CN101870075B - 一种基于性能退化模型的数控机床丝杠副寿命预测方法 - Google Patents
一种基于性能退化模型的数控机床丝杠副寿命预测方法 Download PDFInfo
- Publication number
- CN101870075B CN101870075B CN2010102158914A CN201010215891A CN101870075B CN 101870075 B CN101870075 B CN 101870075B CN 2010102158914 A CN2010102158914 A CN 2010102158914A CN 201010215891 A CN201010215891 A CN 201010215891A CN 101870075 B CN101870075 B CN 101870075B
- Authority
- CN
- China
- Prior art keywords
- screw pair
- time
- lead screw
- under
- current working
- 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.)
- Expired - Fee Related
Links
Abstract
一种基于性能退化模型的数控机床丝杠副寿命预测方法,即:采集振动信号并进行时频域分析,提取丝杠副性能退化敏感特征数据向量并以时间序列方式构成敏感特征矩阵;同时计算丝杠副负荷Pi,记录运行时间ti;根据Pi计算额定寿命时间Lhi及丝杠副在当前工况下已运行的总时间t’和期望剩余寿命LDi,将期望剩余寿命以时间序列方式构成期望剩余寿命向量T;再由双层动态模糊神经网络构成的退化模型对输入的敏感特征矩阵和期望剩余寿命向量之间的映射关系进行拟合并输出寿命预测结果。该方法考虑数控机床不同工况下丝杠副负荷变化对丝杠副性能退化的影响,实现丝杠副使用过程中剩余寿命的预测,预测精度高,实际使用价值高。
Description
技术领域
本发明属于机电一体化的数控制造技术领域,具体地讲,涉及数控机床丝杠副性能退化评估与寿命预测。
背景技术
数控机床是一种柔性、高效的自动化机床,是典型的机电一体化产品。数控机床的故障严重影响零件的加工质量,给企业带来巨大的经济损失。数控机床的故障包括数控系统故障、电气系统故障、机械系统故障及气动液压系统故障等,其中机械系统的性能退化不可避免,是影响产品质量的关键因素。因此,实时监测机械系统,发现机床运行过程中关键部件如丝杠副、导轨副、主轴组件等的性能退化规律,实时评估部件的剩余寿命及健康状态,有利于建立合理有效的维修计划,减少不必要的停机时间,节省大量的维护费用。
对数控机床而言,由于其加工工况的多样性、负载的动态性、疲劳损伤的不确定性、外界冲击的随机性等,导致机械系统性能退化规律更为复杂,很难建立确切的数学、物理模型来评估机床机械部件的性能退化规律。作为机床关键部件的丝杠副,其精度变化严重影响机床的加工质量,其性能随使用时间推移而退化的规律呈现动态变化,目前国内外各机床生产厂家仅限于对丝杠副在额定条件下的寿命预测与评估,而丝杠副在实际使用过程中大多数情况下均与额定条件不符,因此其寿命预测与评估结果误差大,工程实际应用价值低。
发明内容
本发明的目的就是提供一种基于性能退化模型的数控机床丝杠副寿命预测方法,该方法考虑数控机床不同工况下丝杠副负荷变化对丝杠副性能退化的影响,实现对丝杠副使用过程中剩余寿命的评估与预测,预测精度高,工程实际使用价值高。
本发明实现其发明目的所采用的技术方案是,一种基于性能退化模型的数控机床丝杠副寿命预测方法,其步骤依次是:
(1)振动信号采集 用振动传感器采集丝杠副的振动信号,振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理;
(2)振动信号时频域分析 机床PC端中控服务器对采集的振动信号进行滤波处理,再进行时频域分析得到时频特征数据;
(3)时频特征数据提取 对得到的时频特征数据,采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量,将当前工况及以前工况下的敏感特征数据向量以时间序列方式构成敏感特征矩阵,作为退化模型的一个输入量;
(4)丝杠副负荷计算
根据刀具下刀角度计算切削力在丝杠副轴向的分力:Fi’=Fi·Φ(αi),式中,αi为当前工况下的刀具下刀角度,Φ(αi)为角度函数;并计算出丝杠副在当前工况下的轴向负荷Fai:Fai=Fi’+μmg+f±ma,式中,μ为摩擦系数,m为工件与工作台总重,f为无负荷时的阻力,ma为加减速冲击,±表示丝杠副去程与返程时加减速冲击变向;同时记录当前工况下的累计运行时间ti;
(5)丝杠副期望剩余寿命计算
将当前工况下丝杠副的负荷Fai代入丝杠副经验寿命计算公式求得当前工况下以转数方式表示的丝杠副的额定寿命Li,Ca表示额定动负荷,fw表示负荷系数;并利用公式转换成额定寿命时间Lhi,式中,l表示丝杠副行程,ls表示丝杠副导程,n表示每分钟往返次数;将前一工况下丝杠副已运行的时间ti-1转换为当前工况下丝杠副已运行时间t’i-1=ti-1×Fai-1/Fai,则丝杠副在当前工况下的已运行的总时间为t’:其中k为工况的序号;再将当前工况下的额定寿命时间Lhi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命LDi,即LDi=Lhi-t′;再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T,作为退化模型的另一输入量;
(6)丝杠副性能退化评估与剩余寿命预测
退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network,DFNN)构成,一个DFNN网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果,另一个DFNN网络用于在线学习和权值更新;即:(3)步得到的振动信号特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型,退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系,网络1训练好后输出预测剩余寿命结果,此时网络2处于备用状态;
若预测剩余寿命结果与期望剩余寿命误差超过设定阈值,则将网络1的权值复制给网络2,网络1继续预测并输出预测剩余寿命结果,而网络2开始学习,快速训练网络得到新的权值,并把新的权值复制给网络1,网络1将得到的新权值覆盖原来的权值再进行寿命预测,直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值,网络2即停止学习进入备用状态,网络1迅速恢复正常预测并输出预测剩余寿命结果。
与现有技术相比,本发明的有益效果是:
本发明将丝杠副的振动状态信息特征与时间变量结合起来,考虑不同工况下负荷的变化对丝杠副寿命的影响,与机床实际使用情况更符合,使其预测结果更准确;利用动态模糊神经网络构建的退化模型,能够更好的拟合丝杠副振动信号特征与寿命之间的复杂映射关系,实现对丝杠副实际使用过程中剩余寿命进行更精确的实时评估与预测;双层动态模糊神经网络能够实现边学习边预测功能,使系统抗干扰能力强,鲁棒性好。本发明有利于数控机床使用企业建立合理有效的维修计划,减少不必要的停机时间,节省大量的维护费用,工程实际使用价值高。
具体实施方式
实施例
一种基于性能退化模型的数控机床丝杠副寿命预测方法,其步骤依次是:
(1)振动信号采集 用振动传感器采集丝杠副的振动信号,振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理;
振动传感器和信号放大器可选用各种现有的传感器,如选用丹麦B&K公司的BK4321三向加速度振动传感器、BK2365振动信号放大器。振动传感器的具体安装方式和位置可以是:在丝杠副螺母上及丝杠副两端轴承支撑座上各安装振动传感器一个,采集丝杠副三向振动信息,每个传感器输出三通道振动信号。采集卡将所有传感器全部通道振动信号传输给机床PC端中控服务器。
(2)振动信号时频域分析 机床PC端中控服务器对采集的振动信号进行滤波处理,再进行时频域分析得到时频特征数据。
本例的振动信号时频域分析的具体作法是:机床PC中控服务器将所有通道振动信号进行小波包分解,确定最优小波包基,对小波包分解系数的阈值进行量化,再对信号进行小波包重构,得到振动信号的时域图,对重构后的信号进行傅里叶变换,得到信号频域图,根据时频域信息提取包括均值、均方根值、敏感维数、盒维数、倒谱峰值、均方根率、频率标准差、波形参数、峰值因子、脉冲因子、峭度系数等时频特征分量的时频特征数据,对每个传感器的三通道信号的时频特征值进行比较,选取特征值大的通道的时频特征值作为该传感器的时频特征数据;再对上述比较所得的所有传感器的时频特征数据进行平均作为时频域分析得到的时频特征数据。
(3)时频特征数据提取 对得到的时频特征数据,采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量,将当前工况及以前工况下的敏感特征数据向量以时间序列方式构成敏感特征矩阵,作为退化模型的一个输入量。
本例中,将累计贡献率大于0.9的时频特征分量作为对丝杠副性能退化敏感的特征数据向量。
(4)丝杠副负荷计算
根据刀具下刀角度计算切削力在丝杠副轴向的分力:Fi’=Fi·Φ(αi),式中,αi为当前工况下的刀具下刀角度,Φ(αi)为角度函数;计算出丝杠副在当前工况下的轴向负荷Fai:Fai=Fi’+μmg+f±ma,式中,μ为摩擦系数,m为工件与工作台总重,f为无负荷时的阻力,ma为加减速冲击,±表示丝杠副去程与返程时加减速冲击变向;这种方式计算出的丝杠副在当前工况下的轴向负荷Fai,考虑了丝杠副运行时需克服运行方向的摩擦阻力及加减速冲击。同时记录当前工况下的累计运行时间ti。
本例中,当前工况下切削力Fi及丝杠副负荷Pi的最终值,也即以下第(5)步使用的Fi及Pi值:为在当前工况下各采样时刻计算得出的瞬时值的平均值。
同时,本例中记录当前工况下的累计运行时间ti的具体做法是:机床运行时,PC中控服务器或机床的数控系统中的计时器开始计时,当PC中控服务器得到的丝杠副负荷Pi瞬时值变化率大于设置的阈值(如5%)时,PC中控服务器认定新的工况出现,计时器归零,按下一个工况重新开始计时(此PC中控服务器计算出的负荷也为下一个工况的负荷),否则计时器连续计时。
(5)丝杠副期望剩余寿命计算
将当前工况下丝杠副的负荷Fai代入丝杠副经验寿命计算公式求得当前工况下以转数方式表示的丝杠副的额定寿命Li,Ca表示额定动负荷,fw表示负荷系数;并利用公式转换成额定寿命时间Lhi,式中,l表示丝杠副行程,ls表示丝杠副导程,n表示每分钟往返次数;将前一工况下丝杠副已运行的时间ti-1转换为当前工况下丝杠副已运行时间t’i-1=ti-1×Fai-1/Fai,则丝杠副在当前工况下的已运行的总时间为t’:其中k为工况的序号;再将当前工况下的额定寿命时间Lhi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命LDi,即LDi=Lhi-t′;再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T,作为退化模型的另一输入量;
(6)丝杠副性能退化评估与剩余寿命预测
退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network,DFNN)构成,一个DFNN网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果,另一个DFNN网络用于在线学习和权值更新;即:(3)步得到的振动信号特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型,退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系,网络1训练好后输出预测剩余寿命结果,此时网络2处于备用状态;
若预测剩余寿命结果与期望剩余寿命误差超过设定阈值,则将网络1的权值复制给网络2,网络1继续预测并输出预测剩余寿命结果,而网络2开始学习,快速训练网络得到新的权值,并把新的权值复制给网络1,网络1将得到的新权值覆盖原来的权值再进行寿命预测,直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值,网络2即停止学习进入备用状态,网络1迅速恢复正常预测并输出预测剩余寿命结果。
Claims (1)
1.一种基于性能退化模型的数控机床丝杠副寿命预测方法,其步骤依次是:
(1)振动信号采集用振动传感器采集丝杠副的振动信号,振动信号经信号放大器放大后再通过采集卡送入机床PC端中控服务器进行处理;
(2)振动信号时频域分析机床PC端中控服务器对采集的振动信号进行滤波处理,再进行时频域分析得到时频特征数据;
(3)时频特征数据提取对得到的时频特征数据,采用主成分分析法提取出当前工况下对丝杠副性能退化敏感的特征数据向量,将当前工况及以前工况下的敏感的特征数据向量以时间序列方式构成敏感特征矩阵,作为退化模型的一个输入量;
(4)丝杠副负荷计算
由加工参数计算得到当前工况下的切削力Fi:式中,下标i表示当前工况,api表示背吃刀量,fi表示进给速度,vi表示切削速度,KF表示修正系数,CF为系数,xF、yF、nF为指数;
根据刀具下刀角度计算切削力在丝杠副轴向的分力:Fi’=Fi·Φ(αi),式中,αi为当前工况下的刀具下刀角度,Φ(αi)为角度函数;并计算出丝杠副在当前工况下的轴向负荷Fai:Fai=Fi’+μmg+f±ma,式中,μ为摩擦系数,m为工件与工作台总重,f为无负荷时的阻力,ma为加减速冲击,±表示丝杠副去程与返程时加减速冲击变向;同时记录当前工况下的累计运行时间ti;
(5)丝杠副期望剩余寿命计算
将当前工况下丝杠副的负荷Fai代入丝杠副经验寿命计算公式求得当前工况下以转数方式表示的丝杠副的额定寿命Li,Ca表示额定动负荷,fw表示负荷系数;并利用公式转换成额定寿命时间Lhi,式中,l表示丝杠副导程,ls表示丝杠副行程,n表示每分钟往返次数;将前一工况下丝杠副已运行的时间ti-1转换为当前工况下丝杠副已运行时间t’i-1=ti-1*Fai-1/Fai,则丝杠副在当前工况下的已运行的总时间为t’:其中k为工况序号;再将当前工况下的额定寿命时间Lhi减去当前工况下的已运行总时间t’得到当前工况下的期望剩余寿命LDi,即LDi=Lhi-t′;再将当前工况及以前工况下的期望剩余寿命以时间序列方式构成期望剩余寿命向量T,作为退化模型的另一输入量;
(6)丝杠副性能退化评估与剩余寿命预测
退化模型由两个动态模糊神经网络(Dynamic Fuzzy Neural Network,DFNN)构成,一个动态模糊神经网络用来在线训练拟合特征数据与期望剩余寿命之间的映射关系并输出寿命预测结果,另一个动态模糊神经网络用于在线学习和权值更新;即:(3)步得到的敏感特征矩阵与(5)步得到的期望剩余寿命向量同时输入退化模型,退化模型自动选择网络1进行训练以拟合输入的振动信号特征值与期望剩余寿命之间的映射关系,网络1训练好后输出预测剩余寿命结果,此时网络2处于备用状态;
若预测剩余寿命结果与期望剩余寿命误差超过设定阈值,则将网络1的权值复制给网络2,网络1继续预测并输出预测剩余寿命结果,而网络2开始学习,快速训练网络得到新的权值,并把新的权值复制给网络1,网络1将得到的新权值覆盖原来的权值再进行寿命预测,直到预测剩余寿命结果与期望剩余寿命误差小于误差阈值,网络2即停止学习进入备用状态,网络1迅速恢复正常预测并输出预测剩余寿命结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102158914A CN101870075B (zh) | 2010-07-02 | 2010-07-02 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102158914A CN101870075B (zh) | 2010-07-02 | 2010-07-02 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101870075A CN101870075A (zh) | 2010-10-27 |
CN101870075B true CN101870075B (zh) | 2012-01-25 |
Family
ID=42995255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102158914A Expired - Fee Related CN101870075B (zh) | 2010-07-02 | 2010-07-02 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101870075B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353528A (zh) * | 2011-06-10 | 2012-02-15 | 中国矿业大学 | 盘式制动器摩擦学性能监测预警装置及方法 |
CN102689231B (zh) * | 2012-06-12 | 2013-12-11 | 西南交通大学 | 一种丝杠副、导轨副性能退化的图示化分析方法 |
CN102735447B (zh) * | 2012-06-29 | 2015-01-21 | 西安交通大学 | 一种滚动轴承性能退化程度的定量识别方法 |
CN102848266B (zh) * | 2012-09-29 | 2014-08-13 | 西南交通大学 | 一种机床主轴精度预测方法 |
CN102889988B (zh) * | 2012-09-29 | 2014-08-13 | 西南交通大学 | 一种滚珠丝杠副精度预测方法 |
CN102879192B (zh) * | 2012-09-29 | 2014-08-13 | 西南交通大学 | 一种直线导轨副精度预测方法 |
CN103115789B (zh) * | 2013-01-17 | 2015-01-21 | 西安交通大学 | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 |
JP5860074B2 (ja) * | 2014-02-17 | 2016-02-16 | ファナック株式会社 | 効率的な部品の定期点検機能を備えた工作機械の数値制御装置 |
CN105046322A (zh) * | 2015-07-03 | 2015-11-11 | 西南交通大学 | 一种丝杠故障诊断方法 |
CN105891427B (zh) * | 2016-06-08 | 2019-05-31 | 深圳市欧瑞博电子有限公司 | 基于云计算的传感器寿命监测方法及装置 |
JP6542713B2 (ja) * | 2016-06-09 | 2019-07-10 | ファナック株式会社 | 異常負荷検出の閾値を学習する機械学習器,数値制御装置および機械学習方法 |
CN108549951B (zh) * | 2018-03-09 | 2021-10-22 | 璇飞(武汉)科技有限公司 | 一种基于关键器件的船用电气设备寿命预测方法及装置 |
CN108760301B (zh) * | 2018-05-08 | 2020-03-31 | 中铁工程装备集团有限公司 | 一种用于隧道掘进机主轴承寿命状态定量预估方法 |
JP7097268B2 (ja) * | 2018-09-07 | 2022-07-07 | 株式会社ジャノメ | プレス装置、端末装置、ボールねじ推定寿命算出方法およびプログラム |
CN109255395B (zh) * | 2018-10-24 | 2021-11-02 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的寿命预测方法 |
CN109255201B (zh) * | 2018-10-24 | 2023-07-14 | 哈工大机器人(山东)智能装备研究院 | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
CN111597860B (zh) * | 2019-02-20 | 2023-05-12 | 东莞先知大数据有限公司 | 一种用于cnc断刀预测的系统及方法 |
CN111625907B (zh) * | 2019-06-25 | 2023-06-16 | 东莞先知大数据有限公司 | 一种数控机床主轴健康程度量化评价方法 |
CN110472275B (zh) * | 2019-07-03 | 2023-05-30 | 上海卫星工程研究所 | 飞轮产品不同工况下数据处理与寿命评估方法 |
CN111618655B (zh) * | 2019-11-29 | 2021-12-28 | 东莞先知大数据有限公司 | 一种数控机床滚珠丝杆健康程度量化评价方法 |
CN113070737B (zh) * | 2021-04-02 | 2023-05-19 | 廊坊精雕数控机床制造有限公司 | 一种机床组部件运动状态的可视化评估装置及方法 |
CN113834658A (zh) * | 2021-10-27 | 2021-12-24 | 沈阳航空航天大学 | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 |
CN114017317A (zh) * | 2021-12-03 | 2022-02-08 | 黄山黄泵单螺杆泵有限公司 | 一种螺杆泵使用寿命预测试设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3121700B2 (ja) * | 1992-12-22 | 2001-01-09 | オークマ株式会社 | 工具寿命管理機能を備えた数値制御装置 |
JP3413068B2 (ja) * | 1997-08-19 | 2003-06-03 | オークマ株式会社 | 工作機械の熱変位推定方法 |
CN101373495B (zh) * | 2007-08-24 | 2010-09-29 | 西门子公司 | 使用寿命终点判定及当前历史使用寿命估计的方法和系统 |
EP2098929B1 (de) * | 2008-03-07 | 2011-09-14 | Siemens Aktiengesellschaft | Betriebsverfahren für eine mittels eines elektrischen Antriebs angetriebene Maschine mit Zustandserkennung durch Frequenzanalyse |
CN101634605B (zh) * | 2009-04-10 | 2011-03-30 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
-
2010
- 2010-07-02 CN CN2010102158914A patent/CN101870075B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101870075A (zh) | 2010-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101870075B (zh) | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 | |
CN101870076B (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
CN109933004B (zh) | 基于边缘计算和云协同的机床故障诊断与预测方法及系统 | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
CN107016235B (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
CN101520651B (zh) | 一种基于隐马尔科夫链的数控装备可靠性分析方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN101425686A (zh) | 电力系统在线安全稳定评估预想故障集自适应筛选方法 | |
CN103048036A (zh) | 一种变压器有载分接开关运行状态的在线监测方法 | |
CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN108520125A (zh) | 一种预测刀具磨损状态的方法及系统 | |
CN102848266B (zh) | 一种机床主轴精度预测方法 | |
CN103345200A (zh) | 一种基于广义区间的切削加工颤振辨识方法 | |
CN106842922A (zh) | 一种数控加工误差优化方法 | |
CN109376401A (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN102840976A (zh) | 一种轧机主传动系统的检测方法 | |
CN104677997A (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN112267972A (zh) | 一种风电机组功率曲线异常智能判定方法 | |
CN107015140A (zh) | 一种有载分接开关弹簧动能不足故障的振动信号分析方法 | |
CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN108280424A (zh) | 一种基于稀疏编码的滚动轴承剩余寿命预测方法 |
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: 20120125 Termination date: 20140702 |
|
EXPY | Termination of patent right or utility model |