JP2020185744A - 情報処理装置、印刷装置、学習装置及び情報処理方法 - Google Patents

Abstract

【課題】 印刷装置の使用状況に基づいて対処を推測することによって、印刷品質の低下を抑制する情報処理装置、印刷装置、学習装置及び情報処理方法等の提供。【解決手段】 情報処理装置２００は、学習済モデルを記憶する記憶部２３０と、受付部２１０と、処理部２２０を含む。学習済モデルは、印刷ヘッド３１の不良状態情報と、印刷装置１の使用環境情報と、推奨される対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習された学習済モデルである。受付部２１０は、印刷ヘッド３１の不良状態情報と、使用環境情報を受け付ける。処理部２２０は、受け付けた不良状態情報及び使用環境情報と、学習済モデルとに基づいて、不良に応じた対処を提示する。【選択図】 図１８

Description

本発明は、情報処理装置、印刷装置、学習装置及び情報処理方法等に関する。

従来、印刷装置の異常を予測する手法が種々知られている。例えば特許文献１には、印刷装置から定期的に出力されるテスト画像を解析し、解析結果の時系列の推移に基づいて故障を予測する手法が開示されている。

特開２０１５−１７０２００号公報

特許文献１の手法は、所定のテスト画像の判定結果に基づいて故障を予測する手法である。具体的には、例えばテスト画像からノイズ量等のスコアを算出し、当該スコアが直線的に変化していくという仮定に基づいて将来的なスコアを推定し、推定結果に基づいて故障予測を行う。しかし印刷装置において異常が発生するか否かは、当該印刷装置の使用環境に応じて大きく異なる。より高い精度で異常を推定するためには、テスト画像の判定結果だけでなく、使用環境等の他の情報を考慮する必要がある。

本開示の一態様は、印刷ヘッドの不良状態情報と、前記印刷ヘッドを有する印刷装置の使用環境情報と、前記印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習された学習済モデルを記憶する記憶部と、前記印刷ヘッドの前記不良状態情報と、前記使用環境情報を受け付ける受付部と、受け付けた前記不良状態情報及び前記使用環境情報と、前記学習済モデルとに基づいて、前記不良に応じた対処を提示する処理部と、を含む情報処理装置に関係する。

印刷装置の構成例。 印刷ヘッド周辺の構成を示す図。 複数の印刷ヘッドの配列を示す図。 印刷ヘッド周辺の構成を示す他の図。 撮像部の構成例。 印刷ヘッドの断面図。 残留振動の波形情報に基づく吐出不良の判定手法を説明する図。 気泡混入を説明する模式図。 インク増粘を説明する模式図。 異物付着を説明する模式図。 ノズル状態に応じた残留振動の波形情報を説明する図。 不良状態情報に基づく分類を説明する図。 ノズル補完処理を説明する図。 学習装置の構成例。 ニューラルネットワークの説明図。 訓練データの例。 ニューラルネットワークの入力と出力の例。 情報処理装置の構成例。 情報処理装置の他の構成例。 情報処理装置における処理を説明するフローチャート。

以下、本実施形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された内容を不当に限定するものではない。また本実施形態で説明される構成の全てが必須構成要件であるとは限らない。

１．概要
１．１ 印刷装置の構成例
図１は、本実施形態に係る印刷装置１の構成を示す図である。印刷装置１は、図１に示すように、搬送ユニット１０と、キャリッジユニット２０と、ヘッドユニット３０と、駆動信号生成部４０と、インク吸引ユニット５０と、ワイピングユニット５５と、フラッシングユニット６０と、第１検査ユニット７０と、第２検査ユニット８０と、検出器群９０と、コントローラー１００と、を含む。印刷装置１は、用紙、布、フィルム等の印刷媒体に向けてインクを吐出するものであり、コンピューターＣＰと通信可能に接続されている。コンピューターＣＰは、印刷装置１に画像を印刷させるため、その画像に応じた印刷データを印刷装置１に送信する。印刷データは、上記画像を表す印刷画像データに加え、印刷設定情報を含む。印刷設定情報は、印刷媒体のサイズや、印刷品質、カラー設定等を決定するための情報である。

搬送ユニット１０は、印刷媒体を所定の方向に搬送させる。印刷媒体は、例えば用紙Ｓである。用紙Ｓは、所定サイズの印刷用紙であってもよいし、連続紙であってもよい。以下、印刷媒体が搬送される方向を搬送方向と表記する。搬送ユニット１０は、図２に示すように、上流側ローラー１２Ａ及び下流側ローラー１２Ｂと、ベルト１４とを有する。不図示の搬送モーターが回転すると、上流側ローラー１２Ａ及び下流側ローラー１２Ｂが回転し、ベルト１４が回転する。給紙された印刷媒体は、ベルト１４によって、印刷処理の実行可能な領域である印刷エリアまで搬送される。印刷エリアとは、ヘッドユニット３０と対向する領域である。ベルト１４が用紙Ｓを搬送することによって、用紙Ｓが印刷ヘッド３１に対して搬送方向に移動する。

キャリッジユニット２０は、印刷ヘッド３１を含むヘッドユニット３０を移動させる。キャリッジユニット２０は、ガイドレールに沿って用紙Ｓの紙幅方向へ往復移動可能に支持されたキャリッジと、キャリッジモーターとを有する。キャリッジは、このキャリッジモーターの駆動によって、印刷ヘッド３１と一体となって移動する。キャリッジが紙幅方向に移動することによって、印刷エリアに位置していた印刷ヘッド３１は、印刷エリアとは異なるメンテナンスエリアに移動する。メンテナンスエリアとは、回復処理を実行可能な領域である。

ヘッドユニット３０は、搬送ユニット１０によって印刷エリアに搬送された用紙Ｓに対してインクを吐出する。ヘッドユニット３０は、搬送中の用紙Ｓに対してインクを吐出することによって、用紙Ｓにドットを形成し、画像を用紙Ｓに印刷する。本実施形態に係る印刷装置１は、例えばラインヘッド方式のプリンターであり、ヘッドユニット３０は紙幅分のドットを一度に形成できる。また、ヘッドユニット３０は、図３に示すように、紙幅方向に沿って千鳥列状に並んだ複数の印刷ヘッド３１と、コントローラー１００からのヘッド制御信号に基づいて印刷ヘッド３１を制御するヘッド制御部ＨＣと、を有している。

各印刷ヘッド３１は、例えばブラックインクノズル列、シアンインクノズル列、マゼンタインクノズル列、及び、イエローインクノズル列を、その下面に有しており、各ノズル列からそれぞれ異なる色のインクを用紙Ｓに向けて吐出する。また、本実施形態に係る印刷ヘッド３１は、ある特定のインク色だけのノズル列を備えてもよい。なお、実際のノズルの位置は図３に示すように搬送方向の位置が異なるが、吐出するタイミングを異ならせることによって、各印刷ヘッド３１のノズル列から構成されるノズル群を、一列に並ぶノズルとして考えることができる。

搬送中の用紙Ｓに対して、各ノズルから断続的にインク滴が吐出されることによって、ノズル群は、用紙Ｓにラスターラインを形成する。例えば、第１ノズルは第１ラスターラインを用紙Ｓ上に形成し、第２ノズルは第２ラスターラインを用紙Ｓ上に形成する。以下の説明において、ラスターラインの方向をラスター方向と言う。

ノズルに吐出不良が発生した場合、用紙Ｓ上には適切なドットが形成されない。吐出不良とは、ノズルが目詰まりしてインク滴が適切に吐出されない状態を表す。また以下の説明において、適切に形成されていないドットをドット不良と言う。ノズルの吐出不良は、一度生じると印刷中に自然に回復することはほとんどないため、吐出不良は連続的に生じる。そうすると、用紙Ｓにおいてラスター方向に連続してドット不良が生じるため、印刷画像上ではドット不良は白又は明るい筋として観察される。

駆動信号生成部４０は、駆動信号を生成する。駆動信号が駆動素子であるピエゾ素子ＰＺＴに印加されると、ピエゾ素子ＰＺＴは伸縮し、各ノズルＮｚに対応する圧力室３３１の容積が変化する。駆動信号は、印刷処理時、第２検査ユニット８０を用いた吐出不良の検出処理時、フラッシング処理時などに、印刷ヘッド３１に印加される。ピエゾ素子ＰＺＴを含む印刷ヘッド３１の具体例については、図６を用いて後述する。

インク吸引ユニット５０は、印刷ヘッド３１のノズルＮｚから、ヘッド内のインクを吸引してヘッド外へ排出する。インク吸引ユニット５０は、不図示のキャップを印刷ヘッド３１のノズル面に密着させた状態で、不図示の吸引ポンプを動作させ、キャップの空間を負圧にすることによって、印刷ヘッド３１内のインクを、印刷ヘッド３１内に混入した気泡と共に吸引する。これにより、ノズルＮｚの吐出不良を回復できる。

ワイピングユニット５５は、印刷ヘッド３１のノズル面に付着した紙粉等の異物を除去する。ワイピングユニット５５は、印刷ヘッド３１のノズル面に当接可能なワイパーを有している。ワイパーは、可撓性を有する弾性部材により構成されている。キャリッジがキャリッジモーターの駆動により紙幅方向に移動すると、ワイパーの先端部は印刷ヘッド３１のノズル面に当接して撓み、ノズル面の表面をクリーニングする。これにより、ワイピングユニット５５は、ノズル面に付着した紙粉等の異物を取り除き、当該異物により目詰まりしていたノズルＮｚから正常にインクを吐出させることが可能となる。

フラッシングユニット６０は、印刷ヘッド３１がフラッシング動作を行うことにより吐出されたインクを受けて貯留する。フラッシング動作とは、印刷する画像とは関係のない駆動信号を駆動素子に印加し、ノズルＮｚから強制的に連続してインク滴を吐出させる動作である。これにより、ヘッド内のインクが増粘、乾燥して、適正な量のインクが吐出されなくなることを抑制できるため、ノズルＮｚの吐出不良を回復できる。

第１検査ユニット７０は、用紙Ｓに形成された印刷画像の状態に基づいて吐出不良を検査する。第１検査ユニット７０は、撮像部７１と、画像処理部７２を含む。なお、図１においては画像処理部７２とコントローラー１００をそれぞれ記載したが、画像処理部７２は、コントローラー１００によって実現されてもよい。撮像部７１の詳細、及び画像処理部７２における処理の詳細については後述する。

第２検査ユニット８０は、印刷ヘッド３１内のインクの状態に基づいて吐出不良をノズルＮｚごとに検査する。第２検査ユニット８０は、Ａ／Ｄ変換部８２を含む。Ａ／Ｄ変換部８２は、ピエゾ素子ＰＺＴにおける検出信号に対してＡ／Ｄ変換を行い、デジタル信号を出力する。ここでの検出信号は、残留振動の波形情報である。また本実施形態においては、Ａ／Ｄ変換後のデジタル信号についても、残留振動の波形情報と表記する。残留振動の波形情報の詳細、及び当該波形情報に基づく吐出不良の検出手法については、図６〜図１１を用いて後述する。

コントローラー１００は、印刷装置１の制御を行うための制御ユニットである。コントローラー１００は、インターフェース部１０１と、プロセッサー１０２と、メモリー１０３と、ユニット制御回路１０４と、を含む。インターフェース部１０１は、外部装置であるコンピューターＣＰと印刷装置１との間でデータの送受信を行う。プロセッサー１０２は、印刷装置１全体の制御を行うための演算処理装置である。プロセッサー１０２は、例えばＣＰＵ（Central Processing Unit）である。メモリー１０３は、プロセッサー１０２のプログラムを格納する領域や作業領域等を確保するためのものである。プロセッサー１０２は、メモリー１０３に格納されているプログラムに従ったユニット制御回路１０４によって各ユニットを制御する。

検出器群９０は、印刷装置１内の状況を監視するものであり、例えば温度センサー９１、湿度センサー９２、気圧センサー９３、標高センサー９４、気泡センサー９５、ホコリセンサー９６、擦れセンサー９７を含む。なお、標高センサー９４は、例えば温度センサーと気圧センサーの組み合わせによって実現される。標高センサー９４を実現するセンサーは、例えば、温度センサー９１及び気圧センサー９３であってもよいし、異なるセンサーであってもよい。また検出器群９０は、印刷媒体の搬送などの制御に利用されるロータリー式エンコーダー、搬送される印刷媒体の有無を検出する用紙検出センサー、キャリッジの移動方向の位置を検出するためのリニア式エンコーダー等の不図示の構成を含んでもよい。

また以上では印刷ヘッド３１が用紙幅をカバーするように設けられるラインヘッド方式の印刷装置１について説明した。ただし本実施形態の印刷装置１は、ラインヘッド方式に限定されず、シリアルヘッド方式であってもよい。シリアルヘッド方式とは、印刷ヘッド３１を主走査方向において往復させることによって紙幅分の印刷を行う方式である。

図４は、シリアルヘッド方式の印刷装置１における印刷ヘッド３１周辺の構成を模式的に表した平面図である。印刷ヘッド３１は、複数のノズルＮｚを備え、プロセッサー１０２の指示に従って、印刷媒体に対してノズルＮｚからインクを噴射することによって、印刷媒体上に画像を形成する。印刷ヘッド３１は、図４に示されるように、複数備えられ、キャリッジ２１に搭載される。一例として、４色のインクを使用する場合、各色のインク毎に印刷ヘッド３１が設けられる。

キャリッジ２１は、印刷ヘッド３１及び撮像部７１を搭載し、それらを紙幅方向に移動させる。紙幅方向とは、主走査方向と言い換えてもよい。キャリッジ２１は、図示していない駆動源及び伝動装置によってキャリッジレール２２に沿って移動する。キャリッジ２１は、プロセッサー１０２からキャリッジ制御信号を取得し、当該キャリッジ制御信号に基づいて駆動される。

印刷時には、図４に示されるように、搬送方向に搬送される用紙Ｓに対して、キャリッジ２１によって紙幅方向に移動する印刷ヘッド３１からインクが吐出されることによって、用紙Ｓ上に画像が形成される。印刷媒体の搬送はラインヘッド方式と同様に搬送ユニット１０によって行われる。

１．２ 第１検査ユニット
図５は、第１検査ユニット７０に含まれる撮像部７１の構成例であって、撮像部７１の内部構造を示す縦断面図である。撮像部７１は、下方に開口部を有する箱型のケース７１２に、撮像ユニット７１１と、制御ボード７１４と、第１光源７１５及び第２光源７１６と、を搭載する。なお撮像部７１は図５の構成に限定されない。

第１光源７１５と第２光源７１６は、撮像対象の被写体に撮影用の光を照射するＮ個（Ｎ≧２）の光源であって、それぞれの発光正面方向ＤＬ１，ＤＬ２が互いに、被写体に対して正反射の位置に設置されている。第１光源７１５と第２光源７１６は、例えば白色の発光ダイオードであり、駆動用の電圧及び電流が制御ボード７１４によって制御されることによって、光量が制御される。

撮像ユニット７１１は、レンズと、撮像素子とを含む。撮像ユニット７１１は、光軸が第１光源７１５と第２光源７１６との正反射の反射位置に向けられ、且つ、被写体である印刷媒体との間に所定の設置距離を有するように設置されている。

図２及び図４を用いて上述したように、撮像部７１は、印刷ヘッド３１の近傍に設けられる。ラインヘッド方式の印刷装置１は、印刷時にヘッドユニット３０を紙幅方向に搬送する必要がなく、高速印刷が可能である。ただし、印刷時に撮像部７１を移動させないことが想定されるため、紙幅全体を撮像するためには、画角の広い撮像部７１を用いる、或いは、撮像部７１を複数設けることが望ましい。シリアルヘッド方式の印刷装置１を用いる場合、印刷中に撮像部７１もキャリッジ２１の駆動に伴って移動する。よってキャリッジ２１の往復駆動の間に複数回の撮像を行うことによって、紙幅全体を撮像することが容易であるという利点がある。本実施形態においてはいずれの方式を採用してもよく、以下では、撮像部７１によって印刷物が適切に撮像されるものとして説明を行う。

例えばラインヘッド方式の印刷装置１を用いる場合、上述したとおり、複数の印刷ヘッド３１のノズル列から構成されるノズル群を、一列に並ぶノズルＮｚと考えることが可能である。そのため事前の設計により、ノズル群における所与のノズルＮｚの位置と、印刷媒体において当該所与のノズルＮｚから吐出されたインクの着弾位置との関係は既知となる。ノズルＮｚと着弾位置の関係が既知である点は、シリアルヘッド方式の印刷装置１においても同様である。印刷結果を撮像部７１によって撮像した撮像画像データは、当該印刷に用いられた印刷画像データを、所定倍率で拡大、又は縮小した画像となることが期待される。ここでの所定倍率は、ノズル間隔、印刷媒体の搬送ピッチ、撮像素子の解像度、撮像部７１のレンズ構成等、設計に基づいて算出可能な情報である。

画像処理部７２は、印刷画像データに対して上記所定倍率による変倍処理を施すことによって、撮像画像データと同じ解像度である基準データを作成する。画像処理部７２は、撮像画像データと基準データを比較することによって、ノズルＮｚの吐出不良を検出する。

具体的には、印刷装置１のコントローラー１００は、用紙Ｓに対してコンピューターＣＰから受信した印刷画像データに基づき印刷処理を開始する。撮像部７１は、印刷処理と並行して、用紙Ｓに印刷された画像を撮像する。

画像処理部７２は、コンピューターＣＰから印刷画像データを取得し、その印刷画像データを加工することによって、基準データを作成する。画像処理部７２は、撮像画像データと基準データの各画素について、画素値の差分を算出し、算出された画素値の差分に基づいて、各色のドット不良箇所を判定する。ドット不良箇所とは、ノズルＮｚからインクが吐出されないことによって、印刷媒体においてドットが適切に形成されていない箇所を表す。具体的には、画像処理部７２は、画素値の差分が所定値以下であれば、ドット不良箇所は無いと判定し、画素値の差分が所定値を上回れば、ドット不良箇所が有ると判定する。そのため、撮像した画像に基づいてドット不良を判定することによって、複数のノズルの各ノズルＮｚについて、吐出不良が発生しているか否かを判定することが可能である。

１．３ 第２検査ユニット
図６は、印刷ヘッド３１の断面図である。各印刷ヘッド３１は、ケース３２と、流路ユニット３３と、ピエゾ素子ユニット３４とを有する。ケース３２は、ピエゾ素子ＰＺＴなどを収容して固定するための部材であり、例えばエポキシ樹脂等の非導電性の樹脂材によって作製される。

流路ユニット３３は、流路形成基板３３ａと、ノズルプレート３３ｂと、振動板３３ｃとを有する。流路形成基板３３ａにおける一方の表面にはノズルプレート３３ｂが接合され、他方の表面には振動板３３ｃが接合されている。流路形成基板３３ａには、圧力室３３１、インク供給路３３２、及び、共通インク室３３３となる空部や溝が形成されている。この流路形成基板３３ａは、例えばシリコン基板によって作製されている。ノズルプレート３３ｂには、複数のノズルＮｚからなるノズル群が設けられている。このノズルプレート３３ｂは、導電性を有する板状の部材、例えば薄手の金属板によって作製されている。振動板３３ｃにおける各圧力室３３１に対応する部分にはダイヤフラム部３３４が設けられている。このダイヤフラム部３３４はピエゾ素子ＰＺＴによって変形し、圧力室３３１の容積を変化させる。なお、振動板３３ｃや接着層等が介在していることで、ピエゾ素子ＰＺＴとノズルプレート３３ｂとは電気的に絶縁された状態になっている。

ピエゾ素子ユニット３４は、ピエゾ素子群３４１と、固定板３４２とを有する。ピエゾ素子群３４１は櫛歯状をしている。そして、櫛歯の１つ１つがピエゾ素子ＰＺＴである。各ピエゾ素子ＰＺＴの先端面は、対応するダイヤフラム部３３４が有する島部３３５に接着される。固定板３４２は、ピエゾ素子群３４１を支持するとともに、ケース３２に対する取り付け部となる。ピエゾ素子ＰＺＴは、電気機械変換素子の一例であり、駆動信号が印加されると長手方向に伸縮することによって、圧力室３３１内の液体に圧力変化を与える。圧力室３３１内のインクには、圧力室３３１の容積の変化に起因して圧力変化が生じる。この圧力変化を利用して、ノズルＮｚからインク滴を吐出させることができる。なお、電気機械変換素子としてのピエゾ素子ＰＺＴに代えて、印加される駆動信号に応じた気泡を発生させることによりインク滴を吐出させる構造にしてもよい。

図７は、第２検査ユニット８０による吐出不良の検出原理を説明する図である。図７に示すように、ピエゾ素子ＰＺＴに駆動信号が印加されると、ピエゾ素子ＰＺＴが撓んで振動板３３ｃが振動する。ピエゾ素子ＰＺＴへの駆動信号の印加を止めても、振動板３３ｃには残留振動が生じている。振動板３３ｃが残留振動により振動すると、ピエゾ素子ＰＺＴは、振動板３３ｃの残留振動に応じて振動し信号を出力する。よって、振動板３３ｃに残留振動を発生させて、そのときのピエゾ素子ＰＺＴに発生する信号を検出することで、各ピエゾ素子ＰＺＴの特性を求めることができる。残留振動によってピエゾ素子ＰＺＴに発生する信号の波形に基づく情報を、残留振動の波形情報、或いは波形パターンと表記する。

ピエゾ素子ＰＺＴの残留振動に応じた検出信号は、第２検査ユニット８０に入力される。第２検査ユニット８０のＡ／Ｄ変換部８２は、検出信号に対するＡ／Ｄ変換処理を行い、デジタルデータである波形情報を出力する。波形情報はメモリー１０３に記憶され、後述する学習処理、推論処理に用いられる。なお第２検査ユニット８０は、不図示のノイズ低減部等を含んでもよい。また、第２検査ユニット８０の出力である波形情報は波形そのものに限定されず、周期や振幅に関する情報であってもよい。また、第２検査ユニット８０は、周期や振幅に基づいて、吐出不良の有無をノズルＮｚごとに判定してもよい。ここでの波形情報は、正常又は異常を表す判定結果を含む。この場合の第２検査ユニット８０は、不図示の波形整形部や、パルス幅検出部等の計測部を含む。

図８〜図１０は、吐出不良要因を例示する図である。図１１は、ノズルＮｚの状態に応じた残留振動の波形情報を例示する図である。図８は、印刷ヘッド３１の内部に気泡が混入した状態を表す模式図である。図８においては、ＯＢ１が気泡である。気泡が混入した場合、図１１に示すように、残留振動の波形は正常状態における波形に比べて、周期が短くなる。図９は、印刷ヘッド３１の内部のインクが増粘した状態を表す模式図である。増粘とは、インクの粘度が正常状態に比べて増加した状態を表す。インクが増粘した場合、図１１に示すように、残留振動の波形は正常状態における波形に比べて、周期が長くなる。図１０は、印刷ヘッド３１の下面であるノズル面に異物が付着した状態を表す模式図である。図１０においては、ＯＢ２が紙粉等の異物である。異物が付着した場合、図１１に示すように、残留振動の波形は正常状態における波形に比べて、振幅が低下する。以上のように、残留振動の波形情報を判定することによって、吐出不良の検査が可能である。

１．４ 本実施形態の手法
第１検査ユニット７０及び第２検査ユニット８０に示したように、印刷ヘッド３１の不良を検出する手法が知られている。印刷ヘッド３１の不良とは、具体的にはノズルＮｚの吐出不良である。なお、本実施形態においては、印刷ヘッド３１の不良を検出可能であればよく、印刷装置１から第１検査ユニット７０と第２検査ユニット８０のいずれか一方が省略されてもよい。また、異なる手法によって印刷ヘッド３１の不良を検出する第３検査ユニットが追加されてもよい。

図１２は、印刷ヘッド３１の不良状態情報に基づく分類を説明する図である。不良状態情報は、ノズルＮｚの状態を表す情報であって、具体的には不良度合いを表す情報である。不良状態情報は、例えばノズルＮｚの不良本数情報と、ノズルＮｚの不良発生頻度情報を含む。不良本数情報とは、１度の不良判定において不良と判定されるノズルＮｚの本数を表す情報である。不良発生頻度情報とは、ノズル不良が発生する頻度を表す情報であり、例えば所与の期間においてノズル不良が検出された回数を表す情報である。或いは、不良発生頻度情報は、ノズル不良が発生していない継続時間を表す情報、即ち、ノズル不良無しに連続印刷可能な時間を表す情報であってもよい。

図１２の横軸は不良発生頻度情報を表し、右に行くほど発生頻度が高い。図１２の縦軸は不良本数情報を表し、上に行くほど不良本数が多い。図１２に示すように、不良発生頻度情報における閾値Ｔｈ１と、不良本数情報における閾値Ｔｈ２を設定することによって、二次元平面を４つの領域Ａ１〜Ａ４に区分する。

図１２のＡ１は、ノズル不良の発生頻度が低く、且つ、ノズル不良が発生したとしても不良本数が少ない領域である。そのため、所与のタイミングにおける不良状態情報がＡ１にプロットされる場合、そのままでも適切な印刷が可能であるため、対処は不要である。

図１２のＡ２は、ノズル不良の発生頻度が高い領域である。そのため、不良状態情報がＡ２にプロットされる場合、安定して印刷することが難しい。一方で、１回当たりの不良本数は少ない。よって、Ａ２における領域においては、対処としてノズル補完処理を行うことが望ましい。ノズル補完処理とは、所与のノズルＮｚに不良が発生したことによって生じるドット不良を、他のノズルを用いて補完する処理を表す。

図１３は、ノズル補完処理を説明する模式図である。図１３では、例えば複数のノズルの各ノズルＮｚが横方向に複数のドットを形成することによって、印刷媒体に画像が印刷される例を示している。Ｂ１〜Ｂ７は、それぞれ第１ノズル〜第７ノズルによってドットが形成される位置を表す。図１３の例においては、第４ノズルに吐出不良が発生し、Ｂ４に示す位置にドットが形成されていない。そのため、ノズル補完処理を行わない場合、横方向のスジが発生してしまう。そこで、第４ノズルに隣接する第３ノズル及び第５ノズルからのインクの吐出量を増やすノズル補完処理が行われる。この場合、図１３に示すようにＢ３及びＢ５に示す位置のドットが大きくなるため、スジを目立たなくすることが可能である。また、ノズル補完処理においては、第３ノズル及び第５ノズルに隣接する第２ノズル及び第６ノズルからのインクの吐出量を減らすことによって、ドットサイズのバランスをとる処理が行われる。図１３に示すように、不良本数が少ない場合、周辺のノズルＮｚを用いた補完処理によって印刷品質の低下を抑制することが可能である。なお、ノズル補完処理は図１３に示した隣接補完に限定されず、種々の手法が知られており、本実施形態においてはそれらを広く適用可能である。

図１２のＡ３は、不良本数が多い領域である。複数のノズルＮｚがまとまって不良となるため、ノズル補完処理によって印刷品質を維持することは難しい。一方、ノズル不良の発生頻度が低いため、ノズル不良は突発的なものであり、現在の不良を解消できれば、印刷を継続することが可能と考えられる。よってＡ３における領域においては、対処としてクリーニングを行うことが望ましい。クリーニングとは、インク吸引ユニット５０によるインク吸引を行うことによって、印刷ヘッド３１の内部をクリーニングする動作を表す。なお、Ａ３の領域において、クリーニング以外の回復処理が行われてもよい。回復処理とは、例えばワイピングユニット５５によるワイピング、フラッシングユニット６０によるフラッシング等である。

図１２のＡ４は、不良本数が多く、且つ、不良発生頻度が高い領域である。不良本数が多いため、ノズル補完処理による印刷品質の維持が難しい。また不良発生頻度が高いため、回復処理を行っても再度不良が発生してしまう蓋然性が高い。よってＡ４における領域においては、対処として印刷ヘッド３１の交換を行うことが望ましい。

以上のように、所与のタイミングにおける不良状態情報に基づいて、適切な対処を推定することが可能である。その場合、吐出不良が発生した場合に対処を行うため、損紙を抑制することが難しい。具体的には、吐出不良の発生後、対処によって当該吐出不良が解消するまでに印刷された印刷物は損紙となる。損紙とは、使用に堪えない印刷物のことであり、ここでは特に、印刷ヘッド３１からインクが適切に吐出されないことによって印刷品質が要求される水準に達していない印刷物を表す。商用プリンター等においては、品質の低い印刷物は商品として用いることができないため、損紙の発生は大きな損失となってしまう。

図１２に示す二次元平面におけるプロット点の位置を時系列的に解析することによって、将来のプロット点の位置を推定すること、即ち、将来の不良を予測し、あらかじめ対処を行うことが可能なようにも思える。例えば、所与のタイミングのプロット点がＡ５であり、その後、プロット点がＡ６に移動した場合、将来的にプロット点はＡ７の位置に移動すると予測される。この場合、プロット点がＡ７に移動する前に、狭義にはＡ３に示す領域に到達する前にノズル補完処理を開始することによって、損紙の発生を抑制可能である。

しかし、印刷ヘッド３１の不良には印刷装置１の使用環境に関連する種々の要因が影響することが知られている。例えば、不良発生頻度を悪化させる要因としては、空気のきれいさや、温度等が考えられる。不良本数を悪化させる要因としては、インク内の気泡や印刷媒体のケバ立ちが考えられる。そして、印刷装置１の使用環境は時間経過とともに変化するものであるため、不良状態情報のみを用いた場合、将来的な不良状態や適切な対処を高い精度で予測することは困難である。換言すれば、図１２に示す二次元平面上においてプロット点の推移を予測したとしても、十分な精度での予測が難しい。

以上を踏まえ、本実施形態においては、不良状態情報と、印刷装置１の使用環境情報と、対処情報とを用いた機械学習を行うことによって、推奨される対処を推定する処理を行う。機械学習を行うことによって、将来的な不良を抑制するための適切な対処を精度よく推定できるため、損紙の発生を抑制することが可能になる。即ち、印刷品質や生産性の低下を抑制することが可能になる。以下、本実施形態の学習処理、推論処理について詳細に説明する。

２．学習処理
２．１ 学習装置の構成例
図１４は、本実施形態の学習装置４００の構成例を示す図である。学習装置４００は、学習に用いられる訓練データを取得する取得部４１０と、当該訓練データに基づいて機械学習を行う学習部４２０を含む。

取得部４１０は、例えば訓練データを他の装置から取得する通信インターフェースである。或いは取得部４１０は、学習装置４００が保持する訓練データを取得してもよい。例えば、学習装置４００は不図示の記憶部を含み、取得部４１０は当該記憶部から訓練データを読み出すためのインターフェースである。本実施形態における学習は、例えば教師あり学習である。教師あり学習における訓練データは、入力データと正解ラベルとを対応付けたデータセットである。

学習部４２０は、取得部４１０が取得した訓練データに基づく機械学習を行い、学習済モデルを生成する。なお、本実施形態の学習部４２０は、下記のハードウェアにより構成される。ハードウェアは、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むことができる。例えば、ハードウェアは、回路基板に実装された１又は複数の回路装置や、１又は複数の回路素子で構成することができる。１又は複数の回路装置は例えばＩＣ等である。１又は複数の回路素子は例えば抵抗、キャパシター等である。

また学習部４２０は、下記のプロセッサーにより実現されてもよい。本実施形態の学習装置４００は、情報を記憶するメモリーと、メモリーに記憶された情報に基づいて動作するプロセッサーと、を含む。情報は、例えばプログラムと各種のデータ等である。プロセッサーは、ハードウェアを含む。プロセッサーは、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）等、各種のプロセッサーを用いることが可能である。メモリーは、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）などの半導体メモリーであってもよいし、レジスターであってもよいし、ハードディスク装置等の磁気記憶装置であってもよいし、光学ディスク装置等の光学式記憶装置であってもよい。例えば、メモリーはコンピューターにより読み取り可能な命令を格納しており、当該命令がプロセッサーにより実行されることで、学習装置４００の各部の機能が処理として実現されることになる。ここでの命令は、プログラムを構成する命令セットの命令でもよいし、プロセッサーのハードウェア回路に対して動作を指示する命令であってもよい。例えば、メモリーは学習アルゴリズムを規定するプログラムを記憶し、プロセッサーは当該学習アルゴリズムに従って動作することによって、学習処理を実行する。

より具体的には、取得部４１０は、印刷ヘッド３１の不良状態情報と、印刷ヘッド３１を有する印刷装置１の使用環境情報と、印刷ヘッド３１の不良に対して推奨される対処を表す対処情報と、を取得する。学習部４２０は、不良状態情報と使用環境情報と対処情報とを対応付けたデータセットに基づいて、不良に対して推奨される対処を機械学習する。使用環境情報とは、印刷装置１の使用環境を表す情報であり、温度等のセンシングデータ、印刷媒体に関する情報、印刷設定情報等を含む。対処情報は、印刷ヘッド３１の不良を解消するための対処を特定する情報である。対処情報によって表される対処は、上述したとおり、クリーニング、ノズル補完、ヘッド交換を含む。不良状態情報、使用環境情報、対処情報の詳細については後述する。

本実施形態の手法によれば、不良状態情報と使用環境情報と対処情報とを対応付けたデータセットに基づいて、機械学習が行われる。不良状態情報は、印刷ヘッド３１の状態を直接的に反映する情報であるが、上述したように不良状態情報単体では精度の高い推定は困難である。これに対して本実施形態では、印刷ヘッド３１の不良要因となる種々の情報を、使用環境情報として機械学習に用いる。そのため、学習結果を用いることによって、不良を解消するための適切な対処を精度よく推定することが可能になる。例えば、将来的に不良度合いが進行するおそれがあることを予測することによって、予め適切な対処を行うことが可能になる。

図１４に示す学習装置４００は、例えば図１に示した印刷装置１に含まれてもよい。この場合、学習部４２０は、印刷装置１のコントローラー１００に対応する。より具体的には、学習部４２０は、プロセッサー１０２であってもよい。印刷装置１は、稼働情報をメモリー１０３に蓄積する。稼働情報には、第１検査ユニット７０からの印刷画像情報、又は、第２検査ユニット８０からの残留振動の波形情報に基づく不良状態情報や、検出器群９０からのセンシングデータが含まれる。取得部４１０は、メモリー１０３に蓄積された稼働情報を読み出すインターフェースであってもよい。また印刷装置１は、蓄積した稼働情報を、コンピューターＣＰやサーバーシステム等の外部機器に送信してもよい。取得部４１０は、当該外部機器から学習に必要な訓練データを受信するインターフェース部１０１であってもよい。

また学習装置４００は、印刷装置１とは異なる機器に含まれてもよい。例えば、学習装置４００は、印刷装置１の稼働情報を収集する外部機器に含まれてもよいし、当該外部機器と通信可能な他の装置に含まれてもよい。

２．２ ニューラルネットワーク
機械学習の具体例として、ニューラルネットワークを用いた機械学習について説明する。図１５は、ニューラルネットワークの基本的な構造例である。ニューラルネットワークは、脳機能を計算機上でシミュレーションする数学モデルである。図１５の１つの円をノード又はニューロンと呼ぶ。図１５の例では、ニューラルネットワークは、入力層と、２つの中間層と、出力層を有する。入力層がＩであり、中間層がＨ１及びＨ２であり、出力層がＯである。また図１５の例においては、入力層のニューロン数が３、中間層のニューロン数がそれぞれ４、出力層のニューロン数が１である。ただし、中間層の層数や、各層に含まれるニューロンの数は種々の変形実施が可能である。入力層に含まれるニューロンは、それぞれ第１中間層であるＨ１のニューロンと結合される。第１中間層に含まれるニューロンはそれぞれ第２中間層であるＨ２のニューロンと結合され、第２中間層に含まれるニューロンはそれぞれ出力層のニューロンと結合される。なお中間層は隠れ層と言い換えてもよい。

入力層は、それぞれ入力値を出力するニューロンである。図１５の例では、ニューラルネットワークはｘ１，ｘ２，ｘ３を入力として受け付け、入力層の各ニューロンは、それぞれｘ１，ｘ２，ｘ３を出力する。なお、入力値に対して何らかの前処理を行い、入力層の各ニューロンは、前処理後の値を出力してもよい。

中間層以降の各ニューロンでは、脳の中で電気信号として情報が伝達される様子を模した演算が行われる。脳では、シナプスの結合強度に応じて情報の伝わりやすさが変わるため、ニューラルネットワークでは当該結合強度を重みＷで表現する。図１５のＷ１は、入力層と第１中間層の間の重みである。Ｗ１は入力層に含まれる所与のニューロンと、第１中間層に含まれる所与のニューロンとの間の重みの集合を表す。入力層のｐ番目のニューロン数と、第１中間層のｑ番目のニューロンの間の重みをｗ^１ _ｐｑと表現した場合、図１５のＷ１は、ｗ^１ _１１〜ｗ^１ _３４の１２個の重みを含む情報である。より広義には、重みＷ１は、入力層のニューロン数と第１中間層のニューロン数の積だけの個数の重みからなる情報である。

第１中間層のうち、１番目のニューロンでは、下式（１）に示した演算が行われる。１つのニューロンでは、当該ニューロンに接続される１つ前の層の各ニューロンの出力を積和し、さらにバイアスを加算する演算を行う。下式（１）におけるバイアスはｂ１である。

また、上式（１）に示したように、１つのニューロンでの演算では、非線形関数である活性化関数ｆが用いられる。活性化関数ｆは、例えば下式（２）に示すＲｅＬＵ関数が用いられる。ＲｅＬＵ関数は、変数が０以下であれば０であり、０より大きければ変数自体の値となる関数である。ただし、活性化関数ｆは種々の関数を利用可能であることが知られており、シグモイド関数を用いてもよいし、ＲｅＬＵ関数を改良した関数を用いてもよい。上式（１）では、ｈ１についての演算式を例示したが、１つめの中間層の他のニューロンでも同様の演算を行えばよい。

また、これ以降の層についても同様である。例えば、第１中間層と第２中間層の間の重みをＷ２とした場合、第２中間層のニューロンでは、第１中間層の出力と重みＷ２を用いた積和演算を行い、バイアスを加算し、活性化関数を適用する演算を行う。出力層のニューロンでは、その１つ前の層の出力を重み付け加算し、バイアスを加算する演算を行う。図１５の例であれば、出力層の１つ前の層とは、第２中間層である。ニューラルネットワークは、出力層での演算結果を、当該ニューラルネットワークの出力とする。

以上の説明からわかるように、入力から所望の出力を得るためには、適切な重みとバイアスを設定する必要がある。なお、以下では重みを重み付け係数とも表記する。また重み付け係数にはバイアスが含まれてもよいものとする。学習では、所与の入力ｘと、当該入力での正しい出力とを対応付けたデータセットを用意しておく。正しい出力は正解ラベルである。ニューラルネットワークの学習処理とは、当該データセットに基づいて、最も確からしい重み付け係数を求める処理と考えることが可能である。なお、ニューラルネットワークの学習処理では、誤差逆伝播法（Backpropagation）等の学習手法が種々知られている。本実施形態においては、それらの学習手法を広く適用可能であるため、詳細な説明は省略する。ニューラルネットワークを用いる場合の学習アルゴリズムとは、例えば上式（１）等の演算を行って順方向結果を取得する処理、及び、誤差逆伝播法を用いて重み付け係数情報を更新する処理の両方を行うアルゴリズムである。

また、ニューラルネットワークは、図１５に示した構成には限定されない。例えば本実施形態の学習処理、及び後述する推論処理において、広く知られている畳み込みニューラルネットワーク（ＣＮＮ：Convolutional neural network）が用いられてもよい。ＣＮＮは、畳み込み層及びプーリング層を有する。畳み込み層は、畳み込み演算を行う。ここでの畳み込み演算とは、具体的にはフィルター処理である。プーリング層は、データの縦横のサイズを縮小する処理を行う。ＣＮＮにおいては、誤差逆伝播法等を用いた学習処理を行うことによって、畳み込み演算に用いられるフィルターの特性が学習される。即ち、ニューラルネットワークにおける重み付け係数には、ＣＮＮにおけるフィルター特性が含まれる。またニューラルネットワークとしてＲＮＮ（Recurrent neural network）等の他の構成のネットワークが用いられてもよい。

なお、以上では学習済モデルがニューラルネットワークを用いたモデルである例について説明した。しかし本実施形態における機械学習はニューラルネットワークを用いる手法に限定されない。例えば本実施形態の手法には、ＳＶＭ（support vector machine）等、広く知られた種々の方式の機械学習、或いはそれらの方式を発展させた方式の機械学習を適用することが可能である。

２．３ 訓練データの例と学習処理の詳細
図１６は、印刷装置１において取得される観測データと、当該観測データに基づいて取得される訓練データを説明する図である。観測データは、不良状態情報、使用環境情報、及び対処情報を含む。図１６におけるｐ及びｑは、１＜ｐ＜ｑを満たす自然数である。

図１６に示したように、不良状態情報は、印刷ヘッド３１に含まれるノズルＮｚの不良本数情報、及び、ノズルＮｚの不良発生頻度情報である。不良状態情報を用いることによって、各タイミングにおける印刷ヘッド３１の状態を考慮した機械学習が可能になる。

例えば、不良状態情報は、残留振動の波形情報に基づいて求められる。印刷装置１は、例えば印刷動作におけるページ間又はパス間において、波形情報を取得する。ページ間とは、ページ単位で管理される印刷画像データを印刷する場合において、所与のページの印刷完了後、次のページの印刷開始前の期間を表す。パス間とは、シリアルヘッド方式のプリンターにおいて、キャリッジ２１の往路での移動完了後、復路での移動開始前の期間を表す。或いはパス間とは、往復移動の完了後、次の往復移動を開始する前の期間であってもよい。なお、波形情報が取得されるタイミングはこれに限定されず、種々の変形実施が可能である。第２検査ユニット８０は、各ノズルＮｚの波形情報に基づいて、不良が発生しているか否かを判定する。

ページ間又はパス間において全てのノズルＮｚについて波形情報を判定することによって、不良が発生しているノズルＮｚの数、即ち不良本数が求められる。不良本数情報は、例えば０以上、且つ、ノズルＮｚの総数以下の整数となる情報である。

また印刷装置１は、ページ間の判定間隔又はパス間の判定間隔に比べて長い、所与の判定期間を設定する。当該所与の判定期間において、波形情報に基づく不良検出が複数回行われる。そして、印刷装置１は、当該判定期間において、不良本数が所定閾値以上であると判定された回数をカウントすることによって、不良発生頻度情報を求める。不良発生頻度情報は、例えば１時間当たりの不良発生回数を表す情報である。なお所定閾値は１であってもよいし、他の正数であってもよい。

使用環境情報は、印刷媒体に関する情報を含む。印刷媒体に関する情報とは、例えば印刷媒体の種類を特定する情報である。印刷ヘッド３１と印刷媒体が接触することによって、図１０に示したように、異物がノズルＮｚに付着する場合がある。ここでの異物とは、具体的には印刷媒体の一部である紙粉等である。印刷媒体に応じて、ケバ立ちやすさ、紙粉の発生しやすさが異なる。即ち、印刷媒体の種類は、印刷ヘッド３１の不良の発生に影響を与える要因となる。印刷媒体の種類は、不良本数と不良発生頻度の両方を悪化させる要因となる。

また使用環境情報は、印刷装置１が有するセンサーによって検出された情報を含む。このようにすれば、印刷媒体の使用状況を表すセンシングデータを機械学習に用いることが可能になる。なお、各センサーの具体的な構成は以下で説明するものに限定されず、種々の変形実施が可能である。

ここでのセンサーは、例えば印刷ヘッド３１から吐出されるインク内における気泡の発生を検出する気泡センサー９５である。図８に示したように、気泡は印刷ヘッド３１の不良に関係する。気泡センサー９５を用いることによって、不良要因となる情報を使用環境情報として用いることが可能になる。なお気泡センサー９５は、例えば超音波センサーである。気泡は液体であるインクに比べて超音波の伝搬効率が低いため、気泡が存在する場合、超音波の受信強度が低下する。気泡センサー９５の出力である気泡情報は、受信強度に対応する情報であってもよいし、何らかの加工処理が行われた結果であってもよい。

また印刷装置１が有するセンサーは、ホコリセンサー９６であってもよい。ホコリが多い環境においては、ノズルＮｚが詰まりやすいため、印刷ヘッド３１の不良が発生しやすい。ホコリセンサー９６を用いることによって、不良要因となる情報を使用環境情報として用いることが可能になる。ホコリセンサー９６は、望ましくは印刷ヘッド３１の周辺のホコリの量を検出するセンサーであり、例えば印刷ヘッド３１に設けられる。ただし、ホコリセンサー９６は、印刷装置１の他の位置に設けられてもよい。

ホコリセンサー９６は、具体的にはパーティクルカウンターであり、発光素子と受光素子を含むセンサーである。受光素子は、例えば発光素子からの直接光を受光しない位置に設けられる。ホコリがない場合は受光素子の受光強度は低く、ホコリがある場合には当該ホコリによる反射光を受光することによって受光強度が高くなる。ホコリセンサー９６は、受光強度に基づいてホコリ粒子の大きさや数を検出する。本実施形態におけるホコリ情報は、例えばホコリの数を表す情報であるが、他の形式の情報が用いられてもよい。

また印刷装置１が有するセンサーは、印刷ヘッド３１と印刷媒体との擦れを検出する擦れセンサー９７を含む。印刷ヘッド３１と印刷媒体が強く擦れることによって、紙粉等の異物がノズルＮｚに付着しやすくなる。例えば、ケバ立った印刷媒体が印刷ヘッド３１に擦れた場合、多数のノズルＮｚに吐出不良が発生するおそれがある。擦れセンサー９７を用いることによって、不良要因となる情報を使用環境情報として用いることが可能になる。

擦れセンサー９７は、例えば静電容量型の近接センサーである。近接センサーは、例えば帯電物体と検知電極とを含み、帯電物体と検知電極との距離に応じた電位の信号を出力するセンサーである。近接センサーを用いることによって、印刷ヘッド３１側の所与の位置と、印刷媒体側の所与の位置との間の距離を推定できるため、擦れ強度を検出できる。

また印刷装置１が有するセンサーは環境センサーを含む。環境センサーとは、例えば温度センサー９１、湿度センサー９２、及び気圧センサー９３である。温度が変化した場合、インクの粘度が変化する。そのため、温度は図９に示したインク増粘の要因となる情報である。また湿度は印刷ヘッド３１の表面電位や、インク特性に影響を与える。また気圧が変化することによって、印刷ヘッド３１の圧力室３３１における圧力と、外部の圧力の関係が変化するため、ノズルＮｚからのインクの吐出に影響を与える。このように、温度、湿度、気圧等の環境パラメーターは、印刷ヘッド３１の不良要因となる情報である。

また使用環境情報は、印刷設定情報を含む。印刷設定情報とは、印刷速度を決定する情報、カラー／モノクロを決定する情報等を含む。印刷設定情報は、印刷ヘッド３１からどのようにインクが吐出されるかを決定する情報である。そのため、印刷ヘッド３１の具体的な使われ方を表す情報であり、印刷ヘッド３１の不良を予測する際に有用である。

印刷設定情報は、具体的には印字デューティーであってもよい。印字デューティーとは、印刷用紙の面積に対する印字される文字面積の比率を表す情報である。印字デューティーが高い場合、インクミストが発生しやすくなるため、印刷ヘッド３１の表面にインクが付着しやすく、吐出不良につながる。場合によっては、飛行曲がり等の不良が発生するおそれもある。飛行曲がりとは、ノズルＮｚから吐出されたインクが印刷媒体にまっすぐ着弾しない不良である。

以上のように、不良状態情報を用いることによって、その時点における印刷ヘッド３１の状態を推定できる。また使用環境情報を用いることによって、印刷ヘッド３１の不良に関連する種々の要因を考慮することが可能になる。これらを組み合わせることによって、将来的な不良を予測し、当該不良を抑制するための適切な対処を決定することが可能になる。

学習段階においては、不良状態情報及び使用環境情報に対して、正解ラベルとなる情報、即ち、望ましい対処を教示する情報を対応付ける必要がある。よって取得部４１０は、不良状態情報と使用環境情報と対処情報を対応付けたデータセットを取得する。

対処情報によって表される対処は、例えば上述したとおり、「クリーニング」、「ノズル補完」、「ヘッド交換」、「不要」のいずれかであってもよい。例えば対処情報は、不良本数情報及び不良発生頻度情報に基づいて求められる情報である。例えば図１６のＣ１に示す「不要」という対処情報は、不良本数を表すａ_１と、不良発生頻度を表すｂ_１とに基づいて求められる。ここでは、（ａ_１，ｂ_１）を表す点が図１２のＡ１の領域にプロットされたため、対処情報は「不要」を表す情報となる。

図１６の観測データにおける対処情報は、不良状態情報及び使用環境情報の取得タイミングに対応するタイミングにおいて推奨される対処を表す情報である。不良状態情報を入力とし、対処情報そのものを正解ラベルとした機械学習を行った場合、すでに発生している不良に対して推奨される対処を出力する学習済モデルが取得される。この場合、損紙を抑制することはできない。また、不良状態情報から対処情報を求める場合、使用環境情報を使用する意義が薄れる。

よって本実施形態においては、時系列の観測データに基づいて、対処情報に対する加工処理を行うことによって、訓練データを作成する。本実施形態の対処情報は、加工処理後の情報も含む。

まず上述したように、各タイミングにおいて不良状態情報、使用環境情報、対処情報を取得することによって観測データを取得する。図１６においてａ_ｓ（ｓは１以上の整数）は、ａ_ｓ＋１よりも前のタイミングにおいて取得される不良本数情報である。不良発生頻度情報等の他の情報についても同様である。即ち、図１６の観測データにおける各情報は上から下に向かう順序で取得された時系列の情報である。

図１６の例では、それまで対処が不要であった状態から、Ｃ２に示すタイミングにおいて、対処としてクリーニングが推奨される状態に移行した。例えば（ａ_１，ｂ_１）〜（ａ_ｑ−１，ｂ_ｑ−１）の各点は図１２のＡ１の領域にプロットされていたが、（ａ_ｑ，ｂ_ｑ）は図１２のＡ３に示す領域にプロットされた場合に相当する。損紙を抑制するためには、Ｃ２よりも前のタイミングにおいて、クリーニングの実施を提案することが必要となる。上述したように、（ａ_１，ｂ_１）〜（ａ_ｑ−１，ｂ_ｑ−１）に基づいて、（ａ_ｑ，ｂ_ｑ）を高い精度で推定することは困難である。しかし本実施形態においては、印刷ヘッド３１の不良に関連する使用環境情報が取得されている。不良状態情報と使用環境情報を対応付けることによって、Ｃ２よりも過去のタイミングにおいて、クリーニングが必要であることを予測可能であると考えられる。

例えば、図１６のＣ３に示す範囲は、所定時間内にクリーニングを行わなければ、不良本数がＴｈ２を超えてしまい、損紙が発生する期間に相当する。そのため、Ｃ３の不良状態情報及び使用環境情報には、クリーニングが必要となる不良発生の予兆が現れていると推定される。よって学習部４２０は、図１６に示すように、Ｃ３に対応する範囲の対処情報を「クリーニング」に変更することによって、訓練データを作成する。本実施形態の訓練データは、不良状態情報と使用環境情報を入力データとし、加工処理後の対処情報を正解ラベルとするデータセットである。このようにすれば、Ｃ３に示すようにその時点では対処が必要な不良が発生していない段階において、将来的な不良を抑制するための対処情報を出力できる。

図１７は、本実施形態におけるニューラルネットワークのモデルを示す一例である。ニューラルネットワークは、不良状態情報と使用環境情報を入力として受け付けて、推奨される対処を表す情報を出力データとして出力する。対処を表す情報とは、具体的には、推奨される対処が「クリーニング」であるか、「ノズル補完」であるか、「ヘッド交換」であるか、「不要」であるかを表す情報である。ニューラルネットワークの出力層は、例えば広く知られているソフトマックス層であってもよい。この場合、ニューラルネットワークの出力は、「クリーニング」を表す確率データ、「ノズル補完」を表す確率データ、「ヘッド交換」を表す確率データ、「不要」を表す確率データの４つである。

例えば図１６の訓練データに基づく学習処理は以下の流れに従って行われる。まず学習部４２０は、ニューラルネットワークに入力データを入力し、そのときの重みを用いて順方向の演算を行うことによって、出力データを取得する。図１６に示す訓練データを用いる場合、入力データは不良状態情報と使用環境情報である。順方向の演算によって求められる出力データは、上述したように、総和が１となる４つの確率データである。

学習部４２０は、求められた出力データと、正解ラベルとに基づいて誤差関数を演算する。例えば図１６の訓練データを用いた場合、正解ラベルは対応する確率データの値が１となり、他の３つの確率データの値が０となる情報である。例えば「クリーニング」が付与されている場合、具体的な正解ラベルは、「クリーニング」である確率データの値が１となり、「ノズル補完」である確率データ、「ヘッド交換」である確率データ及び「不要」である確率データの３つの値が０となる情報である。

学習部４２０は、順方向の演算によって求められた４つの確率データと、正解ラベルに対応する４つの確率データの相違度を誤差関数として算出し、誤差が小さくなる方向に重み付け係数情報を更新する。なお誤差関数は種々の形式が知られており、本実施形態においてはそれらを広く適用可能である。また重み付け係数情報の更新は例えば誤差逆伝播法を用いて行われるが、他の手法を用いてもよい。

以上が１つの訓練データに基づく学習処理の概要である。学習部４２０は、他の訓練データについても同様の処理を繰り返すことによって、適切な重み付け係数情報を学習する。例えば学習部４２０は、取得されたデータの一部を訓練データとし、残りをテストデータとする。テストデータは、評価データ、検証データと言い換えてもよい。そして学習部４２０は、訓練データによって生成された学習済モデルに対してテストデータを適用し、正解率が所定閾値以上となるまで学習を行う。

なお、学習処理においては、訓練データの数を増やすことによって精度が向上することが知られている。図１６においては、「クリーニング」という対処情報が１回取得されるまでの観測データを例示した。しかし対処の実行後にも継続的に観測データを取得することによって、より多くの訓練データを用意することが望ましい。

２．４ 変形例
図１６に示した手法は、広義には不良状態情報と使用状況情報を、未来の対処情報に対応付ける手法である。また上述したように、対処情報は不良状態情報に基づいて求められてもよく、この場合、対処情報は不良状態情報そのものに拡張することが可能である。以上を考慮すれば、本実施形態の学習済モデルは、所与のタイミングの不良状態情報及び使用状況情報に基づいて、未来の不良状態情報を予測するものであってもよい。例えば本実施形態の訓練データは、ａ_１〜ｉ_１を入力とし、それよりも未来のタイミングの不良状態情報、例えばａ_２及びｂ_２を正解ラベルとするデータセットである。また、入力は１タイミングの不良状態情報と使用環境情報に限定されず、複数のタイミングの情報を含む履歴情報であってもよい。この場合のニューラルネットワークは、実測された不良状態情報及び使用状況情報を入力として受け付け、不良状態情報の予測値を出力する。将来の不良状態情報を予測できれば、予測された不良状態情報に基づいて適切な対処を推定できる。このように、不良状態情報から対処情報を求める場合において、訓練データ及びニューラルネットワークの構成は種々の変形実施が可能である。

また対処情報は、不良状態情報から求められるものに限定されない。例えば対処情報は、サービスマン等のユーザーによって入力される情報であってもよい。上述したように、複数の印刷装置１と、当該複数の印刷装置１から稼働情報を収集するサーバーシステムと、を含む情報収集システムが考えられる。この場合、当該情報収集システムは、サービスマンが使用する端末装置を含み、サーバーシステムは当該端末装置から、印刷装置１に対して行われた対処に関する情報を取得してもよい。サービスマンが行う対処は、例えばクリーニング、ヘッド交換の他、印刷装置１内部の清掃等の対処が含まれる。また、サービスマン等の権限を有するユーザーのみが実行可能な強力クリーニング等の対処が行われてもよい。

熟練したサービスマンは、印刷装置１の状態に基づいて適切な対処を決定することが可能である。よってサービスマンが行った対処を機械学習することによって、適切な対処を推定することが可能になる。この場合も、例えば図１６の例と同様に、所与のタイミングにおいてサービスマンによる対処が行われた場合に、それよりも過去の不良状態情報及び使用環境情報に対して、当該対処を表す対処情報が正解ラベルとして対応付けられる。

なお対処情報の決定に不良状態情報を用いない場合、不良状態情報から不良本数情報と不良発生頻度情報のいずれか一方が省略されてもよい。本実施形態の手法は、不良状態情報と使用環境情報の組み合わせによって適切な対処を予測するものであって、不良状態情報のみから将来を見越した対処を予測するものではない。そのため、使用環境情報として多様な情報を利用可能である場合、不良本数情報と不良発生頻度情報のいずれか一方を省略しても、十分な精度で将来的な不良の予測、及び当該不良に対する適切な対処の推定が可能である。また、不良状態情報は、印刷ヘッド３１の不良度合いを表す情報であればよく、不良本数情報と不良発生頻度情報とは異なる情報が追加されてもよい。

３．推論処理
３．１ 情報処理装置の構成例
図１８は、本実施形態の推論装置の構成例を示す図である。推論装置は、情報処理装置２００である。情報処理装置２００は、受付部２１０と、処理部２２０と、記憶部２３０を含む。

記憶部２３０は、不良状態情報と、使用環境情報と、対処情報とを対応付けたデータセットに基づいて機械学習した学習済モデルを記憶する。受付部２１０は、不良状態情報と使用環境情報を入力として受け付ける。処理部２２０は、入力として受け付けた不良状態情報及び使用環境情報と、学習済モデルとに基づいて、印刷ヘッド３１の不良に対して推奨される対処を提示する。

上述したように、印刷ヘッド３１の不良には使用環境が大きく影響する。実際の印刷ヘッド３１の状態を表す不良状態情報に加えて、使用環境情報を用いることによって、将来的な不良を抑制するための対処を精度よく推定することが可能になる。これにより、印刷ヘッド３１の不良による損紙を抑制することが可能になる。

なお学習済モデルは、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。処理部２２０は、記憶部２３０に記憶された学習済モデルからの指令に従って、入力である不良状態情報と使用環境情報に応じた対処を表すデータを出力する。

情報処理装置２００の処理部２２０は、学習装置４００の学習部４２０と同様に、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むハードウェアにより構成される。また処理部２２０は、下記のプロセッサーにより実現されてもよい。本実施形態の情報処理装置２００は、情報を記憶するメモリーと、メモリーに記憶された情報に基づいて動作するプロセッサーと、を含む。プロセッサーは、ＣＰＵ、ＧＰＵ、ＤＳＰ等、各種のプロセッサーを用いることが可能である。メモリーは、半導体メモリーであってもよいし、レジスターであってもよいし、磁気記憶装置であってもよいし、光学式記憶装置であってもよい。ここでのメモリーは、例えば記憶部２３０である。即ち、記憶部２３０は半導体メモリー等の情報記憶媒体であり、学習済モデル等のプログラムは当該情報記憶媒体に記憶される。

なお、学習済モデルに従った処理部２２０おける演算、即ち、入力データに基づいて出力データを出力するための演算は、ソフトウェアによって実行されてもよいし、ハードウェアにより実行されてもよい。換言すれば、上式（１）等の積和演算は、ソフトウェア的に実行されてもよい。或いは上記演算は、ＦＰＧＡ（field-programmable gate array）等の回路装置によって実行されてもよい。また、上記演算は、ソフトウェアとハードウェアの組み合わせによって実行されてもよい。このように、記憶部２３０に記憶された学習済モデルからの指令に従った処理部２２０の動作は、種々の態様によって実現可能である。例えば学習済モデルは、推論アルゴリズムと、当該推論アルゴリズムにおいて用いられるパラメーターとを含む。推論アルゴリズムとは、入力データに基づいて、上式（１）の積和演算等を行うアルゴリズムである。パラメーターとは、学習処理によって取得されるパラメーターであって、例えば重み付け係数情報である。この場合、推論アルゴリズムとパラメーターの両方が記憶部２３０に記憶され、処理部２２０は、当該推論アルゴリズムとパラメーターを読み出すことによってソフトウェア的に推論処理を行ってもよい。或いは、推論アルゴリズムはＦＰＧＡ等によって実現され、記憶部２３０はパラメーターを記憶してもよい。

図１８に示す情報処理装置２００は、例えば図１に示した印刷装置１に含まれる。即ち、本実施形態の手法は、情報処理装置２００を含む印刷装置１に適用可能である。この場合、処理部２２０は、印刷装置１のコントローラー１００に対応し、狭義にはプロセッサー１０２に対応する。記憶部２３０は、印刷装置１のメモリー１０３に対応する。受付部２１０は、メモリー１０３に蓄積された不良状態情報及び使用環境情報を読み出すインターフェースに対応する。また印刷装置１は、蓄積した稼働情報を、コンピューターＣＰやサーバーシステム等の外部機器に送信してもよい。受付部２１０は、当該外部機器から推論に必要な不良状態情報と使用環境情報を受信するインターフェース部１０１であってもよい。ただし、情報処理装置２００は、印刷装置１とは異なる機器に含まれてもよい。例えば情報処理装置２００は、複数の印刷装置１から稼働情報を収集するサーバーシステム等の外部機器に含まれる。外部機器は、収集した稼働情報に基づいて、各印刷装置１について推奨される対処を推定する処理を行い、当該対処を提示するための情報を印刷装置１に送信する処理を行う。

以上では、学習装置４００と情報処理装置２００を分けて説明した。しかし本実施形態の手法はこれに限定されない。例えば図１９に示すように、情報処理装置２００は、不良状態情報と、使用環境情報と、対処情報とを対応付けたデータセットを取得する取得部４１０と、当該データセットに基づき、印刷装置１の不良に対して推奨される対処を機械学習する学習部４２０を含んでもよい。換言すれば、情報処理装置２００は、図１８の構成に加えて、図１４に示した学習装置４００に対応する構成を含む。このようにすれば、学習処理と推論処理を同じ装置において効率的に実行することが可能になる。

また、本実施形態の情報処理装置２００が行う処理は、情報処理方法として実現されてもよい。情報処理方法は、学習済モデルを取得し、印刷ヘッド３１を備える印刷装置１から不良状態情報と使用環境情報を受け付け、受け付けた不良状態情報及び使用環境情報と、学習済モデルとに基づいて、不良に対して推奨される対処を提示する方法である。ここでの学習済モデルは、上述したとおり、インクを吐出する印刷ヘッド３１の不良状態情報と、印刷ヘッド３１を有する印刷装置１の使用環境情報と、印刷ヘッド３１の不良に対して推奨される対処を表す対処情報と、を対応付けたデータセットに基づいて機械学習された学習済モデルである。

３．２ 推論処理の流れ
図２０は、情報処理装置２００における処理を説明するフローチャートである。この処理が開始されると、まず受付部２１０は、不良状態情報と使用環境情報を取得する（Ｓ１０１、Ｓ１０２）。次に処理部２２０は、取得した不良状態情報及び使用環境情報と、記憶部２３０に記憶された学習済モデルとに基づいて、推奨される対処を推定する処理を行う（Ｓ１０３）。図１７に示すニューラルネットワークを用いる場合、Ｓ１０３における処理は、「クリーニング」、「ノズル補完」、「ヘッド交換」、「不要」のそれぞれを表す４つの確率データを求め、そのうちの最大値を特定する処理である。また処理部２２０は、Ｓ１０３の処理において、取得した不良状態情報及び使用環境情報と、記憶部２３０に記憶された学習済モデルとに基づいて、不良状態情報の予測値を求める処理を行ってもよい。その場合、処理部２２０は、予測した不良本数情報及び不良発生頻度情報を表す点が、図１２に示したＡ１〜Ａ４のいずれの領域にプロットされるかを判定することによって、推奨される対処を決定する処理を行う。

次に処理部２２０は、対処が必要であるか否かを判定する（Ｓ１０４）。Ｓ１０３において「不要」と判定された場合、或いは、予測した不良本数情報及び不良発生頻度情報がＡ１の領域にプロットされた場合、処理部２２０は対処が不要であると判定し（Ｓ１０４でＮｏ）、処理を終了する。それ以外の場合、処理部２２０は対処が必要であると判定し（Ｓ１０４でＹｅｓ）、具体的な対処をユーザーに提示するための報知処理を行う（Ｓ１０５）。

例えば処理部２２０は、対処として、ノズル補完処理の実行を推奨する処理を行う。例えば処理部２２０は、Ｓ１０３において「ノズル補完」の確率が最大である場合に、ノズル補完処理を対処として提示する報知処理を行う。また処理部２２０は、対処として、クリーニング、又はヘッド交換の実行を推奨する処理を行ってもよい。例えば処理部２２０は、Ｓ１０３において「クリーニング」の確率が最大である場合に、対処としてクリーニングを提示する報知処理を行う。また処理部２２０は、Ｓ１０３において「ヘッド交換」の確率が最大である場合に、対処としてヘッド交換を提示する報知処理を行う。

このようにすれば、予測される印刷ヘッド３１の不良状態に応じた適切な対処を提示することが可能になる。そのため、将来的な不良を抑制すること、及び損紙の発生を抑えることが可能になる。なお処理部２２０は、ワイピング、フラッシング、印刷装置１内の清掃等、他の対処を提示してもよい。

またここでの報知処理は、印刷装置１の不図示の表示部又はコンピューターＣＰの表示部に、対処内容を提示するための画面や、対処の実行をユーザーに促すための画面を表示する処理である。ただし、報知処理は表示に限定されず、ＬＥＤ（light emitting diode）等の発光部を発光させる処理であってもよいし、スピーカーから警告音や音声を出力する処理であってもよい。また提示処理が行われる機器は印刷装置１やコンピューターＣＰに限定されず、ユーザーが使用する携帯端末装置等の他の機器であってもよい。

図２０に示す処理を定期的に実行することによって、将来的な不良発生が抑制されるため、印刷装置１において安定的な印刷を実行することが可能になる。

４．追加学習
本実施形態においては、学習段階と推論段階が明確に区分されてもよい。例えば、学習処理はあらかじめ印刷装置１のメーカー等において行っておき、印刷装置１の出荷時に当該印刷装置１のメモリー１０３に学習済モデルが記憶される。そして印刷装置１を使用する段階では、記憶された学習済モデルを固定的に使用する。

ただし本実施形態の手法はこれに限定されない。本実施形態の学習処理は、初期学習済モデルを生成する初期学習と、学習済モデルを更新する追加学習と、を含んでもよい。初期学習モデルとは、例えば上述したように、出荷前にあらかじめ印刷装置１に記憶される汎用的な学習済モデルである。そして追加学習とは、例えば個別のユーザーの使用状況に合わせて学習済モデルを更新するための学習処理である。

追加学習は、学習装置４００において実行されてもよく、学習装置４００は情報処理装置２００とは異なる装置であってもよい。ただし、情報処理装置２００は、推論処理のために不良状態情報及び使用環境情報を取得する処理を行う。当該不良状態情報及び使用環境情報は、追加学習における訓練データの一部として利用可能である。この点を考慮すれば、追加学習は情報処理装置２００において行われてもよい。具体的には、情報処理装置２００は、図１９に示すように取得部４１０と、学習部４２０を含む。取得部４１０は、不良状態情報と使用環境情報を取得する。例えば取得部４１０は、受付部２１０が図２０のＳ１０１及びＳ１０２において受け付けた情報を取得する。学習部４２０は、不良状態情報と使用環境情報に対して、対処情報が対応付けられたデータセットに基づいて、学習済モデルを更新する。

ここでの対処情報は、具体的には不良本数情報と不良発生頻度情報に基づいて決定される対処を表す情報である。このようにすれば、稼働中の印刷装置１において、図１６の観測データに相当するデータを蓄積できる。また観測データから訓練データへの変換も、図１６に示したとおり容易である。

また対処情報は、上述したように、サービスマン等のユーザーが入力した情報であってもよい。この場合、情報処理装置２００は、不良状態情報と使用環境情報を蓄積しておく。対象とする印刷装置１に対してサービスマンによる対処が行われた場合に、情報処理装置２００は、不良状態情報と使用環境情報に対して、行われた対処に対応する正解ラベルを付与することによって訓練データを生成する。サービスマンによる対処が行われたか否かは、例えば情報処理装置２００が稼働情報収集システムのサーバーシステムに対して、定期的に問い合わせをすることによって実現可能である。或いは、対処情報の入力が行われた場合に、サーバーシステム側から情報処理装置２００に対してプッシュ通知が行われてもよい。

訓練データ取得後の追加学習処理については、上述した学習処理の流れと同様であるため、詳細な説明は省略する。

以上のように、本実施形態の情報処理装置は、学習済モデルを記憶する記憶部と、受付部と、処理部を含む。学習済モデルは、印刷ヘッドの不良状態情報と、印刷ヘッドを有する印刷装置の使用環境情報と、印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習された学習済モデルである。受付部は、印刷ヘッドの不良状態情報と、使用環境情報を受け付ける。処理部は、受け付けた不良状態情報及び使用環境情報と、学習済モデルとに基づいて、不良に応じた対処を提示する。

本実施形態の手法によれば、不良状態情報と使用環境情報と対処情報との関係を機械学習した結果である学習済モデルに基づいて、不良に対する対処が提示される。使用環境を考慮した機械学習を行うことによって、不良の解消に適した対処を精度よく推定することが可能になる。

また不良状態情報は、印刷ヘッドに含まれるノズルの不良本数情報、及び、ノズルの不良発生頻度情報の少なくとも１つであってもよい。

このようにすれば、印刷ヘッドの不良を本数又は頻度という指標を用いて判定することが可能になる。

また使用環境情報は、印刷媒体に関する情報を含んでもよい。

このようにすれば、印刷媒体に応じた不良の発生しやすさや、発生しやすい不良の種類等を考慮して、適切な対処を推定することが可能になる。

また使用環境情報は、印刷装置が有するセンサーによって検出された情報を含んでもよい。

このようにすれば、印刷装置の環境をセンシングした結果に基づいて、適切な対処を推定することが可能になる。

またセンサーは、印刷ヘッドから吐出されるインク内における気泡の発生を検出する気泡センサー、ホコリセンサー、印刷ヘッドと印刷媒体との擦れを検出する擦れセンサー、及び環境センサーの少なくとも１つのセンサーを含んでもよい。

このようにすれば、印刷ヘッドの不良に関係する環境要因に基づいて、適切な対処を推定することが可能になる。

また使用環境情報は、印刷設定情報を含んでもよい。

このようにすれば、具体的な印刷動作を規定する情報に基づいて、適切な対処を推定することが可能になる。

また処理部は、対処として、ノズル補完処理を推奨してもよい。

このようにすれば、ノズル補完を行うことによって印刷を継続することが可能になる。

また処理部は、対処として、印刷ヘッドのクリーニング、又は印刷ヘッドの交換を推奨してもよい。

このようにすれば、不良を解消可能な対処を提示することが可能になる。

また情報処理装置は、不良状態情報と、使用環境情報と、対処情報と、を対応づけたデータセットを取得する取得部と、取得したデータセットに基づいて、不良に応じた対処を機械学習する学習部と、を含んでもよい。

このようにすれば、情報処理装置において、学習処理を実行することが可能になる。

また本実施形態の印刷装置は、上記のいずれかに記載の情報処理装置と、印刷ヘッドと、を含む。

また本実施形態の学習装置は、取得部と、学習部を含む。取得部は、印刷ヘッドの不良状態情報と、印刷ヘッドを有する印刷装置の使用環境情報と、印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットを取得する。学習部は、取得したデータセットに基づいて、印刷ヘッドの不良に応じた対処を機械学習する。

本実施形態の手法によれば、不良状態情報と使用環境情報と対処情報との関係が機械学習される。使用環境を考慮した機械学習を行うことによって、不良の解消に適した対処を精度よく推定することが可能になる。

また本実施形態の情報処理方法は、学習済モデルを取得し、印刷ヘッドの不良状態情報と、使用環境情報を受け付け、不良状態情報と、使用環境情報と、学習済モデルとに基づいて、不良に応じた対処を提示する方法である。学習済モデルは、印刷ヘッドの不良状態情報と、印刷ヘッドを有する印刷装置の使用環境情報と、印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習した学習済モデルである。

なお、上記のように本実施形態について詳細に説明したが、本実施形態の新規事項及び効果から実体的に逸脱しない多くの変形が可能であることは当業者には容易に理解できるであろう。従って、このような変形例はすべて本開示の範囲に含まれるものとする。例えば、明細書又は図面において、少なくとも一度、より広義または同義な異なる用語と共に記載された用語は、明細書又は図面のいかなる箇所においても、その異なる用語に置き換えることができる。また本実施形態及び変形例の全ての組み合わせも、本開示の範囲に含まれる。また学習装置、情報処理装置、及びそれらの装置を含むシステムの構成及び動作等も、本実施形態で説明したものに限定されず、種々の変形実施が可能である。

１…印刷装置、１０…搬送ユニット、１２Ａ…上流側ローラー、１２Ｂ…下流側ローラー、１４…ベルト、２０…キャリッジユニット、２１…キャリッジ、２２…キャリッジレール、３０…ヘッドユニット、３１…印刷ヘッド、３２…ケース、３３…流路ユニット、３３ａ…流路形成基板、３３ｂ…ノズルプレート、３３ｃ…振動板、３４…ピエゾ素子ユニット、４０…駆動信号生成部、５０…インク吸引ユニット、５５…ワイピングユニット、６０…フラッシングユニット、７０…第１検査ユニット、７１…撮像部、７２…画像処理部、８０…第２検査ユニット、８２…Ａ／Ｄ変換部、９０…検出器群、９１…温度センサー、９２…湿度センサー、９３…気圧センサー、９４…標高センサー、９５…気泡センサー、９６…ホコリセンサー、９７…擦れセンサー、１００…コントローラー、１０１…インターフェース部、１０２…プロセッサー、１０３…メモリー、１０４…ユニット制御回路、２００…情報処理装置、２１０…受付部、２２０…処理部、２３０…記憶部、３３１…圧力室、３３２…インク供給路、３３３…共通インク室、３３４…ダイヤフラム部、３３５…島部、３４１…ピエゾ素子群、３４２…固定板、４００…学習装置、４１０…取得部、４２０…学習部、７１１…撮像ユニット、７１２…ケース、７１４…制御ボード、７１５…第１光源、７１６…第２光源、ＣＰ…コンピューター、ＨＣ…ヘッド制御部、Ｎｚ…ノズル、ＰＺＴ…ピエゾ素子

Claims (12)

1. 印刷ヘッドの不良状態情報と、前記印刷ヘッドを有する印刷装置の使用環境情報と、前記印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習された学習済モデルを記憶する記憶部と、
   前記印刷ヘッドの前記不良状態情報と、前記使用環境情報を受け付ける受付部と、
   受け付けた前記不良状態情報及び前記使用環境情報と、前記学習済モデルとに基づいて、前記不良に応じた対処を提示する処理部と、
   を含むことを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置において、
   前記不良状態情報は、
   前記印刷ヘッドに含まれるノズルの不良本数情報、及び、前記ノズルの不良発生頻度情報の少なくとも１つであることを特徴とする情報処理装置。
3. 請求項１又は２に記載の情報処理装置において、
   前記使用環境情報は、
   印刷媒体に関する情報を含むことを特徴とする情報処理装置。
4. 請求項１又は２に記載の情報処理装置において、
   前記使用環境情報は、
   前記印刷装置が有するセンサーによって検出された情報を含むことを特徴とする情報処理装置。
5. 請求項４に記載の情報処理装置において、
   前記センサーは、
   前記印刷ヘッドから吐出されるインク内における気泡の発生を検出する気泡センサー、ホコリセンサー、前記印刷ヘッドと印刷媒体との擦れを検出する擦れセンサー、及び環境センサーの少なくとも１つを含むことを特徴とする情報処理装置。
6. 請求項１又は２に記載の情報処理装置において、
   前記使用環境情報は、印刷設定情報を含むことを特徴とする情報処理装置。
7. 請求項１乃至６のいずれか一項に記載の情報処理装置において、
   前記処理部は、
   前記対処として、ノズル補完処理を推奨することを特徴とする情報処理装置。
8. 請求項１乃至６のいずれか一項に記載の情報処理装置において、
   前記処理部は、
   前記対処として、前記印刷ヘッドのクリーニング、又は前記印刷ヘッドの交換を推奨することを特徴とする情報処理装置。
9. 請求項１乃至８のいずれか一項に記載の情報処理装置において、
   前記不良状態情報と、前記使用環境情報と、前記対処情報と、を対応づけた前記データセットを取得する取得部と、
   取得した前記データセットに基づいて、前記不良に応じた前記対処を機械学習する学習部と、
   を含むことを特徴とする情報処理装置。
10. 請求項１乃至９のいずれか一項に記載の情報処理装置と、
    前記印刷ヘッドと、
    を含むことを特徴とする印刷装置。
11. 印刷ヘッドの不良状態情報と、前記印刷ヘッドを有する印刷装置の使用環境情報と、前記印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットを取得する取得部と、
    取得した前記データセットに基づいて、前記印刷ヘッドの不良に応じた前記対処を機械学習する学習部と、
    を含むことを特徴とする学習装置。
12. 印刷ヘッドの不良状態情報と、前記印刷ヘッドを有する印刷装置の使用環境情報と、前記印刷ヘッドの不良に応じた対処を表す対処情報と、を対応づけたデータセットに基づいて機械学習した学習済モデルを取得し、
    前記印刷ヘッドの前記不良状態情報と、前記使用環境情報を受け付け、
    前記不良状態情報と、前記使用環境情報と、前記学習済モデルとに基づいて、前記不良に応じた対処を提示する、
    ことを特徴とする情報処理方法。