CN114261203A - 信息处理系统、学习装置以及信息处理方法 - Google Patents
信息处理系统、学习装置以及信息处理方法 Download PDFInfo
- Publication number
- CN114261203A CN114261203A CN202111068289.7A CN202111068289A CN114261203A CN 114261203 A CN114261203 A CN 114261203A CN 202111068289 A CN202111068289 A CN 202111068289A CN 114261203 A CN114261203 A CN 114261203A
- Authority
- CN
- China
- Prior art keywords
- information
- maintenance
- nozzle
- surface image
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 320
- 238000012545 processing Methods 0.000 claims abstract description 115
- 238000003384 imaging method Methods 0.000 claims abstract description 52
- 238000003860 storage Methods 0.000 claims abstract description 28
- 238000007639 printing Methods 0.000 claims description 152
- 238000010801 machine learning Methods 0.000 claims description 32
- 239000000126 substance Substances 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 28
- 230000002411 adverse Effects 0.000 claims description 26
- 239000000428 dust Substances 0.000 claims description 17
- 238000011010 flushing procedure Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005086 pumping Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 105
- 230000008569 process Effects 0.000 description 74
- 239000010410 layer Substances 0.000 description 46
- 239000007788 liquid Substances 0.000 description 44
- 238000013528 artificial neural network Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 27
- 238000012549 training Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 238000012986 modification Methods 0.000 description 14
- 230000004048 modification Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 239000013256 coordination polymer Substances 0.000 description 8
- 239000003595 mist Substances 0.000 description 8
- 239000000758 substrate Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000005499 meniscus Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000009833 condensation Methods 0.000 description 5
- 230000005494 condensation Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 5
- 239000004744 fabric Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000003825 pressing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229920000915 polyvinyl chloride Polymers 0.000 description 2
- 239000004800 polyvinyl chloride Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 244000126211 Hericium coralloides Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/135—Nozzles
- B41J2/165—Prevention or detection of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/135—Nozzles
- B41J2/165—Prevention or detection of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
- B41J2/16517—Cleaning of print head nozzles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04541—Specific driving circuit
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04573—Timing; Delays
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/135—Nozzles
- B41J2/165—Prevention or detection of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
- B41J2/16579—Detection means therefor, e.g. for nozzle clogging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04563—Control methods or devices therefor, e.g. driver circuits, control circuits detecting head temperature; Ink temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/015—Ink jet characterised by the jet generation process
- B41J2/04—Ink jet characterised by the jet generation process generating single droplets or particles on demand
- B41J2/045—Ink jet characterised by the jet generation process generating single droplets or particles on demand by pressure, e.g. electromechanical transducers
- B41J2/04501—Control methods or devices therefor, e.g. driver circuits, control circuits
- B41J2/04566—Control methods or devices therefor, e.g. driver circuits, control circuits detecting humidity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/135—Nozzles
- B41J2/165—Prevention or detection of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
- B41J2/16517—Cleaning of print head nozzles
- B41J2002/16573—Cleaning process logic, e.g. for determining type or order of cleaning processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
- B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
- B41J2/01—Ink jet
- B41J2/135—Nozzles
- B41J2/165—Prevention or detection of nozzle clogging, e.g. cleaning, capping or moistening for nozzles
- B41J2002/16582—Maintenance means fixed on the print head or its carriage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Ink Jet (AREA)
Abstract
本发明提供一种用于基于喷嘴板面的状态而输出适当的维护信息的信息处理系统、学习装置以及信息处理方法等。信息处理系统(200)包括:存储部(230),其对学习完毕模型进行存储,所述学习完毕模型基于将拍摄印刷头(30)的喷嘴板面而得到的喷嘴面图像信息和表示印刷头(30)是否需要维护或者推荐执行定时的维护信息建立了对应的数据组,来对印刷头(30)的维护条件进行了机器学习;取得部(210),其取得喷嘴面图像信息;处理部,其在发生印刷头的喷出不良之前的定时,基于喷嘴面图像信息和学习完毕模型而输出维护信息。
Description
技术领域
本发明涉及一种信息处理系统、学习装置以及信息处理方法等。
背景技术
一直以来,广为人知一种通过从印刷头喷出油墨滴而在印刷介质上形成图像的印刷装置。在印刷头中,已知一种因各种的因素而发生喷出不良的情况。在发生了喷出不良的情况下,由于油墨滴并未喷落在印刷介质的适当的位置上,因而使得印刷品质下降。例如,在印刷装置为被用于标牌或印染领域的生产设备的情况下,喷出不良的发生会对生产效率造成较大的影响。
在专利文献1中,公开了一种在预定的执行定时定期地进行印刷头的维护的方法。
如上文所述,当发生印刷头的喷出不良时,不会出现适当的印刷结果,从而导致在生产机器等中生产效率降低。因此,希望在发生喷出不良之前检测出该预兆,并采取维护等适当的对策。但是,虽然在专利文献1等现有的方法中公开了定时清洁等统一的预防性保全,但是与预兆检测有关的公开并不充分。特别是在现有的方法中,并未公开使用拍摄印刷头的喷嘴面而得到的图像信息的方法。
专利文献1:日本特开2010-58306号公报
发明内容
本公开的一个方式涉及信息处理系统,该信息处理系统包括:存储部,其对学习完毕模型进行存储,所述学习完毕模型基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组,来对所述印刷头的维护条件进行了机器学习;取得部,其取得所述喷嘴面图像信息;处理部,其在发生所述印刷头的喷出不良之前的定时,基于所述喷嘴面图像信息和所述学习完毕模型而输出所述维护信息。
本公开的其他的方式涉及学习装置,该学习装置包括:取得部,其取得将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组;学习部,其通过基于所述数据组而对用于在发生所述印刷头的喷出不良之前的定时执行所述维护的所述印刷头的维护条件进行机器学习,从而生成学习完毕模型。
本公开的另外其他的方式涉及信息处理方法,该信息处理方法取得学习完毕模型,所述学习完毕模型基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组,来对所述印刷头的维护条件进行了机器学习;取得所述喷嘴面图像信息;在发生所述印刷头的喷出不良之前的定时,基于所述喷嘴面图像信息和所述学习完毕模型而输出所述维护信息。
附图说明
图1为信息处理系统的结构例。
图2为印刷装置的结构例。
图3为表示印刷头周边的结构的图。
图4为表示头单元的结构的剖视图。
图5为对印刷头中的头单元的配置例进行说明的图。
图6为对滑架、第一拍摄部、第二拍摄部、擦拭单元的位置关系进行说明的图。
图7为附着异物的说明图。
图8为液滴的说明图。
图9为对因液滴而产生了飞行弯曲的情况进行说明的图。
图10为学习装置的结构例。
图11为神经网络的示例。
图12为神经网络的输入输出的示例。
图13为观测数据、用于机器学习的训练数据的示例。
图14为对学习处理进行说明的流程图。
图15为对取得定时的设定处理进行说明的流程图。
图16为对输出维护信息的处理进行说明的流程图。
图17为神经网络的输入输出的示例。
图18为观测数据、用于机器学习的训练数据的示例。
图19为对学习处理进行说明的流程图。
图20为对输出维护信息的处理进行说明的流程图。
具体实施方式
以下,对本公开的优选的实施方式进行详细说明。另外,在下文中所说明的本实施方式并不是对技术方案中所记载的内容不当地进行限定的实施方式,在本实施方式中所说明的结构并不一定全部都是必要结构要件。
1.信息处理系统
图1为表示本实施方式所涉及的信息处理系统200的结构例的图。信息处理系统200包括取得部210、处理部220和存储部230。存储部230对学习完毕模型进行存储。学习完毕模型为,通过基于将拍摄印刷头30的喷嘴板面而得到的喷嘴面图像信息和表示印刷头30是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组来对印刷头30的维护条件进行机器学习从而取得的模型。例如,如后述那样,学习完毕模型通过学习装置400而被生成。学习装置400基于在学习阶段所取得的喷嘴面图像信息即学习用喷嘴面图像信息、和在学习阶段所取得的维护信息即学习用维护信息,而生成学习完毕模型。关于学习装置400中的处理的详细内容,将在下文中叙述。此外,关于印刷头30等印刷装置1的详细内容,利用图2等而在下文中进行叙述。
取得部210取得推论阶段中的喷嘴面图像信息。处理部220执行如下处理,即,基于取得部210所取得的喷嘴面图像信息和从存储部230读取到的学习完毕模型而输出维护信息。
本实施方式的信息处理系统200为作为推论装置而发挥功能的系统,所述推论装置基于生成完毕的学习完毕模型而执行推论处理。信息处理系统200也可以作为与利用图2等在下文中叙述的印刷装置1不同的系统而被设置。例如,信息处理系统200既可以为图2中的计算机CP,又可以为经由网络而与计算机CP连接的未图示的服务器系统。或者,信息处理系统200也可以被包含在印刷装置1中。例如,印刷装置1除了执行后述的印刷控制的控制器100之外,也可以包含执行与信息处理系统200相对应的处理的第二控制器。此外,后述的控制器100也可以包含信息处理系统200。此外,信息处理系统200也可以通过多个装置的分散处理而被实现。
取得部210例如既可以为用于从印刷装置1取得喷嘴面图像信息的接口,又可以为对该接口进行控制的处理器,还可以为这两方。例如,在印刷装置1和信息处理系统200经由网络而被连接的情况下,取得部210为用于进行经由该网络的通信的通信接口、通信控制电路等。
处理部220由下述的硬件构成。硬件能够包括对数字信号进行处理的电路以及对模拟信号进行处理的电路中的至少一个。例如,硬件能够由被安装于电路基板上的一个或多个电路装置或一个或多个电路元件构成。一个或多个电路装置例如为IC(IntegratedCircuit,集成电路)、FPGA(field-programmable gate array,现场可编程门阵列)等。一个或多个电路元件例如为电阻、电容器等。
此外,处理部220也可以通过下述的处理器来实现。本实施方式的信息处理系统200包括对信息进行存储的存储器、基于被存储于存储器中的信息而进行动作的处理器。此处的存储器既可以为存储部230,又可以为其他的存储器。信息例如为程序和各种数据等。处理器包括硬件。处理器能够使用CPU(Central Processing Unit,中央处理单元)、GPU(Graphics Processing Unit,图形处理器)、DSP(Digital Signal Processor,数字信号处理器)等各种处理器。存储器既可以为SRAM(Static Random Access Memory,静态随机存储存储器)、DRAM(Dynamic Random Access Memory,动态随机存储存储器)等半导体存储器、又可以为寄存器,还可以为硬盘装置等磁存储装置,也可以为光盘装置等光学式存储装置。例如,通过存储器对能够由计算机来读取的命令进行存储,且处理器执行该命令,从而处理部220的功能作为处理而被实现。此处的命令既可以为构成程序的命令组的命令,又可以为对处理器的硬件电路指示动作的命令。
存储部230对数据或程序等各种信息进行存储。处理部220例如将存储部230作为工作区域而进行动作。存储部230既可以为SRAM、DRAM等半导体存储器,又可以为寄存器,还可以为磁存储装置,也可以为光学式存储装置。存储部230如上述的那样对学习完毕模型的信息进行存储。
根据本实施方式的方法,在实际发生喷出不良之前的阶段,基于喷嘴面图像信息而输出维护信息。喷嘴面图像信息为,表示通过对形成有喷嘴Nz的喷嘴板面进行拍摄而取得的图像的信息。另外,喷嘴板面为,表示作为平面状的部件的喷嘴板NP的面中的、喷出油墨滴的一侧的面、换言之在印刷时与印刷介质对置的一侧的面。
由于喷嘴板面的状态而有可能妨碍从喷嘴Nz喷出的油墨的正常的飞行。具体而言,在异物或液滴附着于喷嘴板面上的情况下,即使在该阶段中异物等并未妨碍油墨的飞行的情况下,也有可能由于该异物等的位置或尺寸发生变化而发生喷出不良。即,喷嘴面图像信息为与将来的喷出不良相关联的信息。在本实施方式的方法中,通过使用喷嘴面图像信息,从而能够高精度地对是否需要维护、维护的推荐执行定时进行推定。作为结果,能够减少故障时间,因此在作为例如生产机器的印刷装置1中能够提高生产效率。
例如,本实施方式的喷嘴面图像信息为,能够确定与喷嘴板面的异物有关的异物信息以及与喷嘴板面的液滴有关的异物信息中的至少一个的信息。
喷嘴板面的异物信息是指,如利用图7而在下文中叙述的那样,与附着于喷嘴板面上的异物有关的信息,例如为漂浮绒毛、纸粉等的信息。绒毛是指在印刷介质的表面上产生的细毛。此处的印刷介质例如为布。纸粉是指作为纸的印刷介质的细小的碎片。喷嘴板面的液滴是指,如利用图8而在下文中叙述的那样,附着于喷嘴板面上的油墨滴或者水滴。油墨滴例如因油墨的烟雾附着在喷嘴板面上的情况而产生。烟雾是指因从喷嘴Nz喷出油墨而产生的雾状的油墨。水滴因结露而发生。例如,在喷嘴板NP的温度与周围温度相比而相对下降了的情况下,因温度差而发生结露。
另外,如上述的专利文献1那样,已知定时清洁等进行预防保全的方法。但是,在定期的定时执行维护的情况下,也存在在并不一定需要维护的状态时执行维护的情况。在这种情况下,有可能因维护而浪费油墨,或者印刷动作停止。另一方面,当维护的间隔被设定得较长时,虽然抑制了过度的维护,但是在维护执行前有可能发生喷出不良。
相对于此,在本实施方式的方法中,使用喷嘴面图像信息。如上文所述的那样,喷嘴面图像信息包括异物信息或液滴信息等确定将来的喷出不良的因素的信息。即,本实施方式的方法能够考虑此时的印刷头30的状态来决定是否需要维护和定时。作为结果,也能够适当地抑制喷出不良的发生,并且抑制过度的维护。
此外,本实施方式的信息处理系统200所执行的处理也可以作为信息处理方法而被实现。信息处理方法取得学习完毕模型,并取得喷嘴面图像信息,且在发生印刷头30的喷出不良之前的定时,基于喷嘴面图像信息和学习完毕模型而输出维护信息。学习完毕模型为,基于将拍摄印刷头30的喷嘴板面而得到的喷嘴面图像信息和表示印刷头30是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组,来对印刷头30的维护条件进行了机器学习的学习完毕模型。
2.印刷装置
图2为表示印刷装置1的结构的图。如图2所示,印刷装置1包括输送单元10、滑架单元20、印刷头30、驱动信号生成部40、油墨抽吸单元50、擦拭单元55、冲洗单元60、第一拍摄单元70、第二拍摄单元75、检测器组90和控制器100。印刷装置1为朝向印刷介质而喷出油墨的装置,且与计算机CP以能够进行通信的方式而被连接在一起。计算机CP为了使印刷装置1对图像进行印刷,而将与该图像相应的印刷数据发送至印刷装置1。
图3为对印刷头30周边的结构进行说明的图。印刷介质通过输送单元10而在预定的方向上被输送。印刷介质例如为纸张S。纸张S既可以为预定尺寸的印刷纸张,又可以为连续纸。此外,印刷介质并未被限定于纸,能够使用布、薄膜、PVC(polyvinyl chloride,聚氯乙烯)等各种各样的介质。以下,将印刷介质被输送的方向记载为输送方向。输送方向与图3中的D1相对应。输送单元10包括未图示的输送辊以及输送电机等。输送电机使输送辊进行旋转。被供纸的印刷介质通过输送辊的旋转而被输送至作为能够执行印刷处理的区域的印刷区。印刷区是指能够与印刷头30对置的区域。
印刷头30被搭载在滑架单元20上。滑架单元20具有滑架21和未图示的滑架电机,所述滑架21以能够沿着导轨22而向纸张S的纸张宽度方向往返移动的方式被支承。滑架电机基于来自处理器102的滑架控制信号而被驱动。滑架21通过该滑架电机的驱动,从而以与印刷头30成为一体的方式进行移动。例如,如图3所示,本实施方式的印刷装置1为串行头方式的印刷装置。串行头方式是指,通过使印刷头30在纸张的宽度方向上往返移动来进行纸张宽度量的印刷的方式。另外,纸张宽度方向也可以换言为主扫描方向。纸张宽度方向或者主扫描方向与图3中的D2相对应。
印刷头30包括多个头单元31。各头单元31包括例如沿着输送方向而被配置的多个喷嘴Nz和未图示的头控制部。以下,将沿着预定方向而被配置的多个喷嘴Nz记载为喷嘴列。
驱动信号生成部40生成驱动信号。当驱动信号被施加于驱动元件即压电元件PZT上时,压电元件PZT进行伸缩,从而油墨从各喷嘴Nz喷出。关于包括压电元件PZT的头单元31的详细内容,利用图4而在下文中进行叙述。头控制部实施如下控制,即,基于来自处理器102的头控制信号以及来自驱动信号生成部40的驱动信号,而从喷嘴Nz向印刷介质喷出油墨。由此,在印刷介质上形成了图像。
油墨抽吸单元50从印刷头30的喷嘴Nz对头内的油墨进行抽吸并向头外排出。油墨抽吸单元50通过在使未图示的盖紧贴在印刷头30的喷嘴面上的状态下,使未图示的抽吸泵进行动作而使盖的空间设为负压,从而将混入到印刷头30内的气泡与印刷头30内的油墨一起进行抽吸。
擦拭单元55将附着于印刷头30的喷嘴板NP上的异物和液滴去除。擦拭单元55具有能够与印刷头30的喷嘴板NP抵接的擦拭件。擦拭件为具有挠性的弹性部件。当滑架21通过滑架电机的驱动而在纸张宽度方向上进行移动时,擦拭件的顶端部与印刷头30的喷嘴板NP抵接而挠曲。由此,擦拭单元55除掉附着于喷嘴板NP上的异物和液滴。或者,擦拭单元55也可以包括布等擦拭部件和卷绕有该擦拭部件的第一卷绕轴以及第二卷绕轴。被卷绕在第一卷绕轴上的擦拭部件通过给定的输送单元而被输送至第二卷绕轴。在该路径上,通过擦拭部件相对于喷嘴板NP而被按压,从而去除了附着在喷嘴板NP上的异物和液滴。
冲洗单元60承接并贮留通过印刷头30进行冲洗动作而被喷出的油墨。冲洗动作是指,将与要印刷的图像无关的驱动信号施加给驱动元件,并强制性地使油墨滴从喷嘴Nz中连续喷出的动作。
第一拍摄单元70基于被形成于纸张S上的印刷图像的状态而对喷出不良进行检查。第一拍摄单元70包括第一拍摄部71和第一图像处理部72,所述第一拍摄部包括镜头和拍摄元件,所述第一图像处理部72实施对于拍摄元件的输出信号的处理。例如,第一拍摄单元70通过对油墨被喷出到印刷介质上的结果进行拍摄从而取得喷出结果信息。另外,虽然在图2中分别记载了第一图像处理部72和控制器100,但是第一图像处理部72也可以通过控制器100而被实现。第一拍摄部71例如像图3所示的那样被搭载在滑架21上。
第二拍摄单元75对印刷头30的喷嘴板面的状态进行检查。第二拍摄单元75包括第二拍摄部76和第二图像处理部77,所述第二拍摄部76包括镜头和拍摄元件,所述第二图像处理部77实施对于拍摄元件的输出信号的处理。例如,第二拍摄部76被固定在印刷装置1的给定的位置上。例如,第二拍摄部76在滑架21移动至不与印刷介质对置的给定的位置的状态下被配置为如与印刷头30的喷嘴板NP对置那样的位置以及角度。另外,第二图像处理部77既可以与控制器100单独地设置,又可以通过控制器100实现。
控制器100为用于实施印刷装置1的控制的控制单元。控制器100包括接口部101、处理器102、存储器103和单元控制电路104。接口部101在作为外部装置的计算机CP与印刷装置1之间进行数据的发送和接收。处理器102为用于实施印刷装置1整体的控制的运算处理装置。处理器102例如为CPU。存储器103为用于确保对处理器102的程序进行存储的区域和作业区域等的设备。处理器102通过依据被存储于存储器103中的程序的单元控制电路104来对各单元进行控制。
检测器组90为对印刷装置1的工作状况进行监视的设备,且包括例如温度传感器91、湿度传感器92、灰尘传感器93。灰尘传感器93例如为对空间中的粒子数进行计数的粒子计数器。检测器组90也可以包括气压传感器、标高传感器、擦拭传感器等未图示的传感器。此外,检测器组90也可以包括在印刷介质的输送等的控制中所利用的旋转式编码器、对被输送的印刷介质的有无进行检测的纸张检测传感器、用于对滑架21的移动方向的位置进行检测的线性编码器等的结构。
另外,在上文中对串行头方式的印刷装置1进行了说明。但是,本实施方式的印刷装置1也可以为印刷头30以覆盖纸张宽度的方式而被设置的行式头方式的印刷装置。
图4为对印刷头30中所包括的头单元31的结构进行说明的剖视图。头单元31具有壳体32、流道单元33和压电元件单元34。另外,在图4中,省略了用于对压电元件PZT进行驱动的配线等。
壳体32为用于对压电元件PZT等进行收纳并固定的部件,例如由环氧树脂等非导电性的树脂材料来制作出。
流道单元33具有流道形成基板33a、喷嘴板NP和振动板33c。在流道形成基板33a的一个表面上接合有喷嘴板NP,在另一个表面上接合有振动板33c。在流道形成基板33a上形成有成为压力室331、油墨供给通道332以及共用油墨室333的空部或槽。该流道形成基板33a例如由硅基板来制作。在喷嘴板NP上设置有由多个喷嘴Nz构成的一个或多个喷嘴列。该喷嘴板NP由具有导电性的板状的部件、例如较薄的金属板来制作。在振动板33c中的与各压力室331相对应的部分上设置有隔膜部334。该隔膜部334通过压电元件PZT而进行变形,并使压力室331的容积发生变化。另外,通过存在有振动板33c和粘合层等,从而使压电元件PZT和喷嘴板NP成为被电绝缘的状态。
压电元件单元34具有压电元件组341和固定部件342。压电元件组341呈梳齿状。而且,每个梳齿为压电元件PZT。各压电元件PZT的顶端面被粘合在所对应的隔膜部334所具有的岛部335上。固定部件342对压电元件组341进行支承,并且成为相对于壳体32的安装部。压电元件PZT为电-机械转换元件的一个示例,且通过当被施加驱动信号时在长边方向上进行伸缩,从而对压力室331内的液体赋予压力变化。在压力室331内的油墨中,会因压力室331的容积的变化而产生压力变化。利用该压力变化,从而能够使油墨滴从喷嘴Nz中喷出。另外,代替作为电-机械转换元件的压电元件PZT,也可以设为通过产生与被施加的驱动信号相应的气泡而使油墨滴喷出的结构。
图5为表示印刷头30中的喷出油墨的一侧的面的结构的图。如图4所示,印刷头30包括固定板35和被固定于该固定板35上的多个头单元31。如图4所示,在喷出油墨的面中,露出有头单元31的喷嘴板NP。另外,如图5所示,温度传感器91例如也可以被设置在印刷头30上。在图5的示例中,温度传感器91被配置在固定板35上。但是,温度传感器91也可以被设置在印刷装置1的其他的位置上。
一个头单元31例如包括沿着输送方向而被设置的一列喷嘴列。图5所示的印刷头30通过包含八个头单元31,从而例如在其下表面分别具有两个黑色油墨喷嘴列、蓝绿色油墨喷嘴列、品红色油墨喷嘴列以及黄色油墨喷嘴列。而且,印刷头30从各喷嘴列朝向纸张S喷出各自所对应的颜色的油墨。但是,一个头单元31也可以包含两个以上的喷嘴列。此外,印刷头30中所包含的头单元数并不限定于八个,能够进行各种各样的变形来实施。此外,本实施方式所涉及的印刷头30也可以具备仅某个特定的油墨颜色的喷嘴列。
此外,在图3中,对在滑架21上设置有一个印刷头30的示例进行了说明。但是,也可以在滑架21上设置两个以上的印刷头30。例如,通过将多个印刷头30配置于在输送方向上不同的位置上,从而能够扩大使滑架21在一个往返期间内可印刷的面积。另外,印刷头30以及头单元31已知有各种的结构,在本实施方式中能够广泛地应用它们。
图6为示意性地表示滑架21、擦拭单元55、第一拍摄部71、第二拍摄部76的关系的图。如上文所述的那样,滑架21在搭载了印刷头30以及第一拍摄部71的状态下沿着作为主扫描方向的D2而进行移动。此外,擦拭单元55以及第二拍摄部76为印刷装置1中的滑架21外的位置,且在滑架21移动至给定的位置的情况下,被设置在与该滑架对置的位置上。
如图6所示,通过滑架21移动至与印刷介质对置的位置,从而第一拍摄部71能够对印刷结果进行拍摄。此外,通过滑架21移动至与擦拭单元55对置的位置,从而擦拭单元55能够对喷嘴板NP进行擦拭。此外,通过滑架21移动至与第二拍摄部76对置的位置,从而第二拍摄部76能够对喷嘴板NP的状态进行拍摄。
3.喷出不良因素
图7为表示附着在喷嘴板面上的异物的图,且为例如使用第二拍摄单元75所拍摄到的喷嘴面图像信息的示例。图7的Nz分别表示喷嘴孔。图7的OB4为附着在喷嘴板面上的异物。以下,将附着在喷嘴板面上的异物记载为附着异物OB4。
附着异物OB4例如为附着在嘴板面上的绒毛、纸粉。例如,附着异物OB4也被称为漂浮绒毛。由于附着异物OB4为未进入到喷嘴孔的内部的异物,因此即使在存在附着异物OB4的情况下,油墨滴本身也会从喷嘴孔中被正常喷出。因此,即使存在附着异物OB4,也并不限于立即发生喷出不良的情况。
但是,在附着异物OB4位于油墨滴的飞行路径上的情况下,在油墨滴从喷嘴孔喷出之后,与该附着异物OB4接触。由于漂浮绒毛等附着异物OB4成为飞行的油墨滴的障碍物,因此即使油墨滴从喷嘴孔中被正常地喷出,也不会正常地到达印刷介质上。另外,在附着异物OB4较大的情况下,存在油墨顺着该附着异物OB4而发展成为油墨垂下的现象的可能性。
图8为表示附着于喷嘴板面上的液滴OB5的图,且为例如使用第二拍摄单元75所拍摄到的喷嘴面图像信息的示例。图8的Nz分别表示喷嘴孔。
此处的液滴OB5为例如通过结露而产生的水滴,或者通过烟雾而产生的油墨滴,或者这两方。例如,在喷嘴板NP的温度与周围温度相比而相对性地下降的情况下,因温度差而发生结露。结露在温度差越大或者印刷装置1的内部或周边环境中的湿度越高时越易于发生。此外,有时通过印刷动作而产生作为成为雾状的油墨的烟雾,且因该烟雾而使油墨滴附着在喷嘴板面上。
即使在喷嘴板面上附着有液滴OB5,在该液滴OB5不存在于喷嘴孔附近处的情况下,也不会直接影响从喷嘴孔喷出油墨。但是,在因随着时间而使液滴OB5的尺寸变大且位置发生变化从而该液滴OB5与喷嘴孔边缘部相接的情况下,会因影响喷嘴孔的弯液面而引起喷出不良。
图9为对由喷嘴板面的液滴OB5引起的飞行弯曲进行说明的图。在图9中上方为油墨的喷出方向。图9的A1为油墨喷出前的状态,在此,在喷嘴Nz的附近处附着有液滴OB5。如A2所示那样,通过压电元件PZT被驱动,从而油墨的液面被向与喷出方向相反的方向牵引。以下,将液面形状记载为弯液面。然后,如A3以及A4所示,在油墨的喷出的同时,弯液面欲复原。但是,在液滴OB5存在于喷嘴Nz的附近处的情况下,如A5所示那样,在弯液面和被喷出的油墨分离时,油墨被向液滴侧牵引。作为结果,被喷出的油墨的一部分的喷出方向发生弯曲,从而与原本的喷落位置相比而喷落在向液滴侧偏离开的位置上。
如图7以及图8所示,在喷嘴面图像信息中,附着异物OB4、液滴OB5以能够与喷嘴Nz和喷嘴板NP相识别的方式被拍摄。因此,喷嘴面图像信息包括与附着异物OB4、液滴OB5有关的信息。
处理部220也可以实施根据喷嘴面图像信息来对附着异物OB4、液滴OB5进行检测的处理。例如,处理部220能够使用对色度的不同进行检测的图像处理或边缘检测处理等,并根据喷嘴面图像信息来对附着异物OB4以及液滴OB5进行检测。或者,处理部220也可以通过预先将不存在附着异物OB4以及液滴OB5的状态下的喷嘴面图像信息作为基准图像来取得,并对该基准图像和喷嘴面图像信息进行比较,从而根据喷嘴面图像信息来对附着异物OB4以及液滴OB5进行检测。
例如,处理部220基于喷嘴面图像信息,而求得与异物或者液滴的数量、异物或者液滴的尺寸或比例、异物或者液滴的距喷嘴孔的距离分布中的至少一个有关的不良因素信息。
例如,处理部220针对喷嘴面图像信息的每个区域,来确定该区域为作为喷嘴板面的喷嘴板区域、作为附着异物OB4的附着异物区域、作为液滴OB5的液滴区域中的哪一个。此处的区域可以为一个像素,也可以为多个像素的集合。而且,处理部220将连续的一个或多个附着异物区域判断为一个附着异物OB4,且将连续的一个或多个液滴区域判断为一个液滴OB5。异物或者液滴的数量为,喷嘴面图像信息中所包含的附着异物OB4的数量以及液滴OB5的数量中的至少一个的信息。
此外,处理部220将被检测出的一个附着异物OB4中所包含的上述区域数或者像素数设为该附着异物OB4的尺寸。在检测出多个附着异物OB4的情况下,处理部220针对每个附着异物OB4而求出尺寸。处理部220既可以将一个或多个附着异物OB4的尺寸的全部的信息作为不良因素信息,也可以将最大值等统计量作为不良因素信息。此外,处理部220还可以将附着异物OB4的尺寸的合计值相对于喷嘴面图像信息整体的尺寸的比例作为异物的比例来求出。关于液滴OB5的尺寸或者比例也同样。
此外,处理部220求出被检测出的一个附着异物OB4与喷嘴Nz的距离。由于如图7所示的那样在喷嘴面图像信息中包括多个喷嘴Nz,因此处理部220求出附着异物OB4与距该附着异物OB4最近的喷嘴Nz的距离。另外,距离既可以为附着异物OB4的端点与喷嘴Nz的端点之间的距离,也可以为附着异物OB4的重心与喷嘴Nz的重心之间的距离,还可以为其他的距离。处理部220基于针对多个附着异物OB4所求出的距离的集合而求出距离分布。距离分布既可以为如直方图那样将距离和频率建立了对应的信息,也可以为包括平均值和方差等的统计信息。
如上文所述,附着异物OB4和液滴OB5附着在喷嘴板面上本身不会成为问题,而位于喷嘴Nz的附近则成为问题。而且,附着异物OB4和液滴OB5的数量越多,尺寸或比例越大、与喷嘴Nz的距离越近,则导致喷出不良的可能性越高。即,数量、尺寸、比例、距离分布等不良因素信息为,在对喷嘴面图像信息中所包含的附着异物OB4或液滴OB5将来是否会引起喷出不良进行推定时有用的信息。通过使用不良因素信息,从而能够高精度地求得维护信息。
4.维护
作为预防喷出不良而能够由印刷装置1执行的维护动作,可以考虑例如擦拭动作、微量抽吸动作、冲洗动作。
擦拭动作表示使用擦拭单元55而对喷嘴板面进行擦拭的动作。擦拭动作为,例如擦拭单元55的擦拭部件和喷嘴板NP在沿着喷嘴板面的给定的方向上进行相对移动的同时进行接触的动作。以下,将该擦拭动作记载为擦除动作。例如,控制器100通过同时执行使滑架21沿着作为主扫描方向的D2而移动的控制和将擦拭单元55的擦拭部件推向喷嘴板NP的控制,从而实现擦除动作。或者,控制器100也可以通过在对作为卷取式的布的擦拭部件进行收卷的同时推向喷嘴板NP的控制,从而实现擦除动作。由于擦除动作使擦拭部件在喷嘴板面上进行移动,因此将附着异物OB4和液滴OB5除掉的效果较好。
但是,擦拭动作并未被限定于此。擦拭动作也可以为,在擦拭部件和喷嘴板NP在维持沿着喷嘴板面的方向上的位置关系的同时进行接触的动作。以下,将该擦拭动作记载为按压动作。例如,控制器100在使滑架21在与擦拭单元55对置的位置上停止的基础之上,通过将擦拭单元55的擦拭部件推向喷嘴板NP,从而实现按压动作。由于按压动作与擦除动作相比而抑制了在沿着喷嘴板面的方向上发挥作用的力,因此能够抑制正常的喷嘴发生异常的情况。例如,能够抑制增粘了的烟雾进入喷嘴孔中的情况。
微量抽吸动作表示从印刷头30的喷嘴板面侧将油墨抽吸微量的动作。微量抽吸动作例如通过油墨抽吸单元50来执行。例如,油墨抽吸单元50能够执行包括普通抽吸动作以及微量抽吸动作在内的多个抽吸强度下的抽吸动作。抽吸强度能够使用负压或者加压的大小、抽吸时间来进行调节。微量抽吸动作与普通抽吸动作等其他的动作相比,表示从喷嘴Nz被喷出的油墨的量较少的动作。例如,通过实施微量抽吸并利用油墨来润湿喷嘴板面,从而能够抑制因擦拭造成的对喷嘴Nz的影响。此外,在微量抽吸动作中,通过调整弯液面,从而也有使油墨飞行稳定的效果。
冲洗动作是表示,在不与印刷介质对置的位置上使油墨从喷嘴Nz喷出的动作。冲洗中的油墨的喷出通过与印刷时同样的动作而被实现。例如,在如图4所示的那样印刷头30为压电头的情况下,与印刷时同样地通过压电元件PZT被驱动,从而执行冲洗动作。由于冲洗动作伴随着油墨喷出,因此能够消除轻微的异物等。此外,通过进行冲洗动作,从而能够使油墨的喷出状态稳定。
印刷装置1将擦拭动作、微量抽吸动作、冲洗动作等维护动作中的一个或多个组合作为维护序列来执行。另外,在本实施方式的方法中,维护序列也可以与喷嘴面图像信息无关地而被预先决定。例如,在判断为信息处理系统200需要维护的情况或者成为信息处理系统200所输出的维护的推荐执行定时的情况下,印刷装置1也可以依次执行规定的维护序列。例如,在现有方法中,维护所需的油墨的量较少且维护所需的时间较短,或者,满足这二者的维护序列被优选执行。但是,作为变形例,如后述的那样,本实施方式的信息处理系统200也可以执行决定维护序列的处理。
5.学习处理和推论处理的示例
在本实施方式的方法中,通过使用机器学习而求得维护信息。以下,对于学习处理和推论处理的具体例进行说明。
5.1学习处理
图10为表示学习装置400的结构例的图。学习装置400包括取得用于学习的训练数据的取得部410、和基于该训练数据而进行机器学习的学习部420。
取得部410为例如从其他的装置取得训练数据的通信接口。或者,取得部410也可以取得学习装置400所保存的训练数据。例如,学习装置400包括未图示的存储部,取得部410为用于从该存储部读取训练数据的接口。本实施方式中的学习为例如监督学习。监督学习中的训练数据为,将输入数据和正确标签建立了对应的数据组。
学习部420实施基于取得部410所取得的训练数据的机器学习,并生成学习完毕模型。另外,本实施方式的学习部420由下述的硬件构成。硬件能够包括对数字信号进行处理的电路以及对模拟信号进行处理的电路中的至少一个。例如,硬件能够由被安装于电路基板上的一个或多个电路装置、一个或多个电路元件构成。
此外,学习部420也可以通过包括硬件的处理器来实现。学习装置400包括对信息进行存储的存储器、和基于被存储于存储器中的信息而进行动作的处理器。信息为例如程序和各种数据等。处理器能够使用CPU、GPU、DSP等各种处理器。存储器既可以为半导体存储器,又可以为寄存器,还可以为磁存储装置,也可以为光学式存储装置。例如,通过存储器对能够由计算机读取的命令进行存储,且该命令被处理器执行,从而学习装置400的各部的功能作为处理而被实现。例如,通过存储器对规定学习算法的程序进行存储,且处理器依照该学习算法而进行动作,从而执行学习处理。
更加具体而言,取得部410取得将拍摄印刷头30的喷嘴板面而得到的喷嘴面图像信息、和表示印刷头30是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组。此处所取得的信息具体而言,用于机器学习的学习用喷嘴面图像信息以及学习用维护信息。学习部420通过基于该数据组而对用于在印刷头30的喷出不良发生之前的定时执行维护的印刷头30的维护条件进行机器学习,从而生成学习完毕模型。
根据本实施方式的方法,使用与将来喷出不良有关的喷嘴面图像信息来进行机器学习。通过使用该机器学习的结果,能够根据喷嘴板NP的具体的状况来决定是否需要维护和定时。
图10所示的学习装置400例如也可以被包含在图2所示的印刷装置1中。在这种情况下,学习部420与印刷装置1的控制器100相对应。更加具体而言,学习部420也可以为处理器102。印刷装置1将喷嘴面图像信息以及维护信息储存在存储器103中。取得部410也可以为读取被储存于存储器103中的信息的接口。此外,印刷装置1也可以将所储存的信息发送至计算机CP或服务器系统等外部设备。取得部410也可以为从该外部机器接收学习所需的训练数据的接口部101。
此外,学习装置400也可以被包含在与印刷装置1不同的设备中。例如,学习装置400也可以被包含在经由网络而与印刷装置1连接的外部设备中。此处的网络既可以为内部网等私人网络,也可以为互联网等公共通信网。此外,网络可以是有线也可以是无线。例如学习装置400也可以被包含在信息处理系统200中。
作为机器学习的具体例,对使用了神经网络的机器学习进行说明。图11为神经网络的基本的结构例。神经网络为在计算机上对脑功能进行模拟的数学模型。将图11的一个圆称为节点或者神经元。在图11的示例中,神经网络具有输入层、两个中间层、输出层。输入层为I,中间层为H1以及H2,输出层为O。但是,中间层的层数、各层中所包含的节点的数量能够进行各种各样的变形来实施。输入层中所包含的节点分别与作为第一中间层的H1的节点结合。第一中间层中所包含的节点分别与作为第二中间层的H2的节点结合,且第二中间层中所包含的节点分别与输出层的节点结合。另外,中间层也可以换言为隐藏层。
输入层为分别输出输入值的节点。在图11的示例中,神经网络将x1、x2、x3作为输入而受理,输入层的各节点分别输出x1、x2、x3。另外,也可以对输入值而执行一些前处理,且输入层的各节点输出前处理后的值。
在神经网络中,在节点间设定权重W。图11的W1为输入层与第一中间层之间的权重。W1表示在输入层中所包含的给定的节点与第一中间层中所包含的给定的节点之间的权重的集合。在将输入层的第p个节点数与第一中间层的第q个节点之间的权重表达为w1 pq的情况下,图11的W1为包括w1 11至w1 34这12个权重的信息。
在第一中间层的各节点中,实施求出与该节点连接的前一层的各节点的输出和权重的积和再加上偏差值的运算。此外,在各节点中的运算中,使用作为非线性函数的激活函数f。激活函数f使用例如ReLU函数。ReLU函数为,若变量是0以下则为0、若大于0则为变量本身的值的函数。但是,已知激活函数f能够利用各种的函数,既可以利用S形函数,也可以利用改良了ReLU函数的函数。
此外,对于之后的层也是同样的。例如,在将第一中间层与第二中间层之间的权重设为W2的情况下,在第二中间层的节点中,实施利用了第一中间层的输出和权重W2的积和运算,并实施加上偏差值而应用激活函数的运算。在输出层的节点中,实施对其前一层的输出进行加权并加上偏差值的运算。如果为图11的示例,则输出层的前一层为第二中间层。神经网络将在输出层中的运算结果设为该神经网络的输出。
如根据以上的说明可知的那样,为了从输入获得所期望的输出,需要设定适当的权重和偏差值。另外,在下文中,也将权重记载为加权系数。此外,设为也可以在加权系数中包括偏差值。在学习中,预先准备将给定的输入x和通过该输入的正确输出建立了对应的数据组。正确的输出为正确标签。神经网络的学习处理能够认为是,基于该数据组而求出最有可能的加权系数的处理。另外,在神经网络的学习处理中,已知有误差反向传播法(Backpropagation)等各种各样的学习方法。在本实施方式中,由于能够广泛地应用这些学习方法,因此省略详细的说明。在使用神经网络的情况下的学习算法是指,例如实施上述的积和运算等运算而取得正向结果的处理、以及使用误差反向传播法来更新加权系数信息的处理这二者的算法。
此外,神经网络并不限定于图11所示的结构。例如,在本实施方式的学习处理以及后述的推论处理中,也可以使用广泛已知的CNN(Convolutional neural network,卷积神经网络)。CNN具有卷积层以及池化层。卷积层实施卷积运算。具体而言,此处的卷积运算是指过滤器处理。池化层实施缩小数据的纵横的尺寸的处理。在CNN中,通过实施使用了误差反向传播法等的学习处理,从而学习用于卷积运算的过滤器的特性。即,在神经网络中的加权系数中,包括CNN中的过滤器特性。此外,作为神经网络,已知有RNN(Recurrent NeuralNetwork,循环神经网络)等各种的模型,在本实施方式中能够广泛地应用这些。
另外,在上文中,对学习完毕模型为使用了神经网络的模型的示例进行了说明。但是,本实施方式中的机器学习并不限定于使用神经网络的方法。例如,能够在本实施方式的方法中应用SVM(support vector machine,支持向量机)等广为人知的各种方式的机器学习、或者从这些方式发展出的方式的机器学习。
图12为对神经网络的输入输出进行说明的图。神经网络受理喷嘴面图像信息以作为输入,并将维护信息作为输出数据而进行输出。如上述的那样,喷嘴面图像信息为通过第二拍摄单元75而被拍摄到的图像信息。维护信息为,表示例如在处理对象定时中的印刷装置1的是否需要维护的信息。例如,神经网络的输出包括表示需要维护的确定性的信息和表示不需要维护的确定性的信息。在神经网络的输出层为广为人知的softmax层的情况下,维护信息为,输出的合计值成为1的概率数据,并且一方表示需要维护的概率,另一方表示不需要维护的概率。
图13为表示为了学习而被收集的观测数据、和基于该观测数据而被生成且被用于机器学习的训练数据的关系的图。例如,在学习阶段中,通过使印刷装置1运转,从而储存了喷嘴面图像信息。在图13中,将在定时t1所取得的喷嘴面图像信息记载为IM1。对于定时t2之后也同样。此外,在各定时中,实施是否发生喷出不良的判断。喷出不良的发生的有无既可以基于作为第一拍摄部71的输出的喷出结果信息来进行判断,也可以通过用户目视确认印刷结果以进行确认从而被判断出。在图13的示例中,在t1至ti-1的定时未发生喷出不良,并且在ti的定时发生了喷出不良。此处的i为2以上的整数。此外,各定时的间隔能够进行各种各样的设定。
由于在这种情况下,在ti发生了喷出不良,因此可以考虑例如IMi中的附着异物OB4、液滴OB5处于妨碍油墨的飞行的状态。并不否定附着异物OB4、液滴OB5直到ti-1为止并未产生并且在ti突然出现的可能性。但是,在比ti靠前的定时产生了附着异物OB4和液滴OB5且从那时起数量、尺寸、比例、距喷嘴Nz的距离等经时地进行变化从而在ti的定时引起喷出不良的可能性较高。换言之,可以认为,在定时ti之前,也在喷嘴面图像信息中拍摄到了成为在ti的喷出不良的因素的附着异物OB4、液滴OB5,而出现了在ti的喷出不良的预兆。进一步而言,在ti-1或ti-2等与ti的时间差为给定的时间差阈值以下的定时的喷嘴面图像信息中,出现了在ti的喷出不良的预兆的可能性较高。
因此,例如,如图13所示,对于在tj至ti的定时所取得的喷嘴面图像信息即IMj至IMi,与作为正确标签而表示需要维护的信息建立对应。此外,对于在tj之前的定时即t1至tj-1的定时所取得的喷嘴面图像信息即IM1至IMj-1,与作为正确标签而表示不需要维护的信息建立对应。此处的j为与i相比较小的整数,i和j的差分与上述的时间差阈值相对应。对于j的具体的值能够进行各种各样的变形来实施。如果设为这种方式,则取得了将图12所示的输入和输出建立了对应的训练数据。
图14为对基于训练数据的学习处理进行说明的流程图。当该处理开始时,在步骤S101、S102中,学习装置400的取得部410取得将喷嘴面图像信息和维护信息建立了对应的一个数据组。一个数据组与图13的训练数据中的一行数据相对应。
在步骤S103中,学习部420执行具体的学习处理。学习部420将喷嘴面图像信息输入至神经网络中,并通过使用此时的加权系数信息而实施正向的运算从而求出输出。输出为例如上述的那样合计成为1的两个数值数据。
学习部420基于该输出和维护信息而求出误差函数。误差函数为,例如作为输出的两个数值和作为维护信息的两个数值的差分绝对值和。例如,在正确标签表示需要维护的情况下,维护信息为,需要维护的概率成为1、不需要维护的概率成为0的数据。此外,例如,在正确标签表示不需要维护的情况下,维护信息为,需要维护的概率成为0、不需要维护的概率成为1的数据。但是,误差函数的运算方法并未被限定于此,能够进行各种各样的变形来实施。另外,在步骤S103中,学习部420对加权系数信息进行更新,以减小误差函数。该处理如上述的那样能够应用误差反向传播法。
步骤S101至S103为基于一个数据组的处理。在步骤S104中,学习部420对学习处理是否结束进行判断。例如,学习部420在基于预定数以上的数据组而实施了处理的情况下,或者在基于验证数据的正确率为预定值以上的情况下,结束学习处理。验证数据表示为了机器学习而被收集的数据组中的一部分,且被用于加权系数信息的更新处理的数据组。由于验证数据是与作为正确标签的维护信息建立了对应的数据,因此能够用于由神经网络实施的推论是否正确的验证。
在步骤S104中为“是”的情况下,学习部420结束学习处理。学习装置400将作为学习结果的学习完毕模型输出至信息处理系统200中。学习完毕模型的信息被存储在存储部230中。在步骤S104中为“否”的情况下,学习部420返回至步骤S101并继续进行处理。具体而言,取得部410读取下一个数据组,学习部420使用该数据组来对加权系数信息进行更新。另外,图14为学习处理的流程的一个示例,具体的处理并未被限定于此。例如,在机器学习中已知有批量学习和小批量学习等方法,在本实施方式中能够广泛地应用这些方法。此外,也可以在使用印刷装置1的用户环境中追加并实施上述那样的学习处理。追加学习处理为,根据在用户环境中的印刷装置1的运转时基于通过推论处理而被输出的维护信息所形成的是否需要维护和推荐执行定时是否适当,来对学习完毕模型进行改善的处理。另外,也可以将通过在用户环境中的追加学习所生成的学习完毕模型安装到在用户环境中新设置的印刷装置1中。特别是通过在设置了同一机型的新的印刷装置1时安装从最初开始使用的印刷装置1的学习完毕模型,从而能够从设置时使用通过基于用户环境的追加学习而被改善了的学习完毕模型从而获得适当的推论结果。
此外,在上文中,示出了喷嘴面图像信息被就此输入至神经网络中的示例。作为这种情况下的神经网络,优选为例如CNN。但是,如上文所述,在本实施方式的处理中,也可以基于喷嘴面图像信息而求出附着异物OB4和液滴OB5的数量、尺寸、比例、距喷嘴Nz的距离等不良因素信息。例如,训练数据也可以为,将根据喷嘴面图像信息所求出的不良因素信息和表示是否需要维护的维护信息建立了对应的数据组。
5.2推论处理
图15以及图16为对在信息处理系统200中被执行的推论处理进行说明的流程图。
处理部220也可以基于影响将来的喷出不良的喷出不良影响信息,来决定喷嘴面图像信息的取得定时。图15为对该处理进行说明的流程图。首先,在步骤S201中,取得部210取得喷出不良影响信息。在步骤S202中,处理部220基于所取得的喷出不良影响信息而对喷嘴面图像信息的取得定时进行设定。喷嘴面图像信息的取得定时与维护信息的输出定时相对应,狭义上与对是否需要维护进行判断的定时相对应。
如果设为这种方式,则能够基于喷出不良影响信息,而以适当的定时、频率来对是否需要维护进行判断。喷出不良影响信息为,能够对是否易于发生将来的喷出不良进行推定的信息。通过在易于发生喷出不良的情况下提高是否需要维护的判断频率,从而能够适当地抑制喷出不良的发生。此外,通过在不易发生喷出不良的情况下降低是否需要维护的判断频率,从而能够抑制过度的维护的执行。
此处的喷出不良影响信息包括印刷装置内或者印刷介质上的灰尘绒毛量信息、印刷介质的种类信息、温度信息、湿度信息以及印刷条件信息中的至少一个信息。
灰尘绒毛量信息通过例如粒子计数器等灰尘传感器93而取得。温度信息通过温度传感器91而取得。湿度信息通过湿度传感器92而取得。另外,温度信息和湿度信息也可以基于被设置于印刷装置1的外部的温度传感器和湿度传感器而取得。例如,设置印刷装置1的房间的环境温度以及环境湿度也可以作为温度信息以及湿度信息来使用。印刷介质的种类信息为对印刷介质的种类进行确定的信息,既可以为表示纸或布的信息,又可以为普通纸、照片纸等更加详细的信息。种类信息例如由用户来输入。印刷条件信息为例如印刷占空比。印刷占空比为例如表示印字频率的信息,例如表示在实施一页等预定单位的印刷时的、油墨滴从喷嘴Nz的喷出次数。例如在纸面整体成为印刷对象的满排版印刷中,印刷占空比变高。
灰尘绒毛量信息与喷嘴板面的附着异物OB4的发生的容易程度有关。温度信息和湿度信息与产生液滴OB5的容易程度有关。印刷介质的种类信息与产生绒毛或纸粉等附着异物OB4的容易程度有关。印刷条件信息与产生由烟雾引起的液滴OB5的容易程度有关。即,具体而言,喷嘴面图像信息为,与成为喷出不良的因素的附着异物OB4以及液滴OB5有关的信息,喷出不良影响信息为对于该附着异物OB4以及液滴OB5的经时变化的推定而言有用的信息。因此,由于能够通过将这些信息用于处理中,从而能够推定发生将来的喷出不良的容易程度,由此能够在适当的定时对是否需要维护进行判断。
例如,处理部220在步骤S202中,在满足绒毛等的量为第一阈值以上、喷嘴板NP的温度与周边温度的温度差为第二阈值以上、湿度为第三阈值以上、产生印刷介质的绒毛或纸粉的容易程度为第四阈值以上、以及印刷占空比为第五阈值以上中的至少一个条件的情况下,将到下一次判断是否需要维护的定时为止的期间设定为相对较短的第一期间。此外,处理部220在未满足上述条件中的任何一个的情况下,将到下一次判断是否需要维护的定时为止的期间设定为相对较长的第二期间。如果设为这种方式,则在基于喷出不良影响信息而判断为易于发生喷出不良的情况下,与不易发生的情况相比,能够将是否需要维护的判断频率设定得较高。
另外,步骤S202的处理并未被限定于此。例如,处理部220也可以实施利用了输出到下一次判断是否需要维护的定时为止的期间的函数的运算。此处的函数将绒毛等的量、温度、湿度、印刷介质的种类以及印刷占空比中的至少一个设为变量。该函数为,绒毛等的量越多、喷嘴板NP和周边的温度差越大、湿度越高、越为易于产生绒毛或纸粉的印刷介质、印刷占空比越大,则输出越小的值的函数。
图16为对判断是否需要维护的处理进行说明的流程图。当该处理开始时,首先,在步骤S301中,处理部220对当前定时是否为对是否需要维护进行判断的定时、即取得喷嘴面图像信息的定时进行判断。具体而言,处理部220对在当前定时是否为在图15的步骤S202中所设定的定时进行判断。在步骤S301中为“否”的情况下,处理部220结束处理。
在步骤S301中为“是”的情况下,在步骤S302中,取得部210从印刷装置1取得喷嘴面图像信息。具体而言,取得部210取得作为第二拍摄单元75的输出的图像信息。
在步骤S303中,处理部220实施基于通过学习装置400而被生成的学习完毕模型和在步骤S302中所取得的喷嘴面图像信息来决定是否需要维护的处理。具体而言,处理部220通过向从存储部230读取到的学习完毕模型输入喷嘴面图像信息,并实施正向的运算,从而求得两个数值数据。如图12所示,两个数值数据为需要维护的概率和不需要维护的概率。例如,处理部220在需要的概率为不需要的概率以上的情况下,判断为需要维护,而在需要的概率小于不需要的概率的情况下,判断为不需要维护。
在步骤S304中,处理部220输出维护信息。例如,处理部220将能够对是否需要维护进行确定的信息作为维护信息而发送至印刷装置1中。印刷装置1在接收到需要维护的意思的维护信息的情况下,执行维护序列。
如以上那样,处理部220基于在图15所示的处理中被设定的取得定时所取得的喷嘴面图像信息和学习完毕模型,而输出表示是否需要该取得定时的维护的维护信息。如果设为这种方式,则通过在适当的定时对是否需要维护进行判断,并且在此时利用机器学习,从而能够输出精度较高的维护信息。
另外,在上文中,对处理部220将已取得的喷嘴面图像信息就此输入至学习完毕模型的示例进行了说明。但是,在学习处理中,如上述那样,学习完毕模型的输入并未被限定于喷嘴面图像信息,也可以为与基于该喷嘴面图像信息所求出的异物等的数量、尺寸、比例、距喷嘴孔的距离分布中的至少一个有关的不良因素信息。在这种情况下,在步骤S303中,处理部220基于不良因素信息和学习完毕模型而输出维护信息。具体而言,处理部220基于喷嘴面图像信息而求得不良因素信息,并通过将该不良因素信息输入至学习完毕模型中且实施正向的运算,从而求得维护信息。如果设为这种方式,则能够进行考虑了附着异物OB4和液滴OB5的具体的状态的处理,因此能够提高维护信息的精度。
此外,步骤S303的依照学习完毕模型的处理部220中的运算,即,用于基于输入数据而将输出数据输出的运算,既可以通过软件而被执行,又可以通过硬件而被执行。换言之,图11的在各节点处所执行的积和运算、在CNN的卷积层中所执行的过滤器处理等也可以以软件的形式而执行。或者,上述运算也可以通过FPGA等电路装置而被执行。此外,上述运算也可以通过软件和硬件的组合而被执行。如此,依照来自学习完毕模型的指令的处理部220的动作能够通过各种各样的方式来实现。例如,学习完毕模型包括推论算法和在该推论算法中所使用的加权系数。推论算法是指,基于输入数据而进行过滤器运算等的算法。在这种情况下,也可以将推论算法和加权系数这二者存储在存储部230中,并且处理部220通过读取该推论算法和加权系数从而以软件的形式进行推论处理。或者,推论算法也可以通过FPGA等而被实现,并且存储部230对加权系数进行存储。或者,包括加权系数的推论算法也可以通过FPGA等而被实现。在这种情况下,对学习完毕模型的信息进行存储的存储部230为例如FPGA的内置存储器。
6.学习处理和推论处理的其他的示例
学习处理和推论处理并未被限定于以上的内容,能够进行各种各样的变形来实施。以下,对学习处理和推论处理的其他的示例进行说明。
6.1学习处理
图17为对神经网络的输入输出进行说明的图。神经网络作为输入而受理喷嘴面图像信息和喷出不良影响信息,并将表示维护的推荐执行定时的维护信息作为输出数据而进行输出。维护信息为表示例如从当前定时到推荐执行定时为止的时间的数值。
图18为表示为了学习而被收集的观测数据、和基于该观测数据而生成且被用于机器学习中的训练数据的关系的图。例如,在学习阶段中,通过使印刷装置1运转,从而储存了喷嘴面图像信息和喷出不良影响信息。对于喷嘴面图像信息与图13同样。在图18中,将在定时t1所取得的喷出不良影响信息记载为e1。如上述那样,e1表示与定时t1相对应的灰尘绒毛量信息、温度信息、湿度信息、印刷介质的种类信息、印刷条件信息中的至少一个。对于定时t2之后也同样。此外,在各定时下,实施是否发生了喷出不良的判断。判断方法利用图13而与上述的示例相同。
在这种情况下,由于在ti发生喷出不良,因此在将定时t1作为基准的情况下,在经过了与ti-t1相对应的时间的情况下,会发生喷出不良。因此,通过在经过ti-t1之前的定时执行维护,从而能够抑制喷出不良。对于定时t2之后也同样。
此外,如上文所述,即使在比ti靠前的定时,也有可能在喷嘴面图像信息中出现将来的喷出不良的预兆。另外,喷出不良影响信息为,与附着异物OB4和液滴OB5的经时的变化有关的信息。即,在比ti靠前的定时的喷嘴面图像信息和喷出不良影响信息有可能表示出在ti的喷出不良的预兆,通过将使它们建立了对应的数据组用于机器学习,从而能够高精度地推定维护的推荐执行定时。
例如,如图18所示,对于t1至ti-1的定时所取得的喷嘴面图像信息即IM1至IMi-1、和在喷出不良影响信息e1至ei-1,与作为正确标签而表示推荐执行定时的信息建立了对应。在图18中,示出了将比发生喷出不良的可能性较高的定时靠前了T的定时设为推荐执行定时的示例。T为给定的正数。此外,在存在有正确标签成为负的数据的情况下,该数据也可以从学习处理中被排除。
图19为对基于训练数据的学习处理进行说明的流程图。当该处理开始时,在步骤S401至S403中,学习装置400的取得部410取得将喷嘴面图像信息、喷出不良影响信息以及维护信息建立了对应的一个数据组。一个数据组与图18的训练数据中的一行数据相对应。
在步骤S404中,学习部420执行具体的学习处理。学习部420通过将喷嘴面图像信息以及喷出不良影响信息输入至神经网络中,并使用此时的加权系数信息来实施正向的运算,从而求出输出。输出为例如上述的那样表示推荐执行定时的数值数据。
学习部420基于该输出和维护信息而求得误差函数。误差函数为例如作为输出的数值和作为维护信息的数值的差分绝对值。但是,误差函数的运算方法并未被限定于此,能够进行各种各样的变形来实施。另外,在步骤S404中,学习部420对加权系数信息进行更新,以减小误差函数。该处理如上述的那样能够应用误差反向传播法。
步骤S401至S404为基于一个数据组的处理。在步骤S405中,学习部420对学习处理是否结束进行判断。在步骤S405中为“是”的情况下,学习部420结束学习处理。学习装置400将作为学习结果的学习完毕模型输出至信息处理系统200中。学习完毕模型的信息被存储在存储部230中。在步骤S405中为“否”的情况下,学习部420返回至步骤S401并继续进行处理。
此外,神经网络的输入既可以为喷嘴面图像信息本身,也可以为根据喷嘴面图像信息而求得的不良因素信息,在这一点与上述的示例相同。
6.2推论处理
图20为对信息处理系统200中的推论处理进行说明的流程图。当该处理开始时,首先,在步骤S501中,处理部220对当前定时是否为求取维护信息的定时、即取得喷嘴面图像信息的定时进行判断。
例如,取得部210也可以在印刷开始定时、印刷结束定时、任务页面间定时中的任意的定时取得喷嘴面图像信息。任务页面间定时表示在例如以页单位而实施印刷的情况下在给定的页的印刷结束后、下一页的印刷前的定时。
例如,印刷装置1在开始印刷前、结束印刷后、页的切换中的任意的定时,向信息处理系统200的取得部210输出表示该意思的控制信息。处理部220在取得了该控制信息的情况下,在步骤S501中判断为“是”,并执行步骤S502之后的处理。或者,也可以在步骤S501中使取得部210向印刷装置1请求控制信息的取得。
通过在印刷开始时执行请求维护信息的处理,从而能够抑制在印刷中途发生喷出不良的情况。此外,印刷动作易于使喷嘴板面的状态发生变化。因此,通过在印刷结束时实施输出维护信息的处理,从而能够有效地抑制喷出不良的发生。此外,任务页面间定时表示,在将一个印刷任务分割为更细小的印刷单位的情况下给定的印刷单位的结束后且下一个印刷单位的开始前的定时。因此,通过在任务页面间定时执行请求维护信息的处理,从而能够抑制在印刷中途的喷出不良的发生,并且有效地抑制喷出不良的发生。
在步骤S501中为“否”的情况下,处理部220结束处理。在步骤S501中为“是”的情况下,在步骤S502、S503中,取得部210从印刷装置1取得喷嘴面图像信息以及喷出不良影响信息。具体而言,取得部210取得作为第二拍摄单元75的输出的图像信息。此外,取得部210作为喷出不良影响信息而取得检测器组90的输出、由用户所输入的信息、与印刷有关的控制信息等。
在步骤S504中,处理部220实施如下处理,即,基于通过学习装置400而被生成的学习完毕模型和在步骤S502以及S503中所取得的喷嘴面图像信息以及喷出不良影响信息,来决定维护的推荐执行定时的处理。具体而言,处理部220通过向从存储部230读取到的学习完毕模型中输入喷嘴面图像信息以及喷出不良影响信息,并实施正向的运算,从而求出表示推荐执行定时的数值数据。
在步骤S505中,处理部220输出维护信息。例如,处理部220将维护的推荐执行定时作为维护信息而发送至印刷装置1中。印刷装置1在到达了由维护信息所表示的推荐执行定时的情况下,执行维护序列。
如以上所说明的那样,学习完毕模型也可以基于将喷嘴面图像信息、影响将来的喷出不良的喷出不良影响信息和维护信息建立了对应的数据组来进行机器学习。取得部210取得喷嘴面图像信息和喷出不良影响信息,处理部220基于喷嘴面图像信息、喷出不良影响信息和学习完毕模型,而输出表示维护的推荐执行定时的维护信息。
如果设为这种方式,则能够基于喷嘴面图像信息而对维护的推荐执行定时进行推定。因此,能够灵活地设定印刷装置1中的维护的执行定时。此时,除了喷嘴面图像信息之外,通过使用对于附着异物OB4和液滴OB5的经时变化的推定而言有用的喷出不良影响信息,从而能够输出精度较高的维护信息。
另外,在步骤S504中,也可以设为,处理部220基于喷嘴面图像信息而求出不良因素信息,且基于该不良因素信息和喷出不良影响信息而输出维护信息。
此外,在上文中,如图12以及图17所示,对在喷出不良影响信息不成为学习完毕模型的输入的情况下输出是否需要维护、且在喷出不良影响信息成为学习完毕模型的输入的情况下输出维护的推荐执行定时的示例进行了说明。但是,本实施方式的方法并未被限定于此。例如,既可以在喷出不良影响信息成为学习完毕模型的输入的情况下输出是否需要维护,也可以在喷出不良影响信息不成为学习完毕模型的输入的情况下输出维护的推荐执行定时。
7.变形例
以下,对几个变形例进行说明。
7.1维护序列的决定
本实施方式的维护信息除了确定是否需要维护或者推荐执行定时的信息之外,也可以包括确定要执行的维护序列的信息。如果设为这种方式,则在需要维护的情况下,能够提案可适当地消除与喷出不良关连的因素的维护序列。
此时的维护信息也可以为,确定包括喷嘴板面的擦拭动作的维护序列的信息。图7所示的附着异物OB4、图8所示的液滴OB5为在喷嘴板面上产生的物质。擦拭动作为对喷嘴板面直接地发挥作用的维护动作。因此,通过输出用于使印刷装置1执行包括擦拭动作的维护序列的维护信息,从而能够适当地抑制将来的喷出不良的发生。另外,此处的擦拭动作既可以为擦除动作,也可以为按压动作。
但是,本实施方式中的维护序列并不限于仅由一次的擦拭动作构成的顺序,也可以包括其他的维护动作。例如,维护信息也可以包括确定如下的维护序列的信息,所述维护序列包括冲洗动作以及油墨从喷嘴Nz的微量抽吸动作中的至少一方的维护动作和擦拭动作。
有时由于擦拭动作而使喷嘴Nz的弯液面的状态变得不稳定。因此,通过在擦拭动作之后进行冲洗动作,来对弯液面进行调节,从而能够提高印刷的稳定性。此外,在以喷嘴板面未润湿的状态而进行擦拭动作的情况下,由于在喷嘴板面上的摩擦变大,因此有可能使喷嘴板面的防水膜受到损伤。当防水膜受到损伤时,由于液滴OB5变得易于附着,因此将来发生喷出不良的可能性变高,从而根据情况而需要更换印刷头30。因此,通过在擦拭动作之前实施微量抽吸动作,从而对喷嘴板面用油墨润湿的情况是有效的。另外,通过冲洗动作,也能够对喷嘴板面用油墨来润湿。
如此,通过使擦拭动作和其他的维护动作组合,从而能够实现更加优选的维护序列。另外,使多个维护动作组合时的数量和顺序并未被限定于上述内容,能够进行各种各样的变形来实施。
例如,在学习阶段,在图13和图18的定时ti发生了喷出不良的情况下,印刷装置1执行多个维护序列的候选中的任意的维护序列。
然后,通过所实施的维护序列,从而对喷出不良是否被适当地消除、以及喷出不良的因素是否被适当地排除进行判断。例如,在学习阶段的印刷装置1中,对维护后的喷出不良因素的好转状态信息以及维护后的印刷稳定性信息中的至少一方进行收集。
好转状态信息表示喷嘴板面的附着异物OB4以及液滴OB5的状态。具体而言,在附着异物OB4和液滴OB5的对喷嘴Nz的影响程度降低了的情况下,判断为喷出不良的因素好转。例如,在附着异物OB4和液滴OB5的对喷嘴Nz的影响程度被判断为,数量越小、尺寸或比例越小、距喷嘴Nz的距离越远,则影响程度越小。好转状态信息例如通过对维护序列的执行前和执行后的喷嘴面图像信息进行比较而取得。
此外,印刷稳定性信息为,表示例如通过维护序列的执行从而在喷出不良被消除后直到发生下一次的喷出不良为止的印刷量、经过时间的信息。认为印刷量越多或者经过时间越长,则通过所执行的维护序列而越适当地去除了喷出不良的因素。
例如设为,通过维护序列的执行,从而喷出不良消除并且喷出不良的因素被适当地排除。喷出不良消除是指,基于在维护后所取得的喷出结果信息而被判断为不会发生喷出不良的情况。喷出不良的因素被适当地排除是指,基于好转状态信息而被判断为喷出不良的因素好转或者基于印刷稳定性信息而被判断为在发生下一次的喷出不良之前实施了预定以上的印刷、或者这二者的情况。
在这种情况下,维护信息包括表示是否需要维护或者推荐执行定时的信息、确定所执行的维护序列的信息。学习装置400将针对喷嘴面图像信息而与维护信息建立了对应的数据组作为训练数据来取得。例如,通过执行第一维护序列至第N维护序列中的第p维护序列,从而消除喷出不良,并且,喷出不良的因素被适当地排除。N为2以上的整数,p为1以上N以下的整数。这种情况下的维护信息包括例如与第p维护序列相对应的值为1、且与第1至第p-1维护序列以及第p+1至第N维护序列相对应的值为0的N个数值的集合。在通过使用这样的训练数据从而取得了同样的喷嘴面图像信息的情况下,能够进行如易于选择第p维护序列那样的学习。
此外,在虽然执行了第p维护序列但是喷出不良并未消除的情况下,或者在虽然喷出不良已消除但是喷出不良的因素未被适当地排除的情况下,学习装置400以使第p维护序列难以被选择的方式来进行学习。这种情况下的维护信息包括例如与第p维护序列相对应的值为0、且与第1至第p-1维护序列以及第p+1至第N维护序列相对应的值为均等的N个数值的集合。此外,与第p维护序列相对应的正确标签的值并未被限定于0或者1,也可以根据好转状态信息和印刷稳定性信息而设定0与1之间的中间的值。
在推论处理中,处理部220基于喷嘴面图像信息和学习完毕模型而求出表示是否需要维护的两个数值数据和分别推荐第1至第N维护序列的N个数值数据。处理部220在判断为需要维护的情况下,基于N个数值数据中的最大值而输出表示第1至第N维护序列中的任意一个维护序列的维护信息。
或者,处理部220基于喷嘴面图像信息和学习完毕模型,而求出表示维护的推荐执行定时的数值数据和分别推荐第1至第N维护序列的N个数值数据。处理部220输出表示推荐执行定时和第1至第N维护序列中的任意一个维护序列的维护信息。
7.2被输入的信息的变形例
在上文中,对基于将喷嘴面图像信息以及维护信息建立了对应的数据组而生成学习完毕模型的示例进行说明。处理部220基于学习完毕模型、喷嘴面图像信息而输出维护信息。但是,在数据组中也可以包含其他的信息。
例如,本实施方式的学习完毕模型也可以基于将喷嘴面图像信息、维护信息、表示对印刷头30实施了的维护的历史的维护历史信息建立了对应的数据组而进行机器学习。
此处的维护历史信息为,确定在过去所执行的一个或多个维护序列的信息。此外,维护历史信息也可以包括过去的维护序列的执行定时、执行次数等信息。例如,即使喷嘴板面的状态相同,也认为在其之前实施了几次擦拭动作的印刷装置1和几乎未实施擦拭动作的印刷装置1中,与附着异物OB4和液滴OB5有关的特性不同。例如,在重复进行擦拭动作的情况下,存在因喷嘴板面的防水膜受损而使附着异物OB4和液滴OB5的状态易于恶化的可能性。由于能够通过使用维护历史信息来执行考虑到这样的印刷装置1的使用历史的处理,因此能够提高维护信息的推定精度。
例如,学习装置400通过实施将喷嘴面图像信息和维护历史信息设为输入数据且将维护信息设为正确标签的机器学习,从而生成学习完毕模型。处理部220通过取得喷嘴面图像信息和成为对象的印刷装置1的维护历史信息,并将它们输入至学习完毕模型,从而输出维护信息。
此外,学习完毕模型也可以基于将喷嘴面图像信息、包括油墨喷出位置的偏移量的喷出结果信息和维护信息建立了对应的数据组而进行机器学习。油墨喷出位置表示例如在从喷嘴Nz被喷出的油墨滴喷落在印刷介质上时的位置。
此处的喷出结果信息例如为,通过印刷装置1所具备的拍摄部对印刷介质进行拍摄而取得的信息。如果为图2所示的示例,则此处的拍摄部为第一拍摄单元70中所包含的第一拍摄部71。如果设为这种方式,则能够自动地对由印刷头30得到的喷出结果进行检测。例如,印刷装置1对给定的测试模式进行印刷。处理部220通过对测试模式的信息和作为实际的印刷结果的喷出结果信息进行比较,从而能够对油墨滴是否被喷落在所希望的位置上进行判断。
喷出结果信息如上述的那样能够为了对喷出不良的发生进行检测来使用。但是认为,喷出结果信息也能够对未被判断为喷出不良的程度的喷出结果的变化进行检测。换言之,喷出结果信息为包含将来的喷出不良的预兆的信息。因此,通过使用喷出结果信息,从而能够提高维护信息的推定精度。
例如,学习装置400通过实施将喷嘴面图像信息和喷出结果信息设为输入数据且将维护信息设为正确标签的机器学习,从而生成学习完毕模型。处理部220通过取得喷嘴面图像信息和喷出结果信息,并将它们输入至学习完毕模型中,从而输出维护信息。
此处的喷出结果信息也可以为,通过被安装在搭载有印刷头30的滑架21上的拍摄部对印刷介质进行拍摄而取得的信息。例如,利用图6而如上述的那样,作为此处的拍摄部的第一拍摄部71也可以被安装在搭载有印刷头30的滑架21上。如果设为这种方式,则能够伴随着滑架21的移动,而使第一拍摄部71和印刷介质的相对位置关系成为可变。因此,即使在例如第一拍摄部71的视角较窄的情况下,通过多次的拍摄,从而能够对印刷介质的较大的范围进行拍摄。
此外,虽然在本实施方式中可以将给定的一个定时下的喷嘴面图像信息用于处理,但是并不限定于此。例如,学习完毕模型也可以基于将多个定时下的多个喷嘴面图像信息和维护信息建立了对应的数据组而进行机器学习。
例如,在学习阶段中,取得了第一喷嘴面图像信息和比第一喷嘴面图像信息相靠后的定时下的第二喷嘴面图像信息。例如,在将图13的定时t2设为基准的情况下,第一喷嘴面图像信息与IM1相对应,第二喷嘴面图像信息与IM2相对应。输入数据例如为,根据IM2而求得的附着异物OB4、液滴OB5的数量与根据IM1而求得的附着异物OB4、液滴OB5的数量的差分。具体而言,此处的差分为表示附着异物OB4、液滴OB5的状态的恶化速度的信息。此外,虽然此处示出了作为不良因素信息而使用附着异物OB4、液滴OB5的数量的示例,但是也可以使用尺寸、比例、距离分布等而求得表示恶化速度的信息。
例如,学习装置400通过实施将表示根据多个喷嘴面图像信息求得的恶化速度的信息设为输入数据且将维护信息设为正确标签的机器学习,从而生成学习完毕模型。处理部220通过根据多个喷嘴面图像信息而求得表示恶化速度的信息,并将所求出的信息输入至学习完毕模型中,从而输出维护信息。
此外,也可以不实施求得表示恶化速度的信息的处理,而直接使用多个喷嘴面图像信息。例如,学习装置400通过实施将包括多个喷嘴面图像信息的时间序列图像数据设为输入数据且将维护信息设为正确标签的机器学习,从而生成学习完毕模型。处理部220通过将包括多个喷嘴面图像信息的时间序列图像数据输入至学习完毕模型中,从而输出维护信息。
7.3反馈
此外,也可以通过基于信息处理系统200所输出的维护信息来对在印刷装置1中所执行的结果进行观测,从而进行反馈。例如,由于信息处理系统200基于给定的喷嘴面图像信息和学习完毕模型而输出了不需要维护的维护信息,因此,作为印刷装置1并未执行维护序列的结果而设为在输出下一个维护信息之前发生了喷出不良。在这种情况下,认为优选判断为在取得了上述喷嘴面图像信息的定时需要维护。因此,学习装置400的学习部420实施基于将该喷嘴面图像信息和表示需要维护的维护信息建立了对应的数据组而对神经网络的加权系数信息进行更新的处理。
此外,虽然信息处理系统200基于给定的喷嘴面图像信息和学习完毕模型而输出了将经过了给定的期间T1的定时设为推荐执行定时的维护信息,但是在印刷装置1中设为经过T2的时间点发生了喷出不良。T1、T2分别为满足T2<T1的正数。在这种情况下,认为优选判断为在取得了上述喷嘴面图像信息的定时下在经过T2之前需要维护。因此,学习装置400的学习部420实施基于将该喷嘴面图像信息和以T3经过时作为推荐执行定时的维护信息建立了对应的数据组而对神经网络的加权系数信息进行更新的处理。T3为满足T3<T2的正数。另外,对印刷装置1中的结果进行反馈的方法能够进行各种各样的变形来实施。
另外,学习完毕模型的更新处理也可以针对每个印刷装置1来执行。例如,学习装置400针对每个印刷装置1而执行单独的更新处理。或者,印刷装置1也可以包括学习装置400。如上文所述的那样,根据印刷装置1的结构和使用环境,与喷出不良因素有关的特性有所不同。通过针对每个印刷装置1而实施更新处理,从而能够生成专用于对象的印刷装置1的学习完毕模型。
如以上所说明的那样,本实施方式的信息处理系统包括:存储部,其对学习完毕模型进行存储;取得部,其取得喷嘴面图像信息;处理部,其在发生印刷头的喷出不良前的定时,基于喷嘴面图像信息和学习完毕模型而输出维护信息。学习完毕模型为,基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息、和表示印刷头是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组,而对印刷头的维护条件进行了机器学习的模型。
根据本实施方式的方法,基于喷嘴面图像信息而输出印刷头的维护信息。由于使用了表示喷嘴板面的状态的信息,因而能够在发生喷出不良前的状态下对喷出不良的预兆进行检测。作为结果,能够抑制喷出不良,并且能够促进以可抑制过度维护的定时的维护。
另外,在本实施方式中,也可以为,维护信息包括确定维护序列的信息,所维护序列包含喷嘴板面的擦拭动作。
如果设为这种方式,则能够不仅决定是否需要维护或者推荐执行定时,而且还能够决定对于抑制喷出不良来说优选的维护序列。
另外,在本实施方式中,也可以为,维护信息包括确定维护序列的信息,所述维护序列包含冲洗动作、以及油墨从喷嘴的微量抽吸动作中的至少一个维护动作和擦拭动作。
如果设为这种方式,则能够提示多种的维护序列。
另外,在本实施方式中,也可以为,处理部基于对将来的喷出不良造成影响的喷出不良影响信息,来决定喷嘴面图像信息的取得定时。
如果设为这种方式,则能够在考虑了将来的喷出不良的适当的定时输出维护信息。
另外,在本实施方式中,也可以为,处理部基于在取得定时所取得的喷嘴面图像信息和学习完毕模型,来输出取得定时下的表示是否需要维护的维护信息。
如果设为这种方式,则由于能够在适当的定时对是否需要维护进行判断,因此能够适当地抑制喷出不良的发生。
另外,在本实施方式中,也可以为,学习完毕模型基于将喷嘴面图像信息、对将来的喷出不良造成影响的喷出不良影响信息和维护信息建立了对应的数据组而进行机器学习。取得部取得喷嘴面图像信息、喷出不良影响信息。处理部基于喷嘴面图像信息、喷出不良影响信息和学习完毕模型,来输出表示维护的推荐执行定时的维护信息。
如果设为这种方式,则由于能够利用考虑了将来的喷出不良的机器学习以及学习结果,因此能够输出精度较高的维护信息。
另外,在本实施方式中,也可以为,喷出不良影响信息包括印刷装置内或者印刷介质上的灰尘绒毛量信息、印刷介质的种类信息、温度信息、湿度信息以及印刷条件信息中的至少一个信息。
如此,通过实施考虑了影响将来的喷出不良的灰尘绒毛量、温度、湿度、印刷介质的种类、印刷条件等的处理,从而能够输出精度较高的维护信息。
另外,在本实施方式中,也可以为,喷出不良影响信息为,能够确定与喷嘴板面的异物有关的异物信息以及与喷嘴板面的液滴有关的液滴信息中的至少一个的信息。
如果设为这种方式,则由于能够实施考虑了可能成为喷出不良的因素的喷嘴板面的异物和液滴的处理,从而能够输出精度较高的维护信息。
另外,在本实施方式中,也可以为,处理部基于喷嘴面图像信息而求得与异物或者液滴的数量、异物或者液滴的尺寸或者比例、异物或者液滴的距喷嘴孔的距离分布中的至少一个有关的不良因素信息,并且基于不良因素信息和学习完毕模型而输出维护信息。
如果设为这种方式,则能够实施考虑了异物和液滴的具体的状态的处理。
另外,在本实施方式中,也可以为,取得部在印刷开始定时、印刷结束定时、任务页面间定时中的任意的定时,取得喷嘴面图像信息。
如果设为这种方式,则能够在适当的定时输出维护信息。
另外,在本实施方式中,也可以为,学习完毕模型基于将喷嘴面图像信息、维护历史信息和维护信息建立了对应的数据组来进行机器学习。
如此,通过将过去的维护历史用于处理中,从而能够输出更加适当的维护信息。
另外,在本实施方式中,也可以为,学习完毕模型将喷嘴面图像信息、包括油墨喷出位置的偏移量的喷出结果信息和维护信息建立了对应的数据组来进行机器学习。
如此,通过将印刷装置中的实际的喷出结果用于处理中,从而能够输出更加适当的维护信息。
另外,在本实施方式中,也可以为,喷出结果信息为,通过被安装于搭载印刷头的滑架上的拍摄部对印刷介质进行拍摄而取得的信息。
如果设为这种方式,则能够通过拍摄部而有效地对印刷介质进行拍摄。
此外,本实施方式的学习装置包括取得部和学习部。取得部取得将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息、和表示印刷头是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组。学习部通过基于数据组而对用于在发生印刷头的喷出不良前的定时执行维护的印刷头的维护条件进行机器学习,从而生成学习完毕模型。
此外,本实施方式的信息处理方法取得学习完毕模型,并取得喷嘴面图像信息,在发生印刷头的喷出不良前的定时,基于喷嘴面图像信息和学习完毕模型而输出维护信息。学习完毕模型为,基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息、和表示印刷头是否需要维护或者维护的推荐执行定时的维护信息建立了对应的数据组,而对印刷头的维护条件进行了机器学习的模型。
另外,虽然如上所述的那样对本实施方式进行了详细说明,但是能够实施实质上不脱离本实施方式的新事项以及效果的多种变形对于本领域技术人员而言是容易理解的。因此,这种变形例全部被包含在本公开的范围内。例如,在说明书或者附图中至少一次与更广义或同义的不同术语一起记载的术语在说明书或者附图中的任何地方均能够置换为该不同的术语。此外,本实施方式以及变形例的所有组合也被包含在本公开的范围中。此外,信息处理系统、印刷装置等的结构以及动作等也并未被限定于在本实施方式中所说明的内容,其能够进行各种各样的变形来实施。
符号说明
CP…计算机;NP…喷嘴板;Nz…喷嘴;OB4…附着异物;OB5…液滴;PZT…压电元件;S…纸张;1…印刷装置;10…输送单元;20…滑架单元;21…滑架;22…导轨;30…印刷头;31…头单元;32…壳体;33…流道单元;33a…流道形成基板;33c…振动板;34…压电元件单元;35…固定板;40…驱动信号生成部;50…油墨抽吸单元;55…擦拭单元;60…冲洗单元;70…第一拍摄单元;71…第一拍摄部;72…第一图像处理部;75…第二拍摄单元;76…第二拍摄部;77…第二图像处理部;90…检测器组;91…温度传感器;92…湿度传感器;93…灰尘传感器;100…控制器;101…接口部;102…处理器;103…存储器;104…单元控制电路;200…信息处理系统;210…取得部;220…处理部;230…存储部;331…压力室;332…油墨供给通道;333…共用油墨室;334…隔膜部;335…岛部;341…压电元件组;342…固定部件;400…学习装置;410…取得部;420…学习部。
Claims (15)
1.一种信息处理系统,其特征在于,包括:
存储部,其对学习完毕模型进行存储,所述学习完毕模型基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组,来对所述印刷头的维护条件进行了机器学习;
取得部,其取得所述喷嘴面图像信息;
处理部,其在发生所述印刷头的喷出不良前的定时,基于所述喷嘴面图像信息和所述学习完毕模型而输出所述维护信息。
2.如权利要求1所述的信息处理系统,其特征在于,
所述维护信息包括确定维护序列的信息,所述维护序列包含所述喷嘴板面的擦拭动作。
3.如权利要求2所述的信息处理系统,其特征在于,
所述维护信息包括确定所述维护序列的信息,所述维护序列包含冲洗动作以及油墨从喷嘴的微量抽吸动作中的至少一个维护动作和所述擦拭动作。
4.如权利要求1至3中的任意一项所述的信息处理系统,其特征在于,
所述处理部基于影响将来的所述喷出不良的喷出不良影响信息,来决定所述喷嘴面图像信息的取得定时。
5.如权利要求4所述的信息处理系统,其特征在于,
所述处理部基于在所述取得定时所取得的所述喷嘴面图像信息和所述学习完毕模型,来输出所述取得定时下的表示是否需要所述维护的所述维护信息。
6.如权利要求1至3中的任意一项所述的信息处理系统,其特征在于,
所述学习完毕模型基于将所述喷嘴面图像信息、影响将来的所述喷出不良的喷出不良影响信息和所述维护信息建立了对应的数据组,而进行机器学习,
所述取得部取得所述喷嘴面图像信息和所述喷出不良影响信息,
所述处理部基于所述喷嘴面图像信息、所述喷出不良影响信息和所述学习完毕模型,来输出表示所述维护的所述推荐执行定时的所述维护信息。
7.如权利要求4所述的信息处理系统,其特征在于,
所述喷出不良影响信息包括印刷装置内或者印刷介质上的灰尘绒毛量信息、印刷介质的种类信息、温度信息、湿度信息以及印刷条件信息中的至少一个信息。
8.如权利要求1所述信息处理系统,其特征在于,
所述喷嘴面图像信息为,能够确定与所述喷嘴板面的异物有关的异物信息以及与所述喷嘴板面的液滴有关的液滴信息中的至少一个的信息。
9.如权利要求8所述的信息处理系统,其特征在于,
所述处理部基于所述喷嘴面图像信息,而求得与所述异物或者所述液滴的数量、所述异物或者所述液滴的尺寸或者比例、所述异物或者所述液滴距喷嘴孔的距离分布中的至少一个有关的不良因素信息,并且
基于所述不良因素信息和所述学习完毕模型而输出所述维护信息。
10.如权利要求1所述的信息处理系统,其特征在于,
所述取得部在印刷开始定时、印刷结束定时、任务页面间定时中的任意的定时,取得所述喷嘴面图像信息。
11.如权利要求1所述的信息处理系统,其特征在于,
所述学习完毕模型基于将所述喷嘴面图像信息、维护历史信息和所述维护信息建立了对应的数据组,来进行机器学习。
12.如权利要求1所述的信息处理系统,其特征在于,
所述学习完毕模型基于将所述喷嘴面图像信息、包括油墨喷出位置的偏移量的喷出结果信息和所述维护信息建立了对应的数据组,来进行机器学习。
13.如权利要求12所述的信息处理系统,其特征在于,
所述喷出结果信息为,通过被安装于搭载所述印刷头的滑架上的拍摄部对印刷介质进行拍摄而取得的信息。
14.一种学习装置,其特征在于,包括:
取得部,其取得将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组;
学习部,其通过基于所述数据组而对用于在发生所述印刷头的喷出不良之前的定时执行所述维护的所述印刷头的维护条件进行机器学习,从而生成学习完毕模型。
15.一种信息处理方法,其特征在于,
取得学习完毕模型,所述学习完毕模型基于将拍摄印刷头的喷嘴板面而得到的喷嘴面图像信息和表示所述印刷头是否需要维护或者所述维护的推荐执行定时的维护信息建立了对应的数据组,而对所述印刷头的维护条件进行了机器学习;
取得所述喷嘴面图像信息;
在发生所述印刷头的喷出不良之前的定时,基于所述喷嘴面图像信息和所述学习完毕模型而输出所述维护信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-155297 | 2020-09-16 | ||
JP2020155297A JP2022049206A (ja) | 2020-09-16 | 2020-09-16 | 情報処理システム、学習装置及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114261203A true CN114261203A (zh) | 2022-04-01 |
CN114261203B CN114261203B (zh) | 2023-04-25 |
Family
ID=80627551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068289.7A Active CN114261203B (zh) | 2020-09-16 | 2021-09-13 | 信息处理系统、学习装置以及信息处理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11981138B2 (zh) |
JP (1) | JP2022049206A (zh) |
CN (1) | CN114261203B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1618606A (zh) * | 2003-11-10 | 2005-05-25 | 精工爱普生株式会社 | 液滴喷出方法、液滴喷出装置、喷嘴异常判定方法 |
EP2596952A1 (en) * | 2011-11-25 | 2013-05-29 | Seiko Epson Corporation | Liquid ejection inspection device and liquid ejection inspection method |
CN104512110A (zh) * | 2013-10-07 | 2015-04-15 | 株式会社御牧工程 | 印刷装置以及喷出异常的侦测方法 |
JP2015178178A (ja) * | 2014-03-18 | 2015-10-08 | セイコーエプソン株式会社 | 液体噴射装置 |
US20160339708A1 (en) * | 2015-05-19 | 2016-11-24 | Canon Kabushiki Kaisha | Recording device |
JP2017177423A (ja) * | 2016-03-29 | 2017-10-05 | セイコーエプソン株式会社 | 液滴吐出装置、液滴吐出装置の管理システム、液滴吐出装置のメンテナンス方法 |
CN108528048A (zh) * | 2017-03-03 | 2018-09-14 | 精工爱普生株式会社 | 液滴喷出装置、监视系统、喷出头是否要更换的判断方法 |
CN109715406A (zh) * | 2016-09-14 | 2019-05-03 | 柯尼卡美能达株式会社 | 喷墨记录装置以及不良喷嘴的检测方法 |
CN110014735A (zh) * | 2018-01-10 | 2019-07-16 | 精工爱普生株式会社 | 对异常进行警告的方法以及异常警告系统 |
CN110667258A (zh) * | 2018-07-03 | 2020-01-10 | 海德堡印刷机械股份公司 | 借助神经网络进行印刷品质分析 |
CN110949011A (zh) * | 2018-09-27 | 2020-04-03 | 精工爱普生株式会社 | 印刷装置、学习装置以及学习方法 |
CN111660687A (zh) * | 2019-03-08 | 2020-09-15 | 精工爱普生株式会社 | 故障时期推测装置、机器学习装置、故障时期推测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010058306A (ja) | 2008-09-02 | 2010-03-18 | Seiko Epson Corp | 液体吐出装置の制御方法、液体吐出装置及び記録装置 |
US8356879B1 (en) * | 2011-09-09 | 2013-01-22 | Hewlett-Packard Development Company, L.P. | Nozzle plate cleaning |
JP6092471B2 (ja) * | 2014-04-21 | 2017-03-08 | 富士フイルム株式会社 | インクジェット記録装置のメンテナンスシステム |
US10906058B2 (en) * | 2017-01-27 | 2021-02-02 | Nordson Corporation | Systems and methods for inspecting and cleaning a nozzle of a dispenser |
US10369825B2 (en) * | 2017-06-06 | 2019-08-06 | Kyocera Document Solutions Inc. | Systems and methods for supply quality measurement |
JP2020121497A (ja) * | 2019-01-31 | 2020-08-13 | セイコーエプソン株式会社 | 液体吐出装置 |
JP7362462B2 (ja) * | 2019-12-11 | 2023-10-17 | キヤノン株式会社 | 液体吐出装置、インプリント装置、および検査方法 |
-
2020
- 2020-09-16 JP JP2020155297A patent/JP2022049206A/ja not_active Withdrawn
-
2021
- 2021-09-13 US US17/447,502 patent/US11981138B2/en active Active
- 2021-09-13 CN CN202111068289.7A patent/CN114261203B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1618606A (zh) * | 2003-11-10 | 2005-05-25 | 精工爱普生株式会社 | 液滴喷出方法、液滴喷出装置、喷嘴异常判定方法 |
EP2596952A1 (en) * | 2011-11-25 | 2013-05-29 | Seiko Epson Corporation | Liquid ejection inspection device and liquid ejection inspection method |
CN104512110A (zh) * | 2013-10-07 | 2015-04-15 | 株式会社御牧工程 | 印刷装置以及喷出异常的侦测方法 |
JP2015178178A (ja) * | 2014-03-18 | 2015-10-08 | セイコーエプソン株式会社 | 液体噴射装置 |
US20160339708A1 (en) * | 2015-05-19 | 2016-11-24 | Canon Kabushiki Kaisha | Recording device |
JP2017177423A (ja) * | 2016-03-29 | 2017-10-05 | セイコーエプソン株式会社 | 液滴吐出装置、液滴吐出装置の管理システム、液滴吐出装置のメンテナンス方法 |
CN109715406A (zh) * | 2016-09-14 | 2019-05-03 | 柯尼卡美能达株式会社 | 喷墨记录装置以及不良喷嘴的检测方法 |
CN108528048A (zh) * | 2017-03-03 | 2018-09-14 | 精工爱普生株式会社 | 液滴喷出装置、监视系统、喷出头是否要更换的判断方法 |
CN110014735A (zh) * | 2018-01-10 | 2019-07-16 | 精工爱普生株式会社 | 对异常进行警告的方法以及异常警告系统 |
CN110667258A (zh) * | 2018-07-03 | 2020-01-10 | 海德堡印刷机械股份公司 | 借助神经网络进行印刷品质分析 |
CN110949011A (zh) * | 2018-09-27 | 2020-04-03 | 精工爱普生株式会社 | 印刷装置、学习装置以及学习方法 |
CN111660687A (zh) * | 2019-03-08 | 2020-09-15 | 精工爱普生株式会社 | 故障时期推测装置、机器学习装置、故障时期推测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11981138B2 (en) | 2024-05-14 |
JP2022049206A (ja) | 2022-03-29 |
CN114261203B (zh) | 2023-04-25 |
US20220080726A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111942022B (zh) | 信息处理装置、印刷装置、学习装置以及信息处理方法 | |
CN112590392B (zh) | 信息处理装置、学习装置以及信息处理方法 | |
CN111942023B (zh) | 信息处理装置、印刷装置、学习装置以及信息处理方法 | |
EP2596952B1 (en) | Liquid ejection inspection device and liquid ejection inspection method | |
US20070229559A1 (en) | Image forming apparatus and droplet ejection correction method | |
JP2008012847A (ja) | 画像形成装置 | |
JP2010064309A (ja) | 液体吐出装置、及び、吐出検査方法 | |
US11807011B2 (en) | Information processing system, information processing method, and learning device | |
CN114261203B (zh) | 信息处理系统、学习装置以及信息处理方法 | |
CN114261202A (zh) | 信息处理系统、学习装置以及信息处理方法 | |
US12134270B2 (en) | Maintenance method of liquid discharging apparatus | |
US11565517B2 (en) | Information processing device, learning device, and information processing method | |
JP2010058454A (ja) | 吐出検査の設定方法 | |
JP7585809B2 (ja) | 液体吐出装置のメンテナンス方法 | |
WO2022202222A1 (ja) | 印刷装置、印刷方法、印刷プログラムおよび記録媒体 | |
JP2013184361A (ja) | 液体吐出装置、及び、液体の置換方法 | |
JP2010058406A (ja) | 吐出検査方法、及び、液体吐出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |