JP6915638B2 - 故障時期推測装置、機械学習装置、故障時期推測方法 - Google Patents

Description

本発明は、故障時期推測装置、機械学習装置、故障時期推測方法に関する。

従来、装置の故障を予測するための様々な手法が提案されている。例えば特許文献１には、印刷装置に印刷させたテスト画像をスキャナーで読み取り、得られた画像を解析項目について解析し、解析結果の時系列の推移に基づいて印刷装置が将来のある時点で故障するか否かを判定することが記載されている。また、解析項目とは例えば画像の周波数解析であることが記載されている。

特開２０１５−１７０２００号公報

しかし、予め決めた解析項目や判断基準では把握することが困難な複雑な要因が故障時期と相関している可能性がある。従来のように予め決めた解析項目を予め決めた判断基準に従って解析する場合、故障時期の予測精度を高めることが困難となる可能性がある。
本発明は、印刷装置の故障時期を推測することを目的とする。

上記目的を達成するための故障時期推測装置は、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の少なくとも１つを含む印刷装置情報と、印刷装置の故障時期と、を対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部と、印刷装置情報を取得し、取得した印刷装置情報と学習済モデルとを用いて印刷装置の故障時期を推測する制御部と、を備える。
本構成によれば、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果画像の少なくとも１つを含む印刷装置情報に基づいて印刷装置の故障時期を推測することができる。また、本構成によれば、機械学習モデルを用いて故障時期を推測する構成であるため、故障時期推測のための判断基準を予め人間が定める必要がない。また、動作履歴、状態情報、印刷結果画像等を含む複数の情報に基づいて故障時期を推測する機械学習モデルを構成した場合、故障時期を精度よく推測できる可能性を高めることができる。

さらに、印刷結果画像は、予め決められたパターン画像の印刷結果を示す画像であり、動作履歴は、パターン画像の印刷から過去に遡った動作の履歴であり、状態情報は、パターン画像を印刷した際の印刷装置の状態を示す情報である構成であってもよい。
本構成によれば、印刷装置において予め決められたパターン画像を印刷した際に印刷装置情報を取得することができ、取得した印刷装置情報を用いて印刷装置の故障時期を推測することができる。

さらに、パターン画像は、線で構成されたパターン、および、既定の大きさの領域を既定の色で塗りつぶしたパターンの少なくともいずれかを含む構成であってもよい。
本構成によれば、線パターンや塗りつぶしパターンを印刷した場合の印刷結果画像に基づいて印刷装置の故障時期を推測することができる。

さらに、印刷結果画像は、印刷媒体にインクを吐出するノズルを有する印刷ヘッドを搭載したキャリッジに設けられたセンサーで撮影される構成であってもよい。
本構成によれば、印刷ヘッドを搭載したキャリッジに設けられたセンサーで撮影された印刷結果画像を取得することができる。例えば印刷装置とは別の画像読取装置（スキャナー）によって印刷結果画像を取得する構成と比較すると利用者の作業負担を軽減することができる。

さらに、制御部は、現在と推測される故障時期との差が閾値未満となった場合に、故障時期に関連する通知を行う構成であってもよい。
本構成によれば、当該通知を受けた側（人または装置）は、故障に備えて準備を行うことができる。例えば、故障することが推測される部位の部品の調達を開始することや、故障前に部品を交換すること等を行うことができる。その結果、印刷装置のダウンタイムを短縮することが可能である。また、閾値を設定し、現在と故障時期との差が閾値以上の場合（推測される故障時期までの期間が閾値以上の長さである場合）には通知を行わない構成であるため、無用に早期から故障時期に関する通知が行われることによる弊害を防ぐことができる。例えば、早期に故障時期を通知されても利用者は故障に備えた準備を直ちに行わない可能性があり、準備を行わないまま故障時期を忘れてしまう可能性がある。また早期から何度も繰り返し通知が行われると、利用者が煩わしさを感じ、やがて通知が形骸化する可能性がある。

さらに、印刷装置情報は、インクの吐出不良を解消するために印刷ヘッドからインクを吐出するフラッシングと、印刷ヘッドのノズル面を拭うワイピングの少なくとも１つを含むメンテナンスの実行履歴を含む構成であってもよい。
本構成によれば、メンテナンスの実行履歴に基づいて印刷装置の故障時期を推測することができる。

さらに、印刷装置情報は、メンテナンス実行回数と、メンテナンス実行後の吐出不良解消回数との相違によって示されるメンテナンス失敗情報を含む構成であってもよい。
メンテナンス失敗情報は、ノズルをクリーニングするなどメンテナンスを行ってもノズルの吐出不良状態が解消しにくい状況の程度を示す情報である。メンテナンス失敗情報と印刷装置の故障とは相関する可能性がある。本構成によれば、メンテナンス失敗情報を用いて印刷装置の故障時期を推測することができる。

さらに、印刷装置情報は、印刷装置の連続稼働時間、印刷装置の温度の履歴、および、印刷装置の周囲の温度の履歴の少なくともいずれかを含む構成であってもよい。
印刷装置の連続稼働時間、印刷装置の温度の履歴、印刷装置の周囲の温度の履歴等は、印刷装置の故障と相関する可能性がある。本構成によれば、これらの情報を用いて印刷装置の故障時期を推測することができる。

上記目的を達成するための機械学習装置は、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の少なくとも１つを含む印刷装置情報と、印刷装置の故障時期とを対応付けた教師データを取得し、印刷装置情報を入力し故障時期を出力するモデルを教師データに基づいて機械学習する制御部を備える。
本構成によれば、印刷装置情報に基づいて印刷装置の故障時期を推測するための機械学習モデルを生産することができる。

上記目的を達成するための故障時期推測方法は、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の少なくとも１つを含む印刷装置情報と、印刷装置の故障時期と、を対応付けた教師データを用いて機械学習した学習済モデルを記憶し、印刷装置情報を取得し、取得した印刷装置情報と学習済モデルとを用いて印刷装置の故障時期を判定する。
この方法によれば、印刷装置情報に基づいて印刷装置の故障時期を推測することができる。また、機械学習モデルを用いて故障時期を推測するため、故障時期を推測するための判断基準を予め人間が定める必要がない。また、動作履歴、状態情報、印刷結果画像等を含む複数の情報に基づいて故障時期を推測する機械学習モデルを構成した場合、故障時期を精度よく推測できる可能性を高めることができる。

印刷装置と機械学習装置のブロック図。 センサーの構成を示す模式図。 印刷装置情報の取得と故障時期の一例を示す図。 機械学習処理のフローチャート。 機械学習モデルの入出力の一例を示す図。 パターン画像印刷処理のフローチャート。

ここでは、下記の順序に従って本発明の実施の形態について説明する。
（１）印刷装置と機械学習装置の構成：
（２）パターン画像印刷処理：
（３）他の実施形態：

（１）印刷装置と機械学習装置の構成：
図１は、本発明の実施形態にかかる印刷装置１０と機械学習装置１００の構成を示すブロック図である。本実施形態において印刷装置１０は、故障時期推測装置としても機能する。印刷装置１０は、ＣＰＵ，ＲＡＭ等を備えるプロセッサー２０（故障時期推測装置の制御部に相当する）と不揮発性メモリー３０（記憶部に相当する）とを備えている。印刷装置１０は、不揮発性メモリー３０に記録された種々のプログラムをプロセッサー２０で実行することができる。

本実施形態にかかる印刷装置１０は、インクジェット方式のプリンターである。印刷装置１０は、キャリッジ４０、温度センサー４３、湿度センサー４４、通信部５０、搬送機構６０、ＵＩ（User Interface）部７０、図示しない計時部を備えている。プロセッサー２０は、計時部から現在日時を取得することができる。

通信部５０は、印刷装置１０に装着された各種のリムーバブルメモリーや、有線または無線で印刷装置１０に接続された他の装置と各種の通信プロトコルに従って通信するための通信インターフェース回路を含む。プロセッサー２０は、通信部５０を介して接続された後述する機械学習装置１００や図示しない他の装置等と通信可能である。また、プロセッサー２０は、通信部５０を介して接続されたリムーバブルメモリーや機械学習装置１００や他の装置から印刷対象のデータを取得することができる。

搬送機構６０は、印刷媒体を既定の方向に搬送する装置である。プロセッサー２０は、搬送機構６０を制御して、既定の手順で印刷媒体を搬送することができる。キャリッジ４０には、印刷部４１とセンサー４２とが搭載されている。プロセッサー２０は、キャリッジ４０を特定の方向に沿って往復移動させることが可能である。印刷装置１０においては、印刷媒体から所定の距離が維持された状態でキャリッジ４０が特定の方向に移動されるように構成されている。キャリッジ４０が往復移動する特定の方向を以降では主走査方向と呼ぶ。

ＵＩ部７０は、タッチパネル式のディスプレイや、各種のキーやスイッチ等を含む。プロセッサー２０は、ＵＩ部７０を介して利用者の操作内容を取得することができる。また、プロセッサー２０は、ＵＩ部７０のディスプレイに各種の情報を表示し利用者に通知することができる。

印刷部４１は、ＣＭＹＫ（Ｃ：シアン、Ｍ：マゼンタ、Ｙ：イエロー、Ｋ：ブラック）の４種類のインクを吐出する印刷ヘッドと、印刷ヘッドに装着されたＣＭＹＫ各色のインクのインクタンクとを備えている。むろん、インクの色や色数は一例であり、他の色のインクや他の色数が利用されても良い。印刷ヘッドは、吐出ノズルを備えている。同色のインクの吐出ノズルは、主走査方向と直交する方向（副走査方向と呼ぶ）に複数個並んでノズル列を構成する。各色のノズル列は、主走査方向に並ぶ。プロセッサー２０は、各吐出ノズルからのインク吐出量や吐出タイミング等を制御することができる。

従って、キャリッジ４０を主走査方向に移動させる過程で吐出ノズルから各色のインクが吐出されることにより、印刷媒体に画像を印刷することができる。そして、搬送機構６０による印刷媒体の搬送（副走査方向に搬送）と、キャリッジ４０の移動および印刷ヘッドからのインクの吐出とを繰り返すことにより、印刷媒体における印刷可能範囲の任意の位置に画像を印刷することが可能である。

プロセッサー２０は、随時、印刷装置１０の現在の状態を更新し、状態情報３０ｂとして不揮発性メモリー３０に記憶する。具体的にはプロセッサー２０は、累積ショット数、累積パス数、累積吐出時間、メンテナンス実行回数、メンテナンス実行後の吐出不良解消回数等を、これらの動作を実施した際に更新する。

累積ショット数は、ノズルからインクが吐出された回数の累積値である。累積ショット数は、ノズル毎にカウントされた各累積値で表されてもよいし、ノズル列（すなわちインク色毎）あるいは全ノズルのうち最多のノズルの累積値で表されてもよい。累積パス数は、インクを吐出するために主走査方向にキャリッジを移動させた回数の累積値である。例えば、インクを吐出するためにキャリッジが主走査方向における第１の向きに移動した回数の累積値と、インクと吐出するためにキャリッジが第２の向き（第１の向きの逆）に移動した回数の累積値を想定してよい。

累積吐出時間は、印刷ヘッドが印刷装置１０に取り付けられて以降にノズルからインク滴を吐出する動作を行っている時間の累積値である。累積吐出時間は、例えばインク滴を吐出するためにキャリッジが移動している時間の累積値として定義されてもよいし、ノズルからインク滴を吐出するために、圧電素子に印加される電圧が基準電位から変動している時間の累積値として定義されてもよい。累積吐出時間は、ノズル毎の各累積値で表されても良いし、ノズル列あるいは全ノズルのうち累積値が最長のノズルの当該累積値で表されても良い。なお、印刷ヘッドが印刷装置１０に取り付けられて以降の経過時間に占める累積吐出時間の割合（印刷ヘッドの稼働率）が算出され後述する機械学習モデルの入力データに利用されてもよい。

メンテナンスは、印刷ヘッドのノズルの吐出不良を解消するためにプロセッサー２０の制御により実施される動作である。メンテナンスには、例えば、微振動動作、ワイピング、フラッシング、吸引動作等が含まれる。微振動動作は、インク滴が吐出されない程度の圧力変化を与えることで、ノズルの開口付近の増粘インクを分散させる動作である。ワイピングは、印刷ヘッドのノズル面（インクを吐出する開口が形成されている面）をワイパーで拭き取る動作である。ワイパーは、プロセッサー２０の制御に応じて駆動される。フラッシングは、インクの増粘や増粘による目詰まりを防止するためにインク滴をノズルから吐出させる動作である。吸引動作は、ノズルからインク液を吸引して排出させる動作である。

メンテナンス実行回数は、印刷ヘッドが印刷装置１０に取り付けられて以降に実施された上述の各メンテナンスの実行回数（累積値）である。メンテナンス実行回数は、メンテナンスの種類毎の回数として表されても良いし、各種類のメンテナンスの実行回数の合計値として表されても良い。メンテナンス実行後、本実施形態においては、プロセッサー２０がパターン画像を印刷するように構成されている。そしてプロセッサー２０は、パターン画像を後述するセンサー４２で撮影して取得した画像を解析して、吐出不良が解消したか否かを判定する。メンテナンス実行後の吐出不良解消回数は、メンテナンス実行後に吐出不良が解消した回数である。例えば、１回フラッシングを行っただけは吐出不良が解消せずさらにもう１回フラッシングを行ったことにより吐出不良が解消した場合、メンテナンス実行回数は２回、メンテナンス実行後の吐出不良解消回数は１回となる。メンテナンス実行後の吐出不良解消回数は、メンテナンスの種類毎の回数として表されても良いし、それらの合計値として表されても良い。

なお、メンテナンスを行っても吐出不良状態が解消しにくい状況の程度を示す情報（メンテナンス失敗情報）を、メンテナンス実行回数とメンテナンス実行後の吐出不良解消回数とに基づいて算出し、後述する機械学習モデルの入力データとして利用する構成であってもよい。メンテナンス失敗情報は、メンテナンス実行回数（Ｃ１）とメンテナンス実行後の吐出不良解消回数（Ｃ２）の差分（Ｃ１−Ｃ２）で表されても良い。また、メンテナンス失敗情報は、Ｃ１に占めるＣ２の割合（Ｃ２／Ｃ１）で表されてもよい。また、メンテナンス失敗情報は、メンテナンスの種類毎に算出されてもよいし、全種類のメンテナンスについて算出されてもよい。Ｃ１、Ｃ２、Ｃ１−Ｃ２、Ｃ２／Ｃ１、Ｃ１やＣ２に基づいて算出されるその他の値、の少なくともいずれかが機械学習モデルの入力データとして利用されてよい。

センサー４２は、印刷部４１によって印刷された印刷結果を示す画像データを取得することが可能なセンサーユニットである。本実施形態においてセンサー４２は、印刷部４１の印刷ヘッドに対して主走査方向に隣接した状態でキャリッジ４０に備えられている。従って、プロセッサー２０は、キャリッジ４０を移動させることにより、センサー４２を主走査方向に移動させることができる。このような構成により、本実施形態においては、センサー４２が移動することによって主走査方向における印刷媒体上の任意の位置を視野に含め、当該任意の位置において印刷媒体の表面の像を撮影することができる。本実施形態においては、センサー４２によって撮影された画像は、吐出不良状態か否かの判定や、印刷装置１０の故障時期の推測のために利用される。

図２は、センサー４２の構造を模式的に示す図である。図２においては、センサー４２と印刷媒体Ｐとを模式的に示しており、副走査方向をｙ方向、印刷面に垂直な方向をｚ方向として示している。従って、主走査方向は、ｙ方向およびｚ方向に垂直な図面の奥行き方向である。本実施形態においては、主走査方向をｘ方向とも呼ぶ。

本実施形態にかかるセンサー４２は、図２に示すように、筐体４２ａを備えており、筐体４２ａによってセンサー４２の内部に空間が形成されている。筐体４２ａの内部には、エリアセンサー４２ｂと、ＬＥＤ４２ｃ，４２ｄと、レンズ４２ｅとが備えられている。エリアセンサー４２ｂは、２次元的に配置されたセンサー素子を備えている。各センサー素子はＲＧＢ（Ｒ：レッド、Ｇ：グリーン、Ｂ：ブルー）の各色のフィルターを通して各色の明るさを読み取り、明るさを出力するセンサーである。

ＬＥＤ４２ｃ，４２ｄは、印刷媒体Ｐに光を照射する光源である。本実施形態においてセンサー４２は、２カ所に設置されたＬＥＤ４２ｃ，４２ｄで印刷媒体Ｐを照明する構成となっている。エリアセンサー４２ｂからみたｚ軸負方向側にはレンズ４２ｅが配置されており、ＬＥＤ４２ｃ，４２ｄから出力された後に印刷媒体Ｐで反射し、拡散した光はレンズ４２ｅを通ってエリアセンサー４２ｂのセンサー素子に結像する。従って、エリアセンサー４２ｂは、ＬＥＤ４２ｃ，４２ｄで照明された印刷媒体Ｐの像を読み取ることができる。図２においては、印刷媒体Ｐ上の読み取り範囲Ｙｓに照射される光の光路と、印刷媒体Ｐからレンズ４２ｅを通ってエリアセンサー４２ｂに達する光の光路との一部を一点鎖線の矢印で示している。プロセッサー２０は、エリアセンサー４２ｂの各センサー素子で読み取られたＲＧＢの各色の明るさに基づいて、印刷媒体Ｐの表面の像を読み取ることができる。

温度センサー４３は、本実施形態においては、インクの温度を非接触で検知するセンサーである。プロセッサー２０は、温度センサー４３が検知したインクの温度を取得することができる。湿度センサー４４は、印刷装置１０が載置されている空間の湿度を検知するセンサーである。プロセッサー２０は、湿度センサー４４が検知した湿度を取得することができる。本実施形態においては、プロセッサー２０は一定時間経過毎に温度センサー４３および湿度センサー４４から温度および湿度をそれぞれ取得し、その際に計時部から取得した日時と対応付けて不揮発性メモリー３０に動作履歴３０ａとして記憶する。

機械学習装置１００は、印刷装置１０から取得した情報に基づいて教師データを蓄積し、蓄積した教師データに基づいて機械学習を行い、その結果得られた学習済モデル１３０ａを印刷装置１０に出力するコンピューターである。なお、機械学習装置１００は、例えば、同じ型式の複数の印刷装置から各印刷装置固有の印刷装置情報と故障日時とを取得して教師データを構成し、当該教師データを用いて機械学習した結果生成された学習済モデル１３０ａを当該型式の複数の印刷装置に配布する構成であってもよい。

機械学習装置１００は、ＣＰＵ，ＲＡＭ，ＲＯＭ等を備える制御部１２０、記憶媒体１３０、通信部１５０を備えている。むろん、ＧＰＵや機械学習用に設計された各種のプロセッサーが機械学習に利用されても良い。制御部１２０は、記憶媒体１３０に記録された図示しない機械学習プログラムを実行することにより、機械学習に関連した機能を実行することができる。

本実施形態においては、印刷装置１０の故障時期を推測するための機械学習モデルを機械学習装置１００において生成するにあたり、印刷装置１０では、印刷装置１０の動作履歴３０ａと、印刷装置１０の現在の状態を示す状態情報３０ｂと、印刷装置１０において印刷された印刷結果を示す画像とを含む印刷装置情報を取得する。本実施形態においては、例えば、印刷装置１０に印刷ジョブが投入された際、当該印刷ジョブによる印刷実行に先立って、予め決められたパターン画像の印刷が行われることを想定している。

プロセッサー２０はパターン画像を印刷すると、センサー４２を制御してパターン画像の印刷結果を示す画像を取得する。なおパターン画像は、線で構成されたパターン（主走査方向に平行な線や平行でない線、副走査方向に平行な線や平行でない線を含みうる）や、既定の大きさの領域を既定の色（例えばインク色）で塗りつぶすパターン等を含んでいる。

また、プロセッサー２０は、パターン画像を印刷した印刷日時を取得し、印刷装置情報と、印刷日時と、印刷装置１０の装置ＩＤとを対応付けて機械学習装置１００に送信する。印刷装置情報には、パターン画像の印刷日時から過去に遡った印刷装置１０の動作履歴３０ａと、当該印刷日時における印刷装置１０の状態を示す状態情報３０ｂと、パターン画像の印刷結果を示す画像とが含まれる。機械学習装置１００は、印刷装置情報と印刷日時と装置ＩＤとを取得すると、装置ＩＤと印刷日時とに対応付けて印刷装置情報１３０ｅを記憶媒体１３０に記憶する。

図３は、印刷装置１０におけるパターン画像の印刷タイミングや、印刷装置１０の故障タイミングの一例を示す図である。図３の例において、日時ｔ１〜ｔ８は、新規の印刷ジョブにかかる印刷実行前のパターン画像印刷のタイミングを示している。例えば、日時ｔ１にパターン画像を印刷すると、プロセッサー２０は印刷日時として日時ｔ１を図示しない計時部から取得し、センサー４２によってパターン画像の印刷結果画像（Ｉ１）を取得する。また、プロセッサー２０は、動作履歴３０ａを参照して、日時ｔ１から過去に遡った期間Ｐ１の動作履歴（Ｌ１）を取得する。本実施形態においてプロセッサー２０は、日時ｔ１から過去に遡った期間Ｐ１における温度の履歴と湿度の履歴を、動作履歴３０ａを参照して取得する。期間Ｐ２〜期間Ｐ８は期間Ｐ１と等しい長さである。例えば、過去１週間における１時間毎の温度と湿度の履歴を取得する構成を想定してよい（その場合、期間Ｐ１の長さは１週間であり（Ｐ２〜Ｐ８も同じ長さ）、履歴の周期は１時間である）。なお、動作履歴の種類に応じて期間の長さは異なってもよいし、採用する履歴の周期が異なっても良い（例えば温度の履歴は過去１週間の１時間単位、湿度の履歴は過去３日の１２時間単位等であってもよい）。

また、プロセッサー２０は、日時ｔ１における印刷装置１０の状態である状態情報（Ｓ１）を取得する。具体的には例えば、プロセッサー２０は、日時ｔ１にパターン画像を印刷したことに応じて状態情報３０ｂを更新し、更新後の状態情報３０ｂを取得する。そしてプロセッサー２０は、動作履歴（Ｌ１）と、状態情報（Ｓ１）と、画像（Ｉ１）とを含む印刷装置情報ＤＳ１と、日時ｔ１と、印刷装置１０の装置ＩＤとを対応付けて、機械学習装置１００に送信する。機械学習装置１００は受信した印刷装置情報ＤＳ１を装置ＩＤおよび日時ｔ１と対応付けて記憶媒体１３０に記憶する。印刷装置１０および機械学習装置１００においては、日時ｔ２〜日時ｔ８についても同様の処理が行われ、機械学習装置１００の記憶媒体１３０に印刷装置情報ＤＳ２〜ＤＳ８が記憶される。図３においては日時ｔ２〜ｔ７についての記載を省略しているが日時ｔ１と同様の処理が行われる。

パターン画像を印刷すると、プロセッサー２０は、センサー４２によって取得したパターン画像の印刷結果画像を解析し、期待されるパターン画像との差異に基づいて、吐出不良状態であるか否かを判定する。具体的には例えばプロセッサー２０は、インク色毎の線で構成された線パターンについては、本来の線パターン（吐出不良状態でない正常状態の場合に印刷される線パターン）と比較して、曲がり、太り、かすれ／抜け、ぼた落ち、混色、複数線等が生じていることが検知される場合に、吐出不良状態であると判定する。また例えばプロセッサー２０は、塗りつぶしパターンについては、当該塗りつぶしパターンの領域の平均濃度が、本来の平均濃度（吐出不良状態でない正常状態の場合に印刷結果として表現される平均濃度）と予め決められた値以上に相違する場合に、吐出不良状態であると判定する。

プロセッサー２０は、印刷ヘッドが吐出不良状態であると判定した場合、メンテナンスを実行する。実行するメンテナンスの種類は、パターン画像の印刷結果画像の内容に応じて選択されてもよい。また例えば、メンテナンスによるインク消費量が少ない順に、実施するメンテナンスの種類が選択されてもよい。メンテナンスを実行すると、プロセッサー２０は、メンテナンス実行回数をインクリメントする。プロセッサー２０は、メンテナンス実行後に、再びパターン画像を印刷しセンサー４２によって印刷結果画像を取得する。そしてプロセッサー２０は、印刷結果画像に基づいて上述と同様に吐出不良状態であるか否かを判定する。吐出不良状態でない（吐出不良が解消して正常状態である）と判定した場合、プロセッサー２０は、メンテナンス実行後の吐出不良解消回数をインクリメントする。

プロセッサー２０は、パターン画像の印刷を印刷し、予め決められた故障判断基準を満たした場合に印刷ヘッドが故障していると判断する。例えば、メンテナンス実行、メンテナンス実行後のパターン画像印刷、パターン画像の印刷結果画像に基づく吐出不良判定、を予め決められた回数、連続して繰り返しても吐出不良状態が解消されないことを、印刷ヘッドの故障判断基準としてもよい。また例えば、利用者がパターン画像の印刷結果を目視確認して故障であると判断した旨を、ＵＩ部７０を介して入力したことを故障判断基準としてもよい。前者と後者の両方を満たすことを故障判断基準としてもよい。

故障判断基準を満たす場合、プロセッサー２０は故障が発生した日時を図示しない計時部から取得し、印刷装置１０の装置ＩＤと対応付けて機械学習装置１００に通信部５０を介して送信する。機械学習装置１００の制御部１２０は、通信部１５０を介して印刷装置１０から装置ＩＤと故障日時を取得すると、記憶媒体１３０において当該装置ＩＤと対応付けて記憶されている印刷装置情報を選出し、選出した各印刷装置情報に対応付けられている印刷日時と故障日時との差分を算出する。当該差分は、印刷装置情報に対応付けられている印刷日時以降の故障時期を示している。制御部１２０は、選出した印刷装置情報における画像と動作履歴と状態情報の組み合わせと、算出した差分とを対応付けて教師データ１３０ｂの１つとして記憶する。

例えば図３の例においては、日時ｔ８に印刷装置１０が故障したことを示している。この場合、機械学習装置１００の制御部１２０は、記憶媒体１３０に蓄積されている印刷装置情報１３０ｅのうち、対応付けられている装置ＩＤが、故障日時を送信した印刷装置の装置ＩＤと同じ印刷装置情報であって、教師データとして未採用の印刷装置情報ＤＳ１〜ＤＳ８を選出する。制御部１２０は、印刷装置情報ＤＳ１の印刷日時ｔ１と故障日時ｔ８との差分を算出し、印刷装置情報ＤＳ１（画像Ｉ１、動作履歴Ｌ１、状態情報Ｓ１）と当該差分とを対応付けて教師データ１３０ｂの１つとして記憶媒体１３０に記憶する。ＤＳ２〜ＤＳ８についても同様にして教師データ１３０ｂの１つとして記憶媒体１３０に記憶する。

このようにして教師データが既定量蓄積されると、制御部１２０は、教師データを用いて機械学習処理を実行する。図４は、機械学習処理を示すフローチャートである。機械学習処理は、既定量の教師データ１３０ｂが蓄積された後、任意のタイミングで実行されてよい。機械学習処理が開始されると、制御部１２０は、訓練モデル１３０ｄを取得する（ステップＳ１００）。ここで、モデルとは、推定対象のデータと推定結果のデータとの対応関係を導出する式を示す情報である。本実施形態においては推定対象のデータが印刷装置情報であり、印刷装置の故障時期が推定結果のデータであるモデルを例にして説明する。なお本実施形態において、印刷装置の故障時期は、印刷装置情報の取得の基準となる日時（本実施形態の場合パターン画像の印刷日時）と、当該日時以降の故障日時（あるいは故障日時を含む期間）との差分によって表現される。従って例えば、１週間後〜２週間未満等のように表現される。

入力データを出力データに変換する限りにおいて、モデルは種々の定義が可能である。図５は本実施形態において利用されるモデルの一例を模式的に示した図である。本実施形態においては、パターン画像を印刷した印刷媒体の表面を撮像して得られた画像データ（印刷結果画像（Ｉｎ））については、ＣＮＮ（Convolutional Neural Network）を用いる。同図においては、ＣＮＮによるデータフォーマットの変化を直方体で示しており、通常のニューラルネットワークのノードを白丸で示している。

本実施形態のモデルは、印刷結果画像（Ｉｎ）を示す画像データをＣＮＮの入力層Ｌ_ｉ１への入力データとし、層Ｌ_ｎ１から画像データに関する中間出力データを出力する。ＣＮＮに入力する画像データは縦Ｈピクセル、横Ｗピクセルであり、各ピクセルについてＲ：赤、Ｇ：緑、Ｂ：青の３チャンネルの階調値が規定されている。従って、図５において入力層Ｌ_ｉ１の画像は縦Ｈ，横Ｗ，奥行き３の直方体で模式的に示されている。図５においては、画像が入力層に入力された後、ＣＮＮを経て、すなわち、所定の大きさおよび数のフィルターによる畳み込み演算、活性化関数による演算およびプーリング層の演算を経てＨ_１１×Ｗ_１１×Ｄ_１１個の出力値に変換される例を示している。図５においては、この後、複数の層（図示省略）を経てＨ_ｍ１×Ｗ_ｍ１×Ｄ_ｍ１個の出力値に変換される例を示している。ＣＮＮによってＨ_ｍ１×Ｗ_ｍ１×Ｄ_ｍ１個の出力値が得られた後、全結合によって層Ｌ_ｎ１に画像データに関する中間出力データを示す出力値が得られる。

また、本実施形態のモデルには、動作履歴（Ｌｎ）を入力するノードと、状態情報（Ｓｎ）を入力するノードが設けられている。本実施形態においては、動作履歴（Ｌｎ）を構成する各データおよび状態情報（Ｓｎ）を構成する各データを入力層Ｌ_ｉ２の各ノードへの入力データとし、層Ｌ_ｎ２から動作履歴および状態情報に関する中間出力データを出力する。

例えば、図５に示すモデルには、日時ｔｎから過去に遡った期間Ｐｎにおける一定時間間隔毎の温度の履歴および湿度の履歴をそれぞれ入力するノードが設けられている。また例えば、図５に示すモデルには、日時ｔｎにおける印刷装置１０の状態情報（Ｓｎ）に含まれる各データ（例えば、累積ショット数、累積パス数、累積吐出時間、メンテナンス失敗情報等）をそれぞれ入力するノードが設けられている。

出力層Ｌ_ｏの各ノードは、層Ｌ_ｎ１、Ｌ_ｎ２の各ノードの出力値を入力とする。出力層Ｌ_ｏの各ノードは、推測される故障時期（Ｎ０，Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５）に対応している。Ｎ０は、故障時期として０（すなわち現時点で故障している）に対応するノードである。Ｎ１〜Ｎ５は順に、故障時期として、１週間未満、１週間以降〜２週間未満、２週間以降〜３週間未満、３週間以降〜４週間未満、４週間以降に対応する。出力層Ｌ_ｏの各ノードＮ０〜Ｎ５の出力値の和は１になるように規格化される。なお、層Ｌ_ｎ１、Ｌ_ｎ２と出力層Ｌ_ｏとの間は多階層であってもよい。出力層Ｌ_ｏにおいて出力値が最も大きいノードに対応する故障時期が、入力層Ｌ_ｉ１，Ｌ_ｉ２に入力された各データを含む印刷装置情報に対応付けられた日時を基準として印刷装置１０が故障する可能性が高い時期であると推定可能である。

図４に示すフローチャートにおけるステップＳ１００では、訓練モデルを取得する。ここで、訓練とは、学習対象であることを示す。すなわち、訓練モデルにおいては、印刷装置情報を入力し、印刷装置１０の故障時期を出力するが、印刷装置情報と故障時期との対応関係は初期において正確ではない。すなわち、訓練モデルにおいては、ノードが構成する層の数やノードの数は決められるが、入出力の関係を規定するパラメーター（重みやバイアス等）は最適化されていない。これらのパラメーターは、機械学習の過程で最適化される（すなわち、訓練される）。

訓練モデルは、予め決定されていても良いし、機械学習装置１００を操作するオペレーターが、機械学習装置１００が備えるＵＩ部（不図示）を操作して入力することによって取得されても良い。いずれにしても、制御部１２０は、図５に示す例のように、印刷装置１０において取得された印刷装置情報（Ｉｎ、Ｌｎ、Ｉｎ）に基づいて印刷装置１０の故障時期を出力するニューラルネットワークのパラメーターを訓練モデルとして取得する。

次に、制御部１２０は、教師データを取得する（ステップＳ１０５）。本実施形態においては、上述のように印刷装置１０においてパターン画像が印刷される毎に印刷装置情報と印刷日時と装置ＩＤとが印刷装置１０から送信され、機械学習装置１００の記憶媒体１３０に記録される。また、印刷装置１０において故障が発生した場合、印刷装置１０から送信された故障日時と装置ＩＤと、記憶媒体１３０に記憶済みの印刷装置情報と印刷日時と装置ＩＤと、に基づいて、当該装置ＩＤで示される印刷装置における印刷装置情報と印刷装置の故障時期とを対応付けた教師データが構成され、記憶媒体１３０に蓄積されている。制御部１２０は、記憶媒体１３０を参照して教師データ１３０ｂを取得する。次に、制御部１２０は、テストデータを取得する（ステップＳ１１０）。本実施形態においては、教師データ１３０ｂから、その一部が抽出されてテストデータになる。テストデータは訓練に利用されない。

次に、制御部１２０は、初期値を決定する（ステップＳ１１５）。すなわち、制御部１２０は、ステップＳ１００で取得した訓練モデルのうち、可変のパラメーターに対して初期値を与える。初期値は、種々の手法で決定されて良い。例えば、ランダム値や０等を初期値とすることができ、重みとバイアスとで異なる思想で初期値が決定されても良い。むろん、学習の過程でパラメーターが最適化されるように初期値が調整されても良い。

次に、制御部１２０は、学習を行う（ステップＳ１２０）。すなわち、制御部１２０は、ステップＳ１００で取得した訓練モデルにステップＳ１０５で取得した教師データ１３０ｂにおける印刷装置情報を入力し、出力層Ｌ_ｏの出力値を計算する。また、制御部１２０は、出力された故障時期と教師データ１３０ｂが示す故障時期との誤差を示す損失関数によって誤差を特定する。そして、制御部１２０は、損失関数のパラメーターによる微分に基づいてパラメーターを更新する処理を既定回数繰り返す。例えば、日時ｔ１における印刷装置情報（ＤＳ１）と、故障時期（ｔ８−ｔ１）として「１８０日後」と、が対応付けられた教師データがある場合について考える。「１８０日後」は本実施形態のモデルにおいては出力層Ｌ_ｏのノードＮ５の「４週間以降」に該当する。従ってこの場合、印刷装置情報（ＤＳ１）をモデルに入力して得られる出力（Ｎ０，Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５）が（０，０，０，０，０，１）に近づくようにパラメーターが更新される。

むろん、損失関数は、種々の関数を採用可能であり、例えば、交差エントロピー誤差などを採用可能である。以上のような損失関数を算出する処理は、教師データ１３０ｂに含まれる画像の全てまたは一部について実施され、その平均や総和によって１回の学習における損失関数が表現される。１回の学習における損失関数が得られたら、制御部１２０は、既定の最適化アルゴリズム、例えば、確率的勾配降下法等によってパラメーターを更新する。

以上のようにして、既定回数のパラメーターの更新が行われると、制御部１２０は、訓練モデルの汎化が完了したか否かを判定する（ステップＳ１２５）。すなわち、制御部１２０は、ステップＳ１１０で取得したテストデータが示す画像データを訓練モデルに入力して設定を示す出力を取得する。そして、制御部１２０は、出力された設定と、テストデータに対応づけられた設定とが一致している度合いを取得する。本実施形態において、制御部１２０は、当該一致している度合いが閾値以上である場合に汎化が完了したと判定する。

なお、汎化性能の評価に加え、ハイパーパラメーターの妥当性の検証が行われてもよい。すなわち、重みとバイアス以外の可変量であるハイパーパラメーター、例えば、ノードの数等がチューニングされる構成において、制御部１２０は、検証データに基づいてハイパーパラメーターの妥当性を検証しても良い。検証データは、ステップＳ１１０と同様の処理により、教師データから抽出されても良い。むろん、検証データもテストデータと同様に、訓練には使用されない。

ステップＳ１２５において、訓練モデルの汎化が完了したと判定されない場合、制御部１２０は、ステップＳ１２０を繰り返す。すなわち、さらに重みおよびバイアスを更新する。一方、ステップＳ１２５において、訓練モデルの汎化が完了したと判定された場合、制御部１２０は、学習済モデルを記録する（ステップＳ１３０）。すなわち、制御部１２０は、訓練モデルを学習済モデル１３０ａとして記憶媒体１３０に記録する。

以上の構成によれば、印刷装置１０の故障時期を推測するためのモデル（学習済モデル１３０ａ）を生産することができる。制御部１２０は、通信部１５０を介して学習済モデル１３０ａを印刷装置１０に送信する。印刷装置１０のプロセッサー２０は、通信部５０を介して学習済モデル１３０ａを受信すると、不揮発性メモリー３０に記憶させる。

印刷装置１０のプロセッサー２０は、学習済モデル１３０ａを不揮発性メモリー３０に記憶して以降にパターン画像を印刷すると、印刷装置情報（動作履歴、状態情報、パターン画像の印刷結果画像）を取得し、取得した印刷装置情報を学習済モデル１３０ａに入力する。プロセッサー２０は、学習済モデル１３０ａの出力層Ｌ_ｏの各ノードの出力値を取得し、各ノードの出力値に基づいて故障時期を推測することができる。例えば、学習済モデル１３０ａからの出力（Ｎ０，Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５）が（０．００１，０．０７，０．９，０．０２，０．００６，０．００３）である場合、プロセッサー２０は、出力値が最も大きいＮ２を選択する。Ｎ２には、１週間以降〜２週間未満が対応付けられている。プロセッサー２０は、故障時期を、現在（今回のパターン画像の印刷日時）を基準として１週間以降から２週間未満の時期であると推測する。

本実施形態においては、プロセッサー２０は、推測される故障時期と現在との差分が予め決められた閾値未満となった場合に、推測される故障時期をＵＩ部７０のディスプレイを介して印刷装置１０の利用者に通知するように構成されている。例えば、印刷ヘッドの交換部品の手配を促す内容や、保守作業を行うサービスマンの手配を促す内容、印刷ヘッドの交換を促す内容等を通知するようにしてもよい。

例えば閾値が１４日である場合、推測される故障時期が２週間未満である場合に、通知が行われる。なお、例えば１回通知を行った場合、一定期間は再び通知を行わないようにしてもよい。このようにすることで、同様の内容を頻繁に通知しないようにすることができ、通知が形骸化することを防止できる。また例えば、推測される故障時期が２週間未満の場合と、１週間未満の場合と、現時点で故障している場合とで、通知内容が異なっても良いし、通知先が異なっても良い。

なお通知先は、ＵＩ部７０に限らず、印刷装置１０に印刷ジョブを送信した図示しないＰＣやタブレット端末等であってもよいし、印刷装置１０とインターネット等を介して通信可能なサポートセンターのサーバーコンピューターであってもよい。サポートセンターに通知される場合、印刷装置１０の利用者は交換部品やサービスマンの手配等を能動的に行う必要がなく、利用者の手間を軽減することが可能である。例えば、サポートセンターには、通知の際に、最新の印刷装置情報も送信されてもよい。印刷装置情報の内容に応じて交換部品の種類や、保守作業の内容が決定されてもよい。

以上のように、本実施形態によれば、印刷装置１０のダウンタイムを短縮できる可能性を高めることができる。また、保守作業を実施するサービスマンの作業時間を短縮できる可能性を高めることもできる。

（２）パターン画像印刷処理：
図６は、印刷装置１０のプロセッサー２０と機械学習装置１００の制御部１２０とによって実行されるパターン画像印刷処理を示すフローチャートである。本実施形態においては、パターン画像印刷処理は、印刷装置１０が印刷ジョブを受信した場合に実行されることを想定している。なお、印刷ジョブを受信したタイミング以外にも、印刷装置１０の利用者が指定した任意のタイミングでパターン画像印刷処理が実行されてもよい。１日の印刷業務開始時や印刷業務終了時に実行されてもよい。

図６に示すパターン画像印刷処理には、パターン画像の印刷、および、パターン画像の印刷に伴う処理が含まれる。パターン画像の印刷に伴う処理には、印刷装置情報の取得、吐出不良判定、メンテナンス、印刷装置情報と故障時期とを対応付けた教師データの蓄積、学習済モデルを用いた故障時期の推定等が含まれる。

パターン画像印刷処理が開始されると、印刷装置１０のプロセッサー２０は、パターン画像を印刷し、印刷結果画像（Ｉｎ）、パターン画像印刷日時ｔｎを取得する（ステップＳ２００）。プロセッサー２０は、搬送機構６０を制御して印刷媒体を搬送するとともにキャリッジ４０を主走査方向に移動させ、印刷部４１の印刷ヘッドからパターン画像を印刷媒体上に形成するためのインク滴を吐出する。プロセッサー２０は、センサー４２の撮像範囲内に、印刷媒体上に印刷されたパターン画像が含まれるようにキャリッジ４０を主走査方向に移動させ（場合によっては搬送機構６０によって印刷媒体を搬送させ）、センサー４２を制御してパターン画像の印刷結果を示す画像（Ｉｎ）を取得する。また、プロセッサー２０は、図示しない計時部からパターン画像の印刷日時ｔｎを取得する。なお、パターン画像を印刷したことによって、累積ショット数、累積パス数、累積吐出時間等の状態情報が更新される。

続いて機械学習装置１００の制御部１２０は、印刷日時ｔｎまでの印刷装置１０の動作履歴（Ｌｎ）と、印刷日時ｔｎにおける印刷装置１０の状態を示す状態情報（Ｓｎ）と、印刷結果画像（Ｉｎ）と、を含む印刷装置情報（ＤＳｎ）を記憶する（ステップＳ２１０）。具体的には、印刷装置１０のプロセッサー２０が、動作履歴（Ｌｎ），状態情報（Ｓｎ），印刷結果画像（Ｉｎ）を含む印刷装置情報（ＤＳｎ）と、印刷日時ｔｎと、印刷装置１０の装置ＩＤとを、機械学習装置１００に送信する。機械学習装置１００の制御部１２０は、印刷装置情報（ＤＳｎ）を印刷日時ｔｎおよび装置ＩＤを対応付けて記憶媒体１３０に保存する。

続いて印刷装置１０のプロセッサー２０は、学習済モデルが有るか否かを判定する（ステップＳ２１５）。すなわちプロセッサー２０は、機械学習装置１００から学習済モデル１３０ａを取得し不揮発性メモリー３０に記憶済みであるか否かを判定する。ステップＳ２１５において、学習済モデル有と判定されなかった場合、プロセッサー２０は、吐出不良状態であるか否かを判定する（ステップＳ２２０）。すなわち、プロセッサー２０は、ステップＳ２００で取得した印刷結果画像（Ｉｎ）を解析し、解析結果に基づいて印刷ヘッドが吐出不良状態であるか否かを判定する。

ステップＳ２２０において吐出不良状態であると判定されなかった場合（正常である場合）、パターン画像印刷処理が終了する。ステップＳ２２０において吐出不良状態であると判定された場合、印刷装置１０のプロセッサー２０は、メンテナンスを実施し、実行回数をインクリメントする（ステップＳ２２５）。具体的には例えば、プロセッサー２０は、上述した複数種類のメンテナンスのうち、印刷結果画像（Ｉｎ）の解析結果に応じたメンテナンスや、実行順序に応じたメンテナンスを選択して実施する。

続いてプロセッサー２０は、パターン画像を印刷し、印刷結果画像を取得する（ステップＳ２３０）。動作内容は、ステップＳ２００と同様である。パターン画像の印刷に伴い、状態情報はステップＳ２００の場合と同様に更新される。

続いてプロセッサー２０は、吐出不良状態であるか否かを判定する（ステップＳ２３５）。すなわちプロセッサー２０は、ステップＳ２３０で取得した印刷結果画像を解析し、解析結果に基づいて吐出不良状態か否かを判定する。処理内容は、ステップＳ２２０と同様である。

ステップＳ２３５において吐出不良状態と判定されていなかった場合、プロセッサー２０は、メンテナンス実行後の吐出不良解消回数をインクリメントし（ステップＳ２４０）、パターン画像印刷処理を終了する。ステップＳ２３５において吐出不良状態であると判定された場合、プロセッサー２０は、上述した故障判断基準を満たすか否かを判定する（ステップＳ２４５）。

ステップＳ２４５において故障判断基準を満たすと判定されなかった場合、ステップＳ２２５に戻る。ステップＳ２４５において故障判断基準を満たすと判定された場合、プロセッサー２０は故障日時を取得する（ステップＳ２５０）。本実施形態においては、ステップＳ２００で取得したパターン画像の印刷日時を故障日時として扱うことを想定している。なお、ステップＳ２４５において、故障判断基準を満たすと判定された際に計時部から取得した日時を故障日時として扱う構成であってもよい。プロセッサー２０は、故障日時と装置ＩＤとを機械学習装置１００に送信する。なお、ステップＳ２４５において故障判断基準を満たすと判定されるのは、図３の例の場合は日時ｔ８において行われるパターン画像印刷処理である。日時ｔ８より前の、日時ｔ１〜日時ｔ７において行われるパターン画像印刷処理では、ステップＳ２２０でＮ判定となってパターン画像印刷処理を終了するか、または、ステップＳ２４５にてＮ判定となった後ステップＳ２３５でＮ判定となり（Ｓ２４５：Ｎ判定〜Ｓ２３５までの処理は故障判断基準を満たさない程度に何度か繰り返される可能性はある）、Ｓ２４０の後パターン画像印刷処理を終了する。従って、日時ｔ１〜ｔ７では、ステップＳ２１０において印刷装置情報が記憶媒体１３０に蓄積されるが、まだ故障は発生していないため、印刷日時と故障日時の差分は対応付けられない。

続いて、機械学習装置１００の制御部１２０は、記憶媒体１３０に記憶済みの印刷装置情報に対応付けられているパターン画像の印刷日時と、ステップＳ２５０で取得した故障日時との差分を算出する（ステップＳ２５５）。差分を算出するために記憶媒体１３０の印刷装置情報１３０ｅから選出される印刷装置情報は、故障日時を送信した印刷装置の装置ＩＤと同じ装置ＩＤが対応付けられている印刷装置情報である。また、差分を算出するために選出される印刷装置情報は、教師データとして未採用の印刷装置情報である（例えば図３の例の場合、直近で印刷ヘッド交換をした日時ｔ０より後に取得された印刷装置情報である）。

続いて、機械学習装置１００の制御部１２０は、記憶済みの印刷装置情報と、ステップＳ２５５で算出した差分とを対応付けた教師データを記憶媒体１３０に記憶して（ステップＳ２６０）パターン画像印刷処理を終了する。例えば図３の例の場合、日時ｔ８にて実行されるパターン画像印刷処理において、これまでに記憶媒体１３０に蓄積されてきた印刷装置情報ＤＳ１〜ＤＳ７および今回蓄積されたＤＳ８に、各印刷日時（ｔ１〜ｔ８）と故障日時（ｔ８）との差分がそれぞれ対応付けられ教師データが構成される。なお、ステップＳ２４５において故障判断基準を満たすと判定された場合、印刷ヘッドの交換を促す通知が印刷装置１０のＵＩ部７０のディスプレイに表示されてもよい。

機械学習装置１００の記憶媒体１３０に、既定量の教師データ１３０ｂが記憶媒体１３０に蓄積されると、制御部１２０が図４に示す機械学習処理を実行し、学習済モデル１３０ａを生成する。そして制御部１２０は、学習済モデルを印刷装置１０に送信する。

ステップＳ２１５において、学習済モデル有と判定された場合、印刷装置１０のプロセッサー２０は、印刷装置情報（ＤＳｎ）を学習済モデルに入力し故障時期を示す出力を得る（ステップＳ２６５）。すなわち、プロセッサー２０は、（Ｎ０，Ｎ１，Ｎ２，Ｎ３，Ｎ４，Ｎ５）のうちの最も大きい値が出力されたノードに対応する故障時期を取得する。続いてプロセッサー２０は、現在と故障時期との差が閾値未満であるか否かを判定する（ステップＳ２７０）。例えば閾値が１４日である場合、学習済モデル１３０ａの出力から推測される故障時期が２週間未満（Ｎ０又はＮ１又はＮ２）であれば、現在と故障時期との差が閾値未満であると判定される。

ステップＳ２７０において、現在と故障時期との差が閾値未満であると判定されなかった場合、プロセッサー２０はステップＳ２２０の処理に進む。ステップＳ２７０において現在と故障時期との差が閾値未満であると判定された場合、プロセッサー２０は、ＵＩ部７０のディスプレイを介して故障時期に関する通知を行う（ステップＳ２７５）。例えばプロセッサー２０は、故障時期が迫っているため故障に備えた準備を促す通知を行う。通知先は、印刷ジョブを送信した装置であってもよいし、サポートセンターであってもよい。

なお、ステップＳ２７０でＹ判定となり、なおかつ学習済モデル１３０ａからの出力から現状で既に「故障している」ことが推測される場合、故障している旨や交換が必要である旨の通知をステップＳ２７５にて行った後は、ステップＳ２２０〜Ｓ２６０が省略されてよい。

学習済モデル１３０ａが一旦生成された後も、Ｓ２６０において新たな教師データが蓄積されてもよい。新たに蓄積された教師データは、学習済モデル１３０ａの再学習に利用されてもよい。

（３）他の実施形態：
以上の実施形態は本発明を実施するための一例であり、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す画像の少なくとも１つを含む印刷装置情報と、印刷装置の故障時期と、を対応付けた教師データを用いて機械学習した学習済モデルを記憶しておき、印刷装置情報を取得し、取得した印刷装置情報と学習済モデルとを用いて印刷装置の故障時期を推測する限りにおいて、他にも種々の実施形態を採用可能である。例えば、機械学習装置の制御部が実現する機械学習機能を、印刷装置の制御部が備えていても良い。また、故障時期推測装置の記憶部や制御部が実現する機能は、機械学習装置において実現されてもよいし、機械学習装置や印刷装置以外の別の装置において実現されてもよい。

上記実施形態においては、故障時期を推測する対象の部位が印刷ヘッドであることを想定しているが、印刷ヘッド以外の部位（例えば、印刷媒体の搬送機構や、キャリッジの駆動機構）の故障時期も推測するように構成されてもよい。

印刷装置情報（状態情報）には、印刷ヘッドの累積通電時間が含まれてもよい。累積通電時間は、印刷ヘッドが印刷装置に取り付けられて以降の通電時間の累積値であってよい。印刷ヘッドが印刷装置に取り付けられて以降の経過時間に占める累積通電時間の割合が算出され機械学習モデルの入力データとして利用されてもよい。なお通電時間は、印刷ヘッド以外の部位の通電時間であってもよいし、印刷装置全体の通電時間であってもよい。

印刷装置情報（状態情報）には、印刷媒体の種類毎の累積使用量が含まれていてもよい。例えば、印刷ヘッドが印刷装置に取り付けられて以降の印刷に用いられた印刷媒体の種類毎の使用量の累積値を想定してよい（ロール紙で種類Ａの印刷媒体をサイズＭのカット紙のＮ枚分相当の量使用等）。また、印刷装置情報（状態情報）には、縁なし印刷の累積実施回数、累積実施量（サイズＭのカット紙Ｎ枚分等）等が含まれてもよい。

また、印刷装置情報には、印刷結果画像に加えて印刷媒体の種類を示す情報が含まれても良く、印刷媒体の種類が機械学習モデルの入力データの１つに含まれてもよい。印刷ヘッドの状態が正常であっても、印刷媒体の種類に応じて印刷結果画像が異なりうるためである。また、印刷ヘッドが吐出不良状態であるか否かを判定するための画像解析は、印刷媒体の種類に応じた基準に従って行われて良い。印刷媒体の種類は、例えばセンサー４２によって取得された画像（印刷媒体の非印刷領域の画像）に基づいて自動的に判別される構成であってもよいし、利用者が入力する構成であってもよい。

なお、図６のパターン画像印刷処理のステップＳ２２０やステップＳ２３５において、吐出不良状態か否か（吐出正常か否か）の判定に機械学習モデルが用いられてもよい。当該モデルは、吐出正常の場合のパターン画像の印刷結果画像と吐出正常であることのラベル（例えば１：吐出正常、０：吐出不良）とが対応付けられた教師データを用いた機械学習によって生産される構成であってもよい。パターン画像の印刷結果画像を学習済モデルに入力して得られた出力値を閾値（例えば０．９）と比較して閾値以上であれば吐出正常状態、閾値未満であれば吐出不良状態であると判定する構成であってもよい。

また、印刷装置情報（状態情報）には、濃度が含まれていてもよい。例えば、各インク色単独で塗りつぶされた塗りつぶしパターンを印刷し、塗りつぶしパターンの印刷結果画像において示される塗りつぶしパターンの濃度（例えば塗りつぶし領域の平均濃度）を取得する構成であってもよい。取得した濃度が故障時期を推測するための機械学習モデルの入力データの１つとして利用されてもよい。

印刷装置情報には、印刷装置の連続稼働時間が含まれてもよい。連続稼働時間は、例えば直近の所定の長さの期間（例えば直近の３ヶ月）において連続して印刷が実行されていた期間の長さのうちの最頻値や平均値や最長値等として定義されてもよい。例えば、印刷装置が印刷ジョブを受信してから当該印刷ジョブの印刷を完了するまでの期間を印刷ジョブ実行期間とする。そして、印刷ジョブ実行期間と次の印刷ジョブ実行期間との間の長さが閾値（例えば１日）以内であれば連続して印刷が実行されていると見なす。このようにして定義される「連続して印刷が実行されている期間」の長さを直近の所定の長さの期間について算出し、そのうちの上述のような統計値を連続稼働時間としてもよい。また例えば、直近の所定の長さの期間における２４時間単位の稼働率の履歴が印刷装置情報に含まれても良い。

また上記実施形態においては、インクの温度を検知するセンサーを用いる構成であったが、印刷装置が設置されている空間や設置されている地域の温度を取得する構成であってもよい。空間の温度を検知する温度計や温度センサーは、印刷装置に設けられていても良いし、印刷装置とは別に設けられたものであってもよい。後者の場合、印刷装置は、外部の温度センサーから通信によって温度を取得する構成であってもよい。例えば、印刷装置が設置されている部屋の室温が変動してもインクの温度が即時的に追従しないという特性を有するインクの場合、室温の変動の周期が短ければインクの増粘による故障しやすさに影響を及ぼしにくい。また例えば室温が、インクが増粘しやすい程度の温度となった期間が長い場合、故障しやすさに影響を及ぼす可能性がある。インクの種類によって室温の変動に対する追従の特性が異なりうる。温度の履歴を機械学習モデルの入力データの１つとすることにより、温度の履歴に基づいた故障時期の推測が可能である。また、湿度計についても、印刷装置に設けられる構成であってもよいし、印刷装置とは別に設けられる構成であってもよい。

また、上記実施形態で示した機械学習モデルは一例に過ぎず、印刷装置情報に基づいて故障時期を推測することができれば、どのような構成であってもよい。例えば、印刷装置情報を入力し、通知を実施するか否かを切り分ける閾値となる期間（例えば７日や１４日）未満に故障するか否かを出力する１個の出力ノードが設けられる構成であってもよい（１：閾値期間未満に故障する、０閾値期間未満には故障しない）。そして、出力ノードに出力された値が例えば０．９以上であれば、故障時期に関する通知を行うように構成されてもよい。

印刷結果画像は、スキャナーで読み取られた画像であってもよいし、印刷装置とは別体のカメラで既定の撮影条件（照明環境等）の元で撮影された画像であってもよい。なお、印刷結果画像は、所謂ノズルチェックパターンやテストパターン等と呼ばれる予め決められたパターン画像を印刷した際の印刷結果を示す画像に限定されない。印刷結果画像は、任意の画像を印刷した際の印刷結果を示す画像であってもよい。任意の画像の印刷結果画像に基づく吐出不良判定は、任意の画像を示す印刷対象画像データ（当該印刷対象画像データに基づいて印刷が実行される）と印刷結果画像を示す画像データ（印刷結果画像データ）との比較によって行われて良い。また、印刷対象画像データと印刷結果画像データとを共に機械学習モデルの入力とすることにより、これらの差異に基づく故障時期の推測が可能である。

機械学習の手法は、種々の手法であって良い。すなわち、印刷装置情報を入力し、故障時期を出力するモデルを構築し、当該モデルによる出力と教師データにおける故障時期との差分を極小化する学習を行うことができればよい。従って、例えばニューラルネットワークによる機械学習が行われる場合、モデルを構成する層の数やノードの数、活性化関数の種類、損失関数の種類、勾配降下法の種類、勾配降下法の最適化アルゴリズムの種類、ミニバッチ学習の有無やバッチの数、学習率、初期値、過学習抑制手法の種類や有無、畳み込み層の有無、畳み込み演算におけるフィルターのサイズ、フィルターの種類、パディングやストライドの種類、プーリング層の種類や有無、全結合層の有無、再帰的な構造の有無など、種々の要素を適宜選択して機械学習が行われればよい。むろん、他の機械学習、例えば、サポートベクターマシンやクラスタリング、強化学習等によって学習が行われてもよい。さらに、モデルの構造（例えば、層の数や層毎のノードの数等）が自動的に最適化される機械学習が行われてもよい。さらに、学習は複数段階に分割されて実行されてもよい。

印刷装置情報は、インクの吐出不良を解消するために印刷ヘッドからインクを吐出するフラッシングと、印刷ヘッドのノズル面を拭うワイピングの少なくとも１つを含むメンテナンスの実行履歴を含む構成であってもよい。例えば、メンテナンスを実行した日時と実行したメンテナンスの種類とを示す実行履歴が機械学習モデルの入力データの一部として利用されてもよい。

さらに、本発明のように、印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す画像の少なくとも１つを含む印刷装置情報と、印刷装置の故障時期と、を対応付けた教師データを用いて機械学習した学習済モデルを記憶しておき、印刷装置情報を取得し、取得した印刷装置情報と学習済モデルとを用いて印刷装置の故障時期を推測する手法は、プログラムや方法としても適用可能である。また、以上のようなシステム、プログラム、方法は、単独の装置として実現される場合もあれば、複数の装置が備える部品を利用して実現される場合もあり、各種の態様を含むものである。また、一部がソフトウェアであり一部がハードウェアであったりするなど、適宜、変更可能である。さらに、システムを制御するプログラムの記録媒体としても発明は成立する。むろん、そのプログラムの記録媒体は、磁気記録媒体であってもよいし半導体メモリーであってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。

１０…印刷装置、２０…プロセッサー、３０…不揮発性メモリー、３０ａ…動作履歴、３０ｂ…状態情報、４０…キャリッジ、４１…印刷部、４２…センサー、４２ａ…筐体、４２ｂ…エリアセンサー、４２ｅ…レンズ、４３…温度センサー、４４…湿度センサー、５０…通信部、６０…搬送機構、７０…ＵＩ部、１００…機械学習装置、１２０…制御部、１３０…記憶媒体、１３０ａ…学習済モデル、１３０ｂ…教師データ、１３０ｄ…訓練モデル、１３０ｅ…印刷装置情報、１５０…通信部、Ｐ…印刷媒体

Claims (9)

1. 印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の
   少なくとも１つを含む印刷装置情報と、前記印刷装置の故障時期と、を対応付けた教師デ
   ータを用いて機械学習した学習済モデルを記憶する記憶部と、
   前記印刷装置情報を取得し、取得した前記印刷装置情報と前記学習済モデルとを用いて
   前記印刷装置の前記故障時期を推測する制御部と、を備え、
   前記印刷装置情報は、メンテナンス実行回数と、メンテナンス実行後の吐出不良解消回
   数との相違によって示されるメンテナンス失敗情報を含む、
   故障時期推測装置。
2. 前記印刷結果画像は、予め決められたパターン画像の印刷結果を示す画像であり、
   前記動作履歴は、前記パターン画像の印刷から過去にった動作の履歴であり、
   前記状態情報は、前記パターン画像を印刷した際の前記印刷装置の状態を示す情報であ
   る、
   請求項１に記載の故障時期推測装置。
3. 前記パターン画像は、線で構成されたパターン、および、既定の大きさの領域を既定の
   色で塗りつぶしたパターンの少なくともいずれかを含む、
   請求項２に記載の故障時期推測装置。
4. 前記印刷結果画像は、印刷媒体にインクを吐出するノズルを有する印刷ヘッドを搭載し
   たキャリッジに設けられたセンサーで撮影される、
   請求項１〜請求項３のいずれかに記載の故障時期推測装置。
5. 前記制御部は、現在と推測される前記故障時期との差が閾値未満となった場合に、前記
   故障時期に関連する通知を行う、
   請求項１〜請求項４のいずれかに記載の故障時期推測装置。
6. 前記印刷装置情報は、インクの吐出不良を解消するために印刷ヘッドからインクを吐出
   するフラッシングと、印刷ヘッドのノズル面を拭うワイピングの少なくとも１つを含むメ
   ンテナンスの実行履歴を含む、
   請求項１〜請求項５のいずれかに記載の故障時期推測装置。
7. 前記印刷装置情報は、前記印刷装置の連続稼働時間、前記印刷装置の温度の履歴、およ
   び、前記印刷装置の周囲の温度の履歴の少なくともいずれかを含む、
   請求項１〜請求項６のいずれかに記載の故障時期推測装置。
8. 印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の
   少なくとも１つを含む印刷装置情報と、前記印刷装置の故障時期とを対応付けた教師デー
   タを取得し、前記印刷装置情報を入力し前記故障時期を出力するモデルを前記教師データ
   に基づいて機械学習する制御部を備え、
   前記印刷装置情報は、メンテナンス実行回数と、メンテナンス実行後の吐出不良解消回
   数との相違によって示されるメンテナンス失敗情報を含む、
   機械学習装置。
9. 印刷装置の動作履歴と、現在の状態を示す状態情報と、印刷結果を示す印刷結果画像の
   少なくとも１つを含む印刷装置情報と、前記印刷装置の故障時期と、を対応付けた教師デ
   ータを用いて機械学習した学習済モデルを記憶し、
   前記印刷装置情報を取得し、取得した前記印刷装置情報と前記学習済モデルとを用いて
   前記印刷装置の前記故障時期を判定し、
   前記印刷装置情報は、メンテナンス実行回数と、メンテナンス実行後の吐出不良解消回
   数との相違によって示されるメンテナンス失敗情報を含む、
   故障時期推測方法。

Images