja) 画像検査装置及び方法、プログラム並びにインクジェット印刷システム
JP7081565B2 (ja) 情報処理装置、印刷装置、学習装置及び情報処理方法
JP7003981B2 (ja) 情報処理装置、学習装置及び情報処理方法
JP2008256981A (ja) 故障診断システム
US20210232877A1 (en) Device management system, server, and method of controlling device management system
JP2017159527A (ja) 画像処理装置及び画像処理方法
US8725008B2 (en) Using images to diagnose defects in an image forming apparatus
JP7059978B2 (ja) 情報処理装置、学習装置及び学習済モデル
US11715035B2 (en) Information processing apparatus, machine learning apparatus, and information processing method
JP7149133B2 (ja) インクジェットプリンタ、およびそのシステム
CN114654884A (zh) 印刷条件设定方法、印刷条件设定系统
JP6992780B2 (ja) 情報処理装置、学習装置及び学習済モデル
JP2020189425A (ja) 印刷装置および印刷品質判定方法
JP2010058464A (ja) 液体吐出装置およびプログラム並びに液体吐出装置の制御方法
CN114193929B (zh) 信息处理系统、信息处理方法以及学习装置
JP7484151B2 (ja) 異常診断システムおよび異常診断装置
US11040539B2 (en) Printing system, server, and control method of printing system
JP2024005742A (ja) 記録装置
JP2023141890A (ja) インクを用いた印刷装置およびその保守方法
JP2022169144A (ja) 液体吐出装置
JP2022078632A (ja) 液体吐出装置および交換時期推測方法

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
GR01 Patent grant
GR01 Patent grant