CN102937534A - 一种基于组合预测模型对机电设备的故障预测方法 - Google Patents
一种基于组合预测模型对机电设备的故障预测方法 Download PDFInfo
- Publication number
- CN102937534A CN102937534A CN2012104877780A CN201210487778A CN102937534A CN 102937534 A CN102937534 A CN 102937534A CN 2012104877780 A CN2012104877780 A CN 2012104877780A CN 201210487778 A CN201210487778 A CN 201210487778A CN 102937534 A CN102937534 A CN 102937534A
- Authority
- CN
- China
- Prior art keywords
- prediction
- forecast model
- individual event
- predicted
- value
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于组合预测模型对机电设备的故障预测方法,其步骤为:(1)在工业现场监测系统中获取工业现场运行状态监测数据,提取故障敏感特征因子作为预测时间序列;(2)初选单项预测模型,并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内预测;(3)根据经验在现有评价指标中确定合适的预测精度评价指标,进而对初选单项预测模型进行包容性检验,确定是否入选组合预测模型库;(4)对预测时间序列分别计算在i时刻单项预测模型的信息熵大小,确定i时刻该单项预测模型的权重系数;(5)根据权重ωj(i),利用第j种预测方法在i+1时刻的组合预测值fj(i+1),对i+1时刻做出预测,得到i+1时刻的预测值。本发明可以广泛在各种大型机电设备中应用。
Description
技术领域
本发明涉及一种机电设备故障预测方法,特别是关于一种基于组合预测模型对机电设备的故障预测方法。
背景技术
对工业现场进行故障诊断与预测的设备多是结构复杂、运行环境恶劣的大型机组,影响其运行的因素错综复杂。对一个复杂的故障可预测问题,首先要确立合适的预测模型和预测方法。由于不同的预测模型和方法各有其优点、缺点及适用范围,每种预测方法利用的数据也不尽相同,不同的数据提供了丰富的信息,如何选择不同的单项预测模型并将其有效组合起来进行预测成为目前亟待解决的难题。
由于现有的组合预测模型多是具有固定权重系数的模型,一旦确定了权重系数,在组合预测模型中权重就不再发生变化,这样容易造成组合预测模型精度不高,不能很好解决预测方法的时效性。产生权重系数变化的原因主要有三个:1、时效性问题:由于用于预测的样本数据是时间序列,随着时间的推移,每种单一预测方法的预测效果会发生变化,因此对应的权重系数也应随着时间的推移而发生变化。2、不同的预测方法其特点会发生变化:不同的预测方法对于不同的预测时间段会表现出不同的预测能力。有的方法适用于短期预测,有的方法适用于中长期预测,总体表现出“时好时坏行”,反映在权重上表现为“时大时小性”。3、单项预测方法之间的关系会发生变化:随着预测环境的变化,单项预测模型之间的相对性能也可能发生变化,改变了它们在组合预测模型中的重要程度,导致权重系数发生变化。
发明内容
针对上述问题,本发明的目的是提供一种预测精度较高的基于组合预测模型对机电设备的故障预测方法。
为实现上述目的,本发明采取以下技术方案:一种基于组合预测模型对机电设备的故障预测方法,其包括以下步骤:(1)数据采集:在工业现场监测系统中获取工业现场运行状态监测数据,对工业现场监测到的慢变信号及机械故障振动信号进行数据处理,进而提取故障敏感特征因子作为预测时间序列;(2)初选单项预测模型:采用最小方差方法、离散灰色模型、AR模型、神经网络模型经典预测模型作为初选单项预测模型1、…、m,m为整数;并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测;(3)确定入选模型:根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比和均方误差百分比评价指标中确定合适的预测精度评价指标,进而对初选单项预测模型进行包容性检验,确定入选组合预测模型库的各单项预测模型;(4)时变组合模型预测:对预测时间序列分别计算在i时刻单项预测模型的信息熵大小,进而确定i时刻该单项预测模型在组合预测模型中的权重系数;权重系数计算方法如下:①假设可预测事件在经过数据处理后的时间序列为{xt},共有m种预测方法入选模型库;令x(i)为i时刻的实际观测值,fj(i)为i时刻第j种预测方法的预测值,j=1,2,...,m,每种预测方法采用n种指标进行评价;ωj(i)为i时刻求出
到评价矩阵Ei;
对评价矩阵Ei的每项指标进行归一化处理,得到归一化评价矩阵Pi:
上式中,ej,k为第j种预测方法在i时刻的第k种预测指标的误差评价值;pj,k是归一化评价矩阵中,第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重:
③根据步骤②得到的比重pj,k,以及信息熵的定义,得到第j种预测方法的信息熵Sj为:
④根据信息熵Sj定义该单项预测模型i时刻在组合预测模型中的权重ωj(i)为:
(5)根据得到的各种预测方法的权重ωj(i),利用第j种预测方法在i+1时刻的组合预测值fj(i+1),对i+1时刻做出预测,得到i+1时刻的预测值为:
所述步骤(3)中,对初选单项预测模型的包容性检验如下:假设在t时刻对某一待预测变量采用单项预测模型A和单项预测模型B分别进行预测,单项预测模型A在t时刻的预测结果为单项预测模型B在t时刻的预测结果为采用回归方程表示被预测变量的实际值yt为:式中,βa、βb是回归系数,表示各单项预测模型对被预测变量实际值影响大小的参数;εt分别表示截距;如果(βa,βb)=(1,0),则称单项预测模型A预测包含单项预测模型B;如果(βa,βb)=(0,1),则称单项预测模型B预测包含单项预测模型A;如果(βa,βb)为其它值,则每个单项预测模型都包含了关于yt的有用信息。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于采用的时变组合预测模型在不同的预测区间,对每个参与预测的单项预测模型赋予了不同的权重,而且权重系数的大小随着预测精度的高低而发生变化,因此时变组合预测模型可以发挥各个单项预测方法的优点,可以获得更高的预测精度。2、本发明对于时变组合预测模型,预测区间的划分可大可小,对下一时刻的预测值都可以重新计算分配给每个单项预测方法在此刻的权重系数。对于短期、中长期预测可根据问题的需要适当划分预测区间,进一步保证了预测精度。3、本发明采用时变权重的组合预测模型,在组合预测过程中,各单项预测模型的权重系数将随着时间的推移,依据在组合预测模型中的重要程度发生变化。组合预测模型能通过计算各个单项预测模型的信息熵来描述该单项预测模型在组合预测模型中的扰动程度,对预测时间序列分别计算在i时刻单项预测模型的信息熵大小,确定该单项预测模型在i时刻在组合预测模型中的权重系数。以预测精度误差为评价指标,建立基于信息熵的时变组合预测模型。本发明可以广泛在各种大型机电设备中应用。
附图说明
图1是本发明的整体结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种基于组合预测模型对机电设备的故障预测方法,是基于信息熵时变权重的组合预测模型故障预测方法。其具体步骤如下:
1)数据采集:在工业现场监测系统中获取工业现场运行状态监测数据,监测数据包括温度、压力、电量、流量等慢变信号以及机械故障振动信号,其中振动信号是故障预测中的重要参数。对工业现场监测到的慢变信号及机械故障振动信号进行数据处理,进而提取故障敏感特征因子作为预测时间序列;
其中,数据处理包括对数据进行标准化、相关性分析、计算协方差、异常点检测等处理,或是进行时域分析和频域分析。
2)初选单项预测模型:采用最小方差方法、离散灰色模型、AR模型、神经网络模型等现有技术中的经典预测模型作为初选单项预测模型1、…、m,m为整数;并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测;
其中,预测区间的大小可以根据预测问题的需要进行选取,并根据需要的预测精度、计算量、响应时间等要求来确定,因此划分预测区间也可以每预测一步都调整权重。
3)确定入选模型:根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比、均方误差百分比等常用的评价指标中确定合适的预测精度评价指标,进而对初选单项预测模型进行包容性检验,以确定入选组合预测模型库的各单项预测模型;
其中,对初选单项预测模型的包容性检验如下:
式(1)中,βa、βb是回归系数,表示各单项预测模型对被预测变量实际值影响大小的参数;εt分别表示截距。如果(βa,βb)=(1,0),则称单项预测模型A预测包含单项预测模型B;如果(βa,βb)=(0,1),就称单项预测模型B预测包含单项预测模型A;如果(βa,βb)为其它值,则两个单项预测模型不相互包容,即每个单项预测模型都包含了关于yt的有用信息。
4)时变组合模型预测:对预测时间序列分别计算在i时刻单项预测模型的信息熵大小,进而确定i时刻该单项预测模型在组合预测模型中的权重系数。因为信息熵是系统紊乱程度的度量,某种单项预测模型的信息熵反映了该单项预测模型在组合预测模型中的扰动程度。信息熵越大,对系统的扰动越大,则在组合预测模型中所取的权重就应该越小。
在i时刻单项预测模型在组合预测模型中的权重系数计算方法如下:
①假设可预测事件在经过数据处理后的时间序列为{xt},共有m种预测方法入选模型库(即共有m个单项预测模型);令x(i)为i时刻的实际观测值,fj(i)为i时刻第j种预测方法的预测值(j=1,2,...,m),每种预测方法采用n种指标进行评价;ωj(i)为i时刻求出的第j种预测方法的权重值,0≤ωj(i)≤1;f(i+1)为i+1时刻的组合预测值,其值为
②利用最近几个预测时间序列的采样周期得到评价矩阵Ei;
对评价矩阵Ei的每项指标进行归一化处理,可得到归一化评价矩阵Pi:
上式(2)、(3)中,ej,k为第j种预测方法在i时刻的第k种预测指标的误差评价值;pj,k是归一化评价矩阵中,第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重:
③根据步骤②得到的比重pj,k,以及信息熵的定义,得到第j种预测方法的信息熵Sj为:
④根据信息熵Sj定义该单项预测模型i时刻在组合预测模型中的权重ωj(i)为:
5)根据得到的各种预测方法的权重ωj(i),利用第j种预测方法在i+1时刻的组合预测值fj(i+1),对i+1时刻做出预测,得到i+1时刻的预测值为:
对得到的预测值f(i+1)进行检验分析,即将预测值f(i+1)与实际值进行比较,进而得到预测精度,并采用预测精度的评价指标进行评价。其中,预测精度的评价指标可以采用预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比或均方误差百分比,本发明采用较为简单的均方误差或者平均绝对误差。
上述各实施例仅用于说明本发明,各步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于组合预测模型对机电设备的故障预测方法,其包括以下步骤:
(1)数据采集:在工业现场监测系统中获取工业现场运行状态监测数据,对工业现场监测到的慢变信号及机械故障振动信号进行数据处理,进而提取故障敏感特征因子作为预测时间序列;
(2)初选单项预测模型:采用最小方差方法、离散灰色模型、AR模型、神经网络模型经典预测模型作为初选单项预测模型1、…、m,m为整数;并利用各个初选单项预测模型分别对预测时间序列中的各种信号数据在一个预测区间内进行预测;
(3)确定入选模型:根据经验在预测误差项平方和、均方误差、平均绝对误差、平均绝对误差百分比和均方误差百分比评价指标中确定合适的预测精度评价指标,进而对初选单项预测模型进行包容性检验,确定入选组合预测模型库的各单项预测模型;
(4)时变组合模型预测:对预测时间序列分别计算在i时刻单项预测模型的信息熵大小,进而确定i时刻该单项预测模型在组合预测模型中的权重系数;
权重系数计算方法如下:
①假设可预测事件在经过数据处理后的时间序列为{xt},共有m种预测方法入选模型库;令x(i)为i时刻的实际观测值,fj(i)为i时刻第j种预测方法的预测值,j=1,2,...,m,每种预测方法采用n种指标进行评价;ωj(i)为i时刻求出的第j种预测方法的权重值,0≤ωj(i)≤1;f(i+1)为i+1时刻的组合预测值,其值为
②利用最近几个预测时间序列的采样周期得到评价矩阵Ei;
对评价矩阵Ei的每项指标进行归一化处理,得到归一化评价矩阵Pi:
上式中,ej,k为第j种预测方法在i时刻的第k种预测指标的误差评价值;pj,k是归一化评价矩阵中,第j种预测方法在i时刻的第k种预测指标的评价值在总共m种预测方法中的比重:
③根据步骤②得到的比重pj,k,以及信息熵的定义,得到第j种预测方法的信息熵Sj为:
④根据信息熵Sj定义该单项预测模型i时刻在组合预测模型中的权重ωj(i)为:
(5)根据得到的各种预测方法的权重ωj(i),利用第j种预测方法在i+1时刻的组合预测值fj(i+1),对i+1时刻做出预测,得到i+1时刻的预测值为:
2.如权利要求1所述的一种基于组合预测模型对机电设备的故障预测方法,其特征在于:所述步骤(3)中,对初选单项预测模型的包容性检验如下:
式中,βa、βb是回归系数,表示各单项预测模型对被预测变量实际值影响大小的参数;εt分别表示截距;如果(βa,βb)=(1,0),则称单项预测模型A预测包含单项预测模型B;如果(βa,βb)=(0,1),则称单项预测模型B预测包含单项预测模型A;如果(βa,βb)为其它值,则每个单项预测模型都包含了关于yt的有用信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210487778.0A CN102937534B (zh) | 2012-11-26 | 2012-11-26 | 一种基于组合预测模型对机电设备的故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210487778.0A CN102937534B (zh) | 2012-11-26 | 2012-11-26 | 一种基于组合预测模型对机电设备的故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102937534A true CN102937534A (zh) | 2013-02-20 |
CN102937534B CN102937534B (zh) | 2014-08-27 |
Family
ID=47696445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210487778.0A Active CN102937534B (zh) | 2012-11-26 | 2012-11-26 | 一种基于组合预测模型对机电设备的故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102937534B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809532A (zh) * | 2015-05-25 | 2015-07-29 | 海南汉能薄膜太阳能有限公司 | 一种光伏系统发电量的预测方法 |
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105938575A (zh) * | 2016-04-13 | 2016-09-14 | 山东毅康科技股份有限公司 | 基于多变量灰色神经网络的工业设备剩余寿命预测系统 |
CN109063924A (zh) * | 2018-08-22 | 2018-12-21 | 国网湖南省电力有限公司 | 基于气象数据的配电网抢修工单数量预测方法 |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN113033016A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 基于混合式的中央空调负荷预测方法和装置 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
CN117009831B (zh) * | 2023-10-07 | 2023-12-08 | 山东世纪阳光科技有限公司 | 一种精细化工事故风险预测评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5822924A (ja) * | 1981-08-03 | 1983-02-10 | Kansai Electric Power Co Inc:The | 回転軸系捩り振動監視方法および装置 |
DE4447288A1 (de) * | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
CN101799320A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种旋转设备故障预测方法及其装置 |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
-
2012
- 2012-11-26 CN CN201210487778.0A patent/CN102937534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5822924A (ja) * | 1981-08-03 | 1983-02-10 | Kansai Electric Power Co Inc:The | 回転軸系捩り振動監視方法および装置 |
DE4447288A1 (de) * | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
CN101799320A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种旋转设备故障预测方法及其装置 |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
Non-Patent Citations (1)
Title |
---|
杨苹等: "《变权重模糊综合评判模型及其在故障诊断中的应用》", 《控制理论与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809532A (zh) * | 2015-05-25 | 2015-07-29 | 海南汉能薄膜太阳能有限公司 | 一种光伏系统发电量的预测方法 |
CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105938575A (zh) * | 2016-04-13 | 2016-09-14 | 山东毅康科技股份有限公司 | 基于多变量灰色神经网络的工业设备剩余寿命预测系统 |
CN109063924A (zh) * | 2018-08-22 | 2018-12-21 | 国网湖南省电力有限公司 | 基于气象数据的配电网抢修工单数量预测方法 |
CN110068110B (zh) * | 2019-04-02 | 2020-12-04 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110068110A (zh) * | 2019-04-02 | 2019-07-30 | 深圳市海源节能科技有限公司 | 一种中央空调负荷预测方法、智能终端及存储介质 |
CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN113033016A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 基于混合式的中央空调负荷预测方法和装置 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
CN114577480B (zh) * | 2022-03-02 | 2023-11-10 | 中船发动机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
CN117009831B (zh) * | 2023-10-07 | 2023-12-08 | 山东世纪阳光科技有限公司 | 一种精细化工事故风险预测评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102937534B (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102937534B (zh) | 一种基于组合预测模型对机电设备的故障预测方法 | |
Wang et al. | Research on rolling bearing state health monitoring and life prediction based on PCA and Internet of things with multi-sensor | |
CN102042848B (zh) | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 | |
Widodo et al. | Machine health prognostics using survival probability and support vector machine | |
Sankararaman et al. | Bayesian methodology for diagnosis uncertainty quantification and health monitoring | |
CN101520651B (zh) | 一种基于隐马尔科夫链的数控装备可靠性分析方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN106529145A (zh) | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 | |
Duan et al. | An integrated framework for health measures prediction and optimal maintenance policy for mechanical systems using a proportional hazards model | |
Hong et al. | Application of Gaussian process regression for bearing degradation assessment | |
CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN102222151B (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
Zhang et al. | Environmental effect removal based structural health monitoring in the internet of things | |
CN102508774A (zh) | 基于新环境因子函数的软件可靠性增长模型的建模方法 | |
Ma et al. | Probabilistic reconstruction for spatiotemporal sensor data integrated with Gaussian process regression | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Xu et al. | RUL prediction of electronic controller based on multiscale characteristic analysis | |
Thöns et al. | On damage detection system information for structural systems | |
CN117471227B (zh) | 汽车线束参数性能测试方法及测试系统 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
Li et al. | Multivariable time series prediction for the icing process on overhead power transmission line | |
CN105699849A (zh) | 一种基于量子行为粒子群优化算法的电压暂降估计方法 | |
CN103226737B (zh) | 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法 | |
Liu et al. | Prediction of remaining useful life of rolling element bearings based on LSTM and exponential model | |
CN102682344B (zh) | 一种性能数据伴随的产品寿命及其可靠性预测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230414 Address after: 100072 Room 305, 3 / F, building 97, yard 4, Huaishuling, Fengtai District, Beijing Patentee after: BEIJING XIANGYUAN TONGDA TECHNOLOGY CO.,LTD. Address before: Box 166, No. 12, Xiaoying East Road, Qinghe, Haidian District, Beijing, 100092 Patentee before: BEIJING INFORMATION SCIENCE AND TECHNOLOGY University |