CN105593864B - 用于维护设备的分析设备退化 - Google Patents
用于维护设备的分析设备退化 Download PDFInfo
- Publication number
- CN105593864B CN105593864B CN201580001991.8A CN201580001991A CN105593864B CN 105593864 B CN105593864 B CN 105593864B CN 201580001991 A CN201580001991 A CN 201580001991A CN 105593864 B CN105593864 B CN 105593864B
- Authority
- CN
- China
- Prior art keywords
- window
- hhci
- maintenance
- display
- residual
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Abstract
提供了一种用于分析设备退化以用于维护设备的方法和系统。该方法和系统接收并存储与操作设备相关联的设备和传感器数据,生成显示信号以显示关系分析窗口、残差窗口、性能状况窗口和维护触发窗口,以及评估设备传感器数据与环境数据之间的协调关系,确定残差并确定用于该操作设备的历史健康状况指数(HHCI),且根据该HHCI来生成未来健康状况指数(FHCI),并且通过确立用于维护的触发阈值来生成用于操作设备的设备维护触发器。
Description
技术领域
本公开处于设备维护领域。特别地,本公开涉及通过使用基于模型方法的设备退化预测和设备操作健康状况分析。
背景技术
在许多情况下,设备(例如,诸如涡轮机之类的转子设备)在炼油厂、水厂及其它背景下连续地操作。无论设备是否连续地操作,保持设备处于健康的操作条件对于满足输出和生产目标(以及其它原因)而言是相当重要的。设备维护的改善将促进机器的高效操作。
附图说明
图1示出了描绘用于设备维护系统的数据流程的示例性系统图。
图2示出了描绘设备维护系统的示例性系统图。
图3图示出用于分析设备退化以便维护设备的逻辑的示例。
图4示出了用于产生历史健康状况指数(HHCI)的逻辑的示例。
图5示出了用于显示操作设备的示例性窗口。
图6示出了用以显示历史轴温和环境温度的示例性窗口。
图7示出了用于参数选择的示例性窗口。
图8示出了用于回归分析的示例性窗口。
图9示出了用于残差计算的示例性窗口。
图10示出了用于正态分布评估的示例性窗口。
图11图示出用于产生未来健康状况指数(FHCI)的过程的示例。
图12示出了用于HCI均值趋势的平滑化、拟合和预测的示例性窗口。
图13示出了用于标准偏差趋势拟合和预测的示例性窗口。
图14示出了用于显示HCI极限和移动均值之后的HCI极限的示例性窗口。
图15示出了用于HCI的极限违反概率的示例性窗口。
图16示出了用于当报警概率水平达到某个水平时产生报警日期的示例性窗口。
图17示出了用以示出维护之前和之后的HCI均值的示例性窗口。
图18示出了用以示出维护之后的移位曲线的示例性窗口。
图19示出了用以示出获得移位曲线之后的预测的示例性窗口。
图20示出了用以示出维护之后的更新模型的示例性窗口。
具体实施方式
本公开涉及一种可以有效地评估设备的健康状况以实现预测维护的设备退化分析系统。在一个实施方式中,系统使用健康状况指数(HCI)来评估健康状况。可分析多个设备类型,包括对于其而言不存在可用数据样本(例如,设备退化样本)的那些设备类型。
图1示出了描绘用于设备维护系统100的数据流程的示例性系统图。如图1中所示,设备维护系统100可经由网络1001(例如,私用或公共内部网)连接到操作设备1002,并且可从操作设备1002发送请求和接收数据。操作设备1002和系统100可与传感器数据数据库1010、环境数据数据库1011以及历史数据数据库1009相连。操作设备1002可提供可以存储在传感器数据数据库1010、环境数据数据库1000和历史数据数据库1009中的传感器数据、环境数据和历史数据。
操作设备1002还可直接地向设备维护系统100发送传感器数据、环境数据和历史数据。如图1中所示,设备维护系统100可经由私有内联网1001直接地访问传感器数据数据库1010、环境数据数据库1011以及历史数据数据库1009。并且,并非环境数据、历史数据、和传感器数据中的全部都需要直接地来自操作设备1002。传感器数据数据库1010、环境数据数据库1011以及历史数据数据库1009可存储可从其它源接收到的数据。
图1还显示设备维护系统100可经由例如公共互联网之类的网络102连接到外部传感器数据收集器1030和任何外部设备,例如第一外部操作设备1020和第二外部操作设备1021。设备维护系统100可从外部传感器数据收集器1030、外部操作设备1020和外部操作设备1021请求和接收数据。
外部传感器数据收集器1030可收集传感器数据并将该传感器数据存储到传感器数据数据库1010。第一外部操作设备1020还可收集传感器数据、环境数据和历史数据并将它们存储在第一传感器数据数据库1022、环境数据数据库1024和历史数据数据库1026中。
如图1中所示,设备维护系统100可经由公共互联网102直接地访问传感器数据数据库1010、第一传感器数据数据库1022、环境数据数据库1011和历史数据数据库1009。设备维护系统100还可直接地从第二外部操作设备1021获得数据,即使该第二外部操作设备1021可能未向数据库存储数据。图1中所示的数据流程仅仅用于举例说明的目的,用于设备维护系统的许多其它数据流程实施方式也是可能的,且在本公开的范围内。
图2示出了描绘用设备分析电路103实现的设备维护系统100的示例性系统图。如图2中所示,系统100可包括通信接口101、测量结果数据库111、显示生成电路110和设备分析电路103。系统100可与显示器102(例如,本地显示器、智能电话上的应用接口或另一显示器)进行本地或远程通信。
可将通信接口101配置成从测量结果数据库111接收设备传感器数据,该设备传感器数据代表来自与操作设备相关联的多个不同性能参数之中的设备性能参数。环境数据表示例如操作设备位于该处的位置的环境特性。测量结果数据库111可被配置成存储可从通信接口接收到的传感器数据和环境数据。
显示生成电路110可被配置成生成显示信号,其可在关系分析窗口1051、残差窗口1052、性能状况窗口1053以及维护触发窗口1054中的一个中显示。显示生成电路110可被配置成生成可在其它窗口中显示的显示信号。
设备分析电路103可与测量结果数据库111和显示生成电路110进行通信。设备分析电路103可包含存储器104。存储器104可存储由处理器108执行的程序指令1036,作为示例,该处理器108被配置成:
评估设备传感器数据与环境数据之间的协调关系1031以获得关系输出,并提供该关系输出以便在关系分析窗口1051中显示;
确定显示存储在测量结果数据库111中的设备传感器数据与该关系输出之间差异的残差1032,并提供该残差以用于在残差窗口1052中显示;
根据该残差来确定用于操作设备的历史健康状况索引(HHCI)1033并从HHCI 1033生成未来健康状况索引(FHCI)1034,并提供HHCI 1033和FHCI 1034以用于在性能状况窗口1053中显示;以及通过确立用于维护的触发阈值来生成用于操作设备的设备维护触发器1035,并提供该设备维护触发器以用于在维护触发窗口1054中显示。
评估协调关系1031的设备分析电路103可被配置成评估设备传感器数据与设备传感器数据之间或设备传感器数据与环境数据之间或设备传感器数据与设备传感器数据以及环境数据之间的协调关系。设备分析电路103可首先根据设备传感器数据和环境数据来确定操作参数的子集,并评估操作参数子集内的两个或更多参数的任何项之间的协调关系1031。
生成FHCI 1034的设备分析电路103可被配置成预测FHCI的均值序列和标准偏差(SD),并基于FHCI的该预测均值序列和SD而生成FHCI。
图3图示出用于分析设备性能和维护设备的逻辑300的示例。例如,在图2中所示的系统100中可将该逻辑实现为存储器109中的程序指令。逻辑300包括例如通过从通信接口接收表示与操作设备相关联的多个不同性能参数之中的设备性能参数的设备传感器数据来接收和存储设备传感器数据和环境数据(310);从通信接口接收环境数据,其表示操作设备位于该处的位置的环境特性;以及将从通信接口接收到的传感器数据和环境数据存储到测量结果数据库中。
可捕捉设备传感器数据并存储在数据库111中。可通过在操作设备上或接近于操作设备的传感器来捕捉设备传感器数据,并且可经由通信接口101从设备传感器传输到一个或多个处理器108且然后可存储在存储器109中。可捕捉和存储不同的传感器数据。例如,油泵的针对一段时间(例如,针对过去三个月)的轴温可被油泵的传感器捕捉并存储在存储器109中。
还可获得环境数据并存储在存储器109中。例如,可作为一种环境数据而获得环境温度。可从第三方收集并经由通信接口101接收针对一段时间(例如,针对过去三个月)的环境温度。还可将环境数据存储在存储器109中。还可将环境数据存储在任何其它数据储存库中。
传感器数据和环境数据可在其被获得并存储在存储器109中之后变成历史数据。在捕捉传感器数据之后,传感器数据可在其被存储在存储器109中之后被视为历史数据。例如,针对过去三个月的用于油泵的轴温在捕捉到三个月的轴温并存储在存储器109中之后变成历史数据。
一般地,设备的一个或多个操作参数(OP)的长期趋势可帮助举例说明设备物理健康状况的退化进展。还可将OP用于监视。当OP越限时,其可导致设备故障。例如,当轴温高于预定极限时,设备可能不会适当地运行。因此,轴温可以是OP。泵的轴振动可以是用于设备的OP的另一示例。
可从存储器109选择传感器数据的子集以发展用于分析设备退化的OP。存储器109可存储长期历史记录。在本公开中公开的方法可以是利用历史监视数据(例如选择存储在存储器109中的传感器数据的子集)来发展设备的许多预定和预选OP以分析和预测其退化。要分析的示例性设备可包括转子设备,诸如涡轮机、泵或任何其它设备。
存储在存储器109中或从其它源接收到的环境数据也可被用于OP分析。OP值可不仅受到设备物理条件,而且受到生产/操作条件和环境条件的影响。还可使用相关环境数据并进行预处理以用于OP分析。例如,如果轴温被确定为OP且样本泵的轴温的操作极限可以是70摄氏度。为了分析泵的温度可能何时超过70度的极限,可使用环境温度,因为轴温还可受到环境温度的影响。在两个温度之间存在某种协调关系。
逻辑300还可确定根据设备传感器数据或环境数据来确定操作参数的子集以用于执行进一步关系分析。
还可针对存储在存储器109中或从其它源接收到的传感器数据和环境数据两者执行数据确认和数据清理。例如,可在轴温和环境温度两者被从存储器109读出时检查有效性。如果温度过高,例如500度,或者过低,例如-200度,或则简单地遗漏了,则可确定温度关联数据无效,并且可跳过或从OP分析删除。
逻辑300可生成包括关系分析窗口、残差窗口、性能状况窗口和维护触发窗口的显示信号(320)。显示信号生成可包括:由显示生成电路来生成显示信号以显示以下各项中的至少一个:关系分析窗口、残差窗口、性能状况窗口和维护触发窗口。显示窗口可以是超过那两个类型的。可发展附加窗口。
逻辑300还可评估设备传感器数据与环境数据之间的协调关系(330)。该评估可包括由与测量结果数据库和显示生成电路相通信的设备分析电路来评估设备传感器数据与环境数据之间的协调关系以获得关系输出,并提供该关系输出以用于在关系分析窗口中显示。
该协调关系可以是OP与设备传感器数据以及环境数据之间的证明。如上文所讨论的,OP值可受到生成/操作条件和环境条件的影响。因此,在诸如轴温之类的某些传感器数据与诸如环境温度之类的某些环境数据之间可存在某种协调关系。可发展显示窗口以示出该协调关系。
如上文所讨论的,OP的子集可以是设备传感器数据或环境数据。可针对来自子集的OP中的任何两个或更多示出协调关系。
可执行回归以示出该协调关系。例如,可运行用于轴温和环境温度的回归并在关系分析窗口中显示结果。在图8中提供了回归分析和显示的示例。
可通过使用当设备在健康状况以下时的数据且在OP与其它相关参数之间执行回归分析。该回归分析可从设备处于相对良好的健康状况时开始选择合理的样本数据集,并且然后使用所选数据集来执行OP与其它相关参数之间的回归分析。用于从设备的健康时段开始选择样本的原因是尝试用回归公式来表示健康设备的性能,并避免来自设备老化的干扰。因此,实际OP值与使用回归公式计算的OP值之间的误差的长期趋势可能能够帮助举例说明该设备的性能退化。可将从回归分析发展的回归公式表示为:
OP=f(x),x=(x1,Λ,xn)---(1)
如公式1中所示,参数x可包括可与OP相关的设备传感器数据和环境数据。
逻辑300还可确定示出关系输出与实际OP值之间的差的残差(340)。实际OP值可以是设备传感器数据或环境数据。该确定可包括通过设备分析电路来确定示出关系输出与存储在测量结果存储器109中的设备OP之间的差的残差,并提供该残差以用于在残差窗口中显示。
可针对相关参数通过使用回归公式和存储在存储器109中的历史数据来计算该残差。作为举例说明,该残差可以是OP的计算和实际值之间的差。可将残差的计算表示为:
Res=OPact.-OPcalc.---(2)
如公式2中所表示的,OPact.是实际监视OP值,并且OPcalc.是使用公式1中的公式OP=f(x)计算的OP。
逻辑300可根据残差来确定用于操作设备的HHCI,生成HHCI的均值序列和SD序列,并根据该HHCI的均值序列和SD序列来生成FHCI的预测均值和标准偏差(350)。逻辑300还可直接地使用HHCI来生成FHCI。该确定可包括:由设备分析电路根据残差来确定用于操作设备的HHCI并根据该HHCI生成FHCI,并提供该HHCI和FHCI以用于在性能状况窗口中显示。
可在残差遵循正态分布时确定HHCI。由于设备退化可以是缓慢的渐进过程,所以要确定的历史HCI可以是相对稳定的,并且可针对每个合理历史时间窗遵循正态分布。HHCI可在合理的时间窗内(例如一天或一周或一个月等),通过不同的时间窗逐渐地改变均值和标准偏差(SD)。如果残差遵循正态分布,则可将该残差选作HCI或HHCI。然而,该过程可重复以选择参数并执行回归分析以找到适当的参数以便获得用于发展HHCI的良好回归公式。
当残差遵循正态分布并被选作HCI时,可将HHCI表示为:
HCI=Res---(3)
在确定HHCI之后,可通过使用HHCI来预测FHCI的未来均值序列和SD序列。当周期性地计算HHCI时,还可针对HHCI计算均值和SD。由于退化分析可主要关心HCI的长期或中期趋势,所以可以将类似于移动均值的滤波/平滑化方法用于滤除HHCI的均值和SD的噪声或局部波动以获得总体趋势。因此,基于HHCI的平滑化周期性均值序列,可获得并训练近似拟合&预测模型。同样地,可使用拟合模型来预测用于随后的一年或半年的时段的周期性均值。还可针对HCI的SD系列执行该程序。同样地,可以拟合并预测HCI的均值序列和SD序列的长期趋势,并且可生成FHCI的均值序列以及SD序列。还可使用HHCI来生成FHCI而不预测未来均值序列和SD序列。
逻辑300可通过确立用于维护的触发阈值来生成用于操作设备的设备维护触发器(360)。该生成可包括:由设备分析电路通过确立用于维护的触发阈值来生成用于操作设备的设备维护触发器,并提供该设备维护触发器以用于在维护触发窗口中显示。
可通过设定用于特定预测退化概率的警报水平来生成设备维护触发器。基于HCI的预测周期性均值趋势值和标准偏差(SD)趋势值,可使用正态分布的概率公式来计算未来的HCI的极限违反概率,并获得退化概率预测曲线。
为了确定HCI的极限违反概率,可首先计算HCI的极限。由于HCI是设计指数且不一定被给定极限,所以可能需要用于设备退化分析的HCI极限的计算。通过设计,HCI可以是OPact与OPcalc.之间的差。OPact可以是参数,并且通常地由制造商或行业标准给定某个极限。然后,可通过使用以下公式将HCI的极限计算为OP极限与OPcalc之间的差:
LimHCI=LimKSP-OPcalc.---(4)
然后可计算极限违反的概率。基于计算的HCI极限和预测的日常HCI均值和SD,可使用以下正态分布概率公式来计算HCI的极限违反概率:
x=HCI,σ=HCI SD,μ=HCI均值
因此,可通过将警报水平确立为用于维护的触发阈值来针对操作设备设定该设备维护触发器。根据极限违反概率的计算,如果预测概率保持增加且在其达到警报水平(例如,>10%)时,然后系统100可指示设备需要维护。例如,可将维护时间设定为特定的一天,或者可将其推荐为预测报警日期之前的一天。例如,如果概率在未来的第109天上升10%以上,则可将维护日期选择为未来的第108天或者在第109天之前的任何其它时间。因此,当超过警报水平或触发阈值(10%)时,可确定未来维护日期。并且然后,可生成维护通知并通过使用通信接口而发送给接收者。
图4示出了用于生成历史健康状况指数(HHCI)400的逻辑400的示例。如图4所示,HHCI生成过程可以是迭代过程。参数选择402可选择至少两个参数以用于回归分析404。该参数可选自可用存储在存储器109中的传感器数据表示的OP。该参数还可以是诸如环境温度之类的环境数据。参数选择402可以是来自可与OP高度相关的设备传感器数据和环境数据的随机拣选,或者还可根据先前的迭代或历史参数选择来实现。
图4中所示的回归分析404可包括应用回归公式来表示从参数选择402的步骤选择的参数协调关系。回归分析404可以是线性回归。还可使用任何其它回归分析方法。由于该回归可紧密地表示健康设备的性能,所以包括传感器数据或环境数据的所选样本数据可以是用于设备处于相对良好的健康状况以下的时段。可用如上述公式1中所示的关于OP的所选参数的函数来表示回归公式。
残差计算406可计算OP的计算和实际值之间的差。OP的实际值可以是作为历史记录存储在存储器109中的传感器数据。可通过使用在回归分析404中发展的回归公式来计算OP的计算值。可通过使用上述公式2来计算残差。
在计算残差之后,可基于残差是否周期性地遵循正态分布408来进行确定。如果该残差遵循正态分布,则可如上述公式3中所示地将残差设定为HHCI 410。然而,如果残差并未遵循正态分布,则可再次地通过在参数选择402处开始来执行如图4中所示的迭代。
图5示出了用于显示操作设备的示例性窗口500。窗口500可包括操作设备502的图像和操作设备504的描述。如图5中所示,显示操作设备502。还可显示用于操作设备502的其它信息。
图6示出了用以显示历史轴温602和环境温度604的示例性窗口600。可将历史传感器数据的子集选择为被用于设备监视的OP。由于环境条件可影响设备的生产和操作条件,所以可选择某些环境数据以用于设备退化分析。如图6中所示,历史轴温602和环境温度604可具有类似的移动图案。因此,可将传感器数据(也为OP)历史轴温602和环境温度604选择为用于回归分析的参数,以用于生成用于设备退化分析的HCI。
图7示出了用于参数选择700的示例性窗口。如图7中所示,显示用于泵温度702和空气温度704的历史值。根据图7,泵温度702和空气温度704是高度相关的。
图8示出了用于回归分析800的示例性窗口。如图8中所示,针对泵温度802和空气温度804执行回归。回归分析窗口中所示的实线可表示泵温度802与空气温度804之间的关系。实线可以是回归公式的表示。
图9示出了用于残差计算900的示例性窗口。如图9中所示,残差902可反映计算OP与可作为历史值存储在测量结果存储器109中的实际OP之间的差。可通过使用上述公式2来计算残差902。时间指数904示出一系列残差902的时间指数。
图10示出了用于正态分布评估1000的示例性窗口。如上文所讨论的,当残差遵循正态分布时,可将残差设定为HHCI。如图10中所示,当HCI 1030和正态分位点1032的图一般地遵循实直线1034并分布在短划线1036和1038之间时,残差可遵循正态分布,并且可将残差设定为HHCI。
图11图示出用于生成FHCI的预测均值序列和标准偏差(SD)序列的逻辑1100的示例。逻辑1100包括确定HHCI的周期性均值,诸如可计算每日均值或每周均值(1102)。还可计算HHCI的标准偏差。在数据平滑化1104的逻辑中,可滤除HHCI的均值序列和SD序列的噪声或局部波动以获得总体趋势。建模训练1104可以基于HHCI的平滑化周期性均值和SD序列来获得近似拟合和预测模型。最后,预测1108可以预测未来HCI(FHCI)的均值序列和SD序列。
图12示出了用于HCI均值趋势的平滑化、拟合和预测的示例性窗口1200。如图12中所示,将历史HCI每日均值序列1202显示为锯齿形线,历史HCI每日均值1024的平滑化和拟合曲线被示为平滑化曲线。基于拟合模型1206的FHCI的预测均值趋势显示为用于约第90天至第140天1208的范围的平滑化曲线。
图13示出了用于HCI SD趋势平滑化、拟合和预测1300的示例性窗口。如图13中所示,在SD趋势拟合和预测窗口1300中显示实际每日HHCI SD序列1302、HHCI SD 1304的平滑化和拟合曲线以及基于拟合模型1306的预测SD趋势。用于SD趋势拟合和预测的日1308范围为约第1至第140日。在图13中,可预测用于约第90至第140日的曲线。
图14示出了用于显示HCI极限和移动均值1400之后的HCI极限的示例性窗口。由于OP极限可以由制造商或行业标准提供,并且HCI是实际OP与计算OP之间的残差,所以可通过从OP极限减去计算的OP来计算HCI极限1402。在上述公式1中示出了用以计算和预测OP的公式。在上述公式4中示出了用以计算HCI极限的公式。图14示出了计算HCI极限1402。图14中的移动均值1404之后的HCI极限示出了去除可能噪声之后的HCI极限。
图15示出了用于HCI 1500的极限违反概率的示例性窗口。可用如上所示的公式5通过使用计算HCI极限、预测每日HCI均值和SD来计算HCI的极限违反概率。图15示出了用于第1至第140日的日范围的用于HCI极限违反概率的极限违反概率1502。
图16示出了用于当报警概率水平达到某个水平时产生报警日期的示例性窗口。如图16中所示,当报警概率水平1602是0.10(10%)时,可确定报警日期1604。根据图16,报警日期1604处于约第109天。
在执行设备维护之后,可能需要更新HCI模型以用于进一步预测。一般地,在执行维护之后,设备可处于更好的健康状况。可在设备维护之后进入稳定操作之后计算第一时段(日、周和月)的HCI均值&HCI SD。
图17示出了用以示出维护之前和之后的HCI均值的示例性窗口。如图17中所示,维护之后的HCI均值1704可低于执行维护之前的HCI均值1706。图17还示出了具有维护之后的类似HCI均值1702的最近点。如所示,具有维护之后的类似HCI均值1702的最近点可在执行维护的当天(第108天)之前的一天(第80天)。
在向后在历史HCI均值曲线中找到用于具有与维护之后的新HCI均值1704最接近值1702的点的之后,可以认为设备在执行维护之后已被恢复至该历史点的相同健康水平。同样地,可删除历史时间点1702与维护时间点1706之间的均值曲线与SD曲线的历史点。可将该历史时间点1702之前的HHCI均值和SD的曲线移动至维护时间点1706作为用于维护之后的设备的更新HHCI均值曲线和SD曲线。图18示出了用以示出维护之后的移位曲线的HHCI均值曲线移位窗口的示例。如图18中所示,维护1802之后的移位HHCI均值曲线在维护之前的原始HHCI均值曲线1804的右侧。
窗口500、600、700、800、900、1000、1200、1300、1400、1500、1600、1700、1800、1900、2000中的任何一个可由处理器108生成并在显示器120上显示。
在曲线已移位之后,可再次地应用先前公开的方法以用于拟合和预测HCI的均值和SD的趋势。图19示出了用以示出获得移位HHCI均值曲线之后的预测的后续预测窗口的示例。如图19中所示的后续预测1902示出了曲线被移位之后的预测HCI均值。
有时,由于设备状态在维护之后可能不是非常稳定或者由于维护之后的实际设备状态与移位HHCI均值曲线1802示出的并不完全相同,因此可能需要重复图17—19中所示的先前步骤直至拟合模型变得稳定为止。图20示出了用以示出维护之后的更新模型的维护窗口之后的建模迭代和最终确定的示例。可基于维护之后的移位HHCI均值曲线来生成模型迭代之前的预测HCI均值曲线2002。可不仅基于移位HHCI均值曲线、而且基于根据在维护之后收集的新设备传感器数据和环境数据计算的新HCI均值数据来生成模型迭代之后的预测HCI均值曲线2004。维护2004之后的建模迭代和最终确定将稳定模型示为用于维护之后的设备的新状态的更新模型。
可用许多不同方式并用硬件和软件的许多不同组合来实现上述方法和/或系统、设备、处理以及逻辑。例如,实施方式的全部或一部分可以是包括例如中央处理单元(CPU)、微控制器或微处理器之类的指令处理器的电路;专用集成电路(ASIC)、可编程逻辑器件(PLD)或现场可编程门阵列(FPGA);或者包括离散逻辑或其它电路部件(包括模拟电路部件、数字电路部件或两者)的电路;或其任何组合。作为示例,该电路可包括分立互连硬件部件和/或可在单个集成电路管芯上组合、分布在多个集成电路管芯之间或者在公共封装中的多个集成电路管芯的多芯片模块(MCM)中实现。
该电路还可包括或访问由电路执行的指令。可将该指令存储在除瞬态信号之外的有形存储介质中,诸如闪存、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM);或者磁盘或光盘,诸如紧凑式磁盘只读存储器(CDROM)、硬盘驱动器(HDD)或其它磁盘或光盘;或者在另一机器可读介质中或其上面。诸如计算机程序产品之类的产品可包括存储介质和存储在其上面的指令,并且该指令在被设备中的电路执行时可促使设备实现上文所述或图中所示的任何处理。
可将各实施方式分布为多个系统部件之间的电路,诸如在多个处理器和存储器之间,可选地包括多个分布式处理系统。参数、数据库以及其它数据结构可被单独地存储和管理,可结合到单个存储器或数据库中,可在逻辑上和物理上以许多不同方式组织,并且可用许多不同方式来实现,包括作为诸如链接列表、散列表、阵列、记录、对象或隐含存储介质之类的数据结构。程序可以是单个程序的一部分(例如,子例程)、单独程序、跨多个存储器和处理器分布或者用许多不同方式实现,例如在诸如共享库(例如,动态链接库(DLL))之类的库中。该DLL例如可存储当被电路执行时执行上文所述或图中所示的任何处理。
已具体地描述了各种实施方式。然而,还可以有许多其它实施方式。
Claims (19)
1.一种用于分析设备退化的系统,包括:
通信接口,其被配置成接收:
设备传感器数据,其表示来自与操作设备相关联的多个不同性能参数之中的设备性能参数;以及
环境数据,其表示所述操作设备所定位的位置的环境特性;
测量结果数据库,其被配置成存储从所述通信接口接收到的所述传感器数据和所述环境数据;
显示生成电路,其被配置成生成显示信号,包括:
关系分析窗口;
残差窗口;
性能状况窗口;以及
维护触发窗口;以及
设备分析电路,其与所述测量结果数据库和所述显示生成电路相通信,所述设备分析电路被配置成:
评估所述设备传感器数据与所述环境数据之间的协调关系以获得关系输出,并提供所述关系输出以便在所述关系分析窗口中显示;
确定示出所述关系输出与存储在所述测量结果数据库中的所述设备传感器数据之间的差值的残差,并提供所述残差以用于在所述残差窗口中显示;
根据所述残差确定用于所述操作设备的历史健康状况指数(HHCI),并根据所述HHCI生成未来健康状况指数(FHCI),且提供所述HHCI和FHCI以用于在所述性能状况窗口中显示;以及
通过建立用于维护的触发阈值来生成用于所述操作设备的设备维护触发器,并提供所述设备维护触发器以用于在所述维护触发窗口中显示。
2.根据权利要求1所述的系统,其中所述协调关系包括线性回归。
3.根据权利要求1所述的系统,其中所述环境数据表示温度。
4.根据权利要求1所述的系统,其中所述设备分析电路进一步被配置成在所述残差遵循正态分布时通过使用所述残差来确定所述HHCI。
5.根据权利要求1所述的系统,其中所述设备分析电路进一步被配置成根据所述HHCI来生成用于未来时间的所述FHCI。
6.根据权利要求5所述的系统,其中所述设备分析电路进一步被配置成对所述HHCI和所述FHCI应用平滑函数以滤除噪声、局部波动或两者,以获得健康状态指数(HCI)的总体趋势。
7.根据权利要求6所述的系统,其中所述设备分析电路进一步被配置成当所述HCI的总体趋势示出在未来时间点超过所述触发阈值的可能性时,生成设备维护触发器。
8.根据权利要求7所述的系统,其中所述设备分析电路进一步被配置成在所述触发阈值被超过时,生成维护通知并通过使用所述通信接口来将所述维护通知发送给接收者。
9.根据权利要求1所述的系统,其中所述显示信号还包括用于所述操作设备的信息窗口,其中所述信息窗口包括所述操作设备的图像和所述操作设备的描述。
10.一种用于分析设备退化的方法,包括:
从通信接口接收设备传感器数据,所述设备传感器数据表示来自与操作设备相关联的多个不同性能参数之中的设备性能参数;
从所述通信接口接收环境数据,所述环境数据表示所述操作设备所定位的位置的环境特性;
将从所述通信接口接收到的所述传感器数据和所述环境数据存储到测量结果数据库中;
由显示生成电路来生成显示信号,用于在以下各项中的至少一个中显示:关系分析窗口、残差窗口、性能状况窗口和维护触发窗口;
由与所述测量结果数据库和所述显示生成电路相通信的设备分析电路,来评估所述设备传感器数据与所述环境数据之间的协调关系以获得关系输出,并提供所述关系输出以用于在所述关系分析窗口中显示;
由所述设备分析电路来确定示出所述关系输出与存储在所述测量结果数据库中的所述设备传感器数据之间的差值的残差,并提供所述残差以用于在所述残差窗口中显示;
由所述设备分析电路根据所述残差来确定用于所述操作设备的历史健康状况指数(HHCI),并根据所述HHCI生成未来健康状况指数(FHCI),且提供所述HHCI和所述FHCI以用于在所述性能状况窗口中显示;以及
由所述设备分析电路通过建立用于维护的触发阈值来生成用于所述操作设备的设备维护触发器,并提供所述设备维护触发器以用于在所述维护触发窗口中显示。
11.根据权利要求10所述的方法,其中所述协调关系包括回归。
12.根据权利要求10所述的方法,其中当所述残差遵循正态分布时通过使用所述残差来确定所述HHCI。
13.根据权利要求10所述的方法,其中根据所述HHCI来生成用于未来时间的所述FHCI。
14.根据权利要求10所述的方法,还包括:由所述设备分析电路对所述HHCI应用平滑函数以滤除噪声、局部波动或两者,并且基于经平滑的HHCI均值和经平滑的历史健康状况指数标准偏差(HHCI SD)来预测FHCI均值和未来健康状况指数标准偏差(FHCI SD),以获得健康状况指数(HCI)的总体趋势,以便在所述维护触发窗口中显示。
15.根据权利要求14所述的方法,其中当所述HCI的总体趋势示出在未来时间点超过所述触发阈值的可能性时,生成所述设备维护触发器。
16.根据权利要求10所述的方法,还包括:由所述设备分析电路在所述触发阈值被超过时,生成维护通知并通过使用所述通信接口来将所述维护通知发送给接收者。
17.根据权利要求10所述的方法,其中由所述显示生成电路生成显示信号以进一步在用于所述操作设备的信息窗口中显示,其中所述信息窗口包括所述操作设备的图像和所述操作设备的描述。
18.一种用于分析设备退化的系统,包括:
通信接口,其被配置成接收:
设备传感器数据,其表示来自与操作设备相关联的多个不同性能参数之中的设备性能参数;以及
环境数据,其表示所述操作设备所定位的位置的环境特性;
其中,所述环境数据表示温度;
测量结果数据库,其被配置成存储从所述通信接口接收到的所述传感器数据和所述环境数据;
显示生成电路,其被配置成生成显示信号,包括:
关系分析窗口;
残差窗口;
性能状况窗口;以及
维护触发窗口;以及
设备分析电路,其与所述测量结果数据库和所述显示生成电路相通信,所述设备分析电路被配置成:
执行所述设备传感器数据与所述环境数据之间的回归分析,以获得关系输出,并提供所述关系输出以便在所述关系分析窗口中显示;
确定示出所述关系输出与存储在所述测量结果数据库中的所述设备传感器数据之间的差值的残差,并提供所述残差以用于在所述残差窗口中显示;
当所述残差遵循统计学正态分布时,根据所述残差来确定用于所述操作设备的历史健康状况指数(HHCI);
针对所选未来时间根据所述HHCI生成未来健康状况指数(FHCI),并提供所述HHCI和所述FHCI,以用于在所述性能状况窗口中显示;
通过建立用于所述操作设备的维护的触发阈值来生成用于所述操作设备的设备维护触发器,并提供所述设备维护触发器以用于在所述维护触发窗口中显示;以及
在对所述操作设备执行设备维护之后调整所述HHCI和所述FHCI,并提供已调整的HHCI和已调整的FHCI以便在所述维护触发窗口中显示。
19.根据权利要求18所述的系统,其中:
所述设备分析电路进一步被配置成:
对所述HHCI应用平滑函数以滤除噪声、局部波动或两者,并且基于经平滑的HHCI均值和历史健康状况指数标准偏差(HHCI SD)来预测FHCI均值和未来健康状况指数标准偏差(FHCI SD)获得总体健康状况指数(HCI)趋势;
在所述总体HCI趋势示出超过触发阈值的可能性时,生成所述设备维护触发器;
当所述触发阈值被超过时,生成维护通知并通过所述通信接口将所述维护通知发送给接收者;以及
确定针对用于执行设备维护的维护时间点的维护HCI值,并向后搜索以使所述维护HCI值与匹配历史时间点处的HHCI值匹配;
通过消除所述匹配历史时间点与所述维护时间点之间的HHCI均值曲线和HHCI SD曲线的点来移位HHCI均值曲线和HHCI SD曲线;以及
提供经移位的HHCI均值曲线和HHCI SD曲线以用于在所述维护触发窗口中显示;并且其中所述显示信号还包括:
用于所述操作设备的信息窗口,其中所述信息窗口包括所述操作设备的图像显示和所述操作设备的描述。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/074946 WO2016149906A1 (en) | 2015-03-24 | 2015-03-24 | Analyzing equipment degradation for maintaining equipment |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105593864A CN105593864A (zh) | 2016-05-18 |
CN105593864B true CN105593864B (zh) | 2020-06-23 |
Family
ID=55931776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580001991.8A Active CN105593864B (zh) | 2015-03-24 | 2015-03-24 | 用于维护设备的分析设备退化 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10067038B2 (zh) |
CN (1) | CN105593864B (zh) |
AU (1) | AU2016201794B1 (zh) |
WO (1) | WO2016149906A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9541472B2 (en) * | 2013-03-15 | 2017-01-10 | Fluke Corporation | Unified data collection and reporting interface for equipment |
US10558929B2 (en) | 2016-05-31 | 2020-02-11 | The Boeing Company | Monitored machine performance as a maintenance predictor |
US10600257B2 (en) * | 2017-08-28 | 2020-03-24 | GM Global Technology Operations LLC | Method and apparatus for monitoring of an autonomous vehicle |
US10956843B2 (en) * | 2017-11-07 | 2021-03-23 | International Business Machines Corporation | Determining optimal device refresh cycles and device repairs through cognitive analysis of unstructured data and device health scores |
JP7057205B2 (ja) * | 2018-05-01 | 2022-04-19 | 三菱重工業株式会社 | 油圧機器の異常診断方法、及び、油圧機器の異常診断システム |
FR3090982B1 (fr) | 2018-12-21 | 2021-01-08 | Thales Sa | Procédé et dispositif de mémorisation de données numériques |
EP4066176A1 (en) * | 2019-11-26 | 2022-10-05 | Thermo Finnigan LLC | Remote monitoring, troubleshooting and service scheduling of analytical apparatuses |
EP3923213A1 (en) * | 2020-06-08 | 2021-12-15 | ABB Power Grids Switzerland AG | Method and computing system for performing a prognostic health analysis for an asset |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070065184A (ko) * | 2005-12-19 | 2007-06-22 | 우 옵트로닉스 코포레이션 | 전송 장치의 마모 진단 시스템 및 그 방법 |
CN101059906A (zh) * | 2005-09-21 | 2007-10-24 | Sap股份公司 | 用于非固定设备的可预测故障确定 |
CN101183437A (zh) * | 2006-11-15 | 2008-05-21 | 尤洛考普特公司 | 检测和定位飞行器旋翼的调整误差或缺陷的方法和系统 |
CN101438238A (zh) * | 2004-10-15 | 2009-05-20 | 伊塔斯公司 | 用于异常检测的方法和系统 |
CN101566916A (zh) * | 2008-04-23 | 2009-10-28 | 索尼爱立信移动通信日本株式会社 | 显示操作设备,操作设备和程序 |
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉(武汉)可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
CN103324148A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种机柜安全集中管理系统及控制方法 |
US8614630B2 (en) * | 2011-11-14 | 2013-12-24 | Vital Connect, Inc. | Fall detection using sensor fusion |
CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
KR20140089651A (ko) * | 2013-01-03 | 2014-07-16 | 가톨릭대학교 산학협력단 | 안전도와 근전도를 이용한 전자기기 제어 방법 및 장치 |
CN103941675A (zh) * | 2014-03-27 | 2014-07-23 | 北京卓越经纬测控技术有限公司 | 基于无线网络的安全监测管理系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6738748B2 (en) | 2001-04-03 | 2004-05-18 | Accenture Llp | Performing predictive maintenance on equipment |
US8655698B2 (en) * | 2000-10-17 | 2014-02-18 | Accenture Global Services Limited | Performance-based logistics for aerospace and defense programs |
US7133755B2 (en) * | 2004-07-26 | 2006-11-07 | General Motors Corporation | State of health monitoring and fault diagnosis for integrated vehicle stability system |
MX2013000066A (es) | 2010-06-30 | 2013-02-15 | Schlumberger Technology Bv | Sistema, metodo y aparato para la gestion de estado y de pronosticos del equipo de campo de petroleo. |
US8880282B2 (en) * | 2010-10-04 | 2014-11-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and system for risk prediction for a support actuation system |
US20120283138A1 (en) * | 2011-05-06 | 2012-11-08 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System and device for reporting a result of an evaluation of a sample after queuing the result for transmission |
US20130024179A1 (en) * | 2011-07-22 | 2013-01-24 | General Electric Company | Model-based approach for personalized equipment degradation forecasting |
US9996405B2 (en) | 2012-04-13 | 2018-06-12 | Siemens Corporation | Embedded prognostics on PLC platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction |
FI128899B (en) * | 2012-09-19 | 2021-02-26 | Konecranes Oyj | Predictive maintenance method and system |
-
2015
- 2015-03-24 US US14/913,222 patent/US10067038B2/en active Active
- 2015-03-24 CN CN201580001991.8A patent/CN105593864B/zh active Active
- 2015-03-24 WO PCT/CN2015/074946 patent/WO2016149906A1/en active Application Filing
-
2016
- 2016-03-22 AU AU2016201794A patent/AU2016201794B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101438238A (zh) * | 2004-10-15 | 2009-05-20 | 伊塔斯公司 | 用于异常检测的方法和系统 |
CN101059906A (zh) * | 2005-09-21 | 2007-10-24 | Sap股份公司 | 用于非固定设备的可预测故障确定 |
KR20070065184A (ko) * | 2005-12-19 | 2007-06-22 | 우 옵트로닉스 코포레이션 | 전송 장치의 마모 진단 시스템 및 그 방법 |
CN101183437A (zh) * | 2006-11-15 | 2008-05-21 | 尤洛考普特公司 | 检测和定位飞行器旋翼的调整误差或缺陷的方法和系统 |
CN101566916A (zh) * | 2008-04-23 | 2009-10-28 | 索尼爱立信移动通信日本株式会社 | 显示操作设备,操作设备和程序 |
US8614630B2 (en) * | 2011-11-14 | 2013-12-24 | Vital Connect, Inc. | Fall detection using sensor fusion |
CN103324148A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种机柜安全集中管理系统及控制方法 |
CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
KR20140089651A (ko) * | 2013-01-03 | 2014-07-16 | 가톨릭대학교 산학협력단 | 안전도와 근전도를 이용한 전자기기 제어 방법 및 장치 |
CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉(武汉)可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
CN103941675A (zh) * | 2014-03-27 | 2014-07-23 | 北京卓越经纬测控技术有限公司 | 基于无线网络的安全监测管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2016149906A1 (en) | 2016-09-29 |
AU2016201794B1 (en) | 2016-09-22 |
US20170038280A1 (en) | 2017-02-09 |
CN105593864A (zh) | 2016-05-18 |
US10067038B2 (en) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN112655004B (zh) | 用于异常检测和/或预测性维护的计算机实现的方法 | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
US11573846B2 (en) | Failure mode specific analytics using parametric models | |
US20170193460A1 (en) | Systems and methods for predicting asset specific service life in components | |
US20190164102A1 (en) | Operational improvement effect calculation device, operational improvement effect calculation method and recording medium | |
US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN114819289A (zh) | 预测方法、训练方法、装置、电子设备及存储介质 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
WO2021252815A1 (en) | Activity level measurement using deep learning and machine learning | |
CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
CN110188793B (zh) | 数据异常分析方法及装置 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
US20220404792A1 (en) | Method, system and computer program product for monitoring a shaping process | |
CN115145903A (zh) | 一种基于生产过程的数据插补方法 | |
WO2017142737A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level | |
Goosen | A system to quantify industrial data quality | |
CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
US11906960B1 (en) | Bayesian risk inference engine (BRIE) | |
Parey et al. | Extreme Values of Non-stationary Time Series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |