JP7299274B2 - 電池モデル構築方法及び電池劣化予測装置 - Google Patents
電池モデル構築方法及び電池劣化予測装置 Download PDFInfo
- Publication number
- JP7299274B2 JP7299274B2 JP2021122309A JP2021122309A JP7299274B2 JP 7299274 B2 JP7299274 B2 JP 7299274B2 JP 2021122309 A JP2021122309 A JP 2021122309A JP 2021122309 A JP2021122309 A JP 2021122309A JP 7299274 B2 JP7299274 B2 JP 7299274B2
- Authority
- JP
- Japan
- Prior art keywords
- battery
- parameter
- learning
- usage history
- time
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Description
電池劣化予測装置1は、電池2の電流、電圧、及び温度の時系列データに基づいて、この電池2の劣化度合いを予測する。以下では、電池劣化予測装置1は、電池2の電力を用いて走行する電動車両(図示せず)に搭載され、この電動車両の電池2の劣化度合いを予測する場合について説明するが、本発明はこれに限らない。電池劣化予測装置1の構成要素の全て又は一部は、電動車両と通信可能に接続されたサーバによって構成してもよい。
比較例1は、GBDTに基づいて構築された電池モデルである。より具体的には、取得ステップST1において取得された使用履歴パラメータ及びSOH測定値の学習用期間分の時系列データを学習データとしてGBDTに基づいて構築した電池モデルを比較例1とする。
比較例2は、複数の使用履歴パラメータを説明変数とし電池のSOH予測値を目的変数とする線形回帰モデルである。より具体的には、比較例1と同じ学習データを用いて学習した線形回帰モデルを比較例2とする。
比較例3は、複数の使用履歴パラメータのべき乗を説明変数とし電池のSOH予測値を目的変数とする線形回帰モデルである。より具体的には、各因子パラメータに対し共通のべき指数値xを定義するとともに、この共通のべき指数値を初期値である0.5に設定してステップST1~ST3によって導出される学習データを用いて学習した線形回帰モデルを比較例3とする。
実施例1は、複数の使用履歴パラメータのべき乗を説明変数とし電池のSOH予測値を目的変数とする線形回帰モデルであり、図3に示す電池モデル構築方法に従って構築された電池モデルである。より具体的には、各因子パラメータで共通のべき指数値xに対する最適べき指数値x_optを図3に示す手順に従って探索するとともに、この最適べき指数値x_optと関連付けられた学習済み電池モデルを実施例1とする。すなわち、実施例1は、最適べき指数値x_optによるべき乗演算を経て生成された学習データを用いて学習した線形回帰モデルである。なお最適べき指数値x_optは、0.71であった。
実施例2は、複数の使用履歴パラメータのべき乗を説明変数とし電池のSOH予測値を目的変数とする線形回帰モデルであり、図3に示す電池モデル構築方法に従って構築された電池モデルである。より具体的には、因子パラメータ毎に独立して定義されたべき指数値(xv,xt,xi)に対する最適べき指数値(xv_opt,xt_opt,xi_opt)を図3に示す手順に従って探索するとともに、これら最適べき指数値(xv_opt,xt_opt,xi_opt)と関連付けられた学習済み電池モデルを実施例2とする。すなわち、実施例2は、最適べき指数値(xv_opt,xt_opt,xi_opt)によるべき乗演算を経て生成された学習データを用いて学習した線形回帰モデルである。ここで電圧因子パラメータに対する最適べき指数値xv_optは、0.87であり、温度因子パラメータに対する最適べき指数値xt_optは、0.67であり、電流因子パラメータに対する最適べき指数値xi_optは、0.66であった。なお線形回帰モデルの関数形は、比較例2,3及び実施例1,2で共通とした。
11…データ取得部
12…使用履歴パラメータ算出部
13…入力パラメータ生成部
14…モデル予測部
Claims (7)
- 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルを構築する電池モデル構築方法であって、
前記使用履歴パラメータ及び前記劣化指標の時系列データを取得する取得ステップと、
前記使用履歴パラメータを所定のべき指数値でべき乗演算することにより入力パラメータの時系列データを生成するべき乗演算ステップと、
前記入力パラメータ及び前記劣化指標の時系列データを学習データとして前記電池モデルを学習する学習ステップと、
前記べき指数値を変えながら前記べき乗演算ステップ及び前記学習ステップを繰り返し行うことにより最適べき指数値を探索する探索ステップと、を備え、
前記電池モデルは、前記目的変数を前記説明変数の線形関数によって表す線形回帰モデルであることを特徴とする電池モデル構築方法。 - 前記使用履歴パラメータは、前記電池の電流を因子とする電流因子パラメータと、前記電池の電圧を因子とする電圧因子パラメータと、前記電池の温度を因子とする温度因子パラメータと、を含むことを特徴とする請求項1に記載の電池モデル構築方法。
- 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルを構築する電池モデル構築方法であって、
前記使用履歴パラメータ及び前記劣化指標の時系列データを取得する取得ステップと、
前記使用履歴パラメータを所定のべき指数値でべき乗演算することにより入力パラメータの時系列データを生成するべき乗演算ステップと、
前記入力パラメータ及び前記劣化指標の時系列データを学習データとして前記電池モデルを学習する学習ステップと、
前記べき指数値を変えながら前記べき乗演算ステップ及び前記学習ステップを繰り返し行うことにより最適べき指数値を探索する探索ステップと、を備え、
前記使用履歴パラメータは、前記電池の電流を因子とする電流因子パラメータと、前記電池の電圧を因子とする電圧因子パラメータと、前記電池の温度を因子とする温度因子パラメータと、を含み、
前記探索ステップでは、前記電流因子パラメータ、前記電圧因子パラメータ、及び前記温度因子パラメータに対し共通の最適べき指数値を探索することを特徴とする電池モデル構築方法。 - 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルを構築する電池モデル構築方法であって、
前記使用履歴パラメータ及び前記劣化指標の時系列データを取得する取得ステップと、
前記使用履歴パラメータを所定のべき指数値でべき乗演算することにより入力パラメータの時系列データを生成するべき乗演算ステップと、
前記入力パラメータ及び前記劣化指標の時系列データを学習データとして前記電池モデルを学習する学習ステップと、
前記べき指数値を変えながら前記べき乗演算ステップ及び前記学習ステップを繰り返し行うことにより最適べき指数値を探索する探索ステップと、を備え、
前記使用履歴パラメータは、前記電池の電流を因子とする電流因子パラメータと、前記電池の電圧を因子とする電圧因子パラメータと、前記電池の温度を因子とする温度因子パラメータと、を含み、
前記探索ステップでは、前記電流因子パラメータ、前記電圧因子パラメータ、及び前記温度因子パラメータに対し各々独立した最適べき指数値を探索することを特徴とする電池モデル構築方法。 - 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルを構築する電池モデル構築方法であって、
前記使用履歴パラメータ及び前記劣化指標の時系列データを取得する取得ステップと、
前記使用履歴パラメータを所定のべき指数値でべき乗演算することにより入力パラメータの時系列データを生成するべき乗演算ステップと、
前記入力パラメータ及び前記劣化指標の時系列データを学習データとして前記電池モデルを学習する学習ステップと、
前記べき指数値を変えながら前記べき乗演算ステップ及び前記学習ステップを繰り返し行うことにより最適べき指数値を探索する探索ステップと、を備え、
前記探索ステップでは、0から1の範囲内で前記最適べき指数値を探索することを特徴とする電池モデル構築方法。 - 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルを構築する電池モデル構築方法であって、
前記使用履歴パラメータ及び前記劣化指標の時系列データを取得する取得ステップと、
前記使用履歴パラメータを所定のべき指数値でべき乗演算することにより入力パラメータの時系列データを生成するべき乗演算ステップと、
前記入力パラメータ及び前記劣化指標の時系列データを学習データとして前記電池モデルを学習する学習ステップと、
前記べき指数値を変えながら前記べき乗演算ステップ及び前記学習ステップを繰り返し行うことにより最適べき指数値を探索する探索ステップと、を備え、
前記学習ステップでは、前記入力パラメータ及び前記劣化指標の時系列データのうち所定の学習用期間内に属するものを前記学習データとし、
前記探索ステップでは、前記入力パラメータ及び前記劣化指標の時系列データのうち前記学習用期間以降の検証用期間内に属するものを検証データとし、前記検証データを用いて学習済みの前記電池モデルの予測精度を評価することによって前記最適べき指数値を探索することを特徴とする電池モデル構築方法。 - 電池の電流、電圧、及び温度の時系列データに基づいて定義される複数の使用履歴パラメータのべき乗を説明変数とし、前記電池の劣化指標の予測値を目的変数とする電池モデルによって前記劣化指標の予測値を算出する電池劣化予測装置であって、
前記電池の電流、電圧、及び温度の時系列データを取得するデータ取得部と、
前記データ取得部によって取得された時系列データに基づいて前記使用履歴パラメータを算出する使用履歴パラメータ算出部と、
前記使用履歴パラメータに対し請求項1から6の何れかに記載の電池モデル構築方法によって探索された最適べき指数値によるべき乗演算をすることにより入力パラメータを生成する入力パラメータ生成部と、
前記入力パラメータを説明変数として前記電池モデルへ入力することにより前記劣化指標の予測値を算出するモデル予測部と、を備え、
前記電池モデルは、前記最適べき指数値によるべき乗演算を経て生成された学習データによって学習されていることを特徴とする電池劣化予測装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021122309A JP7299274B2 (ja) | 2021-07-27 | 2021-07-27 | 電池モデル構築方法及び電池劣化予測装置 |
CN202210863345.4A CN115684947A (zh) | 2021-07-27 | 2022-07-21 | 电池模型构建方法及电池劣化预测装置 |
US17/815,203 US20230029810A1 (en) | 2021-07-27 | 2022-07-26 | Battery model construction method and battery degradation prediction device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021122309A JP7299274B2 (ja) | 2021-07-27 | 2021-07-27 | 電池モデル構築方法及び電池劣化予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023018289A JP2023018289A (ja) | 2023-02-08 |
JP7299274B2 true JP7299274B2 (ja) | 2023-06-27 |
Family
ID=85039022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021122309A Active JP7299274B2 (ja) | 2021-07-27 | 2021-07-27 | 電池モデル構築方法及び電池劣化予測装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230029810A1 (ja) |
JP (1) | JP7299274B2 (ja) |
CN (1) | CN115684947A (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7432641B2 (ja) | 2022-03-23 | 2024-02-16 | 本田技研工業株式会社 | バッテリ状態診断装置、バッテリ状態診断方法、およびプログラム |
WO2024115934A1 (ja) * | 2022-11-29 | 2024-06-06 | 日産自動車株式会社 | 電池劣化状態推定方法、及び電池劣化状態推定装置 |
CN116540097A (zh) * | 2023-04-12 | 2023-08-04 | 广东博通新能源科技有限公司 | 电池劣化度在线评估方法及装置 |
CN116626506B (zh) * | 2023-07-25 | 2023-10-27 | 国网山东省电力公司临清市供电公司 | 一种变电站蓄电池状态特性预测方法及系统 |
CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
CN116774057B (zh) * | 2023-08-18 | 2023-11-14 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
CN117755150A (zh) * | 2023-11-28 | 2024-03-26 | 北京潞电电力建设有限公司 | 一种基于机器学习的快速充电方法 |
CN117341976B (zh) * | 2023-12-05 | 2024-02-02 | 合肥德智航创科技有限公司 | 一种无人机综合健康管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003009406A (ja) | 2001-06-22 | 2003-01-10 | Matsushita Electric Ind Co Ltd | 二次電池の状態演算装置 |
WO2009148160A1 (ja) | 2008-06-06 | 2009-12-10 | 株式会社 明電舎 | キャパシタの余寿命診断装置および余寿命診断装置を備えた電力補償装置 |
WO2016208251A1 (ja) | 2015-06-25 | 2016-12-29 | 株式会社日立製作所 | 蓄電システム |
JP6722954B1 (ja) | 2019-04-02 | 2020-07-15 | 東洋システム株式会社 | バッテリー残存価値決定システム |
CN111722114A (zh) | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
CN112816880A (zh) | 2021-02-23 | 2021-05-18 | 欣旺达电动汽车电池有限公司 | 电池寿命预测的方法、装置及存储介质 |
JP2021092404A (ja) | 2019-12-06 | 2021-06-17 | 株式会社Gsユアサ | 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム |
-
2021
- 2021-07-27 JP JP2021122309A patent/JP7299274B2/ja active Active
-
2022
- 2022-07-21 CN CN202210863345.4A patent/CN115684947A/zh active Pending
- 2022-07-26 US US17/815,203 patent/US20230029810A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003009406A (ja) | 2001-06-22 | 2003-01-10 | Matsushita Electric Ind Co Ltd | 二次電池の状態演算装置 |
WO2009148160A1 (ja) | 2008-06-06 | 2009-12-10 | 株式会社 明電舎 | キャパシタの余寿命診断装置および余寿命診断装置を備えた電力補償装置 |
WO2016208251A1 (ja) | 2015-06-25 | 2016-12-29 | 株式会社日立製作所 | 蓄電システム |
CN111722114A (zh) | 2019-03-18 | 2020-09-29 | 上海汽车集团股份有限公司 | 一种动力电池寿命预测方法及系统 |
JP6722954B1 (ja) | 2019-04-02 | 2020-07-15 | 東洋システム株式会社 | バッテリー残存価値決定システム |
JP2021092404A (ja) | 2019-12-06 | 2021-06-17 | 株式会社Gsユアサ | 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム |
CN112816880A (zh) | 2021-02-23 | 2021-05-18 | 欣旺达电动汽车电池有限公司 | 电池寿命预测的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2023018289A (ja) | 2023-02-08 |
US20230029810A1 (en) | 2023-02-02 |
CN115684947A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7299274B2 (ja) | 電池モデル構築方法及び電池劣化予測装置 | |
Burgos-Mellado et al. | Particle-filtering-based estimation of maximum available power state in Lithium-Ion batteries | |
Yang et al. | Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model | |
JP7069025B2 (ja) | 電熱電池モデルの生成及び使用のためのシステム及び方法 | |
US10228425B2 (en) | Method and apparatus for learning and estimating battery state information | |
CN110568359B (zh) | 一种锂电池剩余寿命预测方法 | |
JP5936711B2 (ja) | 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法 | |
JP5875037B2 (ja) | バッテリの状態予測システム、方法及びプログラム | |
WO2020198118A1 (en) | Methods, systems, and devices for estimating and predicting a remaining time to charge and a remaining time to discharge of a battery | |
Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
JP6490882B1 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
WO2014155726A1 (ja) | 電池特性推定方法、電池特性推定装置及びプログラム | |
CN112622693A (zh) | 一种电池管理方法、装置及车辆 | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN110133515B (zh) | 电池剩余能量确定方法及其装置 | |
Mian Qaisar | A proficient Li-ion battery state of charge estimation based on event-driven processing | |
JP2015520374A (ja) | 処理方法に由来するデータに基づいてエネルギ状態を判定するデバイス及び方法 | |
KR20210023695A (ko) | 배터리 soh 예측 방법 및 이를 적용한 배터리 팩 | |
KR20200056716A (ko) | 배터리 soh 산출 시스템 및 방법 | |
JP2022044172A (ja) | 複数の電池に関する判定装置、蓄電システム、判定方法及び判定プログラム | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
Fahmy et al. | State of health estimation of lithium-ion battery using dual adaptive unscented Kalman filter and Coulomb counting approach | |
Channegowda et al. | An attention‐based synthetic battery data augmentation technique to overcome limited dataset challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230511 |
|
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: 20230530 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230615 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7299274 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |