CN111660687B - 故障时期推测装置、机器学习装置、故障时期推测方法 - Google Patents

故障时期推测装置、机器学习装置、故障时期推测方法 Download PDF

Info

Publication number
CN111660687B
CN111660687B CN202010152750.6A CN202010152750A CN111660687B CN 111660687 B CN111660687 B CN 111660687B CN 202010152750 A CN202010152750 A CN 202010152750A CN 111660687 B CN111660687 B CN 111660687B
Authority
CN
China
Prior art keywords
printing apparatus
failure
printing
maintenance
information
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
CN202010152750.6A
Other languages
English (en)
Other versions
CN111660687A (zh
Inventor
片山茂宪
塚田和成
鹿川祐一
多津田哲男
浮田衡
仓根治久
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 CN111660687A publication Critical patent/CN111660687A/zh
Application granted granted Critical
Publication of CN111660687B publication Critical patent/CN111660687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B41J2/135—Nozzles
    • B41J2/165—Preventing or detecting of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
    • B41J2/16579—Detection means therefor, e.g. for nozzle clogging
    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B41J2/015—Ink jet characterised by the jet generation process
    • B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
    • B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
    • B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
    • B41J2/0451—Control methods or devices therefor, e.g. driver circuits, control circuits for detecting failure, e.g. clogging, malfunctioning actuator
    • 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
    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B41J2/135—Nozzles
    • B41J2/165—Preventing or detecting of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B41J2/135—Nozzles
    • B41J2/165—Preventing or detecting of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
    • B41J2/16517—Cleaning of print head nozzles
    • 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
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • B41J2/135—Nozzles
    • B41J2/165—Preventing or detecting of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
    • B41J2/16517—Cleaning of print head nozzles
    • B41J2/16535—Cleaning of print head nozzles using wiping constructions
    • 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
    • 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

Abstract

一种故障时期推测装置、机器学习装置、故障时期推测方法，推测印刷装置的故障时机。构成一种故障时期推测装置，其具备：存储部，存储已学习模型，所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是包括将印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据；以及控制部，获取所述印刷装置信息，并使用获取到的所述印刷装置信息和所述已学习模型来推测所述印刷装置的所述故障时期。

Description

故障时期推测装置、机器学习装置、故障时期推测方法
技术领域
本发明涉及故障时期推测装置、机器学习装置、故障时期推测方法。
背景技术
以往，提出有用于预测装置的故障的各种方法。例如，在专利文献1中记载了通过扫描仪读取印刷在印刷装置上的测试图像，对分析项目分析获得到的图像，并根据分析结果的时序的推移，判断印刷装置是否会在将来的某个时刻故障。并且，记载了分析项目是指例如图像的频率分析。
专利文献1：日本特开2015-170200号公报
但是，在预先确定的分析项目、判断基准中，存在难以掌握的复杂因素与故障时期相关联的可能性。像现有技术这样，在根据预先确定的判断基准来解析预先确定的解析项目的情况下，可能难以提高故障时期的预测精度。
发明内容
本发明以推测印刷装置的故障时期为目的。
为了达成上述目的的故障时期推测装置具备：存储部，存储已学习模型，所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据；以及控制部，获取所述印刷装置信息，并使用获取到的所述印刷装置信息和所述已学习模型来推测所述印刷装置的所述故障时期。
根据本结构，可以根据包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中至少一个的印刷装置信息来推测印刷装置的故障时期。并且，根据本结构，由于是使用机器学习模型推测故障时期的结构，所以无需预先由人确定用于推测故障时间的判断基准。并且，在构成了根据包括动作历史记录、状态信息、印刷结果图像等的多个信息推测故障时期的机器学习模型的情况下，可以提高能高精度推测故障时期的可能性。
此外，也可以是如下的结构：所述印刷结果图像是表示预先确定的图案图像的印刷结果的图像，所述动作历史记录是从所述图案图像的印刷起追溯过去的动作的历史记录，所述状态信息是表示印刷所述图案图像时的所述印刷装置的状态的信息。
根据本结构，在印刷在印刷装置中预先确定的图案图像时能够获取印刷装置信息，并能够使用获取到的印刷装置信息推测印刷装置的故障时期。
此外，也可以是如下的结构：图案图像包括由线构成的图案、以及用既定的颜色填充既定大小的区域的图案的至少任一种。
根据本结构，可以根据印刷了线图案、填充图案时的印刷结果图像来推测印刷装置的故障时期。
此外，也可以是如下的结构：通过传感器拍摄所述印刷结果图像，所述传感器设置于滑架，所述滑架搭载有印刷头，所述印刷头具有对印刷介质喷出油墨的喷嘴。
根据本结构，能够获取通过设置在搭载有印刷头的滑架上的传感器拍摄到的印刷结果图像。例如，通过不同于印刷装置的其他图像读取装置(扫描仪)获取印刷结果图像的结构相比可以减轻用户的作业负担。
此外，也可以是如下的结构：控制部在当前与所预测的故障时期之间的差小于阈值的情况下，进行与故障时期关联的通知。
根据本结构，接收该通知的一侧(人或装置)可以为故障进行所具备的准备。例如，可以进行推测故障的部位的部件的调配、在故障前更换部件等。其结果是，可以缩短印刷装置的故障时期。并且，由于是在设定阈值且当前与故障时期之间的差在阈值以上的情况(到推测的故障时期为止的期间是阈值以上的长度的情况)下不进行通知的结构，所以可以防止由于在早期无用地进行与故障时期有关的通知而引起的危害。例如，可能即使在早期通知了故障时期用户也不会马上为故障进行具备的准备，在不进行准备的情况下可能导致忘记故障时期。并且，若从早期就反复多次进行通知，则可能会让用户感到厌烦，结果造成通知形式化。
此外，也可以是如下的结构：所述印刷装置信息包括维护的执行历史记录，所述维护的执行历史记录包括冲刷和擦抹中的至少一个，所述冲刷是为了消除油墨的喷出不良而从印刷头喷出油墨，所述擦抹是擦拭印刷头的喷嘴面。
根据本结构，可以根据维护的执行历史记录推测印刷装置的故障时期。
此外，也可以是如下的结构：所述印刷装置信息包括维护失败信息，所述维护失败信息由维护执行次数与维护执行后的喷出不良消除次数之间的差异来表示。
维护失败信息是表示即使进行了清洁喷嘴等的维护也难以消除喷嘴的喷出不良状态的状况的程度的信息。维护失败信息和印刷装置的故障可相关。根据本结构，可以使用维护失败信息推测印刷装置的故障时期。
此外，也可以是如下的结构：印刷装置信息包括印刷装置的连续运转时间、印刷装置的温度的历史记录、以及印刷装置的周围温度的历史记录的至少任一个。
存在印刷装置的连接运转时间、印刷装置的温度的历史记录、印刷装置的周围的历史记录等与印刷装置的故障相关的可能性。根据本结构，可以使用这些信息来推测印刷装置的故障时期。
为了达成上述目的的机器学习装置具备：控制部，获取教师数据，并使模型基于所述教师数据进行机器学习，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据，所述模型为输入所述印刷装置信息而输出所述故障时期的模型。
根据本结构，可以生产用于根据印刷装置信息推测印刷装置的故障时期的机器学习模型。
为了达成上述目的的故障时期推测方法包括：存储已学习模型，所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是包括将印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据，获取所述印刷装置信息，并使用获取到的所述印刷装置信息和所述已学习模型来推测所述印刷装置的所述故障时期。
根据本方法，可以根据印刷装置信息推测印刷装置的故障时期。并且，由于使用机器学习模型推测故障时期，所以无需预先由人确定用于推测故障时间的判断基准。并且，在构成了根据包括动作历史记录、状态信息、印刷结果图像等的多个信息推测故障时期的机器学习模型的情况下，可以提高能高精度推测故障时期的可能性。
附图说明
图1是印刷装置和机器学习装置的框图。
图2是示出传感器的结构的示意图。
图3是印刷装置信息的获取和故障时期的一例的示意图。
图4是机器学习处理的流程图。
图5是机器学习模型的输入输出的一例的示意图。
图6是图案图像印刷处理的流程图。
附图标记说明
10…印刷装置；20…处理器；30…非易失性存储器；30a…动作历史记录；30b…状态信息；40…滑架；41…印刷部；42…传感器；42a…框体；42b…区域传感器；42e…透镜；43…温度传感器；44…湿度传感器；50…通信部；60…输送机构；70…UI部；100…机器学习装置；120…控制部；130…存储介质；130a…已学习模型；130b…教师数据；130c…测试数据；130d…训练模型；130e…印刷装置信息；150…通信部；P…印刷介质。
具体实施方式
这里，根据下记的顺序对本发明的实施方式进行说明。
(1)印刷装置和机器学习装置的结构：
(2)图案图像印刷处理：
(3)其他实施方式：
(1)印刷装置和机器学习装置的结构：
图1是示出本发明的实施方式涉及的印刷装置10和机器学习装置100的结构的框图。在本实施方式中，印刷装置10作为故障时期推测装置发挥作用。印刷装置10具备：处理器20(相当于故障时期推测装置的控制部)，具备CPU、RAM等；以及非易失性存储器30(相当于存储部)。印刷装置10可以通过处理器20执行记录在非易失性存储器30中的各种程序。
本实施方式涉及的印刷装置10是喷墨方式的打印机。印刷装置10具备滑架40、温度传感器43、湿度传感器44、通信部50、输送机构60、UI(User Interface，用户界面)部70、未图示的计时部。处理器20可以从计时部获取当前日期时刻。
通信部50包括安装于印刷装置10的各种的可拆式存储器、根据各种通信协议与通过有线或无线连接于印刷装置10的其他设备进行通信的通信接口电路。处理器20可以与经由通信部50连接的后述的机器学习装置100、未图示的其他装置等进行通信。另外，处理器20可以从经由通信部50连接的可拆式存储器、机器学习装置100、其他装置获取印刷对象的数据。
输送机构60是沿既定的方向输送印刷介质的装置。处理器20可以控制输送机构60并按照既定的步骤输送印刷介质。在滑架40上搭载有印刷部41和传感器42。处理器20可使滑架40沿指定的方向往复移动。在印刷装置10中构成为使滑架40以距离印刷介质维持预定的距离的状态下沿指定方向移动。下面，将滑架40进行往复移动的指定的方向称为主扫描方向。
UI部70包括触摸面板显示器、各种按键、开关等。处理器20可以经由UI部70获取用户的操作内容。此外，处理器20可以在UI部70的显示器上显示各种信息并通知用户。
印刷部41具备：印刷头，喷出CMYK(C：青色、M：品红色、Y：黄色、K：黑色)这四种油墨；以及CMYK各种颜色的油墨的油墨罐，被安装于印刷头。当然，油墨的颜色、颜色数只是一例，也可以利用其它颜色的油墨、其它颜色数。印刷头包括喷出喷嘴。在与主扫描方向正交的方向(称为副扫描方向)上排列有多个相同颜色的油墨的喷出喷嘴以构成喷嘴列。各种颜色的喷嘴列在主扫描方向上排列。处理器20可以控制来自各喷出喷嘴的油墨喷出量、喷出定时等。
因此，在使滑架40在主扫描方向上移动的过程中，从喷嘴中喷出各种颜色的油墨，从而可以在印刷介质上印刷图像。然后，通过重复由输送机构60进行的印刷介质的输送(在副扫描方向上的输送)、滑架40的移动以及从印刷头喷出的油墨，从而在可印刷范围内的任意位置处将图像印刷在印刷介质上。
处理器20随时更新印刷装置10的当前状态，并作为状态信息30b存储于非易失性存储器30。具体而言，在执行累积的喷射数、累积的通过数、累积的排出时间、维护执行的次数、进行维护之后的喷出不良消除次数等这些操作时，更新处理器20。
累积喷射数是从喷嘴喷出油墨的次数的累积值。累积喷射数可以由对应每个喷嘴计数的每个累积值表示，也可以由对应喷嘴行(即，每种油墨颜色)或所有喷嘴中最多喷嘴的累积值表示。累积路径数是为了喷出油墨而使滑架沿主扫描方向移动的次数的累积值。例如，也可以假定为了喷出油墨而使滑架沿主扫描方向上的第一方向移动的次数的累积值、以及为了喷出油墨而使滑架沿第二方向(与第一方向相反)移动的次数的累积值。
累积喷出时间是在将印刷头安装至印刷装置10之后执行从喷嘴喷出油墨滴的动作的时间的累积值。累积喷出时间也可以被定义作为例如滑架为了喷出墨滴而移动的时间的累积值，也可以定义作为为了从喷嘴喷出油墨滴而将对压电元件施加的电压从基准点位变动的时间的累积值。累积喷出时间可以通过每个喷嘴的各累积值表示，也可以通过喷嘴列或全部喷嘴中累积值最长的喷嘴的该累积值表示。此外，也可以对将印刷头安装于印刷装置10以后累积喷出时间所占经过时间的比率(印刷头的运行率)进行计算并用于后述的机器学习模型的输入数据。
维护是为了消除印刷头的喷嘴的喷出不良而通过处理器20的控制实施的动作。维护包括例如微振动操作、擦抹、冲刷、抽吸动作等。微振动操作是通过施加不会将油墨滴喷出的程度的压力变化来使喷嘴开口附近的增稠油墨分散的动作。擦抹是用刮水器擦拭印刷头的喷嘴表面(形成有使油墨喷出的开口的面)的动作。刮水器根据处理器20的控制而驱动。冲刷是为了防止油墨增稠、由于增稠而引起堵塞而使油墨滴从喷嘴喷出的动作。抽吸动作是从喷嘴抽吸油墨液并排出的动作。
维护执行次数是在将印刷头安装到印刷装置10之后实施的上述各维护的执行次数(累积值)。维护执行次数可以表示作为每种维护的次数，也可以表示作为每种维护的执行次数的合计值。在本实施方式中，在执行维护之后，处理器20被构成为印刷图案图像。然后，处理器20对通过后述的传感器42拍摄图案图像而获取到的图像进行分析，并判断是否消除了喷出不良。执行维护后的喷出不良消除次数是执行维护后已消除喷出不良的次数。例如，当仅执行一次冲刷时不能消除喷出不良而当通过再次执行冲刷来消除了喷出不良的情况下，维护执行次数是2次，维护执行之后的喷出不良消除次数是1次。维护执行之后的喷出不良解决次数可以表示为每种的维护的次数，也可以表示为他们的合计值。
另外，也可以是根据维护执行次数和执行维护之后的喷出不良消除次数来计算表示即使执行维护也难以消除喷出不良状态的状况的程度的信息(维护失败信息)，并利用作为后述的机器学习模型的输入数据的结构。维护失败信息可以由维护执行次数(C1)与维护执行后的喷出不良消除次数(C2)的差量(C1-C2)来表示。此外，维护失败信息可以用C2占C1的比例(C2/C1)表示。此外，可以对应每种维护来计算维护失败信息，也可以对应所有种类的维护来计算维护失败信息。可以将C1、C2、C1-C2、C2/C1、根据C1和C2计算的其他值中的至少任一个作为机器学习模式的输入数据。
传感器42是可以获取表示由印刷部41印刷的印刷结果的图像数据的传感器单元。在本实施方式中，传感器42以在主扫描方向上与印刷部41的印刷头相邻的状态被包括在滑架40中。因此，处理器20可以通过使滑架40移动来使传感器42在主扫描方向上移动。利用这样的结构，在本实施方式中，通过传感器42移动而在视野中包括主扫描方向上的印刷介质上的任意位置，并且在该任意位置拍摄印刷介质的表面的图像。在本实施方式中，由传感器42拍摄到的图像用于判断是否是喷出不良状态、推测印刷装置10的故障时期。
图2是示意性示出传感器42的构造的图。在图2中，示意性地示出了传感器42和印刷介质P，并将副扫描方向示为y方向，将垂直于印刷面的方向示为z方向。因此，主扫描方向是垂直于y方向和z方向的图面的进深方向。在本实施方式中，将主扫描方向也称为x方向。
如图2所示，本实施方式涉及的传感器42包括框体42a，通过框体42a在传感器42内部形成空间。在框体42a的内部具备区域传感器42b、LED42c、42d以及透镜42e。区域传感器42b包括二维配置的传感器元件。各传感器元件是通过RGB(R：红色、G：绿色、B：蓝色)的各种颜色的滤波器来读取各种颜色的亮度并输出亮度的传感器。
LED42c、42d是向印刷介质P照射光的光源。在本实施方式中，传感器42成为利用安装在两处的LED42c、42d照射印刷介质P的结构。在从区域传感器42b观察的z轴的负方向侧配置有透镜42e，从LED 42c，42d射出后被印刷介质P反射、扩散的光通过透镜42e在区域传感器42b的传感器元件成像。因此，区域传感器42b可以读取由LED42c、42d照明的印刷介质P的图像。在图2中，用点划线的箭头表示照射到印刷介质P上的读取范围Ys的光的光程、和从印刷介质P经过透镜42e到达区域传感器42b的光的光程的一部分。处理器20可以根据由区域传感器42b的各个传感器元件读取到的RGB的各种颜色的亮度来读取印刷介质P的表面的图像。
在本实施方式中，温度传感器43是以非接触方式检测油墨的温度的传感器。处理器20可以获取由温度传感器43检测到的油墨的温度。湿度传感器44是检测印刷设备10被载置的空间的湿度的传感器。处理器20可以获取由湿度传感器44检测到的湿度。在本实施方式中，处理器20在每个固定经过时间分别从温度传感器43和湿度传感器44获取温度和湿度，并与此时从计时部获取到的时间日期建立对应关系并存储于非易失性存储器30作为动作历史记录30a。
机器学习装置100是基于从印刷装置10获取到的信息来储存教师数据，基于储存的教师数据来进行机器学习，并将作为结果获得的已学习模型130a输出至印刷装置10的计算机。此外，机器学习装置100也可以是例如从相同型式的多个印刷装置中获取各印刷装置固有的印刷装置信息和故障日期时刻而构成教师数据，将生成使用该教师数据进行机器学习的结果的已学习模型130a分配给该型式的多个印刷装置。
机器学习装置100具备：控制部120，具备CPU(中央处理器)、RAM(随机存取存储器)、ROM(只读存储器)等；存储介质130；以及通信部150。当然，GPU(图形处理器)、设计用于机器学习的各种处理器也可以用于机器学习。控制部120可以通过执行记录在存储介质130中的未图示机器学习程序来执行与机器学习关联的机能。
在本实施方式中，在机器学习单元100中生成用于推测印刷装置10的故障时期的机器学习模型时，在印刷装置10中获取印刷装置信息，该印刷装置信息包括印刷装置10的动作历史记录30a、表示印刷装置10的当前的状态的状态信息30b、以及表示在印刷装置10中印刷的印刷结果的图像。在本实施方式中，假定例如当将印刷作业输入印刷装置10时，在基于该印刷任务的印刷执行之前，进行预先确定的图案图像的印刷。
处理器20在印刷图案图像时，控制传感器42并获取表示图案图像的印刷结果的图像。此外，图案图像可以包括由线构成的图案(可以包括平行于主扫描方向的线或不平行于主扫描方向的线、平行于副扫描方向的线或不平行于副扫描方向的线)、用既定的颜色(比如油墨颜色)填充既定大小的区域的图案等。
此外，处理器20获取印刷图案图像的印刷日期时刻，并将印刷装置信息、印刷日期时刻以及印刷装置10的装置ID建立对应关系并发送给机器学习装置100。在印刷装置信息中包括从图案图像的印刷日期时刻往过去追溯的印刷装置10的动作历史记录30a、表示该印刷日期时刻的印刷装置10的状态的状态信息30b、以及表示图案图像的印刷结果的图像。机器学习装置100当获取印刷装置信息、印刷日期时刻以及装置ID时，将印刷装置信息130e与装置ID以及印刷日期时刻建立对应关系并存储在存储介质130中。
图3是示出印刷装置10中的图案图像的印刷定时、印刷装置10的故障定时的一例的图。在图3的例子中，日期时刻t1～t8示出在新的印刷作业涉及的印刷执行前的图案图像印刷的定时。例如，当在日期时刻t1印刷图案图像时，处理器20从未图示的计时器获取日期时刻t1作为印刷日期时刻，并且通过传感器42获取图案图像的印刷结果图像(I1)。此外，处理器20参考动作历史记录30a，获取从日期时刻t1往过去追溯的期间P1的动作历史记录(L1)。在本实施方式中，处理器20参考动作历史记录30a获取从日期时刻t1往过去追溯的期间P1中的温度的历史记录和湿度的历史记录。期间P2～期间P8具有与期间P1相同的长度。例如，可以假定获取过去一周内每小时的温度和湿度的历史记录的结构(在这种情况下，期间P1的长度是一周(P2～P8也是相同的长度)、历史记录的周期是1小时)。此外，周期的长度也可以根据动作历史记录的种类而不同，采用的历史记录的周期也可以不同(也可以例如温度的历史记录以过去一周的一小时为单位，湿度的历史记录以过去3天中的12小时为单位)。
此外，处理器20获取作为日期时刻t1的印刷装置10的状态的状态信息(S1)。具体而言，例如处理器20根据在日期时刻t1印刷图案图像而更新状态信息30b，并获取更新后的状态信息30b。然后，处理器20将包括动作历史记录(L1)、状态信息(S1)和图像(I1)的印刷装置信息DS1与日期时刻t1和印刷装置10的装置ID建立对应关系并发送给机器学习装置100。机器学习装置100将接收到的印刷装置信息DS1与装置ID及日期时刻t1建立对应关系并存储于存储介质130。在印刷装置10和机器学习装置100中，对日期时刻t2～日期时刻t8执行相同的处理，并将印刷装置信息DS2～DS8存储在机器学习装置100的存储介质130中。在图3中，省略了日期时刻t2～t7的记载，其执行与日期时刻t1相同的处理。
当印刷图案图像时，处理器20分析由传感器42获取到的图案图像的印刷结果图像，并基于与期望的图案图像的差异来判断是否是喷出不良状态。具体而言，例如处理器20在检测到与原来的线条图案(在不是喷出不良状态的正常状态下印刷的线条图案)相比，由每种油墨颜色的线条组成的线条图案产生弯曲、变粗、褪色/缺失、脱落、混色、多条线等的情况下，判断是喷出不良状态。此外，例如处理器20对于填充图案，在该填充图案的区域的平均浓度与本来的平均浓度(在不是喷出不良状态的正常状态下表示为印刷结果的平均密度)相差预先确定的值以上的情况下，判断是喷出不良状态。
处理器20在判断出印刷头处于喷出不良状态的情况下，执行维护。可以根据图案图像的印刷结果图像的内容来选择要执行的维护种类。另外，例如也可以按照由于维护消耗的油墨消耗量少的顺序选择要实施的维护的种类。当执行维护时，处理器20递增维护执行次数。在执行维护之后，处理器20再次印刷图案图像并通过传感器42获取印刷结果图像。然后，处理器20根据印刷结果图像与上述相同地判断是否是喷出不良状态。在判断出不是喷出不良状态(消除喷出不良处于正常状态)的情况下，处理器20递增执行维护之后的喷出不良消除次数。
处理器20印刷图案图像的印刷，在满足预先确定的故障判断基准的情况下判断印刷头处于故障。例如，也可以将连续反复预先确定次数的基于维护执行、维护执行后的图案图像印刷、图案图像的印刷结果图像的喷出不良判断也无法消除喷出不良状态作为印刷头的故障判断基准。此外，例如也可以将用户视觉确认图案图像的印刷结果并判断为是故障的内容通过UI部70输出作为故障判断基准。还可以将满足前者和后者这两者作为故障判断基准。
在满足故障判断基准的情况下，处理器20从未图示的计时器获取故障发生的日期时刻，并经由通信单元50与印刷装置10的装置ID建立对应关系并发送给机器学习装置100。机器学习装置100的控制部120若经由通信部150从印刷装置10获取装置ID以及故障日期时刻，则选择在存储介质130中与装置ID建立对应关系并存储的印刷装置信息，并计算与所选择的各印刷装置信息建立对应关系的印刷日期时刻与故障日期时刻之间的差量。该差量表示与印刷装置信息建立对应关系的印刷日期时刻之后的故障时期。控制部120将所选择的印刷装置信息中的图像、动作历史记录和状态信息的组合与计算出的差量建立对应关系并存储作为教师数据130b之一。
例如，在图3的例子中示出了印刷装置10在日期时刻t8发生了故障。在这种情况下，机器学习装置100的控制部120选择在存储介质130中存储的印刷装置信息130e中的、对应的装置ID与发送了故障日期时刻的印刷装置的装置ID相同的印刷装置信息、即未采用作为教师数据的印刷装置信息DS1～DS8。控制部120计算印刷装置信息DS1的印刷日期时刻t1与故障日期时刻t8之间的差量，并将印刷装置信息DS1(图像I1、动作历史记录L1、状态信息S1)与该差量建立对应关系并作为教师数据130b之一存储在存储介质130。对DS2～DS8也是同样地作为教师数据130b之一存储于记录介质130。
若这样储存既定量的教师数据，则控制部120使用教师数据执行机器学习处理。图4是表示机器学习处理的流程图。可以在既定量的教师数据130b被储存之后在任意定时执行机器学习处理。在开始机器学习处理时，控制部120获取训练模型130d(步骤S100)。在此，模型是表示用于导出推定对象的数据与推定结果的数据之间的对应关系的式子的信息。在本实施方式中，将以推定对象的数据是印刷装置信息且印刷装置的故障时期是推定结果数据的模型为例进行说明。此外，在本实施方式中，通过作为获取印刷装置信息的基准的日期时刻(在本实施方式中为图案图像的印刷日期时刻)以及该日期时刻之后的故障日期时刻(或者包括故障日期时刻的期间)之间的差量来表现印刷装置的故障时期。因此，例如表示为大于一周～小于两周等。
只要将输入数据转换为输出数据，就可以对模型进行各种定义。图5是示意性示出在本实施方式中利用的模型的一例的图。在本实施方式中，关于对印刷图案图像的印刷介质的表面进行拍摄而得到的图像数据(印刷结果图像(In))，使用CNN(ConvolutionalNeural Network，卷积神经网络)。在同图中，用长方体表示基于CNN的数据格式的变化，用白色圆圈表示通常的神经网络的节点。
在本实施方式的模型中，表示印刷结果图像(In)的图像数据被作为向CNN的输入层Li1输入的输入数据，并从层Ln1输出与图像数据有关的中间输出数据。输入CNN的图像数据是纵H像素、横W像素，对于每个像素，规定了R：红色、G：绿色和B：蓝色这三个沟道的灰度值。因此，在图5中，输入层Li1的图像被通过纵H、横W、纵深3的长方体示意地示出。在图5中，示出了在将图像输入到输入层之后，经过CNN即经过基于预定大小和数量的滤波器的卷积运算、基于激活函数的运算和池化层运算被转换为H11×W11×D11个输出值的例子。在图5中示出了然后经过多个层(省略图示)转换为Hm1×Wm1×Dm1个输出值。通过CNN得到了Hm1×Wm1×Dm1个输出值之后，可以获得表示通过全结合在层Ln1与图像数据相关的中间输出数据的输出值。
此外，在本实施方式的模型设置有用于输入动作历史记录(Ln)的节点和用于输入状态信息(Sn)的节点。在本实施方式中，构成动作历史记录(Ln)的各数据和构成状态信息(Sn)的各数据被作为向输入层Li2的各节点的输入数据，并从层Ln2输出与动作历史记录和状态信息相关的中间输出输出数据。
例如，在图5所示的模型中设置有用于分别输出在从日期时刻tn往过去追溯的期间Pn中的每个固定时间间隔的温度的历史记录和湿度的历史记录的节点。此外，例如在图5所示的模型中设置有分别输入日期时刻tn的印刷装置10的状态信息(Sn)中所包括的各数据(例如，累积喷射数、累积路径数、累积喷出时间、维护失败信息等)的节点。
输出层Lo的各节点层将Ln1、Ln2的各节点的输出值作为输入。输出层Lo的各节点对应于推测的故障时期(N0、N1、N2、N3、N4、N5)。N0是作为故障时期与0(即，当前时刻的故障)相对应的节点。N1～N5依次作为故障时期对应于小于1周、1周以上～小于2周、2周以上～小于3周、3周以上～小于4周、以及4周以后。将输出层Lo的各节点N0～N5的输出值之和标准化为1。此外，在层Ln1、Ln2与输出层Lo之间也可以存在多个层。在输出层Lo输出值最大的节点相对应的故障时期能推定是包括输入输入层Li1、Li2的各数据的印刷装置信息建立对应关系后得到的日期时刻为基准印刷装置10故障的可能性较高的时期。
在图4所示的流程图的步骤S100中，获取训练模型。在这里，训练表示学习对象。即，在训练模型中，虽然输入了印刷装置信息并输出印刷装置10的故障时期，但是印刷装置信息与故障时期之间的对应关系在初期是不正确的。也就是说，在训练模型中，虽然确定了节点构成的层数、节点数，但是规定输入输出的关系的参数(权重、偏差等)并不是最优化的。这些参数在机器学习过程中被最优化(即训练)。
训练模型可以预先确定，也可以由操作人员操作机器学习装置100并操作机器学习装置100所具备的UI部(未图示)而加以输入。在任一种情况下，如图5所示的例子，控制部120都将基于在印刷装置10中获取到的印刷装置信息(In、Ln、In)输出印刷装置10的故障时期的神经网络的参数获取作为训练模型。
接下来，控制部120获取教师数据(步骤S105)。在本实施方式中，如上所述，每次在印刷装置10中印刷图案图像时，从印刷装置10发送印刷装置信息、印刷日期时刻以及装置ID，并记录于机器学习装置100的存储介质130。此外，当在印刷装置10中发生了故障的情况下，基于从印刷装置10发送的故障日期时刻和装置ID、以及在存储介质130中存储完毕的印刷装置信息、印刷日期时刻和装置ID，构成将该ID所示的印刷装置中的印刷装置信息与印刷装置的故障日期时刻建立对应关系后得到的教师数据，并储存于存储介质130。控制部120参照存储介质130并获取教师数据130b。接下来，控制部120获取测试数据(步骤S110)。在本实施方式中，教师数据130b的一部分被提取成为测试数据。测试数据不用于训练。
然后，控制部120确定初始值(步骤S115)。即，控制部120对在步骤S100中获取到的训练模型中的、可变参数赋予初始值。可以通过各种方法确定初始值。例如，可以将随机值、0等用作初始值，也可以基于与权重和偏差的不同的思想来确定初始值。当然，也可以通过使在学习过程中参数最优化的方式调整初始值。
然后，控制部120执行学习(步骤S120)。即，控制部120将在步骤S105中获取到的教师数据130b中的印刷装置信息输入到在步骤S100中获取到的训练模型，并计算输出层Lo的输出值。此外，控制部120通过损失函数来指定误差，该损失函数表示输出的故障时期与教师数据130b所示的故障时期之间的误差。并且，控制部120将基于损失函数的参数的微分而更新参数的处理重复既定次数。例如，考虑存在将日期时刻t1的印刷装置信息(DS1)与作为故障时期(t8-t1)的“180天后”建立对应关系后的教师数据的情况。“180天之后”在本实施方式模型中对应于的输出层Lo的节点N5的“4周以上”。因此，在这种情况下，通过将印刷装置信息(DS1)输入到模型中而获得的输出(N0、N1、N2、N3、N4、N5)接近(0、0、0、0、0、1)的方式更新参数。
当然，损失函数可以采用各种函数，例如可以采用交叉熵误差等。对教师数据130b中含有的全部或一部分图像实施如上所述的计算损失函数的处理，并通过平均或总和来表现一次学习中的损失函数。若获得一次学习中的损失函数，则控制部120通过既定的最优化算法、例如随机梯度下降法来更新参数。
如上所述，若进行既定次数的参数的更新，则控制部120判断训练模型的泛化是否完成(步骤S125)。也就是说，控制部120将在步骤S110中获取到的测试数据所示的图像数据输入至训练模型，并获取表示设定的输出。然后，控制部120获取输出的设定和与测试数据建立对应关系后得到的设定一致的程度。在本实施方式中，在该一致的程度在阈值以上的情况下，控制部120判断泛化已完成。
除了对泛化性能的评价之外，还可以进行超参数的妥当性的验证。即，在作为权重和偏差以外的可变量的超参数例如节点的数量等被调整的结构中，控制部120也可以根据验证数据来验证超参数的妥当性。可以通过与步骤S110相同的处理从教师数据中提取验证数据。当然，验证数据也与测试数据一样不用于培训。
在步骤S125中未判断出训练模型的泛化已完成的情况下，控制部120重复步骤S120。也就是说，进一步更新权重和偏差。另一方面，在步骤S125中判断出训练模型的泛化已完成的情况下，控制部120记录学习的模型(步骤S130)。即，控制部120将训练模型作为已学习模型130a记录在存储介质130中。
根据以上的结构，可以生产用于推测印刷装置10的故障时期的模型(已学习模型130a)。控制部120经由通信部150将学习的模型130a发送给印刷装置10。印刷装置10的处理器20若经由通信单元50接收已学习模型130a，则存储在非易失性存储器30中。
印刷装置10的处理器20若将学习的模型130a存储在非易失性存储器30中然后印刷图案图像，则获取印刷装置信息(动作历史记录、状态信息、图案图像的印刷结果图像)，并将获取到的印刷装置信息输入已学习模型130a。处理器20可以获取已学习模型130a的输出层Lo的各节点的输出值，并基于各节点的输出值来推测故障时期。例如，来自已学习模型130a的输出(N0、N1、N2、N3、N4、N5)为(0.001、0.07、0.9、0.02、0.006、0.003)的情况下，处理器20选择输出值最大的N2。N2与一周以上～小于两周建立对应关系。处理器20以当前(本次的图案图像的印刷日期时刻)为基准估计故障时期为一周以上不到两周的时期。
在本实施方式中，处理器20构成为在推测的故障时期与当前之间的差量小于预先确定的阈值的情况下，通过UI部70的显示器向印刷装置10的用户通知推测的故障时期。例如，可以通知催促印刷头的更换部件的筹备的内容、催促筹备进行维护作业的技术人员的内容、催促更换印刷头的内容等。
在例如阈值为14天时在推测的故障时期小于两周的情况下执行通知。在进行了例如一次通知的情况下，也可以在一定期间内不会再次执行通知。这样，可以不频繁地通知相同的内容，且可以防止通知变得形式化。另外，例如，根据推测的故障时期小于2周的情况、小于1周的情况、当前时刻故障的情况，通知内容可以不同，通知目的地也可以不同。
此外，通知目的地不限于UI部70，也可以是向印刷装置10发送了印刷作业的未图示的PC、平板终端等，还可以是经由互联网等与印刷装置10能通信的支持中心的服务器计算机。在通知支持中心的情况下，印刷装置10的用户无需主动地更换部件、服务人员的筹备等，可以减轻用户的工夫。例如，在通知时，也可以向支持中心发送最新的印刷装置信息。还可以根据印刷装置信息的内容来确定更换部件的种类、维护作业的内容。
如上所述，根据本实施方式，可以提高能缩短印刷装置10的故障时间的可能性。另外，可以提高能缩短实施维护作业的服务人员的作业时间的可能性。
(2)图案图像的印刷处理：
图6是示出由印刷装置10的处理器20和机器学习装置100的控制部120执行的图案图像印刷处理的流程图。在本实施方式中，假定在印刷装置10接收到印刷作业时执行图案图像印刷处理。此外，除了接收到印刷作业的定时之外，也可以在由印刷装置10的用户指定的任意定时执行图案图像印刷处理。还可以在一天的印刷业务开始时或印刷业务结束时执行。
在如图6所示的图案图像印刷处理中包括图案图像的印刷和伴随图案图像印刷的处理。在伴随图案图像的印刷的处理中包括印刷装置信息的获取、喷出不良判断、维护、将印刷装置信息与故障时期建立对应关系后得到的教师数据的储存、使用已学习模型的故障时期的推测等。
在开始图案图像印刷处理时，印刷装置10的处理器20印刷图案图像，并获取印刷结果图像(In)、图案图像印刷日期时刻tn(步骤S200)。处理器20控制输送机构60输送印刷介质，同时使滑架40沿主扫描方向移动，从印刷部41的印刷头喷出用于在印刷介质上形成图案图像的墨滴。处理器20使滑架40沿主扫描方向移动，使得印刷在印刷介质上的图案图像被包括在传感器42的成像范围内(根据情况由输送机构60输送印刷介质)，控制传感器42，获得表示图案图像的印刷结果的图像(In)。此外，处理器20从未图示的计时部获取图案图像的印刷日期时刻tn。此外，由于印刷了图案图像，而更新累积喷射次数、累积路径数和累积喷出时间等的状态信息。
然后，机器学习装置100的控制部120存储包括印刷日期时刻tn之前的印刷装置10的动作历史记录(Ln)、表示印刷装置10在印刷日期时刻tn的状态的状态信息(Sn)、以及印刷结果图像(In)的印刷装置信息(DSn)(步骤S210)。具体而言，印刷装置10的处理器20将包括动作历史记录(Ln)、状态信息(Sn)、印刷结果图像(In)的印刷装置信息(DSn)、印刷日期时刻tn以及印刷装置10的装置ID发送到机器学习装置100。机器学习装置100的控制部120将印刷装置信息(DSn)与印刷日期时刻tn及装置ID建立对应关系并存储在存储介质130中。
接着，印刷装置10的处理器20判断是否存在已学习模型(步骤S215)。即，处理器20判断从机器学习装置100获取已学习模型130a并存储在非易失性存储器30中是否完毕。在步骤S215中未判断有已学习模型的情况下，处理器20判断是否是喷出不良状态(步骤S220)。即，处理器20分析在步骤S200中获取到的印刷结果图像(In)，并基于分析结果来判断印刷头是否处于喷出不良状态。
在步骤S220中未判断处于喷出不良状态的情况下(是正常的情况下)，图案图像印刷处理结束。如果在步骤S220中判断出处于喷出不良状态的情况下，印刷装置10的处理器20执行维护并递增执行次数(步骤S225)。具体而言，例如处理器20选择上述多种的维护中的、对应于印刷结果图像(In)的分析结果的维护、对应于执行顺序的维护。
然后，处理器20印刷图案图像并获得印刷结果图像(步骤S230)。动作内容与步骤S200相同。伴随着图案图像的印刷，状态信息也与步骤S200的情况相同地被更新。
随后，处理器20判断是否处于喷出不良状态(步骤S235)。即，处理器20分析在步骤S230中获取到的印刷结果图像，并基于分析结果判断是否处于喷出不良状态。处理内容与步骤S220相同。
在步骤S235中未判断为喷出不良状态的情况下，处理器20递增执行维护后的喷出不良消除次数(步骤S240)，结束图案图像印刷处理。在步骤S235中判断为处于喷出不良状态的情况下，处理器20判断是否满足上述故障判断基准(步骤S245)。
在步骤S245中未判断满足故障判断基准的情况下，处理返回步骤S225。在步骤S245中判断满足故障判断基准的情况下，处理器20获取故障日期时刻(步骤S250)。在本实施方式中，假定将在步骤S200中获取到的图案图像的印刷日期时刻处理作为故障日期时刻。另外，在步骤S245中也可以是在判断为满足故障判断基准时将从计时部获取到的日期时刻处理作为故障日期时刻的结构。处理器20将故障日期时刻以及装置ID发送到机器学习装置100。此外，在步骤S245中判断满足故障判断基准是在图3的例子的情况下在日期时刻t8执行的图案图像印刷处理。在日期时刻t8之前的日期时刻t1～日期时刻t7执行的图案图像印刷处理中，在步骤S220中判断为否结束图案图像印刷处理、或者在步骤S245中判断为否之后在步骤S235中判断为否(S245：判断为否～S235为止的处理可以被重复多次直至不满足故障确定基准的程度)，并结束S240之后的图案图像印刷处理。因此，在日期时刻t1～t7，在步骤S210中将印刷装置信息存储在存储介质130中，但是由于还没有发生故障，因此印刷日期时刻和故障日期时刻之间的差量不对应。
然后，机器学习装置100的控制部120计算与在存储介质130存储完毕的印刷装置信息建立对应关系的图案图像的印刷日期时刻与在步骤S250中获取到的故障日期时刻之间的差量(步骤S255)。为了计算差量而从存储介质130的印刷装置信息130e选择的印刷装置信息是与发送了故障日期时刻的印刷装置的装置ID相同的装置ID建立对应关系的印刷装置信息。此外，为了计算差量而选择的印刷装置信息是未被用作教师数据的印刷装置信息(例如，在图3的示例中，是在最近更换印刷头的日期时刻t0之后获取的印刷装置信息)。
接着，机器学习装置100的控制部120将存储完毕的印刷装置信息和在步骤S255中计算出的差量建立对应关系后得到的教师数据存储在存储介质130中(步骤S260)并结束图案图像印刷处理。例如，在图3的示例的情况下，在日期时刻t8执行的图案图像印刷过程中，将至此存储在存储介质130中的印刷装置信息DS1～DS7和此次存储的DS8与各印刷日期时刻(t1～t8)和故障日期时刻(t8)之间的差量分别建立对应关系而构成教师数据。此外，在步骤S245中判断满足故障判断基准的情况下，也可以在印刷装置10的UI部70的显示器显示催促更换印刷头的通知。
在学习装置100的存储介质130中，若既定量的教师数据130b被储存在存储介质130中，则控制部120执行如图4所示的机器学习处理，生成已学习模型130a。然后，控制部120将已学习模型发送到印刷装置10。
在步骤S215中判断存在已学习模型的情况下，印刷装置10的处理器20将印刷装置信息(DSn)输入到已学习模型，并获得表示故障时期的输出(步骤S265)。即，处理器20获取与输出(N0、N1、N2、N3、N4、N5)中的最大值的节点相对应的故障时期。然后，处理器20判断当前与故障时期之间的差是否小于阈值(步骤S270)。例如，在阈值为14天的情况下，若根据已学习模型130a的输出推测的故障时期小于2周(N0、N1或N2)的话，则判断当前与故障时期之间的差小于阈值。
在步骤S270中未判断当前与故障时期之间的差小于阈值的情况下，处理器20进入步骤S220的处理。在步骤S270中判断当前与故障时期之间的差小于阈值的情况下，处理器20通过UI部70的显示器来进行与故障时期相关的通知(步骤S275)。例如，由于故障时期临近，所以处理器20进行针对故障催促所具备的准备的通知。通知目的地可以是发送印刷作业的装置，也可以是支持中心。
另外，在步骤S270中判定为是且根据来自已学习模型130a的输出推测现状已经“故障中”的情况下，也可以在在S275中执行了以故障中、需要更换为内容的通知之后，省略步骤S220～S260。
也可以在一旦生成已学习模型130a之后在S260中储存新的教师数据。新储存的教师数据也可以用于已学习模型130a的再学习。
(3)其他实施方式：
上述实施方式是用于实施本发明的一例，并不仅限于存储已学习模型，获取印刷装置信息，并使用获取到的印刷装置信息和已学习模型来推测印刷装置的故障时期，还可以采用其他各种实施方式，其中所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的图像中的至少一个的印刷装置信息与印刷装置的故障时期建立对应关系后得到的数据。例如，也可以由印刷装置的控制部具备由机器学习设备的控制部实现的机器学习功能。并且，由故障时期推测装置的存储部、控制部实现的功能可以在机器学习装置中实现，也可以在除了机器学习装置、印刷装置之外的其他装置实现。
在上述实施方式中，将推测故障时期的对象的部位设定为印刷头，但也可以构成为也推测印刷头以外的部位(例如印刷介质的输送机构、滑架的驱动机构)的故障时期。
也可以在印刷装置信息(状态信息)中包括印刷头的累积通电时间。累积通电时间可以是在将印刷头安装到印刷装置之后的通电时间的累积值。也可以将累积通电时间占将印刷头安装到印刷装置之后的经过时间的比例用作计算出的机器学习模型的输入数据。此外，通电时间也可以是除印刷头以外的部位的通电时间，还可以是整个印刷装置的通电时间。
在印刷装置信息(状态信息)也可以包括印刷介质的每个种类的累积使用量。例如，也可以假定在将印刷头安装到印刷装置之后用于印刷的印刷介质的每种的使用量的累积值(卷纸中种类A的印刷介质相当于尺寸M的裁切纸的N张的量的使用等)。另外，在印刷装置信息(状态信息)也可以包括无边界印刷的累积实施次数、累积实施量(诸如N张大小为M的裁切纸等)等。
此外，除了印刷结果图像之外，在印刷装置信息还可以包括表示印刷介质的种类的信息，印刷介质的种类也可以包括在机器学习模型的输入数据之一中。这是因为即使印刷头的状态正常，印刷结果图像也会根据印刷介质的种类而不同。此外，可以根据以对应于印刷介质的种类的基准来执行用于判断印刷头是否处于喷出不良状态的图像分析。例如，印刷介质的种类可以是根据由传感器42获取到的图像(印刷介质的非印刷区域的图像)自动判断的结构，还可以是由用户输入的结构。
此外，在图6的图案图像印刷处理的步骤S220、步骤S235中，也可以使用机器学习模型来判断是否处于喷出不良状态(喷出是否正常)。通过使用将喷出正常时的图案图像的印刷结果图像与喷出正常的标签(例如1：正常喷出，0：喷出失败)建立对应关系后得到的教师数据的机器学习来生成该模型的结构。也可以构成为将图案图像的印刷结果图像输入到已学习模型而获得的输出值与阈值(例如0.9)进行比较，若在阈值以上则判断为喷出正常状态，若小于阈值则判断为喷出不良状态。
此外，在印刷装置信息(状态信息)也可以包括浓度。例如也可以是印刷用各油墨色单独填充的填充图案并获取在填充图案的印刷结果图像中所示的填充图案的浓度(例如填充区域的平均浓度)的结构。获取到的浓度也可以被用作用于推测故障时期的机器学习模型的输入数据之一。
在印刷装置信息也可以包括印刷装置的连续运转时间。连续运转时间也可以被定义为例如在最近的预定的长度期间(例如，最近的三个月)中已连续执行印刷的期间的长度中的最频值、平均值、最长值等。例如，将从印刷装置接收印刷作业到结束该印刷作业的印刷期间设为印刷作业执行期间。并且，如果印刷作业执行期间和后续的印刷作业执行期间之间的长度在阈值(例如一天)之内，则视为连续执行印刷。也可以对于最近的预定的长度的期间，计算以此方式定义的“连续执行印刷的期间”的长度，将如上所述的统计值可以作为连续运转时间。此外，例如还可以在印刷装置信息中包括最近的预定的长度期间中的以24小时为单位的运转率的历史记录。
另外，在上述实施方式中，虽然是使用检测油墨的温度的传感器的结构，但是也可以是获取设置有印刷装置的空间、设置区域的温度的结构。用于检测空间的温度的温度计或温度传感器也可以设置在印刷装置中，还可以独立于印刷装置设置。在后者的情况下，印刷装置可以是从外部的温度传感器通过通信获取温度的结构。例如，在油墨具有即使在设置印刷装置的房间的室内温度变动油墨温度也不立即跟随的特性的情况下，室温的变动的周期越短，越难以对由于油墨的增稠而导致故障的容易程度产生影响。此外，例如，在成为油墨易于增稠的程度的温度下的期间较长的情况下，可能对容易产生故障的程度带来影响。根据油墨的种类，对室温的变动的追随的特征也会不同。通过将温度的历史记录设为机器学习模型的输入数据之一，从而可以进行基于温度的历史记录的故障时期的推测。此外，也可以是湿度计被设置在印刷装置中的结构，还可以独立于印刷装置设置。
上述实施方式中所示的机器学习模型仅是一例，只要可以根据印刷装置信息来推测故障时期则可以是任意的结构。例如，也可以是设置作为划分是否输入印刷装置信息并实施通知的阈值的期间(例如7天或14天)内输出是否故障的一个输出节点的结构(1：在阈值期间内故障、0：在阈值期间内没故障)。并且，也可以构成为如果输出到输出节点的值是例如在0.9以上，则进行有关故障时期的通知。
印刷结果图像也可以是由扫描仪读取到的图像，还可以是由与印刷装置分体的照相机在既定的拍摄条件(例如照明环境等)下拍摄的图像。此外，印刷结果图像并不仅限于表示当印刷称为所谓的喷嘴检查图案或测试图案的预先确定的图案图像时的印刷结果的图像。印刷结果图像也可以是表示当印刷任意的图像时的印刷结果的图像。也可以根据表示任意图像的印刷对象图像数据(基于该印刷对象图像数据执行印刷)和表示印刷结果图像的图像数据(印刷结果图像数据)的比较来进行基于任意图像的印刷结果图像的喷出不良判断。另外，通过将印刷对象图像数据和印刷结果图像数据都用作机器学习模型的输入，从而可以进行基于这些差异的故障时期的推测。
机器学习方法可以是各种方法。即，只要构建用于输入印刷装置信息并输出故障时期的模型，并进行用于使该模型的输出与教师数据中的故障时期之间的差量极小化的学习即可。因此，例如，当进行神经元网络的机器学习的情况下，适当选择构成模型的层数或节点的数量、激活函数的种类、损失函数的种类、梯度下降方法的种类、梯度下降方法的最优化算法的种类、有无小批量学习、成批的数量、学习率、初始值、过学习抑制方法的种类或有无、卷积层的有无、卷积运算中的滤波器的大小、滤波器的种类、填充或跨度的种类、合并层的种类或有无、所有耦合层的有无、递归结构的有无等各种元素来执行机器学习即可。当然，也可以通过其他的机器学习例如支持向量机、聚类、强化学习等来进行学习。此外，也可以执行将模型结构(例如层数、每层节点数等)被自动最优化的机器学习。此外，可以分多个阶段地进行学习。
印刷装置信息也可以包括维护的执行历史记录，该维护的执行历史记录包括冲刷和擦抹中的至少一个，所述冲刷是为了消除油墨的喷出不良而从印刷头喷出油墨，所述擦抹是擦拭印刷头的喷嘴面。例如，表示执行维护的日期时刻以及执行的维护种类的执行历史记录可以被用作机器学习模型的输入数据的一部分。
此外，如本发明所述，存储使用将包括印刷装置的动作历史记录、表示当前状态的状态信息、表示印刷结果的图像中的至少一个的印刷装置信息与印刷装置的故障时期建立对应关系后得到的教师数据进行了机器学习的学习模型，获取印刷装置信息，并使用获取到的印刷装置信息和学习模型来推测印刷装置的故障时期的方法也可以适用于程序、方法。另外，如果如上所述的系统、程序和方法存在被实现作为单个装置的情况，则有时利用多个装置具备的部件加以实现，包括各种方式。此外，也可以适当变更一部分是软件一部分是硬件等。此外，本发明作为控制系统的程序的记录介质也成立。当然，该程序的记录介质可以是磁记录介质，也可以是半导体存储器，还可以全部同样考虑今后开发的任何记录介质。

Claims (9)

1.一种故障时期推测装置，其特征在于，具备：
存储部，存储已学习模型，所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据；以及
控制部，获取所述印刷装置信息，并使用获取到的所述印刷装置信息和所述已学习模型来推测所述印刷装置的所述故障时期，
所述印刷装置信息包括维护失败信息，所述维护失败信息是由维护执行次数与维护执行后的喷出不良消除次数之间的差异来表示的即使执行维护也难以消除喷出不良状态的状况的程度的信息。
2.根据权利要求1所述的故障时期推测装置，其特征在于，
所述印刷结果图像是表示预先确定的图案图像的印刷结果的图像，
所述动作历史记录是从所述图案图像的印刷起追溯过去的动作的历史记录，
所述状态信息是表示印刷所述图案图像时的所述印刷装置的状态的信息。
3.根据权利要求2所述的故障时期推测装置，其特征在于，
所述图案图像包括由线构成的图案、以及用既定的颜色填充既定大小的区域的图案中的至少任一种。
4.根据权利要求1至3中任一项所述的故障时期推测装置，其特征在于，
通过传感器拍摄所述印刷结果图像，所述传感器设置于滑架，所述滑架搭载有印刷头，所述印刷头具有对印刷介质喷出油墨的喷嘴。
5.根据权利要求1所述的故障时期推测装置，其特征在于，
所述控制部在当前与所预测的所述故障时期之间的差小于阈值的情况下，进行与所述故障时期关联的通知。
6.根据权利要求1所述的故障时期推测装置，其特征在于，
所述印刷装置信息包括维护的执行历史记录，所述维护的执行历史记录包括冲刷和擦抹中的至少一个，所述冲刷是为了消除油墨的喷出不良而从印刷头喷出油墨，所述擦抹是擦拭印刷头的喷嘴面。
7.根据权利要求1所述的故障时期推测装置，其特征在于，
所述印刷装置信息包括所述印刷装置的连续运转时间、所述印刷装置的温度的历史记录、以及所述印刷装置的周围温度的历史记录中的至少一个。
8.一种机器学习装置，其特征在于，具备：
控制部，获取教师数据，并使模型基于所述教师数据进行机器学习，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据，所述模型为输入所述印刷装置信息而输出所述故障时期的模型，
所述印刷装置信息包括维护失败信息，所述维护失败信息是由维护执行次数与维护执行后的喷出不良消除次数之间的差异来表示的即使执行维护也难以消除喷出不良状态的状况的程度的信息。
9.一种故障时期推测方法，其特征在于，
存储已学习模型，所述已学习模型是使用教师数据进行机器学习后得到的已学习模型，所述教师数据是将包括印刷装置的动作历史记录、表示当前的状态的状态信息、表示印刷结果的印刷结果图像中的至少一个的印刷装置信息与所述印刷装置的故障时期建立对应关系后得到的数据，
获取所述印刷装置信息，并使用获取到的所述印刷装置信息和所述已学习模型来推测所述印刷装置的所述故障时期，
所述印刷装置信息包括维护失败信息，所述维护失败信息是由维护执行次数与维护执行后的喷出不良消除次数之间的差异来表示的即使执行维护也难以消除喷出不良状态的状况的程度的信息。
CN202010152750.6A 2019-03-08 2020-03-06 故障时期推测装置、机器学习装置、故障时期推测方法 Active CN111660687B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-042320 2019-03-08
JP2019042320A JP6915638B2 (ja) 2019-03-08 2019-03-08 故障時期推測装置、機械学習装置、故障時期推測方法

Publications (2)

Publication Number Publication Date
CN111660687A CN111660687A (zh) 2020-09-15
CN111660687B true CN111660687B (zh) 2022-02-25

Family

ID=72335726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010152750.6A Active CN111660687B (zh) 2019-03-08 2020-03-06 故障时期推测装置、机器学习装置、故障时期推测方法

Country Status (3)

Country Link
US (1) US11472175B2 (zh)
JP (1) JP6915638B2 (zh)
CN (1) CN111660687B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11981138B2 (en) 2020-09-16 2024-05-14 Seiko Epson Corporation Information processing system, learning device, and information processing method

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021089606A (ja) * 2019-12-04 2021-06-10 キヤノン株式会社 システムおよびその制御方法、並びにプログラム
WO2021204480A1 (en) * 2020-04-10 2021-10-14 Memjet Technology Limited Method of evaluating printhead condition
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
JP2022049206A (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
CN112365971B (zh) * 2020-11-09 2021-06-11 罗鑫龙 一种基于5g的远程互联网大数据智慧医疗系统
CN114654902B (zh) * 2020-12-23 2023-06-02 精工爱普生株式会社 利用机器学习模型来执行印刷介质的判别处理的方法以及系统
JP7294361B2 (ja) * 2021-03-23 2023-06-20 横河電機株式会社 フィールド機器、測定方法、及びプログラム
JP2023114275A (ja) * 2022-02-04 2023-08-17 キヤノン株式会社 情報処理装置、システム、情報処理装置の制御方法及びプログラム
US11681478B1 (en) * 2022-03-09 2023-06-20 Toshiba Tec Kabushiki Kaisha Image forming device
CN116260235B (zh) * 2023-03-11 2023-08-22 傲视恒安科技（北京）有限公司 电源切换的方法、装置、电子设备及可读存储介质

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06320732A (ja) * 1993-05-17 1994-11-22 Canon Inc インクジェット記録装置
JPH086444A (ja) * 1994-06-23 1996-01-12 Fuji Xerox Co Ltd 画像形成装置
JP2005132018A (ja) * 2003-10-31 2005-05-26 Canon Finetech Inc インクジェット記録装置
JP4538845B2 (ja) * 2004-04-21 2010-09-08 富士ゼロックス株式会社 故障診断方法および故障診断装置、画像形成装置、並びにプログラムおよび記憶媒体
JP4670291B2 (ja) * 2004-09-21 2011-04-13 富士ゼロックス株式会社 インクジェット記録ヘッド故障予測システム
JP4757136B2 (ja) 2005-08-31 2011-08-24 キヤノン株式会社 記録装置および制御方法
US7878615B2 (en) * 2005-12-14 2011-02-01 Pitney Bowes Inc. System and method for detecting defective ink jet nozzles
JP4609368B2 (ja) * 2006-04-17 2011-01-12 富士ゼロックス株式会社 故障診断モデル生成装置、故障診断システム、及び、故障診断モデル生成プログラム
JP4711077B2 (ja) * 2006-06-09 2011-06-29 富士ゼロックス株式会社 故障診断システム、画像形成装置および故障診断プログラム
EP1947522A1 (en) * 2007-01-22 2008-07-23 Konica Minolta Business Technologies, Inc. Color image forming apparatus and image forming method with misalignment correction
JP5122254B2 (ja) * 2007-11-22 2013-01-16 株式会社リコー 稼働状態判別方法および画像形成装置
JP2009086896A (ja) * 2007-09-28 2009-04-23 Toshiba Corp コンピュータの障害予測システムおよび障害予測方法
JP5152920B2 (ja) * 2008-12-26 2013-02-27 富士フイルム株式会社 画像形成装置及び遠隔監視システム
JP2011206729A (ja) * 2010-03-30 2011-10-20 Toray Eng Co Ltd インクジェット装置及びインクジェットヘッドの管理方法
JP5909887B2 (ja) * 2011-06-14 2016-04-27 セイコーエプソン株式会社 画像処理装置、印刷装置、画像処理方法、ルックアップテーブルの生成方法
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
JP2014148051A (ja) * 2013-01-31 2014-08-21 Fujifilm Corp 画像記録装置及び画像記録方法
JP6459180B2 (ja) * 2014-02-10 2019-01-30 富士ゼロックス株式会社 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム
JP2015170200A (ja) 2014-03-07 2015-09-28 キヤノン株式会社 故障予測装置及び故障予測方法
JP6167948B2 (ja) * 2014-03-14 2017-07-26 富士ゼロックス株式会社 障害予測システム、障害予測装置およびプログラム
CN104943386B (zh) * 2014-03-28 2017-04-26 国际商业机器公司 打印头生存状态确定方法及系统
JP6398436B2 (ja) * 2014-08-01 2018-10-03 株式会社リコー 媒体判別装置、画像形成装置、媒体判別方法、およびプログラム
JP6424562B2 (ja) * 2014-10-23 2018-11-21 富士ゼロックス株式会社 障害予測装置、障害予測システム、及びプログラム
JP6592899B2 (ja) * 2015-01-13 2019-10-23 富士ゼロックス株式会社 障害予測装置、障害予測システム、及びプログラム
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP6530676B2 (ja) * 2015-08-20 2019-06-12 理想科学工業株式会社 インクジェット印刷装置およびインクカートリッジ
JP6801261B2 (ja) * 2016-06-29 2020-12-16 セイコーエプソン株式会社 インクジェットプリンター、及びインクジェットプリンターの制御方法
JP2018170629A (ja) * 2017-03-29 2018-11-01 京セラドキュメントソリューションズ株式会社 遠隔保守装置及び遠隔保守方法
JP6950280B2 (ja) * 2017-05-25 2021-10-13 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
JP2019008675A (ja) 2017-06-27 2019-01-17 ファナック株式会社 故障予測装置及び機械学習装置
JP7233868B2 (ja) * 2018-08-08 2023-03-07 キヤノン株式会社 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム
CN109263271B (zh) * 2018-08-15 2020-06-12 同济大学 一种基于大数据的印刷设备检测分析方法
JP7081565B2 (ja) * 2019-05-16 2022-06-07 セイコーエプソン株式会社 情報処理装置、印刷装置、学習装置及び情報処理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11981138B2 (en) 2020-09-16 2024-05-14 Seiko Epson Corporation Information processing system, learning device, and information processing method

Also Published As

Publication number Publication date
US20200282719A1 (en) 2020-09-10
JP2020142472A (ja) 2020-09-10
US11472175B2 (en) 2022-10-18
CN111660687A (zh) 2020-09-15
JP6915638B2 (ja) 2021-08-04

Similar Documents

Publication Publication Date Title
CN111660687B (zh) 故障时期推测装置、机器学习装置、故障时期推测方法
JP6576316B2 (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
JP7047812B2 (ja) 情報処理装置、印刷装置、学習装置及び情報処理方法
EP1452321A1 (en) Method of cleaning print head
JP6992774B2 (ja) 情報処理装置、学習装置及び学習済モデル
JP7081565B2 (ja) 情報処理装置、印刷装置、学習装置及び情報処理方法
CN111497443B (zh) 印刷装置、机器学习装置、机器学习方法
CN113924212B (zh) 喷墨印刷中的故障喷嘴补偿和非均匀性校正的方法和系统
JP2007022082A (ja) 転写面保守システム監視方法
CN111483237A (zh) 印刷装置、学习装置及学习方法
US20180267748A1 (en) Printing control apparatus, printing apparatus, and printing control method
JP2011051225A (ja) 画像記録装置の記録不良検査方法
JP6814883B2 (ja) 画像形成装置及び画像形成方法
US20220063261A1 (en) Printing apparatus and print producing method
JP2018153922A (ja) クリーニング時間予測装置および印刷システム
US11981138B2 (en) Information processing system, learning device, and information processing method
US20190315121A1 (en) Liquid discharge apparatus
JP2016215395A (ja) 液体を吐出する装置、画像データを処理する方法、プログラム
CN111660668A (zh) 喷墨记录装置及喷出不良喷嘴的补充设定方法
JP2022049206A (ja) 情報処理システム、学習装置及び情報処理方法
US11679589B2 (en) Information processing system, learning device, and information processing method
US11807011B2 (en) Information processing system, information processing method, and learning device
US20240001669A1 (en) System and method for predicting inoperative inkjets within printheads in an inkjet printer
JP2020049762A (ja) 画像処理装置、および、コンピュータプログラム
JP2020146840A (ja) 液体吐出装置、液体吐出装置の制御方法

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