CN107832908A - 一种基于缺陷数据的备品备件需求预测方法 - Google Patents
一种基于缺陷数据的备品备件需求预测方法 Download PDFInfo
- Publication number
- CN107832908A CN107832908A CN201710905391.5A CN201710905391A CN107832908A CN 107832908 A CN107832908 A CN 107832908A CN 201710905391 A CN201710905391 A CN 201710905391A CN 107832908 A CN107832908 A CN 107832908A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- standby redundancy
- forecast model
- historical 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000002950 deficient Effects 0.000 claims description 22
- 230000008030 elimination Effects 0.000 claims description 17
- 238000003379 elimination reaction Methods 0.000 claims description 17
- 238000013277 forecasting method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000007477 logistic regression Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于缺陷数据的备品备件需求预测系统，可包括：数据储存模块，数据识别检索模块，数据组合模块，数据分析运算模块，数据输出模块。实施方法包括：步骤S1，在预测系统中提取与备品备件需求预测计算相关的历史数据；步骤S2，根据所述历史数据训练备品备件需求预测的逻辑回归模型；步骤S3，通过所述备品备件需求预测模型预测备品备件名称并输出；步骤S4，根据实际消缺情况，比对系统所输出的名称是否有不一致，将不一致的部分补充进历史数据库中，重新训练需求预测模型。实施本发明实施例，有效提高了领用人领用备品备件的准确性和可靠性，避免错误领用，减少时间损耗，同时有效提高了备品备件的储备配置科学性，避免无效备品备件的长期占用库存和备品备件的储备不足。
Description
技术领域
本发明涉及仓库针对备品备件需求的分析预测技术领域，尤其涉及一种基于缺陷数据的备品备件需求预测系统及方法。
背景技术
在各领域的设备运行维护工作中（特别是电力设备），其过程是巡视人员发现设备存在缺陷，上报至检修人员处理，检修人员根据巡视人员对缺陷的外在表现、缺陷发生部位等描述信息，结合自己的工作经验，初步判定可能需要哪些备品备件，领取备品备件，去实地检查并处理缺陷。这种方式存在以下问题：
1、由于巡视人员对缺陷的外在表现、缺陷发生的部位描述不准确，导致检修人员对消除缺陷所需备品备件判断错误，耽误消缺工作。
2、依赖于检修人员的工作经验，判断消缺所需备品备件，尤其对于新招收的检修人员，错误领取备品备件的几率较大。
3、依赖于检修人员的工作经验，判断所需备品备件的储备配置，可能造成无效备品备件的长期占用库存和备品备件的储备不足。
发明内容
本发明所要解决的技术问题在于，提供一种基于缺陷数据的备品备件需求预测系统及方法，有效提高了领用人领用备品备件的准确性和可靠性，避免错误领用，减少时间损耗，同时有效提高了备品备件的储备配置科学性，避免无效备品备件的长期占用库存和备品备件的储备不足。
本发明提供的一种基于缺陷数据的备品备件需求预测系统，可包括：数据储存模块，数据识别检索模块，数据组合模块，数据分析运算模块，数据输出模块。
本发明提供的预测系统其预测方法，可包括：
步骤S1，在预测系统中提取与备品备件需求预测计算相关的历史数据；
步骤S2，根据所述历史数据训练备品备件需求预测模型；
步骤S3，通过所述备品备件需求预测模型预测备品备件名称并输出；
步骤S4，根据实际消缺情况，比对系统所输出的名称是否有不一致，将不一致的部分补充进历史数据库中，重新训练需求预测模型。
其中，所述步骤S1具体包括：
引用所述历史数据的数据库中的缺陷数据，并且对各类所述缺陷数据进行拼接，合并成为含有缺陷数据的非结构化的句子；
将所述含有缺陷数据的非结构化的句子进行分词，转换为文档词语，建立结构化矩阵，用于检索调用。
其中，所述分词方式是将名词、形容词、动词、冠词等中国汉语中所包含的词语类别逐一分开。
其中，所述缺陷数据包括：消缺前巡视人员上报的信息，消缺后检修人员上报的信息，所需备品备件名称。
其中，所述消缺前巡视人员上报的信息包括：缺陷描述、缺陷类别、缺陷发生部位、缺陷发生站点。
其中，所述步骤S2具体包括：
将所述缺陷文档词语矩阵作为预测变量，所述备品备件名称数值列作为被预测变量，引用建立在线性回归基础上的所述需求预测模型，并套用逻辑函数，将所述预测离散变量进行分类；
用不同的数据组成不同的训练集和测试集，训练三次所述需求预测模型；
使用所述三次需求预测模型的预测准确率的平均值作为最终稳定的准确率。
其中，所述逻辑函数为：。
其中，所述步骤S4具体包括：将所述历史数据的数据库中未出现，但在实际检修中又使用到的备品备件及其对应的缺陷数据加入到系统数据库中作为历史数据，重新进行备品备件需求预测模型。
本发明实施例的有益效果在于：
本发明是基于缺陷数据的备品备件需求预测方法。一方面，有效提高了领用人领用备品备件的准确性和可靠性，避免错误领用，减少时间损耗；一方面，避免了由于巡视人员对缺陷的外在表现、缺陷发生的部位描述不准确，导致检修人员对消除缺陷所需备品备件判断错误，耽误消缺工作；第二方面，降低了新招收的检修人员因为工作经验缺乏导致的错误领取备品备件的几率；第三方面，有效提高了备品备件的储备配置科学性，避免无效备品备件的长期占用库存和备品备件的储备不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于缺陷数据的备品备件需求预测方法的流程示意图。
图2是本发明实施例的所引用的逻辑函数的运算示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例提供一种基于缺陷数据的备品备件需求预测方法，包括：
步骤S1，在预测系统中提取与备品备件需求预测计算相关的历史数据；
步骤S2，根据所述历史数据，训练备品备件需求预测模型；
步骤S3，通过所述备品备件需求预测模型预测备品备件名称并输出；
步骤S4，根据实际消缺情况，比对系统所输出的名称是否有不一致，将不一致的部分补充进历史数据库中，重新训练需求预测模型。
在此实施例中，所述步骤S1具体包括：首先，引用所述历史数据的数据库中的缺陷数据，比如，消缺前巡视人员上报的信息：缺陷描述、缺陷类别、缺陷发生部位、缺陷发生站点，消缺后检修人员上报的信息，所需备品备件名称；然后，对上述各类缺陷数据进行拼接，合并成为含有缺陷数据非结构化的句子，比如，把缺陷描述、缺陷类别、缺陷发生部位等字段合并为新的字段，可命名为“缺陷句子描述”；最后，将所述含有缺陷数据的非结构化的句子进行分词，转换为文档词语，建立结构化矩阵，用于检索调用；并将所述备品备件名称用数值代表。举例说明，如下表1为合并历史缺陷数据为缺陷句子，表2为拆分句子为文档词语。表2中的螺栓用数值0来代替，螺母用数值1来代替，垫圈用数值2来代替。
表1
表2
| 缺陷句子描述 | 备品备件名称1 | 备品备件名称2 | 备品备件名称3 | 备品备件名称 |
| 2号滤油机漏油，底部有油迹。初步怀疑滤油机螺栓松动 | 螺栓 | 螺母 | 垫圈 | …… |
| 缺陷句子拆分文档词语 | 备品备件名称1 | 备品备件名称2 | 备品备件名称3 | 备品备件名称 |
| 2号 滤油机 漏油 底部 有 油迹 初步 怀疑 滤油机螺栓 松动 | 0 | 1 | 2 | …… |
所述步骤S2具体包括：首先，将所述缺陷文档词语矩阵作为预测变量X，所述备品备件名称数值列作为被预测变量Y，训练出能够描述两者内在关系的预测模型（也即，逻辑回归模型）。逻辑回归是在线性回归的基础上，套用了一个逻辑函数，使得预测连续变量的回归问题转变为预测离散变量的分类问题。
逻辑回归模型的逻辑函数的公式如下所示：
其中，逻辑函数的曲线如图2所示，在图2中横轴表示z的取值，其值域范围可为-∞到+∞，纵轴表示概率g（z），其取值为0-1，e为常数。仍以上表2为例，通过线性回归模型将文档词语（即预测变量X）第一次分类为：位置：“2号”、“滤油机”、“底部”，零部件：“螺栓”，情况:“油迹”、“漏油”，“松动”， 状况与判断：“有”、 “初步” 、“怀疑”。
然后再用不同的数据组成不同的训练集和测试集，训练三次所述逻辑回归模型，使用这样的三重交叉检验的方式取预测准确率的平均值作为最终稳定的准确率（也即，使用所述三次逻辑回归模型的预测准确率的平均值作为最终稳定的准确率）。
所述步骤S3具体包括：根据上述的预测最终数据，输出预测的备品备件0-螺栓，1-螺母，2-垫圈等用于检修工作中去。
所述步骤S4具体包括：由检修人员将所述历史数据的数据库中未出现，但在实际检修中又使用到的备品备件及其对应的缺陷数据加入到系统数据库中作为历史数据，重新进行逻辑回归模型的训练，以提高模型的准确率和可靠性。仍以上述表1的缺陷实例，在实际检修中，维修工人用到了电胶布，但是预测系统之前并未导出这个备品，这时系统维护人员就需要将58-电胶布加入到历史数据中去并且对应该缺陷描述语句，进一步完善预测系统。
通过上述说明可知，本发明的有益效果在于：
本发明是基于缺陷数据的备品备件需求预测方法。一方面，有效提高了领用人领用备品备件的准确性和可靠性，避免错误领用，减少时间损耗；一方面，避免了由于巡视人员对缺陷的外在表现、缺陷发生的部位描述不准确，导致检修人员对消除缺陷所需备品备件判断错误，耽误消缺工作；第二方面，降低了新招收的检修人员因为工作经验缺乏导致的错误领取备品备件的几率；第三方面，有效提高了备品备件的储备配置科学性，避免无效备品备件的长期占用库存和备品备件的储备不足。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (8)
1.一种基于缺陷数据的备品备件需求预测方法，其特征在于，包括：
步骤S1，在预测系统中提取与备品备件需求预测计算相关的历史数据；
步骤S2，根据所述历史数据训练备品备件需求预测模型；
步骤S3，通过所述备品备件需求预测模型预测备品备件名称并输出；
步骤S4，根据实际消缺情况，比对系统所输出的名称是否有不一致，将不一致的部分补充进历史数据库中，重新训练需求预测模型。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：
引用所述历史数据的数据库中的缺陷数据，并且对各类所述缺陷数据进行拼接，合并成为含有缺陷数据的非结构化的句子；
将所述含有缺陷数据的非结构化的句子进行分词，转换为文档词语，建立结构化矩阵，用于检索调用。
3.根据权利要求2所述的方法，其特征在于，所述分词方式是将名词、形容词、动词、冠词等中国汉语中所包含的词语类别逐一分开。
4.根据权利要求2所述的方法，其特征在于，所述缺陷数据包括：消缺前巡视人员上报的信息，消缺后检修人员上报的信息，所需备品备件名称。
5.根据权利要求4所述的方法，其特征在于，所述消缺前巡视人员上报的信息包括：缺陷描述、缺陷类别、缺陷发生部位、缺陷发生站点。
6.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
将所述缺陷文档词语矩阵作为预测变量，所述备品备件名称数值列作为被预测变量，引用建立在线性回归基础上的所述需求预测模型，并套用逻辑函数，将所述预测离散变量进行分类；
用不同的数据组成不同的训练集和测试集，训练三次所述需求预测模型；
使用所述三次需求预测模型的预测准确率的平均值作为最终稳定的准确率。
7.根据权利要求6所述的方法，其特征在于，所述逻辑函数为：。
8.根据权利要求1所述的方法，其特征在于，
所述步骤S4具体包括：将所述历史数据的数据库中未出现，但在实际检修中又使用到的备品备件及其对应的缺陷数据加入到系统数据库中作为历史数据，重新进行备品备件需求预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905391.5A CN107832908A (zh) | 2017-09-29 | 2017-09-29 | 一种基于缺陷数据的备品备件需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905391.5A CN107832908A (zh) | 2017-09-29 | 2017-09-29 | 一种基于缺陷数据的备品备件需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107832908A true CN107832908A (zh) | 2018-03-23 |
Family
ID=61647530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710905391.5A Pending CN107832908A (zh) | 2017-09-29 | 2017-09-29 | 一种基于缺陷数据的备品备件需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832908A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710905A (zh) * | 2018-05-10 | 2018-10-26 | 华中科技大学 | 一种基于多模型联合的备件数量预测方法和系统 |
| CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置，以及电子设备 |
| CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361026A (zh) * | 2014-10-22 | 2015-02-18 | 北京航空航天大学 | 一种fmea分析过程中的故障知识存储和推送方法 |
| CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN105760950A (zh) * | 2016-02-05 | 2016-07-13 | 北京物思创想科技有限公司 | 提供或获取预测结果的方法、装置以及预测系统 |
| CN106054857A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于维修决策树/词向量的故障远程诊断平台 |
| CN106845678A (zh) * | 2016-12-19 | 2017-06-13 | 国家电网公司 | 一种电力通信备件资源全网一体化动态调配方法及装置 |
-
2017
- 2017-09-29 CN CN201710905391.5A patent/CN107832908A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361026A (zh) * | 2014-10-22 | 2015-02-18 | 北京航空航天大学 | 一种fmea分析过程中的故障知识存储和推送方法 |
| CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN105760950A (zh) * | 2016-02-05 | 2016-07-13 | 北京物思创想科技有限公司 | 提供或获取预测结果的方法、装置以及预测系统 |
| CN106054857A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于维修决策树/词向量的故障远程诊断平台 |
| CN106845678A (zh) * | 2016-12-19 | 2017-06-13 | 国家电网公司 | 一种电力通信备件资源全网一体化动态调配方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710905A (zh) * | 2018-05-10 | 2018-10-26 | 华中科技大学 | 一种基于多模型联合的备件数量预测方法和系统 |
| CN108710905B (zh) * | 2018-05-10 | 2020-07-10 | 华中科技大学 | 一种基于多模型联合的备件数量预测方法和系统 |
| CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置，以及电子设备 |
| CN110728553A (zh) * | 2019-09-03 | 2020-01-24 | 耀灵人工智能(浙江)有限公司 | 一种根据需求预测实现高效购物的方法 |
| CN110728553B (zh) * | 2019-09-03 | 2022-11-18 | 赣州市耀灵天华数字经济技术有限公司 | 一种根据需求预测实现高效购物的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6995482B2 (ja) | サービスリクエストを処理するための方法及び装置 | |
| JP5963328B2 (ja) | 生成装置、生成方法、およびプログラム | |
| US11853051B2 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
| CN107832908A (zh) | 一种基于缺陷数据的备品备件需求预测方法 | |
| Ansari | Cost-based text understanding to improve maintenance knowledge intelligence in manufacturing enterprises | |
| CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警系统 | |
| CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
| CN107516279B (zh) | 一种网络舆情自动预警的方法 | |
| CN112256761A (zh) | 一种基于电梯全生命周期的大数据挖掘和故障预测方法 | |
| CN114675597B (zh) | 一种数控机床故障预测可视化方法 | |
| CN109783640A (zh) | 一种类案推荐方法、系统及装置 | |
| CN113095524A (zh) | 电力设备检修工作单据智能生成方法、系统及存储介质 | |
| CN115544265A (zh) | 一种基于轴承故障知识图谱的轴承故障诊断方法 | |
| CN114201328A (zh) | 基于人工智能的故障处理方法、装置、电子设备及介质 | |
| Vysotska et al. | Method for determining linguometric coefficient dynamics of Ukrainian text content authorship | |
| CN106445788A (zh) | 一种信息系统运行状态预测方法和装置 | |
| JP2017157186A (ja) | 機器状態推定方法、機器状態推定装置及びデータ提供装置 | |
| CN111330871B (zh) | 一种品质分类方法及装置 | |
| CN116561432B (zh) | 智能员工内容数据推荐系统 | |
| US20170255610A1 (en) | Apparatus state estimation method, apparatus state estimation device, and data providing device | |
| Stevens et al. | Conversion Of Legacy Inspection Data To Bridge Condition Index (BCI) To Establish Baseline Deterioration Condition History For Predictive Maintenance Models. | |
| CN116467606A (zh) | 一种决策建议信息的确定方法、装置、设备及介质 | |
| JP2009163726A (ja) | 品質管理システム及び品質管理方法 | |
| CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
| CN115618264A (zh) | 数据资产的主题分类方法、装置、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |