JP6957762B2 - 異常診断システム、方法及びプログラム - Google Patents
異常診断システム、方法及びプログラム Download PDFInfo
- Publication number
- JP6957762B2 JP6957762B2 JP2020539935A JP2020539935A JP6957762B2 JP 6957762 B2 JP6957762 B2 JP 6957762B2 JP 2020539935 A JP2020539935 A JP 2020539935A JP 2020539935 A JP2020539935 A JP 2020539935A JP 6957762 B2 JP6957762 B2 JP 6957762B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- model
- unit
- learning
- abnormality
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
(概略構成)
図1は、第1の実施形態に係る異常診断システムの構成を示す図である。異常診断システム1は、機械学習モデルを構築し、当該機械学習モデルによって、診断対象となる設備又は機器(以下、単に「診断対象」ともいう。)の異常原因を診断する。診断対象は、例えば、電力系統に用いられる設備又は機器であり、異常診断システム1は、電力系統の監視システムなどに用いられる。図1に示すように、この異常診断システム1には、データ取得部100、学習データ格納部200が接続されている。
異常診断システム1の処理をフローチャートに従って詳細に説明する。図7は、異常診断システム1の動作の一例を示す動作フローチャートである。
(1)本実施形態の異常診断システム1は、診断対象の異常原因を診断する異常診断システムであって、モデルに基づいて診断対象の異常原因の種類を識別する診断部21と、モデルを機械学習により生成する学習部22と、を備え、診断部21は、診断対象から出力されたデータが入力されると、当該データから異常原因の種類を識別可能にする特徴部分以外の特徴部分であるノイズが減衰された前処理済みデータを生成するデータ処理部211と、前処理済みデータが入力されると診断対象の異常原因種別を出力する診断モデルに基づいて、診断対象の異常原因の種類を識別する異常原因識別部212と、を有し、診断モデルが機械学習モデルであり、学習部22は、診断モデルを機械学習により生成する診断モデル学習部223と、診断モデルの機械学習のための学習用データから上記ノイズが除去された減衰済みデータを生成するノイズ減衰部221と、を有し、学習用データは、診断対象の異常を模擬した模擬データ又は診断対象の異常を示す実データであり、診断モデル学習部223は、減衰済みデータを学習データとし、異常原因種別を教師データとして機械学習により診断モデルを生成するようにした。
(構成)
第2の実施形態を、図10を用いて説明する。第2の実施形態は、第1の実施形態の基本構成と同じである。以下では、第1の実施形態と異なる点のみを説明し、第1の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
本実施形態では、表示制御部23は、学習部22によるデータ変換部222a及び異常原因識別部212の学習後、診断対象の異常原因を診断する前に、表示部5に、学習用データに対する診断モデルの正答率、又は、データ変換部222aによる変換前後のデータを表示させるようにした。
(構成)
第3の実施形態を説明する。第3の実施形態は、第1の実施形態又は第2の実施形態の基本構成と同じである。以下では、第2の実施形態と異なる点のみを説明し、第2の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
本実施形態では、変換モデル学習部222cは、変換モデルを、学習用データと変換後データとの誤差、データ識別部222bの出力結果と不正解となるデータ種別との誤差、及び、異常原因識別部212の出力結果と正解となる異常原因種別との誤差が小さくなるように更新することでノイズ減衰モデルを生成するようにした。
(構成)
第4の実施形態を説明する。第4の実施形態は、第1の実施形態、第2の実施形態又は第3の実施形態の基本構成と同じである。以下では、第3の実施形態と異なる点のみを説明し、第3の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
本実施形態では、診断モデル学習部223は、診断モデルを2以上生成し、異常原因識別部212の診断モデルは、生成された2以上の診断モデルの中から診断精度の良いモデルとした。
(構成)
第5の実施形態を説明する。第5の実施形態は、第4の実施形態の基本構成と同じである。以下では、第4の実施形態と異なる点のみを説明し、第4の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
本実施形態では、診断モデル学習部223は、診断モデルを2以上生成し、表示制御部23は、表示部5に、各診断モデルについて、診断モデルの正答率とノイズ減衰部221による減衰前後のデータとを表示させるようにした。これにより、ユーザが診断モデルの妥当性を検討することができる。その上でより妥当性のある診断モデルを採用し、異常原因診断をすることができる。
第6の実施形態を説明する。第6の実施形態は、第1乃至第5の実施形態の何れかの基本構成と同じである。以下では、第5の実施形態と異なる点のみを説明し、第5の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
(構成)
第7の実施形態を説明する。第7の実施形態は、第6の実施形態の基本構成と同じである。以下では、第6の実施形態と異なる点のみを説明し、第6の実施形態と同じ部分については同じ符号を付して詳細な説明は省略する。
本実施形態の異常診断システム1は、重みパラメータa1を調整する調整部25を備え、変換モデル学習部222cは、調整された重みパラメータa1を用いて変換モデルを更新することで診断モデルを生成するようにした。そして、表示制御部23は、調整部23の調整を受け付けるための調整受付画像と、診断モデルの正答率、又は、ノイズ減衰部221による減衰前後のデータを含む調整結果とを、表示部5の同一の表示画面に表示させるようにした。
本明細書においては、本発明に係る複数の実施形態を説明したが、これらの実施形態は例として提示したものであって、発明の範囲を限定することを意図していない。以上のような実施形態は、その他の様々な形態で実施されることが可能であり、発明の範囲を逸脱しない範囲で、種々の省略や置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
2 処理部
21 診断部
211 データ処理部
212 異常原因識別部
22 学習部
221 ノイズ減衰部
222 ノイズ減衰モデル生成部
222a データ変換部
222b データ識別部
222c 変換モデル学習部
222d 識別モデル学習部
223 診断モデル学習部
23 表示制御部
24 正答率算出部
25 調整部
3 記憶部
4 入力部
5 表示部
51 スライドバー
52 つまみ
100 データ取得部
200 学習データ格納部
Claims (13)
- 診断対象の異常原因を診断する異常診断システムであって、
モデルに基づいて前記診断対象の異常原因の種類を識別する診断部と、
前記モデルを機械学習により生成する学習部と、
を備え、
前記診断部は、
前記診断対象から出力されたデータが入力されると、当該データから前記異常原因の種類を識別可能にする特徴部分以外の特徴部分であるノイズが減衰された前処理済みデータを生成するデータ処理部と、
前記前処理済みデータが入力されると前記診断対象の異常原因種別を出力する診断モデルに基づいて、前記診断対象の異常原因の種類を識別する異常原因識別部と、
を有し、
前記診断モデルが機械学習モデルであり、
前記学習部は、
前記診断モデルを機械学習により生成する診断モデル学習部と、
入力されたデータから前記ノイズを除去するノイズ減衰モデルに基づいて、前記診断モデルの機械学習のための学習用データから前記ノイズが減衰された減衰済みデータを生成するノイズ減衰部と、
前記ノイズ減衰モデルを生成するノイズ減衰モデル生成部と、
を有し、
前記学習用データは、前記診断対象の異常を模擬した模擬データ又は前記診断対象の異常を示す実データであり、
前記診断モデル学習部は、
前記減衰済みデータを学習データとし、前記異常原因種別を教師データとして機械学習により前記診断モデルを生成し、
前記ノイズ減衰モデル生成部は、
前記学習用データを変換する変換モデルに基づいて、前記学習用データを変換して変換後データを出力するデータ変換部と、
前記変換後データが入力されることで前記学習用データのデータ種別を識別する識別モデルに基づいて、前記学習用データが前記模擬データか前記実データかを示すデータ種別を識別するデータ識別部と、
前記変換モデルを機械学習により更新することで、前記学習用データが入力されると前記減衰済みデータを出力するノイズ減衰モデルを生成する変換モデル学習部と、
前記識別モデルを機械学習により更新する識別モデル学習部と、
を有し、
前記識別モデル及び前記変換モデルは、ニューラルネットワークであり、
前記識別モデル学習部は、
前記識別モデルが前記変換後データから前記学習用データのデータ種別を正しく識別するモデルとなるように前記識別モデルを生成し、
前記変換モデル学習部は、
前記変換モデルを、前記学習用データに類似しているが、前記データ識別部が正しく識別できないように前記変換後データを出力するよう更新することにより、前記ノイズ減衰モデルを生成し、
前記データ処理部は、
前記変換モデル学習部により生成された前記ノイズ減衰モデルに基づいて、前記診断対象から出力されたデータから前記前処理済みデータを生成する、
異常診断システム。 - 前記変換モデル学習部は、前記変換モデルを、前記データ識別部の出力した前記データ種別が前記学習用データのデータ種別と反転するように更新する、
請求項2記載の異常診断システム。 - 前記変換モデル学習部は、
前記変換モデルを、
前記学習用データと前記変換後データとの誤差、及び、
前記データ識別部の出力結果と不正解となる前記データ種別との誤差が小さくなるように更新することで前記ノイズ減衰モデルを生成する、
請求項2又は3記載の異常診断システム。 - 前記変換モデル学習部は、
前記変換モデルを、
前記学習用データと前記変換後データとの誤差、
前記データ識別部の出力結果と不正解となる前記データ種別との誤差、及び、
前記異常原因識別部の出力結果と正解となる前記異常原因種別との誤差が小さくなるように更新することで前記ノイズ減衰モデルを生成する、
請求項2〜4の何れか記載の異常診断システム。 - 前記診断モデル学習部は、前記診断モデルを2以上生成し、
前記異常原因識別部の前記診断モデルは、前記生成された2以上の前記診断モデルの中から診断精度の良いモデルである、
請求項2〜5の何れか記載の異常診断システム。 - 前記ノイズ減衰モデルの生成で用いられるハイパーパラメータの入力を受け付ける入力部を備え、
前記ハイパーパラメータは、前記学習用データが前記模擬データか前記実データかのデータ種別に応じたパラメータであり、
前記変換モデル学習部は、
前記ハイパーパラメータを、前記データ識別部の出力結果とその正解となる教師データとの誤差に乗算し、前記ノイズ減衰モデルを生成する、
請求項2〜6の何れか記載の異常診断システム。 - 前記異常原因識別部の識別結果を表示部に表示させる表示制御部を備える、
請求項2〜7の何れか記載の異常診断システム。 - 前記表示制御部は、前記診断対象の異常原因を診断する前に、前記表示部に、前記診断モデルの正答率、又は、前記ノイズ減衰部による減衰前後のデータを表示させる、
請求項8記載の異常診断システム。 - 前記表示制御部は、前記表示部に、前記識別結果と前記ノイズ減衰部による前記減衰前後のデータを表示させる、
請求項8又は9記載の異常診断システム。 - 前記診断モデル学習部は、前記診断モデルを2以上生成し、
前記表示制御部は、前記表示部に、各前記診断モデルについて、前記診断モデルの正答率と前記ノイズ減衰部による減衰前後のデータとを表示させる、
請求項8〜10の何れか記載の異常診断システム。 - 前記ノイズ減衰モデルの生成で用いられるハイパーパラメータを調整する調整部を備え、
前記変換モデル学習部は、前記調整された前記ハイパーパラメータを用いて前記変換モデルを更新することで診断モデルを生成し、
前記表示制御部は、
前記調整部の前記調整を受け付けるための調整受付画像と、
前記診断モデルの正答率、又は、前記ノイズ減衰部による減衰前後のデータを含む調整結果とを、
前記表示部の同一の表示画面に表示させる、
請求項8〜11の何れか記載の異常診断システム。 - 診断対象の異常原因を診断する異常診断方法であって、
モデルに基づいて前記診断対象の異常原因の種類を識別する診断ステップと、
前記モデルを機械学習により生成する学習ステップと、
を備え、
前記診断ステップは、
前記診断対象から出力されたデータが入力されると、当該データから前記異常原因の種類を識別可能にする特徴部分以外の特徴部分であるノイズが減衰された前処理済みデータを生成するデータ処理ステップと、
前記前処理済みデータが入力されると前記診断対象の異常原因種別を出力する診断モデルに基づいて、前記診断対象の異常原因の種類を識別する異常原因識別ステップと、
を有し、
前記診断モデルが機械学習モデルであり、
前記学習ステップは、
前記診断モデルを機械学習により生成する診断モデル学習ステップと、
入力されたデータから前記ノイズを除去するノイズ減衰モデルに基づいて、前記診断モデルの機械学習のための学習用データから前記ノイズが減衰された減衰済みデータを生成するノイズ減衰ステップと、
前記ノイズ減衰モデルを生成するノイズ減衰モデル生成ステップと、
を有し、
前記学習用データは、前記診断対象の異常を模擬した模擬データ又は前記診断対象の異常を示す実データであり、
前記診断モデル学習ステップは、
前記減衰済みデータを学習データとし、前記異常原因種別を教師データとして機械学習により前記診断モデルを生成し、
前記ノイズ減衰モデル生成ステップは、
前記学習用データを変換する変換モデルに基づいて、前記学習用データを変換して変換後データを出力するデータ変換ステップと、
前記変換後データが入力されることで前記学習用データのデータ種別を識別する識別モデルに基づいて、前記学習用データが前記模擬データか前記実データかを示すデータ種別を識別するデータ識別ステップと、
前記変換モデルを機械学習により更新することで、前記学習用データが入力されると前記減衰済みデータを出力するノイズ減衰モデルを生成する変換モデル学習ステップと、
前記識別モデルを機械学習により更新する識別モデル学習ステップと、
を有し、
前記識別モデル及び前記変換モデルは、ニューラルネットワークであり 、
前記識別モデル学習ステップは、
前記識別モデルが前記変換後データから前記学習用データのデータ種別を正しく識別するモデルとなるように前記識別モデルを生成し、
前記変換モデル学習ステップは、
前記変換モデルを、前記学習用データに類似しているが、前記データ識別ステップが正しく識別できないように前記変換後データを出力するよう更新することにより、前記ノイズ減衰モデルを生成し、
前記データ処理ステップは、
前記変換モデル学習ステップにより生成された前記ノイズ減衰モデルに基づいて、前記診断対象から出力されたデータから前記前処理済みデータを生成する、
異常診断方法。 - 診断対象の異常原因を診断する異常診断プログラムであって、
コンピュータに、
モデルに基づいて前記診断対象の異常原因の種類を識別する診断ステップと、
前記モデルを機械学習により生成する学習ステップと、
を実行させ、
前記診断ステップは、
前記診断対象から出力されたデータが入力されると、当該データから前記異常原因の種類を識別可能にする特徴部分以外の特徴部分であるノイズが減衰された前処理済みデータを生成するデータ処理ステップと、
前記前処理済みデータが入力されると前記診断対象の異常原因種別を出力する診断モデルに基づいて、前記診断対象の異常原因の種類を識別する異常原因識別ステップと、
を有し、
前記診断モデルが機械学習モデルであり、
前記学習ステップは、
前記診断モデルを機械学習により生成する診断モデル学習ステップと、
入力されたデータから前記ノイズを除去するノイズ減衰モデルに基づいて、前記診断モデルの機械学習のための学習用データから前記ノイズが減衰された減衰済みデータを生成するノイズ減衰ステップと、
前記ノイズ減衰モデルを生成するノイズ減衰モデル生成ステップと、
を有し、
前記学習用データは、前記診断対象の異常を模擬した模擬データ又は前記診断対象の異常を示す実データであり、
前記診断モデル学習ステップは、
前記減衰済みデータを学習データとし、前記異常原因種別を教師データとして機械学習により前記診断モデルを生成し、
前記ノイズ減衰モデル生成ステップは、
前記学習用データを変換する変換モデルに基づいて、前記学習用データを変換して変換後データを出力するデータ変換ステップと、
前記変換後データが入力されることで前記学習用データのデータ種別を識別する識別モデルに基づいて、前記学習用データが前記模擬データか前記実データかを示すデータ種別を識別するデータ識別ステップと、
前記変換モデルを機械学習により更新することで、前記学習用データが入力されると前記減衰済みデータを出力するノイズ減衰モデルを生成する変換モデル学習ステップと、
前記識別モデルを機械学習により更新する識別モデル学習ステップと、
を有し、
前記識別モデル及び前記変換モデルは、ニューラルネットワークであり、
前記識別モデル学習ステップは、
前記識別モデルが前記変換後データから前記学習用データのデータ種別を正しく識別するモデルとなるように前記識別モデルを生成し、
前記変換モデル学習ステップは、
前記変換モデルを、前記学習用データに類似しているが、前記データ識別ステップが正しく識別できないように前記変換後データを出力するよう更新することにより、前記ノイズ減衰モデルを生成し、
前記データ処理ステップは、
前記変換モデル学習ステップにより生成された前記ノイズ減衰モデルに基づいて、前記診断対象から出力されたデータから前記前処理済みデータを生成する、
異常診断プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/032026 WO2020044477A1 (ja) | 2018-08-29 | 2018-08-29 | 異常診断システム、方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020044477A1 JPWO2020044477A1 (ja) | 2021-08-10 |
JP6957762B2 true JP6957762B2 (ja) | 2021-11-02 |
Family
ID=69643523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020539935A Active JP6957762B2 (ja) | 2018-08-29 | 2018-08-29 | 異常診断システム、方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6957762B2 (ja) |
WO (1) | WO2020044477A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220142614A1 (en) * | 2020-11-09 | 2022-05-12 | Siemens Medical Solutions Usa, Inc. | Ultrasound-derived proxy for physical quantity |
JP2024009613A (ja) * | 2022-07-11 | 2024-01-23 | 株式会社日本製鋼所 | 推定方法、推定装置及びコンピュータプログラム |
JP7214176B1 (ja) | 2022-07-29 | 2023-01-30 | 国立大学法人茨城大学 | 建物の健全性評価方法及びシステム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04259054A (ja) * | 1991-02-13 | 1992-09-14 | Ono Sokki Co Ltd | パターン認識方法及び装置 |
JPH09166483A (ja) * | 1995-12-19 | 1997-06-24 | Hitachi Ltd | 機器監視方法及びその装置 |
JP2005140707A (ja) * | 2003-11-07 | 2005-06-02 | Matsushita Electric Works Ltd | 特徴音抽出装置、特徴音抽出方法、製品評価システム |
JP2009146149A (ja) * | 2007-12-13 | 2009-07-02 | Panasonic Electric Works Co Ltd | 信号識別方法及び信号識別装置 |
JP6766374B2 (ja) * | 2016-02-26 | 2020-10-14 | 沖電気工業株式会社 | 分類装置、分類方法、プログラム、及びパラメータ生成装置 |
-
2018
- 2018-08-29 JP JP2020539935A patent/JP6957762B2/ja active Active
- 2018-08-29 WO PCT/JP2018/032026 patent/WO2020044477A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020044477A1 (ja) | 2020-03-05 |
JPWO2020044477A1 (ja) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6957762B2 (ja) | 異常診断システム、方法及びプログラム | |
Jonassen et al. | Learning to troubleshoot: A new theory-based design architecture | |
CN110389969A (zh) | 提供定制的学习内容的系统和方法 | |
US10957216B2 (en) | Assessing a training activity performed by a user in an interactive computer simulation | |
US10991262B2 (en) | Performance metrics in an interactive computer simulation | |
US20180100894A1 (en) | Automatic Generation of Test Sequences | |
JP6730340B2 (ja) | 因果推定装置、因果推定方法、及びプログラム | |
JP6989860B2 (ja) | 画像検査装置、画像検査方法及びプログラム | |
US20200409823A1 (en) | Method and apparatus for optimal distribution of test cases among different testing platforms | |
Taylor et al. | Verification and validation of neural networks: a sampling of research in progress | |
WO2021195970A1 (zh) | 工业系统的预测模型学习方法、装置和系统 | |
Perry | ‘Phantom’compositional effects in English school value-added measures: the consequences of random baseline measurement error | |
CN108628265A (zh) | 用于运行自动化装置的方法和自动化装置 | |
US20210216901A1 (en) | Estimation system, estimation method, and estimation program | |
JP2019206041A5 (ja) | 情報処理装置、ロボット制御装置、情報処理方法及びプログラム | |
CN117836638A (zh) | 具有机器学习波形生成的数字孪生,包括用于被测设备仿真的参数控制 | |
KR102156931B1 (ko) | 블록 코딩된 프로그램 코드의 평가 장치, 시스템, 방법 및 기록 매체에 저장된 프로그램 | |
TW202006652A (zh) | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 | |
JP2019091367A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
US20230134186A1 (en) | Machine learning data generation device, machine learning model generation method, and storage medium | |
CN110322098B (zh) | 交互式计算机模拟期间的标准操作程序反馈 | |
US20140039867A1 (en) | Information processing apparatus and method thereof | |
US11922827B2 (en) | Learning management systems and methods therefor | |
JP6249803B2 (ja) | インバータ試験システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A524 | Written submission of copy of amendment under section 19 (pct) |
Free format text: JAPANESE INTERMEDIATE CODE: A527 Effective date: 20201217 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201217 |
|
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: 20210907 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211006 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6957762 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |