JP2021116186A - 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム - Google Patents
機械学習方法、搬送装置、画像形成装置、および機械学習プログラム Download PDFInfo
- Publication number
- JP2021116186A JP2021116186A JP2020012743A JP2020012743A JP2021116186A JP 2021116186 A JP2021116186 A JP 2021116186A JP 2020012743 A JP2020012743 A JP 2020012743A JP 2020012743 A JP2020012743 A JP 2020012743A JP 2021116186 A JP2021116186 A JP 2021116186A
- Authority
- JP
- Japan
- Prior art keywords
- transport
- medium
- machine learning
- skew
- conveyed
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 135
- 230000015572 biosynthetic process Effects 0.000 title claims description 15
- 230000013016 learning Effects 0.000 claims abstract description 107
- 238000012937 correction Methods 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000032258 transport Effects 0.000 claims description 205
- 239000002609 medium Substances 0.000 claims description 70
- 238000000034 method Methods 0.000 claims description 53
- 238000012546 transfer Methods 0.000 claims description 35
- 239000006163 transport media Substances 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 37
- 230000009471 action Effects 0.000 description 26
- 238000012986 modification Methods 0.000 description 24
- 230000004048 modification Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Abstract
Description
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備える搬送装置の搬送制御を学習する機械学習方法であって、
被搬送媒体を搬送する複数の前記搬送部材の駆動速度、該被搬送媒体の位置、および該被搬送媒体のスキュー状態を入力するステップ(a)と、
前記ステップ(a)の入力に応じて、学習モデルを用いて決定した前記駆動源の駆動制御に関する行動情報を出力するステップ(b)と、
前記ステップ(b)の出力した後の前記被搬送媒体の前記スキュー状態に応じて報酬値を算出するステップ(c)と、
を有し、
現段階での複数の前記搬送部材の駆動速度、前記被搬送媒体の位置、および該被搬送媒体のスキュー状態から、該スキュー状態が所定量になるように、次に出力すべき複数の前記搬送部材の前記駆動速度を、前記報酬値を用いて機械学習することで、前記学習モデルを生成する、機械学習方法。
前記搬送方向に並んだ2組以上の前記搬送ローラー対を用いて、前記スキュー状態の補正制御を行う場合には、
前記到達したタイミングは、前記補正制御に用いる複数の前記搬送ローラー対のうち、最下流の前記搬送ローラー対に、前記被搬送媒体の先端が、到達したタイミングである、上記(2)に記載の機械学習方法。
前記幅方向に並んだ2組以上の前記搬送ローラー対を用いて、前記スキュー状態の補正制御を行う場合には、
前記到達したタイミングは、前記補正制御に用いる前記幅方向に並んだ複数の前記搬送ローラー対の全てに、前記被搬送媒体の先端が、到達したタイミングである、上記(2)に記載の機械学習方法。
所定の周期で、学習を実施し、前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量よりも小さい場合、正の報酬値を与える、上記(1)から上記(8)のいずれかに記載の機械学習方法。
所定の周期で、学習を実施し、1つ前の前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量よりも大きい場合、負の報酬値を与える、上記(1)から上記(9)のいずれかに記載の機械学習方法。
所定の周期で、学習を実施し、1つ前の前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量が同じ場合、ゼロの報酬値を与える、上記(1)から上記(10)のいずれかに記の機械学習方法。
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備え、
上記(1)から上記(11)のいずれかに記載の機械学習方法で学習した学習モデルを用いて、前記被搬送媒体の前記スキュー状態、前記位置、および前記搬送部材の駆動速度から、前記被搬送媒体の搬送を制御する、搬送装置。
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備えた搬送装置であって、
上記(1)から上記(11)のいずれかに記載の機械学習方法で学習した学習モデルを用いて、前記被搬送媒体の前記スキュー状態、前記位置、および前記搬送部材の駆動速度から、前記被搬送媒体の搬送を制御する、搬送装置と、
前記搬送装置で搬送した被搬送媒体に画像を形成する画像形成部と、
を備える画像形成装置。
前記学習モデルを学習する際に、スキュー状態の補正制御に要する補正時間を計測し、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記補正時間に応じて、予め前記画像形成開始タイミングを設定する、上記(13)に記載の画像形成装置。
前記補正時間が所定時間よりも短い場合には、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記補正制御完了時に、前記画像形成部の定着装置の温度情報を取得し、該温度情報に応じて、前記被搬送媒体の搬送を制御する、上記(13)に記載の画像形成装置。
前記補正時間が所定時間よりも長い場合には、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記画像形成部の定着装置の制御温度を、用紙定着時の印字温度に切り替えるタイミングを、前記補正時間の長さに応じて、遅延させる、上記(13)に記載の画像形成装置。
被搬送媒体を搬送する複数の前記搬送部材の駆動速度、該被搬送媒体の位置、および該被搬送媒体のスキュー状態を入力するステップ(a)と、前記ステップ(a)の入力に応じて、学習モデルを用いて決定した前記駆動源の駆動制御に関する行動情報を出力するステップ(b)と、前記ステップ(c)の出力した後の前記被搬送媒体の前記スキュー状態に応じて報酬値を算出するステップ(c)と、を有し、
現段階での複数の前記搬送部材の駆動速度、前記被搬送媒体の位置、および該被搬送媒体のスキュー状態から、該スキュー状態が所定量になるように、次に出力すべき複数の前記搬送部材の前記駆動速度を、報酬値を用いて機械学習することで、前記学習モデルを生成する、機械学習方法とする。これにより、被搬送媒体の搬送におけるスキュー補正制御を適正に行える学習モデルを生成できる。
図2に示すように、機械学習装置10は、制御部11、記憶部12、およびネットワークI/F(インターフェース)13を備える。これらの構成部品は信号をやり取りするためのバス等の信号線を介して相互に接続されている。機械学習装置10は、オンプレミスサーバーであってもよく、あるいは商用のクラウドサービスを利用したクラウドサーバーであってもよい。
図3に示すように、画像形成装置30は、制御部31、記憶部32、操作パネル33、画像形成部34、搬送装置35、およびネットワークI/F36を備える。これらの構成部品は信号をやり取りするためのバス等の信号線を介して相互に接続されている。
図4は、搬送装置35の構成を示す概略図である。図3、図4を参照すると、搬送装置35は、複数の給紙トレイ、搬送路、この搬送路に沿って配置した複数の搬送ローラー対、これらの搬送ローラー対を駆動する複数の駆動源、および複数のセンサーs1〜sxを備える。駆動源は、例えば駆動モーターM1〜Mxである。駆動源として、駆動モーターの搬送ローラー対への駆動力の伝達のON/OFFを切り替えるクラッチを含めてもよい。
図7は、別の例における搬送装置35の構成を示す概略図である。図4から図6に示す例では、学習対象とする区間の搬送路350には、幅方向に並んだ2組の(独立して駆動する)搬送ローラー対が含まれる例を示した。図7に示す例では、学習対象とする区間の搬送路351には、搬送方向に並んだ2組以上の搬送ローラー対r0〜r3が含まれる。特に搬送ローラー対r2は、レジストローラーであり、停止した搬送ローラー対r2に用紙90を突き当てて、一時停止させる。これにより、用紙90の先端の向きを、搬送ローラー対r2の軸方向に向きに沿わせることで、スキュー補正を行う。用紙90の先端が搬送ローラー対r2に突き当たるタイミングに対する、搬送ローラー対r1の停止タイミングを制御することで、スキュー補正の量を調整できる。一時停止した用紙90は、その後、画像形成開始タイミングに合わせて(あるいは画像形成開始タイミングから所定時間後に)搬送ローラー対r1、r2をほぼ同じタイミングで回転開始することで、再搬送される。
以下、図8から図12を参照し、本実施形態に係る機械学習方法について説明する。図8は、機械学習装置10の機能を示すブロック図である。図9は、機械学習装置10で実行される学習処理を示すフローチャートである。図10は、一実施例に係るテーブルタイプの学習モデルの例を示す図である。
図9を参照すると、本ステップでは、行動選択部111は、現時点(今回サイクル)の時間ステップにおける状態に基づいて、各搬送ローラー対を駆動する駆動源に対して駆動制御に関する行動情報(速度指示ともいう)を決定し、出力する。以下においては、この行動情報をアクションともいう。
状態制御ブロック150は、ステップS201で受けた行動情報に基づいて、各搬送ローラー対を駆動する。具体的には、搬送ローラーA、Bを速度指示に基づく速度で駆動する。
観測情報生成部151は、搬送路の環境における、(1)各搬送ローラー対を駆動する速度状態、(2)搬送中の用紙の位置情報、および(3)搬送中の用紙のスキュー状態の情報を生成する(以下、これらを観測情報という)。生成したこれらの観測情報は、学習ブロック110の状態観測部112に渡される。図10(a)は、1つのステート内のパターンを示すテーブルである。例えば、図4に示す例において、搬送路350に配置された複数のセンサーs11〜s41、および駆動源の駆動状態の情報(エンコーダ信号等)、図10(a)のSensor1〜14のいずれかにそれぞれ対応する。図10(a)に例示したテーブルではセンサーの数は14個であり、取り得る状態は2通り、すなわちそのセンサーの位置での用紙90の有無(ON/OFF)としており、この時の総ステート数は、16384通り(=2^14)となる。
報酬計算部113は、スキュー状態を用いて報酬値を算出する。図11は、このステップS204の報酬値の付与処理を示すサブルーチンフローチャートである。
報酬計算部113は、状態観測部112から、今回サイクルの用紙のスキュー状態を取得する。
報酬計算部113は、メモリーに保持している前回サイクルのスキュー状態と、ステップS251で取得した今回サイクルのスキュー状態とを比較する。前回サイクルの状態データは、今回サイクルの状態データよりも1時間ステップ(例えば1msec)前の状態である。
前回のスキュー量<今回のスキュー量であれば(悪化)、ステップS253に進め、
前回のスキュー量=今回のスキュー量であれば(維持)、ステップS254に進め、
前回のスキュー量>今回のスキュー量であれば(改善)、ステップS255に進める。
報酬計算部113は、ここでは報酬値=−1を与える。
報酬計算部113は、ここでは報酬値=0(ゼロ)を与える。
報酬計算部113は、ここでは報酬値=+1を与える。
報酬計算部113は、次の時間ステップで処理に用いるため、今回のスキュー状態を、前回のスキュー状態として、メモリーに設定(保持)する。以上によりサブルーチン処理を終了し、図9の処理に戻る(リターン)。なお、図11に示す報酬付与処理は、あくまでも例示であり、改善の場合のみ正報酬を与え、これ以外はゼロの報酬としてもよく、あるいは、算出関数も用いてスキュー量の大きさに応じた報酬値を与えるようにしてもよい。
図11に示す処理の後、再び図9に示す処理に戻る。ステップS205では、学習部114は、観測情報、行動情報、および/または報酬値から、学習モデルを更新する。例えば、図10に示す例では、報酬値と、上述したQ学習の式(1)を用いて行動価値(Q値)を算出することによって行動を学習し、Qテーブルを更新する。また、別な学習モデルとしてニューラルネットワークタイプの学習モデルに適用してもよい。
制御部11は、所定回数(例えば、数万回)の学習が完了していなければ(NO)、処理をステップS201に戻し、以降の処理を繰り返す。所定回数に達していれば(YES)、処理をステップS207に進める。
機械学習装置10の制御部11は、更新した学習結果を記憶部12に出力し、学習モデルを更新し、学習処理を終了する(エンド)。
図13は、学習周期の決定手順を説明するための模式図である。用紙90の搬送速度、例えば100mm/msec、1ステップ(機械学習の時間ステップ)の期間をt[msec]とする。この場合、1ステップ当たりの搬送量、すなわちスキュー補正単位=100tとなる。スキュー補正は、搬送ローラー対の配置間隔(一般に、最小サイズの送り方向用紙長さで決定される)である50〜100mmの範囲内で制御する必要がある。そのため、補正精度を考慮して、スキュー補正は、50mm単位で制御を行うことが好ましい。このため、1ステップは、0.5ms(=50/100)となる。このような手順により1ステップが決定される。なお、搬送速度は、あくまでも例示であり、適宜設定することが可能である。
(幅方向に並んだ搬送ローラー対の場合)
図14A、14Bは、図4に示したような、幅方向に並んだ2組の搬送ローラー対でスキュー補正制御を行う場合における、機械学習における1エピソードの始期と終期を説明するための模式図である。
図15A、15Bは、図7で示したような、搬送方向に並んだ2組の搬送ローラー対でスキュー補正制御を行う場合における、機械学習における1エピソードの始期と終期を説明するための模式図である。
図16は、以上で説明した始期、終期の判定を組み込んだ変形例における学習処理を示すフローチャートである。
機械学習装置10の制御部11は、開始条件を満たすか否かを判定する。この判定は、図14A(または図15A)で示した手順により行える。用紙先端が、所定位置に到達し、開始条件を満たす場合(YES)には、処理をステップS301に進める。
ここでは、機械学習装置10の制御部11は、ステップS301〜S305の処理を行う。これらの処理は図9のステップS201〜S205にそのまま対応する処理であり、説明を省略する。
ここでは、機械学習装置10の制御部11は、終了条件を満たすか否かを判定する。この判定は、図14B(または図15B)で示した手順により行える。用紙後端が、所定位置に到達し、終了条件を満たす場合(YES)には、処理をステップS307に進める。終了条件を満たさない場合(NO)、処理をステップS301以下の処理を繰り返し、次の時間ステップの処理を行う。
ここでは、機械学習装置10の制御部11は、ステップS307、S308の処理を行う。これらの処理は、図9のステップS205、S206にそのまま対応する処理であり、説明を省略する。
次に、以上までのような機械学習により学習した学習モデルを画像形成装置30に適用した場合の処理の一例について説明する。
図17は、スキュー状態の補正制御に要する時間に応じて、画像形成開始タイミング等の変更を行う処理を示す図である。画像形成装置30の制御部31は、機械学習装置10から、学習モデル(学習済みモデル)を取得し、これを記憶部32に記憶させる。また、画像形成装置30は、さらに、スキュー状態の補正制御に要する補正時間Y[ms]のデータも機械学習装置10から取得する。この補正時間は、機械学習装置10側で計測したものである。制御部31は、この補正時間Yと、製造業者(開発者)が設定した設計上の補正時間X[ms]とを比較する。この補正時間Xは、予め記憶部32に記憶されている。最初に、この学習後の補正時間Y>補正時間Xの場合での処理について説明する。
次に、学習後の補正時間Z<設計上の補正時間Xの場合での処理について説明する。図18は、スキュー状態の補正制御に要する時間に応じて、搬送動作開始タイミングの変更を行う処理を示す図である。
次に、機械学習装置10の各変形例について説明する。
図19は、第1の変形例に係る機械学習装置10、および画像形成装置30の構成を示す概略図である。図8に示した機械学習装置10では、観測情報生成部151は、画像形成装置30の環境をシミュレートし、行動選択部111から受けた行動情報に基づいて、観測情報を生成した。一方で、図19に示す第1の変形においては、実際の画像形成装置30の装置内の環境下において、観測された状態に対して機械学習装置10側で行動を選択する。そして画像形成装置30では、機械学習装置10側で選択された行動に基づいて、実行に移す。すなわち、画像形成装置30は搬送部材を駆動する駆動源の動作を制御する。そして、画像形成装置30は、センサーs1〜sx、駆動モーターM1〜Mx等から得られた環境の状態変化を、機器動作情報として機械学習装置10に送る。
図20、図21はそれぞれ第2、第3の変形例に係る機械学習部10b、および画像形成装置30の構成を示す概略図である。同図に示す機械学習部10bは、独立した装置ではないため、機械学習部という名称を用いるが、実質的には、図8、または図19に示したような機械学習装置10と同じ構成であり、同じ機能を担う。
図22は、第4の変形例に係る機械学習装置10c、および画像形成装置30の構成を示す概略図である。第4の変形例における機械学習装置10は、観測情報生成更新部152を含む。これは、より精度よく搬送動作に関する環境をシミュレートするために、機器の状態を表現するための観測情報生成部更新情報を取得し、これにより、観測情報生成更新部152は、観測情報生成を更新する。観測情報生成部151は、この更新された観測情報生成を用いて観測情報を生成する。
図23、図24それぞれは、第5、第6の変形例に係る機械学習装置10、および画像形成装置30の構成を示す概略図である。第4の変形例で示した観測情報生成更新部の機能は、第5の変形例では、制御部31内のエンジン制御SoCが担い、第6の変形例では、制御部31内の機械学習CPUが担う。
図25、図26それぞれは、第7、第8の変形例に係る機械学習部10b、および画像形成装置30の構成を示す概略図である。図7の変形例では、機械学習部10b、および観測情報更新部の機能は、制御部31内のエンジン制御SoCが担う。図8の変形例では、機械学習部10b、および観測情報更新部の機能は、制御部31内の機械学習CPUが担う。
11 制御部
110学習ブロック
111 状態観測部
112 状態観測部
113 報酬計算部
114 学習部
150 状態制御ブロック
151 観測情報生成部
152
12 記憶部
13 ネットワークI/F
30 画像形成装置
31 制御部
32 記憶部
33 操作パネル
34 画像形成部
35 搬送装置
350、351 搬送路
M1、M2、M3、M4、M5、Mx 駆動源
s1、s2、s3、s4、s5、s6、sx センサー
r00、r10、r20、r30、r11、r12 搬送ローラー対
36 ネットワークI/F
Claims (17)
- 搬送路に沿って被搬送媒体を搬送する複数の搬送部材と、
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備える搬送装置の搬送制御を学習する機械学習方法であって、
被搬送媒体を搬送する複数の前記搬送部材の駆動速度、該被搬送媒体の位置、および該被搬送媒体のスキュー状態を入力するステップ(a)と、
前記ステップ(a)の入力に応じて、学習モデルを用いて決定した前記駆動源の駆動制御に関する行動情報を出力するステップ(b)と、
前記ステップ(b)の出力した後の前記被搬送媒体の前記スキュー状態に応じて報酬値を算出するステップ(c)と、
を有し、
現段階での複数の前記搬送部材の駆動速度、前記被搬送媒体の位置、および該被搬送媒体のスキュー状態から、該スキュー状態が所定量になるように、次に出力すべき複数の前記搬送部材の前記駆動速度を、前記報酬値を用いて機械学習することで、前記学習モデルを生成する、機械学習方法。 - 前記位置検出部により、前記搬送路を搬送される前記被搬送媒体の位置が所定位置に到達したタイミングで、前記機械学習を開始する、請求項1に記載の機械学習方法。
- 前記搬送部材には、前記搬送路における前記被搬送媒体の搬送方向に沿って並んだ、2組以上の搬送ローラー対が含まれ、
前記搬送方向に並んだ2組以上の前記搬送ローラー対を用いて、前記スキュー状態の補正制御を行う場合には、
前記到達したタイミングは、前記補正制御に用いる複数の前記搬送ローラー対のうち、最下流の前記搬送ローラー対に、前記被搬送媒体の先端が、到達したタイミングである、請求項2に記載の機械学習方法。 - 前記到達したタイミングから、前記被搬送媒体が所定量だけ搬送された時点で、1つのエピソードの学習を終了する、請求項3に記載の機械学習方法。
- ユーザーから前記所定量の設定変更を受け付けるステップを含む、請求項4に記載の機械学習方法。
- 前記搬送部材には、前記搬送路における前記被搬送媒体の搬送方向に直交する幅方向に並んだ、2組以上の搬送ローラー対が含まれ、
前記幅方向に並んだ2組以上の前記搬送ローラー対を用いて、前記スキュー状態の補正制御を行う場合には、
前記到達したタイミングは、前記補正制御に用いる前記幅方向に並んだ複数の前記搬送ローラー対の全てに、前記被搬送媒体の先端が、到達したタイミングである、請求項2に記載の機械学習方法。 - 前記幅方向に並んだ複数の前記搬送ローラー対の全てから、前記被搬送媒体が抜けたタイミングで、1つのエピソードの学習を終了する、請求項6に記載の機械学習方法。
- 前記機械学習をする周期は、目標とする前記スキューの補正精度と、前記被搬送媒体を搬送する速度から算出した周期である、請求項1から請求項7のいずれかに記載の機械学習方法。
- 前記報酬値を算出するステップでは、
所定の周期で、学習を実施し、前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量よりも小さい場合、正の報酬値を与える、請求項1から請求項8のいずれかに記載の機械学習方法。 - 前記報酬値を算出するステップでは、
所定の周期で、学習を実施し、1つ前の前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量よりも大きい場合、負の報酬値を与える、請求項1から請求項9のいずれかに記載の機械学習方法。 - 前記報酬値を算出するステップでは、
所定の周期で、学習を実施し、1つ前の前回サイクルでのスキュー状態と、今回のサイクルでのスキュー状態を比較し、
前記スキュー状態から算出した今回のサイクルでのスキュー量の方が、前回サイクルでのスキュー量が同じ場合、ゼロの報酬値を与える、請求項1から請求項10のいずれかに記の機械学習方法。 - 搬送路に沿って被搬送媒体を搬送する複数の搬送部材と、
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備え、
請求項1から請求項11のいずれかに記載の機械学習方法で学習した学習モデルを用いて、前記被搬送媒体の前記スキュー状態、前記位置、および前記搬送部材の駆動速度から、前記被搬送媒体の搬送を制御する、搬送装置。 - 搬送路に沿って被搬送媒体を搬送する複数の搬送部材と、
前記搬送路を搬送される被搬送媒体のスキュー状態を検出する状態検出部と、
前記搬送路における被搬送媒体の位置を検出する位置検出部と、
前記搬送部材を駆動する駆動源と、
を備えた搬送装置であって、
請求項1から請求項11のいずれかに記載の機械学習方法で学習した学習モデルを用いて、前記被搬送媒体の前記スキュー状態、前記位置、および前記搬送部材の駆動速度から、前記被搬送媒体の搬送を制御する、搬送装置と、
前記搬送装置で搬送した被搬送媒体に画像を形成する画像形成部と、
を備える画像形成装置。 - 前記搬送路において、前記スキュー状態の補正制御を行う区間、または前記補正制御を行う区間よりも前に、前記被搬送媒体に形成する前記画像形成部の画像形成開始タイミングが係る場合、
前記学習モデルを学習する際に、スキュー状態の補正制御に要する補正時間を計測し、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記補正時間に応じて、予め前記画像形成開始タイミングを設定する、請求項13に記載の画像形成装置。 - 前記学習モデルを学習する際に、スキュー状態の補正制御に要する補正時間を計測し、
前記補正時間が所定時間よりも短い場合には、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記補正制御完了時に、前記画像形成部の定着装置の温度情報を取得し、該温度情報に応じて、前記被搬送媒体の搬送を制御する、請求項13に記載の画像形成装置。 - 前記学習モデルを学習する際に、スキュー状態の補正制御に要する補正時間を計測し、
前記補正時間が所定時間よりも長い場合には、
前記学習モデルを用いて、前記被搬送媒体の搬送を制御するときに、前記画像形成部の定着装置の制御温度を、用紙定着時の印字温度に切り替えるタイミングを、前記補正時間の長さに応じて、遅延させる、請求項13に記載の画像形成装置。 - 請求項1から請求項11のいずれかの機械学習方法をコンピューターに実行させるための機械学習プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020012743A JP7456168B2 (ja) | 2020-01-29 | 2020-01-29 | 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020012743A JP7456168B2 (ja) | 2020-01-29 | 2020-01-29 | 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021116186A true JP2021116186A (ja) | 2021-08-10 |
JP7456168B2 JP7456168B2 (ja) | 2024-03-27 |
Family
ID=77173959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020012743A Active JP7456168B2 (ja) | 2020-01-29 | 2020-01-29 | 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7456168B2 (ja) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007065313A (ja) | 2005-08-31 | 2007-03-15 | Kyocera Mita Corp | 定着装置およびそれを用いる画像形成装置 |
JP6691077B2 (ja) | 2017-08-18 | 2020-04-28 | ファナック株式会社 | 制御装置及び機械学習装置 |
JP7132539B2 (ja) | 2018-03-19 | 2022-09-07 | 株式会社リコー | 搬送装置、画像形成装置 |
-
2020
- 2020-01-29 JP JP2020012743A patent/JP7456168B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7456168B2 (ja) | 2024-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5825873B2 (ja) | 画像形成装置 | |
JP5528239B2 (ja) | 画像形成装置 | |
JP2014059490A (ja) | 画像形成装置 | |
JP5870970B2 (ja) | 画像形成装置、制御装置及び画像形成システム | |
JP7456168B2 (ja) | 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム | |
CN112286050B (zh) | 机器学习装置、机器学习方法以及机器学习程序 | |
JP2010204544A (ja) | 画像形成装置、画像形成システム及びプログラム | |
JP7396078B2 (ja) | 機械学習方法、画像形成装置、および機械学習プログラム | |
JP2010061003A (ja) | 露光開始タイミング決定方法、及び画像形成装置 | |
JP6217626B2 (ja) | 画像形成装置 | |
JP2015081975A (ja) | 帯電部材汚れの判定装置及び帯電部材汚れの判定プログラム | |
JP2018101121A (ja) | 画像形成装置 | |
JP4517635B2 (ja) | 画像形成装置 | |
JP2012128292A (ja) | ベルト駆動装置及び画像形成装置 | |
JP2020149015A (ja) | 画像形成装置 | |
JP2014137432A (ja) | 画像形成装置 | |
JP2023039042A (ja) | 学習システム及び学習方法 | |
JP2013222105A (ja) | 画像形成装置 | |
JP2019066913A (ja) | ソフトウエア検証装置 | |
JP2021195209A (ja) | 学習方法、搬送装置及び画像形成装置 | |
JP5157599B2 (ja) | 画像形成装置 | |
JP2009184320A (ja) | 画像形成装置、画像形成方法および画像形成プログラム | |
JP2016184054A (ja) | 画像形成装置 | |
JP2013029630A (ja) | 画像形成装置 | |
JP2023092153A (ja) | 機械学習装置、画像形成装置、機械学習方法、及び画像形成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221220 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231010 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231215 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240226 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7456168 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |