JP2015035118A - Diagnostic system and elevator - Google Patents
Diagnostic system and elevator Download PDFInfo
- Publication number
- JP2015035118A JP2015035118A JP2013165734A JP2013165734A JP2015035118A JP 2015035118 A JP2015035118 A JP 2015035118A JP 2013165734 A JP2013165734 A JP 2013165734A JP 2013165734 A JP2013165734 A JP 2013165734A JP 2015035118 A JP2015035118 A JP 2015035118A
- Authority
- JP
- Japan
- Prior art keywords
- learning data
- accumulated
- sensor
- data group
- diagnostic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 22
- 230000005856 abnormality Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 5
- 102220475756 Probable ATP-dependent RNA helicase DDX6_S30A_mutation Human genes 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、診断システムおよびエレベータに関する。 The present invention relates to a diagnostic system and an elevator.
本技術分野の背景技術として、特許文献１には、エレベータ内の乗客の有無を検知する乗客有無検知装置で、エレベータの状態信号からエレベータ内が空であると推定される際の補正後秤値である空補正後秤値を用いて閾値を自動更新することにより、経年変化があっても閾値を自動的に更新できるものが開示されている。 As background art of this technical field, Patent Document 1 discloses a corrected scale value when a passenger presence / absence detection device that detects the presence / absence of a passenger in an elevator and the elevator state is estimated to be empty from an elevator state signal. There is disclosed a technique in which the threshold value can be automatically updated even if there is a secular change by automatically updating the threshold value using the post-empty corrected scale value.
また、特許文献２には、判定値を用いて診断を行う昇降機の遠隔故障診断システムで、特定の計測値が所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合、個別判定値を算出して以降はこれを用いるものが開示されている。 Further, in Patent Literature 2, in a remote failure diagnosis system for an elevator that makes a diagnosis using a determination value, a specific measurement value is out of the determination value range a predetermined number of times continuously, there is no failure detection history, and the measurement value In the case where there is no variation, an individual determination value is calculated and thereafter used.
エレベータの異常診断では学習データと診断データを比較することで異常を検出する方法が一般的である。しかしながら、正常なエレベータでも経年劣化の進行やメンテナンスにより、学習データが時間の経過とともに不適になる。 In an elevator abnormality diagnosis, a method of detecting an abnormality by comparing learning data and diagnosis data is generally used. However, even with normal elevators, the learning data becomes unsuitable over time due to the progress and maintenance of aging.
ここで、特許文献１では、エレベータの状態信号からエレベータ内が空であると推定される際の補正後秤値である空補正後秤値を用いて閾値を自動更新する際に、過去数回分の空補正後秤値にそれぞれ係数をかけて緩やかに更新する方法が記載されている。しかし、この方法では、過去数回分の傾向から外れた外れ値があった場合でも、閾値の計算に用いられる数回分はその外れ値の影響を受けた閾値に更新されてしまい、誤報が発生する可能性がある。 Here, in Patent Document 1, when the threshold value is automatically updated using the empty corrected weight value that is a corrected weight value when the elevator is estimated to be empty from the elevator state signal, the past several times are used. A method is described in which each of the measured values after empty correction is gradually updated by applying a coefficient. However, with this method, even if there are outliers that deviate from the trend of the past several times, the number of times used to calculate the threshold is updated to the threshold affected by the outliers, resulting in false alarms. there is a possibility.
また、特許文献２では、特定の計測値が所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合、個別判定値を算出する仕組みが記載されている。しかし、この場合は、所定の回数連続して判定値の範囲を外れ、故障検出来歴がなく、計測値にばらつきがない場合という、大きく限定された状況でしか判定値は更新されない。そのため、正常に動作しているエレベータが経年劣化した場合の計測値は、特に所定の回数連続して判定値の範囲を外れという条件を満たさない可能性が高く、判定値を更新することができない可能性がある。 Patent Document 2 describes a mechanism for calculating an individual determination value when a specific measurement value is out of the determination value range a predetermined number of times continuously, there is no failure detection history, and there is no variation in the measurement value. Yes. However, in this case, the determination value is updated only in a greatly limited situation in which the determination value is out of the predetermined range continuously, there is no failure detection history, and there is no variation in the measurement value. Therefore, there is a high possibility that the measured value when a normally operating elevator deteriorates with age is not satisfied, in particular, the condition that the judgment value is out of the predetermined range continuously, and the judgment value cannot be updated. there is a possibility.
本発明の目的は、正常と診断されるセンサデータを用いて、外れ値の影響を抑制できるよう学習データを更新し、経年劣化に追従できる診断システムおよびエレベータを提供することである。 An object of the present invention is to provide a diagnostic system and an elevator which can update learning data so as to suppress the influence of outliers using sensor data diagnosed as normal and can follow aged deterioration.
上記課題を解決するために、本発明では、例えば、診断対象機器に設置されたセンサからのデータであるセンサデータと診断用学習データとに基づいて前記診断対象機器の状態を診断する診断システム、または、それを備えたエレベータにおいて、前記センサデータと前記診断用学習データとに基づいて前記診断対象機器の状態を診断する診断部と、前記診断部で正常と診断されたときの前記センサデータを、予め保持している蓄積学習データ群に加え、前記蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除して前記蓄積学習データ群を更新し、更新された前記蓄積学習データ群から新たな前記診断用学習データを生成する学習データ更新部とを有する。 In order to solve the above problems, in the present invention, for example, a diagnostic system that diagnoses the state of the diagnostic target device based on sensor data and diagnostic learning data that are data from a sensor installed in the diagnostic target device, Alternatively, in an elevator equipped with the diagnosis data, a diagnosis unit for diagnosing the state of the diagnosis target device based on the sensor data and the diagnostic learning data, and the sensor data when the diagnosis unit diagnoses normality. In addition to the accumulated learning data group held in advance, the accumulated learning data group is updated by deleting the distant ones from the accumulated learning data group while leaving only the center of the accumulated learning data group and the one close thereto. And a learning data update unit that generates new diagnostic learning data from the accumulated learning data group.
本発明によれば、正常と診断されるセンサデータを用いて、外れ値の影響を抑制できるよう学習データを更新でき、経年劣化に追従できる。 According to the present invention, it is possible to update learning data so as to suppress the influence of outliers using sensor data diagnosed as normal, and to follow aged deterioration.
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。 Problems, configurations, and effects other than those described above will be clarified by the following description of embodiments.
本発明の実施例を、図面を参照しながら説明する。尚、各図および各実施例において、同一又は類似の構成要素には同じ符号を付し、説明を省略する。 Embodiments of the present invention will be described with reference to the drawings. In each drawing and each embodiment, the same or similar components are denoted by the same reference numerals, and description thereof is omitted.
図１は、本発明の一実施例である診断システムの概要を示すブロック図である。 FIG. 1 is a block diagram showing an outline of a diagnostic system according to an embodiment of the present invention.
図１に示す診断システム１００は、例えばエレベータなどの診断対象機器に設置されたセンサからのデータであるセンサデータＳ１０を入力とし、センサデータＳ１０と診断用学習データＳ３０とに基づいて診断対象機器の状態（例えば正常、異常などの状態）を診断する診断部１０と、診断部１０で正常と診断されたときのセンサデータＳ１０を用いて蓄積学習データ群および診断用学習データＳ３０を更新する学習データ更新部２０とを有し、診断部１０の診断結果Ｓ２０を出力する。 The diagnosis system 100 shown in FIG. 1 receives sensor data S10, which is data from a sensor installed in a diagnosis target device such as an elevator, for example, and inputs the diagnosis target device based on the sensor data S10 and the diagnostic learning data S30. Learning data for updating the accumulated learning data group and the diagnostic learning data S30 using the diagnosis unit 10 for diagnosing a state (for example, normal, abnormal, etc.) and the sensor data S10 when the diagnosis unit 10 is diagnosed as normal The update unit 20 and the diagnosis result S20 of the diagnosis unit 10 are output.
診断対象機器がエレベータの場合、センサデータＳ１０は、エレベータを制御するための信号データとエレベータの状態をセンシングするための信号データである。エレベータを制御するための信号データには、例えば、巻上機のモータであれば、電流値やトルク値などであり、エレベータかごであれば、荷重センサ値などであり、ドアであれば、ドア位置や速度指令値などが含まれる。エレベータの状態をセンシングするための信号データには、例えば、音響センサ、加速度センサ、画像センサ、温度センサなどが含まれる。 When the diagnosis target device is an elevator, the sensor data S10 is signal data for controlling the elevator and signal data for sensing the state of the elevator. The signal data for controlling the elevator includes, for example, a current value and a torque value for a motor of a hoisting machine, a load sensor value for an elevator car, and a door for a door. This includes position and speed command values. The signal data for sensing the state of the elevator includes, for example, an acoustic sensor, an acceleration sensor, an image sensor, a temperature sensor, and the like.
診断用学習データＳ３０は、診断部１０で診断対象機器の状態を診断する際に基準となる学習データである。 The diagnostic learning data S30 is learning data that serves as a reference when the diagnosis unit 10 diagnoses the state of the diagnosis target device.
診断部１０では、センサデータＳ１０としてエレベータかごに設置された荷重センサ、音響センサ、または、画像センサを入力し、各データのいずれか、またはそれらの組合せと、診断用学習データＳ３０とを比較することによって、エレベータの状態、例えば乗客の有無や異常の有無を診断する。 The diagnosis unit 10 inputs a load sensor, an acoustic sensor, or an image sensor installed in the elevator car as the sensor data S10, and compares any one of the data or a combination thereof with the diagnostic learning data S30. Thus, the state of the elevator, for example, the presence or absence of a passenger or the presence or absence of an abnormality is diagnosed.
例えば、巻上機の異常診断であれば、センサデータＳ１０は巻上機のモータのトルク値であり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値よりも大きい場合、異常と判定する。 For example, in the case of abnormality diagnosis of a hoisting machine, the sensor data S10 is a torque value of the motor of the hoisting machine, and the difference between the sensor data S10 and the learning data for diagnosis S30 is larger than a predetermined threshold value. Determined as abnormal.
また、ドアの異常診断であれば、センサデータＳ１０はドアの加速度信号や音響信号であり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値と比較して大きい場合に異常と判定する方法や、センサデータＳ１０と診断用学習データＳ３０を周波数解析し、周波数値をクラスタリングや主成分分析といった統計的手法を用いて異常判定する手法が考えられる。 In the case of door abnormality diagnosis, the sensor data S10 is a door acceleration signal or acoustic signal, and the difference between the sensor data S10 and the diagnostic learning data S30 is larger than a predetermined threshold value. A method for determining abnormality or a method for performing frequency analysis of the sensor data S10 and the diagnostic learning data S30 and determining abnormality using a statistical method such as clustering or principal component analysis can be considered.
他には、乗客の有無の判断であれば、センサデータＳ１０はエレベータかごに設置された荷重センサのデータであり、センサデータＳ１０と診断用学習データＳ３０との差が、予め決められた閾値よりも大きい場合、乗客あり（ここでは異常の一種とみなす）と判定し、小さい場合は乗客がいない（ここでは正常の一種とみなす）と判定する。 Otherwise, if it is a judgment of the presence or absence of a passenger, the sensor data S10 is data of a load sensor installed in an elevator car, and the difference between the sensor data S10 and the learning data for diagnosis S30 is greater than a predetermined threshold value. If it is too large, it is determined that there is a passenger (this is regarded as a kind of abnormality), and if it is small, it is determined that there is no passenger (this is regarded as a normal kind here).
診断部１０は、診断後に診断結果Ｓ２０を出力するとともに、正常と診断された場合（ここでは異常がない場合だけでなく、乗客がいない場合も、正常の場合の一種とみなす）は、そのときのセンサデータＳ１０を学習データ更新部２０へ出力する。 The diagnosis unit 10 outputs the diagnosis result S20 after diagnosis, and when diagnosed as normal (in this case, not only when there is no abnormality but also when there is no passenger, it is regarded as a kind of normal case) Sensor data S10 is output to the learning data update unit 20.
学習データ更新部２０は、診断部１０で正常と診断されたときのセンサデータＳ１０を入力とし、蓄積学習データ群の更新を行い、更新された蓄積学習データ群から新たな診断用学習データＳ３０を生成し、次回の診断に用いるために診断部１０に出力する。 The learning data update unit 20 receives the sensor data S10 when the diagnosis unit 10 is diagnosed as normal, updates the accumulated learning data group, and obtains new diagnostic learning data S30 from the updated accumulated learning data group. Generated and output to the diagnosis unit 10 for use in the next diagnosis.
図２は、図１の学習データ更新部の詳細を示すブロック図である。 FIG. 2 is a block diagram showing details of the learning data update unit of FIG.
学習データ更新部２０は、センサデータＳ１０を入力とし、蓄積された複数の蓄積学習データＳ３０Ａ、Ｓ３０Ｍ、Ｓ３０Ｚで構成される蓄積学習データ群を記憶しておく学習データ記憶部３０と、学習データ記憶部３０に記憶された蓄積学習データ群を比較して不要な蓄積学習データを削除して更新し、更新された蓄積学習データ群から新たな診断用学習データを生成する比較更新部４０とを有し、更新された新たな診断用学習データＳ３０を出力する。 The learning data update unit 20 receives the sensor data S10 as an input, and stores a learning data storage unit 30 that stores a storage learning data group composed of a plurality of stored storage learning data S30A, S30M, and S30Z, and a learning data storage A comparison updating unit 40 that compares the accumulated learning data stored in the unit 30 to delete unnecessary updated accumulated learning data and updates it, and generates new diagnostic learning data from the updated accumulated learning data group. Then, the updated new learning data for diagnosis S30 is output.
学習データ記憶部３０は、正常と診断されたときのセンサデータＳ１０を、予め保持している蓄積学習データ群に加える。 The learning data storage unit 30 adds the sensor data S10 when diagnosed as normal to the accumulated learning data group held in advance.
比較更新部４０は、センサデータＳ１０が加えられた蓄積学習データ群に対して、必要に応じてデータの並べ換えを行い、蓄積学習データ群の中心を算出し、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを学習データ記憶部３０の蓄積学習データ群から削除することにより、蓄積学習データ群の更新を行う。さらに、比較更新部４０は、更新された蓄積学習データ群から新たな診断用学習データＳ３０を生成し、診断部１０へ出力する。例えば、更新された蓄積学習データ群の中心に対応する蓄積学習データを新たな診断用学習データＳ３０とする。蓄積学習データ群の中心は、例えば蓄積学習データ群のぞれぞれの蓄積学習データの統計的特徴量を求め、それぞれの統計的特徴量の中央値、平均値、または、最頻値を求め、それに対応するセンサデータセットを持つ蓄積学習データを蓄積学習データ群の中心とする。尚、ここでいう「それに対応する」とは、一致するものがある場合は一致するものを「それに対応する」ものとし、一致するものがない場合は最も近いものを「それに対応する」ものとみなす。 The comparison update unit 40 rearranges data as necessary for the accumulated learning data group to which the sensor data S10 is added, calculates the center of the accumulated learning data group, and is close to the center of the accumulated learning data group. The accumulated learning data group is updated by deleting only those that are far away from the accumulated learning data group in the learning data storage unit 30. Further, the comparison update unit 40 generates new diagnostic learning data S30 from the updated accumulated learning data group, and outputs it to the diagnosis unit 10. For example, the accumulated learning data corresponding to the center of the updated accumulated learning data group is set as new diagnostic learning data S30. The center of the accumulated learning data group is obtained, for example, by calculating the statistical feature amount of the accumulated learning data of each accumulated learning data group, and calculating the median, average value, or mode value of each statistical feature amount. The accumulated learning data having the corresponding sensor data set is set as the center of the accumulated learning data group. The term “corresponding to” here means that if there is a match, the match is “corresponding”, and if there is no match, the closest one is “corresponding”. I reckon.
図３は、学習データ更新方法の一例を示す概要図である。 FIG. 3 is a schematic diagram illustrating an example of a learning data update method.
学習データ記憶部３０には、蓄積学習データ群と呼ばれる多数のセンサデータセットから構成される学習データが複数記憶されており、そこに時刻ＴＸのデータとしてセンサデータＳ１０が追加される。例えば、図２の蓄積学習データＡ（Ｓ３０Ａ）は、図３の時刻Ｔ１におけるセンサ１のデータからセンサＮのデータをセットにしたセンサデータセットに対応し、図２の蓄積学習データＭ（Ｓ３０Ｍ）は、図３の時刻Ｔ２におけるセンサデータセットに対応し、図３の蓄積学習データＺ（Ｓ３０Ｚ）は、図３の時刻ＴＸにおけるセンサデータセット（ここでは最新のセンサデータＳ１０）に対応する。 The learning data storage unit 30 stores a plurality of learning data composed of a large number of sensor data sets called an accumulated learning data group, and sensor data S10 is added thereto as data at time TX. For example, the accumulated learning data A (S30A) in FIG. 2 corresponds to a sensor data set obtained by setting the sensor N data from the sensor 1 data at time T1 in FIG. 3, and the accumulated learning data M (S30M) in FIG. Corresponds to the sensor data set at time T2 in FIG. 3, and the accumulated learning data Z (S30Z) in FIG. 3 corresponds to the sensor data set (here, the latest sensor data S10) at time TX in FIG.
次に、比較更新部４０は、Ｓｔｅｐ１として、各々のセンサデータセットの統計的特徴量（統計量）を計算する。図３では、蓄積学習データＳ３０Ａに対応するのが統計量Ｔ１、蓄積学習データＳ３０Ｍに対応するのが統計量Ｔ２、蓄積学習データＳ３０Ｚに対応するのが統計量ＴＸである。統計的特徴量としては、クラスタリングや主成分分析などが考えられる。 Next, the comparison update part 40 calculates the statistical feature-value (statistical quantity) of each sensor data set as Step1. In FIG. 3, the statistic T1 corresponds to the accumulated learning data S30A, the statistic T2 corresponds to the accumulated learning data S30M, and the statistic TX corresponds to the accumulated learning data S30Z. As the statistical feature amount, clustering, principal component analysis, or the like can be considered.
次に、比較更新部４０は、Ｓｔｅｐ２として、Ｓｔｅｐ１で算出した統計的特徴量を比較し、並べ換えをおこなう。尚、並べ替えは単なる内部処理であるため、必要に応じて行えばよい。図３では、統計量Ｔ１と統計量Ｔ２の順番が入れ替わっている。比較方法には例えば交差検証を用いる。 Next, the comparison update part 40 compares the statistical feature-value calculated by Step1 as Step2, and performs rearrangement. Note that the rearrangement is a simple internal process and may be performed as necessary. In FIG. 3, the order of the statistic T1 and the statistic T2 is switched. For example, cross-validation is used as the comparison method.
次に、比較更新部４０は、Ｓｔｅｐ３として、蓄積学習データ群の中心を求める。例えば、蓄積学習データ群の中心を求める方法としては、統計的特徴量の中央値、平均値、または、最頻値を求め、それに対応するセンサデータセットを持つ蓄積学習データを蓄積学習データ群の中心とする。そして、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除する。具体的には、蓄積学習データ群の中心から最も遠い統計的特徴量に対応するセンサデータセットを持つ蓄積学習データ（図３の場合は統計量Ｔ２に対応する蓄積学習データＳ３０Ｍと統計量ＴＸに対応する蓄積学習データＳ３０Ｚ）を、学習データ記憶部３０から削除する。例えば、中心から遠いものを削除する方法としては、蓄積学習データ群の中心となる統計的特徴量からの距離に適当な閾値を設定し、閾値外の統計的特徴量に対応するセンサデータセットを全て削除する方法や、並べ変えられた蓄積学習データ群の両端あるいは両端のうち中心からより遠い方に対応するセンサデータセットを削除する方法が考えられる。尚、Ｓｔｅｐ３の説明において「対応する」とは、一致するものがある場合は一致するものを「対応する」ものとし、一致するものがない場合は最も近いものを「対応する」ものとみなす。 Next, the comparison update unit 40 obtains the center of the accumulated learning data group as Step 3. For example, as a method of obtaining the center of the accumulated learning data group, the median, average value, or mode value of the statistical feature amount is obtained, and the accumulated learning data having the corresponding sensor data set is obtained from the accumulated learning data group. The center. Then, only the center of the accumulated learning data group and a thing close to it are left and the far one is deleted from the accumulated learning data group. Specifically, the accumulated learning data having the sensor data set corresponding to the statistical feature that is farthest from the center of the accumulated learning data group (according to the accumulated learning data S30M and the statistics TX corresponding to the statistics T2 in the case of FIG. 3). The corresponding accumulated learning data S30Z) is deleted from the learning data storage unit 30. For example, as a method of deleting the object far from the center, an appropriate threshold value is set for the distance from the statistical feature value that is the center of the accumulated learning data group, and the sensor data set corresponding to the statistical feature value outside the threshold value is set. A method of deleting all of them, or a method of deleting sensor data sets corresponding to the farther from the center of both ends or both ends of the rearranged accumulated learning data group can be considered. In the description of Step 3, “corresponding” means that “matching” means matching if there is matching, and “corresponding” is the closest if there is no matching.
このように、診断部１０で正常と診断されたときのセンサデータＳ１０を、予め保持している蓄積学習データ群に加え、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除して蓄積学習データ群を更新することにより、正常と診断される範囲内で外れ値となるセンサデータＳ１０が入ってきた場合でも、すぐに削除することができ、外れ値によるノイズの影響を抑制することができる。 In this way, the sensor data S10 when the diagnosis unit 10 is diagnosed as normal is added to the accumulated learning data group that is held in advance, and only the center of the accumulated learning data group and the data close to it are stored, and the distant data is accumulated. By deleting the learning data group and updating the accumulated learning data group, even if sensor data S10 that is an outlier within the range diagnosed as normal is entered, it can be immediately deleted, and the outlier The influence of noise can be suppressed.
図４は、学習データ更新方法の一例を示すフローチャートである。基本的には既に説明したことの繰り返しとなるので、詳細な説明は省略するが、図４に示すように、診断を開始すると、診断ステップＦ１でセンサデータＳ１０と診断用学習データＳ３０とを入力として、診断対象機器の状態の診断を行う。診断ステップＦ１で異常有りの場合は診断結果Ｓ２０を出力し終了となり、正常の場合はステップＦ２へ進む。 FIG. 4 is a flowchart illustrating an example of a learning data update method. Basically, since it has already been repeated, detailed description is omitted, but as shown in FIG. 4, when diagnosis is started, sensor data S10 and diagnostic learning data S30 are input in diagnosis step F1. As a result, the state of the diagnosis target device is diagnosed. If there is an abnormality in the diagnosis step F1, the diagnosis result S20 is output and the process ends. If normal, the process proceeds to step F2.
蓄積学習データ記憶ステップＦ２では、ステップＦ１で用いたセンサデータＳ１０を予め記憶しておいた蓄積学習データ群へ加える。 In the accumulated learning data storage step F2, the sensor data S10 used in step F1 is added to the previously stored accumulated learning data group.
比較ステップＦ３では、統計的特徴量を算出し、蓄積学習データ群の中心を求めるとともに、これらを比較することで、蓄積学習データ群の中心とそれに近いもの、および、遠いものを求める。 In the comparison step F3, a statistical feature amount is calculated to determine the center of the accumulated learning data group, and by comparing these, the center of the accumulated learning data group, a thing close to it, and a distant one are obtained.
学習データ更新ステップＦ４では、比較ステップＦ３の結果を利用して、蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除する。そして、更新された蓄積学習データ群から次回の診断に用いる新たな診断用学習データＳ３０を生成する。 In the learning data update step F4, using the result of the comparison step F3, only the center of the accumulated learning data group and a thing close to it are left and the distant one is deleted from the accumulated learning data group. Then, new diagnostic learning data S30 used for the next diagnosis is generated from the updated accumulated learning data group.
学習データ更新ステップＦ４の後、診断結果Ｓ２０を出力し終了となる。 After the learning data update step F4, the diagnosis result S20 is output and the process ends.
図５は、本発明の一実施例であるエレベータの概略構成図である。 FIG. 5 is a schematic configuration diagram of an elevator according to an embodiment of the present invention.
エレベータ２００は、診断対象機器であるエレベータかごＥ１０と、エレベータかごＥ１０に設けられたセンサである音響センサＡ１０及び荷重センサＡ２０と、音響センサＡ１０及び荷重センサＡ２０のセンサデータＳ１０により状態の診断を行う診断システム１００とを有する。診断システム１００は、これまでの実施例で説明したものと同じであり、エレベータかご廻りの異常や乗客の有無を検知する。 The elevator 200 diagnoses a state by an elevator car E10 that is a diagnosis target device, an acoustic sensor A10 and a load sensor A20 that are sensors provided in the elevator car E10, and sensor data S10 of the acoustic sensor A10 and the load sensor A20. And a diagnostic system 100. The diagnosis system 100 is the same as that described in the above embodiments, and detects an abnormality around the elevator car and the presence or absence of a passenger.
例えば、診断システム１００の診断部１０は、音響センサＡ１０のセンサデータＳ１０に異常音がないときに正常と診断し、異常音がある場合に異常と診断し、診断結果Ｓ２０を出力する。また、診断システム１００の診断部１０は、荷重センサＡ２０のセンサデータＳ１０から、エレベータかごＥ１０に乗客がいないときに正常と診断し、乗客がいるときに異常と診断し、診断結果Ｓ２０を出力する。また、診断システム１００は、これまで説明した通り正常と診断したときのセンサデータＳ１０を用いて学習データ更新を行う。 For example, the diagnosis unit 10 of the diagnosis system 100 diagnoses normal when there is no abnormal sound in the sensor data S10 of the acoustic sensor A10, diagnoses abnormal when there is abnormal sound, and outputs a diagnosis result S20. Further, the diagnosis unit 10 of the diagnosis system 100 diagnoses normality when there is no passenger in the elevator car E10 from the sensor data S10 of the load sensor A20, diagnoses abnormality when there is a passenger, and outputs the diagnosis result S20. . Moreover, the diagnostic system 100 updates learning data using the sensor data S10 when it is diagnosed as normal as described above.
他の方法としては、音響センサＡ１０、荷重センサＡ２０、あるいはその両方で取得したデータをセンサデータＳ１０として入力し、エレベータかごを診断する。正常動作時の音響データ、振動データ、あるいはその両方を予め蓄積学習データ群として記憶しておき、そこから求めた診断用学習データＳ３０と入力されたセンサデータＳ１０とを比較することで、かご廻りの異常音を検知する。比較方法は音響センサ値の音圧（ｄＢ）、周波数特性の分布、振動センサ値の加速度、周波数特性の分布、あるいはその全てを比較する方法が考えられる。また、頻出パターン抽出やクラス分類など多数の解析手法や正常動作音を学習データとして、繰り返し学習させることで規則性を学習させる機械学習（主成分分析、クラスタリング、サポートベクトルマシン）などが考えられる。 As another method, data acquired by the acoustic sensor A10, the load sensor A20, or both are input as sensor data S10 to diagnose the elevator car. The acoustic data, vibration data, or both during normal operation is stored in advance as a stored learning data group, and the car learning is made by comparing the diagnostic learning data S30 obtained from the data and the input sensor data S10. Detects abnormal sounds. As a comparison method, a method of comparing the sound pressure (dB) of the acoustic sensor value, the distribution of frequency characteristics, the acceleration of the vibration sensor value, the distribution of frequency characteristics, or all of them can be considered. In addition, there are a number of analysis methods such as frequent pattern extraction and class classification, and machine learning (principal component analysis, clustering, support vector machine) that learns regularity by repeatedly learning normal operation sounds as learning data.
図６は、図５のエレベータの変形例を示す概略構成図である。 FIG. 6 is a schematic configuration diagram showing a modification of the elevator shown in FIG.
異常音を検知する音響センサＡ１０はドア付近に設置するのが望ましい。位置は図６のようなドア上部でも、図５のようなドア下部でもよい。また、例えばドア上部とドア下部のように２本以上の音響センサを利用してもよい。また、センサとして、エレベータかごＥ１０に取り付けられたインターホンマイクを利用してもよい。エレベータの構造上、エレベータかごＥ１０は上部より下部の揺れ幅が大きくなるので、荷重センサＡ２０は図５のようにかご底面に設置するのが望ましいが、図６のようにエレベータかごＥ１０の側面のドア下部に設けても良い。 It is desirable to install the acoustic sensor A10 that detects abnormal noise near the door. The position may be the upper part of the door as shown in FIG. 6 or the lower part of the door as shown in FIG. Moreover, you may utilize two or more acoustic sensors like a door upper part and a door lower part, for example. Moreover, you may utilize the intercom microphone attached to the elevator car E10 as a sensor. Because of the elevator structure, the elevator car E10 has a lower swing width than the upper part. Therefore, the load sensor A20 is preferably installed on the bottom of the car as shown in FIG. 5, but the side of the elevator car E10 as shown in FIG. You may provide in the lower part of a door.
以上、本発明の実施例を説明してきたが、これまでの各実施例で説明した構成はあくまで一例であり、本発明は、技術思想を逸脱しない範囲内で適宜変更が可能である。また、それぞれの実施例で説明した構成は、互いに矛盾しない限り、組み合わせて用いても良い。 As mentioned above, although the Example of this invention has been described, the structure demonstrated by each Example so far is an example to the last, and this invention can be suitably changed within the range which does not deviate from a technical idea. Further, the configurations described in the respective embodiments may be used in combination as long as they do not contradict each other.
１０…診断部、２０…学習データ更新部、３０…学習データ記憶部、４０…比較更新部、１００…診断システム、２００…エレベータ、Ａ１０…音響センサ、Ａ２０…荷重センサ、Ｅ１０…エレベータかご、Ｆ１…診断ステップ、Ｆ２…蓄積学習データ記憶ステップ、Ｆ３…比較ステップ、Ｆ４…学習データ更新ステップ、Ｓ１０…センサデータ、Ｓ２０…診断結果、Ｓ３０…診断用学習データ、Ｓ３０Ａ，Ｓ３０Ｍ，Ｓ３０Ｚ…蓄積学習データ。 DESCRIPTION OF SYMBOLS 10 ... Diagnosis part, 20 ... Learning data update part, 30 ... Learning data storage part, 40 ... Comparison update part, 100 ... Diagnosis system, 200 ... Elevator, A10 ... Acoustic sensor, A20 ... Load sensor, E10 ... Elevator car, F1 ... diagnostic step, F2 ... accumulated learning data storage step, F3 ... comparison step, F4 ... learning data update step, S10 ... sensor data, S20 ... diagnosis result, S30 ... diagnostic learning data, S30A, S30M, S30Z ... accumulated learning data .
Claims (8)
前記センサデータと前記診断用学習データとに基づいて前記診断対象機器の状態を診断する診断部と、
前記診断部で正常と診断されたときの前記センサデータを、予め保持している蓄積学習データ群に加え、前記蓄積学習データ群の中心とそれに近いものだけを残して遠いものを蓄積学習データ群から削除して前記蓄積学習データ群を更新し、更新された前記蓄積学習データ群から新たな前記診断用学習データを生成する学習データ更新部とを有することを特徴とする診断システム。 In a diagnostic system for diagnosing the state of the diagnostic target device based on sensor data and diagnostic learning data that is data from a sensor installed in the diagnostic target device,
A diagnosis unit for diagnosing the state of the diagnosis target device based on the sensor data and the diagnostic learning data;
The sensor data when the diagnosis unit is diagnosed as normal is added to the accumulated learning data group that is held in advance, and only the center of the accumulated learning data group and the one close to it are left, and the accumulated learning data group And a learning data update unit that updates the accumulated learning data group and deletes the accumulated learning data group and generates new diagnostic learning data from the updated accumulated learning data group.
学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の平均値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。 In claim 1,
The learning data update unit obtains the center of the accumulated learning data group by an average value of statistical feature values of the accumulated learning data group, and updates the accumulated learning data group.
学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の中央値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。 In claim 1,
The learning data updating unit obtains the center of the accumulated learning data group by the median of the statistical feature amount of the accumulated learning data group, and updates the accumulated learning data group.
学習データ更新部は、前記蓄積学習データ群の中心を前記蓄積学習データ群の統計的特徴量の最頻値で求めて、前記蓄積学習データ群を更新することを特徴とする診断システム。 In claim 1,
The learning data updating unit obtains the center of the accumulated learning data group by the mode of the statistical feature quantity of the accumulated learning data group, and updates the accumulated learning data group.
学習データ更新部は、更新された前記蓄積学習データ群の中心に対応する蓄積学習データを新たな前記診断用学習データとすることを特徴とする診断システム。 In any one of Claims 1-4,
The learning data updating unit uses the accumulated learning data corresponding to the updated center of the accumulated learning data group as new learning learning data.
前記診断対象機器はエレベータかごであり、
前記センサは音響センサであり、
前記診断部は前記センサデータに異常音がないときに正常と診断することを特徴とするエレベータ。 In claim 6,
The device to be diagnosed is an elevator car;
The sensor is an acoustic sensor;
The elevator characterized by diagnosing normality when the sensor data has no abnormal sound.
前記診断対象機器はエレベータかごであり、
前記センサは荷重センサであり、
前記診断部は前記エレベータかごに乗客がいないときに正常と診断することを特徴とするエレベータ。 In claim 6,
The device to be diagnosed is an elevator car;
The sensor is a load sensor;
The said diagnosis part diagnoses that it is normal when there is no passenger in the said elevator car, The elevator characterized by the above-mentioned.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013165734A JP6186203B2 (en) | 2013-08-09 | 2013-08-09 | Diagnostic system and elevator |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013165734A JP6186203B2 (en) | 2013-08-09 | 2013-08-09 | Diagnostic system and elevator |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015035118A true JP2015035118A (en) | 2015-02-19 |
| JP6186203B2 JP6186203B2 (en) | 2017-08-23 |
Family
ID=52543601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013165734A Active JP6186203B2 (en) | 2013-08-09 | 2013-08-09 | Diagnostic system and elevator |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6186203B2 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017088314A (en) * | 2015-11-10 | 2017-05-25 | 株式会社日立ビルシステム | Equipment diagnostic apparatus, equipment diagnostic method, and equipment diagnostic system |
| JP2018167960A (en) * | 2017-03-30 | 2018-11-01 | フジテック株式会社 | Information processing device |
| CN108792873A (en) * | 2017-04-28 | 2018-11-13 | 东芝电梯株式会社 | Elevator wireless communication system |
| JP2019067069A (en) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | Abnormality detecting apparatus, abnormality detecting method and abnormality detecting program |
| CN109839915A (en) * | 2017-11-28 | 2019-06-04 | 横河电机株式会社 | Diagnostic device, diagnostic method and storage medium |
| JP2019119170A (en) * | 2018-01-10 | 2019-07-22 | セイコーエプソン株式会社 | Abnormality warning method and abnormality warning system |
| WO2020026441A1 (en) * | 2018-08-03 | 2020-02-06 | 三菱電機株式会社 | Data analysis device, system, method, and program |
| WO2020079842A1 (en) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | Elevator brake device abnormality diagnostic system |
| WO2020079843A1 (en) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | Elevator door device abnormality diagnostic system |
| US11286133B2 (en) | 2017-07-07 | 2022-03-29 | Otis Elevator Company | Elevator health monitoring system |
| WO2023112253A1 (en) * | 2021-12-16 | 2023-06-22 | 三菱電機株式会社 | Elevator control device, elevator system, elevator control method, and elevator control program |
| WO2024042631A1 (en) * | 2022-08-24 | 2024-02-29 | 三菱電機ビルソリューションズ株式会社 | Abnormality diagnosis system for elevator |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006330797A (en) * | 2005-05-23 | 2006-12-07 | Nippon Telegr & Teleph Corp <Ntt> | Abnormal image detection method, abnormal image detection device and abnormal image detection program |
| JP2008059270A (en) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | Process abnormality diagnostic device and process monitoring system |
| JP2009070071A (en) * | 2007-09-12 | 2009-04-02 | Toshiba Corp | Learning process abnormality diagnostic device and operator's judgement estimation result collecting device |
| JP2011175540A (en) * | 2010-02-25 | 2011-09-08 | Fuji Electric Co Ltd | Apparatus for constructing predictive/diagnostic model |
| JPWO2010082322A1 (en) * | 2009-01-14 | 2012-06-28 | 株式会社日立製作所 | Device abnormality monitoring method and system |
| JP2013008098A (en) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | Method for display of abnormality sign diagnostic result |
| JP2013008092A (en) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | Abnormality sign diagnostic system and abnormality sign diagnostic method |
| JP2015018389A (en) * | 2013-07-10 | 2015-01-29 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis device and abnormality sign diagnosis method |
-
2013
- 2013-08-09 JP JP2013165734A patent/JP6186203B2/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006330797A (en) * | 2005-05-23 | 2006-12-07 | Nippon Telegr & Teleph Corp <Ntt> | Abnormal image detection method, abnormal image detection device and abnormal image detection program |
| JP2008059270A (en) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | Process abnormality diagnostic device and process monitoring system |
| JP2009070071A (en) * | 2007-09-12 | 2009-04-02 | Toshiba Corp | Learning process abnormality diagnostic device and operator's judgement estimation result collecting device |
| JPWO2010082322A1 (en) * | 2009-01-14 | 2012-06-28 | 株式会社日立製作所 | Device abnormality monitoring method and system |
| JP2011175540A (en) * | 2010-02-25 | 2011-09-08 | Fuji Electric Co Ltd | Apparatus for constructing predictive/diagnostic model |
| JP2013008098A (en) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | Method for display of abnormality sign diagnostic result |
| JP2013008092A (en) * | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | Abnormality sign diagnostic system and abnormality sign diagnostic method |
| JP2015018389A (en) * | 2013-07-10 | 2015-01-29 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis device and abnormality sign diagnosis method |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017088314A (en) * | 2015-11-10 | 2017-05-25 | 株式会社日立ビルシステム | Equipment diagnostic apparatus, equipment diagnostic method, and equipment diagnostic system |
| JP2018167960A (en) * | 2017-03-30 | 2018-11-01 | フジテック株式会社 | Information processing device |
| CN108792873B (en) * | 2017-04-28 | 2020-04-03 | 东芝电梯株式会社 | Elevator wireless communication system |
| CN108792873A (en) * | 2017-04-28 | 2018-11-13 | 东芝电梯株式会社 | Elevator wireless communication system |
| JP2018188230A (en) * | 2017-04-28 | 2018-11-29 | 東芝エレベータ株式会社 | Elevator radio communication system |
| US11286133B2 (en) | 2017-07-07 | 2022-03-29 | Otis Elevator Company | Elevator health monitoring system |
| JP2019067069A (en) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | Abnormality detecting apparatus, abnormality detecting method and abnormality detecting program |
| CN109839915A (en) * | 2017-11-28 | 2019-06-04 | 横河电机株式会社 | Diagnostic device, diagnostic method and storage medium |
| JP2019119170A (en) * | 2018-01-10 | 2019-07-22 | セイコーエプソン株式会社 | Abnormality warning method and abnormality warning system |
| JP7047386B2 (en) | 2018-01-10 | 2022-04-05 | セイコーエプソン株式会社 | Anomaly warning method and anomaly warning system |
| US11353860B2 (en) | 2018-08-03 | 2022-06-07 | Mitsubishi Electric Corporation | Data analysis device, system, method, and recording medium storing program |
| CN112513893A (en) * | 2018-08-03 | 2021-03-16 | 三菱电机株式会社 | Data analysis device, system, method, and program |
| WO2020026441A1 (en) * | 2018-08-03 | 2020-02-06 | 三菱電機株式会社 | Data analysis device, system, method, and program |
| CN112513893B (en) * | 2018-08-03 | 2022-09-23 | 三菱电机株式会社 | Data analysis device, system, method, and program |
| CN112805233A (en) * | 2018-10-19 | 2021-05-14 | 三菱电机株式会社 | Elevator brake device abnormality diagnosis system |
| KR20210055762A (en) * | 2018-10-19 | 2021-05-17 | 미쓰비시덴키 가부시키가이샤 | Elevator brake system abnormality diagnosis system |
| JPWO2020079842A1 (en) * | 2018-10-19 | 2021-09-16 | 三菱電機株式会社 | Elevator brake device abnormality diagnosis system |
| WO2020079843A1 (en) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | Elevator door device abnormality diagnostic system |
| WO2020079842A1 (en) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | Elevator brake device abnormality diagnostic system |
| KR102509840B1 (en) * | 2018-10-19 | 2023-03-14 | 미쓰비시덴키 가부시키가이샤 | Elevator Brake Device Abnormal Diagnosis System |
| WO2023112253A1 (en) * | 2021-12-16 | 2023-06-22 | 三菱電機株式会社 | Elevator control device, elevator system, elevator control method, and elevator control program |
| JP7483148B2 (en) | 2021-12-16 | 2024-05-14 | 三菱電機株式会社 | Elevator control device, elevator system, elevator control method, and elevator control program |
| WO2024042631A1 (en) * | 2022-08-24 | 2024-02-29 | 三菱電機ビルソリューションズ株式会社 | Abnormality diagnosis system for elevator |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6186203B2 (en) | 2017-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6186203B2 (en) | Diagnostic system and elevator | |
| JP6661559B2 (en) | Error detection device, error detection method and program | |
| US11002269B2 (en) | Real time machine learning based predictive and preventive maintenance of vacuum pump | |
| JP4588773B2 (en) | Elevator abnormality detection device | |
| JP6049902B2 (en) | Elevator diagnostic equipment | |
| JP5148457B2 (en) | Abnormality determination apparatus, method, and program | |
| US20170063284A1 (en) | Machine learning method and machine learning apparatus learning operating command to electric motor and controller and electric motor apparatus including machine learning apparatus | |
| CN106956981B (en) | The load detecting adjustment device and elevator of elevator | |
| US20150274485A1 (en) | Elevator load detection system and method | |
| JP2014114111A (en) | Elevator with abnormality diagnosis function | |
| US10338541B2 (en) | Machine learning to establish optimal filter for removing external noise without degrading responsivity | |
| JP6787222B2 (en) | Information processing device | |
| JPWO2018061280A1 (en) | Flight restriction setting system, flight restriction setting method, and flight restriction setting program | |
| JP2013501927A (en) | Early detection method of damage in vehicle transmission | |
| WO2020012518A1 (en) | Elevator system | |
| JP2015081189A (en) | Diagnostic operation device for elevator | |
| JP5879214B2 (en) | Abnormality diagnosis method, abnormality diagnosis device, and passenger conveyor equipped with abnormality diagnosis device | |
| CN112119027B (en) | Method for detecting a fault in an elevator and elevator control | |
| CN109291935A (en) | The method of the safety of the signal chains in electronic control system for analyzing vehicle | |
| CN114901580A (en) | Elevator determination device | |
| JP6072509B2 (en) | Elevator control device and elevator control method | |
| JP4188890B2 (en) | Elevator system diagnostic method and elevator system diagnostic apparatus | |
| JP2012112247A (en) | Device and method for determining abnormal condition of sensor, and program | |
| CN113821893B (en) | Self-adaptive state estimation method for aero-engine servo actuation system | |
| CN116348406B (en) | Fault diagnosis device for elevator |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160203 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20161206 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20170110 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20170112 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170203 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170704 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170731 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6186203 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |