CN105628383A - 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 - Google Patents
基于改进型lssvm迁移学习的轴承故障诊断方法和系统 Download PDFInfo
- Publication number
- CN105628383A CN105628383A CN201610069784.2A CN201610069784A CN105628383A CN 105628383 A CN105628383 A CN 105628383A CN 201610069784 A CN201610069784 A CN 201610069784A CN 105628383 A CN105628383 A CN 105628383A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- recurrence
- target
- data
- tau
- 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
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于改进型LSSVM迁移学习的轴承故障诊断方法及系统,其中,基于改进型LSSVM迁移学习的轴承故障诊断方法包括如下步骤:利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;利用基于改进型LSSVM迁移学习算法构建故障分类模型:将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到已训练好的改进型LSSVM模型中,分析输出结果。本发明通过在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,使改进LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度。
Description
技术领域
本发明属于轴承故障诊断领域,尤其是一种基于改进型LSSVM(LeastSquaresSupportVectorMachine,最小二乘支持向量机)迁移学习的轴承故障诊断方法和系统。
背景技术
轴承作为旋转机械的重要部件之一,在现代工业中应用广泛,对其故障诊断已成为保障安全生产、防止重大事故发生的有效手段。目前轴承故障诊断主要包括数据采集、特征提取以及故障分类等操作步骤。其中,故障分类可用传统机器学习算法实现,其实现有效分类需要训练数据与测试数据分布相同,并且目标诊断数据量充足。
然而实际工业系统中普遍存在的复杂工况环境,往往导致目标诊断数据无法直接获取、训练数据与测试数据分布特性存在一定的差异,这些都会降低传统机器学习故障诊断模型的泛化能力,甚至使得模型不再适用。
当以上问题出现时,大多数传统机器学习算法采用重新标记目标轴承故障样本来解决,但其需要大量实验及专业知识,而且工业环境中外在摩擦力、工况等因素的变化,并不能保证采集到的标记数据和目标轴承故障数据分布一致,并且重新标记目标轴承故障样本还需要额外时间和人力成本。如何在克服传统机器学习算法在轴承故障诊断领域的不足,已成为目前需要解决的问题。
发明内容
发明目的:一个目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断方法,以解决现有技术存在的上述问题。进一步的目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断系统。
技术方案:一种基于改进型LSSVM迁移学习的轴承故障诊断方法,包括如下步骤:
步骤1、利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;
步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在LSSVM原优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,使LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度,构建基于迁移学习的故障诊断模型;
步骤3:将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到步骤2中已训练好的改进型LSSVM模型中,分析输出结果。
进一步的,所述目标数据为目标工况下目标轴承振动数据,所述辅助数据为变工况下目标轴承振动数据或临近轴承振动数据。
进一步的,所述递归定量分析包括如下步骤:
步骤1a、采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得;设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,1≤i≤N-(m-1)τ,X(1),X(2),....,X(N-(m-1)τ)为重构相空间向量,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数,x(i)表示长度N的轴承振动序列信号第i时刻的观察值,x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值,N为轴承振动时间序列的长度;
步骤1b、构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值,对于固定递归阈值ε,将空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵;
步骤1c、构建递归图:用黑点表示i-j坐标下Rij=1的值,构成递归图,以图形形式直观描述时间序列的递归特性;
步骤1d、从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数。
进一步的,所述提取非线性特征并与传统时域特征相结合的步骤如下:
步骤2a、采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标;
步骤2b、采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性和递归熵指标,并与步骤2a所提取的四个特征值相结合,归一化后构成8维的特征向量。
进一步的,所述训练数据集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数,a表示辅助数据,p表示目标数据。
进一步的,所述步骤2进一步为:
a)构建标准LSSVM的优化问题:
式中,J(ω,e)表示参数ω和e的函数,ω表示分类超平面的法方向,b表示偏置,表示将训练集中故障特征向量xi变换到Hilbert空间,ei表示误差函数,γp为目标数据的正则化系数,Np为目标数据集样本数
b)在标准LSSVM优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,可表示为:
其中,γp、γa分别为目标数据和辅助数据的正则化系数,均大于0,ei为误差函数;
c)对加入辅助集后的优化问题进行求解,求得参数a和b,具体求解步骤如下:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制;
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
Ω是一个(Np+Na)×(Np+Na)对称矩阵,且K为核函数,yi、yj分别表示训练集中第i个、第j个样本对应的故障标识。
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
进一步的,所述步骤2还包括四种辅助集的使用方法,分别为:
1):将目标函数中的γa置为0,删除掉约束条件II;
2):将目标函数中的γp置为0,删除掉约束条件I,目标函数变为:
3):置目标函数中γa=γp,约束条件保持不变;
4):通过交叉验证对目标函数中的γa和γp进行优化,约束条件保持不变。
一种基于改进型LSSVM迁移学习的轴承故障诊断方法,包括如下步骤:
步骤一、对目标数据和辅助数据进行处理,提取相关信息,构建训练集;
步骤二、构建故障分类模型,
式中,J(ω,e)表示参数ω和e的函数,ω表示分类超平面的法方向,b表示偏置,表示将训练集中故障特征向量xi变换到Hilbert空间,ei表示误差函数,γp、γa分别为目标数据和辅助数据的正则化系数,Np、Na分别为目标数据和辅助数据的样本数,i为训练集中第i个故障特征向量;
步骤三、构建测试集并输入到改进型LSSVM模型中,分析输出结果。
进一步的实施例中,所述训练集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数,a表示辅助数据,p表示目标数据。
进一步的实施例中,在步骤一中,采用递归定量分析对目标数据和辅助数据进行处理,具体如下:
步骤1a、采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得;设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,1≤i≤N-(m-1)τ,X(1),X(2),....,X(N-(m-1)τ)为重构相空间向量,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数,x(i)表示长度N的轴承振动序列信号第i时刻的观察值,x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值,N为轴承振动时间序列的长度;
步骤1b、构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值,对于固定递归阈值ε,将空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵;
步骤1c、构建递归图:用黑点表示i-j坐标下Rij=1的值,构成递归图,以图形形式直观描述时间序列的递归特性;
步骤1d、从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数。
在进一步的实施例中,提取相关信息的过程具体为:
步骤2a、采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标;
步骤2b、采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性和递归熵指标,并与步骤2a所提取的四个特征值相结合,归一化后构成8维的特征向量。
在进一步的实施例中,求解故障分类模型的方法为:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制;
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
Ω是一个(Np+Na)×(Np+Na)对称矩阵,且K为核函数,yi、yj分别表示训练集中第i个、第j个样本对应的故障标识。
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
在进一步的实施例中,辅助集的使用方法包括如下四种方法:
1):将目标函数中的γa置为0,删除掉约束条件II;
2):将目标函数中的γp置为0,删除掉约束条件I,目标函数变为:
3):置目标函数中γa=γp,约束条件保持不变;
4):通过交叉验证对目标函数中的γa和γp进行优化,约束条件保持不变。
一种基于改进型LSSVM迁移学习的轴承故障诊断系统,包括如下模块:
第一模块,用于利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;
第二模块,用于利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在LSSVM原优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,使LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度,构建基于迁移学习的故障诊断模型;
第三模块,用于将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到步骤2已训练好的改进型LSSVM模型中,分析输出结果。
优选的,所述目标数据为目标工况下目标轴承振动数据,所述辅助数据为变工况下目标轴承振动数据或临近轴承振动数据;
所述第一模块包括递归定量分析子模块及用于提取非线性特征并与传统时域特征相结合的子模块;
其中,该递归定量分析子模块用于:
采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得;设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,1≤i≤N-(m-1)τ,X(1),X(2),....,X(N-(m-1)τ)为重构相空间向量,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数,x(i)表示长度N的轴承振动序列信号第i时刻的观察值,x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值,N为轴承振动时间序列的长度;
构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值,对于固定递归阈值ε,将空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵;
构建递归图:用黑点表示i-j坐标下Ri,j=1的值,构成递归图,以图形形式直观描述时间序列的递归特性;
从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数;
用于提取非线性特征并与传统时域特征相结合的子模块用于:
采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标;
采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性和递归熵指标,并与所提取的峰峰值、有效值、方差和峭度指标相结合,归一化后构成8维的特征向量;
所述训练数据集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数,a表示辅助数据,p表示目标数据。
优选的,所述第二子模块进一步用于:
a)构建标准LSSVM的优化问题:
式中,J(ω,e)表示参数ω和e的函数,ω表示分类超平面的法方向,b表示偏置,表示将训练集中故障特征向量xi变换到Hilbert空间,ei表示误差函数,γp为目标数据的正则化系数,Np为目标数据集样本数
b)在标准LSSVM优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,可表示为:
其中,γp、γa分别为目标数据和辅助数据的正则化系数,均大于0,ei为误差函数;
c)对加入辅助集后的优化问题进行求解,求得参数a和b,具体求解步骤如下:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制;
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
Ω是一个(Np+Na)×(Np+Na)对称矩阵,且K为核函数,yi、yj分别表示训练集中第i个、第j个样本对应的故障标识。
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
有益效果:在LSSVM原有的优化问题基础上,本发明通过在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,使改进LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度。本发明不但能在目标轴承样本不足的条件下提升诊断性能,而且将递归定量分析(RQA)提取的递归率、确定性、信息熵、层流性等特征和峰峰值,有效值,方差和峭度指标一起组成特征向量,能为迁移学习提供具备足够故障区分能力的特征。
附图说明
图1是本发明的流程图。
图2是本发明的轴承振动信号示意图。
图3a和图3b分别为健康轴承和故障轴承的振动信号递归图。
图4是本发明与标准LSSVM分类正确率比较曲线。
具体实施方式
如图1和图2所示,本发明基于迁移学习的轴承故障诊断方法主要包括如下步骤:
步骤1、对目标数据和辅助数据利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集。
在该步骤中,目标数据为目标工况下目标轴承振动数据,辅助数据来源为变工况下目标轴承振动数据或临近轴承振动数据,辅助数据的选取主要考虑两个因素:1、不同轴承故障深层原因的共性(如摩擦因素、接触面因素等);2、工况条件的差异(如噪音、负载等)往往表现在某个因素的差异,但其物理特性上存在共性。
轴承振动信号示例图如图2所示。
具体地,递归定量分析(RQA)的步骤如下:
a)采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得。那么,设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数。
b)构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值。对于固定递归阈值ε,将空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵。
c)构建递归图。用黑点表示(i,j)坐标下Ri,j=1的值,构成递归图,以图形形式直观描述时间序列的递归特性。参见图3a和图3b,不同故障间振动信号的差异性,相应的递归图也能明显看出差异性,图3a为健康轴承,图3b为故障轴承,图中可以看出随着故障的出现,相应的递归图有着明显变化,且递归点增多聚集。
d)从递归图点密度和线结构中提取递归率(RR)、确定性(DET)、递归熵(ENTR)、层流性(LAM)这四个有效特征参数。
在上述步骤中,对目标数据和辅助数据利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合的步骤如下:
a)采用时域统计分析方法从轴承振动信号中提取出峰峰值,有效值,方差和峭度指标;
b)采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性、递归熵指标,并与步骤a)所提取的四个特征值相结合,归一化后构成8维的特征向量;
所述训练数据集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数。
步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在该步骤中,
加入辅助集后,机器学习的目标函数函数从变为其中,Np和Na分别为目标和辅助振动数据集样本数,D(h)为防止过学习而设置的惩罚函数,L(h(xi),yi)为使得预测值h(xi)与真实标签yi之间的损失函数,γ和λ为平衡各部分损失的参数。具体扩展到最小二乘支持向量机(LeastSquaresSupportVectorMachine,LSSVM)领域步骤为:
a)构建标准LSSVM的优化问题:
b)在标准LSSVM优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,可表示为:
其中,γp、γa分别为目标数据和辅助数据的正则化系数,均大于0,ei为误差函数。
c)对加入辅助集后的优化问题进行求解,求得参数a和b,具体求解步骤如下:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制。
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
Ω是一个(Np+Na)×(Np+Na)对称矩阵,且K为核函数,yi、yj分别表示训练集中第i个、第j个样本对应的故障标识。
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
在该实施例中,辅助集的使用方法如下:
B-I:将目标函数中的γa置为0,删除掉第二个约束条件(约束条件II),其意义在于仅通过有限的目标振动数据构建分类决策模型,不使用辅助数据。
B-II:将目标函数中的γp置为0,删除掉第一个约束条件(约束条件I),这样目标函数将变为:
B-III:置目标函数中γa=γp,约束条件保持不变。
B-IV:通过交叉验证对目标函数中的γa和γp进行优化,约束条件保持不变。
参见表1,表2。将1750转/分、2马力负载的条件下,故障直径分别为0.36mm的内圈、外圈、滚珠故障作为目标数据;1772转/分、1马力负载的条件下,故障直径分别为0.36mm的内圈、外圈、滚珠故障作为辅助数据,同时辅助样本为目标样本5倍。
表1不同数据量及辅助集使用方法的诊断正确率表
表2不同特征诊断正确率表
表1、表2表明:加入辅助集训练比不加入辅助集训练效果好;对辅助数据进行合理约束,能提升分类效果;B-IV既能保证目标域训练集对建立分类器的主导作用,又能学习辅助数据域已有知识,优于B-I、B-II和B-III;而且,相比单纯使用RQA特征值,RQA特征值与时域统计参数融合的特征提取方法更有效,平均提升6.89%;而单纯使用时域特征的效果介于两者中间。
步骤3、将目标工况下目标轴承未标记故障振动数据利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到已训练好的改进型LSSVM模型中,分析输出结果。
将标准LSSVM算法与本发明公布的改进型LSSVM迁移学习方法进行性能比较,可以发现:当目标轴承数据不足以训练出有效的故障分类模型时,基于辅助集的迁移学习算法能有效提升轴承诊断精度,最大能提升30.5%;而随着目标轴承数据逐渐增多,提升比例逐渐降低,迁移的效果越来越不明显,当目标领域的训练样本达到50组时,两者均能达到很好的性能,此时无采用迁移学习的必要。
基于上述改进型LSSVM迁移学习的轴承故障诊断方法可构建一种轴承故障诊断系统,该系统主要包括如下模块:
第一模块,用于利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;
第二模块,用于利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在LSSVM原优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,使LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度,构建基于迁移学习的故障诊断模型;
第三模块,用于将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到步骤2已训练好的改进型LSSVM模型中,分析输出结果。
其中各模块的具体功能可参上文考诊断方法中的相关描述,不再详述。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,包括如下步骤:
步骤1、利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;
步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在LSSVM原优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,使LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度,构建基于迁移学习的故障诊断模型;
步骤3:将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到步骤2中已训练好的改进型LSSVM模型中,分析输出结果。
2.如权利要求1所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述目标数据为目标工况下目标轴承振动数据,所述辅助数据为变工况下目标轴承振动数据或临近轴承振动数据。
3.如权利要求1所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述递归定量分析包括如下步骤:
步骤1a、采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得;设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,1≤i≤N-(m-1)τ,X(1),X(2),...,X(N-(m-1)τ)为重构相空间向量,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数,x(i)表示长度N的轴承振动序列信号第i时刻的观察值,x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值,N为轴承振动时间序列的长度;
步骤1b、构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值,对于固定递归阈值ε,将空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵;
步骤1c、构建递归图:用黑点表示i-j坐标下Rij=1的值,构成递归图,以图形形式直观描述时间序列的递归特性;
步骤1d、从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数。
4.如权利要求1所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述提取非线性特征并与传统时域特征相结合的步骤如下:
步骤2a、采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标;
步骤2b、采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性和递归熵指标,并与步骤2a所提取的四个特征值相结合,归一化后构成8维的特征向量。
5.如权利要求1至4任一项所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述训练数据集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数,a表示辅助数据,p表示目标数据。
6.如权利要求1所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述步骤2进一步为:
a)构建标准LSSVM的优化问题:
式中,J(ω,e)表示参数ω和e的函数,ω表示分类超平面的法方向,表示将训练集中故障特征向量xi变换到Hilbert空间,ei表示误差函数,b表示偏置,γp为目标数据的正则化系数,Np为目标数据集样本数。
b)在标准LSSVM优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,可表示为:
其中,γp、γa分别为目标数据和辅助数据的正则化系数,均大于0,ei为误差函数;
c)对加入辅助集后的优化问题进行求解,求得参数a和b,具体求解步骤如下:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制;
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
7.如权利要求1所述的基于改进型LSSVM迁移学习的轴承故障诊断方法,其特征在于,所述步骤2还包括四种辅助集的使用方法,分别为:
1):将目标函数中的γa置为0,删除掉约束条件II;
2):将目标函数中的γp置为0,删除掉约束条件I,目标函数变为:
3):置目标函数中γa=γp,约束条件保持不变;
4):通过交叉验证对目标函数中的γa和γp进行优化,约束条件保持不变。
8.一种基于改进型LSSVM迁移学习的轴承故障诊断系统,其特征在于,包括如下模块:
第一模块,用于利用递归定量分析对目标数据和辅助数据进行处理,提取非线性特征并与传统时域特征相结合,组成特征向量,构成训练集;
第二模块,用于利用基于改进型LSSVM迁移学习算法构建故障分类模型:
在LSSVM原优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,使LSSVM在迭代学习的过程中,受到辅助集的影响,从而提高其分类精度,构建基于迁移学习的故障诊断模型;
第三模块,用于将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合,组成特征向量,构成测试集,输入到步骤2已训练好的改进型LSSVM模型中,分析输出结果。
9.如权利要求8所述的基于改进型LSSVM迁移学习的轴承故障诊断系统,其特征在于,所述目标数据为目标工况下目标轴承振动数据,所述辅助数据为变工况下目标轴承振动数据或临近轴承振动数据;
所述第一模块包括递归定量分析子模块及用于提取非线性特征并与传统时域特征相结合的子模块;
其中,该递归定量分析子模块用于:
采用坐标延迟的相空间重构方法进行相空间重构,其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得;设长度N的轴承振动序列信号{x(1),x(2),....,x(N)}对应的重构相空间为:
其中,1≤i≤N-(m-1)τ,X(1),X(2),....,X(N-(m-1)τ)为重构相空间向量,τ为由互信息法求得的延迟时间,m为由虚假临近点法求得的嵌入维数,x(i)表示长度N的轴承振动序列信号第i时刻的观察值,x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值,N为轴承振动时间序列的长度;
构建相空间的递归矩阵:
其中:i,j=1,2,...,N-(m-1)τ;Θ(·)为单位阶跃函数;ε为递归阈值,对于固定递归阈值ε,将重构相空间中任意两个向量X(i)、X(j)代入上述公式,可得到N×N距离矩阵对应的0-1矩阵;
构建递归图:用黑点表示i-j坐标下Rij=1的值,构成递归图,以图形形式直观描述时间序列的递归特性;
从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数;
用于提取非线性特征并与传统时域特征相结合的子模块用于:
采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标;
采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构,并构建递归图,提取递归率、确定性、层流性和递归熵指标,并与所提取的峰峰值、有效值、方差和峭度指标相结合,归一化后构成8维的特征向量;
所述训练数据集为:
其中,Tp和Ta为目标和辅助训练数据集;和分别为目标训练数据集中第i个样本的特征向量和对应的故障标识,和分别为辅助训练数据集中第i个样本的特征向量和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数,a表示辅助数据,p表示目标数据。
10.如权利要求8或9所述的基于改进型LSSVM迁移学习的轴承故障诊断系统,其特征在于,所述第二模块进一步用于:
a)构建标准LSSVM的优化问题:
式中,J(ω,e)表示参数ω和e的函数,ω表示分类超平面的法方向,表示将训练集中故障特征向量xi变换到Hilbert空间,ei表示误差函数,b表示偏置,γp为目标数据的正则化系数,Np为目标数据集样本数;
b)在标准LSSVM优化问题中的目标函数和约束条件中,分别增加辅助集的惩罚函数和约束条件,可表示为:
其中,γp、γa分别为目标数据和辅助数据的正则化系数,均大于0,ei为误差函数;
c)对加入辅助集后的优化问题进行求解,求得参数a和b,具体求解步骤如下:
c-1)构建Lagrange函数
其中,ai∈R(i=1,2,......,(Np+Na))为Lagrange因子,符号不受限制;
c-2)对L分别求(ω,b,e,a)的偏微分,并令其为零,如下式所示:
c-3)整理并消去变量ω和ei,最终得到如下矩阵形式:
式中:
求得参数a和b:
c-4)得到加入辅助集的改进LSSVM函数估计表达式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069784.2A CN105628383B (zh) | 2016-02-01 | 2016-02-01 | 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069784.2A CN105628383B (zh) | 2016-02-01 | 2016-02-01 | 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105628383A true CN105628383A (zh) | 2016-06-01 |
CN105628383B CN105628383B (zh) | 2017-02-22 |
Family
ID=56043522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610069784.2A Active CN105628383B (zh) | 2016-02-01 | 2016-02-01 | 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105628383B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108509973A (zh) * | 2018-01-19 | 2018-09-07 | 南京航空航天大学 | 基于Cholesky分解的最小二乘支持向量机学习算法及其应用 |
CN108563945A (zh) * | 2018-03-26 | 2018-09-21 | 烽火通信科技股份有限公司 | 一种异构冗余实现方法及实现系统 |
CN108764915A (zh) * | 2018-04-26 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 模型训练方法、数据类型识别方法和计算机设备 |
CN109144028A (zh) * | 2018-07-17 | 2019-01-04 | 浙江工业大学 | 一种精馏塔能效退化检测方法 |
CN109190464A (zh) * | 2018-07-24 | 2019-01-11 | 南京航空航天大学 | 一种变工况下基于迁移学习的机械故障智能诊断方法 |
CN109597396A (zh) * | 2018-11-26 | 2019-04-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于大数据流及迁移学习的配变故障在线诊断方法 |
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
CN109710955A (zh) * | 2017-10-23 | 2019-05-03 | 新天科技股份有限公司 | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 |
CN109918362A (zh) * | 2019-02-01 | 2019-06-21 | 广州豫本草电子科技有限公司 | 一种基于衡通仪的错误性信息判断方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
CN111061779A (zh) * | 2019-12-16 | 2020-04-24 | 延安大学 | 一种基于大数据平台的数据处理方法及装置 |
CN112734001A (zh) * | 2020-12-09 | 2021-04-30 | 东南大学 | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 |
CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及系统 |
US11544557B2 (en) | 2019-11-04 | 2023-01-03 | Cisco Technology, Inc. | IoT-based network architecture for detecting faults using vibration measurement data |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
US20130049733A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Fault detection based on current signature analysis for a generator |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN103913272A (zh) * | 2014-04-03 | 2014-07-09 | 华北电力大学 | 一种汽轮发电机组转子质量不平衡故障的定量诊断方法 |
CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
-
2016
- 2016-02-01 CN CN201610069784.2A patent/CN105628383B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130049733A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Fault detection based on current signature analysis for a generator |
CN102778355A (zh) * | 2012-08-07 | 2012-11-14 | 北京交通大学 | 一种基于emd和pca的滚动轴承状态辨识方法 |
CN103808509A (zh) * | 2014-02-19 | 2014-05-21 | 华北电力大学(保定) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 |
CN103913272A (zh) * | 2014-04-03 | 2014-07-09 | 华北电力大学 | 一种汽轮发电机组转子质量不平衡故障的定量诊断方法 |
CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
Non-Patent Citations (3)
Title |
---|
万书亭 等: "基于最小二乘支持向量机的滚动轴承故障诊断", 《振动、测试与诊断》 * |
杨正友 等: "基于贝叶斯推断LSSVM的滚动轴承故障诊断", 《电子测量与仪器》 * |
项斌: "基于最小二乘支持向量机的轴承故障诊断研究", 《黑龙江科技信息》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710955A (zh) * | 2017-10-23 | 2019-05-03 | 新天科技股份有限公司 | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 |
CN109710955B (zh) * | 2017-10-23 | 2023-05-05 | 新天科技股份有限公司 | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108229547B (zh) * | 2017-12-27 | 2021-12-24 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108509973B (zh) * | 2018-01-19 | 2022-04-05 | 南京航空航天大学 | 基于Cholesky分解的最小二乘支持向量机学习算法及其应用 |
CN108509973A (zh) * | 2018-01-19 | 2018-09-07 | 南京航空航天大学 | 基于Cholesky分解的最小二乘支持向量机学习算法及其应用 |
CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
CN108398266B (zh) * | 2018-01-22 | 2020-06-23 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
CN108563945A (zh) * | 2018-03-26 | 2018-09-21 | 烽火通信科技股份有限公司 | 一种异构冗余实现方法及实现系统 |
CN108563945B (zh) * | 2018-03-26 | 2020-07-07 | 烽火通信科技股份有限公司 | 一种异构冗余实现方法及实现系统 |
CN108764915A (zh) * | 2018-04-26 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 模型训练方法、数据类型识别方法和计算机设备 |
CN108764915B (zh) * | 2018-04-26 | 2021-07-30 | 创新先进技术有限公司 | 模型训练方法、数据类型识别方法和计算机设备 |
CN110619342B (zh) * | 2018-06-20 | 2023-02-03 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN109144028A (zh) * | 2018-07-17 | 2019-01-04 | 浙江工业大学 | 一种精馏塔能效退化检测方法 |
CN109190464A (zh) * | 2018-07-24 | 2019-01-11 | 南京航空航天大学 | 一种变工况下基于迁移学习的机械故障智能诊断方法 |
CN109190464B (zh) * | 2018-07-24 | 2021-09-17 | 南京航空航天大学 | 一种变工况下基于迁移学习的机械故障智能诊断方法 |
CN109597396A (zh) * | 2018-11-26 | 2019-04-09 | 国网湖北省电力有限公司电力科学研究院 | 一种基于大数据流及迁移学习的配变故障在线诊断方法 |
CN109682596B (zh) * | 2018-12-20 | 2020-11-13 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
CN109918362A (zh) * | 2019-02-01 | 2019-06-21 | 广州豫本草电子科技有限公司 | 一种基于衡通仪的错误性信息判断方法 |
CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
CN110346142B (zh) * | 2019-07-25 | 2021-06-29 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
US11544557B2 (en) | 2019-11-04 | 2023-01-03 | Cisco Technology, Inc. | IoT-based network architecture for detecting faults using vibration measurement data |
CN110779724A (zh) * | 2019-11-20 | 2020-02-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
CN110779724B (zh) * | 2019-11-20 | 2022-03-11 | 重庆邮电大学 | 一种基于频域组稀疏降噪的轴承故障诊断方法 |
CN111061779A (zh) * | 2019-12-16 | 2020-04-24 | 延安大学 | 一种基于大数据平台的数据处理方法及装置 |
CN112734001A (zh) * | 2020-12-09 | 2021-04-30 | 东南大学 | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 |
CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105628383B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105628383A (zh) | 基于改进型lssvm迁移学习的轴承故障诊断方法和系统 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN104330721B (zh) | 集成电路硬件木马检测方法和系统 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN103679189B (zh) | 场景识别的方法和装置 | |
CN110132598A (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN111458148A (zh) | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 | |
CN110243590A (zh) | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 | |
CN111504644A (zh) | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 | |
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
CN105447520A (zh) | 一种基于加权投影对支持向量机的样本分类方法 | |
CN112231775B (zh) | 一种基于Adaboost算法的硬件木马检测方法 | |
CN107451624B (zh) | 基于正交化局部连接网络的机械装备健康状态识别方法 | |
CN105893941A (zh) | 一种基于区域图像的人脸表情识别方法 | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
CN110490218B (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN107784411A (zh) | 模型中关键变量的探测方法及装置 | |
CN110955892B (zh) | 一种基于机器学习和电路行为级特征的硬件木马检测方法 | |
CN113780151A (zh) | 一种双线性特征融合的轴承故障诊断方法及系统 | |
CN110569727B (zh) | 用于运动想象分类的结合类内距和类间距的迁移学习方法 |
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 |