JP5345551B2 - 計算機支援による技術システムの開ループ制御および/または閉ループ制御のための方法 - Google Patents
計算機支援による技術システムの開ループ制御および/または閉ループ制御のための方法 Download PDFInfo
- Publication number
- JP5345551B2 JP5345551B2 JP2009544386A JP2009544386A JP5345551B2 JP 5345551 B2 JP5345551 B2 JP 5345551B2 JP 2009544386 A JP2009544386 A JP 2009544386A JP 2009544386 A JP2009544386 A JP 2009544386A JP 5345551 B2 JP5345551 B2 JP 5345551B2
- Authority
- JP
- Japan
- Prior art keywords
- state
- technical system
- time
- hidden
- neural network
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G06N3/08—Learning methods
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33025—Recurrent artificial neural network
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33036—Error back propagation
Description
今日では、技術システムは高度な複雑さを有していることが多い。つまり、技術システムは多数の状態変数をもつ状態により記述される。ここで、状態変数とは特に、例えば圧力、温度、電力といった物理量のような測定可能な状態量のことである。複雑な技術システムを制御する場合、所定の基準を考慮しつつ技術システムの時間的な動特性を最適化する計算機支援による方法が使用されることが多い。このような方法の例が、先行技術から十分に知られている強化学習(Reinforcement Learning 文献[2]を参照されたい)などの学習法である。これらの方法は技術システム上で実行されるべき適切な行動を決定することにより技術システムの動特性を最適化する。なお、これらの行動は、例えばバルブ位置の変化、圧力の上昇などのような技術システム上の所定の操作量の変化を含む。各行動は、例えば費用関数を含めた報酬とペナルティとによって適切に評価され、これにより技術システムの最適な動特性を達成することができる。
文献「Xianfeng Zhung et al.: "A novel approach for modeling cracking furnace severity", Intelligent Control and Automation, 2004, WCICA 2004, Fifth World Congress on Hang-zhou, China, 15-19 June 2004, Piscataway, NJ, USA, IEEE, US, vol. 1, 15. Juni 2004 (2004-06-15), pp.250-253, XP010729576, ISBN: 0-7803-8273-0」および文献「Min Han et al.: "Application of Neural Networks on Multivariate Time Series Modeling and Prediction", American Control Conference, 2006, Minneapolis, MN, USA, June 14-16, 2006, Piscataway, NJ, USA, IEEE, 14. Juni 2006 (2006-06-14), pp.3698-3703, XP010929375, ISBN: 1-4244-0209-3」には、時間的に順次連続する状態をモデル化するために、PCA分析(PCA=主成分分析)をリカレントニューラルネットワークと組み合わせることが記載されている。
文献「zhou et al.: "Fault detection and classification in chemical processes based on neural networks with feature extraction", ISA Transactions, Instrument Society of America, Pittsburgh, US, vol. 42, No. 4, October 2003 (2003-10), pp.651-664, XP005835325, ISSN: 0019-0578」には、多項式フィッティングをニューラルネットワークに基づいた状態のモデル化と組み合わせることが記載されている。
i)前記複数の時点について、入力層と出力層がそれぞれ第1の状態空間内の状態により形成される。
ii)隠れリカレント層は、第2の次元を有する第2の状態空間内の複数の隠れ状態変数をもつ隠れ状態により形成される。ただし、第2の次元は第1の次元よりも低い。
最後に、技術システム上で行動が実施される際に、技術システムの開ループ制御および/または閉ループループ制御のための学習法および/または最適化法が実行される。この後、この学習法ないし最適化法は第2の状態空間内の隠れ状態を使用する。
第1の状態空間の状態をリカレントニューラルネットワークによってモデル化するには、とりわけ逆伝播法を、特に文献[1]に記載された方法を使用することができる。
t∈{m,...,T−n}、ここでTは訓練データが存続する時点の個数であり、
xτは、時点τにおいてリカレントニューラルネットワークによって決定される技術システムの状態を表し、
xτ dは訓練データによる時点τにおける既知の状態を表し、
sτは、リカレントニューラルネットワークの隠れ層の時点τにおける隠れ状態を表しており、
A,B,Cは求めようとする行列、またθは求めようとするバイアスである。
すでに上で述べたように、本発明は相応の状態により記述される任意の技術システムに対して使用することができる。1つの適用事例は、例えばタービン、とりわけガスタービンである。
ここで、t∈{m,...,T-n}が成り立つ。
ただし、Tは訓練データが存続する時点の個数、すなわち、技術システムの既知の状態が存続する時点の個数を表している。
技術システムをリカレントニューラルネットワークによってモデル化した後、技術システム上で行動を実施する際に技術システムを開ループ制御および/または閉ループ制御するために、このモデル化から得られた隠れ層の状態stに対して相応の学習法および/または最適化法が適用される。隠れ層H内の状態の次元は第1の状態空間の次元よりも低いので、元の第1の状態空間の次元が大きいために適用できなかった学習法が適用可能になる。それゆえ、本発明の方法によれば、公知の複数の学習法または最適化法を技術システムの動特性のモデル化に使用できるように、状態空間を効率的に縮退させることができる。有利な実施形態では、第1の状態空間の状態をリカレントニューラルネットワークを用いてモデル化する際、リカレントニューラルネットワークにより求められた状態と訓練データの既知の状態の間の偏差が所定の閾値よりも小さい限り、隠れ状態の次元が漸次縮小される。こうして、状態空間の次元を可能な限り縮小することができる。
[l] D.E. Rumelhart, G.E. Hinton, and R.J. Williams, "Learn-ing internal representations by error propagation", in Parallel Distributed Processinq: Exploratlons In The Microstruckure of Cognikion, D.E. Rumelhart and J.L.M. et al., Eds. Cambridge: MIT Press, 1986, vol. l, pp. 318-362
[2] Leslie Pack Kaelbling; Michael L. Littman; Andrew W. Moore, Reinforcement Learning: A Survey, Journal of Ar-tificial Intelligence Research 4 (1996) pp. 237-285
Claims (11)
- 技術システムの計算機支援による開ループ制御および/または閉ループ制御のための方法において、
a)複数の時点(t)について、前記技術システムを、第1の次元を有する第1の状態空間内の複数の状態変数をもつ状態(xt)によって表し、
b)前記第1の状態空間の状態(xt)を、入力層(I)、隠れリカレント層(H)、および出力層(O)を有するリカレントニューラルネットワークにより、既知の状態を訓練データとして用いてモデル化し、その際、
i)前記複数の時点(t)について、前記入力層(I)と前記出力層(O)をそれぞれ前記第1の状態空間内の状態(xt)により形成し、
ii)前記隠れリカレント層(H)を、第2の次元を有する第2の状態空間内の複数の隠れ状態変数をもつ隠れ状態(st)により形成し、ただし、第2の次元は第1の次元よりも低く、
c)前記第2の状態空間内の隠れ状態(st)に対して、前記技術システム上で行動を実施することにより前記技術システムの開ループ制御および/または閉ループ制御のための学習法および/または最適化法を実行する、ことを特徴とする技術システムの計算機支援による開ループ制御および/または閉ループ制御のための方法。 - 前記技術システムは非線形動特性を有している、請求項1記載の方法。
- 前記ステップb)において、前記リカレントニューラルネットワークは非線形活動化関数を使用する、請求項1または2記載の方法。
- 前記学習法および/または最適化法は強化学習法である、請求項1から3のいずれか1項記載の方法。
- 前記ステップb)において、前記リカレントニューラルネットワークにより求められた状態(xt)と前記訓練データの既知の状態(xt)の間の偏差が所定の閾値よりも小さい限り、前記第2の状態空間の第2の次元を漸次縮小する、請求項1から4のいずれか1項記載の方法。
- 各時点(t)における前記入力層(I)内の前記技術システムの各状態(xt)は、前記各時点(t)における前記隠れ層(H)の隠れ状態(st)を介して前記各時点(5)より後の時点(t+1)における前記出力層(O)内の前記技術システムの状態(xt)と結合されている、請求項1から5のいずれか1項記載の方法。
- 前記リカレントニューラルネットワークは将来の状態(xt)を考慮した動学的に整合的な時間的展開をもつネットワークである、請求項1から6のいずれか1項記載の方法。
- 前記リカレントニューラルネットワークによって前記第1の状態空間の状態(xt)をモデル化するために、逆伝搬法を用いる、請求項1から7のいずれか1項記載の方法。
- 前記リカレントニューラルネットワークは以下の式で表される、
t∈{m,…,T−n}、ここでTは訓練データが存続する時点の個数であり、
xτは、時点τにおいて前記リカレントニューラルネットワークによって決定される前記技術システムの状態を表し、
xτ dは、前記訓練データによる時点τにおける既知の状態を表し、
sτは、前記リカレントニューラルネットワークの隠れ層の時点τにおける隠れ状態を表しており、
A,B,Cは求めようとする行列、θは求めようとするバイアスである、請求項1から8のいずれか1項記載の方法。 - 前記技術システムはタービン、とりわけガスタービンである、請求項1から9のいずれか1項記載の方法。
- 計算機上で実行したときに請求項1から10のいずれか1項記載の方法を実行する、機械可読媒体上に記憶されたプログラムコードを有するコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102007001026.7 | 2007-01-02 | ||
DE102007001026A DE102007001026B4 (de) | 2007-01-02 | 2007-01-02 | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
PCT/EP2007/064264 WO2008080863A1 (de) | 2007-01-02 | 2007-12-19 | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010515181A JP2010515181A (ja) | 2010-05-06 |
JP5345551B2 true JP5345551B2 (ja) | 2013-11-20 |
Family
ID=39156133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009544386A Expired - Fee Related JP5345551B2 (ja) | 2007-01-02 | 2007-12-19 | 計算機支援による技術システムの開ループ制御および/または閉ループ制御のための方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8566264B2 (ja) |
EP (1) | EP2097793B1 (ja) |
JP (1) | JP5345551B2 (ja) |
AT (1) | ATE514980T1 (ja) |
DE (1) | DE102007001026B4 (ja) |
WO (1) | WO2008080863A1 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2246755A1 (de) * | 2009-04-22 | 2010-11-03 | Powitec Intelligent Technologies GmbH | Regelkreis |
EP2296062B1 (de) * | 2009-09-09 | 2021-06-23 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems |
DE102010011221B4 (de) | 2010-03-12 | 2013-11-14 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
US9043254B2 (en) | 2010-04-12 | 2015-05-26 | Siemens Aktiengesellschaft | Method for computer-aided closed-loop and/or open-loop control of a technical system |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
EP2649567B1 (de) | 2010-12-10 | 2016-08-17 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten modellierung eines technischen systems |
WO2012113635A1 (de) * | 2011-02-24 | 2012-08-30 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten lernen eines rekurrenten neuronalen netzes zur modellierung eines dynamischen systems |
ES2644528T3 (es) | 2011-12-21 | 2017-11-29 | Siemens Aktiengesellschaft | Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable |
EP3472759A1 (de) * | 2016-07-25 | 2019-04-24 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum rechnergestützten analysieren mindestens eines zweiten eingabevektors eines zielsystems |
JP6612716B2 (ja) | 2016-11-16 | 2019-11-27 | 株式会社東芝 | パターン識別装置、パターン識別方法およびプログラム |
US11354577B2 (en) | 2017-03-15 | 2022-06-07 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
US10803378B2 (en) | 2017-03-15 | 2020-10-13 | Samsung Electronics Co., Ltd | System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions |
EP3822715A4 (en) * | 2018-08-14 | 2022-02-16 | Siemens Aktiengesellschaft | PROCESS CONTROL SYSTEM AND METHOD AND SYSTEM |
CN110097175B (zh) * | 2019-05-06 | 2020-04-17 | 广东石油化工学院 | 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法 |
JP2021064222A (ja) * | 2019-10-15 | 2021-04-22 | 富士通株式会社 | 方策改善方法、方策改善プログラム、および方策改善装置 |
DE102019128655B4 (de) | 2019-10-23 | 2021-11-25 | Technische Universität Ilmenau | Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System |
US11790489B2 (en) | 2020-04-07 | 2023-10-17 | Samsung Electronics Co., Ltd. | Systems and method of training networks for real-world super resolution with unknown degradations |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05108601A (ja) | 1991-10-18 | 1993-04-30 | Fujitsu Ltd | ニユーラルネツトワーク学習装置 |
JPH05342191A (ja) * | 1992-06-08 | 1993-12-24 | Mitsubishi Electric Corp | 経済時系列データ予測及び解析システム |
JPH08235145A (ja) | 1995-02-24 | 1996-09-13 | Toyota Motor Corp | 応用問題に対して最適なニューラルネットワークの構造を決定する方法 |
US6134537A (en) * | 1995-09-29 | 2000-10-17 | Ai Ware, Inc. | Visualization and self organization of multidimensional data through equalized orthogonal mapping |
US5857321A (en) * | 1996-06-11 | 1999-01-12 | General Electric Company | Controller with neural network for estimating gas turbine internal cycle parameters |
EP1021793A2 (de) | 1998-08-07 | 2000-07-26 | Siemens Aktiengesellschaft | Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente |
JP2002541599A (ja) * | 1999-04-12 | 2002-12-03 | シーメンス アクチエンゲゼルシヤフト | 互いに接続された計算素子の装置及びダイナミックプロセスの基礎となるダイナミクスをコンピュータ援用検出するための方法及び互いに接続された計算素子の装置をコンピュータ援用トレーニングさせるための方法 |
EP1190383B1 (de) * | 1999-05-18 | 2003-01-08 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten ermittlung einer zugehörigkeit einer vorgegebenen eingangsgrösse zu einem cluster |
DE102004011015A1 (de) * | 2004-03-02 | 2005-09-15 | Brose Fahrzeugteile Gmbh & Co. Kg, Coburg | Verfahren zum Überwachen der Verstellbewegung eines von einer Antriebseinrichtung angetriebenen Bauteils |
DE102004011426B3 (de) * | 2004-03-09 | 2005-05-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung zum Erkennen einer in einem Sprachsignal enthaltenen Emotion und Verfahren zum Erkennen einer in einem Sprachsignal enthaltenen Emotion |
-
2007
- 2007-01-02 DE DE102007001026A patent/DE102007001026B4/de not_active Expired - Fee Related
- 2007-12-19 EP EP07857885A patent/EP2097793B1/de active Active
- 2007-12-19 WO PCT/EP2007/064264 patent/WO2008080863A1/de active Application Filing
- 2007-12-19 US US12/521,920 patent/US8566264B2/en active Active
- 2007-12-19 JP JP2009544386A patent/JP5345551B2/ja not_active Expired - Fee Related
- 2007-12-19 AT AT07857885T patent/ATE514980T1/de active
Also Published As
Publication number | Publication date |
---|---|
ATE514980T1 (de) | 2011-07-15 |
US20100049339A1 (en) | 2010-02-25 |
DE102007001026A1 (de) | 2008-07-03 |
JP2010515181A (ja) | 2010-05-06 |
EP2097793B1 (de) | 2011-06-29 |
DE102007001026B4 (de) | 2008-09-04 |
EP2097793A1 (de) | 2009-09-09 |
WO2008080863A1 (de) | 2008-07-10 |
US8566264B2 (en) | 2013-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5345551B2 (ja) | 計算機支援による技術システムの開ループ制御および/または閉ループ制御のための方法 | |
JP5448841B2 (ja) | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および/または開ループ制御のための方法 | |
JP5183732B2 (ja) | 技術システムをコンピュータ支援により制御および/または調整するための方法 | |
KR101961421B1 (ko) | 소스 시스템들의 운영 데이터를 사용하여 초기에 트레이닝되는 제 1 재귀 신경망 모델 및 제 2 재귀 신경망 모델을 별도로 트레이닝함으로써 타겟 시스템을 제어하기 위한 방법, 제어기, 및 컴퓨터 프로그램 제품 | |
CN110471276B (zh) | 用于为物理系统创建模型函数的装置 | |
Yang et al. | Control of nonaffine nonlinear discrete-time systems using reinforcement-learning-based linearly parameterized neural networks | |
Miao et al. | A novel neural network-based adaptive control for a class of uncertain nonlinear systems in strict-feedback form | |
Abrazeh et al. | Virtual hardware-in-the-loop FMU co-simulation based digital twins for heating, ventilation, and air-conditioning (HVAC) systems | |
Saxén et al. | Identification of switching linear systems using self-organizing models with application to silicon prediction in hot metal | |
WO2019086760A1 (en) | Generation of a control system for a target system | |
Kosmatopoulos | Control of unknown nonlinear systems with efficient transient performance using concurrent exploitation and exploration | |
Moradvandi et al. | Adaptive finite-time fault-tolerant controller for a class of uncertain MIMO nonlinear switched systems subject to output constraints and unknown input nonlinearities | |
CN111930010A (zh) | 一种基于lstm网络的通用mfa控制器设计方法 | |
Gharamaleki et al. | An analytical approach to optimal control of nonlinear systems with input constraints | |
Zeng et al. | Event-triggered fuzzy adaptive control of nonlinear switched systems with predefined accuracy and mismatched switching | |
Zerkaoui et al. | Stable adaptive control with recurrent neural networks for square MIMO non-linear systems | |
Haonan et al. | Fuzzy rule-based neural appointed-time control for uncertain nonlinear systems with aperiodic samplings | |
EP4176386A1 (en) | Training actor-critic algorithms in laboratory settings | |
Yao et al. | Data-driven actuator fault identification and accommodation in networked control of spatially-distributed systems | |
Antão et al. | Model-based control using interval type-2 fuzzy logic systems | |
Silva et al. | Multiobjective optimization using variable complexity modelling for control system design | |
McLain et al. | Principal component analysis for nonlinear model reference adaptive control | |
EP1696288B1 (en) | Adaptive sensor model | |
Chernodub | Local control gradients criterion for selection of neuroemulators for model reference adaptive neurocontrol | |
Li et al. | Parameter Identification of the RBF-ARX Model Based On the Hybrid Whale Optimization Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20101228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120328 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120625 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120702 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120726 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120802 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20120827 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20120903 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120926 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121116 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20130213 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20130220 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20130314 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20130322 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130416 |
|
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: 20130716 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130814 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |