JP4140634B2 - 異常監視方法、および異常監視装置 - Google Patents
異常監視方法、および異常監視装置 Download PDFInfo
- Publication number
- JP4140634B2 JP4140634B2 JP2006018184A JP2006018184A JP4140634B2 JP 4140634 B2 JP4140634 B2 JP 4140634B2 JP 2006018184 A JP2006018184 A JP 2006018184A JP 2006018184 A JP2006018184 A JP 2006018184A JP 4140634 B2 JP4140634 B2 JP 4140634B2
- Authority
- JP
- Japan
- Prior art keywords
- learning data
- data
- neuron
- learning
- feature
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Description
本発明は、回転機器を含む装置、設備を監視して異常を検知し、予防保全を行うための異常監視方法、および異常監視装置に関するものである。
回転機器を含む生産設備等において、回転機器の故障、破壊、焼き付き等が発生すると大きな損害が発生し、早急な復旧が必要となる。そこで、人による視覚、聴覚、嗅覚等を用いた監視を行い、回転機器の故障、破壊、焼き付き等の兆候となる異常を検知することで、対策を立てて不具合を未然に防いでいる。しかし、工場等では設備の数が多く、全ての設備を人が監視するには人件費がかかりすぎていた。また、人による監視であるために、その判断基準は個人毎に異なり、さらには同一人物であっても、監視する日によってその判断が異なる等の曖昧な部分があった。
そこで、回転機器の異常を検知するための様々な異常監視方法や異常監視装置が提案されている。例えば、監視対象である回転機器の振動や音の測定信号から監視対象の特徴量を抽出したデータを作成し、このデータを教師なし競合型ニューラルネットワークに入力して異常を検知するものがある。この競合型ニューラルネットワークでは、学習モード時に正常時の学習データと異常時の学習データとに基づいて、クラスタリングマップに正常範囲、異常範囲に設定し、さらに異常範囲を異常内容毎に分類しており、監視モードで入力された測定信号がこのクラスタリングマップの何処に位置するかによって、異常の有無だけでなく、異常の種類も判断する（例えば、特許文献１参照）。
あるいは、測定信号に含まれる異常に起因する周波数の基本周波数成分の大きさと、その自然数倍の周波数成分の大きさを比較することで異常を検知するものや（例えば、特許文献２参照）、測定信号から変換した周波数スペクトルのうち、回転機器の回転数に同期する回転同期周波数成分と、この整数倍周波数成分との比率に基づいて異常を検知するもの（例えば、特許文献３参照）等がある。
特開２００４−３５４１１１号公報
特開２００３−２３２６７４号公報
特許第３２１４２３３号公報
上記特許文献１のような競合型ニューラルネットワークは、正常な回転機器の測定信号から正常時の学習データを作成し、この学習データに基づいてクラスタリングマップに正常範囲を設定する。しかしながら、回転機器の正常状態は、回転数，経年変化，昼夜，季節等によって均一ではないため、回転機器の振動や音の測定信号が正常状態を示す範囲は広く、ばらつきを有するものであり、中には例外的な正常状態のデータも存在する。したがって、この正常範囲を設定するために全ての学習データを用いると正常範囲が意味なく広がってしまう。さらに、上記特許文献１では正常時の学習データだけでなく、異常時の学習データも必要であった。
また、上記特許文献２，３のように測定信号に含まれる周波数成分の大きさを単純に比較する方法では、正常状態にばらつきがある場合の検知精度に問題があった。
さらに、回転機器の回転数が変化する設備では、様々な回転数において正確に異常監視を行うことが困難であった。
本発明は、上記事由に鑑みてなされたものであり、その目的は、異常時のデータを用いることなく異常監視を行うとともに、回転機器の正常範囲を意味なく広げることを防ぎ、監視時には回転機器の回転数を考慮する必要がなく、正常状態にばらつきがある場合でも優れた検知精度を有する異常監視方法、および異常監視装置を提供することにある。
請求項１の発明は、学習時には、正常な回転機器を含む監視対象の物理的性質に関わる測定信号を入力し、入力された測定信号から監視対象の特徴量を抽出して、抽出した特徴量を回転機器の回転数に依存しないデータに加工した学習データを複数生成して保存し、次に学習データを競合型ニューラルネットワークに入力してクラスタリングマップを作成した後に、全ての学習データを用いて、学習データと該学習データによって発火したニューロンの重みデータとの距離の分布の第１の標準偏差を求め、次に前記距離が第１の標準偏差に基づいて設定した範囲内にある学習データのみを用いて、ニューロンの重みデータと該ニューロンを発火させる全ての学習データとの距離の分布の第２の標準偏差を各ニューロン毎に求め、第２の標準偏差に基づいて競合型ニューラルネットワークを構成する各ニューロンの閾値を設定することで監視対象の正常範囲を設定して、クラスタリングマップと監視対象の正常範囲とを保存し、監視時には、前記監視対象の物理的性質に関わる測定信号を入力し、入力された測定信号から監視対象の特徴量を抽出して、抽出した特徴量を回転機器の回転数に依存しないデータに加工した監視データを競合型ニューラルネットワークに入力し、入力された監視データと該監視データによって発火したニューロンの重みデータとの距離と、発火したニューロンの閾値とを比較して監視対象が正常であるか否かを判断することを特徴とする。
この発明によれば、異常監視方法において、クラスタリングマップに正常範囲を設定する競合型ニューラルネットワークを用いることで、正常状態にばらつきがある場合でも優れた検知精度を有し、且つニューロンの閾値は正常時の学習データに基づいて決定されているので、異常時のデータを必要とせずに監視対象の異常状態を検知できる。また、学習データ、監視データともに、回転機器の回転数に依存しない特徴量のデータに加工されるので、回転機器の回転数が変化する設備でも、回転機器の回転数を考慮する必要がなく、様々な回転数において正確に異常監視を行うことができる。さらに、クラスタリングマップに正常範囲を設定する際に、有効性の低い学習データを除くことで、正常範囲を意味なく広げることを防いでいる。
請求項２の発明は、請求項１において、前記抽出した特徴量を複数足し合わせたデータから近似曲線を作成して、該近似曲線に基づいて特徴量を回転機器の回転数に依存しないデータに加工し、特徴量を複数足し合わせていく際に、各特徴量から回転機器の回転数を検出して、その回転数に応じて各特徴量を複数のグループに分類し、特徴量が足し合わされる確率は、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて多いときは低く、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて少ないときは高くして、各グループ毎に足し合わされる特徴量の数を略均等にすることを特徴とする。
この発明によれば、異常監視方法において、近似曲線を作成する際に、様々な回転数の特徴量のデータを均等に足し合わせることで、回転数に依存しない近似曲線を精度よく作成することができる。
請求項３の発明は、請求項１または２において、各ニューロン毎に発火した学習データの数をカウントし、前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに最も高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、この状態で前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに次に高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、前記処理を繰り返すことで各学習データの削除優先度を設定し、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする。
この発明によれば、異常監視方法において、新たに学習を行う際には、削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを保存することで、学習データの保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
請求項４の発明は、請求項１または２において、各ニューロンにおいて、ニューロンの重みデータと該ニューロンを発火させた学習データとの距離の分布は正規分布であり、正規分布の両裾野に最も近い前記距離を有する２つの学習データと、正規分布の中央に最も近い前記距離を有する１つの学習データとに最も低い削除優先度を与え、他の学習データには高い削除優先度を与えることで各学習データの削除優先度を設定し、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする。
この発明によれば、異常監視方法において、新たに学習を行う際には、削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを保存することで、学習データの保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
請求項５の発明は、回転機器を含む監視対象の物理的性質に関わる測定信号を入力する信号入力手段と、入力された測定信号から監視対象の特徴量を抽出する特徴量抽出手段と、抽出した特徴量を回転機器の回転数に依存しないデータに加工する特徴量加工手段と、正常な回転機器を含む監視対象の測定信号から特徴量抽出手段、特徴量加工手段を介して生成された学習データを複数保存する学習データ記憶手段と、学習時に学習データを競合型ニューラルネットワークに入力してクラスタリングマップを作成するマップ作成手段と、学習時に学習データに基づいて競合型ニューラルネットワークを構成する各ニューロンの閾値を設定することで監視対象の正常範囲を設定する正常範囲作成手段と、クラスタリングマップと監視対象の正常範囲とを保存するマップ記憶手段と、監視時に監視対象の測定信号から特徴量抽出手段、特徴量加工手段を介して生成される監視データを競合型ニューラルネットワークに入力し、入力された監視データと該監視データによって発火したニューロンの重みデータとの距離と、発火したニューロンの閾値とを比較して監視対象が正常であるか否かを判断するクラスタ判定手段と、を備え、前記正常範囲作成手段は、学習データ記憶手段に保存されている全ての学習データを用いて、学習データと該学習データによって発火したニューロンの重みデータとの距離の分布の第１の標準偏差を求め、次に前記距離が第１の標準偏差に基づいて設定した範囲内にある学習データのみを用いて、ニューロンの重みデータと該ニューロンを発火させる全ての学習データとの距離の分布の第２の標準偏差を各ニューロン毎に求め、第２の標準偏差に基づいて各ニューロンの閾値を設定することを特徴とする。
この発明によれば、異常監視装置において、クラスタリングマップに正常範囲を設定する競合型ニューラルネットワークを用いることで、正常状態にばらつきがある場合でも優れた検知精度を有し、且つニューロンの閾値は正常時の学習データに基づいて決定されているので、異常時のデータを必要とせずに監視対象の異常状態を検知できる。また、学習データ、監視データともに、回転機器の回転数に依存しない特徴量のデータに加工されるので、回転機器の回転数が変化する設備でも、回転機器の回転数を考慮する必要がなく、様々な回転数において正確に異常監視を行うことができる。さらに、クラスタリングマップに正常範囲を設定する際に、有効性の低い学習データを除くことで、正常範囲を意味なく広げることを防いでいる。
請求項６の発明は、請求項５において、前記特徴量加工手段は、前記特徴量抽出手段で抽出した特徴量を複数足し合わせたデータから近似曲線を作成し、該近似曲線に基づいて特徴量を回転機器の回転数に依存しないデータに加工するもので、特徴量を複数足し合わせていく際に、各特徴量から回転機器の回転数を検出して、その回転数に応じて各特徴量を複数のグループに分類し、特徴量が足し合わされる確率は、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて多いときは低く、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて少ないときは高くして、各グループ毎に足し合わされる特徴量の数を略均等にすることを特徴とする。
この発明によれば、異常監視装置において、近似曲線を作成する際に、様々な回転数の特徴量のデータを均等に足し合わせることで、回転数に依存しない近似曲線を精度よく作成することができる。
請求項７の発明は、請求項５または６において、各ニューロン毎に発火した学習データの数をカウントし、前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに最も高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、この状態で前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに次に高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、前記処理を繰り返すことで各学習データの削除優先度を設定する削除リスト作成手段を備え、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする。
この発明によれば、異常監視装置において、新たに学習を行う際には、削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを保存することで、学習データの保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
請求項８の発明は、請求項５または６において、各ニューロンにおいて、ニューロンの重みデータと該ニューロンを発火させた学習データとの距離の分布は正規分布であり、正規分布の両裾野に最も近い前記距離を有する２つの学習データと、正規分布の中央に最も近い前記距離を有する１つの学習データとに最も低い削除優先度を与え、他の学習データには高い削除優先度を与えることで各学習データの削除優先度を設定する削除リスト作成手段を備え、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする。
この発明によれば、異常監視装置において、新たに学習を行う際には、削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを保存することで、学習データの保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
以上説明したように、本発明では、異常時のデータを用いることなく異常監視を行うとともに、回転機器の正常範囲を意味なく広げることを防ぎ、監視時には回転機器の回転数を考慮する必要がなく、正常状態にばらつきがある場合でも優れた検知精度を有する異常監視方法、および異常監視装置を提供することができるという効果がある。
以下、本発明の実施の形態を図面に基づいて説明する。
（実施形態１）
本実施形態の異常監視装置は、回転機器を含む監視対象の正常、異常を判定するものであり、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量加工部３と、学習データ記憶部４と、ニューラルネットワーク演算部５と、マップ記憶部６と、判定記憶部７と、出力部８とで構成され、監視対象の正常時の物理的性質の測定結果を予め収集し、実際の監視時には予め収集した正常時の測定結果と監視対象の測定結果とを比較することで、監視対象の正常、異常を判定する。
本実施形態の異常監視装置は、回転機器を含む監視対象の正常、異常を判定するものであり、図１に示すように、信号入力部１と、特徴量抽出部２と、特徴量加工部３と、学習データ記憶部４と、ニューラルネットワーク演算部５と、マップ記憶部６と、判定記憶部７と、出力部８とで構成され、監視対象の正常時の物理的性質の測定結果を予め収集し、実際の監視時には予め収集した正常時の測定結果と監視対象の測定結果とを比較することで、監視対象の正常、異常を判定する。
信号入力部１は、回転機器を含む監視対象の振動を検知する振動センサ１ａと、監視対象の音を検知するマイクロホン１ｂとを備え、振動センサ１ａは振動に関わる測定信号を特徴量抽出部２に入力し、マイクロホン１ｂは音に関わる測定信号を特徴量抽出部２に入力する。
特徴量抽出部２は、信号入力部１より入力された測定信号から監視対象の特徴量を抽出するものであり、信号入力部１からの測定信号をサンプリングしてフーリエ変換を施すことで、周波数成分の分布を測定信号の波形から抽出する。
特徴量加工部３は、特徴量抽出部２で抽出した特徴量を回転機器の回転数に依存しない特徴量のデータに加工する。
学習データ記憶部４には、学習モード時に特徴量加工部３で加工された正常時のデータ（学習データ）が保存される。
ニューラルネットワーク演算部５は例えばマイクロコンピュータからなり、マップ作成部５ａと、正常範囲作成部５ｂと、削除リスト作成部５ｃと、クラスタ判定部５ｄとを備え、図２に示すような教師なし競合型ニューラルネットワークを用いて演算を行なう。
教師なし競合型ニューラルネットワークは、複数個の入力層ニューロンＮ１と、入力層ニューロンＮ１に完全結合で結ばれた複数個の出力層ニューロンＮ２との２層で構成され、学習モードによって各出力層ニューロンＮ２の閾値が決定された後、監視モードで監視対象の監視を行う。
ここで、図３のフロー図を参照して、ニューラルネットワークの学習モードにおける処理を説明する。正常な回転機器を含む設備を監視対象として学習が開始されると（ステップＳ１）、まずマップ記憶部６に保存されている情報が初期化される（ステップＳ２）。
次に、特徴量抽出部２は、信号入力部１からの測定信号をサンプリングし（ステップＳ３）、フーリエ変換を施すことで周波数成分の分布を監視対象の特徴量として抽出する（ステップＳ４）。
次に、特徴量加工部３は、特徴量抽出部２で抽出した特徴量を回転機器の回転数に依存しない特徴量のデータに加工する（ステップＳ５）。
具体的には、図４（ａ）（ｂ）にフローを示す処理によって複数の特徴量から近似曲線を作成した後、この近似曲線を用いて、特徴量から監視対象の固有振動数等による影響を排除した後にデータの拡大あるいは圧縮を行うことで、回転機器の回転数に依存しない特徴量のデータに加工する。
以下、近似曲線の作成処理を説明する。特徴量加工部３は、まず図４（ａ）に示す第１段階の処理を開始し、特徴量抽出部２から特徴量のデータが入力されると（ステップＳ１１）、このデータから回転機器の回転数を検知する（ステップＳ１２）。
そして、特徴量加工部３は、回転機器の様々な回転数における特徴量のデータを足し合わせることで近似曲線を作成するのであるが、回転数の範囲毎に複数のグループに分類して、各グループ毎に足し合わせたデータの個数（採用個数）を記録したヒストグラムを作っており（図５（ａ）参照）、ステップＳ１２で検知した回転数を含むグループのデータ個数を１増加させてから（ステップＳ１３）、新しいデータを足し合わせる（ステップＳ１４）。
次に、足し合わせたデータ数が設定個数αに達したか否かを判定し（ステップＳ１５）、足し合わせたデータ数が設定個数α未満であれば、ステップＳ１１に戻って上記処理を繰り返す。足し合わせたデータ数が設定個数αに達したのであれば、第１段階を終了して、図４（ｂ）の第２段階に進む（ステップＳ１６）。すなわち、第１段階では、回転機器の回転数に関わらず、順次入力された特徴量のデータを採用する。
第２段階でも、特徴量加工部３は、特徴量抽出部２から特徴量のデータが入力されると（ステップＳ２１）、このデータから回転機器の回転数を検知する（ステップＳ２２）。
そして、足し合わせたデータ数が設定個数β（β＞α）に達したか否かを判定し（ステップＳ２３）、足し合わせたデータ数が設定個数β未満であれば、次に採用する特徴量のデータの選定を行う（ステップＳ２４）。
この採用データの選定は、作成されたヒストグラムを基にして、回転機器の回転数範囲毎にデータを足し合わせる確率を計算することで行われる。具体的には、各回転数の範囲毎に特徴量のデータが足し合わされる確率は、該特徴量と同じ回転数範囲の特徴量が既に足し合わされている数が他の回転数範囲の特徴量が既に足し合わされている数に比べて多いときは低く、該特徴量と同じ回転数範囲の特徴量が既に足し合わされている数が他の回転数範囲の特徴量が既に足し合わされている数に比べて少ないときは高くして、各回転数範囲毎に足し合わされる特徴量の数を略均等にしている。
例えば、現状のデータ採用状況が図５（ａ）に示す状況であれば、採用されたデータの個数が最も少ない回転数７０１〜８００（ｒｐｍ）のデータに対しては、足し合わせる確率を最も高くし、採用されたデータの個数が最も多い回転数８０１〜９００（ｒｐｍ）のデータに対しては、足し合わせる確率を最も低くする。他の回転数範囲のデータに対しても、採用されたデータの個数が少ないほど足し合わせる確率を高くする。上記処理を繰り返すことで、図５（ｂ）に示すように各回転数の範囲毎に採用された特徴量のデータの数が略均等になる。
そして、入力された特徴量のデータを採用するか否かを上記のように計算された確率にしたがって判断し（ステップＳ２５）、採用しなければステップＳ２１に戻って上記処理を繰り返す。採用されれば、ステップＳ２２で検知した回転数を含むグループのデータ個数を１増加させてから（ステップＳ２６）、新しいデータを足し合わせる（ステップＳ２７）。
そして、ステップＳ２３において、全てのデータ数が設定個数βに達したのであれば、全てのデータを足し合わせた結果から近似曲線を作成する（ステップＳ２８）。
このように、近似曲線を作成する際に、様々な回転数の特徴量のデータを均等に足し合わせることで、回転数に依存しない近似曲線を精度よく作成することができる。
次に、特徴量加工部３は、特徴量抽出部２から入力される特徴量のデータを、上記近似曲線を用いて回転機器の回転数に依存しない特徴量のデータに加工し、学習データとして学習データ記憶部４に保存する。そして、学習データの数が設定個数Ｍになるまで上記ステップＳ３〜Ｓ５の処理を繰り返す（ステップＳ６）。
設定個数Ｍの学習データが収集されると、マップ作成部５ａ，正常範囲作成部５ｂでニューラルネット学習が行われる（ステップＳ７）。まず、マップ作成部５ａは、学習データを教師なし競合型ニューラルネットワークに入力して、例えば図６に示すような６×６の二次元のクラスタリングマップＭＡＰを作成する。
クラスタリングマップＭＡＰの作成後、正常範囲作成部５ｂは、全学習データをニューラルネットワークに再度入力して、該当の出力層ニューロンＮ２を発火させ、各出力層ニューロンＮ２の閾値Ｔを各々設定する（ステップＳ８）。
この出力層ニューロンＮ２の閾値Ｔは、以下のように設定される。まず、全Ｍ個の学習データａ１〜ａＭは各々がｎ次元のデータであり、学習データａ１〜ａＭのうちｊ番目の学習データａｊによって、ｋ番目の出力層ニューロンＮ２ｋが発火した場合、学習データａｊ（ａｊ １，ａｊ ２，ａｊ ３，……ａｊ ｎ）と、出力層ニューロンＮ２ｋの重みデータｂｋ（ｂｋ １，ｂｋ ２，ｂｋ ３，……ｂｋ ｎ）とのユークリッド距離Ｌ１が下記［数１］にしたがって計算される。
上記ユークリッド距離Ｌ１の計算を全ての学習データａ１〜ａＭに対して行う。
次に、上記のように求めた全てのユークリッド距離Ｌ１の標準偏差Ｄ１（第１の標準偏差）を求める。そして、ユークリッド距離Ｌ１の分布は正規分布であると考え、標準偏差Ｄ１の２倍以内の範囲に属するユークリッド距離Ｌ１を持つ学習データを、閾値作成に用いる学習データａ１〜ａｍとして採用する。
ここで、採用した学習データａ１〜ａｍのうちｐ番目の学習データａｐ（ａｐ １，ａｐ ２，ａｐ ３，……ａｐ ｎ）と、ｑ番目の出力層ニューロンＮ２ｑの重みデータｂｑ（ｂｑ １，ｂｑ ２，ｂｑ ３，……ｂｑ ｎ）とのユークリッド距離Ｌ２は下記［数２］にしたがって計算される。
そして、上記ユークリッド距離Ｌ２の計算を、採用した学習データａ１〜ａｍ毎に全ての出力層ニューロンＮ２に対して行い、採用した学習データａ１〜ａｍ毎に最小のユークリッド距離Ｌ２を有する出力層ニューロンＮ２（発火ニューロン）を検索する。すなわち、各学習データによって発火する出力層ニューロンを検索するのである。
次に、ある出力層ニューロンＮ２の重みデータと、該出力層ニューロンＮ２を発火させる全ての学習データとの各ユークリッド距離Ｌ２の標準偏差Ｄ２（第２の標準偏差）を求める。そして、ユークリッド距離Ｌ２の分布は正規分布であると考え、標準偏差Ｄ２にある係数を乗じた値を、該出力層ニューロンＮ２の閾値Ｔとする。この処理を全ての出力層ニューロンＮ２に対して行い、各出力層ニューロンＮ２の閾値Ｔを決定する。
すなわち、正常範囲作成部５ｂは、各出力層ニューロンＮ２の閾値Ｔを決定することで、マップ作成部５ａで作成されたクラスタリングマップＭＡＰに正常範囲を設定し、クラスタリングマップＭＡＰとその正常範囲とをマップ記憶部６に保存する。
このように、教師なし競合型ニューラルネットワークを使用した異常監視方法、異常監視装置において、クラスタリングマップＭＡＰに正常範囲を設定する際に、有効性の低い学習データを除くことで、正常範囲を意味なく広げることを防いでいる。
次に、図７のフロー図を参照して、監視モードにおける処理を説明する。ある回転機器を含む設備を監視対象として監視が開始されると（ステップＳ３１）、特徴量抽出部２は、信号入力部１からの測定信号をサンプリングし（ステップＳ３２）、フーリエ変換を施すことで周波数成分の分布を監視対象の特徴量として抽出する（ステップＳ３３）。
次に、特徴量加工部３は、学習モードと同様に近似曲線を作成し、特徴量抽出部２から入力された特徴量のデータを、この近似曲線を用いて回転機器の回転数に依存しない特徴量のデータ（監視データ）に加工する（ステップＳ３４）。
クラスタ判定部５ｄは、特徴量加工部３で加工された監視データをマップ記憶部６に保存しているクラスタリングマップＭＡＰに入力して（ステップＳ３５）、監視データｃによって、ｒ番目の出力層ニューロンＮ２ｒが発火した場合、監視データｃ（ｃ１，ｃ２，ｃ３，……ｃｎ）と、出力層ニューロンＮ２ｒの重みデータｂｒ（ｂｒ １，ｂｒ ２，ｂｒ ３，……ｂｒ ｎ）とのユークリッド距離Ｌ３を下記［数３］にしたがって計算する（ステップＳ３６）。
そして、このユークリッド距離Ｌ３と、発火した出力層ニューロンＮ２ｒの閾値Ｔとを比較し、閾値Ｔがユークリッド距離Ｌ３より大きければ「正常」と判断し、閾値Ｔがユークリッド距離Ｌ３より小さければ「異常」と判断する（ステップＳ３７）。
ステップＳ３７での「正常」「異常」の判断結果は判定記憶部７に記憶され、所定の設定回数以上連続で「異常」と判断された場合、「異常」の監視結果を出力部８から出力する（ステップＳ３８）。
本実施形態において、閾値Ｔは正常時の学習データに基づいて決定されており、異常時のデータを必要とせずに監視対象の異常状態を検知できる。また、クラスタリングマップＭＡＰに正常範囲を設定する教師なし競合型ニューラルネットワークを用いることで、正常状態にばらつきがある場合でも優れた検知精度を有している。
さらに、学習データ、監視データともに、特徴量加工部３で回転機器の回転数に依存しない特徴量のデータに加工されるので、回転機器の回転数が変化する設備でも、回転機器の回転数を考慮する必要がなく、様々な回転数において正確に異常監視を行うことができる。
次に、削除リスト作成部５ｃの処理について説明する。正常範囲作成部５ｂがクラスタリングマップＭＡＰに正常範囲を設定してマップ記憶部６に保存した後、削除リスト作成部５ｃは、学習データ記憶部４に保存している全ての学習データに削除すべき優先度を与える機能を有する。
例えば、図８（ａ）に示す６×６の二次元のクラスタリングマップＭＡＰの３６個の領域は、互いに異なる出力層ニューロンＮ２に各々対応している。そして、学習データ記憶部４にＭ＝２５個の学習データを保存しているとすると、削除リスト作成部５ｃは、各出力層ニューロンＮ２毎に発火した学習データの数をカウントし、２５個の学習データを、各学習データによって発火する出力層ニューロンＮ２にグルーピングする。クラスタリングマップＭＡＰ内の数字は、各領域に該当する出力層ニューロンＮ２を発火させる学習データの数を示しており、図８（ａ）では発火する出力層ニューロンＮ２は計７グループある。
発火する学習データの数が最大のグループでは「７個」の学習データによって発火しており、この７個の学習データのうちのいずれか１個に最も高い削除優先度を与え、該当グループ内の学習データの数を１個減らす（図８（ｂ）参照）。
次に、図８（ｂ）の状態で、発火する学習データの数が最大のグループは「６個」の学習データによって発火しており、このグループの６個の学習データのうちのいずれか１個に次に高い削除優先度を与え、該当グループ内の学習データの数を１個減らす（図８（ｃ）参照）。
上記のように、発火する学習データの数が最大のグループの学習データのうちのいずれか１個に順次削除優先度を与え、該当グループ内の学習データの数を１個減らす処理を繰り返すことで、全ての学習データの削除優先度を設定しておく。
そして、新たに学習を行う際には、上記設定した削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを学習データ記憶部４に保存することで、学習データ記憶部４の保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
また、全ての学習データに削除優先度を設定することで、新たな学習データがある程度蓄積された時点で、古い学習データと一括して入れ換えることができる。
（実施形態２）
本実施形態の異常監視装置は、削除リスト作成部５ｃの処理が実施形態１と異なるものであり、実施形態１と同様の構成には同一の符号を付して説明は省略する。
本実施形態の異常監視装置は、削除リスト作成部５ｃの処理が実施形態１と異なるものであり、実施形態１と同様の構成には同一の符号を付して説明は省略する。
例えば、図８（ａ）に示す６×６の二次元のクラスタリングマップＭＡＰの３６個の領域は、互いに異なる出力層ニューロンＮ２に各々対応している。そして、学習データ記憶部４にＭ＝２５個の学習データを保存しているとすると、削除リスト作成部５ｃは、各出力層ニューロンＮ２毎に発火した学習データの数をカウントし、２５個の学習データを、各学習データによって発火する出力層ニューロンＮ２にグルーピングする。クラスタリングマップＭＡＰ内の数字は、各領域に該当する出力層ニューロンＮ２を発火させる学習データの数を示しており、図８（ａ）では発火する出力層ニューロンＮ２は計７グループある。
発火する学習データの数が最大のグループは「７個」の学習データによって発火しており、まず、このグループの７個の学習データに対して削除の順位付けを行う。ここで図９に示すように、学習データと該学習データによって発火する出力層ニューロンＮ２の重みデータとのユークリッド距離の分布は、正規分布になると考える（図９中の１〜７の番号は、上記７個の学習データを各々示す）。そして、正規分布の両裾野に最も近いユークリッド距離を有する２つの学習データ（３番，５番）と、正規分布の中央に最も近いユークリッド距離を有する１つの学習データ（２番）とに最も低い削除優先度を与え、他の学習データには高い削除優先度を与える。
上記処理を残りの６グループについても行うことで、全ての学習データの削除優先度を設定しておく。
そして、新たに学習を行う際には、上記設定した削除優先度に基づいて、学習モードの閾値設定に影響の少ない学習データから削除して新たな学習データを学習データ記憶部４に保存することで、学習データ記憶部４の保存領域に限界があっても、学習に有効なデータを自動的に残すことができる。さらには、保存される学習データに偏りがなくなり、閾値設定の精度が向上する。
また、全ての学習データに削除優先度を設定することで、新たな学習データがある程度蓄積された時点で、古い学習データと一括して入れ換えることができる。
１ 信号入力部
２ 特徴量抽出部
３ 特徴量加工部
４ 学習データ記憶部
５ ニューラルネットワーク演算部
５ａ マップ作成部
５ｂ 正常範囲作成部
５ｃ 削除リスト作成部
５ｄ クラスタ判定部
６ マップ記憶部
７ 判定記憶部
８ 出力部
２ 特徴量抽出部
３ 特徴量加工部
４ 学習データ記憶部
５ ニューラルネットワーク演算部
５ａ マップ作成部
５ｂ 正常範囲作成部
５ｃ 削除リスト作成部
５ｄ クラスタ判定部
６ マップ記憶部
７ 判定記憶部
８ 出力部
Claims (8)
- 学習時には、正常な回転機器を含む監視対象の物理的性質に関わる測定信号を入力し、入力された測定信号から監視対象の特徴量を抽出して、抽出した特徴量を回転機器の回転数に依存しないデータに加工した学習データを複数生成して保存し、次に学習データを競合型ニューラルネットワークに入力してクラスタリングマップを作成した後に、全ての学習データを用いて、学習データと該学習データによって発火したニューロンの重みデータとの距離の分布の第１の標準偏差を求め、次に前記距離が第１の標準偏差に基づいて設定した範囲内にある学習データのみを用いて、ニューロンの重みデータと該ニューロンを発火させる全ての学習データとの距離の分布の第２の標準偏差を各ニューロン毎に求め、第２の標準偏差に基づいて競合型ニューラルネットワークを構成する各ニューロンの閾値を設定することで監視対象の正常範囲を設定して、クラスタリングマップと監視対象の正常範囲とを保存し、
監視時には、前記監視対象の物理的性質に関わる測定信号を入力し、入力された測定信号から監視対象の特徴量を抽出して、抽出した特徴量を回転機器の回転数に依存しないデータに加工した監視データを競合型ニューラルネットワークに入力し、入力された監視データと該監視データによって発火したニューロンの重みデータとの距離と、発火したニューロンの閾値とを比較して監視対象が正常であるか否かを判断する
ことを特徴とする異常監視方法。 - 前記抽出した特徴量を複数足し合わせたデータから近似曲線を作成して、該近似曲線に基づいて特徴量を回転機器の回転数に依存しないデータに加工し、特徴量を複数足し合わせていく際に、各特徴量から回転機器の回転数を検出して、その回転数に応じて各特徴量を複数のグループに分類し、特徴量が足し合わされる確率は、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて多いときは低く、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて少ないときは高くして、各グループ毎に足し合わされる特徴量の数を略均等にすることを特徴とする請求項１記載の異常監視方法。
- 各ニューロン毎に発火した学習データの数をカウントし、前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに最も高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、この状態で前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに次に高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、前記処理を繰り返すことで各学習データの削除優先度を設定し、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする請求項１または２記載の異常監視方法。
- 各ニューロンにおいて、ニューロンの重みデータと該ニューロンを発火させた学習データとの距離の分布は正規分布であり、正規分布の両裾野に最も近い前記距離を有する２つの学習データと、正規分布の中央に最も近い前記距離を有する１つの学習データとに最も低い削除優先度を与え、他の学習データには高い削除優先度を与えることで各学習データの削除優先度を設定し、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする請求項１または２記載の異常監視方法。
- 回転機器を含む監視対象の物理的性質に関わる測定信号を入力する信号入力手段と、
入力された測定信号から監視対象の特徴量を抽出する特徴量抽出手段と、
抽出した特徴量を回転機器の回転数に依存しないデータに加工する特徴量加工手段と、
正常な回転機器を含む監視対象の測定信号から特徴量抽出手段、特徴量加工手段を介して生成された学習データを複数保存する学習データ記憶手段と、
学習時に学習データを競合型ニューラルネットワークに入力してクラスタリングマップを作成するマップ作成手段と、
学習時に学習データに基づいて競合型ニューラルネットワークを構成する各ニューロンの閾値を設定することで監視対象の正常範囲を設定する正常範囲作成手段と、
クラスタリングマップと監視対象の正常範囲とを保存するマップ記憶手段と、
監視時に監視対象の測定信号から特徴量抽出手段、特徴量加工手段を介して生成される監視データを競合型ニューラルネットワークに入力し、入力された監視データと該監視データによって発火したニューロンの重みデータとの距離と、発火したニューロンの閾値とを比較して監視対象が正常であるか否かを判断するクラスタ判定手段と、
を備え、
前記正常範囲作成手段は、学習データ記憶手段に保存されている全ての学習データを用いて、学習データと該学習データによって発火したニューロンの重みデータとの距離の分布の第１の標準偏差を求め、次に前記距離が第１の標準偏差に基づいて設定した範囲内にある学習データのみを用いて、ニューロンの重みデータと該ニューロンを発火させる全ての学習データとの距離の分布の第２の標準偏差を各ニューロン毎に求め、第２の標準偏差に基づいて各ニューロンの閾値を設定する
ことを特徴とする異常監視装置。 - 前記特徴量加工手段は、前記特徴量抽出手段で抽出した特徴量を複数足し合わせたデータから近似曲線を作成し、該近似曲線に基づいて特徴量を回転機器の回転数に依存しないデータに加工するもので、特徴量を複数足し合わせていく際に、各特徴量から回転機器の回転数を検出して、その回転数に応じて各特徴量を複数のグループに分類し、特徴量が足し合わされる確率は、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて多いときは低く、該特徴量と同じグループの特徴量を既に足し合わしている数が他のグループの特徴量を既に足し合わしている数に比べて少ないときは高くして、各グループ毎に足し合わされる特徴量の数を略均等にすることを特徴とする請求項５記載の異常監視装置。
- 各ニューロン毎に発火した学習データの数をカウントし、前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに最も高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、この状態で前記カウント数が最も多いニューロンを発火させた学習データのうちいずれかに次に高い削除優先度を与えて、該ニューロンを発火させた学習データの数を１減少させ、前記処理を繰り返すことで各学習データの削除優先度を設定する削除リスト作成手段を備え、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする請求項５または６記載の異常監視装置。
- 各ニューロンにおいて、ニューロンの重みデータと該ニューロンを発火させた学習データとの距離の分布は正規分布であり、正規分布の両裾野に最も近い前記距離を有する２つの学習データと、正規分布の中央に最も近い前記距離を有する１つの学習データとに最も低い削除優先度を与え、他の学習データには高い削除優先度を与えることで各学習データの削除優先度を設定する削除リスト作成手段を備え、学習時に学習データの数が保存可能な数を超えた場合、前記設定した削除優先度に基づいて学習データを削除して新たな学習データを保存することを特徴とする請求項５または６記載の異常監視装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006018184A JP4140634B2 (ja) | 2006-01-26 | 2006-01-26 | 異常監視方法、および異常監視装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006018184A JP4140634B2 (ja) | 2006-01-26 | 2006-01-26 | 異常監視方法、および異常監視装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2007198918A JP2007198918A (ja) | 2007-08-09 |
| JP4140634B2 true JP4140634B2 (ja) | 2008-08-27 |
Family
ID=38453665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006018184A Expired - Fee Related JP4140634B2 (ja) | 2006-01-26 | 2006-01-26 | 異常監視方法、および異常監視装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4140634B2 (ja) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5048625B2 (ja) | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
| CN102870057B (zh) * | 2010-04-08 | 2015-01-28 | 株式会社日立制作所 | 机械设备的诊断装置、诊断方法及诊断程序 |
| JP5498540B2 (ja) * | 2012-07-19 | 2014-05-21 | 株式会社日立製作所 | 異常検知方法及びシステム |
| JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
| JP6721563B2 (ja) | 2017-11-28 | 2020-07-15 | ファナック株式会社 | 数値制御装置 |
| JP7047386B2 (ja) * | 2018-01-10 | 2022-04-05 | セイコーエプソン株式会社 | 異常を警告する方法および異常警告システム |
| JP7115346B2 (ja) * | 2019-02-07 | 2022-08-09 | 株式会社デンソー | 異常検知装置 |
| JP2020160618A (ja) * | 2019-03-25 | 2020-10-01 | 日本電信電話株式会社 | 判定装置、判定方法及び判定プログラム |
| JP7384059B2 (ja) | 2020-02-06 | 2023-11-21 | 富士通株式会社 | 検知プログラム、検知方法及び検知装置 |
| JP7472685B2 (ja) | 2020-07-01 | 2024-04-23 | 株式会社デンソー | 要因分析装置、要因分析方法、及び要因分析プログラム |
| JP7380475B2 (ja) | 2020-08-04 | 2023-11-15 | トヨタ自動車株式会社 | 異常判定装置 |
| KR102320706B1 (ko) | 2020-11-30 | 2021-11-02 | (주)비스텔리젼스 | 설비 모니터링 시스템의 모델 임계값 설정 방법 |
| KR102320707B1 (ko) * | 2020-11-30 | 2021-11-02 | (주)비스텔리젼스 | 설비 모니터링 시스템의 설비 고장 분류 방법 |
| CN113566953B (zh) * | 2021-09-23 | 2021-11-30 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
| WO2023119486A1 (ja) * | 2021-12-22 | 2023-06-29 | Ｊｆｅスチール株式会社 | 正常ベクトル登録装置、設備異常監視システム、及び設備異常監視方法 |
| CN116203929B (zh) * | 2023-03-01 | 2024-01-05 | 中国矿业大学 | 一种面向长尾分布数据的工业过程故障诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3214233B2 (ja) * | 1994-06-02 | 2001-10-02 | 三菱電機株式会社 | 回転機振動診断装置 |
| JP3449194B2 (ja) * | 1997-01-28 | 2003-09-22 | 松下電工株式会社 | 回転機器の異常診断方法およびその装置 |
| JP2001331839A (ja) * | 2000-05-22 | 2001-11-30 | Glory Ltd | 紙幣識別方法及び装置 |
| JP2003232674A (ja) * | 2002-02-08 | 2003-08-22 | Nsk Ltd | 機械設備又は機器の異常診断方法及び異常診断装置 |
| JP3778177B2 (ja) * | 2003-05-27 | 2006-05-24 | 松下電工株式会社 | 物体検査装置 |
| JP4100413B2 (ja) * | 2005-04-25 | 2008-06-11 | 松下電工株式会社 | 設備監視方法および設備監視装置 |
-
2006
- 2006-01-26 JP JP2006018184A patent/JP4140634B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2007198918A (ja) | 2007-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4140634B2 (ja) | 異常監視方法、および異常監視装置 | |
| Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
| Wong et al. | Modified self-organising map for automated novelty detection applied to vibration signal monitoring | |
| JP4356716B2 (ja) | 異常監視装置 | |
| Sugumaran et al. | Automatic rule learning using decision tree for fuzzy classifier in fault diagnosis of roller bearing | |
| Pandya et al. | Fault diagnosis of rolling element bearing by using multinomial logistic regression and wavelet packet transform | |
| Subrahmanyam et al. | Using neural networks for the diagnosis of localized defects in ball bearings | |
| Sugumaran et al. | Effect of number of features on classification of roller bearing faults using SVM and PSVM | |
| Cococcioni et al. | Robust diagnosis of rolling element bearings based on classification techniques | |
| JP4200332B2 (ja) | 異常監視装置、異常監視方法 | |
| JP5544418B2 (ja) | プラントの診断装置、診断方法、及び診断プログラム | |
| Islam et al. | Discriminant feature distribution analysis-based hybrid feature selection for online bearing fault diagnosis in induction motors | |
| JP4605132B2 (ja) | 異常検出装置、異常検出方法 | |
| EP2399104A1 (en) | Method and apparatus for monitoring and analyzing vibrations in rotary machines | |
| JP4670662B2 (ja) | 異常検出装置 | |
| JP2006300895A (ja) | 設備監視方法および設備監視装置 | |
| Kumar et al. | Fault diagnosis of bearings through vibration signal using Bayes classifiers | |
| JP4760614B2 (ja) | 信号識別装置の学習データの選択方法 | |
| JP4886461B2 (ja) | 異常監視装置 | |
| JP2007327885A (ja) | 異常判定方法および異常判定装置 | |
| JP4875433B2 (ja) | 信号識別装置の学習方法 | |
| Zhang et al. | Applied sensor fault detection and validation using transposed input data PCA and ANNs | |
| Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble | |
| Mosallam et al. | Integrated bayesian framework for remaining useful life prediction | |
| JP4775100B2 (ja) | 信号識別装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070605 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080513 |
|
| 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: 20080520 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080602 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110620 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110620 Year of fee payment: 3 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110620 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 4 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 4 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120620 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130620 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130620 Year of fee payment: 5 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130620 Year of fee payment: 5 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |