印刷数据生成装置的制作方法

本发明涉及一种对印刷作业中包含的原稿数据实施rip(rasterimageprocessor：光栅图像处理器)处理并生成印刷数据的印刷数据生成装置。

背景技术：

以往，已知一种受理从计算机输出的pdl(pagedescriptionlanguage：页面描述语言)形式的印刷作业并基于该印刷作业进行印刷的印刷装置。

在这种印刷装置中，对所受理的pdl形式的印刷作业实施rip处理，由此生成印刷数据(例如参照专利文献1)。

rip处理是在进行印刷作业的文章结构分析之后对印刷作业进行光栅化并生成印刷数据的处理。印刷装置基于通过rip处理生成的印刷数据来进行印刷。

现有技术文献

专利文献

专利文献1：日本特开2013-43294号公报

技术实现要素：

发明要解决的问题

在此，基于规定的rip设定条件来进行上述的rip处理。作为rip设定条件，例如有mtr(multithreadrendering：多线程渲染)的设定条件、进行rip处理时的原稿数据的分割条带(band)数以及在rip处理中使用的存储器数等。mtr的设定条件是指在rip处理中使用的cpu的线程数。另外，原稿数据的分割条带数是指将一张原稿数据分割为多个条带(区域)并按每个条带进行rip处理的情况下的要分割出的条带数。

这种rip设定条件优选设为使印刷速度成为最大那样的条件，但是使印刷速度为最大的rip设定条件根据印刷作业中包含的原稿数据的数据大小、印刷设定条件而不同。此外，印刷速度是基于从印刷装置接收到印刷作业起直到排出其印刷物为止的时间计算出的每一分钟的印刷张数(ppm)。印刷速度是根据原稿数据的数据大小、印刷设定条件、rip设定条件来决定的，且印刷速度根据这些条件而改变。另外，此处所说的使印刷速度为最大是指尽可能地使印刷速度接近进行印刷作业的印刷的印刷部的处理速度。印刷部的处理速度为由印刷部的机械结构决定的最大速度(ppm)，是固定的值。

而且，能够在印刷前获取印刷作业的原稿数据的数据大小、印刷设定条件，但是由于数据大小与印刷设定条件的组合有无数个，因此难以针对这些组合制作条件式来决定使印刷速度为最大的最优的rip设定条件。

鉴于上述情形，本发明的目的在于提供一种能够决定出使印刷速度成为最大的被进行了最优化的rip设定条件的印刷数据生成装置。

用于解决问题的方案

本发明的印刷数据生成装置具备：机器学习部，其具有学习完成模型，所述学习完成模型是将多个印刷作业的原稿数据的数据大小、印刷设定条件及rip(rasterimageprocessor)设定条件与由印刷部印刷原稿数据时的印刷速度之间的关系作为输入来进行机器学习而得到的模型；印刷速度预测部，其通过针对学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件及任意的rip设定条件，来预测印刷对象的印刷作业的印刷速度；rip设定条件决定部，其决定使由印刷速度预测部预测出的印刷速度接近印刷部的处理速度或成为处理速度以上的最优化rip设定条件；以及rip处理部，其基于由rip设定条件决定部决定出的最优化rip设定条件，进行印刷对象的印刷作业的rip(rasterimageprocessor)处理并生成印刷数据，将该印刷数据输出到印刷部。

发明的效果

根据本发明的印刷数据生成装置，具备机器学习部，该机器学习部具有学习完成模型，该学习完成模型是将多个印刷作业的原稿数据的数据大小、印刷设定条件及rip设定条件与由印刷部印刷原稿数据时的印刷速度之间的关系作为输入来进行机器学习而得到的模型，通过针对该学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件以及任意的rip设定条件，来预测印刷对象的印刷作业的印刷速度，并且决定使所预测出的该印刷速度接近印刷部的处理速度或成为处理速度以上的最优化rip设定条件，因此能够决定出使实际的印刷速度为最大的最优化rip设定条件。

附图说明

图1是示出使用了本发明的印刷数据生成装置的第一实施方式的印刷装置的概要结构的框图。

图2是示出使用了本发明的印刷数据生成装置的第一实施方式的印刷装置的硬件的结构例的图。

图3是示出色彩模式(自动彩色印刷)的情况下的rip处理的线程数与生产性(ppm)的关系的图表。

图4是示出色彩模式(灰度)的情况下的rip处理的线程数与生产性(ppm)的关系的图表。

图5是用于说明第一实施方式的印刷装置的处理的流程图。

图6是示出预先设定有与各种rip设定条件对应的预测印刷速度的表的一例的图。

图7是示出使用了本发明的印刷数据生成装置的第二实施方式的印刷装置的概要结构的框图。

图8是示出使用了本发明的印刷数据生成装置的第三实施方式的印刷装置的概要结构的框图。

附图标记说明

1、2、3：印刷装置；10：印刷数据生成部；11：印前预检部；12：机器学习部；13：印刷速度预测部；14：rip设定条件决定部；15：rip处理部；16：教师数据获取部；20：印刷部；30：输入受理部；40：印刷数据生成部；41：印前预检部；42：机器学习部；43：rip设定条件决定部；44：rip处理部；50：印刷数据生成部；51：印前预检部；52：第一机器学习部；53：印刷速度预测部；54：rip设定条件决定部；55：rip处理部；56：教师数据获取部；57：第二机器学习部。

具体实施方式

下面，参照附图详细地说明使用了本发明的印刷数据生成装置的第一实施方式的印刷装置。图1是示出本实施方式的印刷装置1的概要结构的框图。

如图1所示，本实施方式的印刷装置1具备印刷数据生成部10、印刷部20以及输入受理部30。在本实施方式中，印刷数据生成部10相当于本发明的印刷数据生成装置。

本实施方式的印刷数据生成部10具备印前预检(preflight)部11、机器学习部12、印刷速度预测部13、rip设定条件决定部14、rip处理部15以及教师数据获取部16。

另外，图2是示出本实施方式的印刷装置1的硬件的结构例的图。如图2所示，本实施方式的印刷装置1的印刷数据生成部10具备cpu(centralprocessingunit：中央处理单元)、rom(readonlymemory：只读存储器)以及ram(randomaccessmemory：随机存取存储器)等半导体存储器、硬盘等储存器、以及通信i/f。此外，在图2中，只示出了一个rom和ram，但是本实施方式的印刷数据生成部10设为具备多个rom和ram。

在印刷数据生成部10的半导体存储器或硬盘中安装有印刷数据生成程序，通过cpu执行该印刷数据生成程序，由此使印刷数据生成部10的各部发挥功能。

另外，在印刷数据生成部10的半导体存储器或硬盘中安装有用于控制印刷部20和输入受理部30的动作的控制程序，通过cpu执行该控制程序来对印刷部20和输入受理部30的动作进行控制。即，印刷数据生成部10中的cpu使印刷数据生成部10的各部发挥功能，并且对印刷部20和输入受理部30的动作进行控制。

此外，在本实施方式中，通过印刷数据生成程序来实现印刷数据生成部10的各部的功能，通过控制程序来实现印刷部20和输入受理部30的控制，但是不限于此，也可以通过asic(applicationspecificintegratedcircuit：专用集成电路)、fpga(field-programmablegatearray：现场可编程门阵列)、其它电路等硬件来实现一部分或全部的功能或者控制。

返回图1，印前预检部11例如经由通信i/f受理从计算机输出的包含原稿数据的印刷作业，对该印刷作业进行分析。本实施方式的印前预检部11进行印刷作业的印前预检，并且获取印刷作业中包含的原稿数据的数据大小和印刷设定条件，将该数据大小和印刷设定条件输出到印刷速度预测部13和教师数据获取部16。此外，印前预检部11不限于受理上述的从计算机输出的印刷作业，例如还受理由扫描仪等读取出的包含原稿数据的印刷作业。

在印刷作业中包含多页的原稿数据的情况下，原稿数据的数据大小为该多页的原稿数据的数据大小的合计值。

作为印刷设定条件，例如存在彩色印刷或单色印刷的条件、单面印刷或双面印刷的条件以及n-up印刷的条件等，但是不限于此，只要是与印刷有关的设定条件即可，也可以包含其它的条件。

机器学习部12具有学习完成模型，该学习完成模型是预先将多个印刷作业的原稿数据的数据大小、印刷设定条件及rip设定条件与由印刷部20印刷上述原稿数据时的印刷速度之间的关系作为输入来进行机器学习而得到的模型。

学习完成模型可以基于输入到印刷装置1的印刷作业来生成，但是也可以基于具有与印刷装置1同等的印刷部的其它印刷装置中的印刷作业的印刷结果来生成并存储到机器学习部12中。

rip设定条件是在rip处理部15中进行rip处理时使用的条件，例如有mtr的设定条件、进行rip处理时的原稿数据的分割条带数以及在rip处理中使用的存储器数等，但是只要是在rip处理时使用的条件即可，也可以包含其它的条件。

mtr的设定条件是指在rip处理中使用的cpu的线程数。

在此，rip处理中使用的线程数越多，则能够越高速地进行rip处理本身，但是并不能说是rip处理中使用的线程数越多则生产性越高。此外，生产性与印刷速度同义，是基于从印刷装置1接收到印刷作业起直到排出其印刷物为止的时间计算出的每一分钟的印刷张数(ppm)。

这是因为，在除rip处理以外的处理中也使用cpu，在对rip处理分配了较多的线程数的情况下，其它的处理中使用的cpu的线程数减少，由此就处理整体而言存在处理效率降低、处理时间变长的情况。

而且，提高生产性的rip处理的最优的线程数如上述那样与印刷设定条件相关联。图3是示出色彩模式(自动彩色印刷)的情况下的rip处理的线程数与生产性(ppm)的关系的图表，图4是示出色彩模式(灰度)的情况下的rip处理的线程数与生产性(ppm)的关系的图表。如图3所示，在色彩模式(自动彩色印刷)的情况下，达到线程数3会提高生产性，在线程数3与线程数4之间，生产性几乎不变。即，在该情况下，将rip处理的线程数设为3来对除rip处理以外的处理分配cpu的线程数较好。

另外，如图4所示，在色彩模式(灰度)的情况下，对rip处理分配的线程数越多则生产性越低。

像这样，rip处理中使用的线程数及印刷设定条件的组合与生产性即印刷部20的印刷速度相关联。

另外，rip设定条件中的原稿数据的分割条带数是指将一张原稿数据分割为多个条带(区域)并按每个条带进行rip处理的情况下的要分割出的条带数。在分割条带数少的情况下，一次进行rip处理的原稿数据的数据大小变大，因此需要增加后述的rip处理中使用的存储器数(半导体存储器的数量)。其结果是，对除rip处理以外的处理分配的存储器数变少，处理变慢。

另一方面，在分割条带数多的情况下，一次进行rip处理的原稿数据的数据大小变小，因此rip处理中使用的存储器数可以较少，但是需要重复地进行每个条带的rip处理，因此rip处理相应地变慢。

像这样，rip设定条件中的原稿数据的分割条带数和在rip处理中使用的存储器数也与生产性即印刷部20的印刷速度相关联。

机器学习部12的学习完成模型是将被认为与印刷部20的印刷速度关联的印刷作业的原稿数据的数据大小、印刷设定条件及上述的rip设定条件与此时的实际的印刷速度之间的关系作为输入来进行机器学习而得到的模型。

印刷速度预测部13通过针对机器学习部12中所存储的学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件以及任意的rip设定条件，来预测印刷对象的印刷作业的印刷速度。

具体地说，本实施方式的印刷速度预测部13获取从印前预检部11输出的印刷对象的印刷作业的原稿数据的数据大小和印刷设定条件。而且，印刷速度预测部13首先将获取到的该原稿数据的数据大小及印刷设定条件、以及预先设定的初始设定的rip设定条件输入到机器学习部12中存储的学习完成模型。

然后，印刷速度预测部13通过获取从机器学习部12中存储的学习完成模型输出的印刷速度，来预测印刷对象的印刷作业的印刷速度。

rip设定条件决定部14决定使由印刷速度预测部13预测出的印刷速度接近印刷部20的处理速度的最优化rip设定条件。

具体地说，本实施方式的rip设定条件决定部14首先将由印刷速度预测部13基于初始设定的rip设定条件预测出的印刷速度与预先设定的印刷部20的处理速度进行比较。印刷部20的处理速度是指由印刷部20的机械结构决定的处理速度(ppm)。印刷部20的处理速度例如由用户在输入受理部30中设定输入并存储于rip设定条件决定部14。

然后，在预测出的印刷速度比印刷部20的处理速度慢的情况下，即在无法充分地发挥印刷部20的处理能力的情况下，rip设定条件决定部14变更上述初始设定的rip设定条件，并将变更后的该rip设定条件输出到印刷速度预测部13。印刷速度预测部13将被输入的变更后的rip设定条件、以及印刷对象的印刷作业的原稿数据的数据大小及印刷设定条件输入到学习完成模型，并再次预测印刷速度。

在印刷速度预测部13中预测出的印刷速度再次被输入到rip设定条件决定部14。rip设定条件决定部14判定再次预测出的印刷速度是否处于以印刷部20的处理速度为基准的预先设定的阈值范围内，在不处于阈值范围内的情况下，判定为预测出的印刷速度不接近印刷部20的处理速度，再次变更rip设定条件，并将变更后的该rip设定条件输出到印刷速度预测部13。

rip设定条件决定部14如上述那样判定在印刷速度预测部13中预测出的印刷速度是否处于预先设定的阈值范围内，在不处于阈值范围内的情况下，依次变更rip设定条件并输出到印刷速度预测部13。然后，印刷速度预测部13根据变更后的rip设定条件的输入并使用学习完成模型依次预测印刷速度，并依次输出到rip设定条件决定部14。

然后，通过重复进行rip设定条件的变更和印刷速度的预测，由此rip设定条件决定部14决定出使由印刷速度预测部13预测出的印刷速度处于预先设定的阈值范围内的最优化rip设定条件，并将该最优化rip设定条件输出到rip处理部15。

rip处理部15基于由rip设定条件决定部14决定出的最优化rip设定条件，来进行印刷对象的印刷作业的rip处理并生成印刷数据，将该印刷数据输出到印刷部20。

在印刷部20中基于由rip处理部15生成的印刷数据结束了印刷对象的印刷作业的印刷的情况下，教师数据获取部16获取该印刷时的印刷速度、印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件以及上述的最优化rip设定条件来作为教师数据，并将该教师数据输出到机器学习部12。机器学习部12使用被输入的教师数据来进一步进行学习完成模型的机器学习。通过像这样进行学习完成模型的机器学习，由此能够提高印刷速度的预测精度。

印刷部20使用从rip处理部15输出的印刷数据来对纸、薄膜等印刷介质实施印刷。本实施方式的印刷部20例如能够设为具备具有对印刷介质喷出墨来实施印刷的喷墨头的打印引擎，但是不限于这种喷墨方式的打印引擎，也可以设为使用感光鼓将碳粉转印到印刷介质来实施印刷的激光方式的打印引擎，也可以设为孔版印刷方式的打印引擎。

输入受理部30例如由触摸面板构成，显示各种信息，并且受理由用户进行的各种设定输入。输入受理部30例如显示印刷条件设定输入画面，在该印刷条件设定输入画面上受理由用户进行的印刷设定条件的设定输入。在印刷条件设定输入画面中设定输入的印刷设定条件例如以与由扫描仪等读取出的原稿数据相关联的方式包含于印刷作业中。

接着，参照图5所示的流程图来说明本实施方式的印刷装置1的处理。

首先，通过印前预检部11来受理从计算机等输出的印刷作业(s10)。印前预检部11如上述那样进行印刷作业的印前预检，并且获取印刷作业中包含的原稿数据的页数、原稿数据的数据大小以及印刷设定条件(s12)。

然后，从印前预检部11输出的原稿数据的页数、原稿数据的数据大小以及印刷设定条件被输入到印刷速度预测部13。印刷速度预测部13将被输入的页数与预先设定的阈值进行比较(s14)，在输入的页数超过阈值的情况下(s14：“是”)，使用被输入的原稿数据的数据大小、印刷设定条件以及初始设定的rip设定条件来预测印刷作业的印刷速度(s16)。具体地说，印刷速度预测部13通过如上述那样针对机器学习部12中存储的学习完成模型输入原稿数据的数据大小、印刷设定条件以及初始设定的rip设定条件，来预测印刷速度。此外，作为上述阈值，例如设定一页，但是不限于此，也可以设定其它页数。

由印刷速度预测部13预测出的印刷速度被输入到rip设定条件决定部14，rip设定条件决定部14将被输入的印刷速度与预先设定的印刷部20的处理速度进行比较(s18)。

然后，rip设定条件决定部14在预测出的印刷速度比印刷部20的处理速度慢的情况下(s18：“是”)，变更上述的初始设定的rip设定条件(s20)，并将变更后的该rip设定条件输出到印刷速度预测部13。

印刷速度预测部13将被输入的变更后的rip设定条件、以及印刷对象的印刷作业的原稿数据的数据大小及印刷设定条件输入到学习完成模型，并再次预测印刷速度(s22)。

在印刷速度预测部13中再次预测出的印刷速度再次被输入到rip设定条件决定部14。rip设定条件决定部14判定再次预测出的印刷速度是否处于预先设定的阈值范围内(s24)。在再次预测出的印刷速度不处于预先设定的阈值范围内的情况下(s24：“否”)，rip设定条件决定部14再次变更rip设定条件(s20)，并将变更后的该rip设定条件输出到印刷速度预测部13。然后，印刷速度预测部13根据变更后的rip设定条件的输入并使用学习完成模型再次预测印刷速度，并输出到rip设定条件决定部14(s22)。

然后，重复进行由rip设定条件决定部14对rip设定条件的变更以及由印刷速度预测部13对印刷速度的预测直到由印刷速度预测部13预测出的印刷速度进入预先设定的阈值范围内为止。然后，rip设定条件决定部14将预测出的印刷速度进入预先设定的阈值范围内的时间点的rip设定条件决定为最优化rip设定条件，并将该最优化rip设定条件输出到rip处理部15(s24：“是”，s26)。

接着，rip处理部15基于由rip设定条件决定部14决定出的最优化rip设定条件，来进行印刷对象的印刷作业的rip处理并生成印刷数据，将该印刷数据输出到印刷部20(s28)。

另一方面，在s14中判定为输入的页数为阈值以下的情况下(s14：“否”)，不进行由印刷速度预测部13预测印刷速度的预测处理以及由rip设定条件决定部14决定最优化rip设定条件的决定处理。在印刷作业的页数少的情况下，rip处理本身不需要太多时间，有时进行上述的印刷速度的预测处理和最优化rip设定条件的决定处理会导致处理时间变长。因而，在印刷作业的页数少的情况下，通过省略印刷速度的预测处理和最优化rip设定条件的决定处理，能够缩短处理时间。另外，能够减轻cpu的负担，从而能够提高处理效率。

然后，在该情况下，rip处理部15基于初始设定的rip设定条件来进行rip处理并生成印刷数据(s28)，将该印刷数据输出到印刷部20。

另外，在s18中判定为基于初始设定的rip设定条件预测出的印刷速度为印刷部20的处理速度以上的情况下(s18：“否”)，不进行由rip设定条件决定部14决定最优化rip设定条件的决定处理。像这样，通过在不需要的情况下省略最优化rip设定条件的决定处理，能够缩短处理时间。另外，能够减轻cpu的负担，从而能够提高处理效率。

然后，在该情况下也是，rip处理部15基于初始设定的rip设定条件来进行rip处理并生成印刷数据(s28)，将该印刷数据输出到印刷部20。

然后，印刷部20基于被输入的印刷数据，来对印刷介质实施印刷(s30)。

然后，在印刷部20中印刷作业的印刷结束时，由教师数据获取部16获取该印刷时的印刷速度、印刷作业的原稿数据的数据大小、印刷设定条件以及上述最优化rip设定条件来作为教师数据(s32)。教师数据获取部16将该教师数据输出到机器学习部12。机器学习部12使用被输入的教师数据来进一步进行学习完成模型的机器学习(s34)。

根据上述第一实施方式的印刷装置1，通过针对机器学习部12所具有的学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件以及任意的rip设定条件，来预测印刷对象的印刷作业的印刷速度，并且决定使所预测出的该印刷速度接近印刷部的处理速度的最优化rip设定条件，因此能够决定出使实际的印刷速度为最大的最优化rip设定条件。另外，通过印刷速度提高，由此对于用户而言也减轻了负担。

此外，在上述第一实施方式的印刷装置1中，rip设定条件决定部14将预测出的印刷速度进入预先设定的阈值范围内的时间点的rip设定条件决定为最优化rip设定条件，但是不限于此，也可以将预测出的印刷速度变为印刷部20的处理速度以上的时间点的rip设定条件决定为最优化rip设定条件。

另外，在上述第一实施方式的印刷装置1中，通过rip设定条件决定部14变更rip设定条件来重复进行印刷速度的预测，由此决定出最优化rip设定条件，但是在每当变更rip设定条件时进行印刷速度的预测的情况下，有可能其运算时间变长。

因此，也可以是，使用上述的学习完成模型来预先运算与各种rip设定条件对应的印刷速度并以表的形式事先存储到rip设定条件决定部14中，rip设定条件决定部14基于由印前预检部11获取到的数据大小及印刷设定条件、以及印刷部20的处理速度，通过参照上述表来决定出最优化rip设定条件。

图6是示意性地示出上述表的一例的图。图6所示的表中的预测印刷速度为使用上述的学习完成模型求出的值。具体地说，例如在原稿数据的数据大小为数据大小1且印刷设定条件为印刷设定条件1的情况下，将rip设定条件变更为rip设定条件1～4来通过学习完成模型预测出的印刷速度为预测印刷速度1～4。此外，数据大小1～数据大小4例如分别设定在1千字节～50千字节、51千字节～100千字节、101千字节～150千字节、···那样的数据大小的范围内。

例如在印刷对象的印刷作业的数据大小属于数据大小1的范围且印刷设定条件为印刷设定条件1的情况下，rip设定条件决定部14基于印刷部20的处理速度，参照图6所示的表来从预测印刷速度1～4中确定出与印刷部20的处理速度最接近的预测印刷速度。然后，rip设定条件决定部14在与印刷部20的处理速度最接近的预测印刷速度为预测印刷速度1的情况下，将与该预测印刷速度1对应的rip设定条件1决定为最优化rip设定条件。

通过如上述那样使用预先设定的表来决定最优化rip设定条件，由此能够缩短最优化rip设定条件的决定处理的处理时间。

另外，在上述第一实施方式的印刷装置1中，作为学习完成模型的输入信息，使用了印刷作业的原稿数据的数据大小、印刷设定条件以及rip设定条件，但是也可以追加其它的信息来作为输入信息以提高学习完成模型输出的印刷速度的预测精度。

具体地说，例如在用户正在输入受理部30中进行某些设定输入等操作的情况下，由于由印刷数据生成部10中的cpu进行输入受理部30的动作控制，因此rip处理的cpu的占有率减少，可能影响印刷速度(生产性)。

另外，不限于输入受理部30的动作控制，例如在印刷部20正在进行之前的印刷作业的印刷的情况下，由于由印刷数据生成部10中的cpu进行印刷部20的动作控制，因此rip处理的cpu的占有率仍然减少，可能影响印刷速度(生产性)。

另外，例如在正在进行印刷作业的rip处理的期间内进行了喷墨头的清洁动作、或者进行了墨、碳粉或印刷纸张等消耗品的更换的情况下，在该期间内，由于印刷部20的印刷动作停止，因此rip处理的cpu的占有率增加，可能影响印刷速度(生产性)。

即，也可以是，将上述的输入受理部30的动作状态、印刷部20的动作状态等当前的印刷装置1的动作状态、或者上述的清洁动作时、消耗品更换时的印刷部20的动作停止状态等在印刷对象的印刷作业的处理中预测出的印刷装置1的动作状态的信息用作学习完成模型的追加的输入信息。由此，能够提高使用学习完成模型的印刷速度的预测精度。

此外，关于上述的追加的输入信息，在生成学习完成模型时以及在使用所生成的该学习完成模型预测印刷速度时由cpu获取并作为输入信息来使用。

另外，关于在印刷作业的处理中预测出的印刷装置1的动作状态的信息，例如在清洁动作的情况下，由于按预先设定的印刷张数来进行，因此能够通过获取从前次的清洁动作起的印刷张数，来判定在印刷对象的印刷作业的处理中是否进行清洁动作(是否发生印刷部20的动作停止状态)。另外，关于消耗品的更换定时，能够通过获取消耗品的余量，来判定在印刷对象的印刷作业的处理中是否发生消耗品的更换定时(是否发生印刷部20的动作停止状态)。而且，只要将这些判定结果用作学习完成模型的输入信息即可。

另外，在上述第一实施方式的印刷装置1中，作为学习完成模型的输入信息，使用了印刷作业的原稿数据的数据大小，但是原稿数据的rip处理的速度也根据原稿数据的分辨率、照片与文字的比率或打印率等而改变，影响印刷速度(生产性)。因而，作为学习完成模型的输入信息，也可以设为还包含原稿数据的分辨率、照片与文字的比率或打印率等原稿数据的特征量。由此，能够提高使用学习完成模型的印刷速度的预测精度。此外，关于上述的原稿数据的特征量，也是在生成学习完成模型时以及在使用所生成的该学习完成模型预测印刷速度时获取并作为输入信息来使用。

接着，对使用了本发明的印刷数据生成装置的第二实施方式的印刷装置2进行说明。在第一实施方式的印刷装置1中，使用学习完成模型基于印刷作业的原稿数据的数据大小、印刷设定条件以及rip设定条件来预测印刷速度，通过变更rip设定条件，来求出使预测出的印刷速度接近印刷部20的处理速度的最优化rip设定条件，但是如果针对多个印刷作业实施该方法，则能够获取多个规定的印刷作业的原稿数据的数据大小及印刷设定条件与该印刷作业的最优化rip设定条件的组。

第二实施方式的印刷装置2具有使用上述的多个印刷作业的原稿数据的数据大小及印刷设定条件与该最优化rip设定条件的组新生成的学习完成模型。具体地说，第二实施方式的学习完成模型是将上述各组的原稿数据的数据大小及印刷设定条件与各组的最优化rip设定条件之间的关系作为输入来进行机器学习而得到的学习完成模型。此外，第一实施方式的印刷装置1中的学习完成模型相当于本发明的第一学习完成模型，第二实施方式的印刷装置2中新追加的学习完成模型相当于本发明的第二学习完成模型。

而且，第二实施方式的印刷装置2通过对上述新生成的学习完成模型(第二学习完成模型)输入印刷对象的印刷作业的原稿数据的数据大小和印刷设定条件，来决定印刷对象的印刷作业的最优化rip设定条件。

图7是示出第二实施方式的印刷装置2的概要结构的框图。如图7所示，第二实施方式的印刷装置2具备印刷数据生成部40、印刷部20以及输入受理部30。

第二实施方式的印刷数据生成部40具备印前预检部41、机器学习部42、rip设定条件决定部43以及rip处理部44。

印前预检部41与第一实施方式的印前预检部11同样地受理从计算机等输出的包含原稿数据的印刷作业，并进行该印刷作业的印前预检，并且获取印刷作业中包含的原稿数据的数据大小和印刷设定条件，将该数据大小和印刷设定条件输出到rip设定条件决定部43。此外，关于原稿数据的数据大小和印刷设定条件，与第一实施方式相同。

rip设定条件决定部43获取从印前预检部41输出的原稿数据的数据大小和印刷设定条件，将获取到的该原稿数据的数据大小和印刷设定条件输入到预先存储于机器学习部42的学习完成模型(第二学习完成模型)。然后，rip设定条件决定部43通过获取从机器学习部42的学习完成模型输出的最优化rip设定条件，来决定出最优化rip设定条件。

rip处理部44与第一实施方式的rip处理部15相同。

另外，关于印刷部20和输入受理部30，也与第一实施方式的印刷装置1相同。

根据第二实施方式的印刷装置2，具备机器学习部42，该机器学习部42具有学习完成模型，该学习完成模型是将多个印刷作业的原稿数据的数据大小及印刷设定条件与该多个印刷作业的最优化rip设定条件之间的关系作为输入来进行机器学习而得到的模型，通过针对该机器学习部42的学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小和印刷设定条件，来决定上述印刷作业的最优化rip设定条件。即，在第二实施方式的印刷装置2中，在机器学习部42的学习完成模型(第二学习完成模型)暂时完成之后，不进行如第一实施方式的印刷装置1那样的使用学习完成模型(第一学习完成模型)进行的印刷速度的预测处理和最优化rip设定条件的决定处理，而是能够仅通过输入原稿数据的数据大小和印刷设定条件来决定最优化rip设定条件。因而，能够通过比第一实施方式的印刷装置1简单的运算处理来决定出使实际的印刷速度为最大的最优化rip设定条件。

此外，在第二实施方式的印刷装置2中，也可以与第一实施方式同样地，由rip设定条件决定部43将从印前预检部41输出的原稿数据的页数与预先设定的阈值进行比较，在被输入的页数超过阈值的情况下，使用上述的学习完成模型来进行最优化rip设定条件的决定处理，在被输入的页数为阈值以下的情况下，不进行最优化rip设定条件的决定处理。然后，在该情况下，rip处理部44基于初始设定的rip设定条件进行rip处理并生成印刷数据，将该印刷数据输出到印刷部20。

另外，在第二实施方式的印刷装置2中，也可以是将上述的当前的印刷装置2的动作状态、在印刷对象的印刷作业的处理中预测出的印刷装置2的动作状态的信息以及原稿数据的特征量等用作学习完成模型的追加的输入信息。由此，能够提高最优化rip设定条件的精度。

此外，在将这些追加的信息用作第二实施方式的学习完成模型的输入信息的情况下，在获取在生成第二实施方式的学习完成模型时使用的多个原稿数据的数据大小及印刷设定条件与该最优化rip设定条件的组时也使用上述追加的信息。即，在获取上述组时，也使用上述追加的信息作为第二实施方式的学习完成模型的输入信息。

另外，也可以是在上述第二实施方式的印刷装置2中具备第一实施方式的学习完成模型(第一学习完成模型)。图8是示出具备第一实施方式的学习完成模型和第二实施方式的学习完成模型两方的第三实施方式的印刷装置3的概要结构的框图。

第三实施方式的印刷装置3具备印刷数据生成部50、印刷部20以及输入受理部30。第三实施方式的印刷装置3的印刷部20和输入受理部30与上述第一实施方式和第二实施方式相同。

另外，印刷数据生成部50中的印前预检部51、印刷速度预测部53以及rip处理部55也与上述第一实施方式和第二实施方式相同。

另外，第一机器学习部52和教师数据获取部56与第一实施方式的机器学习部12和教师数据获取部16相同，第二机器学习部57与第二实施方式的机器学习部42相同。

在第三实施方式的印刷装置3中，与第一实施方式同样地，针对多个任意的印刷作业，使用第一机器学习部52的学习完成模型进行印刷速度的预测处理和最优化rip设定条件的决定处理，将该多个印刷作业的原稿数据的数据大小及印刷设定条件与最优化rip设定条件的组作为教师数据输入到第二机器学习部57来进行机器学习，并生成与第二实施方式的学习完成模型同样的学习完成模型。

然后，第三实施方式的印刷装置3的rip设定条件决定部54通过针对第二机器学习部57所具有的学习完成模型输入印刷对象的印刷作业的原稿数据的数据大小和印刷设定条件，来决定印刷对象的印刷作业的最优化rip设定条件。

然后，使用所决定出的该最优化rip设定条件进行rip处理，来进行印刷处理。

在印刷处理结束后，将该印刷处理对象的印刷作业的原稿数据的数据大小和印刷设定条件输入到第一学习完成模型来进行印刷速度的预测处理，并进行上述的最优化rip设定条件的决定处理，由此生成由原稿数据的数据大小及印刷条件与最优化rip设定条件的组构成的教师数据。然后，通过将该教师数据输入到第二机器学习部57，能够进一步进行第二机器学习部57的学习完成模型的机器学习。由此，能够提高最优化rip设定条件的精度。

此外，关于第三实施方式的印刷装置3的其它的作用，与第一实施方式或第二实施方式相同。

另外，上述第一至第三实施方式是将本发明的印刷数据生成装置安装于印刷装置内的方式，但是不限于此，也可以针对用于对印刷作业的原稿数据实施各种图像处理的外部控制器设置上述的第一至第三实施方式的印刷数据生成部。上述外部控制器不具备印刷部，以外置于各种印刷装置的方式进行设置。在将本发明的印刷数据生成装置应用于外部控制器的情况下，优选具备针对喷墨方式、激光方式以及孔版印刷方式等各种印刷方式的每种印刷方式的学习完成模型。而且，优选的是，根据与外部控制器连接的印刷部的方式来切换使用学习完成模型。

关于本发明的印刷数据生成装置，还公开下面的附记。

(附记)

在本发明的印刷数据生成装置中，在由印刷速度预测部基于初始设定的rip设定条件预测出的印刷速度为印刷部的处理速度以上的情况下，rip设定条件决定部不进行最优化rip设定条件的决定处理，rip处理部基于初始设定的rip设定条件，进行印刷对象的印刷作业的rip处理并生成印刷数据，将该印刷数据输出到印刷部。

另外，在本发明的印刷数据生成装置中，在印刷对象的印刷作业的原稿数据的页数为预先设定的阈值以下的情况下，rip设定条件决定部不进行印刷速度的预测处理和最优化rip设定条件的决定处理，rip处理部基于预先设定的rip设定条件，进行印刷对象的印刷作业的rip处理并生成印刷数据，将该印刷数据输出到印刷部。

另外，在本发明的印刷数据生成装置中，具备教师数据获取部，在印刷部中印刷对象的印刷作业的印刷结束的情况下，教师数据获取部获取该印刷时的印刷速度、印刷对象的印刷作业的原稿数据的数据大小、印刷设定条件以及最优化rip设定条件来作为教师数据，并输出该教师数据用于学习完成模型的机器学习。

本发明的其它方式的印刷数据生成装置具备：机器学习部，其具有第一学习完成模型和第二学习完成模型，所述第一学习完成模型是将多个印刷作业的原稿数据的数据大小、印刷设定条件及rip(rasterimageprocessor)设定条件与由印刷部印刷原稿数据时的印刷速度之间的关系作为输入来进行机器学习而得到的模型，所述第二学习完成模型是使用通过使用所述第一学习完成模型针对多个任意的印刷作业进行预测处理和决定处理而获取到的任意的印刷作业的原稿数据的数据大小及印刷设定条件与最优化rip设定条件的组、并且将各组的数据大小及印刷设定条件与各组的最优化rip设定条件之间的关系作为输入来进行机器学习而得到的模型，所述预测处理是通过输入任意的印刷作业的原稿数据的数据大小、印刷设定条件及任意的rip设定条件来预测任意的印刷作业的印刷速度，所述决定处理是决定使所预测出的该印刷速度接近印刷部的处理速度或成为处理速度以上的最优化rip设定条件；rip设定条件决定部，其使用第二学习完成模型来决定印刷对象的印刷作业的最优化rip设定条件；以及rip处理部，其基于由rip设定条件决定部决定出的最优化rip设定条件，进行印刷对象的印刷作业的rip(rasterimageprocessor)处理并生成印刷数据，将该印刷数据输出到印刷部。