JP7052914B1 - 異常診断システム、異常診断装置、異常診断方法、及びプログラム - Google Patents

異常診断システム、異常診断装置、異常診断方法、及びプログラム Download PDF

Info

Publication number
JP7052914B1
JP7052914B1 JP2021128793A JP2021128793A JP7052914B1 JP 7052914 B1 JP7052914 B1 JP 7052914B1 JP 2021128793 A JP2021128793 A JP 2021128793A JP 2021128793 A JP2021128793 A JP 2021128793A JP 7052914 B1 JP7052914 B1 JP 7052914B1
Authority
JP
Japan
Prior art keywords
data
learning
operation mode
abnormality diagnosis
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
Application number
JP2021128793A
Other languages
English (en)
Other versions
JP2023023347A (ja
Inventor
聡 鈴木
康男 稲村
賢哉 村上
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.)
Fuji Electric Co Ltd
Original Assignee
Fuji Electric Co 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 Fuji Electric Co Ltd filed Critical Fuji Electric Co Ltd
Priority to JP2021128793A priority Critical patent/JP7052914B1/ja
Application granted granted Critical
Publication of JP7052914B1 publication Critical patent/JP7052914B1/ja
Publication of JP2023023347A publication Critical patent/JP2023023347A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】プラントの動作モードを考慮した異常診断を行うこと。【解決手段】一実施形態に係る異常診断システムは、複数の動作モードが存在するプラントの異常診断を行う異常診断システムであって、前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、前記動作モード毎に、前記動作モードに分類された学習用データを用いて、前記異常診断を行うためのモデルを学習する学習部と、前記プラントの運転データを表す診断用データを入力する第２の入力部と、前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記プラントの異常診断を行う異常診断部と、前記動作モード毎に行われた異常診断の結果を総合した総合異常診断結果を作成する総合部と、を有する。【選択図】図４

Description

本発明は、異常診断システム、異常診断装置、異常診断方法、及びプログラムに関する。
一般に、プラントには計測器が取り付けられており、これらの計測器で計測された値（例えば、温度や圧力等といった状態変数の値）に基づいて制御装置によりプラントの制御が行われる。これらの計測器や制御装置から取得可能なデータはプラントの運転状態を表しているため、運転データとも呼ばれる。
計測器や制御装置から取得された運転データを用いて、プラントの異常診断を行う技術が従来から知られている。例えば、非特許文献１には、主成分分析等の多変量解析によりプラントの正常な運転状態をモデル化した上で、そのモデルを用いてプラントの異常診断を行う技術が記載されている。
プロセスケモメトリクスによる統計的プロセス管理，システム/制御/情報，Vol.48，No.5，pp.165-170，2004．
しかしながら、一般に、プラントには様々な動作モードが存在し、動作モードによって正常な運転状態も異なり得る。このため、動作モードを考慮せずにプラントの正常な運転状態をモデル化した場合、例えば、このモデルが表す正常範囲が広くなり過ぎることがあり、本来異常な状態が正常と診断されてしまう事態が発生し得る。なお、プラントの動作モードとは、プラント（より正確には、プラントを構成する機器又は機器群）をどのように動作させるかを表す動作方法のことである。
本発明の一実施形態は、上記の点に鑑みてなされたもので、プラントの動作モードを考慮した異常診断を行うことを目的とする。
上記目的を達成するため、一実施形態に係る異常診断システムは、複数の動作モードが存在するプラントの異常診断を行う異常診断システムであって、前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、前記動作モード毎に、前記動作モードに分類された学習用データを用いて、前記異常診断を行うためのモデルを学習する学習部と、前記プラントの運転データを表す診断用データを入力する第２の入力部と、前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記プラントの異常診断を行う異常診断部と、前記動作モード毎に行われた異常診断の結果を総合した総合異常診断結果を作成する総合部と、を有する。
プラントの動作モードを考慮した異常診断を行うことができる。
動作モードの一例を示す図である。 本実施形態に係る異常診断システムの全体構成の一例を示す図である。 本実施形態に係る異常診断装置のハードウェア構成の一例を示す図である。 本実施形態に係る異常診断処理部の機能構成の一例を示す図である。 本実施形態に係るモデル学習処理の一例を示すフローチャートである。 本実施形態に係る異常診断処理の一例を示すフローチャートである。
以下、本発明の一実施形態について説明する。本実施形態では、プラントの動作モードを考慮した異常診断を行うことができる異常診断システム１について説明する。
＜動作モード＞
プラントの動作モードとは、プラント（より正確には、プラントを構成する機器又は機器群）をどのように動作させるかを表す動作方法のことである。例えば、プラントとして蒸気ボイラーを想定した場合、動作モードとして、蒸気ボイラー内の圧力が高いときの動作モードである圧力高モードや蒸気ボイラー内の圧力が低いときの動作モードである圧力低モード等が挙げられる。また、例えば、プラントとしてガス配管を想定した場合、動作モードとして、配管内のガスの温度が高いときの動作モードであるガス温度高モードや配管内のガスの温度が低いときの動作モードであるガス温度低モード等が挙げられる。ただし、これらは一例であって、動作モードはプラントの種類や種別等に応じて様々なものが存在し得る。また、異常診断対象となるプラントにおいて、どのような動作モードが存在するかは既知であるものとする。
一般に、プラントの運転データには計測器によって計測された温度や圧力、流量等といった様々な状態変数（以下、単に変数ともいう。）の値が含まれるが、動作モードの違いは、これらの変数のうちの或る特定の変数（以下、主たる変数ともいう。）とそれに関連する変数（以下、関連変数ともいう。）の値に特徴的に表れる。したがって、主たる変数と関連変数から動作モードを特定することができる。
例えば、主たる変数を「変数１」、関連変数を「変数２」として、あるプラントの正常運転時の動作モードを図１に示す。図１に示す例では、正常な運転状態においては、動作モード１では変数１の値が或る所定の閾値未満でかつ変数１と変数２に相関がなく、動作モード２では変数１と変数２に正の相関があり、動作モード３では変数１の値が或る所定の閾値以上でかつ変数１と変数２に相関がない、という特徴が表れている。このような特徴を用いることで、後述するように、正常時の運転データが与えられたときに、この運転データをいずれかの動作モードに分類することが可能となる。
＜異常診断システム１の全体構成＞
本実施形態に係る異常診断システム１の全体構成を図２に示す。図２に示すように、本実施形態に係る異常診断システム１には、異常診断装置１０と、プラント２０と、計測器３０と、制御装置４０とが含まれる。また、異常診断装置１０と計測器３０は通信ネットワークを介して通信可能に接続される。同様に、異常診断装置１０と制御装置４０は通信ネットワークを介して通信可能に接続される。
異常診断装置１０は、異常診断対象であるプラント２０の異常診断（つまり、プラント２０が正常又は異常のいずれであるかと異常である場合はその主要因の特定）を行うコンピュータ又はコンピュータシステムである。異常診断装置１０としては、例えば、ＰＣ（パーソナルコンピュータ）や汎用サーバ等を用いることが可能である。
プラント２０は、異常診断対象となる産業設備である。一般に、プラント２０は１以上の機器・装置で構成されており、それらの機器・設備には状態変数の値を計測する１以上の計測器３０が設置等されている。なお、プラント２０の具体例としては、例えば、エネルギープラント、石油化学製造プラント、食品や医薬品等の製造プラント等といったものが挙げられる。
制御装置４０は、計測器３０から取得した運転データを用いて、プラント２０の運転を制御するコンピュータ又はコンピュータシステムである。制御装置４０としては、例えば、ＰＬＣ（Programmable Logic Controller）やＤＣＳ（Distributed Control System）等を用いることが可能である。
ここで、異常診断装置１０は、異常診断処理部１００と、運転データベース２００とを有する。異常診断処理部１００は、運転データベース２００に格納されている過去の運転データ（以下、学習用データともいう。）を用いて、プラント２０の異常診断を行うための異常診断モデルを学習する。また、異常診断処理部１００は、運転データベース２００に格納された新たな運転データ（以下、診断用データともいう。）と、異常診断モデルとを用いて、プラント２０の異常診断を行う。運転データベース２００は、計測器３０若しくは制御装置４０又はその両方から取得した運転データを格納する。
なお、図２に示す異常診断システム１の全体構成は一例であって、他の構成であってもよい。例えば、異常診断装置１０は、異常診断処理部１００を有する装置と、運転データベース２００を有する装置とで構成されていてもよい。また、例えば、プラント２０の運用オペレータや管理者等が利用する端末装置が異常診断システム１に含まれていてもよい。
＜異常診断装置１０のハードウェア構成＞
本実施形態に係る異常診断装置１０のハードウェア構成を図３に示す。図３に示すように、本実施形態に係る異常診断装置１０は、入力装置３０１と、表示装置３０２と、外部Ｉ／Ｆ３０３と、通信Ｉ／Ｆ３０４と、プロセッサ３０５と、メモリ装置３０６とを有する。これらの各ハードウェアは、それぞれがバス３０７を介して通信可能に接続されている。
入力装置３０１は、例えば、キーボードやマウス、タッチパネル、各種ボタン等である。表示装置３０２は、例えば、ディスプレイや表示パネル等である。なお、異常診断装置１０は、入力装置３０１及び表示装置３０２のうちの少なくとも一方を有していなくてもよい。
外部Ｉ／Ｆ３０３は、記録媒体３０３ａ等の外部装置とのインタフェースである。異常診断装置１０は、外部Ｉ／Ｆ３０３を介して、記録媒体３０３ａの読み取りや書き込み等を行うことができる。なお、記録媒体３０３ａとしては、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等がある。
通信Ｉ／Ｆ３０４は、異常診断装置１０を通信ネットワークに接続するためのインタフェースである。プロセッサ３０５は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）、ＭＰＵ（Micro-Processing Unit）等の各種演算装置である。メモリ装置３０６は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等の各種記憶装置である。なお、異常診断処理部１００は、例えば、異常診断装置１０にインストールされた１以上のプログラムがプロセッサ３０５に実行させる処理により実現される。また、運転データベース２００は、例えば、ＨＤＤやＳＳＤ等の補助記憶装置により実現可能である。
本実施形態に係る異常診断装置１０は、図３に示すハードウェア構成を有することにより、後述するモデル学習処理と異常診断処理を実現することができる。なお、図３に示すハードウェア構成は一例であって、異常診断装置１０は、例えば、複数のプロセッサ３０５を有していてもよいし、複数のメモリ装置３０６を有していてもよいし、その他の様々なハードウェアを有していてもよい。
＜異常診断処理部１００の機能構成＞
本実施形態に係る異常診断処理部１００の機能構成を図４に示す。図４に示すように、本実施形態に係る異常診断処理部１００には、入出力部１１０と、モデル学習部１２０と、異常診断部１３０とが含まれる。
入出力部１１０は、入力装置３０１からのユーザ入力を受け付けたり、表示装置３０２に各種画面を表示させたりする。
モデル学習部１２０は、学習用データを用いて、異常診断モデルを学習する。ここで、モデル学習部１２０には、学習用データ取得部１２１と、動作モード分類部１２２と、学習部１２３とが含まれる。学習用データ取得部１２１は、運転データベース２００に格納されている過去の複数の運転データの各々を学習用データとして取得する。以下では、学習用データ取得部１２１によって取得された複数の学習用データの集合を学習用データセットともいう。動作モード分類部１２２は、主たる変数とその関連変数に基づいて、学習用データセットに含まれる各学習用データを各動作モードのいずれかに分類する。学習部１２３は、動作モード毎に、その動作モードに分類された学習用データを用いて、異常診断モデルを学習する。これにより、動作モード毎に異常診断モデルが得られる。
異常診断部１３０は、異常診断モデルと、診断用データとを用いて、プラント２０の異常診断を行う。ここで、異常診断部１３０には、診断用データ取得部１３１と、診断部１３２と、総合部１３３とが含まれる。診断用データ取得部１３１は、運転データベース２００に格納された新たな運転データを診断用データとして取得する。診断部１３２は、動作モード毎に、その動作モードの異常診断モデルと、診断用データとを用いて、異常診断を行う。総合部１３３は、動作モード毎の異常診断結果を総合する。これにより、動作モード毎の異常診断結果を総合した最終的な異常診断結果が得られる。
＜モデル学習処理＞
本実施形態に係るモデル学習処理について図５を参照しながら説明する。なお、運転データベース２００には、プラント２０の過去の運転データが格納されているものとする。
まず、モデル学習部１２０の学習用データ取得部１２１は、運転データベース２００に格納されている過去の複数の運転データの各々を学習用データとして取得する（ステップＳ１０１）。これにより、これらの学習用データで構成される学習用データセットが得られる。ここで、後述するステップＳ１０５において、多変量解析により異常診断モデルを学習する場合は、過去の正常時の運転データのみを学習用データとして取得する。一方で、後述するステップＳ１０５において、機械学習により異常診断モデルを学習する場合は、過去の正常時の運転データと過去の異常時の運転データとの両方を学習用データとして取得する。
なお、例えば、状態変数をｘ１，・・・，ｘＮ（Ｎは状態変数の総数）、正常又は異常を表すラベルをｙとすれば、一般に、或る時刻における学習用データＸは、Ｘ＝（ｘ１，・・・，ｘＮ，ｙ）と表すことができる。したがって、時刻をｔとすれば、時刻ｔにおける学習用データＸｔは、Ｘｔ＝（ｘ１ｔ，・・・，ｘＮｔ，ｙｔ）と表すことができる。また、学習用データの時刻集合をＴとすれば、学習用データセットは｛Ｘｔ｜ｔ∈Ｔ｝と表すことができる。ただし、正常時の運転データのみを学習用データとして取得する場合は、学習用データＸにはラベルｙが含まれていなくてもよい。
次に、モデル学習部１２０の動作モード分類部１２２は、状態変数ｘ１，・・・，ｘＮの中から主たる変数を選択する（ステップＳ１０２）。ここで、動作モード分類部１２２は、例えば、以下の（１－１）又は（１－２）のいずれかの方法により主たる変数を選択すればよい。
（１－１）主たる変数をユーザに選択させるための画面を入出力部１１０により表示させて、この画面上でユーザにより選択された状態変数を主たる変数として選択する。
（１－２）プラント２０の種類や種別、プラント２０に関する業務知識等に基づいて、主たる変数を選択する。例えば、プラント２０が蒸気ボイラーである場合、蒸気の制御バルブの開度を表す状態変数、蒸気流量を表す状態変数等を主たる変数として選択することが考えられる。また、例えば、プラント２０がガス配管である場合、配管内のガスの流量を表す状態変数、配管内のガスの圧力を表す状態変数等を主たる変数として選択することが考えられる。
次に、モデル学習部１２０の動作モード分類部１２２は、状態変数ｘ１，・・・，ｘＮの中から、上記のステップＳ１０２で選択した主たる変数に関連する関連変数を選択する（ステップＳ１０３）。ここで、動作モード分類部１２２は、例えば、以下の（２－１）～（２－３）のいずれかの方法により関連変数を選択すればよい。なお、関連変数として選択される状態変数は１つの限られず、複数の状態変数が関連変数として選択されてもよい。
（２－１）関連変数をユーザに選択させるための画面を入出力部１１０により表示させて、この画面上でユーザにより選択された状態変数を関連変数として選択する。
（２－２）プラント２０の種類や種別、プラント２０に関する業務知識等に基づいて、関連変数を選択する。例えば、プラント２０が蒸気ボイラーである場合、蒸気の制御バルブの開度を表す状態変数と蒸気流量を表す状態変数のうち、主たる変数に選択されなかった方の状態変数を関連変数として選択することが考えられる。また、例えば、プラント２０がガス配管である場合、配管内のガスの流量を表す状態変数と配管内のガスの圧力を表す状態変数のうち、主たる変数に選択されなかった方の状態変数を関連変数として選択することが考えられる。
（２－３）主たる変数以外の状態変数のうち、主たる変数との関連度が高い順に上位Ｍ個（ただし、Ｍは１以上の整数）の状態変数を関連変数として選択する。ここで、関連度としては、例えば、主たる変数とそれ以外の状態変数との相関係数を用いることが考えられる。ただし、関連度として相関係数を用いることは一例であって、例えば、ＭＩＣ（Maximal Information Coefficient）やＨＳＩＣ（Hilbert-Schmidt Independence Criteria）等が用いられてもよい。
なお、関連変数が１つのみである場合、主たる変数と関連変数とが同一の状態変数であってもよいが、一般には、主たる変数と関連変数は異なる状態変数である場合が多い。
次に、モデル学習部１２０の動作モード分類部１２２は、上記のステップＳ１０２～ステップＳ１０３で選択された主たる変数及び関連変数を用いて、上記のステップＳ１０１で得られた学習用データセットに含まれる各学習用データをいずれかの動作モードに分類する（ステップＳ１０４）。ここで、動作モード分類部１２２は、例えば、以下の（３－１）～（３－４）のいずれかの方法により各学習用データをいずれかの動作モードに分類すればよい。なお、学習用データが或る動作モードに分類された場合、動作モード分類部１２２は、当該学習用データに対して、その学習用データが分類された動作モードを表すラベルを付与すればよい。
（３－１）主たる変数及び関連変数をそれぞれ軸とする空間（平面である場合も含む）上に各学習用データの主たる変数値及び関連変数値を表す点をプロットした散布図を作成し、この散布図を入出力部１１０により表示させる。そして、当該散布図上でユーザにより各点がいずれかの動作モードに分類された場合、その点に対応する学習用データをその動作モードと分類する。なお、散布図上でユーザが各点をいずれかの動作モードに分類する場合には、例えば、マウス等のポインティングデバイスにより或る動作モードに分類する点群を範囲指定したり、或る動作モードで主たる変数及び関連変数が取り得る値の範囲を指定したりすればよい。
（３－２）各動作モードが時刻で区切られているような場合には、各動作モードの開始時刻と終了時刻を用いて、各学習用データをいずれかの動作モードに分類する。このとき、各動作モードの開始時刻と終了時刻は、例えば、プラント２０のスケジュール情報等から取得されてもよいし、入出力部１１０を介してユーザにより指定されてもよい。なお、この場合、上記のステップＳ１０２及びステップＳ１０３は必ずしも実行されなくてもよい（つまり、主たる変数と関連変数は選択される必要はない。）。
各動作モードが時刻で区切られているような場合としては、例えば、動作モードとして、或る時刻から別の或る時刻まではプラント２０を立ち上げるための動作モードである起動モード、或る時刻から別の或る時刻まではプラント２０で製品製造を行うための動作モードである製造モード、或る時刻から別の或る時刻まではプラント２０を終了させるための動作モードである終了モード等がある場合が挙げられる。
（３－３）学習用データの主たる変数値及び関連変数値で構成されるデータの類似度に基づいて、類似度が所定の範囲内のデータに対応する学習用データ同士を同一の動作モードに分類する。より具体的には、例えば、状態変数ｘ１，・・・，ｘＮのうち、主たる変数をｘｎ、関連変数をｘｎ'とした場合、学習用データＸｔに対応するデータ（ｘｎｔ，ｘｎ'ｔ）同士の類似度を算出し、類似度が所定の範囲内のデータに対応する学習用データを同一の動作モードに分類する。なお、類似度としては、例えば、コサイン類似度等といった既知の類似度を用いることが可能である。
（３－４）学習用データの主たる変数値及び関連変数値で構成されるデータをクラスタリングして、同一クラスタに属するデータに対応する学習用データ同士を同一の動作モードに分類する。より具体的には、例えば、状態変数ｘ１，・・・，ｘＮのうち、主たる変数をｘｎ、関連変数をｘｎ'とした場合、学習用データＸｔに対応するデータ（ｘｎｔ，ｘｎ'ｔ）の集合｛（ｘｎｔ，ｘｎ'ｔ）｜ｔ∈Ｔ｝をクラスタリングして、同一クラスタに属するデータに対応する学習用データ同士を同一の動作モードに分類する。なお、このとき、クラスタ数を指定可能なクラスタリング手法を用いる場合には、クラスタ数としてプラント２０が取り得る動作モード数を指定する。
以上により、学習用データセット｛Ｘｔ｜ｔ∈Ｔ｝に含まれる各学習用データＸｔがいずれかの動作モードに分類される。以下では、動作モードを表すインデックスをｋ、動作モードｋに分類された学習用データをＸｔ （ｋ）、動作モードｋの時刻集合をＴ（ｋ）として、動作モードｋに分類された学習用データで構成される学習用データセットを｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝と表す。なお、例えば、図１に示す例のように、プラント２０が３つの動作モードを取り得る場合はｋ∈｛１，２，３｝であり、｛Ｘｔ｜ｔ∈Ｔ｝＝｛Ｘｔ （１）｜ｔ∈Ｔ（１）｝∪｛Ｘｔ （２）｜ｔ∈Ｔ（２）｝∪｛Ｘｔ （３）｜ｔ∈Ｔ（３）｝である。
そして、モデル学習部１２０の学習部１２３は、動作モード毎に、その動作モードの異常診断モデルを学習する（ステップＳ１０５）。ここで、学習部１２３は、例えば、以下の（４－１）又は（４－２）のいずれかの方法により異常診断モデルを学習する。
（４－１）多変量解析により異常診断モデルを学習する。なお、上述したように、このとき、学習用データセット｛Ｘｔ｜ｔ∈Ｔ｝に含まれる各学習用データＸｔはすべて正常時の運転データであるものとする。
この場合、学習部１２３は、動作モードｋ毎に、その動作モードｋの学習用データセット｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝を用いて、非特許文献１に記載されている手法により異常診断モデルを学習すればよい。具体的には、学習部１２３は、動作モードｋ毎に、学習用データセット｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝に対して主成分分析を行ってＴ２統計量とＱ統計量を算出し、それらの管理限界（閾値）を設定する。なお、動作モードｋに関するＴ２統計量の管理限界としては、例えば、学習用データセット｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝から算出されたＴ２統計量の最大値や上位ａｋ％（ａｋは予め決められた値）に該当する値等とすればよい。同様に、動作モードｋに関するＱ統計量の管理限界としては、例えば、学習用データセット｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝から算出されたＱ統計量の最大値や上位ｂｋ％（ｂｋは予め決められた値）に該当する値等とすればよい。以下、動作モードｋに関するＴ２統計量の管理限界（閾値）をＴ２ ｍａｘ （ｋ）、動作モードｋに関するＱ統計量の管理限界（閾値）をＱｍａｘ （ｋ）と表す。
（４－２）機械学習により異常診断モデルを学習する。なお、上述したように、このとき、学習用データセット｛Ｘｔ｜ｔ∈Ｔ｝に含まれる各学習用データＸｔは正常時又は異常時のいずれかの運転データであるものとする。
この場合、学習部１２３は、動作モードｋ毎に、その動作モードｋの学習用データセット｛Ｘｔ （ｋ）｜ｔ∈Ｔ（ｋ）｝を用いて、機械学習手法の１つである教師あり学習により異常診断モデルを学習すればよい。このとき、各学習用データＸｔ （ｋ）に含まれる状態変数ｘ１ （ｋ），・・・，ｘＮ （ｋ）に対する正常又は異常の推定値の教師データ（正解データ）として、当該学習用データＸｔ （ｋ）に含まれるラベルｙ（ｋ）を使用する。なお、教師あり学習の対象となる異常診断モデルとしては、状態変数ｘ１，・・・，ｘＮを入力として、正常又は異常を表すラベルｙを出力する任意のモデルを用いることが可能である。このようなモデルとしては、例えば、ニューラルネットワークやＳＶＭ（Support Vector Machine）等といったものが挙げられる。また、ラベルｙは異常又は正常を表す整数値（例えば、０又は１）を取ることを想定しているが、これに限られず、例えば、ｙは０以上１以下の連続値を取るものとであってもよい（つまり、ｙは異常である確率を表すものであってもよい。）。
以上のように、本実施形態に係る異常診断装置１０は、学習用データセットを動作モード毎に分割した上で、動作モード毎に、その動作モードに対応する異常診断モデルを学習する。これにより、後述する異常診断処理において、各動作モードの異常診断モデルにより異常診断を行った上で、それらの異常診断結果を総合した異常診断を行うことが可能となり、プラント２０の動作モードを考慮した異常診断を精度良く行うことが可能となる。なお、各動作モードの異常診断モデルは、例えば、ＨＤＤやＳＳＤ等の補助記憶装置に格納される。
＜異常診断処理＞
本実施形態に係る異常診断処理について図６を参照しながら説明する。この異常診断処理は、例えば、新たな運転データが運転データベース２００に格納される毎に繰り返し実行される。なお、上記のモデル学習処理により動作モード毎の異常診断モデルが作成されているものとする。
まず、異常診断部１３０の診断用データ取得部１３１は、運転データベース２００に格納された新たな運転データを診断用データとして取得する（ステップＳ２０１）。なお、診断用データＸは、Ｘ＝（ｘ１，・・・，ｘＮ）と表すことができる。
次に、異常診断部１３０の診断部１３２は、動作モード毎に、その動作モードの異常診断モデルと、上記のステップＳ２０１で取得された診断用データＸとを用いて、異常診断を行う（ステップＳ２０２）。ここで、診断部１０３は、例えば、以下の（５－１）又は（５－２）のいずれかにより異常診断を行う。
（５－１）多変量解析により異常診断モデルが学習された場合、診断部１３２は、動作モードｋ毎に、その動作モードｋの異常診断モデルを用いて診断用データＸのＴ２統計量及びＱ統計量を算出した上で、それらの管理限界Ｔ２ ｍａｘ （ｋ）及びＱｍａｘ （ｋ）との比率をそれぞれ算出する。すなわち、動作モードｋの異常診断モデルを用いたときの診断用データのＴ２統計量をＴ２ ｒ （ｋ）、Ｑ統計量をＱｒ （ｋ）とすれば、診断部１３２は、Ｒ１ （ｋ）：＝Ｔ２ ｒ （ｋ）／Ｔ２ ｍａｘ （ｋ）とＲ２ （ｋ）：＝Ｑｒ （ｋ）／Ｑｍａｘ （ｋ）とを算出する。そして、診断部１３２は、Ｒ１ （ｋ）及びＲ２ （ｋ）の少なくとも一方が１よりも大きい場合、動作モードｋで異常が発生したと診断する。ただし、例えば、Ｒ１ （ｋ）及びＲ２ （ｋ）の両方が１よりも大きい場合にのみ、動作モードｋで異常が発生したと診断してもよい。
（５－２）機械学習により異常診断モデルが学習された場合、診断部１３２は、動作モードｋ毎に、その動作モードｋの異常診断モデルを用いて診断用データＸからラベルｙ（ｋ）を推定する。このラベルｙ（ｋ）が、動作モードｋにおける異常診断結果である。
次に、異常診断部１３０の総合部１３３は、上記のステップＳ２０２の異常診断結果を総合する（ステップＳ２０３）。ここで、総合部１３３は、例えば、以下の（６－１）又は（６－２）のいずれかにより異常診断結果を総合し、最終的な異常診断結果を作成する。
（６－１）多変量解析により異常診断モデルが学習された場合、総合部１３３は、上記のステップＳ２０２で異常が発生したと診断された動作モードｋのうち、Ｒ１ （ｋ）が最も小さい動作モードｋ１とＲ２ （ｋ）が最も小さい動作モードｋ２とを特定する。なお、上記のステップＳ２０２で異常が発生したと診断された動作モードｋが無ければ、総合部１３３は、正常であることを示す情報を最終的な異常診断結果とする。
そして、総合部１３３は、ｋ１＝ｋ２であれば、この動作モードｋ１＝ｋ２で異常が発生したことを示す情報を最終的な異常診断結果とする。一方で、総合部１３３は、ｋ１≠ｋ２であれば、補助情報を用いて、ｋ１又はｋ２のいずれの動作モードで異常が発生したかを特定し、この特定した動作モードで異常が発生したことを示す情報を最終的な異常診断結果とする。なお、Ｔ２統計量及びＱ統計量はいずれも寄与度の和で表現されるため、異常が発生した動作モードにおけるＴ２統計量Ｔ２ ｒ （ｋ）及びＱ統計量Ｑｒ （ｋ）それぞれの寄与度のうち、最も高い（又は所定の閾値以上）の寄与度に対応する状態変数をそれぞれ特定し、特定した状態変数を異常に関する主要因変数として最終的な異常診断結果に含めてもよい。
ここで、補助情報とは、診断対象データがどの動作モードのときの運転データであるかを特定するための補助的な情報のことであり、例えば、診断対象データが得られたときの年月日や時間帯、診断対象データが得られたときにプラント２０で製造等されている製品の品種を示す情報等が挙げられる。例えば、或る時間帯のときは或る動作モードになり得ないという知識が存在する場合、補助情報を用いることで、診断対象データが得られたときにｋ１又はｋ２のいずれの動作モードであったかを特定することが可能となる。同様に、例えば、或る特定の品種がプラント２０で製造等されているときは或る動作モードになり得ないという知識が存在する場合、補助情報を用いることで、診断対象データが得られたときにｋ１又はｋ２のいずれの動作モードであったかを特定することが可能となる。
なお、上記の補助情報は一例であって、年月日や時間帯、製品の品種を示す情報以外にも、診断対象データがどの動作モードのときの運転データであるかを特定するための様々な情報を補助情報とすることが可能である。
（６－２）機械学習により異常診断モデルが学習された場合、総合部１３３は、上記のステップＳ２０２で得られた｛ｙ（ｋ）｝のうち、所定の割合（例えば、半数）以上のｙ（ｋ）が異常を示す値である場合、異常が発生したことを示す情報を最終的な異常診断結果とする。又は、総合部１３３は、ｙ（ｋ）＝０のときは異常、ｙ（ｋ）＝１のときは正常を表す場合は、すべてのｙ（ｋ）の論理積を示す情報を最終的な異常診断結果としてもよい。又は、総合部１３３は、ｙ（ｋ）＝１のときは異常、ｙ（ｋ）＝０のときは正常を表す場合は、すべてのｙ（ｋ）の論理和を示す情報を最終的な異常診断結果としてもよい。
なお、機械学習により異常診断モデルが学習された場合、本実施形態では、どの動作モードで異常が発生したかは特定されないが、例えば、上述した補助情報等を用いて動作モードを特定し、この特定した動作モードを示す情報を最終的な異常診断結果に含めてもよい。
そして、入出力部１１０は、上記のステップＳ２０３で得られた最終的な異常診断結果を出力する（ステップＳ２０４）。なお、最終的な異常診断結果の出力先としては、例えば、ディスプレイ等の表示装置３０２、通信ネットワークを介して接続される他の端末等とすることが考えられる。また、最終的な異常診断結果が異常を示すものである場合、これらの出力先に合わせて、例えば、警報を発報する等といったことが行われてもよい。
＜まとめ＞
以上のように、本実施形態に係る異常診断システム１は、プラント２０の動作モード毎に異常診断モデルを学習した上で、動作モード毎に異常診断を行ってそれらの診断結果から最終的な異常診断結果を得る。これにより、プラント２０に様々な動作モードが存在する場合であっても、これらの動作モードを考慮した異常診断が可能となり、異常診断を精度良く行うことができるようになる。
なお、本実施形態では、動作モード毎に異常診断モデルを学習する際に、すべての異常診断モデルを非特許文献１に記載されている多変量解析又は機械学習のいずれかにより学習したが、多変量解析と機械学習の両方を用いて異常診断モデルが学習されてもよい。例えば、動作モードのインデックス集合の中からランダムに所定の個数の動作モードを選択し、これらの動作モードに関しては多変量解析により異常診断モデルを学習し、残りの動作モードに関しては機械学習により異常診断モデルを学習してもよい。又は、例えば、すべての動作モードに関して多変量解析による異常診断モデルと機械学習による異常診断モデルの両方を学習してもよい。
また、例えば、最終的な異常診断結果が異常を示すものであった場合、異常診断装置１０は、例えば、制御装置４０に対してプラント２０の停止指示やフォールバック指示等を行ってもよい。これにより、制御装置４０によりプラント２０を停止させたり、縮退運転に切り替えたりする等といった制御を行うことが可能となる。
本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。
１ 異常診断システム
１０ 異常診断装置
２０ プラント
３０ 計測器
４０ 制御装置
１００ 異常診断処理部
１１０ 入出力部
１２０ モデル学習部
１２１ 学習用データ取得部
１２２ 動作モード分類部
１２３ 学習部
１３０ 異常診断部
１３１ 診断用データ取得部
１３２ 診断部
１３３ 総合部
２００ 運転データベース
３０１ 入力装置
３０２ 表示装置
３０３ 外部Ｉ／Ｆ
３０３ａ 記録媒体
３０４ 通信Ｉ／Ｆ
３０５ プロセッサ
３０６ メモリ装置
３０７ バス

Claims (13)

  1. 複数の動作モードが存在するプラントの異常診断を行う異常診断システムであって、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、多変量解析の手法により、前記異常診断を行うためのモデルを学習する学習部と、
    前記プラントの運転データを表す診断用データを入力する第２の入力部と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記診断用データに対応する所定の統計量と、前記統計量に対する閾値との比率を、前記プラントの異常診断結果として算出する異常診断部と、
    前記複数の動作モードのうち、前記比率が１よりも大きく、かつ、前記比率が最も小さい動作モードを特定し、特定した動作モードで異常が発生したことを表す総合異常診断結果を作成する総合部と、
    を有する異常診断システム。
  2. 複数の動作モードが存在するプラントの異常診断を行う異常診断システムであって、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、機械学習の手法により、前記異常診断を行うためのモデルを学習する学習部と、
    前記プラントの運転データを表す診断用データを入力する第２の入力部と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、正常又は異常のいずれかを表す値を、前記プラントの異常診断結果として算出する異常診断部と、
    前記動作モード毎に算出された前記値の論理和若しくは論理積、又は異常を表す値の割合に基づいて、前記プラントで異常が発生したか否かを表す総合異常診断結果を作成する総合部と、
    を有する異常診断システム。
  3. 前記分類部は、
    前記学習用データに含まれる状態変数の中から、前記動作モードを特定するための状態変数である主たる変数と、前記主たる変数に関連する状態変数である関連変数とを選択し、
    前記主たる変数と前記関連変数に基づいて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する、請求項１又は２に記載の異常診断システム。
  4. 前記分類部は、
    前記主たる変数及び前記関連変数をそれぞれ軸とする空間上に前記学習用データをプロットした散布図をユーザに提示し、
    前記散布図に対する前記ユーザの選択操作により前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する、請求項３に記載の異常診断システム。
  5. 前記分類部は、
    前記複数の動作モードの各動作モードの開始時刻及び終了時刻に基づいて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する、請求項１乃至４の何れか一項に記載の異常診断システム。
  6. 前記分類部は、
    前記学習用データに含まれる前記主たる変数の値と前記関連変数の値とで構成されるデータを用いて、前記データ間の類似度を算出し、
    算出した前記類似度が所定の範囲内である前記データに対応する学習用データ同士を同一の動作モードに分類することで、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する、請求項３に記載の異常診断システム。
  7. 前記分類部は、
    前記学習用データに含まれる前記主たる変数の値と前記関連変数の値とで構成されるデータをクラスタリングし、同一のクラスタに属する前記データに対応する学習用データ同士を同一の動作モードに分類することで、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する、請求項３に記載の異常診断システム。
  8. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置であって、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、多変量解析の手法により、前記異常診断を行うためのモデルを学習する学習部と、
    前記プラントの運転データを表す診断用データを入力する第２の入力部と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記診断用データに対応する所定の統計量と、前記統計量に対する閾値との比率を、前記プラントの異常診断結果として算出する異常診断部と、
    前記複数の動作モードのうち、前記比率が１よりも大きく、かつ、前記比率が最も小さい動作モードを特定し、特定した動作モードで異常が発生したことを表す総合異常診断結果を作成する総合部と、
    を有する異常診断装置。
  9. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置であって、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力部と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類部と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、機械学習の手法により、前記異常診断を行うためのモデルを学習する学習部と、
    前記プラントの運転データを表す診断用データを入力する第２の入力部と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、正常又は異常のいずれかを表す値を、前記プラントの異常診断結果として算出する異常診断部と、
    前記動作モード毎に算出された前記値の論理和若しくは論理積、又は異常を表す値の割合に基づいて、前記プラントで異常が発生したか否かを表す総合異常診断結果を作成する総合部と、
    を有する異常診断装置。
  10. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置が、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力手順と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類手順と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、多変量解析の手法により、前記異常診断を行うためのモデルを学習する学習手順と、
    前記プラントの運転データを表す診断用データを入力する第２の入力手順と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記診断用データに対応する所定の統計量と、前記統計量に対する閾値との比率を、前記プラントの異常診断結果として算出する異常診断手順と、
    前記複数の動作モードのうち、前記比率が１よりも大きく、かつ、前記比率が最も小さい動作モードを特定し、特定した動作モードで異常が発生したことを表す総合異常診断結果を作成する総合手順と、
    を実行する異常診断方法。
  11. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置が、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力手順と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類手順と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、機械学習の手法により、前記異常診断を行うためのモデルを学習する学習手順と、
    前記プラントの運転データを表す診断用データを入力する第２の入力手順と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、正常又は異常のいずれかを表す値を、前記プラントの異常診断結果として算出する異常診断手順と、
    前記動作モード毎に算出された前記値の論理和若しくは論理積、又は異常を表す値の割合に基づいて、前記プラントで異常が発生したか否かを表す総合異常診断結果を作成する総合手順と、
    を実行する異常診断方法。
  12. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置に、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力手順と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類手順と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、多変量解析の手法により、前記異常診断を行うためのモデルを学習する学習手順と、
    前記プラントの運転データを表す診断用データを入力する第２の入力手順と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、前記診断用データに対応する所定の統計量と、前記統計量に対する閾値との比率を、前記プラントの異常診断結果として算出する異常診断手順と、
    前記複数の動作モードのうち、前記比率が１よりも大きく、かつ、前記比率が最も小さい動作モードを特定し、特定した動作モードで異常が発生したことを表す総合異常診断結果を作成する総合手順と、
    を実行させるプログラム。
  13. 複数の動作モードが存在するプラントの異常診断を行う異常診断装置に、
    前記プラントの過去の運転データを表す学習用データで構成されるデータセットを入力する第１の入力手順と、
    前記データセットを構成する各学習用データについて、前記学習用データを、前記複数の動作モードのうちのいずれかの動作モードに分類する分類手順と、
    前記動作モード毎に、前記動作モードに分類された学習用データを用いて、機械学習の手法により、前記異常診断を行うためのモデルを学習する学習手順と、
    前記プラントの運転データを表す診断用データを入力する第２の入力手順と、
    前記動作モード毎に、前記診断用データと前記動作モードに対応するモデルとを用いて、正常又は異常のいずれかを表す値を、前記プラントの異常診断結果として算出する異常診断手順と、
    前記動作モード毎に算出された前記値の論理和若しくは論理積、又は異常を表す値の割合に基づいて、前記プラントで異常が発生したか否かを表す総合異常診断結果を作成する総合手順と、
    を実行させるプログラム。
JP2021128793A 2021-08-05 2021-08-05 異常診断システム、異常診断装置、異常診断方法、及びプログラム Active JP7052914B1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021128793A JP7052914B1 (ja) 2021-08-05 2021-08-05 異常診断システム、異常診断装置、異常診断方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021128793A JP7052914B1 (ja) 2021-08-05 2021-08-05 異常診断システム、異常診断装置、異常診断方法、及びプログラム

Publications (2)

Publication Number Publication Date
JP7052914B1 true JP7052914B1 (ja) 2022-04-12
JP2023023347A JP2023023347A (ja) 2023-02-16

Family

ID=81260100

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021128793A Active JP7052914B1 (ja) 2021-08-05 2021-08-05 異常診断システム、異常診断装置、異常診断方法、及びプログラム

Country Status (1)

Country Link
JP (1) JP7052914B1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234302A (ja) 2003-01-30 2004-08-19 Toshiba Corp プロセス管理装置
JP2011070635A (ja) 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2014096050A (ja) 2012-11-09 2014-05-22 Toshiba Corp プロセス監視診断装置、プロセス監視診断プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234302A (ja) 2003-01-30 2004-08-19 Toshiba Corp プロセス管理装置
JP2011070635A (ja) 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2014096050A (ja) 2012-11-09 2014-05-22 Toshiba Corp プロセス監視診断装置、プロセス監視診断プログラム

Also Published As

Publication number Publication date
JP2023023347A (ja) 2023-02-16

Similar Documents

Publication Publication Date Title
JP7162442B2 (ja) プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム
US20220026896A1 (en) Predictive maintenance model design system
US11687786B2 (en) Pre-processing for data-driven model creation
Reis et al. Assessing the value of information of data‐centric activities in the chemical processing industry 4.0
JP2019016209A (ja) 診断装置、診断方法およびコンピュータプログラム
JP5715288B1 (ja) 動態監視装置及び動態監視方法
Wang et al. Process fault detection using time‐explicit Kiviat diagrams
JP7469991B2 (ja) 診断装置及びパラメータ調整方法
JP2015026252A (ja) 異常検知装置及びプログラム
US20240142922A1 (en) Analysis method, analysis program and information processing device
CN115427986A (zh) 用于从大容量、高速流式数据动态生成预测分析的算法学习引擎
WO2022009010A1 (en) Model fidelity monitoring and regeneration for manufacturing process decision support
Amram et al. Interpretable predictive maintenance for hard drives
KR102054500B1 (ko) 설계 도면 제공 방법
JP7052914B1 (ja) 異常診断システム、異常診断装置、異常診断方法、及びプログラム
JPWO2019073512A1 (ja) システム分析方法、システム分析装置、および、プログラム
US20220147039A1 (en) Event analytics in modular industrial plants
US20210373987A1 (en) Reinforcement learning approach to root cause analysis
JP7371802B1 (ja) 異常診断システム、異常診断装置、異常診断方法、及びプログラム
JP2021028751A (ja) 故障予兆診断システムおよび方法
JP7452509B2 (ja) 監視装置、監視方法、および監視プログラム
Shilpika A Visual Analytics Exploratory and Predictive Framework for Anomaly Detection in Multi-fidelity Machine Log Data
Yang et al. Alarm management techniques to improve process safety
Wang et al. Enhanced process fault diagnosis through integrating neural networks and Andrews plot
JP6018852B2 (ja) 要因分析・表示方法及びシステム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210805

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210805

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211217

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: 20220301

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220314

R150 Certificate of patent or registration of utility model

Ref document number: 7052914

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150