JP2023505958A - 熱間圧延巻取り温度の区間予測法 - Google Patents
熱間圧延巻取り温度の区間予測法 Download PDFInfo
- Publication number
- JP2023505958A JP2023505958A JP2022530319A JP2022530319A JP2023505958A JP 2023505958 A JP2023505958 A JP 2023505958A JP 2022530319 A JP2022530319 A JP 2022530319A JP 2022530319 A JP2022530319 A JP 2022530319A JP 2023505958 A JP2023505958 A JP 2023505958A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- neural network
- artificial neural
- interval
- picp
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005098 hot rolling Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 239000010410 layer Substances 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 239000002356 single layer Substances 0.000 claims abstract description 11
- 241000283153 Cetacea Species 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 239000003795 chemical substances by application Substances 0.000 claims description 56
- 108090000672 Annexin A5 Proteins 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004804 winding Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 241000283085 Megaptera Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
- B21B37/74—Temperature control, e.g. by cooling or heating the rolls or the product
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B2201/00—Special rolling modes
- B21B2201/06—Thermomechanical rolling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Control Of Metal Rolling (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
が最適な検索エージェントを表し、前記最適な検索エージェントが最小の適応度を持つ。
を更新する。
ここで、
は反復中に2から0まで線形的に減少し、
は0から1の乱数であり、lは[-1、1]の間の乱数であり、Pは[0、1]の間の乱数であり、
は2つのベクトル係数であり、
の場合、次の式に従って現在の検索エージェントの位置式を更新する。
ここで、tは現在の反復回数を表し、
は現在の最適な位置ベクトルを表し、ベクトル係数
は次のように計算される。
、すなわち、人工ニューラルネットワークの重みとバイアスを返す。
ここで、Nはサンプルの総数を表し、
はブール変数を表し、予測区間のカバレッジ率を表し、目標値yiの値が下限Li以上でかつ上限Ui以下の場合、
、目標値yiの値が下限Liより小さい、または上限Uiより大きい場合、
、数学的に次のように表される。
ここで、Rは目的関数値の最大値と最小値の差を表す。
ここで、トレーニングセットの場合、γ(PICP)=1、μとηは2つの制御パラメータを表し、公称信頼水準[(1-α)%]はμを選択するための参考で、μが95%であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはPICPとμとの差を拡大する。
ここで、Nはサンプルの総数を表し、
はブール変数を表し、予測区間のカバレッジ率を表し、目標値yiの値が下限Li以上でかつ上限Ui以下の場合、
、目標値yiの値が下限Liより小さい、または上限Uiより大きい場合、
、数学的に次のように表される。
ここで、Rは目的関数値の最大値と最小値の差を表す。
ここで、トレーニングセットの場合、γ(PICP)=1、μとηは2つの制御パラメータを表し、公称信頼水準[(1-α)%]はμを選択するための参考で、μが95%であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはPICPとμとの差を拡大する。
を更新する。
ここで、
は反復中に2から0まで線形的に減少し、
は0から1の乱数であり、lは[-1、1]の間の乱数であり、Pは[0、1]の間の乱数であり、
は2つのベクトル係数であり、
の場合、次の式に従って現在の検索エージェントの位置式を更新する。
ここで、tは現在の反復回数を表し、
は現在の最適な位置ベクトルを表し、ベクトル係数
は次のように計算される。
、すなわち、人工ニューラルネットワークの重みとバイアスを返す。
熱間圧延巻取り温度の区間予測法であって、その予測手順の流れは、上記の図1に示される。以下、実施例を参照して本発明についてさらに説明する。前記方法では、ある熱間圧延工場の層流冷却システムにおける巻取り機の関連データを選択し、採用されるデータは、合計1600セットである。データセットごとに4つの入力データと1つの出力データが含まれる。入力データは、圧延温度、ストリップ速度(F6速度)、平均ストリップ厚、目標巻取り温度を含む。出力データは、実測巻取り温度と目標巻取り温度との相対偏差である。
Claims (4)
- 圧延品の元データ及び仕上げ圧延出口の実測サンプルデータにより、最終圧延温度、ストリップ速度であるF6速度、平均ストリップ厚及び目標巻取り温度を含む入力データ、及び実測巻取り温度と目標巻取り温度との相対偏差を含む出力データが分かり得る、ステップ1と、
データを前処理し、前記入力データ及び出力データを特定の割合でトレーニングセット、検証セット及びテストセットに分け、すべてのデータを正規化処理する、ステップ2と、
人工ニューラルネットワークを設定し、前記人工ニューラルネットワークの隠れ層の数及び前記隠れ層の層ごとのノード数を設定し、sigmoid関数を活性化関数として、学習率を1、データのスキャン回数を40、平均勾配ステップ長を10に設定して、ニューラルネットワークトレーニングを行う、ステップ3と、
クジラ最適化アルゴリズムにより前記人工ニューラルネットワークを最適化し、さらにコスト関数を最小化することにより最適化を行い、人工ニューラルネットワークの最適な重みとバイアス量を取得する、ステップ4と、
前記入力により実測巻取り温度と目標巻取り温度との相対偏差の予測上限と下限を取得し、点予測と区間予測を同時に行うことができる、ステップ5と、
提案された評価指標NCWCに従って、区間予測のパフォーマンス分析を行う、ステップ6と、
を含むことを特徴とする、熱間圧延巻取り温度の区間予測法。 - 前記ステップ3では、それぞれ単層人工ニューラルネットワーク、2層人工ニューラルネットワーク及び3層人工ニューラルネットワークを用いて区間予測を行い、前記単層人工ニューラルネットワークの隠れ層のノード数が15であり、前記2層人工ニューラルネットワークの隠れ層のノード数が、それぞれ16及び18であり、前記3層人工ニューラルネットワークの隠れ層のノード数が、それぞれ18、10及び20であることを特徴とする、請求項1に記載の熱間圧延巻取り温度の区間予測法。
- 前記ステップ4では、最初にニューラルネットワークの重み及びバイアスをランダムに初期化し、クジラ最適化アルゴリズムによりニューラルネットワークをトレーニングし、具体的に、以下のステップを含むことを特徴とする、請求項1に記載の熱間圧延巻取り温度の区間予測法。
ステップ4.1:アルゴリズムを初期化し、初期化時に、含まれるザトウクジラの数がXi、現在の反復回数がtかつt=0、最大反復回数がTであり、獲物の位置をランダムに初期化する。
ステップ4.2:最適な検索エージェントを決定し、目的の獲物は検索空間の最適な位置であり、最適な検索エージェントを設定し、他の検索エージェントが、前記最適な検索エージェントの位置で自身の位置を更新し、各検索エージェントの適応度関数を計算し、
が最適な検索エージェントを表し、前記最適な検索エージェントが最小の適応度を持つ。
ステップ4.3:検索エージェントの位置を更新し、現在の反復回数が最大反復回数より小さい場合、検索エージェントごとに、パラメータ
を更新する。
ここで、
は反復中に2から0まで線形的に減少し、
は0から1の乱数であり、lは[-1、1]の間の乱数であり、Pは[0、1]の間の乱数であり、
は2つのベクトル係数であり、
の場合、次の式に従って現在の検索エージェントの位置式を更新する。
ここで、tは現在の反復回数を表し、
は現在の最適な位置ベクトルを表し、ベクトル係数
は次のように計算される。
の場合、ランダムな検索エージェント
、すなわち、ランダムな位置ベクトルを選択し、次の式に従って現在の検索エージェントの位置式を更新する。
p>0.5の場合、次の式に従って現在の検索エージェントの位置式を更新する。
ここで、bは対数螺旋形状を定義する定数を表す。
ステップ4.4:検索エージェントを更新し、検索エージェントが検索空間を超えているかどうかを判断して修正し、各検索エージェントの適応度関数を計算し、
を適応度値が最小の検索エージェントに置き換える。
ステップ4.5:人工ニューラルネットワークの重みとバイアス値を返し、現在の反復回数に1を加算し、現在の反復回数が最大反復回数と等しくなるまでステップ4.3に戻り、最適な位置ベクトル
、すなわち、人工ニューラルネットワークの重みとバイアスを返す。 - 前記ステップ4.2における適応度関数がカバレッジ確率とカバレッジ幅とを含む総合評価指標であり、具体的に、以下のステップを含むことを特徴とする、請求項1に記載の熱間圧延巻取り温度の区間予測法。
ステップ4.2.1:区間予測のカバレッジ確率を計算し、PICPは、目標値が上限と下限でカバーされる確率を表し、次のように定義される。
ここで、Nはサンプルの総数を表し、
はブール変数を表し、予測区間のカバレッジ率を表し、目標値yiの値が下限Li以上でかつ上限Ui以下の場合、
、目標値yiの値が下限Liより小さい、または上限Uiより大きい場合、
、数学的に次のように表される。
ステップ4.2.2:区間予測の平均幅を計算し、区間予測幅の定量的測定値は、予測区間の正規化された平均幅PINAWとして定義され、数学的に次のように表される。
ここで、Rは目的関数値の最大値と最小値の差を表す。
ステップ4.2.3:区間予測の平均二乗誤差を計算し、区間予測の平均二乗誤差PIMSEを導入し、PIMSEインデックスを最小化することにより、実際の信頼区間に近い対称区間を取得し、数学的に次のように表される。
ステップ4.2.4:カバレッジ率と幅に基づく標準を再定義し、カバレッジ率と幅に基づく標準NCWCを、最終的な区間予測の評価指標とする。
ここで、トレーニングセットの場合、γ(PICP)=1、μとηは2つの制御パラメータを表し、公称信頼水準[(1-α)%]はμを選択するための参考で、μが95%であり、μは、予め指定された満たす必要のある区間予測のカバレッジ率を表し、ηはハイパーパラメータを表し、ηはPICPとμとの差を拡大する。
予め指定されたPICPがμ未満の場合、PICPが95%に達した時、それはPINAWとPICPのバランスになる。
したがって、テストサンプルの場合、γ(PICP)は階段関数であり、γ(PICP)はPICPの満足度によって決定される。
すなわち、区間予測の結果の評価について、PICPが指定されたμ以上の場合、γ(PICP)=0、同様にPICPの測定値も0であり、それ以外の場合、γ(PICP)=1、対応するペナルティはNCWCによって計算される。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311991.7 | 2020-11-20 | ||
CN202011311991.7A CN112507610B (zh) | 2020-11-20 | 2020-11-20 | 一种热轧卷取温度的区间预测方法 |
PCT/CN2021/109201 WO2022105294A1 (zh) | 2020-11-20 | 2021-07-29 | 一种热轧卷取温度的区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023505958A true JP2023505958A (ja) | 2023-02-14 |
JP7393831B2 JP7393831B2 (ja) | 2023-12-07 |
Family
ID=74959168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022530319A Active JP7393831B2 (ja) | 2020-11-20 | 2021-07-29 | 熱間圧延巻取り温度の区間予測法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7393831B2 (ja) |
CN (1) | CN112507610B (ja) |
WO (1) | WO2022105294A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507610B (zh) * | 2020-11-20 | 2023-09-26 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
CN115453868B (zh) * | 2022-08-31 | 2024-04-12 | 中国农业大学 | 基于番茄光响应差分特征的全生长期光强调控方法 |
CN115445785A (zh) * | 2022-09-05 | 2022-12-09 | 中南大学 | 一种基于记忆网络和预测控制器的锌快粗加药量调整方法 |
CN115458167A (zh) * | 2022-09-13 | 2022-12-09 | 郑州市中心医院 | 基于正余弦机制改进飞蛾扑火算法的肺癌预测方法 |
CN115608793B (zh) * | 2022-12-20 | 2023-04-07 | 太原科技大学 | 一种机理融合数据的精轧温度调控方法 |
CN116341372B (zh) * | 2023-03-02 | 2024-01-23 | 中国石油大学(华东) | 一种基于人工神经网络的换热器性能预测及优化方法 |
CN117066301B (zh) * | 2023-10-13 | 2023-12-22 | 江苏甬金金属科技有限公司 | 结合生产质量监测的钛带卷加工调控方法及系统 |
CN117309195B (zh) * | 2023-11-30 | 2024-04-12 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
CN117724433B (zh) * | 2024-02-07 | 2024-04-19 | 东北大学 | 基于多通道分布式深度集成预测的冷轧生产前馈控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007301603A (ja) * | 2006-05-11 | 2007-11-22 | Kobe Steel Ltd | 圧延材の巻き取り温度制御方法及び圧延装置 |
CN103464475A (zh) * | 2013-09-06 | 2013-12-25 | 鞍钢股份有限公司 | 一种基于关联神经网络的热轧卷取温度预报方法 |
JP2017224091A (ja) * | 2016-06-14 | 2017-12-21 | 東芝三菱電機産業システム株式会社 | 圧延ラインの数学モデル算出装置および圧延材の温度制御装置 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004331992A (ja) * | 2003-04-30 | 2004-11-25 | Jfe Steel Kk | 熱間圧延における金属板の温度予測方法および冷却方法 |
KR100643373B1 (ko) * | 2005-12-21 | 2006-11-10 | 주식회사 포스코 | 열간압연 후물재 길이방향 온도 제어방법 |
JP4966826B2 (ja) * | 2007-11-09 | 2012-07-04 | 株式会社日立製作所 | 巻取温度制御装置および制御方法 |
CN108205698A (zh) * | 2017-06-15 | 2018-06-26 | 广东工业大学 | 一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法 |
CN108022025B (zh) * | 2017-12-28 | 2020-08-18 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
CN110110930B (zh) * | 2019-05-08 | 2022-03-25 | 西南交通大学 | 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法 |
CN112507610B (zh) * | 2020-11-20 | 2023-09-26 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
-
2020
- 2020-11-20 CN CN202011311991.7A patent/CN112507610B/zh active Active
-
2021
- 2021-07-29 WO PCT/CN2021/109201 patent/WO2022105294A1/zh active Application Filing
- 2021-07-29 JP JP2022530319A patent/JP7393831B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007301603A (ja) * | 2006-05-11 | 2007-11-22 | Kobe Steel Ltd | 圧延材の巻き取り温度制御方法及び圧延装置 |
CN103464475A (zh) * | 2013-09-06 | 2013-12-25 | 鞍钢股份有限公司 | 一种基于关联神经网络的热轧卷取温度预报方法 |
JP2017224091A (ja) * | 2016-06-14 | 2017-12-21 | 東芝三菱電機産業システム株式会社 | 圧延ラインの数学モデル算出装置および圧延材の温度制御装置 |
CN111062533A (zh) * | 2019-12-16 | 2020-04-24 | 国家能源集团谏壁发电厂 | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022105294A1 (zh) | 2022-05-27 |
CN112507610A (zh) | 2021-03-16 |
CN112507610B (zh) | 2023-09-26 |
JP7393831B2 (ja) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023505958A (ja) | 熱間圧延巻取り温度の区間予測法 | |
CN110428175B (zh) | 一种基于深度学习的热轧带钢板凸度预报方法 | |
CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
KR20190018885A (ko) | 중첩 신경망을 프루닝하는 방법 및 장치 | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
CN114757579A (zh) | 一种复杂工程体系下水库群防洪优化调度方法 | |
CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
CN115907238B (zh) | 基于改进猎食者优化算法的多目标应急物资中心选址方法 | |
CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
Wang et al. | Rolling forecast nature gas spot price with back propagation neural network | |
CN115115119A (zh) | 一种基于灰色关联的oa-gru的短期电力负荷预测方法 | |
CN113537490A (zh) | 一种神经网络裁剪方法及电子设备 | |
CN108053266A (zh) | 一种专利价值预估方法以及装置 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN111079995A (zh) | 电力负荷非线性调和综合预测方法、装置及存储介质 | |
CN114173280B (zh) | 一种基于广义回归神经网络的室内3d定位方法 | |
CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
Wang et al. | A new mixed precision quantization algorithm for neural networks based on reinforcement learning | |
CN114781614B (zh) | 一种锂离子电池健康状态预测方法 | |
RU2022123701A (ru) | Способ и система управления технической системой или процессом с помощью искусственной нейронной сети, оптимизирующий целевую функцию | |
CN116963085A (zh) | 地铁网络节电方法及装置 | |
Kariyam | Comparison study of crude oil price forecasting using generalized regression neural network and feed forward neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230825 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231030 |
|
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: 20231114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231117 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7393831 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |