CN101718834A - 一种模拟电路故障传播特性的分析方法 - Google Patents
一种模拟电路故障传播特性的分析方法 Download PDFInfo
- Publication number
- CN101718834A CN101718834A CN200910227140A CN200910227140A CN101718834A CN 101718834 A CN101718834 A CN 101718834A CN 200910227140 A CN200910227140 A CN 200910227140A CN 200910227140 A CN200910227140 A CN 200910227140A CN 101718834 A CN101718834 A CN 101718834A
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- analog circuit
- circuit
- response curve
- 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
Images
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种模拟电路故障传播特性的分析方法。它包括以下步骤:获取模拟电路各个节点正常情况下的电路响应曲线簇及节点故障状态下的电路响应曲线簇;根据故障状态下的电路响应曲线簇与正常情况下的电路响应曲线簇的匹配程度来划分故障模式;根据故障模式构建模拟电路故障传播网络;计算模拟电路故障传播网络的聚类系数C和平均特征路径长度;计算模拟电路故障传播网络的度分布,根据度分布选取可测点。本发明根据电路故障传播特性所表现出来的无标度网络特征及其不均匀性特性,对故障电路的可测点进行优选,进而提高了故障诊断效率及准确度。
Description
技术领域
本发明涉及一种模拟电路故障传播特性的分析方法。
背景技术
模拟电路故障诊断最关心的一大任务是故障定位。如何更高效地运用故障信息,更准确地搜寻故障位置是其不断追求的目标。然而模拟电路的自身特点,如元件容差、响应的连续性、有限可及节点和电路的非线性、高阶、多回路等使其故障表现出层次性、传播性、相关性,一个微小的故障信号通过电路拓扑的传播、扩散、积累和放大将严重影响电路的可靠性和安全性,这些异常信息一方面是故障诊断的重要信息源,另一方面,也会对真正故障源的定位产生严重干扰,造成故障定位的艰巨性;此外,模拟电路的规模化、系统化和多层次封装设计,造成可用的测试数据过少,即使采用多类测试信号结合高效的信号处理方法,也很难从根本上解决诊断信息不足的问题。因而对故障信号的跟踪、定位以及故障传播特性这一深层诊断知识进行分析显得尤为重要。
在众多针对模拟电路故障的模拟仿真以及特征提取方法中,由于缺乏自动化程度较高的仿真方法,很难对庞大的故障特征样本数据进行处理并挖掘出样本数据本身存在的许多统计特性,造成众多可用诊断信息的缺失。如何建立一种能高效进行故障模拟和特征提取以及能从较小样本集得到可靠总体估计的仿真框架是这项研究的一大难题。
发明内容
为了解决模拟电路故障诊断存在的上述技术问题,本发明提供一种模拟电路故障传播特性的分析方法。
本发明解决上述技术问题的技术方案包括以下步骤:
1)对模拟电路的各个元件参数、节点状态变化进行交流分析和参数扫描,得到模拟电路各个节点正常情况下的电路响应曲线簇,以及节点故障状态下的电路响应曲线簇;
2)根据故障状态下的电路响应曲线簇与正常情况下的电路响应曲线簇的匹配程度来划分故障模式;
3)各故障模式之间的关系矩阵表示并计算其关联概率值;接着将划分后的故障模式及其耦合关系抽象成点集和弧集,并将关联概率值赋予弧,构建模拟电路故障传播网络;
4)计算模拟电路故障传播网络的聚类系数C和平均特征路径长度;
5)计算模拟电路故障传播网络的度分布,根据度分布选取可测点。
本发明的技术效果在于:本发明利用协同仿真构建模拟电路故障传播特性的抽象模型,对模拟电路的故障进行模拟,提取故障特征信息及其耦合关系;然后对提前的故障信息进行数值处理,划分故障模式,将各模式之间的关系矩阵表示并计算其关联概率值;接着将划分后的故障模式及其耦合关系抽象成点集和弧集,并将关联概率值赋予弧,构建模拟电路故障传播网络,对模拟电路故障传播网络进行特征参数分析、度分布分析、路径搜索,优选可测点,提高了故障诊断效率及准确度。
下面结合附图对本发明作进一步的说明。
附图说明
图1为本发明的流程图。
图2为本发明中故障样点模糊模式划分原理图。
图3为本发明中的故障传播网络模型示意图。
图4为本发明中的路径传播流程图。
具体实施方式
参见图1,图1为本发明的流程图。本发明的具体实施过程如下:
1)利用Orcad Capture CIS完成模拟电路原理图的绘制。
2)通过PSPICE仿真,对模拟电路的各个元件参数、节点状态变化进行交流分析和参数扫描,得到模拟电路各个节点正常情况下的电路响应曲线簇Y,以及节点故障状态下的电路响应曲线簇X。
针对模拟电路的特点,本发明用故障状态下的电路响应曲线簇X与正常情况曲线簇Y的匹配程度来划分故障模式,以此来衡量电路故障的严重程度。匹配程度主要从幅值、频率和相似系数三方面综合加以考虑。
①计算正常与故障情况下对应曲线的相似系数Cx,y,计算公式如下:
其中v为测试频率,x(v)与y(v)分别为簇X和Y中的一条曲线,x(v)和y(v)为曲线幅度均值。
②考虑幅值比,对相似系数进行对数化和归一化处理。
以δx,y来表征匹配程度,计算公式如式(2)所示:
δx,y的值域为[0,1],其中0和1两个端点分别对应硬故障和正常工作状态,区间内数值对应软故障情形。将δx,y的值域区间化,记为:
U=[U1,U2,U3,...,Ui,...];
③对归一化后的数据进行模糊划分。相关参数如下:u=[u1,u2,u3...,ui,...],u为信息控制点集合为,ui为U中元素且为Ui的几何中点;M=[m1,m2,m3,...,mj,...];为故障样本集合,其中mj为标号为j的故障样本;W=[w1,w2,w3,...,wγ,...];为故障特征参数集合,其中wγ为标号为γ的故障特征参数,dij=|ui-mj|为mj与邻近两个类中心的距离,r为U中所有元素的半径其中i=1,2,3,...;j=1,2,3,...;γ=1,2,3,...。
首先计算mj与邻近两个类中心的距离即dij,限定mj只能归入中心点靠近它的两类,并且U中所有元素的半径均为r,可得mj归属于Ui的模糊划分公式如下:
式中ξi是从dij的定义域到[0,1]区间的一个映射,不同的ξi可引导出不同的集合M在集合U上的模糊划分。
例如取论域划分控制点步长和模糊划分函数如下:
则u=[0,0.1,0.2,…,1],即可以得到如图2所示的故障样点模糊模式划分。
(
3)节点的选取方法
将上步所划分的故障模式抽象为节点集,即E=(A,B),其中A为根据波形匹配系数进行模糊划分的故障模式集合;B为A的一个数值约束集合,即各个故障模式对应的信息控制点集u。
若将多故障考虑进来,该模型的节点集合元素个数为:
其中τ为所考虑的多故障的重数,φ≥τ≥2,Cφ τ为组合运算。
4)弧、网络的构建
①对模拟电路故障进行模糊模式划分后,把仿真样本数据归入不同的模式。将描述样本在各种模式上分布的特征矩阵记为Qh=[Qhj],其中h为模式标号,j为样本标号,Qhj为第j个样本划分至h故障模式的信息量,Qhj的值通过计算式(3)得出。
②通过对不同模式的样本分布特征矩阵Qh进行比较,得到描述它们耦合关系的矩阵R=[Rαβ]K×L,K和L为不同电路结点的模式数,Rαβ为模式α和模式β间耦合的信息量值,由式(7)计算,其中Qα和Qβ分别为模式α和模式β的样本分布特征矩阵,“SUM”为元素求和运算,“·*”为矩阵点乘运算,“&”为元素位与逻辑运算。
③矩阵R建立了不同电路节点模式之间的有向权值传播路径,它包含了两部分信息即故障信息传播的方向D(α→β)和路径的权值Rαβ,描绘的是对故障样本信息分配的频率分布估计。
通过对统计数据的完善,我们对权值进行更新。模拟电路故障传播网络模型的弧集为F=(D(α→β),Rαβ)。
④构建出模拟电路故障传播网络,用以下集合来描述:
G=(E,F)=((A,B),(D(α→β),Rαβ)) (8)
图3为所构建网络模型的示意图。
5)特征参数计算方法
通过实例电路分析和模型参数计算,可知模拟电路故障传播网络往往具有大的聚类系数和小的特征路径长度,即具有小世界特性。小世界网络的特征参数及几何性质见式(9)--(12)。
a)模拟电路故障传播网络的聚类系数C表征着故障模式之间的相似程度,在一定程度上反映了故障传播的深度,其计算公式如下:
式中N为网络的节点集合元素个数,ki表示节点i的度数(连接边数);yi表示节点i的邻近节点之间的实际连接边数。
b)平均特征路径长度表征着故障模式之间的耦合程度,在一定程度上反映了故障传播的广度,如式(10)所示。
式中:D(b,c)表示任意两个相同节点间的最短路径所包含边的数目,它是从全局角度对任意两个节点距离特征参数的描述。
c)小世界网络介于规则网络和随机网络之间,同时具有大的聚类系数和小的平均距离,其几何性质可表示为:
式中:Cr和dr分别表示与小世界网络具有相同节点数N、平均度数k的随机网络的聚类系数和平均距离,计算如下:
6)度分布分析
节点的度k为与该节点连接的其他节点的数目,直观上看,一个节点的度越大就意味着这个节点在某种意义上越重要。网络中节点的度的分布情况可用分布函数p(k)来描述。p(k)表示的是一个随机选定的节点的度恰好是k的概率。模拟电路故障传播网络的度分布可以用幂律分布来描述。幂律分布也称为无标度(scale-free)分布,具有幂律分布的网络也称为无标度网络,其分布函数的形式为:
p(k)~k-λ (13)
网络模型度分布的幂率特征表明该电路故障传播的信息集中在少数网络节点上,具有相对很大度数特别是出度数的这些节点意味着对应的传播路径也就越多,因此从路径搜索,我们在保证故障识别准确性的前提下能够得到最优的故障测试点集,并且对其进行状态监测和优先保护将极大提高所设计电路的运行可靠性。
7)路径搜索
针对所建模拟电路故障传播网络模型,我们综合考虑各种路径搜索策略的优劣,从模型中一个给定的源节点开始,按照一定的规则向它的一个或多个邻居传递查询信息,以期获取所需要的故障诊断信息如最大概率故障传播路径。采用的几种搜索策略如下所示,其中节点存储的目标文件为根据波形匹配系数进行模糊划分的故障模式集合A和各个故障模式对应的信息控制点集u:
a)广度优先搜索策略(BFS)
当源节点s应用广度优先搜索策略(breadth-first search,BFS)在网络中的节点上寻找指定文件时,s首先查询其所有的邻居节点,询问是否含有目标文件,如果s的邻居中有节点存储了目标文件,则将目标文件返回给源节点;如果没有邻居含有目标文件,则所有的邻居将查询继续传递给各自的邻居节点,一直到搜索到目标文件为止。
b)随机游走搜索策略(RW)
当源节点s应用随机游走策略(random walk,RW)搜索目标节点t时,s首先判断自己的邻居节点中有无目标节点t:如有,则中止搜索;如无,则向任一个邻居查询它的邻居节点中是否有目标节点。重复这个过程一直到寻找到目标节点t的任一个邻居为止。与广度优先策略相比,本策略搜索步数要大很多,但由于每一步只前传一个查询消息,因此大大减少了网络中的消息流量。
c)最大度搜索策略(DS)
在每个节点都认识自己的邻居并知道每个邻居的度的条件下,应用最大度搜索策略(degree search,DS)在网络中的节点上寻找指定的文件的过程如下:源节点s首先查询其度最大的邻居节点,询问是否含有目标文件,如果此邻居节点上存储了目标文件,则它将目标文件返回给源节点,如果此邻居节点上不含有目标文件,则它选择自己度最大的邻居将查询传递过去,一直到搜索到目标文件为止。其流程图见图四。
通过路径搜索我们获知最大概率故障传播路径,进而为故障诊断提供更多诊断信息。
8)故障诊断可测点优选
无标度网络很容易在高连接点集发生故障后引发大规模传播,造成灾难性后果,因此选择合适的可测点集是非常必要的,它也将为电路进行状态监测和在线诊断提供非常大的帮助。
本发明根据所研究的电路的故障传播特性所表现出来的无标度网络特征及其不均匀性特性,对故障电路的可测点进行优选。本发明利用度分布分析结果,选取其中少量度最大的节点,构成高连接点集,进而提高了故障诊断效率及准确度。
本发明利用Orcad Pspice和数值分析软件Matlab协同仿真步骤如下:
①故障特征提取
I.首先进入Orcad Capture CIS绘图区,在元件库中找到相应电路元件放置于此区,随后为各元件连线,编辑设置好元器件的属性,保存后即完成电路原理图的绘制。
II.通过PSPICE仿真,对各个元件参数、节点状态变化进行交流分析和参数扫描,即分析电路中某参数(如电阻电容值等)在一定范围内的改变对整个电路特性的影响,得到电路各个节点正常情况下的频率响应,以及节点随参数变化的频率响应曲线簇(簇中的不同曲线对应不同元件参数下的电路响应),将形成的数据列表存于Output File中。
②故障模式划分
I.将实验数据和先验知识的有机结合,进行数据样本的模糊划分。
II.确立故障网络的节点和边(弧),在MATLAB中建立故障传播矩阵。
III.完成故障信息传播网络模型的构建,并刻画故障传播概率等特征。
IV.将故障传播矩阵(.mat)的文件形式转化为适合Pajek分析的(.net)形式。
③故障模型构建与分析
I.将网络数据文件(.net)导入Pajek仿真平台,利用Pajek中的“Draw”工具进行可视化绘图和调整。
II.利用Pajek的选项卡“Net”→“Paths between 2 vertices”,针对构建的故障传播网络模型进行传播路径搜索,进行故障定位。
III.利用Pajek中的“Degree”进行度分布分析。可发现连接度高的点(hub),它对整个网络的故障传播特性起着至关重要的作用,采用它可指导电路的可测性优化设计。度分布指数γ由度分布双对数坐标图直线拟合而得。(参见公式9)
IV.同时,利用Pajek中的“Clustering Coefficients”工具得出网络的聚类系数,利用公式10得出平均路径长度;并对所构模型的拓扑结构及其他特征参数进行分析,以此研究故障传播规模及其规律,并发掘深层的网络潜在信息。为电路的可靠性分析及智能融合诊断提供参考数据。
Claims (3)
1.一种模拟电路故障传播特性的分析方法,包括以下步骤:
1)对模拟电路的各个元件参数、节点状态变化进行交流分析和参数扫描,得到模拟电路各个节点正常情况下的电路响应曲线簇,以及节点故障状态下的电路响应曲线簇;
2)根据故障状态下的电路响应曲线簇与正常情况下的电路响应曲线簇的匹配程度来划分故障模式;
3)用矩阵表示各故障模式之间的关系并计算其关联概率值;将划分后的故障模式及其耦合关系抽象成点集和弧集,并将关联概率值赋予弧,构建模拟电路故障传播网络;
4)计算模拟电路故障传播网络的聚类系数C和平均特征路径长度;
5)计算模拟电路故障传播网络的度分布,根据度分布选取可测点。
2.根据权利要求1所述的模拟电路故障传播特性的分析方法,所述步骤3)包括以下步骤:
计算故障状态下的电路响应曲线簇X与正常情况下电路响应曲线簇Y对应曲线的相似系数Cx,y,计算公式如下:
其中v为测试频率,x(v)与y(v)分别为簇X和Y中的一条曲线,x(v)和y(v)为曲线幅度均值。
对相似系数进行对数化和归一化处理,以δx,y来表征匹配程度,计算公式如下:
δx,y的值域为[0,1],其中0和1两个端点分别对应硬故障和正常工作状态,区间内数值对应软故障情形,将δx,y的值域区间化,记为:
U=[U1,U2,U3,...,Ui,...];
对归一化后的数据进行模糊划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102271401A CN101718834B (zh) | 2009-12-01 | 2009-12-01 | 一种模拟电路故障传播特性的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102271401A CN101718834B (zh) | 2009-12-01 | 2009-12-01 | 一种模拟电路故障传播特性的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101718834A true CN101718834A (zh) | 2010-06-02 |
CN101718834B CN101718834B (zh) | 2012-07-04 |
Family
ID=42433438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102271401A Expired - Fee Related CN101718834B (zh) | 2009-12-01 | 2009-12-01 | 一种模拟电路故障传播特性的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101718834B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818981A (zh) * | 2011-06-12 | 2012-12-12 | 黄以锋 | 基于测点必要度的模拟电路测点选择方法和装置 |
CN103558512A (zh) * | 2013-11-19 | 2014-02-05 | 湖南大学 | 一种基于矩阵运算的配电网10kV馈线故障定位方法 |
CN104898039A (zh) * | 2015-05-27 | 2015-09-09 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN107490758A (zh) * | 2017-07-14 | 2017-12-19 | 电子科技大学 | 基于故障传播的模块化bp神经网络电路故障诊断方法 |
CN107895179A (zh) * | 2017-11-29 | 2018-04-10 | 合肥赑歌数据科技有限公司 | 一种基于临近值分析的工件分类系统及方法 |
CN108459240A (zh) * | 2018-03-27 | 2018-08-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网线路故障区间定位方法 |
CN108565840A (zh) * | 2018-04-21 | 2018-09-21 | 国网四川省电力公司电力科学研究院 | 一种基于反行波波形相似度比较的快速母线保护方法 |
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6972572B2 (en) * | 2003-12-22 | 2005-12-06 | Leviton Manufacturing Co., Inc. | Arc fault detector |
CN201237628Y (zh) * | 2008-07-30 | 2009-05-13 | 邓波 | 一种单相接地故障监测器 |
CN101576604B (zh) * | 2009-01-04 | 2012-10-03 | 湖南大学 | 基于异类信息融合的模拟电路故障诊断方法 |
-
2009
- 2009-12-01 CN CN2009102271401A patent/CN101718834B/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818981B (zh) * | 2011-06-12 | 2015-07-15 | 黄以锋 | 基于测点必要度的模拟电路测点选择方法 |
CN102818981A (zh) * | 2011-06-12 | 2012-12-12 | 黄以锋 | 基于测点必要度的模拟电路测点选择方法和装置 |
CN103558512A (zh) * | 2013-11-19 | 2014-02-05 | 湖南大学 | 一种基于矩阵运算的配电网10kV馈线故障定位方法 |
CN104898039A (zh) * | 2015-05-27 | 2015-09-09 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN104898039B (zh) * | 2015-05-27 | 2017-09-12 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN107490758B (zh) * | 2017-07-14 | 2019-08-13 | 电子科技大学 | 基于故障传播的模块化bp神经网络电路故障诊断方法 |
CN107490758A (zh) * | 2017-07-14 | 2017-12-19 | 电子科技大学 | 基于故障传播的模块化bp神经网络电路故障诊断方法 |
CN107895179A (zh) * | 2017-11-29 | 2018-04-10 | 合肥赑歌数据科技有限公司 | 一种基于临近值分析的工件分类系统及方法 |
CN108459240A (zh) * | 2018-03-27 | 2018-08-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网线路故障区间定位方法 |
CN108565840A (zh) * | 2018-04-21 | 2018-09-21 | 国网四川省电力公司电力科学研究院 | 一种基于反行波波形相似度比较的快速母线保护方法 |
CN109656738A (zh) * | 2018-11-28 | 2019-04-19 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
CN113722906A (zh) * | 2021-08-30 | 2021-11-30 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
CN113722906B (zh) * | 2021-08-30 | 2023-09-01 | 浙江大学 | 基于数字孪生的数据中心空调系统可靠性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101718834B (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718834B (zh) | 一种模拟电路故障传播特性的分析方法 | |
CN109347697B (zh) | 机会网络链路预测方法、装置及可读存储介质 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN103795613B (zh) | 一种在线社交网络中朋友关系预测的方法 | |
CN102880799A (zh) | 一种基于多属性决策的复杂网络节点重要度综合评价方法 | |
He et al. | Optimal multiaxial sensor placement for modal identification of large structures | |
Ma et al. | Practical implementation of knowledge-based approaches for steam-assisted gravity drainage production analysis | |
CN106533759B (zh) | 一种多层网络中的基于路径熵的链路预测方法 | |
CN109447152B (zh) | 一种基于蒙特卡洛树搜索和神经网络的故障预测方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN113032238A (zh) | 基于应用知识图谱的实时根因分析方法 | |
Palley et al. | Boosting the wisdom of crowds within a single judgment problem: Weighted averaging based on peer predictions | |
Li et al. | Evolutionary community discovery in dynamic social networks via resistance distance | |
CN103620625A (zh) | 信息处理装置、信息处理方法、记录介质、以及程序 | |
CN102364490B (zh) | 基于层次分析模型的自动同调识别方法 | |
Santiago et al. | A methodology for the characterization of flow conductivity through the identification of communities in samples of fractured rocks | |
Xing et al. | Sensor placement for robust burst identification in water systems: Balancing modeling accuracy, parsimony, and uncertainties | |
Coscia et al. | Benchmarking api costs of network sampling strategies | |
Ju et al. | Locating influence sources in social network by senders and receivers spaces mapping | |
CN109492677A (zh) | 基于贝叶斯理论的时变网络链路预测方法 | |
Demirel et al. | Validation of an ANN flow prediction model using a multistation cluster analysis | |
Eftekharifar et al. | 3D Petrophysical modeling using complex seismic attributes and limited well log data | |
Ramathulasi et al. | Enhanced PMF model to predict user interest for web API recommendation | |
Tombul et al. | Modeling of rainfall-runoff relationship at the semi-arid small catchments using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20141201 |
|
EXPY | Termination of patent right or utility model |