JP6076751B2 - 異常診断方法およびその装置 - Google Patents
異常診断方法およびその装置 Download PDFInfo
- Publication number
- JP6076751B2 JP6076751B2 JP2013009316A JP2013009316A JP6076751B2 JP 6076751 B2 JP6076751 B2 JP 6076751B2 JP 2013009316 A JP2013009316 A JP 2013009316A JP 2013009316 A JP2013009316 A JP 2013009316A JP 6076751 B2 JP6076751 B2 JP 6076751B2
- Authority
- JP
- Japan
- Prior art keywords
- vector
- feature
- abnormality
- sensor
- calculating
- 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.)
- Active
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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/14—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for responsive to other specific conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/708—Type of control algorithm with comparison tables
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T50/00—Aeronautics or air transport
- Y02T50/60—Efficient propulsion technologies, e.g. for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
向けに高圧蒸気や低圧蒸気を供給したりしている。石油化学会社では、ガスタービンなどを電源設備として運転している。このようにガスタービンなどを用いた各種プラントや設備において、設備の不具合あるいはその兆候を検知する異常検知は、社会へのダメージを最小限に抑えるためにも極めて重要である。
ら出力される複数のセンサ信号に基づいて設備または装置の異常を診断する方法及びその
装置において、予め指定された学習期間において、複数のセンサ信号をそれぞれ正準化して得た特徴値から多次元の特徴ベクトルを求め、この多次元の特徴ベクトルから注目ベクトルを選び、この注目ベクトルの近傍ベクトルを用いて基準ベクトルを作成し、多次元の特徴ベクトルの基準ベクトルまでの距離に基づいて異常測度を算出し、算出した異常測度に基づいてしきい値を設定し、多次元の特徴ベクトルの特徴値から算出した値の頻度分布に基づいて分布密度画像を生成し、設備または装置の異常を診断する時において、複数のセンサ信号から時刻毎に多次元特徴ベクトルを抽出し、求めた予め指定された学習期間の多次元の特徴ベクトルの中から時刻毎の多次元の特徴ベクトルに近い特徴ベクトルを選択し、前記選択した特徴ベクトルを用いて基準特徴ベクトルを算出し、抽出した時刻毎の多次元特徴ベクトルの算出した基準特徴ベクトルまでの距離に基づき異常測度を算出し、算出した異常測度と設定したしきい値とを比較することにより異常を検出し、複数のセンサ信号の学習期間において求めた特徴ベクトルを用いて作成した2次元の分布密度に基づいて検出した異常に関連するセンサを複数のセンサの中から特定するようにした。
サから出力される複数のセンサ信号をもとに学習データを作成して蓄積する工程と、設備
または装置に装着された複数のセンサから新たに出力された複数のセンサ信号の異常診断
を行う工程とを含む設備の異常を診断する方法及びその装置において、学習データを作成
して蓄積する工程は、複数のセンサ信号から特徴ベクトルを抽出する工程と、抽出した特
徴ベクトルを学習データとして蓄積する工程と、学習データとして蓄積した特徴ベクトルの各々について交差検証用のグループ番号付けをし、蓄積した学習データの中から注目ベクトルを選択する工程と、蓄積した学習データの中の注目ベクトルと異なるグループ番号付けをした特徴ベクトルの中から選択された注目ベクトルの近傍ベクトルを選択してこの選択した近傍ベクトルを用いて学習用の基準ベクトルを作成する工程と、作成した学習用の基準ベクトルまでの学習データとして蓄積した特徴ベクトルからの距離に基づいて異常測度を算出する工程と、算出した異常測度に基づきしきい値を算出する工程と、特徴ベクトルから全組合せの2次元の特徴分布密度を算出する工程とを有し、センサ信号の異常診断を行う工程は、設備または装置に装着された複数のセンサから出力される複数のセンサ信号から特徴ベクトルを抽出して観測ベクトルとする工程と、抽出した観測ベクトルに応じて蓄積した学習データの中から所定数の特徴ベクトルを選択する工程と、学習データの中から選択された所定数の特徴ベクトルを用いて異常診断用の基準ベクトルを作成する工程と、観測ベクトルから異常診断用の基準ベクトルまでの距離に基づいて観測ベクトルの異常測度を算出する工程と、算出した異常測度と学習データを作成して蓄積する工程において算出したしきい値に基づき観測ベクトルが異常か正常かを判定する工程と、判定する工程において異常と判定された観測ベクトルと2次元の特徴分布密度に基づき異常に関連するセンサを特定する工程とを有して構成した。
数のセンサから出力される複数のセンサ信号をもとに学習データを作成して蓄積する工程
と、前記設備または装置に装着された複数のセンサから新たに出力された複数のセンサ信
号の異常診断を行う工程とを含む設備の異常を診断する方法及びその装置において、学習
データを作成して蓄積する工程は、設備または装置から出力されるイベント信号に基づい
て稼動状態別のモード分割を行う工程と、複数のセンサ信号から特徴ベクトルを抽出する
工程と、抽出した特徴ベクトルを学習データとして蓄積する工程と、学習データとして蓄積した特徴ベクトルのおのおのについて交差検証用のグループ番号付けをして特徴ベクトルに応じて蓄積した学習データの中から特徴ベクトルを選択する工程と、蓄積した学習データの中の選択された特徴ベクトルと異なるグループ番号付けをした特徴ベクトルの中から選択された特徴べクトルの近傍ベクトルを選択してこの選択した近傍ベクトルを用いて学習用の基準ベクトルを作成する工程と、作成した学習用の基準ベクトルまでの学習データとして蓄積した特徴ベクトルからの距離に基づいて異常測度を算出する工程と、算出した異常測度に基づきモード毎にしきい値を算出する工程と、学習データとして蓄積した特徴ベクトルから全組合せの2次元の特徴分布密度をモード毎に算出する工程を有し、センサ信号の異常診断を行う工程は、設備または装置に装着された複数のセンサから出力される複数のセンサ信号から特徴ベクトルを抽出して観測ベクトルとする工程と、抽出した観測ベクトルに応じて蓄積した学習データの中から所定数の特徴ベクトルを選択する工程と、学習データの中から選択された所定数の特徴ベクトルの近傍ベクトルを用いて異常診断用の基準ベクトルを作成する工程と、観測ベクトルの異常診断用の基準ベクトルまでの距離に基づいて観測ベクトルの異常測度を算出する工程と、算出した異常測度と分割したモード別に算出したしきい値に基づき観測ベクトルが異常か正常かを判定する工程と、判定する工程において異常と判定された観測ベクトルに対応するセンサ信号とモード別に算出した2次元の特徴分布密度に基づき異常に関連するセンサを特定する工程とを有して構成した。
以下に、本発明の実施例を図を用いて説明する。
図1に、本発明の異常診断方法を実現するシステムの一構成例を示す。
本システムは、設備101から出力されるセンサ信号102を蓄積するセンサ信号蓄積部103、センサ信号102をもとに特徴ベクトルを抽出する特徴ベクトル抽出部104、予め指定された学習期間の特徴ベクトルの集合と各時刻の特徴ベクトルに基づいて各時刻の基準特徴ベクトルを算出する基準ベクトル算出部105、各時刻の特徴ベクトルと基準特徴ベクトルの差に基づき異常測度を算出する異常測度算出部106、予め指定された学習期間の異常測度に基づきしきい値を算出するしきい値算出部107、異常測度と算出されたしきい値との比較により異常を検出する異常検出部108、学習期間のセンサ信号の2次元の分布密度を算出する分布密度算出部109、異常が検出された時刻について、異常に関連するセンサを特定する関連センサ特定部110を備えて構成される。
ステップS502においては、各センサ信号の正準化を行う。例えば、指定された期間の平均と標準偏差を用いて、平均を0、分散を1となるように変換する。異常診断時に同じ変換ができるよう、各センサ信号の平均と標準偏差を記憶しておく。あるいは、各センサ信号の指定された期間の最大値と最小値を用いて最大が1、最小が0となるように変換する。あるいは、最大値と最小値の代わりに予め設定した上限値と下限値を用いてもよい。異常診断時に同じ変換ができるよう、各センサ信号の最大値と最小値または上限値と下限値を記憶しておく。センサ信号の正準化は、単位およびスケールの異なるセンサ信号を同時に扱うためのものである。
始めに、学習期間の特徴ベクトルを入力する(S601)。最初の特徴に注目し(S602)、学習期間のデータの最大値(MAX)と最小値(MIN)を求める(S603)。次に、最小値から最大値を指定された数Nで分割する際の刻み幅Sを算出する(S604)。S=(MAX−MIN)/N で計算できる。次に、最小値と最大値から外側に範囲を広げて分布密度算出の処理範囲を算出する(S605)。広げる範囲は例えばMINをMIN−S×M、MAXをMAX+S×Mに変更する。ここでMは予め決められた1以上の整数とする。
BNO=INT((F−MIN)・N/(MAX−MIN))
ただしINT(X)はXの整数部を表す。
学習期間および処理パラメータ設定のためのGUIの例を、図13に示す。以下の説明ではこの設定のことを単にレシピ設定と呼ぶことにする。また、過去のセンサ信号102は設備IDおよび時刻と対応付けられてデータベースに保存されているものとする。レシピ設定画面1301では、対象装置、学習期間、使用センサ、基準算出パラメータ、しきい値設定パラメータを入力する。設備ID入力ウィンドウ1302には、対象とする設備のIDを入力する。設備リスト表示ボタン1303押下により図示はしていないがデータベースに保存されているデータの装置IDのリストが表示されるので、リストから選択入力する。
図16は、表示対象を指定するGUIの例である。表示対象指定画面1601から表示対象の設備、レシピおよび期間を指定する。初めに、装置ID選択ウィンドウ1602により装置IDを選択する。次に、レシピ名選択ウィンドウ1603により、装置IDを対象としたレシピのリストから表示対象のレシピを選択する。データ記録期間表示部1604には、入力されたレシピを用いて処理され、記録が残されている期間の開始日と終了日が表示される。結果表示期間指定ウィンドウ1605には、結果を表示したい期間の開始日と終了日を入力する。表示センサ指定ウィンドウ1606には、表示したいセンサの名を入力する。表示ボタン1607押下により図14Aに示す結果全体表示画面1401を表示する。終了ボタン1608押下により終了する。
(1)シーケンスの途中でない場合は、開始イベントを探索する。見つかったらシーケンスの開始とする。
(2)シーケンスの途中の場合は、終了イベントを探索する。見つかったらシーケンスの終了とする。ここで終了イベントとは、指定の終了イベントのほか、故障、警告、指定の開始イベントとする。
Claims (11)
- 設備または装置に装着された複数のセンサから出力される複数のセンサ信号に基づいて
前記設備または装置の異常を診断する方法であって、予め指定された学習期間において、前記複数のセンサ信号をそれぞれ正準化して得た特徴値から多次元の特徴ベクトルを求め、前記多次元の特徴ベクトルから注目ベクトルを選び、前記注目ベクトルの近傍ベクトルを用いて基準ベクトルを作成し、前記多次元の特徴ベクトルの前記基準ベクトルまでの距離に基づいて異常測度を算出し、前記算出した異常測度に基づいてしきい値を設定し、前記多次元の特徴ベクトルの前記特徴値から算出した値の頻度分布に基づいて分布密度画像を生成し、前記設備または装置の異常を診断する時において、前記複数のセンサ信号から時刻毎に多次元特徴ベクトルを抽出し、前記求めた予め指定された学習期間の前記多次元の特徴ベクトルの中から前記時刻毎に抽出した多次元の特徴ベクトルに近い特徴ベクトルを選択し、前記選択した特徴ベクトルを用いて基準特徴ベクトルを算出し、前記抽出した時刻毎の多次元特徴ベクトルの前記基準特徴ベクトルまでの距離に基づき異常測度を算出し、前記算出した異常測度と前記設定したしきい値とを比較することにより異常を検出し、前記複数のセンサ信号と前記学習期間において求めた特徴ベクトルを用いて生成した2次元の分布密度に基づいて前記検出した異常に関連するセンサを前記複数のセンサの中から特定することを特徴とする異常診断方法。 - 設備または装置に装着された複数のセンサから出力される複数のセンサ信号をもとに学
習データを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから
新たに出力された複数のセンサ信号の異常診断を行う工程とを含む設備の異常を診断する
方法であって、
前記学習データを作成して蓄積する工程は、前記複数のセンサ信号から特徴ベクトルを
抽出する工程と、前記抽出した特徴ベクトルを学習データとして蓄積する工程と、前記学
習データとして蓄積した特徴ベクトルの各々について交差検証用のグループ番号付けをし、前記蓄積した学習データの中から注目ベクトルを選択する工程と、前記蓄積した学習データの中の前記注目ベクトルと異なる前記グループ番号付けをした特徴ベクトルの中から前記選択された注目ベクトルの近傍ベクトルを選択してこの選択した近傍ベクトルを用いて学習用の基準ベクトルを作成する工程と、前記作成した学習用の基準ベクトルまでの前記学習データとして蓄積した特徴ベクトルの距離に基づいて異常測度を算出する工程と、前記算出した前記異常測度に基づきしきい値を算出する工程と、前記特徴ベクトルから全組合せの2次元の特徴分布密度を算出する工程とを有し、
前記センサ信号の異常診断を行う工程は、前記設備または装置に装着された前記複数の
センサから出力される複数のセンサ信号から特徴ベクトルを抽出して観測ベクトルとする
工程と、前記抽出した観測ベクトルに応じて前記蓄積した学習データの中から所定数の特
徴ベクトルを選択する工程と、前記学習データの中から選択された所定数の特徴ベクトル
を用いて異常診断用の基準ベクトルを作成する工程と、前記観測ベクトルの前記作成した異常診断用の基準ベクトルまでの距離に基づいて前記観測ベクトルの異常測度を算出する工程と、前記算出した異常測度と前記学習データを作成して蓄積する工程において算出したしきい値に基づき前記観測ベクトルが異常か正常かを判定する工程と、前記判定する工程において異常と判定された観測ベクトルと前記2次元の特徴分布密度に基づき異常に関連するセンサを特定する工程とを有する
ことを特徴とする異常診断方法。 - 前記学習用の基準ベクトルを作成する工程と、前記異常診断用の基準ベクトルを作成す
る工程とは、何れも局所部分空間法を利用すること特徴とする請求項2に記載の異常診断方法。 - 前記センサ信号の異常診断を行う工程における前記異常に関連するセンサを特定する工
程は、前記観測ベクトルと前記基準ベクトルに基づき観測値と基準値の差を算出する工程
と、前記算出された差が最大となる特徴を構成するセンサを第一の関連センサとする工程
と、前記第一の関連センサにかかわる前記2次元の特徴分布密度に基づき、前記観測ベク
トルに対応する値の密度が最小となる前記第一の関連センサのペアとなる特徴を構成する
センサを第二の関連センサとする工程からなる請求項2に記載の異常診断方法。 - 前記センサ信号の異常診断を行う工程における前記異常に関連するセンサを特定する工
程は、全ての前記2次元の特徴分布密度に基づき、前記観測ベクトルに対応する値の密度
を算出する工程と、前記特徴毎に前記算出した密度を合計した値が最小となる特徴を構成
するセンサを第一の関連センサとする工程と、前記第一の関連センサにかかわる前記2次
元の特徴分布密度に基づき、前記観測ベクトルに対応する値の密度が最小となる前記第一
の関連センサのペアとなる特徴を構成するセンサを第二の関連センサとする工程からなる
請求項2に記載の異常診断方法。 - 前記センサ信号の異常診断を行う工程における前記異常に関連するセンサを特定する工
程は、前記学習データのうち前記第一の関連センサのセンサ信号が異常と判定された観測
ベクトルと近いデータを用いて前記第一の関連センサを除く全組合せの2次元の部分的特
徴分布密度を算出する工程と、全ての前記2次元の部分的特徴分布密度に基づき、前記観
測ベクトルに対応する値の密度を算出する工程と、特徴毎に前記密度を合計した値が最小
となる特徴を構成するセンサを第二の関連センサとする工程と、前記第二の関連センサに
かかわる前記2次元の部分的特徴分布密度に基づき、前記観測ベクトルに対応する値の密
度が最小となる前記第二の関連センサのペアとなる特徴を構成するセンサを第三の関連セ
ンサとする工程とをさらに含む請求項4または請求項5に記載の異常診断方法。 - 前記センサ信号の異常診断を行う工程における前記異常に関連するセンサを特定する工
程は、連続して異常検出された区間を特定する工程と、前記区間に含まれる全ての観測ベ
クトルについて、前記観測ベクトルと前記基準ベクトルに基づき観測値と基準値の差の絶
対値の和を算出する工程と、前記算出された和が最大となる特徴を構成するセンサを第一
の関連センサとする工程と、前記区間に含まれる全ての観測ベクトルについて、前記第一
の関連センサにかかわる前記2次元の特徴分布密度に基づき、前記観測ベクトルに対応す
る値の密度の和および密度が非0となる回数を算出する工程と、前記算出された回数が最
小かつそのうち前記算出された和が最小となる前記第一の関連センサのペアとなる特徴を
構成するセンサを第二の関連センサとする工程からなる請求項2に記載の異常診断方法。 - 前記異常測度および前記しきい値および前記判定結果の時系列グラフと、前記特定され
た異常に関連するセンサから出力されたセンサ信号の時系列グラフと、前記特定された2
次元の特徴の学習データの分布密度を表す画像に、前記異常と判定された観測ベクトルに
対応する点を重ねてプロットした画像を表示する工程をさらに含むことを特徴とする請求
項2に記載の異常診断方法。 - 設備または装置に装着された複数のセンサから出力される複数のセンサ信号をもとに学
習データを作成して蓄積する工程と、前記設備または装置に装着された複数のセンサから
新たに出力された複数のセンサ信号の異常診断を行う工程とを含む設備の異常を診断する
方法であって、
前記学習データを作成して蓄積する工程は、設備または装置から出力されるイベント信
号に基づいて稼動状態別のモード分割を行う工程と、前記複数のセンサ信号から特徴ベク
トルを抽出する工程と、前記抽出した特徴ベクトルを学習データとして蓄積する工程と、
前記学習データとして蓄積した特徴ベクトルのおのおのについて交差検証用のグループ番号付けをして前記特徴ベクトルに応じて前記蓄積した学習データの中から特徴ベクトルを選択する工程と、前記蓄積した学習データの中の前記選択された特徴ベクトルと異なる前記グループ番号付けをした特徴ベクトルの中から前記選択された特徴ベクトルの近傍ベクトルを選択してこの選択した近傍ベクトルを用いて学習用の基準ベクトルを作成する工程と、前記作成した学習用の基準ベクトルまでの前記学習データとして蓄積した特徴ベクトルの距離に基づいて異常測度を算出する工程と、前記算出した異常測度に基づき前記モード毎にしきい値を算出する工程と、前記学習データとして蓄積した特徴ベクトルから全組合せの2次元の特徴分布密度を前記モード毎に算出する工程を有し、
前記センサ信号の異常診断を行う工程は、前記設備または装置に装着された前記複数の
センサから出力される複数のセンサ信号から特徴ベクトルを抽出して観測ベクトルとする
工程と、
前記抽出した観測ベクトルに応じて前記蓄積した学習データの中から注目ベクトルを選択する工程と、前記学習データの中から選択された特徴ベクトルの近傍ベクトルを用いて異常診断用の基準ベクトルを作成する工程と、前記観測ベクトルの前記作成した異常診断用の基準ベクトルまでの距離に基づいて前記観測ベクトルの異常測度を算出する工程と、前記算出した異常測度と前記分割したモード別に算出した前記しきい値に基づき前記観測ベクトルが異常か正常かを判定する工程と、前記判定する工程において異常と判定された観測ベクトルに対応するセンサ信号と前記モード別に算出した前記2次元の特徴分布密度に基づき異常に関連するセンサを特定する工程とを有する
ことを特徴とする異常診断方法。 - 設備または装置に装着されたセンサから出力されるセンサ信号に基づいて前記設備また
は装置の異常を診断する装置であって、前記センサ信号を蓄積する生データ蓄積手段と、
前記センサ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、予め指定された学習期間において前記センサ信号から抽出した前記特徴ベクトルから注目ベクトルを選んで前記選んだ注目ベクトルの近傍ベクトルを用いて基準ベクトルを算出して前記設備または装置の異常を診断する期間においては前記診断している各時刻において前記センサ信号から抽出した前記特徴ベクトルに 近い特徴ベクトルを選択し、前記選択した特徴ベクトルを用いて前記各時刻における基準特徴ベクトルを算出する基準ベクトル算出手段と、前記予め指定された学習期間においては前記多次元の特徴ベクトルの前記基準ベクトルまでの距離に基づいて異常測度を算出し前記設備または装置の異常を診断する期間においては前記各時刻の前記特徴ベクトルの前記基準特徴ベクトルまでの距離に基づき異常測度を算出する異常測度算出手段と、前記予め指定された学習期間における前記異常測度に基づいてしきい値を算出するしきい値算出手段と、前記設備または装置の異常を診断する期間において前記異常測度算出手段で算出した前記異常測度と前記しきい値算出手段で算出した前記しきい値との比較により異常を検出する異常検出手段と、前記予め指定された学習期間における前記センサ信号の2次元の分布密度を算出する分布密度算出手段と、前記異常検出手段により検出された異常に対応するセンサ信号と前記分布密度算出手段で算出した2次元の分布密度に基づいて異常に関連するセンサを特定する関連センサ特定手段とを備えたことを特徴とする異常診断装置。 - 設備または装置に装着されたセンサから出力されるセンサ信号およびイベント信号に基
づいて前記設備または装置の異常を診断する装置であって、前記センサ信号を蓄積する生
データ蓄積手段と、前記イベント信号に基づいて稼動状態別のモード分割を行うモード分
割手段と、前記センサ信号から特徴ベクトルを抽出する特徴ベクトル抽出手段と、予め指定された学習期間において前記センサ信号から抽出した前記特徴ベクトル から注目ベクトルを選んで前記選んだ注目ベクトルの近傍ベクトルを用いて基準ベクトルを算出して前記設備または装置の異常を診断する期間においては前記診断している各時刻において前記センサ信号から抽出した前記特徴ベクトルに 近い特徴ベクトルを選択し、前記選択した特徴ベクトルを用いて前記各時刻における基準特徴ベクトルを算出する基準ベクトル算出手段と、前記予め指定された学習期間においては前記多次元の特徴ベクトルの前記基準ベクトルまでの距離に基づいて異常測度を算出し前記設備または装置の異常を診断する期間においては前記各時刻の前記特徴ベクトルの前記基準特徴ベクトルまでの距離に基づき異常測度を算出する異常測度算出手段と、前記予め指定された学習期間における前記異常測度に基づいて前記モード分割手段で分割したモード毎にしきい値を算出するしきい値算出手段と、前記設備または装置の異常を診断する期間において前記異常測度算出手段で算出した前記異常測度と前記しきい値算出手段で算出したモード毎のしきい値との比較により異常を検出する異常検出手段と、前記予め指定された学習期間における前記センサ信号の2次元の分布密度を前記モード毎に算出する分布密度算出手段と、前記異常検出手段により検出された異常に対応するセンサ信号のうち前記モードに対応する前記センサ信号と前記分布密度算出手段で算出した2次元の分布密度に基づいて異常に関連するセンサを特定する関連センサ特定手段とを備えたことを特徴とする異常診断装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013009316A JP6076751B2 (ja) | 2013-01-22 | 2013-01-22 | 異常診断方法およびその装置 |
US14/761,748 US9779495B2 (en) | 2013-01-22 | 2014-01-15 | Anomaly diagnosis method and apparatus |
PCT/JP2014/050547 WO2014115615A1 (ja) | 2013-01-22 | 2014-01-15 | 異常診断方法およびその装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013009316A JP6076751B2 (ja) | 2013-01-22 | 2013-01-22 | 異常診断方法およびその装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014142697A JP2014142697A (ja) | 2014-08-07 |
JP6076751B2 true JP6076751B2 (ja) | 2017-02-08 |
Family
ID=51227407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013009316A Active JP6076751B2 (ja) | 2013-01-22 | 2013-01-22 | 異常診断方法およびその装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9779495B2 (ja) |
JP (1) | JP6076751B2 (ja) |
WO (1) | WO2014115615A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3462267A1 (en) | 2017-09-27 | 2019-04-03 | Panasonic Intellectual Property Corporation of America | Anomaly diagnosis method and anomaly diagnosis apparatus |
Families Citing this family (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3015757B1 (fr) * | 2013-12-23 | 2019-05-31 | Electricite De France | Procede d'estimation quantitative du colmatage des plaques d'un generateur de vapeur |
JP6223936B2 (ja) * | 2014-09-12 | 2017-11-01 | 株式会社日立ハイテクノロジーズ | 異常傾向検出方法およびシステム |
FR3032273B1 (fr) * | 2015-01-30 | 2019-06-21 | Safran Aircraft Engines | Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine |
JP5849167B1 (ja) * | 2015-04-09 | 2016-01-27 | 株式会社日立パワーソリューションズ | 異常検知方法およびその装置 |
KR101647826B1 (ko) * | 2015-05-27 | 2016-08-11 | 한국에너지기술연구원 | 전력시스템의 안정도를 판별하는 장치 및 그 전력시스템의 안정도를 관리하는 방법 |
GB2560643B (en) * | 2015-09-30 | 2021-07-21 | Schlumberger Technology Bv | Downhole tool analysis using anomaly detection of measurement data |
KR102384742B1 (ko) * | 2015-10-27 | 2022-04-07 | 삼성에스디에스 주식회사 | 센서 데이터를 이용한 이상 감지 장치 및 방법 |
US10073421B2 (en) * | 2015-11-17 | 2018-09-11 | Rockwell Automation Technologies, Inc. | Predictive monitoring and diagnostics systems and methods |
JP6777142B2 (ja) * | 2016-02-29 | 2020-10-28 | 日本電気株式会社 | システム分析装置、システム分析方法、及び、プログラム |
GB2554038B (en) * | 2016-05-04 | 2019-05-22 | Interactive Coventry Ltd | A method for monitoring the operational state of a system |
EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
US10677943B2 (en) * | 2016-12-16 | 2020-06-09 | Smiths Detection, Llc | System and method for monitoring a computed tomography imaging system |
KR101971553B1 (ko) * | 2017-03-21 | 2019-04-23 | (주)심플랫폼 | 사물인터넷 기반 기기 관리 시스템 및 방법 |
CN110678820B (zh) * | 2017-05-26 | 2022-10-18 | 三菱电机楼宇解决方案株式会社 | 异常重要度计算系统及异常重要度计算装置 |
JP6772963B2 (ja) * | 2017-06-05 | 2020-10-21 | トヨタ自動車株式会社 | 異常診断装置及び異常診断方法 |
JP6856122B2 (ja) | 2017-07-13 | 2021-04-07 | 日本電気株式会社 | 学習システム、分析システム、学習方法及び記憶媒体 |
JP7017363B2 (ja) * | 2017-10-06 | 2022-02-08 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
JP6693938B2 (ja) * | 2017-11-17 | 2020-05-13 | ファナック株式会社 | 外観検査装置 |
JP6856167B2 (ja) * | 2018-02-16 | 2021-04-07 | 日本電気株式会社 | 異常音判定基準作成装置および異常音検知装置 |
US11972178B2 (en) * | 2018-02-27 | 2024-04-30 | Falkonry Inc. | System and method for explanation of condition predictions in complex systems |
KR101967339B1 (ko) * | 2018-03-06 | 2019-04-09 | 단국대학교 산학협력단 | 심층학습 기반의 adas 센서 고장 진단 및 백업을 위한 장치 및 방법 |
JP7013993B2 (ja) * | 2018-03-26 | 2022-02-01 | トヨタ自動車株式会社 | 診断装置及び診断方法 |
JP7043320B2 (ja) * | 2018-03-30 | 2022-03-29 | 株式会社小松製作所 | 状態分析装置および状態分析方法 |
US10553046B2 (en) | 2018-04-05 | 2020-02-04 | GM Global Technology Operations LLC | Vehicle prognostics and remedial response |
CN109002833B (zh) * | 2018-06-12 | 2019-08-27 | 国家卫生健康委科学技术研究所 | 一种微液滴数据分析方法及系统 |
WO2019244203A1 (ja) | 2018-06-18 | 2019-12-26 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
CN109005513B (zh) * | 2018-06-26 | 2021-03-19 | 北京酷云互动科技有限公司 | 手机终端关联方法和手机终端关联系统 |
JP7032261B2 (ja) * | 2018-07-24 | 2022-03-08 | 日立グローバルライフソリューションズ株式会社 | 異常検知システムおよび異常検知方法 |
US11122065B2 (en) * | 2018-08-14 | 2021-09-14 | Vmware, Inc. | Adaptive anomaly detection for computer systems |
US11567482B2 (en) * | 2018-08-31 | 2023-01-31 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Manufacturing process monitoring apparatus |
KR101971278B1 (ko) * | 2018-12-13 | 2019-04-26 | 주식회사 알고리고 | 인공신경망을 이용한 비정상 데이터 구분 장치 |
WO2020125929A1 (en) * | 2018-12-17 | 2020-06-25 | Huawei Technologies Co., Ltd. | Apparatus and method for detecting an anomaly among successive events and computer program product therefor |
CN109507990B (zh) * | 2018-12-25 | 2021-06-15 | 中南大学 | 一种故障溯源方法及系统 |
JP7463055B2 (ja) * | 2018-12-27 | 2024-04-08 | 株式会社Ihi | 異常診断装置、異常診断方法、異常診断プログラム、及び記録媒体 |
US10922906B2 (en) | 2019-03-28 | 2021-02-16 | GM Global Technology Operations LLC | Monitoring and diagnosing vehicle system problems using machine learning classifiers |
WO2020202567A1 (ja) * | 2019-04-05 | 2020-10-08 | 株式会社Ihi原動機 | 振動音響解析方法及び装置と機器異常部位推定方法及び装置 |
KR102198224B1 (ko) * | 2019-04-11 | 2021-01-05 | 주식회사 알고리고 | 공간 데이터를 기초로 한 인공신경망을 이용한 비정상 데이터 구분 장치 |
KR102119891B1 (ko) * | 2019-04-11 | 2020-06-05 | 주식회사 알고리고 | 미세 변화 데이터 및 공간 데이터를 기초로 한 인공신경망을 이용한 비정상 데이터 구분 장치 |
JP7218867B2 (ja) * | 2019-05-24 | 2023-02-07 | Kyb株式会社 | 異常検知装置及び異常検知方法 |
KR20200141812A (ko) | 2019-06-11 | 2020-12-21 | 삼성전자주식회사 | 뉴럴 네트워크를 이용하여 이상 신호를 감지하는 방법 및 장치 |
JP7344015B2 (ja) | 2019-06-13 | 2023-09-13 | 株式会社日立ハイテクソリューションズ | 異常検知装置及び異常検知方法 |
DE102019209797A1 (de) * | 2019-07-03 | 2021-01-07 | Thyssenkrupp Ag | Verfahren und Einrichtung zur Ermittlung des fahrbetriebsbedingten Zustandes von Karosseriekomponenten eines Fahrzeugs sowie eines entsprechenden Fahrerverhaltens |
US11625032B2 (en) | 2019-09-27 | 2023-04-11 | Tata Consultancy Services Limited | Method and system for diagnosing anomaly in a manufacturing plant |
CN110866908B (zh) * | 2019-11-12 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN110831050B (zh) * | 2019-11-21 | 2022-09-30 | 武汉宝久智控科技有限公司 | 一种传感器节点控制方法及系统 |
DE102019219858A1 (de) * | 2019-12-17 | 2021-06-17 | Zf Friedrichshafen Ag | Verfahren zur Bestimmung eines Betriebszustands von Systemkomponenten eines Fahrmischers |
CN111061235B (zh) * | 2019-12-20 | 2020-12-15 | 中核控制系统工程有限公司 | 一种具有故障预警功能的dcs设备诊断方法 |
CN115135358B (zh) * | 2020-02-27 | 2024-07-02 | 美国西门子医学诊断股份有限公司 | 使用机器学习的自动传感器追踪验证 |
CN111539482B (zh) * | 2020-04-28 | 2021-03-09 | 三峡大学 | 基于rbf核函数的空间多维风电功率数据降维及重构方法 |
US11954309B2 (en) * | 2020-05-04 | 2024-04-09 | Adobe Inc. | Systems for predicting a terminal event |
CN111912638B (zh) * | 2020-06-13 | 2021-12-21 | 宁波大学 | 一种在线故障根源识别的精馏塔故障诊断方法 |
DE102020123721A1 (de) | 2020-09-11 | 2022-03-17 | Volkswagen Aktiengesellschaft | Zustandsbestimmungsverfahren für eine Fahrzeugkomponente, Schaltung, Kraftfahrzeug |
CN112257754B (zh) * | 2020-09-24 | 2023-07-28 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN113027658B (zh) * | 2021-03-24 | 2022-08-02 | 华中科技大学 | 一种水轮机转轮实时状态评估方法及其应用 |
CN113442691A (zh) * | 2021-06-18 | 2021-09-28 | 科大讯飞股份有限公司 | 智能车膜的控制方法、装置和存储介质及电子设备 |
EP4375826A1 (en) * | 2021-07-19 | 2024-05-29 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and program |
CN113869373A (zh) * | 2021-09-07 | 2021-12-31 | 迪希埃(北京)半导体技术有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
JP2023042945A (ja) * | 2021-09-15 | 2023-03-28 | 株式会社東芝 | 監視装置、方法およびプログラム |
CN114228637B (zh) * | 2021-12-02 | 2024-02-20 | 科大讯飞股份有限公司 | 一种车辆断电保护方法、装置、存储介质及设备 |
CN116311374B (zh) * | 2023-03-27 | 2023-10-20 | 淮阴工学院 | 一种化工厂工人异常行为识别与预警方法及系统 |
CN116957543B (zh) * | 2023-09-19 | 2023-12-22 | 成都秦川物联网科技股份有限公司 | 基于大数据的智慧燃气设备管理方法和物联网系统 |
CN117132266B (zh) * | 2023-10-25 | 2024-08-27 | 山东四季汽车服务有限公司 | 一种基于区块链的汽车服务安全保障方法及系统 |
CN118395135B (zh) * | 2024-02-02 | 2024-09-03 | 简帷(杭州)软件有限公司 | 一种用于供应链计划系统的数据预处理系统及其方法 |
CN118051796B (zh) * | 2024-04-16 | 2024-06-18 | 自贡市第一人民医院 | 一种消毒供应中心监测数据智能分析方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5680409A (en) * | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
US6952662B2 (en) | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
JP4041395B2 (ja) * | 2002-12-27 | 2008-01-30 | 東京瓦斯株式会社 | 故障検出装置及び故障検出方法 |
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 |
JP5813317B2 (ja) | 2010-12-28 | 2015-11-17 | 株式会社東芝 | プロセス状態監視装置 |
JP5259797B2 (ja) * | 2011-09-05 | 2013-08-07 | 株式会社東芝 | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
JP2013143009A (ja) * | 2012-01-11 | 2013-07-22 | Hitachi Ltd | 設備状態監視方法およびその装置 |
-
2013
- 2013-01-22 JP JP2013009316A patent/JP6076751B2/ja active Active
-
2014
- 2014-01-15 WO PCT/JP2014/050547 patent/WO2014115615A1/ja active Application Filing
- 2014-01-15 US US14/761,748 patent/US9779495B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3462267A1 (en) | 2017-09-27 | 2019-04-03 | Panasonic Intellectual Property Corporation of America | Anomaly diagnosis method and anomaly diagnosis apparatus |
Also Published As
Publication number | Publication date |
---|---|
US20150363925A1 (en) | 2015-12-17 |
US9779495B2 (en) | 2017-10-03 |
WO2014115615A1 (ja) | 2014-07-31 |
JP2014142697A (ja) | 2014-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6076751B2 (ja) | 異常診断方法およびその装置 | |
JP6216242B2 (ja) | 異常検知方法およびその装置 | |
JP5301717B1 (ja) | 設備状態監視方法およびその装置 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP7017363B2 (ja) | 異常検知装置および異常検知方法 | |
JP5342708B1 (ja) | 異常検知方法及びその装置 | |
JP5945350B2 (ja) | 設備状態監視方法およびその装置 | |
JP5431235B2 (ja) | 設備状態監視方法およびその装置 | |
JP5331774B2 (ja) | 設備状態監視方法およびその装置並びに設備状態監視用プログラム | |
JP6223936B2 (ja) | 異常傾向検出方法およびシステム | |
JP5538597B2 (ja) | 異常検知方法及び異常検知システム | |
JP5849167B1 (ja) | 異常検知方法およびその装置 | |
JP6076421B2 (ja) | 設備状態監視方法およびその装置 | |
JP2013143009A (ja) | 設備状態監視方法およびその装置 | |
WO2013011745A1 (ja) | 設備状態監視方法およびその装置 | |
JP2010191556A (ja) | 異常検知方法及び異常検知システム | |
JP7526852B2 (ja) | 異常検知装置及び異常検知方法 | |
JP6213655B2 (ja) | 時系列データの異常監視装置、異常監視方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20140908 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150430 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160223 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160418 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160712 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160831 |
|
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: 20161227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170111 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6076751 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |