CN107480787B - 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 - Google Patents

一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 Download PDF

Info

Publication number
CN107480787B
CN107480787B CN201710681669.5A CN201710681669A CN107480787B CN 107480787 B CN107480787 B CN 107480787B CN 201710681669 A CN201710681669 A CN 201710681669A CN 107480787 B CN107480787 B CN 107480787B
Authority
CN
China
Prior art keywords
fault
training
neurons
network
gyratory crusher
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
Application number
CN201710681669.5A
Other languages
English (en)
Other versions
CN107480787A (zh
Inventor
顾清华
卢才武
田晶晶
杨震
聂兴信
白晓平
阮顺领
王甜甜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN201710681669.5A priority Critical patent/CN107480787B/zh
Publication of CN107480787A publication Critical patent/CN107480787A/zh
Application granted granted Critical
Publication of CN107480787B publication Critical patent/CN107480787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Disintegrating Or Milling (AREA)

Abstract

本发明一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，以旋回式破碎机为故障诊断对象，以物联传感技术实时获取破碎机的状态参数，确定旋回破碎机故障类型及相应的故障特征参数，并对故障特征参数数据按照分布均匀性及有效性进行选取；然后运用BP神经网络作为故障诊断技术，以故障特征参数为BP神经网络输入，以故障类型为BP神经网络输出，利用BP神经网络学习故障类型与相对应的故障特征参数之间的非线性关系，训练旋回式破碎机故障诊断模型并通过隐含层个数进一步优化诊断模型，完成旋回式破碎机诊断模型的训练；最后通过训练完成的旋回式破碎机故障诊断模型对破碎机故障进行实时诊断分析，具有模型简单、实时性强、诊断迅速等优点。

Description

一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法
技术领域
本发明属于矿业系统工程及矿山优化技术领域，特别涉及一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立与应用。
背景技术
我国矿山企业在矿产资源开发过程中，矿山破碎机是矿产资源开发中常用的机械设备之一，它的应用能够大大的提升矿产资源的开发效率和质量。但在其使用的过程中由于使用环境过于恶劣、开采强度高及维护工作不当等原因，都会引起破碎机的一系列故障，一旦出现故障会给企业带来不小的损失及安全问题，故障诊断不及时不但无法起到提高矿产资源开发效率的作用，反而还会增加企业的维护成本及停工损失，因此大型破碎机故障诊断问题一直是矿山企业亟待解决的问题。由于破碎机属于大型机械，设备结构机理复杂程度高，故障原因相对复杂，矿山企业对破碎机所利用诊断技术大多仍然以主观诊断技术为主，大多依赖人员的经验来解决问题，往往不能实现精确及快速诊断，对破碎机故障问题处理大多处于事后维修的状态，造成大量维修资源浪费的现象，因此引入物联传感技术与智能故障诊断技术实现以预防为主的故障诊断方式具有重要的意义。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立与应用方法，可实现旋回式破碎机的实时故障诊断，实现以预防为主的故障诊断方式。
为了实现上述目的，本发明采用的技术方案是：
一种基于BP神经网络的露天矿旋回式破碎机故障诊断模型的建立方法，包括如下步骤：
(1)数据采集及选取
数据采集是利用矿山破碎机上早已布置好的传感器获取原始故障数据，为了确保诊断模型的训练结果精确性，要对所采集的数据进行选取，数据选取要遵循开采强度多样性及时间多样性的原则，选取的目标是满足数据分布均匀性及有效性；
(2)旋回式破碎机故障诊断模型训练
基于BP神经网络技术，首先对故障特征参数进行归一化处理，故障类型采用二进制编码方式处理；然后把故障特征参数作为网络输入，故障类型作为网络期望输出，再根据输入、输出的数据矩阵维度来确定网络输入层神经元个数n、输出层神经元个数l，而隐含层神经元个数通过先设定一个初始值来进行训练；最后设定网络训练参数，训练后计算出均方误差，若其小于期望误差，训练完成，否则，重新训练；
(3)旋回式破碎机故障诊断模型优化
通过确定隐含层神经元个数来进行模型优化，隐含层神经元个数的确定主要采用试凑法，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围，在隐含层个数范围内，设定神经元个数初始值开始训练，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定均方误差最小情况下所对应的神经元个数为隐含层神经元个数，完成模型优化；
(4)旋回式破碎机故障诊断模型诊断测试
以优化后的诊断模型为基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，然后作为网络输入，测试诊断模型。
所述步骤(2)中，以破碎机故障特征参数为网络输入，以故障类型为网络输出，网络拓扑结构为n-m-l。
所述步骤(2)中设定的网络训练参数包括网络训练迭代次数net.epochs、网络训练期望误差net.goal及网络训练学习速率net.lr，其余参数运用神经网络的缺省值。
本发明还提供了利用所述基于BP神经网络的露天矿旋回式破碎机故障诊断模型的诊断方法，将检测数据作为网络输入，根据其输出结果，判断故障类型。
与现有技术相比，本发明通过根据BP神经网络的特点，运用其学习旋回式破碎机故障类型与故障特征参数的故障规律，建立旋回式破碎机故障诊断模型，原理简单，能够有效实现对旋回式破碎机故障状态实时诊断。
利用本发明在对露天矿旋回式破碎机故障诊断中，可以达到实时诊断，并且诊断准确率可达到95％以上，使矿山设备停工风险变成可控风险，改变了矿山事后维修现状，并且具有良好的扩展性和容错性，为矿山企业旋回式破碎机故障诊断提供了一种有效方式。
附图说明
图1是本发明故障诊断模型建立流程图。
图2是本发明诊断模型的神经网络拓扑结构图。
具体实施方式
下面结合附图和实例详细说明本发明的实施方式。
如图1所示，基于BP神经网络的露天矿旋回式破碎机故障诊断模型，具体的实施步骤如下：
步骤1：破碎机故障诊断中，确定破碎机故障类型及故障特征参数，故障类型集T＝[T1；T2；T3；…；Tl]，相对应的故障特征参数集为P＝[P1；P2；P3；…；Pn]，在采集数据过程中，采集数据手段为通过传感器进行实时采集，并在所采集原始数据中记录下故障数据，并且故障类型与故障特征参数相互对应；数据选取最终目的是数据有效性及均匀分布性，保证故障特征参数均匀分布于故障类型下，即每类故障类型拥有相同多组数量的故障特征参数，避免出现对于某类故障训练过多现象，在每类故障类型下故障特征参数的选取总体规则为满足开采强度和时间多样性，即故障特征数据尽量分布于不同开采强度与时间。
步骤2：每种故障特征参数具有不同量纲和物理意义，需要对数据进行归一化处理，在同类数据中进行归一化，把故障特征参数标准化到[0-1]范围内，使得样本数据在训练时处于同等地位，输出层中故障类型主要是采用二进制编码表示，如四种故障类型时，分别表示为[1 0 0 0]、[0 1 0 0]、[0 0 1 0]、[0 0 0 1]。
步骤3：旋回式破碎机故障诊断模型所应用的BP神经网络的拓扑结构为3层神经网络，如图2，在故障诊断模型中，故障特征参数作为神经网络的输入，对应输入层神经元个数n，每个神经元中包含组故障特征参数，输出层对应破碎机故障类型，因此输出层神经元个数l，隐含层神经元个数m会在模型优化中确定。
步骤4：以归一化后的矩阵P作为输入数据，再写入目标输出数据T，根据网络拓扑结构，建立BP神经网络，调用newff函数建立网络，如：net＝newff(P,T,m,{'logsig','purelin'},'trainlm')，P是输入数据，T是目标输出，m为网络优化后确定的隐含层的神经元个数，logsig函数是输入层至隐含层的传递函数，隐含层至输出层的传递函数选择purelin函数，训练函数运用L-M法，在训练时需重新定义训练数据的划分，利用dividerand划分函数，设定每类数据的百分比，确定所需训练数据个数。
步骤5：数据确定后通过设置训练网络参数来实现所需神经网络性能，主要对net.epochs(训练迭代次数)、net.goal(训练目标精度值)、net.lr(学习速率)根据自身网络需要进行设置，其他的参数直接运用网络缺省值即可，设置参数分别为net.epochs＝500、net.lr＝0.01、net.goal＝0.01，所有参数设定完成后，对模型进行训练。
步骤6：通过调用仿真函数sim进行网络仿真得出实际输出，并利用函数perform计算实际输出与目标输出之间的均方误差(perf)，以此来检查网络性能训练的好坏，判断网络训练好坏的关键是均方误差是否小于目标误差。
步骤7：采用试凑法通过改变隐含层神经元个数观察均方误差的大小，确定出能达到误差目标、训练步数少且收敛速度快的隐含层神经元的数目，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围。
m＝log2n (1)
m>n-1 (2)
Figure BDA0001375652420000051
步骤8：在隐含层个数范围内，以mmin为训练初始值，神经元个数每改变一次随之训练网络一次，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定perfmin所对应的神经元个数为隐含层神经元个数。
步骤9：以优化后的旋回式破碎机故障诊断模型为诊断基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，作为网络输入，测试诊断模型，进一步验证了旋回式破碎机故障诊断模型的可行性；
本发明通过根据BP神经网络的特点，运用其学习旋回式破碎机故障类型与故障特征参数的故障规律，建立旋回式破碎机故障诊断模型，能够有效实现对旋回式破碎机故障状态实时诊断，实际应用过程中可根据旋回式破碎机的个别故障情况进行调整。上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (4)

1.一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，其特征在于，包括如下步骤：
(1)数据采集及选取
数据采集是利用露天矿旋回式破碎机上布置的传感器实时获取原始故障数据，数据选取遵循开采强度多样性及时间多样性的原则，选取的目标是满足数据分布均匀性及有效性，以确保故障诊断模型训练结果的准确性；
(2)旋回式破碎机故障诊断模型训练
基于BP神经网络技术，首先对故障特征参数进行归一化处理，故障类型采用二进制编码方式处理；然后把故障特征参数作为网络输入，故障类型作为网络期望输出，再根据输入、输出的数据矩阵维度来确定网络输入层神经元个数n、输出层神经元个数l，隐含层神经元个数通过先设定一个初始值来进行训练；最后设定网络训练参数，训练后计算出均方误差，若其小于期望误差，训练完成，否则，重新训练；
(3)旋回式破碎机故障诊断模型优化
通过确定隐含层神经元个数来进行模型优化，隐含层神经元个数的确定主要采用试凑法，设隐含层神经元个数为m，在网络训练参数不变的前提下，参照三个经验公式，得出隐含层神经元个数大概范围，在隐含层神经元个数大概范围内，设定神经元个数初始值开始训练，训练后计算perf，并对比所有隐含层神经元个数情况下的perf大小，确定均方误差最小情况下所对应的神经元个数为隐含层神经元个数，完成模型优化；
(4)旋回式破碎机故障诊断模型诊断测试
以优化后的故障诊断模型为基础，在选取后的故障原始数据中再选一组数据作为故障测试数据，然后作为网络输入，测试故障诊断模型；
所述步骤(3)中三个经验公式是：
m＝log2n
m＞n-1
Figure FDA0002764649440000021
其中训练初始值为mmin，确定隐含层神经元个数为perfmin情况下所对应的神经元个数。
2.根据权利要求1所述一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，其特征在于，所述步骤(2)中设定的网络训练参数包括网络训练迭代次数net.epochs、网络训练期望误差net.goal及网络训练学习速率net.lr，其余参数运用神经网络的缺省值。
3.根据权利要求2所述一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，其特征在于，所述网络训练迭代次数net.epochs＝500，网络训练学习速率net.lr＝0.01，网络训练期望误差net.goal＝0.01。
4.根据权利要求1所述一种基于BP神经网络的露天矿旋回式破碎机故障诊断方法，其特征在于，将检测数据作为网络输入，根据其输出结果，判断故障类型。
CN201710681669.5A 2017-08-10 2017-08-10 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 Active CN107480787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710681669.5A CN107480787B (zh) 2017-08-10 2017-08-10 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710681669.5A CN107480787B (zh) 2017-08-10 2017-08-10 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法

Publications (2)

Publication Number Publication Date
CN107480787A CN107480787A (zh) 2017-12-15
CN107480787B true CN107480787B (zh) 2020-12-11

Family

ID=60599270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710681669.5A Active CN107480787B (zh) 2017-08-10 2017-08-10 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法

Country Status (1)

Country Link
CN (1) CN107480787B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229840A (zh) * 2018-01-23 2018-06-29 合肥思博特软件开发有限公司 一种矿区事故安全管理系统
CN109083887B (zh) * 2018-09-13 2020-04-21 西安建筑科技大学 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法
CN111310907A (zh) * 2018-12-12 2020-06-19 北京理工大学 一种微波组件故障诊断方法、装置及设备
CN110533167B (zh) * 2019-08-23 2022-02-08 中国石油化工股份有限公司 一种电动阀门执行机构用故障诊断方法及诊断系统
CN111814900A (zh) * 2020-07-20 2020-10-23 安徽南瑞中天电力电子有限公司 基于matlab神经网络的电能表故障分类方法及其装置
CN114398800B (zh) * 2022-01-27 2022-10-25 矿冶科技集团有限公司 破碎机系统故障诊断方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721545A (zh) * 2012-05-25 2012-10-10 北京交通大学 一种基于多特征参量的滚动轴承故障诊断方法
CN103150594A (zh) * 2013-03-18 2013-06-12 山东电力集团公司济宁供电公司 基于加动量项bp神经网络的变压器故障诊断方法
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN103559538A (zh) * 2013-11-12 2014-02-05 上海电机学院 Bp神经网络结构优化方法
CN104751229A (zh) * 2015-04-13 2015-07-01 辽宁大学 一种改进bp神经网络估值的缺失数据轴承故障诊断方法
CN105069291A (zh) * 2015-08-06 2015-11-18 温州大学 一种基于emd和bp神经网络的电机轴承故障辨识方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN105758645A (zh) * 2014-12-20 2016-07-13 哈尔滨智晟天诚科技开发有限公司 一种基于概率神经网络的发动机故障诊断系统
CN106127387A (zh) * 2016-06-24 2016-11-16 中国电力科学研究院 一种基于bp神经网络的台区线损率评估方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721545A (zh) * 2012-05-25 2012-10-10 北京交通大学 一种基于多特征参量的滚动轴承故障诊断方法
CN103150594A (zh) * 2013-03-18 2013-06-12 山东电力集团公司济宁供电公司 基于加动量项bp神经网络的变压器故障诊断方法
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN103559538A (zh) * 2013-11-12 2014-02-05 上海电机学院 Bp神经网络结构优化方法
CN105758645A (zh) * 2014-12-20 2016-07-13 哈尔滨智晟天诚科技开发有限公司 一种基于概率神经网络的发动机故障诊断系统
CN104751229A (zh) * 2015-04-13 2015-07-01 辽宁大学 一种改进bp神经网络估值的缺失数据轴承故障诊断方法
CN105069291A (zh) * 2015-08-06 2015-11-18 温州大学 一种基于emd和bp神经网络的电机轴承故障辨识方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN106127387A (zh) * 2016-06-24 2016-11-16 中国电力科学研究院 一种基于bp神经网络的台区线损率评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《神经网络技术在破碎机故障诊断中的应用》;孙璐等;《矿冶》;20070915;第16卷(第3期);85-90页 *

Also Published As

Publication number Publication date
CN107480787A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107480787B (zh) 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法
CN102707256B (zh) 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN109782124B (zh) 一种基于梯度下降算法的主配用一体化故障定位方法及系统
CN113128338B (zh) 一种小样本下印刷机滚筒故障的智能诊断方法
CN116011608B (zh) 光伏功率超短期预测方法及装置、电子设备、存储介质
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
CN113743674A (zh) 基于深度学习的储能出力预测方法、系统、设备及介质
CN110677437A (zh) 基于潜在空间对抗式聚类的用户伪装攻击检测方法及系统
CN110307981B (zh) 基于pnn-ifa的轴承故障诊断方法
Yan et al. Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network
CN112947080B (zh) 一种基于场景参数变换的智能决策模型性能评估系统
CN114189047A (zh) 面向有源配电网状态估计的虚假数据检测与修正方法
CN110728299A (zh) 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法
CN105699043B (zh) 一种提高风洞传感器测量稳定性和精准度的方法
CN107025497A (zh) 一种基于Elman神经网络的电力负荷预警方法及装置
CN110990835B (zh) 一种基于样本判定误差的神经网络木马检测方法
CN106341837A (zh) 一种质差话务比例值预测方法及装置
CN104484701B (zh) 环境问题的神经元网络评价方法
CN106777494B (zh) 一种电力系统可靠性影响因素灵敏度计算方法
Li et al. Causal dilated Convolution-Based residual DenseNet with channel attention for RUL prediction of rolling bearings
CN111310907A (zh) 一种微波组件故障诊断方法、装置及设备
Li et al. Recognition of reliability model of vibratory roller based on artificial neural network
Sun et al. Research on Fault Diagnosis of Reactor Coolant Accident in Nuclear Power Plant Based on Radial Basis Function and Fuzzy Neural Network
Sun Simulation of Mechanical Component Fault Prediction Model Based on Artificial Neural Network Algorithm
Zhihong et al. The fast estimation model of project cost based on BP neural network

Legal Events

Date Code Title Description
PB01 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