JP7449732B2 - 異常検知方法および搬送装置 - Google Patents

Description

本発明は、搬送装置における異常検知方法に関する。

従来、長尺帯状の基材を長手方向に搬送しつつ、複数のヘッドからインクを吐出することにより、基材に画像を印刷するインクジェット方式の印刷装置が知られている。インクジェット方式の印刷装置は、複数のヘッドから、それぞれ異なる色のインクを吐出する。そして、各色のインクにより形成される単色画像の重ね合わせによって、基材の表面に多色画像を印刷する。従来の印刷装置については、例えば特許文献１に記載されている。

特開２０１８－１６４１２号公報

この種の印刷装置では、上述した複数の単色画像の間に、僅かな位置ずれ（いわゆる「見当ずれ」）が発生する場合がある。見当ずれは、基材を搬送するローラの回転誤差や、基材の伸縮などの、様々な要因により発生する。このため、見当ずれが発生したときに、その要因を特定することは非常に困難であった。

本発明は、このような事情に鑑みなされたものであり、搬送装置において、複数のセンサの計測項目のうち、異常と関連する計測項目を特定することができる技術を提供することを目的とする。

上記課題を解決するため、本願の第１発明は、搬送装置における異常検知方法であって、ａ）前記搬送装置に設けられた複数のセンサから得られる複数の計測項目の計測値を入力変数とし、目的変数の実測値を教師データとして、教師あり学習アルゴリズムによりモデルのパラメータを調整することにより、前記入力変数に対応する前記目的変数の推定値を出力する学習済みモデルを生成する工程と、ｂ）前記搬送装置を動作させつつ、前記複数のセンサから得られる複数の計測項目の計測値を入力変数とし、前記目的変数の実測値を教師データとして、前記教師あり学習アルゴリズムにより前記学習済みモデルの前記パラメータを調整することにより、前記学習済みモデルを更新する工程と、ｃ）前記複数の計測項目のそれぞれについて、更新前後の前記学習済みモデルにおける調整済みの前記パラメータに基づく影響度の変化を算出する工程と、ｄ）前記影響度の変化に基づいて、前記搬送装置の異常と関連する計測項目を特定する工程と、を有する。

本願の第２発明は、第１発明の異常検知方法であって、前記工程ｄ）では、他の計測項目よりも前記影響度の変化が大きい計測項目を、前記異常と関連する計測項目として特定する。

本願の第３発明は、第１発明または第２発明の異常検知方法であって、ｅ）前記工程ｄ）よりも前に、前記学習済みモデルから出力される前記目的変数の推定値が、正常範囲内であるか否かに基づいて、前記異常の有無を判定する工程をさらに有し、前記工程ｄ）では、前記工程ｅ）において前記異常があると判定された場合に、前記影響度の変化に基づいて、前記異常と関連する計測項目を特定する。

本願の第４発明は、第１発明から第３発明までのいずれか１発明の異常検知方法であって、前記搬送装置は、長尺帯状の基材を所定の搬送経路に沿って長手方向に搬送しつつ、複数のヘッドから基材の表面にインクを吐出する印刷装置であり、前記目的変数は、複数のヘッドによるインクの吐出位置の相互のずれ量である。

本願の第５発明は、搬送装置であって、複数のセンサと、前記複数のセンサから得られる複数の計測項目の計測値を入力変数とし、目的変数の実測値を教師データとして、教師あり学習アルゴリズムによりモデルのパラメータを調整することにより、前記入力変数に対応する前記目的変数の推定値を出力する学習済みモデルを生成および更新する学習部と、前記複数の計測項目のそれぞれについて、更新前後の前記学習済みモデルにおける調整済みの前記パラメータから影響度を算出する影響度算出部と、更新前後の前記学習済みモデルにおける前記影響度の変化に基づいて、前記搬送装置の異常と関連する計測項目を特定する計測項目特定部と、を有する。

本願の第６発明は、第５発明の搬送装置であって、前記計測項目特定部は、他の計測項目よりも前記影響度の変化が大きい計測項目を、前記異常と関連する計測項目として特定する。

本願の第７発明は、第５発明または第６発明の搬送装置であって、前記学習済みモデルから出力される前記目的変数の推定値が、正常範囲内であるか否かに基づいて、前記異常の有無を判定する異常検知部をさらに備え、前記異常検知部が、前記異常があると判定した場合に、前記計測項目特定部は、前記影響度の変化に基づいて、前記異常と関連する計測項目を特定する。

本願の第８発明は、第５発明から第７発明までのいずれか１発明の搬送装置であって、長尺帯状の基材を所定の搬送経路に沿って長手方向に搬送する搬送機構と、前記搬送機構により搬送される基材へ向けてインクを吐出する複数のヘッドと、をさらに備え、前記目的変数は、複数のヘッドによるインクの吐出位置の相互のずれ量である。

本願の第１発明～第８発明によれば、学習済みモデルにおける影響度の変化に基づいて、搬送装置の異常と関連する計測項目を特定できる。

特に、本願の第２発明および第６発明によれば、学習済みモデルにおける影響度が大きく変化した計測項目を、搬送装置の異常と関連する計測項目として特定できる。

印刷装置の構成を示した図である。 印刷部の付近における印刷装置の部分上面図である。 印刷装置の各部とコンピュータとの接続を示したブロック図である。 コンピュータの機能を概念的に示したブロック図である。 学習処理、印刷処理、および異常検知処理の流れを示したフローチャートである。 影響度の例を示した図である。 第１変形例に係る学習処理、印刷処理、および異常検知処理の流れを示したフローチャートである。 第２変形例に係る描画装置の斜視図である。 第２変形例に係るコンピュータの機能を概念的に示した図である。

以下、本発明の実施形態について、図面を参照しつつ説明する。

＜１．印刷装置の構成＞
図１は、本発明に係る搬送装置の一実施形態となる印刷装置１の構成を示した図である。この印刷装置１は、長尺帯状の基材９を搬送しつつ、複数のヘッド２１～２４から基材９へ向けてインクの液滴を吐出することにより、基材９の表面に画像を印刷する装置である。基材９は、印刷用紙であってもよく、あるいは、樹脂製のフィルムであってもよい。また、基材９は、金属箔や、ガラス製の基材であってもよい。図１に示すように、印刷装置１は、搬送機構１０、印刷部２０、複数のセンサ３０、画像取得部４０、およびコンピュータ５０を備えている。

搬送機構１０は、基材９をその長手方向に沿う搬送方向に搬送する機構である。本実施形態の搬送機構１０は、巻き出し部１１、複数の搬送ローラ１２、および巻き取り部１３を有する。基材９は、巻き出し部１１から繰り出され、複数の搬送ローラ１２により構成される搬送経路に沿って搬送される。各搬送ローラ１２は、水平軸を中心として回転することにより、基材９を搬送経路の下流側へ案内する。基材９は、張力が掛かった状態で、複数の搬送ローラ１２に掛け渡される。これにより、搬送中における基材９の弛みや皺が抑制される。搬送後の基材９は、巻き取り部１３へ回収される。

図１に示すように、基材９は、複数のヘッド２１～２４の下方において、複数のヘッド２１～２４の配列方向と略平行に移動する。このとき、基材９の印刷面は、上方（ヘッド２１～２４側）に向けられている。以下では、複数の搬送ローラ１２のうち、印刷部２０の下方に位置する４つのローラを、それぞれ、第１ローラ１２１、第２ローラ１２２、第３ローラ１２３、および第４ローラ１２４と称する。第１ローラ１２１、第２ローラ１２２、第３ローラ１２３、および第４ローラ１２４は、基材９の搬送方向に沿って、この順に配列されている。

印刷部２０は、搬送機構１０により搬送される基材９に対して、インクの液滴（以下「インク滴」と称する）を吐出する処理部である。本実施形態の印刷部２０は、第１ヘッド２１、第２ヘッド２２、第３ヘッド２３、および第４ヘッド２４を有する。第１ヘッド２１は、第１ローラ１２１の上方に配置されている。第２ヘッド２２は、第２ローラ１２２の上方に配置されている。第３ヘッド２３は、第３ローラ１２３の上方に配置されている。第４ヘッド２４は、第４ローラ１２４の上方に配置されている。

図２は、印刷部２０の付近における印刷装置１の部分上面図である。図２中に破線で示したように、各ヘッド２１～２４の下面には、基材９の幅方向と平行に配列された複数のノズル２０１が設けられている。各ヘッド２１～２４は、複数のノズル２０１から基材９の上面へ向けて、多色画像の色成分となるＣ（シアン）、Ｍ（マゼンタ）、Ｙ（イエロー）、Ｋ（ブラック）の各色のインク滴を、それぞれ吐出する。

すなわち、第１ヘッド２１は、搬送経路上の第１印刷位置Ｐ１において、基材９の上面に、Ｃ色のインク滴を吐出する。第２ヘッド２２は、第１印刷位置Ｐ１よりも下流側の第２印刷位置Ｐ２において、基材９の上面に、Ｍ色のインク滴を吐出する。第３ヘッド２３は、第２印刷位置Ｐ２よりも下流側の第３印刷位置Ｐ３において、基材９の上面に、Ｙ色のインク滴を吐出する。第４ヘッド２４は、第３印刷位置Ｐ３よりも下流側の第４印刷位置Ｐ４において、基材９の上面に、Ｋ色のインク滴を吐出する。

本実施形態では、第１印刷位置Ｐ１は、基材９が第１ローラ１２１に接触する位置である。第２印刷位置Ｐ２は、基材９が第２ローラ１２２に接触する位置である。第３印刷位置Ｐ３は、基材９が第３ローラ１２３に接触する位置である。第４印刷位置Ｐ４は、基材９が第４ローラ１２４に接触する位置である。第１印刷位置Ｐ１、第２印刷位置Ｐ２、第３印刷位置Ｐ３、および第４印刷位置Ｐ４は、基材９の搬送方向に沿って、間隔をあけて配列されている。

４つのヘッド２１～２４は、インク滴を吐出することによって、基材９の上面に、それぞれ単色画像を印刷する。そして、４つの単色画像の重ね合わせにより、基材９の上面に、多色画像が形成される。したがって、仮に、４つのヘッド２１～２４から吐出されるインク滴の基材９上における搬送方向の位置が相互にずれていると、印刷物の画像品質が低下する。このような、基材９上における単色画像の相互の位置ずれの大きさ（以下「見当ずれ量」と称する）を許容範囲内に抑えることが、印刷装置１の印刷品質を向上させるための重要な要素となる。

なお、ヘッド２１～２４の搬送方向下流側に、基材９の印刷面に吐出されたインクを乾燥させる乾燥処理部が、さらに設けられていてもよい。乾燥処理部は、例えば、基材９へ向けて加熱された気体を吹き付けて、基材９に付着したインク中の溶媒を気化させることにより、インクを乾燥させる。ただし、乾燥処理部は、光照射等の他の方法で、インクを乾燥させるものであってもよい。

複数のセンサ３０は、基材９の搬送状態を計測するための計測器である。複数のセンサ３０は、搬送機構１０の各部において、互いに異なる項目の計測値を取得する。センサ３０の計測項目には、例えば、搬送機構１０を動作させるモータの回転速度、一部の搬送ローラ１２の回転速度、基材９の張力、基材９の上下動（基材９に対して垂直な方向の変動量）、基材９のエッジの幅方向の位置、などを含めることができる。また、同一の項目を計測するセンサ３０が、搬送経路の複数の位置に配置されていてもよい。複数のセンサ３０は、搬送機構１０の各部において、各計測項目の計測値を取得し、得られた計測値を示す信号を、コンピュータ５０へ送信する。

画像取得部４０は、印刷部２０を通過した基材９の上面を撮影するカメラである。画像取得部４０は、印刷部２０よりも搬送経路の下流側の撮影位置Ｐ５において、基材９の印刷面に対向して配置される。画像取得部４０には、例えば、ＣＣＤやＣＭＯＳ等の撮像素子が、幅方向に複数配列されたラインセンサが使用される。画像取得部４０は、基材９の印刷面を撮影することにより、印刷済みの基材９の画像データを取得する。そして、画像取得部４０は、得られた画像データを、コンピュータ５０へ送信する。

コンピュータ５０は、印刷装置１内の各部の動作制御と、後述する学習処理とを行うための情報処理装置である。図３は、コンピュータ５０と、印刷装置１の各部との接続を示したブロック図である。図３中に概念的に示したように、コンピュータ５０は、ＣＰＵ等のプロセッサ５０１、ＲＡＭ等のメモリ５０２、およびハードディスクドライブ等の記憶部５０３を有する。記憶部５０３内には、印刷処理および後述する学習処理を実行するためのコンピュータプログラムＣＰが、記憶されている。また、コンピュータ５０は、上述した搬送機構１０、４つのヘッド２１～２４、複数のセンサ３０、および画像取得部４０と、それぞれ通信可能に接続されている。コンピュータ５０は、コンピュータプログラムＣＰおよび後述する学習済みモデルＭに従って、これらの各部を動作制御する。

＜２．コンピュータの機能について＞
図４は、上述したコンピュータ５０の機能を、概念的に示したブロック図である。図４に示すように、コンピュータ５０は、ずれ量実測部５１、学習部５２、制御部５３、異常検知部５４、影響度算出部５５、および計測項目特定部５６を有する。ずれ量実測部５１、学習部５２、制御部５３、異常検知部５４、影響度算出部５５、および計測項目特定部５６の各機能は、コンピュータ５０のプロセッサ５０１が、コンピュータプログラムＣＰに従って動作することにより実現される。

ずれ量実測部５１は、画像取得部４０から入力される画像データＩに基づいて、上述した見当ずれ量を計測するための処理部である。ずれ量実測部５１は、画像データＩから、レジスターマークなどの特定のパターンの画像を抽出し、抽出された画像における各色のパターンの位置を、画像処理によって認識する。そして、ずれ量実測部５１は、各色のパターンの位置の相互のずれ量を、見当ずれ量の実測値Ｄ１として算出する。ずれ量実測部５１は、連続的に入力される画像データＩに対して、このような見当ずれ量の計測を、順次に行うことにより、多数の実測値Ｄ１を取得する。取得された見当ずれ量の実測値Ｄ１は、ずれ量実測部５１から学習部５２へ送られる。

学習部５２は、複数のセンサ３０の計測値Ｄ２から、目的変数である見当ずれ量を推定するための学習済みモデルＭを、生成および更新する処理部である。学習部５２は、複数のセンサ３０から、計測値Ｄ２を受信する。また、学習部５２は、ずれ量実測部５１から見当ずれ量の実測値Ｄ１を取得する。学習部５２は、計測値Ｄ２を入力変数とし、見当ずれ量の実測値Ｄ１を教師データとして、教師あり学習アルゴリズムにより、計測値Ｄ２から見当ずれ量を推定するための学習処理を行う。教師あり学習アルゴリズムとしては、例えば、サポートベクターマシン、ニューラルネットワーク、リニアモデル、勾配ブースティングなどを使用することができる。具体的には、教師あり学習用のモデルに、計測値Ｄ２を入力し、当該モデルから見当ずれ量の推定値を出力する処理を繰り返しながら、見当ずれ量の推定値が実測値Ｄ１に近づくように、モデルのパラメータを調整する。これにより、パラメータが調整された学習済みモデルＭが生成される。

また、学習部５２は、後述する印刷処理の開始後に、一旦生成した学習済みモデルＭを更新する処理も行う。更新処理は、印刷装置１を動作させつつ、学習済みモデルＭの生成時と同様に、複数のセンサ３０から得られる複数の計測項目の計測値Ｄ２を入力変数とし、見当ずれ量の実測値Ｄ１を教師データとして、教師あり学習アルゴリズムにより、学習済みモデルＭを更新する。

制御部５３は、上述した搬送機構１０および４つのヘッド２１～２４の動作を制御するための処理部である。制御部５３は、学習部５２により生成された学習済みモデルＭを用いて、搬送機構１０および４つのヘッド２１～２４の動作を、補正しつつ制御する。

異常検知部５４、影響度算出部５５、および計測項目特定部５６は、印刷装置１における基材９の搬送状態に異常がないかどうかを検知し、異常がある場合には、その異常に関連するセンサ３０の計測項目を特定するための処理部である。異常検知部５４、影響度算出部５５、および計測項目特定部５６における詳細な処理内容については、後述する。

＜３．学習処理、印刷処理、および異常検知処理について＞
続いて、上述した印刷装置１における学習処理、印刷処理、および異常検知処理について、詳細に説明する。図５は、学習処理、印刷処理、および異常検知処理の流れを示したフローチャートである。

図５に示すように、学習部５２は、まず、複数のセンサ３０から計測値Ｄ２を受信するとともに、ずれ量実測部５１から見当ずれ量の実測値Ｄ１を取得する（ステップＳ１）。複数のセンサ３０の計測値Ｄ２には、モータの回転速度、搬送ローラ１２の回転速度、基材９の張力、基材９の上下動、基材９のエッジの幅方向の位置、などの複数の計測項目の計測値が含まれる。また、複数のセンサ３０は、連続的または断続的に計測することにより得られる多数の計測値Ｄ２を、学習部５２へ入力する。また、ずれ量実測部５１も、連続的または断続的に計測することにより得られる多数の見当ずれ量の実測値Ｄ１を、学習部５２へ入力する。

センサ３０の計測値Ｄ２と、見当ずれ量の実測値Ｄ１とは、同一の時間範囲において取得される。ただし、各計測値と、印刷位置Ｐ１～Ｐ４における見当ずれ量との関係を学習するために、各センサ３０の計測値Ｄ２を取得する時間と、見当ずれ量の実測値Ｄ１を取得する時間とを、ずらしてもよい。例えば、センサ３０の計測値Ｄ２が、ある搬送ローラ１２の回転速度を含む場合、その計測値Ｄ２を取得する時間と、見当ずれ量の実測値Ｄ１を取得する時間とを、搬送ローラ１２、印刷位置Ｐ１～Ｐ４、および撮影位置Ｐ５の位置関係に基づいて、ずらしてもよい。

なお、見当ずれ量の実測値Ｄ１は、周期性を有する場合が多い。このため、見当ずれ量の実測値Ｄ１を取得する時間は、少なくとも、見当ずれ量の変動の１周期分以上の時間とすることが好ましい。これにより、次のステップＳ２～Ｓ３の処理において、センサ３０の計測値Ｄ２と、周期性を有する実測値Ｄ１との関係を、十分に学習することができる。

複数の計測項目の計測値Ｄ２と、見当ずれ量の実測値Ｄ１とが、学習のために十分な量だけ蓄積されると、学習部５２は、計測値Ｄ２を入力変数とし、見当ずれ量の実測値Ｄ１を教師データとして、教師あり学習アルゴリズムにより、計測値Ｄ２と、見当ずれ量の実測値Ｄ１との関係を学習する（ステップＳ２）。具体的には、教師あり学習用のモデルに、計測値Ｄ２を入力し、見当ずれ量の推定値を出力して、見当ずれ量の推定値が実測値Ｄ１に近づくように、モデルのパラメータを調整する。

学習部５２は、上記のステップＳ２の学習処理を、所定の終了条件が満たされるまで繰り返す（ステップＳ３：ｎｏ）。終了条件は、例えば、モデルから出力される見当ずれ量の推定値と、見当ずれ量の実測値Ｄ１との差分が、予め設定された許容範囲内に収束すること、とすればよい。また、終了条件は、ステップＳ２の学習処理の繰り返し実行回数が、予め設定された回数に到達すること、としてもよい。

終了条件が満たされると、学習部５２は、学習処理を終了する（ステップＳ３：ｙｅｓ）。これにより、複数のセンサ３０から得られる複数の計測項目の計測値Ｄ２から、目的変数である見当ずれ量の推定値を出力することが可能な、学習済みモデルＭが生成される。

学習済みモデルＭが生成された後、印刷装置１は、製品となる基材９に対して、印刷処理を開始する（ステップＳ４）。このとき、コンピュータ５０の制御部５３は、学習済みモデルＭを用いて、搬送機構１０および４つのヘッド２１～２４の動作を、補正しつつ制御する。

具体的には、制御部５３は、搬送機構１０を動作させつつ、複数のセンサ３０から、計測値Ｄ２を取得する。そして、取得した計測値Ｄ２を、学習済みモデルＭへ入力する。そうすると、学習済みモデルＭから、見当ずれ量の推定値が出力される。制御部５３は、この見当ずれ量の推定値に基づいて、搬送機構１０および４つのヘッド２１～２４の少なくともいずれか一方の動作を補正する。

例えば、Ｃ色とＫ色との間に、ある量の見当ずれが推定される場合、制御部５３は、第１ヘッド２１または第４ヘッド２４からのインクの吐出タイミングを、見当ずれを打ち消す方向にずらす。このように、各２色間の見当ずれ量を考慮して、各ヘッド２１～２４からのインク滴の吐出タイミングをずらす。あるいは、搬送機構１０のモータの回転速度を微調整する。これにより、基材９に対するインクの吐出位置を補正する。その結果、各２色間の見当ずれを抑制して、高品質な印刷結果を得ることができる。

本実施形態の印刷装置１は、見当ずれ量を実測するための画像取得部４０を備えている。しかしながら、画像取得部４０により撮影される画像は、印刷位置Ｐ１～Ｐ４よりも下流側の撮影位置Ｐ５における画像である。したがって、画像取得部４０のみでは、印刷後の見当ずれ量しか把握することができない。しかしながら、学習済みモデルＭを利用すれば、印刷位置Ｐ１～Ｐ４において発生する見当ずれ量を、各センサ３０の計測値Ｄ２に基づいて予め推定できる。

印刷処理が開始された後、学習部５２は、学習済みモデルＭの更新処理を行う（ステップＳ５）。このステップＳ５では、印刷装置１を動作させつつ、上述したステップＳ２の学習処理と同様の処理を、追加で実行する。すなわち、学習部５２は、複数のセンサ３０から得られる複数の計測項目の計測値Ｄ２を入力変数とし、見当ずれ量の実測値Ｄ１を教師データとして、教師あり学習アルゴリズムにより、追加の機械学習を行う。具体的には、学習済みモデルＭから出力される見当ずれ量の推定値を、見当ずれ量の実測値Ｄ１と比較し、推定値が実測値Ｄ１により近づくように、学習済みモデルＭのパラメータを更新する。

このように、学習済みモデルＭを更新すれば、印刷装置１の使用状況の変化に応じて、より精度よく見当ずれ量を推定できる。したがって、基材９に対するインクの吐出位置を、より適切に補正できる。

次に、異常検知部５４が、印刷装置１における異常の有無を判定する（ステップＳ６）。本実施形態では、異常検知部５４は、学習済みモデルＭから出力される見当ずれ量の推定値が、予め設定された正常範囲内であるか否かに基づいて、異常の有無を判定する。すなわち、異常検知部５４は、見当ずれ量の推定値が正常範囲内であれば、異常は無いと判定し、見当ずれ量の推定値が正常範囲から外れていれば、異常があると判定する。

ステップＳ６において、異常検知部５４が、異常が無いと判定した場合（ステップＳ６：ｎｏ）、制御部５３は、印刷処理を終了するか否かを判断する（ステップＳ７）。ここでは、印刷すべき画像が残っていなければ（ステップＳ７：ｙｅｓ）、制御部５３は、印刷処理を終了する。また、印刷すべき画像が残っていれば（ステップＳ７：ｎｏ）、制御部５３は、印刷処理を継続しつつ、ステップＳ５以降の処理を再度実行する。

一方、上述したステップＳ６において、異常検知部５４が、異常があると判定した場合（ステップＳ６：ｙｅｓ）、コンピュータ５０は、ステップＳ８～Ｓ１１の異常発生時処理を実行する。

異常発生時処理では、まず、影響度算出部５５が、上述した複数の計測項目のそれぞれについて、更新前後の学習済みモデルＭにおける影響度を算出する（ステップＳ８）。影響度は、学習済みモデルＭにおいて、複数の計測項目の計測値Ｄ２（入力変数）から、見当ずれ量（目的変数）の推定値を算出する際の、各計測項目の重み付けを示す値である。影響度は、学習済みモデルＭの学習済みのパラメータから、所定の計算式により算出することができる。また、影響度算出部５５は、各計測項目の影響度を、比較可能な形に正規化して算出する。

影響度算出部５５は、ステップＳ５において更新される前の学習済みモデルＭと、ステップＳ５において更新された後の学習済みモデルＭと、のそれぞれにおいて、各計測項目の影響度を算出する。図６は、このステップＳ８において算出される影響度の例を示した図である。図６のように、影響度算出部５５は、更新前の学習済みモデルＭと、更新後の学習済みモデルＭと、のそれぞれについて、算出された複数の計測項目の影響度を、値が高い順に並べたテーブルＴを作成する。

続いて、計測項目特定部５６が、更新前後の学習済みモデルＭにおける影響度を比較する。そして、計測項目特定部５６が、更新前後の学習済みモデルＭにおける影響度の変化を算出する（ステップＳ９）。例えば、計測項目特定部５６は、計測項目毎に、更新前の影響度に対する更新後の影響度の増加量、増加率、あるいはテーブルＴにおける順位の上昇数を算出する。

続いて、計測項目特定部５６は、算出された影響度の変化に基づいて、複数の計測項目のうち、印刷装置１の異常と関連する計測項目を特定する（ステップＳ１０）。具体的には、計測項目特定部５６は、ステップＳ９において算出された増加量、増加率、あるいはテーブルＴにおける順位の上昇数が、他の計測項目よりも大きい計測項目を、異常と関連する計測項目として特定する。

図６の例では、破線で囲まれた「モータの回転速度」の影響度が、他の計測項目の影響度に比べて、顕著に増加している。この場合、計測項目特定部５６は、「モータの回転速度」を、異常と関連する計測項目として特定する。

その後、コンピュータ５０は、異常検知結果を出力する（ステップＳ１１）。異常検知結果には、異常が検出された旨と、ステップＳ１０において特定された計測項目とが、含まれる。異常検知結果は、例えば、コンピュータ５０に接続されたディスプレイの画面に表示される。印刷装置１のユーザは、異常検知結果を確認することにより、異常が検出されたことと、その異常に関連する計測項目とを、知ることができる。したがって、画面に表示された計測項目を手がかりに、メンテナンス等の対処を行うことができる。

＜４．変形例＞
以上、本発明の一実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。以下では、種々の変形例について、上記の実施形態との相違点を中心に説明する。

＜４－１．第１変形例＞
図７は、第１変形例に係る学習処理、印刷処理、および異常検知処理の流れを示したフローチャートである。図７の例では、ステップＳ６よりも前に、ステップＳ８を実行する。すなわち、異常検知部５４が異常の有無を判定する前に、影響度算出部５５が、複数の計測項目のそれぞれについて、更新前後の学習済みモデルＭにおける影響度を算出する。このように、影響度算出部５５は、異常の有無に関わらず、影響度の算出を行ってもよい。

また、図７の順序で処理を行う場合には、ステップＳ６において、異常検知部５４は、更新前後の学習済みモデルＭにおける影響度の変化に基づいて、異常の有無を判定してもよい。具体的には、異常検知部５４は、影響度の増加量、増加率、あるいはテーブルＴにおける順位の上昇数が、予め設定された閾値よりも大きい計測項目が存在する場合に、異常が発生したと判定してもよい。

＜４－２．第２変形例＞
図８は、本発明に係る搬送装置の他の実施形態となる描画装置２の斜視図である。この描画装置２は、基板Ｗを水平に移動させつつ、基板Ｗの上面に露光パターンを描画する装置である。図８に示すように、描画装置２は、搬送機構６０、露光部７０、複数のセンサ（図示省略）、レーザ干渉計８０、およびコンピュータ９０を備えている。

搬送機構６０は、ステージ６３に載置された基板Ｗを、互いに直交する主走査方向および副走査方向に移動させる機構である。搬送機構６０は、ステージ６３を主走査方向に移動させる主走査機構６１と、ステージ６３を副走査方向に移動させる副走査機構６２とを有する。露光部７０は、これらの機構により主走査方向および副走査方向に移動する基板Ｗの上面に、レーザ光を照射する。

主走査機構６１は、一対のリニアモータ６１０を有する。主走査機構６１は、これらのリニアモータ６１０を均等に動作させることにより、ステージ６３のヨーイング角度（鉛直軸周りの回転角度）を略一定に保ちつつ、ステージ６３を移動させる。ただし、各リニアモータの微小な駆動誤差、エア圧変動、加工誤差等によって、ステージ６３のヨーイング角度が僅かに変動する場合がある。レーザ干渉計８０は、このようなステージ６３のヨーイング角度を実測するための手段である。

図９は、描画装置２のコンピュータ９０の機能を概念的に示した図である。このコンピュータ９０も、上記実施形態のコンピュータ５０と同様に、ずれ量実測部９１、学習部９２、制御部９３、異常検知部９４、影響度算出部９５、および計測項目特定部９６を有する。ずれ量実測部９１は、レーザ干渉計８０から入力される信号に基づいて、ステージ６３のヨーイング角度のずれ量を実測する。

学習部９２は、ずれ量実測部９１から、ヨーイング角度のずれ量の実測値Ｄ３を取得する。また、学習部９２は、複数のセンサから、計測値Ｄ４を受信する。学習部９２は、複数の計測値Ｄ４を入力変数とし、ヨーイング角度の実測値Ｄ３を教師データとして、教師あり学習アルゴリズムにより、計測値Ｄ４からヨーイング角度のずれ量を推定するための学習処理を行う。すなわち、この例では、ステージ６３のヨーイング角度のずれ量が、目的変数となる。

制御部９３は、学習部９２により生成された学習済みモデルＭを用いて、搬送機構６０の動作を、補正しつつ制御する。異常検知部５４、影響度算出部５５、および計測項目特定部５６は、目的変数がヨーイング角度のずれ量である点を除いて、上記の実施形態と同様の処理を行う。これにより、この描画装置２においても、異常の有無を検知して、その異常に関連するセンサの計測項目を特定することができる。

＜４－３．他の変形例＞
上記の実施形態では、センサ３０の計測値Ｄ２を、教師あり学習用のモデルに、そのまま入力していた。また、上記の実施形態では、見当ずれ量の実測値Ｄ１も、そのまま教師データとして使用していた。しかしながら、センサ３０の計測値Ｄ２は、所定の演算やフィルタ処理を行うことにより、機械学習に適した値に加工した上で、モデルに入力してもよい。また、見当ずれ量の実測値Ｄ１も、所定の演算やフィルタ処理を行うことより、機械学習に適した値に加工した上で、教師データとして使用してもよい。

また、上記の実施形態では、ずれ量実測部５１、学習部５２、制御部５３、異常検知部５４、影響度算出部５５、および計測項目特定部５６が、１つのコンピュータ５０により実現されていた。しかしながら、これらは、２つ以上のコンピュータにより実現されていてもよい。

また、上記の実施形態では、図２のように、各ヘッド２１～２４において、ノズル２０１が幅方向に一列に配置されていた。しかしながら、各ヘッド２１～２４において、ノズル２０１が２列以上に配置されていてもよい。

また、上記の実施形態の印刷装置１は、４つのヘッド２１～２４を備えていた。しかしながら、印刷装置１が備えるヘッドの数は、２つ、３つ、あるいは５つ以上であってもよい。例えば、印刷装置１は、Ｃ，Ｍ，Ｙ，Ｋの各色に加えて、特色のインクを吐出するヘッドを備えていてもよい。

また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

１ 印刷装置
２ 描画装置
９ 基材
１０ 搬送機構
１１ 巻き出し部
１２ 搬送ローラ
１３ 巻き取り部
２０ 印刷部
２１ 第１ヘッド
２２ 第２ヘッド
２３ 第３ヘッド
２４ 第４ヘッド
３０ センサ
４０ 画像取得部
５０ コンピュータ
５１ ずれ量実測部
５２ 学習部
５３ 制御部
５４ 異常検知部
５５ 影響度算出部
５６ 計測項目特定部
６０ 搬送機構
６１ 主走査機構
６２ 副走査機構
６３ ステージ
７０ 露光部
８０ レーザ干渉計
９０ コンピュータ
９１ ずれ量実測部
９２ 学習部
９３ 制御部
９４ 異常検知部
９５ 影響度算出部
９６ 計測項目特定部
６１０ リニアモータ
Ｄ１ 検討ずれ量の実測値
Ｄ２ センサの計測値
Ｄ３ ヨーイング角度の実測値
Ｄ４ センサの計測値
Ｉ 画像データ
Ｍ モデル
Ｔ テーブル
Ｗ 基板

Claims (8)

1. 搬送装置における異常検知方法であって、
   ａ）前記搬送装置に設けられた複数のセンサから得られる複数の計測項目の計測値を入力変数とし、目的変数の実測値を教師データとして、教師あり学習アルゴリズムによりモデルのパラメータを調整することにより、前記入力変数に対応する前記目的変数の推定値を出力する学習済みモデルを生成する工程と、
   ｂ）前記搬送装置を動作させつつ、前記複数のセンサから得られる複数の計測項目の計測値を入力変数とし、前記目的変数の実測値を教師データとして、前記教師あり学習アルゴリズムにより前記学習済みモデルの前記パラメータを調整することにより、前記学習済みモデルを更新する工程と、
   ｃ）前記複数の計測項目のそれぞれについて、更新前後の前記学習済みモデルにおける調整済みの前記パラメータに基づく影響度の変化を算出する工程と、
   ｄ）前記影響度の変化に基づいて、前記搬送装置の異常と関連する計測項目を特定する工程と、
   を有する、異常検知方法。
2. 請求項１に記載の異常検知方法であって、
   前記工程ｄ）では、他の計測項目よりも前記影響度の変化が大きい計測項目を、前記異常と関連する計測項目として特定する、異常検知方法。
3. 請求項１または請求項２に記載の異常検知方法であって、
   ｅ）前記工程ｄ）よりも前に、前記学習済みモデルから出力される前記目的変数の推定値が、正常範囲内であるか否かに基づいて、前記異常の有無を判定する工程
   をさらに有し、
   前記工程ｄ）では、前記工程ｅ）において前記異常があると判定された場合に、前記影響度の変化に基づいて、前記異常と関連する計測項目を特定する、異常検知方法。
4. 請求項１から請求項３までのいずれか１項に記載の異常検知方法であって、
   前記搬送装置は、長尺帯状の基材を所定の搬送経路に沿って長手方向に搬送しつつ、複数のヘッドから基材の表面にインクを吐出する印刷装置であり、
   前記目的変数は、複数のヘッドによるインクの吐出位置の相互のずれ量である、異常検知方法。
5. 搬送装置であって、
   複数のセンサと、
   前記複数のセンサから得られる複数の計測項目の計測値を入力変数とし、目的変数の実測値を教師データとして、教師あり学習アルゴリズムによりモデルのパラメータを調整することにより、前記入力変数に対応する前記目的変数の推定値を出力する学習済みモデルを生成および更新する学習部と、
   前記複数の計測項目のそれぞれについて、更新前後の前記学習済みモデルにおける調整済みの前記パラメータから影響度を算出する影響度算出部と、
   更新前後の前記学習済みモデルにおける前記影響度の変化に基づいて、前記搬送装置の異常と関連する計測項目を特定する計測項目特定部と、
   を有する、搬送装置。
6. 請求項５に記載の搬送装置であって、
   前記計測項目特定部は、他の計測項目よりも前記影響度の変化が大きい計測項目を、前記異常と関連する計測項目として特定する、搬送装置。
7. 請求項５または請求項６に記載の搬送装置であって、
   前記学習済みモデルから出力される前記目的変数の推定値が、正常範囲内であるか否かに基づいて、前記異常の有無を判定する異常検知部
   をさらに備え、
   前記異常検知部が、前記異常があると判定した場合に、前記計測項目特定部は、前記影響度の変化に基づいて、前記異常と関連する計測項目を特定する、搬送装置。
8. 請求項５から請求項７までのいずれか１項に記載の搬送装置であって、
   長尺帯状の基材を所定の搬送経路に沿って長手方向に搬送する搬送機構と、
   前記搬送機構により搬送される基材へ向けてインクを吐出する複数のヘッドと、
   をさらに備え、
   前記目的変数は、複数のヘッドによるインクの吐出位置の相互のずれ量である、搬送装置。

Images