CN104280253A - 一种基于免疫检测器的故障诊断方法及系统 - Google Patents
一种基于免疫检测器的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN104280253A CN104280253A CN201310284370.8A CN201310284370A CN104280253A CN 104280253 A CN104280253 A CN 104280253A CN 201310284370 A CN201310284370 A CN 201310284370A CN 104280253 A CN104280253 A CN 104280253A
- Authority
- CN
- China
- Prior art keywords
- state data
- running state
- immune
- fault diagnosis
- service data
- 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
- Test And Diagnosis Of Digital Computers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于故障检测技术领域,具体公开了一种基于免疫检测器的故障诊断方法及系统,其方法包括以下步骤:采集设备的运行状态数据;对所述运行状态数据进行筛选与组合以提取有效运行数据;排除所述有效运行数据中的量纲因素;对排除了量纲因素的有效运行数据进行组合;将组合后的有效运行数据执行决策算法;根据执行决策算法的结果生成相应的故障提示信息。本发明系统和计算机设备与该方法对应一致。本发明能够简单、高效、快速的检测复杂机组中的故障,提高生产效率。
Description
技术领域
本发明属于故障检测技术领域,具体涉及一种故障快速诊断方法、系统及计算机设备。
背景技术
在当今科学技术主导的机械化大生产下,合理维护复杂系统的正常运行以及故障预警尤为重要,而复杂机械系统的故障快速检测以及预警就成了保证系统正常运行尤为总要的手段。对各种各样的信息去粗取精,去伪存真就成了信息融合系统面临的挑战。
对于免疫检测与信息融合的国际研究水平,Farmer率先给出了免疫系统的动态模型,IEEE在1998年成立了“人工免疫系统及应用分会”。D.Dasgupta给出了人工免疫系统与神经网络的异同描述,Gasper提出了从多样性自适应动态的基本特征上讲,AIS(人工免疫系统)比GA(遗传算法)更好的维护多样性的优化方法。针对免疫系统本身的复杂性,CastroL.D.等人提出克隆选择算法来对免疫器算子进行描述;Nohara等提出了非人工网络的免疫模型。Timmis等人提出的基于人工识别球以及Leandro的aiNet算法具有较大影响。
信息融合起源于军事领域,随着计算技术与网络通信的发展,信息融合也逐渐向其他领域渗透,如:智能机器人与智能车辆,医学图像诊断与处理,气象预报,农林牧副渔等部门,经济商业及现代大型制造业。在应用趋于广泛的同时,在某些方面也取得了显著的成效,例如:Nagesware S.V.Rao提出了一种基于物理规则的物理系统融合方法,在甲烷氢化物探测中取得了满意的效果;Serge Reboul提出了一种对风速与风向的信息融合模型,解决了风场问题;Jacqueline Le Moigne与James A.Smith的信息融合系统用来检测植被的变化等等。
然而现有技术仍然存在如下问题需要急需解决:在复杂机械系统中,如何快速的实现故障预警和故障定位。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于免疫检测器的故障诊断方法、基于免疫检测器的故障诊断系统和一种故障快速诊断的计算机设备,以快速的实现复杂机械系统故障预警和故障定位;本发明另一目的在于提供一种离心泵的故障快速诊断系统,以快速的离心泵故障预警和故障定位。
为了实现上述发明目的,本发明所采取的技术方案如下:
一种基于免疫检测器的故障诊断方法,包括以下步骤:
采集设备的运行状态数据;
对所述运行状态数据进行筛选与组合以提取有效运行数据;
排除所述有效运行数据中的量纲因素;
对排除了量纲因素的有效运行数据进行组合;
将组合后的有效运行数据执行决策算法;
根据执行决策算法的结果生成相应的故障提示信息。
进一步的,所述基于免疫检测器的故障诊断方法中,在同一位置上设置有3-5个传感器以采集设备的运行状态数据。
进一步的,所述基于免疫检测器的故障诊断方法中,对采集到的运行状态数据上叠加一个采集时间。
进一步的,所述基于免疫检测器的故障诊断方法中,对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取。
一种基于免疫检测器的故障诊断系统,包括以下组成模块:
传感器模块,用于采集设备的运行状态数据;
信息采集与特征提取模块,用于对所述运行状态数据进行筛选与组合以提取有效运行数据;
无量纲免疫检测器,用于排除所述有效运行数据中的量纲因素;
证据组合算法模块,用于对排除了量纲因素的有效运行数据进行组合;
神经网络决策模块,用于将组合后的有效运行数据执行决策算法;
故障决策模块,用于根据执行决策算法的结果生成相应的故障提示信息。
进一步的,所述基于免疫检测器的故障诊断系统中,所述传感器模块中在同一位置上设置有3-5个传感器。
进一步的,所述基于免疫检测器的故障诊断系统中,还包括时间维度信息叠加模块,用于对采集到的运行状态数据上叠加一个采集时间。
进一步的,所述基于免疫检测器的故障诊断系统中,所述信息采集与特征提取模块用于对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取。
一种离心泵的基于免疫检测器的故障诊断系统,包括安装在离心泵上的前述任一项基于免疫检测器的故障诊断系统。
一种故障快速诊断的计算机设备,包括前述任一项基于免疫检测器的故障诊断系统。
本发明在复杂系统中,采用传感器模块实现多种类,多层面的信息获取,然后经过免疫检测器的无量纲分析,把处理后的信息送到决策系统(证据组合算法模块、神经网络决策模块和故障决策模块),运用适当的决策理论进行决策,然后对各种类型的决策信号采用适当的信息融合技术,进一步推出故障的原因以及故障产生的位置,使之能够简单、高效、快速的检测复杂机组中的故障,提高生产效率。
附图说明
此附图说明所提供的图片用来辅助对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的不当限定,在附图中:
图1是本发明方法的流程图;
图2是本发明系统对应的框图。
具体实施方式
实施例1
如图1所示,本实施例公开了一种基于免疫检测器的故障诊断方法,包括以下步骤:
S1、采集设备的运行状态数据;
S2、对所述运行状态数据进行筛选与组合以提取有效运行数据;
S3、排除所述有效运行数据中的量纲因素;
S4、对排除了量纲因素的有效运行数据进行组合;
S5、将组合后的有效运行数据执行决策算法;
S6、根据执行决策算法的结果生成相应的故障提示信息。
其中,为了增加鲁棒性,在同一位置上设置有3-5个传感器以采集设备的运行状态数据。
其中,为了更好的筛选数据,对采集到的运行状态数据上叠加一个采集时间,即是增加一个时间维度,以便于在时空维度上的进行数据对比,比如今天的数据是8、9、10,明天同一时刻的是100、8、10,这样的100很可能是个噪点。
其中,对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取。对于传感器信息的特征选择与提取,是根据接收到的传感器的信息特征来完成的。所获得的传感器数据一般是以波形的结构形态出现的,由此可以从其时域与频域上来对波形提取特征。当然,也可以通过数学处理,来完成相应的特征提取。我们采用快速傅里叶变换,来直接得到振动信号的幅值、频率与相位,进一步得到功率频谱,分析频率成分,能量分布以及主要振动频率能量等完成特征的提取,在后面的执行方案中会有更进一步的分析。
如图2所示,本实施例还公开了一种与上述方法完全对应一致的基于免疫检测器的故障诊断系统,包括以下组成模块:
传感器模块1,用于采集设备的运行状态数据;
信息采集与特征提取模块2,用于对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取;
无量纲免疫检测器3,用于排除所述有效运行数据中的量纲因素;
证据组合算法模块4,用于对排除了量纲因素的有效运行数据进行组合;
神经网络决策模块5,用于将组合后的有效运行数据执行决策算法;
故障决策模块6,用于根据执行决策算法的结果生成相应的故障提示信息。
同样,为了增加鲁棒性,所述传感器模块中在同一位置上设置有3-5个传感器。
同样,为了更好的筛选数据,本系统还包括一时间维度信息叠加模块,用于对采集到的运行状态数据上叠加一个采集时间。
另外,本实施例还公开了一种故障快速诊断的计算机设备,包括前述的基于免疫检测器的故障诊断系统。
另外,本实施例还公开了一种离心泵的基于免疫检测器的故障诊断系统,包括安装在离心泵上前述的基于免疫检测器的故障诊断系统。
本实施例在对石油化工行业的离心泵上的实际应用做进一步详细的阐述如下:
对于石油化工行业的离心泵,由于在整个复杂系统中涉及到各式各样的离心泵,决定了其出现问题的多样性。因泵内或吸管有空气或杂物,可以导致流量以及扬程降低;转子与泵体摩擦可以导致电流值超高;泵轴与原动机不对中,转子不平衡,泵的内部摩擦等原因会导致振动值增大;机械密封损坏或者安装不当,封液压力不当等会导致机械密封泄漏严重等等。针对这些故障,选择相应的传感器进行故障检测。
1、传感器的信息选择与提取
针对不同的传感器特征,运用FFT快速傅里叶变换的方式进行相关性分析。离心泵出水管的压力脉动与离心泵机组负荷的相关性分析采用如下方式:定义{x1(t)}特征表示压力信号,{x2(t)}表示机组负荷的相关函数。其关联性描述:
互相关系数, 式中与为泵出口水管压力x1(t)与x2(t)在零点的自相关函数。
特征提取过程:由于经过特征选择的样本量是一个高纬的空间,可以应用基于Karhunen-Loeve变换的特征提取方式进行将维和压缩。最终选取少量线性独立的分量用作描述设备特征的信号数据。
2、免疫编程分类的实现算法:
在故障诊断的信息特征提取的免疫编程的进化计算中,Fisher选用亲和度最大的个体,通过最优特征参数调整,使得类与类之间散度更大,类内聚合更紧[10,12-14]。我们通过GA(genetic Algorithm)算法通过选择合适的fitness function来实现亲和度的描述,经过多代进化计算,得到合理免疫编程过程。对于故障特点,我们定义一下指标:
对于一个个体ν的n类d维样本集Θ,所包含的N个样本分别为x1,x2…,xn。其中M1个属于ξ1类,记此样本集为Θ1,M2个属于ξ2类,记此样本集为Θ2,Mn个属于ξn类,记此样本集为Θn。Ni个样本的均值为:
类内的散度Di和所有类的平均散度Dξ分别为:
样本的类间离散度为:
Dij=(mi-mj)(mi-mj)T, i≠j.
亲和度函数采用:Dij为第i类与第j类之间的类间距。
Fitness function采用亲和度来表示,通过GA的选择,亲和度大的个体得以保留,从而保证选取的最优特征的分类能力使得类内的内聚更高,类间的散度更大。
3、信息融合方法:
信息融合的本质是全面协调,深入优化。对不同源、不同样、不同层面、不同跨度等的信息进行有机结合,寻求一种更为合理的准则来组合系统在时间与空间上的冗余信息,使其更加简单明了,并使系统的整个运行状态得到一致性评估与阐述并获得较为全面的反馈。从而使得系统各组成部分更加明晰,性能更加优化。按照不同的信息层次,融合方法可以概略分为数据层融合、特征层融合和决策层融合[11,15-18]。我们主要在特征从运用人工神经网络的融合方式,在决策层运用证据理论的融合方式,来实现信息系统的融合。
人工神经网络的融合方式中,将整个特征空间和故障空间分为多个子空间,然后针对每个参数子空间与故障子空间设计一个子网络,各自网络分别完成相关映射。从而将高维的映射关系分解为较低维的映射关系。从而解决各个子问题。通过信号的有效组合,从不同层面反映出设备的相关问题,从而提高问题的定位及分析速率。我们主要应该用BP(反向传播)神经网络组成个子网的网络结构,不同信号分别作为不同网络的输入信息,保证了不同输入向量的不相关性,并独立的构造相关的子网络进行学习、训练,同时反馈检测结果[19,20]。从而完成了从参数空间到故障空间的非线性映射能力。
对于决策理论的信息融合引入基本概率函数:对于H的故障诊断假设空间,Θ(H)是H的全体子集的集合,对于Θ(H)→[0,1]即对于任何一个属于Θ(H)的子集A,令它对应一个数m(A)∈[0,1],并且满足其为基本概率指派函数。对于H中的任意子集A,如果其基本概率指派m(A)>0,则称为焦点元素。m(A)>0表示对A的确认程度。
设定信任函数与似然函数:
Bel:Θ(H)→[0,1]并满足 为信任函数;
Pls:Θ(H)→[0,1]并满足 为似然函数。
证据组合:对于不同证据源的同一事物的两个概率指派函数f1与f2,相互独立。则可以用一个新的概率函数表示指派函数,相应的信任函数为:令为证据组合的一个标准化因子。
由于通常情况下证据体的焦点元素为单元素,故简化为:
以上详细描述了本发明的较佳具体实施例,应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案,均应该在由本权利要求书所确定的保护范围之中。
Claims (10)
1.一种基于免疫检测器的故障诊断方法,其特征在于包括以下步骤:
采集设备的运行状态数据;
对所述运行状态数据进行筛选与组合以提取有效运行数据;
排除所述有效运行数据中的量纲因素;
对排除了量纲因素的有效运行数据进行组合;
将组合后的有效运行数据执行决策算法;
根据执行决策算法的结果生成相应的故障提示信息。
2.根据权利要求1所述的基于免疫检测器的故障诊断方法,其特征在于:
在同一位置上设置有3-5个传感器以采集设备的运行状态数据。
3.根据权利要求1所述的基于免疫检测器的故障诊断方法,其特征在于还包括:
对采集到的运行状态数据上叠加一个采集时间。
4.根据权利要求1所述的基于免疫检测器的故障诊断方法,其特征在于:
对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取。
5.一种基于免疫检测器的故障诊断系统,其特征在于包括以下组成模块:
传感器模块,用于采集设备的运行状态数据;
信息采集与特征提取模块,用于对所述运行状态数据进行筛选与组合以提取有效运行数据;
无量纲免疫检测器,用于排除所述有效运行数据中的量纲因素;
证据组合算法模块,用于对排除了量纲因素的有效运行数据进行组合;
神经网络决策模块,用于将组合后的有效运行数据执行决策算法;
故障决策模块,用于根据执行决策算法的结果生成相应的故障提示信息。
6.根据权利要求5所述的基于免疫检测器的故障诊断系统,其特征在于:
所述传感器模块中在同一位置上设置有3-5个传感器。
7.根据权利要求5所述的基于免疫检测器的故障诊断系统,其特征在于还包括:
时间维度信息叠加模块,用于对采集到的运行状态数据上叠加一个采集时间。
8.根据权利要求5所述的基于免疫检测器的故障诊断系统,其特征在于:
所述信息采集与特征提取模块用于对所述运行状态数据进行筛选与组合以提取有效运行数据,具体是:对所述运行状态数据进行快速傅里叶变换得到振动信号的幅值、频率、相位、功率频谱、频率成分、能量分布、主要振动频率能量以完成特征的提取。
9.一种离心泵的基于免疫检测器的故障诊断系统,其特征在于包括安装在离心泵上的权利要求5-8任一项所述的基于免疫检测器的故障诊断系统。
10.一种故障快速诊断的计算机设备,其特征在于包括权利要求5-8任一项所述的基于免疫检测器的故障诊断系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310284370.8A CN104280253B (zh) | 2013-07-08 | 2013-07-08 | 一种基于免疫检测器的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310284370.8A CN104280253B (zh) | 2013-07-08 | 2013-07-08 | 一种基于免疫检测器的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104280253A true CN104280253A (zh) | 2015-01-14 |
CN104280253B CN104280253B (zh) | 2017-09-22 |
Family
ID=52255357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310284370.8A Expired - Fee Related CN104280253B (zh) | 2013-07-08 | 2013-07-08 | 一种基于免疫检测器的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104280253B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043776A (zh) * | 2015-08-12 | 2015-11-11 | 中国人民解放军空军勤务学院 | 一种飞机发动机性能监控与故障诊断方法 |
CN106289363A (zh) * | 2016-08-01 | 2017-01-04 | 长沙理工大学 | 一种干扰环境传感器故障判断标记方法 |
CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
CN109587652A (zh) * | 2018-12-31 | 2019-04-05 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
CN109946419A (zh) * | 2017-12-21 | 2019-06-28 | 智能城市网络有限公司 | 用于检测大气环境传感器出现故障的装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02247732A (ja) * | 1989-03-22 | 1990-10-03 | Mitsubishi Electric Corp | 故障診断システム |
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN201561863U (zh) * | 2009-11-12 | 2010-08-25 | 江西理工大学 | 一种矿冶设备故障诊断数据质量保障装置 |
EP2416140A1 (en) * | 2009-03-31 | 2012-02-08 | Hitachi Construction Machinery Co., Ltd | Learning diagnostic system of a working machine, state diagnostic device, and state learning device |
-
2013
- 2013-07-08 CN CN201310284370.8A patent/CN104280253B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02247732A (ja) * | 1989-03-22 | 1990-10-03 | Mitsubishi Electric Corp | 故障診断システム |
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
EP2416140A1 (en) * | 2009-03-31 | 2012-02-08 | Hitachi Construction Machinery Co., Ltd | Learning diagnostic system of a working machine, state diagnostic device, and state learning device |
CN201561863U (zh) * | 2009-11-12 | 2010-08-25 | 江西理工大学 | 一种矿冶设备故障诊断数据质量保障装置 |
Non-Patent Citations (2)
Title |
---|
岑健等: "免疫检测器证据理论集成的机组复合故障诊断", 《控制与决策》 * |
罗自来等: "基于BP网络的柴油机故障诊断方法研究", 《车用发动机》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043776A (zh) * | 2015-08-12 | 2015-11-11 | 中国人民解放军空军勤务学院 | 一种飞机发动机性能监控与故障诊断方法 |
CN106289363A (zh) * | 2016-08-01 | 2017-01-04 | 长沙理工大学 | 一种干扰环境传感器故障判断标记方法 |
CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
CN106470122B (zh) * | 2016-09-20 | 2019-04-02 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
CN109946419A (zh) * | 2017-12-21 | 2019-06-28 | 智能城市网络有限公司 | 用于检测大气环境传感器出现故障的装置及方法 |
CN109587652A (zh) * | 2018-12-31 | 2019-04-05 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
CN109587652B (zh) * | 2018-12-31 | 2022-03-08 | 宁波工程学院 | 一种农业物联网故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104280253B (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108344574B (zh) | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 | |
Li et al. | Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN104280253A (zh) | 一种基于免疫检测器的故障诊断方法及系统 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN106599920A (zh) | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 | |
CN102488518B (zh) | 一种利用波动指数和提升训练的脑电检测方法和装置 | |
CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
CN103234767A (zh) | 基于半监督流形学习的非线性故障检测方法 | |
CN106932196A (zh) | 一种风机齿轮箱故障诊断模型建立方法及装置 | |
CN106096562A (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
CN111562612B (zh) | 一种基于注意力机制的深度学习微震事件识别方法及系统 | |
CN109765054A (zh) | 一种滚动轴承故障诊断方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
CN104182803B (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
CN110991472B (zh) | 一种高速列车牵引系统微小故障诊断方法 | |
CN103927259A (zh) | 一种基于测试性建模数据的故障检测与隔离综合方法 | |
CN102158486A (zh) | 一种网络入侵快速检测方法 | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN113158984A (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170922 Termination date: 20210708 |
|
CF01 | Termination of patent right due to non-payment of annual fee |