JP2022049896A - 情報処理システム、情報処理方法及び学習装置 - Google Patents

Abstract

【課題】 多様な要因に基づいて、ヘッドの交換時期や最適なメンテナンス方法を適切に判定することができる情報処理システム等の提供。【解決手段】 情報処理システム２００は、記憶部２１０と、受付部２２０と、処理部２３０と、を含む。記憶部２３０は、印刷ヘッド３０のノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッド３０の交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習した学習済モデル２１２を記憶する。受付部２２０は、ノズル面画像情報ＮＩを受け付ける。処理部２３０は、受け付けたノズル面画像情報ＮＩと学習済モデル２１２に基づいて、印刷ヘッド３０の交換要否情報を出力する。【選択図】 図１

Description

本発明は、情報処理システム、情報処理方法及び学習装置に関する。

印刷装置に搭載される印刷ヘッドのノズルプレートの表面状態が劣化することにより、印刷ヘッドに対して定期的なメンテナンスや、交換等の処置が必要になる。特許文献１には、パス回数に基づいて、印刷ヘッド等の部品交換時期や最適なメンテナンス方法等を予測する手法が開示されている。

特開２０１８－１３６７３６号公報

しかしながら、印刷ヘッド等の部品交換時期や最適なメンテナンス方法は、個々の情報に基づいて判断しても、十分な精度で予測することは困難である。特許文献１には、多様な要因に基づいて総合的に判断する手法については開示されていない。

本開示の一態様は、印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、前記印刷ヘッドの交換条件を機械学習した学習済モデルを記憶する記憶部と、前記ノズル面画像情報を受け付ける受付部と、受け付けた前記ノズル面画像情報と前記学習済モデルに基づいて、前記印刷ヘッドの前記交換要否情報を出力する処理部と、を含む情報処理システムに関係する。

本開示の他の態様は、印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、前記印刷ヘッドの交換条件を機械学習した学習済モデルを記憶し、前記ノズル面画像情報を受け付け、受け付けた前記ノズル面画像情報と前記学習済モデルに基づいて、前記印刷ヘッドの前記交換要否情報を出力する情報処理方法に関係する。

本開示の他の態様は、印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、前記印刷ヘッドの交換条件を機械学習した学習済モデルを記憶する記憶部と、前記ノズル面画像情報を取得する取得部と、取得した前記ノズル面画像情報と前記学習済モデルに基づいて、前記印刷ヘッドの前記交換要否情報を出力する処理部と、を含む学習装置に関係する。

情報処理システムの構成例を示すブロック図。 印刷装置の構成例を示すブロック図。 印刷装置の機械機構の例を説明する図。 印刷ヘッドの構成例を説明する図。 飛行曲がりを説明する図。 飛行曲がりを説明する別の図。 印刷装置と情報処理システムの対応関係を説明する図。 印刷装置と情報処理システムの対応関係を説明する別の図。 印刷装置と情報処理システムの対応関係を説明する別の図。 ニューラルネットワークを説明する図。 ニューラルネットワークの入力と出力の例を説明する図。 ノズル面画像情報の例を説明する図。 ノズル面画像情報の例を説明する別の図。 情報処理システムにおける処理例を説明するフローチャート。 学習装置における処理例を説明するフローチャート。 メンテナンス情報とインク情報の詳細について説明する図。 ニューラルネットワークの入力と出力の変形例を説明する図。

以下、本開示の好適な実施形態について詳細に説明する。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く、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．本実施形態の手法
図１は、本実施形態に係る情報処理システム２００の構成例を示すブロック図である。本実施形態に係る情報処理システム２００は、記憶部２１０と、受付部２２０と、処理部２３０と、を含む。また、記憶部２１０は学習済モデル２１２を記憶する。学習済モデル２１２は、図２や図３で後述する印刷装置１の印刷ヘッド３０の交換に関する情報を出力するプログラムモジュールであり、後述する機械学習が行われることにより生成または更新される。

印刷装置１の印刷ヘッド３０は高価であり、本来の使用可能時期よりも早く交換することは、コストの増大に繋がる。そのため、印刷ヘッド３０の寿命を的確に予測し、印刷ヘッド３０を最大限使用した上で、不具合が発生する前に印刷ヘッド３０を交換できることが望ましい。特許文献１には、印刷ヘッド３０のパス回数等をセンシングすることで、印刷ヘッド３０のメンテナンス時期や交換時期を予測する手法が開示されている。このようにすることで、例えば、後述するノズルプレートＮＰの面を定期的にクリーニングすることができるため、印刷品質を維持しつつ、ユーザーの負担を軽減することができるように思われる。

しかしながら、印刷ヘッド３０の交換時期は、個々のセンシングデータに基づいて判断しても、十分な精度で予測することはできない。印刷異常は、メンテナンスで回復する要因によって生じる場合と、メンテナンスを実行しても回復しない要因によって生じる場合が有るからである。例えば、図４で後述するノズルプレートＮＰの面の撥液膜３３８が劣化している場合、メンテナンスでインク等を除去しても、突発的に印刷異常が発生することが有る。そのため、印刷ヘッド３０の交換時期は、多様な要因に基づいて適切に判断する必要がある。

そこで、本実施形態の情報処理システム２００の記憶部２１０には、ノズルプレートＮＰの面の撮像画像情報であるノズル面画像情報ＮＩと、印刷ヘッド３０の交換条件を対応付けたデータセットに基づいて機械学習した学習済モデル２１２が記憶されている。なお、印刷ヘッド３０の交換条件とは、印刷ヘッド３０の交換要否と、印刷ヘッドの交換タイミングの両方を含む。また、詳細は後述するが、本実施形態における機械学習とは、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。つまり、本実施形態の学習済モデル２１２は、様々なノズル面画像情報ＮＩからなる入力データと、印刷ヘッド３０の様々な交換条件からなる正解ラベルとを対応づけたデータセットに基づいた教師あり学習によって生成されている。なお、本実施形態において、学習済モデル２１２は、図７～図９で後述する学習部４２０によって生成される。言い換えれば、本実施形態の情報処理システム２００は、印刷ヘッドのノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習した学習済モデル２１２を記憶する記憶部２１０を含む。

受付部２２０は、例えば訓練データを構成する入力データを他の装置から受け付ける通信インターフェースであるが、記憶部２１０から入力データを読み出すためのインターフェースであってもよい。具体的には、受付部２２０は、入力データとして後述するノズル面画像情報ＮＩをとして受け付ける。言い換えれば、本実施形態の情報処理システム２００は、ノズル面画像情報ＮＩを受け付ける受付部２２０を含む。

処理部２３０は、学習済モデル２１２に基づいて、受付部２２０が受け付けた入力データをもとに、後述する推論処理を行い、当該推論処理による結果を出力する。具体的には、処理部２３０は、受付部２２０が受け付けたノズル面画像情報ＮＩと、学習済モデル２１２に基づいて、印刷ヘッド３０の交換要否情報を出力する。言い換えれば、本実施形態の情報処理システム２００は、受け付けたノズル面画像情報ＮＩと学習済モデル２１２に基づいて、印刷ヘッド３０の交換要否情報を出力する処理部２３０を含む。なお、本実施形態の処理部２３０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、処理部２３０は、下記のプロセッサーにより実現されてもよい。本実施形態の処理部２３０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。メモリーは例えば記憶部２１０である。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（Central Processing Unit）、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、処理部２３０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。

以上のように、本実施形態の情報処理システム２００は、記憶部２１０と、受付部２２０と、処理部２３０と、を含む。また、記憶部２１０は、印刷ヘッドのノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習した学習済モデル２１２を記憶する。また、受付部２２０は、ノズル面画像情報ＮＩを受け付ける。また、処理部２３０は、受け付けたノズル面画像情報ＮＩと学習済モデル２１２に基づいて、印刷ヘッド３０の交換要否情報を出力する。このような構成を備えることにより、受付部２２０が新たなノズル面画像情報ＮＩを受け付ける場合、処理部２３０が当該学習済モデル２１２に基づいて推論処理を行い、交換要否情報を出力することができる。これにより、印刷ヘッド３０の交換時期や交換タイミング等について、適切な情報を得ることができる。そのため、印刷装置１の保全に必要な工数や費用を最小限にすることができることから、保全コストを削減することができる。

次に、図２と図３を用いて、本実施形態の情報処理システム２００を適用した印刷装置１の詳細について説明する。図２は、印刷装置１の構成例を示すブロック図であり、図３は、印刷装置１の機械機構の例を説明する図である。なお、印刷ヘッド３０等の一部の構成については、さらに図４～図６を用いて詳細を後述する。また、情報処理システム２００と印刷装置１との対応関係については図７～図９を用いて後述する。

印刷装置１は、図２に示すように、搬送ユニット１０と、キャリッジユニット２０と、印刷ヘッド３０と、駆動信号生成部４０と、インク吸引ユニット５０と、ワイピングユニット５５と、フラッシングユニット６０と、第１撮像ユニット７０と、第２撮像ユニット８０と、検出器群９０と、コントローラー１００と、を含む。印刷装置１は、印刷媒体ＰＭに向けてインクを吐出するものであり、コンピューターＣＰと通信可能に接続されている。コンピューターＣＰは、印刷装置１に画像を印刷させるため、その画像に応じた印刷データを印刷装置１に送信する。

印刷媒体ＰＭは、搬送ユニット１０によって所定の方向に搬送される。印刷媒体ＰＭは、例えば布であるが、用紙、フィルム、ＰＶＣ（polyvinyl chloride）等の種々の媒体であってもよい。また、ここでの用紙は、所定サイズの印刷用紙であってもよいし、連続紙であってもよい。以下の説明において、印刷媒体ＰＭが搬送される方向を、搬送方向と表記する。搬送方向は、図３における方向Ｄ１に対応する。搬送ユニット１０は、例えば、図３に示す搬送ローラー１２であるローラー１２Ａ，１２Ｂや、不図示の搬送モーター等を含む。なお、ローラーの数は２つに限られない。以下の説明においては、単に搬送ローラー１２と呼ぶ。搬送モーターは、搬送ローラー１２を回転させる。印刷媒体ＰＭは、搬送ローラー１２の回転によって、印刷処理を実行可能な領域である印刷エリアまで搬送される。印刷エリアとは、印刷ヘッド３０と対向可能な領域である。

コントローラー１００は、印刷装置１の制御を行うための制御ユニットである。コントローラー１００は、インターフェース部１０１と、プロセッサー１０２と、メモリー１０３と、ユニット制御回路１０４と、を含む。インターフェース部１０１は、外部装置であるコンピューターＣＰと印刷装置１との間でデータの送受信を行う。プロセッサー１０２は、印刷装置１全体の制御を行うための演算処理装置である。プロセッサー１０２は、例えばＣＰＵ（Central Processing Unit）である。メモリー１０３は、プロセッサー１０２のプログラムを格納する領域や作業領域等を確保するためのものである。プロセッサー１０２は、メモリー１０３に格納されているプログラムに従ったユニット制御回路１０４によって各ユニットを制御する。

印刷ヘッド３０は、キャリッジユニット２０に搭載される。キャリッジユニット２０は、例えば図３に示すように、ガイドレール２２に沿って印刷媒体ＰＭの幅方向である方向Ｄ２に沿って往復移動可能に支持されたキャリッジ２１と、不図示のキャリッジモーターとを有する。キャリッジモーターは、プロセッサー１０２からのキャリッジ制御信号に基づいて駆動される。キャリッジ２１は、このキャリッジモーターの駆動によって、印刷ヘッド３０と一体となって移動する。本実施形態の印刷装置１は、例えば図３に示すように、シリアルヘッド方式の印刷装置である。シリアルヘッド方式とは、印刷ヘッド３０をＤ２方向に往復させることによって印刷媒体ＰＭの幅分の印刷を行う方式である。なお方向Ｄ２は、主走査方向とも呼ぶことができる。印刷ヘッド３０は、複数のヘッドユニット３１を含む。各ヘッドユニット３１は、例えば方向Ｄ１に沿って配置される複数のノズルＮＺと、不図示のヘッド制御部を含む。以下、方向Ｄ１に沿って配置される複数のノズルＮＺをノズル列と表記する。また、ここでは、各ノズルＮＺの間隔は等しいものとする。

駆動信号生成部４０は、駆動信号を生成する。駆動信号が駆動素子であるピエゾ素子ＰＺＴに印加されると、ピエゾ素子ＰＺＴは伸縮し、各ノズルＮＺからインクが吐出される。ピエゾ素子ＰＺＴを含むヘッドユニット３１の詳細については図３を用いて後述する。ヘッド制御部は、プロセッサー１０２からのヘッド制御信号、及び駆動信号生成部４０からの駆動信号に基づいて、印刷媒体に対してノズルＮＺからインクを吐出する制御を行う。これにより、印刷媒体ＰＭ上に画像が形成される。

インク吸引ユニット５０は、印刷ヘッド３０のノズルＮＺから、ヘッド内のインクを吸引してヘッド外へ排出する。インク吸引ユニット５０は、不図示のキャップを印刷ヘッド３０のノズル面に密着させた状態で、不図示の吸引ポンプを動作させ、キャップの空間を負圧にすることによって、印刷ヘッド３０内のインクを、印刷ヘッド３０内に混入した気泡と共に吸引する。これにより、ノズルＮＺの吐出不良を回復できる。

ワイピングユニット５５は、印刷ヘッド３０のノズルプレートＮＰに付着した液滴を除去する。ワイピングユニット５５は、ゴムやエラストマー等の弾性部材より構成されるワイパーを、印刷ヘッド３０のノズルプレートＮＰに当接させることで、ワイピングを実現することができる。具体的には、例えば、図３のＡ１に示す位置であって、印刷媒体ＰＭが通る領域から退避した退避位置にキャリッジ２１を移動させ、当該退避位置にてワイパーの先端部が、印刷ヘッド３０のノズルプレートＮＰに当接して撓む。これにより、ワイピングユニット５５は、ノズルプレートＮＰに付着した液滴を取り除く。

また、ワイピングユニット５５は、図示は省略するが、例えば上記同様に図３のＡ１に示した退避位置において、布等から構成されるロール状のワイパーと、当該ワイパーが巻き付けられる第１巻き軸及び第２巻き軸を含むユニットを配置することで実現してもよい。第１巻き軸に巻き付けられたワイパーは、所与の送り手段によって第２巻き軸に送られる。その経路上において、ワイパーがノズルプレートＮＰに対して押圧されることによって、ノズルプレートＮＰに付着した液滴が除去される。なお、ワイピングユニット５５は、ノズルプレートＮＰに付着した紙粉等の異物を取り除くために用いられてもよい。その場合、当該異物により目詰まりしていたノズルＮＺから正常にインクを吐出させることが可能となる。

フラッシングユニット６０は、印刷ヘッド３０がフラッシング動作を行うことにより吐出されたインクを受けて貯留する。フラッシング動作とは、印刷する画像とは関係のない駆動信号を駆動素子に印加し、ノズルＮＺから強制的に連続してインク滴を吐出させる動作である。これにより、ヘッド内のインクが増粘、乾燥して、適正な量のインクが吐出されなくなることを抑制できるため、ノズルＮＺの吐出不良を回復できる。

第１撮像ユニット７０は、ノズルプレートＮＰの面を撮像する。第１撮像ユニット７０は、第１撮像部７１と、第１画像処理部７２を含む。例えば、前述のＡ１に示した退避位置に、ワイピングユニット５５とともに第１撮像部７１を配置し、キャリッジ２１を当該退避位置に移動させることで、第１撮像部７１が印刷ヘッド３０のノズルプレートＮＰの面と対向する。これにより、第１撮像ユニット７０がノズルプレートＮＰの面を撮像することを実現することができる。図２においては第１画像処理部７２とコントローラー１００をそれぞれ記載したが、第１画像処理部７２は、コントローラー１００によって実現されてもよい。

なお、第１撮像部７１は、不図示の発光部を含む。なお、発光部は複数種類の光源を含んでもよい。このようにすることで、光源を変更することができるので、ノズルプレートＮＰの面における異なる対象物を独立に強調して表示することができる。異なる対象物とは、例えば後述するインク残りＩＲ、撥液膜３３８、中間膜３３７等である。

第２撮像ユニット８０は、詳細は後述するが、印刷媒体ＰＭに形成された印刷画像の状態に基づいて吐出不良を検査する。ここでの印刷画像とは、例えば、図３に模式的に示すようなテストパターンＰＴである。第２撮像ユニット８０は、第２撮像部８１と、第２画像処理部８２を含む。例えば第２撮像ユニット８０は、インクが印刷媒体ＰＭに吐出された結果を撮像することによって吐出結果画像情報を取得する。なお、図２においては第２画像処理部８２とコントローラー１００をそれぞれ記載したが、第２画像処理部８２は、コントローラー１００によって実現されてもよい。

テストパターンＰＴは、例えば、図３に示すように、ノズル列の各ノズルＮＺから吐出されたドットパターンを、方向Ｄ２に沿って複数列形成したパターンであるが、罫線パターンであってもよい。なお、図３のテストパターンＰＴは模式的に説明するための例示であり、ノズルＮＺの数は５つとは限らず、ドットパターンの列の数は４つとは限らない。前述のように、各ノズル列のノズルＮＺは等間隔なので、ノズルＮＺの状態が正常であれば、テストパターンＰＴの方向Ｄ１における各ドットの間隔は等しくなる。しかし、あるノズルＮＺについて吐出異常が発生している場合は、例えば、当該ＮＺから吐出されるドットの位置がずれるため、Ａ２に示すようにドットの間隔が乱れたテストパターンＰＴが印刷される。吐出異常が発生する理由については後述する。なお、テストパターンＰＴは、吐出位置ずれの情報を含むため吐出結果情報とも呼ぶことがあり、詳細は後述する。

また、第２撮像ユニット８０は、キャリッジ２１に搭載される。このようにすれば、第２撮像部８１の画角が印刷媒体ＰＭの幅より狭い場合であっても、広い範囲の印刷結果を撮像できるとともに、テストパターンＰＴの撮像がリアルタイムに行われることから、調整時間を短縮化できるため、第２撮像部８１による撮像を効率よく行うことができる。

検出器群９０は、印刷装置１の稼働状況を監視するものであり、例えば温度センサー９１、湿度センサー９２を含む。検出器群９０は、気圧センサー、標高センサー、気泡センサー、ホコリセンサー、擦れセンサー等の不図示のセンサーを含んでもよい。また検出器群９０は、印刷媒体ＰＭの搬送などの制御に利用されるロータリー式エンコーダー、搬送される印刷媒体ＰＭの有無を検出する用紙検出センサー、キャリッジ２１の移動方向の位置を検出するためのリニア式エンコーダー等の構成を含んでもよい。

なお以上ではシリアルヘッド方式の印刷装置１について説明した。ただし本実施形態の印刷装置１は、印刷ヘッド３０が用紙幅をカバーするように設けられるラインヘッド方式の印刷装置であってもよい。

次に、図４を用いて、印刷ヘッド３０の構成例について詳細に説明する。図４は、印刷ヘッド３０に含まれるヘッドユニット３１の構成を説明する断面図である。ヘッドユニット３１は、ケース３２と、流路ユニット３３と、ピエゾ素子ユニット３４とを有する。なお図４においては、ピエゾ素子ＰＺＴを駆動するための配線等については省略している。また、図示は省略するが、１つのヘッドユニット３１は、例えば搬送方向に沿って、ブラックインクノズル列、シアンインクノズル列、マゼンタインクノズル列、及び、イエローインクノズル列を、その下面に有する。そして印刷ヘッド３０は、各ノズル列からそれぞれ対応する色のインクを印刷媒体ＰＭに向けて吐出する。また、１つのヘッドユニット３１が２以上のノズル列を含んでもよい。また、本実施形態に係る印刷ヘッド３０は、ある特定のインク色だけのノズル列を備えてもよい。また、キャリッジ２１に１つの印刷ヘッド３０が設けられる例を説明したが、キャリッジ２１に２以上の印刷ヘッド３０が設けられてもよい。種々の変形実施が可能である。その他、印刷ヘッド３０及びヘッドユニット３１は種々の構成が知られており、本実施形態においてはそれらを広く適用可能である。

ケース３２は、ピエゾ素子ＰＺＴなどを収容して固定するための部材であり、例えばエポキシ樹脂等の非導電性の樹脂材によって作製される。

流路ユニット３３は、流路形成基板３３ａと、ノズルプレートＮＰと、振動板３３ｃとを有する。流路形成基板３３ａにおける一方の表面にはノズルプレートＮＰが接合され、他方の表面には振動板３３ｃが接合されている。流路形成基板３３ａには、圧力室３３１、インク供給路３３２、及び、共通インク室３３３となる空部や溝が形成されている。この流路形成基板３３ａは、例えばシリコン基板によって作製されている。ノズルプレートＮＰには、複数のノズルＮＺからなる１又は複数のノズル列が設けられている。このノズルプレートＮＰは、導電性を有する板状の部材、例えば薄手の金属板によって作製されている。振動板３３ｃにおける各圧力室３３１に対応する部分にはダイヤフラム部３３４が設けられている。このダイヤフラム部３３４はピエゾ素子ＰＺＴによって変形し、圧力室３３１の容積を変化させる。なお、振動板３３ｃや接着層等が介在していることで、ピエゾ素子ＰＺＴとノズルプレートＮＰとは電気的に絶縁された状態になっている。

ピエゾ素子ユニット３４は、ピエゾ素子群３４１と、固定部材３４２とを有する。ピエゾ素子群３４１は櫛歯状をしている。そして、櫛歯の１つ１つがピエゾ素子ＰＺＴである。各ピエゾ素子ＰＺＴの先端面は、対応するダイヤフラム部３３４が有する島部３３５に接着される。固定部材３４２は、ピエゾ素子群３４１を支持するとともに、ケース３２に対する取り付け部となる。ピエゾ素子ＰＺＴは、電気機械変換素子の一例であり、駆動信号が印加されると長手方向に伸縮することによって、圧力室３３１内の液体に圧力変化を与える。圧力室３３１内のインクには、圧力室３３１の容積の変化に起因して圧力変化が生じる。この圧力変化を利用して、ノズルＮＺからインク滴を吐出させることができる。なお、電気機械変換素子としてのピエゾ素子ＰＺＴに代えて、印加される駆動信号に応じた気泡を発生させることによりインク滴を吐出させる構造にしてもよい。

また、ノズルプレートＮＰの面には、撥液膜３３８が形成される。これにより、インクがノズルプレートＮＰの面に濡れることなくはじかれるので、後述するワイピングによって容易にインクを除去することができる。撥液膜３３８は、SCA（Silane coupling agent）膜を成膜し、乾燥処理やアニール処理等を経て形性することで、５ｎｍ～３０ｎｍ程度の薄膜である撥液膜３３８の形成を実現できる。なお、ノズルプレートＮＰの表面と撥液膜３３８の密着性が低い場合は、図４に示すように、ノズルプレートＮＰの面と撥液膜３３８の両方と密着性が高い中間膜３３７を形成してもよい。ここでは、中間膜３３７が存在するものとする。

しかし、所定の場合において、前述の撥液膜３３８は劣化することがある。所定の場合とは、具体的には、固い樹脂粒子を含むインクをワイピングする場合や、表面が粗いワイパーを使用してワイピングする場合である。固い樹脂粒子とは、例えば、後述するカーボンブラックや、酸化チタンである。撥液膜３３８は劣化するとは、具体的には、撥液膜３３８が上記の粒子により削られ消失することをいう。

そして、撥液膜３３８が劣化した箇所はインクがはじかれなくため、ノズルプレートＮＰの面にはインクが大量に付着しやすくなる。そのため、前述のワイピングを行ったとしても、インク残りが発生するようになる。特に、ノズル口付近の撥液膜３３８が劣化すると、ノズル口付近にインク残りが発生する。これにより、詳細は後述するが、飛行曲がりが発生する可能性が高くなる。

なお、具体的な図示は省略するが、ノズルプレートＮＰの面に、撮像の補正を行うための所定パターンを形成してもよい。具体的には、ノズルプレートＮＰの面に所定の凹凸パターンを形成することや、撥液膜３３８と色調が異なるパターンを形成すること等により、所定パターンの形成を実現することができる。このようにすることで、前述の第１撮像部７１でノズルプレートＮＰの面を撮像するにあたり、後述するノズル面画像情報ＮＩを正確に取得することができる。なお、撮像の補正とは、具体的には、歪み補正や回転補正等であるが、他の補正であってもよい。また、歪み補正とは、台形状に表示される撮像画像を長方形状又は正方形状に補正することである。また、撮像画像が台形状に表示される要因は、例えば、第１撮像部７１がノズルプレートＮＰの面に対して傾いていること等である。

次に、図５と図６を用いて、インク残りと飛行曲がりの関係について説明する。図５は比較例として、ノズルプレートＮＰの面が正常な場合におけるインク突出の様子を模式的に示す図である。なお、図５において、ノズルプレートＮＰの面における中間膜３３７と撥液膜３３８は省略する。図６についても同様である。図５において、Ｄ３方向に平行な方向がインクの設計上の吐出方向である。以下、インクの液面形状をメニスカスと表記する。図５のＢ１とＢ２に示すように、ピエゾ素子ＰＺＴが駆動されることによって、メニスカスが吐出方向と逆方向に引かれ、その後メニスカスが元に戻ろうとする勢いでインクが噴射される。このとき、ノズルから噴射された液滴は一定の速度を有するため、飛翔中に引き伸ばされる。そのため、Ｂ３やＢ４に示すように、先頭のメイン液滴Ｍと、それよりも後に発生する第１サテライト液滴Ｓ１と、当該第１サテライト液滴Ｓ１より更に微小な第２サテライト液滴Ｓ２に分離する。なお、図５の比較例では、メイン液滴Ｍと、第１サテライト液滴Ｓ１と、第２サテライト液滴Ｓ２はいずれもＤ３方向に沿って飛ぶことから、印刷媒体ＰＭの同じ位置に着弾するため、見かけ上の印刷に問題は生じないものとする。

一方、図６のＣ１に示すように、インク残りＩＲがノズルＮＺの近傍に存在する場合、インク残りＩＲに引き寄せられる影響により、メニスカスが曲がる現象が発生する。ここでのメニスカスが曲がる現象とは、メニスカスを放物線と近似した場合、当該放物線の対称軸Ｙの方向が、前述の方向Ｄ３と平行ではなくなる現象をいう。そのため、Ｃ２とＣ３に示すように、メイン液滴Ｍや第１サテライト液滴Ｓ１は、方向Ｄ３と異なる方向Ｄ４に向かって噴射される。さらに、Ｃ４に示すように、第２サテライト液滴Ｓ２は、インク残りＩＲに引き寄せられる影響を受けて、方向Ｄ４と異なる方向Ｄ５に向かって飛行する。このような違いが生じるのは、第２サテライト液滴Ｓ２は、メイン液滴Ｍや第１サテライト液滴Ｓ１よりも液滴の大きさが小さく、メイン液滴Ｍや第１サテライト液滴Ｓ１よりも噴射の勢いが弱いからである。

このように、撥液膜３３８が劣化することにより、飛行曲がりが生じるため、印刷品質が低下する。また、撥液膜３３８が劣化した場合、メンテナンス作業で劣化した撥液膜３３８を回復させることは出来ないため、ヘッドユニット３１を交換することになる。したがって、ヘッドユニット３１の適切な交換時期を把握することが求められる。例えば、特許文献１の手法を適用することで、ヘッドユニット３１の使用頻度からヘッドユニット３１の交換時期を予測可能になると思われる。

しかし、ヘッドユニット３１の交換タイミングは、他の様々な要因を考慮する必要がある。所定の定期メンテナンスだけで十分回復する不具合も有るが、前述した撥液膜３３８の劣化は、単純にワイピング回数に比例するとは限らない。そのため、使用頻度から予測したヘッドユニット３１の交換時期においても、撥液膜３３８は十分使用可能な状態である場合も考えられる。

また、飛行曲がりの原因は、前述の撥液膜３３８の劣化以外の要因も考えられる。撥液膜３３８の劣化以外の要因とは、例えば、ノズル付近への異物付着である。ノズル付近への異物付着による要因の場合、定期メンテナンスを実施することで当該異物を除去さえ出来れば印刷品質を回復させることができるので、飛行曲がりが再発することは想定されない。しかし、撥液膜３３８の劣化による要因の場合、仮に定期メンテナンスによってノズルプレートＮＰの面を完全に清浄できたとしても、再度の印刷途中のインク突出に伴い突発的に飛行曲がりが再発する可能性が高い。なお、以降の説明においても、撥液膜３３８の劣化以外の要因では、突発的に飛行曲がりは発生しないものとする。

このように、単純に使用状況やメンテナンスの実施回数等から、定期的な交換時期を予測して設定することは、適切に交換時期を把握することは出来ない。交換時期が早すぎると、保全工数やコストが増大し、交換時期が遅すぎると、印刷物の生産中に印刷不良が多発するという問題が有る。

そこで、前述のように、本実施形態の情報処理システム２００は、記憶部２１０と、受付部２２０と、処理部２３０と、を含む。また、記憶部２１０は、印刷ヘッドのノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習した学習済モデル２１２を記憶する。また、受付部２２０は、ノズル面画像情報ＮＩを受け付ける。また、処理部２３０は、受け付けたノズル面画像情報ＮＩと学習済モデル２１２に基づいて、印刷ヘッド３０の交換要否情報を出力する。

なお、本実施形態の情報処理システム２００が行う処理は、情報処理方法として実現されてもよい。言い換えれば、本実施形態の情報処理方法は、学習済モデル２１２を記憶し、ノズル面画像情報ＮＩを受け付け、受け付けたノズル面画像情報ＮＩと学習済モデル２１２に基づいて、印刷ヘッドの交換要否情報を出力する。また、学習済モデル２１２は、印刷ヘッド３０のノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習する。

このようにすることで、ノズルプレートＮＰの撥液膜３３８の劣化状況の推移を適切に把握することができる。そのため、高価なヘッドユニット３１の適正なタイミングで交換することができる。それにより、保全計画を適正化できるため、保全コストの削減や印刷装置の稼働率を上げることができる。

次に、情報処理システム２００と、印刷装置１との対応関係について、図７～図９を用いて説明する。また、記憶部２１０に記憶された学習済モデル２１２は学習部４２０によって生成されるが、その関係についても併せて説明する。

本実施形態の手法は、様々な実施形態に適用することができる。例えば、図７のブロック図が示す構成例は、印刷装置１の外部に学習装置４００が存在し、情報処理システム２００が印刷装置１に対応する。この場合、情報処理システム２００の記憶部２１０は、印刷装置１のメモリー１０３に対応する。また、受付部２２０は、メモリー１０３に蓄積されたノズル面画像情報ＮＩ等を読み出す、不図示のインターフェースに対応するが、インターフェース部１０１に対応してもよい。また、処理部２３０は、印刷装置１のコントローラー１００に対応する。なお、より具体的に、処理部２３０は、印刷装置１のプロセッサー１０２に対応すると言うこともできる。学習装置４００は、例えば、印刷装置１とネットワークを介して接続される外部機器に対応するが、単独に存在する外部機器に対応してもよい。なお、ここでの外部機器は、例えばサーバーシステムに含まれるが、クラウドコンピューティングに含まれてもよい。そして、学習済モデル２１２は、情報処理システム２００の外部に存在する学習装置４００の学習部４２０が生成し、情報処理システム２００の記憶部２１０は、所定の手段で学習装置４００から学習済モデル２１２を受信できるようになっている。所定の手段とは、例えば無線ネットワークであるが、有線ネットワークであってもよく、所定の記憶媒体であってもよい。ここでのネットワークはイントラネット等のプライベートネットワークであってもよいし、インターネット等の公衆通信網であってもよい。これにより、記憶部２１０に学習済モデル２１２を記憶することを実現できる。

ただし、図７の構成例の場合、処理部２３０は、後述の推論処理を実行することはできるが、後述の学習処理を実行することはできない。つまり、印刷装置１のみで学習済モデル２１２を更新することはできない。そこで、図７に示すように、処理部２３０は、ノズル面画像情報ＮＩと交換要否情報とを対応付けたデータセットを学習装置４００の取得部４１０に送信する処理を行うようにしてもよい。このようにすることで、学習部４２０が後述の学習処理によって学習済モデル２１２が更新された場合、学習部４２０から記憶部２１０に更新済の学習済モデル２１２を送信し、記憶部２１０が学習済モデル２１２を上書きする処理を行うことで、印刷装置１における学習済モデル２１２の更新を実現できる。なお、学習済モデル２１２が既存のものでかつ完成度が高い場合は、必ずしも更新を必要としない。この場合、例えば同一の印刷装置１を追加導入するにあたり、予め学習済モデル２１２を記憶部２１０に記憶させておくことで、学習装置４００と接続しない情報処理システム２００を構築することもできる。

ここで、図７の学習装置４００について詳細に説明する。前述のように、学習装置４００は、取得部４１０と、前述の学習部４２０を含む。取得部４１０は、学習に用いられる訓練データを取得し、学習部４２０は、当該訓練データに基づいて機械学習を行う。

取得部４１０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４１０は、学習装置４００が保持する訓練データを取得してもよい。つまり、学習装置４００は不図示の記憶部を含み、取得部４１０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として機能する。また、ここでの学習は、前述のように、例えば教師あり学習である。

学習部４２０は、取得部４１０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２１２を生成する。なお、本実施形態の学習部４２０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４２０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４００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４００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。例えば、メモリーは学習アルゴリズムを規定するプログラムを記憶し、プロセッサーは当該学習アルゴリズムに従って動作することによって、学習処理を実行する。

より具体的には、取得部４１０は、印刷ヘッド３０のノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッド３０の交換要否又は印刷ヘッド３０の交換タイミングを表す交換要否情報とを対応付けたデータセットを取得する。学習部４２０は、取得したデータセットに基づいて、印刷ヘッド３０の交換要否を機械学習する。言い換えれば、本実施形態の学習装置４００は、印刷ヘッド３０のノズル面を撮影したノズル面画像情報ＮＩと、印刷ヘッド３０の交換要否又は印刷ヘッド３０の交換タイミングを表す交換要否情報とを対応付けたデータセットを取得する取得部４１０と、取得したデータセットに基づいて、印刷ヘッド３０の交換要否を機械学習する学習部４２０と、を含む。

このようにすることで、ノズルプレートＮＰの撥液膜３３８の劣化状況の推移を適切に把握する学習済モデル２１２を出力することができる。これにより、当該学習済モデル２１２を情報処理システム２００に適用することで、印刷装置１のヘッドユニット３１を、適正なタイミングで交換することができる。それにより、保全計画を適正化できるため、保全コストの削減や印刷装置の稼働率を上げることができる。

また、前述のように、本実施形態の手法は、図７に示した構成例に限定するものではなく、種々の変形実施が可能である。例えば、図８のブロック図に示すように、前述の取得部４１０及び学習部４２０が情報処理システム２００に含まれ、情報処理システム２００が印刷装置１に対応する構成例にしてもよい。なお、図７と同様の点については説明を省略する。この場合、学習部４２０は印刷装置１のコントローラー１００に対応する。なお、図示は省略するが、印刷装置１に複数のコントローラー１００を含ませ、学習部４２０はコントローラー１００Ａに対応し、処理部２３０はコントローラー１００Ｂに対応するようにしてもよい。取得部４１０は、受付部２２０と同様に、メモリー１０３に蓄積されたノズル面画像情報ＮＩ等を読み出す、不図示のインターフェースに対応するが、インターフェース部１０１に対応してもよい。

また、図８は、記憶部２１０、受付部２２０、処理部２３０、取得部４１０、学習部４２０がいずれも印刷装置１に含まれる構成例であるが、例えば、図９のブロック図に示すように、これらがいずれも印刷装置１の外部に存在する情報処理システム２００に対応する構成例にしてもよい。この場合、図９に示すように、印刷装置１からノズル面画像情報ＮＩ等のデータを情報処理システム２００の受付部２２０に送信し、当該ノズル面画像情報等をもとに、処理部２３０が後述する推論処理を行い、交換要否情報を印刷装置１に送信することで、印刷装置１側において、印刷ヘッド３０の交換要否情報を把握することができる。

また、図示は省略するが、本実施形態の手法を、図７～図９で説明した構成例以外の構成例に適用してもよい。つまり、ユーザーは、記憶部２１０、受付部２２０、処理部２３０、取得部４１０及び学習部４２０を、印刷装置１または外部システムのいずれかへ任意に割り当てることができる。なお、以下の説明においては、図７に基づいて情報処理システム２００と学習装置４００と印刷装置１が構成されているものとする。

次に、本実施形態における、機械学習を用いた処理の詳細について説明する。本実施形態における機械学習とは、例えば、ニューラルネットワークを用いた機械学習である。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ｗ１ｐｑと表現した場合、図１０のＷ１は、ｗ１１１～ｗ１３４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。

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。正しい出力は正解ラベルである。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。なお、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）等の学習手法が種々知られている。本実施形態においては、それらの学習手法を広く適用可能であるため、詳細な説明は省略する。ニューラルネットワークを用いる場合の学習アルゴリズムとは、例えば上式（１）等の演算を行って順方向結果を取得する処理、及び、誤差逆伝播法を用いて重み付け係数情報を更新する処理の両方を行うアルゴリズムである。

また、ニューラルネットワークは、図１０に示した構成には限定されない。例えば本実施形態の学習処理、及び後述する推論処理において、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）が用いられてもよい。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においては、誤差逆伝播法等を用いた学習処理を行うことによって、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。ＣＮＮは、ノズルプレート画像に基づく情報、又は、吐出結果画像情報として２次元画像データを用いる場合等に好適である。

なお、以上では学習済モデル２１２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。

図１１は、本実施形態の手法を適用したニューラルネットワークの入出力の例を説明する図である。なお、図１１において、ニューラルネットワークをＮＮと省略して表記する。後述する図１６も同様である。ニューラルネットワークは、ノズル面画像情報ＮＩを入力として受け付け、交換要否情報を出力データとして出力する。上述したように、ノズル面画像情報ＮＩは、第１撮像ユニット７０によって撮像された画像情報である。交換要否情報は、例えば印刷ヘッド３０の交換に関するＮ通りの情報のうちのいずれか１つを特定する情報である。Ｎは２以上の整数である。印刷ヘッド３０の交換に関するＮ通りの情報とは、印刷ヘッド３０の交換要否又は印刷ヘッド３０の交換タイミングに関する情報である。より具体的には、図１１に示すように、直ちに印刷ヘッド３０の交換を推奨することを示す情報と、印刷ヘッド３０の交換不要を推奨することを示す情報の他、印刷ヘッド３０の交換の推奨に関するタイミングを示す情報である。なお、印刷ヘッド３０の交換の推奨に関するタイミングは、図１１に示すように３日以内、１週間以内及び１ケ月以内の３通りに限られない。ニューラルネットワークの出力層が広く知られたソフトマックス層である場合、交換要否情報とは、Ｎ個の出力の合計値が１となる確率データである。

例えば学習段階では、印刷装置１を所定の稼働を行いつつ、ノズル面画像情報ＮＩを蓄積する。ここでの所定の稼働とは、出荷前のテスト動作、試作品製造時における稼働等を含む。例えば、印刷装置１を稼働させ続け、印刷ヘッド３０の交換に最適な特定タイミングを判断する。そして、稼働開始時から当該特定タイミングまでの間に取得したノズル面画像情報ＮＩを、当該ノズル面画像情報ＮＩの取得タイミングをもとに、正解ラベルである交換要否情報のうちの１つと対応づける。例えば図１１の場合、或るノズル面画像情報ＮＩの取得タイミングが当該特定タイミングから２日前であれば、当該ノズル面画像情報ＮＩを、直ちに印刷ヘッドの交換を推奨することを示す情報に対応づける。また、別のノズル面画像情報ＮＩの取得タイミングが、当該特定タイミングから５日前であれば、当該ノズル面画像情報ＮＩを３日以内に印刷ヘッドの交換を推奨することを示す情報に対応づける。なお、印刷装置１の１日あたりの平均稼働時間のデータを、別途入力データとして入力可能にし、当該平均稼働時間データを変更することで、ノズル面画像情報ＮＩと交換要否情報の対応づけを変更できるようにしてもよい。以降の説明においては、１日あたりの稼働時間は一定であるものとする。また、ここでの学習段階においては、印刷ヘッド３０の最適な交換タイミングが判断できるまでの間に印刷不良が発生する場合が有るが、ここでは訓練データを生成する目的であるため、印刷不良の未然防止については考慮しないものとする。

次に、ノズル面画像情報ＮＩについて説明する。ノズル面画像情報ＮＩとは、前述のように第１撮像部７１によって撮像されたノズルプレートＮＰの面の画像をもとにした画像による情報である。言い換えれば、ノズル面画像情報ＮＩは印刷ヘッド３０のノズルプレート面を撮影した画像である。このようにすることで、ノズルプレートＮＰの面の状態を撮像データの形式で取得できることから、ノズルプレートＮＰの面の状態について機械学習を行うことができる。

より具体的には、ノズル面画像情報ＮＩに基づいて、ノズルプレートＮＰの面におけるインク残り量を判定することができる。例えば図１２に示すように、ノズルプレートＮＰの面を撮像すると、インク残りＩＲが確認できる。そして、図１２に示すような画像データに所定の画像処理を行うことで、インク残り量を把握することが実現できる。なお、所定の画像処理とは、例えば、ノズルプレートＮＰの面の画像面積に対してインク残りＩＲの部分の面積を演算する処理や、インク残りＩＲの部分の色の濃淡を演算する処理等であるが、他の処理であってもよい。

このように、インク残り量を入力データとし、交換要否情報を出力データとするデータセットとして、学習部４２０による機械学習を行い、学習済モデル２１２が生成され、当該学習済モデル２１２が記憶部２１０に記憶される。そして、実際の印刷装置１の稼働において、処理部２３０は、インク残り量と学習済モデル２１２に基づいて、後述する推論処理を行い、交換要否情報を出力する。言い換えれば、処理部２３０は、ノズル面画像情報に基づいて、ノズルプレート面のインク残り量を判定し、インク残り量と学習済モデルに基づいて、交換要否情報を出力する。このようにすることで、ノズルプレートＮＰの面の状態をより定量化したデータをもとに機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

例えば、印刷ヘッド３０のノズルプレートＮＰの面を、新規導入時から交換時までの間、所定のタイミング毎に撮像することでノズル面画像情報ＮＩを蓄積し、取得部４１０は、それぞれのノズル面画像情報ＮＩを取得する。学習部４２０は、取得したノズル面画像情報ＮＩを分類し、交換要否情報の１つと関連づける。なお、ここでの所定のタイミングは、例えば、定期メンテナンスにおけるワイピングを行う直前のタイミングであるが、他のタイミングであってもよい。また、インク残り量のデータからなる訓練データの他に、例えば、インク残りＩＲの位置情報等に基づく訓練データを用いて機械学習を行ってもよい。例えば、図１２に示すように、ノズルＮＺの縁周辺にインク残りＩＲが存在するノズル面画像情報ＮＩや、ノズルＮＺ同士の間にインク残りＩＲが存在するノズル面画像情報ＮＩは、飛行曲がりを誘発する可能性が高くなることを考慮して重み付け係数を学習してもよい。

また、ノズル面画像情報ＮＩに基づいて、ノズルプレートＮＰの面における撥液膜削れ量を判定してもよい。撥液膜削れ量を入力データとし、交換要否情報を出力データとするデータセットとして、学習部４２０による機械学習を行い、学習済モデル２１２が生成され、当該学習済モデル２１２が記憶部２１０に記憶される。そして、実際の印刷装置１の稼働において、処理部２３０は、撥液膜削れ量と学習済モデル２１２に基づいて、後述する推論処理を行い、交換要否情報を出力する。言い換えれば、処理部２３０は、ノズル面画像情報ＮＩに基づいて、ノズルプレート面の撥液膜削れ量を判定し、撥液膜削れ量と学習済モデル２１２に基づいて、交換要否情報を出力する。

例えば、印刷品質の劣化が確認されると、図３に示したテストパターンＰＴを印刷し、ノズルＮＺの着弾位置ズレを検査して、メンテナンスを実施する。ノズルＮＺ付近に異物付着やミスト付着が発生していた場合は、メンテナンスで印刷品質を回復することが可能である。しかし、図４で前述した撥液膜３３８が劣化した場合、メンテナンス実行後の印刷途中で、飛行曲がりが発生しやすくなる。また、撥液膜３３８の劣化が激しいほど、飛行曲がりの発生頻度が高くなる。例えば、所定のタイミングにおいて、所定の撮像条件に基づいてノズルプレートＮＰの面を撮像すると、図１３に示すように、撥液膜３３８の画像と、撥液膜３３８が消失して中間膜３３７が露呈している画像を含むノズル面画像情報ＮＩを取得することができる。なお、ここでの所定のタイミングとは、例えば、定期メンテナンスにおけるワイピングを行った直後のタイミングであるが、他のタイミングであってもよい。また、図１３に示すノズル面画像情報ＮＩにおいて、ワイピング後のインク残りは無いものとする。撥液膜３３８が劣化した箇所は、印刷中に吐出したインクがはじかれないので、図１２に示すように当該劣化の有る箇所に対応してインク残りＩＲが発生し、図６で前述したメニスカスへの影響が生じる。このように、撥液膜削れ量は、ノズルプレートＮＰの面の状態に対して相応に寄与している。

そして、図１３に示すノズル面画像情報ＮＩについて、撥液膜３３８又は中間膜３３７の面積を演算する画像処理等を行うことにより、撥液膜削れ量を定量データとして扱うことが実現できる。そして、インク残りＩＲの場合と同様に、取得部４１０は、撥液膜削れ量の面積と、印刷ヘッド３０の交換までの期間を関連付けるデータセットを取得し、学習部４２０は当該データセットを訓練データとして機械学習し、学習済モデル２１２を生成する。また、訓練データは、これに限られず、例えば、撥液膜３３８の劣化した位置等の特徴を用いた訓練データとしてもよい。例えば、ノズルＮＺに近い位置に撥液膜３３８の劣化が見られるノズル面画像情報ＮＩや、ノズルＮＺを跨ぐよう撥液膜３３８の劣化が見られるノズル面画像情報ＮＩは、飛行曲がりを誘発する可能性が高い入力データとなり得ることを考慮して、重み付けを学習するようにしてもよい。

なお、図１２に示すインク残りＩＲを撮像したノズル面画像情報ＮＩと、図１３に示す撥液膜３３８の劣化を撮像したノズル面画像情報ＮＩの両方を入力データにしてもよい。例えば、所定のワイピングの直前に撮像したノズル面画像情報ＮＩからは、インク残りＩＲの面積割合が高いデータを取得したが、当該所定のワイピングの直後に撮像したノズル面画像情報ＮＩからは、撥液膜３３８の劣化の面積割合が小さいデータを取得した場合が有ったとする。この場合、撥液膜３３８の劣化以外の要因でインク残りＩＲの面積割合が高いことが推測されるため、メンテナンスの実行でノズルプレートＮＰの面の状態が回復する可能性が高いことから、印刷ヘッド３０の交換時期は早くないものと考えられる。このような事情を考慮して機械学習をすることで、より精度の高い学習済モデル２１２を生成することができる。

このようにすることで、撥液膜３３８の劣化という観点からノズルプレートＮＰの面の状態をより正確に把握したデータをもとに機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

なお、前述したように、キャリッジ２１を、図３のＡ１に示す退避位置に移動させることで、第１撮像部７１がノズルプレートＮＰの面と対向することから、第１撮像部７１はノズルプレートＮＰの面を撮像することができるので、ノズル面画像情報ＮＩの取得を実現することができる。言い換えれば、ノズル面画像情報ＮＩは、ノズルプレート面と対向する位置に取り付けられた第１撮像部７１によって取得される。このようにすることで、印刷装置１の機構内部においてノズル面画像情報ＮＩを取得できるので、効率的に入力データを取得できるともに、交換要否情報をより高い精度で推測することができる。

次に、図１４のフローチャートを用いて、情報処理システム２００が行う処理例を説明するとともに、本実施形態における推論処理について説明する。なお、本実施形態の推論処理は、図１４の処理例に限定されず、種々の変形実施が可能である。情報処理システム２００の処理部２３０は、所定のタイミングであるか否かについて判定し（ステップＳ１０１）、所定のタイミングであると判定した場合（ステップＳ１０１でＹｅｓ）に、ステップＳ１０２以降の処理を行う。所定のタイミングとは、図１２や図１３の説明で前述したタイミングであるが、他に、印刷装置１に突発的な不具合が発生し、印刷ヘッド３０の確認を行うタイミングであってもよく、ユーザー等が任意に設定できる。なお、印刷装置１を試験的に動作させているときに飛行曲がり等の印刷不良が発生したタイミングを、所定のタイミングとしてもよい。

次に、処理部２３０は、所定のタイミングであると判定した場合（ステップＳ１０１でＹｅｓ）、受付部２２０がノズル面画像情報受付処理（ステップＳ１０２）を実行する。具体的には、印刷ヘッド３０の交換要否の対象となるノズル面画像情報ＮＩを受け付ける。なお、当該ノズル面画像情報ＮＩは、予め第１撮像部７１によって撮像され、所定のメモリーに記憶されている。また、所定のメモリーとは、例えば記憶部２１０であるが、第１撮像ユニット７０内に存在する不図示のメモリー等、他のメモリーであってもよい。また、ステップＳ１０２の処理に、第１撮像部７１によりノズルプレートＮＰの面を撮像する処理を追加することで、リアルタイムにノズル面画像情報ＮＩを受け付けるようにしてもよい。

次に、処理部２３０は、学習済モデル２１２に基づく推論処理（ステップＳ１０３）を実行する。具体的には、処理部２３０は、例えば受け付けたノズル面画像情報ＮＩと、記憶部２１０に記憶された学習済モデル２１２とに基づいて、推奨される交換要否情報を推定する処理を行う。図１１に示すニューラルネットワークを用いる場合、ステップＳ１０３における処理は、「直ちに印刷ヘッドを交換」、「３日以内に印刷ヘッドを交換」、「１週間以内に印刷ヘッドを交換」、「１ヶ月以内に印刷ヘッドを交換」「印刷ヘッドの交換不要」のそれぞれを表す５つの確率データを求め、そのうちの最大値を特定する処理である。

次に処理部２３０は、推論結果報知処理（Ｓ１０４）を実行する。具体的には、例えば、処理部２３０は、印刷装置１に設けられた不図示の表示部に、印刷ヘッド３０の交換要否情報を表示する処理を行う。なお、図示は省略するが、印刷装置１と接続可能な外部装置の表示部に交換要否情報を表示してもよい。また、図示は省略するが、印刷装置１に所定の発光部を設け、発光態様に応じて交換要否情報を表示してもよい。例えば、印刷ヘッド３０が交換不要の場合は青色のランプを発光してもよいし、印刷ヘッド３０を直ちに交換することを推奨する場合は、赤色のランプを発光してもよい。また、当該発光部の発光態様に応じて、印刷ヘッド３０の交換タイミングについて報知するようにしてもよい。例えば、１ケ月後に印刷ヘッド３０の交換を推奨する場合は、黄色のランプを１箇所発光させ、１週間以内に印刷ヘッド３０の交換を推奨する場合は、黄色のランプを３箇所発光させることで報知してもよい。このようにすることで、印刷ヘッド３０の交換タイミングを容易に判断することができる。

次に、図１５のフローチャートを用いて、学習装置４００が行う具体的な処理例について説明する。この処理が開始されると、取得部４１０は、ノズル面画像情報取得処理（ステップＳ２０１）と、交換要否情報取得処理（ステップＳ２０２）を行う。つまり、取得部４１０は、ノズル面画像情報ＮＩと交換要否情報とが対応付けられた１つのデータセットを取得する。

次に、学習部４２０は具体的な学習処理（ステップＳ２０３）を実行する。学習部４２０は、ノズル面画像情報ＮＩと交換要否情報をニューラルネットワークに入力し、そのときの重み付け係数情報を用いて順方向の演算を行うことによって出力を求める。出力は、例えば上述したように合計が１となるＮ個の数値データである。学習部４２０は、当該出力と交換要否情報とに基づいて誤差関数を求める。誤差関数は、例えば出力であるＮ個の数値と、交換要否情報であるＮ個の数値の差分絶対値和である。ただし誤差関数の演算手法はこれに限定されず、種々の変形実施が可能である。さらにステップＳ２０３において、学習部４２０は、誤差関数を小さくするように重み付け係数情報を更新する。この処理は、上述したように誤差逆伝播法を適用可能である。ステップＳ２０１～Ｓ２０３が１つのデータセットに基づく処理である。

次に、学習部４２０は、学習処理が終了するか否かについて判定（ステップＳ２０４）を行い、学習処理が終了する場合（ステップＳ２０４でＹｅｓ）、図１５のフローは終了し、学習装置４００は、前述の手段によって、学習結果である学習済モデル２１２を情報処理システム２００に出力し、学習済モデル２１２は記憶部２１０に記憶される。なお、学習処理が終了する場合とは、例えば、学習部４２０が、所定数以上のデータセットに基づいて処理を行った場合、或いは検証データに基づく正解率が所定値以上である場合であるが、他の場合であってもよい。また、検証データとは、機械学習用に収集されたデータセットのうちの一部であって、重み付け係数情報の更新処理に用いられないデータセットを表す。検証データは正解データである交換要否情報が対応付けられたデータであるため、ニューラルネットワークによる推論が正しいか否かの検証に利用可能である。

一方、学習処理が終了しない（ステップＳ２０４でＮｏ）場合、学習部４２０はステップＳ２０１に戻って処理を継続する。具体的には、取得部４１０は次のデータセットを読み出し、学習部４２０は当該データセットを用いて重み付け係数情報を更新する。なお図１５は学習処理の流れの一例であり、具体的な処理はこれに限定されない。例えば、機械学習においてはバッチ学習やミニバッチ学習等の手法が知られており、本実施形態ではこれらの手法を広く適用可能である。

学習済モデル２１２の更新の具体的な方法として、例えば、推論処理によって出力された交換要否情報に従って印刷ヘッド３０を交換したときに、ノズルプレートＮＰの面を確認する。そして、推測した程度にノズルプレートＮＰの面の劣化が確認できなかった場合、交換までの期間を長くするように、学習済モデル２１２を更新する。同様に、推論処理によって出力された交換要否情報よりも早期に印刷不良が多発し、ノズルプレートＮＰの面の劣化が推測した以上に進行していたことを確認できた場合、交換までの期間を短くするように、学習済モデル２１２を更新する。また、上述の処理例は、図７の学習装置４００による処理例であるが、図８に示す印刷装置１によって行われるようにしてもよい。また、図８の印刷装置１によって更新された学習済モデル２１２を、新たに設置された印刷装置１にインストールできるようにしてもよい。例えば、印刷装置１同士をネットワーク接続することで、学習済モデル２１２のインストールを実現できるが、所定の記憶媒体を介して学習済モデル２１２のインストールを実現してもよい。このようにすることで、同一機種の新たな印刷装置１を設置した時点で最新の学習済モデル２１２を使用できるので、適切な推論結果を得ることができる。

２．変形例
以上の説明においては、ノズル面画像情報ＮＩと交換要否情報を対応付けたデータセットに基づく機械学習について説明したが、本実施形態の手法はこれに限定されず、種々の変形実施が可能である。例えば、前述のノズル面画像情報ＮＩと吐出結果情報を入力データとするデータセットに基づく機械学習を行ってもよい。ここでの吐出結果情報とは、図３で前述したテストパターンＰＴを第２撮像部８１で撮像した画像データであり、前述のように、吐出結果情報からインク吐出位置のずれ量を把握することができる。つまり、学習部４２０は、ノズル面画像情報ＮＩと吐出結果情報を入力データとし、交換要否情報を正解データとする機械学習に基づく学習済モデル２１２を生成することで、吐出結果情報を考慮した機械学習を実現することができる。言い換えれば、学習済モデル２１２は、ノズル面画像情報ＮＩと、交換要否情報と、インク吐出位置のずれ量を含む吐出結果情報とを対応付けたデータセットに基づき機械学習されている。

このようにすることで、ニューラルネットワークの中間層において、ノズルプレートＮＰの面のインク残り量とインクのずれ量の関係性も考慮して機械学習することができる。或いは、ニューラルネットワークの中間層において、撥液膜３３８の劣化状態とインクのずれ量の関係性も考慮して機械学習することができる。これにより、交換要否情報をより高い精度で推測することができる。

また、図３で前述したように、印刷装置１に備えられた第２撮像部８１によってテストパターンＰＴを撮像することで、吐出結果情報を取得することができる。言い換えれば、吐出結果情報は、印刷装置１に備えられた第２撮像部８１によって取得される。このようにすることで、印刷装置１にて吐出結果情報を効率的に取得することができるので、機械学習に必要なデータセットを効率的に取得することができるとともに、交換要否情報をより高い精度で推測することができる。

また、図３で前述したように、第２撮像部８１を含む第２撮像ユニット８０は、キャリッジ２１に搭載される。言い換えれば、第２撮像部は、印刷ヘッド３０が搭載されるキャリッジに取り付けられている。このようにすることで、前述のように第２撮像部８１による撮像を効率よく行うことができるので、機械学習に必要なデータセットをより効率的に取得できるとともに、交換要否情報をより高い精度で推測することができる。

また、詳細は後述するが、機械学習に関するデータセットの入力データとして、ノズル面画像情報ＮＩの他にメンテナンス情報をさらに含むようにしてもよい。言い換えれば、学習済モデル２１２は、ノズル面画像情報ＮＩと、交換要否情報と、メンテナンス履歴情報とを対応付けたデータセットに基づき機械学習されていてもよい。このようにすることで、メンテナンス履歴を考慮して機械学習を行うことにより、交換要否情報をより高い精度で推測することができる。或いは、詳細は後述するが、機械学習に関するデータセットの入力データとして、ノズル面画像情報ＮＩの他にインク情報をさらに含むようにしてもよい。言い換えれば、学習済モデル２１２は、ノズル面画像情報ＮＩと、交換要否情報と、インク情報とを対応付けたデータセットに基づき機械学習されていてもよい。このようにすることで、インク情報を考慮して機械学習を行うことにより、交換要否情報をより高い精度で推測することができる。

また、以上の説明では図１４の入力データであるノズル面画像情報ＮＩに追加可能なデータを１つずつ挙げているが、これらを任意に組み合わせて追加してもよく、例えば、図１６に示すように、これらを全部組み合わせ追加してもよい。

メンテナンス履歴情報は、例えば、印刷ヘッド３０の交換履歴情報であるが、印刷ヘッド３０のノズル面のワイピング履歴情報や、回復クリーニング履歴情報であってもよく、これらを任意に組み合わせた情報でもよく、さらに図１７に示すように、これらを全て含めた情報であってもよい。言い換えれば、印刷ヘッド３０のメンテナンス履歴情報は、印刷ヘッド３０の交換履歴情報、印刷ヘッド３０のノズル面のワイピング履歴情報及び回復クリーニング履歴情報のいずれかを含む。また、ワイピング履歴情報は、例えば、ワイピング回数に関する情報であるが、これに限らず、例えばワイピング強度に関する情報であってもよく、これらを任意に組み合わせた情報でもよく、さらに図１７に示すように、これらを全て含めた情報であってもよい。言い換えれば、ワイピング履歴情報は、ワイピング回数及びワイピング強度のいずれかに関する情報を含む。なお、ワイピング強度に関する情報とは、例えば、ワイパーに対する設定荷重の情報や設定スピードの情報等である。また、ワイピング履歴情報はワイパーの材質の情報を含めてもよい。ワイパーの材質は、例えば、ゴムやエラストマー、或いは布等である。

また、回復クリーニング履歴情報は、回復クリーニングの実行間隔の情報を含むが、回復クリーニングにおける環境条件をさらに含めてもよい。環境条件はインクの粘度に影響するからである。なお、環境条件とは、例えば、温度であるが、湿度を含めてもよい。

また、インク情報は、例えば、インク組成情報であるが、インク粘度情報であってもよく、さらに、図１７に示すように、これらを組みわせた情報であってもよい。言い換えれば、インク情報は、インク組成情報及びインク粘度情報のいずれかに関する情報を含む。

例えば、印刷ヘッド３０の交換までの期間が短いときに取得した各々のノズル面画像情報ＮＩには、印刷ヘッド３０の交換までの期間が長いときに取得した各々のノズル面画像情報ＮＩからは見出せない特徴が有り、当該特徴により印刷ヘッド３０の交換までの期間が短くなったと考えられる。そのため、印刷ヘッド３０の交換履歴情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

また、例えば、同一のワイパーで繰り返しワイピングする仕様である場合、前回のメンテナンス時のワイピングによって、ワイパーにインクが付着し、付着したインクがワイパー表面に残る場合がある。そのため、再度のワイピングにおいてワイパー表面に付着したインクは撥液膜３３８に影響を与える。このように、ワイピング履歴情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。また、また、撥液膜３３８に与える当該影響の度合いは、ワイピングの回数やワイピングの強度に依存する。このように、ワイピング回数及びワイピング強度のいずれかに関する情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

また、回復クリーニングを実行した後、ノズルプレートＮＰの面に、除去しきれずに残ったインクは、時間の経過に伴い粘度が高くなる。そして、粘度が高くなったインクを再度の回復クリーニングにおいてワイピングすると、撥液膜３３８は影響を受ける。このように、回復クリーニング履歴情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。また、撥液膜３３８に与える当該影響の度合いは、経過した時間、すなわち、回復クリーニングの実行間隔に依存する。このように、回復クリーニングの実行間隔の情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

また、インク種類によって、撥液膜３３８に与える影響が異なる。例えば、染料系インクをワイピングした場合よりも、顔料系インクをワイピングした場合の方が、撥液膜３３８が削られやすい。また、カーボンブラックからなる粒子を含む黒系のインクや、酸化チタンからなる粒子を含む白系インクをワイピングすると、これらの粒子が硬いため、撥液膜３３８が削られやすい。また、これらのインクを単色で使用している印刷ヘッド３０のノズルプレートＮＰの面をワイピングすると、ノズルプレートＮＰの端側の撥液膜３３８が削られやすい。一方、フルカラーインクを使用している印刷ヘッド３０のノズルプレートＮＰの面をワイピングすると、撥液膜３３８がノズルプレートＮＰの面内において一様に削られる。ノズルプレートＮＰの端側の撥液膜３３８が削られやすいことは、ノズルＮＺの縁の撥液膜３３８が削られやすいことを意味するので、前述のように飛行曲がりが発生しやすい。なお、インク粘度については、回復クリーニング情報の説明で前述した通りである。

このように、インク種類の情報やインク粘度の情報を用いることにより、ノズル面画像情報ＮＩのより詳細な部分を考慮して機械学習を行うことができるので、交換要否情報をより高い精度で推測することができる。

以上のように、本実施形態の情報処理システムは、記憶部と、受付部と、処理部と、を含む。また、記憶部は、印刷ヘッドのノズル面を撮影したノズル面画像情報と、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習した学習済モデルを記憶する。また、受付部は、ノズル面画像情報を受け付ける。また、処理部は、受け付けたノズル面画像情報と学習済モデルに基づいて、印刷ヘッドの交換要否情報を出力する。

このようにすることで、ノズルプレートの撥液膜の劣化状況の推移を適切に把握することができる。そのため、高価なヘッドユニットを適正なタイミングで交換することができる。それにより、保全計画を適正化できるため、保全コストの削減や印刷装置の稼働率を上げることができる。

また、ノズル面画像情報は、印刷ヘッドのノズルプレート面を撮影した画像であってもよい。

このようにすることで、ノズルプレートの面の状態を撮像データの形式で取得できることから、ノズルプレートの面の状態について機械学習を行うことができる。

また、処理部は、ノズル面画像情報に基づいて、ノズルプレート面のインク残り量を判定し、インク残り量と学習済モデルに基づいて、交換要否情報を出力してもよい。

このようにすることで、ノズルプレートの面の状態をより定量化したデータをもとに機械学習を行うことができるので、学習済モデルをより適切に学習させることができる。

また、処理部は、ノズル面画像情報に基づいて、ノズルプレート面の撥液膜削れ量を判定し、撥液膜削れ量と学習済モデルに基づいて、交換要否情報を出力してもよい。

このようにすることで、ノズルプレートの面の状態をより定量化したデータをもとに機械学習を行うことができるので、学習済モデルをより適切に学習させることができるとともに、印刷ヘッドの交換時期や交換タイミング等について、適切な情報を得ることができる。

また、ノズル面画像情報は、ノズルプレート面と対向する位置に取り付けられた第１撮像部によって取得されるようにしてもよい。

このようにすることで、印刷装置の機構内部においてノズル面画像情報を取得できるので、効率的に入力データを取得できるともに、印刷ヘッドの交換時期や交換タイミング等について、適切な情報を得ることができる。

また、学習済モデルは、ノズル面画像情報と、交換要否情報と、インク吐出位置のずれ量を含む吐出結果情報とを対応付けたデータセットに基づき機械学習されていてもよい。

このようにすることで、ニューラルネットワークの中間層において、ノズルプレートの面の撥液膜の劣化状態と、インクのずれ量を相関づけて学習することができるようになるため、より適切な機械学習を行うことができる。

また、吐出結果情報は、印刷装置に備えられた第２撮像部によって取得されるようにしてもよい。

このようにすることで、印刷装置にて吐出結果情報を効率的に取得することができるので、機械学習に必要なデータセットを効率的に取得することができるとともに、より適切な機械学習を行うことができる。

また、第２撮像部は、印刷ヘッドが搭載されるキャリッジに取り付けられてもよい。

このようにすることで、第２撮像部による撮像を効率よく行うことができるので、機械学習に必要なデータセットをより効率的に取得できるとともに、より適切な機械学習を行うことができる。

また、学習済モデルは、ノズル面画像情報と、交換要否情報と、メンテナンス履歴情報とを対応付けたデータセットに基づき機械学習されていてもよい。

このようにすることで、メンテナンス履歴を考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、メンテナンス履歴情報は、印刷ヘッドの交換履歴情報、印刷ヘッドのノズル面のワイピング履歴情報及び回復クリーニング履歴情報のいずれかに関する情報を含んでもよい。

このようにすることで、印刷ヘッドの交換履歴情報、印刷ヘッドのノズル面のワイピング履歴情報及び回復クリーニング履歴情報のいずれかを考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、ワイピング履歴情報は、ワイピング回数及びワイピング強度のいずれかに関する情報を含んでもよい。

このようにすることで、ワイピング回数及びワイピング強度のいずれかに関する情報を考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、回復クリーニング履歴情報は、回復クリーニングの実行間隔の情報を含んでもよい。

このようにすることで、回復クリーニングの実行間隔を考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、学習済モデルは、ノズル面画像情報と、交換要否情報と、インク情報とを対応付けたデータセットに基づき機械学習されてもよい。

このようにすることで、インク情報を考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、インク情報は、インク組成情報又はインク粘度情報のいずれかに関する情報を含んでもよい。

このようにすることで、インク組成情報又はインク粘度情報のいずれかに関する情報を考慮して機械学習を行うことにより、より精度の高い交換要否情報を推測することができる。

また、本実施形態の情報処理方法は、学習済モデルを記憶し、ノズル面画像情報を受け付け、受け付けたノズル面画像情報と学習済モデルに基づいて、印刷ヘッドの交換要否情報を出力することを特徴とする情報処理方法に関係する。また、学習済モデルは、印刷ヘッドのノズル面を撮影したノズル面画像情報と、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、印刷ヘッドの交換条件を機械学習する。

このようにすることで、ノズルプレートの撥液膜の劣化状況の推移を適切に把握することができる。そのため、高価なヘッドユニットを適正なタイミングで交換することができる。それにより、保全計画を適正化できるため、保全コストの削減や印刷装置の稼働率を上げることができる。

また、本実施形態の学習装置は、印刷ヘッドのノズル面を撮影したノズル面画像情報と、印刷ヘッドの交換要否又は印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットを取得する取得部と、取得したデータセットに基づいて、印刷ヘッドの交換要否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に関係する。

このようにすることで、ノズルプレートの撥液膜の劣化状況の推移を適切に把握する学習済モデルを出力することができる。

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、本開示の新規事項及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、より広義又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、情報処理システム、情報処理方法及び学習装置等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。

１…印刷装置、１０…搬送ユニット、２０…キャリッジユニット、２１…キャリッジ、２２…ガイドレール、３０…印刷ヘッド、３１…ヘッドユニット、３２…ケース、３３…流路ユニット、３３ａ…流路形成基板、３３ｃ…振動板、３４…ピエゾ素子ユニット、３５…固定板、４０…駆動信号生成部、５０…インク吸引ユニット、５５…ワイピングユニット、６０…フラッシングユニット、７０…第１撮像ユニット、７１…第１撮像部、７２…第１画像処理部、８０…第２撮像ユニット、８１…第２撮像部、８２…第２画像処理部、９０…検出器群、９１…温度センサー、９２…湿度センサー、１００…コントローラー、１０１…インターフェース部、１０２…プロセッサー、１０３…メモリー、１０４…ユニット制御回路、２００…情報処理装置、２１０…受付部、２２０…処理部、２３０…記憶部、３３１…圧力室、３３２…インク供給路、３３３…共通インク室、３３４…ダイヤフラム部、３３５…島部、３３７…中間層、３３８…撥液膜、３４１…ピエゾ素子群、３４２…固定部材、４００…学習装置、４１０…取得部、４２０…学習部、ＩＲ…インク残り、ＮＩ…ノズル面画像情報、ＮＰ…ノズルプレート、Ｍ…メイン液滴、ＮＺ…ノズル、ＰＭ…印刷媒体、ＰＴ…テストパターン、ＰＺＴ…ピエゾ素子、Ｓ１…第１サテライト液滴、Ｓ２…第２サテライト液滴

Claims (16)

1. 印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、前記印刷ヘッドの交換条件を機械学習した学習済モデルを記憶する記憶部と、
   前記ノズル面画像情報を受け付ける受付部と、
   受け付けた前記ノズル面画像情報と前記学習済モデルに基づいて、前記印刷ヘッドの前記交換要否情報を出力する処理部と、
   を含むことを特徴とする情報処理システム。
2. 請求項１に記載の情報処理システムにおいて、
   前記ノズル面画像情報は、前記印刷ヘッドのノズルプレート面を撮影した画像であることを特徴とする情報処理システム。
3. 請求項２に記載の情報処理システムにおいて、
   前記処理部は、
   前記ノズル面画像情報に基づいて、ノズルプレート面のインク残り量を判定し、
   前記インク残り量と前記学習済モデルに基づいて、前記交換要否情報を出力することを特徴とする情報処理システム。
4. 請求項２に記載の情報処理システムにおいて、
   前記処理部は、
   前記ノズル面画像情報に基づいて、ノズルプレート面の撥液膜削れ量を判定し、
   前記撥液膜削れ量と前記学習済モデルに基づいて、前記交換要否情報を出力することを特徴とする情報処理システム。
5. 請求項１乃至４のいずれか一項に記載の情報処理システムにおいて、
   前記ノズル面画像情報は、ノズルプレート面と対向する位置に取り付けられた第１撮像部によって取得されることを特徴とする情報処理システム。
6. 請求項１乃至５のいずれか一項に記載の情報処理システムにおいて、
   前記学習済モデルは、前記ノズル面画像情報と、前記交換要否情報と、インク吐出位置のずれ量を含む吐出結果情報とを対応付けたデータセットに基づき機械学習されていることを特徴とする情報処理システム。
7. 請求項６に記載の情報処理システムにおいて、
   前記吐出結果情報は、印刷装置に備えられた第２撮像部によって取得されることを特徴とする情報処理システム。
8. 請求項７に記載の情報処理システムにおいて、
   前記第２撮像部は、前記印刷ヘッドが搭載されるキャリッジに取り付けられていることを特徴とする情報処理システム。
9. 請求項１乃至８のいずれか一項に記載の情報処理システムにおいて、
   前記学習済モデルは、前記ノズル面画像情報と、前記交換要否情報と、メンテナンス履歴情報とを対応付けたデータセットに基づき機械学習されていることを特徴とする情報処理システム。
10. 請求項９に記載の情報処理システムにおいて、
    前記メンテナンス履歴情報は、前記印刷ヘッドの交換履歴情報、前記印刷ヘッドのノズル面のワイピング履歴情報及び回復クリーニング履歴情報のいずれかに関する情報を含むことを特徴とする情報処理システム。
11. 請求項１０に記載の情報処理システムにおいて、
    前記ワイピング履歴情報は、ワイピング回数及びワイピング強度のいずれかに関する情報を含むことを特徴とする情報処理システム。
12. 請求項１０に記載の情報処理システムにおいて、
    前記回復クリーニング履歴情報は、回復クリーニングの実行間隔の情報を含むことを特徴とする情報処理システム。
13. 請求項１乃至１２のいずれか一項に記載の情報処理システムにおいて、
    前記学習済モデルは、前記ノズル面画像情報と、前記交換要否情報と、インク情報とを対応付けたデータセットに基づき機械学習されていることを特徴とする情報処理システム。
14. 請求項１３に記載の情報処理システムにおいて、
    前記インク情報は、インク組成情報及びインク粘度情報のいずれかに関する情報を含むことを特徴とする情報処理システム。
15. 印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットに基づき、前記印刷ヘッドの交換条件を機械学習した学習済モデルを記憶し、
    前記ノズル面画像情報を受け付け、
    受け付けた前記ノズル面画像情報と前記学習済モデルに基づいて、前記印刷ヘッドの前記交換要否情報を出力することを特徴とする情報処理方法。
16. 印刷ヘッドのノズル面を撮影したノズル面画像情報と、前記印刷ヘッドの交換要否又は前記印刷ヘッドの交換タイミングを表す交換要否情報とを対応付けたデータセットを取得する取得部と、
    取得した前記データセットに基づいて、前記印刷ヘッドの前記交換要否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。

Images