CN107657088B - 基于mckd算法与支持向量机的滚动轴承故障诊断方法 - Google Patents
基于mckd算法与支持向量机的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107657088B CN107657088B CN201710799730.6A CN201710799730A CN107657088B CN 107657088 B CN107657088 B CN 107657088B CN 201710799730 A CN201710799730 A CN 201710799730A CN 107657088 B CN107657088 B CN 107657088B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- support vector
- vector machine
- vibration
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于MCKD算法与支持向量机的滚动轴承故障诊断方法,步骤1)利用最大相关峭度解卷积算法的特性,以信号相关峭度最大化为优化目标,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,在信噪比较低的信号中,提取出滚动轴承的代表振动特性的特征信号;步骤2)利用支持向量机构建的分类器,完成特征信号的训练与学习,在空间中按类别分类,每一类代表滚动轴承的一种运动状态,从而按照类别以实现滚动轴承故障诊断。本发明支持向量机分类算法参数设置简单,计算复杂度低,诊断的精度高,诊断的结果更直接,在生产制造等领域具有广泛的应用价值。
Description
技术领域
本发明涉及信号处理,模式识别等领域,能够对滚动轴承的振动信号进行分析处理并识别,最终依据振动信号判定轴承运行状态。
背景技术
滚动轴承素有旋转机械设备的关节之称,其健康情况直接影响整台机器状态。当轴承出现磨损、过载等原因造成缺陷时,会使设备振动异常产生噪音,严重时会使机械装置损坏,造成经济损失,因此对滚动轴承的故障检测与诊断具有重要研究意义。
滚动轴承故障诊断中对非线性振动信号的特征提取是否准确有效决定了诊断的可靠性。而工业现场振动设备多,振动传播路径复杂多变,噪声干扰严重使得滚动轴承早期故障诊断十分困难,因此寻求有效的故障特征提取方法是故障诊断领域的热点。有学者提出利用连续小波变换对提取的振动信号进行检测,小波变换对信号的灵敏性使得该方法取得一定的效果,但在对频率较高的信号进行滤波时,滤波器在时域宽度的选择上受人为主观干扰,会很大程度造成信号检测的延迟。近年来人工智能技术的突飞猛进使得高级智能算法得到外界的广泛关注,本发明引进最大相关峭度解卷积算法(Maximum CorrelatedKurtosis Deconvolution,MCKD)对滚动轴承故障早期信号进行处理,该算法深刻分析信号中所含冲击成分的周期性,通过连续的迭代运算实现解卷积运算,加强信号中被噪声淹没的连续脉冲,并结合支持向量机(Support Vector Machine,SVM),实现滚动轴承状态信息的分类与识别。
发明内容
本发明要解决的技术问题是:一般算法提取信噪比较低的振动信号困难,且算法不能直接判别故障类型等问题。
为了解决以上问题,本发明采取的技术方案是:基于MCKD算法与支持向量机的滚动轴承故障诊断方法,包括如下步骤:
步骤1)利用最大相关峭度解卷积算法的特性,以信号相关峭度最大化为优化目标,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,在信噪比较低的信号中,提取出滚动轴承的代表振动特性的特征信号;
步骤2)利用支持向量机构建的分类器,完成特征信号的训练与学习,在空间中按类别分类,每一类代表滚动轴承的一种运动状态,从而按照类别以实现滚动轴承故障诊断。
进一步地,所述步骤1)的具体操作如下:
(1)采集振动信号,并对振动信滤波与去噪处理;
(2)以信号相关峭度作为目标函数以寻求最大值,设定解卷积的周期参数T,周期参数T的大小与所需样本个数N相同;设定解卷积的移位阶数M,考虑采集的振动信号信噪比,移位阶数M选择数值在1到5之间;
(3)在设定好周期参数T和移位阶数M后,通过迭代进行振动信号的解卷积运算,实时获取滚动轴承的代表振动特性的特征信号数据。
进一步地,所述步骤2)包括:步骤A)对最大相关峭度解卷积提取的特征信号数据进行归一化预数据处理;
步骤B)SVM分类器构建:(b1)根据支持向量机模型,选用径向基核函数,利用gridsearch优化算法,按正确率自动选出支持向量机模型的惩罚因子参数和径向基核函数的宽度参数;(b2)将经过归一化数据预处理之后的每种类别的特征信号,数量上按照1:1的比例组成训练样本集与测试样本集,训练样本集作为支持向量机模型的输入,供支持向量机模型学习,测试样本集完成支持向量机模型精确度的检测工作,判断支持向量机模型的性能;
步骤C)滚动轴承故障诊断:将实时获取的经过归一化预数据处理之后的特征信号数据送入SVM分类器中进行分类识别,根据分类所得的标签量,判定滚动轴承的运行状态,进而实现故障诊断。
对于信号的特征提取,由于外界干扰信号严重,对于处于故障早期阶段的滚动轴承而言,体现其故障信息的振动信号微弱,一般方法很难有效的提取出对诊断有用的故障冲击成分,而最大相关峭度解卷积算法以信号相关峭度最大化为优化目标,充分考虑了信号所含冲击成分的周期特性,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,提取出代表振动信息的特征信号,完成振动信号的特征提取。采用支持向量机理论方法,支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。支持向量机与神经网络类似,都是学习型的机制,但与神经网络不同的是SVM使用的是数学方法和优化技术。
与现有技术相比,本发明的有益效果是:将最大相关峭度解卷积与支持向量机算法相结合,改善传统方法在信号特征提取上的困难,将模式识别与智能分类的优点引进故障诊断领域,与传统方法分析振动信号包络谱或能量信号谱图相比,支持向量机分类算法参数设置简单,计算复杂度低,诊断的精度高,诊断的结果更直接。
附图说明
图1所示为基于最大相关峭度解卷积与支持向量机故障诊断方法流程图;
图2所示为基于最大相关峭度解卷积的算法流程图;
图3所示为支持向量机故障数据分类原理图;
图4所示为SVM分离器的故障诊断流程图。
具体实施方式
为使本发明的内容更加清楚,下面结合附图,对本发明的具体实施方式作进一步详细描述。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件的表示和描述。
参考图1,图1所示了本发明的方法流程图,基于MCKD算法与支持向量机的滚动轴承故障诊断方法,包括如下步骤:
步骤1)利用最大相关峭度解卷积算法的特性,以信号相关峭度最大化为优化目标,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,在信噪比较低的信号中,提取出滚动轴承的代表振动特性的特征信号;
所述步骤1)的具体操作如下:参考图2,图2所示了基于最大相关峭度解卷积的算法流程图;
(1)采集振动信号,并对振动信滤波与去噪处理;
(2)以信号相关峭度作为目标函数以寻求最大值,设定解卷积的周期参数T,周期参数T的大小与所需样本个数N相同;设定解卷积的移位阶数M,考虑采集的振动信号信噪比,移位阶数M选择数值在1到5之间;过大的M(M大于10)会导致振动脉冲的数值精度的丢失,本实施例考虑采集的振动信号信噪比较低,算法在对解卷积移位阶数M取值时选择5;
(3)在设定好周期参数T和移位阶数M后,通过迭代进行振动信号的解卷积运算,实时获取滚动轴承的代表振动特性的特征信号数据。
步骤2)利用支持向量机构建的分类器,完成特征信号的训练与学习,在空间中按类别分类,每一类别代表滚动轴承的一种运动状态,从而按照类别以实现滚动轴承故障诊断。
具体的,所述步骤2)包括:步骤A)为了提高诊断的准确率与效率,需要对利用MCKD算法提取到的特征信号数据进行归一化预处理,按公式(1)映射方法将数据整理到[0,1]范围里:
公式中L为特征信号数据,x为归一化处理后的特征信号数据,Lmin,Lmax分别为特征信号数据的最小值与最大值。
步骤B)SVM分类器构建,SVM分类问题是回答一个样本属于A类还是属于B类的问题,需要离散的输出值,即分类所得的标签量,例如用标签量1表示某个样本属于类别A,而用标签量2表示属于样本属于B,以此类推。这时候只需要简单的在实值函数的基础上附加一个阈值即可,通过分类函数执行时得到的值大于还是小于这个阈值来确定类别归属,分类过程如图4所示,分类所得的标签量包括1,2,3,4…n,每一类别代表滚动轴承的一种工作状态,如内圈故障、外圈故障、滚动体剥落、正常(无故障)等等。
(b1)经过归一化处理的振动特征信号数据取前n个样本作为本实施例的训练集T={(xi,yi)|i=1,2,…,n}。xi为归一化处理后的振动信号数据,yi为分类所得的标签量。
运用结构风险公式:
公式(3)中ω为权向量,β为偏置量。(4)中C为惩罚因子,Remp为损失函数。
此时上述函数可以转换为最优化问题:
ξi为误差,引入拉格朗日乘子α={α1,α2,…,αi},方程变为:
消除ω与ξ目的,得到新的表达式:
于是SVM决策函数如下所示:
因此,根据SVM模型,选用广泛使用的径向基核函数(RBF)构造SVM分类器,对于高维样本,使样本在低维空间符合模型要求。
再利用gridsearch优化算法,按正确率自动选出支持向量机模型的惩罚因子参数C和径向基核函数的宽度参数σ;图3所示了支持向量机故障数据分类原理图。
(b2)将经过归一化数据预处理之后的每种类别的特征信号,数量上按照1:1的比例组成训练样本集与测试样本集,训练样本集作为支持向量机模型的输入,供支持向量机模型学习,测试样本集完成支持向量机模型精确度的检测工作,判断支持向量机模型的性能。
步骤C)滚动轴承故障诊断:将实时获取的经过归一化预数据处理之后的特征信号数据送入SVM分类器中进行分类识别,根据分类所得的标签量,判定滚动轴承的运行状态,进而实现故障诊断。
对于信号的特征提取,由于外界干扰信号严重,对于处于故障早期阶段的滚动轴承而言,体现其故障信息的振动信号微弱,一般方法很难有效的提取出对诊断有用的故障冲击成分,而最大相关峭度解卷积算法以信号相关峭度最大化为优化目标,充分考虑了信号所含冲击成分的周期特性,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,提取出代表振动信息的特征信号,完成振动信号的特征提取。采用支持向量机理论方法,支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。支持向量机与神经网络类似,都是学习型的机制,但与神经网络不同的是SVM使用的是数学方法和优化技术。
最后应说明的是:上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,对于本技术领域的普通技术人员依然可以对实施例所阐述的技术方案进行修改,而对本发明做出的任何修改和改变也应视为本发明的保护范围。
Claims (2)
1.基于MCKD算法与支持向量机的滚动轴承故障诊断方法,其特征在于,包括如下步骤:
步骤1)利用最大相关峭度解卷积算法的特性,以信号相关峭度最大化为优化目标,可通过迭代完成振动信号的解卷积运算,突出信号中被强烈噪声所掩盖的连续脉冲,在信噪比较低的信号中,提取出滚动轴承的代表振动特性的特征信号;
步骤2)利用支持向量机构建的分类器,完成特征信号的训练与学习,在空间中按类别分类,每一类代表滚动轴承的一种运动状态,从而按照类别以实现滚动轴承故障诊断;
所述步骤2)包括:步骤A)对最大相关峭度解卷积提取的特征信号数据进行归一化预数据处理;
步骤B)SVM分类器构建:(b1)根据支持向量机模型,选用径向基核函数,利用gridsearch优化算法,按正确率自动选出支持向量机模型的惩罚因子参数和径向基核函数的宽度参数;(b2)将经过归一化数据预处理之后的每种类别的特征信号,数量上按照1:1的比例组成训练样本集与测试样本集,训练样本集作为支持向量机模型的输入,供支持向量机模型学习,测试样本集完成支持向量机模型精确度的检测工作,判断支持向量机模型的性能;
步骤C)滚动轴承故障诊断:将实时获取的经过归一化预数据处理之后的特征信号数据送入SVM分类器中进行分类识别,根据分类所得的标签量,判定滚动轴承的运行状态,进而实现故障诊断;
所述(b1)的具体步骤包括:
经过归一化处理的振动特征信号数据取前n个样本作为本实施例的训练集T={(xi,yi)|i=1,2,…,n};xi为归一化处理后的振动信号数据,yi为分类所得的标签量;
运用结构风险公式:
公式(3)中ω为权向量,β为偏置量;(4)中C为惩罚因子,Remp为损失函数;
此时上述函数可以转换为最优化问题:
ξi为误差,引入拉格朗日乘子α={α1,α2,…,αi},方程变为:
消除ω与ξ目的,得到新的表达式:
于是SVM决策函数如下所示:
因此,根据SVM模型,选用广泛使用的径向基核函数(RBF)构造SVM分类器,对于高维样本,使样本在低维空间符合模型要求。
2.如权利要求1所述的基于MCKD算法与支持向量机的滚动轴承故障诊断方法,其特征在于,所述步骤1)的具体操作如下:
(1)采集振动信号,并对振动信滤波与去噪处理;
(2)以信号相关峭度作为目标函数以寻求最大值,设定解卷积的周期参数T,周期参数T的大小与所需样本个数N相同;设定解卷积的移位阶数M,考虑采集的振动信号信噪比,移位阶数M选择数值在1到5之间;
(3)在设定好周期参数T和移位阶数M后,通过迭代进行振动信号的解卷积运算,实时获取滚动轴承的代表振动特性的特征信号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710799730.6A CN107657088B (zh) | 2017-09-07 | 2017-09-07 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710799730.6A CN107657088B (zh) | 2017-09-07 | 2017-09-07 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107657088A CN107657088A (zh) | 2018-02-02 |
CN107657088B true CN107657088B (zh) | 2021-06-11 |
Family
ID=61129275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710799730.6A Active CN107657088B (zh) | 2017-09-07 | 2017-09-07 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657088B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709411A (zh) * | 2017-10-25 | 2019-05-03 | 中国电力科学研究院有限公司 | 一种光伏逆变器故障诊断方法和系统 |
CN108470084A (zh) * | 2018-02-09 | 2018-08-31 | 浙江大学 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108805206A (zh) * | 2018-06-13 | 2018-11-13 | 南京工业大学 | 一种用于模拟电路故障分类的改进型lssvm建立方法 |
CN109765053B (zh) * | 2019-01-22 | 2022-04-29 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
CN110044608A (zh) * | 2019-04-19 | 2019-07-23 | 石家庄铁道大学 | 基于mckd的振动信号压缩感知方法 |
CN110132598B (zh) * | 2019-05-13 | 2020-10-09 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
CN110320040A (zh) * | 2019-06-21 | 2019-10-11 | 昆明理工大学 | 一种基于iitd和amckd的滚动轴承故障特征提取方法 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN111042917B (zh) * | 2019-12-30 | 2022-11-11 | 哈尔滨工程大学 | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 |
CN111896260B (zh) * | 2020-08-01 | 2022-05-13 | 华东交通大学 | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 |
CN112484999B (zh) * | 2020-12-24 | 2022-04-15 | 温州大学 | 一种滚动轴承复合故障诊断方法及装置 |
CN113742638B (zh) * | 2021-08-30 | 2022-08-02 | 南通大学 | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 |
CN115374811A (zh) * | 2022-07-26 | 2022-11-22 | 红河学院 | 一种滚动轴承故障状态诊断新方法 |
CN115859091B (zh) * | 2022-11-01 | 2023-05-26 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
-
2017
- 2017-09-07 CN CN201710799730.6A patent/CN107657088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
"Maximum Correlated Kurtosis Deconvolution and Application on Gear Tooth Chip Fault Detection";Geoff L. McDonald.etc;《Mechanical Systems and Signal Processing》;20120328;第1-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107657088A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
An et al. | A novel bearing intelligent fault diagnosis framework under time-varying working conditions using recurrent neural network | |
Chen et al. | A deep learning method for bearing fault diagnosis based on cyclic spectral coherence and convolutional neural networks | |
Liu et al. | Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
You et al. | An efficient lightweight neural network using BiLSTM-SCN-CBAM with PCA-ICEEMDAN for diagnosing rolling bearing faults | |
CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN115130495A (zh) | 一种滚动轴承故障预测方法及系统 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
CN114354194A (zh) | 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法 | |
CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
Gbashi et al. | Hyperparameter Optimization on CNN Using Hyperband for Fault Identification in Wind Turbine High-Speed Shaft Gearbox Bearing | |
Nie et al. | Machine vision-based apple external quality grading | |
CN108414228B (zh) | 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法 | |
Yang et al. | Convolutional autoencoder-based sensor fault classification |
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 |