CN107862175A - 一种厂房振动多尺度分析方法 - Google Patents
一种厂房振动多尺度分析方法 Download PDFInfo
- Publication number
- CN107862175A CN107862175A CN201711259783.5A CN201711259783A CN107862175A CN 107862175 A CN107862175 A CN 107862175A CN 201711259783 A CN201711259783 A CN 201711259783A CN 107862175 A CN107862175 A CN 107862175A
- Authority
- CN
- China
- Prior art keywords
- vibration
- factory
- under
- operating mode
- percentile
- 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
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种厂房振动多尺度分析方法,其特征在于,包括以下步骤:步骤1):在不同工况下分别获取水电站厂房中间层风罩+Y的水平振动速度信号;步骤2):采用自适应迭代滤波方法,对各工况下水电站厂房中间层风罩+Y的水平振动速度信号分别进行分解,得到每一工况下中间层风罩+Y的水平振动速度信号对应的若干平稳分量;步骤3):基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析,本发明可以广泛应用于水电站厂房结构运行维护领域中。
Description
技术领域
本发明是关于一种厂房振动多尺度分析方法,属于在线监测和状态检测技术领域。
背景技术
水电站厂房是水电站中安装水轮机、水轮发电机和各种辅助设备的建筑物,它既是水工建筑物、机械和电气设备的综合体,又是运行人员进行生产活动的场所,保持其结构稳定尤为重要。为确保厂房结构安全,可通过对厂房振动进行实时监测反映敏感结构的振动情况,避免异常发生,为水电站厂房的安全稳定运行提供有力保障。水电站厂房是一个超大型地下洞室群,其结构尺寸大而复杂,随机组容量增大,其尺寸也随之增大,导致厂房结构的刚强度相对降低。在机械力、电磁力和水力等振动荷载作用下可能会引起厂房结构的整体或局部振动,因此,有效分析厂房结构振动特性,对于防止和控制剧烈振动的发生,确保结构安全,具有十分重要的意义。
厂房建筑在新建成时,未发生不良振动现象,但随着时间的推,厂房结构老化,可靠性降低,厂房结构的动力特性也将发生变化,从而使厂房结构发生不良振动,这在厂房的可靠性鉴定中是经常见到的一种现象。如果厂房结构发生损伤,结构的刚度、阻尼、频率和模态将发生变化,在同一激励下厂房结构的振动响应也会随之改变,因此,从厂房结构响应中能够提取反映厂房结构状态的敏感特征。
综上所述,水电站厂房的振动信号具有很强的非平稳性,需要通过有效的特征提取方法,将可能反映厂房结构状态的特征参数提取出来,为状态识别提供丰富的特征信息。常用的处理复杂非平稳信号的方法有小波分析、经验模态分解等方法,然而,小波分析方法是基于可调窗口傅里叶变换,存在能量泄漏的问题,经验模态分解方法存在模态混叠和端点效应等问题。
发明内容
针对上述问题,本发明的目的是提供一种能够解决能量泄漏、模态混叠和端点效应问题的厂房振动多尺度分析方法。
为实现上述目的,本发明采取以下技术方案:一种厂房振动多尺度分析方法,其特征在于,包括以下步骤:步骤1):在不同工况下分别获取水电站厂房中间层风罩+Y的水平振动速度信号;步骤2):采用自适应迭代滤波方法,对各工况下水电站厂房中间层风罩+Y的水平振动速度信号分别进行分解,得到每一工况下中间层风罩+Y的水平振动速度信号对应的若干平稳分量;步骤3):基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析。
进一步,所述步骤1)中的工况包括发电150MW、发电300MW、抽水工况和抽水调相。
进一步,所述步骤3)中基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析,具体过程为:步骤3.1):分别选取各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量中的前m个平稳分量;步骤3.2):基于百分位数方法,分别计算上述各工况下的前m个平稳分量中每一平稳分量的百分位数Pe:
式中,Pe表示平稳分量的第e个百分位数,Le、ie和fe分别为平稳分量的第e个百分位数所在组段的下限、组距和频数,∑fL为小于Le的各组段的累计频数,n为总例数;步骤3.3):构建厂房振动的标准特征向量;令特征参数hi=Pe,构建某一工况下厂房振动的标准特征值向量H:
H=[h1,h2,……,hm]
式中,hi表示第i个平稳分量的第e个百分位数,且i=1,2,……,m;将各工况下厂房振动的标准特征值向量H构成一个标准特征向量Hk:
Hk=[hk,1,hk,2,……,hk,m]
式中,hk,m表示第k个工况下第m个平稳分量的百分位数;步骤3.4):根据上述标准特征向量Hk,识别厂房结构的健康状态,完成厂房振动的多尺度分析。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于采用自适应迭代滤波方法对在不同工况下水电站厂房的振动信号进行分解,并通过对得到的振动信号在不同工况下的平稳分量进行百分位数计算,完成对水电站厂房的振动信号特征的提取,采用自适应迭代滤波(adaptive local iterative filtering,ALIF)方法有很好地抑制模态混叠的性能,分解得到的平稳分量能够较真实地反映振动信号的特征,非常适合实现非线性、非平稳信号处理,且本发明不像小波分析方法是基于可调窗口傅里叶变换,存在能量泄漏,经验模态分解方法存在模态混叠、端点效应等问题,因此本发明能够根据水电站厂房振动信号自身的频域特性对其特征进行提取,有较高的特征提取精度。2、本发明由于采用自适应迭代滤波方法对在不同工况下水电站厂房的振动信号进行分解,然后对获得的平稳分量进行统计分析,能充分反映非平稳噪声信号的多频域尺度的统计规律,具有很好的现场实用性。3、本发明采用百分位数方法,利用厂房振动信号分量统计特性的变化来确定非线性动力学特性,具有局部放大特性,所以能较好地检测到振动信号在各个尺度上的微弱的变化,更好地检测到厂房结构存在的异常。4、本发明不需要结构力学模型,就能够解决在厂房结构健康监测和损伤诊断中,缺乏损伤样本的问题,能充分使用结构健康状态时的数据信号,不需要损伤状态的数据样本,就可以对厂房结构进行异常检测,可以广泛应用于水电站厂房结构运行维护领域中。
附图说明
图1是本发明厂房振动多尺度分析方法的流程图;
图2是本发明采用的百分位数方法的原理示意图;
图3是本发明抽水蓄能机组在不同工况下中间层风罩+Y的水平振动速度信号数据示意图,其中,图3(a)为抽水蓄能机组在发电150MW工况下的数据示意图,图3(b)为抽水蓄能机组在发电300MW工况下的数据示意图,图3(c)为抽水蓄能机组在抽水工况下的数据示意图,图3(d)为抽水蓄能机组在抽水调相工况下的数据示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供的厂房振动多尺度分析方法,包括以下步骤:
1)在不同工况下分别获取水电站厂房中间层风罩+Y的水平振动速度信号。
对水电站厂房振动进行现场试验,获取在不同工况下中间层风罩+Y的水平振动速度信号,本发明所采用的工况为发电150MW、发电300MW、抽水工况和抽水调相四种。
2)采用自适应迭代滤波方法,对各工况下水电站厂房中间层风罩+Y的水平振动速度信号x(t)分别进行分解,得到每一工况下中间层风罩+Y的水平振动速度信号对应的n个平稳分量ck,1(t),ck,2(t),……,ck,n(t),其中,k=1,2,3,4,分别表示上述四种工况。
3)基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的n个平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析,具体为:
3.1)分别选取各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的n个平稳分量中包含明显状态信息的前m个平稳分量作为研究对象,其中,采用自适应迭代滤波方法分解出的前m个平稳分量集中了原始水平振动速度信号中最显著、最重要的信息,因此采用自适应迭代滤波方法分解后的前m个平稳分量即能够包含原始水平振动速度信号的明显状态信息。
3.2)基于百分位数方法,分别计算上述各工况下的前m个平稳分量中每一平稳分量ck,m(t)的百分位数Pe:
百分位数Pe是一个位置指标,当P1,P2,……,P98,P99均确定后,一个由小到大的有序数列即被分为100等份,每一百分位数均各含1%的观察值。百分位数常用于描述一组观察值在某百分位置上的水平,多个百分位结合使用,可更全面地描述资料的分布特征。第50个百分位数P50也就是中位数,所以,中位数也是一个特定的百分位数,百分位数Pe:
式中,Pe表示平稳分量的第e个百分位数,Le、ie和fe分别为平稳分量的第e个百分位数所在组段的下限、组距和频数,∑fL为小于Le的各组段的累计频数,n为总例数。一个百分位数Pe将全部变量值为两部分,在全部变量值中(不包含Pe),有e%的变量值比它小,有(100-e)%的变量值比它大,如图2所示。常用的百分位数有P2.5、P5、P25、P50、P75、P95和P97.5等,其中,P25、P50和P75又称为四分位数。
3.3)构建厂房振动的标准特征向量Hk,标准特征向量Hk即为中间层风罩+Y水平振动信号的特征。
令特征参数hi=Pe(i=1,2,……,m),构建某一工况下厂房振动的标准特征值向量H:
H=[h1,h2,……,hm (2)
式中,hi表示第i个平稳分量的第e个百分位数。通过特征提取将动力响应映射到特征空间,采用特征空间的特征来描述动力响应所反映的厂房结构状况。
将各工况下厂房振动的标准特征值向量H构成一个标准特征向量Hk:
Hk=[hk,1,hk,2,……,hk,m] (3)
式中,hk,m表示第k个工况下第m个平稳分量的百分位数。
3.4)根据上述厂房振动的标准特征向量Hk,识别厂房结构的健康状态,完成厂房振动的多尺度分析,其中,识别厂房结构健康状态的具体识别方法有多种,可根据使用者的实际需要进行选取,例如:
获得在工况k下的特征向量H′k=[h′k,1h′k,2,……,h′k,m],其中,h′k,m表示在工况k下第m个平稳分量的百分位数,分别计算在该工况下获得的特征向量H′k与标准特征向量Hk中每一特征参数的偏差dm:
取特征参数偏差dm的最大值作为当前工况的最终偏差d,即:
d=max(dm) (5)
当最终偏差d突变或高于预设的偏差值时,则该厂房结构存在损伤,需要进行预警。
某抽水蓄能电站机组水泵水轮机的主要参数:转轮直径为4.158m,额定水头为430m,额定出力为306.1MW,额定转速为428.6r/min,转轮叶片数为9,发电机/或电动机的额定容量为333.3/或325MVA/MW。下面以该抽水蓄能电站某一机组厂房振动现场试验数据为样本进行研究,验证本发明厂房振动多尺度分析方法的有效性:
1)在不同工况下分别获取抽水蓄能电站厂房中间层风罩+Y的水平振动速度信号:
如图3所示,在抽水蓄能电站厂房中间层风罩+Y的水平方向安装低频振动速度传感器,用于测试抽水蓄能机组在不同工况下厂房结构的振动特性,分析厂房结构的健康性能。抽水蓄能机组正常运行,在发电150MW、发电300MW、抽水工况和抽水调相四种工况稳定后,分别对中间层风罩+Y的水平振动信号进行采集,其中,采样率为1000Hz,采样点数为4096。从图3中可以看出,由于机械离心力、电磁不平衡力矩以及流道压力脉动的影响,且由于抽水蓄能机组和厂房形成的动力学体系具有复杂性、非线性、耦联性和随机特征,使得厂房结构振动信号非常复杂,难以直接从图中识别出它的状态。
2)采用自适应迭代滤波方法,分别对上述四种工况下抽水蓄能电站厂房中间层风罩+Y的水平振动速度信号进行分解,中间层风罩+Y水平振动速度信号经自适应迭代滤波分解后得到的平稳分量比图2中的噪声信号具有更好的规律性,能够很好地反映中间层风罩+Y水平振动速度信号的特征。
3)分别选取各工况下抽水蓄能电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量中的前m个平稳分量作为研究对象,对每一平稳分量ck,m(t)按照公式(1)计算处于e%位置的第e个百分位数Pe,令hi=Pe(i=1,2,……,m),构建某一工况下厂房振动的标准特征值向量H。
计算抽水蓄能机组在发电150MW、发电300MW、抽水工况和抽水调相四种工况下,中间层风罩+Y的水平振动速度信号在不同尺度下的百分位数,本发明中令e=10,m=5,如下表1所示,计算包含明显状态信息的前5个平稳分量的第10个百分位数,并将其作为厂房振动信号在不同工况时的标准特征向量。
表1:基于自适应迭代滤波和百分位数的厂房振动信号标准特征值向量
从表1可以看出,抽水蓄能机组在发电150MW、发电300MW、抽水工况和抽水调相四种工况下,中间层风罩+Y的水平振动速度信号的百分位数明显不同,说明采用自适应迭代滤波方法和百分位数方法具有很高的敏感性、稳定性和可靠性。数据分析结果表明,基于自适应迭代滤波方法和百分位数方法构建的特征值向量对厂房振动较为敏感,不需要结构力学模型,适用于水电站厂房结构健康监测中的异常检测,需要说明的是,上面分析所针对的是相同工况、相同测点的中间层风罩+Y水平振动速度信号。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (3)
1.一种厂房振动多尺度分析方法,其特征在于,包括以下步骤:
步骤1):在不同工况下分别获取水电站厂房中间层风罩+Y的水平振动速度信号;
步骤2):采用自适应迭代滤波方法,对各工况下水电站厂房中间层风罩+Y的水平振动速度信号分别进行分解,得到每一工况下中间层风罩+Y的水平振动速度信号对应的若干平稳分量;
步骤3):基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析。
2.如权利要求1所述的一种厂房振动多尺度分析方法,其特征在于,所述步骤1)中的工况包括发电150MW、发电300MW、抽水工况和抽水调相。
3.如权利要求1所述的一种厂房振动多尺度分析方法,其特征在于,所述步骤3)中基于百分位数方法,采用各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量,构建厂房振动的标准特征向量,用于识别厂房结构的健康状态,完成厂房振动的多尺度分析,具体过程为:
步骤3.1):分别选取各工况下水电站厂房中间层风罩+Y的水平振动速度信号对应的若干平稳分量中的前m个平稳分量;
步骤3.2):基于百分位数方法,分别计算上述各工况下的前m个平稳分量中每一平稳分量的百分位数Pe:
<mrow>
<msub>
<mi>P</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<msub>
<mi>L</mi>
<mi>e</mi>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>i</mi>
<mi>e</mi>
</msub>
<msub>
<mi>f</mi>
<mi>e</mi>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>&CenterDot;</mo>
<mi>e</mi>
<mi>%</mi>
<mo>-</mo>
<msub>
<mi>&Sigma;f</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,Pe表示平稳分量的第e个百分位数,Le、ie和fe分别为平稳分量的第e个百分位数所在组段的下限、组距和频数,∑fL为小于Le的各组段的累计频数,n为总例数;
步骤3.3):构建厂房振动的标准特征向量;
令特征参数hi=Pe,构建某一工况下厂房振动的标准特征值向量H:
H=[h1,h2,……,hm]
式中,hi表示第i个平稳分量的第e个百分位数,且i=1,2,……,m;
将各工况下厂房振动的标准特征值向量H构成一个标准特征向量Hk:
Hk=[hk,1,hk,2,……,hk,m]
式中,hk,m表示第k个工况下第m个平稳分量的百分位数;
步骤3.4):根据上述标准特征向量Hk,识别厂房结构的健康状态,完成厂房振动的多尺度分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711259783.5A CN107862175B (zh) | 2017-12-04 | 2017-12-04 | 一种厂房振动多尺度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711259783.5A CN107862175B (zh) | 2017-12-04 | 2017-12-04 | 一种厂房振动多尺度分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862175A true CN107862175A (zh) | 2018-03-30 |
CN107862175B CN107862175B (zh) | 2021-09-07 |
Family
ID=61704953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711259783.5A Active CN107862175B (zh) | 2017-12-04 | 2017-12-04 | 一种厂房振动多尺度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862175B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110905732A (zh) * | 2018-09-17 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 风电机组风轮不平衡的辨识方法、系统及储存介质 |
CN111721399A (zh) * | 2020-06-30 | 2020-09-29 | 中国水利水电科学研究院 | 一种水工建筑结构振动测试系统和测试方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6760487B1 (en) * | 1999-04-22 | 2004-07-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Estimated spectrum adaptive postfilter and the iterative prepost filtering algirighms |
CN101354316A (zh) * | 2007-07-27 | 2009-01-28 | 通用电气公司 | 快速异常检测方法 |
CN202181623U (zh) * | 2011-06-24 | 2012-04-04 | 中国水电顾问集团华东勘测设计研究院 | 一种用于水电站厂房发电机层板梁的减振结构 |
-
2017
- 2017-12-04 CN CN201711259783.5A patent/CN107862175B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6760487B1 (en) * | 1999-04-22 | 2004-07-06 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Estimated spectrum adaptive postfilter and the iterative prepost filtering algirighms |
CN101354316A (zh) * | 2007-07-27 | 2009-01-28 | 通用电气公司 | 快速异常检测方法 |
CN202181623U (zh) * | 2011-06-24 | 2012-04-04 | 中国水电顾问集团华东勘测设计研究院 | 一种用于水电站厂房发电机层板梁的减振结构 |
Non-Patent Citations (2)
Title |
---|
XUELI AN ET AL.: ""Wind turbine bearing fault diagnosis based on adaptive local iterative filtering and approximate entropy", 《PROC IMECHE PART C: J MECHANICAL ENGINEERING SCIENCE》 * |
唐向红 等: "铣削表面粗糙度在线智能预测方法研究", 《组合机床与自动化加工技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110905732A (zh) * | 2018-09-17 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 风电机组风轮不平衡的辨识方法、系统及储存介质 |
CN111721399A (zh) * | 2020-06-30 | 2020-09-29 | 中国水利水电科学研究院 | 一种水工建筑结构振动测试系统和测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107862175B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Sparse time-frequency representation for incipient fault diagnosis of wind turbine drive train | |
Cui et al. | Matching pursuit of an adaptive impulse dictionary for bearing fault diagnosis | |
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
Huang et al. | Novel adaptive search method for bearing fault frequency using stochastic resonance quantified by amplitude-domain index | |
Li et al. | Health condition monitoring and early fault diagnosis of bearings using SDF and intrinsic characteristic-scale decomposition | |
CN102155988B (zh) | 设备监诊方法 | |
Liu et al. | An improved empirical wavelet transform and sensitive components selecting method for bearing fault | |
CN104165925B (zh) | 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法 | |
CN104677623A (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
CN103020479A (zh) | 基于非线性调频小波变换的信号瞬时频率估计方法 | |
Dong et al. | Vibration source identification of offshore wind turbine structure based on optimized spectral kurtosis and ensemble empirical mode decomposition | |
Zhou et al. | Development of entropy measure for selecting highly sensitive WPT band to identify defective components of an axial piston pump | |
Li et al. | A review on the signal processing methods of rotating machinery fault diagnosis | |
CN107908863A (zh) | 一种基于emd理论与hht变换的水轮机运转状态判定方法 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN103822786A (zh) | 基于多元统计分析的风电机组机械设备状态诊断方法 | |
CN114893360B (zh) | 风电机组塔筒异常振动识别和运行状态监测方法及系统 | |
CN107862175A (zh) | 一种厂房振动多尺度分析方法 | |
Gu et al. | Fault diagnosis of spindle device in hoist using variational mode decomposition and statistical features | |
Luo et al. | Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
Chen et al. | Application of reassigned wavelet scalogram in wind turbine planetary gearbox fault diagnosis under nonstationary conditions | |
Liu et al. | Bispectrum analysis for feature extraction of pitting fault in wind turbine gearbox |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210922 Address after: 20 Chegongzhuang West Road, Haidian District, Beijing 100038 Patentee after: China Institute of Water Resources and Hydropower Research Patentee after: Tianjin Shuike electromechanical Co.,Ltd. Address before: 20 Chegongzhuang West Road, Haidian District, Beijing 100038 Patentee before: China Institute of Water Resources and Hydropower Research |
|
TR01 | Transfer of patent right |