JP6901039B2 - モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム - Google Patents
モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム Download PDFInfo
- Publication number
- JP6901039B2 JP6901039B2 JP2020505507A JP2020505507A JP6901039B2 JP 6901039 B2 JP6901039 B2 JP 6901039B2 JP 2020505507 A JP2020505507 A JP 2020505507A JP 2020505507 A JP2020505507 A JP 2020505507A JP 6901039 B2 JP6901039 B2 JP 6901039B2
- Authority
- JP
- Japan
- Prior art keywords
- state model
- data
- model
- state
- series data
- 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
- 238000000034 method Methods 0.000 title claims description 23
- 238000013500 data storage Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/02—Measuring effective values, i.e. root-mean-square values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
ここで、P(S(m) 1)は、第m番目の因子の状態S(m)1がタイムスタンプt=1の状態にある初期状態確率である。
波形サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶すること、を含む方法が提供される。
波形サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶すること、
を含む処理をコンピュータに実行させるプログラムが提供される。
図1は、第1の実施形態によるディスアグリゲーションシステムの構成を示す図である。ディスアグリゲーションシステムは、データ取得部101と、データ前処理部102と、データ記憶部103と、モデル構造選択部104と、モデル学習部105と、モデル記憶部106と、推定部107と、出力部108とを含む。
P(St=pk|St−1=pk−1)=P(St=w|St−1=pK)=1 (7)
P(St=p1|St−1=w)=α (8)
P(St=w|St−1=w)=1−α (9)
データ記憶部103から、[xi]を含む波形時系列データxが入力される(i=1,2,...n)。特に限定されないが、この例では、各サンプルxi(i=1,...,n)は、データ取得部101により取得された電流波形データからデータ前処理部102によって計算された二乗平均平方根(RMS)電流値のマグニチュード(大きさ)でもよい。RMS電流値は電流センサから取得されてもよい。または、各サンプルxi(i=1,..,n)は、データ前処理部102によって計算されたRMS以外の特徴量のマグニチュード(大きさ)であってもよい。または、各サンプルxi(i=1,..,n)は、データ取得部101により取得された波形データのサンプルデータの振幅(または振幅の絶対値)であってもよい。
図6Aおよび図7Aにおいて、横軸は時間であり、縦軸は時系列データxの各サンプルのマグニチュード(大きさ)である。より具体的には、マグニチュード(大きさ)は、時系列データxの各サンプルの絶対値(マグニチュード(大きさ))または各RMSサンプルのマグニチュード(大きさ)を意味してもよい。
時系列データxのサンプリング値データの発生頻度を計算する。
サイクルの総数を数える。
図7Aの場合、サイクルの総数は、6+10+5=21である。
マグニチュード値yjのサイクル数の確率を、値yjをとるサイクルの発生数をサイクルの総数で除算することにより計算する。
P(y1 c)=4/21=0.190、
P(y2 c)=3/21=0.143、
P(y3 c)=7/21=0.333、
P(y4 c)=2/21=0.095、そして
P(y5 c)=5/21=0.238
P(y1 c)=6/21=0.285、
P(y2 c)=10/21=0.476、そして
P(y3 c)=5/21=0.238
時系列データxにおける回数yjを数える。
図7Aの場合、振幅値y1、y2、およびy3の総数は、それぞれ30、10、および5である。
yjの出現回数の確率を、マグニチュード値yjの出現回数をxの長さで除算することにより計算する。
P(y1 o)=20/105=0.190、
P(y2 o)=15/105=0.143、
P(y3 o)=35/105=0.333、
P(y4 o)=10/105=0.095、そして
P(y5 o)=25/105=0.238
P(y1 o)=30/45=0.667、
P(y2 o)=10/45=0.222、そして
P(y3 o)=5/45=0.111
サイクル数の確率とyjの出現数の確率との間の相関係数[R]を計算する。
相関係数が0.5未満の場合、タイプ2の状態モデル構造が選択される(ステップS113)。
相関係数が0.8よりも大きい場合、タイプ1の状態モデル構造が選択される(ステップS112)。
相関係数が0.8以下かつ0.5以上である場合、yjの出現回数の確率が0.5よりも大きいか否かを確認する(ステップS111)。
図8は、本発明を生産システムに適用した実施形態2を模式的に示している。特に限定されないが、第1の実施形態では、生産システムとして、電子基板の表面実装システムへの適用を説明する。図8を参照すると、ローダ(基板供給装置)514は、クリームはんだが印刷された基板をラックにセットし、セットされた基板をマウンタ515に自動的に供給する。マウンタ515は、電子部品を基板上に自動的に実装する。アンローダ516は、部品が搭載された基板をラックに自動的に格納する。基板搬送コンベア514は、ローダ514からマウンタ515そしてアンローダ516へと提供された一連の基板を搬送する。アンローダ516によってラックに格納された基板は、リフロープロセス、検査プロセス、組立・梱包プロセスなど(不図示)の後続プロセスへとさらに搬送される。
上記の実施形態で説明したディスアグリゲーションシステムまたはディスアグリゲーション装置は、例えば図9に示すようなコンピュータシステム上で実現することができる。図9を参照すると、サーバシステムなどのコンピュータシステム110は、プロセッサ(Central Processing Unit)111と、例えば半導体メモリ(例えばRAM(Random Access Memory)、ROM(Read Only Memory)、EEPROM(Electrically Erasable and Programmable ROM)等)、及び/又はHDD(Hard Disk Drive)、CD(Compact Disc)、DVD(Digital Versatile Disc)等の少なくともいずれかを含む記憶装置などを含むメモリ112と、表示装置113と、通信インタフェース114とを含む。通信インタフェース114(ネットワークインタフェースコントローラ(Network Interface Controller;NIC)など)は、FEMS(Factory Energy Management System)等のエネルギー管理システムの電流センサまたはコントローラと、例えばLAN及び/又はWANを介して通信するように構成されてもよい。メモリ112に図1のディスアグリゲーションシステムの処理を実行するプログラムを記憶しておき、プロセッサ111が、メモリから該プログラムを読み出して実行することで、ディスアグリゲーションシステムを実現する。
102 データ前処理部
103 データ記憶部
104 モデル選択部
105 モデル学習部
106 モデル記憶部
107 推定部
108 出力部
1041 入力部
1042 計算部
1043 選択部
Claims (10)
- サンプルデータ又は前記サンプルデータから算出された特徴量の時系列を記憶するデータ記憶部から時系列データを受け取る入力部と、
前記時系列データのサンプル値の分布に基づき、前記時系列データの変化および繰り返し特性を示す尺度を計算する計算部と、
前記尺度に基づき、完全接続状態モデルおよび一方向状態モデルを含む状態モデルから、モデルの学習および推定に使用する状態モデル構造を選択し、選択された状態モデルを記憶する記憶部に、前記選択された状態モデルを記憶する選択部と、
を含む、ことを特徴とする状態モデル構造選択装置。 - 前記計算部は、前記時系列データの各マグニチュード値について、該マグニチュード値をとるサイクル数を前記時系列データのサイクル総数で除算することにより、前記時系列データにおける各マグニチュード値のサイクル数に関する第1の確率を計算し、
前記マグニチュード値の出現回数を前記時系列データの長さで除算することにより、前記時系列データにおける各マグニチュード値の出現回数の第2の確率を計算し、
前記計算部は、前記第1の確率と前記第2の確率との間の相関係数を計算し、
前記選択部は、前記尺度として、前記相関係数に基づいて、前記完全接続状態モデルまたは前記一方向状態モデルのいずれかを選択する、ことを特徴とする請求項1に記載の状態モデル構造選択装置。 - 前記選択部は、
前記相関係数が第1の閾値よりも大きい場合、前記完全接続状態モデルを選択し、
前記相関係数が、前記第1の閾値よりも小さい第2の閾値未満の場合に、前記一方向状態モデルを選択する、ことを特徴とする請求項2に記載の状態モデル構造選択装置。 - 前記選択部は、
前記相関係数が前記第2の閾値と前記第1の閾値との間にある場合、
前記第2の確率が第3の閾値よりも大きいか否かを確認し、
前記選択部は、
前記第2の確率が前記第3の閾値以下である場合、前記完全接続状態モデルを選択し、
前記相関係数が第3の閾値よりも大きい場合、前記一方向状態モデルを選択する、ことを特徴とする請求項3に記載の状態モデル構造選択装置。 - 前記第3の閾値が前記第2の閾値に等しい、ことを特徴とする請求項4に記載の状態モデル構造選択装置。
- 前記特徴量は、電流信号の二乗平均平方根(RMS)値を含む、ことを特徴とする請求項1乃至5のいずれか1項に記載の状態モデル構造選択装置。
- データ記憶部と、
モデル記憶部と、
少なくとも1つの機器の波形データを取得するデータ取得部と、
前記波形データによって構成される特徴量、または前記波形データから計算された特徴量の時系列を前記データ記憶部に格納するデータ前処理部と、
前記データ記憶部から時系列データを受け取り、前記時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、前記選択された状態モデルを前記モデル記憶部に記憶するモデル構造選択部と、
前記モデル記憶部に記憶された前記選択された状態モデルを用いて、前記データ記憶部に記憶された前記時系列データから、前記選択された状態モデルについてのモデルパラメータを学習するモデル学習部と、
前記モデル記憶部に記憶された前記状態モデルを用いて、複数の機器の個別の波形が統合された波形から個別の波形を推定する推定部と、
を含む、ことを特徴とするディスアグリゲーションシステム。 - 前記モデル構造選択部は、
前記時系列データの各マグニチュード値について、該マグニチュード値をとるサイクル数を前記時系列データのサイクル総数で除算することにより、前記時系列データにおける各マグニチュード値のサイクル数の第1の確率を計算し、
前記マグニチュード値の出現回数を前記時系列データの長さで除算することにより、前記時系列データにおける各マグニチュード値の出現回数の第2の確率を計算し、
前記モデル構造選択部は、前記第1の確率と前記第2の確率との間の相関係数を計算し、
前記モデル構造選択部は、前記尺度としての前記相関係数に基づいて、前記完全接続状態モデルまたは前記一方向状態モデルのいずれかを選択する、ことを特徴とする請求項7に記載のディスアグリゲーションシステム。 - 状態モデル構造を選択する方法であって、
サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶する、ことを特徴とする方法。 - サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶すること、
を含む処理をコンピュータに実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/028230 WO2019026231A1 (en) | 2017-08-03 | 2017-08-03 | APPARATUS, METHOD, DISAGGREGATION SYSTEM, AND MODEL STRUCTURE SELECTION PROGRAM |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020529675A JP2020529675A (ja) | 2020-10-08 |
JP2020529675A5 JP2020529675A5 (ja) | 2020-11-19 |
JP6901039B2 true JP6901039B2 (ja) | 2021-07-14 |
Family
ID=65232383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020505507A Active JP6901039B2 (ja) | 2017-08-03 | 2017-08-03 | モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11635454B2 (ja) |
JP (1) | JP6901039B2 (ja) |
WO (1) | WO2019026231A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7222344B2 (ja) * | 2019-12-06 | 2023-02-15 | 横河電機株式会社 | 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム |
US11740592B2 (en) * | 2019-12-10 | 2023-08-29 | Canon Kabushiki Kaisha | Control method, control apparatus, mechanical equipment, and recording medium |
JP2022182441A (ja) * | 2021-05-28 | 2022-12-08 | 日本電気株式会社 | 干渉検知装置、干渉検知方法及びプログラム |
JP2023074434A (ja) * | 2021-11-17 | 2023-05-29 | 株式会社日立製作所 | 将来状態推定装置 |
CN115573753A (zh) * | 2022-10-25 | 2023-01-06 | 辽宁大学 | 煤矿冲击地压巷道支架防冲参数确定方法及其系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE367584T1 (de) | 2000-04-12 | 2007-08-15 | Central Res Inst Elect | System und verfahren zur abschätzung des stromverbrauchs eines elektrischen geräts und abnormalitätswarnungssystem damit |
JP3987927B2 (ja) * | 2003-03-20 | 2007-10-10 | 独立行政法人産業技術総合研究所 | 波形認識方法及び装置、並びにプログラム |
US20110112780A1 (en) | 2009-11-06 | 2011-05-12 | David Moss | Electrical power consumption measuring system |
GB2479790B (en) | 2010-04-23 | 2012-03-07 | Alertme Com Ltd | Method of identifying the operation of a power consuming device from an aggregate power series |
JP5598200B2 (ja) | 2010-09-16 | 2014-10-01 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
JP5917566B2 (ja) | 2011-01-28 | 2016-05-18 | ザ ボード オブ リージェンツ オブ ザ ネバダ システム オブ ハイヤー エデュケーション オン ビハーフ オブ ザ デザート リサーチ インスティテュート | 信号同定の方法およびシステム |
US8812427B2 (en) | 2011-04-27 | 2014-08-19 | Hewlett-Packard Development Company, L.P. | System and method for disaggregating power load |
WO2013145779A2 (en) * | 2012-03-30 | 2013-10-03 | Sony Corporation | Data processing apparatus, data processing method, and program |
JP6020880B2 (ja) | 2012-03-30 | 2016-11-02 | ソニー株式会社 | データ処理装置、データ処理方法、及び、プログラム |
US20160349293A1 (en) * | 2015-05-28 | 2016-12-01 | Intel Corporation | Apparatus and method for condition monitoring of multiple electrical sub-systems |
WO2017057180A1 (ja) * | 2015-09-29 | 2017-04-06 | 日本電気株式会社 | 推定装置、推定方法、及び、プログラム |
JP2019053342A (ja) * | 2016-01-21 | 2019-04-04 | インフォメティス株式会社 | 機種識別システム、機種識別方法、および、機種識別プログラム |
-
2017
- 2017-08-03 JP JP2020505507A patent/JP6901039B2/ja active Active
- 2017-08-03 US US16/635,282 patent/US11635454B2/en active Active
- 2017-08-03 WO PCT/JP2017/028230 patent/WO2019026231A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20210097417A1 (en) | 2021-04-01 |
JP2020529675A (ja) | 2020-10-08 |
WO2019026231A1 (en) | 2019-02-07 |
US11635454B2 (en) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6901039B2 (ja) | モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム | |
Ciancetta et al. | A new convolutional neural network-based system for NILM applications | |
CN102449575B (zh) | 功率分配单元-装置相关 | |
US10337498B2 (en) | Method and device for detecting equivalent load of wind turbine | |
JP5668204B2 (ja) | 電気機器推定装置並びにその方法およびプログラム | |
US8819018B2 (en) | Virtual sub-metering using combined classifiers | |
CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
WO2013145778A2 (en) | Data processing apparatus, data processing method, and program | |
JP5870189B1 (ja) | 個別電気機器稼働状態推定装置、およびその方法 | |
JP6374466B2 (ja) | センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム | |
Debenjak et al. | Fast measurement of proton exchange membrane fuel cell impedance based on pseudo-random binary sequence perturbation signals and continuous wavelet transform | |
Shiau et al. | Monitoring nonlinear profiles with random effects by nonparametric regression | |
JP5727949B2 (ja) | 電流波形識別装置 | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
JP5939171B2 (ja) | 情報処理装置、情報処理方法、情報処理システムおよび情報処理プログラム | |
US20160266182A1 (en) | Operation apparatus | |
CN112465250A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
Qing-Fang et al. | Small-time scale network traffic prediction based on a local support vector machine regression model | |
CN108491559A (zh) | 一种基于归一化互信息估计的时间序列异常检测方法 | |
JP7156029B2 (ja) | 波形分離装置、方法、プログラム | |
Liu et al. | Asynchronous harmonic analysis based on out-of-sequence measurement for large-scale residential power network | |
JP2023010451A (ja) | 状態推定装置、状態推定装置の制御方法及びプログラム | |
Mueller et al. | An accurate method of energy use prediction for systems with known composition | |
JP2015199342A (ja) | プリンタデバイス電力消費プロファイリング、および、それを使用する電力管理システム | |
Ma et al. | Application of parallel RBF network on iterative prediction of chaotic time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200131 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210302 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210423 |
|
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: 20210518 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210531 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6901039 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |