図面 (/)

技術 変圧器コスト予測装置

出願人 株式会社明電舎
発明者 深井寛修
出願日 2019年3月18日 (1年9ヶ月経過) 出願番号 2019-049435
公開日 2020年9月24日 (3ヶ月経過) 公開番号 2020-154364
状態 未査定
技術分野 CAD 学習型計算機
主要キーワード 正則化法 近似範囲 無負荷損失 コスト見積もり データクレンジング 主モデル 単位要素 学習パラメータ
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年9月24日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (5)

課題

変圧器コス予測工数が少なく精度良く算出することができる変圧器コスト予測装置を提供する。

解決手段

過去に製造された変圧器の仕様設計値、コストを含む過去データベース4を学習データとして予測モデル6を生成するモデル学習部2と、前記予測モデル6に変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部3と、を備え、前記モデル学習部2と前記予測部3は、それぞれ、入力データを編集する、データクレンジング部21、31と、フィーチャーエンジニアリング部22、32と、を備え、前記データクレンジング部21、31は、パラメータ欠損値補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部22、32は、各パラメータの演算値付与を含む特徴量の付与を行う。

概要

背景

これまで、変圧器コス予測は、製品仕様に合わせて設計者が設計を行い、その設計情報から材料費制作費を見積もる積み上げ方式が用いられてきた。しかしながら、この方法では、予測結果が出るまでに仮の設計を行いそれに基づいて様々な経費を算出するなど、予測するための工数がかかる。また、製品設計が過去の事例と同等に近ければ、予測誤差を少なくできる可能性があるが、設計が過去の事例と異なっていると、制作費の変動等が見積もりづらく、予測誤差が大きくなってしまうという問題がある。

特許文献1には、製品のコストを精度良く見積もるための方法が開示されている。この文献では、製品のコストをコスト発生単位要素に分解し、それぞれ単位要素ごとの最大値最小値のコストを考慮にいれ、一つのコスト発生単位要素組の最大値と最小値を計算する。コスト発生単位要素組の分解の仕方は、複数考えられるので、それらのすべてについて最大値と最小値を計算し、それぞれの要素組の最大値の集合における最小値と(最大値の下限)、それぞれの要素組の最小値の集合における最大値(最小値の上限)をコスト見積もり結果として採用する方法が開示されている。
しかしながら、この方法では、コストの算出において、コスト発生単位要素の分解を予想の元に行っているに過ぎず、特に製品設計がこれまでのものと異なっていると、コスト発生単位要素の分解が実際と同等に行われているかどうかについては保証できない。また、過去の事例を全体のコストとして参考にしているわけではなく、要素として予測に用いているだけなので、製品コスト全体の予測として過去の事例からのフィードバックがなく精度に問題がある。

概要

変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供する。過去に製造された変圧器の仕様設計値、コストを含む過去データベース4を学習データとして予測モデル6を生成するモデル学習部2と、前記予測モデル6に変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部3と、を備え、前記モデル学習部2と前記予測部3は、それぞれ、入力データを編集する、データクレンジング部21、31と、フィーチャーエンジニアリング部22、32と、を備え、前記データクレンジング部21、31は、パラメータ欠損値補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部22、32は、各パラメータの演算値付与を含む特徴量の付与を行う。

目的

本発明は、変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

過去に製造された変圧器仕様設計値コストを含む過去データベースを学習データとして予測モデルを生成するモデル学習部と、前記予測モデルに変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部と、を備え、前記モデル学習部と前記予測部は、それぞれ、入力データを編集する、データクレンジング部と、フィーチャーエンジニアリング部と、を備え、前記データクレンジング部は、パラメータ欠損値補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、各パラメータの演算値付与を含む特徴量の付与を行う、ことを特徴とする変圧器コスト予測装置

請求項2

前記モデル学習部は、回帰モデル選択部と、主モデル学習部と、を備え、前記回帰モデル選択部は、過去データベースから交差検証により、設定された複数の回帰モデルを評価し、該評価結果に基づいて主モデルを選択し、前記主モデル学習部は、選択された前記主モデルを過去データベースを学習データとして機械学習し予測モデルを生成する、ことを特徴とする請求項1に記載の変圧器コスト予測装置。

請求項3

前記学習データのパラメータは、変圧器コストとの相関分析に基づいて選択されることを特徴とする請求項1または2に記載の変圧器コスト予測装置。

請求項4

前記学習データのパラメータを選択する入力部を備えることを特徴とする請求項1または2に記載の変圧器コスト予測装置。

請求項5

前記データクレンジング部は、さらに、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、さらに、パラメータの欠損値補填フラグ、非数値パラメータインデックス、パラメータの関数変換値、を含む特徴量の付与を行う、ことを特徴とする請求項1から4のいずれか1項に記載の変圧器コスト予測装置。

技術分野

0001

本発明は、変圧器コス予測装置に関する。

背景技術

0002

これまで、変圧器のコスト予測は、製品仕様に合わせて設計者が設計を行い、その設計情報から材料費制作費を見積もる積み上げ方式が用いられてきた。しかしながら、この方法では、予測結果が出るまでに仮の設計を行いそれに基づいて様々な経費を算出するなど、予測するための工数がかかる。また、製品設計が過去の事例と同等に近ければ、予測誤差を少なくできる可能性があるが、設計が過去の事例と異なっていると、制作費の変動等が見積もりづらく、予測誤差が大きくなってしまうという問題がある。

0003

特許文献1には、製品のコストを精度良く見積もるための方法が開示されている。この文献では、製品のコストをコスト発生単位要素に分解し、それぞれ単位要素ごとの最大値最小値のコストを考慮にいれ、一つのコスト発生単位要素組の最大値と最小値を計算する。コスト発生単位要素組の分解の仕方は、複数考えられるので、それらのすべてについて最大値と最小値を計算し、それぞれの要素組の最大値の集合における最小値と(最大値の下限)、それぞれの要素組の最小値の集合における最大値(最小値の上限)をコスト見積もり結果として採用する方法が開示されている。
しかしながら、この方法では、コストの算出において、コスト発生単位要素の分解を予想の元に行っているに過ぎず、特に製品設計がこれまでのものと異なっていると、コスト発生単位要素の分解が実際と同等に行われているかどうかについては保証できない。また、過去の事例を全体のコストとして参考にしているわけではなく、要素として予測に用いているだけなので、製品コスト全体の予測として過去の事例からのフィードバックがなく精度に問題がある。

先行技術

0004

特開2004−246906号公報

発明が解決しようとする課題

0005

本発明は、変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供することを課題とする。

課題を解決するための手段

0006

本発明は、上記課題を解決するため、以下の手段を採用する。
すなわち、本発明の変圧器コスト予測装置は、過去に製造された変圧器の仕様設計値、コストを含む過去データベースを学習データとして予測モデルを生成するモデル学習部と、前記予測モデルに変圧器の仕様、設計値を含むデータを入力し変圧器のコストを予測する予測部と、を備え、前記モデル学習部と前記予測部は、それぞれ、入力データを編集する、データクレンジング部と、フィーチャーエンジニアリング部と、を備え、前記データクレンジング部は、パラメータ欠損値補填を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、各パラメータの演算値付与を含む特徴量の付与を行う、ことを特徴とする。
このような構成によれば、過去のデータベースを充分に活用した精度のよい変圧器コスト予測装置が実現できる。

0007

本発明の一態様においては、前記モデル学習部は、回帰モデル選択部と、主モデル学習部と、を備え、前記回帰モデル選択部は、過去データベースから交差検証により、設定された複数の回帰モデルを評価し、該評価結果に基づいて主モデルを選択し、前記主モデル学習部は、選択された前記主モデルを過去データベースを学習データとして機械学習し予測モデルを生成する、ことを特徴とする。
このような構成によれば、過去のデータベースを効率良く利用して、回帰モデルの選定と主モデルの学習が可能となる。

0008

本発明の一態様においては、前記学習データのパラメータは、変圧器コストとの相関分析に基づいて選択されることを特徴とする。
このような構成によれば、変圧器コストと関係性が高いパラメータを自動的に選択することができ、予測精度担保しながら計算に用いられるパラメータ数を減じて計算スピードを向上させることができる。

0009

本発明の一態様においては、前記学習データのパラメータを選択する入力部を備えることを特徴とする。
このような構成によれば、学習データのパラメータ選択に自由度をもたせることができる。

0010

また、本発明の一態様においては、前記データクレンジング部は、さらに、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータ整備を行い、前記フィーチャーエンジニアリング部は、さらに、パラメータの欠損値補填フラグ、非数値パラメータインデックス、パラメータの関数変換値、を含む特徴量の付与を行う、ことを特徴とする。
このような構成によれば、学習モデルの生成、及び、変圧器コストの予測に使用される入力データを適切に編集することができる。

発明の効果

0011

本発明によれば、変圧器のコスト予測を工数が少なく精度良く算出することができる変圧器コスト予測装置を提供することができる。

図面の簡単な説明

0012

本発明の第1の実施形態に係る変圧器コスト予測装置の構成を示す機能ブロック図である。
本発明の過去データベースのデータを説明するための表である。
本発明の回帰モデルを選択するための方法を説明するためのグラフであって、横軸に回帰モデルの種類、縦軸に各回帰モデルの評価値が示されている。
本発明の第2の実施形態において、学習パラメータを選択するための方法を説明するためのグラフであって、横軸に変圧器コストと学習パラメータ、縦軸に各学習パラメータの相関値が示されている。

実施例

0013

以下、添付図面を参照して、本発明の実施の形態について説明する。
(第1の実施形態)
図1に、本発明の第1の実施形態に係る変圧器コスト予測装置の構成を示す機能ブロック図を示す。
本実施形態に係る変圧器コスト予測装置1は、モデル学習部2、予測部3、過去データベース4、データベース5を備えている。モデル学習部2は、データクレンジング部21、フィーチャーエンジニアリング部22、回帰モデル選択部23、主モデル学習部24を備えている。
予測部3は、データクレンジング部31、フィーチャーエンジニアリング部32、機械学習予測部33、コスト予測結果出力部34を備えている。
変圧器コスト予測装置1は、例えばパーソナルコンピュータ等の情報処理装置である。過去データベース4及びデータベース5は、上記情報処理装置内外に設けられた半導体メモリ磁気ディスクなどの記憶装置によって実現される。また、モデル学習部2と予測部3は、上記情報処理装置内のCPUやGPUによって実行されるソフトウェアプログラムであってよい。

0014

過去データベース4には、過去に製造された変圧器のコスト、仕様、設計値等が事例毎に紐付けられて記録されている。例えば、図2に示すような表のイメージで記録されている。図2に示すごとく、1行目には、パラメータ名である事例、コスト、容量、電圧無負荷損失鉄心材料、等が示されている。2行目以降の各行が過去に実施された1事例に相当し、その事例における、パラメータの値が入力されている。表中YYY、aaa、bbb、や・・・の記載は空ではない値の存在を表現している。

0015

最初に、モデル学習部2における、モデル学習について説明する。モデル学習が開始されると、過去データベース4に記録されたすべてのデータは、モデル学習部2のデータクレンジング部21に送信される。データクレンジング部では、入力された過去データベース4の値を検査し、パラメータの欠損値の補填、パラメータに設定されたデータ欠損率以上のパラメータの削除、設定されたデータ類似率以上の事例の統合、若しくは事例に設定されたデータ欠損率以上を有する事例の削除を含むデータの整備を行う。

0016

ここで、パラメータの欠損値の補填とは、事例のパラメータでデータが存在していない部分(いわゆるブランク、あるいはヌルデータの部分)に、値を設定することをいう。設定される値は、0、1、中央値平均値など予め定められた値を補填する。
パラメータに設定されたデータ欠損率以上のパラメータの削除とは、各パラメータ毎図2の表における列データに相当する。)に欠損データ(ヌルデータ)と値を持つデータ(有効データ)の数を調べ、その比率を計算し、例えばあるパラメータの欠損データが90%以上(10%未満の有効データ)の場合はそのパラメータを削除し、後述するモデル生成の学習データとして使用しないことをいう。

0017

設定されたデータ類似率以上の事例の統合とは、例えば、事例1と2(図2の表における行データに相当し、事例1と2は、図2の表における2行目と3行目のことをいう。)の各パラメータの値を比較し、各パラメータの差が、設定された近似範囲値以内に入っているかどうかを検証し、近似範囲値以内に入っているパラメータの比率が例えば95%以上(5%未満のパラメータ数が近似範囲内にない)ある場合は、いずれかの事例を消去することをいう。
事例に設定されたデータ欠損率以上を有する事例の削除とは、事例の欠損データの比率を調べ、例えば、ある事例の欠損データ率が97%以上(有効データが3%未満)である場合、その事例を削除することをいう。

0018

上記したように、データクレンジング部21で過去データベース4からのデータを整備したあとの出力は、フィーチャーエンジニアリング部22に送信される。
フィーチャーエンジニアリング部22では、各パラメータの演算値、パラメータの欠損値補填フラグ、非数値パラメータのインデックス、パラメータの関数変換値、を含む特徴量の付与を行う。

0019

ここで、各パラメータの演算値の付与とは、各パラメータ同士の四則演算を含む計算値を付与することである。例えばA、B等でパラメータを表した場合、演算値とは、A+B、A*B、3*A+2*B等のことをいう。演算値の付与とは、この値を事例データに追加することをいう。
パラメータの欠損値補填フラグの付与とは、上述したデータクレンジング部21で、パラメータの補填が行われたパラメータを表すパラメータ(この場合1ビットデータ)を新たに事例データに追加し、補填が行われた場合1を行われなかった場合は0を設定することをいう。

0020

非数値パラメータのインデックスの付与とは、例えば鉄心材質等、単に材質や材料製品の品番で代表される数字ではないパラメータに数字による指標を設定し、それを付与することをいう。例えば、鉄心材質にP、Q、R、S等と表現されている非数値パラメータがある場合、この名称のそれぞれに数字の0、1、2、3等を割り当て、同じ材質が使われた場合は、同じ番号が付与されるようにすることをいう。
パラメータの関数変換値の付与とは、パラメータを例えば多項式関数ガウス関数で変換してその値を付与することをいう。

0021

上記のように、フィーチャーエンジニアリング部22で、新たな特徴量を付与されたデータは、回帰モデル選択部23に送信される。
回帰モデル選択部23では、入力されたデータを複数のグループに分けて、交差検証により、回帰モデルの評価、選択が行われる。ここにおいて、交差検証とは、例えば、入力されたデータを10のグループに分ける。説明のため、今そのグループに1〜10の番号が振られているとする。フィーチャーエンジニアリング部22では、まず1〜9のグループのデータを用いて一つの回帰モデルについて変圧器のコストを算出するための機械学習を行い、回帰モデルのパラメータを導出する。この導出されたパラメータを有するモデルを用いて、グループ10のデータを使って評価を行い評価値を算出する。評価値は、例えば回帰モデルによって算出された変圧器コストと実際のコストとの差を採用して良い。

0022

次に、回帰モデル選択部23は、2〜10のグループのデータを用いて一つの回帰モデルについて変圧器のコストを算出するための機械学習を行い、回帰モデルのパラメータを導出する。この導出されたパラメータを有するモデルを用いて、グループ1のデータを使って評価を行い評価値を算出する。このように、学習に使用するデータと評価に使用するデータを入れ替えて評価値を算出する。この場合は、10種類の評価値グループが得られる。

0023

評価される機械学習アルゴリズムの回帰モデルとしては、線形のものとして、重回帰分析、Ridge・Lasso・Elastic Netのような正則化法PLS等がある。非線形のものとして、CART、k−NNSVR、NN等がある。アンサンブル手法としては、Adaboost、GBM、RF、ET等があるが、これに限定されず、Pythonの機械学習ライブラリ(https://scikit−learn.org/stable/user_guide.html)に掲載されているどのアルゴリズムを採用して良い。

0024

回帰モデル選択部23は、候補として採用された回帰モデルのそれぞれについて、上述した交差検証を用いて評価を行い評価値を算出する。図3は、回帰モデルの評価結果を表すグラフである。横軸には、回帰モデルの種類が並べられ、縦軸はその回帰モデルに対応する上記の交差検証の評価値が示されている。評価値は、平均値41、最大値42、最小値43、25%分布ライン44、75%分布ライン45で表されている。評価値0は、変圧器コストの予測値と実際の値に差がないことを表す。

0025

回帰モデルの選択は、この図3に示されたデータから自動的に選択することができる。例えば、平均値の絶対値が一番小さいものを選択して良い。又は、最大値と最小値の差と平均値を掛け合わせ、その絶対値の一番小さいものを選択して良い。この場合は、最大値と最小値の差が少なく、平均値も小さいものが選択される。又は、この値にさらに回帰モデル毎の説明性を表した指標値を掛け合わせ、その最小値を示すものを選択して良い。回帰モデル毎の説明性を表した指標値とは、例えば線形性のものを0.2に、非線形のものを0.5にアンサンブル手法を0.7に設定することができる。この値で選択を決定することにより、精度がよく、説明性の良い回帰モデルを選択する。回帰モデルの選択は、あるいは、図3に示す図をコンピューターディスプレイに表示させ、マニュアルにて選択しても良い。

0026

回帰モデル選択部23は、上記の評価結果に基づいて主モデルを選択し、その選択結果を主モデル学習部24に送信する。主モデル学習部では、主モデルとして選択された回帰モデルについて、上記交差検証で使用されたデータすべてを利用して、主モデルについて機械学習をおこない予測モデル6を生成する。生成された予測モデルは、予測部3の機械学習予測部33に送信される。

0027

次に、予測部3における変圧器コストの予測について説明する。データベース5には、これから予測に用いられる変圧器の仕様と設計値が記録されている。予測部3は、データベース5から、変圧器の仕様と設計値を読み出し、モデル学習部2において説明した、データクレンジング部21とフィーチャーエンジニアリング部22と同様の入力データの編集を予測部3のデータクレンジング部31とフィーチャーエンジニアリング部32で行う。このとき、予測部3のデータクレンジング部31とフィーチャーエンジニアリング部32の設定は、図1点線で示されているように、モデル学習部2のデータクレンジング部21とフィーチャーエンジニアリング部22で設定されたものと同じものが予測部3のデータクレンジング部31とフィーチャーエンジニアリング部32に送信されて使用される。モデル学習部2のデータクレンジング部21とフィーチャーエンジニアリング部22における設定とは、例えば、欠損データの補填値や付与するパラメータ同士の演算の種類や、非数値パラメータのインデックス値、パラメータの変換に使用される関数の種類等をいう。

0028

予測部3のデータクレンジング部31とフィーチャーエンジニアリング部32によって編集されたデータベース5からのデータは、機械学習予測部33に送信される。機械学習予測部33では、予測モデル6を使って変圧器コストの算出が行われる。算出されたコスト予測結果は、コスト予測結果出力部34に送信される。コスト予測結果出力部34は、ディスプレイやプリンター等に算出結果を出力する。

0029

以上述べたように、本実施形態によれば、過去の変圧器製造の事例を記録した過去データベース4を学習データとして用いて、変圧器コスト予測のモデルを生成し、変圧器コストを予測するので、見積もる人および方法による差を含むことなく、精度の良い変圧器コストの予測ができる。また、予測はパーソナルコンピュータ等のソフトウェア等によって自動で実行されるので、見積もりに工数がかからない。

0030

データクレンジング部21においては、予測モデルの学習に用いられる過去データベース4に、欠損データが補填されるので、予測モデル生成のための情報量を増やすことができる。また、データ欠損率の高いパラメータや、事例は消去されるので、予測モデル生成のためのノイズデータを除去することができる。また、類似の事例データは統合されるので、入力データを効率良く減らすことができる。

0031

フィーチャーエンジニアリング部22においては、各パラメータの演算値、データクレンジング部21において補填したパラメータを示すフラグ、非数値パラメータのインデックス、パラメータの関数変換値、等が予測モデル生成のための学習データに付与されるので、予測モデル生成のために有用な情報を増やすことができる。ここにおいて、パラメータに関数を適用し変換する意味は、そのパラメータの平均値と分散によって正規化されたガウス関数を利用した場合においては、パラメータの値の差に重み付けすることができる。例えば、平均値から離れた値付近のパラメータ差を平均値付近の値の差に比較して強調することによって、特徴量の情報を増やすことができる。

0032

回帰モデル選択部23においては、複数の回帰モデルが交差検証によって評価され、主モデルが選択されるので、過去データベース4を効率良く利用して回帰モデルの選択が可能である。
主モデル学習部24では、回帰モデル選択部23によって選択された主モデルを、過去データベース4をすべて使ってモデル学習を行うので、予測モデル6の生成を効果的に行うことができる。このようにして生成された予測モデル6を使用して、機械学習予測部33で変圧器コストの予測が行われるので、見積もり方法や人為的な差を含むことのない精度のよい変圧器コストの予測が可能となる。

0033

(第2の実施形態)
次に、本発明の第2の実施形態について説明する。この実施形態が第1の実施形態と異なるのは、モデル学習に用いられるパラメータが変圧器コストとの相関分析の結果に基づいて選択され点である。図4は、各パラメータ51(A〜S)の相関分析の結果である相関係数52が示されるグラフである。横軸パラメータの1番目に示されているのは、変圧器コスト53である。変圧器コスト53の自分自身の相関係数1が示されている。本実施形態では、モデル学習に用いられるパラメータは、この相関係数に基づいて選択される。選択する方法は、例えば、パラメータを相関係数の値の大きい順に並べて、上位の15番目までのパラメータを選択して良い。また、相関係数0.5以上のパラメータを選択しても良い。
本実施形態においては、このように、変圧器コストと相関の強いパラメータを選択することによって、変圧器コスト予測の精度を向上させることができる。また、選択によってパラメータの数を減らすことができるので、計算スピードを高速にすることができる。本実施形態においては、パラメータの選択以外は上記第1の実施形態と同様の動作によって変圧器コストの予測が行われ、第1の実施形態と同様の作用、効果が得られる。

0034

(第3の実施形態)
次に、本発明の第3の実施形態について説明する。この実施形態が第1の実施形態と異なるのは、モデル学習に用いられるパラメータを選択する入力部を備える点である。本実施形態においては、入力パラメータを選択するために、図1に2点鎖線で示される、モデル学習部2に入力部25を備えている。この入力部25において、モデル学習に用いられるパラメータを任意に選択可能となっている。したがって、パラメータ選択の自由度が向上し、また、選択によってパラメータの数を減らすことができるので、計算スピードを高速にすることができる。本実施形態においては、パラメータの選択以外は上記第1の実施形態と同様の動作によって変圧器コストの予測が行われ、第1の実施形態と同様の作用、効果が得られる。

0035

1変圧器コスト予測装置
2モデル学習部
3予測部
4過去データベース
6予測モデル
21、31データクレンジング部
22、32フィーチャーエンジニアリング部
23回帰モデル選択部
24主モデル学習部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ