JP6895399B2 - 機械制御装置 - Google Patents

機械制御装置 Download PDF

Info

Publication number
JP6895399B2
JP6895399B2 JP2018019148A JP2018019148A JP6895399B2 JP 6895399 B2 JP6895399 B2 JP 6895399B2 JP 2018019148 A JP2018019148 A JP 2018019148A JP 2018019148 A JP2018019148 A JP 2018019148A JP 6895399 B2 JP6895399 B2 JP 6895399B2
Authority
JP
Japan
Prior art keywords
command value
engine
acquired
output
machine
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
Application number
JP2018019148A
Other languages
English (en)
Other versions
JP2019138152A (ja
Inventor
佳奈子 江▲崎▼
佳奈子 江▲崎▼
高斉 松本
高斉 松本
潔人 伊藤
潔人 伊藤
雄三 白川
雄三 白川
寛人 内藤
寛人 内藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2018019148A priority Critical patent/JP6895399B2/ja
Priority to US16/266,815 priority patent/US11035314B2/en
Publication of JP2019138152A publication Critical patent/JP2019138152A/ja
Application granted granted Critical
Publication of JP6895399B2 publication Critical patent/JP6895399B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/26—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor
    • F02D41/263—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using computer, e.g. microprocessor the program execution being modifiable by physical parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D19/00—Controlling engines characterised by their use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D19/06—Controlling engines characterised by their use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures peculiar to engines working with pluralities of fuels, e.g. alternatively with light and heavy fuel oil, other than engines indifferent to the fuel consumed
    • F02D19/0639—Controlling engines characterised by their use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures peculiar to engines working with pluralities of fuels, e.g. alternatively with light and heavy fuel oil, other than engines indifferent to the fuel consumed characterised by the type of fuels
    • F02D19/0649—Liquid fuels having different boiling temperatures, volatilities, densities, viscosities, cetane or octane numbers
    • F02D19/0652—Biofuels, e.g. plant oils
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0614—Actual fuel mass or fuel injection amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/06—Fuel or fuel supply system parameters
    • F02D2200/0618—Actual fuel injection timing or delay, e.g. determined from fuel pressure drop
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D35/00—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for
    • F02D35/02—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions
    • F02D35/023—Controlling engines, dependent on conditions exterior or interior to engines, not otherwise provided for on interior conditions by determining the cylinder pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/30—Use of alternative fuels, e.g. biofuels

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Sustainable Energy (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biotechnology (AREA)
  • Botany (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は機械制御装置に関する。
欧米において地域のエネルギー自立化が勧められており、農産廃棄物などを用いたバイオマス発電と太陽光発電、風力発電へ移行する動きが見られる。バイオマス燃料は人の経済活動に伴って得られることからその入手性は場所や時期で変動する。そのため、複数の燃料を組み合わせた利用が想定され、それに対応した発電用エンジン制御が必要とされる。
従来、燃料ごとに点火時期や空燃比を含む多数の制御指令値の制御マップを人手で作成し、フィードフォワードでエンジンが制御されていた。しかし、複数の燃料を組み合わせてエンジンを制御する場合、想定される多くの燃料の組み合わせやそれらの混成比ごとに、人手で制御マップを作成することは煩雑、高コストで実用化は困難である。
そこで、エンジンをモデル化して機械学習させることも考えられる。回帰モデルにカーネルの適用と除去を繰り返して回帰モデルを洗練させていきシステムの異常状態を検出する技術がある。例えば特許文献１に記載の技術である。
また、プラントの運転状態と運転指標の回帰モデルが、線形な場合は線形計画法を用い、非線形な場合は二次計画法を用いて、最適な運転条件を求める技術がある。例えば特許文献２に記載の技術である。
米国特許第７８４４５５８号明細書 特開２０１２−０７４００７号公報
特許文献１に記載の技術は、学習データやカーネルの入れ替えと追加によって、対象機器を運転しながら異常判別の精度を向上させている。しかし、エンジンなどの機械を制御する場合、新たに得られた学習データに、最初から特定の条件を満たすデータそのものが含まれているとは限らず、特定の条件に対して十分な精度が得られない可能性もある。
特許文献２に記載の技術は、プラントの全運転条件の回帰モデルを作成し、最適化することによって最適な運転条件を算出している。しかし、エンジンなどの機械を制御する場合、予め多くの学習モデルを作成することは実用上困難である。
以上を踏まえ、本発明では、エンジンなどの機械の制御において、少ない学習モデルを用いても特定の条件を満たす指令値を得ることを目的とする。
本発明のうち、代表的なものの概要を簡単に説明すれば、次の通りである。機械に設置されたセンサで取得されたデータから変換された前記機械の状態量を取得し、取得した状態量に応じて２つ以上の学習モデルを選択する選択部と、前記選択部により選択された２つ以上の学習モデルそれぞれへ、前記選択部により取得された状態量を入力し、学習モデルのそれぞれから出力される指令値を用いて合成値を算出する合成部と、前記合成部により算出された合成値に基づく範囲で、前記機械に対する指令値を出力し、前記機械の状態量を取得し、出力した指令値と取得した状態量の組合せから特定の条件の指令値を検索し、検索した指令値を前記機械に対して出力して新たな学習モデルを作成する学習部と、を備えたことを特徴とする。
本発明によれば、エンジンなどの機械の制御において、少ない学習モデルを用いても特定の条件を満たす指令値を得ることが可能になる。
学習モデル出力の合成を含むエンジンシステムの構成例を示す図である。 実施例１に係る処理フローチャートの例を示す図である。 キャリブレーションを含むエンジンシステムの構成例を示す図である。 実施例２に係る処理フローチャートの例を示す図である。 実施例２に係る処理フローチャートの例を示す図である。 実施例３に係る処理フローチャートの例を示す図である。 実施例４に係る処理フローチャートの例を示す図である。
以下、図面を参照して実施の形態および実施例を説明する。なお、実施の形態および実施例を説明するための図１〜６において、同一機能を有するものは同一符号を付け、その繰り返しの説明は省略する。
図１は、本実施例におけるエンジンシステムの構成例を示す図である。エンジンシステムは、エンジン１０１、観測器１０２、制御器１０３、ＰＣ１０４（エンジン制御装置）、およびデータサーバ１０５を備える。
観測器１０２はエンジン１０１に設置されたセンサの生データを取得し、エンジン１０１の燃焼状態を示すエンジン状態指標に変換してＰＣ１０４へ出力する。制御器１０３はＰＣ１０４から取得したエンジン指令値を指令信号に変換してエンジン１０１へ出力する。観測器１０２はアナログデジタル変換器を含んでもよいし、制御器１０３はデジタルアナログ変換器を含んでもよい。
データサーバ１０５には、エンジン状態指標を入力とし、エンジン指令値を出力とする学習モデルとそのラベルが保存される。学習モデルはエンジン１０１の運転条件ごとに作成される。また、学習モデルはエンジン指標と目標指標の組合せを入力としてもよい。
ここで、ラベルは学習モデルを作成するのに用いたデータセットのエンジン状態指標の代表値である。目標指標は、エンジン指令値を変更してエンジン状態指標を変化させ、エンジン状態指標を近づける目標となる指標であり、ＰＣ１０４の外部から入力される。
ＰＣ１０４は、学習モデル選択部１０６、合成部１０７、および学習部１０８を有する。学習モデル選択部１０６は、観測器１０２から入力したエンジン状態指標に基づいて、データサーバ１０５に保存された学習モデルの中から、学習部１０８で用いる学習モデルであるベース学習モデル群を選択して取得する。
合成部１０７は、ベース学習モデル群の出力値を合成する。学習部１０８は、合成部１０７で合成した出力値の周辺領域において熱効率が最大のエンジン指令値を探索し、エンジン指令値を制御器１０３へ出力し、学習モデルを生成してデータサーバ１０５に保存する。
ＰＣ１０４は、プロセッサ１２１、記憶部１２２、入出力部１２３を備えたコンピュータである。記憶部１２２はメモリあるいは２次記憶装置を含んでもよく、入出力部１２３はシリアルインターフェイス、パラレルインターフェイス、あるいはネットワークインターフェイスを含んでもよい。
学習モデル選択部１０６、合成部１０７、および学習部１０８の１つまたは複数は、専用回路により実装されてもよいし、記憶部１２２に格納されたプログラムを実行するプロセッサ１２１により実装されてもよい。
図２は、本実施例におけるエンジンシステムの処理フローチャートの例を示す図である。ステップ２０１で、観測器１０２はエンジン１０１に設置されたセンサの生データを１制御サイクル分取得する。
センサには例えばエンジン１０１の筒内圧を検出する圧力センサを用いる。１制御サイクル分の圧力センサの生データの最大値をエンジン状態指標として、ＰＣ１０４へ出力する。１制御サイクルはエンジンの吸入、圧縮、爆発、排気の４行程を１サイクルとしてもよい。
センサは、圧力センサでなくともよく、ひずみセンサ、マイク、温度センサ、燃料または空気の流量計、エンジン回転数を検出するエンコーダ、あるいはエンジン１０１の軸トルクを検出するトルクセンサなどのエンジン１０１の燃焼状態を検出するものであればよい。エンジン１０１に複数のセンサが設置され、複数のセンサの複数の生データが取得されてもよい。
また、エンジン状態指標は圧力センサの生データの最大値でなくともよく、圧力センサの複数の生データまたはその他のセンサの値との組合せなど、データサーバ１０５に保存された学習モデルに入力されるエンジン状態指標のデータ種類に対応していればよい。または、ステップ２０１で取得されるエンジン状態指標のデータ種類に合わせて、ステップ２０２で取得される学習モデルが選択されてもよい。
ステップ２０２で、学習モデル選択部１０６はデータサーバ１０５からベース学習モデル群を取得する。すなわち、ステップ２０１で観測器１０２から出力されたエンジン状態指標とデータサーバ１０５に保存された複数の学習モデルのラベルのエンジン状態指標との距離の小さい順に２つ以上の学習モデルをベース学習モデル群として取得する。
なお、ステップ２０１で取得された複数のエンジン状態指標の一部が、ステップ２０２で用いられてもよい。また、エンジン状態指標に限らず、要求トルク（要求圧力）などの目標指標、またはエンジン状態指標と目標指標の組合せが、ステップ２０２で用いられてもよい。
さらに、観測器１０２から出力されたエンジン状態指標と複数の学習モデルのラベルのエンジン状態指標との距離に基づくのではなく、データサーバ１０５に保存された複数の学習モデルが条件なく取得されてもよい。
エンジン状態指標の距離は、予め設定された計算式にしたがって同じ種類の複数のエンジン状態指標の複数の値から計算された距離であってもよい。また、エンジン状態指標の距離は、種類の異なる複数のエンジン状態指標の組合せに重みが予め設定されており、予め設定された計算式にしたがって種類の異なる複数のエンジン状態指標の複数の値に重みが乗算された値から計算された距離であってもよい。
ステップ２０３で、合成部１０７は、ステップ２０１で取得されたエンジン状態指標をステップ２０２で取得された各ベース学習モデルに入力し、各々出力値を取得する。そして、ステップ２０４で、合成部１０７は、各ベース学習モデルの出力値を合成する。
出力値の合成の計算は例えば、各ベース学習モデルに設定された合成重みを用いての重み付き平均値の計算である。合成重みには各ベース学習モデルの作成に利用されたデータセットのエンジン状態指標から得られる特性比が用いられる。
例えば、ベース学習モデルがモデルＡ、モデルＢの２つの場合で、作成に利用されたデータセットの筒内圧最大値の比（特性比）がＡ：Ｂ＝３：２のとき、モデルＡの合成重みＷ（Ａ）＝３、モデルＢの合成重みＷ（Ｂ）＝２とする。ただし、特性比は、筒内圧最大値の比に限るものではなく、エンジントルクの比などのエンジン状態指標から得られる比であればよい。
モデルＡのエンジン状態指標の値をＳ（Ａ）とし、モデルＢのエンジン状態指標の値をＳ（Ｂ）とし、モデルＡの出力値をＯ（Ａ）とし、モデルＢの出力値をＯ（Ｂ）とし、現制御サイクルのエンジン状態指標の値をＳ（Ｔ）とすると、重み付き平均値ＡＶＥの計算は以下のようになる。
Figure 0006895399
ただし、重み付き平均値の計算はこの式に限るものではない。
また、合成による出力値は、重み付き平均値に限るものではなく、重みを付けない平均値、平均値または重み付き平均値にエンジン状態指標などで補正した値であってもよい。また、各ベース学習モデルのパラメータの平均値などが用いられて、新しく学習モデルが作成され、その学習モデルにエンジン状態指標が入力されて出力値が算出されてもよい。
ステップ２０５で、学習部１０８は、ステップ２０４で合成された出力値に基づいて探索範囲を設定する。探索範囲は、予め設定された探索幅となるように、ステップ２０４で算出された出力値を中心値として設定される。ステップ２０４で算出された出力値を中心値としなくともよく、ステップ２０４で算出された出力値を境界値として探索範囲が設定されてもよい。
また、探索幅は、予め設定された探索幅に固定されなくともよく、ステップ２０４で算出された出力値またはエンジン状態指標に基づいて探索幅を設定するためのテーブルまたは算出式が予め設定されてもよい。
さらに、探索刻みが予め設定されてもよく、探索刻みは、予め設定された探索刻みに固定されなくともよく、ステップ２０４で算出された出力値またはエンジン状態指標に基づいて探索刻みを設定するためのテーブルまたは算出式が予め設定されてもよい。
ステップ２０６で、学習部１０８は、ステップ２０５で設定した探索範囲と予め設定された探索刻みの探索から決定されたエンジン指令値を順に制御器１０３へ出力し、制御器１０３は指令信号に変換してエンジン１０１へ出力する。すなわち、探索範囲の境界値（範囲の端の値）から探索刻みずつエンジン指令値をずらしながら複数のエンジン指令値が順次決定されて出力される。
これにより、ステップ２０６で探索幅を探索刻みで除算された数のエンジン指令値が出力される。制御器１０３へ出力される値は探索範囲と探索刻みから決定されるエンジン指令値自体でなくともよく、エンジン指令値にノイズが付加された値であってもよい。
決定された１つのエンジン指令値が複数回出力され、それぞれの出力へノイズが付加されることにより、同じエンジン指令値の値が振られ、探索刻みだけでは決定できないエンジン指令値が出力される。また、エンジン１０１の燃焼状態にぶれが発生する可能性もあるため、ノイズの付加とは関わりなく、同じエンジン指令値が複数回出力されてもよい。
エンジン指令値はエンジン１０１の点火時期と空燃比の一方または両方を制御する指令の値であってもよい。空燃比を制御する指令の値は、燃料の噴射開始時期と噴射時間の値、あるいは燃料の噴射量の値を含んでもよい。エンジン指令値はこれらの値に限らず、エンジン１０１の燃焼状態を制御する値であればよい。
ステップ２０６で、さらに学習部１０８は出力したエンジン指令値に対するエンジン１０１の状態をエンジン状態指標として観測器１０２から入力する。ステップ２０７で、学習部１０８は、制御器１０３へ出力した複数のエンジン指令値それぞれと観測器１０２から入力した複数のエンジン状態指標それぞれの組合せを探索用データセットとしてデータサーバ１０５に保存する。
ステップ２０８で、学習部１０８はステップ２０７で保存された探索用データセットの中から最大の熱効率となるエンジン指令値を検索する。学習部１０８は、最大の熱効率となるエンジン指令値が検索により見つかると、見つかったエンジン指令値に基づいて新たに探索範囲を設定して探索し、探索用データセットをデータサーバ１０５に保存して最大の熱効率となるエンジン指令値を探索することを繰り返してもよい。
この最大の熱効率となるエンジン指令値を見つけるための処理は、探索範囲と探索刻みが予め設定されて探索が繰り返される処理に限るものではない。この処理は、例えば探索刻みを徐々に細かくしながら探索が繰り返されてもよい。
また、この処理は、探索の対象となるデータの数を少なくするため、最大の熱効率となるエンジン指令値のデータとして発生確率分布を推定して探索範囲を絞り込んでもよいし、探索に強化学習が導入されてもよいし、探索範囲内での運転条件の振り幅が何らかのセンサの情報に基づいて設定されてもよい。
ステップ２０９で、学習部１０８は、最大の熱効率となる１つのエンジン指令値を１０００制御サイクル、制御器１０３へ出力する。出力制御サイクル数は１０００でなくてもよく、学習モデルの作成に必要な数であればよい。また、ステップ２０６で同じエンジン指令値が複数回出力される場合の出力の数より、ステップ２０９では多くの数のエンジン指令値が出力されてもよい。
ステップ２０９で、さらに学習部１０８は出力したエンジン指令値に対するエンジン１０１の状態をエンジン状態指標として観測器１０２から入力する。ステップ２１０で、学習部１０８は、制御器１０３へ出力した複数のエンジン指令値それぞれと観測器１０２から入力した複数のエンジン状態指標それぞれの組合せを学習用データセットとしてデータサーバ１０５に保存する。
ステップ２１１で、学習部１０８は学習用データセットを用いて学習モデルを作成する。学習部１０８は、学習モデルを新規に作成するのではなく、ベース学習モデルのパラメータを初期値として、学習用データセットを用いてパラメータを学習させて学習モデルを作成してもよい。
ステップ２１２で、学習部１０８は、作成した学習モデルのラベルを作成し、データサーバ１０５に保存する。保存された学習モデルは、次の処理のベース学習モデルの１つとなる。
以上で説明したように本実施例によれば、２つの学習モデルしかない場合であっても、２つの学習モデルの状態指標の特性比に応じた２つの学習モデルの出力の合成が可能となり、２つの学習モデルのそれぞれでは出力できない出力値を合成値として得ることができる。
そして、得られた合成値を基に探索することにより探索用データセットを保存し、探索用データセットの中で熱効率が最大となる指令値を検索することにより、合成値では得られない最大の熱効率となる指令値であっても得ることが可能になる。また、最大の熱効率となる指令値を用いて新たな学習モデルを作成することも可能になる。
本実施例では、探索範囲を設定するために、運転条件毎に異常燃焼の起きないエンジン指令値を取得しておく例を説明する。本実施例では、実施例１との違いを主に説明し、実施例１と同じ説明は省略する。図３は、本実施例のエンジンシステムの構成例を示す図である。
図３に示したＰＣ１０４は、図１に示した学習モデル選択部１０６と学習部１０８に加えて、キャリブレーション部３０１を有する。キャリブレーション部３０１は、エンジン１０１が始動された後、予め設定された運転条件の範囲で異常燃焼の起きないエンジン指令値を取得する。なお、図１に示したプロセッサ１２１、記憶部１２２、および入出力部１２３は図示を省略した。
運転条件はエンジン１０１の動作に影響する条件であればどのような条件であってもよい。例えばエンジンが複数の燃料を燃焼して動作するのであれば、複数の燃料の混成比であってもよいが、これに限るものではない。そして、運転条件の異常燃焼の起きない範囲が予めＰＣ１０４の外から設定されてもよい。
図４Ａ、４Ｂは、本実施例におけるエンジンシステムの処理フローチャートの例を示す図である。図４Ａに示したステップ４０１は図２を用いて説明したステップ２０１と同様の処理である。ステップ４０２で、学習モデル選択部１０６はデータサーバ１０５からベース学習モデルを取得する。
すなわち、学習モデル選択部１０６は、ステップ４０１で観測器１０２から出力されたエンジン状態指標とデータサーバ１０５に保存された複数の学習モデルのラベルのエンジン状態指標との距離の最も小さい学習モデルをベース学習モデルとして取得する。
なお、ステップ４０１で取得した複数のエンジン状態指標の一部が、ステップ４０２で用いられてもよい。また、エンジン状態指標に限らず、要求トルクなどの目標指標やエンジン状態指標と目標指標の組合せが、ステップ４０２で用いられてもよい。
ステップ４０３で、キャリブレーション部３０１は、ステップ４０１で取得されたエンジン状態指標をステップ４０２で取得したベース学習モデルに入力し、出力値を取得する。ステップ４０４で、キャリブレーション部３０１は、ステップ４０３で取得した出力値をエンジン指令値として保存し、エンジン指令値のずれ幅と目標指標のずれ幅を設定する。
エンジン指令値のずれ幅と目標指標のずれ幅のそれぞれは、ＰＣ１０４へ予め入力されたずれ幅の値に基づいて、キャリブレーション部３０１により設定されてもよい。
そして、ステップ４３０の処理を実施するが、ステップ４３０の処理については図４Ｂを用いて説明する。図４Ｂに示したステップ４０５で、キャリブレーション部３０１は、保存されたエンジン指令値を制御器１０３へ出力し、制御器１０３は指令信号に変換してエンジン１０１へ出力する。
ステップ４０５で、さらにキャリブレーション部３０１は出力したエンジン指令値に対するエンジン１０１の状態をエンジン状態指標として観測器１０２から入力する。ステップ４０６で、キャリブレーション部３０１は、観測器１０２から入力したエンジン状態指標と制御器１０３へ出力した指令値の組合せをキャリブレーションデータセットとしてデータサーバ１０５に保存する。
ステップ４０７で、キャリブレーション部３０１は、目標指標へ目標指標のずれ幅を加算して更新し、新たな目標指標として保存する。ステップ４０８はステップ４０１と同様の処理である。ステップ４０９で、キャリブレーション部３０１は、保存されたエンジン指令値へエンジン指令値のずれ幅を加算して更新し、新たなエンジン指令値として保存する。
ステップ４１０で、キャリブレーション部３０１は、保存された目標指標がエンジン１０１の運転条件範囲内であるかを判定し、範囲内であると判定すればステップ４０５に戻り、範囲内でないと判定すればステップ４１１に進む。
なお、エンジン１０１に異常燃焼を検出するセンサが設置され、このセンサの生データが観測器１０２で異常燃焼の検出有無に関するエンジン状態指標に変換されてもよい。キャリブレーション部３０１は、異常燃焼の検出有無に関するエンジン状態指標を観測器１０２から継続的に入力し、異常燃焼を検出しない範囲を判定してもよい。
そして、ステップ４１０でキャリブレーション部３０１は、保存された目標指標がエンジン１０１の運転条件範囲内であるかを判定する代わりに、異常燃焼を検出しない範囲であるかを判定してもよいし、保存された目標指標がエンジン１０１の運転条件範囲内であり、かつ異常燃焼を検出しない範囲であるかを判定してもよい。
ステップ４１１はステップ４０１と同様の処理である。ステップ４１２で、学習部１０８は、データサーバ１０５に保存されたキャリブレーションデータの中からステップ４１１で観測器１０２から出力されたエンジン状態指標に最も近いエンジン状態指標とエンジン指令値の組合せを取得する。
ステップ４１３で、学習部１０８は、ステップ４１２で取得したエンジン指令値に基づいて、図２を用いて説明したステップ２０５と同様に探索範囲を設定する。図４Ａに戻り、ステップ４１４〜４２０のそれぞれは、図２を用いて説明したステップ２０６〜２１２と同様の処理である。
以上で説明したように本実施例によれば、熱効率が最大となる指令値を検索する際に異常燃焼を回避することも可能になる。
本実施例では、運転条件毎に異常燃焼の起きないエンジン指令値を取得する他の例を説明する。本実施例のエンジンシステムの構成例は実施例２と同様であるので、図３を参照し、新たな図示は省略する。
図５は、本実施例におけるエンジンシステムの処理フローチャートの例を示す図である。ステップ５０１、５０２のそれぞれは、図４Ａに示したステップ４０１、４０２と同様の処理である。ステップ５０３で、キャリブレーション部３０１は、ステップ５０１で取得されたエンジン状態指標と保存された目標指標の組合せをステップ５０２で取得したベース学習モデルに入力し、出力値を取得する。
ステップ５０４で、学習部１０８は、ステップ５０３で取得したエンジン指令値に基づいて、ステップ４１３と同様に探索範囲を設定する。ステップ５０５〜５１１のそれぞれは、図４Ａに示したステップ４１４〜４２０と同様の処理である。ステップ５１２、５１３のそれぞれは、図４Ｂに示したステップ４０７、４１０と同様である。なお、目標指標のずれ幅はステップ５０１より前に予め設定される。
以上で説明したように、実施例２と同様に本実施例によれば、熱効率が最大となる指令値を検索する際に異常燃焼を回避することも可能になる。
本実施例では、観測器１０２から出力されたエンジン状態指標によって、２つ以上のベース学習モデルの出力を合成した出力値に基づいた探索範囲の設定か、１つのベース学習モデルの出力値に基づいた探索範囲の設定かを選択する例を説明する。本実施例のエンジンシステムの構成例は実施例１と同様であるので、図１を参照し、新たな図示は省略する。
図６は、本実施例におけるエンジンシステムの処理フローチャートの例を示す図である。ステップ６０１は図２を用いて説明したステップ２０１と同様の処理である。ステップ６０２で、学習モデル選択部１０６はデータサーバ１０５からベース学習モデル群を取得する。
そして、学習モデル選択部１０６は、ステップ６０１で観測器１０２から出力されたエンジン状態指標とデータサーバ１０５に保存された複数の学習モデルのラベルのエンジン状態指標との最短距離が予め設定された閾値より小さいかを判定する。
学習モデル選択部１０６は、最短距離が閾値より小さいと判定した場合、最短距離の学習モデルをベース学習モデルとして取得してステップ６０３に進み、最短距離が閾値より小さくないと判定した場合、距離の小さい順に２つ以上の学習モデルをベース学習モデル群として取得してステップ６０４に進む。
なお、ステップ６０１で取得された複数のエンジン状態指標の一部が、ステップ６０２で用いられてもよい。また、エンジン状態指標に限らず、要求トルクなどの目標指標、またはエンジン状態指標と目標指標の組合せが、ステップ６０２で用いられてもよい。
ステップ６０３で、学習部１０８は、ステップ６０１で取得されたエンジン状態指標をステップ６０２で取得されたベース学習モデルに入力し、出力値を取得して、ステップ６０６に進む。ステップ６０４〜６１３のそれぞれは、図２を用いて説明したステップ２０３〜２１２と同様の処理である。
以上で説明したように本実施例によれば、エンジンの燃焼状態に合う学習モデルがデータサーバに保存された場合、合成の処理が不要となり、探索までにかかる時間が短縮化される。
１０１…エンジン、１０２…観測器、１０３…制御器、１０４…ＰＣ、１０５…データサーバ、１０６…学習モデル選択部、１０７…合成部、１０８…学習部、３０１…キャリブレーション部

Claims (14)

  1. 指令値を指令信号に変換して機械に出力する制御器に指令値を出力する機械制御装置であって、
    前記機械に設置されたセンサで取得されたデータから変換された前記機械の状態量を取得し、取得した状態量に応じて２つ以上の学習モデルを選択する選択部と、
    前記選択部により選択された２つ以上の学習モデルそれぞれへ、前記選択部により取得された状態量を入力し、学習モデルのそれぞれから出力される指令値を用いて合成値を算出する合成部と、
    前記合成部により算出された合成値に基づく範囲で、前記機械に対する指令値を前記制御器に出力する学習部と、を有し、
    前記学習部は、前記制御器に出力された複数の前記指令値と、複数の前記指令値に対する前記機械の状態を前記機械の状態量として前記機械に設置されたセンサから取得し、出力した指令値と取得した状態量の組合せから特定の条件の指令値を検索し、検索した指令値を、前記制御器を介して前記機械に対して出力して新たな学習モデルを作成する、
    ことを特徴とする機械制御装置。
  2. 請求項１に記載の機械制御装置であって、
    前記合成部は、
    前記選択部により選択された２つ以上の学習モデルそれぞれの状態量の特性比で、学習モデルのそれぞれから出力される指令値を重み付けして平均し、合成値を算出すること
    を特徴とする機械制御装置。
  3. 請求項２に記載の機械制御装置であって、
    前記選択部は、
    取得した状態量と学習モデルのラベルの状態量との距離の小さい順に２つ以上の学習モデルを選択すること
    を特徴とする機械制御装置。
  4. 請求項３に記載の機械制御装置であって、
    前記学習部は、
    前記合成部により算出された合成値を中心値として、予め設定された探索幅の探索範囲を設定し、設定した探索範囲と予め設定された設定刻みから決定される指令値を出力し、前記機械の状態量を取得して、出力した指令値と取得した状態量の組合せを生成すること
    を特徴とする機械制御装置。
  5. 請求項４に記載の機械制御装置であって、
    前記学習部は、
    設定した探索範囲と予め設定された設定刻みから決定される１つの指令値を第１の設定回数繰り返して出力し、
    検索した１つの指令値を第１の設定回数より多い第２の設定回数繰り返して出力し、新たな学習モデルを作成すること
    を特徴とする機械制御装置。
  6. 請求項１に記載の機械制御装置であって、
    前記機械は燃料を燃焼させるエンジンであり、
    前記選択部は、
    前記エンジンでの燃焼に応じた状態量を取得し、取得した状態量に応じて２つ以上の学習モデルを選択し、
    前記合成部は、
    前記選択部により選択された２つ以上の学習モデルそれぞれへ、前記選択部により取得された前記エンジンの状態量を入力し、学習モデルのそれぞれから出力される空燃比あるいは点火時期を含む指令値を用いて合成値を算出し、
    前記学習部は、
    前記合成部により算出された合成値に基づく範囲で、前記エンジンに対する指令値を出力し、前記エンジンの状態量を取得し、出力した指令値と取得した状態量の組合せから特定の条件の指令値を検索し、検索した指令値を前記エンジンに対して出力して新たな学習モデルを作成すること
    を特徴とする機械制御装置。
  7. 請求項６に記載の機械制御装置であって、
    前記エンジンは２種類以上の燃料を燃焼させるエンジンであり、
    前記合成部は、
    前記選択部により選択された２つ以上の学習モデルそれぞれの燃焼に応じた状態量の特性比で、学習モデルのそれぞれから出力される指令値を重み付けして平均し、合成値を算出すること
    を特徴とする機械制御装置。
  8. 請求項７に記載の機械制御装置であって、
    前記選択部は、
    取得した状態量と学習モデルのラベルの状態量との距離の小さい順に２つ以上の学習モデルを選択すること
    を特徴とする機械制御装置。
  9. 請求項８に記載の機械制御装置であって、
    前記学習部は、
    前記合成部により算出された合成値を中心値として、予め設定された探索幅の探索範囲を設定し、設定した探索範囲と予め設定された設定刻みから決定される指令値を出力し、前記エンジンの状態量を取得して、出力した指令値と取得した状態量の組合せを生成すること
    を特徴とする機械制御装置。
  10. 請求項９に記載の機械制御装置であって、
    前記学習部は、
    設定した探索範囲と予め設定された設定刻みから決定される１つの指令値を第１の設定回数繰り返して出力し、
    検索した１つの指令値を第１の設定回数より多い第２の設定回数繰り返して出力し、新たな学習モデルを作成すること
    を特徴とする機械制御装置。
  11. 指令値を指令信号に変換して機械に出力する制御器に指令値を出力する機械制御装置であって、
    前記機械に設置されたセンサで取得されたデータから変換された前記機械の状態量を取得し、取得した状態量に応じて学習モデルを選択する選択部と、
    前記選択部により選択された学習モデルへ、前記選択部により取得された状態量を入力し、学習モデルから出力される指令値を保存し、保存した指令値に基づいて、運転条件範囲内のキャリブレーションデータを生成するキャリブレーション部と、
    前記キャリブレーション部により生成されたキャリブレーションデータに基づく範囲で、前記機械に対する指令値を前記制御器へ出力する学習部と、を有し、
    前記学習部は、前記制御器に出力された複数の前記指令値と、複数の前記指令値に対する前記機械の状態を前記機械の状態量として前記機械に設置されたセンサから取得し、出力した指令値と取得した状態量の組合せから特定の条件の指令値を検索し、検索した指令値を、前記制御器を介して前記機械に対して出力して新たな学習モデルを作成する、
    ことを特徴とする機械制御装置。
  12. 請求項１１に記載の機械制御装置であって、
    前記キャリブレーション部は、
    キャリブレーションデータの生成として、保存した前記機械に対する指令値を出力し、
    前記機械の状態量を取得し、出力した指令値と取得した状態量の組合せをキャリブレーションデータとし、目標指標を目標指標ずれ幅で更新し、保存した指令値を指令値ずれ幅で更新して保存し、
    更新した目標指標が運転条件範囲内である限りキャリブレーションデータの生成を繰り返すこと
    を特徴とする機械制御装置。
  13. 請求項１１に記載の機械制御装置であって、
    前記機械は燃料を燃焼するエンジンであり、
    前記選択部は、
    前記エンジンでの燃焼に応じた状態量を取得し、取得した状態量に応じて学習モデルを選択し、
    前記キャリブレーション部は、
    前記選択部により選択された学習モデルへ、前記選択部により取得された前記エンジンの状態量を入力し、学習モデルから出力される空燃比あるいは点火時期を含む指令値を保存し、保存した指令値に基づいて、運転条件範囲内のキャリブレーションデータを生成、
    前記学習部は、
    前記キャリブレーション部により生成されたキャリブレーションデータに基づく範囲で、前記エンジンに対する指令値を出力し、前記エンジンの状態量を取得し、出力した指令値と取得した状態量の組合せから特定の条件の指令値を検索し、検索した指令値を前記エンジンに対して出力して新たな学習モデルを作成すること
    を特徴とする機械制御装置。
  14. 請求項１３に記載の機械制御装置であって、
    前記キャリブレーション部は、
    キャリブレーションデータの生成として、保存した前記エンジンに対する指令値を出力し、前記エンジンの状態量を取得し、出力した指令値と取得した状態量の組合せをキャリブレーションデータとし、目標指標を目標指標ずれ幅で更新し、保存した指令値を指令値ずれ幅で更新して保存し、
    更新した目標指標が運転条件範囲内である限りキャリブレーションデータの生成を繰り返すこと
    を特徴とする機械制御装置。
JP2018019148A 2018-02-06 2018-02-06 機械制御装置 Active JP6895399B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018019148A JP6895399B2 (ja) 2018-02-06 2018-02-06 機械制御装置
US16/266,815 US11035314B2 (en) 2018-02-06 2019-02-04 Machine control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018019148A JP6895399B2 (ja) 2018-02-06 2018-02-06 機械制御装置

Publications (2)

Publication Number Publication Date
JP2019138152A JP2019138152A (ja) 2019-08-22
JP6895399B2 true JP6895399B2 (ja) 2021-06-30

Family

ID=67475465

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018019148A Active JP6895399B2 (ja) 2018-02-06 2018-02-06 機械制御装置

Country Status (2)

Country Link
US (1) US11035314B2 (ja)
JP (1) JP6895399B2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7290556B2 (ja) * 2019-11-29 2023-06-13 株式会社日立製作所 エネルギ供給装置の制御システムおよび制御装置
DE112021004168T5 (de) * 2020-09-10 2023-06-29 Fanuc Corporation Zustandsbestimmungsvorrichtung und Zustandsbestimmungsverfahren

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2275946A1 (en) * 2005-03-04 2011-01-19 STMicroelectronics S.r.l. Probabilistic neural network and relative training method
US7966150B2 (en) * 2005-11-17 2011-06-21 Florida Power & Light Company Data analysis applications
US7844558B2 (en) * 2006-10-05 2010-11-30 Siemens Corporation Incremental learning of nonlinear regression networks for machine condition monitoring
US8612107B2 (en) * 2008-06-10 2013-12-17 The Regents Of The University Of Michigan Method, control apparatus and powertrain system controller for real-time, self-learning control based on individual operating style
WO2011053905A1 (en) * 2009-10-30 2011-05-05 Cummins Inc. Engine control techniques to account for fuel effects
CN102859156A (zh) * 2009-10-30 2013-01-02 Bp北美公司 在最低燃料消耗下降低柴油发动机的nox和烟气排放的组合物和方法
JP5751045B2 (ja) 2010-08-31 2015-07-22 富士電機株式会社 プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム
US10030602B2 (en) * 2014-07-22 2018-07-24 The Regents Of The University Of Michigan Adaptive machine learning method to predict and control engine combustion
US20160358099A1 (en) * 2015-06-04 2016-12-08 The Boeing Company Advanced analytical infrastructure for machine learning
JP6450724B2 (ja) * 2016-10-18 2019-01-09 ファナック株式会社 工作機械の加工プログラムの設定値を学習する機械学習装置および加工システム

Also Published As

Publication number Publication date
US11035314B2 (en) 2021-06-15
JP2019138152A (ja) 2019-08-22
US20190242326A1 (en) 2019-08-08

Similar Documents

Publication Publication Date Title
US10605188B2 (en) Control device, control method, and control program
JP6705546B1 (ja) 車両用制御装置、車両用制御システム、および車両用学習装置
JP6705545B1 (ja) 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
JP2018145520A (ja) 高炉炉熱予測装置及び高炉炉熱予測方法
US7177758B2 (en) Method for optimizing characteristics map
JP7211375B2 (ja) 車両用制御装置
CN106414965A (zh) 用于识别内燃机的阀控制时间的方法
JP6895399B2 (ja) 機械制御装置
CN112682198B (zh) 车辆用控制系统、车辆用控制装置及车辆用控制方法
JP2021067192A (ja) 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
JP2021067201A (ja) 車両用制御装置、車両用制御システム、および車両用学習装置
JP2021066240A (ja) 車両用制御装置、車両用制御システム、および車両用学習装置
CN111337258B (zh) 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法
EP3937088A1 (en) Method for generating neural network model, and control device using neural network model
CN113266481A (zh) 车辆控制方法、车辆用控制装置以及服务器
JP2014206163A (ja) エンジン制御装置内で点火角度を決定する方法及び装置
CN102465814B (zh) 用于控制内燃发动机中的火花正时的方法和设备
US20150159618A1 (en) Ignition timing control device for an internal combustion engine
Vance et al. Output feedback controller for operation of spark ignition engines at lean conditions using neural networks
JP2021067258A (ja) 車両用制御装置、車両用制御システム、および車両用学習装置
JP2021067257A (ja) 車両用制御装置、車両用制御システム、および車両用学習装置
JP2007177723A (ja) 内燃機関の点火時期制御装置
US20220157085A1 (en) Method and device for creating an emissions model of an internal combustion engine
CN112682202B (zh) 车辆用控制系统、装置、控制方法以及存储介质
JP2007332934A (ja) 火花点火式内燃機関の最適点火時期設定方法及び火花点火式内燃機関の最適点火時期設定装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200325

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210209

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210319

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: 20210511

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210607

R150 Certificate of patent or registration of utility model

Ref document number: 6895399

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150