CN111565256B - 信息处理装置、学习装置以及非暂时性记录介质 - Google Patents
信息处理装置、学习装置以及非暂时性记录介质 Download PDFInfo
- Publication number
- CN111565256B CN111565256B CN202010088556.6A CN202010088556A CN111565256B CN 111565256 B CN111565256 B CN 111565256B CN 202010088556 A CN202010088556 A CN 202010088556A CN 111565256 B CN111565256 B CN 111565256B
- Authority
- CN
- China
- Prior art keywords
- information
- error
- notification
- user
- behavior
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/23—Reproducing arrangements
- H04N1/2307—Circuits or arrangements for the control thereof, e.g. using a programmed control device, according to a measured quantity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
- H04N1/00071—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for characterised by the action taken
- H04N1/00074—Indicating or reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- 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
-
- 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
- G06F3/1278—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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00127—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture
- H04N1/00204—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture with a digital computer or a digital computer system, e.g. an internet server
- H04N1/00209—Transmitting or receiving image data, e.g. facsimile data, via a computer, e.g. using e-mail, a computer network, the internet, I-fax
- H04N1/00222—Transmitting or receiving image data, e.g. facsimile data, via a computer, e.g. using e-mail, a computer network, the internet, I-fax details of image data generation or reproduction, e.g. scan-to-email or network printing
- H04N1/00233—Transmitting or receiving image data, e.g. facsimile data, via a computer, e.g. using e-mail, a computer network, the internet, I-fax details of image data generation or reproduction, e.g. scan-to-email or network printing details of image data reproduction, e.g. network printing or remote image display
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00127—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture
- H04N1/00204—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture with a digital computer or a digital computer system, e.g. an internet server
- H04N1/00244—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture with a digital computer or a digital computer system, e.g. an internet server with a server, e.g. an internet server
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/23—Reproducing arrangements
- H04N1/2307—Circuits or arrangements for the control thereof, e.g. using a programmed control device, according to a measured quantity
- H04N1/2392—Circuits or arrangements for the control thereof, e.g. using a programmed control device, according to a measured quantity for displaying or indicating, e.g. a condition or state
-
- 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
- G06F3/1203—Improving or facilitating administration, e.g. print management
-
- 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
- G06F3/1282—High volume printer device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
- Facsimiles In General (AREA)
Abstract
一种信息处理装置、学习装置以及非暂时性记录介质,用于基于适当的条件来通知在电子设备中所发生的错误。信息处理装置(200)包含:存储部(230),存储已学习模型;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),基于已学习模型来判定是否通知用户错误信息。已学习模型是基于将错误信息、运转信息、以及表示针对错误信息的通知的用户行为的行为信息建立关联而得的数据集而对通知用户错误信息的条件进行机器学习后的已学习模型。
Description
技术领域
本发明涉及信息处理装置、学习装置以及存储已学习模型的非暂时性记录介质。
背景技术
以往,已知在电子设备中在发生了错误等异常的情况下向用户进行与该错误相关的通知的方法。例如,专利文献1公开了如下方法:监视打印机的状态,在打印机中发生了错误等事态时进行通知。
专利文献1:日本专利特开2004-362309号公报
在专利文献1的方法中,用户能够设定通知的条件以及定时。只是,即使是用户任意地设定的内容,根据通知内容,有时也包含重要性较低的信息。由于在重要性较低的信息被频繁地通知的情况下用户会变得轻视通知,因此存在漏看重要通知的风险。
发明内容
一种信息处理装置,其特征在于,包含:存储部,存储已学习模型,所述已学习模型是基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户所述错误信息的条件进行机器学习后的模型,其中,所述错误信息表示在电子设备中所发生的错误,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为;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,基于所述已学习模型来判定是否向所述用户通知所述错误信息。
一种学习装置,其特征在于,包含:获取部,获取错误信息、运转信息以及行为信息,其中,所述错误信息表示在电子设备中所发生的错误,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为;以及学习部,基于将所述错误信息、所述运转信息和所述行为信息建立关联而得的数据集而对通知用户所述错误信息的条件进行机器学习。
一种非暂时性记录介质,存储已学习模型,所述已学习模型用于判定是否通知用户表示在电子设备中所发生的错误的错误信息,其特征在于,所述已学习模型具有输入层、中间层和输出层,所述已学习模型基于将所述错误信息、运转信息和行为信息建立关联而得的数据集来设定加权系数信息,其中,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为,所述加权系数信息包含所述输入层与所述中间层之间的第一加权系数、以及所述中间层与所述输出层之间的第二加权系数,所述已学习模型使计算机发挥以下功能:受理所述错误信息以及所述运转信息作为输入,至少将所述运转信息向所述输入层输入,并进行基于所设定的所述加权系数信息的运算,从而从所述输出层输出表示是否通知用户所述错误信息的数据。
附图说明
图1是印刷系统的构成例。
图2是记录头和油墨供给装置的构成例。
图3是包含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是输入行为信息的画面的例子。
图9是神经网络的构成例。
图10是说明反向传播法的图。
图11是进行推理处理的信息处理装置的例子。
图12是对推理处理中的输入数据和输出数据的例子进行说明的图。
图13是说明推理处理的流程图。
图14是进行推理处理的信息处理装置的其他例子。
图15是说明进行追加学习的处理的流程图。
附图标记说明:
11…打印机;12…主体壳体;13…片材;14…送出部;15…印刷室;16…干燥装置;17…收卷部;18…基座;19…支承构件;20…卷轴;21…第一辊;22…第二辊;23…第三辊;24…第四辊;25…收卷轴;26…导轨;27…滑架;28…支承板;29、29A、29B…记录头;30…吸引装置;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…油墨供给装置;65…泵马达;66…加压泵;67…辅助罐;70A、70B…油墨供给路径;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…马达;320…主机装置;321…主体;322…打印机驱动;323…马达;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…油墨盒;NE2…网络;X…主扫描方向;Y…副扫描方向。
具体实施方式
以下,对本实施方式进行说明。另外,以下说明的本实施方式并非不合理地限定权利要求书所记载的内容。此外,在本实施方式中说明的所有结构未必都是必须构成要素。
1.概要
如上述那样,已知通知用户在电子设备中所发生的错误的方法。电子设备例如是打印机。或者,电子设备也可以是扫描仪、传真装置或复印件。电子设备也可以是具有多个功能的多功能一体机(MFP:MultifunctionPeripheral),具有印刷功能的复合机也是打印机的一例。此外,电子设备也可以是投影仪、头部装配型显示装置、可穿戴设备、脉搏器、活动量计等生物体信息测量设备、机器人、照相机等影像设备、智能手机等便携信息终端、或物理量计量设备等。
以下,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来说明包含打印机的印刷系统300的具体的构成例。这之后,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所示,印刷系统300包含图像生成装置310、主机装置320和打印机11。打印机11例如是横向方式的喷墨式打印机。
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的基础之上,通过操作输入装置313而在监视器314上创建图像。进一步地,用户通过操作输入装置313来指示所创建的图像的印刷。基于该指示,图像生成装置310将所创建的图像的图像数据经由预定的通信接口向主机装置320发送。
主机装置320例如是PC,具备通过其主体321内的CPU执行打印机驱动用软件而构建的打印机驱动322。打印机驱动322以从图像生成装置310接收到的图像数据为依据而生成印刷数据,并向设置于打印机11的控制装置C发送。控制装置C基于从打印机驱动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。另外,在监视器323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。另外,在以下的说明书中的说明中,称为“左右方向”、“上下方向”的情况,在图1等附图中以由箭头所示的方向为基准而示出。此外,在图1中,将近前侧作为前侧,将内侧作为后侧。
如图1所示,打印机11具备长方体状的主体壳体12。在主体壳体12内设置有:送出部14,送出长条状的片材13;印刷室15,通过喷射油墨而对该片材13实施印刷;干燥装置16,对通过该印刷而附着有油墨的片材13实施干燥处理;以及收卷部17,收卷被实施干燥处理后的片材13。
在主体壳体12内的稍微偏上的位置设置有将主体壳体12内划分为上下的平板状的基座18,比该基座18靠上侧的区域成为将矩形板状的支承构件19支承于基座18上而成的印刷室15。而且,在比基座18靠下侧的区域,在片材13的输送方向上在作为上游侧的偏左侧的位置配设送出部14,并且在作为下游侧的偏右侧的位置配设有干燥装置16以及收卷部17。
如图1所示,在送出部14旋转自如地设置有在前后方向上延伸的卷轴20,使片材13在预先卷绕成卷筒状的状态下被支承为能够相对于该卷轴20一体旋转。卷轴20旋转,从而使片材13从送出部14送出。此外,从送出部14送出出的片材13卷绕于位于卷轴20的右侧的第一辊21,并被向上方引导。
另一方面,在支承构件19的左侧且与下侧的第一辊21在上下方向上对应的位置,第二辊22在与下侧的第一辊21平行的状态下被设置于。而且,使通过第一辊21而输送方向被转换为铅垂向上方向的片材13从左侧下方卷绕于该第二辊22,从而其输送方向被转换为水平向右方向而与支承构件19的上表面滑动接触。
此外,使与左侧的第二辊22隔着支承构件19而对置的第三辊23在与第二辊22平行的状态下设置于支承构件19的右侧。另外,以使各个周面的顶部与支承构件19的上表面成为同一高度的方式,对第二辊22以及第三辊23进行位置调整。
在印刷室15内通过左侧的第二辊22而输送方向被转换为水平向右方向的片材13,在与支承构件19的上表面滑动接触并被输送到作为下游侧的右侧之后,从右侧上方被卷绕于第三辊23,从而输送方向被转换为铅垂向下方向,并朝向比基座18靠下侧的干燥装置16输送。而且,通过干燥装置16内而被实行了干燥处理的片材13,进一步地在铅垂向下方向上被输送之后,卷绕于第四辊24而输送方向被转换为水平向右方向,配设于该第四辊24的右侧的收卷部17的收卷轴25旋转,从而被收卷成卷筒状。收卷轴25通过未图示的输送马达的驱动力而旋转。
如图1所示,在印刷室15设置在左右方向上延伸的导轨26。使导轨26在印刷室15内的支承构件19的前后两侧以成对的方式设置。导轨26的上表面比支承构件19的上表面高,矩形状的滑架27在基于第一以及第二滑架马达的驱动而能够进行沿两导轨26向图1所示的主扫描方向X的往复移动的状态下被支承于两导轨26的上表面。而且,在该滑架27的下表面侧经由支承板28支承有多个记录头29。
使从支承构件19的左端至右端的一定范围为印刷区域,以该印刷区域单位间歇性地输送片材13。而且,伴随着滑架27的往复移动,从记录头29对停止在支承构件19上的片材13喷射油墨,从而片材13被实行印刷。
另外,在印刷时,驱动设置于支承构件19的下侧的吸引装置30,通过由向支承构件19的上表面开口的多数个吸引孔所达成的负压产生的吸引力来使片材13吸附于支承构件19的上表面。而且,当对片材13的一次印刷结束时,解除吸引装置30的负压,进行片材13的输送。
此外,在印刷室15内,在作为比第三辊23靠右侧的非印刷区域设置用于在非印刷时进行记录头29的维护的维护装置32。在维护装置32中针对每个记录头29具备盖33和升降装置34。各盖33通过升降装置34的驱动而在与记录头29的喷嘴形成面35抵接的合盖位置和从喷嘴形成面35离开的退避位置之间移动。关于喷嘴形成面35,使用图2进行后述。
此外,如图1所示,在主体壳体12内能够拆装地装配有分别容纳有不同的颜色的油墨的多个油墨盒IC1~IC8。另外,油墨盒的数量并非限定于八个。各油墨盒IC1~IC8通过油墨供给路径而连接于记录头29,各记录头29喷射从各油墨盒IC1~IC8所供给的油墨。关于油墨供给路径,使用图2进行后述。在图1所示的打印机11中,能够进行使用了八种颜色油墨的彩色印刷。另外,在主体壳体12中,在与油墨盒IC1~IC8的配置位置对应的部位设置有开闭式罩38。打开罩38,进行油墨盒IC1~IC8的更换作业。
八个油墨盒IC1~IC8容纳例如黑色、青色、品红色、黄色等各油墨。另外,也能够采用装有容纳保湿液的保湿液盒的结构。能够适当地设定油墨的种类、色数,也能够采用只通过黑色油墨进行单色印刷的结构、将油墨设为两种颜色或者设为八种颜色以外且三种颜色以上的任意色数的结构。
各油墨盒IC1~IC8经由未图示的墨盒架而与控制装置C电连接,在组装于各油墨盒IC1~IC8的非易失性的存储元件写入对应的颜色的油墨余量信息。
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供给油墨的油墨供给装置39的示意图。如图2所示,在支承于滑架27的下表面侧的支承板28,使多个记录头29在与片材13的输送方向正交的宽度方向上以交错状的配置模式支承。也就是说,十五个记录头29被配置为沿副扫描方向Y以一定间距两列排列的记录头29A、29B在副扫描方向Y上在相互错开半个间距的状态下。而且,在作为各记录头29的下表面的喷嘴形成面35,使喷嘴列37在主扫描方向X上隔开预定间隔而多列形成。喷嘴列37包含沿副扫描方向Y配置成一列的多个喷嘴36。喷嘴列37例如是八列,但喷嘴列的数量并非限定于此。
如图2所示,打印机11包含用于向各记录头29供给各种颜色的油墨的油墨供给装置39。油墨供给装置39具备泵马达65、加压泵66、油墨盒IC1~IC8以及辅助罐67。
各油墨盒IC1~IC8在装配于墨盒架的状态下分别通过油墨供给路径70A而与辅助罐67连接,进一步地,辅助罐67通过油墨供给路径70B而连接于各记录头29。油墨供给路径70A、油墨供给路径70B例如是管。只是,在图2中,仅示出多个辅助罐67与一个记录头29的连接关系。实际上,与记录头29的个数为同样数量条的油墨供给路径27B从一个辅助罐67延伸,各油墨供给路径70B连接于各记录头29。
此外,油墨盒IC1~IC8在装配于墨盒架的状态下通过空气供给路径71而与加压泵66的喷出口连接。控制装置C驱动泵马达65而使加压泵66泵驱动,从而使从加压泵66喷出来的加压空气通过空气供给路径71向油墨盒IC1~IC8内供给。
在油墨盒IC内容纳有油墨袋,由通过空气供给路径71向油墨盒IC内供给的加压空气来加压油墨袋,从而从油墨盒IC向油墨供给路径70A加压供给油墨。从油墨盒IC所供给的油墨通过油墨供给路径70A而向辅助罐67供给,进一步地,从辅助罐67通过油墨供给路径70B而向各记录头29供给。
图3是示意性示出信息收集系统400的图。印刷系统300例如是构建于采购打印机11的企业的设施内的系统,具体而言是使用图1所上述的系统。另外,在图1中,例示出打印机11以及图像生成装置310为一个的印刷系统300。只是,印刷系统300也可以包含多个打印机11,在该多个打印机11中共享一台图像生成装置310。如图3所示,印刷系统300并非限定于一个,也可以使用多个印刷系统300。此外,包含信息收集系统400的系统并非限定于图3的结构,而能够是省略它们的一部分的构成要素或者追加其他构成要素等各种变形实施。
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中所发生的错误相关的信息。作为在打印机11中所发生的错误,可认为是头的喷出不良、漏液、马达错误、基板错误等各种错误。喷出不良也可以换言之为记录头29所包含的喷嘴36的堵塞。漏液具体而言是油墨泄漏。错误信息包含确定所发生的错误的种类的信息、和表示错误的发生日期与时刻的信息。打印机11例如包含探测板和检测是否向该探测板喷出了油墨的传感器。打印机11基于该传感器的输出而输出表示喷出不良的错误信息。此外,已知在记录头29使用压电元件喷出油墨的情况下,在使油墨正常地喷出了的情况下和未喷出的情况下,向该压电元件供给的电流的波形不同。因此,打印机11也可以基于该电流的波形输出表示喷出不良的错误信息。此外,打印机11包含漏液检测传感器,基于该漏液检测传感器的输出而输出表示漏液的错误信息。除此之外,还已知各种在打印机11中检测错误信息的方法,在本实施方式中能够广泛应用它们。
运转信息是表示打印机11的运转状态的信息。运转信息包含作为所执行的印刷任务的历史记录的任务历史记录信息、作为在打印机11中所发生的事件的历史记录的事件历史记录信息、油墨消耗量信息、印刷量信息、喷嘴信息、耗材的寿命信息等。
印刷任务是与打印机11中的一次印刷对应的数据。任务历史记录信息是将表示所执行的印刷任务的信息和表示被执行的日期与时刻的信息建立关联而得的时间序列数据。表示印刷任务的信息包含任务ID、确定作为印刷对象的图像数据的信息等。确定图像数据的信息可以是图像数据本身,可以是表示缩略图图像的数据,也可以是文件名等信息。
事件是喷嘴检查、清洁、冲洗等在打印机11中发生的事态。任务历史记录信息是将表示所发生的事件的信息和表示发生日期与时刻的信息建立关联而得的时间序列数据。
油墨消耗量信息是表示通过打印机11中的印刷而被消耗的油墨的量的信息。油墨消耗量例如通过从记录头29的喷嘴36喷出了油墨的次数与一次喷出所使用的油墨量的相乘而求出。此外,打印机11也可以包含油墨量检测用的传感器,并基于该传感器的输出来运算油墨消耗量。
印刷量信息是表示通过打印机11中的印刷而被消耗的印刷介质的量的信息。例如,如上述那样,在印刷介质是卷筒状的片材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。只是,印刷量信息可以是表示印刷所使用的印刷介质的面积的信息,也可以是表示印刷介质的张数的信息。
耗材的寿命信息是表示耗材的使用程度的信息。这里的耗材是打印机11所包含的部件,且是优选定期更换的维修和更换部件。耗材包含印刷头、流路过滤器、管、输送马达、滑架马达等各种部件。印刷头具体而言是记录头29。管具体而言是油墨供给路径70A、70B。此外,管也可以包含用于将油墨向废液罐排出的废液管。流路过滤器是用于将混入油墨供给路径的异物除去的过滤器。在各部件,在设计上,对能够发挥期望的性能的使用量设定有上限。这里的使用量可以是使用时间,也可以是使用次数。此外,如果是马达等可动的部件,则使用量也可以是移动量、旋转量。耗材的使用时间例如可以是打印机11启动的时间,也可以是执行印刷任务的时间。此外,考虑到耗材的特性,也可以针对每种耗材通过不同的方法来进行使用量的计数,求出使用量的具体的方法能够进行各种变形实施。耗材的寿命信息例如是表示实际的使用量相对于成为对象的耗材的上限使用量的比例的信息。
信息收集系统400包含服务器系统410和终端装置420。服务器系统410以及终端装置420连接于网络NE2,能够经由网络NE2进行双向通信。网络NE2是互联网等公共通信网。只是,服务器系统410与终端装置420也可以通过与作为公共通信网的网络NE2不同的、未图示的专用网络而连接。专用网络例如是公司内的内网(intranet)。
印刷系统300以及服务器系统410连接于网络NE2,能够经由网络NE2进行双向通信。服务器系统410经由网络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、以及收集到的错误信息以及运转信息的向服务器系统410的发送处理。只是,打印机11或者主机装置320也可以进行上述收集处理以及发送处理。
此外,终端装置420例如是负责打印机11的维修、修理的服务人员使用的终端。终端装置420可以是PC,也可以是平板终端等便携终端装置。服务人员在对自己负责的打印机11进行了修理、点检等应对的情况下,创建与该应对相关的报告信息。终端装置420将由服务人员所创建的报告信息向服务器系统410发送。
报告信息例如包含确定进行了应对的打印机11的信息、该打印机11所输出的错误信息、表示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的信息包含用于唯一确定打印机11的打印机ID、打印机11的机种信息、打印机11的固件的版本信息等。打印机ID例如是后述的序列号。错误信息是在应对前打印机所输出的错误信息。此外,报告信息除了错误信息之外还可以包含表示从使用打印机11的顾客报告的症状的信息。症状是印刷结果飞白、渗出、颜色与设定不同等、由顾客识别出的异常。表示应对的信息是耗材的更换、分解清扫等、表示服务人员所进行的行为的信息。应对结果是表示通过应对是否恢复到正常的状态的信息。
另外,终端装置420也可以是多个。例如,服务人员为多个,各服务人员负责不同的打印机11的维修。多个服务人员分别利用不同的终端装置420进行报告信息的创建、发送。此外,一个服务人员使用多个终端装置420也无妨。
如以上那样,服务器系统410通过收集错误信息、运转信息以及报告信息而蓄积与打印机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向印刷系统300以及终端装置420发送。这里的加工处理包含特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。另外,来自服务器系统400的信息的发送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进行,也可以根据推送通知而进行。
例如,服务器系统410生成时间序列的油墨使用量数据、所执行的任务的历史记录信息等、在顾客使用打印机11时有用的给顾客的信息,将该给顾客的信息向印刷系统300发送。发送的给顾客的信息例如在图像生成装置310的监视器314或主机装置320的监视器323中被显示。此外,接收给顾客的信息的装置并非限定于印刷系统300所包含的装置,也可以是由顾客使用的其他装置。
此外,服务器系统410生成错误的发生历史记录、表示耗材的寿命的信息、修理历史记录等、在服务人员进行打印机11的维修时有用的给服务人员的信息,将该给服务人员的信息向终端装置420发送。另外,给顾客的信息和给服务人员的信息也可以包含重复的信息。此外,接收给服务人员的信息的终端并非限定于终端装置420,也可以是由服务人员使用的其他装置。换言之,将报告信息向服务器系统410发送的终端和接收给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向终端装置420发送。使用图4~图6对在终端装置420中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,具体而言是主页画面的一例。例如,服务器系统410包含存储错误信息、运转信息以及报告信息的数据库服务器、和Web应用服务器。Web应用服务器基于来自终端装置420的请求而从数据库服务器获取需要的信息,并将包含错误信息、运转信息的HTML(HyperText Markup Language,超文本标记语言)文件作为响应而发送。图4以及后述的图5例如是使用在终端装置420中动作的Web浏览器而显示的画面。
如图4所示,在主页画面中显示的信息包含打印机11的产品名称、序列号、公司名、国别、地区、版本。产品名称表示打印机11的型号。序列号是唯一确定打印机11的ID。公司名是作为顾客的企业的名称。国别以及地区表示对象的打印机11运转的场所。版本表示打印机11的固件的版本。通过使用图4的画面,从而服务人员能够通过一栏性较高的方式来识别交货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所示的画面中,在进行了选择给定的打印机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的画面的转移。另外,在图4的画面中选择打印机11的操作例如是在图4的左端所示的复选框加入勾选的基础之上,按下未图示的选择按钮的操作。被选择的打印机11可以是一台,也可以是多台。
如图5所示,在错误画面中显示的信息包含序列号、公司名、国别、地区、历史记录日期与时刻、错误ID、错误种类。关于序列号、公司名、国别、地区,与图4是同样的。历史记录日期与时刻是表示发生了错误的年月日以及时间点的信息。错误ID是确定所发生的错误的ID。错误种类是说明所发生的错误的文本信息。通过使用图5的画面,从而服务人员能够掌握在自己负责维修的打印机11中在哪个定时(timing)发生了什么样的错误。
图6是表示向服务人员使用的终端装置420发送的错误通知邮件的一部分的图。如图6所示,错误通知邮件包含历史记录日期与时刻、序列号、错误ID。各信息的内容与图5是同样的。在以往方法中,服务器系统410将例如在每个预定期间包含图6所示的内容的错误通知邮件向终端装置420发送。错误通知邮件所包含的信息是与在该预定期间所发生的错误相关的信息。这里的预定期间例如是数小时~一天左右的期间。此外,这里,对使用错误通知邮件的例子进行了说明,但服务器系统410也可以使用其他推送通知方法将图6所示的信息向终端装置420发送。
在使用图5所示的画面的情况下,服务人员主动地获取错误信息。具体而言,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。在使用图6所示的错误通知邮件的情况下,服务人员被动地获取错误信息。不管使用任一种方法,服务器系统410通过将错误信息向终端装置420发送,从而都能够向服务人员督促应对。
特别是,在图1以及图2所示的工业用打印机中,在通过错误而发生了打印机11的动作停止的停机时间的情况下,停止产品的制造。由于停机时间的发生直接关系到生产力的降低,因此用于抑制停机时间的应对变得非常重要。换言之,通过将与停机时间的发生相关联的那样的严重性较高的错误尽可能快地向服务人员通知而向服务人员督促适当的应对是重要的。
但是,在以往方法中,使服务人员适当地获取错误信息是困难的。例如,如图5所示的例子那样,为了主动地获取错误信息,直到取出需要的信息会花费较多工夫。例如,在服务器系统410从多数个打印机11进行信息收集的情况下,需要服务人员进行适当地锁定自己负责的打印机11的操作。进一步地,由于错误包含重要性较高的错误和重要性较低的错误的双方,因此需要服务人员锁定要关注的错误。服务人员自己通过目视从图5的画面进行锁定是不容易的,并且在通过错误ID等进行过滤的情况下,也需要进行用于该过滤的操作。
另一方面,如图6所示的例子那样,如果是被动地获取信息的方法,则能够减少用于信息获取的工夫。例如,服务人员在未图示的显示画面中预先设定想获取的错误信息的类别。例如,服务人员设定在终端装置420中想获取的错误ID。而且,服务器系统410对终端装置420推送通知与设定内容相对应的错误信息。
只是,在这样的设定中,存在重要性较低的错误信息也被通知的可能性。例如,喷出不良这一错误包含通过自动的清洁、冲洗而消除的轻度的错误和需要更换头等重度的错误。在使用了错误ID的过滤中,无法对它们进行区分。在重要性较低的错误信息的通知频发的情况下,错误通知邮件不再被服务人员灵活运用,而存在漏读重要的信息的可能性。
因此,在本实施方式中,对是否通知错误信息的条件进行机器学习。这样一来,由于自动地学习通知条件,因此能够向作为服务人员的用户通知适当的错误信息。例如,使用各种运转信息作为输入数据,由于即使是相同种类的错误也能够判定重要性的高低,因此能够适当地通知重要的错误信息。
此外,在以上,示出了作为错误信息的通知对象的用户是负责电子设备的维修的服务人员的例子。但是,错误信息的通知对象也可以是顾客、即电子设备的用户。在以下,对通过向终端装置420发送错误信息而向作为服务人员的用户通知错误的发生的例子进行说明。只是,以下的说明中的用户能够适当地置换为作为顾客的用户。此外,错误信息的发送目的地也并非限定于终端装置420,而能够置换为顾客使用的印刷系统300、未图示的装置。
以下,对本实施方式的学习处理、推理处理分别进行说明。学习处理是通过进行基于训练数据的机器学习而获取学习结果的处理。学习结果具体而言是已学习模型。推理处理是使用通过学习处理所生成的已学习模型而输出基于输入的某些推理结果的处理。此外,对基于推理处理的结果来更新已学习模型的方法也进行说明。
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包含:获取部110,获取学习所使用的训练数据;以及学习部120,基于该训练数据进行机器学习。
图7所示的学习装置100例如包含于图3的服务器系统410。即,服务器系统410进行如下处理:从印刷系统300以及终端装置420获取训练数据的处理;以及基于该训练数据进行机器学习的处理。只是,学习装置100也可以包含于服务器系统410以外的设备。例如,学习装置100包含于经由网络NE2而与服务器系统410连接的设备。该设备经由网络NE2获取服务器系统410收集到的训练数据,并基于该训练数据进行机器学习。或者,学习装置100也可以经由其他设备从服务器系统410获取训练数据。或者,也可以在相对于图3所示的信息收集系统400另行设置的系统中进行训练数据的蓄积。
获取部110例如是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保持的训练数据。例如,学习装置100包含未图示的存储部,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有示教学习。有示教学习中的训练数据是将输入数据和正确答案标签建立关联而得的数据集。正确答案标签也可以换言之为示教数据。
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,生成已学习模型。另外,本实施方式的学习部120由下述的硬件构成。硬件能够包含处理数字信号的电路以及处理模拟信号的电路的至少一方。例如,硬件能够由组装于电路基板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例如是IC等。一个或多个电路元件例如是电阻、电容器等。
此外,学习部120也可以由下述的处理器来实现。本实施方式的学习装置100包含存储信息的存储器和基于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。处理器包含硬件。处理器能够使用CPU、GPU(Graphics Processing Unit,图形处理器)、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 Random AccessMemory,动态随机存取存储器)等半导体存储器,可以是寄存器,可以是硬盘装置等磁存储装置,也可以是光盘装置等光学式存储装置。例如,存储器储存能够通过计算机读取的命令,并通过处理器来执行该命令,从而使学习装置100的各部分的功能作为处理来实现。这里的命令可以是构成程序的命令集的命令,也可以是对处理器的硬件电路指示动作的命令。
更具体而言,获取部110获取表示在电子设备中所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、以及表示针对错误信息的通知的用户行为的行为信息。错误信息以及运转信息正如上述的那样。如后述那样,行为信息是能够确定是否需要通知的信息。学习部120基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户错误信息的条件进行机器学习。这样一来,关于用户判定为需要通知的盖然性较高的错误信息,获取进行通知的那样的学习结果。通过使用该学习结果,从而能够提取错误信息之中的适当的错误信息并通知用户。作为结果,在打印机11等电子设备中,即使在发生多数个多种多样的错误的情况下,也能够减少对信息进行取舍选择时的用户负担。关于具体的学习处理的流程,使用图9以及图10进行后述。
2.2学习处理所使用的数据集的例子
正如在以上所说明的那样,在本实施方式的学习处理中使用的训练数据是将错误信息、运转信息和行为信息建立关联而得的数据集。
错误信息是表示与在电子设备中使用的耗材相关的错误的信息。正如上述的那样,耗材是伴随着电子设备的使用而会劣化并成为由用户进行的维修、更换的对象的部件。打印机11中的耗材是印刷头、管、各种马达等。此外,在电子设备是投影仪的情况下,耗材包含光源。除此之外,根据电子设备的种类,成为耗材的部件会不同。通过将与耗材相关的错误信息设为处理对象,从而能够向用户督促与该耗材相关的适当的应对。
例如,电子设备是打印机11,耗材是印刷头。而且,错误是印刷头的喷出不良,换言之是印刷头具有的喷嘴36的堵塞。这样一来,在发生了印刷头的喷出不良的情况下,能够适当地判定是否通知与该喷出不良相关的错误信息。例如,图1以及图2所示的打印机11具有多个记录头29,各记录头29具有多数个喷嘴36。因此,可认为喷出不良这一错误的发生频率较高。与此相对,由于打印机11定期进行冲洗以及清洁,因此即使没有由用户进行的应对,也能够自动地消除轻度的喷出不良。另外,冲洗是指在印刷中从印刷头的各喷嘴36与印刷无关系地喷射油墨。清洁是指不驱动印刷头而通过设置于废油墨盒的泵等来吸引印刷头,对印刷头内进行清洁。由于喷出不良这一错误不需要通知用户的情况较多,因此如以往方法那样,即使进行基于错误ID的过滤,也存在必要性较低的通知会频发的可能性。因此,使用机器学习来学习通知条件的意义较大。
此外,行为信息是对通知的评价信息。这样一来,过去所进行的通知是否是优选的通知这一信息被作为行为信息获取。因此,能够进行反映出针对实际上所进行通知的用户评价的学习处理。通过使用该学习处理的结果,从而能够进行用户希望的通知。
图8是输入行为信息的画面的例子。图8表示例如从服务器系统410向终端装置420发送的错误通知邮件的一部分。只是,在也可以通过邮件以外的方法来进行通知的点上,正如上述的那样。在与作为不输入行为信息的情况下的例子的图6进行了比较的情况下,追加A1所示的信息。具体而言,与“该通知是否起作用了”这一文本信息一起,还显示“是”“否”两个按钮。两个按钮例如分别为链接。在选择了“是”的情况下,终端装置420将表示需要通知的意思的行为信息向服务器系统410发送。在选择了“否”的情况下,终端装置420将表示不需要通知的意思的行为信息向服务器系统410发送。
即,作为行为信息的评价信息是表示需不需要通知的信息。这样一来,由于能够直接地使用户输入实际上需不需要所进行的通知,因此能够进行更反映出用户的意向的学习处理。因此,通过使用学习结果,从而能够通知用户判断为需要的盖然性较高的错误信息。
或者,图8的A2所示的错误信息分别也可以包含链接。例如,如果是图8,则错误通知邮件包含A21~A24的四个链接。在图8中,示出了错误ID的部分为链接的例子,但行整体也可以为链接。
在进行了选择链接的操作的情况下,终端装置420启动Web浏览器,向服务器系统410请求图5所示的错误画面的获取。例如,终端装置420请求使所选择的错误显示于画面的易于视觉辨别的位置,例如最前面、画面中央的那样的错误画面。这样一来,用户能够基于链接的选择的操作来阅览比错误通知邮件更详细的错误信息。
本实施方式中的行为信息也可以是表示用于阅览错误画面的用户操作的信息。更具体而言,错误信息包含概要信息和与概要信息相比而信息量较多的详细信息。在以上的例子中,图8的错误通知邮件所包含的错误信息是概要信息,图5的错误画面所包含的信息是详细信息。而且,行为信息是表示基于包含错误信息的概要信息的通知而用户是否进行了访问详细信息的行为的信息。在上述的例子中,在进行了选择链接的操作的情况下,终端装置420向服务器系统410发送表示进行了访问详细信息的行为的意思的行为信息。或者,服务器系统410在与给定的错误信息相关的通知的发送后、在预定时间以内接收到与该错误信息相关的错误画面的显示请求的情况下,也可以生成、存储表示进行了访问详细信息的行为的意思的行为信息。
可认为,在被通知的错误信息对用户来说重要的情况下,用户为了对该错误信息进行研究而要求更详细的信息。即,根据进行了向详细信息的访问而能够判断为错误信息的通知是需要的。
如以上那样,获取将错误信息和行为信息建立关联而得的数据集,并将错误信息设为输入数据,将行为信息设为与该输入数据对应的示教数据,从而能够进行基于过去的通知历史记录的学习处理。只是,在只将错误信息设为输入数据的情况下,以充分的精度来判定相同种类的错误的重要性是不容易的。
因此,在本实施方式的学习处理中,将运转信息作为输入数据使用。运转信息例如包含耗材的寿命信息。关于寿命信息,正如上述的那样。例如,在印刷头超过寿命的情况下,具体而言,在超过耐用年数而使用的情况下,推定为该印刷头的劣化加快。因此,难以通过冲洗、清洁等消除错误,因此需要由用户进行的应对的盖然性较高。另一方面,如果印刷头是接近新品的状态,则即使用户不进行应对,喷出不良消除的盖然性也高。即,通过将反映打印机11的运转状态的运转信息使用于学习处理,从而能够考虑打印机11的状态而进行通知。
此外,运转信息包含耗材的使用历史记录信息或使用了耗材的任务历史记录信息。可认为,即使耗材的使用时间相同,例如在一天使用八小时而其余十六小时不使用的情况下和二十四小时连续使用的情况下,该耗材的劣化程度不同,即,在判断耗材的劣化时,期望不仅使用单纯的累计使用时间还使用如何进行了使用的历史记录。此外,任务历史记录信息是表示在哪个定时输入、执行了什么样的印刷任务的信息。由于如果任务的内容决定,则耗材的使用状况也决定,因此也能够从任务历史记录信息来推定如何使用了耗材的历史记录。这样,通过将与耗材相关的更详细的信息使用于学习处理,从而能够更精确地学习通知的条件。
此外,也可以将运转信息所包含的其他信息作为学习处理中的输入数据使用。例如,学习装置100能够将油墨消耗量信息、印刷量信息、事件信息等作为输入数据使用。
2.3学习的具体例
对基于数据集的学习处理详细地进行说明。这里,对使用了神经网络的机器学习进行说明。
图9是神经网络的基本的构造例。神经网络是在计算机上模拟脑功能的数学模型。将图9的一个圆称为节点或神经元。在图9的例子中,神经网络具有输入层、两个中间层和输出层。输入层是I,中间层是H1以及H2,输出层是O。此外,在图9的例子中,输入层的神经元数是三个,中间层的神经元数分别是四个,输出层的神经元是一个。只是,中间层的层数、各层所包含的神经元的数量能够进行各种变形实施。输入层所包含的神经元分别与作为第一中间层的H1的神经元结合。第一中间层所包含的神经元分别与作为第二中间层的H2的神经元结合,第二中间层所包含的神经元分别与输出层的神经元结合。另外,中间层也可以换言之为隐藏层。
输入层分别是对输入值进行输出的神经元。在图9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。另外,也可以对输入值进行某些前处理,输入层的各神经元输出前处理后的值。
在中间层以后的各神经元中,进行模仿在脑之中将信息作为电信号传递的样子的运算。在脑中,由于根据轴突的结合强度而信息的易传播性变化,因此在神经网络中通过权重W来表现该结合强度。
图9的W1是输入层与第一中间层之间的权重。W1表示输入层所包含的给定的神经元与第一中间层所包含的给定的神经元之间的权重的集合。在将输入层的第p个神经元数与第一中间层的第q个神经元之间的权重表现为W1 pq的情况下,图9的W1是包含W1 11~W1 34的十二个权重的信息。更广义而言,权重W1是由输入层的神经元数与第一中间层的神经元数的积相应的个数的权重组成的信息。
在第一中间层之中的第一个神经元中,进行下式(1)所示的运算。在一个神经元中,进行如下运算:将连接于该神经元的前一个层的各神经元的输出进行乘积累加,并进一步地加上偏置。下式(1)中的偏置是b1。
[数学式1]
此外,如上式(1)所示,在一个神经元中的运算中,使用作为非线性函数的激活函数f。激活函数f例如使用下式(2)所示的ReLU函数。ReLU函数是如下函数:如果变量在0以下则为0,如果比0大,则为变量本身的值。只是,已知激活函数f能够利用各种函数,可以使用sigmoid函数,也可以使用对ReLU函数进行了改良的函数。在上式(1)中,例示出关于h1的运算式,但即使是第一个中间层的其他神经元,只要进行同样的运算即可。
[数学式2]
此外,关于其以后的层,也是同样的。例如,在将第一中间层与第二中间层之间的权重设为W2的情况下,在第二中间层的神经元中,进行如下运算:进行使用了第一中间层的输出和权重W2的乘积累加运算,加上偏置,并应用激活函数。
在输出层的神经元中,进行如下运算:将其前一个层的输出加权相加,并加上偏置。如果是图9的例子,则输出层的前一个层是第二中间层。神经网络将输出层中的运算结果作为该神经网络的输出。或者,也可以输出对该输出层的运算结果进行了某些后处理的结果。
如从以上的说明可知的那样,为了从输入得到期望的输出,而需要设定适当的权重和偏置。另外,在以下,将权重也表述为加权系数。此外,加权系数也可以包含偏置。在学习中,准备将给定的输入x和该输入下的正确的输出建立关联而得的数据集。正确的输出是示教数据t。神经网络的学习处理能够认为是基于该数据集来求出最确切的加权系数的处理。在神经网络的学习处理中,周知反向传播法(Backpropagation)。
图10是说明反向传播法的图。另外,在图10中,图示出了为了简化说明,关于第一中间层、第二中间层、输出层的各个而着眼于一个神经元的处理。此外,神经网络的学习处理并非限定于使用反向传播法。
在反向传播法中,通过反复进行顺推法(forwardpass)与逆推法(backwardpass)而不断更新参数。这里的参数是上述的加权系数。首先,使用输入x和该时刻点的加权系数来运算输出y。另外,加权系数的初始值能够进行设定各种。在图10的例子中,进行下式(3)~(5)的运算,从xk运算y。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。
[数学式3]
[数学式4]
[数学式5]
而且,基于求出来的输出y和与输入x对应的示教数据t来求出损失函数E。损失函数E例如是下式(6),但可以是单纯的差值(y-t),也可以使用其他损失函数。将直到求出损失函数E为止的处理称为顺推法。
[数学式6]
在通过顺推法求出损失函数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,带有“+1”的下标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。此外,η表示学习率。学习率并非一定,而优选根据学习的状态进行变更。
[数学式7]
[数学式8]
[数学式9]
[数学式10]
[数学式11]
[数学式12]
此时,从输出层朝向输入层,使用连锁率(chain rate)来计算与各参数相关的损失函数E的偏微分。具体而言,能够通过依次计算下式(13)~(18)而容易地求出上式(7)~(12)所示的各偏微分。此外,在使用了上式(2)的ReLU函数作为激活函数f的情况下,由于微分值变为0或1,因此偏微分的运算是容易的。将使用了式(7)~(18)的一系列的处理称为逆推法。
[数学式13]
[数学式14]
[数学式15]
[数学式16]
[数学式17]
[数学式18]
在本实施方式的学习处理中,作为神经网络的输入的x是错误信息以及运转信息。错误信息例如将错误ID的值作为输入值使用。此外,在错误信息包含附加的信息的情况下,也可以将对该信息数值化后的信息作为输入值。即,错误信息可以为对输入层的一个神经元的输入数据,也可以为对多个神经元的输入数据。
此外,耗材的寿命信息例如是表示使用时间相对于耐用时间的比例的数值数据。具体而言,表示一个耗材的寿命信息的数值为对输入层的一个神经元的输入数据。
此外,耗材的使用历史记录信息例如是将耗材的使用开始定时和使用结束定时的组集中成k组(k是正整数)的2×k维的向量。使用开始定时和使用结束定时例如是通过以错误发生时刻为基准的时间差等来表现的数值数据。这样一来,能够将耗材的使用历史记录时间表现为数值数据。在该情况下,耗材的使用历史记录信息为对输入层的2×k个神经元的输入数据。只是,耗材的使用历史记录信息可以是使用开始定时和连续使用定时的组,也可以是表示寿命信息的时间序列的变化的多个数值数据。即,将蓄积于服务器系统410的耗材的使用历史记录信息转换为神经网络的输入数据时的转换处理,能够进行各种变形实施。
可认为,关于在将任务历史记录信息作为输入数据使用的情况下,也同样地对转换处理进行各种变形实施。另外,在使用任务历史记录信息的情况下,将成为印刷任务中的印刷对象的图像数据设为输入数据也无妨。在使用了图像数据的学习处理中,例如,也可以使用周知的卷积神经网络(CNN:Convolutional neural network)。CNN具有卷积层以及池化层。卷积层进行卷积运算。这里的卷积运算具体而言是过滤器处理。池化层进行将数据的纵横大小缩小的处理。例如在输入图像数据的情况下,CNN能够进行考虑到给定的像素与其周边像素的关系的处理。在CNN中,通过机器学习来学习卷积运算所使用的过滤器的特性。即,神经网络中的加权系数包含CNN中的过滤器特性。
此外,也可以使用其他运转信息,例如油墨消耗量消息、印刷量信息作为输入数据。油墨消耗量消息例如是表示以错误发生时刻为基准的给定的期间的油墨消耗量的信息。同样地,印刷量信息例如是表示以错误发生时刻为基准的给定的期间的印刷长度或印刷面积的信息。
此外,示教数据t是训练数据所包含的行为信息。例如,行为信息是在进行了需要通知这一评价的情况下或在进行了向详细信息的访问的情况下而为1的信息。此外,行为信息是在进行了不需要通知这一评价的情况下或在未进行向详细信息的访问的情况下而为0的信息。此外,行为信息并非限定于两个值的数据。例如,在仅将图8的A1所示的按钮作为行为信息的输入单元而提供的情况下,在未选择“是”和“否”中的任一个的情况下,也可以为0.5等中间的值。或者,行为信息也可以是可采取从错误通知邮件的发送向详细信息的拜访为止的时间越短则值越大的那样的多阶数值的信息。
作为学习结果的已学习模型受理错误信息和与该错误信息对应的运转信息作为输入,并将表示是否通知错误信息的数据作为输出而输出。在上述的例子的情况下,已学习模型的输出是在通知的必要性较高的情况下为接近1的值而在通知的必要性较低的情况下为接近0的值的数值数据。
如以上那样,学习部120通过机器学习生成已学习模型。本实施方式的方法也可以应用于已学习模型。已学习模型是用于判定是否通知用户表示在电子设备中所发生的错误的错误信息的已学习模型。已学习模型具有输入层、中间层和输出层,基于将错误信息、运转信息和行为信息建立关联而得的数据集来设定加权系数信息。加权系数信息包含输入层与中间层之间的第一加权系数、以及中间层与输出层之间的第二加权系数。如果是图9的例子,则第一加权系数是W1,第二加权系数是W3。此外,在中间层为两层以上的情况下,加权系数信息也可以包含给定的中间层与其下一个中间层之间的加权系数。例如,加权系数信息包含图9的例子中的权重W2。已学习模型使计算机发挥如下功能:向输入层输入作为输入而受理的错误信息以及运转信息,并进行基于所设定的加权系数信息的运算,从而从输出层输出表示是否通知用户错误信息的数据。只是,作为变形例,如后述那样,已学习模型也可以向输入层输入作为输入而受理的错误信息以及运转信息中的运转信息。该情况下的已学习模型例如是针对每个错误的种类而设置的多个已学习模型的集合。
另外,在以上,对作为已学习模型是使用了神经网络的模型的例子进行了说明。但是,本实施方式中的机器学习并非限定于使用神经网络的方法。例如,能够对本实施方式的方法应用SVM(support vector machine,支持向量机)等周知的各种方式的机器学习、或者使这些方式拓展开了的方式的机器学习。
3.推理处理
3.1推理装置的构成例
图11是示出作为本实施方式的推理装置的信息处理装置200的构成例的图。信息处理装置200包含受理部210、处理部220和存储部230。
存储部230存储基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户错误信息的条件进行机器学习后的已学习模型。关于错误信息、运转信息以及行为信息,正如上述的那样。受理部210受理从电子设备发送的错误信息以及运转信息。处理部220进行基于已学习模型来判定是否通知用户错误信息的处理。具体而言,处理部220输出表示是否通知错误信息的数据。表示是否通知错误信息的数据并非限定于两个值的数据,例如是表示概率的数值数据。
这样一来,能够基于各种运转信息而适当地判定是否通知错误信息。即,由于能够将对用户的信息的提供最佳化,因此能够使该用户掌握运转状态变得容易。此外,能够省去由用户进行的信息甄选的工夫。此外,能够抑制重要的错误信息被用户漏看。进一步而言,通过进行适当的通知,从而用户能够在电子设备到达装置异常状态之前掌握其征兆。因此,也能够使用户进行积极的预防维护。
另外,将已学习模型作为人工智能软件的一部分即程序模块来利用。处理部220按照来自存储于存储部230的已学习模型的指令而输出表示是否通知作为输入的错误信息的数据。
信息处理装置200的处理部220与学习装置100的学习部120同样地由包含处理数字信号的电路以及处理模拟信号的电路的至少一方的硬件构成。此外,处理部220也可以通过下述的处理器来实现。本实施方式的信息处理装置200包含存储信息的存储器和基于存储于存储器的信息进行动作的处理器。处理器能够使用CPU、GPU、DSP等各种处理器。存储器可以是半导体存储器,可以是寄存器,可以是磁存储装置,也可以是光学式存储装置。
另外,按照已学习模型的处理部220中的运算、即用于基于输入数据而输出输出数据的运算可以通过软件来执行,也可以通过硬件来执行。换言之,上述(1)等的乘积累加运算或者CNN中的过滤器运算也可以软件性地执行。或者,上述运算也可以通过FPGA(field-programmable gate array,可现场编程门阵列)等电路装置来执行。此外,上述运算也可以通过软件与硬件的组合来执行。这样,按照来自存储于存储部230的已学习模型的指令的处理部220的动作,能够通过各种方式来实现。
图11所示的信息处理装置200例如包含于图3的服务器系统410。即,服务器系统410从印刷系统300受理错误信息以及运转信息,并基于已学习模型来判定是否向终端装置420通知该错误信息。只是,信息处理装置200也可以包含于服务器系统410以外的设备。例如,信息处理装置200包含于经由网络NE2而与服务器系统410连接的设备。该设备经由网络NE2获取服务器系统410收集到的错误信息以及运转信息,并进行关于是否进行通知的判定处理。服务器系统410获取判定处理的结果,并基于该结果来执行与通知相关的处理。此外,信息处理装置200可以是一个装置,也可以包含多个装置。
3.2推理处理的具体例
图12是示出本实施方式的推理处理中的输入与输出的关系的图。另外,在图12中,说明进行神经网络运算的例子。推理处理中的输入包含错误信息和运转信息。例如,如图12所示,运转信息是印刷头的寿命信息、泵的寿命信息、管的寿命信息、油墨使用量信息、印刷量信息等。此外,推理处理中的输入也可以包含事件信息等其他运转信息。具体而言,与在学习处理中作为输入数据所使用的信息对应的信息成为推理处理中的输入。
处理部220基于这些输入进行神经网络运算。而且,处理部220将表示是否通知错误信息的信息作为输出而输出。例如,输出是r以上s以下的范围的数值数据,且是越判定为通知错误信息的必要性较高则值越大的数据。例如,r=0,s=1,但具体的数值并非限定于此。
图13是说明处理部220中的处理的流程图。处理部220定期从印刷系统300收集错误信息以及运转信息(S101)。处理部220基于在S101中获取到的信息来判定在打印机11中是否发生了错误(S102)。具体而言,处理部220判定在S101中获取到的信息是否包含错误信息。在未发生错误信息的情况下(在S102中为否),不进行S103以后的处理而结束处理。
在发生了错误的情况下(在S102中为是),处理部220进行将错误信息以及运转信息作为输入的神经网络运算(S103)。处理部220基于神经网络运算的结果来判定需不需要错误信息的通知(S104)。例如,在神经网络的输出为r以上s以下的范围的数值数据的情况下,处理部220在输出值在给定的阈值Th(Th是满足r<Th<s的数)以上的情况下判定为需要错误信息的通知。
在判定为需要通知的情况下(在S104中为是),处理部220进行向预先设定的终端装置420通知错误信息的处理(S105)。例如,存储部230保持将打印机11的序列号、作为维修负责人的用户、和该用户使用的终端装置420建立对应的信息。处理部220基于该信息而向发生了错误的打印机11的维修负责人的终端装置420进行通知。如上述那样,S105的通知处理可以是邮件的发送处理,也可以是进行其他推送通知的处理。在判定为不需要通知的情况下(在S104中为否),处理部220不进行S105的处理而结束处理。
此外,通知处理并非限定于进行还是不进行通知的两个处理。例如,通过将神经网络的输出分类为r以上而小于Th1、Th1以上而小于Th2、Th2以上s以下的三个,从而处理部220也可以进行方式不同的三个种类的通知。Th1以及Th2是满足r<Th1<Th2<s的数。例如,处理部220在输出值在Th1以上而小于Th2的情况下进行通常的通知处理,在Th2以上的情况下进行带报警的通知。由于与输出在Th2以上的情况、小于Th2的情况相比,推理的可信性较高,因此通过带有报警,从而进行更易于被用户识别的通知。由此,能够督促用户迅速对应。除此之外,关于具体的通知处理,能够进行各种变形实施。
另外,在图12的流程图中,对每次获取错误信息都判定需不需要通知,在需要通知的情况下马上执行通知处理的例子进行了说明。在本实施方式的方法中,可认为,由于能够锁定重要信息进行通知,因此即使进行这样的处理,通知频率也不会过度变高。但是,各处理的定时并非限定于此。例如,也可以在给定的期间进行一次S105所示的通知处理。这里的期间例如是数小时左右的长度的期间。这样一来,由于通知频率变低,因此能够抑制给用户带来麻烦。此外,在该情况下,关于S102以及S103所示的处理,处理部220也不需要立刻进行。例如,处理部220也可以在预定的期间蓄积错误信息,将该被蓄积的错误信息作为对象,统一执行S102以及S103所示的处理。除此之外,关于具体的处理,能够进行各种变形实施。
4.基于推理结果的追加学习
在以上的说明中,对学习处理和推理处理单独地进行了说明。例如,在学习阶段中,预先蓄积训练数据,基于被蓄积的训练数据进行学习处理。例如,服务器系统410在学习阶段中进行与以往方法同样的通知处理。只是,此时,通过进行图8所例示的那样的通知,从而获取作为训练数据的行为信息。而且,若在某种程度上蓄积了包含行为信息的训练数据之后,则学习装置100通过进行上述的学习处理而生成已学习模型。在推理阶段中,信息处理装置200通过继续地使用所生成的已学习模型来进行推理处理。在该情况下,已生成的已学习模型是固定的,而不设想更新。
只是,本实施方式的方法并非限定于此,也可以由学习处理反馈推理处理的结果。具体而言,信息处理装置200的处理部220进行向终端装置420通知基于已学习模型而被判定为需要通知的错误信息。学习装置100的获取部110获取针对该通知的行为信息、和对应的错误信息以及运转信息。学习装置100的学习部120基于将获取到的错误信息、运转信息和行为信息建立关联而得的数据集而对通知的条件进行机器学习。这样一来,使用针对基于推理处理而被执行的通知的行为信息,不断更新已学习模型。因此,变得易于通知作为对用户来说更重要的错误信息。
图14是示出进行追加学习的情况下的信息处理装置200的构成例的图。信息处理装置200除了受理部210、处理部220、存储部230之外还包含获取部110和学习部120。即,图14中的信息处理装置200除了图11所示的结构之外还包含与图7所示的学习装置100同样的结构,是能够执行学习处理和推理处理的双方的装置。图14的信息处理装置200例如包含于图3的服务器系统410。通过使用图14的信息处理装置200,从而能够在相同装置中有效地执行学习处理和推理处理。只是,在进行追加学习的情况下,在不同的装置中执行学习处理和推理处理也无妨。
图15是对进行追加学习的情况下的信息处理装置200的处理进行说明的流程图。关于图15的S201~S205,与图13的S101~S105是同样的。在执行了S205的通知处理的情况下,信息处理装置200获取针对该通知的行为信息(S206)。例如,信息处理装置200在S205的通知处理中发送包含使用图8所上述的那样的按钮、链接的错误通知邮件,获取表示针对该错误通知邮件的操作的行为信息。而且,信息处理装置200的处理部220基于将错误信息、运转信息以及行为信息建立关联而得的数据集来进行机器学习,从而更新已学习模型(S207)。
另外,在S206中在获取到需要通知的意思的行为信息的情况下,基于已学习模型的推理处理是正确的。也就是说,即使不更新已学习模型,也得到优选的结果。另一方面,在S206中在获取到不需要通知的意思的行为信息的情况下,使用了已学习模型的推理处理有误。在该情况下,由于通过当前的已学习模型得不到正确的结果,因此对已学习模型进行更新的必要性较高。在图15中,示出了在进行了通知处理的情况下必然进行追加学习的例子,但并非限定于此。信息处理装置200也可以在限定于通知有误的情况下进行追加学习。这样一来,能够有效地进行追加学习。
5.变形例
如使用图12所上述的那样,在以上的本实施方式中,对错误信息是学习处理以及推理处理的输入数据的例子进行了说明。错误信息包含对错误ID等错误的种类进行确定的信息。在该情况下,能够对种类不同的多个错误信息生成、使用共用的已学习模型。例如,关于在电子设备中可能发生的所有错误信息,能够使用一个已学习模型来判定是否需要通知。
只是,在该情况下,难以预先锁定错误信息与运转信息的关系。例如,可认为,喷出不良这一错误与头的寿命信息、管的寿命信息、流路过滤器的寿命信息等具有较高的关联性。另一方面,喷出不良与第一辊21等输送构件的运转信息、干燥装置16所包含的构件的运转信息不怎么具有关联性。即,在运转信息所包含的各种信息之中,存在与给定的错误信息的关联性较高的信息和与该错误信息的关联性较低的信息。如图12所示的例子那样,在构建能够与多种多样的错误信息对应的已学习模型的情况下,多数运转信息与某些错误信息关联的盖然性较高。即,具有作为输入数据使用的意义的运转数据的数量变得非常多。作为结果,不容易锁定输入数据的数量,而易于使学习处理以及推理处理的处理负荷变大。
因此,本实施方式的学习装置100也可以根据错误的类别而生成多个已学习模型。例如,学习装置100针对一个错误信息生成一个已学习模型。在该情况下,输入数据是与成为对象的错误信息的关联性较高的运转信息,示教数据是行为信息。通过限定作为输入数据使用的运转信息,从而能够减少学习处理以及推理处理的处理负荷。
将已学习模型在多个错误信息中共用化的方法具有如下优点:已学习模型的数量少,不需要通过手动来进行作为输入数据使用的运转信息的提取。另一方面,针对每个错误信息生成已学习模型的方法具有如下优点:在着眼于一个已学习模型的情况下,输入数据的数量少,处理负荷较轻。
或者,学习装置100也可以将错误信息分类为几个类型,如油墨处理系统、印刷介质的输送系统、干燥室系统之类,并针对每个类型生成已学习模型。可认为,由于同一类型包含的多个错误信息在某种程度上具有相关,因此关联性较高的运转信息也类似。因此,能够抑制已学习模型数、以及抑制输入数据的数量。
如以上那样,本实施方式的信息处理装置包含存储部、受理部和处理部。存储部存储已学习模型,所述已学习模型是基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户错误信息的条件进行机器学习后的已学习模型。错误信息是表示在电子设备中所发生的错误的信息。运转信息是表示电子设备的运转状态的信息。行为信息是表示针对错误信息的通知的用户行为的信息。受理部受理从电子设备发送的错误信息以及运转信息。处理部基于已学习模型来判定是否通知用户错误信息。
根据本实施方式的方法,使用通过基于将错误信息、运转信息和行为信息建立关联而得的数据集的机器学习而生成的已学习模型,来判定是否通知错误信息。由于使用基于行为信息而生成的已学习模型,因此能够进行根据与是否需要通知相关的用户行为的判定。此外,由于使用运转信息,因此能够进行不仅考虑到错误的种类等信息还考虑到电子设备的运转状态的判定。这样,通过使用基于适当的训练数据的机器学习的结果,从而能够精确地判定是否需要通知。
此外,行为信息也可以是对通知的评价信息。
这样一来,能够使用与通知相关的用户评价作为行为信息。
此外,评价信息也可以是表示需不需要通知的信息。
这样一来,能够将表示关于需不需要通知的用户的判断的信息作为评价信息使用。
此外,错误信息也可以包含概要信息、以及信息量比概要信息多的详细信息。行为信息是表示是否进行了以下行为的信息:所述用户针对包含错误信息的概要信息的通知而访问详细信息。
这样一来,能够将表示用户是否访问了更详细的信息的信息作为行为信息使用。
此外,错误信息也可以是表示与在电子设备中使用的耗材相关的错误的信息。
这样一来,关于与电子设备的耗材相关的错误信息,能够精确地判定是否进行通知。
此外,运转信息也可以包含耗材的寿命信息。
这样一来,能够基于耗材的使用状况来判定是否进行通知。
此外,运转信息也可以包含耗材的使用历史记录信息或使用了耗材的任务历史记录信息。
这样一来,能够基于耗材的时间序列的使用情况来判定是否进行通知。
此外,耗材也可以是印刷头,错误是印刷头的喷出不良。
这样一来,能够精确地判定是否进行表示喷出不良的错误信息的通知。
此外,本实施方式的学习装置包含获取部和学习部。获取部获取错误信息、运转信息以及行为信息,其中,所述错误信息表示在电子设备中所发生的错误的错误信息;所述运转信息表示电子设备的运转状态的运转信息,所述行为信息表示针对错误信息的通知的用户行为。学习部基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户错误信息的条件进行机器学习。
根据本实施方式的方法,由于将行为信息使用于机器学习,因此能够进行根据与是否需要通知相关的用户的判断的学习结果的获取。此外,由于将运转信息使用于机器学习,因此能够进行不仅考虑到错误的种类等信息还考虑到电子设备的运转状态的学习结果的获取。
此外,本实施方式的已学习模型是用于判定是否通知用户表示在电子设备中所发生的错误的错误信息的已学习模型,所述已学习模型具有输入层、中间层和输出层。已学习模型基于将错误信息、运转信息和行为信息建立关联而得的数据集来设定加权系数信息,其中,所述运转信息表示电子设备的运转状态的运转信息,所述行为信息表示针对错误信息的通知的用户行为,所述加权系数信息包含输入层与中间层之间的第一加权系数、以及中间层与输出层之间的第二加权系数。已学习模型使计算机发挥如下功能:受理错误信息以及运转信息作为输入,至少将运转信息向输入层输入,并进行基于所设定的加权系数信息的运算,从而从输出层输出表示是否通知用户错误信息的数据。
这样一来,通过学习处理来学习加权系数信息,从而能够生成能够适当地判定是否进行错误信息的通知的已学习模型。更具体而言,能够生成使用了神经网络的已学习模型。
另外,如上述那样,详细地说明了本实施方式,但在不实质性地脱离本实施方式的创新内容以及效果的前提下,能够有多种变形,这对于本领域技术人员来说是容易地理解的。因此,这样的变形例均应包含于本公开的范围。例如在说明书或者附图中,至少一次与更广义或同义的不同的用语一起被记载的用语在说明书或附图的任何部位都能够置换为该不同的用语。此外,本实施方式以及变形例的所有组合均包含于本公开的范围。此外,学习装置、信息处理装置以及包含这些装置的系统的结构以及动作等也并非限定于在本说明书中所说明的内容,而能够进行各种变形实施。
Claims (9)
1.一种信息处理装置,其特征在于,包含:
存储部,存储已学习模型,所述已学习模型是基于将错误信息、运转信息和行为信息建立关联而得的数据集而对通知用户所述错误信息的条件进行机器学习后的模型,其中,所述错误信息表示在电子设备中所发生的错误,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为;
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,基于所述已学习模型来判定是否向所述用户通知所述错误信息,
所述错误信息包含概要信息、以及信息量比所述概要信息多的详细信息,
所述行为信息包括:所述用户针对包含所述错误信息的所述概要信息的所述通知而访问所述详细信息、以及从所述通知的发送到所述用户向所述详细信息的拜访为止的时间越短则值越大的多阶数值的信息。
2.根据权利要求1所述的信息处理装置,其特征在于,
所述行为信息还包括对所述通知的评价信息。
3.根据权利要求2所述的信息处理装置,其特征在于,
所述评价信息是表示需不需要所述通知的信息。
4.根据权利要求1至3中任一项所述的信息处理装置,其特征在于,
所述错误信息是表示与在所述电子设备中使用的耗材相关的所述错误的信息。
5.根据权利要求4所述的信息处理装置,其特征在于,
所述运转信息包含所述耗材的寿命信息。
6.根据权利要求4所述的信息处理装置,其特征在于,
所述运转信息包含所述耗材的使用历史记录信息或使用了所述耗材的任务历史记录信息。
7.根据权利要求4所述的信息处理装置,其特征在于,
所述耗材是印刷头,
所述错误是所述印刷头的喷出不良。
8.一种学习装置,其特征在于,包含:
获取部,获取错误信息、运转信息以及行为信息,其中,所述错误信息表示在电子设备中所发生的错误,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为;以及
学习部,基于将所述错误信息、所述运转信息和所述行为信息建立关联而得的数据集而对通知用户所述错误信息的条件进行机器学习,
所述错误信息包含概要信息、以及信息量比所述概要信息多的详细信息,
所述行为信息包括:所述用户针对包含所述错误信息的所述概要信息的所述通知而访问所述详细信息、以及从所述通知的发送到所述用户向所述详细信息的拜访为止的时间越短则值越大的多阶数值的信息。
9.一种非暂时性记录介质,存储已学习模型,所述已学习模型用于判定是否通知用户表示在电子设备中所发生的错误的错误信息,其特征在于,
所述已学习模型具有输入层、中间层和输出层,
所述已学习模型基于将所述错误信息、运转信息和行为信息建立关联而得的数据集来设定加权系数信息,其中,所述运转信息表示所述电子设备的运转状态,所述行为信息表示针对所述错误信息的通知的用户行为,所述加权系数信息包含所述输入层与所述中间层之间的第一加权系数、以及所述中间层与所述输出层之间的第二加权系数,
所述已学习模型使计算机发挥以下功能:受理所述错误信息以及所述运转信息作为输入,至少将所述运转信息向所述输入层输入,并进行基于所设定的所述加权系数信息的运算,从而从所述输出层输出表示是否通知用户所述错误信息的数据,
所述错误信息包含概要信息、以及信息量比所述概要信息多的详细信息,
所述行为信息包括:所述用户针对包含所述错误信息的所述概要信息的所述通知而访问所述详细信息、以及从所述通知的发送到所述用户向所述详细信息的拜访为止的时间越短则值越大的多阶数值的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019023428A JP6992774B2 (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 |
JP2019-023428 | 2019-02-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111565256A CN111565256A (zh) | 2020-08-21 |
CN111565256B true CN111565256B (zh) | 2022-04-22 |
Family
ID=71945381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010088556.6A Active CN111565256B (zh) | 2019-02-13 | 2020-02-12 | 信息处理装置、学习装置以及非暂时性记录介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11310371B2 (zh) |
JP (1) | JP6992774B2 (zh) |
CN (1) | CN111565256B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741951B2 (en) * | 2019-02-22 | 2023-08-29 | Lenovo (Singapore) Pte. Ltd. | Context enabled voice commands |
JP7483522B2 (ja) * | 2020-06-15 | 2024-05-15 | キヤノン株式会社 | 画像形成装置及びその制御方法、並びにプログラム |
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 |
CN114654884B (zh) * | 2020-12-22 | 2023-06-06 | 精工爱普生株式会社 | 印刷条件设定方法、印刷条件设定系统 |
JP7293289B2 (ja) * | 2021-07-16 | 2023-06-19 | 東芝エレベータ株式会社 | チェーン伸び検出装置 |
JP2023032675A (ja) * | 2021-08-27 | 2023-03-09 | キヤノン株式会社 | 画像形成装置、情報処理システム、画像形成装置の制御方法およびプログラム |
US11755863B1 (en) * | 2022-03-02 | 2023-09-12 | Ricoh Company, Ltd. | Ink estimation model updates for production printers |
US11775791B2 (en) * | 2022-03-02 | 2023-10-03 | Ricoh Company, Ltd. | Cloud-based parallel ink estimation for production printers |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809821A (zh) * | 2003-03-03 | 2006-07-26 | 微软公司 | 用于防止垃圾邮件的反馈循环 |
JP2014228932A (ja) * | 2013-05-20 | 2014-12-08 | 日本電気通信システム株式会社 | 障害通知装置、障害通知プログラムならびに障害通知方法 |
KR20170125238A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
CN108280021A (zh) * | 2018-01-25 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种基于机器学习的日志等级分析方法 |
JP2018136656A (ja) * | 2017-02-21 | 2018-08-30 | 株式会社野村総合研究所 | 障害対応支援システム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11320853A (ja) * | 1998-05-14 | 1999-11-24 | Ricoh Co Ltd | インクジェット記録装置及び記録方法 |
JP2004362309A (ja) | 2003-06-05 | 2004-12-24 | Minolta Co Ltd | 通知システム |
JP4341314B2 (ja) | 2003-07-08 | 2009-10-07 | セイコーエプソン株式会社 | デバイス管理システム及びデバイス管理プログラム、並びにデバイス管理方法 |
JP4621045B2 (ja) * | 2005-03-23 | 2011-01-26 | キヤノンファインテック株式会社 | 記録装置および画像処理装置 |
JP4667412B2 (ja) | 2007-03-13 | 2011-04-13 | 富士通株式会社 | 電子機器集中管理プログラム、電子機器集中管理装置および電子機器集中管理方法 |
JP2009265371A (ja) | 2008-04-25 | 2009-11-12 | Kyocera Mita Corp | カラー画像形成装置及び消耗品管理システム |
JP2017056652A (ja) | 2015-09-17 | 2017-03-23 | セイコーエプソン株式会社 | 印刷装置、及び、印刷装置の制御方法 |
JP2018110286A (ja) | 2016-12-28 | 2018-07-12 | 富士ゼロックス株式会社 | 情報処理装置及びプログラム |
JP2018107781A (ja) | 2016-12-28 | 2018-07-05 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法、システム、及びプログラム |
US20190138939A1 (en) * | 2017-11-07 | 2019-05-09 | International Business Machines Corporation | Remote control signal processing in real-time partitioned time-series analysis |
KR102602216B1 (ko) * | 2017-12-22 | 2023-11-15 | 삼성전자주식회사 | 고장 예측에 기반한 가전기기의 제어 방법 및 장치 |
US10674019B2 (en) * | 2018-03-27 | 2020-06-02 | KYOCERA Document Solutions Development America, Inc. | Methods and systems for accessing troubleshooting functions of a multi-function printer through a mobile device |
US11170259B2 (en) * | 2018-10-29 | 2021-11-09 | Oki Electric Industry Co., Ltd. | Machine learning device, data processing system, printing system, machine learning method, and data processing method |
-
2019
- 2019-02-13 JP JP2019023428A patent/JP6992774B2/ja active Active
-
2020
- 2020-02-12 CN CN202010088556.6A patent/CN111565256B/zh active Active
- 2020-02-12 US US16/788,450 patent/US11310371B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809821A (zh) * | 2003-03-03 | 2006-07-26 | 微软公司 | 用于防止垃圾邮件的反馈循环 |
JP2014228932A (ja) * | 2013-05-20 | 2014-12-08 | 日本電気通信システム株式会社 | 障害通知装置、障害通知プログラムならびに障害通知方法 |
KR20170125238A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
JP2018136656A (ja) * | 2017-02-21 | 2018-08-30 | 株式会社野村総合研究所 | 障害対応支援システム |
CN108280021A (zh) * | 2018-01-25 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种基于机器学习的日志等级分析方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200259964A1 (en) | 2020-08-13 |
JP2020135008A (ja) | 2020-08-31 |
CN111565256A (zh) | 2020-08-21 |
JP6992774B2 (ja) | 2022-01-13 |
US11310371B2 (en) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111565256B (zh) | 信息处理装置、学习装置以及非暂时性记录介质 | |
CN111562890B (zh) | 信息处理装置、学习装置以及非暂时性的存储介质 | |
JP6915638B2 (ja) | 故障時期推測装置、機械学習装置、故障時期推測方法 | |
JP7047812B2 (ja) | 情報処理装置、印刷装置、学習装置及び情報処理方法 | |
JP2008256981A (ja) | 故障診断システム | |
JP7081565B2 (ja) | 情報処理装置、印刷装置、学習装置及び情報処理方法 | |
CN112590392B (zh) | 信息处理装置、学习装置以及信息处理方法 | |
US20100214597A1 (en) | Service station | |
US20170264754A1 (en) | Image processing apparatus and image processing method | |
EP2017679B1 (en) | Device, maintenance support apparatus, and support system | |
JP2012203425A (ja) | 画像処理装置、画像処理方法、および印刷装置 | |
JP2018156244A (ja) | サーバ、制御プログラム、およびデバイス | |
JP7059978B2 (ja) | 情報処理装置、学習装置及び学習済モデル | |
CN102213923B (zh) | 图像形成设备和显示方法 | |
JP2021054017A (ja) | 情報処理装置、学習装置及び情報処理方法 | |
JP2021141544A (ja) | 予測装置、画像形成装置、プログラム及び予測システム | |
CN114193929B (zh) | 信息处理系统、信息处理方法以及学习装置 | |
JP2020151879A (ja) | 情報処理装置、学習装置及び学習済モデル | |
JP2010046973A (ja) | エラー発生防止モードを有する印刷装置 | |
US20220288946A1 (en) | Printer performance levels | |
KR20120115133A (ko) | 드럼 유지 보수 유닛에서 겔 축적을 모니터링하는 방법 | |
US20230311513A1 (en) | Server, printing system and method of controlling printing system | |
JP2022049206A (ja) | 情報処理システム、学習装置及び情報処理方法 | |
JP2021146620A (ja) | 印刷装置、及びインク残量管理方法 | |
JP2002113929A (ja) | ステイタス出力機能を持つプリンタ |
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 |