JP2020135007A - 情報処理装置、学習装置及び学習済モデル - Google Patents

Abstract

【課題】 電子機器において発生したエラーに対して、適切な対処を提示するための情報処理装置、学習装置及び学習済モデル等の提供。【解決手段】 情報処理装置２００は、学習済モデルを記憶する記憶部２３０と、電子機器から送信されたエラー情報及び稼働情報を受け付ける受付部２１０と、学習済モデルに基づいて、受け付けたエラー情報によって表されるエラーに対して推奨される対処を提示する処理部２２０を含む。学習済モデルは、エラー情報と、稼働情報と、エラーに対して実施された対処を表す対処情報と、を対応付けたデータセットに基づき、エラーに対して推奨される対処の条件を機械学習した学習済モデルである。【選択図】 図１２

Description

本発明は、情報処理装置、学習装置及び学習済モデル等に関する。

電子機器の安定した稼働を実現するためには、ユーザーが適切な対処を行うことが重要である。従来、ユーザーによる対処をサポートする手法が知られている。例えば特許文献１には、プリンターでエラーが発生したときに、対処方法を示す情報を含むメンテナンス情報を生成する手法が開示されている。特許文献１においては、エラー種別を示すエラー情報及びエラー時のステータスを示すステータス情報に基づいて、データベースを検索することによって、メンテナンス情報を生成する。データベースは、機種別、エラー種類別及びエラー時のステータス別の対処方法を記憶したデータベースである。

特開２００８−２１１６６２号公報

特許文献１のようにデータベースを用いた検索処理を用いた場合、適切な対処方法を検索できるとは限らない。データベースを構築するためには、機種、エラー種類、ステータスに基づいて、対処を決定するための条件を設定する必要がある。当該条件をユーザーが手動で設定した場合、ユーザーの負担が非常に大きい。

本開示の一態様は、電子機器において発生したエラーを表すエラー情報と、前記電子機器の稼働状態を表す稼働情報と、前記エラーに対して実施された対処を表す対処情報と、を対応付けたデータセットに基づき、前記エラーに対して推奨される前記対処の条件を機械学習した学習済モデルを記憶する記憶部と、前記電子機器から送信された前記エラー情報及び前記稼働情報を受け付ける受付部と、前記学習済モデルに基づいて、受け付けた前記エラー情報によって表される前記エラーに対して推奨される前記対処を提示する処理部と、を含む情報処理装置に関係する。

印刷システムの構成例。 記録ヘッドとインク供給装置の構成例。 情報収集システムを含むシステムの構成例。 電子機器に関する情報を閲覧するための表示画面例。 電子機器に関する情報を閲覧するための表示画面例。 エラー通知の例。 学習装置の構成例。 学習処理に用いるデータセットの例。 学習処理に用いるデータセットの例。 ニューラルネットワークの構成例。 誤差逆伝播法を説明する図。 推論処理を行う情報処理装置の例。 推論処理における入力データと出力データの例を説明する図。 推論処理における入力データと出力データの例を説明する図。 推論処理を説明するフローチャート。 対処方法を提示する表示画面例。 推論処理を行う情報処理装置の他の例。 推論処理における入力データと出力データの例を説明する図。

以下、本実施形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された内容を不当に限定するものではない。また本実施形態で説明される構成の全てが必須構成要件であるとは限らない。

１．概要
上述したように、電子機器においてエラーが発生した場合に、ユーザーによる対処をサポートするための手法が知られている。電子機器は、例えばプリンターである。或いは電子機器は、スキャナー、ファクシミリ装置又はコピー機であってもよい。電子機器は、複数の機能を有する複合機（ＭＦＰ：Multifunction Peripheral）であってもよく、印刷機能を有する複合機もプリンターの一例である。また電子機器は、プロジェクター、頭部装着型表示装置、ウェアラブル機器、脈拍計や活動量計等の生体情報測定機器、ロボット、カメラ等の映像機器、スマートフォン等の携帯情報端末、又は物理量計測機器等であってもよい。

以下、電子機器がプリンターである例について説明する。まず図１及び図２を用いてプリンターを含む印刷システム３００の具体的な構成例を説明する。その後、図３を用いて、情報収集システム４００について説明する。

図１は、印刷システム３００の模式図である。図１に示すように、印刷システム３００は、画像生成装置３１０と、ホスト装置３２０と、プリンター１１を含む。プリンター１１は、例えばラテラル方式のインクジェット式プリンターである。

画像生成装置３１０は、例えばＰＣ（Personal Computer）である。画像生成装置３１０は、本体３１１内のＣＰＵ（Central Processing Unit）が画像作成用ソフトウェアを実行することで構築される画像生成部３１２を備える。ユーザーは、画像生成部３１２を起動した上で、入力装置３１３を操作することによって、モニター３１４上で画像を作成する。さらにユーザーは、入力装置３１３を操作することによって、作成した画像の印刷を指示する。当該指示に基づいて、画像生成装置３１０は、作成した画像に係る画像データを、所定の通信インターフェースを介してホスト装置３２０へ送信する。

ホスト装置３２０は、例えばＰＣであり、その本体３２１内のＣＰＵがプリンタードライバー用ソフトウェアを実行することで構築されるプリンタードライバー３２２を備える。プリンタードライバー３２２は、画像生成装置３１０から受信した画像データを基に印刷データを生成し、プリンター１１に設けられた制御装置Ｃへ送信する。制御装置Ｃは、プリンタードライバー３２２から受信した印刷データに基づいてプリンター１１を制御し、プリンター１１に印刷データに基づく画像を印刷させる。なお、モニター３２３には、プリンター１１に制御用設定値を入力設定するためのメニュー画面や印刷対象の画像等が表示される。

次に、図１に示すプリンター１１の構成について説明する。なお、以下における明細書中の説明において、「左右方向」、「上下方向」をいう場合は、図１等の図面に矢印で示した方向を基準として示すものとする。また、図１において手前側を前側、奥側を後側とする。

図１に示すように、プリンター１１は、直方体状の本体ケース１２を備える。本体ケース１２内には、長尺状のシート１３を繰り出す繰出し部１４と、そのシート１３にインクの噴射により印刷を施す印刷室１５と、その印刷によりインクが付着したシート１３に乾燥処理を施す乾燥装置１６と、乾燥処理が施されたシート１３を巻き取る巻取り部１７とが設けられている。

本体ケース１２内におけるやや上寄りの位置には、本体ケース１２内を上下に区画する平板状の基台１８が設けられており、この基台１８よりも上側の領域が矩形板状の支持部材１９を基台１８上に支持してなる印刷室１５となっている。そして、基台１８よりも下側の領域において、シート１３の搬送方向で上流側となる左側寄りの位置に、繰出し部１４が配設されると共に、下流側となる右側寄りの位置に、乾燥装置１６及び巻取り部１７が配設されている。

図１に示すように、繰出し部１４には、前後方向に延びる巻き軸２０が回転自在に設けられ、その巻き軸２０に対してシート１３が予めロール状に巻かれた状態で一体回転可能に支持されている。シート１３は、巻き軸２０が回転することにより、繰出し部１４から繰り出される。また、繰出し部１４から繰り出されたシート１３は、巻き軸２０の右側に位置する第１ローラー２１に巻き掛けられて上方へ案内される。

一方、支持部材１９の左側であって下側の第１ローラー２１と上下方向で対応する位置には、第２ローラー２２が下側の第１ローラー２１と平行な状態で設けられている。そして、第１ローラー２１によって搬送方向が鉛直上方向に変換されたシート１３は、この第２ローラー２２に左側下方から巻き掛けられることにより、その搬送方向が水平右方向に変換されて支持部材１９の上面に摺接する。

また、支持部材１９の右側には、左側の第２ローラー２２と支持部材１９を挟んで対向する第３ローラー２３が第２ローラー２２と平行な状態で設けられている。なお、第２ローラー２２及び第３ローラー２３は各々の周面の頂部が支持部材１９の上面と同一高さとなるように位置調整されている。

印刷室１５内で左側の第２ローラー２２により搬送方向が水平右方向に変換されたシート１３は、支持部材１９の上面に摺接しつつ下流側となる右側に搬送された後、第３ローラー２３に右側上方から巻き掛けられることにより搬送方向が鉛直下方向に変換されて基台１８よりも下側の乾燥装置１６に向けて搬送される。そして、乾燥装置１６内を通過することにより乾燥処理が施されたシート１３は、更に鉛直下方向に搬送された後、第４ローラー２４に巻き掛けられて搬送方向を水平右方向に変換され、この第４ローラー２４の右側に配設された巻取り部１７の巻取り軸２５が回転することによりロール状に巻き取られる。巻取り軸２５は、不図示の搬送モーターの駆動力によって回転する。

図１に示すように、印刷室１５には左右方向に延びるガイドレール２６が設けられる。ガイドレール２６は、印刷室１５内における支持部材１９の前後両側に、対をなすように設けられる。ガイドレール２６の上面は支持部材１９の上面よりも高くなっており、両ガイドレール２６の上面には、矩形状のキャリッジ２７が第１及び第２キャリッジモーターの駆動に基づき両ガイドレール２６に沿って図１に示す主走査方向Ｘへの往復移動が可能な状態で支持されている。そして、このキャリッジ２７の下面側には支持板２８を介して複数の記録ヘッド２９が支持されている。

支持部材１９の左端から右端までの一定範囲が印刷領域とされており、この印刷領域単位でシート１３は間欠的に搬送される。そして、支持部材１９上に停止したシート１３に対して、キャリッジ２７の往復移動に伴い記録ヘッド２９からインクが噴射されることでシート１３に印刷が施される。

なお、印刷時には、支持部材１９の下側に設けられた吸引装置３０が駆動され、支持部材１９の上面に開口する多数の吸引孔に及ぶ負圧による吸引力により、シート１３は支持部材１９の上面に吸着される。そして、シート１３への１回分の印刷が終わると、吸引装置３０の負圧が解除され、シート１３の搬送が行われる。

また、印刷室１５内において、第３ローラー２３よりも右側となる非印刷領域には、非印刷時に記録ヘッド２９のメンテナンスを行うためのメンテナンス装置３２が設けられる。メンテナンス装置３２は、記録ヘッド２９毎にキャップ３３と昇降装置３４とを備える。各キャップ３３は昇降装置３４の駆動により、記録ヘッド２９のノズル形成面３５に当接するキャッピング位置と、ノズル形成面３５から離間する退避位置との間を移動する。ノズル形成面３５については図２を用いて後述する。

また、図１に示すように、本体ケース１２内には、異なる色のインクをそれぞれ収容した複数のインクカートリッジＩＣ１〜ＩＣ８が着脱可能に装着されている。なお、インクカートリッジの数は８個に限定されない。各インクカートリッジＩＣ１〜ＩＣ８はインク供給路を通じて記録ヘッド２９に接続され、各記録ヘッド２９は各インクカートリッジＩＣ１〜ＩＣ８から供給されたインクを噴射する。インク供給路については図２を用いて後述する。図１に示したプリンター１１では、８色のインクを用いたカラー印刷が可能となっている。なお、本体ケース１２においてインクカートリッジＩＣ１〜ＩＣ８の配置位置と対応する箇所には開閉式のカバー３８が設けられている。インクカートリッジＩＣ１〜ＩＣ８の交換作業はカバー３８を開けて行われる。

８個のインクカートリッジＩＣ１〜ＩＣ８は、例えば黒、シアン、マゼンタ、イエロー等の各インクを収容する。なお、保湿液を収容する保湿液カートリッジが装填される構成も採用できる。インクの種類、色数は適宜設定でき、黒インクだけでモノクロ印刷する構成や、インクを２色としたり、８色以外で３色以上の任意の色数としたりした構成も採用できる。

各インクカートリッジＩＣ１〜ＩＣ８は、不図示のカートリッジホルダーを介して制御装置Ｃと電気的に接続されており、各インクカートリッジＩＣ１〜ＩＣ８に実装された不揮発性の記憶素子には、対応する色のインク残量情報が書き込まれるようになっている。

図２は、キャリッジ２７の底面に設けられた複数の記録ヘッド２９と、各記録ヘッド２９へインクを供給するインク供給装置３９とを示す模式図である。図２に示すように、キャリッジ２７の下面側に支持された支持板２８には、複数個の記録ヘッド２９がシート１３の搬送方向と直交する幅方向に亘って千鳥状の配置パターンで支持されている。つまり、１５個の記録ヘッド２９は、副走査方向Ｙに沿って一定ピッチで２列で配列された記録ヘッド２９Ａ，２９Ｂが、副走査方向Ｙに互いに半ピッチ分ずれた状態で配置される。そして、各記録ヘッド２９の下面となるノズル形成面３５には、ノズル列３７が主走査方向Ｘに所定間隔をおいて複数列形成されている。ノズル列３７は、副走査方向Ｙに沿って１列に配置された複数のノズル３６を含む。ノズル列３７は例えば８列であるが、ノズル列の数はこれに限定されない。

図２に示すように、プリンター１１は、各記録ヘッド２９へ各色のインクを供給するためのインク供給装置３９を含む。インク供給装置３９は、ポンプモーター６５、加圧ポンプ６６、インクカートリッジＩＣ１〜ＩＣ８及びサブタンク６７を備えている。

各インクカートリッジＩＣ１〜ＩＣ８は、カートリッジホルダーに装着された状態では、それぞれインク供給路７０Ａを通じてサブタンク６７と接続され、さらにサブタンク６７はインク供給路７０Ｂを通じて各記録ヘッド２９に接続されている。インク供給路７０Ａ、インク供給路７０Ｂは、例えばチューブである。ただし、図２では、複数のサブタンク６７と１つの記録ヘッド２９との接続関係のみ示している。実際には、１個のサブタンク６７からは記録ヘッド２９の個数と同数本のインク供給路７０Ｂが延びており、各インク供給路７０Ｂは各記録ヘッド２９に接続されている。

また、インクカートリッジＩＣ１〜ＩＣ８は、カートリッジホルダーに装着された状態では、加圧ポンプ６６の吐出口と空気供給路７１を通じて接続されるようになっている。制御装置Ｃがポンプモーター６５を駆動して加圧ポンプ６６がポンプ駆動されることにより、加圧ポンプ６６から吐出された加圧空気が空気供給路７１を通じてインクカートリッジＩＣ１〜ＩＣ８内に供給される。

インクカートリッジＩＣ内にはインクパックが収容されており、空気供給路７１を通じてインクカートリッジＩＣ内に供給される加圧空気によってインクパックが加圧されることにより、インクカートリッジＩＣからインク供給路７０Ａへインクが加圧供給されるようになっている。インクカートリッジＩＣから供給されたインクはインク供給路７０Ａを通じてサブタンク６７へ供給され、さらにサブタンク６７からインク供給路７０Ｂを通じて各記録ヘッド２９へ供給される。

図３は、情報収集システム４００を模式的に示す図である。印刷システム３００は、例えばプリンター１１を購入した企業の施設内に構築されるシステムであり、具体的には図１を用いて上述したシステムである。なお、図１ではプリンター１１及び画像生成装置３１０が１つである印刷システム３００を例示した。ただし印刷システム３００は、複数のプリンター１１を含み、当該複数のプリンター１１において１台の画像生成装置３１０が共有されてもよい。図３に示したように、印刷システム３００は１つに限定されず、複数の印刷システム３００が用いられてもよい。また、情報収集システム４００を含むシステムは、図３の構成に限定されず、これらの一部の構成要素を省略したり、他の構成要素を追加するなどの種々の変形実施が可能である。

印刷システム３００は、プリンター１１のエラー情報及び稼働情報を収集する。エラー情報は、プリンター１１において発生したエラーに関する情報である。プリンター１１において発生するエラーとしては、ヘッドの吐出不良、漏液、モーターエラー、基板エラー等、種々のエラーが考えられる。吐出不良とは、記録ヘッド２９に含まれるノズル３６の詰まりと言い換えてもよい。漏液とは、具体的にはインク漏れである。エラー情報は、発生したエラーの種類を特定する情報と、エラーの発生日時を表す情報を含む。プリンター１１は、例えば検知板と、当該検知板にインクが吐出されたか否かを検出するセンサーを含む。プリンター１１は、当該センサーの出力に基づいて、吐出不良を表すエラー情報を出力する。また、記録ヘッド２９が圧電素子を用いてインクを吐出する場合、インクが正常に吐出された場合と、吐出されなかった場合とで、当該圧電素子に供給される電流の波形が異なることが知られている。よってプリンター１１は、当該電流の波形に基づいて、吐出不良を表すエラー情報を出力してもよい。また、プリンター１１は、漏液検出センサーを含み、当該漏液検出センサーの出力に基づいて、漏液を表すエラー情報を出力する。その他、プリンター１１においてエラー情報を検出する手法は種々知られており、本実施形態においてはそれらを広く適用可能である。

稼働情報は、プリンター１１の稼働状態を表す情報である。稼働情報は、実行した印刷ジョブの履歴であるジョブ履歴情報、プリンター１１において発生したイベントの履歴であるイベント履歴情報、インク消費量情報、印刷量情報、ノズル情報、消耗品の寿命情報等を含む。

印刷ジョブは、プリンター１１における１回の印刷に対応するデータである。ジョブ履歴情報は、実行された印刷ジョブを表す情報と、実行された日時を表す情報を対応付けた時系列のデータである。印刷ジョブを表す情報は、ジョブＩＤや、印刷対象である画像データを特定する情報等を含む。画像データを特定する情報は、画像データそのものであってもよいし、サムネイル画像を表すデータであってもよいし、ファイル名等の情報であってもよい。

イベントは、ノズルチェック、クリーニング、フラッシング等のプリンター１１において発生する事象である。イベント履歴情報は、発生したイベントを表す情報と、発生日時を表す情報を対応付けた時系列のデータである。

インク消費量情報は、プリンター１１における印刷によって消費されたインクの量を表す情報である。インク消費量は、例えば記録ヘッド２９のノズル３６からインクが吐出された回数と、１回の吐出に用いられるインク量の乗算によって求められる。また、プリンター１１はインク量検出用のセンサーを含み、当該センサーの出力に基づいて、インク消費量が演算されてもよい。

印刷量情報は、プリンター１１における印刷によって消費された印刷媒体の量を表す情報である。例えば、上述したように印刷媒体がロール状のシート１３である場合、印刷量情報は印刷に用いられたシート１３の長さを表す情報である。ただし、印刷量情報は、印刷に用いられた印刷媒体の面積を表す情報であってもよいし、印刷媒体の枚数を表す情報であってもよい。

消耗品の寿命情報は、消耗品の使用度合いを表す情報である。ここでの消耗品とは、プリンター１１に含まれる部品であって、定期的に交換することが望ましい保守・交換部品である。消耗品には、印刷ヘッド、流路フィルター、チューブ、搬送モーター、キャリッジモーター等、種々の部品が含まれる。印刷ヘッドは、具体的には記録ヘッド２９である。チューブは、具体的にはインク供給路７０Ａ，７０Ｂである。またチューブは、インクを廃液タンクに排出するための廃液チューブを含んでもよい。流路フィルターは、インク供給路に混入した異物を除去するためのフィルターである。各部品には、設計上、所望の性能を発揮できる使用量に上限が設定されている。ここでの使用量とは、使用時間であってもよいし、使用回数であってもよい。またモーター等の可動する部品であれば、使用量とは移動量や回転量であってもよい。消耗品の使用時間は、例えばプリンター１１が起動している時間であってもよいし、印刷ジョブを実行している時間であってもよい。また、消耗品の特性を考慮して、消耗品ごとに異なる手法で使用量のカウントが行われてもよく、使用量を求める具体的な手法は種々の変形実施が可能である。消耗品の寿命情報は、例えば、対象となる消耗品の上限使用量に対する、実際の使用量の割合を表す情報である。

情報収集システム４００は、サーバーシステム４１０と、端末装置４２０を含む。サーバーシステム４１０及び端末装置４２０は、ネットワークＮＥ２に接続されており、ネットワークＮＥ２を介して双方向に通信可能である。ネットワークＮＥ２はインターネット等の公衆通信網である。ただし、サーバーシステム４１０と端末装置４２０は、公衆通信網であるネットワークＮＥ２とは異なる、不図示のプライベートなネットワークによって接続されてもよい。プライベートなネットワークとは、例えば社内のイントラネットである。

印刷システム３００及びサーバーシステム４１０は、ネットワークＮＥ２に接続されており、ネットワークＮＥ２を介して双方向に通信可能である。サーバーシステム４１０は、ネットワークＮＥ２を経由して、印刷システム３００からプリンター１１のエラー情報及び稼働情報を収集する。例えば、画像生成装置３１０が、プリンター１１からのエラー情報及び稼働情報の収集処理、及び、収集したエラー情報及び稼働情報のサーバーシステム４１０への送信処理を行う。ただし、プリンター１１或いはホスト装置３２０が、上記収集処理及び送信処理を行ってもよい。

また端末装置４２０は、例えばプリンター１１の保守、修理を担当するサービスマンが使用する端末である。端末装置４２０は、ＰＣであってもよいし、タブレット端末等の携帯端末装置であってもよい。サービスマンは、自身が担当するプリンター１１に対して修理や点検等の対処を行った場合、当該対処に関するレポート情報を作成する。端末装置４２０は、サービスマンによって作成されたレポート情報を、サーバーシステム４１０に送信する。

レポート情報は、例えば、対処が行われたプリンター１１を特定する情報と、当該プリンター１１が出力したエラー情報と、サービスマンが行った対処を表す情報と、対処結果を表す情報を含む。プリンター１１を特定する情報は、プリンター１１を一意に特定するためのプリンターＩＤ、プリンター１１の機種情報、プリンター１１のファームウェアのバージョン情報等を含む。プリンターＩＤとは、例えば後述するシリアル番号である。エラー情報は、対処前にプリンター１１が出力したエラー情報である。またレポート情報は、エラー情報のほかに、プリンター１１を使用する顧客から報告された症状を表す情報を含んでもよい。症状とは、印刷結果がかすれる、にじむ、色が設定と異なる等、顧客によって認識された異常である。対処を表す情報は、消耗品の交換、分解清掃等、サービスマンが行った行為を表す情報である。対処結果とは、対処によって正常な状態に復帰したか否かを表す情報である。

なお、端末装置４２０は複数であってもよい。例えば、サービスマンは複数であり、各サービスマンは、異なるプリンター１１の保守を担当する。複数のサービスマンは、それぞれ異なる端末装置４２０を利用してレポート情報の作成、送信を行う。また１人のサービスマンが複数の端末装置４２０を用いることも妨げられない。

以上のように、サーバーシステム４１０は、エラー情報、稼働情報及びレポート情報を収集することによって、プリンター１１に関する情報を蓄積する。サーバーシステム４１０は、収集した情報に対して加工処理を行い、加工処理後の情報を、印刷システム３００及び端末装置４２０に送信する。ここでの加工処理とは、特定の情報の抽出処理、統計処理、グラフの作成処理等、種々の処理を含む。なお、サーバーシステム４１０からの情報の送信は、印刷システム３００又は端末装置４２０から送信されたリクエストに対するレスポンスとして行われてもよいし、プッシュ通知によって行われてもよい。

例えばサーバーシステム４１０は、時系列のインク使用量データ、実行したジョブの履歴情報等、顧客がプリンター１１を使用する上で有用な顧客向け情報を生成し、当該顧客向け情報を印刷システム３００に送信する。送信された顧客向け情報は、例えば画像生成装置３１０のモニター３１４又はホスト装置３２０のモニター３２３において表示される。また、顧客向け情報を受信する装置は、印刷システム３００に含まれる装置に限定されず、顧客によって使用される他の装置であってもよい。

またサーバーシステム４１０は、エラーの発生履歴、消耗品の寿命を表す情報、修理履歴等、サービスマンがプリンター１１の保守を行う上で有用なサービスマン向け情報を生成し、当該サービスマン向け情報を端末装置４２０に送信する。なお顧客向け情報とサービスマン向け情報は、重複する情報を含んでもよい。また、サービスマン向け情報を受信する端末は端末装置４２０に限定されず、サービスマンによって使用される他の端末装置であってもよい。換言すれば、レポート情報をサーバーシステム４１０に送信する端末と、サービスマン向け情報を受信する端末は、同じであってもよいし異なってもよい。

例えば、サーバーシステム４１０は、収集したエラー情報を端末装置４２０に送信する。端末装置４２０においてエラー情報を閲覧する画面の例を図４〜図６を用いて説明する。

図４は、プリンター１１に関する情報を閲覧するための表示画面の一例であり、具体的にはホーム画面の例である。例えば、サーバーシステム４１０は、エラー情報、稼働情報及びレポート情報を記憶するデータベースサーバーと、Ｗｅｂアプリケーションサーバーとを含む。Ｗｅｂアプリケーションサーバーは、端末装置４２０からのリクエストに基づいてデータベースサーバーから必要な情報を取得し、レスポンスとしてエラー情報や稼働情報を含むＨＴＭＬ（HyperText Markup Language）ファイルを送信する。図４及び後述する図５は、例えば端末装置４２０において動作するＷｅｂブラウザーを用いて表示される画面である。

図４に示すように、ホーム画面において表示される情報は、プリンター１１の製品名称、シリアル番号、会社名、国、地域、バージョンを含む。製品名称とは、プリンター１１の型番を表す。シリアル番号は、プリンター１１を一意に特定するＩＤである。会社名は、顧客である企業の名称である。国及び地域は、対象のプリンター１１が稼働している場所を表す。バージョンは、プリンター１１のファームウェアのバージョンを表す。図４の画面を用いることによって、サービスマンは世界各地に納入されたプリンター１１の情報を、一覧性の高い態様によって認識することが可能である。

図５は、所与のプリンター１１に関するエラー情報を閲覧するための表示画面の一例である。例えば、図４に示した画面において、所与のプリンター１１を選択する操作、及び、エラー情報の表示を指示する操作が行われた場合に、図５の画面への遷移が行われる。なお図４の画面においてプリンター１１を選択する操作は、例えば図４の左端に示したチェックボックスにチェックを入れた上で、不図示の選択ボタンが押下する操作である。選択されるプリンター１１は、１台であってもよいし、複数台であってもよい。

図５に示すように、エラー画面において表示される情報は、シリアル番号、会社名、国、地域、履歴日時、エラーＩＤ、エラー種類を含む。シリアル番号、会社名、国、地域については図４と同様である。履歴日時は、エラーが発生した年月日、及び時分を表す情報である。エラーＩＤは、発生したエラーを特定するＩＤである。エラー種類は、発生したエラーを説明するテキスト情報である。図５の画面を用いることによって、サービスマンは自身が保守を担当するプリンター１１において、どのようなエラーが、どのタイミングにおいて発生したかを把握することが可能になる。

図６は、サービスマンが使用する端末装置４２０に送信されるエラー通知メールの一部を表す図である。図６に示すように、エラー通知メールは、履歴日時、シリアル番号、エラーＩＤを含む。各情報の内容は、図５と同様である。従来手法においては、サーバーシステム４１０は、例えば所定期間ごとに図６に示す内容を含むエラー通知メールを端末装置４２０にする。エラー通知メールに含まれる情報は、当該所定期間において発生したエラーに関する情報である。ここでの所定期間は、例えば数時間〜１日程度の期間である。また、ここではエラー通知メールを用いる例を説明したが、サーバーシステム４１０は、他のプッシュ通知手法を用いて、図６に示す情報を端末装置４２０へ送信してもよい。

図５に示す画面を用いる場合、サービスマンは能動的にエラー情報を取得する。具体的には、サービスマンは、端末装置４２０の操作部を用いて、エラー画面を表示する操作を能動的に実行する。図６に示すエラー通知メールを用いる場合、サービスマンは受動的にエラー情報を取得する。いずれの手法を用いるにせよ、サーバーシステム４１０が端末装置４２０へエラー情報を送信することによって、サービスマンは自身が保守を担当するプリンター１１において、エラーが発生したことを認識できる。

また、上述したようにサーバーシステム４１０はレポート情報を蓄積する。蓄積されたレポート情報には、過去に発生したエラーに対して行われた対処と、対処結果とが含まれる。レポート情報を参照することによって、サービスマンは、保守を担当するプリンター１１において発生したエラーを解消するための対処を決定する。

しかし従来手法において、サービスマンがエラーに対する適切な対処を判断することは容易でなかった。なぜなら、所与のエラーを解決するための対処が複数あり得るためである。例えば吐出不良というエラーに対して、クリーニングを行うことでエラーが解消する場合もあれば、分解によってノズルを露出させ、拭き掃除を行わなければエラーが解消しないこともある。詰まり度合いが深刻な場合、印刷ヘッドを交換しなければエラーが解消しないことも考えられる。印刷ヘッドとは具体的には記録ヘッド２９である。レポート情報には、クリーニングによって吐出不良が解消したことを示す情報、拭き掃除によって吐出不良が解消したことを表す情報、印刷ヘッドの交換によって吐出不良が解消したことを表す情報等が含まれる。そのため従来手法においては、サービスマンはいずれのレポート情報を参照するかを自身で判定しなくてはならない。結果として、適切な対処を実行できるか否かが、サービスマンの知識や経験に依存してしまう。

サービスマンが印刷システム３００が設けられる場所まで実際に移動した上で、種々の対処を総当たりで試せば、エラーは高い確率で解消すると考えられる。しかし図１及び図２に示す産業用プリンターにおいては、そのような対応を行うことは難しい。まず上述した産業用プリンターは非常に大型、且つ複雑な構成を有しているため、広く用いられるコンシューマー向けのプリンターに比べて分解や部品の交換にかかる時間が長い。例えば１つの対処に数時間、場合によっては十時間以上かかることも想定されるため、総当たりで複数の対処を試すという対応では時間的なコストが大きくなってしまう。産業用プリンターにおいては、エラーによってプリンター１１の動作が停止するダウンタイムが発生した場合、製品の製造が停止する。ダウンタイムの発生は生産力の低下に直結するため、長時間の修理は好ましくない。

また、産業用プリンターは交換用の部品がコンシューマー向けプリンターに比べて大きく、重い。そのため、あらかじめ対処を絞っておかないと、対処のために用意する交換部品の数が増えてしまい、当該交換部品の運搬が難しくなる。また、部品を交換するために必要な工具も増えてしまう。場合によっては、サービスマンが移動に使用する車両に、部品や工具が搭載しきれないおそれもある。

また、産業用プリンターは世界中に納品される点も問題になり得る。例えば、サービスマンが常駐するサービス拠点から、顧客の事業所までの移動に１日〜数日かかる場合もあり得る。当初想定した対処によってエラーが解消しなかった場合、サービスマンは時間をかけてサービス拠点まで戻り、異なる対処を行うための部品や工具を準備し、再度時間をかけて顧客の事業所へ移動する必要が生じる。この場合、プリンター１１の動作が長時間停止する可能性がある。

なお、吐出不良の例であれば、印刷ヘッドを交換してしまえば、エラーが解消する蓋然性が高い。しかし、印刷ヘッドは多数のノズル３６を有する複雑な部品であり、コストが高い。また印刷ヘッド部分を露出させるためには、分解して取り外すべきパーツも多くなるため、時間的なコストも高い。即ち、印刷ヘッドを交換せずに吐出不良が解消する対処があれば、当該対処を優先すべきであり、あらゆる状況で採用可能な汎用的な対処というものは想定しにくい。

以上のように、エラーを解消できる蓋然性の高い対処をあらかじめ絞り込むことが重要であるが、過去のレポート情報を参照するだけでは適切な対処を決定することは難しい。特許文献１には、ステータス情報を含むデータベースを参照する手法が開示されている。しかし特許文献１等の従来手法においては、各ステータス情報の数値と、具体的な対処とを結びつける条件を、対処ごとに逐一ユーザーが設定する必要がある。想定される全ての対処について、適切な条件を設定しようとすれば、ユーザーの負担が大きくなってしまう。また、過去に類似する症例がない新たな状況においてエラーが発生した場合、当該エラーに対する適切な対処を提示できない。

よって本実施形態においては、エラー情報に対して推奨される対処の条件を機械学習する。このようにすれば、推奨される対処が自動的に学習されるため、適切な対処をサービスマンであるユーザーに提示することが可能になる。例えば、入力データとして種々の稼働情報を用いることによって、同じ種類のエラーであっても深刻度合いの高低を判定できるため、適切な対処を提示することが可能になる。その際、具体的な判定条件をユーザーが手動で設定する必要がないため、ユーザー負担を軽減可能である。

また以上では、推奨される対処の提示対象であるユーザーが、電子機器の保守を担当するサービスマンである例を示した。しかし推奨される対処の提示対象は、顧客、即ち電子機器のユーザーであってもよい。例えば、専門的な工具を必要とせず、危険を伴わない簡単な対処については、顧客に実行を促すことが可能である。以下では、端末装置４２０にエラー情報を送信することによって、サービスマンであるユーザーに対処を提示する例について説明する。ただし、以下の説明におけるユーザーは、適宜、顧客であるユーザーに置き換えが可能である。また、エラー情報の送信先も、端末装置４２０に限定されず、顧客が使用する印刷システム３００や、不図示の装置に置き換えが可能である。

以下、本実施形態の学習処理、推論処理についてそれぞれ説明する。学習処理とは、訓練データに基づく機械学習を行うことによって、学習結果を取得する処理である。学習結果とは、具体的には学習済モデルである。推論処理とは、学習処理によって生成された学習済モデルを用いて、入力に基づく何らかの推論結果を出力する処理である。また、推論処理の結果に基づいて学習済モデルを更新する手法についても説明する。

２．学習処理
２．１ 学習装置の構成例
図７は、本実施形態の学習装置１００の構成例を示す図である。学習装置１００は、学習に用いられる訓練データを取得する取得部１１０と、当該訓練データに基づいて機械学習を行う学習部１２０を含む。

図７に示す学習装置１００は、例えば図３のサーバーシステム４１０に含まれる。即ち、サーバーシステム４１０は、印刷システム３００及び端末装置４２０から訓練データを取得する処理と、当該訓練データに基づいて機械学習を行う処理とを行う。ただし、学習装置１００は、サーバーシステム４１０以外の機器に含まれてもよい。例えば、学習装置１００は、ネットワークＮＥ２を経由してサーバーシステム４１０と接続される機器に含まれる。当該機器は、サーバーシステム４１０が収集した訓練データを、ネットワークＮＥ２を経由して取得し、当該訓練データに基づいて機械学習を行う。或いは学習装置１００は、他の機器を経由してサーバーシステム４１０から訓練データを取得してもよい。或いは、図３に示した情報収集システム４００とは別のシステムにおいて訓練データの蓄積が行われてもよい。

取得部１１０は、例えば訓練データを他の装置から取得する通信インターフェースである。或いは取得部１１０は、学習装置１００が保持する訓練データを取得してもよい。例えば、学習装置１００は不図示の記憶部を含み、取得部１１０は当該記憶部から訓練データを読み出すためのインターフェースである。本実施形態における学習は、例えば教師あり学習である。教師あり学習における訓練データは、入力データと正解ラベルとを対応付けたデータセットである。正解ラベルは、教師データと言い換えてもよい。

学習部１２０は、取得部１１０が取得した訓練データに基づく機械学習を行い、学習済モデルを生成する。なお、本実施形態の学習部１２０は、下記のハードウェアにより構成される。ハードウェアは、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むことができる。例えば、ハードウェアは、回路基板に実装された１又は複数の回路装置や、１又は複数の回路素子で構成することができる。１又は複数の回路装置は例えばＩＣ等である。１又は複数の回路素子は例えば抵抗、キャパシター等である。

また学習部１２０は、下記のプロセッサーにより実現されてもよい。本実施形態の学習装置１００は、情報を記憶するメモリーと、メモリーに記憶された情報に基づいて動作するプロセッサーと、を含む。情報は、例えばプログラムと各種のデータ等である。プロセッサーは、ハードウェアを含む。プロセッサーは、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）等、各種のプロセッサーを用いることが可能である。メモリーは、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）などの半導体メモリーであってもよいし、レジスターであってもよいし、ハードディスク装置等の磁気記憶装置であってもよいし、光学ディスク装置等の光学式記憶装置であってもよい。例えば、メモリーはコンピューターにより読み取り可能な命令を格納しており、当該命令がプロセッサーにより実行されることで、学習装置１００の各部の機能が処理として実現されることになる。ここでの命令は、プログラムを構成する命令セットの命令でもよいし、プロセッサーのハードウェア回路に対して動作を指示する命令であってもよい。

より具体的には、取得部１１０は、電子機器において発生したエラーを表すエラー情報と、電子機器の稼働状態を表す稼働情報と、エラーに対して実施された対処を表す対処情報と、を取得する。エラー情報及び稼働情報は上述したとおりである。対処情報は、レポート情報の一部又は全部の情報であり、例えば対処が行われたプリンター１１を特定する情報と、サービスマンが行った対処を表す情報と、対処結果を表す情報を含む。学習部１２０は、エラー情報と、稼働情報と、対処情報とを対応づけたデータセットに基づいて、エラー情報によって表されるエラーに対して推奨される対処の条件を機械学習する。このようにすれば、過去に発生したエラーと、当該エラーに対して実際に行われた対処との関係を考慮した学習結果が取得される。当該学習結果を用いることによって、エラーを解消できる蓋然性の高い対処を、ユーザーに提示することが可能になる。例えば図１及び図２に示すような大型のプリンター１１を対象とした場合、適切な対処を絞り込むことが可能であるため、対処に必要な交換部品等を手配することが可能であるし、修理費用及び修理時間を低減することも可能である。具体的な学習処理の流れについては、図１０及び図１１を用いて後述する。

２．２ 学習処理に用いるデータセットの例
以上で説明したとおり、本実施形態の学習処理において用いられる訓練データは、エラー情報と、稼働情報と、対処情報とを対応付けたデータセットである。

エラー情報は、電子機器において使用される消耗品に関するエラーを表す情報である。そして対処は、消耗品の交換、及び消耗品のメンテナンスを含む。消耗品とは、上述したとおり、電子機器の使用に伴って劣化し、ユーザーによる保守、交換の対象となる部品である。プリンター１１における消耗品は、印刷ヘッド、チューブ、各種モーター等である。また電子機器がプロジェクターである場合、消耗品は光源を含む。その他、電子機器の種類に応じて、消耗品となる部品は異なる。このように、消耗品に関するエラー情報を処理対象とすることによって、当該消耗品に関する適切な対処をユーザーに行わせることが可能になる。さらに本実施形態の手法によれば、消耗品を交換するか、或いは既存の消耗品に対してメンテナンスを行うかを適切に判定できる。例えば、エラーを解消できる場合にはできるだけ消耗品のメンテナンスにとどめ、必要な場合に限定して消耗品を交換する、といった対処が可能である。そのため、電子機器を長期的に使用する場合において、ランニングコストを低減することが可能である。

例えば電子機器はプリンター１１であり、消耗品は印刷ヘッドである。そしてエラーは、印刷ヘッドが有するノズル３６の詰まりである。このようにすれば、印刷ヘッドの吐出不良が発生した場合に、当該吐出不良を解消するための対処を適切に決定することが可能になる。例えば図１及び図２に示したプリンター１１は、複数の記録ヘッド２９を有し、各記録ヘッド２９が多数のノズル３６を有する。そのため、吐出不良というエラーは発生頻度が高いと考えられる。

しかし吐出不良は、プリンター１１が定期的に実行するフラッシング及びクリーニングによって解消可能な場合もあれば、サービスマンであるユーザーが専用コマンドを実行することによって行われる強力クリーニングが必要な場合もある。或いは、プリンター１１を分解して物理的にノズル３６周りを清掃することが必要な場合もあるし、重度のインク詰まりであれば印刷ヘッド自体を交換する必要がある場合も考えられる。なお、フラッシングとは、印刷中に印刷ヘッドの各ノズル３６から印刷とは無関係にインクを噴射させることをいう。クリーニングとは、印刷ヘッドを駆動させることなく、廃インクボックスに設けられたポンプ等で印刷ヘッドを吸引することにより印刷ヘッド内をクリーニングすることをいう。

このように、吐出不良は発生頻度が比較的高いエラーでありながら、実行可能な対処が種々考えられる。そのため、時間的又は費用的なコストを抑えつつ、エラー状態を解消可能な対処を決定することは容易でない。そのため、機械学習を用いて適切な対処を学習する意義が大きい。

或いは、電子機器はプリンター１１であり、消耗品は、印刷に用いるインクの供給経路であるチューブ、及びインクの供給に用いられるポンプである。そしてエラーは、漏液、即ちインクの漏れである。チューブとは、例えば図２におけるインク供給路７０Ａ、７０Ｂである。ポンプとは、例えば図２の加圧ポンプ６６である。或いは、インクを吸引することによって供給する場合、ポンプとは吸引ポンプであってもよい。またここでの供給とは、インクカートリッジやインクタンクから印刷ヘッドへのインクの供給に限定されず、印刷ヘッドから廃液タンク等へのインクの排出も含む。即ち、上記チューブは、印刷ヘッドのインクを廃液タンクへ移動させるための廃液チューブを含んでもよい。また上記吸引ポンプは、例えば廃液タンクへのインクの排出に用いられるポンプである。

このようにすれば、プリンター１１において漏液が発生した場合に、当該漏液を解消するための対処を適切に決定することが可能になる。漏液が発生した場合、液体であるインクはプリンター１１の内部に広がってしまうおそれがあり、例えば他の部品の故障を引き起こすおそれがある。また、印刷ヘッドの近傍において漏液が発生した場合、シート１３が汚れてしまい製品の適切な生産が難しくなる。このように漏液は速やかに解消すべきエラーである。しかし図２を用いて上述したように、プリンター１１においては多数のチューブが複雑に配置されており、漏液の発生要因、及び適切な対処も多様である。以上のように、漏液についてもエラー状態を解消可能な対処を決定することは容易でないため、機械学習を用いて適切な対処を学習する意義が大きい。

また本実施形態の学習処理においては、稼働情報を入力データとして用いる。稼働情報は、例えば消耗品の寿命情報を含む。寿命情報については上述したとおりである。例えば印刷ヘッドが寿命を超えていた場合、具体的には耐用年数を超えて使用されている場合、当該印刷ヘッドは劣化が進行していると推定される。そのため、フラッシングやクリーニング等によるエラーの解消が難しく、印刷ヘッドの交換といった対処が必要となる蓋然性が高い。一方、印刷ヘッドが新品に近い状態であれば、印刷ヘッドの交換のようなコストのかかる対処ではなく、清掃やクリーニングによって吐出不良が解消する蓋然性が高い。即ち、プリンター１１の稼働状態を反映する稼働情報を学習処理に用いることによって、プリンター１１の状態を考慮して対処を推定することが可能になる。

また稼働情報は、消耗品の使用履歴情報、又は、消耗品を用いたジョブ履歴情報を含む。消耗品の使用時間が同じであっても、例えば１日８時間使用され、残りの１６時間は使用されない場合と、２４時間連続使用される場合とでは、当該消耗品の劣化度合いは異なると考えられる。即ち、消耗品の劣化を判断する際には、単純な累計使用時間だけでなく、どのように使用されたかの履歴を用いることが望ましい。またジョブ履歴情報は、どのような印刷ジョブが、どのタイミングで入力、実行されたかを表す情報である。ジョブの内容が決まれば、消耗品の使用状況も決まるため、ジョブ履歴情報からも、消耗品がどのように使用されたかの履歴を推定可能である。このように、消耗品に関するより詳細な情報を学習処理に用いることによって、適切な対処を精度よく学習することが可能になる。

また、稼働情報に含まれる他の情報が学習処理における入力データとして用いられてもよい。例えば、学習装置１００は、インク消費量情報、印刷量情報、イベント情報等を入力データとして用いることが可能である。

図８は、エラーが吐出不良である場合のデータセットの例である。訓練データであるデータセットは、エラー情報と、過去に行われた対処と、エラー発生タイミングにおける稼働情報と、を対応付けたデータセットである。

エラー情報は、印刷システム３００から送信されるエラー情報である。例えば学習装置１００は、エラー情報のうち、エラーの種類を特定する情報を訓練データとして用いる。図８に示すように、エラー情報によって特定されるエラーの種類は、吐出不良或いはノズル詰まりである。

対処情報は、端末装置４２０から送信されるレポート情報に含まれる。例えば学習装置１００は、レポート情報のうち、エラーの解消につながった対処の種類を特定する情報を訓練データとして用いる。例えばサーバーシステム４１０は、電子機器において想定される対処をリスト化するとともに、それぞれの対処に対して識別情報を付与する。ここでの識別情報は、例えば対処を一意に特定するための対処ＩＤである。レポート情報は、上記対処ＩＤを含み、学習装置１００は、対処ＩＤを訓練データとする。なお、対処情報は、エラーを解消した対処のみに限定されない。例えば対処情報は、実行した対処と、当該対処によってエラーが解消したか否かを対応付けた情報であってもよい。換言すれば、対処情報は、エラー解消につながらなかった不適切な対処を表す情報を含んでもよい。

稼働情報は、例えば印刷ヘッドの寿命情報、ポンプの寿命情報、インク使用量情報、印刷量情報である。このように、吐出不良との関連性が高いと考えられる稼働情報を訓練データとすることによって、学習精度を高くすることが可能になる。ただし訓練データに用いられる稼働情報は図８の例に限定されず、一部を省略したり、他の稼働情報を追加することが可能である。

なお図８に示すように、データセットには、エラーが発生したプリンター１１を特定する情報が含まれてもよい。プリンター１１を特定する情報は、例えば上述したシリアル番号である。或いは、個体まで識別せずに、機種の情報やファームウェアのバージョン情報をプリンター１１を特定する情報として用いてもよい。

また図９は、エラーが漏液である場合のデータセットの例である。訓練データであるデータセットは、図８と同様に、エラー情報と、過去に行われた対処と、エラー発生タイミングにおける稼働情報と、を対応付けたデータセットである。また図８と同様に、データセットは、プリンター１１を特定する情報を含んでもよい。

エラー情報については図８と同様であり、印刷システム３００から送信されるエラー情報が用いられる。ただし、図９の例においては、エラー情報によって表されるエラーは、漏液である。

また、対処情報についても図８と同様であり、レポート情報に含まれる対処の種類を特定する情報である。ただし、吐出不良と漏液とでは、候補となる対処が異なる。漏液に対する対処としては、チューブの交換、ポンプの交換、分解清掃、チューブの取り回し調整等が考えられる。なお、プリンター１１は複数のチューブを含むと想定されるため、第１チューブの交換と、第１チューブとは異なる第２チューブの交換を、異なる対処としてもよい。ポンプについても同様であり、異なるポンプの交換をそれぞれ異なる対処として取り扱うことが可能である。チューブの取り回しとは、プリンター１１内部におけるチューブの配置、固定の状態を表す。即ち、チューブの取り回し調整とは、チューブが適切に配置されているかを確認し、必要に応じて配置を修正する対処を表す。

稼働情報は、例えばポンプの寿命情報、チューブの寿命情報、インク使用量情報、印刷量情報である。このように、漏液との関連性が高いと考えられる稼働情報を訓練データとすることによって、学習精度を高くすることが可能になる。ただし訓練データに用いられる稼働情報は図９の例に限定されず、一部を省略したり、他の稼働情報を追加することが可能である。例えば稼働情報は、インクの色情報及び色材情報を含んでもよい。色情報とは、シアン、マゼンタ等のインク色を表す情報である。色材情報とは、顔料又は染料等の色材を表す情報である。インクの色や色材によって、沈降しやすさが異なるため、チューブの劣化度合いが異なる。そのため、インクの色情報や色材情報を入力とすることによって、漏液に対して推奨される対処を適切に学習することが可能になる。また稼働情報はプリンター１１の温度情報を含んでもよい。例えば温度が低いとインクの粘度が増すため、チューブ詰まりが発生しやすく、結果として漏液の発生する確率も高くなる。そのため、温度情報を入力とすることによって、漏液に対して推奨される対処を適切に学習することが可能になる。

２．３ 学習の具体例
データセットに基づく学習処理について詳細に説明する。ここでは、ニューラルネットワークを用いた機械学習について説明する。

図１０は、ニューラルネットワークの基本的な構造例である。ニューラルネットワークは、脳機能を計算機上でシミュレーションする数学モデルである。図１０の１つの円をノード又はニューロンと呼ぶ。図１０の例では、ニューラルネットワークは、入力層と、２つの中間層と、出力層を有する。入力層がＩであり、中間層がＨ１及びＨ２であり、出力層がＯである。また図１０の例においては、入力層のニューロン数が３、中間層のニューロン数がそれぞれ４、出力層のニューロン数が１である。ただし、中間層の層数や、各層に含まれるニューロンの数は種々の変形実施が可能である。入力層に含まれるニューロンは、それぞれ第１中間層であるＨ１のニューロンと結合される。第１中間層に含まれるニューロンはそれぞれ第２中間層であるＨ２のニューロンと結合され、第２中間層に含まれるニューロンはそれぞれ出力層のニューロンと結合される。なお中間層は隠れ層と言い換えてもよい。

入力層は、それぞれ入力値を出力するニューロンである。図１０の例では、ニューラルネットワークはｘ１，ｘ２，ｘ３を入力として受け付け、入力層の各ニューロンは、それぞれｘ１，ｘ２，ｘ３を出力する。なお、入力値に対して何らかの前処理を行い、入力層の各ニューロンは、前処理後の値を出力してもよい。

中間層以降の各ニューロンでは、脳の中で電気信号として情報が伝達される様子を模した演算が行われる。脳では、シナプスの結合強度に応じて情報の伝わりやすさが変わるため、ニューラルネットワークでは当該結合強度を重みＷで表現する。

図１０のＷ１は、入力層と第１中間層の間の重みである。Ｗ１は入力層に含まれる所与のニューロンと、第１中間層に含まれる所与のニューロンとの間の重みの集合を表す。入力層のｐ番目のニューロン数と、第１中間層のｑ番目のニューロンの間の重みをｗ^１ _ｐｑと表現した場合、図１０のＷ１は、ｗ^１ _１１〜ｗ^１ _３４の１２個の重みを含む情報である。より広義には、重みＷ１は、入力層のニューロン数と第１中間層のニューロン数の積だけの個数の重みからなる情報である。

第１中間層のうち、１番目のニューロンでは、下式（１）に示した演算が行われる。１つのニューロンでは、当該ニューロンに接続される１つ前の層の各ニューロンの出力を積和し、さらにバイアスを加算する演算を行う。下式（１）におけるバイアスはｂ１である。

また、上式（１）に示したように、１つのニューロンでの演算では、非線形関数である活性化関数ｆが用いられる。活性化関数ｆは、例えば下式（２）に示すＲｅＬＵ関数が用いられる。ＲｅＬＵ関数は、変数が０以下であれば０であり、０より大きければ変数自体の値となる関数である。ただし、活性化関数ｆは種々の関数を利用可能であることが知られており、シグモイド関数を用いてもよいし、ＲｅＬＵ関数を改良した関数を用いてもよい。上式（１）では、ｈ１についての演算式を例示したが、１つめの中間層の他のニューロンでも同様の演算を行えばよい。

また、これ以降の層についても同様である。例えば、第１中間層と第２中間層の間の重みをＷ２とした場合、第２中間層のニューロンでは、第１中間層の出力と重みＷ２を用いた積和演算を行い、バイアスを加算し、活性化関数を適用する演算を行う。

出力層のニューロンでは、その１つ前の層の出力を重み付け加算し、バイアスを加算する演算を行う。図１０の例であれば、出力層の１つ前の層とは、第２中間層である。ニューラルネットワークは、出力層での演算結果を、当該ニューラルネットワークの出力とする。或いは、出力層の演算結果に対して、何らかの後処理を行った結果を出力してもよい。

以上の説明からわかるように、入力から所望の出力を得るためには、適切な重みとバイアスを設定する必要がある。なお、以下では重みを重み付け係数とも表記する。また重み付け係数にはバイアスが含まれてもよいものとする。学習では、所与の入力ｘと、当該入力での正しい出力とを対応付けたデータセットを用意しておく。正しい出力は教師データｔである。ニューラルネットワークの学習処理とは、当該データセットに基づいて、最も確からしい重み付け係数を求める処理と考えることが可能である。ニューラルネットワークの学習処理では、誤差逆伝播法（Backpropagation）が広く知られている。

図１１は、誤差逆伝播法を説明する図である。なお図１１では、説明を簡略化するために、第１中間層、第２中間層、出力層のそれぞれについて、１つのニューロンに着目した処理を図示している。また、ニューラルネットワークの学習処理は誤差逆伝播法を用いるものに限定されない。

誤差逆伝播法では、フォワードパスとバックワードパスを繰り返すことで、パラメーターを更新していく。ここでのパラメーターとは、上述した重み付け係数である。まず入力ｘと、その時点の重み付け係数を用いて、出力ｙを演算する。なお、重み付け係数の初期値は種々の設定が可能である。図１１の例においては、下式（３）〜（５）の演算が行われ、ｘｋからｙが演算される。下式（３）〜（５）におけるｕは第１中間層の出力を表し、ｖは第２中間層の出力を表す。

そして、求められた出力ｙと、入力ｘに対応する教師データｔとに基づいて損失関数Ｅを求める。損失関数Ｅは、例えば下式（６）であるが、単純な差分（ｙ−ｔ）であってもよいし、他の損失関数を用いてもよい。損失関数Ｅを求めるまでの処理をフォワードパスと呼ぶ。

フォワードパスにより損失関数Ｅが求めた後、下式（７）〜（１２）に示すように、損失関数Ｅの偏微分を用いて各パラメーターを更新する。下式（７）〜（１２）において、“＋１”の添え字が付された値は、更新処理後の値を表す。例えばｂ_＋１とは、更新処理後のｂの値を表す。またηは学習率を表す。学習率は一定ではなく、学習の状況に応じて変更することが望ましい。

この際、出力層から入力層に向かって、各パラメーターに関する損失関数Ｅの偏微分を、連鎖率を使って計算する。具体的には、上式（７）〜（１２）に示した各偏微分は、下式（１３）〜（１８）を順次計算することで容易に求めることが可能である。また、活性化関数ｆとして上式（２）のＲｅＬＵ関数を用いた場合、微分値が０又は１となるため、偏微分の演算が容易である。式（７）〜（１８）を用いた一連の処理をバックワードパスと呼ぶ。

例えば学習装置１００は、１種類のエラーに対して、１つのニューラルネットワークを作成する。具体的には学習装置１００は、吐出不良用の第１ニューラルネットワークと、漏液用の第２ニューラルネットワークを作成する。当然、エラーは３種類以上であってもよく、学習装置１００はエラーの種類数に相当する数のニューラルネットワークを作成する。

吐出不良用の第１ニューラルネットワークを作成する場合、入力であるｘは、吐出不良に対応する稼働情報である。図８に示したように、消耗品の寿命情報は、例えば耐用時間に対する使用時間の割合を表す数値データである。具体的には１つの消耗品の寿命情報を表す数値が、入力層の１つのニューロンに対する入力データとなる。インク使用量情報は、例えばインクの消費重量をキログラム単位で表した数値データである。印刷量情報は、印刷に用いたシート１３の長さをメートル単位で表した数値データである。なお各数値データは、正規化処理等の前処理が行われた後、ニューラルネットワークに入力されてもよい。図８の例であれば、入力層のニューロン数は例えば４つである。

また、上述したように稼働情報は消耗品の使用履歴情報又はジョブ履歴情報を含んでもよい。消耗品の使用履歴情報は、例えば消耗品の使用開始タイミングを使用終了タイミングの組をｋ組（ｋは正の整数）だけまとめた２×ｋ次元のベクトルである。使用終了タイミングと使用終了タイミングは、例えばエラー発生時刻を基準とした時間差等によって表現される数値データである。このようにすれば、消耗品の使用履歴情報を数値データとして表現できる。この場合、消耗品の使用履歴情報は、入力層の２×ｋ個のニューロンに対する入力データとなる。ただし、消耗品の使用履歴情報は、使用開始タイミングと連続使用時間の組であってもよいし、寿命情報の時系列的な変化を表した複数の数値データであってもよい。即ち、サーバーシステム４１０に蓄積されている消耗品の使用履歴情報を、ニューラルネットワークの入力データに変換する際の変換処理は、種々の変形実施が可能である。

ジョブ履歴情報を入力データとして用いる場合についても同様に、変換処理には種々の変形実施が考えられる。なお、ジョブ履歴情報を用いる場合、印刷ジョブにおける印刷対象となる画像データを、入力データとすることも妨げられない。画像データを用いた学習処理においては、例えば広く知られている畳み込みニューラルネットワーク（ＣＮＮ：Convolutional neural network）を用いてもよい。ＣＮＮは、畳み込み層及びプーリング層を有する。畳み込み層は、畳み込み演算を行う。ここでの畳み込み演算とは、具体的にはフィルター処理である。プーリング層は、データの縦横のサイズを縮小する処理を行う。ＣＮＮは、例えば画像データが入力される場合において、所与の画素と、その周辺の画素との関係を考慮した処理が可能である。ＣＮＮにおいては、機械学習によって、畳み込み演算に用いられるフィルターの特性が学習される。即ち、ニューラルネットワークにおける重み付け係数には、ＣＮＮにおけるフィルター特性が含まれる。

また、出力層の１つのニューロンは、例えば１種類の対処に対応する。吐出不良用の第１ニューラルネットワークを作成する場合、出力層のニューロン数は、吐出不良に対する対処として想定される対処の数となる。例えば、吐出不良への対処として、クリーニング、ノズル拭き掃除、ノズル交換、チューブ交換の４つが想定される場合、出力層のニューロン数は４つである。

教師データｔとして用いられる対処情報は、例えば、対応する対処によってエラーが解消した場合に１となり、そうでない場合に０となる数値データである。例えば吐出不良がクリーニングによって解消した場合、クリーニングに対応するニューロンにおける教師データｔは１であり、ノズル拭き掃除、ノズル交換、チューブ交換に対応する３つのニューロンにおける教師データｔは０となる。

また、対処情報は２値のデータに限定されない。例えばレポート情報が、エラーを解消できた適切な対処と、エラーを解消できなかった不適切な対処と、を入力可能な態様である場合、各対処は、「実行され且つ適切」「実行されたが不適切」「実行されなかった」の３つに分類できる。この場合の対処情報は、「実行され且つ適切」である対処について１となり、「実行されたが不適切」である対処について０となり、「実行されなかった」対処について０．５等の中間的な値となる数値データであってもよい。

学習結果である学習済モデルは、稼働情報を入力として受け付け、出力として、推奨される対処を表すデータを出力する。上記の例の場合、推奨される対処に対応するニューロンの出力が１に近い値となり、推奨されない対処に対応するニューロンの出力が０に近い値となる。

漏液用の第２ニューラルネットワークについても同様であり、漏液に対応する稼働情報を入力ｘとし、漏液を解消できた対処を含む対処情報を教師データｔとする学習処理に基づいて、重み付け係数情報が決定される。

以上のように、学習部１２０は、機械学習によって学習済モデルを生成する。本実施形態の手法は、学習済モデルに適用されてもよい。学習済モデルは、電子機器において発生したエラーに対して推奨される対処を判定するための学習済モデルである。学習済モデルは、入力層と中間層と出力層とを有し、エラー情報と、稼働情報と、対処情報を対応付けたデータセットに基づき、重み付け係数情報が設定されている。重み付け係数情報は、入力層と中間層との間の第１重み付け係数、及び中間層と出力層との間の第２重み付け係数を含む。図１０の例であれば、第１重み付け係数はＷ１であり、第２重み付け係数はＷ３である。また、中間層が２層以上である場合、重み付け係数情報は、所与の中間層とその次の中間層の間の重み付け係数を含んでもよい。例えば重み付け係数情報は、図１０の例における重みＷ２を含む。

学習済モデルは、入力としてエラー情報と稼働情報を受け付ける。学習済モデルは、受け付けた稼働情報を入力層に入力し、設定された重み付け係数情報に基づく演算を行い、出力層から、エラー情報によって表されるエラーに対して推奨される対処を表すデータを出力するよう、コンピューターを機能させる。ここでの学習済モデルは、例えばエラーの種類ごとに設けられる複数の学習済モデルの集合である。或いは、図１８を用いて後述するように、受け付けたエラー情報と稼働情報の両方を入力層に入力し、設定された重み付け係数情報に基づく演算を行い、出力層から、エラー情報によって表されるエラーに対して推奨される対処を表すデータを出力するよう、コンピューターを機能させてもよい。

なお以上の例では、エラーの種類ごとにニューラルネットワークを生成する例を示した。そのため、学習段階において、データセットに含まれるエラー情報は、学習対象となるニューラルネットワークを特定するために用いられ、入力であるｘとしては稼働情報が用いられる。また、推論段階において、入力として取得されたエラー情報と稼働情報のうち、エラー情報は推論処理に使用する学習済モデルを特定するために用いられ、学習済モデルへの入力は稼働情報が用いられる。ただし本実施形態の処理はこれに限定されず、エラー情報が学習済モデルの入力層に入力されてもよい。詳細については変形例において後述する。

なお、以上では学習済モデルがニューラルネットワークを用いたモデルである例について説明した。しかし本実施形態における機械学習はニューラルネットワークを用いる手法に限定されない。例えば本実施形態の手法には、ＳＶＭ（support vector machine）等、広く知られた種々の方式の機械学習、或いはそれらの方式を発展させた方式の機械学習を適用することが可能である。

３．推論処理
３．１ 推論装置の構成例
図１２は、本実施形態の推論装置である情報処理装置２００の構成例を示す図である。情報処理装置２００は、受付部２１０と、処理部２２０と、記憶部２３０を含む。

記憶部２３０は、エラー情報と、稼働情報と、対処情報とを対応付けたデータセットに基づき、エラー情報によって表されるエラーに対して推奨される対処の条件を機械学習した学習済モデルを記憶する。エラー情報、稼働情報及び対処情報については上述したとおりである。受付部２１０は、電子機器から送信されたエラー情報及び稼働情報を受け付ける。処理部２２０は、学習済モデルに基づいて、受け付けたエラー情報によって表されるエラーに対して推奨される対処を提示する処理を行う。具体的には、処理部２２０は、学習済モデルを用いて、予め設定された複数の対処の各対処について、当該対処を推奨するか否かを表すデータを求める。対処を推奨するか否かを表すデータは、２値のデータに限定されず、例えば推奨度合いや、推奨する確率を表す数値データである。そして処理部２２０は、学習済モデルの出力に基づいて、推奨される対処をユーザーに提示する処理を行う。なお提示は情報処理装置２００において行われるものに限定されない。例えば情報処理装置２００は、提示を行う装置に対して、提示用情報の送信処理を行ってもよい。提示用情報とは、例えば表示画面を生成するための情報である。また、提示は表示に限定されず、スピーカーによる音声の出力等、種々の態様を用いた提示が可能である。

このようにすれば、種々の稼働情報に基づいて推奨すべき対処を適切に判定できる。即ち、サーバーシステム４１０に大量のレポート情報が蓄積されている場合であっても、ユーザーはそこから適切な情報を選別する必要がなく、対処決定におけるユーザー負担を軽減可能である。本実施形態の手法であれば、知識や経験の乏しいユーザーでも適切な対処を実行できる。

なお学習済モデルは、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。処理部２２０は、記憶部２３０に記憶された学習済モデルからの指令に従って、入力であるエラー情報によって表されるエラーに対して、推奨される対処を表すデータを出力する。

情報処理装置２００の処理部２２０は、学習装置１００の学習部１２０と同様に、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むハードウェアにより構成される。また処理部２２０は、下記のプロセッサーにより実現されてもよい。本実施形態の情報処理装置２００は、情報を記憶するメモリーと、メモリーに記憶された情報に基づいて動作するプロセッサーと、を含む。プロセッサーは、ＣＰＵ、ＧＰＵ、ＤＳＰ等、各種のプロセッサーを用いることが可能である。メモリーは、半導体メモリーであってもよいし、レジスターであってもよいし、磁気記憶装置であってもよいし、光学式記憶装置であってもよい。

なお、学習済モデルに従った処理部２２０おける演算、即ち、入力データに基づいて出力データを出力するための演算は、ソフトウェアによって実行されてもよいし、ハードウェアにより実行されてもよい。換言すれば、上式（１）等の積和演算、或いは、ＣＮＮにおけるフィルター演算は、ソフトウェア的に実行されてもよい。或いは上記演算は、ＦＰＧＡ（field-programmable gate array）等の回路装置によって実行されてもよい。また、上記演算は、ソフトウェアとハードウェアの組み合わせによって実行されてもよい。このように、記憶部２３０に記憶された学習済モデルからの指令に従った処理部２２０の動作は、種々の態様によって実現可能である。

図１２に示す情報処理装置２００は、例えば図３のサーバーシステム４１０に含まれる。即ち、サーバーシステム４１０は、印刷システム３００からエラー情報及び稼働情報を受け付け、学習済モデルに基づいて、当該エラー情報によって表されるエラーに対して推奨される対処を提示する処理を行う。換言すれば、情報処理装置２００の受付部２１０は、エラー情報及び稼働情報を、ネットワークを介して電子機器から収集する通信部である。ここでのネットワークは、例えば図３のネットワークＮＥ２である。また通信部とは、具体的には通信デバイス又は通信インターフェースである。このようにすれば、図３に例示したような情報収集システム４００において、適切な情報収集、及び収集した情報に基づく推論処理を行うことが可能になる。

ただし、情報処理装置２００は、サーバーシステム４１０以外の機器に含まれてもよい。例えば、情報処理装置２００は、ネットワークＮＥ２を経由してサーバーシステム４１０と接続される機器に含まれる。当該機器は、サーバーシステム４１０が収集したエラー情報及び稼働情報を、ネットワークＮＥ２を経由して取得することによって、適切な対処を提示する処理を行う。また、情報処理装置２００は、１つの装置であってもよいし、複数の装置を含んでもよい。

３．２ 推論処理の具体例
図１３は、本実施形態の推論処理における入力と出力の関係を示す図であって、吐出不良に対して推奨される対処を出力する場合の入出力を例示する模式図である。なお、図１３においては、ニューラルネットワーク演算を行う例を説明する。推論処理における入力は、稼働情報を含む。稼働情報は、例えば図１３に示したように、印刷ヘッドの寿命情報、ポンプの寿命情報、インク使用量情報、印刷量情報等である。また、推論処理における入力は、イベント情報等の他の稼働情報を含んでもよい。具体的には、学習処理において入力データとして用いられた情報に対応する情報が、推論処理における入力となる。

処理部２２０は、これらの入力に基づいて、ニューラルネットワーク演算を行う。そして処理部２２０は、出力として、推奨される対処を表す情報を出力する。例えば、ニューラルネットワークは４つの出力を有し、各出力はｒ以上ｓ以下の範囲の数値データである。各出力は、吐出不良を解消する対処としての推奨度合いが高いほど、値が大きくなるデータである。例えばｒ＝０，ｓ＝１であるが、具体的な数値はこれに限定されない。図１３の例であれば、ノズル交換、ノズル拭き掃除、クリーニング、チューブ交換の各対処について、推奨度合いを表す数値データが出力される。

図１４は、本実施形態の推論処理における入力と出力の関係を示す図であって、漏液に対して推奨される対処を出力する場合の入出力を例示する模式図である。推論処理における入力は、稼働情報を含む。稼働情報は、例えば図１４に示したように、ポンプの寿命情報、チューブの寿命情報、インク使用量情報、印刷量情報等である。

処理部２２０は、これらの入力に基づいて、ニューラルネットワーク演算を行う。例えば、ニューラルネットワークは４つの出力を有し、各出力はｒ以上ｓ以下の範囲の数値データである。各出力は、漏液を解消する対処としての推奨度合いが高いほど、値が大きくなるデータである。図１４の例であれば、チューブ交換、分解清掃、ポンプ交換、チューブの取り回し再調整の各対処について、推奨度合いを表す数値データが出力される。

図１５は、処理部２２０における処理を説明するフローチャートである。処理部２２０は、定期的に印刷システム３００からエラー情報及び稼働情報を収集する（Ｓ１０１）。処理部２２０は、Ｓ１０１で取得した情報に基づいて、プリンター１１においてエラーが発生したか否かを判定する（Ｓ１０２）。具体的には、処理部２２０は、Ｓ１０１で取得した情報にエラー情報が含まれるか否かを判定する。エラーが発生していない場合（Ｓ１０２でＮｏ）、Ｓ１０３以降の処理を行わずに処理を終了する。

エラーが発生している場合（Ｓ１０２でＹｅｓ）、処理部２２０は、エラー情報及び稼働情報に基づいて、ニューラルネットワーク演算を行う（Ｓ１０３）。上記の例であれば、処理部２２０は、エラー情報に基づいて推論処理に使用する学習済モデルを特定し、当該学習済モデルに稼働情報を入力することによって、ニューラルネットワーク演算を行う。

処理部２２０は、ニューラルネットワーク演算の結果に基づいて、推奨される対処を判定し、当該推奨される対処を記憶する（Ｓ１０４）。例えば、処理部２２０は、想定される複数の対処のうち、推奨度合いが高い対処を３つ抽出し、推奨度合い順に並べ替たデータを記憶部２３０に記憶する。ただし、ニューラルネットワーク演算の結果に基づく処理はこれに限定されず、種々の変形実施が可能である。図１５に示した処理を行うことによって、電子機器においてエラーが発生した場合に、その都度、推奨される対処を判定することが可能になる。

情報処理装置２００は、エラー情報とともに推奨される対処をユーザーにプッシュ通知してもよい。例えば、エラー通知メールを送信する際に、推奨される対処を表す情報を付加する。ただし、エラー自体が軽微なものであり、ユーザーの対処を必要としないケースも考えられる。そのため、エラー発生の度に推奨される対処を通知すると、ユーザーに煩わしさを感じさせるおそれがある。

よって情報処理装置２００は、ユーザーからのリクエストがあった場合に、レスポンスとして推奨される対処を表す情報を送信してもよい。以下、情報処理装置２００がサーバーシステム４１０に含まれる場合を例にとって説明を行う。

図１６は、エラー画面の他の例である。例えばサーバーシステム４１０は、図５に示すエラー画面において、左端に示す「＋」マークに対する操作が行われた場合に、図１６のＢ１及びＢ２に示すように、選択されたエラーについての詳細情報を表示する。詳細情報は、Ｂ１に示すサブ情報と、Ｂ２に示す推奨される対処を表す情報を含む。換言すれば、サーバーシステム４１０は、ユーザーがエラーの詳細情報にアクセスする操作を行った場合に、当該詳細情報として、推奨される対処を表す情報を提示する処理を行う。このようにすれば、ユーザーが関心を持っているエラー情報について、推奨される対処を提示することが可能になる。

なお図１５においては、エラー情報が取得された場合、かならずニューラルネットワーク演算を行う例を示したがこれには限定されない。例えば、サーバーシステム４１０は、ユーザーがエラーの詳細情報にアクセスする操作を行った場合に、ニューラルネットワーク演算を行ってもよい。

４．学習済モデルの更新
以上の説明においては、学習処理と推論処理を個別に説明した。例えば、学習装置１００は、あらかじめ蓄積された訓練データに基づいて学習処理を行うことによって学習済モデルを生成する。推論段階においては、情報処理装置２００は生成された学習済モデルを継続的に使用することによって、推論処理を行う。この場合、一度生成された学習済モデルは固定であり、更新が想定されない。

ただし本実施形態の手法はこれに限定されず、推論段階において学習済モデルが適宜更新されてもよい。図３に示す情報収集システム４００を含むシステムが稼働している場合、サーバーシステム４１０は、印刷システム３００及び端末装置４２０からの情報収集を行うことによって、エラー情報、稼働情報及びレポート情報を対応付けたデータセットを随時取得可能である。そのため、サーバーシステム４１０は、当該データセットに基づいて学習を行うことによって、学習済モデルを更新できる。このようにすれば、より多くのデータセットを用いた学習が可能になるため、適切な対処を推奨できる蓋然性を高めることが可能になる。例えばサーバーシステム４１０は、端末装置４２０からのレポート情報の取得をトリガーとして、学習済モデルの更新処理を実行する。

図１７は、学習済モデルを推論段階において更新する場合の、情報処理装置２００の構成例を示す図である。情報処理装置２００は、受付部２１０、処理部２２０、記憶部２３０に加えて、取得部１１０と、学習部１２０を含む。即ち、図１７における情報処理装置２００は、図１２に示した構成に加えて、図７に示した学習装置１００と同様の構成を含み、学習処理と推論処理の両方を実行可能な装置である。図１７の情報処理装置２００は、例えば図３のサーバーシステム４１０に含まれる。図１７の情報処理装置２００を用いることによって、学習処理と推論処理を、同じ装置において効率的に実行することが可能である。ただし、学習済モデルを推論段階において更新する場合において、学習処理と推論処理を異なる装置において実行することは妨げられない。

５．変形例
図１３及び図１４を用いて上述したように、以上の本実施形態においては、エラーの種類に応じて、異なる複数の学習済モデルが生成される例を説明した。この場合、各学習済モデルは、特定のエラーに特化したものとなるため、学習段階及び推論段階における入力データを限定することが容易である。具体的には、処理対象となるエラーと関連性の高い稼働情報が、入力データとして用いられる。そのため、入力データの数が増大しにくく、学習処理と推論処理の負荷を軽減できる。

ただし本実施形態の処理はこれに限定されず、学習装置１００は、複数種類のエラーに対応可能な学習済モデルを生成してもよい。情報処理装置２００は、入力であるエラー情報の種類が異なる場合にも、１つの学習済モデルに基づいて、推奨される対処を決定することが可能になる。例えば情報処理装置２００は、電子機器において発生しうる全てのエラー情報について、１つの学習済モデルを用いて、推奨される対処を提示することが可能である。

図１８は、本変形例の推論処理における入力と出力の関係を示す図である。図１８に示すように、エラー情報が推論処理の入力データとして用いられる。学習処理における入力データとしても、エラー情報が用いられる。エラー情報は、エラーＩＤ等のエラーの種類を特定する情報を含む。また入力データである稼働情報は、図１３及び図１４に示した各稼働情報を含む。さらに、処理対象であるエラーに関連する可能性がある他の稼働情報が入力データに含まれてもよい。また図１８に示すように、出力は、対象の電子機器において実行する可能性がある複数の対処の各対処の推奨度合いを表す情報である。即ち、出力対象となる対処は、吐出不良への対処、漏液への対処、その他のエラーへの対処を含む。

学習済モデルを複数のエラー情報において共通化する図１８に示す手法は、学習済モデルの数が少なく、入力データとして用いる稼働情報の抽出を人手で行う必要がないという利点がある。一方、エラー情報ごとに学習済モデルを生成する図１３や図１４に示す手法は、１つの学習済モデルに着目した場合、入力データの数が少なく、処理負荷が軽いという利点がある。このように、学習済モデルの構成は種々考えられ、構成に応じて特性が異なる。本実施形態においていずれの構成を用いるかは任意である。また、他の構成を用いる変形実施も妨げられない。例えば、学習装置１００は、インク処理系、印刷媒体の搬送系、乾燥室系といったように、エラー情報をいくつかのカテゴリーに分類し、カテゴリーごとに学習済モデルを生成してもよい。同一カテゴリーに含まれる複数のエラー情報はある程度相関があるため、関連性の高い稼働情報も類似すると考えられる。よって学習済モデル数を抑制すること、及び入力データの数を抑制することが可能になる。

以上のように、本実施形態の情報処理装置は、記憶部と、受付部と、処理部を含む。記憶部は、エラー情報と、稼働情報と、対処情報とを対応付けたデータセットに基づき、エラーに対して推奨される対処の条件を機械学習した学習済モデルを記憶する。エラー情報は、電子機器において発生したエラーを表す情報である。稼働情報は、電子機器の稼働状態を表す情報である。対処情報は、エラーに対して実施された対処を表す情報である。受付部は、電子機器から送信されたエラー情報及び稼働情報を受け付ける。処理部は、学習済モデルに基づいて、受け付けたエラー情報によって表されるエラーに対して推奨される対処を提示する処理を行う。

本実施形態の手法によれば、エラー情報と、稼働情報と、対処情報とを対応付けたデータセットに基づく機械学習によって生成された学習済モデルを用いて、エラーに対して推奨される対処が提示される。対処情報に基づき生成された学習済モデルを用いるため、過去に行われた対処の適否を踏まえた判定が可能になる。また、稼働情報が用いられるため、エラーの種類等の情報だけでなく、電子機器の稼働状態を考慮した判定が可能になる。このように、適切な訓練データに基づく機械学習の結果を用いることによって、エラーを適切に解消可能である対処を精度よく判定することが可能になる。

またエラーは、消耗品に関するエラーであり、対処は、消耗品の交換、及び消耗品のメンテナンスを含んでもよい。

このようにすれば、電子機器に含まれる消耗品に関するエラーが発生した場合に、当該消耗品を交換するか、メンテナンスにより対応するかを適切に判定することが可能になる。

また稼働情報は、消耗品の寿命情報を含んでもよい。

このようにすれば、消耗品の使用状況に基づいて、推奨される対処を判定することが可能になる。

また稼働情報は、消耗品の使用履歴情報、又は、消耗品を用いたジョブ履歴情報を含んでもよい。

このようにすれば、消耗品の時系列の使用状況に基づいて、推奨される対処を判定することが可能になる。

また消耗品は、印刷ヘッドであり、エラーは、印刷ヘッドの吐出不良であってもよい。

このようにすれば、吐出不良解消のための適切な対処を提示することが可能になる。

また消耗品は、印刷に用いるインクの供給経路であるチューブ、及びインクの供給に用いられるポンプであり、エラーは、インクの漏れであってもよい。

このようにすれば、インク漏れ解消のための適切な対処を提示することが可能になる。

また電子機器は、エラー情報及び稼働情報を、ネットワークを介して電子機器から収集する通信部を含んでもよい。

このようにすれば、電子機器からの情報収集を行う情報処理装置において、収集された情報にエラーが含まれた場合に、適切な対処を提示することが可能になる。

また本実施形態の学習装置は、取得部と、学習部を含む。取得部は、電子機器において発生したエラーを表すエラー情報と、電子機器の稼働状態を表す稼働情報と、エラーに対して実施された対処を表す対処情報と、を取得する。学習部は、エラー情報と、稼働情報と、対処情報とを対応づけたデータセットに基づいて、エラー情報によって表されるエラーに対して推奨される対処の条件を機械学習する。

本実施形態の手法によれば、対処情報を機械学習に用いるため、過去に行われた対処の適否を踏まえた学習結果の取得が可能である。また、稼働情報を機械学習に用いるため、エラーの種類等の情報だけでなく、電子機器の稼働状態を考慮した学習結果の取得が可能である。

また本実施形態の学習済モデルは、電子機器において発生したエラーに対して推奨される対処を判定するための学習済モデルであって、入力層と中間層と出力層とを有する。学習済モデルは、エラーを表すエラー情報と、電子機器の稼働状態を表す稼働情報と、エラーに対して実施された対処を表す対処情報と、を対応づけたデータセットに基づき、入力層と中間層との間の第１重み付け係数及び中間層と出力層との間の第２重み付け係数を含む重み付け係数情報が設定されている。学習済モデルは、入力としてエラー情報及び稼働情報を受け付け、少なくとも稼働情報を入力層に入力し、設定された重み付け係数情報に基づく演算を行い、出力層から、入力として受け付けたエラー情報によって表されるエラーに対して推奨される対処を表すデータを出力するよう、コンピューターを機能させる。

このようにすれば、学習処理によって重み付け係数情報を学習することによって、エラーに対して推奨される対処を判定可能な学習済モデルを生成することが可能になる。より具体的には、ニューラルネットワークを用いた学習済モデルを生成することが可能になる。

なお、上記のように本実施形態について詳細に説明したが、本実施形態の新規事項および効果から実体的に逸脱しない多くの変形が可能であることは当業者には容易に理解できるであろう。従って、このような変形例はすべて本開示の範囲に含まれるものとする。例えば、明細書又は図面において、少なくとも一度、より広義または同義な異なる用語と共に記載された用語は、明細書又は図面のいかなる箇所においても、その異なる用語に置き換えることができる。また本実施形態及び変形例の全ての組み合わせも、本開示の範囲に含まれる。また学習装置、情報処理装置、及びそれらの装置を含むシステムの構成及び動作等も、本実施形態で説明したものに限定されず、種々の変形実施が可能である。

１１…プリンター、１２…本体ケース、１３…シート、１４…繰出し部、１５…印刷室、１６…乾燥装置、１７…巻き取部、１８…基台、１９…支持部材、２０…巻き軸、２１…第１ローラー、２２…第２ローラー、２３…第３ローラー、２４…第４ローラー、２５…巻き取軸、２６…ガイドレール、２７…キャリッジ、２８…支持板、２９，２９Ａ，２９Ｂ…記録ヘッド、３０…吸引装置、３２…メンテナンス装置、３３…キャップ、３４…昇降装置、３５…ノズル形成面、３６…ノズル、３７…ノズル列、３８…カバー、３９…インク供給装置、６５…ポンプモーター、６６…加圧ポンプ、６７…サブタンク、７０Ａ，７０Ｂ…インク供給路、７１…空気供給路、１００…学習装置、１１０…取得部、１２０…学習部、２００…情報処理装置、２１０…受付部、２２０…処理部、２３０…記憶部、３００…印刷システム、３１０…画像生成装置、３１１…本体、３１２…画像生成部、３１３…入力装置、３１４…モニター、３２０…ホスト装置、３２１…本体、３２２…プリンタードライバー、３２３…モニター、４００…情報収集システム、４１０…サーバーシステム、４２０…端末装置、Ｃ…制御装置、ＩＣ１〜ＩＣ８…インクカートリッジ、ＮＥ２…ネットワーク、Ｘ…主走査方向、Ｙ…副走査方向、

Claims (9)

1. 電子機器において発生したエラーを表すエラー情報と、前記電子機器の稼働状態を表す稼働情報と、前記エラーに対して実施された対処を表す対処情報と、を対応付けたデータセットに基づき、前記エラーに対して推奨される前記対処の条件を機械学習した学習済モデルを記憶する記憶部と、
   前記電子機器から送信された前記エラー情報及び前記稼働情報を受け付ける受付部と、
   前記学習済モデルに基づいて、受け付けた前記エラー情報によって表される前記エラーに対して推奨される前記対処を提示する処理部と、
   を含むことを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置において、
   前記エラーは、消耗品に関するエラーであり
   前記対処は、前記消耗品の交換、及び前記消耗品のメンテナンスを含むことを特徴とする情報処理装置。
3. 請求項２に記載の情報処理装置において、
   前記稼働情報は、前記消耗品の寿命情報を含むことを特徴とする情報処理装置。
4. 請求項２又は３に記載の情報処理装置において、
   前記稼働情報は、前記消耗品の使用履歴情報、又は、前記消耗品を用いたジョブ履歴情報を含むことを特徴とする情報処理装置。
5. 請求項２乃至４のいずれか一項に記載の情報処理装置において、
   前記消耗品は、印刷ヘッドであり、
   前記エラーは、前記印刷ヘッドの吐出不良であることを特徴とする情報処理装置。
6. 請求項２乃至４のいずれか一項に記載の情報処理装置において、
   前記消耗品は、印刷に用いるインクの供給経路であるチューブ、及び前記インクの供給に用いられるポンプであり、
   前記エラーは、前記インクの漏れであることを特徴とする情報処理装置。
7. 請求項１乃至６のいずれか一項に記載の情報処理装置において、
   前記エラー情報及び前記稼働情報を、ネットワークを介して前記電子機器から収集する通信部を含むことを特徴とする情報処理装置。
8. 電子機器において発生したエラーを表すエラー情報と、前記電子機器の稼働状態を表す稼働情報と、前記エラーに対して実施された対処を表す対処情報と、を取得する取得部と、
   前記エラー情報と、前記稼働情報と、前記対処情報とを対応づけたデータセットに基づいて、前記エラー情報によって表される前記エラーに対して推奨される対処の条件を機械学習する学習部と、
   を含むことを特徴とする学習装置。
9. 電子機器において発生したエラーに対して推奨される対処を判定するための学習済モデルであって、
   入力層と中間層と出力層とを有し、
   前記エラーを表すエラー情報と、前記電子機器の稼働状態を表す稼働情報と、前記エラーに対して実施された前記対処を表す対処情報と、を対応づけたデータセットに基づき、前記入力層と前記中間層との間の第１重み付け係数及び前記中間層と前記出力層との間の第２重み付け係数を含む重み付け係数情報が設定されており、
   入力として前記エラー情報及び前記稼働情報を受け付け、少なくとも前記稼働情報を前記入力層に入力し、設定された前記重み付け係数情報に基づく演算を行い、前記出力層から、入力として受け付けた前記エラー情報によって表される前記エラーに対して推奨される前記対処を表すデータを出力するよう、コンピューターを機能させることを特徴とする学習済モデル。

Images