CN107907778A - 一种基于多特征参量的变压器综合故障诊断方法 - Google Patents
一种基于多特征参量的变压器综合故障诊断方法 Download PDFInfo
- Publication number
- CN107907778A CN107907778A CN201711043683.9A CN201711043683A CN107907778A CN 107907778 A CN107907778 A CN 107907778A CN 201711043683 A CN201711043683 A CN 201711043683A CN 107907778 A CN107907778 A CN 107907778A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- signal
- transformer
- local discharge
- dga
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
Abstract
本发明提供了一种基于多特征参量的变压器综合故障诊断方法,包括将变压器局部放电划分为不同的局部放电类别,采用局部放电分析仪获取局部放电信号,然后在对信号进行特征提取的基础上,采用Fisher分类方法识别出具体的局部放电类别,通过对变压器器身振动信号的监测与分析来判断变压器的状态,若监测到局部放电信号,则根据局部放电信号诊断和DGA诊断知识规则进行诊断,若同时监测到局部放电信号和振动信号,则根据振动信号、局部放电信号和DGA诊断知识规则进行诊断,根据协同诊断规则进行综合诊断。该诊断方法具有良好的开放性,当有新的监测量加入时,无需更改其它监测数据的诊断过程。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于多特征参量的变压器综合故障诊断方法。
背景技术
变压器是电力系统的重要设备,其运行状态直接影响电力系统的安全水平。然而由于变压器是综合了机械、电气、化学、热力学等多学科技术的一个封闭整体,影响其故障的原因错综复杂,故障诊断需要多方面的数据和知识,单凭某一方面或几方面就主观地下结论必然导致误判或漏判。如油色谱监测DGA数据是目前对油浸变压器进行早期故障诊断最方便、有效的手段,但油中溶解气体本身并不携带足够的故障部位信息,仅仅依靠油中气体提供的信息进行故障诊断具有一定的局限性。其他局部放电、器身振动信号往往也只反映变压器的局部状态。综合利用各种监测装置或系统的监测数据及其判断结果,结合变压器的预试数据、检修过程中的缺陷记录等,对变压器的各主要部件进行故障或缺陷的自动智能诊断是十分必要的,可为变压器的状态维修提供依据。
发明内容
有鉴于此,本发明提供了一种基于多特征参量的变压器综合故障诊断方法,该方法采用了层次式多专家系统协同合作诊断方式。
本发明提供了一种基于多特征参量的变压器综合故障诊断方法,其特征在于:
将变压器局部放电划分为不同的局部放电类别;
采用局部放电分析仪获取局部放电信号,然后在对信号进行特征提取的基础上,采用Fisher分类方法识别出具体的局部放电类别;
通过对变压器器身振动信号的监测与分析来判断变压器的状态;
若监测到局部放电信号,则根据局部放电信号诊断和DGA诊断知识规则进行诊断;
若同时监测到局部放电信号和振动信号,则根据振动信号、局部放电信号和DGA诊断知识规则进行诊断;
根据协同诊断规则进行综合诊断。
进一步地,所述局部放电类别包括,电晕放电、悬浮放电、气泡放电、油中放电。
进一步地,所述变压器的状态包括纯机械铁芯故障还是纯机械绕组故障。
进一步地,所述协同规则包括:如果通过局部放电信号诊断监测到局部放电,则判断变压器必然发生了局部放电故障,如果DGA诊断结论为局部放电故障,检查/启动局部放电信号诊断。
进一步地,所述协同规则包括:如果DGA诊断发现故障,则检查/启动振动信号诊断,寻找具体故障部位;如果通过局部放电信号诊断监测到局部放大信号,则检查/启动振动信号诊断,并寻找具体故障部位;如果振动信号诊断发现故障,则检查/启动DGA诊断。
本发明的综合故障诊断方法将变压器的故障诊断分为多个层次,先利用各种监测手段所得监测数据(DGA数据、振动信号、局部放电信号)进行单独诊断,在此基础上再进行综合诊断。该诊断方法具有良好的开放性,当有新的监测量加入时,无需更改其它监测数据的诊断过程。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
附图1变压器多专家协同故障诊断系统
附图2局部放电信号诊断和DGA诊断的知识规则
附图3振动信号、局部放电信号和DGA诊断的知识规则
具体实施方式
热故障、电故障和机械故障是电力变压器的常见故障,分析变压器的故障机理,考虑很多机械故障往往以热故障或电故障的形式表现出来,同时又存在一些尚未表现为其它形式的机械故障,我们把变压器的综合状态划分为:电力变压器综合状态={正常、中低温过热、高温过热、低能放电、高能放电、局部放电、纯机械铁芯故障、纯机械绕组故障}。其中,纯机械铁芯故障和纯机械绕组故障指出现了单纯的机械故障,未伴随出现热故障或电故障。
变压器是一个复杂的系统,经常一种故障伴随着另一种故障发生,绝对地给出变压器发生了某故障或未发生某故障的结论是不合理的。因此对每种故障的发生几率,我们采用概率的形式给出,概率值要综合多个诊断方法的诊断结论得出。如图1所示,将监测得到的变压器振动信号、局部放电信号和变压器油中溶解气体数据分别发送到多专家协同诊断系统中的基于变压器器身振动的故障诊断模块、基于局部放电信号的故障诊断模块和基于DGA的变压器故障诊断模块。各诊断方法之间可以互为互补,如基于局部放电信号的诊断方法和基于DGA数据的诊断方法可互为补充。若已经监测到局部放电信号,发生了局部放电是必然的,同时也可对DGA中给出的局部放电这一故障大类进行细分。在诊断过程中,各知识源诊断模块可随时从黑板上了解其它知识源的工作结果和对故障诊断问题的意见,同时也将自己的诊断结果发表在黑板上以达到相互交流诊断的目的。黑板控制模块从知识源和黑板中识别和选取可用知识,将找到的知识进行解释执行,并以事件驱动方式激活各知识源并协调各知识源的诊断(协同诊断规则如附图2、附图3所示),完成系统故障诊断的推理流程。
局部放电信号诊断和DGA诊断的知识规则如图2所示,发生局部放电会导致油中气体含量的变化和产生局部放电信号。对于油气中气体含量变化,采用DGA诊断;对于局部放电,采用局部信号诊断。有以下规则:
如果通过局部放电信号诊断监测到局部放电,则判断变压器必然发生了局部放电故障,如果DGA诊断结论为局部放电故障,检查/启动局部放电信号诊断。
振动信号、局部放电信号和DGA诊断的知识规则如图3所示,铁芯或绕组等发生机械故障会产生电性故障、热性故障和振动信号。对于电性故障可能会导致局部放电信号或油中气体含量变化;对于热性故障会导致油中气体含量的变化。采用局部放电信号诊断局部放电信号,采用DGA诊断油中气体含量变化,采用振动信号诊断振动信号。有以下规则:
如果DGA诊断发现故障,则检查/启动振动信号诊断,寻找具体故障部位;如果通过局部放电信号诊断监测到局部放大信号,则检查/启动振动信号诊断,并寻找具体故障部位;如果振动信号诊断发现故障,则检查/启动DGA诊断。
变压器综合状态与单个专家的诊断状态的关系如下表所示。
表1电力变压器单项状态和综合状态比对表
设每个综合状态的故障特征量空间为T=[y1,…,ym],置信权值向量为V=[v1,…,vm],则第i个综合状态发生的概率为
对于故障特征向量来说,当yi是DGA诊断结果时,由于基于M-RVM(多分类相关向量机)的诊断结果是概率形式,因此我们把诊断输出的概率值作为yi的数值;当是振动信号诊断或局部放电信号诊断时,若监测到了振动信号或局部放电信号,那么yi取值为1,否则为0。
本发明中采用关联规则的方法来确定单项状态量权重系数,即置信权值向量vi,进而确定变压器的综合状态。
关联规则是寻找同一个事件中出现的不同项之间的相关性,即找出事件中频繁发生的项或属性的所有子集,以及它们之间的相互关联性。按照关联规则的相关概念定义,事务数据库记为D,D是子集事务δ的集合,D={δ1,δ2,L,δN},N为数据库中子集事务的个数。某子集事务记为δi={χ1,χ2,L,χM},χ称为项(Item)。设X={χ1,χ2,L,χj}是D中所有项的集合,X的任何子集A称为项集(Item set),|A|=K则称集合A为K项集。在事务数据库D中,其所包含某特定项集A的事务的个数称为项集A的支持度计数,记为σ(A),在概率学中可以表示为:
假设项集并且A∩B=Φ,则定义关联式A→B为关联规则,A、B分别成为关联规则A→B的前提和结论。关联规则A→B的支持度是数据库D中包含A∪B的百分比,记为:
support(A→B)=P(A∪B) (2)
此时,支持度越接近1,则表明前提A和结论B的关联程度越高。
关联规则A→B的置信度是数据库D中包含A同时也包含B的百分比,即条件概率P(B|A),记为:
置信度表征关联规则的可信程度,即置信度越高,说明其可信度越高。
在权重确定中应用关联规则的方法,首先要考虑其支持度的问题。根据支持度的定义,在变压器故障诊断中可以记:
a)事务数据库Di={第i个综合状态发生};
b)项集Ai,j={第i个综合状态量中的第j个单项状态量};
由式(2),可以得到Ai,j→Bi的支持度计算式如下:
对于变压器状态评估中置信度的计算,由式(3),可以得到某综合状态量关联规则Ai,j→Bi的置信度计算式如下:
通过式(5)计算各综合状态量中单项状态量的置信度,再对同一综合状态量中的各单项状态量的置信度进行比较,根据其置信度的大小来确定各单项状态量的常权重系数。权重系数的计算式为:
其中,wi,j为第i项综合状态量中第j项单项状态量的常权重系数,Ci,j为第i项综合状态量中第j项单项状态量的置信度,即C(Ai,j->Bi),mi为第i项综合状态量中包含的单项状态量个数。
可通过采用上述分析、学习方法来获取权重系数。然后根据公式(1)进行各综合状态发生的概率的计算,发生概率最大的状态即为综合诊断系统的最终诊断结果。
Claims (5)
1.一种基于多特征参量的变压器综合故障诊断方法,其特征在于:
将变压器局部放电划分为不同的局部放电类别;
采用局部放电分析仪获取局部放电信号,然后在对信号进行特征提取的基础上,采用Fisher分类方法识别出具体的局部放电类别;
通过对变压器器身振动信号的监测与分析来判断变压器的状态;
若监测到局部放电信号,则根据局部放电信号诊断和DGA诊断知识规则进行诊断;
若同时监测到局部放电信号和振动信号,则根据振动信号、局部放电信号和DGA诊断知识规则进行诊断;
根据协同诊断规则进行综合诊断。
2.根据权利要求1所述的基于多特征参量的变压器综合故障诊断方法,其特征在于:
所述局部放电类别包括,电晕放电、悬浮放电、气泡放电、油中放电。
3.根据权利要求1所述的基于多特征参量的变压器综合故障诊断方法,其特征在于:
所述变压器的状态包括纯机械铁芯故障还是纯机械绕组故障。
4.根据权利要求1所述的基于多特征参量的变压器综合故障诊断方法,其特征在于:所述协同规则包括:如果通过局部放电信号诊断监测到局部放电,则判断变压器必然发生了局部放电故障,如果DGA诊断结论为局部放电故障,检查/启动局部放电信号诊断。
5.根据权利要求1所述的基于多特征参量的变压器综合故障诊断方法,其特征在于:所述协同规则包括:
如果DGA诊断发现故障,则检查/启动振动信号诊断,寻找具体故障部位;如果通过局部放电信号诊断监测到局部放大信号,则检查/启动振动信号诊断,并寻找具体故障部位;如果振动信号诊断发现故障,则检查/启动DGA诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711043683.9A CN107907778B (zh) | 2017-10-31 | 2017-10-31 | 一种基于多特征参量的变压器综合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711043683.9A CN107907778B (zh) | 2017-10-31 | 2017-10-31 | 一种基于多特征参量的变压器综合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107907778A true CN107907778A (zh) | 2018-04-13 |
CN107907778B CN107907778B (zh) | 2020-06-19 |
Family
ID=61842258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711043683.9A Active CN107907778B (zh) | 2017-10-31 | 2017-10-31 | 一种基于多特征参量的变压器综合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107907778B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110017894A (zh) * | 2019-05-14 | 2019-07-16 | 广东石油化工学院 | 变压器运行状态振声检测中随机噪声的滤除方法和装置 |
CN110017892A (zh) * | 2019-05-10 | 2019-07-16 | 广东石油化工学院 | 一种变压器的异常状态振声的检测方法和装置 |
CN110031089A (zh) * | 2019-05-15 | 2019-07-19 | 广东石油化工学院 | 一种变压器运行状态振声检测信号的滤波方法和装置 |
CN110081968A (zh) * | 2019-05-31 | 2019-08-02 | 广东石油化工学院 | 一种变压器振动信号的模拟方法和装置 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN110514295A (zh) * | 2019-08-31 | 2019-11-29 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
CN110657881A (zh) * | 2019-09-14 | 2020-01-07 | 广东石油化工学院 | 一种利用稀疏反演的变压器振声信号滤波方法和系统 |
CN110702215A (zh) * | 2019-10-19 | 2020-01-17 | 广东石油化工学院 | 一种利用回归树的变压器运行状态振声检测方法和系统 |
CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 |
CN112415300A (zh) * | 2020-10-25 | 2021-02-26 | 国网湖北省电力有限公司电力科学研究院 | 一种轨道交通与变压器直流偏磁关联性分析方法 |
CN113532775A (zh) * | 2021-06-03 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种油浸式电力变压器检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218752A (zh) * | 2013-03-13 | 2013-07-24 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种高压变压器当前和短期可靠度评估方法 |
CN104007343A (zh) * | 2014-05-23 | 2014-08-27 | 清华大学 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
CN105182161A (zh) * | 2015-09-23 | 2015-12-23 | 国网山东莒县供电公司 | 一种变压器监测系统和方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN106404078A (zh) * | 2016-11-28 | 2017-02-15 | 山东科技大学 | 一种变压器在线监测装置 |
-
2017
- 2017-10-31 CN CN201711043683.9A patent/CN107907778B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218752A (zh) * | 2013-03-13 | 2013-07-24 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种高压变压器当前和短期可靠度评估方法 |
CN104007343A (zh) * | 2014-05-23 | 2014-08-27 | 清华大学 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
CN105182161A (zh) * | 2015-09-23 | 2015-12-23 | 国网山东莒县供电公司 | 一种变压器监测系统和方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN106404078A (zh) * | 2016-11-28 | 2017-02-15 | 山东科技大学 | 一种变压器在线监测装置 |
Non-Patent Citations (1)
Title |
---|
武中利: "电力变压器故障诊断方法研究", 《 中国博士学位论文电子期刊网 工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110017892A (zh) * | 2019-05-10 | 2019-07-16 | 广东石油化工学院 | 一种变压器的异常状态振声的检测方法和装置 |
CN110017892B (zh) * | 2019-05-10 | 2021-06-11 | 广东石油化工学院 | 一种变压器的异常状态振声的检测方法和装置 |
CN110017894A (zh) * | 2019-05-14 | 2019-07-16 | 广东石油化工学院 | 变压器运行状态振声检测中随机噪声的滤除方法和装置 |
CN110017894B (zh) * | 2019-05-14 | 2021-06-18 | 广东石油化工学院 | 变压器运行状态振声检测中随机噪声的滤除方法和装置 |
CN110031089A (zh) * | 2019-05-15 | 2019-07-19 | 广东石油化工学院 | 一种变压器运行状态振声检测信号的滤波方法和装置 |
CN110031089B (zh) * | 2019-05-15 | 2021-06-11 | 广东石油化工学院 | 一种变压器运行状态振声检测信号的滤波方法和装置 |
CN110081968A (zh) * | 2019-05-31 | 2019-08-02 | 广东石油化工学院 | 一种变压器振动信号的模拟方法和装置 |
CN110081968B (zh) * | 2019-05-31 | 2021-06-11 | 广东石油化工学院 | 一种变压器振动信号的模拟方法和装置 |
CN110232240A (zh) * | 2019-06-12 | 2019-09-13 | 贵州电网有限责任公司 | 一种改进的变压器顶层油温预测方法 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN110514295B (zh) * | 2019-08-31 | 2021-04-06 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
CN110514295A (zh) * | 2019-08-31 | 2019-11-29 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
CN110657881B (zh) * | 2019-09-14 | 2021-04-06 | 广东石油化工学院 | 一种利用稀疏反演的变压器振声信号滤波方法和系统 |
CN110657881A (zh) * | 2019-09-14 | 2020-01-07 | 广东石油化工学院 | 一种利用稀疏反演的变压器振声信号滤波方法和系统 |
CN110702215B (zh) * | 2019-10-19 | 2021-04-06 | 广东石油化工学院 | 一种利用回归树的变压器运行状态振声检测方法和系统 |
CN110702215A (zh) * | 2019-10-19 | 2020-01-17 | 广东石油化工学院 | 一种利用回归树的变压器运行状态振声检测方法和系统 |
CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 |
CN112415300A (zh) * | 2020-10-25 | 2021-02-26 | 国网湖北省电力有限公司电力科学研究院 | 一种轨道交通与变压器直流偏磁关联性分析方法 |
CN113532775A (zh) * | 2021-06-03 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种油浸式电力变压器检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107907778B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107907778A (zh) | 一种基于多特征参量的变压器综合故障诊断方法 | |
EP3191905B1 (en) | Gas turbine failure prediction utilizing supervised learning methodologies | |
Wang et al. | A combined ANN and expert system tool for transformer fault diagnosis | |
Mirowski et al. | Statistical machine learning and dissolved gas analysis: a review | |
Soylemezoglu et al. | Mahalanobis Taguchi system (MTS) as a prognostics tool for rolling element bearing failures | |
WO2011027607A1 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
EP2950177A1 (en) | Asset condition monitoring | |
WO2011086805A1 (ja) | 異常検知方法及び異常検知システム | |
CN109948808A (zh) | 变电站设备故障案例库的建库方法、故障诊断方法及系统 | |
US20030149550A1 (en) | Method of identifying abnormal behaviour in a fleet of vehicles | |
Silva et al. | Fault detection in induction motors based on artificial intelligence | |
Chemweno et al. | i-RCAM: Intelligent expert system for root cause analysis in maintenance decision making | |
Steurtewagen et al. | Adding interpretability to predictive maintenance by machine learning on sensor data | |
Gross et al. | A supervisory control loop with Prognostics for human-in-the-loop decision support and control applications | |
CN116720048A (zh) | 一种基于机器学习模型的电站辅机故障诊断方法和系统 | |
Niu et al. | A comparison of classifier performance for fault diagnosis of induction motor using multi-type signals | |
US20180239666A1 (en) | Methods and systems for problem-alert aggregation | |
Bette et al. | Nonstationarity in correlation matrices for wind turbine SCADA‐data | |
Gkerekos et al. | Ship machinery condition monitoring using vibration data through supervised learning | |
Green et al. | Physics-informed feature space evaluation for diagnostic power monitoring | |
Jia Yong et al. | Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms | |
Harmouche | Statistical Incipient Fault Detection and Diagnosis with Kullback-Leibler Divergence: From Theory to Applications | |
CN108629077A (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
Ward et al. | Identification of Transformer Oil incipient Faults Based on the Integration between Different DGA Techniques | |
Nikolova et al. | Technical diagnostic system in the maintenance of turbomachinery for ammonia synthesis in the process industries |
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 |