JP2020008997A - 異常検知システム - Google Patents
異常検知システム Download PDFInfo
- Publication number
- JP2020008997A JP2020008997A JP2018127570A JP2018127570A JP2020008997A JP 2020008997 A JP2020008997 A JP 2020008997A JP 2018127570 A JP2018127570 A JP 2018127570A JP 2018127570 A JP2018127570 A JP 2018127570A JP 2020008997 A JP2020008997 A JP 2020008997A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality detection
- detection model
- abnormality
- operation data
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明の一実施形態に係る異常検知システムは、工場などの産業システム、化学プラント、鉄道や電力などの社会インフラシステムなどのシステムの機能が停止しないように、故障や障害を迅速に発見・対応、あるいは、未然に予知し保全するためのシステムである。
本実施形態に係る異常検知システム1は、図1に示されるように、設備10と、コントローラ11と、データ管理サーバ12と、クライアント端末13を備えている。
収集部111は、設備10から稼動データを収集する機能部である。検知部112は、稼動データから異常スコアを算出する機能部である(詳細は、後述)。ローカルデータ管理部113は、収集した稼動データを管理して、アクセスする方法を提供する機能部である。
集配部121は、各コントローラ11のローカルデータ管理部113からデータを収集する機能部である。データ学習部122は、稼働データを用いて異常検知モデルを構築(学習)する機能部である。統合データ管理部123は、各コントローラ11のローカルデータ管理部113に格納された稼動データを集約して、サーバ側で管理し、アクセスする方法を提供する機能部である。
一般的な情報処理装置は、CPU(Central Processing Unit)501が、ROM(Read Only Memory)502、RAM(Read Access Memory)503、外部記憶装置504、通信I/F(Interface)505、外部入力装置506、外部出力装置507からなる。
稼動データ100は、コントローラ11が設備10から収集するデータであり、ローカルデータ管理部113で管理されるデータであり、具体的には、例えば、設備10に取り付けられたセンサ値や設備10に送られる制御信号に関するデータである。稼動データ100は、図1に示されるように、日時101と、項目名102と、値103の各項目を有する。日時101は、稼動データが発生した日時、または、収集された日時である。項目名102は、稼動データを識別するための名称であり、例えば、センサ番号や制御信号番号である。値103は、その日時、その項目に関する稼動データの値である。
先ず、コントローラ11の収集部111が、設備10、コントローラ11の双方またはその一方から、正常時の稼働データ100を収集し、ローカルデータ管理部113に格納する(S101)。なお、本実施形態では収集部111が集めるデータの周期は一定であるものとする。周期が一定でない場合は、補間等によって周期を調整した稼動データに変換し格納する。
そして、学習処理の結果であるモデルデータ300を、データ管理サーバ12の統合データ管理部123に登録する。
まず、データ管理サーバ12の学習部122が、LOF(Local Outlier Factor)等に代表される外れ値検知(Outlier Detection)手法を用いて外れ値を除去する(S201)。例えば、稼働データの1%は外れ値であるとみなして、LOFのスコアの上位1%を得るような稼働データを削除する。このようにして、本異常検知手法が外れ値も含めて異常スコアのばらつきを小さくするように異常検知モデルを構築する結果、検知性能が劣化することを避けることができる。特に、ランダムなノイズが含まれる場合には有用である。ただし、外れ値を除去する必要がないようなデータでは、本ステップを省略してもよい。
次に、データ管理サーバ12の学習部122が、訓練データに対してブートストラップサンプリングによって、新たな訓練データXtを作成する(S204)。その際、時刻t−1における異常スコアをSt−1として、以下の(式2(で与えられる確率P(x)に従ってサンプリングする。ここで、x,xj∈Xt−1、Xt−1は、Xtの前の訓練データであり、(式2)の分母の総和のインデックスjは、全てのXt−1の要素を動くものとする。すなわち、異常スコアが高いものほど高い確率でサンプリングする。この処理により、後述の処理で効率よくばらつきを小さくする新しい異常検知モデルの作成を可能とする。なお、本実施形態では、単純に異常スコアの比率を用いてサンプリングを行ったが、ランダム分布などほかの分布に基づいてサンプリングしてもよい。また、サンプリングを行う場合、既存の稼働データから抽出するだけでなく、補間値あるいは推定値を用いてもよい。例えば、SMOTE(Synthetic Minority Over-sampling Technique、近傍点を使った補間を含む)などのオーバーサンプリング手法や、稼働データからGAN(Generative Adversarial Networks)等の生成モデルを学習し、そこからサンプリングする手法を用いたりしてもよい。これによって、稼働データに含まれない情報を含む異常検知モデルを構築でき、その結果、検知性能を向上できる場合がある。
次に、データ管理サーバ12の学習部122が、終了条件を満たしているかを判定する(S208)。本実施形態ではtが所定値Tを上回ったとき、終了条件を満たすものする。判定の結果、終了条件を満たしていなければ(S208:NO)、S204に戻り、終了条件を満たしていれば(S208:YES)、S209に進む。なお、本実施形態ではtが所定値Tを上回ったとき、終了条件を満たすものとしたが、他の終了条件を設定してもよい。例えば、分散が所定の値以下となる、分散が初期の異常検知モデルの10%未満となる等であってよい。
最後に、データ管理サーバ12の学習部122が、S208で作成した訓練データを用いて異常検知モデルを作成して本処理を終了する(S210)。
監視画面600は、クライアント端末13の表示部131が異常検知システムのユーザに提示し。稼動データや異常スコアなどに関する情報を表示し、設備10の監視をおこなうために提供する画面である。監視画面600は、図10に示されるように、モデル選択コンボボックス601、稼動データ表示ペイン602、異常スコア表示ペイン603、初期異常スコア表示ペイン604、スコア比率表示ペイン605を備える。
11……コントローラ
111…収集部
112…検知部
113…ローカルデータ管理部
12……データ管理サーバ
121…集配部
122…学習部
123…統合データ管理部
13……クライアント端末
131…表示部
Claims (10)
- 監視対象となる設備の稼動データに基づいて、設備の異常またはその予兆を検知する異常検知システムであって、
前記設備から稼動データを収集する機器と、
前記稼動データから構築される異常検知モデルに基づいて、設備の異常またはその予兆を検知する情報処理装置とを有し、
前記情報処理装置は、
前記稼動データを収集する手段と、
前記稼働データから異常検知モデルを学習する手段と、
前記稼働データと異常検知モデルから、個々の稼動データに対して異常スコアを算出する手段とを有し、
前記稼働データから異常検知モデルを学習する手段は、前記異常検知モデルの内で、その異常検知モデルの要素のばらつきが小さい異常検知モデルを学習することを特徴とする異常検知システム。 - 前記異常検知モデルの要素のばらつきは、前記異常検知モデルの要素の異常スコアの分散または四分位範囲であることを特徴とする請求項1記載の異常検知システム。
- 前記稼働データから異常検知モデルを学習する手段は、初期の異常検知モデルを設定し、逐次的に異常検知モデルから異常スコアのばらつきが小さい異常検知モデルを再構成することを特徴とする請求項1記載の異常検知システム。
- 逐次的に異常検知モデル新たな異常検知モデルを追加する際、所定探索範囲内で異常検知モデルの異常スコアの最もばらつきが小さい組み合わせ方を探索し、それを異常検知モデルの異常スコアの合成に用いることを特徴とする請求項1記載の異常検知システム。
- 前記稼働データから異常検知モデルを学習する手段は、複数の異常検知モデルから生成する異常検知モデルの異常スコアを、重み付き線形和によって合成することを特徴とする請求項1記載の異常検知システム。
- 前記異常検知モデルは、k近傍距離に基づく異常検知モデルであることを特徴とする請求項1記載の異常検知システム。
- 前記稼働データから異常検知モデルを学習する手段は、複数の異常検知モデルから新たな異常検知モデルを生成するにあたり、複数の異常検知モデルから稼働データをサンプリングして新たな異常検知モデルを生成することを特徴とする請求項1記載の異常検知システム。
- 前記稼働データから異常検知モデルを学習する手段は、前記異常スコアの大きい異常検知モデルに対して、大きな確率でサンプリングすることを特徴とする請求項7記載の異常検知システム。
- 前記稼働データから異常検知モデルを学習する手段は、ランダム分布に基づいてサンプリングするか、補間値あるいは推定値を用いてサンプリングするか、稼働データから生成モデルを学習し、そこからサンプリングするかのいずれかでサンプリングすることを特徴とする請求項7記載の異常検知システム。
- さらに、初期の異常検知モデルの異常スコアと、再構成された異常検知モデルの異常スコアの比率を表示する手段とを有することを特徴とする請求項1記載の異常検知システム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018127570A JP7007243B2 (ja) | 2018-07-04 | 2018-07-04 | 異常検知システム |
US17/256,070 US11892826B2 (en) | 2018-07-04 | 2019-05-29 | Anomaly detection system |
PCT/JP2019/021407 WO2020008760A1 (ja) | 2018-07-04 | 2019-05-29 | 異常検知システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018127570A JP7007243B2 (ja) | 2018-07-04 | 2018-07-04 | 異常検知システム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020008997A true JP2020008997A (ja) | 2020-01-16 |
JP2020008997A5 JP2020008997A5 (ja) | 2020-12-17 |
JP7007243B2 JP7007243B2 (ja) | 2022-01-24 |
Family
ID=69059582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018127570A Active JP7007243B2 (ja) | 2018-07-04 | 2018-07-04 | 異常検知システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11892826B2 (ja) |
JP (1) | JP7007243B2 (ja) |
WO (1) | WO2020008760A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022202324A1 (ja) * | 2021-03-22 | 2022-09-29 | 株式会社Gsユアサ | 異常検知装置、異常検知方法、及びコンピュータプログラム |
JP2023067232A (ja) * | 2021-10-29 | 2023-05-16 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7087908B2 (ja) * | 2018-10-24 | 2022-06-21 | オムロン株式会社 | 制御装置 |
US11620180B2 (en) * | 2018-11-29 | 2023-04-04 | Vmware, Inc. | Holo-entropy adaptive boosting based anomaly detection |
US11409995B2 (en) * | 2019-08-28 | 2022-08-09 | Nxp B.V. | Anomaly detection by classifying past behavior |
US11308366B2 (en) * | 2019-10-28 | 2022-04-19 | MakinaRocks Co., Ltd. | Method for determining optimal anomaly detection model for processing input data |
JP7318612B2 (ja) * | 2020-08-27 | 2023-08-01 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
CN113219499A (zh) * | 2021-04-07 | 2021-08-06 | 中铁第四勘察设计院集团有限公司 | 位置时间序列的异常探测方法、装置及计算机存储介质 |
CN114039837B (zh) * | 2021-11-05 | 2023-10-31 | 奇安信科技集团股份有限公司 | 告警数据处理方法、装置、系统、设备和存储介质 |
CN114926061B (zh) * | 2022-05-31 | 2023-02-24 | 深圳市润鹏华通创新科技有限公司 | 一种基于云计算的智慧社区能源监管系统 |
WO2024015985A1 (en) | 2022-07-15 | 2024-01-18 | Black & Veatch Holding Company | Method and computing device for detecting anomalous sensor data |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2015184693A (ja) * | 2014-03-20 | 2015-10-22 | 日本電気株式会社 | 医薬品有害事象抽出方法及び装置 |
WO2017094267A1 (ja) * | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
JP6313516B1 (ja) * | 2017-03-30 | 2018-04-18 | 三菱総研Dcs株式会社 | 情報処理装置、情報処理方法およびコンピュータプログラム |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5955985A (ja) * | 1982-09-27 | 1984-03-31 | 株式会社ニチベイ | ブラインド |
FR2939170B1 (fr) * | 2008-11-28 | 2010-12-31 | Snecma | Detection d'anomalie dans un moteur d'aeronef. |
JP5301310B2 (ja) | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP5431235B2 (ja) | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
US11379726B2 (en) * | 2018-11-02 | 2022-07-05 | Intuit Inc. | Finite rank deep kernel learning for robust time series forecasting and regression |
US11797550B2 (en) * | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
US11586853B2 (en) * | 2020-02-17 | 2023-02-21 | Wipro Limited | System and method of validating multi-vendor Internet-of-Things (IoT) devices using reinforcement learning |
US20220044133A1 (en) * | 2020-08-07 | 2022-02-10 | Sap Se | Detection of anomalous data using machine learning |
US11842204B2 (en) * | 2021-03-26 | 2023-12-12 | Microsoft Technology Licensing, Llc | Automated generation of early warning predictive insights about users |
DE102021124254A1 (de) * | 2021-09-20 | 2023-03-23 | Festo Se & Co. Kg | Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System |
US20230229738A1 (en) * | 2022-01-19 | 2023-07-20 | Optum Services (Ireland) Limited | Unsupervised anomaly detection machine learning frameworks |
-
2018
- 2018-07-04 JP JP2018127570A patent/JP7007243B2/ja active Active
-
2019
- 2019-05-29 US US17/256,070 patent/US11892826B2/en active Active
- 2019-05-29 WO PCT/JP2019/021407 patent/WO2020008760A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) * | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2015184693A (ja) * | 2014-03-20 | 2015-10-22 | 日本電気株式会社 | 医薬品有害事象抽出方法及び装置 |
WO2017094267A1 (ja) * | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
JP6313516B1 (ja) * | 2017-03-30 | 2018-04-18 | 三菱総研Dcs株式会社 | 情報処理装置、情報処理方法およびコンピュータプログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022202324A1 (ja) * | 2021-03-22 | 2022-09-29 | 株式会社Gsユアサ | 異常検知装置、異常検知方法、及びコンピュータプログラム |
JP2023067232A (ja) * | 2021-10-29 | 2023-05-16 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
JP7509117B2 (ja) | 2021-10-29 | 2024-07-02 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
Also Published As
Publication number | Publication date |
---|---|
JP7007243B2 (ja) | 2022-01-24 |
US20210224599A1 (en) | 2021-07-22 |
WO2020008760A1 (ja) | 2020-01-09 |
US11892826B2 (en) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020008760A1 (ja) | 異常検知システム | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
CN107408225B (zh) | 操作数据的自适应处置 | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
JP6847787B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
US20150269120A1 (en) | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP2015148867A (ja) | 情報処理装置、診断方法、およびプログラム | |
WO2018071005A1 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US20210223765A1 (en) | Malfunction detection device, malfunction detection method, malfunction detection program, and recording medium | |
Su et al. | Detecting outlier machine instances through gaussian mixture variational autoencoder with one dimensional cnn | |
JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
KR20150038356A (ko) | 유전적 프로그래밍을 이용한 잔여 유효 수명의 추정 | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN112486970A (zh) | 一种用于电力设备的运行状态评估方法及装置 | |
US10360249B2 (en) | System and method for creation and detection of process fingerprints for monitoring in a process plant | |
JPWO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
Atzmueller et al. | Sequential Modeling and Structural Anomaly Analytics in Industrial Production Environments. | |
WO2020054599A1 (ja) | モデル生成装置、予測装置、モデル生成方法、予測方法、及びプログラム | |
CN117857407A (zh) | 物联网异常检测的模型训练方法、异常检测方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201102 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201102 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211108 |
|
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: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220106 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7007243 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |