JP6961424B2 - 故障診断システム - Google Patents
故障診断システム Download PDFInfo
- Publication number
- JP6961424B2 JP6961424B2 JP2017165276A JP2017165276A JP6961424B2 JP 6961424 B2 JP6961424 B2 JP 6961424B2 JP 2017165276 A JP2017165276 A JP 2017165276A JP 2017165276 A JP2017165276 A JP 2017165276A JP 6961424 B2 JP6961424 B2 JP 6961424B2
- Authority
- JP
- Japan
- Prior art keywords
- feature amount
- algorithm
- amount detection
- maintenance
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
(1)メンテナンス前後の計測データには異常予兆診断に有用なデータが多数含まれている。例えば、軸受のグリスアップを一例とすると、グリスアップ前は、グリス劣化により潤滑低下した状態が計測される。これに対し、グリスアップ後は、グリスアップにより潤滑性能がリフレッシュされた状態の計測データを得ることができる。このグリスアップ前後の計測データから、グリスアップ前後の違いを表す特徴量に変換することにより潤滑性能の低下という異常予兆を診断できる。このような特徴量を探索する仕掛けが必要である。
(2)メンテナンス前後の違いを表す特徴量は、装置の構成や設置環境により複数存在する場合がある。また、特徴量の検出アルゴリズムも多数あり、アルゴリズム毎の検出感度や処理負荷、センサのコストも考慮しなければならない。更に、特徴量は診断処理を実行させるための入力データである。予兆診断アルゴリズムも多数存在し、予兆診断アルゴリズムと特徴量の組み合わせにより最適な診断処理が可能になる。これら最適な特徴量検出アルゴリズムや予兆診断アルゴリズムを探索する仕掛けが必要である。
(3)異常予兆診断に用いる装置を、特定の物理量を表す専用装置や、特定の装置に特化した専用装置とした場合、量産効果が期待できず非常に高価な装置となってしまう。そこで、上記(1)(2)で探索した最適な特徴量検出アルゴリズムや予兆診断アルゴリズムを汎用装置上で柔軟に再構成できる仕掛けが必要である。
<最適アルゴリズム探索装置>
最適アルゴリズム探索装置1のメンテナンス進行状態設定部1aは、空気圧縮機30に対するメンテナンスの進行状態を手動または自動で設定・記録する部分であり、例えば、メンテナンス前後の状態やメンテナンス中のイベント情報(グリス注入時刻など)を設定・記録する。
<診断処理装置>
続いて、診断処理装置2について説明する。診断処理装置2は、特徴量検出部2aと、予兆診断処理部2eと、診断結果出力部2fを備えている。特徴量検出部2aで検出した特徴量は、予兆診断処理部2eへ入力され、予兆診断処理が行われる。ここでの予兆診断処理は、閾値処理、トレンド分析、統計分析、AIを用いた手法、機械学習など様々な予兆診断アルゴリズムを用いることができる。予兆診断処理部2eで得た診断結果は、診断結果出力部2fから出力される。
<特徴量検出処理部の第一の構成例>
図3は、特徴量検出処理部2cに複数の特徴量検出アルゴリズムが予め書き込まれており、アルゴリズム変更情報の一態様である切換信号に従って、使用する特徴量検出アルゴリズムを切り換え、最適アルゴリズム探索部1gが選定した特徴量検出アルゴリズムを再現する構成である。この場合、アルゴリズム変更情報生成部1hは、最適アルゴリズム探索部1gが選定した特徴量検出アルゴリズムを選択する切換信号を特徴量検出処理部2cに出力する。そして、特徴量検出処理部2cは、切換信号に従って特徴量検出アルゴリズムを切り換え、指定された特徴量検出アルゴリズムを用いて特徴量を検出する。
<特徴量検出処理部の第二の構成例>
図4は、特徴量検出処理部2cをCPU4aと処理手順DB4bで構成し、アルゴリズム変更情報の一態様である処理手順情報に従って、処理手順DB4bから必要な処理プログラムをロードし、最適アルゴリズム探索部1gが選定した特徴量検出アルゴリズムを再現する構成である。この場合、アルゴリズム変更情報生成部1hは、最適アルゴリズム探索部1gが選定した特徴量検出アルゴリズムの実現に必要な処理プログラムを列挙した処理手順情報を特徴量検出処理部2cに出力する。そして、特徴量検出処理部2cは、処理手順情報で指定された処理プログラムをCPU4aで実行し、指定された特徴量検出アルゴリズムを用いて特徴量を検出する。
<特徴量検出処理部の第三の構成例>
図5は、特徴量検出処理部2cをProgrammable System-on-Chipなどの処理の再構成が可能なLSIで構成し、アルゴリズム変更情報の一態様である再構成情報または処理手順情報に従って、LSIを再構成し、最適アルゴリズム探索部1gが選定した特徴量検出アルゴリズムを再現する構成である。なお、図5を採用する場合、特徴量検出部2aは1つのLSIチップで構成しても良いし、複数のチップの組み合わせて構成しても良い。
<最適アルゴリズム探索装置でのアルゴリズム選定処理>
次に、図6、図7を用いて、最適アルゴリズム探索装置1で実行される特徴量検出アルゴリズムの選定処理の詳細を説明する。図6は、最適アルゴリズム探索装置1で実行されるアルゴリズム選定処理のフローチャート、図7は、最適アルゴリズム探索装置1の出力装置10cに表示される操作画面の一例である。なお、以下の説明は、空気圧縮機30の軸受30dにグリスアップするメンテナンスの前後の計測データから、最適な特徴量検出アルゴリズムを探索する状況に対応している。
<診断処理装置での異常予兆診断処理>
次に、診断処理装置2の異常予兆診断処理フローを図8を用いて説明する。なお、以下では、診断処理装置2の特徴量検出処理部2cが、最適アルゴリズム探索装置1によって選定された特徴量検出アルゴリズムに変更されているものとする。
<本実施例の効果>
以上で説明した本実施例の構成により、メンテナンス前・後の計測データから、メンテナンス前・後の違いを最適に表す特徴量の種別とその特徴量検出アルゴリズムを容易に特定でき、この特徴量検出アルゴリズムを用いることで、診断処理装置2での異常予兆診断の精度を高めることができ、複数の特徴量・特徴量検出アルゴリズム・診断処理アルゴリズムの組み合わせ候補から、検出性能・ハードウェア的制約・コストなどを考慮して最適な組み合わせを選定することができる。
<最適アルゴリズム選定方法の変形例1>
回転機30bを一定速度で回転させ、図10のような加速度実効値(特徴量)が観測された場合は、図7の例に比べ、グリス注入の前後で特徴量の変化が顕著に小さいため、図7の方法では、最適な特徴量検出アルゴリズムを選定することができない。
<最適アルゴリズム選定方法の変形例2>
回転機30bが、負荷に応じて回転数を変化させる可変速機である場合、図11Aのような加速度実効値(特徴量)が観測されるが、回転数の大きさによって加速度実効値が大きく変化するため、グリス注入前後の特徴量の変化に着目する図7の方法や、グリス注入前後のヒゲ状の特徴量増加の頻度および程度に着目する図10の方法では、最適な特徴量検出アルゴリズムを選定することができない。
<最適アルゴリズム選定方法の変形例3>
以上では、特徴量が加速度実効値である場合の特徴量検出アルゴリズムの選定方法を説明してきたが、特徴量が電流センサ30fの出力に基づく回転機30bの駆動電流波形である場合の特徴量検出アルゴリズムの選定方法について、図12から図13Bを用いて説明する。
1 最適アルゴリズム探索装置、
2 診断処理装置、
10a、20a 中央制御装置、
10b、20b 入力装置、
10c、20c 出力装置、
10d、20d 通信装置、
10e 補助記憶装置、
10f、20e 主記憶装置、
3 センサ、
5a アナログ回路ブロック、
5b デジタル回路ブロック、
23 通信路、
24 ネットワーク上の記憶・診断処理装置、
30 空気圧縮機、
30a 空気圧縮機本体、
30b 回転機、
30c 電源、
30d 軸受、
30e 加速度センサ、
30f 電流センサ
Claims (8)
- 診断対象機器の故障予兆を診断する故障診断システムであって、
診断対象機器から計測データを取得するセンサと、
該センサが取得したメンテナンス前の計測データを記録するメンテナンス前データDBと、
該センサが取得したメンテナンス後の計測データを記録するメンテナンス後データDBと、
複数の特徴量検出アルゴリズムを記録した特徴量検出アルゴリズム群DBと、
該特徴量検出アルゴリズム群DBから読み取った複数の特徴量検出アルゴリズムの各々を使用して前記計測データに基づく特徴量を検出する第一の特徴量検出部と、
前記複数の特徴量検出アルゴリズムの各々を使用して検出した特徴量に基づいて、前記複数の特徴量検出アルゴリズムから一つを選定するアルゴリズム探索部と、
該アルゴリズム探索部で選定された特徴量検出アルゴリズムを使用して前記計測データから特徴量を検出する第二の特徴量検出部と、
該第二の特徴量検出部が出力する特徴量から前記診断対象機器の故障予兆を診断する予兆診断処理部と、
を具備しており、
前記特徴量検出アルゴリズム群DBに記録した前記複数の特徴量検出アルゴリズムは、
メンテナンス前後で、加速度実効値の差が最も大きくなる特徴量検出アルゴリズム、
メンテナンス前後で、時間窓区間の最大実効値から求められる曲線の差が最も大きくなる特徴量検出アルゴリズム、
メンテナンス前後で、加速度実効値の分布の差が最も大きくなる特徴量検出アルゴリズム、
メンテナンス前後で、すべり量の差が最も大きくなる特徴量検出アルゴリズム、
の何れか複数であることを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
前記アルゴリズム探索部は、
前記メンテナンス前の計測データに基づく特徴量と、
前記メンテナンス後の計測データに基づく特徴量を比較することで、前記複数の特徴量検出アルゴリズムから一つを選定することを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
第二の特徴量検出部は、予め複数の特徴量検出アルゴリズムを有しており、前記アルゴリズム探索部が選定した特徴量検出アルゴリズムに対応したアルゴリズム変更情報に従って、使用する特徴量検出アルゴリズムを決定することを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
第二の特徴量検出部は、再構成可能なLSIを有しており、前記アルゴリズム探索部が選定した特徴量検出アルゴリズムに対応したアルゴリズム変更情報に従って、前記LSIを再構成することを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
前記メンテナンス前データDBと、前記メンテナンス後データDBと、前記特徴量検出アルゴリズム群DBと、前記第一の特徴量検出部と、前記アルゴリズム探索部は、最適アルゴリズム探索装置に設置され、
前記第二の特徴量検出部と、前記予兆診断処理部は、診断処理装置に設置されることを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
前記メンテナンス前データDBと、前記メンテナンス後データDBと、前記特徴量検出アルゴリズム群DBと、前記第一の特徴量検出部と、前記アルゴリズム探索部と、前記第二の特徴量検出部と、前記予兆診断処理部は、一つの装置内に設置されることを特徴とする故障診断システム。 - 請求項6に記載の故障診断システムにおいて、
前記アルゴリズム探索部が選定した特徴量検出アルゴリズムを、他の診断処理装置に設置された第二の特徴量検出部に反映させることを特徴とする故障診断システム。 - 請求項1に記載の故障診断システムにおいて、
前記予兆診断処理部はクラウド上に設置されたものであることを特徴とする故障診断システム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017165276A JP6961424B2 (ja) | 2017-08-30 | 2017-08-30 | 故障診断システム |
US16/617,084 US11269322B2 (en) | 2017-08-30 | 2018-02-22 | Failure diagnosis system |
PCT/JP2018/006545 WO2019043994A1 (ja) | 2017-08-30 | 2018-02-22 | 故障診断システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017165276A JP6961424B2 (ja) | 2017-08-30 | 2017-08-30 | 故障診断システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019045942A JP2019045942A (ja) | 2019-03-22 |
JP6961424B2 true JP6961424B2 (ja) | 2021-11-05 |
Family
ID=65525455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017165276A Active JP6961424B2 (ja) | 2017-08-30 | 2017-08-30 | 故障診断システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11269322B2 (ja) |
JP (1) | JP6961424B2 (ja) |
WO (1) | WO2019043994A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7063022B2 (ja) * | 2018-03-14 | 2022-05-09 | オムロン株式会社 | 異常検知システム、サポート装置およびモデル生成方法 |
JP7119978B2 (ja) * | 2018-12-20 | 2022-08-17 | オムロン株式会社 | 制御装置およびプログラム |
JP7057760B2 (ja) * | 2019-01-18 | 2022-04-20 | 株式会社日立インダストリアルプロダクツ | 回転電機の異常診断システム |
JP6690757B1 (ja) * | 2019-04-16 | 2020-04-28 | トヨタ自動車株式会社 | 燃料蒸気排出防止システムの異常検出装置 |
US11580827B2 (en) * | 2020-10-08 | 2023-02-14 | Baker Hughes Oilfield Operations Llc | Signal displays |
CN113467423A (zh) * | 2021-07-01 | 2021-10-01 | 中山大学 | 一种基于云平台的pemfc故障诊断方法及*** |
CN113624466B (zh) * | 2021-07-08 | 2023-10-03 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
JP2023151722A (ja) | 2022-04-01 | 2023-10-16 | オムロン株式会社 | 情報処理システム、情報処理方法および情報処理装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010011918A2 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
JP5431235B2 (ja) | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP5439265B2 (ja) * | 2010-04-20 | 2014-03-12 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP5427107B2 (ja) * | 2010-05-20 | 2014-02-26 | 株式会社日立製作所 | 監視診断装置および監視診断方法 |
JP5081998B1 (ja) * | 2011-06-22 | 2012-11-28 | 株式会社日立エンジニアリング・アンド・サービス | 異常予兆診断装置及び異常予兆診断方法 |
JP5808605B2 (ja) * | 2011-08-17 | 2015-11-10 | 株式会社日立製作所 | 異常検知・診断方法、および異常検知・診断システム |
JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
JP5480440B1 (ja) * | 2013-12-03 | 2014-04-23 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
JP6840953B2 (ja) * | 2016-08-09 | 2021-03-10 | 株式会社リコー | 診断装置、学習装置および診断システム |
-
2017
- 2017-08-30 JP JP2017165276A patent/JP6961424B2/ja active Active
-
2018
- 2018-02-22 WO PCT/JP2018/006545 patent/WO2019043994A1/ja active Application Filing
- 2018-02-22 US US16/617,084 patent/US11269322B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019045942A (ja) | 2019-03-22 |
US11269322B2 (en) | 2022-03-08 |
WO2019043994A1 (ja) | 2019-03-07 |
US20200089207A1 (en) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6961424B2 (ja) | 故障診断システム | |
JP6705903B2 (ja) | 診断装置、診断方法及び診断プログラム | |
US6622264B1 (en) | Process and system for analyzing fault log data from a machine so as to identify faults predictive of machine failures | |
CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
JP2018515706A (ja) | ポンプモニタ装置及び方法 | |
JP6514239B2 (ja) | 機械診断装置および機械診断方法 | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
Harris | A Kohonen SOM based, machine health monitoring system which enables diagnosis of faults not seen in the training set | |
JP4417318B2 (ja) | 設備診断装置 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN103077441A (zh) | 自识别电子产品的预测健康管理方法 | |
KR101348635B1 (ko) | 유도전동기 회전자의 고장 진단 장치 및 방법 | |
JP6801144B2 (ja) | 診断装置および診断方法 | |
KR102198190B1 (ko) | 운전조건을 고려한 회전체 고장 진단 데이터 정규화 처리 방법 및 이를 이용한 회전체 고장 진단 방법 | |
JP2004020484A (ja) | 異常監視装置および異常監視プログラム | |
JP6553462B2 (ja) | 半導体電力変換装置の故障部位特定方法、故障部位特定装置、及び故障部位特定プログラム、並びに、故障部位特定機能を備える半導体電力変換装置 | |
CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及*** | |
JP7184636B2 (ja) | データ選別装置及び方法、ならびに監視診断装置 | |
WO2020129818A1 (ja) | 機械設備診断システム、機械設備診断方法、および機械設備診断プログラム | |
JP6712354B2 (ja) | 異常診断システム | |
JP7057760B2 (ja) | 回転電機の異常診断システム | |
JP2020046211A (ja) | 診断装置及び診断方法 | |
RU144353U1 (ru) | Устройство контроля работоспособности электромеханической системы очистного комбайна | |
RU2448345C1 (ru) | Способ диагностирования в реальном времени судовой электроэнергетической системы | |
KR20210044787A (ko) | 전기 모터를 갖는 모터 시스템용 동작 파라미터 데이터를 캡처하기 위한 방법, 및 대응하는 모터 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210224 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210326 |
|
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: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211013 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6961424 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |