JP2017102765A - Abnormality sign detection system and abnormality sign detection method - Google Patents
Abnormality sign detection system and abnormality sign detection method Download PDFInfo
- Publication number
- JP2017102765A JP2017102765A JP2015236278A JP2015236278A JP2017102765A JP 2017102765 A JP2017102765 A JP 2017102765A JP 2015236278 A JP2015236278 A JP 2015236278A JP 2015236278 A JP2015236278 A JP 2015236278A JP 2017102765 A JP2017102765 A JP 2017102765A
- Authority
- JP
- Japan
- Prior art keywords
- normal
- abnormality
- data
- class
- unit
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、機械設備の異常予兆検出システム、方法に関し、特に機械設備の状態監視における正常パターン学習方法および異常予兆検知方法に関する。 The present invention relates to an abnormality sign detection system and method for machine equipment, and more particularly to a normal pattern learning method and an abnormality sign detection method in state monitoring of machine equipment.
従来の異常検知の考え方は、予め人間の経験などにより測定値に対して閾値を設定しておく方法が主であったが、各設備の仕様個体差や測定誤差が精度悪化を招いていた。 The conventional concept of abnormality detection is mainly a method in which a threshold value is set for a measured value in advance by human experience or the like. However, the individual differences in specifications and measurement errors of each facility have led to deterioration in accuracy.
昨今ではネットワークやストレージなどのデータ収集インフラが発達したことにより、設備に取付けられたセンサから常時データが容易に収集できるようになった。その集められた大量のデータをもとに、直接異常・正常のより精度の高い判定基準を構築することが可能になっている。 Nowadays, with the development of data collection infrastructure such as network and storage, it has become easy to collect data constantly from sensors attached to the equipment. It is possible to construct a more accurate judgment criterion for abnormalities / normality directly based on the collected large amount of data.
ただし、機械設備のあらゆる異常データを集めることは通常困難である。そこで、正常データのみをもって、正常な範囲の境界面を構築する方法が考えられる。 However, it is usually difficult to collect all abnormal data of machinery and equipment. Therefore, a method of constructing a normal range boundary surface using only normal data is conceivable.
正常データに基づいた異常予兆診断方法として、例えば特許文献１がある。特許文献１では、主に正常学習データの収集方法（異常発生時・メンテナンス時のデータを除外する方法）、および運転パターンの変動を考慮した方法（特定のセンサの変化率でパターンを判別する方法）が提案されている。また、ｋ−ｍｅａｎｓ法により求めたクラスタ重心を元に異常度を算出している。 For example, Patent Document 1 discloses an abnormality sign diagnosis method based on normal data. In Patent Document 1, a method for collecting normal learning data (a method for excluding data at the time of occurrence of abnormality / maintenance) and a method that considers fluctuations in operation patterns (a method for discriminating a pattern based on a change rate of a specific sensor) ) Has been proposed. Also, the degree of abnormality is calculated based on the cluster centroid obtained by the k-means method.
また特許文献２では、良品から得た正常データに基づくモデルに従って異常判定を行っている。また特許文献３では、正常であるが、異常と判定してしまうデータ（誤報）に対する解決策が記載されている。 Moreover, in patent document 2, abnormality determination is performed in accordance with a model based on normal data obtained from non-defective products. Further, Patent Document 3 describes a solution to data (false information) that is normal but is determined to be abnormal.
特許文献１は、機械設備に保守作業が施された場合においての異常予兆診断方法をメインにしている。具体的な正常パターンの学習方法、異常検出のアルゴリズムについては言及されていない。また、運転モードによる正常パターンの判別方法をセンサデータの変化率で行うとしている。この方法では、定常状態および過渡状態のような明らかに大きな変動があるようなパターンは判別できるかもしれないが、同じ定常状態においても挙動の異なる運転パターンが存在するようなケースも考えられ、その場合には判別ができない。 Japanese Patent Laid-Open No. 2004-228688 mainly focuses on an abnormality sign diagnosis method when maintenance work is performed on mechanical equipment. No specific normal pattern learning method or abnormality detection algorithm is mentioned. Also, the normal pattern discrimination method according to the operation mode is performed at the rate of change of sensor data. With this method, it may be possible to discriminate patterns with obvious large fluctuations, such as steady state and transient state, but there may be cases where there are operation patterns with different behaviors even in the same steady state. In some cases, it cannot be determined.
特許文献２では、製品製造過程において得られるデータの量や良品・不良品の割合によってパラメトリックな手法とノンパラメトリックな手法を併用・使い分けることをメインにしている。 Patent Document 2 mainly uses a parametric method and a non-parametric method in combination and selectively depending on the amount of data obtained in the product manufacturing process and the ratio of non-defective / defective products.
特許文献３では、ニューラルネットワークによる識別において、正常なパターンを異常と判定したケースにおいて、直近のデータを用いてネットワークを更新する手法を提案しているが、ネットワークの更新により過去の判定結果に影響がでる可能性がある。 Patent Document 3 proposes a method of updating a network using the latest data in a case where a normal pattern is determined to be abnormal in the identification by a neural network. However, the update of the network affects past determination results. There is a possibility of coming out.
本発明は上記課題を解決するものであり、その目的は、異常予兆のための判定基準となる正常パターンが複数存在するケースでも対応することができる異常予兆検出システムおよび異常予兆検出方法を提供することにある。 The present invention solves the above-described problems, and an object thereof is to provide an abnormality sign detection system and an abnormality sign detection method that can cope with a case in which a plurality of normal patterns serving as determination criteria for abnormality signs exist. There is.
上記課題を解決するための請求項１に記載の異常予兆検出システムは、機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出システムであって、
異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集部と、
異常予兆検出対象の機械設備の状態検出情報について、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブルと、
前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、フレーム単位の特徴量を抽出する特徴量抽出部と、
前記正常クラステーブルに登録された正常クラスデータを判別器として、前記特徴量抽出部により抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定処理を行った後、当該判定処理の判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定処理を行う正常・異常判定部と、
設定した学習期間中に、前記正常・異常判定部の第２の判定処理により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習部と、
を備えたことを特徴としている。
The abnormality sign detection system according to claim 1 for solving the above problem is an abnormality sign detection system that detects an abnormality sign of a mechanical facility based on state detection information obtained by detecting a state of the mechanical facility,
A data collection unit that collects and records state detection information for detecting the state of the machinery and equipment for which an anomaly sign is detected;
About normal state table in which information determined to be normal is registered as normal class data for the state detection information of the machine / equipment for which an anomaly sign is detected,
Of the state detection information collected by the data collection unit, a feature amount extraction unit that extracts feature amounts in units of frames from time-series segment data collected at a certain time, and
Using the normal class data registered in the normal class table as a discriminator, after performing a first determination process for determining whether the feature quantity in units of frames extracted by the feature quantity extraction unit is normal or abnormal, A normality / abnormality determination unit that performs a second determination process for determining whether the segment data is normal or abnormal from the determination result of the determination process;
It is determined whether or not a normal class corresponding to data determined to be normal by the second determination process of the normal / abnormal determination unit exists in the normal class table during the set learning period. If not, a normal pattern learning unit that generates the data determined to be normal as a new normal class and registers it in the normal class table;
It is characterized by having.
また、請求項６に記載の異常予兆検出方法は、機械設備の状態を検出した状態検出情報に基づいて機械設備の異常予兆を検出する異常予兆検出方法であって、
データ収集部が、異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集ステップと、
特徴量抽出部が、前記データ収集ステップで収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、フレーム単位の特徴量を抽出する特徴量抽出ステップと、
正常・異常判定部が、異常予兆検出対象の機械設備の状態検出情報について、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル内に登録された正常クラスデータを判別器として、前記特徴量抽出ステップにより抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定ステップと、
正常・異常判定部が、前記第１の判定ステップの判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定ステップと、
正常パターン学習部が、設定した学習期間中に、前記第２の判定ステップにより正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習ステップと、
を備えたことを特徴としている。
Further, the abnormality sign detection method according to claim 6 is an abnormality sign detection method for detecting an abnormality sign of a mechanical facility based on state detection information in which the state of the mechanical facility is detected,
A data collection step in which the data collection unit collects and records the state detection information obtained by detecting the state of the mechanical equipment subject to abnormality sign detection;
A feature quantity extraction unit for extracting feature quantities in units of frames from time-series segment data collected at a certain time out of the state detection information collected in the data collection step;
The normal / abnormality determination unit discriminates the normal class data registered in the normal class table in which the information determined to be normal is registered as normal class data for the state detection information of the machine / equipment for which the abnormal sign is detected As a first determination step for determining whether the feature amount in units of frames extracted by the feature amount extraction step is normal or abnormal,
A normal / abnormal determination unit, from the determination result of the first determination step, a second determination step of determining whether the segment data is normal or abnormal;
The normal pattern learning unit determines whether or not a normal class corresponding to the data determined to be normal by the second determination step exists in the normal class table during the set learning period. If not, a normal pattern learning step of generating the data determined to be normal as a new normal class and registering it in the normal class table;
It is characterized by having.
上記構成において、正常クラステーブルに現在登録されている正常クラスデータを判別器として、フレーム単位の特徴量（状態検出情報）を判定（第１の判定処理）した結果が異常であるが、第２の判定処理にてセグメントデータとして正常であると判定された場合を考える。 In the above configuration, the normal class data currently registered in the normal class table is used as a discriminator, and the result of determining the feature amount (state detection information) in units of frames (first determination process) is abnormal. Let us consider a case where it is determined that the segment data is normal in the determination process.
この場合、学習期間中に正常パターン学習部は、第２の判定処理にて正常であると判定されたデータに該当する正常クラスが正常クラステーブルに存在するか否かを判定し、存在しない（第１の判定処理にて異常と判定された）ので、当該第２の判定処理にて正常であると判定されたデータを新たな正常クラスとして生成し、正常クラステーブルに登録する。 In this case, during the learning period, the normal pattern learning unit determines whether the normal class corresponding to the data determined to be normal in the second determination process exists in the normal class table, and does not exist ( Therefore, the data determined to be normal in the second determination process is generated as a new normal class and registered in the normal class table.
このため、現時点における正常クラステーブル内の判別器を用いては正常クラスと判定することができなかった正常パターンが学習され、新たな正常クラスとして正常クラステーブルに追加登録され、正常クラステーブル内の判別器（正常クラスデータ）が複数用意されることになる。これによって、例えば機械設備の運転パターンの変動により、異常予兆のための判定基準となる正常パターンが複数存在するケースに十分に対応することができる。 For this reason, a normal pattern that could not be determined as a normal class using the discriminator in the normal class table at the present time is learned, and is added and registered in the normal class table as a new normal class. A plurality of discriminators (normal class data) are prepared. Accordingly, it is possible to sufficiently cope with a case where there are a plurality of normal patterns that serve as determination criteria for abnormality signs due to, for example, fluctuations in the operation pattern of the mechanical equipment.
また、請求項２に記載の異常予兆検出システムは、請求項１において、前記正常・異常判定部により異常であると判定されたデータの異常度を算出する異常度算出部を備えたことを特徴としている。 In addition, the abnormality sign detection system according to claim 2 includes an abnormality degree calculation unit that calculates an abnormality degree of data determined to be abnormal by the normality / abnormality determination unit according to claim 1. It is said.
また、請求項３に記載の異常予兆検出システムは、請求項２において、前記異常度算出部は１クラスサポートベクターマシンを用いて異常度を算出することを特徴としている。 The abnormality sign detection system according to claim 3 is characterized in that, in claim 2, the abnormality degree calculation unit calculates an abnormality degree using a one-class support vector machine.
また、請求項７に記載の異常予兆検出方法は、請求項６において、異常度算出部が、前記第１の判定ステップおよび第２の判定ステップにより異常であると判定されたデータの異常度を算出する異常度算出ステップを備えたことを特徴としている。 The abnormality sign detection method according to claim 7 is the abnormality sign detection method according to claim 6, wherein the abnormality degree calculation unit calculates the abnormality degree of the data determined to be abnormal by the first determination step and the second determination step. An abnormality degree calculating step for calculating is provided.
上記構成によれば、異常であると判定されたデータの異常度が判明する。 According to the above configuration, the degree of abnormality of data determined to be abnormal is found.
また、請求項４に記載の異常予兆検出システムは、請求項２又は３において、前記異常度算出部により算出された異常度が記録される異常度履歴テーブルを備えたことを特徴としている。 According to a fourth aspect of the present invention, there is provided the abnormality sign detection system according to the second or third aspect, further comprising an abnormality degree history table in which the abnormality degree calculated by the abnormality degree calculating unit is recorded.
上記構成によれば、異常度履歴テーブル内の異常度の傾向を監視することができ、例えば急激な異常度変化が見られた場合に判別器が故障である等を認識することができる。 According to the above configuration, the tendency of the degree of abnormality in the degree-of-abnormality history table can be monitored. For example, when a sudden degree of abnormality is observed, it can be recognized that the discriminator is out of order.
また、請求項５に記載の異常予兆検出システムは、請求項１ないし４のいずれか１項において、前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部を動作させない運用中判別部を備えたことを特徴としている。
Further, in the abnormality sign detection system according to claim 5, in any one of claims 1 to 4, the state detection information includes information indicating whether or not the mechanical equipment is in operation. ,
From the information indicating whether or not it is in operation, it is determined whether the machine equipment is in operation or is stopped, and if it is stopped, the normal pattern learning unit and the normal / abnormal determination unit are not operated It is characterized by having prepared.
また、請求項８に記載の異常予兆検出方法は、請求項６又は７において、前記状態検出情報は、前記機械設備が運転中であるか否かを示す情報を含んでおり、
運用中判別部が、前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部の動作を禁止するステップを備えたことを特徴としている。
The abnormality sign detection method according to claim 8 is the abnormality sign detection method according to claim 6 or 7, wherein the state detection information includes information indicating whether or not the mechanical equipment is in operation.
The in-operation determining unit determines whether the machine facility is operating or stopped from the information indicating whether the operation is in progress. If it is stopped, the operations of the normal pattern learning unit and the normal / abnormal determining unit are performed. It is characterized by having a step for prohibiting.
上記構成によれば、機械設備の停止中の誤ったデータによって、正常パターン学習部および正常・異常判定部を動作させることがない。 According to the above configuration, the normal pattern learning unit and the normal / abnormal determination unit are not operated by erroneous data when the machine equipment is stopped.
（１）請求項１〜８に記載の発明によれば、学習期間において判別器による判定結果に基づいて正常パターンを逐次的に追加することで、正常パターンが複数存在するケースに対応できる。また、正常データのみで判定基準をつくることで、事前に異常パターンを考慮する必要なく異常検出が可能である。
（２）請求項２、３、７に記載の発明によれば、異常であると判定されたデータの異常度が判明する。
（３）請求項４に記載の発明によれば、異常度履歴テーブル内の異常度の傾向を監視することができる。
（４）請求項５、８に記載の発明によれば、機械設備の停止中の誤ったデータによって正常パターン学習部および正常・異常判定部を動作させることがない。
(1) According to the first to eighth aspects of the present invention, it is possible to deal with a case where there are a plurality of normal patterns by sequentially adding normal patterns based on the determination result by the discriminator during the learning period. In addition, by creating a criterion based only on normal data, it is possible to detect an abnormality without having to consider an abnormal pattern in advance.
(2) According to the inventions of claims 2, 3, and 7, the degree of abnormality of the data determined to be abnormal is found.
(3) According to the invention described in claim 4, it is possible to monitor the tendency of the degree of abnormality in the degree of abnormality history table.
(4) According to the inventions described in claims 5 and 8, the normal pattern learning unit and the normal / abnormal determination unit are not operated by erroneous data while the machine equipment is stopped.
以下、図面を参照しながら本発明の実施の形態を説明するが、本発明は下記の実施形態例に限定されるものではない。本実施形態例では、予め設定した学習期間（正常データが収集できる期間）において、正常クラステーブルに用意した判別器により正常と判断しないものを新たな正常クラスとしてテーブルに逐次追加していくことで、正常クラス数を想定することなく正常クラステーブルを構築することができる。また、正常クラス判別器を複数用意することで、正常パターンが複数存在するようなケースに対応できる。また、異常と判定したデータについて算出した異常度の傾向を監視することで、判別結果の妥当性を考慮する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings, but the present invention is not limited to the following embodiments. In this embodiment, in the learning period set in advance (a period during which normal data can be collected), a classifier prepared in the normal class table is sequentially added to the table as a new normal class. The normal class table can be constructed without assuming the number of normal classes. In addition, by preparing a plurality of normal class discriminators, it is possible to deal with a case where there are a plurality of normal patterns. In addition, the validity of the determination result is taken into account by monitoring the tendency of the degree of abnormality calculated for the data determined to be abnormal.
図１は本実施形態例による異常予兆検出システムの全体構成を示している。図１において、診断対象（異常予兆検出対象）の機械設備１０（１台又は複数台設けられ、図１では２台を図示している）は、例えば電力設備や発電所内の各種機器で構成され、この機械設備１０には、例えば電圧、電流、モータ回転速度、圧力、温度等を検出するセンサ（図示省略）が設けられている。
FIG. 1 shows the overall configuration of an abnormality sign detection system according to this embodiment. In FIG. 1, a machine facility 10 (one or a plurality of devices that are to be diagnosed (abnormal sign detection target) is provided, and two devices are illustrated in FIG. 1) includes, for example, power equipment and various devices in a power plant. The
機械設備１０の運転状態（運転又は停止状態）は図示省略の検出手段により検出され、その運転データは、前記センサのデータとともに通信手段２０によって異常予兆検出装置１００に送信される。
The operation state (operation or stop state) of the
尚、前記センサデータ、運転データが本発明の状態検出情報を構成している。また、前記データのセンシングはある間隔（例えば１時間に１回）で、ある一定時間（例えば１０秒）行われる。 The sensor data and operation data constitute the state detection information of the present invention. The sensing of the data is performed at a certain interval (for example, once every hour) for a certain period of time (for example, 10 seconds).
前記通信手段２０を介して送信されたセンサデータおよび運転データは、異常予兆検出装置１００内のデータ記録部１１０に蓄積される（異常予兆検出装置１００のデータ収集機能（データ収集部）がデータ記録部１１０に記録する）。
The sensor data and operation data transmitted via the communication means 20 are accumulated in the
１２０は、データ記録部１１０に蓄積されたセンサデータから後述するフレーム単位で特徴量を抽出する特徴量抽出部であり、例えば振動のような周期性を伴うデータであればＦＦＴ、ケプストラムなどを計算する。
１３０は、後述の正常クラス記録部１５１に構築された正常クラステーブル１５１Ｔに登録された正常クラスデータを判別器として、前記特徴量抽出部１２０により抽出されたフレーム単位の特徴量が、正常か異常かを判定するフレームクラス判定（第１の判定処理）を行った後、当該判定処理の判定結果から、後述するセグメントデータが正常か異常かを判定するセグメントクラス判定（第２の判定処理）を行うフレーム・セグメント異常判定部（正常・異常判定部）である。
130, the normal class data registered in the normal class table 151T constructed in the normal class recording unit 151 (to be described later) is used as a discriminator, and the frame-wise feature quantity extracted by the feature
１４０は、フレーム・セグメント異常判定部１３０により異常であると判定されたデータの異常度を算出する異常度計算部（異常度算出部）である。この異常度計算部１４０で算出された異常度は後述の図２に示す異常度履歴テーブル１４０Ｔに記録される。
１５０は、異常予兆検出装置１００で予め設定された学習期間中に、前記フレーム・セグメント異常判定部１３０のセグメントクラス判定により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し正常クラステーブル１５１Ｔに登録する正常パターン学習部である。
150, a normal class corresponding to data determined to be normal by the segment class determination of the frame / segment
正常クラス記録部１５１には、機械設備の状態検出情報に関し、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル１５１Ｔが構築されている。
In the normal
クラス履歴記録部１５２には、前記フレーム・セグメント異常判定部１３０により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在する場合に、正常パターン学習部１５０によって正常クラスのシンボルが登録されるクラス履歴テーブル１５２Ｔが構築されている。
In the class
１６０は、データ記録部１１０に蓄積された運転データから、機械設備１０が運転中か停止中かを判定し、停止中であればフレーム・セグメント異常判定部１３０および正常パターン学習部１５０を動作させない運用中判別部である。
160 determines from the operation data stored in the
図１の異常予兆検出装置１００は、例えばコンピュータにより構成され、通常のコンピュータのハードウェアリソース、例えばＲＯＭ、ＲＡＭ、ＣＰＵ、入力装置、出力装置、通信インターフェース、ハードディスク、記録媒体およびその駆動装置を備えている。
The abnormality
このハードウェアリソースとソフトウェアリソース（ＯＳ、アプリケーションなど）との協働の結果、異常予兆検出装置１００は、図１に示すように、データ記録部１１０（データ収集部）、特徴量抽出部１２０、フレーム・セグメント異常判定部１３０、異常度計算部１４０、正常パターン学習部１５０、正常クラス記録部１５１、クラス履歴記録部１５２および運用中判別部１６０を実装する。
As a result of the cooperation between the hardware resource and the software resource (OS, application, etc.), the abnormality
前記データ記録部１１０、正常クラス記録部１５１、クラス履歴記録部１５２はハードディスクあるいはＲＡＭなどの保存手段・記憶手段に構築される。
The
次に、上記のように構成された異常予兆検出システムの動作を図２〜図５とともに説明する。図２は異常予兆検出装置１００が行う異常判定処理および正常パターン学習処理の手順を示し、図３はフレーム分割およびフレームクラス判定・セグメントクラス判定の様子を示している。図３のグラフは例として加速度振動センサで計測した振動データを表しており、横軸は時間（ミリ秒）、縦軸は加速度振幅（G)である。
Next, the operation of the abnormality sign detection system configured as described above will be described with reference to FIGS. FIG. 2 shows a procedure of an abnormality determination process and a normal pattern learning process performed by the abnormality
これらの図において、特徴量抽出部１２０は、データ記録部１１０に蓄積されたセンサデータ、すなわち図３上段のようにある一定時間収集されたセンサ時系列データ（セグメントと呼ぶ）を必要に応じてフレームに分割してフレーム毎の特徴量を抽出する（ステップＳ１）。
In these figures, the feature
次にステップＳ２において、フレーム・セグメント異常判定部１３０は、前記分割された各フレーム毎に、正常クラステーブル１５１Ｔに登録されている判別器（正常クラスデータ）によりフレームクラス判定を行う（第１の判定処理）。図３中段の例は、３つのフレームクラスの判定結果が正常、正常、異常である例を示している。
Next, in step S2, the frame / segment
次にステップＳ３において、フレーム・セグメント異常判定部１３０は、フレームクラス判定（ステップＳ２）の判定結果から、セグメントのクラス判定を行う（第２の判定処理）。このセグメントクラス判定は、例えばフレームクラス判定結果が正常２に対し異常が１であるため、図３の下段のようにセグメントとして正常であると判定している。
Next, in step S3, the frame / segment
ただし、ある時刻の判定結果割合のみでは、たまたま異常と判断されてしまう可能性があるため、ステップＳ２におけるフレームクラス判定の判定結果割合を常に記録しておき、ある所定の回数異常と判定した場合、あるいは割合の変化率が極端に大きい場合は異常とみなす。 However, since there is a possibility that it will be determined to be abnormal only by the determination result ratio at a certain time, the determination result ratio of the frame class determination in step S2 is always recorded, and it is determined that there is an abnormality a predetermined number of times. If the rate of change of the rate is extremely large, it is considered abnormal.
クラス判定は通常、異常データを集めることが困難であるため、正常データのみをもって、異常／正常の判定基準を設ける必要がある。１クラスのみのデータから外れ値（異常）を検出する手法として、例えば１クラスサポートベクターマシン（１クラスＳＶＭ)がある。１クラスＳＶＭはカーネル法を併用することにより非線形な分類境界面（判別器）を構築することも可能である。図４は２次元データでの１クラスＳＶＭの異常／正常判定の様子を表した図である。グラフは例として２次元データを表しており、軸の単位はない。○プロットが学習期間に収集したデータ、□プロットが運用中に収集したデータである。点線が異常と正常を分ける境界面、斜線部が異常と判定する領域である。 In class determination, it is usually difficult to collect abnormal data. Therefore, it is necessary to provide an abnormality / normal determination criterion with only normal data. As a method for detecting an outlier (abnormality) from data of only one class, for example, there is a one class support vector machine (one class SVM). One-class SVM can also construct a nonlinear classification boundary surface (discriminator) by using a kernel method together. FIG. 4 is a diagram illustrating a state of abnormality / normality determination of one class SVM with two-dimensional data. The graph represents two-dimensional data as an example, and there is no unit of axis. ○ The plot is the data collected during the learning period, and the □ plot is the data collected during operation. A dotted line is a boundary surface that distinguishes between abnormal and normal, and a hatched area is an area that is determined to be abnormal.
さらにステップＳ３では、異常度計算部１４０がセグメントでの異常度を算出し、これを異常度履歴テーブル１４０Ｔに記録する。例えばステップＳ２のフレームクラス判定において異常と判定した割合を異常度とする。あるいは図５のように、斜線部の異常領域に含まれる異常と判定したデータについて１クラスＳＶＭにより求めた異常・正常境界面（判別面）からの距離の平均を異常度とする。
Furthermore, in step S3, the abnormality
次にステップＳ４において、正常パターン学習部１５０は、ステップＳ３のセグメントクラス判定において正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブル１５１Ｔに存在するか、否かを判定する（セグメントクラス判定で正常と判定されたデータを、正常クラステーブル１５１Ｔ内に登録された判別器により正常と判定するものが存在するか否かを判定する）。
Next, in step S4, the normal
その結果、すでに正常クラステーブル１５１Ｔに登録された判別器で正常と判定できるものがあれば、クラス履歴記録部１５２のクラス履歴テーブル１５２Ｔに、該当する正常クラスのシンボルを登録する。
As a result, if any classifier already registered in the normal class table 151T can be determined to be normal, the symbol of the corresponding normal class is registered in the class history table 152T of the class
また、正常クラステーブル１５１Ｔに登録された判別器により正常と判定するものが存在しない場合、ステップＳ５にて異常予兆検出装置１００により予め設定された学習期間中であることを確認した後、正常クラスを追加するステップＳ６に進む。
If there is no classifier registered as normal by the classifier registered in the normal class table 151T, it is confirmed in step S5 that it is during the learning period preset by the abnormality
ステップＳ６では、ステップＳ３のセグメントクラス判定により正常であると判定されたデータに該当する正常クラスが、正常クラステーブル１５１Ｔに存在しない場合（現在登録されている判別器では正常と判断しない場合）に、前記正常であると判定されたデータを新たな正常クラスとして生成し正常クラステーブル１５１Ｔに追加登録する。 In step S6, when the normal class corresponding to the data determined to be normal by the segment class determination in step S3 does not exist in the normal class table 151T (when it is not determined normal by the currently registered classifier). The data determined to be normal is generated as a new normal class and additionally registered in the normal class table 151T.
例えば図３のように、フレームクラス判定では３つのフレームのうち１つのフレームが「異常」と判定され（正常クラステーブル１５１Ｔ内の判別器では正常と判別されず）、セグメントデータとしては正常と判定されたデータについて、新たな正常クラスとして正常クラステーブル１５１Ｔに追加登録される。 For example, as shown in FIG. 3, in the frame class determination, one of the three frames is determined to be “abnormal” (the classifier in the normal class table 151T is not determined to be normal), and the segment data is determined to be normal. The added data is additionally registered in the normal class table 151T as a new normal class.
これによって、正常クラステーブル１５１Ｔ内の判別器（正常クラスデータ）が複数用意されることになる。 As a result, a plurality of discriminators (normal class data) in the normal class table 151T are prepared.
尚、学習期間ではない期間において、前記センサデータはステップＳ１〜Ｓ３の異常判定処理が施され、セグメントクラス判定で正常であるデータが、ステップＳ４において正常クラステーブル１５１Ｔに存在すると判定された場合もクラス履歴テーブル１５２Ｔに登録される。 In the period other than the learning period, the sensor data is subjected to the abnormality determination process in steps S1 to S3, and the normal data in the segment class determination is determined to exist in the normal class table 151T in step S4. It is registered in the class history table 152T.
また学習期間ではない期間において、ステップＳ４で正常と判定するものがない場合はステップＳ７においてアラート処理（異常通知などの処理）を行う。 If there is nothing that is determined to be normal in step S4 in a period that is not the learning period, alert processing (processing such as abnormality notification) is performed in step S7.
したがって、学習期間中は、ステップＳ３のセグメントクラスの判定結果が正常であるデータのみで判定基準を作成する（正常クラステーブル１５１Ｔ内の判別器の作成を行う）ことになる。 Therefore, during the learning period, a determination criterion is created only with data for which the segment class determination result in step S3 is normal (the discriminator in the normal class table 151T is created).
尚、運用中判別部１６０は、運転データにより機械設備１０が停止中であると判別した場合、図２のステップＳ１〜Ｓ７を実行させない。
In addition, the
本実施形態例によれば、現時点における正常クラステーブル１５１Ｔ内の判別器を用いては正常クラスと判定することができなかった正常パターンが学習され、新たな正常クラスとして正常クラステーブル１５１Ｔに追加登録され、正常クラステーブル１５１Ｔ内の判別器（正常クラスデータ）が複数用意されることになる。これによって、例えば機械設備１０の運転パターンの変動により、異常予兆のための判定基準となる正常パターンが複数存在するケースに十分に対応することができる。
According to the present embodiment example, a normal pattern that cannot be determined as a normal class using the discriminator in the normal class table 151T at the present time is learned, and additionally registered as a new normal class in the normal class table 151T. Thus, a plurality of discriminators (normal class data) in the normal class table 151T are prepared. Thereby, it is possible to sufficiently cope with a case where there are a plurality of normal patterns serving as determination criteria for an abnormality sign due to, for example, fluctuations in the operation pattern of the
また、異常度履歴テーブル１４０Ｔ内の異常度の傾向を監視することができ、例えば急激な異常度変化が見られた場合に判別器が故障である等を認識することができる。 Further, the tendency of the degree of abnormality in the abnormality degree history table 140T can be monitored, and for example, when a sudden abnormality degree change is seen, it can be recognized that the discriminator is out of order.
また、運用中判別部１６０の動作により、機械設備１０の停止中の誤ったデータによって正常パターン学習部１５０およびフレーム・セグメント異常判定部１３０を動作させることがない。
Further, the normal
１０…機械設備
２０…通信手段
１００…異常予兆検出装置
１１０…データ記録部
１２０…特徴量抽出部
１３０…フレーム・セグメント異常判定部
１４０…異常度計算部
１４０Ｔ…異常度履歴テーブル
１５０…正常パターン学習部
１５１…正常クラス記録部
１５１Ｔ…正常クラステーブル
１５２…クラス履歴記録部
１５２Ｔ…クラス履歴テーブル
１６０…運用中判別部
DESCRIPTION OF
Claims (8)
異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集部と、
異常予兆検出対象の機械設備の状態検出情報について、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブルと、
前記データ収集部により収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、フレーム単位の特徴量を抽出する特徴量抽出部と、
前記正常クラステーブルに登録された正常クラスデータを判別器として、前記特徴量抽出部により抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定処理を行った後、当該判定処理の判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定処理を行う正常・異常判定部と、
設定した学習期間中に、前記正常・異常判定部の第２の判定処理により正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習部と、
を備えたことを特徴とする異常予兆検出システム。 An abnormal sign detection system that detects an abnormal sign of mechanical equipment based on state detection information that detects the state of the mechanical equipment,
A data collection unit that collects and records state detection information for detecting the state of the machinery and equipment for which an anomaly sign is detected;
About normal state table in which information determined to be normal is registered as normal class data for the state detection information of the machine / equipment for which an anomaly sign is detected,
Of the state detection information collected by the data collection unit, a feature amount extraction unit that extracts feature amounts in units of frames from time-series segment data collected at a certain time, and
Using the normal class data registered in the normal class table as a discriminator, after performing a first determination process for determining whether the feature quantity in units of frames extracted by the feature quantity extraction unit is normal or abnormal, A normality / abnormality determination unit that performs a second determination process for determining whether the segment data is normal or abnormal from the determination result of the determination process;
It is determined whether or not a normal class corresponding to data determined to be normal by the second determination process of the normal / abnormal determination unit exists in the normal class table during the set learning period. If not, a normal pattern learning unit that generates the data determined to be normal as a new normal class and registers it in the normal class table;
An abnormal sign detection system characterized by comprising:
前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部を動作させない運用中判別部を備えたことを特徴とする請求項１ないし４のいずれか１項に記載の異常予兆検出システム。 The state detection information includes information indicating whether or not the mechanical equipment is in operation,
From the information indicating whether or not it is in operation, it is determined whether the machine equipment is in operation or is stopped, and if it is stopped, the normal pattern learning unit and the normal / abnormal determination unit are not operated The abnormality sign detection system according to any one of claims 1 to 4, wherein the abnormality sign detection system is provided.
データ収集部が、異常予兆検出対象の機械設備の状態を検出した状態検出情報を収集して記録するデータ収集ステップと、
特徴量抽出部が、前記データ収集ステップで収集された状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータから、フレーム単位の特徴量を抽出する特徴量抽出ステップと、
正常・異常判定部が、異常予兆検出対象の機械設備の状態検出情報について、正常であると判定された情報が正常クラスデータとして登録される正常クラステーブル内に登録された正常クラスデータを判別器として、前記特徴量抽出ステップにより抽出されたフレーム単位の特徴量が、正常か異常かを判定する第１の判定ステップと、
正常・異常判定部が、前記第１の判定ステップの判定結果から、前記セグメントデータが正常か異常かを判定する第２の判定ステップと、
正常パターン学習部が、設定した学習期間中に、前記第２の判定ステップにより正常であると判定されたデータに該当する正常クラスが、前記正常クラステーブルに存在するか否かを判定し、存在しない場合に、当該正常であると判定されたデータを新たな正常クラスとして生成し前記正常クラステーブルに登録する正常パターン学習ステップと、
を備えたことを特徴とする異常予兆検出方法。 An abnormal sign detection method for detecting an abnormal sign of mechanical equipment based on state detection information obtained by detecting the state of mechanical equipment,
A data collection step in which the data collection unit collects and records the state detection information obtained by detecting the state of the mechanical equipment subject to abnormality sign detection;
A feature quantity extraction unit for extracting feature quantities in units of frames from time-series segment data collected at a certain time out of the state detection information collected in the data collection step;
The normal / abnormality determination unit discriminates the normal class data registered in the normal class table in which the information determined to be normal is registered as normal class data for the state detection information of the machine / equipment for which the abnormal sign is detected As a first determination step for determining whether the feature amount in units of frames extracted by the feature amount extraction step is normal or abnormal,
A normal / abnormal determination unit, from the determination result of the first determination step, a second determination step of determining whether the segment data is normal or abnormal;
The normal pattern learning unit determines whether or not a normal class corresponding to the data determined to be normal by the second determination step exists in the normal class table during the set learning period. If not, a normal pattern learning step of generating the data determined to be normal as a new normal class and registering it in the normal class table;
An abnormality sign detection method characterized by comprising:
運用中判別部が、前記運転中であるか否かを示す情報から、機械設備が運転中か停止中かを判定し、停止中であれば前記正常パターン学習部および正常・異常判定部の動作を禁止するステップを備えたことを特徴とする請求項６又は７に記載の異常予兆検出方法。 The state detection information includes information indicating whether or not the mechanical equipment is in operation,
The in-operation determining unit determines whether the machine facility is operating or stopped from the information indicating whether the operation is in progress. If it is stopped, the operations of the normal pattern learning unit and the normal / abnormal determining unit are performed. The abnormality sign detection method according to claim 6, further comprising a step of prohibiting the error.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015236278A JP6699012B2 (en) | 2015-12-03 | 2015-12-03 | Abnormal sign detection system and abnormal sign detection method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015236278A JP6699012B2 (en) | 2015-12-03 | 2015-12-03 | Abnormal sign detection system and abnormal sign detection method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017102765A true JP2017102765A (en) | 2017-06-08 |
| JP6699012B2 JP6699012B2 (en) | 2020-05-27 |
Family
ID=59016633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015236278A Active JP6699012B2 (en) | 2015-12-03 | 2015-12-03 | Abnormal sign detection system and abnormal sign detection method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6699012B2 (en) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018196594A (en) * | 2017-05-24 | 2018-12-13 | 株式会社大一商会 | Game machine |
| WO2019012653A1 (en) * | 2017-07-13 | 2019-01-17 | 日本電気株式会社 | Learning system, analysis system, learning method, and storage medium |
| JP2019067069A (en) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | Abnormality detecting apparatus, abnormality detecting method and abnormality detecting program |
| CN110196573A (en) * | 2018-02-27 | 2019-09-03 | 发那科株式会社 | Abnormal factors determining device |
| WO2020039565A1 (en) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | Abnormality diagnosis method for bearings used in rotating machinery |
| JP2020035281A (en) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | Abnormal sign diagnosis system, management device, and abnormal sign diagnosis method |
| CN111260512A (en) * | 2020-01-09 | 2020-06-09 | 湖北美和易思教育科技有限公司 | Background course autonomous distribution method and device |
| US10884841B2 (en) | 2018-01-17 | 2021-01-05 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and recording medium |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
-
2015
- 2015-12-03 JP JP2015236278A patent/JP6699012B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015103218A (en) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | Plant diagnostic apparatus and plant diagnostic method |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018196594A (en) * | 2017-05-24 | 2018-12-13 | 株式会社大一商会 | Game machine |
| WO2019012653A1 (en) * | 2017-07-13 | 2019-01-17 | 日本電気株式会社 | Learning system, analysis system, learning method, and storage medium |
| JPWO2019012653A1 (en) * | 2017-07-13 | 2020-05-21 | 日本電気株式会社 | Learning system, analysis system, learning method and storage medium |
| US11669771B2 (en) | 2017-07-13 | 2023-06-06 | Nec Corporation | Learning system, analysis system, learning method, and storage medium |
| JP2019067069A (en) * | 2017-09-29 | 2019-04-25 | アンリツ株式会社 | Abnormality detecting apparatus, abnormality detecting method and abnormality detecting program |
| US10884841B2 (en) | 2018-01-17 | 2021-01-05 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, and recording medium |
| CN110196573A (en) * | 2018-02-27 | 2019-09-03 | 发那科株式会社 | Abnormal factors determining device |
| WO2020039565A1 (en) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | Abnormality diagnosis method for bearings used in rotating machinery |
| JP2020035281A (en) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | Abnormal sign diagnosis system, management device, and abnormal sign diagnosis method |
| CN111260512A (en) * | 2020-01-09 | 2020-06-09 | 湖北美和易思教育科技有限公司 | Background course autonomous distribution method and device |
| CN111260512B (en) * | 2020-01-09 | 2023-08-15 | 武汉美和易思数字科技有限公司 | Background course autonomous distribution method and device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6699012B2 (en) | 2020-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6699012B2 (en) | Abnormal sign detection system and abnormal sign detection method | |
| US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
| KR101903283B1 (en) | Automatic diagnosis system and automatic diagnosis method | |
| US10977568B2 (en) | Information processing apparatus, diagnosis method, and program | |
| US11782430B2 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
| JP2013140135A (en) | Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program | |
| CN102375452A (en) | Event-driven data mining method for improving fault code settings and isolating faults | |
| KR102427205B1 (en) | Apparatus and method for generating training data of artificial intelligence model | |
| JP6714498B2 (en) | Equipment diagnosis device and equipment diagnosis method | |
| US11740592B2 (en) | Control method, control apparatus, mechanical equipment, and recording medium | |
| JP6887361B2 (en) | Monitoring target selection device, monitoring target selection method, and program | |
| JP6898607B2 (en) | Abnormality sign detection system and abnormality sign detection method | |
| JP6948197B2 (en) | Process monitoring device | |
| JP2010175446A (en) | Status diagnostic apparatus | |
| JP2014170269A (en) | Abnormality monitoring device and method for time series data and program | |
| JP2010276339A (en) | Method and device for diagnosis sensor | |
| CN112524077A (en) | Method, device and system for detecting fan fault | |
| JP6734362B2 (en) | Monitoring device, monitoring method, program | |
| JP6896380B2 (en) | Failure sign judgment method, failure sign judgment device and failure sign judgment program | |
| JP2020107248A (en) | Abnormality determination device and abnormality determination method | |
| JP2019113970A (en) | State diagnostic method of process and state diagnostic device of process | |
| CN105683852A (en) | Apparatus and method for model adaptation | |
| JP6459345B2 (en) | Fluctuation data management system and its specificity detection method | |
| JP5915596B2 (en) | Anomaly monitoring method and anomaly monitoring apparatus | |
| JP7199609B1 (en) | Abnormality Diagnosis Method, Abnormality Diagnosis Device, Abnormality Diagnosis Program, and Abnormality Diagnosis System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151218 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180926 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180926 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181025 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190826 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190903 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191031 |
|
| 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: 20200310 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200402 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6699012 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |