JP2023105888A - 画像形成装置 - Google Patents

Abstract

【課題】記録材のトナー濃度の適正化を図る。【解決手段】中間転写ベルトに形成されたトナー像を記録材に二次転写する二次転写部と、記録材に形成されたトナー像を加熱して定着する定着部と、定着部の定着温度を制御する制御部と、を備える。制御部は、中間転写ベルトに形成されるトナー像の濃度である第１予測濃度を予測する第１予測手段と、記録材に定着されるトナー像の濃度である第２予測濃度を予測する第２予測手段と、を有し、第１予測手段により予測された第１予測濃度と第２予測手段により予測された第２予測濃度とに基づき、定着部の定着温度を変更するか否かを制御する（ステップＳ２６０５～Ｓ２６０６）。【選択図】図２５

Description

本発明は、電子写真方式や静電記録方式を用いた複写機、プリンタ、ファクシミリ装置、あるいは、これら複数の機能を備えた複合機などの画像形成装置に関する。

電子写真方式などを用いた画像形成装置では、像担持体に形成されたトナー像が記録材に転写され、このトナー像が記録材に定着されて、記録画像が出力される。この種の画像形成装置では、画像形成条件、使用期間、部品の消耗などに応じて、画像の最大濃度や階調特性が徐々に変化してくることがある。そのため、画像形成装置は適宜なタイミングでキャリブレーションを実行することで、画像の最大濃度を目標濃度に維持したり、階調特性を目標となる階調特性に維持したりする。

例えば、階調パターンを記録材に形成して読み取り、階調パターンの読取情報を画像形成条件にフィードバックさせるキャリブレーションを実施する画像形成装置が提案されている（特許文献１参照）。しかしながら、この画像形成装置では、画像形成装置がパターン画像を形成し、パターン画像を測定し、測定結果に応じて画像形成条件を更新している。そのため、キャリブレーションによって、長いダウンタイムを発生させてしまう可能性がある。そこで、このようなキャリブレーションを実行することなく、環境に依拠した環境条件と画像形成装置に設定されている画像形成条件とを入力値として、画像の濃度を予測する画像形成装置が提案されている（特許文献２参照）。この画像形成装置では、特に濃度の変化が大きい電源投入直後や節電モードからの復帰直後の画像の濃度を予測するものとしている。

特開２０００－２３８３４１号公報 特開２０１９－０５６７６０号公報

しかしながら、特許文献２に記載の画像形成装置では、環境条件や画像形成条件から直接シート上の画像の濃度を予測している。つまり、中間転写材に画像を形成する以前の画像形成条件と、それ以降の画像形成条件と、を切り分けることなく予測している。その結果、一例として、記録材の温度や水分状態のみが変わっているときは本来転写条件により制御するべきであるが、記録材上のトナー画像の濃度を露光条件などで制御しようとすると、中間転写材上のトナー載り量が想定外に載ってしまう。それにより、記録材上のトナー載り量が想定外に多くなるなどの不具合が起こる可能性があった。

本発明は、記録材のトナー濃度の適正化を図ることができる画像形成装置を提供することを目的とする。

本発明の画像形成装置は、像担持体と、前記像担持体の表面を帯電する帯電部と、前記帯電部により帯電された前記像担持体の表面に露光して静電潜像を形成する露光部と、前記静電潜像を現像剤により現像してトナー像を形成する現像部と、中間転写体と、前記像担持体に形成されたトナー像を前記中間転写体に一次転写する一次転写部と、前記中間転写体に形成されたトナー像を記録材に二次転写する二次転写部と、前記記録材に形成されたトナー像を加熱して定着する定着部と、前記定着部の定着温度を制御する制御部とを備え、前記制御部は、前記中間転写体に形成されるトナー像の濃度である第１予測濃度を予測する第１予測手段と、記録材に定着されるトナー像の濃度である第２予測濃度を予測する第２予測手段と、を有し、前記第１予測手段により予測された前記第１予測濃度と前記第２予測手段により予測された前記第２予測濃度とに基づき、前記定着部の定着温度を変更するか否かを制御することを特徴とする。

本発明によれば、記録材のトナー濃度の適正化を図ることができる。

第１の実施形態に係る画像形成装置と他のサーバとの関係を示す接続図である。 第１の実施形態に係る画像形成装置に接続される機械学習サーバを示すブロック図である。 第１の実施形態に係る画像形成装置を示す断面図である。 第１の実施形態に係る画像形成装置と他のサーバとのソフトウェア構成を示すブロック図である。 第１の実施形態に係る画像形成装置の学習モデルを示す説明図であり、（ａ）は入力層、中間層、出力層の模式図、（ｂ）は教師データを用いた機械学習の概要を示す模式図である。 第１の実施形態に係るプリンタ制御部を示すブロック図であり、（ａ）はプリンタ制御部の全体、（ｂ）はＣＰＵ、（ｃ）はＲＡＭである。 第１の実施形態に係る時間と濃度との関係を示すグラフである。 第１の実施形態に係る予測部の構成を示すブロック図である。 第１の実施形態に係る画像形成装置による濃度予測の動作を示すフローチャートである。 第１の実施形態に係る画像形成装置によるキャリブレーションの選択動作を示すフローチャートである。 第１の実施形態に係る画像形成装置による入力信号と濃度との関係を示すグラフであり、（ａ）は、階調ターゲット、基本テーブル、基準濃度特性を示し、（ｂ）は、階調ターゲット、基準濃度特性、予測濃度特性を示す。 第１の実施形態に係る画像形成装置による入力信号と濃度との関係を示すグラフであり、階調ターゲット、基本テーブル、修正テーブル、修正された階調補正テーブルを示す。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき帯電手段、露光手段、現像手段を変更する動作を示すフローチャートである。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき帯電手段、露光手段、現像手段を変更した場合の補正の前後の状態を示す表である。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき二次転写部を変更する動作を示すフローチャートである。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき二次転写部を変更した場合の補正の前後の状態を示す表である。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき定着手段を変更する動作を示すフローチャートである。 第１の実施形態に係る画像形成装置において、学習モデルの濃度予測に基づき定着手段を変更した場合の補正の前後の状態を示す表である。 第１の実施形態に係る定着器を示す断面図である。 第２の実施形態に係る予測部の構成を示すブロック図である。 第２の実施形態に係る画像形成装置の操作部を示す説明図である。 第２の実施形態に係る画像形成装置の操作部に学習済みモデルの選択画面を表示した状態を示す説明図である。 第２の実施形態に係る画像形成装置における学習済みモデルの選択の組み合わせを示す表である。 第２の実施形態に係る画像形成装置において学習済みモデルを選択する動作を示すフローチャートである。 第１の実施形態の変形例に係る画像形成装置による濃度予測の動作を示すフローチャートである。

＜第１の実施形態＞
以下、本発明の第１の実施形態を、図１～図１９を参照しながら詳細に説明する。本実施形態では、画像形成装置１００の一例として電子写真方式を用いて記録材に画像を形成するタンデム型のフルカラープリンタについて説明している。尚、画像形成装置１００としては、複数の画像形成部を並べて配置したタンデム型には限られず、円筒状に配置したロータリ型であってもよい。また、フルカラーであることには限られず、モノクロやモノカラーであってもよく、プリンタ、各種印刷機、複写機、ＦＡＸ、複合機等、種々の用途で実施することができる。記録材はシートＳであり、普通紙の他に、コート紙等の特殊紙、封筒やインデックス紙等の特殊形状からなる記録材、及びオーバーヘッドプロジェクタ用のプラスチックフィルムや布などを含むものとする。また、本実施形態では、磁性キャリアと非磁性トナーを混合した二成分現像剤を用いている。但し、これには限られず、一成分現像剤を用いるようにしてもよい。

［画像形成システム］
図１は、本発明を適用できる画像形成システムを示す図である。この画像形成システムは、画像形成装置１００、機械学習サーバ１０２、データサーバ１０５、画像形成装置１００に対するプリントデータの送信等を行う汎用コンピュータ１０３で構成されている。これらの機器は、有線ＬＡＮ等のネットワーク１０４によって接続されている。画像形成装置１００は、ＡＩ機能を搭載していて、このＡＩ機能を実現するための学習済みモデルは、機械学習サーバ１０２が中心的に生成する役割を備えている。データサーバ１０５は、機械学習サーバ１０２において機械学習を行うために使用される学習データを外部機器から収集して機械学習サーバへ提供する役割を持っている。

画像形成装置１００は随時、生成された学習済みモデルを機械学習サーバ１０２から受信して特定のＡＩ機能を実現可能になっている。機械学習サーバ１０２は、特定のＡＩ機能実現するための学習済みモデルの学習に必要な学習データをデータサーバ１０５や画像形成装置１００、汎用コンピュータ１０３等外部機器から受信を行う。そして、機械学習サーバ１０２は、受信した学習データの一部または全部を用いて、学習処理を行うことが可能になっている。

本発明の画像形成システムの特徴としては、画像形成装置１００を操作するユーザ固有の本体装置状況をデータサーバ１０５に収集し、そのデータを機械学習サーバ１０２で学習して学習モデルを生成することが挙げられる。画像形成装置１００側では、機械学習サーバ１０２からロードした画像出力の際の色濃度設定値を推定する学習モデルを活用したＡＩ機能を備えている。このようなシステム構成で色濃度設定値を適用することで、色濃度変動を抑制することが可能になっている。

［画像形成装置の制御系］
図１に示すように、画像形成装置１００は、使用するユーザが各種の操作を行うための操作部１４０と、操作部１４０からの指示に従って画像情報を読み取るリーダ２５０と、画像データをシートに印刷するプリンタ部２０などを有する。操作部１４０は、例えば、マルチタッチセンサ等を備えた液晶ディスプレイと入出力デバイスとから構成する。即ち、操作部１４０は、プリンタ制御部７００に情報を入力可能な情報入力部の一例である。また、画像形成装置１００は、プリンタ制御部（制御部）７００を有する。

リーダ２５０は、リーダ２５０を制御するＣＰＵや原稿読取を行うための不図示の照明ランプや走査ミラーなどを有する。プリンタ部２０は、画像形成や定着を行うための感光ドラム２０１や定着器４０を有する。プリンタ制御部７００は、操作部１４０、リーダ２５０、プリンタ部２０、ＬＡＮ１０４など接続されており、画像形成装置１００の動作を統括的に制御する。プリンタ制御部７００の詳細については、後述する。

［機械学習サーバ］
図２は、機械学習サーバ１０２の構成を示す図である。機械学習サーバ１０２は、システムバス１３０７で相互に接続されているＣＰＵ１３０１、ＲＡＭ１３０２、ＲＯＭ１３０３、ＨＤＤ１３０４、ネットワークＩＦ部１３１０、ＩＯ部１３０５、ＧＰＵ１３０６を有するように構成される。ＣＰＵ１３０１は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やアプリケーションソフトなどのプログラムをＨＤＤ１３０４から読み出して実行することで種々の機能を提供する。ＲＡＭ１３０２は、ＣＰＵ１３０１がプログラムを実行する際のシステムワークメモリである。ＲＯＭ１３０３は、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）やＯＳを起動するためのプログラム、設定ファイルを記憶している。ＨＤＤ１３０４は、ハードディスクドライブであって、システムソフトウェアなどが記憶されている。

ネットワークＩＦ部１３１０は、ＬＡＮ１０４に接続され、画像形成装置１００などの外部機器と通信（送受信）を行う。ＩＯ部１３０５は、マルチタッチセンサ等を備えた液晶ディスプレイと入出力デバイスとから構成する不図示の操作部との情報を入出力するインターフェースである。操作部にはプログラムが指示する画面情報に基づき所定の解像度や色数等で所定の情報が描画される。例えば、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）画面を形成し、操作に必要な各種ウィンドウやデータ等が表示される。

ＧＰＵ１３０６は、データをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に亘り学習を行う場合にはＧＰＵ１３０６で処理を行うことが有効である。そこで、本実施形態では、機械学習部４１４（図４参照）による処理にはＣＰＵ１３０１に加えてＧＰＵ１３０６を用いる。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵ１３０１とＧＰＵ１３０６が協働して演算を行うことで学習を行う。なお、機械学習部４１４の処理は、ＣＰＵ１３０１またはＧＰＵ１３０６の一方のみにより行われても良い。また、推定処理部４０５（図４参照）による処理についても、機械学習部４１４と同様にＧＰＵ１３０６を用いても良い。

［画像形成装置］
図３は、本実施形態に係る画像形成装置１００の全体構成を示す断面図であり、電子写真方式のフルカラープリンタの概略構成を示している。画像形成装置１００は、４つの画像形成ユニットＰｙ，Ｐｍ，Ｐｃ，Ｐｋを有しており、それぞれイエロー色、マゼンタ色、シアン色、黒色の画像形成を行う。各画像形成ユニットＰｙ，Ｐｍ，Ｐｃ，Ｐｋは色が異なることを除き、構成は同様であるので、以下では代表して画像形成ユニットＰｙについて説明する。画像形成ユニットＰｙは、感光ドラム（感光体）２０１と、感光ドラム２０１の周囲に配置された帯電器（帯電部）２０２、レーザスキャナ（露光部）２００、現像器（現像部）２０３、一次転写器（一次転写部）２０４、ドラムクリーナ４とを有している。

帯電器２０２は、感光ドラム２０１の表面を帯電させる帯電ローラを備える。帯電ローラには帯電バイアスが印加される。印加されるバイアスとしては、直流電圧に交流電圧を重畳した高圧を印加する。尚、本実施形態では、直流＋交流印加方式の帯電ローラを用いたがこれに限定されず、直流電圧のみを印加する方式を適用してもよい。さらに、帯電方式に関してもコロナ帯電方式を適用しても、学習用データに必要な情報が入力データ内に包含されていればよい。レーザスキャナ２００は、光源とミラーとレンズとを備える。

現像器２０３は、現像剤（トナー）を収容する筐体と筐体内の現像剤を担持する現像ローラ２２５とを備え、現像ローラ２２５には現像バイアスが印加される。本実施形態では、直流電圧に交流電圧を重畳した高圧を印加するが、これに限定されず直流電圧のみでもよく、学習用データに必要な情報が入力データ内に包含されていればよい。一次転写器２０４は、例えば転写ブレードまたは転写ローラにより構成されており、転写バイアスが供給される。本実施形態では、直流電圧を印加、不図示の電流検知手段より規定の電流値に収束するよう定電流制御にて動作する。ドラムクリーナ４は、感光ドラム１１の表面の転写残トナーを除去するクリーニングブレードを備える。

次に、イエローの画像形成ユニットＰｙがトナー画像を形成するプロセスを説明する。画像読取部４０４から転送された画像データ、又は外部装置（例えばＰＣ）から転送された画像データに基づき画像が形成される場合、プリンタコントローラ７００ａが画像データに画像処理を施す。なお、イエロー以外の他の色の画像形成ユニットがトナー画像を形成するプロセスも同様のプロセスであるので、ここでの説明は省略する。画像形成が開始されると、感光ドラム２０１は回転する。帯電器２０２は感光ドラム２０１の表面を一様に帯電させる。レーザスキャナ２００は、プリンタコントローラ７００ａから出力される画像データに基づいてレーザ光を出力し、感光ドラム２０１の表面を露光する。これによって、感光ドラム２０１には静電潜像が形成される。現像器２０３はトナーを用いて静電潜像を現像し、トナー画像を形成する。一次転写器２０４は感光ドラム２０１に担持されたトナー画像を中間転写ベルト２０５に転写する。中間転写ベルト２０５はトナー画像が転写される中間転写体として機能する。ドラムクリーナ４は一次転写器２０４によって中間転写ベルト２０５へ転写されずに感光ドラム２０１に残ったトナーを除去する。

二次転写ローラ（二次転写部）２２２にて中間転写ベルト２０５上のトナー像をシートＳに転写するために、二次転写ローラ２２２には転写バイアスが印加される。本実施形態では直流電圧を印加したが、交流電圧を重畳してもよく、学習用データに必要な情報が入力データ内に包含されていればよい。中間転写ベルト２０５上に転写されたトナー像は、二次転写内ローラ２２１と二次転写ローラ２２２の間でシートＳに４色分が一括で二次転写される。転写クリーナ３５は、中間転写ベルト２０５の表面のトナーを除去するクリーニングブレードを備える。転写クリーナ３５は、転写ニップ部においてシートＳに転写されずに中間転写ベルト２０５上に残ったトナーを除去する。トナー像が転写されたシートＳは、定着器（定着部）４０に搬送され熱圧着により定着された後、排出ローラ２０８等によって装置外に排出される。

排出ローラ２０８の上流に位置するインラインセンサ（第２検知手段）２１５では、画像不良、シート上のトナー画像の濃度、レジ精度の検出を行う。画像濃度センサ（第１検知手段）４０８は、中間転写ベルト２０５に担持された未定着画像を測定する。画像濃度センサ４０８は、例えば、発光素子と受光素子とを有し、中間転写ベルト２０５上の未定着画像からの反射光を測定する光学センサである。未定着画像のトナー付着量に応じて未定着画像からの反射光の強度又は光量が変化する。画像形成装置１００は、例えば、未定着画像からの反射光の強度と未定着画像の濃度との変換テーブルに基づいて、未定着画像の濃度を検出できる。

給送カセット２０９又は手差しトレイ２１０にはシートＳが積載されている。給送ローラ２１４が給送カセット２０９又は手差しトレイ２１０からシートＳを給送する。給送ローラ２１４により給送されたシートＳは、搬送ローラによってレジストレーションローラ２１１へ向けて搬送される。レジストレーションローラ２１１は、中間転写ベルト２０５上のトナー画像がシートＳに転写されるように、シートＳを、中間転写ベルト２０５と二次転写内ローラ２２１と二次転写ローラ２２２との間の転写ニップ部に搬送する。

両面印刷時には、定着器４０を通ったシートＳは両面反転パス２１２の方向に導かれてスイッチバックにより表裏を反転して、両面パス１１３へ搬送される。両面パス２１３を通ったシートＳは再び給送ローラ２１４を通り、１面目と同様に２面目の画像を作像、転写、定着されて排出される。以上の動作により、画像形成された印刷物を得ることができる。

リーダ２５０は、画像読取機能を有しており、セットされたシートに示された画像を画像データとして取り込むことができる。リーダ２５０は、原稿やテストチャートを読み取る読取装置である。テストチャートとは、複数のパターン画像が形成されたシートのことである。光源２３は原稿台ガラス２２上に置かれた原稿２１に光を照射する。光学系２４は原稿２１からの反射光をＣＣＤセンサ２５に導き、結像させる。ＣＣＤセンサ２５は、レッド、グリーン、ブルーの色成分信号を生成する。リーダ画像処理部１２８０は、ＣＣＤセンサ２５により得られた色成分信号に画像処理（例：シェーディング補正など）を実行して画像データを生成し、生成した画像データをプリンタコントローラ７００ａに転送する。

［ソフトウェア構成］
図４は、図１のハードウェア構成図で示したハードウェア資源とプログラムを利用することで実現されるソフトウェア構成４００を示す図である。図４に示したソフトウェア構成を実現するためのプログラムは、その構成要素ごとにストレージに格納されており、ＲＡＭに読みだされてＣＰＵにて実行されるものである。例えば、画像形成装置１００では、ＨＤＤ１２０４に格納されていてＲＡＭ１２０２に読み出されてＣＰＵ１２０１にて実行されるものである。機械学習サーバ１０２や、データサーバ１０５も同様である。このソフトウェア構成４００は、本発明のシステムにおいて画像形成装置１００の色濃度調整を行うための情報を学習して、色濃度設定値の推定処理を行う機能を実現可能にするためのものである。

図４を用いて、ソフトウェア構成４００の構成要素の機能的役割について説明する。画像形成装置１００のソフトウェアは、データ記憶部４０１、ジョブ制御部４０３、色濃度調整部４１１、画像読取部４０４、推定処理部４０５、カウンタ部４０６、装置状態検出部４０７から構成される。機械学習サーバ１０２のソフトウェアは、学習データ生成部４１３、機械学習部４１４、データ記憶部４１５から構成される。データサーバ１０５のソフトウェアは、データ収集・提供部４１０とデータ記憶部４１２とから構成される。

データ記憶部４０１は、図１に示したハードウェア構成におけるＲＡＭ１２０２やＨＤＤ１２０４に対して、画像データや学習データ、学習モデル等、画像形成装置１００が入出力を行うデータの記録を行う機能的役割を有する。ジョブ制御部４０３は、ユーザの指示に基づきコピーやファックス、プリント等の画像形成装置１００の基本機能の実行や基本機能の実行に伴い、他のソフト構成要素間の指示やデータの送受信を中心的に行う機能的役割を有する。色濃度調整部４１１は、ユーザによる色濃度調整実行結果をもとに、色濃度を最適にする設定値の提供及び本発明のシステムにおける推定処理部４０５による推定結果を基に色濃度設定値に反映する役割を有している。

環境センサ検出部４０９は、画像形成装置１００が設置されている環境や画像形成装置１００の内部環境状態を検出する役割を有する。カウンタ部４０６は、画像形成時、非形成時におけるカウンタ情報を有するデータを格納する場所である。例えば、現像器２０３にトナーが補給された回数等がこれにあたる。画像形成装置１００は、不図示の補給機構を有しており、補給機構は１回の補給動作において現像器２０３へ補給するトナーの量が予め決まっている。従って、プリンタ部２０は、カウンタ部４０６のカウント値から現像器２０３へのトナーの補給量を予測することが可能となる。

画像読取部４０４は、ジョブ制御部４０３の指示に基づきコピーやスキャン機能を実行する制御を行う場合に動作する。この場合、レーザスキャナ２００（図３参照）により原稿を光学的に読み取る動作や、装置内のインラインセンサ２１５によりシートＳを光学的に読み取る動作を行う機能的役割を有している。推定処理部４０５は、図１に示したＣＰＵ１２０１やＧＰＵ１２９１により実行されるものであり、画像形成装置１００が入出力を行うデータに対してＡＩ機能を実現するための推定処理や分類処理等を行う機能的役割がある。推定処理部４０５は、ジョブ制御部４０３の指示に基づき処理が行われる。推定処理部４０５の結果出力は、ジョブ制御部４０３に送信され操作部１４０に通知メッセージの表示を行う等、ユーザに対してフィードバックを行うことが可能になっている。画像形成条件制御部４３０は、ジョブ制御部４０３にて送受信された仕様要件を満足するために、最適な画像形成条件を画像形成装置１００に提示する機能を有する。

データサーバ１０５のソフトウェアは、データ収集・提供部４１０とデータ記憶部４１２とから構成される。データ収集・提供部４１０は、機械学習サーバ１０２において学習するための学習データの収集と提供を行う機能的役割を有している。本発明のシステムにおいては画像形成装置１００から画像形成装置１００の操作情報を含む学習データの受信を行って、機械学習サーバ１０２へ提供する機能的役割を有している。データ記憶部４１２は、収集した学習データの記録管理を行う機能的役割を有している。

機械学習サーバ１０２のソフトウェアは、学習データ生成部４１３、機械学習部４１４、データ記憶部４１５から構成される。学習データ生成部４１３は、データサーバ１０５から受信を行ったデータを目的の学習効果を得るためにノイズになる不要なデータを除去するなど、効果的学習結果が得られる形に加工して学習データの最適化を行う機能的役割を有する。これらの機能的役割は、図１に示すＣＰＵ１３０１により実行される。本発明のシステムでは、効果的な学習するためのデータの前処理加工の一例として画像形成装置１００から受信した色濃度調整情報の中から、調整直後の装置情報をフィルタリングするようにして効果的に色濃度設定値を学習できるように工夫している。データ記憶部４１５は、データサーバ１０５から受信したデータや生成された学習データ、機械学習部４１４における学習済みモデルを図１に示すＲＡＭ１３０２やＨＤＤ１３０４へ一時記録を行う。機械学習部４１４は、学習データ生成部４１３によって生成された学習データを入力として、図１に示したハードウェアリソースであるＧＰＵ１３０６やＣＰＵ１３０１と図５（ａ），（ｂ）に示す学習モデルによる学習方法を活用して機械学習を行う。

本実施形態では、プリンタ制御部７００は、第１モードと第２モードとを選択して実行可能である。第１モードとは、画像形成条件及び使用状態に基づいて中間転写ベルト２０５に形成されるトナー像の濃度である第１予測濃度を第１予測手段（学習モデル）により予測するモードである。また、第１モードは、第１予測濃度を第１基準濃度に補正するように、テーブル作成部７２３と帯電器２０２とレーザスキャナ２００と現像器２０３と一次転写器２０４とのうちの少なくとも１つを制御するモードである。第２モードとは、画像形成条件と使用状態とシートＳの種類とに基づいてシートＳに定着されるトナー像の濃度である第２予測濃度を第２予測手段により予測するモードである。第２モードは、第２予測濃度を第２基準濃度に補正するように、二次転写ローラ２２２の二次転写バイアスを制御するモードである。

［学習モデル］
図５（ａ），（ｂ）は、第１の実施形態の機械学習部４１４における学習モデルを用いた入出力の構造を示す概念図であり、ニューラルネットワークを用いた学習モデルを例に図示している。本発明のシステムの特徴を説明するための一例として、入力データＸを示す。この入力データＸは、図５（ａ）に示すニューラルネットワークにより、画像形成時及び非画像形成時に取得可能な設定値或いは測定値を入力信号として色濃度設定値を予測するための学習モデルの生成に関わる。入力データＸの具体例としては、例えば、Ｘ１：環境（温度℃、湿度％）、Ｘ２：感光ドラムの使用時間（ｈ）、Ｘ３：中間転写ベルトの使用時間（ｈ）、Ｘ４：定着器の使用時間（ｈ）、Ｘ５：シート種データ（サイズ、坪量、光沢の有無）である。更に、Ｘ６：連続通紙枚数、Ｘ７：トナーの使用時間（ｈ）、Ｘ８：定着温調温度（℃）である。学習データの要素として、図５（ａ）には色濃度変動にかかわる要因を示しているが、その他、画像形成装置１００に設けられたセンサなどからデータ取得が可能なものを学習データの要素とすることが可能になっており、限定されるものではない。

なお、用紙設定、両面印刷、連続または間欠動作を行う場合の項目がカテゴライズ変数として表現されるデータを数値として機械学習で取り扱うことがある。この場合は、データの前処理として既知のｏｎｅ ｈｏｔ ｅｎｃｏｄｉｎｇ等の手法によって数値として表現を変換して機械学習処理の入力として利用できるようにしている。機械学習の具体的なアルゴリズムとしては、ニューラルネットの他、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて本実施形態に適用することができる。

また、実際には、常に学習を継続するものではなく、テーブルとしてもよい。即ち、第１予測手段は、入力された画像形成条件及び使用状態に対して第１予測濃度を出力する第１予測テーブルであるようにできる。この場合、第２予測手段は、入力された画像形成条件と使用状態とシートＳの種類に対して第２予測濃度を出力する第２予測テーブルであるようにできる。尚、これら第１予測手段及び第２予測手段は、画像形成装置１００に設けられていてもよく、あるいは、画像形成装置１００に接続されたサーバやコンピュータなどに設けられていてもよい。

学習モデルは、誤差検出部と、更新部と、を備えてもよい。誤差検出部は、入力層に入力される入力データＸ（（２）入力）に応じてニューラルネットワークの出力層から出力される出力データＹ（（４）出力）と、教師データＴとの誤差を得る。そして、損失関数を用いて、ニューラルネットワークからの出力データと教師データとの誤差を表す損失（Ｌ）を計算するようにしてもよい。更新部は、誤差検出部で得られた損失（Ｌ）に基づいて、その損失が小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を更新する。この更新部は、例えば、誤差逆伝播法を用いて、結合重み付け係数等を更新する。尚、誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。

学習モデル（Ｗ）では「正解値が既知の入力データ」と「正解値」をセットにした学習データを多数用意する。そして、この正解値に対応する入力データを入力した場合の出力が正解値に極力近づくように学習モデル（Ｗ）内の重み付け係数を調整することで、精度の高い学習モデル（Ｗ）を得る作業を行う。これを学習工程と呼び、学習工程を経て調整された学習モデルを学習済モデルと呼ぶ。用意する教師データ（「正解値が既知の入力データ」と「正解値」のセット）は以下のようなものとする。即ち、第１予測手段は、画像形成条件及び使用状態が入力されることで、機械学習により第１予測濃度を出力し、第２予測手段は、画像形成条件と使用状態とシートＳの種類とが入力されることで、機械学習により第２予測濃度を出力するものにできる。

［プリンタ制御部］
次に、画像形成装置１００が有するプリンタ制御部７００について、図６（ａ）を用いて説明する。プリンタ制御部７００は、プリンタコントローラ７００ａとエンジンコントローラ７００ｂとを有する。プリンタコントローラ７００ａは、画像形成装置１００を統括的に制御するコントローラである。エンジンコントローラ７００ｂは、主にプリンタ部２０を制御するコントローラである。

プリンタコントローラ７００ａのＣＰＵ７０１は、プリンタコントローラ７００ａの各部を制御する中央演算処理装置である。ＲＡＭ７０２は、画像形成条件や制御テーブル、変換テーブルなどを記憶する記憶装置である。ＲＯＭ７０３は、制御プログラムなどを記憶する記憶装置である。プリンタコントローラ７００ａは、複数の通信回路を有している。ホストＩＦ７０４は、ホストコンピュータなどと通信するための通信回路であり、プリント指示や画像データを受信する。ＩＦはインターフェースの略称である。リーダＩＦ７０５はリーダ２５０と通信する通信回路であり、原稿の画像データを受信する。リーダ２５０にパターン画像を読み取らせるためにユーザがパターン画像の形成されたシート（テストチャート）を原稿台ガラス２２に載せて読取動作を実行した場合、リーダＩＦ７０５はリーダ２５０から出力された読取データを取得する。

エンジンＩＦ７１０はエンジンコントローラ７００ｂと通信する通信回路であり、画像信号を送信信したり、様々な測定データを受信したりする。ＲＩＰ（ラスタイメージプロセッサ）７０６は、画像データを展開してビットマップ画像に展開するプロセッサである。色処理部７０７は、カラーマネージメントプロファイルなどを用いてビットマップ画像の色空間を変換する。例えば、ＲＧＢ形式の画像データがＹＭＣＫ形式の画像データに変換される。階調補正部７０８は、プリンタ部２０により形成される画像の階調特性が理想的な階調特性となるように、画像データを階調補正テーブル（γＬＵＴ）に基づいて補正する。

中間調部７０９は、階調補正された画像データに対してディザマトリクスや誤差拡散法などの擬似中間調処理を実行する。中間調部７０９から出力される画像信号は、エンジンＩＦ７１０を介してエンジンコントローラ７００ｂに出力される。操作部１４０は、画像形成装置１００の操作者が指示を入力したり、操作者に情報を表示したりするタッチパネルディスプレイである。なお、色処理部７０７、階調補正部７０８、中間調部７０９は、複数の画像処理に対応している。

尚、画像形成装置１００がこれら複数の画像処理の全てを実行する不図示のイメージプロセッサを有してもよい。イメージプロセッサはＣＰＵ７０１と異なるプロセッサである。また、イメージプロセッサは複数の画像処理の一部を実行してもよい。また、イメージプロセッサが１つのプロセッサを有することに限定されず、複数のプロセッサを有していてもよい。

エンジンコントローラ７００ｂのＣＰＵ７１２は、ＲＯＭ７１４に記憶されている制御プログラムにしたがって高圧電源７１７やレーザスキャナ２００などを制御する。ＲＡＭ７１３は、ＣＰＵ７１２のワークエリアとして機能する記憶装置である。高圧電源７１７は、帯電バイアスや現像バイアス、転写バイアスなどを生成する電源回路である。環境センサ（環境検知手段）７１５は、画像形成装置１００が設置されている環境や画像形成装置１の内部環境を示す環境情報（例：温度や湿度、絶対水分量）を検知するセンサである。濃度センサ７１６は、現像器２０３のトナー濃度（例：キャリアに対するトナーの割合を示すパラメータ）を検知するセンサであり、例えば、透磁率型のセンサである。

タイマ７１９は、プリントジョブが終了すると計時を開始することで、画像形成装置１００が画像を形成していない時間（放置時間）を計時する。逆に稼働時間を計時することも可能である。カウンタ７２０は、現像器２０３にトナーが補給された回数をカウントするカウンタである。画像形成装置１００は、不図示の補給機構を有している。補給機構は、１回の補給動作において現像器２０３へ補給するトナーの量が予め決まっている。従って、プリンタコントローラ７００ａは、カウンタ７２０のカウント値から現像器２０３へのトナーの補給量を予測する。

図６（ｂ）は、ＣＰＵ７０１が制御プログラムを実行することで実現する機能を示している。電位制御部７２１は、環境センサ７１５により取得された環境情報に応じて、帯電バイアスＶｄＴ、及び現像バイアスＶｄｃなどを決定する。電位制御部７２１は、これらのパラメータを高圧電源７１７に設定する。電位制御部７２１や高圧電源７１７は、電圧制御手段として機能する。載り量調整部７２２は、シートに載せられる最大のトナー量（最大トナー載り量）を調整する。最大トナー載り量は、帯電バイアスＶｄＴ、及び現像バイアスＶｄｃに基づいて調整する。載り量調整部７２２は、他にも、レーザスキャナ２００のレーザパワー（露光量）ＬＰＷを制御することで、最大トナー載り量を調整する。載り量調整部７２２やレーザスキャナ２００は、露光制御手段として機能する。

テーブル作成部７２３は、階調補正部７０８で使用される階調補正テーブル（γＬＵＴ）を作成する。テーブル作成部７２３は、パターン作成モードと予測モードとの２つのモードを有している。パターン作成モードは、従来のようにパターン画像を形成し、パターン画像の測定結果に基づき階調補正テーブルを作成するモードである。本実施形態では、パターン作成モードにより作成された階調補正テーブルは基本テーブルと呼ばれる。予測モードは、本実施形態に特有のモードであり、環境情報や画像形成条件などに基づき画像濃度を予測し、予測された画像濃度に基づき階調補正テーブルを作成するモードである。ここで作成される階調補正テーブルを修正テーブルと呼ぶ。

画像濃度の予測は、予測部７２４で実行される。本実施形態では、予測濃度に基づき修正テーブルが作成され、基本テーブルと修正テーブルとを合成するごとで合成テーブルが作成され、階調補正部７０８に設定される。階調補正部７０８は、設定された合成テーブルを使用して画像データの階調を補正する。予測モードでは、パターン画像の形成と測定とが実行されないため、ダウンタイムが大幅に短縮される。

図６（ｃ）は、ＲＡＭ７０２に記憶される情報の一部を示している。基本テーブル７２５は、パターン作成モードにより作成された階調補正テーブルである。修正テーブル７２６は、予測濃度に基づき生成されたテーブルであり、基本テーブル７２５を修正して合成テーブルを取得するためのテーブルである。画像形成条件７２７は、例えば、帯電バイアスや帯電設定、現像設定、転写設定、露光設定（現像バイアスやレーザパワーなど）を含む。

［予測部］
予測部７２４は、画像濃度の変動と相関して変動する入力値（例：環境情報や画像形成条件など）に基づき階調レベルごとの画像濃度を予測する。本実施形態では、機械学習サーバ１０２より得られた学習モデルを画像形成中における濃度変動時に適用した。図７は、予測部７２４により予測された濃度を目標濃度Ｄ０に補正する場合のイメージ図を示したものである。時刻ｔ１の初期濃度Ｄ１に対して、時刻ｔ２における予測濃度Ｄ２１，Ｄ２２が目標濃度Ｄ０となるように、レーザパワーＬＰＷの制御量等の画像形成条件を変更する必要がある。

上記の制御量に応じて補正された予測濃度Ｄ２１は目標濃度Ｄ０に等しくなることから、予測部７２４は、時刻ｔ１の初期濃度Ｄ１、目標濃度Ｄ０に基づき、時刻ｔ１から時刻ｔ２の間の様々な時点における階調レベル毎の濃度を予測する。テーブル作成部７２３は、各時点の予測濃度Ｄ２１に基づき修正テーブルを作成する。例えば、時刻ｔ１において１枚目の基準画像が形成され、時刻ｔ２において５枚目のシートに画像が形成される場合、予測部７２４は２枚目から４枚目の画像濃度は、修正テーブルに基づき画像形成される。このように画像形成装置１００は、画像形成を実行しながら階調補正テーブルを修正することができる。尚、本実施形態では、予測部７２４内に複数の推定手段を有するため、修正テーブルも複数有する事になる。

図８は、予測部７２４の構成を示す図である。入力処理部９００は、濃度を予測するために必要となるパラメータの入力を受け付ける。パラメータは、例えば画像形成条件７２７や環境センサ７１５の測定値、濃度センサ７１６の測定値、タイマ７１９のカウント値、カウンタ７２０のカウンタ値等である。入力処理部９００は、信号値記憶部９０１と差分部９０２とを有している。信号値記憶部９０１は、差分部９０２で差分演算の基準となる信号値を記憶する。差分部９０２は、入力された信号値と記憶されている信号値（基準値）との差分（変動量）を求める。

例えば、画像形成装置１００を起動したときの環境値（例：温度や湿度、絶対水分量）についての差分、現像器２０３の内部におけるトナー濃度の差分、画像形成条件（例：レーザパワーＬＰＷや帯電バイアスＶｄ）の差分などが求められる。基準値は、前回テストチャートを用いて画像形成条件と階調補正テーブルとを生成したタイミングにおいて記憶された値を用いる。なお、放置時間、トナー補給回数、累積された画像形成枚数などの変動と相関する信号値（相関パラメータ）が、後述する未定着トナー情報演算部９１０、紙上定着後トナー情報演算部９２０に供給される。また、入力処理部９００は、画像形成条件を除く相関パラメータについても差分を未定着トナー情報演算部９１０、紙上定着後トナー情報演算部９２０に供給する。

［未定着トナー情報演算部］
未定着トナー情報演算部９１０は、中間転写ベルト２０５上の未定着トナー濃度を予測演算する演算部である。例えば、時刻ｔ２における未定着トナー濃度を予測する。未定着トナー情報演算部９１０は、濃度記憶部９１１と予測関数部９１２とを有している。濃度記憶部９１１は、予測の基準となる濃度（基準濃度）を記憶している。予測関数部９１２は、入力処理部９００から入力された差分（入力値）と、記憶されている基準濃度とから、ある時刻における濃度を予測する。予測関数部９１２は、前述の学習モデルを有している。学習モデルは、入力値から濃度を予測し、予測された濃度の変動量を推測する。予測関数部９１２は、基準濃度に濃度変動量を加算することである時刻における濃度を予測する。

未定着トナー情報演算部９１０は、ある時刻における濃度を選択部９３０に出力する。未定着トナー情報演算部９１０は、最大濃度を示す階調レベル１００％から１０％刻みにて最小１０％の各濃度を予測する。ここで、未定着トナー情報演算部９１０は、差分の代わりに例えば変化割合（変化率）を入力値として予測してもよい。

［紙上定着後トナー情報演算部］
紙上定着後トナー情報演算部９２０は、定着後の紙上トナー濃度を予測演算する演算部である。例えば、時刻ｔ２における紙上定着後トナー濃度を予測する。紙上定着後トナー情報演算部９２０は、濃度記憶部９２１と予測関数部９２２とを有している。濃度記憶部９２１は、予測の基準となる濃度（基準濃度）を記憶している。予測関数部９２２は、入力処理部９００から入力された差分（入力値）と、記憶されている基準濃度とからある時刻における濃度を予測する。予測関数部９２２は、前述の学習モデルを有している。学習モデルは、入力値から濃度を予測し、予測された濃度の変動量を推測する。予測関数部９２２は、基準濃度に濃度変動量を加算することである時刻における濃度を予測する。

紙上定着後トナー情報演算部９２０は、ある時刻における濃度を選択部９３０に出力する。紙上定着後トナー情報演算部９２０は、最大濃度を示す階調レベル１００％から１０％刻みにて最小１０％の各濃度を予測する。ここで、紙上定着後トナー情報演算部９２０は、差分の代わりに変化割合（変化率）を入力値として予測してもよい。

［選択部］
選択部９３０は、未定着トナー情報演算部９１０及び紙上定着後トナー情報演算部９２０より演算された予測濃度Ｄ２１と、それぞれの基準濃度のうちどちらの演算部の結果を採択し、結果を決定部９４０に出力するかを判断する。選択部９３０では、演算部９３１にて図９に示すフローチャートを適用し、決定部９４０に結果を送信する。

図９に示すように、選択部９３０は、未定着トナー情報演算部９１０から基準濃度α０、予測された予測濃度α１を取得する（ステップＳ１０００）。選択部９３０は、演算部９３１にて基準濃度α０、予測濃度α１から、差分Δαを取得する（ステップＳ１００１）。選択部９３０は、演算部９３１にて算出されたΔαが予め決められた閾値範囲内であるか否かを判断する（ステップＳ１００２）。選択部９３０は、Δαが閾値範囲内であると判断された場合（ステップＳ１００２のＹＥＳ）、本結果を非選択処理し（ステップＳ１００３）、Ｓ１００４に移行する。

選択部９３０は、Δαが閾値範囲内でないと判断された場合（ステップＳ１００２のＮＯ）、Δαの結果を保持しつつ、紙上定着後トナー情報演算部９２０から基準濃度β０、予測された予測濃度β１を取得する（ステップＳ１００４）。選択部９３０は、演算部９３１にて基準濃度β０、予測濃度β１から差分Δβを取得する（ステップＳ１００５）。選択部９３０は、演算部９３１にて算出されたΔβが予め決められた閾値範囲内であるか否かを判断する（ステップＳ１００６）。選択部９３０は、Δβが閾値範囲内であると判断された場合（ステップＳ１００６のＹＥＳ）、本結果を非選択処理し（ステップＳ１００７）、再び処理フローを回す（ステップＳ１０００）。

選択部９３０は、Δβが閾値範囲内でないと判断された場合（ステップＳ１００６のＮＯ）、ΔαとΔβの値を比較して、Δα≦Δβであるか否かを判断する（ステップＳ１００８）。選択部９３０は、Δα≦Δβであると判断した場合（ステップＳ１００８のＹＥＳ）、紙上定着後トナー情報演算部９２０の結果を採択する（ステップＳ１００９）。選択部９３０は、Δα≦Δβでないと判断した場合（ステップＳ１００８のＮＯ）、未定着トナー情報演算部９１０の結果を採択する（ステップＳ１０１０）。選択部９３０は、採択した結果を決定部９４０に送信する（ステップＳ１０１１）。

即ち、プリンタ制御部７００は、第１予測濃度α０と第１基準濃度α１との差分である第１差分Δαと、第２予測濃度β０と第２基準濃度β１との差分である第２差分Δβと、を算出する。プリンタ制御部７００は、第１差分Δαが第２差分Δβ以上（差分以上）である場合に、第１モードを実行し、第１差分Δαが第２差分Δβ未満（差分未満）である場合に、第２モードを実行する。尚、図９ではシリアルでの処理フローを説明したが、パラレルにて処理を行える環境であるならばこれに限定されない。また、本実施形態では、未定着トナー情報演算部９１０から紙上定着後トナー情報演算部９２０の順番にて処理を実施したが、逆順にて処理をしても構わない。

［決定部］
図８に示すように、決定部９４０は、演算部９４１、目標濃度記憶部９４２及び制御量テーブル９４３を有している。目標濃度記憶部９４２は、図７中に示す目標濃度Ｄ０を記憶している。演算部９４１は、選択部９３０により選択された予測濃度Ｄ２１と目標濃度Ｄ０との差分を求め、制御量テーブル９４３を参照して差分を画像形成条件の制御量に変換する。このように制御量テーブル９４３は、濃度差分を画像形成条件の制御量に変換するテーブルである。なお、画像形成条件の制御量は、以下では単に画像形成条件と呼ばれる。なお、演算部９４１は、選択部９３０により、各演算部による結果を取得し、この情報に基づき画像形成条件を選択する。例えば、選択部９３０にて未定着トナー情報演算部９１０の結果を採択した場合、初期濃度Ｄ１を目標濃度Ｄ０に一致させるために、予測関数部９１２に用いられた画像形成条件が選択される。

このように、演算部９４１は、選択された演算モデルを使用して濃度変動量を基準濃度に加算して予測濃度Ｄ２１を求める。例えば、１０個の階調レベル（例：１０％、２０％、…、１００％）に対応する１０個の濃度を予測するために、演算部９４１は２０個の予測モデルを有していてもよい。例えば、演算部９４１は、１０％の入力レベルに対応する濃度を予測するために、１０％の入力レベルに対応する予測モデルを使用する。

画像形成装置１００が３０枚のシートに連続して画像を形成する場合、予測部７２４は１枚目と３０枚目のシートとに形成される画像の濃度に基づいて２枚目から２９枚目までの各シートに形成される画像の濃度を予測する。この場合、予測部７２４は、１枚目のシートに形成される画像の初期濃度Ｄ１と、３０枚目のシートに形成される画像の予測濃度Ｄ２１とを結ぶ対数近似線を求め、２枚目から２９枚目までの各シートに形成される画像の濃度を補間演算すればよい。本実施形態において、複数の推定手段を用いて濃度を予測することにより、従来の紙上のみで濃度を予測するよりも、未定着での変化を把握することにより、外乱を含んだ過補正を抑制することができる。

［テーブル作成部］
図６（ｂ）に示すように、予測部７２４は、予測濃度をテーブル作成部７２３に出力する。これらの予測濃度群は画像濃度特性を形成し、階調補正テーブルの作成に使用される。テーブル作成部７２３は、予測濃度群に基づき階調補正テーブルを作成する。上述したように、テーブル作成部７２３は、予測濃度群に基づき修正テーブル７２６を作成し、基本テーブル７２５と合成して階調補正テーブルを作成し、階調補正部７０８に書き込む。

図６（ａ）に示すように、階調補正部７０８は、エンジンコントローラ７００ｂにより形成される画像の階調特性が理想的な階調特性となるように、画像データを階調補正テーブル（γＬＵＴ）に基づいて補正する。中間調部７０９は、階調補正された画像データに対してディザマトリクスや誤差拡散法などの擬似中間調処理を実行する。中間調部７０９から出力される画像信号は、エンジンＩＦ７１０を介してエンジンコントローラ７００ｂに出力される。

［濃度補正制御］
以下、濃度補正制御を実施する処理手順について、図１０に示すフローチャートに沿って説明する。図１０は、ＣＰＵ７０１が実行する濃度補正制御（キャリブレーションを示すフローチャートである。ＣＰＵ７０１は、メインキャリブレーション（パターン作成モード）の実行条件が満たされたか否かを判定する（ステップＳ１１００）。条件を満たしていれば（ステップＳ１１００のＹＥＳ）、Ｓ１１０１へ進む。実行条件を満たさなければ（ステップＳ１１００のＮＯ）、Ｓ１１０７の予測型キャリブレーション実行要件判断へ進む。尚、メインキャリブレーションとは、シートＳにパターン画像を形成し、パターン画像の読取データを濃度データへ変換し、濃度データに基づいて画像形成条件を補正する処理である。また、予測型キャリブレーションとは、シートＳにパターン画像を形成せずに、予測濃度を用いて画像形成条件を補正する処理である。

［メインキャリブレーション］
まず初めに、メインキャリブレーションの制御フローについて説明する。ＣＰＵ７０１は、エンジンコントローラ７００ｂに対して電位制御を実行するために電位制御部７２１より命令を実行する（ステップＳ１１０１）。例えば、ＣＰＵ７０１は、環境センサ検出部４０９により取得された環境条件（例：温度や湿度、絶対水分量）に応じて帯電バイアス（ＶｄＴ）、及び現像バイアス（Ｖｄｃ）を決定する。電位制御は当技術分野において既知であるため、その詳細な説明は省略される。

ＣＰＵ７０１の載り量調整部７２２は、最大濃度の為の画像形成条件（例：レーザパワーＬＰＷ）を調整する（ステップＳ１１０２）。最大濃度は、最大載り量と呼ばれてもよい。例えば、載り量調整部７２２は、電位制御で決定されたグリットバイアス（Ｙ）と現像バイアス（Ｖｄｃ）とをエンジンコントローラ７００ｂに設定し、プリンタ部２０を制御してトナーの最大載り量を調整するためのパターン画像をシートＳに形成させる。ユーザは、パターン画像が形成されたシートＳ（テストチャート）をリーダ２に載せて読み取らせると、リーダＩＦ２１２はリーダ２から出力された読取データを取得する。載り量調整部７２２は、載り量とレーザパワーＬＰＷとの関係を読取データに基づいて求める。さらに、載り量調整部７２２は、この関係から最大載り量が得られるレーザパワーＬＰＷを決定する。トナーの最大載り量を調整する手法も当技術分野において既知であるため、その詳細な説明は省略される。

ＣＰＵ７０１のテーブル作成部７２３は、エンジンコントローラ７００ｂを通じて画像形成部を制御し、階調補正用のパターン画像をシートＳに形成する（ステップＳ１１０３）。階調補正用のパターン画像には、例えば、トナー色ごとに６４階調のパターン画像が含まれている。ユーザがパターン画像を形成したシートＳ（テストチャート）をリーダ２に載せて読み取らせると、リーダＩＦ７０５はリーダ２５０から出力された読取データを取得する。ＣＰＵ７０１のテーブル作成部７２３は、各階調ごとの画像濃度をリーダＩＦ７０５により取得された階調補正用のパターン画像の読取データに基づいて求める（ステップＳ１１０４）。

ＣＰＵ７０１のテーブル作成部７２３は、測定された階調補正用のパターン画像の濃度を基準濃度として取得し、このときの各センサの基準信号値を取得する（ステップＳ１１０５）。テーブル作成部７２３は、パターン画像を形成するためにエンジンコントローラ７００ｂに設定した画像形成条件の基準値と基準信号値を取得する。画像形成条件の基準値は、例えば、帯電バイアス、現像バイアス及びレーザパワーＬＰＷである。基準濃度は、各階調ごとの画像濃度である。基準信号値は、例えば、上述のトナー濃度、カウント値、タイマ値である。基準値と基準信号値とは、信号値記憶部９０１に格納される。基準濃度は、濃度記憶部９１１，９２１に格納される。

ＣＰＵ７０１のテーブル作成部７２３は、シートＳに形成される画像の階調特性が理想的な階調特性（階調ターゲット）に一致するように、測定された画像濃度に基づいて基本テーブル７２５を作成する（ステップＳ１１０６）。テーブル作成部７２３は、例えば、測定された画像濃度に対して補間処理とスムージング処理を行い、プリンタ部２０の階調特性を取得する。テーブル作成部７２３は、全濃度領域の階調特性と階調ターゲットとに基づき、基本テーブル７２５を作成する。テーブル作成部７２３は、基本テーブル７２５を階調補正部７０８に設定する。

［予測型キャリブレーション］
次に、予測型キャリブレーションの制御フローについて説明する。基本テーブル７２５が作成されたときから、時間が経過、或いは画像形成を経ることにより環境条件や画像形成装置１００の状態は逐次変化する。そのため、これらの変化に応じて、基本テーブル７２５は修正されなければならない。基本テーブル７２５を作成するためには、パターン画像を形成しなければならないので、ダウンタイムが発生してしまう。そこで、予測型キャリブレーション（予測モード）を適用することにより、上記課題を解決できる。予測型キャリブレーションとは、パターン画像を形成することなく、階調補正テーブルを更新する処理である。予測型キャリブレーションを採用することで、ダウンタイムが大幅に削減される。なお、予測型キャリブレーションでは修正テーブル７２６が求められ、メインキャリブレーションで求められた基本テーブル７２５に合成される。これにより、階調補正テーブルが補正（修正）される。即ち、プリンタ制御部７００は、環境センサ７１５の検知結果と画像形成条件と使用状態に基づいて、第１予測濃度を第１予測手段により予測する。また、プリンタ制御部７００は、環境センサ７１５の検知結果と画像形成条件と使用状態とシートＳの種類とに基づいて、第２予測濃度を第２予測手段により予測する。

上記合成に至るまでの制御フローに関して、図１０を用いて説明する。ＣＰＵ７０１は、予測型キャリブレーションの実行条件が満たされたか否かを判定する（ステップＳ１１０７）。実行条件は、例えば、電源がＯＮしたこと、画像形成装置１００がスリープモード（節電モード）から復帰したこと、環境が変動したこと、予め設定されたタイミングになったことである。予測型キャリブレーションの実行頻度は、メインキャリブレーションの実行頻度よりも多い。実行条件が満たされていなければ（ステップＳ１１０７のＮＯ）、ＣＰＵ７０１はＳ１１００に戻る。一方、実行条件が満たされていれば（ステップＳ１１０７のＹＥＳ）、ＣＰＵ７０１の予測部７２４は予測濃度Ｄ２１を求める（ステップＳ１１０８）。ここでは、予測部７２４は、１０階調に対応した１０個の予測濃度Ｄ２１の演算処理を実行する。

ＣＰＵ７０１のテーブル作成部７２３は、１０個の予測濃度Ｄ２１に基づき予測濃度特性（予測階調特性）を作成する（ステップＳ１１０９）。例えば、予測部７２４は、１０個の予測濃度Ｄ２１を用いて補間演算することによって、全ての階調の濃度を求める。なお、テーブル作成部７２３は、１０個の予測濃度Ｄ２１を用いて予測濃度特性を表す近似式を求めてもよい。

図１１（ａ）は、階調ターゲット１２０１、基本テーブル７２５、基準濃度特性１２０３を示している。横軸は、階調レベル［％］に相当する入力信号を示している。縦軸は、画像濃度を示している。基準濃度特性１２０３は、Ｓ１１０５で取得された基準濃度である。基本テーブル７２５は、基準濃度特性１２０３を階調ターゲット１２０１に対して反転させる（逆変換する）ことで作成される。図１１（ｂ）は、階調ターゲット１２０１、基準濃度特性１２０３、予測濃度特性１２０４を示している。予測濃度特性１２０４は、Ｓ１１０８及びＳ１１０９で求められた予測濃度Ｄ２１である。経時変化などに起因して、画像形成装置１００の濃度特性は、基準濃度特性１２０３から予測濃度特性１２０４へ変化してしまう。そのため、階調補正部７０８が基準濃度特性１２０３に基づいて作成された基本テーブル７２５を用いてしまうと、階調特性を高精度に補正することができない。

そこで、図１０に示すように、ＣＰＵ７０１のテーブル作成部７２３は、予測濃度特性１２０４に基づき修正テーブル７２６を作成する（ステップＳ１１１０）。例えば、テーブル作成部７２３は、予測濃度特性１２０４を基本テーブル７２５の特性に補正するために、予測濃度特性１２０４を基本テーブル７２５の特性に対して逆変換を実行することで、修正テーブル７２６を作成する。

ＣＰＵ７０１のテーブル作成部７２３は、基本テーブル７２５と修正テーブル７２６を合成することで、修正された階調補正テーブルを作成する（ステップＳ１１１１）。図１２は、階調ターゲット１２０１、基本テーブル７２５、修正テーブル７２６、修正された階調補正テーブル１３０１を示している。テーブル作成部７２３は、階調補正テーブル１３０１を階調補正部７０８に設定する。階調補正部７０８は、階調補正テーブル１３０１を用いて入力画像信号を出力画像信号に変換される。即ち、プリンタ制御部７００は、中間転写ベルト２０５に形成するトナー像の画像濃度に関して、予測濃度Ｄ２１を目標濃度（基準濃度）Ｄ０に補正する階調補正テーブルを作成する。

［学習モデルの濃度予測に基づき帯電手段、露光手段、現像手段を変更］
上述した処理では学習モデルの濃度予測に基づき階調ターゲットを変更する場合について説明したが、少なくとも帯電手段、露光手段、現像手段の制御量を変更することで画像濃度を調整する場合について、図１３及び図１４を用いて説明する。

図１３は、決定部９４０が実行する制御量の決定処理の他の例のフローチャートを示している。ここでは、画像形成条件の制御量として、レーザパワーＬＰＷと帯電バイアスＶｄが決定されるものと仮定されている。決定部９４０の演算部９４１は、予測濃度Ｄ２１の変動量ΔＤを演算する（ステップＳ１４００）。演算部９４１は、変動量ΔＤを求めるための演算モデルを有していてもよい。ここでは、変動量ΔＤに寄与する相関因子は、例えば、レーザパワーＬＰＷ、現像器２０３内のトナー濃度、帯電バイアスＶｄ、機内温度Ｔ、機外湿度Ｈであってもよい。演算モデルは、相関因子ごとのモデル係数を有している。

図１４は、相関因子の一例を示す表である。図１４において、基準点とは、基準濃度が取得されたときの各因子の値である。予測点とは、予測された初期濃度Ｄ１あるいは予測濃度（Ｄ２１あるいはＤ２２）が算出されたときの各因子の値である。ここでは、予測点のトナー濃度は予測濃度Ｄ２１であると仮定されている。差分データとは、予測点から基準点を減算して得られる値である。トナー濃度の差分データを補正するための各相関因子の補正係数が予め実験などで決定されている。補正係数としては、初期濃度Ｄ１の補正係数と、予測濃度Ｄ２１用の補正係数とが存在する。予測濃度Ｄ２１用の補正係数は、選択部９３０の選択結果に応じて切り替えられる。本実施形態では、選択部９３０において選択された補正係数を適用した場合について説明する。

ここでは、図７に示すように、予測濃度Ｄ２１が初期濃度Ｄ１よりも低いことが想定されている。そのため、図１４の補正係数は、予測濃度Ｄ２１用の補正係数である。補正係数とは、その係数に各相関因子の変動量を乗算してトナー濃度の変動量ΔＤを計算するためのものである。本実施形態では、レーザパワーＬＰＷについての補正係数ｍｃ１は０．００２４、帯電バイアスＶｄについての補正係数ｍｃ２は０．０００５、機内温度についての補正係数ｍｃ３は－０．０１７０、機外湿度についての補正係数ｍｃ４は０．００２１とする。予測差分とは、各因子の予測濃度Ｄ２１の変動量ΔＤへの寄与成分である。演算部９４１は、差分データに補正係数を乗算することで予測差分を演算する。さらに、演算部９４１は、各因子の予測差分を加算することで変動量ΔＤを演算する。図１４において、変動量ΔＤは０．０７である。

図１３に示すように、演算部９４１は、変動量ΔＤを０にするための制御量の関係式を求める（ステップＳ１４０１）。これは、変動量ΔＤが０となるときに、予測濃度Ｄ２１が目標濃度Ｄ０に一致するからである。ここで、図１４に示された４個の因子（レーザパワーＬＰＷ、帯電バイアスＶｄ、機内温度Ｔ、機外湿度Ｈ）のうちで、実際に制御可能な因子はレーザパワーＬＰＷと帯電バイアスＶｄの目標温度である。その他の因子（本実施形態においては機内温度Ｔと機外湿度Ｈ）は、画像形成装置１の起動時に既に決定されており、制御不可能であるか、または制御するためには時間がかかる。機内温度Ｔと機外湿度Ｈの差分データに補正係数を乗算した予測差分＋０．０４６と－０．００５の合計値＋０．０４１（α）が、その他の因子による基準点からの変動量ΔＤへの影響量である。よって、その他の因子による変動量ΔＤ＋０．０４１を０となるように、レーザパワーＬＰＷと帯電バイアスＶｄの値を変更することになる。つまり、以下の数式（１）が求められるべき関係式である。
α＋ｍｃ１×ΔＬＰＷ＋ｍｃ２×ΔＶｄ＝０ ・・・数式（１）

演算部９４１は、環境条件に基づき帯電バイアスＶｄを決定する（ステップＳ１４０２）。ここでは、制御量テーブル９４３に格納されている環境条件を帯電バイアスＶｄに変換するテーブルを用いる。環境条件は環境センサ２６１により取得される環境値であり、例えば、環境湿度である。演算部９４１は、帯電バイアスの制御量ΔＶｄを決定する（ステップＳ１４０３）。例えば、演算部９４１は、環境湿度に基づいて決定された帯電バイアスＶｄ（例：５５０）から基準点の帯電バイアスＶｄ（例：５５７）を減算することで制御量ΔＶｄ（＝－７）を演算してもよい。演算部９４１は、以下の数式（２）を用いてレーザパワーの制御量ΔＬＰＷを決定する。ここでは、ΔＬＰＷ＝－１６と算出される。
ΔＬＰＷ＝（－α－ｍｃ２×ΔＶｄ）／ｍｃ１ ・・・数式（２）

演算部９４１は、基準点のレーザパワーＬＰＷ（＝１１２）に制御量ΔＬＰＷ（＝－２６）を加算することで、レーザパワーＬＰＷ（＝９６）を決定する（ステップＳ１４０５）。本実施形態におけるトナー濃度補正後の各相関因子の値を示したのが、図１４の「補正後」である。Ｓ１４０２では環境条件から帯電バイアスＶｄが決定されているが、環境条件からレーザパワーＬＰＷが決定されてもよい。この場合、Ｓ１４０３でΔＬＰＷが決定され、Ｓ１４０４でΔＶｄが決定され、Ｓ１４０５で帯電バイアスＶｄが決定される。

上述したように、学習モデルの濃度予測に基づき帯電手段、露光手段、現像手段を変更した場合として、画像形成条件としてＶｄやＬＰＷを用いた場合について説明したが、現像バイアスやコントラスト電位が採用されてもよい。このように、演算部９４１は、入力値の差分と、初期濃度Ｄ１と予測濃度Ｄ２１のうち低いほうの画像濃度に関連付けられている補正係数との積の総和（変動量ΔＤ）が０となるように、制御量を決定する。

［学習モデルの濃度予測に基づき二次転写部を変更］
上述した処理では学習モデルの濃度予測に基づき二次転写ローラ２２２よりも上流側を変更する場合について説明したが、中間転写ベルト２０５よりも下流側を変更することができる。ここでは、二次転写バイアスを変更することによって画像濃度を調整する場合について、参照例として、図１５及び図１６を用いて説明する。

ここでは、図８における選択部９３０において、未定着トナー情報演算部９１０、紙上定着後トナー情報演算部９２０より演算された予測濃度Ｄ２１とそれぞれの基準濃度のうちどちらの演算部の結果を採択する際を想定する。この場合に、紙上定着後トナー情報演算部９２０より演算された予測濃度Ｄ２１とそれぞれの基準濃度を選択した場合において、変更する画像形成条件を二次転写バイアスとしている。即ち、図９に示したフローのＳ１００６においてΔβが閾値範囲外であって、Ｓ１００８においてΔβの値がΔαよりも大きい場合に、二次転写バイアスの変更制御が実行される。図８の決定部９４０において、演算部９４１は、選択部９３０により選択された予測濃度Ｄ２１と目標濃度Ｄ０との差分を求め、制御量テーブル９４３を参照して差分を画像形成条件、本実施形態においては二次転写バイアスの制御量に変換する。

図１５は、決定部９４０が実行する制御量が二次転写バイアスである例のフローチャートを示している。決定部９４０の演算部９４１は、予測濃度Ｄ２１の変動量ΔＤを演算する（ステップＳ１６００）。演算部９４１は、変動量ΔＤを求めるための演算モデルを有していてもよい。ここでは、変動量ΔＤに寄与する相関因子は、例えば、二次転写バイアス、機内温度Ｔ、機外湿度Ｈであってもよい。演算モデルは、相関因子ごとのモデル係数を有している。 図１６は、相関因子の一例を示す表である。図１６において、基準点とは、基準濃度が取得されたときの各因子の値である。予測点とは、予測された初期濃度Ｄ１あるいは予測濃度（Ｄ２１あるいはＤ２２）が算出されたときの各因子の値である。ここでは、予測点の予測濃度Ｄ２１は、初期濃度Ｄ１であると仮定されている。差分データとは、予測点から基準点を減算して得られる値である。トナー濃度の差分データを補正するための各相関因子の補正係数が予め実験などで決定されている。

補正係数としては、初期濃度Ｄ１用の補正係数と、予測濃度Ｄ２１用の補正係数とが存在する。予測濃度Ｄ２１用の補正係数は、選択部９３０の選択結果に応じて切り替えられる。本実施形態では、選択部９３０において選択された補正係数を適用した場合について説明する。ここでは、図７に示すように、予測濃度Ｄ２１が初期濃度Ｄ１よりも低いことが想定されている。そのため、図１６の補正係数は、予測濃度Ｄ２１用の補正係数である。補正係数とは、その係数に各相関因子の変動量を乗算してトナー濃度の変動量ΔＤを計算するためのものである。本実施形態においては、二次転写バイアスについての補正係数ｍｃ５は－０．００１、機内温度についての補正係数ｍｃ３は－０．０１７０、機外湿度についての補正係数ｍｃ４は０．００２１とする。予測差分とは、各因子の予測濃度Ｄ２１の変動量ΔＤへの寄与成分である。演算部９４１は、差分データに補正係数を乗算することで予測差分を演算する。さらに、演算部９４１は、各因子の予測差分を加算することで変動量ΔＤを演算する。図１６において、変動量ΔＤは０．０７である。

演算部９４１は、変動量ΔＤを０にするための制御量の関係式を求める（ステップＳ１６０１）。これは、変動量ΔＤが０となるときに、予測濃度Ｄ２１が目標濃度Ｄ０に一致するからである。ここで、図１６に示された３個の因子（二次転写バイアス、機内温度Ｔ、機外湿度Ｈ）のうちで、実際に制御可能な因子は二次転写バイアスの目標濃度である。その他の因子（本実施形態においては機内温度Ｔと機外湿度Ｈ）は、画像形成装置１の起動時に既に決定されており、制御不可能であるか、または制御するためには時間がかかる。機内温度Ｔと機外湿度Ｈの差分データに補正係数を乗算した予測差分＋０．０４６と－０．００５の合計値＋０．０４１（α）が、その他の因子による基準点からの変動量ΔＤへの影響量である。よって、その他の因子による変動量ΔＤ＋０．０４１を０となるように、二次転写バイアスの値を変更することになる。つまり、以下の数式（３）が求められるべき関係式である。
α＋ｍｃ５×Δ２ＴｒＶ＝０ ・・・数式（３）

演算部９４１は、環境条件に基づき二次転写バイアス２ＴｒＶを決定する（ステップＳ１６０２）。ここでは、制御量テーブル９４３に格納されている環境条件を二次転写バイアス２ＴｒＶに変換するテーブルを用いる。環境条件は、環境センサ２６１により取得される環境値であり、例えば、環境湿度である。演算部９４１は、二次転写バイアスの制御量Δ２ＴｒＶを決定する（ステップＳ１６０３）。例えば、演算部９４１は、環境湿度に基づいて決定された二次転写バイアス２ＴｒＶ（例：１０５０）から基準点の二次転写バイアス２ＴｒＶ（例：１０００）を減算することで制御量ΔＶｄ（＝５０）を演算してもよい。本実施形態におけるトナー濃度補正後の各相関因子の値を示したのが、図１６に示す「補正後」である。

以上の実施形態では、画像形成条件として二次転写バイアス２ＴｒＶが用いられているが、定電流制御の場合など二次転写電流２ＴｒＩが採用されてもよい。このように、演算部９４１は、入力値の差分と、初期濃度Ｄ１と予測濃度Ｄ２１のうち低いほうの画像濃度に関連付けられている補正係数との積の総和（変動量ΔＤ）が０となるように、制御量を決定する。

［学習モデルの濃度予測に基づき定着手段を変更］
次に、本発明の特徴的な構成について説明する。上述した処理では学習モデルの濃度予測に基づき二次転写部を変更する場合について参照例として説明したが、定着手段を変更する例について説明する。ここでは、定着温度を変更することによって画像濃度を調整する場合について、図１７～図１９を用いて説明する。

まず、本実施形態で用いる定着器４０の構成について、図１９を用いて説明する。図１９は、定着器４０の構成を示す断面説明図である。図１９に示す定着器４０は、定着ユニット４１と、加圧手段となる加圧ローラ４２とを有して構成される。定着器４０は、加熱手段となるヒータ４３、定着フィルム４４、フィルムガイド４５、ステー４６、温度検知素子からなるサーミスタ４７ａ，４７ｂとを有して構成されている。

ヒータ４３は、電気的絶縁性を有する不図示のセラミック製の基板上に発熱ペーストを印刷した発熱体と、該発熱体の保護と絶縁性を確保するためのガラスコーティング層等を有して構成される。不図示の電源から電力制御された交流電流が、発熱体に供給されて発熱する。定着フィルム４４（加熱回転体）の基層膜厚は、１００μｍ以下である。また、定着フィルム４４（加熱回転体）の基層材料は、金属で構成されている。本実施形態の定着フィルム４４は、厚さが約５０μｍのステンレス（ＳＵＳ）製で外径が３２ｍｍの円筒形で構成されている。定着フィルム４４（加熱回転体）は、ヒータ４３（加熱手段）により加熱される。定着フィルム４４は、ヒータ４３からの熱を効率良くシートＳ上のトナーに伝える。

フィルムガイド４５には、定着フィルム４４の内周面に摺動する円弧状のリブが該フィルムガイド４５の長手方向に沿って複数設けられている。これにより、定着フィルム４４の内周面との摺動抵抗を抑えながら、定着フィルム４４の回転を補助する。ステー４６は、鋼板により構成され、フィルムガイド４５の長手方向において加圧力を均一に加える。基板４３ａの裏側に設けられたサーミスタ４７ａ，４７ｂは、ヒータ４３の温度変化を検知する。サーミスタ４７ａ，４７ｂにより検知した検知結果に基づいて、ヒータ４３の目標温度を決定する。制御手段となるＣＰＵにより、ヒータ４３に供給する交流電流の電力制御を行う。これにより、ヒータ４３の温度を目標温度（印刷温度）に保つ。

加圧ローラ４２は、外径が１２ｍｍのアルミニウムから成る芯金４２ａの外周上に体積低効率が１×１０^５Ω・ｃｍ程度の導電性シリコンゴムからなる弾性層４２ｂを被覆する。該弾性層４２ｂの外周上に、約６０μｍの絶縁チューブを被覆した表層４２ｃを設けている。加圧ローラ４２の外径は、２０ｍｍである。加圧ローラ４２は、不図示のばね等の付勢手段により定着フィルム４４を挟んで、ヒータ４３に対して所定の圧力（定着ニップ圧）で圧接されている。定着フィルム４４の外周面と、加圧ローラ４２の表面とにより記録材搬送方向（図１９の左右方向）において、５ｍｍ～８ｍｍの定着ニップ部Ｎを形成している。

加圧ローラ４２は、駆動手段となるモータにより回転駆動される。定着フィルム４４は、加圧ローラ４２の表面との接触抵抗、或いは、定着ニップ部Ｎに介在するシートＳとの接触抵抗により加圧ローラ４２に従動回転する。これにより、定着ニップ部Ｎに搬送されたシートＳを定着フィルム４４の外周面と密着させた状態で搬送する。シートＳが定着ニップ部Ｎに搬送され、定着フィルム４４の外周面と加圧ローラ４２の表面とにより挟持搬送されることで、シートＳ上に担持された未定着のトナー像がヒータ４３の熱と定着ニップ圧とにより加熱及び加圧されて定着処理される。

本実施形態においては、定着手段を変更することによって画像濃度を調整する。図１７は、決定部９４０が実行する制御量が定着温度である例のフローチャートを示している。ここでは、画像形成条件の制御量として、ヒータ４３の目標温度Ｔが決定されるものと仮定されている。

決定部９４０の演算部９４１は、予測濃度の変動量ΔＤを演算する（ステップＳ１８００）。演算部９４１は、変動量ΔＤを求めるための演算モデルを有していてもよい。ここでは、変動量ΔＤに寄与する相関因子は、例えば、ヒータ４３の目標温度Ｔ、定着ニップ圧Ｐ、機内温度Ｔ、機外湿度Ｈであってもよい。演算モデルは、相関因子ごとのモデル係数を有している。図１８は、相関因子の一例を示す表である。図１８において、基準点とは、基準濃度が取得されたときの各因子の値である。予測点とは、予測された初期濃度Ｄ１あるいは予測濃度（Ｄ２１あるいはＤ２２）が算出されたときの各因子の値である。ここでは、予測点のトナー濃度は、予測濃度Ｄ２１であると仮定されている。差分データとは、予測点から基準点を減算して得られる値である。トナー濃度の差分データを補正するための各相関因子の補正係数が予め実験などで決定されている。

補正係数としては、初期濃度Ｄ１用の補正係数と、予測濃度Ｄ２１用の補正係数とが存在する。予測濃度Ｄ２１用の補正係数は、選択部９３０の選択結果に応じて切り替えられる。本実施形態では、選択部９３０において選択された補正係数を適用した場合について説明する。ここでは、図７に示すように、予測濃度Ｄ２１が初期濃度Ｄ１よりも低いことが想定されている。そのため、図１８の補正係数は、予測濃度Ｄ２１用の補正係数である。補正係数とは、その係数に各相関因子の変動量を乗算してトナー濃度の変動量ΔＤを計算するためのものである。本実施形態においては、ヒータ４３の目標温度Ｔについての補正係数ｍｃ６は０．０１１、機内温度についての補正係数ｍｃ３は－０．０１７０、機外湿度についての補正係数ｍｃ４は０．００２１とする。予測差分とは、各因子の予測濃度の変動量ΔＤへの寄与成分である。演算部９４１は、差分データに補正係数を乗算することで予測差分を演算する。さらに、演算部９４１は、各因子の予測差分を加算することで変動量ΔＤを演算する。図１８において、変動量ΔＤは０．０７である。

演算部９４１は、変動量ΔＤを０にするための制御量の関係式を求める（ステップＳ１８０１）。これは、変動量ΔＤが０となるときに、予測濃度が目標濃度に一致するからである。ここで、図１８に示された３個の因子（ヒータ４３の目標温度Ｔ、機内温度Ｔ、機外湿度Ｈ）のうちで、実際に制御可能な因子はヒータ４３の目標温度Ｔである。その他の因子（本実施形態においては機内温度Ｔと機外湿度Ｈ）は、画像形成装置１の起動時に既に決定されており、制御不可能であるか、または制御するためには時間がかかる。機内温度Ｔと機外湿度Ｈの差分データに補正係数を乗算した予測差分＋０．０４６と－０．００５の合計値＋０．０４１（α）が、その他の因子による基準点からの変動量ΔＤへの影響量である。よって、その他の因子による変動量ΔＤ＋０．０４１を０となるように、ヒータ４３の目標温度Ｔの値を変更することになる。つまり、以下の数式（４）が求められるべき関係式である。
α＋ｍｃ６×ΔＴ＝０ ・・・数式（４）

演算部９４１は、環境条件に基づきヒータ４３の目標温度Ｔを決定する（ステップＳ１８０２）。ここでは、制御量テーブル９４３に格納されている環境条件をヒータ４３の目標温度Ｔに変換するテーブルを用いる。環境条件は、環境センサ２６１により取得される環境値であり、例えば、環境温度である。演算部９４１は、ヒータ４３の目標温度ΔＴを決定する（ステップＳ１８０３）。例えば、演算部９４１は、環境温度に基づいて決定されたヒータ４３の目標温度Ｔ（例：１７４）から基準点のヒータ４３の目標温度Ｔ（例：１７０）を減算することで、目標温度ΔＴ（＝－４）を演算してもよい。本実施形態におけるトナー濃度補正後の各相関因子の値を示したのが、図１８の「補正後」である。

以上の実施形態では、画像形成条件としてヒータ４３の目標温度Ｔを用いられているが、定着ニップ圧Ｐが採用されてもよい。このように、演算部９４１は、入力値の差分と、初期濃度Ｄ１と予測濃度Ｄ２１のうち低いほうの画像濃度に関連付けられている補正係数との積の総和（変動量ΔＤ）が０となるように、制御量を決定する。

以上、説明したように、本実施形態では、プリンタ制御部７００は、第１モードと第２モードとを選択して実行可能である。第１モードとは、画像形成条件及び使用状態に基づいて中間転写ベルト２０５に形成されるトナー像の濃度である第１予測濃度を第１予測手段（学習モデル）により予測するモードである。また、第１モードは、第１予測濃度を第１基準濃度に補正するように、テーブル作成部７２３と帯電器２０２とレーザスキャナ２００と現像器２０３と一次転写器２０４とのうちの少なくとも１つを制御するモードである。第２モードとは、画像形成条件と使用状態とシートＳの種類とに基づいてシートＳに定着されるトナー像の濃度である第２予測濃度を第２予測手段により予測するモードである。第２モードは、第２予測濃度を第２基準濃度に補正するように、二次転写ローラ２２２の二次転写バイアスを制御するモードである。

上述したように、本実施形態の画像形成装置１００によれば、第１モードと第２モードとを選択的に実行可能なので、濃度のズレに対する補正箇所を最適化して、効率よくシートＳのトナー濃度の適正化を図ることができる。また、本実施形態では、二次転写部よりも上流側における基準濃度に対する差分Δαと下流側における基準濃度に対する差分Δβとを比較し、大きい方の領域で補正するようにしている。このため、例えば、上流側の差分Δαが大きかった場合に定着部などの下流側の要素を補正することなく、上流側の要素を補正することで、効率よくシートＳのトナー濃度の適正化を図ることができる。また、下流側の差分Δβが大きかった場合に階調ターゲットや露光手段などの上流側の要素を補正することなく、定着器４０の定着温度を補正することで、効率よくシートＳのトナー濃度の適正化を図ることができる。更に、二次転写部を利用していないので、制御を簡易化することができる。プリンタ制御部７００は、第１予測濃度と第２予測濃度とに基づき、定着器４０の定着温度を変更するか否かを制御する。即ち、プリンタ制御部７００は、第１予測濃度を用いて算出した差分Δαと第２予測濃度を用いて算出した差分Δβとを比較することに基づき、上記の変更をするか否かを制御する。

このように、本発明により、シートＳ上のトナー画像の濃度だけでなく中間転写ベルト２０５上のトナー濃度も推定することで、中間転写ベルト２０５上のトナー濃度を目標濃度に近い濃度で安定させたうえでシートＳ上のトナー画像の濃度も推定できる。それにより、シートＳ上のトナー載り量が想定外に乗せすぎるなどの不具合を防止しながら、ダウンタイムなしで安定した画像形成を維持できる。

また、本実施形態の画像形成装置１００によれば、中間転写ベルト２０５に形成されるトナー像の濃度を検知可能な画像濃度センサ４０８を有しており、プリンタ制御部７００は、画像濃度センサ４０８の検知結果に基づいて第１予測手段を補正できる。あるいは、中間転写ベルト２０５における４色の色ズレを検知することができる。また、シートＳに定着されるトナー像の濃度を検知可能なインラインセンサ２１５を有しており、プリンタ制御部７００は、インラインセンサ２１５の検知結果に基づいて、第２予測手段を補正できる。あるいは、シートＳにおける４色の色ズレを検知することができる。このため、予測のみで濃度を制御する場合に比べて、更に画像形成の検出精度を向上することができる。

＜第２の実施形態＞
次に、本発明の第２の実施形態を、図２０～図２４を参照しながら詳細に説明する。本実施形態では、複数の学習済モデルを備える構成においてユーザの指示によって学習済モデルを選択できる点で、第１の実施形態と構成を異にしている。但し、それ以外の構成については、第１の実施形態と同様であるので、符号を同じくして詳細な説明を省略する。本実施形態における画像形成装置１のハード構成は、第１の実施形態における画像形成装置１と同様である。

ユーザの使用環境や各種印刷設定、色設計の好み等によっては、学習済みモデルが最適化されていない可能性が考えられる。したがって、用いられる学習済モデルは各条件において個別に選択できることが望ましく、学習済モデルによる濃度制御の適用優先順位を設定することによって、より好適な画像濃度制御が可能となる。また、画像形成装置１００の不具合を含めた想定外の状況下でユーザによって学習済モデルが正常に稼働していないと判断された場合には、学習済モデルを非有効化できることが望ましい。即ち、個々のユーザが使用する状況や成果物に応じて、学習済モデルの有効化と非有効化を選択可能とすることで、より高品質な成果物を提供することが可能となる。そこで、本実施形態では、操作部１４０に、学習済モデルの有効化と非有効化の選択画面を備える。

図２０は、本実施形態における制御ブロック図である。操作部１４０より入力された学習済モデルの選択値情報は、推定手段選択部９５０に送られる。ここで、選択値参照部９５１において入力処理部９００から入力された情報が、選択値情報に基づいて各情報演算部へ出力される。

次に、図２１及び図２２を用いて、本実施形態における操作部１４０について説明する。図２１は、本発明を適用できるシステムにおける画像形成装置１００の操作部１４０の一例を示す図である。操作部１４０である液晶操作パネルは、液晶（表示部２２０２）とタッチパネル、及びハードキーを組み合わせたものであり、操作画面を表示するとともに表示キーがユーザにより押されるとその情報を操作部Ｉ／Ｆ１２０６を介してＣＰＵ１２０１に送る。スタートキー２２０８は、原稿画像の読み取り印刷の動作を開始するときや、その他機能の開始指示に用いられる。スタートキー２２０８には、不図示の緑色と赤色の２色のＬＥＤが組み込まれ、緑色点灯時には開始可能を示し、赤色点灯時には開始不可であることを示す。ストップキー２２０７は、稼動中の動作を止める働きをする。ハードキー群２２０５には、テンキー、クリアキー、認証キーが設けられる。節電キー２２０４は、画像形成装置１００を操作部１４０からスリープモードに移行、または復帰させる際に用いられる。画像形成装置１００は、通常モードで節電キー２２０４がユーザによって押下されるとスリープモードへ移行し、スリープモードで節電キー２２０４がユーザによって押下されると通常モードへ移行する。設定キー２２０３は、ＡＩ機能設定等の設定を行う際に用いられる。また、操作部１４０は、ユーザが液晶操作パネル２２０１を用いて入力したユーザ名や印刷枚数、出力属性情報といったジョブ情報作成に必要な情報を操作部Ｉ／Ｆ１２０６に送信する。

次に、図２２を用いて、ユーザ指示により学習済モデルを選択する処理を説明する。図２２は、操作部１４０が備える表示部２２０２である液晶タッチパネル上に表示した学習済モデルにかかわる設定画面である。設定画面には、制御部内のＲＯＭ１２０３より読み込まれた学習済モデルの選択画面が表示される。選択画面は、操作部１４０の表示部２２０２を介してユーザに提供する不図示のメニュー画面において、ユーザが学習済モデルの選択を開始するボタンを押下することで表示されるものである。

選択画面では、各学習済モデルのそれぞれについて有効化と非有効化を選択可能とするボタンが表示され、学習済モデルの各モデルに対応した選択ボタン２３０１がモデルの数と同数個表示される。有効化状態では該学習済モデルの優先順位が表示され、非有効化が選択された場合は「ＯＦＦ」と表示される。有効化されている学習済モデルについてはさらに複数の学習済モデル間における実行優先順位を選択可能とし、同位の優先順位選択は不可とする。ユーザが各学習済モデルについての設定を選択し確定ボタン２３０２を押すことで、ＣＰＵ１２０１は複数の学習済モデルの有効と非有効を変更しＲＡＭ１２０２に記憶する。このとき記憶した学習済モデルの設定に基づいて、画像形成装置１００は選択された制御を実行する。

図２３は、本実施形態における学習済モデルの有効可否を選択する組み合わせを表わしたものである。組み合わせは表にあるように５種類の可能性があり、参考として示すように複数の情報システムに対して同じ優先順位の選択は設定できない。ここで、学習済モデル表示は全てのユーザに表示され閲覧可能としてよく、選択可能としてもよい。即ち、操作部１４０により、第１モードと第２モードとのうちで優先度の高い順に第１優先モードと第２優先モードとを入力して設定したり、第１モードと第２モードとのそれぞれについて実行可否を入力して設定できる。

こうすることで、全てのユーザが状況に応じた最適な学習済モデルを選択することが可能となり、より高品質な成果物を得ることができる。また、本選択画面で設定された学習済モデルは該当ユーザが操作する場合にのみ限定されるものか、またはその他の全ユーザに適用するかも選択可能である。一方、学習済モデルを管理者のみに表示及び選択可能としてもよい。この場合は例えば、学習済モデルの選択を限られた管理者とすることで誤った設定が選択されることを防止できる。

次に、図２４を用いて、本実施形態における処理フローを説明する。図２４は、本実施形態における学習済モデルの選択に関するフローチャートである。画像形成装置１００が動作を開始すると、学習済モデルが有効になっているか否かが判定される（ステップＳ２５００）。学習済モデルが有効でないと判定された場合（ステップＳ２５００のＮＯ）、従来制御の実行タイミングを判断する（ステップＳ２５０７）。そして、前述したパターン画像の測定結果に基づき、階調補正テーブルを作成するパターン作成モードによる濃度調整のみが実行される（Ｓ２５０８）。

学習済モデルが有効であると判定された場合（ステップＳ２５００のＹＥＳ）、前述した学習済モデルによる濃度制御が実行される。まず、画像形成装置１００の稼働中に情報推定タイミングに到達すると（ステップＳ２５０１）、学習済モデルが開始される。ＣＰＵは上記選択画面において設定された学習済モデルの優先順位を参照し、学習済モデルの実行可否を判断する（ステップＳ２５０２）。複数の学習済モデルが実装されている場合は、これらのうち優先順位が上位に設定されたシステムから学習済モデルが利用可能かを判断する（ステップＳ２５０２～Ｓ２５０３）。この時、ＣＰＵは、上述したようにユーザによる各設定値やセンサから得られた情報をもとに情報推定の可否を判断する。

推定不可と判断された場合（ステップＳ２５０２のＮＯ）、優先順位が下位に設定された学習済モデルが利用可能かを順次判定する（ステップＳ２５０３）。推定不可の場合とは、例えば、パラメータが上限又は下限に達するなどして適切な推定を実行できなくなる場合などである。即ち、プリンタ制御部７００は、第１優先モードの実行可否を判断し、実行可能である場合は第１優先モードを実行し、実行不可である場合は第２優先モードを実行する。また、プリンタ制御部７００は、実行可能と設定されたモードを実行し、実行不可と設定されたモードは実行しない。

ユーザによって選択され、さらに順位付けされた学習済モデルがすべて利用不可能であると判断された場合（ステップＳ２５０３のＮＯ）、従来制御の実行タイミングを判断する（ステップＳ２５０７）。そして、前述したパターン画像の測定結果に基づき、階調補正テーブルを作成するパターン作成モードによる濃度調整のみが実行される（Ｓ２５０８）。Ｓ２５０２またはＳ２５０３において実行可能と判断された学習済モデルがある場合は、当該学習済みモデルが決定して（ステップＳ２５０４）、実行される（ステップＳ２５０５）。前述した推定結果に基づいた濃度制御が実行され（ステップＳ２５０６）、制御動作の終了後は作像動作の継続実行または装置の動作が終了する。

上述したように、本実施形態の画像形成装置１００によれば、個々のユーザが使用する状況等に応じて学習済モデルの有効と非有効を切り替えることでより高品質な成果物を提供することが可能となる。

尚、本実施形態における学習済モデル数は２つであるが、これに限るものではなく３つ以上あってもよい。さらに、本発明は上述の機能を実現する手段を画像形成装置１００に備えられた操作部１４０の他に、外部通信網を介した外部端末上でも使用可能とする。こうすることで実際に画像形成装置１００が設置されている場所にいなくても、遠隔操作によって学習済モデルの有効可否を変更することが可能となる。

＜第３の実施形態＞
次に、本発明の第３の実施形態を、図２５を参照しながら詳細に説明する。本実施形態では、学習モデルを選択する際にパラレル処理を行う点で、第１の実施形態と構成を異にしている。但し、それ以外の構成については、第１の実施形態と同様であるので、符号を同じくして詳細な説明を省略する。本実施形態における画像形成装置１のハード構成は、第１の実施形態における画像形成装置１と同様である。

複数の学習モデルを備える構成では、例えば、同時に複数の学習モデルから出力された予測濃度が算出された場合、結果に応じて補正する手段を選択する上でどの学習モデルの結果を適用すればいいか判断できなくなる。そこで、学習済モデルによる濃度制御の適用優先順位を設定することによって、より好適な画像濃度制御が可能となる処理判断を備えるようにできる。この場合、選択部９３０は、未定着トナー情報演算部９１０、紙上定着後トナー情報演算部９２０より演算された予測濃度Ｄ２１とそれぞれの基準濃度のうちどちらの演算部の結果を採択し、結果を決定部９４０に出力するかを判断する。そして、どの構成に対して補正処理を実施するか判断する。

選択部９３０では、演算部９３１にて図２５に示すフローチャートを適用し、決定部９４０に結果を送信する。選択部９３０は、未定着トナー情報演算部９１０から基準濃度α０、予測された予測濃度α１を取得し（ステップＳ２６０１）、演算部９３１にて基準濃度α０、予測濃度α１から、差分Δαを取得する（ステップＳ２６０２）。一方、選択部９３０は、紙上定着後トナー情報演算部９２０から基準濃度β０、予測された予測濃度β１を取得し（ステップＳ２６０３）、演算部９３１にて基準濃度β０、予測濃度β１から、差分Δβを取得する（ステップＳ２６０４）。

選択部９３０は、演算部９３１にて算出されたΔα、Δβについて、ΔαがΔβより小さいか否かを判断する（ステップＳ２６０５）。選択部９３０は、ΔαがΔβより小さいと判断された場合（ステップＳ２６０５のＹＥＳ）、紙上定着後トナー情報演算部９２０による第２モード（紙上定着後トナー情報推定システム）を採用する（ステップＳ２６０６）。選択部９３０は、ΔαがΔβより小さくないと判断された場合（ステップＳ２６０５のＮＯ）、未定着トナー情報演算部９１０による第１モード（未定着トナー情報推定システム）を採用する（ステップＳ２６０７）。選択部９３０は、それぞれ使用する推定システムに応じて補正対象を選択し（ステップＳ２６０８）、決定部９４０にて補正処理の実行命令を下す。

決定部９４０にて補正処理を実行する（ステップＳ２６０９）。本実施形態では、上記フローに則り、未定着トナー情報演算部９１０を採用した場合、学習モデルの濃度予測に基づき階調ターゲットを変更するものとする。また、紙上定着後トナー情報演算部９２０を採用した場合、学習モデルの濃度予測に基づき定着温度を変更するものとする。尚、補正対象はこれに限らず、未定着トナー情報演算部９１０を採用した場合には、帯電手段、露光手段、現像手段を変更するようにしてもよい。

即ち、プリンタ制御部７００は、第１予測濃度α０と第１基準濃度α１との差分である第１差分Δαと、第２予測濃度β０と第２基準濃度β１との差分である第２差分Δβと、を算出する。プリンタ制御部７００は、第１差分Δαが第２差分Δβ以上である場合に、第１モードを実行し、第１差分Δαが第２差分Δβ未満である場合に、第２モードを実行する。

上述したように、本実施形態の画像形成装置１００によれば、最適な推定システムの選択による濃度予測の実施とダウンタイムなしで安定した画像形成を維持できる。

４０…定着器（定着部）、１００…画像形成装置、１４０…操作部（情報入力部）、２００…レーザスキャナ（露光部）、２０１…感光ドラム（感光体）、２０２…帯電器（帯電部）、２０３…現像器（現像部）、２０４…一次転写器（一次転写部）、２０５…中間転写ベルト（中間転写体）、２１５…インラインセンサ（第２検知手段）、２２２…二次転写ローラ（二次転写部）、４０８…画像濃度センサ（第１検知手段）、７００…プリンタ制御部（制御部）、７１５…環境センサ（環境検知手段）、Ｓ…シート（記録材）

Claims (11)

1. 像担持体と、
   前記像担持体の表面を帯電する帯電部と、
   前記帯電部により帯電された前記像担持体の表面に露光して静電潜像を形成する露光部と、
   前記静電潜像を現像剤により現像してトナー像を形成する現像部と、
   中間転写体と、
   前記像担持体に形成されたトナー像を前記中間転写体に一次転写する一次転写部と、
   前記中間転写体に形成されたトナー像を記録材に二次転写する二次転写部と、
   前記記録材に形成されたトナー像を加熱して定着する定着部と、
   前記定着部の定着温度を制御する制御部とを備え、
   前記制御部は、
   前記中間転写体に形成されるトナー像の濃度である第１予測濃度を予測する第１予測手段と、
   記録材に定着されるトナー像の濃度である第２予測濃度を予測する第２予測手段と、を有し、
   前記第１予測手段により予測された前記第１予測濃度と前記第２予測手段により予測された前記第２予測濃度とに基づき、前記定着部の定着温度を変更するか否かを制御する、
   ことを特徴とする画像形成装置。
2. 前記制御部は、前記第１予測濃度と第１基準濃度との差分である第１差分が前記第２予測濃度と第２基準濃度との差分である第２差分未満である場合に、前記定着部の定着温度を変更する、
   ことを特徴とする請求項１に記載の画像形成装置。
3. 前記制御部は、前記第１予測濃度と第１基準濃度との差分である第１差分が前記第２予測濃度と第２基準濃度との差分である第２差分以上である場合に、前記帯電部の帯電バイアスを補正する、
   ことを特徴とする請求項１又は２に記載の画像形成装置。
4. 前記制御部は、前記第１予測濃度と第１基準濃度との差分である第１差分が前記第２予測濃度と第２基準濃度との差分である第２差分以上である場合に、前記露光部の露光量を補正する、
   ことを特徴とする請求項１又は２に記載の画像形成装置。
5. 前記制御部は、前記第１予測濃度と第１基準濃度との差分である第１差分が前記第２予測濃度と第２基準濃度との差分である第２差分以上である場合に、前記現像部の現像バイアスを補正する、
   ことを特徴とする請求項１又は２に記載の画像形成装置。
6. 前記制御部は、前記第１予測濃度と第１基準濃度との差分である第１差分が前記第２予測濃度と第２基準濃度との差分である第２差分以上である場合に、前記一次転写部の転写バイアスを補正する、
   ことを特徴とする請求項１又は２に記載の画像形成装置。
7. 環境情報を検知する環境検知手段を備え、
   前記第１予測手段は、前記環境検知手段の検知結果に基づいて、前記第１予測濃度を予測し、
   前記第２予測手段は、前記環境検知手段の検知結果と記録材の種類とに基づいて、前記第２予測濃度を予測する、
   ことを特徴とする請求項１乃至６のいずれか１項に記載の画像形成装置。
8. 前記第１予測手段は、画像形成装置が画像を形成するための画像形成条件及び前記画像形成装置の使用状態が入力されることで、機械学習により前記第１予測濃度を出力し、
   前記第２予測手段は、前記画像形成条件と前記使用状態と前記記録材の種類とが入力されることで、機械学習により前記第２予測濃度を出力する、
   ことを特徴とする請求項１乃至７のいずれか１項に記載の画像形成装置。
9. 前記第１予測手段は、画像形成装置が画像を形成するための画像形成条件及び前記画像形成装置の使用状態が入力されることで前記第１予測濃度を出力する第１予測テーブルを有し、
   前記第２予測手段は、前記画像形成条件と前記使用状態と前記記録材の種類が入力されることで前記第２予測濃度を出力する第２予測テーブルを有する、
   ことを特徴とする請求項１乃至７のいずれか１項に記載の画像形成装置。
10. 前記中間転写体に形成されるトナー像の濃度を検知可能な第１検知手段を備え、
    前記制御部は、前記第１検知手段の検知結果に基づいて、前記第１予測手段により予測される前記第１予測濃度を補正する、
    ことを特徴とする請求項８又は９に記載の画像形成装置。
11. 記録材に定着されるトナー像の濃度を検知可能な第２検知手段を備え、
    前記制御部は、前記第２検知手段の検知結果に基づいて、前記第２予測手段により予測される前記第２予測濃度を補正する、
    ことを特徴とする請求項８乃至１０のいずれか１項に記載の画像形成装置。

Images