特許 7524560 学習モデルの生成方法、学習済みモデル及び画像形成装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-22

(45)【発行日】2024-07-30

(54)【発明の名称】学習モデルの生成方法、学習済みモデル及び画像形成装置

(51)【国際特許分類】

   G06F 18/2137 20230101AFI20240723BHJP

   G03G 21/00 20060101ALI20240723BHJP

   G06F 3/12 20060101ALI20240723BHJP

【ＦＩ】

G06F18/2137

G03G21/00 512

G06F3/12 310

G06F3/12 329

【請求項の数】 7

(21)【出願番号】P 2020045212

(22)【出願日】2020-03-16

(65)【公開番号】P2021149146

(43)【公開日】2021-09-27

【審査請求日】2023-02-24

(73)【特許権者】

【識別番号】000006150

【氏名又は名称】京セラドキュメントソリューションズ株式会社

(74)【代理人】

【識別番号】110003443

【氏名又は名称】弁理士法人ＴＮＫアジア国際特許事務所

(74)【代理人】

【識別番号】100168583

【弁理士】

【氏名又は名称】前井 宏之

(72)【発明者】

【氏名】宮地 直也

【審査官】福西 章人

(56)【参考文献】

【文献】特開平０９－１７９４５８（ＪＰ，Ａ）

【文献】特開２００３－２６３５０２（ＪＰ，Ａ）

【文献】特開２００１－２２９１４９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １８／００－１８／４０

Ｇ０６Ｎ ３／００－９９／００

Ｇ０３Ｇ ２１／００

Ｇ０６Ｆ ３／１２

(57)【特許請求の範囲】

【請求項1】

画像形成装置が有する部材の状態を分類する自己組織化写像によって構成され、出力層が有する所定数のノードのうちの１つのノードに、入力層に入力された入力データが分類されるように、コンピューターを機能させる学習済みモデルであって、
前記入力データは、画像形成装置が有する部材の状態を含み、
第１重みを適用した前記学習済みモデルが、前記所定数のノードのうちの１つのノードに、前記入力層に入力された前記入力データを分類するように、前記コンピューターを機能させ、
第２重みを適用した前記学習済みモデルが、前記１つのノードに分類された前記入力データを前記入力層に入力して、前記所定数のノードのうちの１つのノードに前記入力データを分類するように、前記コンピューターを機能させ、
前記第１重みは、前記第２重みと異なり、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示し、
前記第２重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示す、学習済みモデル。

【請求項2】

ある機能を有する部材と、
自己組織化写像によって構成され、入力層と所定数のノードを有する出力層とを有する学習済みモデルを記憶する記憶部と、
前記部材に関する入力データを前記入力層に入力して、前記入力データを前記所定数のノードのうちの１つのノードに分類した分類結果を出力層に出力させる実行部と、
前記分類結果に基づいて、前記学習済みモデルに適用する重みを第１重みと第２重みとの間で変更する変更部と
を備え、
前記第１重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示し、
前記第２重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示し、
前記実行部は、前記第１重みを適用した前記学習済みモデルの前記入力層に前記入力データを入力し、前記入力データを前記所定数のノードのうちの１つのノードに分類した第１分類結果を出力層に出力させ、
前記変更部は、前記第１分類結果に基づいて、前記学習済みモデルに適用する重みを前記第１重みから前記第２重みに変更し、
前記実行部は、前記第２重みを適用した前記学習済みモデルの前記入力層に前記入力データを入力し、前記入力データを前記所定数のノードのうちの１つのノードに分類した第２分類結果を出力層に出力させる、画像形成装置。

【請求項3】

前記記憶部は、第１対応表と、第２対応表とを更に記憶し、
前記第１対応表は、前記第１重みを適用した前記学習済みモデルの前記所定数のノードのそれぞれに関連付けられた前記部材の状態を示し、
前記第２対応表は、前記第２重みを適用した前記学習済みモデルの前記所定数のノードのそれぞれに関連付けられた前記部材の状態を示し、
前記第２対応表の前記部材の状態は、前記第１対応表が示す前記部材の状態よりも詳細な前記部材の状態を示す、請求項２に記載の画像形成装置。

【請求項4】

前記第１重みを適用した前記学習済みモデルの前記出力層の前記ノードの個数と、前記第２重みを適用した前記学習済みモデルの前記出力層の前記ノードの個数とは等しい、請求項３に記載の画像形成装置。

【請求項5】

前記第１分類結果に基づいて、前記入力データが特定のノードに分類されたか否かを判定する判定部を更に備え、
前記変更部は、前記判定部の判定結果に基づいて、前記学習済みモデルに適用する前記重みを前記第１重みから前記第２重みに変更する、請求項３または請求項４に記載の画像形成装置。

【請求項6】

前記部材の状態を推定する推定部を更に備え、
前記推定部は、前記第２分類結果と前記第２対応表とに基づいて、前記部材の状態を推定する、請求項３から請求項５のいずれか１項に記載の画像形成装置。

【請求項7】

前記部材は、感光体ドラムであり、
前記入力データは、前記感光体ドラムの回転数を示す第１データと、前記感光体ドラムへの露光量を示す第２データと、前記感光体ドラムから転写されたトナー像の濃度を示す第３データと、前記画像形成装置の印刷枚数を示す第４データとを含む、請求項２から請求項６のいずれか１項に記載の画像形成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習モデルの生成方法、学習済みモデル及び画像形成装置に関する。

【背景技術】

【0002】

特許文献１に記載の画像形成装置は、寿命耐久回転数に対する感光体ドラムの実回転カウント数割合を寿命予測値として算出する。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１６－５７４２０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に記載の画像形成装置では、実回転カウント数のみに基づく予測のため、感光体ドラムの寿命を精度良く予測することが困難であった。

【0005】

本発明は上記課題に鑑みてなされたものであり、部材の状態を精度良く予測できる学習モデルの生成方法、学習済みモデル及び画像形成装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の一局面によれば、学習モデルの生成方法は、画像形成装置が有する部材の状態を分類する自己組織化写像によって構成される。学習モデルの生成方法は、準備するステップと、第１重みが設定されるように学習させるステップと、分類するステップと、第２重みが設定されるように学習させるステップとを含む。前記準備するステップは、入力層と、所定数のノードを有する出力層とを有する学習モデルを準備する。前記第１重みが設定されるように学習させるステップは、前記部材の状態に関する学習データを前記入力層に入力し、前記所定数のノードのそれぞれに互いに異なる第１重みが設定されるように前記学習モデルを学習させる。前記分類するステップは、前記所定数のノードのそれぞれに設定された前記第１重みに基づいて、前記学習モデルが前記学習データを前記所定数のノードのうちの１つに分類する。前記第２重みが設定されるように学習させるステップは、前記所定数のノードのうちの特定のノードに分類された前記学習データと、前記特定のノードに隣接するノードに分類された前記学習データとを前記入力層に入力し、前記所定数のノードのそれぞれに互いに異なる第２重みが設定されるように前記学習モデルを学習させる。前記第１重みは、前記第２重みと異なり、前記所定数のノードのうちの１つのノードに前記学習データを分類する係数を示す。前記第２重みは、前記所定数のノードのうちの１つのノードに前記学習データを分類する係数を示す。

【0007】

本発明の他の局面によれば、学習済みモデルは、画像形成装置が有する部材の状態を分類する自己組織化写像によって構成され、出力層が有する所定数のノードのうちの１つのノードに、入力層に入力された入力データが分類されるように、コンピューターを機能させる。前記入力データは、前記画像形成装置が有する部材の状態を含む。前記学習済みモデルは、前記コンピューターを機能させ、第１重みを適用した前記学習済みモデルが、前記所定数のノードのうちの１つのノードに、前記入力層に入力された前記入力データを分類する。前記学習済みモデルは、前記コンピューターを機能させ、第２重みを適用した前記学習済みモデルが、前記１つのノードに分類された前記入力データを前記入力層に入力して、前記所定数のノードのうちの１つのノードに前記入力データを分類する。前記第１重みは、前記第２重みと異なり、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示す。前記第２重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示す。

【0008】

本発明の他の局面によれば、画像形成装置は、部材と、記憶部と、実行部と、変更部とを備える。前記部材は、ある機能を有する。前記記憶部は、自己組織化写像によって構成され、入力層と所定数のノードを有する出力層とを有する学習済みモデルを記憶する。前記実行部は、前記部材に関する入力データを前記入力層に入力して、前記入力データを前記所定数のノードのうちの１つのノードに分類した分類結果を出力層に出力させる。前記変更部は、前記分類結果に基づいて、前記学習済みモデルに適用する重みを第１重みと第２重みとの間で変更する。前記第１重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示す。前記第２重みは、前記所定数のノードのうちの１つのノードに前記入力データを分類する係数を示す。前記実行部は、前記第１重みを適用した前記学習済みモデルの前記入力層に前記入力データを入力し、前記入力データを前記所定数のノードのうちの１つのノードに分類した第１分類結果を出力層に出力させる。前記変更部は、前記第１分類結果に基づいて、前記学習済みモデルに適用する重みを前記第１重みから前記第２重みに変更する。前記実行部は、前記第２重みを適用した前記学習済みモデルの前記入力層に前記入力データを入力し、前記入力データを前記所定数のノードのうちの１つのノードに分類した第２分類結果を出力層に出力させる。

【発明の効果】

【0009】

本発明の学習モデルの生成方法、学習済みモデル及び画像形成装置によれば部材の状態を精度良く予測できる。

【図面の簡単な説明】

【0010】

【図1】本発明の実施形態１に係る画像形成システムの一例を示す図である。

【図2】実施形態１に係る画像形成システムの画像形成装置を示す図である。

【図3】実施形態１に係る画像形成システムのサーバー装置を示すブロック図である。

【図4】実施形態１に係る画像形成システムの学習モデルを示す図である。

【図5】実施形態１に係る画像形成システムの学習モデルを示す別の図である。

【図6】実施形態１に係る画像形成システムの学習モデルの出力層の１６個のノードのそれぞれに感光体ドラムの状態を対応付けた第１対応表の一例を示す。

【図7】実施形態１に係る画像形成システムの制御部が実行する処理を示すフローチャートの一部である。

【図8】実施形態１に係る画像形成システムの制御部が実行する処理を示すフローチャートの他の一部である

【図9】実施形態１に係る画像形成システムの画像形成装置の構成を示すブロック図である。

【図10】（ａ）は、第１重みを適用した学習済みモデルの処理を示す模式図である。（ｂ）は、第２重みを適用した学習済みモデルの処理を示す模式図である。

【図11】実施形態１に係る画像形成システムの画像形成装置の制御部が実行する処理を示すフローチャートの一部である。

【図12】実施形態１に係る画像形成システムの画像形成装置の制御部が実行する処理を示すフローチャートの他の一部である。

【図13】本発明の実施形態２に係る画像形成システムの画像形成装置の構成を示す図である。

【図14】実施形態２に係る画像形成システムの画像形成装置が実行する処理を示すフローチャートである。

【発明を実施するための形態】

【0011】

以下、本発明の実施形態について、図面を参照しながら説明する。なお、図中、同一または相当部分については同一の参照符号を付して説明を繰り返さない。

【0012】

［実施形態１］
まず、図１を参照して、実施形態１に係る画像形成システム１について説明する。図１は、画像形成システム１の一例を示す図である。画像形成システム１は、サーバー装置３００と、画像形成装置１００とを備える。サーバー装置３００と画像形成装置１００とは、ネットワークＮを介して互いに通信可能に接続されている。ネットワークＮは、例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、または、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）である。ネットワークＮには、各種通信機器が接続されている。各種通信機器は、例えば、ルーター、ブリッジ、アクセスポイント、ハブ、及び、リピーターである。

【0013】

サーバー装置３００は、ネットワークＮを介して画像形成装置１００と互いに通信可能である。

【0014】

画像形成装置１００は、シートＳに画像を形成する。画像形成装置１００は、例えば、プリンター、コピー機または複合機である。画像形成装置１００は、ネットワークＮを介してサーバー装置３００と互いに通信可能である。

【0015】

次に、図１と図２とを参照して画像形成装置１００を詳しく説明する。図２は、画像形成装置１００を示す図である。

【0016】

画像形成装置１００は、画像形成部１１０と、記憶部１２０と、通信部１３０と、制御部１４０と、入出力部１５０とを備える。

【0017】

画像形成部１１０は、シートＳに画像を形成する。例えば、シートＳは、普通紙、再生紙、薄紙、厚紙、コート紙またはＯＨＰ（Ｏｖｅｒｈｅａｄ Ｐｒｏｊｅｃｔｏｒ）シートである。

【0018】

画像形成部１１０は、給送部１１２と、搬送部１１４と、トナーコンテナＣａ～Ｃｄと、作像部１１６とを含む。

【0019】

給送部１１２は、複数のカセット１１２ａと、複数の給送ローラー１１２ｂとを備える。カセット１１２ａは、複数枚のシートＳを収容する。給送ローラー１１２ｂは、カセット１１２ａに収容された複数枚のシートＳのうち最上面に位置するシートＳを１枚ずつ給送する。

【0020】

搬送部１１４は、給送部１１２によって給送されたシートＳを作像部１１６に搬送する。搬送部１１４は、複数の搬送ローラー１１４ａを含む。複数の搬送ローラー１１４ａによって、シートＳの搬送路が形成される。作像部１１６がシートＳに画像を形成した後、搬送部１１４は、作像部１１６からシートＳを更に搬送し、シートＳを画像形成装置１００の外部に排出する。

【0021】

搬送ローラー１１４ａは、レジストローラー１１４ｒを含む。レジストローラー１１４ｒは、作像部１１６にシートＳを搬送するタイミングを調整する。レジストローラー１１４ｒは、シートＳの搬送を一旦停止し、作像部１１６の所定のタイミングに合わせて作像部１１６にシートＳを搬送する。

【0022】

トナーコンテナＣａ～Ｃｄは、各々画像形成装置１００に対して着脱自在である。トナーコンテナＣａ～Ｃｄのそれぞれには異なる色のトナーが収容される。トナーコンテナＣａ～Ｃｄのトナーは、作像部１１６に供給される。

【0023】

例えば、トナーコンテナＣａは、イエロー色のトナーを収容し、作像部１１６にイエロー色のトナーを供給する。トナーコンテナＣｂは、マゼンタ色のトナーを収容し、作像部１１６にマゼンタ色のトナーを供給する。トナーコンテナＣｃは、シアン色のトナーを収容し、作像部１１６にシアン色のトナーを供給する。トナーコンテナＣｄは、ブラック色のトナーを収容し、作像部１１６にブラック色のトナーを供給する。

【0024】

作像部１１６は、トナーコンテナＣａ～Ｃｄに収容されたトナーを用いて、画像データに基づく画像をシートＳに形成する。作像部１１６は、露光部１１６ａ、感光体ドラム１１６ｂ、帯電部１１６ｃ、現像部１１６ｄ、１次転写ローラー１１６ｅ、クリーニング部１１６ｆ、中間転写ベルト１１６ｇ、２次転写ローラー１１６ｈ、及び定着部１１７を含む。

【0025】

中間転写ベルト１１６ｇは、モーターの動力にしたがって回転する回転ローラーによって回転する。現像部１１６ｄには、モーターが取り付けられている。現像部１１６ｄ内のトナーは、モーターの回転に伴って攪拌される。

【0026】

感光体ドラム１１６ｂ、帯電部１１６ｃ、現像部１１６ｄ、１次転写ローラー１１６ｅ、及びクリーニング部１１６ｆは、トナーコンテナＣａ～Ｃｄのそれぞれに対応して設けられる。感光体ドラム１１６ｂは、中間転写ベルト１１６ｇの外表面に当接し、中間転写ベルト１１６ｇの回転方向に沿って配置される。感光体ドラム１１６ｂは、「部材」の一例に相当する。１次転写ローラー１１６ｅは、感光体ドラム１１６ｂに対応して設けられる。１次転写ローラー１１６ｅは、中間転写ベルト１１６ｇを介して、感光体ドラム１１６ｂに対向する。

【0027】

帯電部１１６ｃは、感光体ドラム１１６ｂの周面を帯電する。露光部１１６ａは、画像データに基づくレーザー光を感光体ドラム１１６ｂの各々に照射し、感光体ドラム１１６ｂの周面には静電潜像が形成される。現像部１１６ｄは、静電潜像にトナーを付着させて静電潜像を現像し、感光体ドラム１１６ｂの周面にトナー像を形成する。感光体ドラム１１６ｂは、トナー像を担持する。１次転写ローラー１１６ｅは、感光体ドラム１１６ｂに形成されたトナー像を中間転写ベルト１１６ｇの外表面に転写する。クリーニング部１１６ｆは、感光体ドラム１１６ｂの周面に残留しているトナーを除去する。

【0028】

トナーコンテナＣａに対応する感光体ドラム１１６ｂは、静電潜像に基づきイエロー色のトナー像を形成し、トナーコンテナＣｂに対応する感光体ドラム１１６ｂは、静電潜像に基づきマゼンタ色のトナー像を形成する。トナーコンテナＣｃに対応する感光体ドラム１１６ｂは、静電潜像に基づきシアン色のトナー像を形成し、トナーコンテナＣｄに対応する感光体ドラム１１６ｂは、静電潜像に基づきブラック色のトナー像を形成する。

【0029】

中間転写ベルト１１６ｇの外表面には、感光体ドラム１１６ｂから複数色のトナー像が重畳して転写され、画像が形成される。このため、中間転写ベルト１１６ｇは、画像を担持する。２次転写ローラー１１６ｈは、中間転写ベルト１１６ｇの外表面に形成された画像をシートＳに転写する。

【0030】

定着部１１７は、トナー像が転写されたシートＳを加熱及び加圧することによって、トナー像をシートＳに定着させる。定着部１１７は、加熱ローラー１１７ａ及び加圧ローラー１１７ｂを備える。搬送部１１４は、トナー像の定着されたシートＳを画像形成装置１００の外部に排出する。

【0031】

記憶部１２０は、データ及びコンピュータープログラムを記憶する。例えば、記憶部１２０は、制御部１４０の各処理に必要なデータを一時的に記憶する。記憶部１２０は、記憶装置（主記憶装置及び補助記憶装置）を含み、例えば、メモリー及びハードディスクドライブを含む。記憶部１２０はリムーバブルメディアを含んでもよい。

【0032】

通信部１３０は、ネットワークＮを介してサーバー装置３００と通信する。例えば、通信部１３０は、ネットワークＮを介してサーバー装置３００に情報を送信する。また、通信部１３０は、ネットワークＮを介してサーバー装置３００から情報を受信する。

【0033】

制御部１４０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のようなプロセッサーを含む。制御部１４０のプロセッサーは、記憶部１２０に記憶されたコンピュータープログラムを実行することによって、画像形成装置１００の各構成を制御する。記憶部１２０と制御部１４０とは、ＭＰＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）として実装されてもよい。

【0034】

入出力部１５０は、各種の情報をユーザーに報知し、またユーザーから指示を受け付ける。入出力部１５０は、表示部１５２と、受付部１５４とを有する。表示部１５２は、例えば、液晶ディスプレーを含むタッチパネルである。受付部１５４は、例えば、テンキー、スタートキー、及びキャンセルキーを含む。

【0035】

次に、図１と図３とを参照して、サーバー装置３００を詳しく説明する。図３は、サーバー装置３００を示すブロック図である。サーバー装置３００は、制御部３０１、通信部３０２、及び、記憶部３０３を備える。

【0036】

制御部３０１は、プロセッサー、及び、記憶装置を含む。プロセッサーは、例えば、ＣＰＵ、及びＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を含む。記憶装置は、データ及びコンピュータープログラムを記憶する。具体的には、記憶装置は、半導体メモリーのような主記憶装置と、半導体メモリー、ソリッドステートドライブ、及び／または、ハードディスクドライブのような補助記憶装置とを含む。制御部３０１のプロセッサーは、記憶部３０３に記憶されたコンピュータープログラムを実行することで、サーバー装置３００の各構成を制御する。

【0037】

通信部３０２は、ネットワークＮを介して、画像形成装置１００と通信する。通信部３０２は、ネットワークＮを介して、画像形成装置１００へ制御情報を送信する。制御情報は、画像形成装置１００の各構成を制御するための情報を含む。また、通信部３０２は、ネットワークＮを介して、画像形成装置１００から情報を受信する。

【0038】

記憶部３０３は、データ及びコンピュータープログラムを記憶する。例えば、記憶部３０３は、制御部３０１の各処理に必要なデータを一時的に記憶する。記憶部３０３は、記憶装置（主記憶装置及び補助記憶装置）を含み、例えば、メモリー及びハードディスクドライブを含む。記憶部３０３はリムーバブルメディアを含んでもよい。記憶部３０３には、学習モデルＬＭと、第１重みＷＤ１と、第２重みＷＤ２と、第１対応表ＣＳ１と、第２対応表ＣＳ２と、第１学習プログラムＬＰ１と、第２学習プログラムＬＰ２とが記憶される。学習モデルＬＭと、第１重みＷＤ１と、第２重みＷＤ２と、第１対応表ＣＳ１と、第２対応表ＣＳ２と、第１学習プログラムＬＰ１と、第２学習プログラムＬＰ２とは、後述する。

【0039】

次に、図３と図４とを参照して学習モデルＬＭを詳しく説明する。図４は、学習モデルＬＭを示す図である。図３に示すように、記憶部３０３は、学習モデルＬＭを記憶する。

【0040】

図４に示すように、学習モデルＬＭは、自己組織化写像（Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ：ＳＯＭ）によって構築されるニューラルネットワークである。自己組織化写像は、教師なし学習によって得られる。具体的には、自己組織化写像は、教師なし学習によって、データを任意の次元へ写像することができる。

【0041】

学習モデルＬＭは、入力層ＬＭＡと、出力層ＬＭＢとを有する。例えば、入力層ＬＭＡは４個のニューロンを有する。以下、ニューロンのことをノードと記載する場合がある。出力層ＬＭＢは複数のノードを有する。出力層ＬＭＢの複数のノードは、例えば、第１ノード～第１６ノードを有する。換言すると、出力層ＬＭＢは１６個のノードを有する。自己組織化写像の出力層ＬＭＢは、いわゆる、競合層である。入力層ＬＭＡの各ノードは、出力層ＬＭＢの全てのノードと結合する。

【0042】

次に、図３～図５を参照して、学習モデルＬＭの学習について説明する。図５は、学習モデルＬＭを示す別の図である。図５に示すノードの位置は一例であり、ノードの位置は、使用者が変更できる。まず、使用者は、自己組織化写像で構築された学習モデルＬＭを準備する。準備するとは、サーバー装置３００の記憶部３０３に学習モデルＬＭを記憶させることを示す。次に、図３に示すように、ネットワークＮを介して、画像形成装置１００からライフサイクルデータＬＤを取得する。ライフサイクルデータＬＤは、例えば、市場で稼働中の１００台の画像形成装置１００における感光体ドラム１１６ｂに関する情報である。ライフサイクルデータＬＤは、いわゆる生データである。

【0043】

ライフサイクルデータＬＤは、制御部３０１に送信される。そして、制御部３０１は、ライフサイクルデータＬＤを正規化し、図４に示すように、学習データＳＤを生成する。学習データＳＤは、画像形成装置１００が有する部材の状態に関する情報である。画像形成装置１００が有する部材は、例えば、感光体ドラム１１６ｂである。学習データＳＤは、第１データＳＤ１と、第２データＳＤ２と、第３データＳＤ３と、第４データＳＤ４とのうちの少なくとも１つを含む。第１データＳＤ１～第４データＳＤ４の各々は、「０」から「１」までの範囲に正規化されている。

【0044】

第１データＳＤ１は、例えば、画像形成装置１００の感光体ドラム１１６ｂの実回転カウント数を示す。第２データＳＤ２は、例えば、画像形成装置１００の露光部１１６ａから感光体ドラム１１６ｂへのレーザー光の露光量を示す。第３データＳＤ３は、例えば、画像形成装置１００の感光体ドラム１１６ｂから中間転写ベルト１１６ｇに転写されたトナー像の濃度を示す。第４データＳＤ４は、例えば、画像形成装置１００の１日あたりの印刷枚数を示す。したがって、感光体ドラム１１６ｂの状態を示すデータを学習モデルＬＭが学習する。この結果、学習モデルＬＭを感光体ドラム１１６ｂの状態を分類する分類器とすることができる。

【0045】

具体的には、図５に示すように、制御部３０１は、第１学習プログラムＬＰ１にしたがって、学習モデルＬＭの入力層ＬＭＡに学習データＳＤを入力して、出力層ＬＭＢの１６個のノードのそれぞれに互いに異なる第１重みＷＤ１が設定されるようになるまで学習モデルＬＭの学習を続ける。第１学習プログラムＬＰ１は記憶部３０３に記憶される。第１学習プログラムＬＰ１は、学習データＳＤの中から一定の規則を見出し、見出した規則を表現する学習済みモデルを生成するための機械学習アルゴリズムを実行するためのプログラムである。１６個のノードのそれぞれに互いに異なる第１重みＷＤ１が設定されるまで続けられる学習を「低分解能学習」と記載する場合がある。第１重みＷＤ１は、出力層ＬＭＢの１６個のノードのうちの１つのノードに学習データＳＤを分類する係数を示す。

【0046】

また、１６個のノードのそれぞれに互いに異なる第１重みＷＤ１が設定されることは、入力層ＬＭＡの各ノードが出力層ＬＭＢの全てのノードと結合することを示す。つまり、入力層ＬＭＡの各ノードが出力層ＬＭＢの全てのノードと結合することで、各結合に第１重みＷＤ１に関する係数が定義される。なお、第１重みＷＤ１を、「低分解能パラメーター」と記載する場合がある。

【0047】

そして、低分解能パラメーターを適用した学習モデルＬＭは、入力データを１６個のノードのうちの１つのノードに分類する分類器として機能する。以下、低分解能パラメーターを適用した学習モデルＬＭを、低分解能学習モデルＬＭと記載する場合がある。低分解能学習モデルＬＭは、学習データＳＤを大まかに分類する。

【0048】

更に、図５に示すように、制御部３０１は、第２学習プログラムＬＰ２にしたがって、学習モデルＬＭの入力層ＬＭＡに学習データＳＤを入力して、出力層ＬＭＢの１６個のノードのそれぞれに互いに異なる第２重みＷＤ２が設定されるようになるまで学習モデルＬＭの学習を続ける。第２学習プログラムＬＰ２は記憶部３０３に記憶される。第２学習プログラムＬＰ２は、学習データＳＤの中から一定の規則を見出し、見出した規則を表現する学習済みモデルを生成するための機械学習アルゴリズムを実行するためのプログラムである。１６個のノードのそれぞれに互いに異なる第２重みＷＤ２が設定されるまで続けられる学習を「高分解能学習」と記載する場合がある。第２重みＷＤ２は、第１重みＷＤ１と異なる。第２重みＷＤ２は、第１重みＷＤ１と比較して、例えば、単位が異なる。第２重みＷＤ２は、出力層ＬＭＢの１６個のノードのうちの１つのノードに学習データＳＤを分類する係数を示す。

【0049】

また、１６個のノードのそれぞれに互いに異なる第２重みＷＤ２が設定されることは、入力層ＬＭＡの各ノードが出力層ＬＭＢの全てのノードと結合することを示す。つまり、入力層ＬＭＡの各ノードが出力層ＬＭＢの全てのノードと結合することで、各結合に第２重みＷＤ２に関する係数が定義される。なお、第２重みＷＤ２を、「高分解能パラメーター」と記載する場合がある。

【0050】

なお、高分解能学習は、低分解能学習と異なる。具体的には、高分解能学習は、入力層ＬＭＡに入力する学習データＳＤを選別している。更に具体的には、学習データＳＤは、低分解能学習モデルＬＭの出力層ＬＭＢの１６個のノードのうちの特定のノードに分類された学習データＳＤを含む。特定のノードは、図５に示すように、第１ノード～第１６ノードのうちのいずれかのノードである。更に、学習データＳＤは、低分解能学習モデルＬＭの出力層ＬＭＢの１６個のノードのうちの特定のノードに隣接するノードに分類された学習データＳＤを含む。隣接するノードは、図５に示すように、第１ノード～第１６ノードのうち、特定のノードを除いたいずれかのノードである。また、特定のノードに隣接するノードは、特定のノードとクラスが近いノードを示す。つまり、高分解能学習の場合、特定のノードに分類された学習データＳＤと特定のノードに隣接するノードに分類された学習データＳＤとを学習データＳＤとする。そして、制御部３０１は、低分解能学習モデルＬＭの特定のノードに分類された学習データＳＤと低分解能学習モデルＬＭの出力層ＬＭＢの特定のノードに隣接するノードに分類された学習データＳＤとを学習モデルＬＭの入力層ＬＭＡに入力する。

【0051】

例えば、図５に示すように、特定のノードが第１１ノードである場合、制御部３０１は低分解能学習モデルＬＭの第１１ノードに分類された学習データＳＤを取得する。そして、制御部３０１は低分解能学習モデルＬＭの第１１ノードに隣接するノードに分類された学習データＳＤを取得する。

【0052】

低分解能学習モデルＬＭの第１１ノードに隣接するノードは、第６ノードと、第７ノードと、第８ノードと、第１０ノードと、第１２ノードと、第１４ノードと、第１５ノードと、第１６ノードとである。例えば、具体的には、図５に示すように、第６ノードに分類された学習データＳＤと、第７ノードに分類された学習データＳＤと、第８ノードに分類された学習データＳＤと、第１０ノードに分類された学習データＳＤと、第１２ノードに分類された学習データＳＤと、第１４ノードに分類された学習データＳＤと、第１５ノードに分類された学習データＳＤと、第１６ノードに分類された学習データＳＤとを、制御部３０１は取得する。そして、制御部３０１は、取得した複数の学習データＳＤを学習データＳＤとし、学習モデルＬＭの入力層ＬＭＡに入力する。そして、制御部３０１は、１６個のノードのそれぞれに互いに異なる第２重みＷＤ２が設定されるまで学習モデルＬＭの学習を続ける。したがって、低分解能学習を行った学習モデルＬＭと比較して、高分解能学習を行った学習モデルＬＭは、特定のノードに分類された学習データＳＤと特定のノードに隣接するノードに分類された学習データＳＤとを精度良く分類できる。この結果、学習モデルＬＭが精度良く分類した感光体ドラム１１６ｂの状態に基づいて、使用者は感光体ドラム１１６ｂの状態を精度良く予測できる。

【0053】

ライフサイクルデータＬＤには、様々な状態の画像形成装置１００のデータが含まれる。様々な状態の画像形成装置１００のデータを学習データＳＤとする低分解能学習では、画像形成装置１００の詳しい状態を把握することが困難であった。例えば、ライフサイクルデータＬＤには、例えば、故障している画像形成装置１００のデータが含まれる。一般的に故障している画像形成装置１００のデータの数は、故障していない画像形成装置１００のライフサイクルデータＬＤの数と比較して、少ない。つまり、低分解能学習モデルＬＭの故障の状態を示すノードの数は、故障の状態を示さないノードの数と比較して少なくなる。したがって、故障の状態を示すノードに入力データが分類されても、故障が詳細に把握されにくい。

【0054】

一方、高分解能学習では、低分解能学習モデルＬＭの特定のノードに分類されたデータと低分解能学習モデルＬＭの特定のノードに隣接するノードに分類されたデータを学習データＳＤとする。例えば、故障の状態を示すノードに分類されたデータと、故障の状態を示すノードに隣接するノードに分類されたデータとを高分解能学習モデルＬＭは学習する。よって、故障の状態を示すノードの数は、故障の状態を示さないノードの数と比較して多くなる。つまり、高分解能学習では、部材の状態が細分化され、より具体的な部材の状態を示すように学習モデルＬＭは学習する。したがって、高分解能学習モデルＬＭでは、データが具体的な部材の状態を示すノードに分類され、部材の状態を詳細に把握できる。

【0055】

また、高分解能パラメーターを適用した学習モデルＬＭは、入力データを１６個のノードのうちの１つのノードに分類する分類器として機能する。以下、高分解能パラメーターを適用した学習モデルＬＭを、高分解能学習モデルＬＭと記載する場合がある。高分解能学習モデルＬＭは、学習データＳＤを詳細に分類する。

【0056】

また、本実施形態では、第１重みＷＤ１を適用した学習モデルＬＭの出力層ＬＭＢのノードの個数と、第２重みＷＤ２を適用した学習モデルＬＭの出力層ＬＭＢのノードの個数とは等しい。つまり、細分化した分類に入力データを分類する際に、ノード数が増加しない。したがって、画像形成装置１００に学習モデルＬＭを実装した際に、学習モデルＬＭが記憶部１２０の容量を過剰に使用することを抑制できる。この結果、記憶容量が少ない実装対象であっても学習モデルＬＭを実装でき、入力データを精度良く分類できる。

【0057】

また、第１重みＷＤ１を適用した学習モデルＬＭの入力データを分類するアルゴリズムと、第２重みＷＤ２を適用した学習モデルＬＭの入力データを分類するアルゴリズムとは同じである。つまり、学習モデルＬＭに適用する重みを変更することで、入力データの分類精度を変更できる。例えば、第１重みＷＤ１を適用した学習モデルＬＭは、入力データを大まかに分類できる。また、第２重みＷＤ２を適用した学習モデルＬＭは、入力データを詳細に分類できる。したがって、２つの学習モデルＬＭを画像形成装置１００の記憶部１２０に記憶させることを必要としない。この結果、画像形成装置１００の記憶部１２０の容量を大きく使用することを抑制できる。

【0058】

次に、図３～図６を参照して、出力層ＬＭＢの１６個のノードの各々への特徴付けについて説明する。図６は、低分解能学習モデルＬＭの出力層ＬＭＢの１６個のノードのそれぞれに感光体ドラム１１６ｂの状態を対応付けた第１対応表ＣＳ１の一例を示す。

【0059】

図６に示すように、第１対応表ＣＳ１は、第１重みＷＤ１を適用した学習モデルＬＭの所定数のノードのそれぞれに関連付けられた部材の状態を示す。第２対応表ＣＳ２（図３参照）は、第２重みＷＤ２を適用した学習モデルＬＭの所定数のノードのそれぞれに関連付けられた部材の状態を示す。したがって、第１対応表ＣＳ１に基づいて、低分解能学習モデルＬＭの１６個のノードに対応する部材の状態を制御部１４０が特定できる。更に、第２対応表ＣＳ２に基づいて、高分解能学習モデルＬＭの１６個のノードに対応する部材の状態を制御部１４０が特定できる。この結果、使用者は、感光体ドラム１１６ｂの状態を知ることができる。

【0060】

本実施形態の制御部１４０は、低分解能学習モデルＬＭの出力層ＬＭＢの１６個のノードに対応する第１対応表ＣＳ１を作成する。なお、使用者が第１対応表ＣＳ１を作成してもよい。第１対応表ＣＳ１における１６個のノードの特徴付けは、学習データＳＤの平均値と、原点からのユークリッド距離とから算出される。また、ユークリッド距離が大きいほど、大きいノードに特徴付けられる。例えば、第１対応表ＣＳ１は、各ノードに対する感光体ドラム１１６ｂの状態を示す。

【0061】

図６に示されるように、第１ノードから第８ノードまでは、感光体ドラム１１６ｂの状態が「良好」であることを示す。第９ノードから第１２ノードまでは、感光体ドラム１１６ｂの状態が「普通」であることを示す。第１３ノードは、感光体ドラム１１６ｂの状態が「悪化の傾向」であることを示す。第１４ノードは、トナー濃度が普通であるが、ＬＳＵ露光量が上限値に達していることを示す。第１５ノードは、トナー濃度が薄くなり、かつＬＳＵ露光量が上限値に達していることから、トナー濃度を維持することが困難な状態であることを示す。つまり、第１５ノードは、ＬＳＵ露光量が上限値に達したため上限値補正が必要であることを示す。第１６ノードは、既に所望のトナー濃度が出ない状態であることを示す。つまり、第１６ノードは、感光体ドラム１１６ｂの交換が必要であることを示す。

【0062】

また、制御部１４０は、高分解能学習モデルＬＭの出力層ＬＭＢの１６個のノードに対応する第２対応表ＣＳ２を作成する。なお、使用者が第２対応表ＣＳ２を作成してもよい。第２対応表ＣＳ２における１６個のノードの特徴付けは、第１対応表ＣＳ１と同様に、学習データＳＤの平均値と、原点からのユークリッド距離とから算出される。また、ユークリッド距離が大きいほど、大きいノードに特徴付けられる。例えば、第２対応表ＣＳ２は、各ノードに対する感光体ドラム１１６ｂの状態を示す。

【0063】

第２対応表ＣＳ２の部材の状態は、第１対応表ＣＳ１が示す部材の状態よりも詳細な部材の状態を示す。例えば、図６に示すように第１対応表ＣＳ１では、「悪化の傾向」に対応するノードは第１３ノードのみである。一方、例えば、第２対応表ＣＳ２では第１３ノードの「悪化の傾向」に対応するノードが複数含まれる。例えば、第２対応表ＣＳ２では、「悪化の傾向Ａ」、「悪化の傾向Ｂ」、「悪化の傾向Ｃ」、及び、「悪化の傾向Ｄ」が含まれる。「悪化の傾向Ａ」～「悪化の傾向Ｄ」は、同じ部材の異なる状態を示す。つまり、第２対応表ＣＳ２では、「悪化の傾向」に対応するノードが４個あり、４個のノードのそれぞれが同じ部材の異なる悪化の傾向を示す。したがって、入力データをより適合するノードに分類し、第２対応表ＣＳ２によって部材の詳細な状態がわかる。

【0064】

次に、図７と図８とを参照して、制御部３０１が第１学習プログラムＬＰ１に基づいて学習モデルＬＭを学習させる際の処理と、制御部３０１が第２学習プログラムＬＰ２に基づいて学習モデルＬＭを学習させる際の処理とを説明する。図７は、制御部３０１が実行する処理を示すフローチャートの一部である。図８は、制御部３０１が実行する処理を示すフローチャートの他の一部である。図７と図８とに示すように、制御部３０１が実行する処理は、ステップＳ１０１～ステップＳ１１８を含む。具体的には、図７に示すステップＳ１０１～ステップＳ１０７は、低分解能学習で実行する処理を示している。図８に示すステップＳ１１１～ステップＳ１１８は、高分解能学習で実行する処理を示している。

【0065】

ステップＳ１０１において、制御部３０１は、ライフサイクルデータＬＤを取得する。具体的には、制御部３０１は、通信部３０２が画像形成装置１００からライフサイクルデータＬＤを取得するように、通信部３０２を制御する。処理はステップＳ１０２に進む。

【0066】

ステップＳ１０２において、制御部３０１は、ライフサイクルデータＬＤに基づいて、学習データＳＤを生成する。処理は、ステップＳ１０３に進む。

【0067】

ステップＳ１０３において、制御部３０１は、学習モデルＬＭの入力層ＬＭＡに学習データＳＤを入力する。処理はステップＳ１０４に進む。

【0068】

ステップＳ１０４において、制御部３０１は、学習モデルＬＭの出力層ＬＭＢが所定数のノードの各々に第１重みＷＤ１を設定するように、学習モデルＬＭに学習させる。処理はステップＳ１０５に進む。

【0069】

ステップＳ１０５において、制御部３０１は、学習の終了条件を満たすか否かを判定する。学習の終了条件を満たさない場合（ステップＳ１０５において、Ｎｏ）、処理は、ステップＳ１０１に戻る。学習の終了条件を満たす場合（ステップＳ１０５において、Ｙｅｓ）、処理はステップＳ１０６に進む。

【0070】

ステップＳ１０５でＹｅｓの場合、ステップＳ１０６において、制御部３０１は、終了条件を満たした第１重みＷＤ１を記憶部３０３が記憶するように、記憶部３０３を制御する。処理はステップＳ１０６に進む。

【0071】

ステップＳ１０７において、制御部３０１は、第１対応表ＣＳ１を記憶部３０３が記憶するように、記憶部３０３を制御する。処理は、図８に示すステップＳ１１１に進む。

【0072】

図８に示すように、ステップＳ１１１において、制御部３０１は、１６個のノードのそれぞれに設定された第１重みＷＤ１に基づいて、学習モデルＬＭに学習データＳＤを１６個のノードのうちの１つに分類させる。処理は、ステップＳ１１２に進む。

【0073】

ステップＳ１１２において、制御部３０１は、１６個のノードのうち特定のノードに分類された学習データＳＤを取得する。処理は、ステップＳ１１３に進む。

【0074】

ステップＳ１１３において、制御部３０１は、１６個のノードのうち特定のノードに隣接するノードに分類された学習データＳＤを取得する。処理は、ステップＳ１１４に進む。

【0075】

ステップＳ１１４において、制御部３０１は、学習モデルＬＭの入力層ＬＭＡに学習データＳＤを入力する。処理はステップＳ１１５に進む。

【0076】

ステップＳ１１５において、制御部３０１は、学習モデルＬＭの出力層ＬＭＢが所定数のノードの各々に第２重みＷＤ２を設定するように、学習モデルＬＭに学習させる。処理はステップＳ１１６に進む。

【0077】

ステップＳ１１６において、制御部３０１は、学習の終了条件を満たすか否かを判定する。学習の終了条件を満たさない場合（ステップＳ１１６において、Ｎｏ）、処理は、ステップＳ１１１に戻る。学習の終了条件を満たす場合（ステップＳ１１６において、Ｙｅｓ）、処理はステップＳ１１７に進む。

【0078】

ステップＳ１１６でＹｅｓの場合、ステップＳ１１７において、制御部３０１は、終了条件を満たした第２重みＷＤ２を記憶部３０３が記憶するように、記憶部３０３を制御する。処理はステップＳ１１８に進む。

【0079】

ステップＳ１１８において、制御部３０１は、第２対応表ＣＳ２を記憶部３０３が記憶するように、記憶部３０３を制御する。処理は終了する。

【0080】

次に図２と図９とを参照して画像形成装置１００について更に詳しく説明する。図９は、画像形成装置１００の構成を示すブロック図である。図２に示されるように、画像形成装置１００は、ドラム回転数カウンター１６１と、露光量センサー１６２と、トナー濃度センサー１６３と、印刷枚数カウンター１６４とを更に備える。

【0081】

ドラム回転数カウンター１６１は、感光体ドラム１１６ｂの回転数を示す第１生データＩＤ１を制御部１４０に提供する。ドラム回転数カウンター１６１は、感光体ドラム１１６ｂを回転駆動するモーターに取り付けられる。第１生データＩＤ１は、例えば感光体ドラム１１６ｂの実回転カウント数を示す。第１生データＩＤ１は、「第１データ」の一例に相当する。感光体ドラム１１６ｂの周長に感光体ドラム１１６ｂの実回転カウント数を乗じて得られる値は、感光体ドラム１１６ｂの総走行距離を示す。

【0082】

露光量センサー１６２は、露光部１１６ａから感光体ドラム１１６ｂへのレーザー光の露光量を示す第２生データＩＤ２を制御部１４０に提供する。露光部１１６ａは、ＬＳＵ（Ｌａｓｅｒ Ｓｃａｎｎｉｎｇ Ｕｎｉｔ）を備える。第２生データＩＤ２は、例えばＬＳＵ露光量を示す。第２生データＩＤ２は、「第２データ」の一例に相当する。

【0083】

トナー濃度センサー１６３は、感光体ドラム１１６ｂから中間転写ベルト１１６ｇに転写されたトナー像の濃度を示す第３生データＩＤ３を制御部１４０に提供する。第３生データＩＤ３は、例えば中間転写ベルト１１６ｇの表面上に形成されたパッチの濃度を示す。第３生データＩＤ３は、「第３データ」の一例に相当する。

【0084】

印刷枚数カウンター１６４は、ユーザーによる画像形成装置１００の使用頻度を示す第４生データＩＤ４を制御部１４０に提供する。第４生データＩＤ４は、例えば１日あたりの印刷枚数を示す。第４生データＩＤ４は、「第４データ」の一例に相当する。

【0085】

第１生データＩＤ１～第４生データＩＤ４を受け取った制御部１４０は、第１生データＩＤ１と、第２生データＩＤ２と、第３生データＩＤ３と、第４生データＩＤ４とのうちの少なくとも１つを含む入力データを生成する。以下、入力データを入力データＩＤと記載する場合がある。

【0086】

記憶部１２０は、学習済みモデルＬＭと、第１重みＷＤ１と、第２重みＷＤ２と、第１対応表ＣＳ１と、第２対応表ＣＳ２とを記憶する。学習済みモデルＬＭは、サーバー装置３００から受信した学習モデルＬＭである。また、第１重みＷＤ１と第２重みＷＤ２と、第１対応表ＣＳ１と、第２対応表ＣＳ２とは、学習モデルＬＭと共に、サーバー装置３００から受信する。

【0087】

引き続き、図９を参照して、実施形態１の画像形成装置１００の制御部１４０を詳しく説明する。

【0088】

制御部１４０は、実行部１４１と、変更部１４２と、判定部１４３と、推定部１４４とを含む。制御部１４０は、記憶部１２０に記憶されたコンピュータープログラムを実行することによって、実行部１４１、変更部１４２、判定部１４３、及び、推定部１４４として機能する。

【0089】

実行部１４１は、部材に関する入力データを入力層ＬＭＡに入力して、入力データを所定数のノードのうちの１つのノードに分類した分類結果を出力層ＬＭＢに出力させる。具体的には、実行部１４１は、第１重みＷＤ１を適用した学習済みモデルＬＭの入力層ＬＭＡに入力データＩＤを入力し、入力データＩＤを所定数のノードのうちの１つのノードに分類した第１分類結果を出力層ＬＭＢに出力させる。また、実行部１４１は、第２重みＷＤ２を適用した学習済みモデルＬＭの入力層ＬＭＡに入力データＩＤを入力し、入力データＩＤを所定数のノードのうちの１つのノードに分類した第２分類結果を出力層ＬＭＢに出力させる。

【0090】

推定部１４４は、部材の状態を推定する。具体的には、推定部１４４は、第１分類結果と第１対応表ＣＳ１とに基づいて、部材の状態を推定する。したがって、推定部１４４は、感光体ドラム１１６ｂの状態を推定できる。この結果、推定部１４４の推定結果から、使用者は感光体ドラム１１６ｂの状態を認識できる。

【0091】

変更部１４２は、学習済みモデルＬＭが出力した分類結果に基づいて、学習済みモデルＬＭに適用する重みを第１重みＷＤ１と第２重みＷＤ２との間で変更する。具体的には、変更部１４２は、第１分類結果に基づいて、学習済みモデルＬＭに適用する重みを第１重みＷＤ１と第２重みＷＤ２との間で変更する。したがって、分類結果に応じて、入力データを大まかに分類するか詳細に分類するかを変更できる。この結果、１つの学習済みモデルＬＭに適用する重みを変更することで、使用者の目的に応じた分類を行うことができる。

【0092】

例えば、感光体ドラム１１６ｂの状態を詳細に知りたい場合、学習済みモデルＬＭに適用する重みを第２重みＷＤ２に変更する。したがって、入力データが感光体ドラム１１６ｂの具体的な状態を示すノードに分類され、使用者は、画像形成装置１００の状態を詳細に把握できる。この結果、使用者は、感光体ドラム１１６ｂの状態を詳細に知ることができる。

【0093】

判定部１４３は、第１分類結果に基づいて、入力データが所定のノードに分類されたか否かを判定する。所定のノードは、予め定められたノードである。予め定められたノードは、使用者によって設定される。所定のノードは、例えば、部材が故障している状態を示す。具体的には、例えば、所定のノードは、感光体ドラム１１６ｂが故障している状態を示す。

【0094】

そして、変更部１４２は、判定部１４３の判定結果に基づいて、学習済みモデルＬＭに適用する重みを第１重みＷＤ１から第２重みＷＤ２に変更する。したがって、第２重みＷＤ２を適用した学習済みモデルＬＭによって入力データを分類できる。この結果、入力データを更に精度よく分類できる。

【0095】

推定部１４４は、第２分類結果と第２対応表ＣＳ２とに基づいて、部材の状態を推定する。したがって、推定部１４４は、精度よく分類された部材の状態を第２対応表ＣＳ２から推定できる。この結果、推定部１４４の推定結果から、使用者は感光体ドラムの状態を認識できる。

【0096】

次に、図１０（ａ）と図１０（ｂ）とを参照して、画像形成装置１００の学習済みモデルＬＭが入力データを分類する処理を説明する。図１０（ａ）は、第１重みＷＤ１を適用した学習済みモデルＬＭの処理を示す模式図である。図１０（ｂ）は、第２重みＷＤ２を適用した学習済みモデルＬＭの処理を示す模式図である。

【0097】

まず、図１０（ａ）に示すように、学習済みモデルＬＭには、第１重みＷＤ１が適用される。第１重みＷＤ１が適用された学習済みモデルＬＭの入力層ＬＭＡには、入力データＩＤが入力される。次に、学習済みモデルＬＭは、第１重みＷＤ１に基づいて、入力層ＬＭＡに入力された入力データＩＤを出力層ＬＭＢの１６個のノードのうちの１つに分類する。例えば、図１０（ａ）に示す１６個のノードのうちの第１１ノードに入力データを分類する。つまり、学習済みモデルＬＭの出力層ＬＭＢは、第１１ノードに入力データが分類されたことを示す第１分類結果を出力する。

【0098】

次に、判定部１４３は、第１分類結果に基づいて、入力データが所定のノードに分類されたか否かを判定する。所定のノードは、例えば、第１１ノードと、第１２ノードと、第１５ノードと、第１６ノードである。所定のノードは、複数のノードであってもよいし、１つのノードであってもよい。つまり、判定部１４３は、第１分類結果が所定のノードに分類されたと判定する。

【0099】

第１分類結果が所定のノードに分類されたと判定部１４３が判定する場合、図１０（ｂ）に示すように、変更部１４２は、学習済みモデルＬＭの重みを第１重みＷＤ１から第２重みＷＤ２に変更する。次に、実行部１４１は、第２重みＷＤ２を適用した学習済みモデルＬＭの入力層ＬＭＡに入力データＩＤを入力し、入力データＩＤを所定数のノードのうちの１つのノードに分類した第２分類結果を出力層ＬＭＢに出力させる。例えば、第２分類結果は、入力データＩＤが第２ノードに分類されたことを示す。

【0100】

次に、推定部１４４は、第２分類結果と第２対応表ＣＳ２とに基づいて、部材の状態を推定する。例えば、推定部１４４は、感光体ドラム１１６ｂの詳細な状態を推定できる。この結果、推定部１４４の推定結果から、使用者は感光体ドラム１１６ｂの状態を認識できる。

【0101】

なお、第１分類結果が所定のノードに分類されていないと判定部１４３が判定する場合、推定部１４４は、第１分類結果と第１対応表ＣＳ１に基づいて、画像形成装置１００の部材の状態を推定する。

【0102】

次に、図１１と図１２とに基づいて、画像形成装置１００の制御部１４０が実行する処理を説明する。図１１は、画像形成装置１００の制御部１４０が実行する処理を示すフローチャートの一部である。図１２は、画像形成装置１００の制御部１４０が実行する処理を示すフローチャートの更に一部である。図１１と図１２とに示す画像形成装置１００の制御部１４０が実行する処理は、ステップＳ１２１～ステップＳ１３６を含む。

【0103】

ステップＳ１２１において、制御部１４０は入力データＩＤを取得する。処理はステップＳ１２２に進む。

【0104】

ステップＳ１２２において、制御部１４０は第１分類結果が存在するか否かを判定する。第１分類結果が存在しない場合（ステップＳ１２２において、Ｎｏ）、処理は図１２に示すステップＳ１３１に進む。第１分類結果が存在しない場合（ステップＳ１２２において、Ｙｅｓ）、処理は、ステップＳ１２３に進む。

【0105】

ステップＳ１２２でＮｏの場合、ステップＳ１２３において、変更部１４２は学習済みモデルＬＭの重みを第１重みＷＤ１に変更する。処理は、ステップＳ１２４に進む。

【0106】

ステップＳ１２４において、実行部１４１は、第１重みＷＤ１を適用した学習済みモデルＬＭに入力データＩＤを入力する。処理はステップＳ１２５に進む。

【0107】

ステップＳ１２５において、実行部１４１は、学習済みモデルＬＭに入力データを分類させる。具体的には、実行部１４１は、出力層ＬＭＢの所定数のノードのうちの１つのノードに入力データを分類させ、学習済みモデルＬＭに第１分類結果を出力させる。処理は、図１２に示すステップＳ１３１に進む。

【0108】

図１１に示すステップＳ１２２でＹｅｓの場合、図１２に示すように、ステップＳ１３１において、判定部１４３は、第１分類結果に基づいて、入力データＩＤが所定のノードに分類されたか否かを判定する。入力データＩＤが所定のノードに分類されない場合（ステップＳ１３１において、Ｎｏ）、処理はステップＳ１３６に進む。入力データＩＤが所定のノードに分類された場合（ステップＳ１３１において、Ｙｅｓ）、処理はステップＳ１３２に進む。

【0109】

ステップＳ１３１でＹｅｓの場合、ステップＳ１３２において、変更部１４２は、学習済みモデルＬＭの重みを第２重みＷＤ２に変更する。処理はステップＳ１３３に進む。

【0110】

ステップＳ１３３において、実行部１４１は、第２重みＷＤ２を適用した学習済みモデルＬＭに入力データＩＤを入力する。処理はステップＳ１３４に進む。

【0111】

ステップＳ１３４において、実行部１４１は、学習済みモデルＬＭに入力データを分類させる。具体的には、実行部１４１は、出力層ＬＭＢの所定数のノードのうちの１つのノードに入力データを分類させ、学習済みモデルＬＭに第２分類結果を出力させる。処理は、ステップＳ１３５に進む。

【0112】

ステップＳ１３５において、推定部１４４は、第２分類結果と第２対応表ＣＳ２とに基づいて、画像形成装置１００の部材の状態を推定する。処理は、終了する。

【0113】

ステップＳ１３１でＮｏの場合、ステップＳ１３６において、推定部１４４は、第１分類結果と第１対応表ＣＳ１とに基づいて、画像形成装置１００の部材の状態を推定する。処理は、終了する。

【0114】

なお、推定部１４４の推定結果は、制御部１４０が使用者に報知してもよい。また、推定結果を専用の端末で使用者が取得してもよい。

【0115】

［実施形態２］
次に、図１３を参照して、実施形態２の画像形成装置１００を説明する。実施形態２の画像形成装置１００の記憶部１２０は、複数の第２重みＷＤ２０と、複数の第２対応表ＣＳ２０とを有する点で、実施形態１の画像形成装置１００と異なる。換言すると、実施形態２では、出力層ＬＭＢの１６個のノードのそれぞれに設定される第２重みＷＤ２のセットが複数ある。実施形態２では、第２重みＷＤ２のセットの数に対応した第２対応表ＣＳが複数ある。以下、実施形態２について、実施形態１と異なる事項について説明し、実施形態１と重複する部分についての説明は割愛する。図１３は、実施形態２の画像形成装置１００の構成を示す図である。

【0116】

実施形態２の画像形成装置１００は、画像形成部１１０と、記憶部１２０と、通信部１３０と、制御部１４０と、ドラム回転数カウンター１６１と、露光量センサー１６２と、トナー濃度センサー１６３と、印刷枚数カウンター１６４とを備える。

【0117】

画像形成部１１０は、シートＳに画像を形成する。記憶部１２０は、データ及びコンピュータープログラムを記憶する。通信部１３０は、ネットワークＮを介してサーバー装置３００と通信する。制御部１４０は、ＣＰＵのようなプロセッサーを含む。制御部１４０のプロセッサーは、記憶部１２０に記憶されたコンピュータープログラムを実行することによって、画像形成装置１００の各構成を制御する。ドラム回転数カウンター１６１は、感光体ドラム１１６ｂの回転数を示す第１生データＩＤ１を制御部１４０に提供する。露光量センサー１６２は、露光部１１６ａから感光体ドラム１１６ｂへのレーザー光の露光量を示す第２生データＩＤ２を制御部１４０に提供する。トナー濃度センサー１６３は、感光体ドラム１１６ｂから中間転写ベルト１１６ｇに転写されたトナー像の濃度を示す第３生データＩＤ３を制御部１４０に提供する。印刷枚数カウンター１６４は、ユーザーによる画像形成装置１００の使用頻度を示す第４生データＩＤ４を制御部１４０に提供する。

【0118】

記憶部１２０は、学習済みモデルＬＭと、第１重みＷＤ１と、複数の第２重みＷＤ２０と、第１対応表ＣＳ１と、複数の第２対応表ＣＳ２０とを記憶する。

【0119】

学習済みモデルＬＭは、サーバー装置３００から送信された学習モデルＬＭである。学習済みモデルＬＭは自己組織化写像によって構築される。

【0120】

第１重みＷＤ１は、出力層ＬＭＢの１６個のノードのうちの１つのノードに入力データを分類する係数を示す。

【0121】

複数の第２重みＷＤ２０は、第１重みＷＤ１と異なる。複数の第２重みＷＤ２０のそれぞれは、出力層ＬＭＢの１６個のノードのうちの１つのノードに入力データを分類する係数を示す。

【0122】

実施形態２の第２重みＷＤ２０は、第１重みＷＤ１を適用した学習済みモデルＬＭのうちの１つのノードが示す状態を更に詳細に分類できる。つまり、実施形態２では、第１重みＷＤ１を適用した学習済みモデルＬＭの第１ノード～第１６ノードのそれぞれが示す状態を更に詳細に分類できる。具体的には、複数の第２重みＷＤ２０は、第２重みＷＤ２１～第２重みＷＤ３５を含む。第２重みＷＤ２１～第２重みＷＤ３５のそれぞれは、第１重みＷＤ１を適用した学習済みモデルＬＭの第１ノード～第１６ノードに対応する。

【0123】

例えば、第２重みＷＤ２１は、第１重みＷＤ１を適用した学習済みモデルＬＭが、第１ノードに分類した学習データＳＤと、第１ノードに隣接するノードに分類された学習データＳＤとを学習モデルＬＭが学習することで、出力層ＬＭＢの１６個のノードのそれぞれに設定された重みである。つまり、第２重みＷＤ２１を適用した学習済みモデルＬＭは、第１重みＷＤ１を適用した学習済みモデルＬＭの第１ノードに対応する部材の状態より、更に詳細な部材の状態を示すノードに入力データＩＤを分類できる。

【0124】

第１対応表ＣＳ１は、第１重みＷＤ１を適用した学習済みモデルＬＭの所定数のノードのそれぞれに関連付けられた部材の状態を示す。

【0125】

複数の第２対応表ＣＳ２０の各々は、第２重みＷＤ２０を適用した学習済みモデルＬＭの所定数のノードのそれぞれに関連付けられた部材の状態を示す。複数の第２対応表ＣＳ２０は、第２対応表ＣＳ２１～第２対応表ＣＳ３５を含む。第２対応表ＣＳ２１～第２対応表ＣＳ３５は、第２重みＷＤ２１～第２重みＷＤ３５に対応する。例えば、第２対応表ＣＳ２１は、第２重みＷＤ２１に対応する。つまり、第２対応表ＣＳ２１は、第２重みＷＤ２１が設定された１６個のノードに対応する。

【0126】

実施形態２に示す画像形成装置１００の制御部１４０が実行する処理では、実行部１４１は、第１第１重みＷＤ１を適用した学習済みモデルＬＭの入力層ＬＭＡに、入力データＩＤを入力する。次に、実行部１４１は、第１重みＷＤ１を適用した学習済みモデルＬＭの出力層ＬＭＢの複数のノードのうちの１つのノードに入力データＩＤを分類させ、第１分類結果を出力させる。

【0127】

次に、変更部１４２は、第１分類結果に基づいて、複数の第２重みＷＤ２０のうち、第１分類結果に対応する第２重みに学習済みモデルＬＭの重みを変更する。例えば、第１分類結果が第１ノードである場合、変更部１４２は学習済みモデルＬＭの重みを第２重みＷＤ２１に変更する。次に、第２重みＷＤ２１が適用された学習済みモデルＬＭに、実行部１４１は入力データＩＤを入力する。

【0128】

次に、実行部１４１は、第２重みＷＤ２１を適用した学習済みモデルＬＭの出力層ＬＭＢの複数のノードのうちの１つのノードに入力データＩＤを分類させ、第２分類結果を出力させる。そして、推定部１４４は、第２分類結果と第２重みＷＤ２１に対応する第２対応表ＣＳ２１に基づいて、感光体ドラム１１６ｂの状態を推定する。推定結果は、制御部１４０が使用者に報知してもよい。

【0129】

実施形態２の画像形成装置１００が実行する処理では、入力データＩＤを大まかに分類し、次に入力データＩＤを詳細に分類できる。したがって、入力データＩＤを分類するためのノードの数の増加を抑制しつつ、分類精度を向上できる。この結果、学習済みモデルＬＭが実装対象の記憶部１２０の記憶容量を大きく使用することを抑制できる。

【0130】

次に、図１４を参照して、実施形態２の画像形成装置１００が実行する処理を説明する。図１４は、実施形態２の画像形成装置１００が実行する処理を示すフローチャートである。実施形態２の画像形成装置１００が実行する処理は、ステップＳ１４１～ステップＳ１４９を含む。また、図１４に示すステップＳ１４１～ステップＳ１４５は、図１１に示すステップＳ１２１～ステップＳ１２５に対応する。図１４に示すステップＳ１４６～ステップＳ１４９は、図１２に示すステップＳ１３２～ステップＳ１３５に対応する。

【0131】

以上、図面を参照しながら本発明の実施形態を説明した。但し、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の各実施形態に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明の形成が可能である。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚み、長さ、個数、間隔等は、図面作成の都合上から実際とは異なる。また、上記の実施形態で示す各構成要素の速度、材質、形状、寸法等は一例であって、特に限定されるものではなく、本発明の構成から実質的に逸脱しない範囲で種々の変更が可能である。

【0132】

（１）実施形態１では、低分解能学習モデルＬＭが特定のノードに分類した学習データＳＤと低分解能学習モデルＬＭが特定のノードと隣接するノードに分類した学習データＳＤとで高分解能学習を行ったがこれに限らない。例えば、高分解能学習をする場合、低分解能学習モデルＬＭが特定のノードに分類した学習データＳＤのみを学習モデルＬＭの入力層ＬＭＡに入力して、学習モデルＬＭを学習させてもよい。例えば、特定のノードが第１１ノードである場合、制御部３０１は低分解能学習モデルＬＭに第１１ノードに分類された入力データを取得する。そして、制御部３０１は、取得した入力データを学習データＳＤとして入力層ＬＭＡに入力する。そして、１６個のノードのそれぞれに互いに異なる第２重みＷＤ２が設定されるまで学習を続ける。したがって、高分解能学習モデルＬＭでは、入力データＩＤをより詳細に分類できる。この結果、学習モデルＬＭが精度の高い分類を実行できる。

【0133】

（２）また、サーバー装置３００の制御部３０１は、低分解能学習と高分解能学習とを続けてもよい。そして、第１重みＷＤ１と第２重みＷＤ２とは、サーバー装置３００から定期的に画像形成装置１００に送信される。第１重みＷＤ１と第２重みＷＤ２とを受け取った画像形成装置１００は、記憶部１２０に記憶する第１重みＷＤ１と第２重みＷＤ２とを更新する。よって画像形成装置１００の学習済みモデルＬＭは、更新した第１重みＷＤ１と更新した第２重みＷＤ２とのうちのいずれかを適用できる。

【0134】

（３）実施形態１では、高分解能学習は、１度のみ実行されていたがこれに限らない。つまり、高分解能学習モデルＬＭが特定のノードに分類した学習データＳＤと高分解能学習モデルＬＭが特定のノードに隣接するノードに分類した学習データＳＤとを学習モデルＬＭに学習させてもよい。したがって、学習モデルＬＭは、高分解能学習モデルＬＭよりも、適切な分類に分類できる。この結果、更に詳細な分類に入力データＩＤを分類できる学習モデルＬＭを得ることができる。

【産業上の利用可能性】

【0135】

本発明は、学習モデルの生成方法、学習モデル及び画像形成装置を提供するものであり、産業上の利用可能性を有する。

【符号の説明】

【0136】

１００ ：画像形成装置
１１４ ：搬送部
１１４ａ ：搬送ローラー
１１６ｂ ：感光体ドラム
１２０ ：記憶部
１４０ ：制御部
１４１ ：実行部
１４２ ：変更部
１４３ ：判定部
１４４ ：推定部
ＣＳ１ ：第１対応表
ＣＳ２ ：第２対応表
ＬＭ ：学習モデル（学習済みモデル）
ＬＭＡ ：入力層
ＬＭＢ ：出力層
ＬＰ ：学習プログラム
ＬＰ１ ：学習プログラム
ＬＰ２ ：学習プログラム
ＳＤ ：学習データ
ＩＤ ：入力データ
ＷＤ１ ：第１重み
ＷＤ２ ：第２重み

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】