JP2021054007A - 情報処理装置、学習装置及び情報処理方法 - Google Patents

Abstract

【課題】 印刷ヘッドのノズルプレートにおける結露の発生に対して、適切な処理を実行するための情報処理装置、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、温度情報と、設定情報と、対処情報と、を対応付けたデータセットに基づき機械学習された学習済モデルを記憶する記憶部２３０と、印刷ヘッド３０によるインク吐出時の温度情報及び設定情報を受け付ける受付部２１０と、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露に対して実行する対処を決定する処理部２２０を含む。【選択図】 図１２

Description

本発明は、情報処理装置、学習装置及び情報処理方法等に関する。

印刷装置に搭載される印刷ヘッドのノズルプレート表面には、周囲の環境温度、環境湿度の影響により結露が発生することがある。例えば特許文献１には、印刷領域内の温度が上がり、ヘッドとの温度差が生じることによって、ノズル面に結露が生じることが開示されている。

特開２０１５−１３１４１９号公報

特許文献１には、インク消費量から結露量を予測する手法、及び、光モジュールによって結露量を検出する手法が開示されている。しかし結露の発生状況にはインク消費量以外の種々の要素が関連するため、特許文献１の手法では十分な精度での予測が難しい。また光モジュール等の専用の検出部を設けた場合、部品点数が増大してしまう。また特許文献１等の従来手法には、機械学習に関する開示がない。

本開示の一態様は、印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露に対す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き機械学習した学習済モデルを記憶する記憶部と、前記印刷ヘッドによるインク吐出時の前記温度情報及び前記設定情報を受け付ける受付部と、受け付けた前記温度情報と、前記設定情報と、前記学習済モデルに基づいて、前記結露に対して実行する前記対処を決定する処理部と、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。 ヘッドユニットの構成を示す断面図。 印刷ヘッドにおけるヘッドユニットの配置例を説明する図。 結露に起因する飛行曲がりを説明する図。 結露の発生要因を説明する図。 学習装置の構成例。 ニューラルネットワークの説明図。 ニューラルネットワークの入力と出力の例。 ノズルプレート画像の例。 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。 ニューラルネットワークの入力と出力の例。 情報処理装置における処理を説明する他のフローチャート。

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、印刷ヘッド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、撮像ユニット７０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、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。

図２は、印刷ヘッド３０周辺の構成を説明する図である。印刷媒体は、搬送ユニット１０によって所定の方向に搬送される。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。また印刷媒体は紙に限定されず、布、フィルム、ＰＶＣ（polyvinyl chloride）等の種々の媒体を用いることが可能である。以下、印刷媒体が搬送される方向を搬送方向と表記する。搬送方向は、図２におけるＤ１に対応する。搬送ユニット１０は、不図示の搬送ローラー及び搬送モーター等を含む。搬送モーターは、搬送ローラーを回転させる。給紙された印刷媒体は、搬送ローラーの回転によって、印刷処理を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、印刷ヘッド３０と対向可能な領域である。

印刷ヘッド３０は、キャリッジユニット２０に搭載される。キャリッジユニット２０は、ガイドレール２２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２１と、不図示のキャリッジモーターとを有する。キャリッジモーターは、プロセッサー１０２からのキャリッジ制御信号に基づいて駆動される。キャリッジ２１は、このキャリッジモーターの駆動によって、印刷ヘッド３０と一体となって移動する。本実施形態の印刷装置１は、例えば図２に示すように、シリアルヘッド方式の印刷装置である。シリアルヘッド方式とは、印刷ヘッド３０を紙幅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。なお紙幅方向とは、主走査方向と言い換えてもよい。紙幅方向又は主走査方向は、図２におけるＤ２に対応する。

印刷ヘッド３０は、複数のヘッドユニット３１を含む。各ヘッドユニット３１は、例えば搬送方向に沿って配置される複数のノズルＮｚと、不図示のヘッド制御部を含む。以下、所定方向に沿って配置される複数のノズルＮｚをノズル列と表記する。

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からインクが吐出される。ピエゾ素子ＰＺＴを含むヘッドユニット３１の詳細については図３を用いて後述する。ヘッド制御部は、プロセッサー１０２からのヘッド制御信号、及び駆動信号生成部４０からの駆動信号に基づいて、印刷媒体に対してノズルＮｚからインクを吐出する制御を行う。これにより、印刷媒体上に画像が形成される。

インク吸引ユニット５０は、印刷ヘッド３０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３０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３０内のインクを、印刷ヘッド３０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３０のノズルプレートＮＰに付着した液滴を除去する。ワイピングユニット５５は、印刷ヘッド３０のノズルプレートＮＰ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である。キャリッジ２１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３０のノズルプレートＮＰに当接して撓む。これにより、ワイピングユニット５５は、ノズルプレートＮＰに付着した液滴を取り除く。或いは、ワイピングユニット５５は、布等の拭き取り部材と、当該拭き取り部材が巻き付けられる第１巻き軸及び第２巻き軸を含んでもよい。第１巻き軸に巻き付けられた拭き取り部材は、所与の送り手段によって第２巻き軸に送られる。その経路上において、拭き取り部材がノズルプレートＮＰに対して押圧されることによって、ノズルプレートＮＰに付着した液滴が除去される。ワイピングユニット５５のワイピングによって、結露に起因する飛行曲がりの発生を抑制可能である。なおワイピングユニット５５は、ノズルプレートＮＰに付着した紙粉等の異物を取り除くために用いられてもよい。その場合、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３０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。

撮像ユニット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。撮像ユニット７０は、撮像部７１と、画像処理部７２を含む。例えば撮像ユニット７０は、インクが印刷媒体に吐出された結果を撮像することによって吐出結果画像情報を取得する。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。撮像ユニット７０は、例えば図２に示すようにキャリッジ２１に搭載される。このようにすれば、撮像部７１の画角が紙幅よりも狭い場合であっても、広い範囲の印刷結果を効率的に撮像することが可能になる。

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の稼働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を含む。検出器群９０は、気圧センサー、標高センサー、気泡センサー、ホコリセンサー、擦れセンサー等の不図示のセンサーを含んでもよい。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２１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構成を含んでもよい。

なお以上ではシリアル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、印刷ヘッド３０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であってもよい。

１．２ 印刷ヘッドの構成例
図３は、印刷ヘッド３０に含まれるヘッドユニット３１の構成を説明する断面図である。ヘッドユニット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。なお図３においては、ピエゾ素子ＰＺＴを駆動するための配線等については省略している。

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ＮＰ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ＮＰ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ＮＰには、複数のノズルＮｚからなる１又は複数のノズル列が設けられている。このノズルプレートＮＰ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ＮＰ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、固定部材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。固定部材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４は、印刷ヘッド３０のうちのインクが吐出される側の面の構成を示す図である。図４に示すように、印刷ヘッド３０は、固定板３５と、当該固定板３５に固定される複数のヘッドユニット３１を含む。図３に示したように、インクが吐出される面においては、ヘッドユニット３１のノズルプレートＮＰが露出する。なお図４に示すように、温度センサー９１は、例えば印刷ヘッド３０に設けられてもよい。図４の例では、温度センサー９１は固定板３５に配置される。

１つのヘッドユニット３１は、例えば搬送方向に沿って設けられる１列のノズル列を含む。図４に示す印刷ヘッド３０は、８つのヘッドユニット３１を含むことによって、例えばそれぞれ２つの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、その下面に有する。そして印刷ヘッド３０は、各ノズル列からそれぞれ対応する色のインクを用紙Ｓに向けて吐出する。ただし、１つのヘッドユニット３１が２以上のノズル列を含んでもよい。また印刷ヘッド３０に含まれるヘッドユニット数は８に限定されず、種々の変形実施が可能である。また、本実施形態に係る印刷ヘッド３０は、ある特定のインク色だけのノズル列を備えてもよい。

また図２においては、キャリッジ２１に１つの印刷ヘッド３０が設けられる例を説明した。ただしキャリッジ２１に２以上の印刷ヘッド３０が設けられてもよい。例えば複数の印刷ヘッド３０を、搬送方向において異なる位置に配置することによって、キャリッジ２１を一往復させる間に印刷可能な面積を広くすることが可能である。その他、印刷ヘッド３０及びヘッドユニット３１は種々の構成が知られており、本実施形態においてはそれらを広く適用可能である。

１．３ 結露
印刷装置１において結露が発生することが知られている。ここでの結露とは、ノズルプレートＮＰの印刷媒体側の面に液滴が付着することを表す。例えば、ノズルプレートＮＰの温度が周囲温度に比べて相対的に低下した場合に、温度差に起因して結露が発生する。そして液滴の付着位置がノズルＮｚに近い場合、結露に起因して飛行曲がり等の吐出不良が発生する場合がある。

図５は結露に起因する飛行曲がりを説明する図である。図５において上方向がインクの吐出方向である。図５のＡ１がインク吐出前の状態であり、ここではノズルＮｚの近傍に液滴が付着している。Ａ２に示すように、ピエゾ素子ＰＺＴが駆動されることによって、インクの液面が吐出方向と逆方向に引かれる。以下、液面形状をメニスカスと表記する。その後、Ａ３及びＡ４に示すように、インクの吐出とともにメニスカスが元に戻ろうとする。ただし液滴がノズルＮｚの近傍に存在する場合、Ａ５に示すように、メニスカスと吐出されるインクとが切り離される際に、インクが液滴側に引っ張られる。結果として、吐出されるインクの一部は、吐出方向が曲がってしまい、本来の着弾位置に比べて液滴側にずれた位置に着弾してしまう。

図５に示したように、結露は印刷品質の低下につながる。従来、ワイピングユニット５５によるワイピングを定期的に行うことによって、ノズルプレートＮＰに付着した液滴を除去する制御が行われる。ただしワイピングが行われる間隔が長い場合、所与のワイピング実行タイミングから次の実行タイミングまでの間に結露が発生する蓋然性が高くなってしまう。一方、ワイピングが行われる間隔が短い場合、不必要なワイピングが実行される場合がある。

以上を考慮し、本実施形態では、結露発生に関連する要因を考慮した上で、結露発生状況の推定、又は結露に対する対処の決定、又はその両方を行う。図６を用いて、結露発生に関連する情報について検討する。

図６は印刷ヘッド３０及び印刷媒体を水平方向から観察した断面図である。なお図６においては印刷ヘッド３０等の構造は簡略化して記載している。上述した通り、印刷ヘッド３０はキャリッジ２１の駆動に伴って紙幅方向において往復移動する。印刷ヘッド３０は複数のノズルＮｚを有し、当該ノズルからインク滴が印刷媒体に向けて吐出される。印刷媒体は、搬送ユニット１０によってプラテン１１の上を搬送される。以下、ノズルプレートＮＰと印刷媒体との距離をプリントギャップＰＧと表記する。

上述したように、ノズルプレートＮＰに液滴が付着するのは、ノズルプレートＮＰの温度が相対的に低下することによって温度差が発生することに起因する。よって、ノズルプレートＮＰの温度を表す温度情報は、結露発生に関連する情報として用いることが可能である。

また印刷ヘッド３０には、ピエゾ素子ＰＺＴ以外に大きな熱源はなく、ピエゾ素子ＰＺＴの発熱量もノズルプレートＮＰの温度を気温に対して大きく変動させるほど大きくない。即ち、ノズルプレートＮＰの温度を表す温度情報に代えて、使用環境の温度を表す温度情報を結露発生に関連する情報として用いることが可能である。

ただし後述するヒーター１２等の熱源を考慮すれば、ノズルプレートＮＰの温度が使用環境の温度と一致しない場合もあると考えられる。よって本実施形態では、ノズルプレートＮＰの温度と使用環境の温度の両方を結露発生に関連する情報として用いてもよい。この場合、ノズルプレートＮＰ自体の温度だけでなく周辺の温度も取得されるため、ノズルプレートＮＰの温度変化傾向等を考慮した処理も可能になる。

また図６に示すように、プラテン１１にはヒーター１２が設けられる場合がある。ヒーター１２を用いることによって、インクの速乾性を向上させることが可能である。また、加熱によって、インクが印刷媒体中に浸透しやすくなる。なおヒーター１２は印刷エリアよりも上流側に設けられる第１ヒーターと、印刷エリアに対応する位置又はそれよりも下流側に設けられる第２ヒーターを含んでもよい。第１ヒーターは、インク吐出前の印刷媒体をあらかじめ加熱するために用いられる。第２ヒーターは吐出されたインクの加熱に用いられる。このようにすれば、各ヒーターのサイズが小さい場合にも、効率的にインクの速乾性、浸透性を向上させることが可能になる。ただし、ヒーター１２は１つであってもよいし、広い面積を加熱可能な形状であってもよく、具体的な構成は種々の変形実施が可能である。

ヒーター１２が用いられる場合、ヒーター１２の周辺の温度が上昇することによって、ノズルプレートＮＰとの温度差が生じやすくなる。よってヒーター１２の温度情報を結露発生に関連する情報として用いることが可能である。

また、対象とする空間に含まれる水蒸気量、或いは湿度が結露の発生に大きく影響することが知られている。湿度が高い場合、当該空間に含まれる水蒸気や揮発したインクが液体となってノズルプレートＮＰに付着しやすくなる。印刷装置１における結露であれば、対象とする空間とは図６に示すように、印刷ヘッド３０と印刷媒体との間の空間である。この空間の空気が効率的に循環している場合、湿度が周辺大気中の湿度に比べて増大することが抑制されるため、結露の発生も抑制される。逆に空気が循環しない場合、湿度が増大し結露が発生しやすくなる。即ち、結露の発生には印刷ヘッド３０と印刷媒体の間の空気を循環させる風速が関連する。図２を用いて上述したように印刷装置１がシリアルヘッド方式である場合、キャリッジ２１の移動速度を上記風速と考えることが可能である。即ち、キャリッジ２１の移動速度情報を、結露発生に関連する情報として用いることが可能である。

また温度差が重要であることを考慮すれば、ヒーター１２において発生した熱が周辺に伝播することによってノズルプレートＮＰとの温度差が低下すれば、結露の発生は抑制される。即ち、ノズルプレートＮＰと印刷媒体との距離であるプリントギャップＰＧが小さいほど、温度差は低減されやすい。なお、プリントギャップＰＧを小さくすることによって、印刷ヘッド３０下部空間の空気が循環しにくくなる場合も考えられる。即ち、プリントギャップＰＧを小さくすることは、結露発生を抑制する方向と推進する方向の両方に寄与しうる。いずれの寄与が大きいかは状況によるが、どちらにせよプリントギャップＰＧは結露発生に関連する情報である。なお以下の本実施形態においては、温度差が解消されやすくなることによる寄与度が相対的に大きく、プリントギャップＰＧを小さくすることによって結露が抑制されるものとして説明を行う。

以上で説明したヒーター１２の温度を表すヒーター温度情報、キャリッジ２１の移動速度情報、プリントギャップＰＧは、印刷時の動作を設定するパラメーターであるため、以下では設定情報と表記する。ヒーター１２の温度及びキャリッジ２１の移動速度は、ヒーター１２及びキャリッジモーターの制御情報を用いて調整が可能である。プリントギャップＰＧについては、印刷装置１が自動的に変更可能な場合もあるし、ユーザーが手動で変更を行う場合もある。また印刷媒体の厚みによってもプリントギャップＰＧは変化する。例えばプラテン１１の位置が固定であっても、紙等の薄い印刷媒体を用いる場合はプリントギャップＰＧが大きくなり、布やＰＶＣ等の厚い印刷媒体を用いる場合はプリントギャップＰＧが小さくなる。

２．学習処理
２．１ 学習装置の構成例
図７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、温度情報と、設定情報と、対処情報とを対応付けたデータセットを取得する。温度情報は、印刷ヘッド３０を有する印刷装置１の使用環境の温度、及び印刷ヘッド３０のノズルプレートＮＰの温度の少なくとも一方を表す情報である。使用環境とは、印刷装置１が使用される環境を表す。印刷装置１は室内で使用されることが想定されるため、使用環境における温度とは狭義には当該室内で測定される気温である。設定情報は、印刷ヘッド３０によって印刷媒体にインクを吐出するときの設定を表す情報である。学習部４２０は、取得したデータセットに基づいて、結露の発生状況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、結露発生状況に関連する情報である温度情報及び設定情報を用いて、機械学習が行われる。図５及び図６を用いて上述したとおり、問題となる事象はノズルプレートＮＰへの液滴の付着である。しかし印刷装置１の稼働中は、ノズルプレートＮＰの状態を観察することが容易でない。撮像部７１が撮像した吐出結果画像を用いることによって、飛行曲がりが発生しているか否かを推定することは可能である。しかし飛行曲がりは結露以外の要因でも発生するため、吐出結果画像のみから結露発生状況を推定することも難しい。これに対して本実施形態では、結露発生状況に関連する種々の情報と、結露発生状況に応じた適切な対処を表す対処情報とが機械学習に用いられる。そのため、学習結果を用いることによって、結露に起因する飛行曲がり等の不良を抑制、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、結露が発生しやすい状況にあるという推定が行われた場合に、ワイピングを行うことによって結露を解消したり、結露が発生しにくくなるような設定変更を行う等の対処が可能である。

図７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、温度情報及び設定情報をメモリー１０３に蓄積する。取得部４１０は、メモリー１０３に蓄積された温度情報及び設定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、蓄積した温度情報及び設定情報を、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。対処情報は、例えばユーザーが手動で入力する情報である。ここでのユーザーは、例えば印刷装置１の開発者や熟練のサービスマン等、結露に対する知見を有するユーザーである。

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とネットワークを介して接続される外部機器に含まれてもよい。ここでのネットワークはイントラネット等のプライベートネットワークであってもよいし、インターネット等の公衆通信網であってもよい。またネットワークは、有線、無線を問わない。

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８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８の１つの円をノード又はニューロンと呼ぶ。図８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８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８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８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８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８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８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。ＣＮＮは、ノズルプレート画像に基づく情報、又は、吐出結果画像情報として２次元画像データを用いる場合等に好適である。

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
上述したように、結露発生に関連する情報として温度情報及び設定情報が考えられる。温度情報は、例えば℃単位の数値データである。また、ノズルプレートＮＰの温度と使用環境の温度の両方が用いられる場合、温度情報は複数の数値データの集合である。ただし温度データは他の形式のデータが用いられてもよい。

設定情報は、上述したように印刷ヘッド３０のノズルプレートＮＰと印刷媒体との距離情報、印刷ヘッド３０を搭載するキャリッジ２１の移動速度情報、及び、印刷媒体を乾燥させるヒーター１２のヒーター温度情報の、少なくとも１つを含む。

ノズルプレートＮＰと印刷媒体との距離情報とは、狭義には上述したプリントギャップＰＧである。プリントギャップＰＧは、距離を表す数値データである。或いは、プリントギャップＰＧが段階的に調整可能な構成である場合、当該段階を特定可能な情報をプリントギャップＰＧを表す情報として用いてもよい。移動速度情報は、キャリッジ２１の移動速度そのものを表す情報であってもよいし、キャリッジモーターの制御情報であってもよい。ヒーター温度情報は、温度センサーを用いてヒーター１２近傍の温度を測定した結果を表す情報であってもよいし、ヒーター１２の目標温度を特定可能な制御情報であってもよい。ここでの温度センサーは、ノズルプレートＮＰの温度を測定するセンサーとは異なるセンサーである。

なお、キャリッジ２１の移動速度情報は、印刷ヘッド３０と印刷媒体の間の風速を表す情報として用いられる。そのため、印刷装置１にファンが設けられる場合、当該ファンの風速を表すファン風速情報が設定情報に含まれてもよい。例えば、ファン風速情報は、ファンの駆動量を特定可能な制御情報である。またラインヘッド方式の印刷装置１が用いられる場合、移動速度情報は例えば０として扱われる。

本実施形態のデータセットは、所与の温度情報、設定情報によって特定される状況において、どのような対処を行うべきであるかを表す対処情報を含む。例えば学習段階においては、印刷装置１は訓練データ収集用のサンプル画像を印刷する処理を行い、当該処理を行っているときの温度情報及び設定情報を取得、蓄積する。それとともに、印刷ヘッド３０のノズルプレートＮＰの状態が逐次確認される。ノズルプレートＮＰの状態確認には、印刷ヘッド３０の取り外し、専用の撮像ユニットの設置等が必要になるが、ここでは訓練データを生成することが目的であり、ダウンタイムやコスト増については考慮しない。

例えば所与のタイミングよりも前にはノズルプレートＮＰに液滴が付着しておらず、且つ当該所与のタイミングにおいて液滴の付着が確認された場合を考える。この場合、当該所与のタイミング、及びそれより前の所定期間において、印刷装置１は結露が発生しやすい状態におかれていたと推定される。よって当該所定期間において取得された温度情報及び設定情報に対して、対処実行を表す対処情報を対応付けることによって訓練データが生成される。一方、所定期間継続してノズルプレートＮＰに液滴が付着していない場合、当該所定期間において、印刷装置１は結露が発生しにくい状態におかれていたと推定される。よって当該所定期間において取得された温度情報及び設定情報に対して、対処不要を表す情報を対応付けることによって訓練データが生成される。なお以下では、対処不要を表す情報についても対処情報に含まれるものとして説明を行う。

対処実行を表す対処情報を対応付ける際、液滴の量や位置に応じて対処情報によって特定される対処の内容を変更してもよい。例えば対処情報は、ワイピングの実行、設定情報の変更、使用環境における温度又の湿度の調整を含む複数の対処のいずれかを特定する情報である。

ワイピングの実行とは、ワイピングユニット５５を用いてノズルプレートＮＰの表面を拭き取ることである。ワイピングを行うことによって、その時点で発生している結露を解消することが可能である。よって例えば、液滴の量が多い場合や、液滴の位置がノズルＮｚに近い場合等に、ワイピングの実行を表す情報を対処情報としてデータセットに含める処理が行われる。

設定情報の変更とは、ヒーター１２の温度を下げる制御、キャリッジ２１の移動速度を上げる制御、プリントギャップＰＧを小さくする制御のいずれかを含む。なお、これらの制御は一部が省略されてもよい。例えば、キャリッジ２１の移動速度を大きくした場合、ノズルＮｚからのインクの吐出タイミング等の制御情報についても変更する必要があり、処理負荷が大きい。また印刷品質が低下するおそれもある。よって設定情報の変更とは、キャリッジ２１の移動速度を変更する制御を含まなくてもよい。

使用環境における温度又の湿度の調整とは、例えば印刷装置１と同じ空間に設けられたエアコン、空気清浄機、加湿機、除湿機等の制御である。同じ空間とは、例えば印刷装置１が設けられる室内である。本実施形態における結露は印刷装置１の内部における事象であるが、印刷装置１の筐体は密閉されているものではないため、外気の影響を受ける。そのため、外気の温度を調整することによってノズルプレートＮＰの相対的な温度低下を抑制する、或いは外気の湿度を調整することによって印刷ヘッド３０と印刷媒体の間の湿度を低下させることが可能である。例えば、印刷装置１とエアコン等の機器は、それぞれネットワークに接続されており、当該ネットワークを介して、印刷装置１からエアコン等の制御を行うことが可能である。

設定情報の変更や使用環境における温度又は湿度の調整は、ワイピングに比べると直接的な結露解消に対する寄与度は小さい。しかし、印刷装置１の内部及び周辺の環境を、結露が発生しにくい環境とすることが可能である。よって例えば、液滴の量が小さい場合や、液滴の位置がノズルＮｚから遠い場合等に、設定情報の変更や使用環境における温度又は湿度の調整を表す情報を対処情報としてデータセットに含める処理が行われる。

なお、液滴の量や位置の時系列的な変化に応じて対処情報によって特定される対処の内容を変更してもよい。例えば液滴の増加量が多い場合、将来的に液滴による飛行曲がりが発生する蓋然性が高い。そのため、その段階では液滴の量が少なくても、飛行曲がりを未然に防ぐために、当該タイミングにおける温度情報及び設定情報に対して、ワイピング実行を表す対処情報を対応付ける処理が行われる。

また対処情報によって特定される対処は、複数の対処の組み合わせであってもよい。例えば対処情報は、ワイピングを行うことによって現在付着している液滴を除去しつつ、設定情報の変更を組み合わせることによって将来的な結露の発生を抑制するといった対処を特定する情報であってもよい。

また以上では訓練データを生成する目的で印刷装置１を稼働させる例について説明した。例えば訓練データは、出荷前の印刷装置１をテスト用に動作させることによって取得される。ただし訓練データは、出荷後にオフィスや工場等で稼働している印刷装置１から取得されてもよい。例えば印刷装置１の稼働情報がサーバーシステムに集約され、当該稼働情報に基づいてサービスマンが印刷装置１のメンテナンスを行うサービスが考えられる。ここでの稼働情報には、温度情報や設定情報が含まれる。またサービスマンのメンテナンスによって異常要因が結露であると判定された場合、その旨、及びサービスマンが行った対処の情報もサーバーシステムに記憶される。この場合も、温度情報及び設定情報と、当該温度情報及び設定情報によって特定される状況に適した対処を表す対処情報と、を対応付けたデータセットを取得可能である。

図９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。ＮＮ１に示すニューラルネットワークは、温度情報と設定情報を入力として受け付けて、推奨される対処を表す対処情報を出力データとして出力する。図９の例では、対処情報は推奨される対処が「ワイピング」であるか、「設定情報の変更」であるか、「使用環境の調整」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、「ワイピング」を表す確率データ、「設定情報の変更」を表す確率データ、「使用環境の調整」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。本実施形態では、入力データは温度情報と設定情報である。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。例えば正解ラベルは推奨される対処に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。例えば推奨すべき対処が「ワイピング」である場合、具体的な正解ラベルは、「ワイピング」を表す確率データの値が１となり、「設定情報の変更」を表す確率データ、「使用環境の調整」を表す確率データ、「不要」を表す確率データの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。

なおデータセットに含まれる情報は、温度情報、設定情報及び対処情報に限定されない。例えばデータセットは、使用環境における湿度情報を含んでもよい。湿度情報は、例えば印刷装置１に設けられる湿度センサー９２によって検出される情報である。湿度情報は、０％以上１００％以下の数値データであってもよいし、湿度を特定可能な他の形式のデータであってもよい。或いは、取得部４１０は、印刷装置１と同じ空間に設けられる湿度センサーから湿度情報を取得してもよい。

このようにすれば、使用環境の湿度を考慮した機械学習が可能になる。上述したように結露は対象となる空間の湿度が強く関連するため、より適切な対処を推定可能な学習済モデルを生成することが可能になる。

またデータセットは、印刷ヘッド３０から印刷媒体にインクが吐出された結果を撮像することによって取得される吐出結果画像情報を含んでもよい。吐出結果画像情報とは、狭義には撮像ユニット７０の出力に対応する。吐出結果画像情報は、画像が形成された印刷媒体を撮像部７１を用いて撮像した結果である吐出結果画像そのものであってもよいし、画像処理部７２による画像処理を行った結果であってもよい。画像処理部７２は、例えば飛行曲がりが発生しているか否かを判定し、判定結果を吐出結果画像情報として出力する。

吐出結果画像情報は、吐出不良が発生しているか否かを推定可能な情報である。吐出結果画像情報を用いることによって、実際に吐出不良が生じているか否かを考慮した機械学習が可能になる。そのため、適切な対処を推定可能な学習済モデルを生成することが可能になる。なお飛行曲がりの要因は結露に限定されず、ミストが発生した場合、ノズルＮｚへ紙片等の異物が混入した場合、プリントギャップＰＧが過剰に長い場合等にも発生しうる。そのため、飛行曲がりが発生したからといって、必ずしも結露が発生していることにはならない。しかし、液滴の量が多い重度の結露が発生した場合、その結果が飛行曲がりとして現れることを考慮すれば、吐出結果画像情報は結露に関連する情報であり、機械学習に利用することが有用である。

またデータセットは、印刷装置１によるジョブの実行履歴情報を含んでもよい。上述したように、ピエゾ素子ＰＺＴの駆動によってノズルプレートＮＰの温度が上昇する。そのため、多くのピエゾ素子ＰＺＴが高頻度で駆動されるほどノズルプレートＮＰと周辺の温度差は低減され、ピエゾ素子ＰＺＴが駆動されないほど温度差が生じやすい傾向にある。ここでのジョブとは、印刷装置１が一度の印刷処理を実行する際に用いられるデータの集合を表す。そのため、ジョブの実行履歴情報に基づいて、ピエゾ素子ＰＺＴの駆動状態を特定できる。実行履歴情報は、温度センサー９１に基づく温度情報とは異なる観点の情報となるため、実行履歴情報を用いた機械学習を行うことによって、より適切な対処を推定可能な学習済モデルを生成することが可能になる。

なお、機械学習に用いられるジョブの実行履歴情報は、各ノズルＮｚの駆動情報を特定可能な情報であってもよい。或いは処理を簡略化するために、ジョブの実行タイミングや継続時間等の簡易的な情報が用いられてもよい。またノズルプレートＮＰの温度は、印刷装置１の電源がオフの間は低く、オンになった後に上昇すると考えられる。よってデータセットに含まれる情報は、電源がオンになってからの経過時間であってもよい。

湿度情報、吐出結果画像情報、実行履歴情報等は、例えばニューラルネットワークの入力として用いられる。例えば、学習部４２０は、温度情報、設定情報、湿度情報、吐出結果画像情報及び実行履歴情報を入力とし、対処情報を正解ラベルとする学習処理を行う。後述する情報処理装置２００の受付部２１０は温度情報、設定情報、湿度情報、吐出結果画像情報及び実行履歴情報を受け付ける。処理部２２０は受け付けた情報を学習済モデルに入力することによって対処を決定する。なお、湿度情報、吐出結果画像情報及び実行履歴情報は、その全てを追加する必要はなく、いずれか１つの情報、或いはいずれか２つの情報が追加されてもよい。また、これ以外の情報がデータセットに追加されてもよい。

またデータセットは、ノズルプレートＮＰを撮影したノズルプレート画像に基づく情報を含んでもよい。

図１０はノズルプレート画像の例である。ノズルプレート画像は、例えばインクが吐出される側から、ノズルプレートＮＰを含む領域を撮像した画像である。図１０の例では、ノズルプレート画像は、所与のヘッドユニット３１に対応するノズルプレートＮＰと、当該ヘッドユニット３１を固定する固定板３５の一部を撮像した画像である。また図１０の例では、ノズルプレートＮＰ及び固定板３５に液滴が付着している。

上述したように、ユーザーがノズルプレート画像を見ることによって、対処情報を手動入力してもよい。ただしノズルプレート画像に基づく情報を直接的に機械学習に用いてもよい。ノズルプレート画像に基づく情報とは、ノズルプレート画像そのものであってもよいし、ノズルプレート画像に対する画像処理によって取得される情報であってもよい。例えば、処理対象であるノズルプレート画像と、結露が発生していない状態で撮像されたノズルプレート画像とを比較する画像処理を行うことによって、ノズルプレート画像中の液滴の位置、サイズを容易に特定できる。例えばノズルプレート画像に基づく情報は、特定された液滴の位置、サイズによって算出される結露の深刻度である。深刻度は、液滴の量が多いほど、及び、液滴の位置がノズルＮｚに近いほど大きくなる数値情報である。深刻度が高いほど、適切な対処を行わなければ飛行曲がり等の吐出不良が発生する蓋然性が高いことを表す。また深刻度は、「高」「中」「低」等の段階的なデータであってもよい。

図１１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、２つのニューラルネットワークであるＮＮ２及びＮＮ３を含む。ＮＮ２は、温度情報と設定情報を入力として受け付けて、結露の発生状況を表す結露情報を出力するネットワークである。ＮＮ３は、結露情報を入力として受け付けて、推奨される対処を表す対処情報を出力するネットワークである。

学習部４２０は、ノズルプレート画像に基づく情報を結露情報とすることによって、ＮＮ２及びＮＮ３の学習を行う。訓練データは、温度情報、設定情報、結露情報、対処情報を対応付けたデータセットである。学習部４２０は、温度情報及び設定情報を入力とし、結露情報を正解ラベルとする学習処理によってＮＮ２の重み付け係数を学習する。学習部４２０は、結露情報を入力とし、対処情報を正解ラベルとする学習処理によってＮＮ３の重み付け係数を学習する。或いは学習部４２０は、温度情報及び設定情報を入力とし、結露情報を正解ラベルとする学習処理によってＮＮ２の重み付け係数を学習し、且つ、温度情報及び設定情報を入力とし、対処情報を正解ラベルとする学習処理によってＮＮ２及びＮＮ３の重み付け係数を学習してもよい。

このようにすれば、そのときの結露発生状況を考慮した処理が可能になる。具体的には、図１１に示すようにニューラルネットワークの中間層における状態が所望の正解ラベルに近づくように重み付け係数が学習されるため、より適切な対処情報を出力可能な学習済モデルを生成することが可能になる。

３．推論処理
３．１ 情報処理装置の構成例
図１２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、温度情報と、設定情報と、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、印刷ヘッド３０によるインク吐出時の温度情報及び設定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温度情報及び設定情報と、学習済モデルとに基づいて、結露に対して推奨される対処を決定する。

上述したように、温度情報及び設定情報は結露に関連する情報である。温度情報及び設定情報を用いて機械学習された学習済モデルに、インク吐出時の温度情報及び設定情報を入力することによって、結露による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。

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、入力である温度情報と設定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１２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に蓄積された温度情報及び設定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温度情報と設定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、当該対処の実行を指示する情報や当該対処を報知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１３に示すように、情報処理装置２００は、温度情報と、設定情報と、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、結露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１２の構成に加えて、図７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３０によるインク吐出時の温度情報及び設定情報を受け付け、受け付けた温度情報及び設定情報と、学習済モデルとに基づいて、結露に対して実行する対処を決定する方法である。ここでの学習済モデルは、上述したとおり、印刷装置１の使用環境及び印刷ヘッド３０のノズルプレートＮＰの少なくとも一方の温度情報と、印刷ヘッド３０によって印刷媒体にインクを吐出するときの設定情報と、ノズルプレートＮＰに発生する結露に対す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き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１４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、温度情報及び設定情報を受け付ける（Ｓ１０１、Ｓ１０２）。

この際、受付部２１０は、インクの吐出制御に用いられ、印刷ヘッド３０に設けられる温度センサー９１に基づいて検出されたノズルプレートＮＰの温度情報を入力として受け付ける。例えば情報処理装置２００が印刷装置１に対応する場合、当該情報処理装置２００は、印刷ヘッド３０と、インクの吐出制御に用いられ、印刷ヘッド３０に設けられる温度センサー９１とを含む。

ピエゾ素子ＰＺＴは温度に応じて動作特性が変化する。具体的には、ピエゾ素子ＰＺＴは、駆動信号として同じ波形の電圧信号が印可された場合であっても、温度に応じて吐出するインクの量が変化してしまう。そのため、ピエゾ素子ＰＺＴ近傍の温度を取得し、当該温度に応じて駆動信号の波形を調整する温度補償処理が行われる。本実施形態の手法においては、ピエゾ素子ＰＺＴの温度補償用の温度センサー９１を、ノズルプレートＮＰの温度情報の取得に流用することが可能である。このようにすれば、効率的な構成によってインクの吐出制御、及び結露に関する対処の推定処理を実行することが可能になる。

なお、ここでは推論処理における温度情報を取得する際に、印刷ヘッド３０に設けられる温度センサー９１が用いられる例について説明した。ただし印刷ヘッド３０に設けられる温度センサー９１は学習処理における温度情報の取得に用いられてもよい。即ち、学習処理に用いられるデータセットに含まれる温度情報は、印刷ヘッド３０に設けられる温度センサー９１によって検出されてもよい。

次に処理部２２０は、取得した温度情報及び設定情報と、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９又は図１１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、「ワイピング」、「設定情報の変更」、「使用環境の調整」、「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。

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、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）、具体的な対処を実行する（Ｓ１０５）。具体的には処理部２２０はＳ１０５において、設定情報の変更処理、使用環境における温度又の湿度の調整処理、ノズルプレートＮＰのワイピング処理、のいずれかの処理を対処として実行する。

例えば処理部２２０は、Ｓ１０３において「ワイピング」の確率が最大である場合に、ワイピングユニット５５にワイピングを行わせる制御を行う。また処理部２２０は、Ｓ１０３において「設定情報の変更」の確率が最大である場合に、対処としてヒーター温度の変更、キャリッジ２１の移動速度の変更、プリントギャップＰＧの変更、の少なくとも１つを含む処理を行う。また処理部２２０は、Ｓ１０３において「使用環境の調整」の確率が最大である場合に、印刷装置１と同じ空間に配置されたエアコン等に対して、温度又は湿度の変更を指示する処理を行う。例えば処理部２２０は、不図示の通信部を制御することによって、エアコン等に対して温度変更を指示する制御情報を送信する。なお、制御情報の送信は印刷装置１からエアコン等に直接行われてもよいし、サーバーシステム等の他の機器を経由して行われてもよい。

ただし、Ｓ１０５の処理は、対処を自動的に実行するものに限定されず、当該対処の実行をユーザーに促すための報知処理であってもよい。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。また報知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。

このようにすれば、結露の発生、及び当該結露に起因する飛行曲がりの発生が疑われる場合に、適切な対処を実行することや、対処の必要性をユーザーに報知することが可能になる。結果として、品質の高い印刷を継続して実行することが可能になる。

なお、以上では対処の１つとしてワイピングを実行する例について説明した。この際、処理部２２０は、ノズルプレートＮＰを濡らす制御を行った後に、ワイピング処理を行ってもよい。ノズルプレートＮＰを濡らす制御とは、フラッシングユニット６０にフラッシングを行わせることによって直接的にノズルプレートＮＰを濡らす制御であってもよいし、ワイピングユニット５５のうちノズルプレートＮＰに接触する部材を濡らすことによって、間接的にノズルプレートＮＰを濡らす制御であってもよい。ノズルプレートＮＰに接触する部材とは、ワイパーや布等の拭き取り部材である。このようにすれば、乾燥した状態でワイピングが行われることが抑制されるため、印刷ヘッド３０の破損を抑制できる。例えば、ノズルプレートＮＰ表面の撥水加工を保護することが可能である。

また処理部２２０は、ノズルプレートＮＰを濡らす制御を行った後にワイピングを実行する対処と、ノズルプレートＮＰを濡らす制御を行わずにワイピングを実行する対処の両方を実行可能であってもよい。例えばノズルプレートＮＰに付着している液滴の量が所定量以上と判定された場合に、ワイピング前のノズルプレートＮＰを濡らす制御が省略される。このようにすれば、状況に応じた適切なワイピングが可能になる。具体的には、ニューラルネットワークの出力データとして、濡らす制御を伴うワイピング処理を推奨する確率データと、濡らす制御を伴わずにワイピング処理を推奨する確率データのそれぞれが出力されてもよい。

また、以上ではワイピングを即時実行する対処を例示したが、本実施形態における対処はこれに限定されない。例えば所与の間隔で定期的にワイピングを実行する設定が行われている場合に、処理部２２０は当該所与の間隔を調整する対処を実行してもよい。例えば処理部２２０は、印刷装置１が結露が発生しやすい状況にあると判定された場合、当該所与の間隔を短くする対処を実行する。
４．変形例
４．１ 学習済モデルの出力

以上では温度情報及び設定情報を入力とし、対処情報を出力とする学習済モデルを生成する学習処理、及び当該学習済モデルを用いた推論処理について説明した。ただし本実施形態の手法はこれに限定されない。

学習装置４００の取得部４１０は、温度情報と、設定情報と、ノズルプレートＮＰに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットを取得する。学習部４２０は、取得したデータセットに基づいて、前記温度情報及び前記設定情報と、結露の発生状況との関係を機械学習する。

結露情報は、ノズルプレートＮＰを撮影したノズルプレート画像に基づく情報である。このようにすれば、温度情報及び設定情報によって特定される状況において、ノズルプレートＮＰがどのような状態にあるかを画像情報に基づいて学習することが可能になる。ただし結露情報は、ノズルプレートＮＰを直接或いは撮像ユニットを介して目視したユーザーによって手動入力される情報であってもよい。

図１５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、図１１におけるＮＮ２に対応する。ＮＮ２は、温度情報と設定情報を入力として受け付けて、結露の発生状況を表す結露情報を出力するネットワークである。

学習部４２０はノズルプレート画像に基づく情報を、結露情報とすることによって、ＮＮ２の学習を行う。訓練データは、温度情報、設定情報、結露情報を対応付けたデータセットである。学習部４２０は、温度情報及び設定情報を入力とし、結露情報を正解ラベルとする学習処理によってＮＮ２の重み付け係数を学習する。

情報処理装置２００の記憶部２３０は、温度情報と、設定情報と、結露情報とを対応付けたデータセットに基づき機械学習した学習済モデルを記憶する。受付部２１０は、印刷ヘッド３０によるインク吐出時の温度情報と設定情報を受け付ける。処理部２２０は、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露の発生状況を推定する。

このようにすれば、インク吐出時の結露の発生状況を精度よく推定することが可能になる。結露情報がノズルプレート画像である場合、学習済モデルの出力はノズルプレートＮＰにどのように液滴が付着しているかを表す画像情報となる。結露情報が結露の深刻度である場合、学習済モデルの出力は現在の深刻度の推定値である。

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３０によるインク吐出時の温度情報及び設定情報を受け付け、受け付けた温度情報及び設定情報と、学習済モデルとに基づいて、結露の発生状況を推定する方法である。ここでの学習済モデルは、印刷装置１の使用環境及び印刷ヘッド３０のノズルプレートＮＰの少なくとも一方の温度情報と、印刷ヘッド３０によって印刷媒体にインクを吐出するときの設定情報と、ノズルプレートＮＰに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットに基づき機械学習された学習済モデルである。

図１６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。Ｓ２０１及びＳ２０２の処理は、図１４のＳ１０１及びＳ１０２と同様である。次に処理部２２０は、取得した温度情報及び設定情報と、記憶部２３０に記憶された学習済モデルとに基づいて、推論処理を行う（Ｓ２０３）。Ｓ２０３における推論処理は、例えば図１５に示すニューラルネットワークの出力を求める処理であるため、出力は結露の発生状況を表す情報となる。

処理部２２０は、結露の発生状況の推定結果に基づいて、結露に対して実行する対処を決定する（Ｓ２０４）。例えば処理部２２０は、図９及び図１１等を用いて上述した例と同様に、設定情報の変更処理、使用環境における温度又の湿度の調整処理、ノズルプレートＮＰのワイピング処理、のいずれかの処理を対処として決定する処理を行う。例えば出力が画像情報である場合、処理部２２０は、液滴の量や位置を判定する処理を行う。出力が深刻度である場合、その高低を判定する処理を行う。高低の判定は、例えば所与の閾値との比較処理である。このようにすれば、結露の発生状況に応じた適切な対処を決定することが可能になる。

次に処理部２２０は、対処が必要であるか否かを判定する（Ｓ２０５）。対処が不要である場合（Ｓ２０５でＮｏ）、処理部２２０は処理を終了する。対処が必要である場合（Ｓ２０５でＹｅｓ）、処理部２２０は具体的な対処を実行する（Ｓ２０６）。なお、Ｓ２０６の処理は、対処を報知する報知処理であってもよい。

なお処理部２２０は、Ｓ２０４において具体的な対処を決定するのではなく、対処の要否のみを判定してもよい。この場合、Ｓ２０６の処理はユーザーに対処を促す報知処理となる。即ち、対処内容の決定をユーザーに委ねてもよい。

また処理部２２０は、Ｓ２０４〜Ｓ２０６の処理に代えて、結露の発生状況の推定結果を報知する報知処理を行ってもよい。この場合、対処内容の決定だけでなく、対処の要否判定についてもユーザーに委ねられる。
４．２ 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。初期学習済モデルとは、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、推論処理のために温度情報及び設定情報を取得する処理を行う。当該温度情報及び設定情報は、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１３に示すように取得部４１０と、学習部４２０を含む。取得部４１０は、温度情報と設定情報を取得する。例えば取得部４１０は、受付部２１０が図１４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、温度情報と設定情報に対して、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、例えば上述したように、サービスマン等のユーザーが入力した情報である。このようにすれば、稼働中の印刷装置１において、訓練データを蓄積することが可能である。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、印刷ヘッドによるインク吐出時の温度情報及び設定情報を受け付ける受付部と、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露に対して実行する対処を決定する処理部と、を含む。学習済モデルは、温度情報と設定情報と対処情報とを対応付けたデータセットに基づき機械学習した学習済モデルである。温度情報は、印刷ヘッドを有する印刷装置の使用環境及び印刷ヘッドのノズルプレートの少なくとも一方の温度を表す情報である。設定情報は、印刷ヘッドによって印刷媒体にインクを吐出するときの設定を表す情報である。対処情報は、ノズルプレートに発生する結露に対する対処を表す情報である。

本実施形態の手法によれば、学習済モデルを用いて結露に対する対処を決定することが可能になる。その際、結露の発生状況に関連する温度情報及び設定情報を含む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用いることによって、状況に応じた適切な対処を推定することが可能になる。

また設定情報は、印刷ヘッドのノズルプレートと印刷媒体との距離情報、印刷ヘッドを搭載するキャリッジの移動速度情報、及び、印刷媒体を乾燥させるヒーターのヒーター温度情報の、少なくとも１つを含んでもよい。

このように結露の発生状況に関連する情報を設定情報として用いることによって、状況に応じた適切な対処を推定することが可能になる。

またデータセットは、ノズルプレートを撮影したノズルプレート画像に基づく情報を含んでもよい。

このようにすれば、結露の発生状況を考慮した処理が可能になるため、状況に応じた適切な対処を推定することが可能になる。

またデータセットは、使用環境における湿度情報を含んでもよい。

このように結露の発生状況に関連する情報をデータセットに含めることによって、状況に応じた適切な対処を推定することが可能になる。

またデータセットは、印刷ヘッドから印刷媒体にインクが吐出された結果を撮像することによって取得される吐出結果画像情報を含んでもよい。

このように結露の発生状況に関連する情報をデータセットに含めることによって、状況に応じた適切な対処を推定することが可能になる。

また処理部は、設定情報の変更処理、使用環境における温度又の湿度の調整処理、ノズルプレートのワイピング処理、のいずれかの処理を対処として実行してもよい。

このようにすれば、結露の発生しにくい環境を実現する対処や、発生した結露を解消する対処を実行することが可能になる。

また処理部は、対処として、ノズルプレートを濡らす制御を行った後に、ワイピング処理を行ってもよい。

このようにすれば、ワイピングによる印刷ヘッドの破損を抑制することが可能になる。

また本実施形態の情報処理装置は、印刷ヘッドと、インクの吐出制御に用いられ、印刷ヘッドに設けられる温度センサーと、を含んでもよい。受付部は、温度センサーに基づいて検出されたノズルプレートの温度情報を受け付ける。

このようにすれば、インクの吐出制御に用いられる温度センサーを、結露に対する対処の決定処理に流用することが可能になる。

また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、印刷ヘッドによるインク吐出時の温度情報及び設定情報を受け付ける受付部と、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露の発生状況を推定する処理部と、を含む。学習済モデルは、温度情報と、設定情報と、ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットに基づき機械学習された学習済モデルである。

本実施形態の手法によれば、学習済モデルを用いて結露の発生状況を推定することが可能になる。その際、結露の発生状況に関連する温度情報及び設定情報を含む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用いることによって、精度の高い推定処理が可能になる。

また処理部は、結露の発生状況の推定結果に基づいて、結露に対して実行する対処を決定してもよい。

このようにすれば、推定した結露の発生状況に応じた適切な対処を決定することが可能になる。

また処理部は、設定情報の変更処理、使用環境における温度又の湿度の調整処理、ノズルプレートのワイピング処理、のいずれかの処理を対処として実行してもよい。

このようにすれば、結露の発生しにくい環境を実現する対処や、発生した結露を解消する対処を実行することが可能になる。

また結露情報は、ノズルプレートを撮影したノズルプレート画像に基づく情報であってもよい。

このようにすれば、結露の発生状況を反映する情報を機械学習に用いることができるため、推定精度を高くすることが可能になる。

また本実施形態の学習装置は、温度情報と設定情報と対処情報と、を対応付けたデータセットを取得する取得部と、取得したデータセットに基づいて、結露の発生状況に応じた対処を機械学習する学習部と、を含む。

本実施形態の手法によれば、温度情報及び設定情報によって特定される状況において、適切と考えられる対処を推定可能な学習結果を出力することが可能になる。

また本実施形態の学習装置は、温度情報と、設定情報と、ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付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、温度情報及び設定情報と、結露の発生状況との関係を機械学習する学習部と、を含む。

本実施形態の手法によれば、温度情報及び設定情報によって特定される状況における結露の発生状況を、精度よく推定可能な学習結果を出力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、印刷ヘッドによるインク吐出時の温度情報及び設定情報を受け付け、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露に対して実行する対処を決定する。学習済モデルは、印刷ヘッドを有する印刷装置の使用環境及び印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、ノズルプレートに発生する結露に対す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き機械学習される。

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、印刷ヘッドによるインク吐出時の温度情報及び設定情報を受け付け、受け付けた温度情報と、設定情報と、学習済モデルに基づいて、結露の発生状況を推定する。学習済モデルは、印刷ヘッドを有する印刷装置の使用環境及び印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットに基づき機械学習される。

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、１１…プラテン、１２…ヒーター、２０…キャリッジユニット、２１…キャリッジ、２２…ガイドレール、３０…印刷ヘッド、３１…ヘッドユニット、３２…ケース、３３…流路ユニット、３３ａ…流路形成基板、３３ｃ…振動板、３４…ピエゾ素子ユニット、３５…固定板、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…撮像ユニット、７１…撮像部、７２…画像処理部、９０…検出器群、９１…温度センサー、９２…湿度センサー、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…固定部材、４００…学習装置、４１０…取得部、４２０…学習部、ＮＰ…ノズルプレート、Ｎｚ…ノズル、ＰＧ…プリントギャップ、Ｓ…用紙、ＰＺＴ…ピエゾ素子

Claims (16)

1. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露に対す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き機械学習した学習済モデルを記憶する記憶部と、
   前記印刷ヘッドによるインク吐出時の前記温度情報及び前記設定情報を受け付ける受付部と、
   受け付けた前記温度情報と、前記設定情報と、前記学習済モデルに基づいて、前記結露に対して実行する前記対処を決定する処理部と、
   を含むことを特徴とする情報処理装置。
2. 請求項１において、
   前記設定情報は、前記印刷ヘッドの前記ノズルプレートと前記印刷媒体との距離情報、前記印刷ヘッドを搭載するキャリッジの移動速度情報、及び、前記印刷媒体を乾燥させるヒーターのヒーター温度情報の、少なくとも１つを含むことを特徴とする情報処理装置。
3. 請求項１又は２において、
   前記データセットは、前記ノズルプレートを撮影したノズルプレート画像に基づく情報を含むことを特徴とする情報処理装置。
4. 請求項１乃至３のいずれか一項において、
   前記データセットは、前記使用環境における湿度情報を含むことを特徴とする情報処理装置。
5. 請求項１乃至４のいずれか一項において、
   前記データセットは、前記印刷ヘッドから前記印刷媒体に前記インクが吐出された結果を撮像することによって取得される吐出結果画像情報を含むことを特徴とする情報処理装置。
6. 請求項１乃至５のいずれか一項において、
   前記処理部は、
   前記設定情報の変更処理、前記使用環境における温度又の湿度の調整処理、前記ノズルプレートのワイピング処理、のいずれかの処理を前記対処として実行することを特徴とする情報処理装置。
7. 請求項６において、
   前記処理部は、
   前記対処として、前記ノズルプレートを濡らす制御を行った後に、前記ワイピング処理を行うことを特徴とする情報処理装置。
8. 請求項１乃至７のいずれか一項において、
   前記印刷ヘッドと、
   前記インクの吐出制御に用いられ、前記印刷ヘッドに設けられる温度センサーと、
   を含み、
   前記受付部は、
   前記温度センサーに基づいて検出された前記ノズルプレートの前記温度情報を受け付けることを特徴とする情報処理装置。
9. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットに基づき機械学習した学習済モデルを記憶する記憶部と、
   前記印刷ヘッドによるインク吐出時の前記温度情報及び前記設定情報を受け付ける受付部と、
   受け付けた前記温度情報と、前記設定情報と、前記学習済モデルに基づいて、前記結露の前記発生状況を推定する処理部と、
   を含むことを特徴とする情報処理装置。
10. 請求項９において
    前記処理部は、
    前記結露の前記発生状況の推定結果に基づいて、前記結露に対して実行する対処を決定することを特徴とする情報処理装置。
11. 請求項１０において、
    前記処理部は、
    前記設定情報の変更処理、前記使用環境における温度又の湿度の調整処理、前記ノズルプレートのワイピング処理、のいずれかの処理を前記対処として実行することを特徴とする情報処理装置。
12. 請求項９乃至１１のいずれか一項において、
    前記結露情報は、前記ノズルプレートを撮影したノズルプレート画像に基づく情報であることを特徴とする情報処理装置。
13. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露に対する対処を表す対処情報と、を対応付けたデータセットを取得する取得部と、
    取得した前記データセットに基づいて、前記結露の発生状況に応じた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。
14. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付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、温度情報及び設定情報と、前記結露の前記発生状況との関係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。
15. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露に対す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き機械学習した学習済モデルを取得し、
    前記印刷ヘッドによるインク吐出時の前記温度情報及び前記設定情報を受け付け、
    受け付けた前記温度情報と、前記設定情報と、前記学習済モデルに基づいて、前記結露に対して実行する前記対処を決定する、
    ことを特徴とする情報処理方法。
16. 印刷ヘッドを有する印刷装置の使用環境及び前記印刷ヘッドのノズルプレートの少なくとも一方の温度情報と、前記印刷ヘッドによって印刷媒体にインクを吐出するときの設定情報と、前記ノズルプレートに発生する結露の発生状況を表す結露情報と、を対応付けたデータセットに基づき機械学習した学習済モデルを取得し、
    前記印刷ヘッドによるインク吐出時の前記温度情報及び前記設定情報を受け付け、
    受け付けた前記温度情報と、前記設定情報と、前記学習済モデルに基づいて、前記結露の前記発生状況を推定する、
    ことを特徴とする情報処理方法。

Images