JP3500857B2 - 焼結鉱製造制御方法 - Google Patents
焼結鉱製造制御方法Info
- Publication number
- JP3500857B2 JP3500857B2 JP15652496A JP15652496A JP3500857B2 JP 3500857 B2 JP3500857 B2 JP 3500857B2 JP 15652496 A JP15652496 A JP 15652496A JP 15652496 A JP15652496 A JP 15652496A JP 3500857 B2 JP3500857 B2 JP 3500857B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- data
- learning
- operation amount
- sinter
- 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
Landscapes
- Manufacture And Refinement Of Metals (AREA)
Description
【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、焼結鉱製造工程に
おいて、ニューラルネットワークを利用して操業実績の
学習と操業変更時の操作量を決定することにより、目標
とする品質及び生産量を確保する焼結鉱製造制御方法に
関するものである。 【０００２】 【従来の技術】焼結設備における操業方法は、焼結鉱の
塩基度、強度、粒度、ＲＩ及びＲＤＩに代表される品位
や生産量を確保するため、操業者が種々の操業データか
ら焼成状況を経験に基づいて推定評価し、配合比率、散
水量、層厚等の操作因子の調整にて実施されてきた。し
かし、これらの制御は熟練オペレータの判断による制御
のため定量的評価が難しく、また、個人の技能に依存す
るため制御精度の向上が困難であった。 【０００３】また、焼結プラントに関係する制御装置と
してニューラルネットワークを応用した制御装置が報告
されている。例えば、特開平５−８７４６２号公報に提
案されている「焼結鉱の焼成制御装置」がある。この制
御装置はニューラルネットワークを利用して操業実績の
学習と操業変更時のアクション手段を予測することによ
り、操業安定化を図ることを目的とした焼結鉱の焼成制
御装置であり、制御精度を向上させる方法として、ニュ
ーラルネットワークの自己組織を学習させる方法を用い
ている。この学習方法は、出力層から出力された制御量
で焼成状況を制御した結果として得られた実操業データ
が、入力層に入力した操業変更前並びに操業変更後のデ
ータと異なるときに、操業状況が安定した日の操業結果
を教師データとして学習させる方法である。 【０００４】この上記制御装置における学習方法では、
出力層から出力された制御量で焼成状況を制御した結果
が得られるまでは学習ができないため、制御結果が得ら
れるまでに比較的長時間を要する焼結操業においては、
学習周期が長くなり操業上必ずしも十分とは言えないと
いう問題点がある。また、教師データとして操業状況が
安定した日のデータを用いているため、操業状況が安定
するまで学習を実行させることができず学習周期が長く
なり、操業上必ずしも十分とは言えないという問題点が
ある。また、原料の性状が毎回異なる焼結操業において
は、過去の学習結果は必ずしも有益ではなく、原料性状
が変更する毎に操業状況が安定するまで待って学習をさ
せないと制御精度が向上しないという問題点があった。 【０００５】 【発明が解決しようとする課題】以上のように従来のニ
ューラルネットワークを利用した焼結鉱製造制御方法に
は次のような問題点が指摘される。 （１）ニューラルネットワークより得られた制御量で焼
成状況を制御した結果を用いて、ニューラルネットワー
クの自己組織を学習させて制御精度を向上させているた
め、制御結果が得られるまでに比較的長時間を要する焼
結操業においては学習周期が長くなり、操業の安定化を
図るのに長時間を要する。 （２）ニューラルネットワークの自己組織を学習させて
制御精度を向上させる教師データとして操業状況が安定
した日のデータを使用するため、操業状況が安定するま
で学習を実行させることができず、学習周期が長くな
り、操業の安定化を図るのに長時間を要する。 （３）焼結鉱製造に使用する原料、例えばパイルと呼ば
れている複数銘柄の原料を多層に積み付けた混合原料、
の性状（成分、粒度、形状等）が毎回異なる焼結操業に
おいては、過去の学習結果は必ずしも有益ではなく、そ
の学習結果を用いて現在の原料に対して操作量を決定し
ても制御精度は向上しない。そのため、原料性状が変更
となる毎に操業状況が安定するまで待って、再度学習を
しないと制御精度が向上せず、操業安定化を図るのに長
期間を要する。 【０００６】本発明は、上記の問題点を解決するために
なされたものであり、ニューラルネットワークを適用し
て現状操業に適した操業実績を迅速に学習し、その学習
結果を用いて焼結操業の操作方法を決定し、原料性状が
変更となる操業変更過渡期においても良い制御精度が迅
速に確保でき、焼結鉱品位の変動を少なくすることを可
能にした焼結鉱製造制御方法を提供することを目的とす
る。 【０００７】 【課題を解決するための手段】本発明に係る焼結鉱製造
制御方法は、焼結鉱製造プロセスを適確に推定し、最適
な操業アクションを実施するために、次の工程を有す
る。 （１）焼結設備の操業データ及び操業管理データを加工
処理後、各ユニットに入力する入力層と操作量を出力す
る出力層とをもち、操業データ、操業管理データ及び操
作量をもとに学習させる階層構造ニューラルネットワー
クを準備する。そして、その入力層に操業データの現在
値と操業管理データの現在値を入力し、出力層から操作
量を抽出し、その操作量が現在の操作量と一致するよう
にニューラルネットワークの自己組織を学習させる。 （２）前項の処理後、学習させたニューラルネットワー
クの入力層に操業データの現在値と目標とする操業管理
データを入力して、出力層から操作量を抽出する。 （３）前項の処理により得られる出力層からの操作量を
用いて、定量的に焼結鉱製造プロセスを制御する。 本発明においては、以上の各工程を実行し、現状の操業
データ、操業管理データ及び操作量を用いて自己組織を
学習させるため、短期間で学習が完了し、且つ現状の原
料性状に即した学習をさせるため現在の操業条件に適し
た精度の良い操作量を抽出することができる。 【０００８】図１は上述の処理の流れを示したフローチ
ャートである。このフローチャートに基づいて各機能を
説明する。 （１）操業データの現在値と操業管理データの現在値を
ニューラルネットワークの入力層に入力する。操業デー
タと操業管理データとの間には時間差があるため、トラ
ッキング処理にて両者のデータをマッチングさせる。ま
た、入力するデータは平均化処理、一次回帰処理により
ノイズなどを除去しておく。 （２）ニューラルネットワークにて演算させ操作量を出
力層から抽出し、現在の操作量と一致させるようにニュ
ーラルネットワークの結合係数を自動学習させる。ニュ
ーラルネットワークの構造を図２に示す。一般にニュー
ラルネットワークは、２層構造では線形であるのに対し
３層以上では非線形になり、情報加工能力が向上する。 （３）必要に応じて上記（１）、（２）項の処理を繰り
返す。 （４）次に、操業データの現在値と目標とする操業管理
データをニューラルネットワークの入力層に入力する。 （５）ニューラルネットワークにて演算させ操作量を抽
出し、操作量を決定し、制御装置に出力する。 【０００９】 【発明の実施の形態】図３は本発明の実施の形態に係る
焼結鉱製造制御方法を適用したシステムの基本構成図で
ある。プロセスコンピュータ１０はホッパー（配合槽）
２０からミキサー２１、焼結機２２及びクーラー２３ま
での焼結原料・焼結鉱をトラッキングしており、操業デ
ータを収集する。データ収集は１分周期で実施されてい
る。プロセスコンピュータ１０からニューラルネットワ
ークシステム１１へ操業データ及び操業管理データが伝
送される。 【００１０】オペレータは必要に応じて本システムに起
動をかける。システムは現状データにて学習を実行し、
次に目標とする操業管理データに基づいて操作量を算出
し制御装置１２に出力する。制御装置１２はその操作量
に基づいてホッパー２０、ミキサー２１、焼結機２２及
びクーラー２３についてそれぞれ制御する。 【００１１】ニューラルネットワークの入力層の各ユニ
ットに入力するデータは次の項目である。 ＜操業データ＞原料配合比（パイル原料、石灰、蛇紋
岩、粉コークス）、返鉱配合比、配合原料粒度・水分、
配合原料成分、散水量、層厚、装入嵩密度、パレット速
度、点火炉着火温度、グレート下温度、ＢＲＰ、ＢＴ
Ｐ、排鉱部赤熱層厚 ＜操業管理データ＞焼結鉱強度・粒度、焼結鉱ＲＩ・Ｒ
ＤＩ、焼結鉱塩基度、生産量 ニューラルネットワークの出力層の各ユニットのデータ
は次の項目である。 ＜操作量＞原料配合比、散水量、層厚、装入嵩密度、パ
レット速度 【００１２】図４は本システム適用後の焼結鉱の品質
（塩基度、強度、ＲＤＩ）変動の推移を示した特性図で
ある。図３のシステムの適用後から徐々に変動は減少
し、従来に対して約１０％減少した。 【００１３】 【発明の効果】以上のように本発明によれば、階層構造
ニューラルネットワークシステムの入力層に操業データ
の現在値と操業管理データの現在値を入力して、出力層
から操作量を抽出し、その操作量が現在の操作量と一致
するようにニューラルネットワークの自己組織を学習さ
せ、その学習させたニューラルネットワークの入力層に
操業データの現在値と操業管理データの目標値を入力し
て出力層から操作量を抽出し、その操作量にて焼結鉱製
造を制御するようにしたので、目標とする焼結鉱品位及
び生産量を達成するための操作量を決定することがで
き、またニューラルネットワークの学習機能により直前
学習を実行し操業条件が変更になっても迅速に良い制御
精度を確保できるようになった。その結果として、焼結
鉱品位は安定し、所望の生産量を確保することができ、
製造コストの低減等の効果も達成した。
おいて、ニューラルネットワークを利用して操業実績の
学習と操業変更時の操作量を決定することにより、目標
とする品質及び生産量を確保する焼結鉱製造制御方法に
関するものである。 【０００２】 【従来の技術】焼結設備における操業方法は、焼結鉱の
塩基度、強度、粒度、ＲＩ及びＲＤＩに代表される品位
や生産量を確保するため、操業者が種々の操業データか
ら焼成状況を経験に基づいて推定評価し、配合比率、散
水量、層厚等の操作因子の調整にて実施されてきた。し
かし、これらの制御は熟練オペレータの判断による制御
のため定量的評価が難しく、また、個人の技能に依存す
るため制御精度の向上が困難であった。 【０００３】また、焼結プラントに関係する制御装置と
してニューラルネットワークを応用した制御装置が報告
されている。例えば、特開平５−８７４６２号公報に提
案されている「焼結鉱の焼成制御装置」がある。この制
御装置はニューラルネットワークを利用して操業実績の
学習と操業変更時のアクション手段を予測することによ
り、操業安定化を図ることを目的とした焼結鉱の焼成制
御装置であり、制御精度を向上させる方法として、ニュ
ーラルネットワークの自己組織を学習させる方法を用い
ている。この学習方法は、出力層から出力された制御量
で焼成状況を制御した結果として得られた実操業データ
が、入力層に入力した操業変更前並びに操業変更後のデ
ータと異なるときに、操業状況が安定した日の操業結果
を教師データとして学習させる方法である。 【０００４】この上記制御装置における学習方法では、
出力層から出力された制御量で焼成状況を制御した結果
が得られるまでは学習ができないため、制御結果が得ら
れるまでに比較的長時間を要する焼結操業においては、
学習周期が長くなり操業上必ずしも十分とは言えないと
いう問題点がある。また、教師データとして操業状況が
安定した日のデータを用いているため、操業状況が安定
するまで学習を実行させることができず学習周期が長く
なり、操業上必ずしも十分とは言えないという問題点が
ある。また、原料の性状が毎回異なる焼結操業において
は、過去の学習結果は必ずしも有益ではなく、原料性状
が変更する毎に操業状況が安定するまで待って学習をさ
せないと制御精度が向上しないという問題点があった。 【０００５】 【発明が解決しようとする課題】以上のように従来のニ
ューラルネットワークを利用した焼結鉱製造制御方法に
は次のような問題点が指摘される。 （１）ニューラルネットワークより得られた制御量で焼
成状況を制御した結果を用いて、ニューラルネットワー
クの自己組織を学習させて制御精度を向上させているた
め、制御結果が得られるまでに比較的長時間を要する焼
結操業においては学習周期が長くなり、操業の安定化を
図るのに長時間を要する。 （２）ニューラルネットワークの自己組織を学習させて
制御精度を向上させる教師データとして操業状況が安定
した日のデータを使用するため、操業状況が安定するま
で学習を実行させることができず、学習周期が長くな
り、操業の安定化を図るのに長時間を要する。 （３）焼結鉱製造に使用する原料、例えばパイルと呼ば
れている複数銘柄の原料を多層に積み付けた混合原料、
の性状（成分、粒度、形状等）が毎回異なる焼結操業に
おいては、過去の学習結果は必ずしも有益ではなく、そ
の学習結果を用いて現在の原料に対して操作量を決定し
ても制御精度は向上しない。そのため、原料性状が変更
となる毎に操業状況が安定するまで待って、再度学習を
しないと制御精度が向上せず、操業安定化を図るのに長
期間を要する。 【０００６】本発明は、上記の問題点を解決するために
なされたものであり、ニューラルネットワークを適用し
て現状操業に適した操業実績を迅速に学習し、その学習
結果を用いて焼結操業の操作方法を決定し、原料性状が
変更となる操業変更過渡期においても良い制御精度が迅
速に確保でき、焼結鉱品位の変動を少なくすることを可
能にした焼結鉱製造制御方法を提供することを目的とす
る。 【０００７】 【課題を解決するための手段】本発明に係る焼結鉱製造
制御方法は、焼結鉱製造プロセスを適確に推定し、最適
な操業アクションを実施するために、次の工程を有す
る。 （１）焼結設備の操業データ及び操業管理データを加工
処理後、各ユニットに入力する入力層と操作量を出力す
る出力層とをもち、操業データ、操業管理データ及び操
作量をもとに学習させる階層構造ニューラルネットワー
クを準備する。そして、その入力層に操業データの現在
値と操業管理データの現在値を入力し、出力層から操作
量を抽出し、その操作量が現在の操作量と一致するよう
にニューラルネットワークの自己組織を学習させる。 （２）前項の処理後、学習させたニューラルネットワー
クの入力層に操業データの現在値と目標とする操業管理
データを入力して、出力層から操作量を抽出する。 （３）前項の処理により得られる出力層からの操作量を
用いて、定量的に焼結鉱製造プロセスを制御する。 本発明においては、以上の各工程を実行し、現状の操業
データ、操業管理データ及び操作量を用いて自己組織を
学習させるため、短期間で学習が完了し、且つ現状の原
料性状に即した学習をさせるため現在の操業条件に適し
た精度の良い操作量を抽出することができる。 【０００８】図１は上述の処理の流れを示したフローチ
ャートである。このフローチャートに基づいて各機能を
説明する。 （１）操業データの現在値と操業管理データの現在値を
ニューラルネットワークの入力層に入力する。操業デー
タと操業管理データとの間には時間差があるため、トラ
ッキング処理にて両者のデータをマッチングさせる。ま
た、入力するデータは平均化処理、一次回帰処理により
ノイズなどを除去しておく。 （２）ニューラルネットワークにて演算させ操作量を出
力層から抽出し、現在の操作量と一致させるようにニュ
ーラルネットワークの結合係数を自動学習させる。ニュ
ーラルネットワークの構造を図２に示す。一般にニュー
ラルネットワークは、２層構造では線形であるのに対し
３層以上では非線形になり、情報加工能力が向上する。 （３）必要に応じて上記（１）、（２）項の処理を繰り
返す。 （４）次に、操業データの現在値と目標とする操業管理
データをニューラルネットワークの入力層に入力する。 （５）ニューラルネットワークにて演算させ操作量を抽
出し、操作量を決定し、制御装置に出力する。 【０００９】 【発明の実施の形態】図３は本発明の実施の形態に係る
焼結鉱製造制御方法を適用したシステムの基本構成図で
ある。プロセスコンピュータ１０はホッパー（配合槽）
２０からミキサー２１、焼結機２２及びクーラー２３ま
での焼結原料・焼結鉱をトラッキングしており、操業デ
ータを収集する。データ収集は１分周期で実施されてい
る。プロセスコンピュータ１０からニューラルネットワ
ークシステム１１へ操業データ及び操業管理データが伝
送される。 【００１０】オペレータは必要に応じて本システムに起
動をかける。システムは現状データにて学習を実行し、
次に目標とする操業管理データに基づいて操作量を算出
し制御装置１２に出力する。制御装置１２はその操作量
に基づいてホッパー２０、ミキサー２１、焼結機２２及
びクーラー２３についてそれぞれ制御する。 【００１１】ニューラルネットワークの入力層の各ユニ
ットに入力するデータは次の項目である。 ＜操業データ＞原料配合比（パイル原料、石灰、蛇紋
岩、粉コークス）、返鉱配合比、配合原料粒度・水分、
配合原料成分、散水量、層厚、装入嵩密度、パレット速
度、点火炉着火温度、グレート下温度、ＢＲＰ、ＢＴ
Ｐ、排鉱部赤熱層厚 ＜操業管理データ＞焼結鉱強度・粒度、焼結鉱ＲＩ・Ｒ
ＤＩ、焼結鉱塩基度、生産量 ニューラルネットワークの出力層の各ユニットのデータ
は次の項目である。 ＜操作量＞原料配合比、散水量、層厚、装入嵩密度、パ
レット速度 【００１２】図４は本システム適用後の焼結鉱の品質
（塩基度、強度、ＲＤＩ）変動の推移を示した特性図で
ある。図３のシステムの適用後から徐々に変動は減少
し、従来に対して約１０％減少した。 【００１３】 【発明の効果】以上のように本発明によれば、階層構造
ニューラルネットワークシステムの入力層に操業データ
の現在値と操業管理データの現在値を入力して、出力層
から操作量を抽出し、その操作量が現在の操作量と一致
するようにニューラルネットワークの自己組織を学習さ
せ、その学習させたニューラルネットワークの入力層に
操業データの現在値と操業管理データの目標値を入力し
て出力層から操作量を抽出し、その操作量にて焼結鉱製
造を制御するようにしたので、目標とする焼結鉱品位及
び生産量を達成するための操作量を決定することがで
き、またニューラルネットワークの学習機能により直前
学習を実行し操業条件が変更になっても迅速に良い制御
精度を確保できるようになった。その結果として、焼結
鉱品位は安定し、所望の生産量を確保することができ、
製造コストの低減等の効果も達成した。
【図面の簡単な説明】
【図１】本発明の処理の流れを示したフローチャートで
ある。 【図２】本発明のニューラルネットワークの構成図であ
る。 【図３】本発明の実施の形態に係る焼結鉱製造制御方法
を適用したシステムの基本構成図である。 【図４】図３のシステムを適用した後の焼結鉱品質の推
移図である。
ある。 【図２】本発明のニューラルネットワークの構成図であ
る。 【図３】本発明の実施の形態に係る焼結鉱製造制御方法
を適用したシステムの基本構成図である。 【図４】図３のシステムを適用した後の焼結鉱品質の推
移図である。
フロントページの続き
(58)調査した分野(Int.Cl.7，ＤＢ名)
F27B 21/14
C22B 1/20
Claims (1)
- (57)【特許請求の範囲】 【請求項１】 階層構造ニューラルネットワークの入力
層に操業データの現在値及び操業管理データの現在値を
入力して、その出力層から操作量を抽出し、その操作量
が現在の操作量と一致するように前記ニューラルネット
ワークの自己組織を学習させる工程と、 学習させたニューラルネットワークの入力層に操業デー
タの現在値及び操業管理データの目標値を入力して、そ
の出力層から操作量を抽出する工程と、 その操作量にて焼結鉱製造を制御する工程とを有するこ
とを特徴とする焼結鉱製造制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15652496A JP3500857B2 (ja) | 1996-06-18 | 1996-06-18 | 焼結鉱製造制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP15652496A JP3500857B2 (ja) | 1996-06-18 | 1996-06-18 | 焼結鉱製造制御方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH102678A JPH102678A (ja) | 1998-01-06 |
| JP3500857B2 true JP3500857B2 (ja) | 2004-02-23 |
Family
ID=15629681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP15652496A Expired - Fee Related JP3500857B2 (ja) | 1996-06-18 | 1996-06-18 | 焼結鉱製造制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3500857B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7258291B2 (en) | 2002-01-23 | 2007-08-21 | Matsushita Electric Industrial Co., Ltd. | Destructive device, foam gas collecting device, and foam gas separating and collecting system |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102445078A (zh) * | 2011-12-14 | 2012-05-09 | 武汉钢铁(集团)公司 | 烧结机均匀烧透控制系统和方法 |
| CN106834662B (zh) * | 2017-01-19 | 2018-09-18 | 中国地质大学（武汉） | 一种基于多工况烧结过程的co/co2比值预测方法 |
-
1996
- 1996-06-18 JP JP15652496A patent/JP3500857B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7258291B2 (en) | 2002-01-23 | 2007-08-21 | Matsushita Electric Industrial Co., Ltd. | Destructive device, foam gas collecting device, and foam gas separating and collecting system |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH102678A (ja) | 1998-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101504544B (zh) | 用于氧气转炉质量控制系统的方法和装置 | |
| CN109918702A (zh) | 一种高炉配料与操作的协同多目标优化方法 | |
| Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
| Wang et al. | Hierarchical intelligent control system and its application to the sintering process | |
| CN113626976A (zh) | 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备 | |
| CN1952481A (zh) | 一种煤气混合加压的智能解耦控制方法 | |
| CN108130417A (zh) | 一种烧结混合料水分自动控制方法 | |
| CN114021913A (zh) | 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质 | |
| JP3500857B2 (ja) | 焼結鉱製造制御方法 | |
| CN112986491A (zh) | 一种基于反馈自适应预测模型的混合料水分检测值修正方法 | |
| CN110471285B (zh) | 基于趋势事件驱动的锌冶炼焙烧过程模糊控制方法 | |
| CN111308894B (zh) | 一种烧结过程耦合配矿及控制过程的参数调节方法 | |
| CN102156405B (zh) | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 | |
| CN106022496A (zh) | 原料烧结的配料优化方法和系统 | |
| CN108800967A (zh) | 基于神经网络的环冷机温度控制方法及系统 | |
| CN101545026A (zh) | 一种转炉炼钢吹氧量影响因素的权重确定方法 | |
| CN104699039A (zh) | 一种石灰双膛窑煅烧专家控制方法 | |
| JPH0587462A (ja) | 焼結鉱の焼成制御装置 | |
| CN108130418A (zh) | 一种精确调节的烧结混合料的配水方法 | |
| Min et al. | Intelligent optimal control for lead-zinc sintering process state | |
| CN115418421B (zh) | 一种对高炉料批位置跟踪计算方法、系统及计算终端 | |
| Zhang et al. | The research of sintering ore blending based on profit maximization | |
| Dudek | The model for the calculation of the dispersed iron ore resource purchase cost in the world class manufacturing (WCM) logistics pillar context | |
| DE10306273A1 (de) | Mathematisches Modell für eine hüttentechnische Anlage und Optimierungsverfahren für den Betrieb einer hüttentechnischen Anlage unter Verwendung eines derartigen Modells | |
| Vannocci et al. | Fuzzy Control of a Sintering Plant. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20031111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071212 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081212 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |