CN102879192A - 一种直线导轨副精度预测方法 - Google Patents
一种直线导轨副精度预测方法 Download PDFInfo
- Publication number
- CN102879192A CN102879192A CN2012103725174A CN201210372517A CN102879192A CN 102879192 A CN102879192 A CN 102879192A CN 2012103725174 A CN2012103725174 A CN 2012103725174A CN 201210372517 A CN201210372517 A CN 201210372517A CN 102879192 A CN102879192 A CN 102879192A
- Authority
- CN
- China
- Prior art keywords
- line slideway
- slideway auxiliary
- lambda
- precision
- function
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种直线导轨副精度预测方法,通过对试验直线导轨副在模拟工况下精度退化与振动信号的全过程监测,并将监测结果用于训练具有联想记忆功能的精度退化神经网络,从而较准确地得出直线导轨副振动信号的敏感特征和精度之间的映射关系;进而将与试验直线导轨副相同型号规格的直线导轨副的当前振动信号的敏感特征输入到精度退化神经网络中,即可得到直线导轨副的当前精度,实现了直线导轨副精度的在线预测。可根据直线导轨副精度退化趋势,在精度值接近不能满足规定要求时,提前采购直线导轨副,以减少机床停机时间,降低企业损失,节约企业成本。还能为操作人员分析、判断、维修维护提供有效的依据和指导,提高直线导轨副的使用寿命。
Description
技术领域
本发明涉及机械系统状态监测与故障诊断领域,具体地讲,是一种直线导轨副精度预测方法。
背景技术
直线导轨副主要由滑轨、滑块与及二者间的滚动体组成,是一种滚动导引,滚动体在滑块与滑轨之间作无限滚动循环,使得滑块上的负载平台能沿着滑轨轻易的以高精度作线性运动。
近年来,随着国家装备制造业振兴规划和数控机床发展战略的实施,企业对数控机床的依赖程度越来越高。直线导轨副作为数控机床高精度定位的关键组成部件,其精度在一定程度上决定了数控机床的加工精度,是影响产品质量的关键因素。直线导轨副的精度达不到要求时必须更换,但由于其备件周期长,会引起机床的长时间停机,给企业带来巨大的经济损失。同时,不能在线监测直线导轨副的精度,也不利于操作人员及时分析直线导轨副精度下降的原因,从而其操作及维修维护带有一定的盲目性,降低直线导轨副的使用寿命。
发明内容
本发明的目的是提供一种直线导轨副精度预测方法,该方法能够实现直线导轨副精度的在线预测,便于提前采购直线导轨副,以减少机床停机时间,降低企业损失,节约企业成本;同时,能及时提供直线导轨副的精度退化趋势,为操作人员分析、判断、维修维护提供有效的依据和指导,提高直线导轨副的使用寿命。
本发明为实现其发明目的所采用的技术方案是:一种直线导轨副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验直线导轨副安装在导轨副性能退化试验台上;
(2)模拟实际工况,对试验直线导轨副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验直线导轨副的敏感特征向量;
(3)暂停性能退化试验,检测试验直线导轨副的滑块移动对导轨基准面的平行度、滑块顶面与导轨基准底面高度的尺寸偏差、与导轨侧面基准同侧的滑块侧面与导轨侧面基准间距离的尺寸偏差、导轨上多个滑块的侧面与导轨侧面基准间距离的变动量,进而得出当前时刻试验直线导轨副的精度;
(4)将当前时刻的试验直线导轨副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练;
(5)重复步骤(2)~步骤(4)的操作,直至试验直线导轨副的精度降低至设定值,得到直线导轨副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验直线导轨副完全相同的实际运行中的直线导轨副,用振动传感器采集实际运行中的直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的直线导轨副的敏感特征向量;
将直线导轨副的敏感特征向量输入到训练好的精度退化神经网络,即可输出直线导轨副的当前精度,从而实现直线导轨副精度的在线预测。
与现有技术相比,本发明的有益效果是:
一、通过对试验直线导轨副在模拟工况下精度退化与振动信号的全过程监测,并将监测结果用于训练具有联想记忆功能的精度退化神经网络,从而较准确地得出直线导轨副振动信号的敏感特征和精度之间的映射关系;进而将与试验直线导轨副相同型号规格的直线导轨副的当前振动信号的敏感特征输入到精度退化神经网络中,即可得到直线导轨副的当前精度,实现了直线导轨副精度的在线预测。可根据直线导轨副精度退化趋势,在精度值接近不能满足规定要求时,提前采购直线导轨副,以减少机床停机时间,降低企业损失,节约企业成本。
二、采用具有联想记忆功能的神经网络建立直线导轨副的精度退化神经网络,学习是按局部方式修改网络响应曲面,知识被局部存储于局部化隐层基函数及相应连接权中,因此,采用具有联想记忆功能的神经网络建立直线导轨副的精度退化模型对前期及后期的输入均具有较好的识别率。既能提前预测直线导轨副的精度失效时间,还能及时提供直线导轨副的精度退化趋势,为操作人员分析、判断、维修维护提供有效的依据和指导,提高直线导轨副的使用寿命。
上述(2)步中由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩,得到当前时刻的试验直线导轨副的敏感特征向量的具体做法是:
对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数cv(t),v是内禀模态函数的序号,选取前m=2~100个内禀模态函数;再利用公式求出第v个内禀模态函数的能量Ev;将前m个内禀模态函数的能量构造出特征向量T=[E1,E2,…,Em];再利用公式及公式T′=[E1/E,E2/E,…,Em/E],对特征向量T进行归一化处理,得到归一化后的特征向量T′;再用主分量分析的方法对归一化后的特征向量T′内的特征数量进行压缩后,得到当前时刻的试验直线导轨副的敏感特征向量X=[x1,x2,…,xp]=[xi](i=1,2,…,p)。
这种方法的好处是采用经验模态分解方法对振动信号进行分解是一种自适应分解,信号频带的划分随信号本身的变化而变化,包含了信号从高到低不同频率段的成分,分解过程中保留了数据本身的特性,考察各内禀模态函数分量能量的变化能够全面获得各频带内隐含的故障特征信息。同时,机械设备的背景噪声往往比较大,在提取特征向量之前采用经验模态分解方法对振动信号进行分解,丢弃后面的低频段的内禀模态函数,有利于突出故障信息,提高信噪比。
上述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点λi,0,且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
d、多变量B样条基函数的计算:
e、精度退化神经网络的建立:
采用以上方法构建的具有联想记忆功能的精度退化神经网络,其建模简单方便,局部学习收敛速度快,具有较好的实时性,使得精度退化神经网络可以很好的应用于直线导轨副的精度在线预测。
上述对精度退化神经网络进行训练的具体做法是:
将当前时刻的试验直线导轨副的敏感特征向量X作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量;按照式更新权值wu,直至网络输出误差在区间[-0.02,0.02]内,式中,Δw为权值的变化量,δ0为学习率,通常为常数。
下面结合具体实施方式对本发明作进一步详细的描述。
具体实施方式
实施例
一种直线导轨副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验直线导轨副安装在导轨副性能退化试验台上;
导轨副性能退化试验台可采用发明人发明的可重构的丝杠副、导轨副加速寿命电液伺服试验装置(专利号:ZL201120403784.4)。
(2)模拟实际工况,对试验直线导轨副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;
振动传感器和信号调理仪可选用各种现有的传感器和调理仪,如选用瑞士奇石乐公司的8762A50三向振动传感器,东方振动和噪声技术研究所的INV3020C信号采集分析仪。振动传感器的具体安装方式和位置可以是:在每个导轨滑块上各安装一个振动传感器8762A50,采集导轨副三向振动信息,每个传感器输出三通道的振动信号。INV3020C采集所有传感器全部通道振动信号送入计算机中。
由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验直线导轨副的敏感特征向量;其具体做法是:
对振动信号c(t)进行经验模态分解得到振动信号的内禀模态函数cv(t),v是内禀模态函数的序号,选取前m=2~100个内禀模态函数;再利用公式求出第v个内禀模态函数的能量Ev;将前m个内禀模态函数的能量构造出特征向量T=[E1,E2,…,Em];再利用公式及公式T′=[E1/E,E2/E,…,Em/E],对特征向量T进行归一化处理,得到归一化后的特征向量T′;再用主分量分析的方法对归一化后的特征向量T′内的特征数量进行压缩后,得到当前时刻的试验直线导轨副的敏感特征向量X=[x1,x2,…,xp]=[xi](i=1,2,…,p)。
(3)暂停性能退化试验,检测试验直线导轨副的滑块移动对导轨基准面的平行度、滑块顶面与导轨基准底面高度的尺寸偏差、与导轨侧面基准同侧的滑块侧面与导轨侧面基准间距离的尺寸偏差、导轨上多个滑块的侧面与导轨侧面基准间距离的变动量,进而得出当前时刻试验直线导轨副的精度;
(4)将当前时刻的试验直线导轨副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练。
具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点λi,0,且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
d、多变量B样条基函数的计算:
多变量B样条基函数Nu由p个坐标轴上的单变量B样条基函数的张量积构成,即:
e、精度退化神经网络的建立:
对精度退化神经网络进行训练的具体做法是:
将当前时刻的试验直线导轨副的敏感特征向量x作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量按照式更新权值wu,直至网络输出误差在区间[-0.02,0.02]内,式中,Δw为权值的变化量,δ0为学习率,通常为常数。
(5)重复步骤(2)~步骤(4)的操作,直至试验直线导轨副的精度降低至设定值,得到直线导轨副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验直线导轨副完全相同的实际运行中的直线导轨副,用振动传感器采集实际运行中的直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的直线导轨副的敏感特征向量;
将直线导轨副的敏感特征向量输入到训练好的精度退化神经网络,即可输出直线导轨副的当前精度,从而实现直线导轨副精度的在线预测。
其安装的振动传感器的型号、数量、安装位置及信号调理仪的型号与(2)步中完全一样。
Claims (4)
1.一种直线导轨副精度预测方法,其步骤依次是:
(1)将精度满足要求的试验直线导轨副安装在导轨副性能退化试验台上;
(2)模拟实际工况,对试验直线导轨副进行性能退化试验,在性能退化试验进行到设定的时间间隔时,用振动传感器采集试验直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的试验直线导轨副的敏感特征向量;
(3)暂停性能退化试验,检测试验直线导轨副的滑块移动对导轨基准面的平行度、滑块顶面与导轨基准底面高度的尺寸偏差、与导轨侧面基准同侧的滑块侧面与导轨侧面基准间距离的尺寸偏差、导轨上多个滑块的侧面与导轨侧面基准间距离的变动量,进而得出当前时刻试验直线导轨副的精度;
(4)将当前时刻的试验直线导轨副的敏感特征向量作为具有联想记忆功能的精度退化神经网络的输入量,当前时刻的试验直线导轨副的精度作为具有联想记忆功能的精度退化神经网络的期望输出量,对精度退化神经网络进行训练;
(5)重复步骤(2)~步骤(4)的操作,直至试验直线导轨副的精度降低至设定值,得到直线导轨副训练好的具有联想记忆功能的精度退化神经网络;
(6)对规格、型号与试验直线导轨副完全相同的实际运行中的直线导轨副,用振动传感器采集实际运行中的直线导轨副的振动信号,振动信号经信号调理仪处理后通过数据采集设备送入计算机中;由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩后,得到当前时刻的直线导轨副的敏感特征向量;
将直线导轨副的敏感特征向量输入到训练好的精度退化神经网络,即可输出直线导轨副的当前精度,从而实现直线导轨副精度的在线预测。
2.根据权利要求1所述的一种直线导轨副精度预测方法,其特征在于:所述(2)步中由计算机提取振动信号的归一化后的特征向量;再用主分量分析的方法对归一化后的特征向量内的特征数量进行压缩,得到当前时刻的试验直线导轨副的敏感特征向量的具体做法是:
3.根据权利要求1所述的一种直线导轨副精度预测方法,其特征在于:所述(4)步中具有联想记忆功能的精度退化神经网络的建立方法是:
a、确定坐标轴的个数:
坐标轴的个数等于上述(2)步得到的敏感特征向量X中的特征xi的数量p;
b、内、外节点的划分:
对每个坐标轴根据先验知识划分节点,第i(i=1,2,…,p)个坐标轴的内节点为ri-1个(2≤ri≤50),和分别为第i个坐标轴输入的敏感特征向量X中特征xi的最小值和最大值,第i个坐标轴上的内节点λi,j(j=1,2,…,ri-1)需满足以下关系:
每个坐标轴的输入域的两端点为外节点λi,0,且其两端点的外侧还分别有ki-1个外节点λi,j(j=-1,…,-ki+1;j=ri+1,…,ri+ki-1),ki为第i个坐标轴B样条函数的阶数,且满足下列关系:
且
c、单变量B样条基函数的计算:
d、多变量B样条基函数的计算:
e、精度退化神经网络的建立:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210372517.4A CN102879192B (zh) | 2012-09-29 | 2012-09-29 | 一种直线导轨副精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210372517.4A CN102879192B (zh) | 2012-09-29 | 2012-09-29 | 一种直线导轨副精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102879192A true CN102879192A (zh) | 2013-01-16 |
CN102879192B CN102879192B (zh) | 2014-08-13 |
Family
ID=47480603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210372517.4A Expired - Fee Related CN102879192B (zh) | 2012-09-29 | 2012-09-29 | 一种直线导轨副精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102879192B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486255A (zh) * | 2015-12-01 | 2016-04-13 | 江苏帝业仪器科技有限公司 | 一种直线导轨副精度检测方法 |
CN106845117A (zh) * | 2017-01-22 | 2017-06-13 | 北京工业大学 | 一种随机磨损工况下机床导轨副直线度衰退计算方法 |
CN109581087A (zh) * | 2017-09-27 | 2019-04-05 | 上海铼钠克数控科技股份有限公司 | 机床导轨性能检测方法和系统 |
CN109596350A (zh) * | 2018-12-24 | 2019-04-09 | 哈工大机器人(山东)智能装备研究院 | 一种丝杆副全生命周期的在线监测方法及测试平台 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5754053A (ja) * | 1980-09-09 | 1982-03-31 | Sumitomo Metal Ind Ltd | Setsusakutainokanshihoho |
CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
CN101972948A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差试验装置 |
JP2012083367A (ja) * | 2012-01-30 | 2012-04-26 | Toyo Tire & Rubber Co Ltd | ゴム製品の寿命予測方法 |
-
2012
- 2012-09-29 CN CN201210372517.4A patent/CN102879192B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5754053A (ja) * | 1980-09-09 | 1982-03-31 | Sumitomo Metal Ind Ltd | Setsusakutainokanshihoho |
CN101870075A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床丝杠副寿命预测方法 |
CN101972948A (zh) * | 2010-09-26 | 2011-02-16 | 天津大学 | 模拟工况载荷条件下机床主轴热误差试验装置 |
JP2012083367A (ja) * | 2012-01-30 | 2012-04-26 | Toyo Tire & Rubber Co Ltd | ゴム製品の寿命予測方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105486255A (zh) * | 2015-12-01 | 2016-04-13 | 江苏帝业仪器科技有限公司 | 一种直线导轨副精度检测方法 |
CN106845117A (zh) * | 2017-01-22 | 2017-06-13 | 北京工业大学 | 一种随机磨损工况下机床导轨副直线度衰退计算方法 |
CN109581087A (zh) * | 2017-09-27 | 2019-04-05 | 上海铼钠克数控科技股份有限公司 | 机床导轨性能检测方法和系统 |
CN109596350A (zh) * | 2018-12-24 | 2019-04-09 | 哈工大机器人(山东)智能装备研究院 | 一种丝杆副全生命周期的在线监测方法及测试平台 |
CN109596350B (zh) * | 2018-12-24 | 2020-09-01 | 哈工大机器人(山东)智能装备研究院 | 一种丝杆副全生命周期的在线监测方法及测试平台 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102879192B (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102848266B (zh) | 一种机床主轴精度预测方法 | |
CN102879192B (zh) | 一种直线导轨副精度预测方法 | |
CN109822399B (zh) | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 | |
US11740619B2 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN101520651B (zh) | 一种基于隐马尔科夫链的数控装备可靠性分析方法 | |
CN101797704B (zh) | 数控滚齿机热变形误差补偿方法 | |
CN104808587B (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
CN102889988B (zh) | 一种滚珠丝杠副精度预测方法 | |
CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN105205221B (zh) | 一种重型数控机床精度可靠性分析方法 | |
CN101870076A (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 | |
CN104700200A (zh) | 一种面向数字化车间的产品多元质量监控方法 | |
CN114329810B (zh) | 基于大数据的盾构机工作姿态实时预测方法 | |
CN106842922A (zh) | 一种数控加工误差优化方法 | |
CN110296833B (zh) | 一种面向液压缸综合测试台的软测量方法及系统 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN107505842A (zh) | 一种数控机床广义空间切削稳定性预测与优化方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
CN106777997A (zh) | 一种航天器健康状态评估方法 | |
CN103839106A (zh) | 一种基于遗传算法优化bp神经网络的球磨机负荷检测方法 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140813 Termination date: 20170929 |