JP7512230B2 - 設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム - Google Patents
設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム Download PDFInfo
- Publication number
- JP7512230B2 JP7512230B2 JP2021086223A JP2021086223A JP7512230B2 JP 7512230 B2 JP7512230 B2 JP 7512230B2 JP 2021086223 A JP2021086223 A JP 2021086223A JP 2021086223 A JP2021086223 A JP 2021086223A JP 7512230 B2 JP7512230 B2 JP 7512230B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- equipment
- equipment failure
- time
- model
- 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 42
- 238000012545 processing Methods 0.000 claims description 87
- 230000006866 deterioration Effects 0.000 claims description 65
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 35
- 238000010801 machine learning Methods 0.000 claims description 31
- 230000008439 repair process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 description 35
- 230000015556 catabolic process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000006731 degradation reaction Methods 0.000 description 17
- 238000012795 verification Methods 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 16
- 238000009423 ventilation Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000013075 data extraction Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000003517 fume Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Description
図1は、第1実施形態の道路施設管制システムSの概略を示す全体構成図である。
道路施設管制システムSは、施設制御システム1と、設備管理システム3と、設備修理情報システム4と、動作環境システム5と、設備故障予測システム6と、を備える。また、道路施設管制システムSと連携する構成として、交通管制システム2、計測器7、観測局9等を有している。
車両感知器は、高速道路の路側に設置され、交通量[台/h]、平均速度[km/h]、車両密度[台/km]、占有率(オキュパンシー)[%]などの情報を収集する感知器であり、感知した情報を交通管制システム2に送信する。
異常状態変化データ抽出部11で抽出された異常状態変化データは、管理事務所8に駐在する作業者81にも提供され、また、必要な時に閲覧できるようになっている。
観測局9は、例えば、気象情報(天候、気温、路温、風向、風速、雨量等)や地震情報(震度、SI値、加速度等)の観測局である。
ROMは、各種プログラムや各種データを記憶する記憶媒体である。RAMは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。
MPUは、設備故障予測システム6の動作を統括的に制御する。そして、MPUは、RAMをワークエリア(作業領域)としてROM、記憶部62等に格納されたプログラムを実行する。
まずは、設備故障時期モデル622の学習処理と検証処理について、説明する。
図7Aは、第1実施形態の設備故障予測システム6における設備故障時期モデル622の学習処理を示すフローチャートである。
ステップS11において、設備故障予測システム6の処理部61は、施設制御システム1の異常状態変化データ抽出部11から異常状態変化データ(図2A)を抽出(入力)する。
このように、異常状態変化データを繰り返し学習させることで、機械学習により設備故障時期モデル622を生成していく。
ステップS21において、設備故障予測システム6の処理部61は、状態変化リアルタイムデータ(ステップS11、S13、S14、S15の各データのリアルタイムデータ)を入力する。
図8Aは、第1実施形態の設備故障予測システム6における設備故障要因モデル623の学習処理を示すフローチャートである。
ステップS31において、設備故障予測システム6の処理部61は、施設制御システム1の異常頻度データ生成部12から異常頻度データ(図2B)を抽出(入力)する。
ステップS41において、設備故障予測システム6の処理部61は、状態変化リアルタイムデータ(ステップS31~S35の各データのリアルタイムデータ)を入力する。
図9は、第1実施形態の設備故障予測システム6における予測処理を示すフローチャートである。ここでは、図7A、図7Bの処理によって設備故障時期モデル622の作成と、図8A、図8Bの処理によって設備故障要因モデル623の作成が完了しているものとする。
次に、第2実施形態について説明する。第1実施形態と同様の事項については、重複する説明を適宜省略する。
まず、センサあり設備の場合は、劣化影響度学習部616は、動作環境システム5から取得した動作環境データと、施設制御システム1から取得した異常状態変化データと、を教師データとして、機械学習により、設備劣化推定モデル624を記憶部62aに生成する。なお、設備劣化推定モデル624は、動作環境データを入力とし、設備の劣化への影響の度合いを示す劣化影響度を出力とするモデルである。ここで、予め、異常状態変化データなどに基づいて、劣化影響度の正解データは作成されているものとする。
設備故障時期学習部611aは、異常状態変化データと、設備故障時期データと、動作環境データと、を教師データとして機械学習させることで、設備劣化推定モデル624を用いて、設備故障時期モデル622aを記憶部62aに生成する。ここで、設備故障時期モデル622aは、設備故障時期データおよび動作環境データを入力とし、設備の故障の時期を出力とするモデルである。
まず、設備劣化推定モデル624の学習処理について、説明する。
図12Aは、第2実施形態の設備故障予測システム6aにおける設備劣化推定モデル624の学習処理を示すフローチャートである。
ステップS61において、設備故障予測システム6aの処理部61aは、施設制御システム1の異常状態変化データ抽出部11から異常状態変化データ(図2A)を入力する。
なお、センサあり設備に関しては、設備環境センサ91からの計測データに基づいて動作環境データ作成部51によって作成された動作環境データを入力する。
図12Bは、第2実施形態の設備故障予測システム6aにおける設備劣化推定モデル624の検証処理を示すフローチャートである。
まず、ステップS71において、設備故障予測システム6aの処理部61aは、状態変化リアルタイムデータ(ステップS61~S68の各データのリアルタイムデータ)を入力する。
図13は、第2実施形態の設備故障予測システム6aにおける設備故障時期モデル622aの学習処理を示すフローチャートである。
まず、ステップS11において、設備故障予測システム6aの処理部61aは、施設制御システム1の異常状態変化データ抽出部11から異常状態変化データ(図2A)を入力する。
なお、センサあり設備に関しては、設備環境センサ91からの計測データに基づいて動作環境データ作成部51によって作成された動作環境データを入力する。
また、センサなし設備に関しては、動作環境データの代わりに使用する上述の各種データ(動作環境推定データ、動作環境が類似するセンサあり設備の動作環境データ、振動推定データ、気象状況データ)を入力する。
図14は、第2実施形態の設備故障予測システム6aにおける設備故障要因モデル623aの学習処理を示すフローチャートである。
ステップS31において、設備故障予測システム6の処理部61aは、施設制御システム1の異常頻度データ生成部12から異常頻度データ(図2B)を入力する。
なお、センサあり設備に関しては、設備環境センサ91からの計測データに基づいて動作環境データ作成部51によって作成された動作環境データを入力する。
また、センサなし設備に関しては、動作環境データの代わりに使用する上述の各種データ(動作環境推定データ、動作環境が類似するセンサあり設備の動作環境データ、振動推定データ、気象状況データ)を入力する。
Claims (13)
- 道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習部と、
前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習部と、
リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理部と、
を備える設備故障予測システム。 - 道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習部と、
前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習部と、
リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理部と、
を備える設備故障予測システム。 - 前記設備故障時期データは、前記道路の交通量データ、設備稼働時間データ、設備修理情報データの少なくともいずれかを含む、
請求項1または請求項2に記載の設備故障予測システム。 - 前記設備故障要因データは、前記道路の交通量データ、設備稼働時間データ、設備修理情報データ、前記設備の動作環境データの少なくともいずれかを含む、
請求項1に記載の設備故障予測システム。 - 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、当該設備の動作環境に関係し少なくとも交通状況、前記道路に関するイベント、気象状況のいずれかに関する所定の履歴のデータである動作環境関連データを用いて当該設備の動作環境を推定して動作環境推定データを生成し、前記動作環境データの代わりに前記動作環境推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項2に記載の設備故障予測システム。
- 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに、前記設備環境センサが設置されていて動作環境が類似する前記設備の前記動作環境データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項2に記載の設備故障予測システム。
- 前記設備環境センサが設置されていない前記設備に関し、前記道路に対して設置されたカメラの映像を用いて前記道路を走行する車両の大きさを認識して前記設備に対する振動を推定して振動推定データを生成する振動推定部を、さらに備え、
前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに前記振動推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項2に記載の設備故障予測システム。 - 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記道路に対して設置されたカメラの映像を解析して気象状況データを生成し、前記動作環境データの代わりに前記気象状況データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項2に記載の設備故障予測システム。
- 前記設備環境センサが設置されていない前記設備に関し、前記道路の料金収受システムから取得した前記道路を走行する車両の車両種別データを用いて前記設備に対する振動を推定して振動推定データを生成する振動推定部を、さらに備え、
前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに前記振動推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項2に記載の設備故障予測システム。 - 道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習ステップと、
リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理ステップと、
を含む設備故障予測方法。 - 道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習ステップと、
前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理ステップと、
を含む設備故障予測方法。 - コンピュータに、
道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習ステップと、
リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理ステップと、
を実行させるための設備故障予測プログラム。 - コンピュータに、
道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習ステップと、
前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理ステップと、
を実行させるための設備故障予測プログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020108806 | 2020-06-24 | ||
JP2020108806 | 2020-06-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022008107A JP2022008107A (ja) | 2022-01-13 |
JP7512230B2 true JP7512230B2 (ja) | 2024-07-08 |
Family
ID=80110217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021086223A Active JP7512230B2 (ja) | 2020-06-24 | 2021-05-21 | 設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7512230B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114822035A (zh) * | 2022-05-09 | 2022-07-29 | 北京亮道智能汽车技术有限公司 | 一种路侧感知设备异常识别方法及路侧感知融合系统 |
CN115460098B (zh) * | 2022-09-15 | 2023-04-07 | 中国人民解放军军事科学院系统工程研究院 | 基于时间间隔分布特征的网络管理系统故障模型建立方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010135913A (ja) | 2008-12-02 | 2010-06-17 | Sumitomo Electric Ind Ltd | 劣化検知システム及び劣化検知方法 |
JP2010533903A (ja) | 2007-06-28 | 2010-10-28 | マイクロソフト コーポレーション | センサの状況依存信頼性についての学習と推論 |
JP2018084988A (ja) | 2016-11-24 | 2018-05-31 | 三菱重工機械システム株式会社 | 車両検知装置、車種判別装置、車両検知方法及びプログラム |
JP2018181063A (ja) | 2017-04-17 | 2018-11-15 | 清水建設株式会社 | 生成装置、生成方法及び生成プログラム |
JP2018180759A (ja) | 2017-04-07 | 2018-11-15 | 株式会社日立製作所 | システム分析装置、及びシステム分析方法 |
WO2019087490A1 (ja) | 2017-10-30 | 2019-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2019096008A (ja) | 2017-11-21 | 2019-06-20 | 株式会社テクロック・スマートソリューションズ | 測定ソリューションサービス提供システム |
JP2019139304A (ja) | 2018-02-06 | 2019-08-22 | シャープ株式会社 | 走行装置、走行装置の障害物判定方法および走行装置の障害物判定プログラム |
JP2019195136A (ja) | 2018-05-02 | 2019-11-07 | 日本電気株式会社 | 管理装置、データ抽出方法及びプログラム |
-
2021
- 2021-05-21 JP JP2021086223A patent/JP7512230B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010533903A (ja) | 2007-06-28 | 2010-10-28 | マイクロソフト コーポレーション | センサの状況依存信頼性についての学習と推論 |
JP2010135913A (ja) | 2008-12-02 | 2010-06-17 | Sumitomo Electric Ind Ltd | 劣化検知システム及び劣化検知方法 |
JP2018084988A (ja) | 2016-11-24 | 2018-05-31 | 三菱重工機械システム株式会社 | 車両検知装置、車種判別装置、車両検知方法及びプログラム |
JP2018180759A (ja) | 2017-04-07 | 2018-11-15 | 株式会社日立製作所 | システム分析装置、及びシステム分析方法 |
JP2018181063A (ja) | 2017-04-17 | 2018-11-15 | 清水建設株式会社 | 生成装置、生成方法及び生成プログラム |
WO2019087490A1 (ja) | 2017-10-30 | 2019-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2019096008A (ja) | 2017-11-21 | 2019-06-20 | 株式会社テクロック・スマートソリューションズ | 測定ソリューションサービス提供システム |
JP2019139304A (ja) | 2018-02-06 | 2019-08-22 | シャープ株式会社 | 走行装置、走行装置の障害物判定方法および走行装置の障害物判定プログラム |
JP2019195136A (ja) | 2018-05-02 | 2019-11-07 | 日本電気株式会社 | 管理装置、データ抽出方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2022008107A (ja) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7512230B2 (ja) | 設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム | |
JP6125559B2 (ja) | 鉄道車両の損害推定方法 | |
US20200278273A9 (en) | Computer System and Method for Recommending an Operating Mode of an Asset | |
CN108628286A (zh) | 机台维修系统与方法 | |
US6847906B2 (en) | Inspection system for and method of confirming soundness of transported object | |
US20100174576A1 (en) | System and method for monitoring operation of vehicles | |
KR101093021B1 (ko) | 정보 통합형 철도 시스템 | |
KR20210085168A (ko) | 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법 | |
CN111201176B (zh) | 转向架轨道监测 | |
US11125556B2 (en) | Method and system for monitoring and assessing road conditions | |
KR20220085125A (ko) | 이동식 무인탐지장치를 이용한 인공지능 기반 안전관리 시스템 | |
KR102528445B1 (ko) | 실시간 크레인 원격 유지보수 관리 장치, 방법 및 시스템 | |
JP2019079303A (ja) | 道路設備点検システムおよび道路設備点検方法、ならびにそれに使用されるサーバ | |
EP3759789A1 (en) | System and method for audio and vibration based power distribution equipment condition monitoring | |
KR101129815B1 (ko) | 룰 엔진을 통한 이종 시설물의 센서 데이터 분석 방법 | |
Tichy et al. | Failure analysis and data-driven maintenance of road tunnel equipment | |
Zhang et al. | Post-earthquake structural damage assessment and damage state evaluation for RC structures with experimental validation | |
US20190227112A1 (en) | Device, system and method for indicating and predicting a status of an outdoor object | |
KR20230149438A (ko) | 철도안전 의사결정 지원 시스템 | |
WO2022056677A1 (zh) | 监测、采集、分析系统及其方法、设备、存储介质、程序和程序产品 | |
Ao et al. | Tracking long-term modal behaviour of a footbridge and identifying potential SHM approaches | |
CN112348419A (zh) | 一种物联网处理系统和方法 | |
JP2022187555A (ja) | 予備品管理システム、および、予備品管理方法 | |
Cho et al. | DeepALM: holistic optical network monitoring based on machine learning | |
KR102504121B1 (ko) | Qr코드를 이용한 위치기반의 태양광 발전시스템 운영유지보수 시스템 및 그 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230601 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240502 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240528 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240626 |