KR102591145B1 - Method and apparatus for predicting status of parts for fault diagnosis - Google Patents
Method and apparatus for predicting status of parts for fault diagnosis Download PDFInfo
- Publication number
- KR102591145B1 KR102591145B1 KR1020180139895A KR20180139895A KR102591145B1 KR 102591145 B1 KR102591145 B1 KR 102591145B1 KR 1020180139895 A KR1020180139895 A KR 1020180139895A KR 20180139895 A KR20180139895 A KR 20180139895A KR 102591145 B1 KR102591145 B1 KR 102591145B1
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- learning model
- state prediction
- prediction information
- feature vector
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 101
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000011002 quantification Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하는 단계, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하는 단계, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 단계 및 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하는 단계를 포함하는 고장 진단을 위한 부품 상태 예측 방법이 개시된다.Generating a first machine learning model using the previous state prediction information of the part, selecting the optimal one for the part among the first machine learning model and at least one previously generated second machine learning model based on test data of the part. A failure comprising selecting a machine learning model, acquiring a feature vector for information on the part to be diagnosed from an external source, and extracting state prediction information of the part to be diagnosed based on the optimal machine learning model and feature vector. A method for predicting component status for diagnosis is disclosed.
Description
본 발명은 고장 진단을 위한 부품의 상태 예측 방법 및 장치에 관한 것으로, 더욱 상세하게는 철도 차량 및 시설에 대한 유지 보수를 위해 철도 차량의 부품 별 상태를 예측하는 방법 및 장치에 관한 것이다.The present invention relates to a method and device for predicting the state of components for failure diagnosis, and more specifically, to a method and device for predicting the state of each component of a railroad vehicle for maintenance of railroad vehicles and facilities.
종래의 철도 고속 차량과 화물 차량에 대한 정비 작업은 철도 정비 작업장으로 입고되는 시점에서 부품별로 설정된 정량화된 상태값 등을 참고하여 현장의 유지보수 작업자의 육안 판정 등을 토대로 예방 차원의 조치가 진행되며, 유지보수 이력 관리도 데이터로서 독립적으로 활용되어, 관리 비용의 증가 및 일률적인 관리가 어려운 문제점이 존재하였다.Maintenance work on conventional high-speed railway vehicles and freight vehicles is carried out as a preventive measure based on the visual judgment of maintenance workers on site, referring to the quantified condition values set for each part at the time of delivery to the railway maintenance workshop. , Maintenance history management was also used independently as data, causing problems such as increased management costs and difficulty in uniform management.
이에 따라, 철도 부품 관리에 대한 효율성 및 효과성을 향상시키고자 하는 연구가 지속되고 있는 실정이다.Accordingly, research to improve the efficiency and effectiveness of railway parts management is ongoing.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 고장 진단을 위한 부품의 상태 예측 방법을 제공하는 데 있다.The purpose of the present invention to solve the above problems is to provide a method for predicting the status of components for fault diagnosis.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 고장 진단을 위한 부품의 상태 예측 장치를 제공하는 데 있다.Another purpose of the present invention to solve the above problems is to provide a device for predicting the state of components for fault diagnosis.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부품 상태 예측 방법은, 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하는 단계, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하는 단계, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 단계 및 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하는 단계를 포함할 수 있다.The part state prediction method according to an embodiment of the present invention to achieve the above object includes generating a first machine learning model using previous state prediction information of the part, and first machine learning based on test data of the part. Selecting an optimal machine learning model for a part among the model and at least one previously created second machine learning model, acquiring a feature vector for information on the part to be diagnosed from an external source, and an optimal machine learning model, and It may include extracting state prediction information of the component to be diagnosed based on the feature vector.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 부품 상태 예측 장치는, 프로세서(processor) 및 프로세서를 통해 실행되는 적어도 하나의 명령이 저장된 메모리(memory)를 포함하고, 적어도 하나의 명령은, 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하도록 실행되고, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하도록 실행되고, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하도록 실행되고, 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하도록 실행될 수 있다.A component state prediction device according to an embodiment of the present invention for achieving the above other object includes a processor and a memory storing at least one command executed through the processor, and the at least one command is , is executed to generate a first machine learning model using the previous state prediction information of the part, and is executed to generate a first machine learning model and at least one previously generated second machine learning model based on test data of the part. It is executed to select the optimal machine learning model, is executed to acquire feature vectors for information on the part to be diagnosed from the outside, and is executed to extract condition prediction information of the part to be diagnosed based on the optimal machine learning model and feature vector. You can.
본 발명에 따르면, 기계 학습을 이용하여 부품에 대한 정량화된 상태값을 예측하여 작업의 정확도가 향상될 수 있다.According to the present invention, the accuracy of work can be improved by predicting quantified state values for parts using machine learning.
본 발명에 따르면, 부품의 상태 데이터를 이용하므로 정비 작업의 신뢰성을 향상시킬 수 있다.According to the present invention, the reliability of maintenance work can be improved by using the status data of parts.
본 발명에 따르면, 작업의 정확도 및 정비 작업의 신뢰성이 향상되어 철도 안전 사고의 가능성을 감소시킬 수 있다.According to the present invention, the accuracy of work and the reliability of maintenance work can be improved, thereby reducing the possibility of railway safety accidents.
도 1은 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 부품 상태 예측을 위한 기계 학습 모델 제공 방법의 개념도이다.
도 3은 본 발명의 일 실시예에 따른 부품 상태 예측 장치의 블록 구성도이다.
도 4는 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 순서도이다.1 is a conceptual diagram of a component state prediction method according to an embodiment of the present invention.
Figure 2 is a conceptual diagram of a method for providing a machine learning model for predicting the state of a part according to an embodiment of the present invention.
Figure 3 is a block diagram of a component state prediction device according to an embodiment of the present invention.
Figure 4 is a flowchart of a method for predicting component status according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention. While describing each drawing, similar reference numerals are used for similar components.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. Terms such as first, second, A, B, etc. may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention. The term “and/or” includes any of a plurality of related stated items or a combination of a plurality of related stated items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. When a component is said to be "connected" or "connected" to another component, it is understood that it may be directly connected to or connected to the other component, but that other components may exist in between. It should be. On the other hand, when it is mentioned that a component is “directly connected” or “directly connected” to another component, it should be understood that there are no other components in between.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “have” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are not intended to indicate the presence of one or more other features. It should be understood that this does not exclude in advance the possibility of the existence or addition of elements, numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the present invention pertains. Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and unless explicitly defined in the present application, should not be interpreted in an ideal or excessively formal sense. No.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the attached drawings. In order to facilitate overall understanding when describing the present invention, the same reference numerals are used for the same components in the drawings, and duplicate descriptions for the same components are omitted. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the attached drawings.
본 발명은 철도 차량 및 시설에 대한 유지 보수 분야에서 이용될 수 있는 고장 예측 방법의 상태 예측 신뢰도를 향상시킬 수 있으며, 철도 고속 차량 및 화물 차량의 부품 등에 적용될 수 있으나, 다른 분야의 부품에도 동일하게 적용 가능하므로, 본 발명이 철도 차량의 부품에 한정되는 것은 아니다.The present invention can improve the condition prediction reliability of a failure prediction method that can be used in the field of maintenance for railway vehicles and facilities, and can be applied to parts of high-speed railway vehicles and freight vehicles, but can also be applied to parts in other fields. As applicable, the present invention is not limited to parts of railway vehicles.
본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품별로 동작할 수 있으므로, 부품 상태 예측 장치는 복수의 부품 각각에 대하여 부품 상태 예측 방법을 별도로 수행할 수 있다. 본 발명의 설명에서 부품은 베어링 등을 의미할 수 있고, 부품에 대한 정보는 진동, 온도, 초음파 및 로드셀 등과 같은 다양한 센서에 의해 획득된 상태 데이터 및 제조사 또는 전문가의 지식과 경험치에 기초한 부품별 보증 기간 및 운용 거리 데이터 등의 부품 정량화 데이터 등을 포함할 수 있으며, 테이블의 형태로 구성 및 저장될 수 있다.Since the component status prediction method according to an embodiment of the present invention can operate for each component, the component status prediction device can separately perform the component status prediction method for each of a plurality of components. In the description of the present invention, a part may mean a bearing, etc., and information about the part may include state data obtained by various sensors such as vibration, temperature, ultrasonic waves, and load cells, and warranty for each part based on the knowledge and experience of the manufacturer or expert. It may include part quantification data such as period and operating distance data, and may be organized and stored in the form of a table.
도 1은 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 개념도이다.1 is a conceptual diagram of a component state prediction method according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품의 정보에 대한 특징 벡터와 부품의 기계 학습(ML, Machine learning) 모델을 기초로 부품의 상태 예측 정보를 추출하고, 추출한 부품 상태 예측 정보를 검증하여 달성될 수 있다.Referring to FIG. 1, the part state prediction method according to an embodiment of the present invention extracts state prediction information of the part based on a feature vector for the part information and a machine learning (ML) model of the part, This can be achieved by verifying the extracted part state prediction information.
여기서, 부품의 정보에 대한 특징 벡터는 외부 장치 또는 사용자에 의해 입력될 수 있고, 본 발명의 일 실시예에 따른 부품 상태 예측 장치 내에 부품의 정보로부터 특징 벡터를 추출하는 장치가 탑재될 수도 있으나, 이에 한정되는 것은 아니다.Here, the feature vector for the part information may be input by an external device or a user, and a device for extracting the feature vector from the part information may be installed in the part state prediction device according to an embodiment of the present invention. It is not limited to this.
부품의 기계 학습 모델은 부품의 이전 상태 예측 정보를 포함하여 상태 예측 정보를 관리하고, 이에 따른 적어도 하나의 기계 학습 모델의 관리를 통해 제공받을 수 있다. 다시 말해, 본 발명의 일 실시예는 추출한 상태 예측 정보와 이전에 추출한 상태 예측 정보를 함께 관리할 수 있으며, 이를 기초로 새로운 기계 학습 모델을 생성할 수 있다. 또한, 본 발명의 일 실시예는 생성한 기계 학습 모델과 이전에 생성한 기계 학습 모델을 함께 관리할 수 있으며, 생성한 기계 학습 모델 및 적어도 하나의 이전에 생성한 기계 학습 모델 중 시험 데이터를 이용하여 부품에 대한 최적의 기계 학습 모델을 선정하고, 이를 제공함으로써, 지속적으로 데이터의 정확성 및 신뢰성을 향상시킬 수 있다. 이와 관련된 상세한 설명은 도 2와 함께 후술하겠다.The machine learning model of the part can be provided by managing state prediction information, including previous state prediction information of the part, and managing at least one machine learning model accordingly. In other words, an embodiment of the present invention can manage the extracted state prediction information and previously extracted state prediction information together, and create a new machine learning model based on this. In addition, an embodiment of the present invention can manage the created machine learning model and the previously created machine learning model together, and use test data among the created machine learning model and at least one previously created machine learning model. By selecting and providing the optimal machine learning model for the part, the accuracy and reliability of data can be continuously improved. A detailed explanation related to this will be described later along with FIG. 2.
본 발명의 일 실시예에 따른 부품 상태 예측 방법은 획득한 부품의 정보에 대한 특징 벡터와 제공받은 부품의 기계 학습 모델을 기초로 상태 예측 정보를 추출할 수 있으며, 추출한 부품의 상태 예측 정보를 추가적으로 검증할 수 있다.The part state prediction method according to an embodiment of the present invention can extract state prediction information based on a feature vector for the information on the acquired part and a machine learning model of the provided part, and can additionally extract the state prediction information for the extracted part. It can be verified.
여기서, 상태 예측 정보의 검증은 추출된 상태 예측 정보의 정확성 및 신뢰성을 향상시키기 위해 사용자에 의한 직접적인 데이터 검증을 통해 수행될 수 있으며, 다른 기준 데이터 및 오차 범위 데이터 등을 기초로 자동적으로 검증이 수행될 수 있으나, 이에 한정되는 것은 아니며, 검증 과정은 생략될 수도 있다.Here, verification of the state prediction information can be performed through direct data verification by the user to improve the accuracy and reliability of the extracted state prediction information, and verification is automatically performed based on other reference data and error range data. It may be possible, but it is not limited to this, and the verification process may be omitted.
이하에서는 상태 예측 정보의 관리 및 기계 학습 모델의 관리에 대하여 상세히 설명하겠다.Below, we will explain in detail the management of state prediction information and the management of machine learning models.
도 2는 본 발명의 일 실시예에 따른 부품 상태 예측을 위한 기계 학습 모델 제공 방법의 개념도이다.Figure 2 is a conceptual diagram of a method for providing a machine learning model for predicting the state of a part according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 방법은 부품의 상태 예측을 위해 추출한 상태 예측 정보 및 이전에 생성한 상태 예측 정보를 함께 관리할 수 있으며, 이를 기초로 기계 학습 모델을 생성할 수 있고, 생성한 기계 학습 모델 및 이전에 생성한 적어도 하나의 기계 학습 모델을 함께 관리할 수 있다. Referring to FIG. 2, the part state prediction method according to an embodiment of the present invention can manage the state prediction information extracted to predict the state of the part and the previously generated state prediction information together, and based on this, a machine learning model You can create and manage the created machine learning model and at least one previously created machine learning model together.
보다 상세히 설명하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 우선, 도 1에서 추출한 부품의 상태 예측 정보를 이전에 획득한 상태 예측 정보와 함께 제1 데이터베이스에 저장하여 관리할 수 있다. 여기서, 제1 데이터베이스에 저장된 상태 예측 정보는 부품 별로 상태 데이터 및 정량화 데이터 등을 테이블의 형태로 저장되어 있을 수 있다.In more detail, the component state prediction device according to an embodiment of the present invention may first store and manage the component state prediction information extracted in FIG. 1 together with previously acquired state prediction information in a first database. Here, the state prediction information stored in the first database may include state data and quantification data for each part in the form of a table.
본 발명의 일 실시예에 따른 부품 상태 예측 장치는 제1 데이터베이스에 저장된 추출한 부품의 상태 예측 정보 및 이전에 추출한 부품의 상태 예측 정보를 기초로 기계 학습 훈련 데이터를 생성할 수 있다. 여기서, 기계 학습 훈련 데이터는 이전에 추출한 부품의 상태 예측 정보에 따라 이전에 생성한 기계 학습 훈련 데이터를 제1 데이터베이스에 저장하고 있는 경우, 이전에 생성한 기계 학습 훈련 데이터에 현재 추출한 부품의 상태 예측 정보에 따라 생성한 기계 학습 훈련 데이터를 추가한 데이터를 의미할 수 있으나, 이전에 추출한 부품의 상태 예측 정보와 현재 추출한 부품의 상태 예측 정보를 기초로 새로운 기계 학습 훈련 데이터를 생성할 수도 있다.The part state prediction device according to an embodiment of the present invention may generate machine learning training data based on the state prediction information of the extracted part and the state prediction information of the previously extracted part stored in the first database. Here, the machine learning training data predicts the state of the currently extracted part based on the previously generated machine learning training data when previously generated machine learning training data is stored in the first database according to the state prediction information of the previously extracted part. It may refer to data that adds machine learning training data generated according to information, but new machine learning training data can also be created based on the state prediction information of previously extracted parts and the state prediction information of currently extracted parts.
본 발명의 일 실시예에 따른 부품 상태 예측 장치는 생성한 기계 학습 훈련 데이터를 기초로 기계 학습 모델을 생성할 수 있으며, 생성한 기계 학습 모델은 현재 추출한 부품의 상태 예측 정보가 더 추가되었으므로, 적어도 하나의 이전에 생성한 기계 학습 모델과 차이가 존재할 수 있다.The part state prediction device according to an embodiment of the present invention can generate a machine learning model based on the generated machine learning training data, and the generated machine learning model has additional state prediction information of the currently extracted part, so at least There may be differences from one previously created machine learning model.
본 발명의 일 실시예에 따른 부품 상태 예측 장치는 생성한 기계 학습 모델을 이전에 생성한 기계 학습 모델과 함께 제2 데이터베이스에 저장하여 관리할 수 있다. 여기서, 제2 데이터베이스에 저장된 기계 학습 모델은 부품별로 구분되어 부품별 적어도 하나의 기계 학습 모델에 대한 데이터가 저장되어 있을 수 있다.The component state prediction device according to an embodiment of the present invention can manage the generated machine learning model by storing it in a second database along with a previously created machine learning model. Here, the machine learning model stored in the second database may be divided into parts and data for at least one machine learning model for each part may be stored.
본 발며의 일 실시예에 따른 부품 상태 예측 장치는 미리 설정된 시험 데이터를 기초로 제2 데이터베이스에 저장된 현재 생성한 기계 학습 모델과 이전에 생성한 적어도 하나의 기계 학습 모델 중 어느 하나를 최적의 기계 학습 모델로 선정할 수 있다. A component state prediction device according to an embodiment of the present invention uses one of the currently generated machine learning model and at least one previously generated machine learning model stored in the second database based on preset test data to provide optimal machine learning. You can select it as a model.
여기서, 미리 설정된 시험 데이터는 외부 장치 또는 사용자에 의해 입력되는 데이터를 의미할 수 있으며, 이전에 입력되어 지속적으로 사용될 수도 있다. 또한, 시험 데이터는 부품에 대한 시험 특징 벡터와 이에 따른 시험 상태 예측 정보를 포함할 수 있고, 검증 과정은 시험 특징 벡터를 제2 데이터베이스에 저장된 적어도 하나의 기계 학습 모델에 입력한 후, 그 결과와 시험 상태 예측 정보 간의 차이가 가장 적은 기계 학습 모델을 최적의 기계 학습 모델로 판단 및 선정할 수 있다.Here, preset test data may refer to data input by an external device or a user, and may also be previously input and continuously used. In addition, the test data may include a test feature vector for the part and test state prediction information accordingly, and the verification process may include inputting the test feature vector into at least one machine learning model stored in the second database, and then providing the results and The machine learning model with the smallest difference between test state prediction information can be judged and selected as the optimal machine learning model.
본 발명의 일 실시예에 따른 부품 상태 예측 장치는 선정한 기계 학습 모델을 이용하여 도 1과 같이 부품의 상태 예측 정보를 추출할 수 있다.The component status prediction device according to an embodiment of the present invention can extract component status prediction information as shown in FIG. 1 using a selected machine learning model.
다시 말해, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 이전 부품의 상태 예측 정보를 기초로 현재 부품의 상태 예측 정보를 추출하기 위한 최적의 기계 학습 모델을 지속적으로 갱신할 수 있으며, 이에 따라 상태 예측의 정확성 및 신뢰성이 지속적으로 향상될 수 있다.In other words, the part state prediction device according to an embodiment of the present invention can continuously update the optimal machine learning model for extracting the state prediction information of the current part based on the state prediction information of the previous part, and accordingly. The accuracy and reliability of state prediction can continue to improve.
도 3은 본 발명의 일 실시예에 따른 부품 상태 예측 장치의 블록 구성도이다.Figure 3 is a block diagram of a component state prediction device according to an embodiment of the present invention.
도 3을 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치(300)는 적어도 하나의 프로세서(310), 메모리(320) 및 저장 장치(330)를 포함할 수 있다.Referring to FIG. 3, the component
본 발명의 일 실시예에 따른 부품 상태 예측 장치(300)는 지단 대상 부품에 대한 특징 벡터를 획득할 수 있는 외부 장치와 연결될 수 있고, 부품 상태 예측 장치에 탑재될 수도 있으며, 사용자에 의해 진단 대상 부품에 대한 특징 벡터가 입력될 수도 있으나, 이에 한정되는 것은 아니다.The component
프로세서(310)는 메모리(320) 및/또는 저장 장치(330)에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(310)는 중앙 처리 장치(CPU, Central Processing Unit), 그래픽 처리 장치(GPU, Graphics Processing Unit) 또는 본 발명에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(320)와 저장 장치(330)는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리(320)는 읽기 전용 메모리(ROM, Read Only Memory) 및/또는 랜덤 액세스 메모리(RAM, Random Access Memory)로 구성될 수 있다.The
메모리(320)는 프로세서(310)를 통해 실행되는 적어도 하나의 명령을 저장하고 있을 수 있다. 적어도 하나의 명령은 부품의 이전 상태 예측 정보를 이용하여 제1 기계 학습 모델을 생성하는 명령, 부품의 시험 데이터를 기초로 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 부품에 대한 최적의 기계 학습 모델을 선정하는 명령, 외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 명령 및 최적의 기계 학습 모델 및 특징 벡터를 기초로 진단 대상 부품의 상태 예측 정보를 추출하는 명령을 포함할 수 있다.The
도 4는 본 발명의 일 실시예에 따른 부품 상태 예측 방법의 순서도이다.Figure 4 is a flowchart of a method for predicting component status according to an embodiment of the present invention.
도 4를 참조하면, 본 발명의 일 실시예에 따른 부품 상태 예측 장치는 우선, 상태 예측 대상인 부품의 정보에 대한 특징 벡터를 획득할 수 있다(S410). 여기서, 특징 벡터는 외부 장치 또는 사용자에 의해 입력받을 수 있으나, 이에 한정되는 것은 아니다. 또한, 부품의 정보는 부품의 상태 정보 및 정량화 데이터를 포함할 수 있다.Referring to FIG. 4, the component state prediction device according to an embodiment of the present invention may first obtain a feature vector for information on the component that is the target of state prediction (S410). Here, the feature vector can be input by an external device or a user, but is not limited to this. Additionally, the part information may include part status information and quantification data.
부품 상태 예측 장치는 부품의 상태 예측 정보를 추출하기 위한 최적의 기계 학습 모델을 획득할 수 있다(S420). 여기서, 부품 상태 예측 장치는 최적의 기계 학습 모델을 획득하기 위해 이전에 추출한 부품의 상태 예측 정보를 기초로 기계 학습 모델을 생성할 수 있고, 생성한 학습 모델과 이전에 생성한 학습 모델 중 시험 데이터를 기초로 최적의 기계 학습 모델을 선정할 수 있다.The part state prediction device can obtain an optimal machine learning model for extracting state prediction information of the part (S420). Here, the part state prediction device may generate a machine learning model based on previously extracted state prediction information of the part in order to obtain an optimal machine learning model, and test data among the generated learning model and the previously generated learning model. Based on this, the optimal machine learning model can be selected.
이후, 부품 상태 예측 장치는 특징 벡터 및 기계 학습 모델을 기초로 부품의 상태 예측 정보를 추출할 수 있으며(S430), 추출한 상태 예측 정보를 검증하여(S440), 사용자에게 제공할 수 있다.Afterwards, the part state prediction device can extract the state prediction information of the part based on the feature vector and the machine learning model (S430), verify the extracted state prediction information (S440), and provide it to the user.
여기서, 상태 예측 정보의 추출은 특징 벡터를 기계 학습 모델에 입력하여 추출된 출력 데이터를 의미할 수 있으며, 상태 예측 정보의 검증은 외부 장치 또는 사용자에 의해 수행될 수 있으나, 검증 과정은 생략될 수도 있다.Here, extraction of state prediction information may refer to output data extracted by inputting a feature vector into a machine learning model, and verification of state prediction information may be performed by an external device or user, but the verification process may be omitted. there is.
본 발명의 실시예에 따른 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다. Operations according to embodiments of the present invention can be implemented as a computer-readable program or code on a computer-readable recording medium. Computer-readable recording media include all types of recording devices that store data that can be read by a computer system. Additionally, computer-readable recording media can be distributed across networked computer systems so that computer-readable programs or codes can be stored and executed in a distributed manner.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.Additionally, computer-readable recording media may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Program instructions may include not only machine language code such as that created by a compiler, but also high-level language code that can be executed by a computer using an interpreter, etc.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다. Although some aspects of the invention have been described in the context of an apparatus, it may also refer to a corresponding method description, where a block or device corresponds to a method step or feature of a method step. Similarly, aspects described in the context of a method may also be represented by corresponding blocks or items or features of a corresponding device. Some or all of the method steps may be performed by (or using) a hardware device, such as a microprocessor, programmable computer, or electronic circuit, for example. In some embodiments, one or more of the most important method steps may be performed by such an apparatus.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그래머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.In embodiments, a programmable logic device (e.g., a field programmable gate array) may be used to perform some or all of the functionality of the methods described herein. In embodiments, a field programmable gate array may operate in conjunction with a microprocessor to perform one of the methods described herein. In general, the methods are preferably performed by some hardware device.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the present invention has been described above with reference to preferred embodiments, those skilled in the art may make various modifications and changes to the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that you can do it.
300: 부품 상태 예측 장치 310: 프로세서
320: 메모리 330: 저장 장치300: Part status prediction device 310: Processor
320: memory 330: storage device
Claims (10)
상기 부품에 대한 시험 데이터를 기초로 상기 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 상기 부품에 대한 최적의 기계 학습 모델을 선정하는 단계;
외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 단계; 및
상기 최적의 기계 학습 모델 및 상기 특징 벡터를 기초로 상기 진단 대상 부품의 상태 예측 정보를 추출하는 단계를 포함하고,
상기 제1 기계 학습 모델을 생성하는 단계는, 상기 추출하는 단계에서 추출된 상태 예측 정보와 이전에 추출된 상태 예측 정보를 함께 기초하여 새로운 기계 학습 모델을 생성하는, 부품 상태 예측 방법.Generating a first machine learning model for predicting the state of a part using the state prediction information of the part;
selecting an optimal machine learning model for the part from among the first machine learning model and at least one previously created second machine learning model based on test data for the part;
Obtaining a feature vector for information on a component to be diagnosed from an external source; and
Comprising the step of extracting state prediction information of the diagnostic target component based on the optimal machine learning model and the feature vector,
The step of generating the first machine learning model generates a new machine learning model based on the state prediction information extracted in the extracting step and the previously extracted state prediction information.
상기 최적의 기계 학습 모델을 선정하는 단계는, 상기 제1 기계 학습 모델을 생성하는 단계에서 생성된 현재 제1 기계 학습 모델과 상기 제1 기계 학습 모델을 생성하는 단계에서 이전에 생성된 이전 제1 기계 학습 모델 중에서 어느 하나를 상기 시험 데이터에 기초하여 상기 최적의 기계학습 모델로 선정하는, 부품 상태 예측 방법.In claim 1,
The step of selecting the optimal machine learning model includes the current first machine learning model generated in the step of generating the first machine learning model and the previous first machine learning model previously generated in the step of generating the first machine learning model. A component condition prediction method that selects one of the machine learning models as the optimal machine learning model based on the test data.
상기 시험 데이터는 시험 특징 벡터와 상기 시험 특징 벡터에 따른 시험 상태 예측 정보를 포함하는, 부품 상태 예측 방법.In claim 3,
The test data includes a test feature vector and test state prediction information according to the test feature vector.
상기 최적의 기계 학습 모델을 선정하는 단계는, 검증 과정을 더 포함하며, 상기 검증 과정은 상기 시험 특징 벡터를 데이터베이스에 저장된 적어도 하나의 기계 학습 모델에 입력하여 얻은 결과와 상기 시험 상태 예측 정보 간의 차이가 가장 적은 기계 학습 모델을 최적의 기계 학습 모델로 판단하는, 부품 상태 예측 방법.In claim 4,
The step of selecting the optimal machine learning model further includes a verification process, wherein the verification process determines the difference between a result obtained by inputting the test feature vector into at least one machine learning model stored in a database and the test state prediction information. A part status prediction method that determines the machine learning model with the fewest values as the optimal machine learning model.
상기 프로세서에 의해 실행되는 명령들이 저장된 메모리;
를 포함하고, 상기 프로세서가 실행될 때, 상기 명령들에 의해 상기 프로세서는:
부품의 상태 예측 정보를 이용하여 부품의 상태 예측을 위한 제1 기계 학습 모델을 생성하는 단계;
상기 부품에 대한 시험 데이터를 기초로 상기 제1 기계 학습 모델과 이전에 생성된 적어도 하나의 제2 기계 학습 모델 중 상기 부품에 대한 최적의 기계 학습 모델을 선정하는 단계;
외부로부터 진단 대상 부품의 정보에 대한 특징 벡터를 획득하는 단계; 및
상기 최적의 기계 학습 모델 및 상기 특징 벡터를 기초로 상기 진단 대상 부품의 상태 예측 정보를 추출하는 단계를 실행하며,
상기 제1 기계 학습 모델을 생성하는 단계에서, 상기 추출하는 단계에서 추출된 상태 예측 정보와 이전에 추출된 상태 예측 정보를 함께 기초하여 새로운 기계 학습 모델을 생성하도록 동작하는, 부품 상태 예측 장치.processor; and
a memory storing instructions executed by the processor;
It includes, and when the processor is executed, the instructions cause the processor to:
Generating a first machine learning model for predicting the state of a part using the state prediction information of the part;
selecting an optimal machine learning model for the part from among the first machine learning model and at least one previously created second machine learning model based on test data for the part;
Obtaining a feature vector for information on a component to be diagnosed from an external source; and
Executing the step of extracting state prediction information of the diagnostic target component based on the optimal machine learning model and the feature vector,
In the step of generating the first machine learning model, the part state prediction device operates to generate a new machine learning model based on the state prediction information extracted in the extracting step and the previously extracted state prediction information.
상기 프로세서는, 상기 최적의 기계 학습 모델을 선정하는 단계에서, 상기 프로세서가 상기 제1 기계 학습 모델을 생성하는 단계에서 생성된 현재 제1 기계 학습 모델과 상기 제1 기계 학습 모델을 생성하는 단계에서 이전에 생성된 이전 제1 기계 학습 모델 중에서 어느 하나를 상기 시험 데이터에 기초하여 상기 최적의 기계학습 모델로 선정하도록 동작하는, 부품 상태 예측 장치.In claim 6,
In the step of selecting the optimal machine learning model, the processor generates the current first machine learning model generated in the step of generating the first machine learning model and the first machine learning model. A component state prediction device that operates to select one of previously generated first machine learning models as the optimal machine learning model based on the test data.
상기 시험 데이터는 시험 특징 벡터와 상기 시험 특징 벡터에 따른 시험 상태 예측 정보를 포함하는, 부품 상태 예측 장치.In claim 8,
The test data includes a test feature vector and test state prediction information according to the test feature vector.
상기 프로세서는, 상기 최적의 기계 학습 모델을 선정하는 단계에서, 상기 프로세서가 검증 과정을 더 수행하도록 동작하며, 상기 검증 과정은 상기 시험 특징 벡터를 데이터베이스에 저장된 적어도 하나의 기계 학습 모델에 입력하여 얻은 결과와 상기 시험 상태 예측 정보 간의 차이가 가장 적은 기계 학습 모델을 최적의 기계 학습 모델로 판단하는, 부품 상태 예측 장치.In claim 9,
In the step of selecting the optimal machine learning model, the processor operates to further perform a verification process, wherein the verification process is performed by inputting the test feature vector into at least one machine learning model stored in a database. A component state prediction device that determines the machine learning model with the smallest difference between the results and the test state prediction information as the optimal machine learning model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139895A KR102591145B1 (en) | 2018-11-14 | 2018-11-14 | Method and apparatus for predicting status of parts for fault diagnosis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180139895A KR102591145B1 (en) | 2018-11-14 | 2018-11-14 | Method and apparatus for predicting status of parts for fault diagnosis |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200056049A KR20200056049A (en) | 2020-05-22 |
| KR102591145B1 true KR102591145B1 (en) | 2023-10-18 |
Family
ID=70914111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180139895A KR102591145B1 (en) | 2018-11-14 | 2018-11-14 | Method and apparatus for predicting status of parts for fault diagnosis |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102591145B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102592259B1 (en) * | 2022-10-26 | 2023-10-23 | 주식회사 자트 | Method for diagnosing condition of dummy parts and device using the same |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445868A (en) * | 2018-03-26 | 2018-08-24 | 安徽省爱夫卡电子科技有限公司 | A kind of automobile intelligent fault diagnosis system and method based on modern signal processing technology |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101974347B1 (en) * | 2017-03-16 | 2019-09-05 | 주식회사 만도 | Fault diagnosis system for vehicle and data security method thereof |
-
2018
- 2018-11-14 KR KR1020180139895A patent/KR102591145B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445868A (en) * | 2018-03-26 | 2018-08-24 | 安徽省爱夫卡电子科技有限公司 | A kind of automobile intelligent fault diagnosis system and method based on modern signal processing technology |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200056049A (en) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10025696B2 (en) | System and method for equivalence class analysis-based automated requirements-based test case generation | |
| BR102016018127A2 (en) | design method based on critical security software model | |
| US8689069B2 (en) | Multi-targeting boolean satisfiability-based test pattern generation | |
| US9606902B2 (en) | Malfunction influence evaluation system and evaluation method using a propagation flag | |
| CN103279418B (en) | A kind of method of testing of configuration control information and device | |
| EP3059676B1 (en) | A method and apparatus for analyzing the availability of a system, in particular of a safety critical system | |
| US20170220455A1 (en) | Test case generation using a constraint graph solver | |
| US9483342B2 (en) | Supporting failure mode and effects analysis | |
| US20160170868A1 (en) | Method and apparatus for the automated testing of a subsystem of a safety critical system | |
| Ghezzi et al. | Verifying non-functional properties of software product lines: Towards an efficient approach using parametric model checking | |
| Kanewala | Techniques for automatic detection of metamorphic relations | |
| KR102591145B1 (en) | Method and apparatus for predicting status of parts for fault diagnosis | |
| US20190129398A1 (en) | Testing device and machine learning device | |
| US9183105B2 (en) | Systems and methods for dynamic scan scheduling | |
| US9798605B2 (en) | Supporting global effect analysis | |
| Wakankar et al. | Architectural model driven dependability analysis of computer based safety system in nuclear power plant | |
| US20090319830A1 (en) | System and Method for Automatically Testing a Model | |
| US10877471B2 (en) | Method and apparatus for generating a fault tree for a failure mode of a complex system | |
| US20160328506A1 (en) | Selectively loading design data for logical equivalency check | |
| Awedikian et al. | A practical model‐based statistical approach for generating functional test cases: application in the automotive industry | |
| Bouquet et al. | Mastering test generation from smart card software formal models | |
| Stuchlý et al. | Reliability evaluation as a means of increasing the efficiency of equipment maintenance | |
| KR102634157B1 (en) | Method of diagnosis for nuclear plant accident and device performing method | |
| del Olmo et al. | Model-based fault analysis for railway traction systems | |
| US20220121195A1 (en) | Predictive Maintenance Tool Based on Digital Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |