JP6881372B2 - Image forming device and print control system - Google Patents

Image forming device and print control system Download PDF

Info

Publication number
JP6881372B2
JP6881372B2 JP2018065140A JP2018065140A JP6881372B2 JP 6881372 B2 JP6881372 B2 JP 6881372B2 JP 2018065140 A JP2018065140 A JP 2018065140A JP 2018065140 A JP2018065140 A JP 2018065140A JP 6881372 B2 JP6881372 B2 JP 6881372B2
Authority
JP
Japan
Prior art keywords
list
job
control unit
storage
generated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018065140A
Other languages
Japanese (ja)
Other versions
JP2019171774A (en
Inventor
眞一郎 山田
眞一郎 山田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kyocera Document Solutions Inc
Original Assignee
Kyocera Document Solutions Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kyocera Document Solutions Inc filed Critical Kyocera Document Solutions Inc
Priority to JP2018065140A priority Critical patent/JP6881372B2/en
Publication of JP2019171774A publication Critical patent/JP2019171774A/en
Application granted granted Critical
Publication of JP6881372B2 publication Critical patent/JP6881372B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Or Security For Electrophotography (AREA)
  • Facsimiles In General (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Description

本発明は、未実行の印刷ジョブの実行順を調整する画像形成装置と印刷制御システムに関する。 The present invention relates to an image forming apparatus and a print control system that adjust the execution order of unexecuted print jobs.

通信ネットワークに複数の画像処理装置が接続されることがある。例えば、画像処理装置はプリンターである。例えば、通信ネットワークは社内ＬＡＮである。特定の画像処理装置に印刷ジョブが集中することがある。この場合、その画像処理装置では、印刷完了までの待ち時間が長くなる。そこで、印刷ジョブを分散する技術の一例が特許文献１に記載されている。 Multiple image processing devices may be connected to the communication network. For example, the image processing device is a printer. For example, the communication network is an in-house LAN. Print jobs may be concentrated on a particular image processing device. In this case, the image processing apparatus has a long waiting time until printing is completed. Therefore, Patent Document 1 describes an example of a technique for distributing print jobs.

具体的に、特許文献１には、他の画像処理装置とデータ通信可能に接続され、ネットワーク上の個々の画像処理装置を識別する識別情報、個々の画像処理装置の性能情報、個々の画像処理装置の稼働状況を管理し、自装置で処理できない作業の有無を判定し、自装置で処理できない作業が有る場合に、各情報に基づき作業の代行先装置を検索し、検索した代行先装置に対し処理を代行させる画像処理装置が記載されている。この構成により、自装置にて処理できない作業を他の装置に割り振り、自装置での処理停滞を回避し、作業効率を良くしようとする（特許文献１：請求項１、段落［０２００］等参照）。 Specifically, Patent Document 1 describes identification information that is connected to other image processing devices so as to be capable of data communication and identifies individual image processing devices on the network, performance information of each image processing device, and individual image processing. It manages the operating status of the device, determines whether or not there is work that cannot be processed by the own device, and when there is work that cannot be processed by the own device, searches for a substitute device for the work based on each information, and uses the searched agency device as the search destination device. An image processing device that performs processing on behalf of the user is described. With this configuration, work that cannot be processed by the own device is allocated to another device, processing stagnation in the own device is avoided, and work efficiency is improved (see Patent Document 1: Claim 1, paragraph [0200], etc.). ).

特開２００２−１３５５０８号公報JP-A-2002-135508

印刷の実行中に、新たな印刷ジョブが画像形成装置に入力されることがある。新たな印刷ジョブの実行を直ちに開始することはできない。新たな印刷ジョブを実行するためのデータは画像形成装置で保留される。複数の印刷ジョブが保留されることもある。従来、画像形成装置は、溜まっている印刷ジョブを１つずつ、入力順（先着順）で実行する。 A new print job may be input to the image forming apparatus during printing. You cannot start running a new print job immediately. The data for executing a new print job is held by the image forming apparatus. Multiple print jobs may be put on hold. Conventionally, the image forming apparatus executes the accumulated print jobs one by one in the input order (first-come-first-served basis).

連続的に印刷する場合、途中で印刷設定が変わることがある。印刷設定が変わる場合、画像形成装置は印刷を開始するための事前準備を行う。速やかに事前準備できる場合もあれば、事前準備にある程度、時間を要する場合もある。複数の印刷ジョブを連続して実行する場合、各印刷ジョブ間の事前準備が長くなることがある。印刷設定により、事前準備に要する時間は変わる。印刷ジョブの組み合わせによっては、最初の印刷ジョブの開始から最後の印刷ジョブが完了するまでの時間が長くなることがある。 When printing continuously, the print settings may change during the process. When the print setting changes, the image forming apparatus prepares in advance for starting printing. In some cases, preparations can be made promptly, and in other cases, preparations may take some time. When executing multiple print jobs in succession, the preparation between each print job may become long. The time required for advance preparation varies depending on the print settings. Depending on the combination of print jobs, the time from the start of the first print job to the completion of the last print job may be long.

複数の印刷ジョブの開始から完了までの時間が長いとき、使用者が不満を感じることがある。不満を感じた使用者は、サービスマンを呼び出すことがある。サービスマンは、画像形成装置のメンテナンス担当会社から派遣される。サービスマンは、画像形成装置に関する専門的知識が豊富である。呼び出されたサービスマンは、印刷時間が短くなるような画像形成装置の使い方をアドバイスすることもある。 Users may be dissatisfied when multiple print jobs take a long time to start and complete. The dissatisfied user may call a serviceman. The serviceman is dispatched from the maintenance company of the image forming apparatus. Servicemen have a wealth of expertise in image forming equipment. The called serviceman may also advise how to use the image forming apparatus so that the printing time is shortened.

しかし、画像形成装置の環境、よく用いる印刷設定は、顧客によって様々である。従って、サービスマンが個別具体的に適切なアドバイスをすることは難しい。また、画像形成装置が共用されているとき、印刷ジョブの画像形成装置への入力順をコントロールすることも難しい。画像形成装置の性能、使用状況、環境にあうように、印刷ジョブの実行順を調整することは難しいという問題がある。 However, the environment of the image forming apparatus and the print settings often used vary depending on the customer. Therefore, it is difficult for service personnel to give specific and appropriate advice individually. Further, when the image forming apparatus is shared, it is difficult to control the input order of the print jobs to the image forming apparatus. There is a problem that it is difficult to adjust the execution order of print jobs according to the performance, usage status, and environment of the image forming apparatus.

ここで、特許文献１記載の技術では、印刷ジョブの実行順を調整しない。印刷ジョブの印刷設定によっては、連続して印刷ジョブを行う場合、最初の印刷ジョブの開始から最後の印刷ジョブの完了までに要する時間が長くなることがある。従って、特許文献１記載の技術では、上記の問題点を解決することができない。 Here, in the technique described in Patent Document 1, the execution order of print jobs is not adjusted. Depending on the print settings of the print job, when printing jobs are performed continuously, the time required from the start of the first print job to the completion of the last print job may be long. Therefore, the technique described in Patent Document 1 cannot solve the above-mentioned problems.

本発明は上記従来技術の問題点に鑑み、状況、環境に対応しつつ、連続する印刷ジョブの開始から完了までの所要時間が短くなるように、自動的、自立的に印刷ジョブの実行順を調整する。 In view of the above-mentioned problems of the prior art, the present invention automatically and autonomously arranges the execution order of print jobs so that the time required from the start to the completion of continuous print jobs is shortened while responding to the situation and environment. adjust.

本発明に係る画像形成装置は、入力部、印刷部、記憶部、制御部を含む。前記入力部は、印刷ジョブの実行に用いるジョブデータを取得する。前記印刷部は、前記ジョブデータに基づき印刷する。前記記憶部は、前記入力部が取得した前記ジョブデータを記憶する。前記制御部は、前記印刷ジョブの実行順を調整する。前記記憶部は、未実行の前記印刷ジョブである蓄積ジョブの前記ジョブデータを保持する。前記記憶部は、自機用の第１ニューラルネットワークを構築するための第１ニューラルネットワークデータを記憶する。前記制御部は、所定個数の前記蓄積ジョブが前記記憶部に蓄積されたとき、それぞれの前記蓄積ジョブの前記ジョブデータに基づき、複数の所定項目の値である第１項目値を定める。前記制御部は、前記蓄積ジョブ単位、かつ、予め定められた項目順で前記第１項目値を並べた第１リストを生成する。前記制御部は、前記第１リストに含まれる前記第１項目値に基づき第１入力データを生成する。前記制御部は、生成した前記第１入力データを前記第１ニューラルネットワークに入力する。前記制御部は、前記第１ニューラルネットワークを用いて第１確率を求める。前記第１確率が予め定められた閾値以下のとき、前記制御部は、前記第１リストでの前記蓄積ジョブの並び順に沿って、前記印刷部に前記蓄積ジョブを行わせる。前記第１確率は、前記第１リストでの前記蓄積ジョブの並び順で前記蓄積ジョブを実行した場合、前記第１リストに含まれる全ての前記蓄積ジョブの実行に要する第１全体時間が、前記第１全体時間の標準値と予め定められた許容値とを加算した値よりも長くなる確率である。 The image forming apparatus according to the present invention includes an input unit, a printing unit, a storage unit, and a control unit. The input unit acquires job data used for executing a print job. The printing unit prints based on the job data. The storage unit stores the job data acquired by the input unit. The control unit adjusts the execution order of the print job. The storage unit holds the job data of the storage job which is the unexecuted print job. The storage unit stores the first neural network data for constructing the first neural network for the own machine. When a predetermined number of the storage jobs are stored in the storage unit, the control unit determines a first item value which is a value of a plurality of predetermined items based on the job data of each storage job. The control unit generates a first list in which the first item values are arranged in the storage job unit and in a predetermined item order. The control unit generates the first input data based on the first item value included in the first list. The control unit inputs the generated first input data to the first neural network. The control unit obtains the first probability using the first neural network. When the first probability is equal to or less than a predetermined threshold value, the control unit causes the printing unit to perform the storage job according to the order of the storage jobs in the first list. The first probability is that when the storage jobs are executed in the order of the storage jobs in the first list, the first total time required to execute all the storage jobs included in the first list is the said. It is the probability that it will be longer than the value obtained by adding the standard value of the first total time and the predetermined allowable value.

本発明によれば、状況、環境に対応しつつ、自動的、自立的に印刷ジョブの実行順を画像形成装置に調整させることができる。そして、連続する印刷ジョブの開始から完了の所要時間を短くすることができる。 According to the present invention, the image forming apparatus can automatically and independently adjust the execution order of print jobs while responding to the situation and environment. Then, the time required from the start to the completion of the continuous print job can be shortened.

実施形態に係る印刷制御システムの一例の概要を示す図である。It is a figure which shows the outline of an example of the print control system which concerns on embodiment. 実施形態に係る指揮装置の一例を示す図である。It is a figure which shows an example of the command device which concerns on embodiment. 実施形態に係る従属装置の一例を示す図である。It is a figure which shows an example of the dependent device which concerns on embodiment. 実施形態に係る指揮装置でのジョブ実行順の調整の流れの一例を示す図である。It is a figure which shows an example of the flow of the adjustment of the job execution order in the command device which concerns on embodiment. 実施形態に係る第１記憶部の記憶内容の一例を示す図である。It is a figure which shows an example of the storage contents of the 1st storage part which concerns on embodiment. 実施形態に係る第１リストの一例を示す図である。It is a figure which shows an example of the 1st list which concerns on embodiment. 実施形態に係る第１入力データの一例を示す図である。It is a figure which shows an example of the 1st input data which concerns on embodiment. 実施形態に係る畳み込みニューラルネットワークの一例を示す図である。It is a figure which shows an example of the convolutional neural network which concerns on embodiment. 実施形態に係る第１トレーニングデータセットの生成の一例を示す図である。It is a figure which shows an example of the generation of the 1st training data set which concerns on embodiment. 実施形態に係る第１ニューラルネットワークの学習の一例を示す図である。It is a figure which shows an example of learning of the 1st neural network which concerns on embodiment. 実施形態に係る従属装置のジョブ実行順の調整の流れの一例を示す図である。It is a figure which shows an example of the flow of adjustment of the job execution order of the subordinate device which concerns on embodiment. 実施形態に係る第２リストの一例を示す図である。It is a figure which shows an example of the 2nd list which concerns on embodiment. 実施形態に係る第２入力データの一例を示す図である。It is a figure which shows an example of the 2nd input data which concerns on embodiment. 実施形態に係る第２トレーニングデータセットの生成の一例を示す図である。It is a figure which shows an example of the generation of the 2nd training data set which concerns on embodiment. 実施形態に係る第２ニューラルネットワークの学習の一例を示す図である。It is a figure which shows an example of learning of the 2nd neural network which concerns on embodiment.

以下、図１〜図１５を用いて本発明の実施形態を説明する。以下の説明では、実施形態に係る印刷制御システム１００を例に挙げて説明する。但し、本実施の形態に記載されている構成、配置等の各要素は、発明の範囲を限定するものではなく単なる説明例にすぎない。 Hereinafter, embodiments of the present invention will be described with reference to FIGS. 1 to 15. In the following description, the print control system 100 according to the embodiment will be described as an example. However, each element such as the configuration and the arrangement described in the present embodiment does not limit the scope of the invention and is merely an explanatory example.

（印刷制御システム１００の概要）
まず、図１を用いて、実施形態に係る印刷制御システム１００の一例を説明する。図１は、実施形態に係る印刷制御システム１００の一例の概要を示す図である。 (Overview of Print Control System 100)
First, an example of the print control system 100 according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram showing an outline of an example of a print control system 100 according to an embodiment.

印刷制御システム１００は、指揮装置１（第１の画像形成装置）と従属装置２（第２の画像形成装置）を含む。指揮装置１と従属装置２は何れも印刷を行える。従属装置２は複数でもよい。 The print control system 100 includes a command device 1 (first image forming device) and a subordinate device 2 (second image forming device). Both the command device 1 and the subordinate device 2 can print. There may be a plurality of dependent devices 2.

指揮装置１は、指揮装置１が行う印刷ジョブの実行順を調整する。指揮装置１は、第１ニューラルネットワーク７を用いて、印刷ジョブの実行順を調整する。また、指揮装置１は、従属装置２と通信する。指揮装置１は、第２ニューラルネットワーク８を用いて、従属装置２の印刷ジョブの実行順を調整する。指揮装置１は印刷ジョブの実行順を従属装置２に指示する。 The command device 1 adjusts the execution order of the print jobs performed by the command device 1. The command device 1 adjusts the execution order of the print jobs by using the first neural network 7. Further, the command device 1 communicates with the subordinate device 2. The command device 1 adjusts the execution order of the print jobs of the subordinate device 2 by using the second neural network 8. The command device 1 instructs the subordinate device 2 to execute the print job.

第１ニューラルネットワーク７は第１確率を求めるためのものである。第１確率は、全ての蓄積ジョブの実行に要する第１全体時間が、第１全体時間の標準値と予め定められた許容値とを加算した値よりも長くなる確率である。第１確率は、蓄積ジョブの印刷が遅くなる確率といえる。 The first neural network 7 is for obtaining the first probability. The first probability is the probability that the first total time required to execute all the accumulated jobs will be longer than the value obtained by adding the standard value of the first total time and the predetermined allowable value. The first probability can be said to be the probability that printing of the accumulated job will be delayed.

第２ニューラルネットワーク８は第２確率を求めるためのものである。第２確率は、従属装置２において、全ての蓄積ジョブの実行に要する第２全体時間が、第２全体時間の標準値と予め定められた許容値とを加算した値よりも長くなる確率である。第２確率は、蓄積ジョブの印刷が遅くなる確率といえる。 The second neural network 8 is for obtaining the second probability. The second probability is the probability that the second total time required to execute all the accumulated jobs in the subordinate device 2 becomes longer than the value obtained by adding the standard value of the second total time and the predetermined allowable value. .. The second probability can be said to be the probability that printing of the accumulated job will be delayed.

第１ニューラルネットワーク７と第２ニューラルネットワーク８は、畳み込みニューラルネットワークである。指揮装置１は、第１ニューラルネットワーク７を構築するための第１ニューラルネットワークデータ７ｄと、第２ニューラルネットワーク８を構築するための第２ニューラルネットワークデータ８ｄを、不揮発的に記憶する。 The first neural network 7 and the second neural network 8 are convolutional neural networks. The command device 1 non-volatilely stores the first neural network data 7d for constructing the first neural network 7 and the second neural network data 8d for constructing the second neural network 8.

（指揮装置１）
次に、図２に基づき、実施形態に係る指揮装置１（第１の画像形成装置）の一例を説明する。図２は、実施形態に係る指揮装置１の一例を示す図である。本説明では、指揮装置１が複合機である場合を説明する。なお、指揮装置１は、プリンターのような複合機以外の画像形成装置でもよい。 (Command device 1)
Next, an example of the command device 1 (first image forming device) according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram showing an example of the command device 1 according to the embodiment. In this description, the case where the command device 1 is a multifunction device will be described. The command device 1 may be an image forming device other than a multifunction device such as a printer.

指揮装置１は第１制御部１０（制御部に相当）、第１記憶部１１（記憶部に相当）、第１画像読取部１２（入力部に相当）、第１操作パネル１３、第１印刷部１４（印刷部に相当）、第１通信部１５（入力部に相当）を含む。第１制御部１０は指揮装置１の動作を制御する。第１制御部１０は第１制御回路１０ａ、第１画像処理回路１０ｂ、第１計時回路１０ｃ、演算処理装置３を含む。第１制御回路１０ａは、指揮装置１に関する制御、演算を行う集積回路である。第１制御回路１０ａは、例えば、ＣＰＵである。第１記憶部１１は制御用のプログラム、データを記憶する。第１記憶部１１は第１ＲＯＭ１１ａ、第１ＲＡＭ１１ｂ、第１ストレージ１１ｃ（ＨＤＤ）を含む。第１記憶部１１のプログラムやデータに基づき、第１制御回路１０ａは指揮装置１の制御、演算を行う。第１計時回路１０ｃは時間を測る回路である。第１計時回路１０ｃのかわりに第１制御回路１０ａが時間を測ってもよい。 The command device 1 includes a first control unit 10 (corresponding to a control unit), a first storage unit 11 (corresponding to a storage unit), a first image reading unit 12 (corresponding to an input unit), a first operation panel 13, and a first print. A unit 14 (corresponding to a printing unit) and a first communication unit 15 (corresponding to an input unit) are included. The first control unit 10 controls the operation of the command device 1. The first control unit 10 includes a first control circuit 10a, a first image processing circuit 10b, a first timekeeping circuit 10c, and an arithmetic processing unit 3. The first control circuit 10a is an integrated circuit that controls and performs calculations related to the command device 1. The first control circuit 10a is, for example, a CPU. The first storage unit 11 stores a control program and data. The first storage unit 11 includes a first ROM 11a, a first RAM 11b, and a first storage 11c (HDD). The first control circuit 10a controls and calculates the command device 1 based on the program and data of the first storage unit 11. The first timekeeping circuit 10c is a circuit for measuring time. The first control circuit 10a may measure the time instead of the first timekeeping circuit 10c.

演算処理装置３は第１確率を求めるための演算を行う。また、演算処理装置３は第２確率を求めるための演算を行う。つまり、演算処理装置３は、ニューラルネットワークを用いた推測値を求めるための演算を行う。演算処理装置３は、第１ニューラルネットワーク７の学習のための演算を行う。演算処理装置３は、第２ニューラルネットワーク８の学習のための演算も行う。ニューラルネットワーク（ディープラーニング）の学習、推測では、行列計算が行われる。演算処理装置３は、高速に行列計算を行うための回路（基板）である。例えば、演算処理装置３は、第１制御回路１０ａよりも単精度浮動小数点演算を高速に行える。演算処理装置３には、市販されるＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を流用することができる。 The arithmetic processing unit 3 performs an operation for obtaining the first probability. In addition, the arithmetic processing unit 3 performs an arithmetic for obtaining the second probability. That is, the arithmetic processing unit 3 performs an arithmetic for obtaining an estimated value using a neural network. The arithmetic processing unit 3 performs an arithmetic for learning the first neural network 7. The arithmetic processing unit 3 also performs arithmetic for learning the second neural network 8. In neural network (deep learning) learning and guessing, matrix calculation is performed. The arithmetic processing unit 3 is a circuit (board) for performing matrix calculation at high speed. For example, the arithmetic processing unit 3 can perform single-precision floating-point arithmetic at a higher speed than the first control circuit 10a. A commercially available GPU (Graphics Processing Unit) can be diverted to the arithmetic processing unit 3.

コピージョブ（印刷ジョブ）のとき、第１制御部１０は、搬送原稿、又は、載置読取用コンタクトガラスにセットされた原稿を第１画像読取部１２に読み取らせる（スキャンさせる）。第１画像読取部１２は読み取った原稿の画像データを生成する。第１画像読取部１２は、コピージョブの実行に用いる画像データ（ジョブデータ）を取得する。第１画像処理回路１０ｂは、原稿の画像データを処理する。第１画像処理回路１０ｂは、印刷に用いる画像データを生成する。 At the time of a copy job (print job), the first control unit 10 causes the first image reading unit 12 to read (scan) the conveyed document or the document set in the contact glass for loading and scanning. The first image reading unit 12 generates image data of the scanned document. The first image reading unit 12 acquires image data (job data) used for executing the copy job. The first image processing circuit 10b processes the image data of the original. The first image processing circuit 10b generates image data to be used for printing.

第１操作パネル１３は、第１表示パネル１３ａ、第１タッチパネル１３ｂを含む。第１制御部１０は、各種設定画面、操作用画像を第１表示パネル１３ａに表示させる。操作用画像は、例えば、ボタン、キー、タブである。第１表示パネル１３ａに第１タッチパネル１３ｂが取り付けられる。第１タッチパネル１３ｂはタッチ位置を検知する。第１タッチパネル１３ｂの出力に基づき、第１制御部１０は操作された操作用画像を認識する。第１操作パネル１３を操作することにより、コピージョブに関する各種設定を行うことができる。例えば、第１操作パネル１３は、印刷に用いる用紙のサイズ、向き、種類の設定を受け付ける。また、例えば、第１操作パネル１３は、印刷色（モノクロ、カラー）の設定を受け付ける。 The first operation panel 13 includes a first display panel 13a and a first touch panel 13b. The first control unit 10 displays various setting screens and operation images on the first display panel 13a. Operational images are, for example, buttons, keys, and tabs. The first touch panel 13b is attached to the first display panel 13a. The first touch panel 13b detects the touch position. Based on the output of the first touch panel 13b, the first control unit 10 recognizes the operated operation image. By operating the first operation panel 13, various settings related to the copy job can be made. For example, the first operation panel 13 accepts settings for the size, orientation, and type of paper used for printing. Further, for example, the first operation panel 13 accepts the setting of the print color (monochrome, color).

第１印刷部１４は、第１給紙部１４ａ、第１搬送部１４ｂ、第１画像形成部１４ｃ、第１定着部１４ｄを含む。指揮装置１は複数の第１給紙部１４ａを含む。第１制御部１０は、給紙、用紙搬送、トナー像の形成、転写、定着のような印刷関連処理を制御する。印刷ジョブのとき、第１制御部１０は、用紙を１枚ずつ何れかの第１給紙部１４ａに供給させる。第１制御部１０は、供給された用紙を第１搬送部１４ｂに搬送させる。第１制御部１０は、画像データに基づくトナー像を第１画像形成部１４ｃに形成させる。第１画像形成部１４ｃは、カラーのトナー像を形成できる。また、第１画像形成部１４ｃは、モノクロのトナー像も形成できる。第１制御部１０は、搬送される用紙へのトナー像の転写を第１画像形成部１４ｃに行わせる。第１制御部１０は用紙のトナー像を第１定着部１４ｄに定着させる。第１搬送部１４ｂは定着後の用紙を機外に排出する。印刷済の用紙は排出トレイ（不図示）に排出される。 The first printing unit 14 includes a first paper feeding unit 14a, a first conveying unit 14b, a first image forming unit 14c, and a first fixing unit 14d. The command device 1 includes a plurality of first paper feed units 14a. The first control unit 10 controls printing-related processes such as paper feeding, paper transport, toner image formation, transfer, and fixing. At the time of a print job, the first control unit 10 supplies the paper one by one to one of the first paper feed units 14a. The first control unit 10 conveys the supplied paper to the first transfer unit 14b. The first control unit 10 causes the first image forming unit 14c to form a toner image based on the image data. The first image forming unit 14c can form a color toner image. The first image forming unit 14c can also form a monochrome toner image. The first control unit 10 causes the first image forming unit 14c to transfer the toner image to the conveyed paper. The first control unit 10 fixes the toner image of the paper to the first fixing unit 14d. The first transport unit 14b discharges the fixed paper to the outside of the machine. The printed paper is ejected to an ejection tray (not shown).

第１通信部１５は通信用の各種ソケット、通信用回路、通信用ソフトウェアを備える。第１通信部１５は、ネットワークを介して、コンピューター２００と通信する。コンピューター２００は、例えば、ＰＣやサーバーである。第１通信部１５は、コンピューター２００から送信された印刷用データを受信する。第１通信部１５は、プリントジョブに用いるデータ（プリントジョブデータ）を取得する。プリントジョブデータはページ記述言語で記述されたデータを含む。第１画像処理回路１０ｂはページ記述言語で記述されたデータから画像データを生成する。第１画像処理回路１０ｂは、印刷に用いる画像データを生成する。第１制御部１０は、受信したプリントジョブデータに基づく印刷を第１印刷部１４に行わせる。 The first communication unit 15 includes various sockets for communication, a communication circuit, and communication software. The first communication unit 15 communicates with the computer 200 via the network. The computer 200 is, for example, a PC or a server. The first communication unit 15 receives the print data transmitted from the computer 200. The first communication unit 15 acquires data (print job data) used for the print job. The print job data includes data described in the page description language. The first image processing circuit 10b generates image data from the data described in the page description language. The first image processing circuit 10b generates image data to be used for printing. The first control unit 10 causes the first printing unit 14 to print based on the received print job data.

また、指揮装置１は第１温度センサー１６と第１湿度センサー１７を含む。第１温度センサー１６と第１湿度センサー１７は温湿度センサーとして一体化されたものでもよい。第１温度センサー１６は指揮装置１の機内の温度に応じた電圧を出力する。例えば、第１温度センサー１６は、第１画像形成部１４ｃに含まれる部材の近傍に設けられる。第１温度センサー１６の出力は、第１制御部１０に入力される。第１温度センサー１６の出力に基づき、第１制御部１０は、指揮装置１の機内温度を認識する。第１湿度センサー１７は指揮装置１の機内の湿度に応じた電圧を出力する。例えば、第１湿度センサー１７は、第１画像形成部１４ｃに含まれる部材の近傍に設けられる。第１湿度センサー１７の出力は、第１制御部１０に入力される。第１湿度センサー１７の出力に基づき、第１制御部１０は、指揮装置１の機内湿度を認識する。 Further, the command device 1 includes a first temperature sensor 16 and a first humidity sensor 17. The first temperature sensor 16 and the first humidity sensor 17 may be integrated as a temperature / humidity sensor. The first temperature sensor 16 outputs a voltage corresponding to the temperature inside the command device 1. For example, the first temperature sensor 16 is provided in the vicinity of the member included in the first image forming unit 14c. The output of the first temperature sensor 16 is input to the first control unit 10. Based on the output of the first temperature sensor 16, the first control unit 10 recognizes the in-flight temperature of the command device 1. The first humidity sensor 17 outputs a voltage corresponding to the humidity inside the command device 1. For example, the first humidity sensor 17 is provided in the vicinity of the member included in the first image forming unit 14c. The output of the first humidity sensor 17 is input to the first control unit 10. Based on the output of the first humidity sensor 17, the first control unit 10 recognizes the in-flight humidity of the command device 1.

（従属装置２）
次に、図３に基づき、実施形態に係る従属装置２（第２の画像形成装置）の一例を説明する。図３は、実施形態に係る従属装置２の一例を示す図である。本説明では、従属装置２が複合機である場合を説明する。なお、従属装置２は、プリンターのような複合機以外の画像形成装置でもよい。 (Subordinate device 2)
Next, an example of the dependent device 2 (second image forming device) according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram showing an example of the dependent device 2 according to the embodiment. In this description, the case where the subordinate device 2 is a multifunction device will be described. The subordinate device 2 may be an image forming device other than a multifunction device such as a printer.

従属装置２は、第２制御部２０、第２記憶部２１、第２画像読取部２２、第２操作パネル２３、第２印刷部２４、第２通信部２５を含む。第２制御部２０は従属装置２の動作を制御する。第２制御部２０は第２制御回路２０ａ、第２画像処理回路２０ｂ、第２計時回路２０ｃを含む。第２制御回路２０ａは、従属装置２に関する制御、演算を行う集積回路である。第２制御回路２０ａは、例えば、ＣＰＵである。第２記憶部２１は制御用のプログラム、データを記憶する。第２記憶部２１は第２ＲＯＭ２１ａ、第２ＲＡＭ２１ｂ、第２ストレージ２１ｃ（ＨＤＤ）を含む。第２記憶部２１のプログラムやデータに基づき、第２制御回路２０ａは従属装置２に関する制御、演算を行う。第２計時回路２０ｃは時間を測る回路である。第２計時回路２０ｃのかわりに第２制御回路２０ａが時間を測ってもよい。なお、ニューラルネットワークに関する演算は指揮装置１が行う。そのため、従属装置２には、演算処理装置３は搭載されない。 The subordinate device 2 includes a second control unit 20, a second storage unit 21, a second image reading unit 22, a second operation panel 23, a second printing unit 24, and a second communication unit 25. The second control unit 20 controls the operation of the subordinate device 2. The second control unit 20 includes a second control circuit 20a, a second image processing circuit 20b, and a second timekeeping circuit 20c. The second control circuit 20a is an integrated circuit that controls and calculates the dependent device 2. The second control circuit 20a is, for example, a CPU. The second storage unit 21 stores a control program and data. The second storage unit 21 includes a second ROM 21a, a second RAM 21b, and a second storage 21c (HDD). The second control circuit 20a performs control and calculation regarding the subordinate device 2 based on the program and data of the second storage unit 21. The second timekeeping circuit 20c is a circuit for measuring time. The second control circuit 20a may measure the time instead of the second timekeeping circuit 20c. The command device 1 performs operations related to the neural network. Therefore, the arithmetic processing unit 3 is not mounted on the subordinate device 2.

コピージョブのとき、第２制御部２０は、搬送原稿、又は、載置読取用コンタクトガラスにセットされた原稿を第２画像読取部２２に読み取らせる（スキャンさせる）。第２画像読取部２２は読み取った原稿の画像データを生成する。第２画像読取部２２は、印刷ジョブ（コピージョブ）の実行に用いる画像データ（ジョブデータ）を取得する。第２画像処理回路２０ｂは、原稿の画像データを処理する。第２画像処理回路２０ｂは、印刷に用いる画像データを生成する。 At the time of the copy job, the second control unit 20 causes the second image reading unit 22 to read (scan) the conveyed document or the document set in the contact glass for loading and scanning. The second image reading unit 22 generates image data of the scanned document. The second image reading unit 22 acquires image data (job data) used for executing a print job (copy job). The second image processing circuit 20b processes the image data of the original. The second image processing circuit 20b generates image data to be used for printing.

第２操作パネル２３は、第２表示パネル２３ａ、第２タッチパネル２３ｂを含む。第２制御部２０は、各種設定画面、操作用画像を第２表示パネル２３ａに表示させる。操作用画像は、例えば、ボタン、キー、タブである。第２表示パネル２３ａに第２タッチパネル２３ｂが取り付けられる。第２タッチパネル２３ｂはタッチ位置を検知する。第２タッチパネル２３ｂの出力に基づき、第２制御部２０は操作された操作用画像を認識する。第２操作パネル２３を操作することにより、コピージョブに関する各種設定を行うことができる。例えば、第２操作パネル２３は、印刷に用いる用紙のサイズ、向き、種類の設定を受け付ける。また、例えば、第２操作パネル２３は、印刷色（モノクロ、カラー）の設定を受け付ける。 The second operation panel 23 includes a second display panel 23a and a second touch panel 23b. The second control unit 20 displays various setting screens and operation images on the second display panel 23a. Operational images are, for example, buttons, keys, and tabs. The second touch panel 23b is attached to the second display panel 23a. The second touch panel 23b detects the touch position. Based on the output of the second touch panel 23b, the second control unit 20 recognizes the operated operation image. By operating the second operation panel 23, various settings related to the copy job can be made. For example, the second operation panel 23 accepts settings for the size, orientation, and type of paper used for printing. Further, for example, the second operation panel 23 accepts the setting of the print color (monochrome, color).

第２印刷部２４は、第２給紙部２４ａ、第２搬送部２４ｂ、第２画像形成部２４ｃ、第２定着部２４ｄを含む。従属装置２は複数の第２給紙部２４ａを含む。第２制御部２０は、給紙、用紙搬送、トナー像の形成、転写、定着のような印刷関連処理を制御する。印刷ジョブのとき、第２制御部２０は、用紙を１枚ずつ何れかの第２給紙部２４ａに供給させる。制御部１は、供給された用紙を第２搬送部２４ｂに搬送させる。制御部１は、画像データに基づくトナー像を第２画像形成部２４ｃに形成させる。第２画像形成部２４ｃは、カラーのトナー像を形成できる。また、第２画像形成部２４ｃは、モノクロのトナーも形成できる。第２制御部２０は、搬送される用紙へのトナー像の転写を第２画像形成部２４ｃに行わせる。第２制御部２０は用紙のトナー像を第２定着部２４ｄに定着させる。第２搬送部２４ｂは定着後の用紙を機外に排出する。印刷済の用紙は排出トレイ（不図示）に排出される。 The second printing unit 24 includes a second paper feeding unit 24a, a second transport unit 24b, a second image forming unit 24c, and a second fixing unit 24d. The subordinate device 2 includes a plurality of second paper feed units 24a. The second control unit 20 controls printing-related processes such as paper feeding, paper transport, toner image formation, transfer, and fixing. At the time of the print job, the second control unit 20 supplies the paper one by one to any of the second paper feed units 24a. The control unit 1 conveys the supplied paper to the second conveying unit 24b. The control unit 1 causes the second image forming unit 24c to form a toner image based on the image data. The second image forming unit 24c can form a color toner image. The second image forming unit 24c can also form monochrome toner. The second control unit 20 causes the second image forming unit 24c to transfer the toner image to the conveyed paper. The second control unit 20 fixes the toner image of the paper to the second fixing unit 24d. The second transport unit 24b discharges the fixed paper to the outside of the machine. The printed paper is ejected to an ejection tray (not shown).

第２通信部２５は通信用の各種ソケット、通信用回路、通信用ソフトウェアを備える。第２通信部２５は、ネットワークを介して、コンピューター２００と通信する。コンピューター２００は、例えば、ＰＣやサーバーである。第２通信部２５は、コンピューター２００から送信された印刷用データを受信する。第２通信部２５は、印刷ジョブ（プリントジョブ）に用いるデータ（プリントジョブデータ）を取得する。プリントジョブデータはページ記述言語で記述されたデータを含む。第２画像処理回路２０ｂはページ記述言語で記述されたデータから画像データを生成する。第２画像処理回路２０ｂは、印刷に用いる画像データを生成する。第２制御部２０は、受信したプリントジョブデータに基づく印刷を第２印刷部２４に行わせる。 The second communication unit 25 includes various sockets for communication, a communication circuit, and communication software. The second communication unit 25 communicates with the computer 200 via the network. The computer 200 is, for example, a PC or a server. The second communication unit 25 receives the print data transmitted from the computer 200. The second communication unit 25 acquires data (print job data) used for the print job (print job). The print job data includes data described in the page description language. The second image processing circuit 20b generates image data from the data described in the page description language. The second image processing circuit 20b generates image data to be used for printing. The second control unit 20 causes the second print unit 24 to print based on the received print job data.

また、従属装置２は第２温度センサー２６と第２湿度センサー２７を含む。第２温度センサー２６と第２湿度センサー２７は、温湿度センサーとして一体化されたものでもよい。第２温度センサー２６は従属装置２の機内の温度に応じた電圧を出力する。例えば、第２温度センサー２６は、第２画像形成部２４ｃに含まれる部材の近傍に設けられる。第２温度センサー２６の出力は、第２制御部２０に入力される。第２温度センサー２６の出力に基づき、第２制御部２０は、従属装置２の機内温度を認識する。第２湿度センサー２７は従属装置２の機内の湿度に応じた電圧を出力する。例えば、第２湿度センサー２７は、第２画像形成部２４ｃに含まれる部材の近傍に設けられる。第２湿度センサー２７の出力は、第２制御部２０に入力される。第２湿度センサー２７の出力に基づき、第２制御部２０は、従属装置２の機内湿度を認識する。 The subordinate device 2 also includes a second temperature sensor 26 and a second humidity sensor 27. The second temperature sensor 26 and the second humidity sensor 27 may be integrated as a temperature / humidity sensor. The second temperature sensor 26 outputs a voltage corresponding to the temperature inside the machine of the subordinate device 2. For example, the second temperature sensor 26 is provided in the vicinity of the member included in the second image forming unit 24c. The output of the second temperature sensor 26 is input to the second control unit 20. Based on the output of the second temperature sensor 26, the second control unit 20 recognizes the in-flight temperature of the subordinate device 2. The second humidity sensor 27 outputs a voltage corresponding to the humidity inside the subordinate device 2. For example, the second humidity sensor 27 is provided in the vicinity of the member included in the second image forming unit 24c. The output of the second humidity sensor 27 is input to the second control unit 20. Based on the output of the second humidity sensor 27, the second control unit 20 recognizes the in-flight humidity of the subordinate device 2.

（指揮装置１のジョブ実行順の調整）
次に、図４〜図８を用いて、実施形態に係る指揮装置１でのジョブ実行順の調整の一例を説明する。図４は、実施形態に係る指揮装置１でのジョブ実行順の調整の流れの一例を示す図である。図５は、実施形態に係る第１記憶部１１の記憶内容の一例を示す図である。図６は、実施形態に係る第１リスト４１の一例を示す図である。図７は、実施形態に係る第１入力データ５１の一例を示す図である。図８は、実施形態に係る畳み込みニューラルネットワークの一例を示す図である。 (Adjustment of job execution order of command device 1)
Next, an example of adjusting the job execution order in the command device 1 according to the embodiment will be described with reference to FIGS. 4 to 8. FIG. 4 is a diagram showing an example of a flow of adjusting the job execution order in the command device 1 according to the embodiment. FIG. 5 is a diagram showing an example of the stored contents of the first storage unit 11 according to the embodiment. FIG. 6 is a diagram showing an example of the first list 41 according to the embodiment. FIG. 7 is a diagram showing an example of the first input data 51 according to the embodiment. FIG. 8 is a diagram showing an example of a convolutional neural network according to the embodiment.

ある印刷ジョブの実行中に、新たなジョブが指揮装置１に入力されることがある。例えば、コピージョブのため、第１画像読取部１２が原稿の読み取りを開始することがある。プリントジョブデータが第１通信部１５に入力されることがある。印刷ジョブの実行中なので、新たに入力されたデータに基づいて印刷ジョブを開始することができない。 During the execution of a print job, a new job may be input to the command device 1. For example, because of a copy job, the first image reading unit 12 may start reading a document. Print job data may be input to the first communication unit 15. Since the print job is running, the print job cannot be started based on the newly entered data.

未実行（実行待ち）の印刷ジョブのジョブデータは第１記憶部１１に蓄積（保存、保持）される。以下の説明では、実行待ちの印刷ジョブを蓄積ジョブと称する。第１記憶部１１はジョブ保持領域６１を含む。第１制御部１０は、蓄積ジョブのジョブデータをジョブ保持領域６１に記憶させる。蓄積ジョブの開始待ちの間、第１制御部１０は、蓄積ジョブのジョブデータを第１記憶部１１に保持させる。蓄積ジョブの個数は複数に及ぶことがある。例えば、連続的に複数のプリントジョブデータを受信したとき、蓄積ジョブが複数に及ぶことがある。 Job data of an unexecuted (waiting for execution) print job is stored (saved, retained) in the first storage unit 11. In the following description, a print job waiting to be executed is referred to as an accumulation job. The first storage unit 11 includes a job holding area 61. The first control unit 10 stores the job data of the accumulated job in the job holding area 61. While waiting for the start of the storage job, the first control unit 10 causes the first storage unit 11 to hold the job data of the storage job. The number of accumulated jobs may be multiple. For example, when a plurality of print job data are continuously received, a plurality of accumulated jobs may be accumulated.

図４のスタートは、所定個数の蓄積ジョブが第１記憶部１１に蓄積された時点である。所定個数は適宜定められる。所定個数は３以上とできる。本実施形態の説明では、所定個数が５である場合を説明する。所定個数は、４以下でもよいし、５より多くてもよい。 The start of FIG. 4 is when a predetermined number of storage jobs are stored in the first storage unit 11. The predetermined number is appropriately determined. The predetermined number can be 3 or more. In the description of this embodiment, the case where the predetermined number is 5 will be described. The predetermined number may be 4 or less, or may be more than 5.

まず、第１制御部１０は、それぞれの蓄積ジョブのジョブデータに基づき、複数の所定項目の値（第１項目値４１ａ）を定める（ステップ♯１１）。所定項目は、複数の印刷に関する項目のなかから、予め選ばれる。例えば、用紙サイズ、用紙の向き、用紙の種別、印刷色（カラー、モノクロ）、機内温度、機内湿度が所定項目とされる。第１温度センサー１６と第１湿度センサー１７の出力に基づき、第１制御部１０は現在の機内温度と機内湿度を認識する。第１制御部１０は現在の機内温度と機内湿度を第１項目値４１ａとする。なお、所定項目はこれらに限られない。印刷解像度のような他の項目が所定項目に含まれてもよい。 First, the first control unit 10 determines the values of a plurality of predetermined items (first item value 41a) based on the job data of each storage job (step # 11). The predetermined item is selected in advance from a plurality of items related to printing. For example, paper size, paper orientation, paper type, printing color (color, monochrome), in-machine temperature, and in-machine humidity are set as predetermined items. Based on the outputs of the first temperature sensor 16 and the first humidity sensor 17, the first control unit 10 recognizes the current in-flight temperature and in-flight humidity. The first control unit 10 sets the current in-flight temperature and in-flight humidity as the first item value 41a. The predetermined items are not limited to these. Other items such as print resolution may be included in the predetermined items.

次に、第１制御部１０は第１リスト４１を生成する（ステップ♯１２）。第１リスト４１は蓄積ジョブ単位で第１項目値４１ａを並べたものである。また、第１リスト４１は予め定められた項目順で第１項目値４１ａを並べたものである。最初に第１リスト４１を生成するとき、第１制御部１０は、受付順（入力順）で蓄積ジョブの順番を並べる。図６は第１リスト４１の一例を示す。図６の第１リスト４１のジョブＩＤは、蓄積ジョブの受付順（入力順）を示す。図６は、最初に生成される第１リスト４１の一例を示す。第１リスト４１では、１列に１つの蓄積ジョブの各第１項目値４１ａが並べられている。 Next, the first control unit 10 generates the first list 41 (step # 12). The first list 41 shows the first item values 41a arranged in units of accumulated jobs. In addition, the first list 41 is a list of the first item values 41a arranged in a predetermined item order. When first generating the first list 41, the first control unit 10 arranges the order of the accumulated jobs in the order of reception (input order). FIG. 6 shows an example of the first list 41. The job IDs in the first list 41 of FIG. 6 indicate the reception order (input order) of the accumulated jobs. FIG. 6 shows an example of the first list 41 generated first. In the first list 41, each first item value 41a of one accumulation job is arranged in one column.

次に、第１制御部１０は第１入力データ５１を生成する（ステップ♯１３）。第１制御部１０は、第１リスト４１に含まれる第１項目値４１ａに基づき、第１入力データ５１を生成する。第１入力データ５１は第１ニューラルネットワーク７に入力するデータである。第１制御部１０は、各第１項目値４１ａを数値化する。第１項目値４１ａに対応する数値は予め定められる。第１記憶部１１は第１生成用データ６２を記憶する（図５参照）。第１生成用データ６２は各第１項目値４１ａと数値の対応関係を示すデータである。第１生成用データ６２では、第１リスト４１に含まれ得る第１項目値４１ａに対応する数値が定義される。例えば、印刷色の場合、モノクロに対応する数値は０と定義される。カラーに対応する数値は１とされる。図７は、第１入力データ５１の一例を示す。第１入力データ５１の大きさ（マトリクスのサイズ）は予め定められる。第１制御部１０は縦と横のサイズが一定の第１入力データ５１を生成する。例えば、第１制御部１０はマトリクス状のデータを生成する。画像データのように、第１入力データ５１には、蓄積ジョブの特徴を示す値が格納される。 Next, the first control unit 10 generates the first input data 51 (step # 13). The first control unit 10 generates the first input data 51 based on the first item value 41a included in the first list 41. The first input data 51 is data to be input to the first neural network 7. The first control unit 10 digitizes each first item value 41a. The numerical value corresponding to the first item value 41a is predetermined. The first storage unit 11 stores the first generation data 62 (see FIG. 5). The first generation data 62 is data showing the correspondence between each first item value 41a and the numerical value. In the first generation data 62, a numerical value corresponding to the first item value 41a that can be included in the first list 41 is defined. For example, in the case of print color, the numerical value corresponding to monochrome is defined as 0. The numerical value corresponding to the color is 1. FIG. 7 shows an example of the first input data 51. The size (matrix size) of the first input data 51 is predetermined. The first control unit 10 generates the first input data 51 having a constant vertical and horizontal size. For example, the first control unit 10 generates matrix-like data. Like the image data, the first input data 51 stores a value indicating the characteristics of the storage job.

そして、第１制御部１０は、生成した第１入力データ５１を第１ニューラルネットワーク７に入力する（ステップ♯１４）。図８は、実施形態にかかるニューラルネットワーク（第１ニューラルネットワーク７、第２ニューラルネットワーク８）の一例を示す。第１ニューラルネットワーク７は、入力層９１、複数の隠れ層９２、出力層９３を含む。各層は複数のユニット（図８における○印）を含む。入力層９１内の各ユニットには、第１入力データ５１がセットされる。ユニットとユニットを繋ぐ破線は前段のユニットから後段のユニットへの関数を示す。 Then, the first control unit 10 inputs the generated first input data 51 to the first neural network 7 (step # 14). FIG. 8 shows an example of the neural network (first neural network 7, second neural network 8) according to the embodiment. The first neural network 7 includes an input layer 91, a plurality of hidden layers 92, and an output layer 93. Each layer contains a plurality of units (marked with a circle in FIG. 8). The first input data 51 is set in each unit in the input layer 91. The dashed line connecting the units shows the function from the previous unit to the latter unit.

各隠れ層９２は畳み込み層を含む。各隠れ層９２はプーリング層を含んでもよいし、含まなくてもよい。畳み込み層では、畳み込みの演算が関数として行われる。第１制御部１０は、入力されたデータにフィルターによる畳み込み処理を行う。隠れ層９２の各ユニットのフィルターはそれぞれ異なる。１つの隠れ層９２に、十数〜数十のフィルター（ユニット）を含めてもよい。畳み込み処理により、第１制御部１０は特徴マップを生成する。 Each hidden layer 92 includes a convolutional layer. Each hidden layer 92 may or may not include a pooling layer. In the convolution layer, the convolution operation is performed as a function. The first control unit 10 performs a convolution process of the input data by a filter. The filter of each unit of the hidden layer 92 is different. A dozen to dozens of filters (units) may be included in one hidden layer 92. By the convolution process, the first control unit 10 generates a feature map.

フィルターは所定のサイズとされる（例えば、３×３）。第１制御部１０は第１入力データ５１にフィルターを重ねる。第１入力データ５１の各要素とフィルターの各要素の積の和が特徴マップの１つのセルの値となる。フィルターの位置を１又は複数個ずらして、畳み込み処理が行われる。第１制御部１０は、得られた特徴マップの周りにゼロを付し、特徴マップのサイズを調整してもよい（ゼロパディング）。 The filter is of a predetermined size (eg, 3x3). The first control unit 10 superimposes a filter on the first input data 51. The sum of the products of each element of the first input data 51 and each element of the filter is the value of one cell of the feature map. The convolution process is performed by shifting the position of the filter by one or a plurality. The first control unit 10 may add zeros around the obtained feature map and adjust the size of the feature map (zero padding).

第１ニューラルネットワークデータ７ｄは、例えば、層数、各層（各ユニット）の入力サイズ、各層（各ユニット）の出力サイズ、各ユニットの活性化関数、損失関数、重みの更新方法、学習係数を定義したデータを含む。また、第１ニューラルネットワークデータ７ｄは、各フィルターの重み（フィルター内の数値）を含む。各ユニットの演算結果に活性化関数を乗じた値がユニットの出力となる。活性化関数は適宜設定される。例えば、活性化関数にＲｅＬＵ関数、恒等写像、シグモイド関数、ｔａｎｈ関数、Ｌｅａｋｙ ＲｅＬＵ関数を用いることができる。また、出力層９３には、ソフトマックス関数を用いることができる。 The first neural network data 7d defines, for example, the number of layers, the input size of each layer (each unit), the output size of each layer (each unit), the activation function of each unit, the loss function, the weight update method, and the learning coefficient. Includes the data Further, the first neural network data 7d includes the weight of each filter (numerical value in the filter). The value obtained by multiplying the calculation result of each unit by the activation function is the output of the unit. The activation function is set as appropriate. For example, a ReLU function, an identity function, a sigmoid function, a tanh function, and a Leaky ReLU function can be used as the activation function. Further, a softmax function can be used for the output layer 93.

第１制御部１０は、第１ニューラルネットワーク７を用いて第１確率を求める（ステップ♯１５）。第１確率は、第１全体時間（所定個数の蓄積ジョブの実行に要する時間）が、第１全体時間の標準値と許容値の合計よりも長くなる確率である。１から第１確率を減ずることで、第１制御部１０は長くならない確率を求めることもできる。出力クラス数は１である（図８参照）。第１ニューラルネットワーク７を用いることにより、第１入力データ５１のうち、ジョブを遅らせる要素が特徴として抽出される。抽出された特徴に基づき、第１確率が求められる。 The first control unit 10 obtains the first probability using the first neural network 7 (step # 15). The first probability is the probability that the first total time (the time required to execute a predetermined number of accumulated jobs) becomes longer than the sum of the standard value and the permissible value of the first total time. By subtracting the first probability from 1, the first control unit 10 can also obtain the probability that the probability does not become long. The number of output classes is 1 (see FIG. 8). By using the first neural network 7, the element that delays the job is extracted as a feature of the first input data 51. The first probability is determined based on the extracted features.

第１制御部１０は、第１全体時間の標準値を求めることができる。指揮装置１の全体時間の標準値を求めるため、第１記憶部１１は、第１標準決定用データ６３を記憶する。第１標準決定用データ６３は、用紙サイズ、用紙の向き、用紙の種類ごとに、指揮装置１で１ページの印刷に要する時間を定義したデータである。指揮装置１の仕様上の１ページあたりの印刷時間に基づき、第１標準決定用データ６３は定められる。第１制御部１０は第１標準決定用データ６３を参照する。第１制御部１０は、各蓄積ジョブの各ページの印刷に必要な時間を認識する。第１制御部１０は認識した時間を合計して、第１全体時間の標準値を求める。許容値は適宜定められる。実際の印刷時の第１全体時間と許容値を考慮して、第１ニューラルネットワーク７の学習が行われる（詳細は後述）。 The first control unit 10 can obtain the standard value of the first total time. In order to obtain the standard value of the total time of the command device 1, the first storage unit 11 stores the first standard determination data 63. The first standard determination data 63 is data in which the time required for printing one page by the command device 1 is defined for each paper size, paper orientation, and paper type. The first standard determination data 63 is determined based on the printing time per page in the specifications of the command device 1. The first control unit 10 refers to the first standard determination data 63. The first control unit 10 recognizes the time required to print each page of each storage job. The first control unit 10 sums the recognized times to obtain a standard value of the first total time. Allowable values are set as appropriate. The first neural network 7 is trained in consideration of the first overall time and the permissible value at the time of actual printing (details will be described later).

第１制御部１０は、第１確率が予め定められた閾値以下であるか否かを確認する（ステップ♯１６）。閾値は適宜定められる。閾値は、例えば、５０％以下とされる。なお、操作パネルは閾値の設定を受け付けてもよい。第１制御部１０は、設定された閾値を用いる。第１確率が閾値以下のとき（ステップ♯１６のＹｅｓ）、第１リスト４１の順でジョブを行っても、第１全体時間は長くなりにくいと判断できる。そこで、第１制御部１０は、第１リスト４１での蓄積ジョブの並び順に沿って、印刷部に蓄積ジョブを行わせる（ステップ♯１７）。そして、本フローは終了する（エンド）。 The first control unit 10 confirms whether or not the first probability is equal to or less than a predetermined threshold value (step # 16). The threshold is set as appropriate. The threshold value is, for example, 50% or less. The operation panel may accept the setting of the threshold value. The first control unit 10 uses the set threshold value. When the first probability is equal to or less than the threshold value (Yes in step # 16), it can be determined that the first overall time is unlikely to be long even if the jobs are performed in the order of the first list 41. Therefore, the first control unit 10 causes the printing unit to perform the storage job according to the order of the storage jobs in the first list 41 (step # 17). Then, this flow ends (end).

一方、第１確率が閾値を超えているとき（ステップ♯１６のＮｏ）、今の第１リスト４１の順でジョブを行うと、第１全体時間（所定個数の蓄積ジョブの実行に必要な時間）は長くなる可能性が高い。そこで、求めた第１確率が閾値を超えているとき（ステップ♯１６のＹｅｓ）、第１制御部１０は生成し得る全てのパターンについて、第１リスト４１を生成済か否かを確認する（ステップ♯１８）。 On the other hand, when the first probability exceeds the threshold value (No in step # 16), if the jobs are executed in the order of the current first list 41, the first total time (time required to execute a predetermined number of accumulated jobs). ) Is likely to be long. Therefore, when the obtained first probability exceeds the threshold value (Yes in step # 16), the first control unit 10 confirms whether or not the first list 41 has been generated for all the patterns that can be generated (Yes). Step # 18).

まだ全パターンを生成していないとき（ステップ♯１８のＮｏ）、第１制御部１０は、新たな第１リスト４１を生成する（ステップ♯１９）。新たな第１リスト４１を生成するとき、第１制御部１０は、同じ蓄積ジョブについて、前に生成した第１リスト４１と蓄積ジョブの並び順が異なるように、新たな第１リスト４１を生成する。つまり、第１リスト４１ごとに蓄積ジョブの並び順を異ならせる。 When not all patterns have been generated yet (No in step # 18), the first control unit 10 generates a new first list 41 (step # 19). When generating a new first list 41, the first control unit 10 generates a new first list 41 for the same storage job so that the order of the storage jobs is different from that of the previously generated first list 41. To do. That is, the order of the accumulated jobs is different for each of the first list 41.

そして、フローは、ステップ♯１３に戻る。新たな第１リスト４１を生成したとき、第１制御部１０は、新たな第１リスト４１に含まれる第１項目値４１ａに基づき、新たな第１入力データ５１を生成する。新たな第１入力データ５１を生成したとき、第１制御部１０は、新たな第１入力データ５１を第１ニューラルネットワーク７に入力する。従って、第１確率が閾値以下となるまで、新たな第１リスト４１の生成が繰り返される。 Then, the flow returns to step # 13. When the new first list 41 is generated, the first control unit 10 generates new first input data 51 based on the first item value 41a included in the new first list 41. When the new first input data 51 is generated, the first control unit 10 inputs the new first input data 51 to the first neural network 7. Therefore, the generation of a new first list 41 is repeated until the first probability becomes equal to or less than the threshold value.

ここで、第１制御部１０は、予め定められた規則に反しないように、新たな第１リスト４１を生成する。規則に反しないように、第１制御部１０は、蓄積ジョブの並び順を替える。第１記憶部１１は規則情報６４を記憶する。規則情報６４は、蓄積ジョブの並び替えの規則を定めたデータである。例えば、規則情報６４は、許可する並べ方や禁止される並べ方が定義されたデータである。操作パネルは、規則の設定を受け付ける。例えば、カラーとモノクロを交互にする並べ方を禁止することができる。第１制御部１０は、設定された規則を規則情報６４として第１記憶部１１に記憶させる。 Here, the first control unit 10 generates a new first list 41 so as not to violate a predetermined rule. The first control unit 10 changes the order of the accumulated jobs so as not to violate the rules. The first storage unit 11 stores the rule information 64. The rule information 64 is data that defines rules for sorting stored jobs. For example, the rule information 64 is data in which a permitted arrangement and a prohibited arrangement are defined. The operation panel accepts rule settings. For example, it is possible to prohibit the arrangement of alternating color and monochrome. The first control unit 10 stores the set rule as rule information 64 in the first storage unit 11.

全パターンを生成済のとき（ステップ♯１８のＹｅｓ）、第１制御部１０は、他の画像形成装置に向けて、第１リスト４１に含まれる蓄積ジョブのジョブデータを転送させる（ステップ♯１１０）。他の画像形成装置に蓄積ジョブを実行させることができる。具体的に、第１制御部１０は、所定個数の蓄積ジョブのジョブデータを第１通信部１５に送信させる。これにより、指揮装置１ではジョブ間の準備時間が長くなる複数の印刷ジョブ（不得意な複数の印刷ジョブ）を他の画像形成装置に行わせることができる。そして、第１制御部１０は、他の画像形成装置に蓄積ジョブを実行させる（ステップ♯１１１）。他の画像形成装置は、従属装置２でもよい。他の画像形成装置は、従属装置２以外の画像形成装置でもよい。そして、本フローは終了する（エンド）。操作パネルは、ジョブデータの転送先を予め受け付けてもよい。この場合、第１制御部１０は、予め設定された転送先（画像形成装置）にジョブデータを転送する。 When all the patterns have been generated (Yes in step # 18), the first control unit 10 transfers the job data of the storage job included in the first list 41 to the other image forming apparatus (step # 110). ). The storage job can be executed by another image forming apparatus. Specifically, the first control unit 10 causes the first communication unit 15 to transmit job data of a predetermined number of storage jobs. As a result, in the command device 1, it is possible to cause another image forming device to perform a plurality of print jobs (a plurality of print jobs that are not good at it) in which the preparation time between jobs becomes long. Then, the first control unit 10 causes another image forming apparatus to execute the storage job (step # 111). The other image forming apparatus may be the subordinate apparatus 2. The other image forming apparatus may be an image forming apparatus other than the dependent apparatus 2. Then, this flow ends (end). The operation panel may accept the transfer destination of the job data in advance. In this case, the first control unit 10 transfers the job data to a preset transfer destination (image forming apparatus).

（第１ニューラルネットワーク７の学習）
次に、図９、図１０を用いて、実施形態に係る第１ニューラルネットワーク７の学習の一例を説明する。図９は、実施形態に係る第１トレーニングデータセット６７の生成の流れの一例を示す図である。図１０は、実施形態に係る第１ニューラルネットワーク７の学習の流れの一例を示す図である。 (Learning of the first neural network 7)
Next, an example of learning of the first neural network 7 according to the embodiment will be described with reference to FIGS. 9 and 10. FIG. 9 is a diagram showing an example of a flow of generation of the first training data set 67 according to the embodiment. FIG. 10 is a diagram showing an example of the learning flow of the first neural network 7 according to the embodiment.

第１制御部１０は、学習により第１ニューラルネットワーク７に含まれる各フィルターの重み（係数）を更新する。これにより、第１確率の正確性を高めることができる。つまり、学習により、第１制御部１０は、第１ニューラルネットワークデータ７ｄを更新する。第１ニューラルネットワーク７の各フィルターの係数（重み）の初期値は、ランダムに設定してもよい。第１記憶部１１は、ランダムに各フィルターの係数を定めるアルゴリズム（プログラム）を記憶する。第１制御部１０は、アルゴリズムを用いて、フィルターの各セルの値を決定する。なお、使用当初から第１確率の正確性を高くするため、ある程度学習を進めた第１ニューラルネットワークデータ７ｄを第１記憶部１１にインストールしてもよい。 The first control unit 10 updates the weight (coefficient) of each filter included in the first neural network 7 by learning. Thereby, the accuracy of the first probability can be improved. That is, by learning, the first control unit 10 updates the first neural network data 7d. The initial value of the coefficient (weight) of each filter of the first neural network 7 may be set at random. The first storage unit 11 stores an algorithm (program) that randomly determines the coefficient of each filter. The first control unit 10 determines the value of each cell of the filter by using an algorithm. In addition, in order to improve the accuracy of the first probability from the beginning of use, the first neural network data 7d that has been learned to some extent may be installed in the first storage unit 11.

第１制御部１０は、学習のため、第１トレーニングデータセット６７を生成する。第１制御部１０は、実際の印刷結果に基づき、第１トレーニングデータセット６７を生成する。生成した第１トレーニングデータセット６７を第１記憶部１１に不揮発的に記憶させる。図９を用いて、第１トレーニングデータセット６７の生成の流れの一例を説明する。図９のスタートは、第１記憶部１１が蓄積ジョブを所定個数蓄積した時点である。以下の説明では、所定個数連続して実行する蓄積ジョブを学習連続ジョブと称する。 The first control unit 10 generates a first training data set 67 for learning. The first control unit 10 generates the first training data set 67 based on the actual printing result. The generated first training data set 67 is non-volatilely stored in the first storage unit 11. An example of the flow of generation of the first training data set 67 will be described with reference to FIG. The start of FIG. 9 is when the first storage unit 11 has accumulated a predetermined number of storage jobs. In the following description, a storage job that is continuously executed in a predetermined number is referred to as a learning continuous job.

まず、第１制御部１０は第１実測時間を測る（ステップ♯２１）。第１実測時間は、学習連続ジョブの実行開始から終了までの時間である。例えば、実行開始時点は、学習連続ジョブの最初の蓄積ジョブの実行を開始した時点である。例えば、実行終了時点は、最後の蓄積ジョブの用紙の後処理や排出が完了した時点である。 First, the first control unit 10 measures the first actual measurement time (step # 21). The first actual measurement time is the time from the start to the end of the execution of the learning continuous job. For example, the execution start time is the time when the execution of the first accumulation job of the learning continuous job is started. For example, the end of execution is the time when the post-processing and ejection of the paper for the last storage job is completed.

第１制御部１０は第１項目値４１ａを定める（ステップ♯２２）。第１項目値４１ａは、各蓄積ジョブにおける複数の所定項目の値である。第１制御部１０は、学習連続ジョブに含まれるそれぞれの蓄積ジョブのジョブデータに基づき、第１項目値４１ａを定める。温度、湿度のパラメーターについては、第１制御部１０は、各蓄積ジョブの開始時の温度と湿度を第１項目値４１ａとする。 The first control unit 10 determines the first item value 41a (step # 22). The first item value 41a is a value of a plurality of predetermined items in each storage job. The first control unit 10 determines the first item value 41a based on the job data of each accumulated job included in the learning continuous job. Regarding the parameters of temperature and humidity, the first control unit 10 sets the temperature and humidity at the start of each storage job as the first item value 41a.

次に、第１制御部１０は第１学習用リストを生成する（ステップ♯２３）。第１制御部１０は、蓄積ジョブ単位、かつ、実行順に第１項目値４１ａを並べる。第１制御部１０は、予め定められた項目順で第１項目値４１ａを並べる。第１リスト４１と第１学習用リストとでの第１項目値４１ａの並べ方は同じである。図６と同様のリストが生成される。 Next, the first control unit 10 generates a first learning list (step # 23). The first control unit 10 arranges the first item values 41a in units of accumulated jobs and in the order of execution. The first control unit 10 arranges the first item values 41a in a predetermined item order. The arrangement of the first item value 41a in the first list 41 and the first learning list is the same. A list similar to that in FIG. 6 is generated.

第１学習用リストに基づき、第１制御部１０は、第１学習用入力データ６５を生成する（ステップ♯２４）。第１制御部１０は各第１項目値４１ａを数値化する。第１入力データ５１と同様に、第１制御部１０は、第１生成用データ６２に基づき、各第１項目値４１ａを数値化する。第１制御部１０はマトリクス状の第１学習用入力データ６５を生成する。第１学習用入力データ６５は、学習用の第１入力データ５１である。第１学習用入力データ６５は第１入力データ５１と同じ大きさ（マトリクスのサイズ）である。第１制御部１０は縦横のサイズが第１入力データ５１と同じデータを生成する。第１制御部１０は、第１入力データ５１と同じ規則で第１学習用入力データ６５を生成する。第１学習用入力データ６５は、画像データのように、学習連続ジョブの特徴を示す値を格納する。 Based on the first learning list, the first control unit 10 generates the first learning input data 65 (step # 24). The first control unit 10 digitizes each first item value 41a. Similar to the first input data 51, the first control unit 10 digitizes each first item value 41a based on the first generation data 62. The first control unit 10 generates a matrix-shaped first learning input data 65. The first learning input data 65 is the first learning input data 51. The first learning input data 65 has the same size (matrix size) as the first input data 51. The first control unit 10 generates data having the same vertical and horizontal sizes as the first input data 51. The first control unit 10 generates the first learning input data 65 according to the same rules as the first input data 51. The first learning input data 65 stores a value indicating the characteristics of the learning continuous job, such as image data.

また、第１制御部１０は第１標準時間を定める（ステップ♯２５）。第１標準時間は学習連続ジョブの実行に要する時間（全体時間）の標準値である。第１制御部１０は、第１標準決定用データ６３を参照する。第１制御部１０は、学習連続ジョブの各蓄積ジョブの各ページの印刷に必要な時間を認識する。第１制御部１０は認識した時間を合計して第１標準時間を求める。 Further, the first control unit 10 determines the first standard time (step # 25). The first standard time is a standard value of the time (total time) required for executing a continuous learning job. The first control unit 10 refers to the first standard determination data 63. The first control unit 10 recognizes the time required to print each page of each accumulation job of the learning continuous job. The first control unit 10 totals the recognized times to obtain the first standard time.

そして、第１制御部１０は、第１実測時間が第１標準時間と許容値とを加算した値よりも長いか否かを判定する（ステップ♯２６）。つまり、第１制御部１０は、学習連続ジョブに要した時間が第１標準時間を超え、かつ、超えた時間が、許容値よりも長いか否かを確認する。実際に学習連続ジョブに要した時間に基づき、第１制御部１０は、第１教師データ６６（正しい答え、判定の結果）を得る。第１教師データ６６は、第１実測時間が第１標準時間と許容値とを加算した値よりも長いか否かを示す。第１教師データ６６は１ビット（１又はゼロ）のデータである。第１制御部１０は第１トレーニングデータセット６７を生成する（ステップ♯２７）。第１トレーニングデータセット６７は、第１学習用入力データ６５と第１教師データ６６（当該判定の結果）を含む。第１制御部１０は、生成した第１トレーニングデータセット６７を第１記憶部１１に記憶させる（ステップ♯２８）。そして、本フローは終了する（エンド）。 Then, the first control unit 10 determines whether or not the first actual measurement time is longer than the value obtained by adding the first standard time and the permissible value (step # 26). That is, the first control unit 10 confirms whether or not the time required for the continuous learning job exceeds the first standard time and the time required exceeds the permissible value. Based on the time actually required for the learning continuous job, the first control unit 10 obtains the first teacher data 66 (correct answer, determination result). The first teacher data 66 indicates whether or not the first actual measurement time is longer than the sum of the first standard time and the permissible value. The first teacher data 66 is 1-bit (1 or zero) data. The first control unit 10 generates the first training data set 67 (step # 27). The first training data set 67 includes the first learning input data 65 and the first teacher data 66 (results of the determination). The first control unit 10 stores the generated first training data set 67 in the first storage unit 11 (step # 28). Then, this flow ends (end).

次に、図１０を用いて、第１ニューラルネットワーク７の学習の流れの一例を説明する。図１０のスタートは、未学習の第１トレーニングデータセット６７が一定個数になった時点である。一定個数は複数である。 Next, an example of the learning flow of the first neural network 7 will be described with reference to FIG. The start of FIG. 10 is when the number of unlearned first training data sets 67 reaches a certain number. The fixed number is plural.

まず、第１制御部１０は、誤差逆伝搬法を用いて、学習（重みの更新、フィルターの係数の更新）を行う。第１制御部１０は、未学習の第１トレーニングデータセット６７を読み出す（ステップ♯３１）。第１制御部１０は、読み出したデータのうち、第１学習用入力データ６５を第１ニューラルネットワーク７に入力する（ステップ♯３２）。第１制御部１０は第１学習用入力データ６５に対応する第１確率を求める（ステップ♯３３）。 First, the first control unit 10 performs learning (update of weight, update of coefficient of filter) by using the error back propagation method. The first control unit 10 reads out the unlearned first training data set 67 (step # 31). The first control unit 10 inputs the first learning input data 65 out of the read data to the first neural network 7 (step # 32). The first control unit 10 obtains the first probability corresponding to the first learning input data 65 (step # 33).

次に、第１制御部１０は、求めた第１確率と第１学習用入力データ６５に基づき、各ユニットの重みを更新する（ステップ♯３４）。言い換えると、学習により、第１制御部１０は、各ユニットのフィルターの係数を更新する。確率的勾配降下法と誤差逆伝搬法に基づき、第１制御部１０は学習を行う。誤差逆伝搬法では、出力層９３側から入力層９１側に向けて誤差を求めていく。言い換えると、逆向きに誤差を伝搬してゆく。そこで、最初に、第１制御部１０は、第１確率と正しいと判定結果（教師データ）の誤差Ｅを求める。 Next, the first control unit 10 updates the weight of each unit based on the obtained first probability and the first learning input data 65 (step # 34). In other words, by learning, the first control unit 10 updates the coefficient of the filter of each unit. The first control unit 10 learns based on the stochastic gradient descent method and the error back propagation method. In the error back propagation method, the error is obtained from the output layer 93 side toward the input layer 91 side. In other words, the error propagates in the opposite direction. Therefore, first, the first control unit 10 obtains an error E of the first probability and the determination result (teacher data) that is correct.

第１制御部１０は、損失関数を用いて、誤差Ｅを求める。損失関数には、二乗誤差を用いてもよい。二乗誤差を用いて、１つのサンプルデータ（第１トレーニングデータセット６７）の誤差Ｅは、以下の（式１）で求めることができる。
（式１） Ｅｎ＝１／２（Ｙｎ−Ｔｎ）２
ｎ：サンプル番号
Ｙｎ：出力データ（０〜１）
Ｔｎ：教師データ（０または１） The first control unit 10 obtains the error E by using the loss function. A square error may be used for the loss function. Using the squared error, the error E of one sample data (first training data set 67) can be obtained by the following (Equation 1).
(Equation 1) En = 1/2 (Yn-Tn) 2
n: Sample number Yn: Output data (0 to 1)
Tn: Teacher data (0 or 1)

また、第１教師データ６６は、第１実測時間＞（第１標準時間＋許容値）がＹｅｓかＮｏ（１又はゼロ）を示す。つまり、教師データは１又はゼロである。そのため、損失関数には、２値クロスエントロピー関数を用いてもよい。 Further, the first teacher data 66 indicates that the first actual measurement time> (first standard time + allowable value) is Yes or No (1 or zero). That is, the teacher data is 1 or zero. Therefore, a binary cross entropy function may be used as the loss function.

次に、第１制御部１０は、重みｗに対する誤差Ｅの勾配ΔＥ（誤差Ｅのｗでの微分）を求める。勾配ΔＥが正のとき、第１制御部１０は、重みｗを負の方向に更新する。勾配ΔＥが負のとき、第１制御部１０は、重みｗを正の方向に更新する。重みｗの更新式を（式２）に示す。
（式２） ｗ ← ｗ−εΔＥ
εは学習係数である。１回の重みの更新幅は大きすぎないことが好ましい。学習係数は、例えば、０．１〜０．００１のような値が設定される。第１制御部１０は繰り返し、少しずつ重みｗを更新する。 Next, the first control unit 10 obtains the gradient ΔE (differentiation of the error E at w) of the error E with respect to the weight w. When the gradient ΔE is positive, the first control unit 10 updates the weight w in the negative direction. When the gradient ΔE is negative, the first control unit 10 updates the weight w in the positive direction. The update formula of the weight w is shown in (Equation 2).
(Equation 2) w ← w-εΔE
ε is the learning coefficient. It is preferable that the update width of one weight is not too large. The learning coefficient is set to a value such as 0.1 to 0.001. The first control unit 10 repeats and updates the weight w little by little.

誤差Ｅは、重み（関数）、活性化関数、損失関数に基づき求まる。従って、勾配ΔＥは、合成関数の微分により求められる。重みは行列で表現できるので、勾配ΔＥも行列で求められる。第１制御部１０は、出力層９３とその前段の隠れ層９２（ｎ層目）の重みに対する勾配ΔＥを求める。第１制御部１０は、ΔＥと学習係数を乗じた値を、ｎ層目の隠れ層９２の現在の重みに加える、又は、減じる。これにより、出力層９３の前段の隠れ層９２の重みの更新が完了する。 The error E is obtained based on the weight (function), the activation function, and the loss function. Therefore, the gradient ΔE is obtained by differentiating the composite function. Since the weight can be expressed by a matrix, the gradient ΔE is also obtained by the matrix. The first control unit 10 obtains a gradient ΔE with respect to the weights of the output layer 93 and the hidden layer 92 (nth layer) in the preceding stage thereof. The first control unit 10 adds or subtracts the value obtained by multiplying ΔE by the learning coefficient to the current weight of the hidden layer 92 of the nth layer. As a result, the update of the weight of the hidden layer 92 in the previous stage of the output layer 93 is completed.

次に、第１制御部１０は、（ｎ−１）番目の隠れ層９２とｎ番目の隠れ層９２の間の重みを更新する。第１制御部１０は、ｎ番目の隠れ層９２の正しい出力と、ｎ番目の隠れ層９２の実際の出力の誤差Ｅを求める。このとき、ｎ番目の隠れ層９２の重み更新の計算結果の一部を用いて、誤差Ｅを求めることができる。第１制御部１０は、（ｎ−１）番目の隠れ層９２の重みの勾配ΔＥを求める。求めた勾配ΔＥに基づき、（ｎ−１）番目の隠れ層９２の重みを更新する。 Next, the first control unit 10 updates the weight between the (n-1) th hidden layer 92 and the nth hidden layer 92. The first control unit 10 obtains an error E between the correct output of the nth hidden layer 92 and the actual output of the nth hidden layer 92. At this time, the error E can be obtained by using a part of the calculation result of the weight update of the nth hidden layer 92. The first control unit 10 obtains the gradient ΔE of the weight of the (n-1) th hidden layer 92. Based on the obtained gradient ΔE, the weight of the (n-1) th hidden layer 92 is updated.

第１制御部１０は、最も出力層９３に近い隠れ層９２から先頭の（最も入力側の）隠れ層９２まで、勾配ΔＥに基づく更新を繰り返す。第１制御部１０は、第１ニューラルネットワークデータ７ｄ内のフィルターの係数の更新を繰り返す。最終的に、第１ニューラルネットワークデータ７ｄの更新が完了する（ステップ♯３５）。これにより、第１ニューラルネットワーク７の１回の学習が終了する（エンド）。 The first control unit 10 repeats the update based on the gradient ΔE from the hidden layer 92 closest to the output layer 93 to the leading (most input side) hidden layer 92. The first control unit 10 repeatedly updates the coefficient of the filter in the first neural network data 7d. Finally, the update of the first neural network data 7d is completed (step # 35). As a result, one learning of the first neural network 7 is completed (end).

（従属装置２のジョブ実行順の調整）
次に、図１１〜図１３を用いて、実施形態に係る従属装置２のジョブ実行順の調整の一例を説明する。図１１は、実施形態に係る従属装置２のジョブ実行順の調整の流れの一例を示す図である。図１２は、実施形態に係る第２リスト４２の一例を示す図である。図１３は実施形態に係る第２入力データ５２の一例を示す図である。 (Adjustment of job execution order of subordinate device 2)
Next, an example of adjusting the job execution order of the subordinate device 2 according to the embodiment will be described with reference to FIGS. 11 to 13. FIG. 11 is a diagram showing an example of a flow of adjusting the job execution order of the subordinate device 2 according to the embodiment. FIG. 12 is a diagram showing an example of the second list 42 according to the embodiment. FIG. 13 is a diagram showing an example of the second input data 52 according to the embodiment.

ある印刷ジョブの実行中に、新たなジョブが従属装置２に入力されることがある。例えば、コピージョブのため、第２画像読取部２２が原稿の読み取りを開始することがある。プリントジョブデータが第２通信部２５に入力されることがある。印刷ジョブの実行中なので、新たに入力されたデータに基づく印刷ジョブを開始することができない。 During the execution of a print job, a new job may be input to the subordinate device 2. For example, because of a copy job, the second image reading unit 22 may start reading the original. Print job data may be input to the second communication unit 25. Since the print job is being executed, the print job based on the newly input data cannot be started.

従属装置２でも、未実行（実行待ち）の印刷ジョブのジョブデータは第２記憶部２１に蓄積（保存、保持）される。蓄積ジョブの開始待ちの間、第２制御部２０は蓄積ジョブのジョブデータを第２記憶部２１に保持させる。蓄積ジョブの個数は複数に及ぶことがある。例えば、連続的に複数のプリントジョブデータを受信したとき、蓄積ジョブが複数に及ぶことがある。 Even in the subordinate device 2, the job data of the print job that has not been executed (waiting for execution) is stored (saved and retained) in the second storage unit 21. While waiting for the start of the storage job, the second control unit 20 causes the second storage unit 21 to hold the job data of the storage job. The number of accumulated jobs may be multiple. For example, when a plurality of print job data are continuously received, a plurality of accumulated jobs may be accumulated.

ここで、ニューラルネットワークに関する演算は、演算量が多くなることがある。従属装置２では、演算能力が足りない場合がある（例えば、従属装置２が低価格帯のプリンターの場合）。そこで、指揮装置１（第１制御部１０）が従属装置２用のニューラルネットワークに関する演算を代行する。そして、第１制御部１０は、従属装置２の蓄積ジョブの実行順を定める。従属装置２（第２制御部２０）は、指揮装置１が定めた実行順で蓄積ジョブを第２印刷部２４に印刷させる。 Here, the amount of calculation for the operation related to the neural network may be large. The subordinate device 2 may have insufficient computing power (for example, when the subordinate device 2 is a low-priced printer). Therefore, the command device 1 (first control unit 10) performs the calculation related to the neural network for the subordinate device 2. Then, the first control unit 10 determines the execution order of the accumulation jobs of the subordinate device 2. The subordinate device 2 (second control unit 20) causes the second printing unit 24 to print the storage jobs in the execution order determined by the command device 1.

図１１のスタートは、所定個数の蓄積ジョブが第２記憶部２１に蓄積された時点である。以下の説明では、所定個数は指揮装置１と同じ数（５個）である場合を説明する。所定個数は、４以下でもよいし、５より多くてもよい。 The start of FIG. 11 is when a predetermined number of storage jobs are stored in the second storage unit 21. In the following description, a case where the predetermined number is the same number (5 pieces) as that of the command device 1 will be described. The predetermined number may be 4 or less, or may be more than 5.

まず、第２制御部２０は、それぞれの蓄積ジョブのジョブデータに基づき、複数の所定項目の値（第２項目値４２ａ）を定める（ステップ♯４１）。所定項目は、複数の印刷に関する項目のなかから、予め選ばれる。例えば、用紙サイズ、用紙の向き、用紙の種別、印刷色（カラー、モノクロ）、機内温度、機内湿度が所定項目とされる。所定項目は所定項目と同じでもよいし、異なっていてもよい。第２温度センサー２６、第２湿度センサー２７の出力に基づき、第２制御部２０は、現在の機内温度と機内湿度を認識する。第２制御部２０は現在の機内温度と機内湿度を第２項目値４２ａとする。なお、所定項目はこれらに限られない。印刷解像度のような他の項目が所定項目に含まれてもよい。 First, the second control unit 20 determines the values of a plurality of predetermined items (second item value 42a) based on the job data of each storage job (step # 41). The predetermined item is selected in advance from a plurality of items related to printing. For example, paper size, paper orientation, paper type, printing color (color, monochrome), in-machine temperature, and in-machine humidity are set as predetermined items. The predetermined items may be the same as or different from the predetermined items. Based on the outputs of the second temperature sensor 26 and the second humidity sensor 27, the second control unit 20 recognizes the current in-flight temperature and in-flight humidity. The second control unit 20 sets the current in-flight temperature and in-flight humidity as the second item value 42a. The predetermined items are not limited to these. Other items such as print resolution may be included in the predetermined items.

次に、第２制御部２０は第２リスト４２を生成し、送信する（ステップ♯４２）。第２リスト４２は蓄積ジョブ単位で第２項目値４２ａを並べたものである。また、第２リスト４２は、予め定められた項目順で第２項目値４２ａを並べたものである。最初に第２リスト４２を生成するとき、第２制御部２０は、受付順（入力順）で蓄積ジョブの順番を並べる。第２制御部２０は、指揮装置１（第１通信部１５）に向けて、生成した第２リスト４２を第２通信部２５に送信させる。第２項目値４２ａの並べ方は、第１リスト４１と同様でよい。 Next, the second control unit 20 generates and transmits the second list 42 (step # 42). The second list 42 is a list of the second item values 42a arranged for each accumulated job. Further, in the second list 42, the second item values 42a are arranged in a predetermined item order. When first generating the second list 42, the second control unit 20 arranges the order of the accumulated jobs in the order of reception (input order). The second control unit 20 causes the command device 1 (first communication unit 15) to transmit the generated second list 42 to the second communication unit 25. The arrangement of the second item value 42a may be the same as that in the first list 41.

図１２は第２リスト４２の一例を示す。図１２の第２リスト４２のジョブＩＤは、蓄積ジョブの受付順（入力順）を示す。つまり、図１２は、最初に生成される第２リスト４２の一例を示す。第２リスト４２では、１列に１つの蓄積ジョブの各第２項目値４２ａが並べられている。受信した第２リスト４２に基づき、指揮装置１（第１制御部１０）は第２入力データ５２を生成する（ステップ♯４３）。第１制御部１０は、第２リスト４２に含まれる第２項目値４２ａに基づき、第２入力データ５２を生成する。第２入力データ５２は第２ニューラルネットワーク８に入力するデータである。 FIG. 12 shows an example of the second list 42. The job IDs in the second list 42 of FIG. 12 indicate the reception order (input order) of the accumulated jobs. That is, FIG. 12 shows an example of the second list 42 generated first. In the second list 42, each second item value 42a of one accumulation job is arranged in one column. Based on the received second list 42, the command device 1 (first control unit 10) generates the second input data 52 (step # 43). The first control unit 10 generates the second input data 52 based on the second item value 42a included in the second list 42. The second input data 52 is data to be input to the second neural network 8.

第１制御部１０は、各第２項目値４２ａを数値化する。第２項目値４２ａに対応する数値は予め定められる。第１記憶部１１は第２生成用データ６８を記憶する（図５参照）。第２生成用データ６８は各第２項目値４２ａと数値の対応関係を示すデータである。第２生成用データ６８では、第２リスト４２に含まれ得る第２項目値４２ａに対応する数値が定義される。例えば、印刷色の場合、モノクロに対応する数値は０と定義される。カラーに対応する数値は１とされる。 The first control unit 10 digitizes each second item value 42a. The numerical value corresponding to the second item value 42a is predetermined. The first storage unit 11 stores the second generation data 68 (see FIG. 5). The second generation data 68 is data showing the correspondence between each second item value 42a and the numerical value. In the second generation data 68, a numerical value corresponding to the second item value 42a that can be included in the second list 42 is defined. For example, in the case of print color, the numerical value corresponding to monochrome is defined as 0. The numerical value corresponding to the color is 1.

図１３は、第２入力データ５２の一例を示す。第２入力データ５２の大きさ（マトリクスのサイズ）は予め定められる。第２入力データ５２と第１入力データ５１は同じサイズでもよい。第１制御部１０は縦と横のサイズが一定の第２入力データ５２を生成する。例えば、第１制御部１０はマトリクス状のデータを生成する。画像データのように、第２入力データ５２には、蓄積ジョブの特徴を示す値が格納される。 FIG. 13 shows an example of the second input data 52. The size (matrix size) of the second input data 52 is predetermined. The second input data 52 and the first input data 51 may have the same size. The first control unit 10 generates the second input data 52 having a constant vertical and horizontal size. For example, the first control unit 10 generates matrix-like data. Like the image data, the second input data 52 stores a value indicating the characteristics of the storage job.

そして、第１制御部１０は、生成した第２入力データ５２を第２ニューラルネットワーク８に入力する（ステップ♯４４）。第２ニューラルネットワーク８は、第１ニューラルネットワーク７と同様のニューラルネットワークである。第２ニューラルネットワーク８は畳み込みニューラルネットワークの一種である（図８参照）。第２ニューラルネットワーク８は、従属装置２ごとに用意される。演算処理装置３が第２ニューラルネットワーク８に関する演算を行う。 Then, the first control unit 10 inputs the generated second input data 52 to the second neural network 8 (step # 44). The second neural network 8 is a neural network similar to the first neural network 7. The second neural network 8 is a kind of convolutional neural network (see FIG. 8). The second neural network 8 is prepared for each dependent device 2. The arithmetic processing unit 3 performs an arithmetic on the second neural network 8.

第２ニューラルネットワーク８も、入力層９１、複数の隠れ層９２、出力層９３を含む。各層は複数のユニットを含む。入力層９１内の各ユニットには、第２入力データ５２がセットされる。ユニットとユニットを繋ぐ破線は、前段のユニットから後段のユニットへの関数を示す。各隠れ層９２は畳み込み層を含む。各隠れ層９２はプーリング層を含んでもよいし、含まなくてもよい。畳み込み層では、畳み込みの演算が関数として行われる。第１制御部１０は、入力されたデータにフィルターによる畳み込み処理を行う。隠れ層９２の各ユニットのフィルターはそれぞれ異なる。１つの隠れ層９２には、十数〜数十のフィルター（ユニット）を含めてもよい。畳み込み処理により、第１制御部１０は特徴マップを生成する。 The second neural network 8 also includes an input layer 91, a plurality of hidden layers 92, and an output layer 93. Each layer contains multiple units. The second input data 52 is set in each unit in the input layer 91. The dashed line connecting the units shows the function from the unit in the previous stage to the unit in the subsequent stage. Each hidden layer 92 includes a convolutional layer. Each hidden layer 92 may or may not include a pooling layer. In the convolution layer, the convolution operation is performed as a function. The first control unit 10 performs a convolution process of the input data by a filter. The filter of each unit of the hidden layer 92 is different. One hidden layer 92 may include dozens to dozens of filters (units). By the convolution process, the first control unit 10 generates a feature map.

第２ニューラルネットワーク８でも、フィルターは所定のサイズとされる（例えば、３×３）。第１制御部１０は第２入力データ５２にフィルターを重ねる。第２入力データ５２の各要素とフィルターの各要素の積の和が特徴マップの１つのセルの値となる。フィルターの位置をずらして、畳み込み処理が行われる。第１制御部１０は、得られた特徴マップの周りにゼロを付し、特徴マップのサイズを調整してもよい（ゼロパディング）。 Even in the second neural network 8, the filter has a predetermined size (for example, 3 × 3). The first control unit 10 superimposes a filter on the second input data 52. The sum of the products of each element of the second input data 52 and each element of the filter is the value of one cell of the feature map. The convolution process is performed by shifting the position of the filter. The first control unit 10 may add zeros around the obtained feature map and adjust the size of the feature map (zero padding).

第２ニューラルネットワークデータ８ｄは、例えば、層数、各層（各ユニット）の入力サイズ、各層（各ユニット）の出力サイズ、各ユニットの活性化関数、損失関数、重みの更新方法、学習係数を定義したデータを含む。また、第２ニューラルネットワークデータ８ｄは、各フィルターの重み（フィルター内の数値）を含む。各ユニットの演算結果に活性化関数を乗じた値がユニットの出力となる。活性化関数は適宜設定される。例えば、活性化関数にＲｅＬＵ関数、恒等写像、シグモイド関数、ｔａｎｈ関数、Ｌｅａｋｙ ＲｅＬＵ関数を用いることができる。また、出力層９３には、ソフトマックス関数を用いることができる。第２ニューラルネットワークデータ８ｄは、第１ニューラルネットワークデータ７ｄと、各フィルターの係数のみが異なるデータとできる。 The second neural network data 8d defines, for example, the number of layers, the input size of each layer (each unit), the output size of each layer (each unit), the activation function of each unit, the loss function, the weight update method, and the learning coefficient. Includes the data Further, the second neural network data 8d includes the weight of each filter (numerical value in the filter). The value obtained by multiplying the calculation result of each unit by the activation function is the output of the unit. The activation function is set as appropriate. For example, a ReLU function, an identity function, a sigmoid function, a tanh function, and a Leaky ReLU function can be used as the activation function. Further, a softmax function can be used for the output layer 93. The second neural network data 8d can be different from the first neural network data 7d only in the coefficient of each filter.

第１制御部１０は、第２ニューラルネットワーク８を用いて第２確率を求める（ステップ♯１５）。第２確率は、第２全体時間が、第２全体時間の標準値と許容値の合計よりも長くなる確率である。１から第２確率を減ずることで、第１制御部１０は長くならない確率を求めることもできる。出力クラス数は１である（図８参照）。第２ニューラルネットワーク８を用いることにより、第２入力データ５２のうち、ジョブを遅らせる要素が特徴として抽出される。抽出された特徴に基づき、第２確率が求められる。第２ニューラルネットワーク８を用いることにより、第２入力データ５２のうち、ジョブを遅らせる要素が特徴として抽出される。抽出された特徴に基づき、標準値よりも許容値を超えて長くなる確率が求められる。 The first control unit 10 obtains the second probability using the second neural network 8 (step # 15). The second probability is the probability that the second total time will be longer than the sum of the standard value and the allowable value of the second total time. By subtracting the second probability from 1, the first control unit 10 can also obtain the probability that the probability does not become long. The number of output classes is 1 (see FIG. 8). By using the second neural network 8, the element that delays the job is extracted as a feature of the second input data 52. The second probability is determined based on the extracted features. By using the second neural network 8, the element that delays the job is extracted as a feature of the second input data 52. Based on the extracted features, the probability that it will be longer than the standard value beyond the permissible value is calculated.

第１制御部１０は、従属装置２についても、第２全体時間（所定個数の蓄積ジョブの実行に要する時間）の標準値を求めることができる。従属装置２の全体時間の標準値を求めるため、第１記憶部１１は、第２標準決定用データ６９を記憶する。第２標準決定用データ６９は、用紙サイズ、用紙の向き、用紙の種類ごとに、従属装置２での１ページの印刷に要する時間を定義したデータである。従属装置２の仕様上の１ページあたりの印刷時間に基づき、第２標準決定用データ６９は定められる。第１制御部１０は、第２標準決定用データ６９を参照する。第１制御部１０は、各蓄積ジョブの各ページの印刷に必要な時間を認識する。第１制御部１０は認識した時間を合計して、第２全体時間の標準値を求める。実際の印刷時の第２全体時間と許容値を考慮して、第２ニューラルネットワーク８の学習が行われる。 The first control unit 10 can also obtain a standard value of the second total time (time required to execute a predetermined number of storage jobs) for the subordinate device 2. In order to obtain the standard value of the total time of the subordinate device 2, the first storage unit 11 stores the second standard determination data 69. The second standard determination data 69 is data that defines the time required to print one page on the subordinate device 2 for each paper size, paper orientation, and paper type. The second standard determination data 69 is determined based on the print time per page in the specifications of the subordinate device 2. The first control unit 10 refers to the second standard determination data 69. The first control unit 10 recognizes the time required to print each page of each storage job. The first control unit 10 sums the recognized times to obtain a standard value of the second total time. The learning of the second neural network 8 is performed in consideration of the second total time and the permissible value at the time of actual printing.

第１制御部１０、第２確率が閾値以下であるか否かを確認する（ステップ♯４６）。閾値は、例えば、５０％以下とされる。第２確率が閾値以下のとき（ステップ♯４６のＹｅｓ）、従属装置２では、第２リスト４２の順でジョブを行っても、第２全体時間（所定個数の蓄積ジョブの所要時間）は長くなりにくいと判断できる。そこで、第１制御部１０は、第２リスト４２での蓄積ジョブの並び順に沿って、印刷部に蓄積ジョブを行わせる（ステップ♯４７）。そして、本フローは終了する（エンド）。 The first control unit 10 confirms whether or not the second probability is equal to or less than the threshold value (step # 46). The threshold value is, for example, 50% or less. When the second probability is equal to or less than the threshold value (Yes in step # 46), in the dependent device 2, even if the jobs are performed in the order shown in the second list 42, the second total time (time required for a predetermined number of accumulated jobs) is long. It can be judged that it is difficult to become. Therefore, the first control unit 10 causes the printing unit to perform the storage job in the order of the storage jobs in the second list 42 (step # 47). Then, this flow ends (end).

一方、第２確率が閾値を超えているとき（ステップ♯４６のＮｏ）、従属装置２で、今の第２リスト４２では、第２全体時間が長くなる可能性が高い。そこで、求めた第２確率が閾値を超えているとき（ステップ♯４６のＹｅｓ）、第１制御部１０は生成し得る全てのパターンについて、第２リスト４２を生成済か否かを確認する（ステップ♯４８）。 On the other hand, when the second probability exceeds the threshold value (No in step # 46), there is a high possibility that the second overall time will be longer in the current second list 42 in the dependent device 2. Therefore, when the obtained second probability exceeds the threshold value (Yes in step # 46), the first control unit 10 confirms whether or not the second list 42 has been generated for all the patterns that can be generated (Yes). Step # 48).

まだ全パターンを生成していないとき（ステップ♯４８のＮｏ）、第１制御部１０は、新たな第２リスト４２を生成する（ステップ♯４９）。新たな第２リスト４２を生成するとき、第１制御部１０は、同じ蓄積ジョブについて、前に生成した第２リスト４２と蓄積ジョブの並び順が異なるように、新たな第２リスト４２を生成する。つまり、第２リスト４２ごとに蓄積ジョブの並び順を異ならせる。 When not all patterns have been generated yet (No in step # 48), the first control unit 10 generates a new second list 42 (step # 49). When generating a new second list 42, the first control unit 10 generates a new second list 42 for the same storage job so that the order of the storage jobs is different from that of the previously generated second list 42. To do. That is, the order of the accumulated jobs is different for each of the second list 42.

そして、フローは、ステップ♯４３に戻る。新たな第２リスト４２を生成したとき、第１制御部１０は、新たな第２リスト４２に含まれる第２項目値４２ａに基づき、新たな第２入力データ５２を生成する。新たな第２入力データ５２を生成したとき、第１制御部１０は、新たな第２入力データ５２を第２ニューラルネットワーク８に入力する。従って、第２確率が閾値以下となるまで、新たな第２リスト４２の生成が繰り返される。ここで、第１制御部１０は、規則に反しないように、蓄積ジョブの並び順を替える。第１制御部１０は、第１記憶部１１の規則情報６４を参照する。操作パネルは、従属装置２用の規則を受け付けてもよい。この場合、第１制御部１０は、設定された規則を従属装置２用の規則情報６４として第１記憶部１１に記憶させる。 Then, the flow returns to step # 43. When the new second list 42 is generated, the first control unit 10 generates the new second input data 52 based on the second item value 42a included in the new second list 42. When the new second input data 52 is generated, the first control unit 10 inputs the new second input data 52 to the second neural network 8. Therefore, the generation of a new second list 42 is repeated until the second probability becomes equal to or less than the threshold value. Here, the first control unit 10 changes the order of the accumulated jobs so as not to violate the rules. The first control unit 10 refers to the rule information 64 of the first storage unit 11. The operation panel may accept the rules for the subordinate device 2. In this case, the first control unit 10 stores the set rule in the first storage unit 11 as the rule information 64 for the subordinate device 2.

全パターンを生成済のとき（ステップ♯４８のＹｅｓ）、第１制御部１０は、生成した第２リスト４２のうち、最も第２確率が小さくなった第２リスト４２を対応する従属装置２に送信する（ステップ♯４１０）。第１制御部１０は、従属装置２で蓄積ジョブを実行させる（ステップ♯４１１）。そして、本フローは終了する（エンド）。 When all the patterns have been generated (Yes in step # 48), the first control unit 10 assigns the second list 42 having the smallest second probability among the generated second list 42 to the corresponding dependent device 2. Transmit (step # 410). The first control unit 10 causes the subordinate device 2 to execute the accumulation job (step # 411). Then, this flow ends (end).

（第２ニューラルネットワーク８の学習）
次に、図１４、図１５を用いて、実施形態に係る第２ニューラルネットワーク８の学習の一例を説明する。図１４は、実施形態に係る第２トレーニングデータセット６１２の生成の流れの一例を示す図である。図１５は、実施形態に係る第２ニューラルネットワーク８の学習の流れの一例を示す図である。 (Learning of the second neural network 8)
Next, an example of learning of the second neural network 8 according to the embodiment will be described with reference to FIGS. 14 and 15. FIG. 14 is a diagram showing an example of the flow of generation of the second training data set 612 according to the embodiment. FIG. 15 is a diagram showing an example of the learning flow of the second neural network 8 according to the embodiment.

第１制御部１０は、第２ニューラルネットワーク８に含まれる各フィルターの重み（係数）を更新する。つまり、従属装置２のためのニューラルネットワークの学習を、指揮装置１が行う。これにより、第２確率の正確性を高めることができる。学習により、第１制御部１０は、第２ニューラルネットワークデータ８ｄを更新する。第２ニューラルネットワーク８の各フィルターの係数（重み）の初期値はランダムに設定してもよい。この場合、第１記憶部１１は、ランダムに各フィルターの係数を定めるアルゴリズム（プログラム）を記憶する。第１制御部１０は、アルゴリズムを用いて、フィルターの各セルの値を決定する。なお、使用当初から第２確率の正確性を高くするため、ある程度学習を進めた第２ニューラルネットワークデータ８ｄを第１記憶部１１にインストールしてもよい。 The first control unit 10 updates the weight (coefficient) of each filter included in the second neural network 8. That is, the command device 1 learns the neural network for the subordinate device 2. Thereby, the accuracy of the second probability can be improved. By learning, the first control unit 10 updates the second neural network data 8d. The initial value of the coefficient (weight) of each filter of the second neural network 8 may be set at random. In this case, the first storage unit 11 stores an algorithm (program) that randomly determines the coefficient of each filter. The first control unit 10 determines the value of each cell of the filter by using an algorithm. In addition, in order to improve the accuracy of the second probability from the beginning of use, the second neural network data 8d that has been learned to some extent may be installed in the first storage unit 11.

第１制御部１０は、学習のため、第２トレーニングデータセット６１２を生成する。第１制御部１０は、実際の印刷結果に基づき、第２トレーニングデータセット６１２を生成する。生成した第２トレーニングデータセット６１２を第１記憶部１１に不揮発的に記憶させる。 The first control unit 10 generates a second training data set 612 for learning. The first control unit 10 generates the second training data set 612 based on the actual printing result. The generated second training data set 612 is non-volatilely stored in the first storage unit 11.

図１４を用いて、第２トレーニングデータセット６１２の生成の流れの一例を説明する。図１４のスタートは、第２記憶部２１が蓄積ジョブを所定個数蓄積した時点である。つまり、従属装置２が学習連続ジョブを蓄積した時点である。 An example of the flow of generation of the second training data set 612 will be described with reference to FIG. The start of FIG. 14 is when the second storage unit 21 has accumulated a predetermined number of storage jobs. That is, it is the time when the subordinate device 2 has accumulated the learning continuous jobs.

まず、従属装置２（第２制御部２０）は、第２実測時間を測る（ステップ♯５１）。第２実測時間は従属装置２での学習連続ジョブの実行開始から終了までの時間である。第２制御部２０は第２項目値４２ａを定める（ステップ♯５２）。第２制御部２０は、学習連続ジョブに含まれるそれぞれの蓄積ジョブのジョブデータに基づき、第２項目値４２ａを定める。温度、湿度のパラメーターについては、第２制御部２０は、各蓄積ジョブの開始時の温度と湿度を第２項目値４２ａとする。 First, the subordinate device 2 (second control unit 20) measures the second actual measurement time (step # 51). The second actual measurement time is the time from the start to the end of the execution of the learning continuous job in the subordinate device 2. The second control unit 20 determines the second item value 42a (step # 52). The second control unit 20 determines the second item value 42a based on the job data of each accumulated job included in the learning continuous job. Regarding the parameters of temperature and humidity, the second control unit 20 sets the temperature and humidity at the start of each storage job as the second item value 42a.

次に、第２制御部２０は、第２学習連続ジョブリストを生成、送信する（ステップ♯５３）。第２制御部２０は、蓄積ジョブ単位、かつ、実行順に第２項目値４２ａを並べる。さらに、第２制御部２０は、予め定められた項目順で第２項目値４２ａを並べる。第２学習連続ジョブリストと第２リスト４２での第２項目値４２ａの並べ方は同じである。図１２と同様のリストが生成される。そして、第２制御部２０は、生成した第２学習連続ジョブリストを指揮装置１（第１通信部１５）に送信する。 Next, the second control unit 20 generates and transmits a second learning continuous job list (step # 53). The second control unit 20 arranges the second item value 42a in units of accumulated jobs and in the order of execution. Further, the second control unit 20 arranges the second item values 42a in a predetermined item order. The arrangement of the second item value 42a in the second learning continuous job list and the second list 42 is the same. A list similar to that of FIG. 12 is generated. Then, the second control unit 20 transmits the generated second learning continuous job list to the command device 1 (first communication unit 15).

第１制御部１０は、受信した第２学習連続ジョブリストに基づき、第２学習用入力データ６１０を生成する（ステップ♯５４）。第１制御部１０は各第２項目値４２ａを数値化する。第２入力データ５２と同様に、第１制御部１０は、第２生成用データ６８に基づき、各第２項目値４２ａを数値化する。第２制御部２０はマトリクス状の第２学習用入力データ６１０を生成する。第２学習用入力データ６１０は、学習用（従属装置２用）の第２入力データ５２である。第２学習用入力データ６１０は、第２入力データ５２と同じ大きさ（マトリクスのサイズ）である。第２制御部２０は、縦と横のサイズが第２入力データ５２と同じデータを生成する。第２制御部２０は、第２入力データ５２と同じ規則で第２学習用入力データ６１０を生成する。第２学習用入力データ６１０は、画像データのように、学習連続ジョブの特徴を示す値を格納する。 The first control unit 10 generates the second learning input data 610 based on the received second learning continuous job list (step # 54). The first control unit 10 digitizes each second item value 42a. Similar to the second input data 52, the first control unit 10 digitizes each second item value 42a based on the second generation data 68. The second control unit 20 generates a matrix-shaped second learning input data 610. The second learning input data 610 is the second input data 52 for learning (for the dependent device 2). The second learning input data 610 has the same size (matrix size) as the second input data 52. The second control unit 20 generates data having the same vertical and horizontal sizes as the second input data 52. The second control unit 20 generates the second learning input data 610 according to the same rules as the second input data 52. The second learning input data 610 stores a value indicating the characteristics of the learning continuous job, such as image data.

また、第１制御部１０は第２標準時間を定める（ステップ♯５５）。第２標準時間は、従属装置２での学習連続ジョブの実行に要する時間（全体時間）の標準値である。第１制御部１０は、第２標準決定用データ６９を参照する。第１制御部１０は、従属装置２で、学習連続ジョブの各蓄積ジョブの各ページの印刷に必要な時間を認識する。第１制御部１０は認識した時間を合計して第２標準時間を求める。 Further, the first control unit 10 determines the second standard time (step # 55). The second standard time is a standard value of the time (total time) required for executing the learning continuous job in the subordinate device 2. The first control unit 10 refers to the second standard determination data 69. The first control unit 10 recognizes the time required for printing each page of each accumulation job of the learning continuous job in the subordinate device 2. The first control unit 10 totals the recognized times to obtain the second standard time.

次に、第１制御部１０は、第２実測時間が第２標準時間と許容値とを加算した値よりも長いか否かを判定する（ステップ♯５６）。つまり、第１制御部１０は、学習連続ジョブに要した時間が第２標準時間を超え、かつ、超えた時間が、許容値よりも長いか否かを確認する。実際に学習連続ジョブに要した時間に基づき、第１制御部１０は、教師データ（正しい答え、判定結果）を得る。 Next, the first control unit 10 determines whether or not the second actual measurement time is longer than the value obtained by adding the second standard time and the allowable value (step # 56). That is, the first control unit 10 confirms whether or not the time required for the continuous learning job exceeds the second standard time and the time required exceeds the permissible value. The first control unit 10 obtains teacher data (correct answer, determination result) based on the time actually required for the continuous learning job.

第１制御部１０は、第２トレーニングデータセット６１２を生成する（ステップ♯５７）。第２トレーニングデータセット６１２は、第２学習用入力データ６１０と第２教師データ６１１（判定の結果）を含む。第２教師データ６１１は、第２実測時間が第２標準時間と許容値とを加算した値よりも長いか否かを示す。第２教師データ６１１は１ビット（１又はゼロ）のデータである。第１制御部１０は生成した第２トレーニングデータセット６１２を第１記憶部１１に記憶させる（ステップ♯５８）。そして、本フローは終了する（エンド）。 The first control unit 10 generates the second training data set 612 (step # 57). The second training data set 612 includes the second learning input data 610 and the second teacher data 611 (results of determination). The second teacher data 611 indicates whether or not the second actual measurement time is longer than the sum of the second standard time and the allowable value. The second teacher data 611 is 1-bit (1 or zero) data. The first control unit 10 stores the generated second training data set 612 in the first storage unit 11 (step # 58). Then, this flow ends (end).

次に、図１５を用いて、従属装置２のための第２ニューラルネットワーク８の学習の流れの一例を説明する。図１５のスタートは、未学習の第２トレーニングデータセット６１２が一定個数になった時点である。 Next, an example of the learning flow of the second neural network 8 for the subordinate device 2 will be described with reference to FIG. The start of FIG. 15 is when the number of unlearned second training data sets 612 reaches a certain number.

まず、第１制御部１０は、誤差逆伝搬法を用いて、学習（重みの更新、フィルターの係数の更新）を行う。第１制御部１０は、未学習の第２トレーニングデータセット６１２を読み出す（ステップ♯６１）。第１制御部１０は、読み出したデータのうち、第２学習用入力データ６１０を第２ニューラルネットワーク８に入力する（ステップ♯６２）。そして、第２学習用入力データ６１０に基づき、第１制御部１０は第２確率を求める（ステップ♯６３）。 First, the first control unit 10 performs learning (update of weight, update of coefficient of filter) by using the error back propagation method. The first control unit 10 reads out the unlearned second training data set 612 (step # 61). The first control unit 10 inputs the second learning input data 610 out of the read data to the second neural network 8 (step # 62). Then, based on the second learning input data 610, the first control unit 10 obtains the second probability (step # 63).

次に、第１制御部１０は、求めた第２確率と第２学習用入力データ６１０に基づき、各ユニットの重みを更新する（ステップ♯６４）。言い換えると、学習により、第１制御部１０は、第２ニューラルネットワーク８の各ユニットのフィルターの係数を更新する。確率的勾配降下法と誤差逆伝搬法に基づき、第１制御部１０は学習を行う。誤差逆伝搬法では、最初に、第１制御部１０は、第２ニューラルネットワーク８の出力層９３の前段の隠れ層９２（ｍ層目）の重みに関する誤差Ｅを求める。 Next, the first control unit 10 updates the weight of each unit based on the obtained second probability and the second learning input data 610 (step # 64). In other words, by learning, the first control unit 10 updates the filter coefficient of each unit of the second neural network 8. The first control unit 10 learns based on the stochastic gradient descent method and the error back propagation method. In the error back propagation method, first, the first control unit 10 obtains an error E regarding the weight of the hidden layer 92 (mth layer) in the previous stage of the output layer 93 of the second neural network 8.

第１制御部１０は、損失関数を用いて誤差Ｅを求める。損失関数には、二乗誤差を用いてもよい。二乗誤差を用いて、１つのサンプルデータ（第２トレーニングデータセット６１２）の誤差Ｅは、上述の（式１）で求めることができる。なお、第２教師データ６１１は１又はゼロである。そのため、損失関数には、２値クロスエントロピー関数を用いてもよい。 The first control unit 10 obtains the error E by using the loss function. A square error may be used for the loss function. Using the squared error, the error E of one sample data (second training data set 612) can be obtained by the above-mentioned (Equation 1). The second teacher data 611 is 1 or zero. Therefore, a binary cross entropy function may be used as the loss function.

次に、第１制御部１０は、重みｗに対する誤差Ｅの勾配ΔＥ（誤差Ｅのｗでの微分）を求める。勾配ΔＥが正のとき、第１制御部１０は、重みｗを負の方向に更新する。勾配ΔＥが負のとき、第１制御部１０は、重みｗを正の方向に更新する。重みｗの更新式は上述の（式２）と同様である。 Next, the first control unit 10 obtains the gradient ΔE (differentiation of the error E at w) of the error E with respect to the weight w. When the gradient ΔE is positive, the first control unit 10 updates the weight w in the negative direction. When the gradient ΔE is negative, the first control unit 10 updates the weight w in the positive direction. The update formula for the weight w is the same as the above-mentioned (formula 2).

誤差Ｅは、重み（関数）、活性化関数、損失関数に基づき求まる。第１ニューラルネットワーク７と同様に、第１制御部１０は、第２ニューラルネットワーク８の出力層９３の前段（ｍ層目）の隠れ層９２の勾配ΔＥを求める。第１制御部１０は、ΔＥと学習係数を乗じた値を、ｍ層目の隠れ層９２の現在の重みに加える、又は、減じる。これにより、ｍ層目の隠れ層９２の重みの更新が完了する。 The error E is obtained based on the weight (function), the activation function, and the loss function. Similar to the first neural network 7, the first control unit 10 obtains the gradient ΔE of the hidden layer 92 in the front stage (mth layer) of the output layer 93 of the second neural network 8. The first control unit 10 adds or subtracts the value obtained by multiplying ΔE by the learning coefficient to the current weight of the hidden layer 92 of the m-th layer. As a result, the update of the weight of the hidden layer 92 of the mth layer is completed.

次に、第１制御部１０は、（ｍ−１）番目の隠れ層９２とｍ番目の隠れ層９２の間の重みを更新する。第１制御部１０は、ｍ番目の隠れ層９２の正しい出力と、ｍ番目の隠れ層９２の実際の出力の誤差Ｅを求める。このとき、ｍ層目の隠れ層９２の間の重み更新時の計算結果の一部を用いて、誤差Ｅを求めることができる。そして、第１制御部１０は、（ｍ−１）番目の隠れ層９２の重みの勾配ΔＥを求める。求めた勾配ΔＥに基づき、（ｍ−１）番目の隠れ層９２の重みを更新する。 Next, the first control unit 10 updates the weight between the (m-1) th hidden layer 92 and the mth hidden layer 92. The first control unit 10 obtains an error E between the correct output of the m-th hidden layer 92 and the actual output of the m-th hidden layer 92. At this time, the error E can be obtained by using a part of the calculation result at the time of updating the weight between the hidden layers 92 of the mth layer. Then, the first control unit 10 obtains the gradient ΔE of the weight of the (m-1) th hidden layer 92. Based on the obtained gradient ΔE, the weight of the (m-1) th hidden layer 92 is updated.

第１制御部１０は、最も出力層９３に近い隠れ層９２から先頭の（最も入力側の）隠れ層９２まで、勾配ΔＥに基づく更新を繰り返す。第１制御部１０は、第１ニューラルネットワークデータ７ｄ内のフィルターの係数の更新を繰り返す。最終的に、第１ニューラルネットワークデータ７ｄの更新が完了する（ステップ♯３５）。これにより、第１ニューラルネットワーク７の１回の学習が終了する（エンド）。 The first control unit 10 repeats the update based on the gradient ΔE from the hidden layer 92 closest to the output layer 93 to the leading (most input side) hidden layer 92. The first control unit 10 repeatedly updates the coefficient of the filter in the first neural network data 7d. Finally, the update of the first neural network data 7d is completed (step # 35). As a result, one learning of the first neural network 7 is completed (end).

このようにして、実施形態に係る画像形成装置（指揮装置１）は、入力部（第１画像読取部１２、第１通信部１５）、印刷部（第１印刷部１４）、記憶部（第１記憶部１１）、制御部（第１制御部１０）を含む。入力部は、印刷ジョブの実行に用いるジョブデータを取得する。印刷部は、ジョブデータに基づき印刷する。記憶部は、入力部が取得したジョブデータを記憶する。制御部は、印刷ジョブの実行順を調整する。記憶部は、未実行の印刷ジョブである蓄積ジョブのジョブデータを保持する。記憶部は、自機用の第１ニューラルネットワーク７を構築するための第１ニューラルネットワークデータ７ｄを記憶する。制御部は、所定個数の蓄積ジョブが記憶部に蓄積されたとき、それぞれの蓄積ジョブのジョブデータに基づき、複数の所定項目の値である第１項目値４１ａを定める。制御部は、蓄積ジョブ単位、かつ、予め定められた項目順で第１項目値４１ａを並べた第１リスト４１を生成する。制御部は、第１リスト４１に含まれる第１項目値４１ａに基づき第１入力データ５１を生成する。制御部は、生成した第１入力データ５１を第１ニューラルネットワーク７に入力する。制御部は、第１ニューラルネットワーク７を用いて第１確率を求める。第１確率が予め定められた閾値以下のとき、制御部は、第１リスト４１での蓄積ジョブの並び順に沿って、印刷部に蓄積ジョブを行わせる。第１確率は、第１リスト４１での蓄積ジョブの並び順で蓄積ジョブを実行した場合、第１リスト４１に含まれる全ての蓄積ジョブの実行に要する第１全体時間が、第１全体時間の標準値と予め定められた許容値とを加算した値よりも長くなる確率である。 In this way, the image forming apparatus (command device 1) according to the embodiment includes an input unit (first image reading unit 12, first communication unit 15), a printing unit (first printing unit 14), and a storage unit (first image reading unit 12). 1 Storage unit 11) and control unit (first control unit 10) are included. The input unit acquires job data used for executing a print job. The printing unit prints based on the job data. The storage unit stores the job data acquired by the input unit. The control unit adjusts the execution order of the print jobs. The storage unit holds job data of a storage job that is an unexecuted print job. The storage unit stores the first neural network data 7d for constructing the first neural network 7 for the own machine. When a predetermined number of storage jobs are stored in the storage unit, the control unit determines a first item value 41a, which is a value of a plurality of predetermined items, based on the job data of each storage job. The control unit generates a first list 41 in which the first item values 41a are arranged in a storage job unit and in a predetermined item order. The control unit generates the first input data 51 based on the first item value 41a included in the first list 41. The control unit inputs the generated first input data 51 to the first neural network 7. The control unit obtains the first probability using the first neural network 7. When the first probability is equal to or less than a predetermined threshold value, the control unit causes the printing unit to perform the storage job according to the order of the storage jobs in the first list 41. The first probability is that when the storage jobs are executed in the order of the storage jobs in the first list 41, the first total time required to execute all the storage jobs included in the first list 41 is the first total time. It is the probability that it will be longer than the value obtained by adding the standard value and the predetermined allowable value.

この構成によれば、所定個数の蓄積ジョブの実行順は、最初の蓄積ジョブの開始から最後の蓄積ジョブの完了までの時間が長くなりにくい順番とされる。第１全体時間が短くなるように、実行順を調整することができる。蓄積ジョブの実行順を自動的に調整することができる。その結果、印刷の所要時間は短くなりやすい。これにより、画像形成装置の印刷の生産性（印刷速度）を高めることができる。 According to this configuration, the execution order of the predetermined number of storage jobs is such that the time from the start of the first storage job to the completion of the last storage job is unlikely to be long. The execution order can be adjusted so that the first overall time is shortened. The execution order of accumulated jobs can be adjusted automatically. As a result, the time required for printing tends to be short. As a result, the printing productivity (printing speed) of the image forming apparatus can be increased.

また、制御部は、求めた第１確率が閾値を超えているとき、新たな第１リスト４１を生成する。制御部は、同じ蓄積ジョブについて、前に生成した第１リスト４１と蓄積ジョブの並び順が異なるように、新たな第１リスト４１を生成する。新たな第１リスト４１を生成したとき、制御部は、新たな第１リスト４１に含まれる第１項目値４１ａに基づき新たな第１入力データ５１を生成する。新たな第１入力データ５１を生成したとき、制御部は、新たな第１入力データ５１を第１ニューラルネットワーク７に入力する。制御部は、求められた第１確率が閾値以下となるまで、新たな第１リスト４１の生成を繰り返す。第１確率が閾値を下回るまで第１リスト４１の生成を繰り返すことができる。蓄積ジョブの並べ方を柔軟に変えることができる。最初の蓄積ジョブの開始から最後の蓄積ジョブの完了までに要する時間が短くなるように、蓄積ジョブの実行順を定めることができる。 Further, the control unit generates a new first list 41 when the obtained first probability exceeds the threshold value. The control unit generates a new first list 41 for the same storage job so that the order of the storage jobs is different from that of the previously generated first list 41. When the new first list 41 is generated, the control unit generates the new first input data 51 based on the first item value 41a included in the new first list 41. When the new first input data 51 is generated, the control unit inputs the new first input data 51 to the first neural network 7. The control unit repeats the generation of a new first list 41 until the obtained first probability becomes equal to or less than the threshold value. The generation of the first list 41 can be repeated until the first probability falls below the threshold. You can flexibly change the arrangement of accumulated jobs. The execution order of the accumulation jobs can be determined so that the time required from the start of the first accumulation job to the completion of the last accumulation job is shortened.

蓄積ジョブを所定個数連続して実行する学習連続ジョブを実行したとき、制御部は、学習連続ジョブの実行開始から終了までの時間である第１実測時間を測る。制御部は、実行したそれぞれの蓄積ジョブについて、第１項目値４１ａを定める。制御部は、蓄積ジョブ単位、かつ、実行順に第１項目値４１ａを並べ、さらに、予め定められた項目順で第１項目値４１ａを並べた第１学習用リストを生成する。制御部は、第１学習用リストに基づき、第１学習用入力データ６５を生成する。制御部は、全ての学習連続ジョブの実行に要する時間の標準値である第１標準時間を定める。制御部は、第１実測時間が第１標準時間と許容値とを加算した値よりも長いか否かを判定する。制御部は、当該判定の結果と第１学習用入力データ６５を含む第１トレーニングデータセット６７を生成する。制御部は、生成した第１トレーニングデータセット６７を用いて、第１ニューラルネットワーク７の学習を行う。ジョブの実行結果を用いて、第１ニューラルネットワーク７の学習を行うことができる。第１ニューラルネットワーク７に含まれる各層のユニットの重み（各フィルターの係数）を適切に更新することができる。ジョブの実行結果に基づき学習を行うので、画像形成装置の使用環境、経年劣化、顧客の設定傾向を反映した第１ニューラルネットワーク７を構築することができる。第１確率の正確性を高めることができる。 When a learning continuous job that continuously executes a predetermined number of storage jobs is executed, the control unit measures the first actual measurement time, which is the time from the start to the end of the execution of the learning continuous jobs. The control unit determines the first item value 41a for each of the executed accumulation jobs. The control unit generates a first learning list in which the first item values 41a are arranged in the accumulation job unit and the execution order, and the first item values 41a are arranged in the predetermined item order. The control unit generates the first learning input data 65 based on the first learning list. The control unit determines a first standard time, which is a standard value of the time required to execute all continuous learning jobs. The control unit determines whether or not the first actual measurement time is longer than the sum of the first standard time and the permissible value. The control unit generates a first training data set 67 including the result of the determination and the first learning input data 65. The control unit trains the first neural network 7 using the generated first training data set 67. The first neural network 7 can be learned by using the job execution result. The weights (coefficients of each filter) of the units of each layer included in the first neural network 7 can be appropriately updated. Since learning is performed based on the execution result of the job, it is possible to construct the first neural network 7 that reflects the usage environment of the image forming apparatus, the deterioration over time, and the setting tendency of the customer. The accuracy of the first probability can be increased.

記憶部は、蓄積ジョブの並び替えの規則を定めた規則情報６４を記憶する。新たな第１リスト４１を生成するとき、制御部は、規則に反しないように、蓄積ジョブの並び順を替える。規則に反する順番で蓄積ジョブが実行されることを防ぐことができる。 The storage unit stores the rule information 64 that defines the rules for rearranging the storage jobs. When generating a new first list 41, the control unit changes the order of the accumulated jobs so as not to violate the rules. It is possible to prevent the accumulation jobs from being executed in an order that violates the rules.

指揮装置１は、他の画像形成装置と通信する通信部を含む。生成し得る全てのパターンについて、第１リスト４１を生成しても第１確率が閾値以下にならないとき、制御部は、他の画像形成装置に向けて、第１リスト４１に含まれる蓄積ジョブのジョブデータを通信部に送信させる。制御部は、他の画像形成装置に蓄積ジョブを実行させる。どのような蓄積ジョブの実行順でも、全蓄積ジョブの実行に時間がかかる可能性が高い場合、他の画像形成装置に蓄積ジョブを実行させることができる。全ての蓄積ジョブの印刷所要時間の短縮化につながる。 The command device 1 includes a communication unit that communicates with another image forming device. When the first probability does not fall below the threshold value even if the first list 41 is generated for all the patterns that can be generated, the control unit directs the other image forming apparatus to the accumulation jobs included in the first list 41. Have the communication unit send the job data. The control unit causes another image forming apparatus to execute the storage job. In any storage job execution order, if there is a high possibility that it will take time to execute all the storage jobs, another image forming apparatus can execute the storage job. This leads to a reduction in the printing time required for all accumulated jobs.

制御部は、制御回路と、ニューラルネットワークに関する演算を行うための演算処理装置３を含む。ニューラルネットワークに関する演算は多くなることがある。通常の制御回路だけでは、演算時間が長くなる可能性がある。専用の演算処理装置３を設けることにより、高速にニューラルネットワークに関する演算を行うことができる。 The control unit includes a control circuit and an arithmetic processing unit 3 for performing arithmetic related to the neural network. The number of operations related to neural networks can be large. There is a possibility that the calculation time will be long with only a normal control circuit. By providing the dedicated arithmetic processing unit 3, it is possible to perform arithmetic related to the neural network at high speed.

所定項目は、用紙サイズ、用紙向き、用紙種類、カラー設定のうち、複数を含む。この構成によれば、使用者の印刷設定の傾向や、画像形成装置の使用環境を反映させて、第１確率を求める（推測する）ことができる。 The predetermined items include a plurality of paper sizes, paper orientations, paper types, and color settings. According to this configuration, the first probability can be obtained (estimated) by reflecting the tendency of the user's print settings and the usage environment of the image forming apparatus.

印刷制御システム１００は、指揮装置１と、指揮装置１と通信する画像形成装置である従属装置２を含む。指揮装置１は、従属装置２ごとに、第２ニューラルネットワーク８を構築するための第２ニューラルネットワークデータ８ｄを記憶する。従属装置２はジョブデータを取得する。従属装置２は取得したジョブデータを記憶する。所定個数の蓄積ジョブを蓄積したとき、従属装置２はそれぞれの蓄積ジョブに基づき、複数の所定項目の値である第２項目値４２ａを定める。従属装置２は、蓄積ジョブ単位で第２項目値４２ａを並べ、かつ、予め定められた項目順で第２項目値４２ａを並べた第２リスト４２を生成する。従属装置２は生成した第２リスト４２を指揮装置１に送信する。指揮装置１の制御部（第１制御部１０）は、第２リスト４２に含まれる第２項目値４２ａに基づき第２入力データ５２を生成する。指揮装置１の制御部は、生成した第２入力データ５２を、第２リスト４２を送信した従属装置２に対応する第２ニューラルネットワーク８に入力する。指揮装置１の制御部は、第２ニューラルネットワーク８を用いて第２確率を求める。指揮装置１の制御部は第２確率が閾値以下の第２リスト４２を従属装置２に与える。従属装置２は、与えられた第２リスト４２の蓄積ジョブの並び順で、蓄積ジョブの印刷を行う。第２確率は、第２リスト４２での蓄積ジョブの並び順で蓄積ジョブを実行した場合、第２リスト４２に含まれる全ての蓄積ジョブの実行に要する第２全体時間が、第２全体時間の標準値と許容値とを加算した値よりも長くなる確率である。 The print control system 100 includes a command device 1 and a subordinate device 2 which is an image forming device that communicates with the command device 1. The command device 1 stores the second neural network data 8d for constructing the second neural network 8 for each of the subordinate devices 2. The subordinate device 2 acquires job data. The subordinate device 2 stores the acquired job data. When a predetermined number of storage jobs are stored, the subordinate device 2 determines a second item value 42a, which is a value of a plurality of predetermined items, based on each storage job. The subordinate device 2 generates a second list 42 in which the second item values 42a are arranged in units of accumulated jobs and the second item values 42a are arranged in a predetermined item order. The subordinate device 2 transmits the generated second list 42 to the command device 1. The control unit (first control unit 10) of the command device 1 generates the second input data 52 based on the second item value 42a included in the second list 42. The control unit of the command device 1 inputs the generated second input data 52 to the second neural network 8 corresponding to the subordinate device 2 that has transmitted the second list 42. The control unit of the command device 1 obtains the second probability by using the second neural network 8. The control unit of the command device 1 gives the subordinate device 2 a second list 42 whose second probability is equal to or less than the threshold value. The subordinate device 2 prints the storage jobs in the order of the storage jobs in the given second list 42. The second probability is that when the accumulation jobs are executed in the order of the accumulation jobs in the second list 42, the second total time required to execute all the accumulation jobs included in the second list 42 is the second total time. It is the probability that it will be longer than the sum of the standard value and the allowable value.

この構成によれば、従属装置２において、複数の蓄積ジョブがある場合、蓄積ジョブの実行順は、最初の蓄積ジョブの開始から最後の蓄積ジョブの完了までの時間が長くなりにくい順番とされる。第２全体時間が短くなるように、実行順を調整することができる。蓄積ジョブの実行順を自動的に調整することができる。印刷の所要時間は短くなりやすい。従って、画像形成装置の印刷の生産性（印刷速度）を高めることができる。従属装置２の演算処理能力が低くても、ニューラルネットワークを用いて蓄積ジョブの実行順を定めることができる。 According to this configuration, when there are a plurality of storage jobs in the subordinate device 2, the execution order of the storage jobs is set to the order in which the time from the start of the first storage job to the completion of the last storage job is unlikely to be long. .. The execution order can be adjusted so that the second overall time is shortened. The execution order of accumulated jobs can be adjusted automatically. The time required for printing tends to be short. Therefore, the printing productivity (printing speed) of the image forming apparatus can be increased. Even if the arithmetic processing capacity of the subordinate device 2 is low, the execution order of the storage jobs can be determined by using the neural network.

指揮装置１の制御部は、第２確率が閾値を超えているとき、新たな第２リスト４２を生成する。指揮装置１の制御部は、同じ蓄積ジョブについて、前に生成した第２リスト４２と蓄積ジョブの並び順が異なるように、新たな第２リスト４２を生成する。新たな第２リスト４２を生成したとき、指揮装置１の制御部は、新たな第２リスト４２に含まれる第２項目値４２ａに基づき新たな第２入力データ５２を生成する。新たな第２入力データ５２を生成したとき、指揮装置１の制御部は、新たな第２入力データ５２を対応する第２ニューラルネットワーク８に入力する。指揮装置１の制御部は、求められた第２確率が閾値以下となるまで、新たな第２リスト４２の生成を繰り返す。第２確率が閾値を下回るまで第２リスト４２の生成を繰り返すことができる。蓄積ジョブの並べ方を柔軟に変えることができる。従属装置２において、第２全体時間が短くなるように、蓄積ジョブの実行順を定めることができる。 The control unit of the command device 1 generates a new second list 42 when the second probability exceeds the threshold value. The control unit of the command device 1 generates a new second list 42 for the same storage job so that the order of the storage jobs is different from that of the previously generated second list 42. When the new second list 42 is generated, the control unit of the command device 1 generates new second input data 52 based on the second item value 42a included in the new second list 42. When the new second input data 52 is generated, the control unit of the command device 1 inputs the new second input data 52 to the corresponding second neural network 8. The control unit of the command device 1 repeats the generation of a new second list 42 until the obtained second probability becomes equal to or less than the threshold value. The generation of the second list 42 can be repeated until the second probability falls below the threshold. You can flexibly change the arrangement of accumulated jobs. In the subordinate device 2, the execution order of the accumulation jobs can be determined so that the second overall time is shortened.

蓄積ジョブを所定個数連続して実行する学習連続ジョブを実行したとき、従属装置２は、学習連続ジョブの実行開始から終了までの時間である第２実測時間を測る。従属装置２は、実行したそれぞれの蓄積ジョブについて、第２項目値４２ａを定める。従属装置２は、蓄積ジョブ単位、かつ、実行順に第２項目値４２ａを並べ、更に、予め定められた項目順で第２項目値４２ａを並べた第２ジョブ結果リストを生成する。従属装置２は、第２実測時間、第２ジョブ結果リストを指揮装置１に送信する。指揮装置１の制御部は、受信した第２ジョブ結果リストに基づき、第２学習用入力データ６１０を生成する。指揮装置１の制御部は、受信した第２ジョブ結果リストに基づき、全ての学習連続ジョブの実行に要する時間の標準値である第２標準時間を定める。指揮装置１の制御部は、第２実測時間が第２標準時間と許容値とを加算した値よりも長いか否かを判定する。当該判定の結果と第２学習用入力データ６１０に基づいて、指揮装置１の制御部は、第２トレーニングデータセット６１２を生成する。生成した第２トレーニングデータセット６１２を用いて、指揮装置１の制御部は、第２ニューラルネットワーク８の学習を行う。従属装置２のジョブの実行結果を用いて、第２ニューラルネットワーク８の学習を行うことができる。第２ニューラルネットワーク８に含まれる各層のユニットの重み（各フィルターの係数）を適切に更新することができる。従属装置２のジョブの実行結果に基づき学習を行うので、従属装置２の使用環境、経年劣化、顧客の設定傾向を反映した第２ニューラルネットワーク８を構築することができる。第２確率の正確性を高めることができる。 When a learning continuous job that continuously executes a predetermined number of storage jobs is executed, the dependent device 2 measures the second actual measurement time, which is the time from the start to the end of the execution of the learning continuous jobs. The subordinate device 2 determines the second item value 42a for each accumulated job executed. The subordinate device 2 generates a second job result list in which the second item values 42a are arranged in the storage job unit and the execution order, and the second item values 42a are arranged in the predetermined item order. The subordinate device 2 transmits the second actual measurement time and the second job result list to the command device 1. The control unit of the command device 1 generates the second learning input data 610 based on the received second job result list. The control unit of the command device 1 determines the second standard time, which is the standard value of the time required to execute all the learning continuous jobs, based on the received second job result list. The control unit of the command device 1 determines whether or not the second actual measurement time is longer than the value obtained by adding the second standard time and the allowable value. Based on the result of the determination and the input data 610 for the second learning, the control unit of the command device 1 generates the second training data set 612. Using the generated second training data set 612, the control unit of the command device 1 learns the second neural network 8. The second neural network 8 can be trained by using the job execution result of the subordinate device 2. The weights (coefficients of each filter) of the units of each layer included in the second neural network 8 can be appropriately updated. Since learning is performed based on the execution result of the job of the subordinate device 2, it is possible to construct the second neural network 8 that reflects the usage environment of the subordinate device 2, the aged deterioration, and the setting tendency of the customer. The accuracy of the second probability can be improved.

指揮装置１の記憶部は、蓄積ジョブの並び替えの規則を定めた規則情報６４を記憶する。新たな第２リスト４２を生成するとき、指揮装置１の制御部は、規則に反しないように、第２リスト４２の蓄積ジョブの並び順を替える。規則に反する順番で蓄積ジョブが実行されることを防ぐことができる。 The storage unit of the command device 1 stores the rule information 64 that defines the rules for rearranging the accumulated jobs. When generating a new second list 42, the control unit of the command device 1 changes the order of the accumulated jobs in the second list 42 so as not to violate the rules. It is possible to prevent the accumulation jobs from being executed in an order that violates the rules.

生成し得る全てのパターンについて、第２リスト４２を生成しても第２確率が閾値以下にならないとき、指揮装置１の制御部は、生成した第２リスト４２のうち、最も第２確率が小さくなった第２リスト４２を対応する従属装置２に与える。従属装置２は、与えられた第２リスト４２の蓄積ジョブの並び順で、蓄積ジョブの印刷を行う。どのような蓄積ジョブの実行順でも、従属装置２で全蓄積ジョブの実行に時間がかかる可能性が高い場合、第２全体時間が最も長くなりにくい順番で蓄積ジョブを実行させることができる。できるだけ早く印刷が終わるように、蓄積ジョブの実行順を定めることができる。 When the second probability does not fall below the threshold value even if the second list 42 is generated for all the patterns that can be generated, the control unit of the command device 1 has the smallest second probability among the generated second lists 42. The second list 42 that has become is given to the corresponding subordinate device 2. The subordinate device 2 prints the storage jobs in the order of the storage jobs in the given second list 42. In any storage job execution order, if it is highly likely that the subordinate device 2 will take a long time to execute all the storage jobs, the storage jobs can be executed in the order in which the second total time is unlikely to be the longest. The execution order of the accumulated jobs can be determined so that printing is completed as soon as possible.

本発明の実施形態を説明したが、本発明の範囲はこれに限定されるものではなく、発明の主旨を逸脱しない範囲で種々の変更を加えて実施することができる。 Although the embodiments of the present invention have been described, the scope of the present invention is not limited to this, and various modifications can be made without departing from the gist of the invention.

上記の説明では、印刷ジョブ単位で第１項目値４１ａを並べ、第１制御部１０が第１リスト４１を生成する例を説明した。しかし、１ページ単位で第１項目値４１ａを並べ、第１リスト４１を生成してもよい。また、印刷ジョブ単位で第２項目値４２ａを並べ、第２制御部２０が第２リスト４２を生成する例を説明した。しかし、１ページ単位で第１項目値４１ａを並べ、第２リスト４２を生成してもよい。これらの場合、複数ページの印刷ジョブは１ページ単位に分解される。 In the above description, an example in which the first item value 41a is arranged for each print job and the first control unit 10 generates the first list 41 has been described. However, the first list 41 may be generated by arranging the first item values 41a on a page-by-page basis. Further, an example in which the second item value 42a is arranged for each print job and the second control unit 20 generates the second list 42 has been described. However, the first item value 41a may be arranged in units of one page to generate the second list 42. In these cases, the print job of a plurality of pages is decomposed into one page unit.

本発明は、画像形成装置や画像形成装置を含む印刷制御システムに使用可能である。 The present invention can be used in an image forming apparatus and a print control system including an image forming apparatus.

１００ 印刷制御システム １ 指揮装置（画像形成装置）
１０ 第１制御部（制御部） １１ 第１記憶部（記憶部）
１２ 第１画像読取部（入力部） １４ 第１印刷部（印刷部）
１５ 第１通信部（入力部） ２ 従属装置
３ 演算処理装置 ４１ 第１リスト
４２ 第２リスト ５１ 第１入力データ
５２ 第２入力データ ６４ 規則情報
６５ 第１学習用入力データ ６６ 第１教師データ（判定結果）
６７ 第１トレーニングデータセット ６１０ 第２学習用入力データ
６１１ 第２教師データ（判定結果） ６１２ 第２トレーニングデータセット
７ 第１ニューラルネットワーク ７ｄ 第１ニューラルネットワークデータ
８ 第２ニューラルネットワーク ８ｄ 第２ニューラルネットワークデータ 100 Print control system 1 Command device (image forming device)
10 1st control unit (control unit) 11 1st storage unit (storage unit)
12 1st image reading unit (input unit) 14 1st printing unit (printing unit)
15 1st communication unit (input unit) 2 Dependent device 3 Arithmetic processing device 41 1st list 42 2nd list 51 1st input data 52 2nd input data 64 Rule information 65 1st learning input data 66 1st teacher data ( judgment result)
67 1st training data set 610 2nd learning input data 611 2nd teacher data (judgment result) 612 2nd training data set 7 1st neural network 7d 1st neural network data 8 2nd neural network 8d 2nd neural network data

Claims (12)

印刷ジョブの実行に用いるジョブデータを取得する入力部と、
前記ジョブデータに基づき印刷する印刷部と、
前記入力部が取得した前記ジョブデータを記憶する記憶部と、
前記印刷ジョブの実行順を調整する制御部と、を含み、
前記記憶部は、
未実行の前記印刷ジョブである蓄積ジョブの前記ジョブデータを保持し、
自機用の第１ニューラルネットワークを構築するための第１ニューラルネットワークデータを記憶し、
前記制御部は、
所定個数の前記蓄積ジョブが前記記憶部に蓄積されたとき、それぞれの前記蓄積ジョブの前記ジョブデータに基づき、複数の所定項目の値である第１項目値を定め、
前記蓄積ジョブ単位、かつ、予め定められた項目順で前記第１項目値を並べた第１リストを生成し、
前記第１リストに含まれる前記第１項目値に基づき第１入力データを生成し、
生成した前記第１入力データを前記第１ニューラルネットワークに入力し、
前記第１ニューラルネットワークを用いて第１確率を求め、
前記第１確率が予め定められた閾値以下のとき、前記第１リストでの前記蓄積ジョブの並び順に沿って、前記印刷部に前記蓄積ジョブを行わせ、
前記第１確率は、前記第１リストでの前記蓄積ジョブの並び順で前記蓄積ジョブを実行した場合、前記第１リストに含まれる全ての前記蓄積ジョブの実行に要する第１全体時間が、前記第１全体時間の標準値と予め定められた許容値とを加算した値よりも長くなる確率であることを特徴とする画像形成装置。 Input section for acquiring job data used to execute print jobs,
A printing unit that prints based on the job data,
A storage unit that stores the job data acquired by the input unit, and a storage unit.
A control unit that adjusts the execution order of the print job is included.
The storage unit
Holds the job data of the accumulated job which is the unexecuted print job,
Stores the first neural network data for constructing the first neural network for your own machine,
The control unit
When a predetermined number of the storage jobs are stored in the storage unit, a first item value, which is a value of a plurality of predetermined items, is determined based on the job data of each storage job.
A first list in which the first item values are arranged in the storage job unit and in the predetermined item order is generated.
The first input data is generated based on the first item value included in the first list, and the first input data is generated.
The generated first input data is input to the first neural network, and the first input data is input to the first neural network.
Obtain the first probability using the first neural network,
When the first probability is equal to or less than a predetermined threshold value, the printing unit is made to perform the storage job according to the order of the storage jobs in the first list.
The first probability is that when the storage jobs are executed in the order of the storage jobs in the first list, the first total time required to execute all the storage jobs included in the first list is the said. An image forming apparatus characterized in that the probability is longer than a value obtained by adding a standard value of the first total time and a predetermined allowable value. 前記制御部は、
求めた前記第１確率が前記閾値を超えているとき、新たな前記第１リストを生成し、
同じ前記蓄積ジョブについて、前に生成した前記第１リストと前記蓄積ジョブの並び順が異なるように、新たな前記第１リストを生成し、
新たな前記第１リストを生成したとき、新たな前記第１リストに含まれる前記第１項目値に基づき新たな前記第１入力データを生成し、
新たな前記第１入力データを生成したとき、新たな前記第１入力データを前記第１ニューラルネットワークに入力し、
求められた前記第１確率が前記閾値以下となるまで、新たな前記第１リストの生成を繰り返すことを特徴とする請求項１に記載の画像形成装置。 The control unit
When the obtained first probability exceeds the threshold value, a new first list is generated.
For the same storage job, a new first list is generated so that the order of the previously generated first list and the storage job is different.
When the new first list is generated, the new first input data is generated based on the first item value included in the new first list.
When the new first input data is generated, the new first input data is input to the first neural network.
The image forming apparatus according to claim 1, wherein a new generation of the first list is repeated until the obtained first probability becomes equal to or less than the threshold value. 前記蓄積ジョブを前記所定個数連続して実行する学習連続ジョブを実行したとき、
前記制御部は、
前記学習連続ジョブの実行開始から終了までの時間である第１実測時間を測り、
実行したそれぞれの前記蓄積ジョブについて、前記第１項目値を定め、
前記蓄積ジョブ単位、かつ、実行順に前記第１項目値を並べ、さらに、予め定められた項目順で前記第１項目値を並べた第１学習用リストを生成し、
前記第１学習用リストに基づき、第１学習用入力データを生成し、
全ての前記学習連続ジョブの実行に要する時間の標準値である第１標準時間を定め、
前記第１実測時間が前記第１標準時間と前記許容値とを加算した値よりも長いか否かを判定し、
当該判定の結果と前記第１学習用入力データを含む第１トレーニングデータセットを生成し、
生成した前記第１トレーニングデータセットを用いて、前記第１ニューラルネットワークの学習を行う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。
When a learning continuous job that continuously executes the predetermined number of storage jobs is executed,
The control unit
The first actual measurement time, which is the time from the start to the end of the continuous learning job, is measured.
For each of the executed accumulated jobs, the value of the first item is set.
A first learning list is generated in which the first item values are arranged in the storage job unit and the execution order, and the first item values are arranged in a predetermined item order.
Based on the first learning list, the input data for the first learning is generated.
A first standard time , which is a standard value of the time required to execute all the learning continuous jobs, is set.
It is determined whether or not the first actual measurement time is longer than the sum of the first standard time and the permissible value.
A first training data set containing the result of the determination and the input data for the first learning is generated.
The image forming apparatus according to claim 1 or 2, wherein the first neural network is trained using the generated first training data set.
 前記記憶部は、前記蓄積ジョブの並び替えの規則を定めた規則情報を記憶し、
新たな前記第１リストを生成するとき、
前記制御部は、前記規則に反しないように、前記蓄積ジョブの並び順を替えることを特徴とする請求項１乃至３の何れか１項に記載の画像形成装置。 The storage unit stores the rule information that defines the rules for rearranging the storage jobs, and stores the rule information.
When generating a new first list,
The image forming apparatus according to any one of claims 1 to 3, wherein the control unit changes the order of the storage jobs so as not to violate the rule. 他の画像形成装置と通信する通信部を含み、
生成し得る全てのパターンについて、前記第１リストを生成しても前記第１確率が前記閾値以下にならないとき、
前記制御部は、
他の画像形成装置に向けて、前記第１リストに含まれる前記蓄積ジョブの前記ジョブデータを前記通信部に送信させ、
前記他の画像形成装置に前記蓄積ジョブを実行させることを特徴とする請求項１乃至４の何れか１項に記載の画像形成装置。 Includes a communication unit that communicates with other image forming devices
When the first probability does not fall below the threshold value even if the first list is generated for all patterns that can be generated.
The control unit
The job data of the storage job included in the first list is transmitted to the communication unit toward another image forming apparatus.
The image forming apparatus according to any one of claims 1 to 4, wherein the other image forming apparatus is made to execute the accumulation job. 前記制御部は、制御回路と、ニューラルネットワークに関する演算を行うための演算処理装置を含むことを特徴とする請求項１乃至５の何れか１項に記載の画像形成装置。 The image forming apparatus according to any one of claims 1 to 5, wherein the control unit includes a control circuit and an arithmetic processing unit for performing arithmetic related to a neural network. 前記所定項目は、用紙サイズ、用紙向き、用紙種類、カラー設定のうち、複数を含むことを特徴とする請求項１乃至６の何れか１項に記載の画像形成装置。 The image forming apparatus according to any one of claims 1 to 6, wherein the predetermined item includes a plurality of paper size, paper orientation, paper type, and color setting. 請求項１乃至７の何れか１項に記載の画像形成装置である指揮装置と、
前記指揮装置と通信する画像形成装置である従属装置を含み、
前記指揮装置は、
前記従属装置ごとに、第２ニューラルネットワークを構築するための第２ニューラルネットワークデータを記憶し、
前記従属装置は、
前記ジョブデータを取得し、
取得した前記ジョブデータを記憶し、
所定個数の前記蓄積ジョブを蓄積したとき、それぞれの前記蓄積ジョブに基づき、複数の前記所定項目の値である第２項目値を定め、
前記蓄積ジョブ単位で前記第２項目値を並べ、かつ、予め定められた項目順で前記第２項目値を並べた第２リストを生成し、
生成した前記第２リストを前記指揮装置に送信し、
前記指揮装置の前記制御部は、
前記第２リストに含まれる前記第２項目値に基づき第２入力データを生成し、
生成した前記第２入力データを、前記第２リストを送信した前記従属装置に対応する前記第２ニューラルネットワークに入力し、
前記第２ニューラルネットワークを用いて第２確率を求め、
前記第２確率が前記閾値以下の前記第２リストを前記従属装置に与え、
前記従属装置は、与えられた前記第２リストの前記蓄積ジョブの並び順で、前記蓄積ジョブの印刷を行い、
前記第２確率は、前記第２リストでの前記蓄積ジョブの並び順で前記蓄積ジョブを実行した場合、前記第２リストに含まれる全ての前記蓄積ジョブの実行に要する第２全体時間が、前記第２全体時間の標準値と前記許容値とを加算した値よりも長くなる確率であることを特徴とする印刷制御システム。 The command device, which is the image forming device according to any one of claims 1 to 7,
Including a subordinate device that is an image forming device that communicates with the command device.
The command device is
The second neural network data for constructing the second neural network is stored for each of the dependent devices, and the second neural network data is stored.
The dependent device
Acquire the job data and
The acquired job data is stored and
When a predetermined number of the accumulated jobs are accumulated, a second item value, which is a value of a plurality of the predetermined items, is determined based on each of the accumulated jobs.
A second list in which the second item values are arranged in units of the accumulated jobs and the second item values are arranged in a predetermined item order is generated.
The generated second list is transmitted to the command device, and the generated second list is transmitted to the command device.
The control unit of the command device
The second input data is generated based on the second item value included in the second list, and the second input data is generated.
The generated second input data is input to the second neural network corresponding to the dependent device that transmitted the second list, and the second input data is input to the second neural network.
Obtain the second probability using the second neural network,
The second list with the second probability less than or equal to the threshold is given to the dependent device.
The subordinate device prints the storage jobs in the order of the storage jobs in the second list given.
The second probability is that when the storage jobs are executed in the order of the storage jobs in the second list, the second total time required to execute all the storage jobs included in the second list is the said. A print control system characterized in that the probability is longer than the sum of the standard value of the second total time and the permissible value. 前記指揮装置の制御部は、
前記第２確率が前記閾値を超えているとき、新たな前記第２リストを生成し、
同じ前記蓄積ジョブについて、前に生成した前記第２リストと前記蓄積ジョブの並び順が異なるように、新たな前記第２リストを生成し、
新たな前記第２リストを生成したとき、新たな前記第２リストに含まれる前記第２項目値に基づき新たな前記第２入力データを生成し、
新たな前記第２入力データを生成したとき、新たな前記第２入力データを対応する前記第２ニューラルネットワークに入力し、
求められた前記第２確率が前記閾値以下となるまで、新たな前記第２リストの生成を繰り返すことを特徴とする請求項８に記載の印刷制御システム。 The control unit of the command device
When the second probability exceeds the threshold, a new second list is generated.
For the same storage job, a new second list is generated so that the order of the previously generated second list and the storage job is different.
When the new second list is generated, the new second input data is generated based on the second item value included in the new second list.
When the new second input data is generated, the new second input data is input to the corresponding second neural network.
The print control system according to claim 8, wherein a new second list is repeatedly generated until the obtained second probability becomes equal to or less than the threshold value. 前記蓄積ジョブを前記所定個数連続して実行する学習連続ジョブを実行したとき、
前記従属装置は、
前記学習連続ジョブの実行開始から終了までの時間である第２実測時間を測り、
実行したそれぞれの前記蓄積ジョブについて、前記第２項目値を定め、
前記蓄積ジョブ単位、かつ、実行順に前記第２項目値を並べ、更に、予め定められた項目順で前記第２項目値を並べた第２ジョブ結果リストを生成し、
前記第２実測時間、前記第２ジョブ結果リストを前記指揮装置に送信し、
前記指揮装置の前記制御部は、
受信した前記第２ジョブ結果リストに基づき、第２学習用入力データを生成し、
受信した前記第２ジョブ結果リストに基づき、全ての前記学習連続ジョブの実行に要する時間の標準値である第２標準時間を定め、
前記第２実測時間が前記第２標準時間と前記許容値とを加算した値よりも長いか否かを判定し、
当該判定の結果と前記第２学習用入力データに基づいて、第２トレーニングデータセットを生成し、
生成した前記第２トレーニングデータセットを用いて、前記第２ニューラルネットワークの学習を行うことを特徴とする請求項８又は９に記載の印刷制御システム。
When a learning continuous job that continuously executes the predetermined number of storage jobs is executed,
The dependent device
The second actual measurement time, which is the time from the start to the end of the continuous learning job, is measured.
For each of the executed accumulated jobs, the second item value is set.
A second job result list is generated in which the second item values are arranged in the accumulated job unit and the execution order, and the second item values are arranged in a predetermined item order.
The second actual measurement time, the second job result list is transmitted to the command device, and the second job result list is transmitted.
The control unit of the command device
Based on the received second job result list, the input data for the second learning is generated.
Based on the received second job result list, the second standard time, which is the standard value of the time required to execute all the learning continuous jobs, is determined.
It is determined whether or not the second actual measurement time is longer than the sum of the second standard time and the permissible value.
A second training data set is generated based on the result of the determination and the input data for the second learning.
The print control system according to claim 8 or 9, wherein the second neural network is trained using the generated second training data set.
 前記指揮装置の前記記憶部は、前記蓄積ジョブの並び替えの規則を定めた規則情報を記憶し、
新たな前記第２リストを生成するとき、
前記指揮装置の前記制御部は、前記規則に反しないように、前記第２リストの前記蓄積ジョブの並び順を替えることを特徴とする請求項８乃至１０の何れか１項に記載の印刷制御システム。 The storage unit of the command device stores rule information that defines rules for rearranging the storage jobs, and stores the rule information.
When generating a new second list,
The print control according to any one of claims 8 to 10, wherein the control unit of the command device changes the order of the storage jobs in the second list so as not to violate the rule. system. 生成し得る全てのパターンについて、前記第２リストを生成しても前記第２確率が前記閾値以下にならないとき、
前記指揮装置の前記制御部は、
生成した前記第２リストのうち、最も前記第２確率が小さくなった前記第２リストを対応する前記従属装置に与え、
前記従属装置は、与えられた前記第２リストの前記蓄積ジョブの並び順で、前記蓄積ジョブの印刷を行うことを特徴とする請求項８乃至１１の何れか１項に記載の印刷制御システム。 When the second probability does not fall below the threshold value even if the second list is generated for all patterns that can be generated.
The control unit of the command device
Of the generated second list, the second list having the smallest second probability is given to the corresponding dependent device.
The print control system according to any one of claims 8 to 11, wherein the subordinate device prints the storage jobs in the order of the storage jobs in the second list.
JP2018065140A 2018-03-29 2018-03-29 Image forming device and print control system Active JP6881372B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018065140A JP6881372B2 (en) 2018-03-29 2018-03-29 Image forming device and print control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018065140A JP6881372B2 (en) 2018-03-29 2018-03-29 Image forming device and print control system

Publications (2)

Publication Number Publication Date
JP2019171774A JP2019171774A (en) 2019-10-10
JP6881372B2 true JP6881372B2 (en) 2021-06-02

Family

ID=68169906

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018065140A Active JP6881372B2 (en) 2018-03-29 2018-03-29 Image forming device and print control system

Country Status (1)

Country Link
JP (1) JP6881372B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7450380B2 (en) * 2019-12-17 2024-03-15 シャープ株式会社 Image forming device, control method and program

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002344669A (en) * 2001-05-14 2002-11-29 Sharp Corp Control method for print job and image forming device
JP2005297313A (en) * 2004-04-09 2005-10-27 Kyocera Mita Corp Image forming apparatus
JP2015155174A (en) * 2014-02-21 2015-08-27 キヤノン株式会社 Image formation device, control method of the same and program
DE102015118139A1 (en) * 2015-04-20 2016-10-20 Océ Printing Systems GmbH & Co. KG Method and device for sequencing print jobs
CN107085360A (en) * 2016-02-16 2017-08-22 日本冲信息株式会社 Image processing system, equipment and its electrical control method

Also Published As

Publication number Publication date
JP2019171774A (en) 2019-10-10

Similar Documents

Publication Publication Date Title
CN107885467B (en) System and method for displaying color reproduction status on job scheduling screen
CN105723321B (en) The operation in print queue is ranked up based on time and print time
CN110740219B (en) Image inspection device, recording medium storing program, and image forming apparatus
JP6561685B2 (en) Image forming system, image forming apparatus, and management apparatus
JP6881372B2 (en) Image forming device and print control system
US20080030756A1 (en) Print job eligibility based on named snapshots of printer settings
JP5435017B2 (en) Variable printing system, image forming apparatus, and variable printing control program
CN102147578B (en) Image forming apparatus and counting method for image forming apparatus
JP2005169918A (en) Image forming device
US11715035B2 (en) Information processing apparatus, machine learning apparatus, and information processing method
US8340544B2 (en) Printing apparatus and control method wherein a maintenance temperature is determined based on preset temperatures
JP2012206433A (en) Program for estimating variable print data processing time and image forming apparatus
JP6981360B2 (en) Image formation system and image formation server
JP6161423B2 (en) Apparatus, apparatus control method, and program
JP2007136697A (en) Image forming system
JP7139612B2 (en) SETTING INFORMATION INPUT CONTROL PROGRAM AND SETTING INFORMATION INPUT CONTROL METHOD
JP5516095B2 (en) Print data generation apparatus, print data generation method, and control program for print data generation apparatus
US20110036256A1 (en) Print setup device, print setup method, and computer readable recording medium storing print setup proram
EP4254162A1 (en) Print management system and print management method
AU2019201612B2 (en) Print management device and program
JP5402855B2 (en) Image forming system
JP2022037951A (en) Information processing apparatus, sheet information notification method, and program
JP2022130906A (en) image forming device
JP6124738B2 (en) Information processing apparatus, image forming apparatus, and image forming system
JP2020122844A (en) Image forming system and image forming apparatus

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200220

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20201221

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210105

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210301

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: 20210406

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210419

R150 Certificate of patent or registration of utility model

Ref document number: 6881372

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150