CN108444709A - VMD与FastICA相结合的滚动轴承故障诊断方法 - Google Patents
VMD与FastICA相结合的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN108444709A CN108444709A CN201810349861.9A CN201810349861A CN108444709A CN 108444709 A CN108444709 A CN 108444709A CN 201810349861 A CN201810349861 A CN 201810349861A CN 108444709 A CN108444709 A CN 108444709A
- Authority
- CN
- China
- Prior art keywords
- mode
- vibration signal
- fault
- vmd
- fastica
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种VMD与FastICA相结合的滚动轴承故障诊断方法,其步骤:利用现有数据采集设备采集滚动轴承的原始振动信号;将采集到的滚动轴承原始振动信号进行VMD分解;原始振动信号经VMD后分解为k个模态分量,以连续的3个模态分量为一序列组合进行FastICA分析,得到重构故障信号;对重构故障信号进行Hilbert变换,得到重构故障信号的包络谱,在所得包络谱中提取各故障特征下的特征频率、调制特征频率及边频带,进而根据提取的特征频率成分判断滚动轴承是否存在故障以及故障类型。
Description
技术领域
本发明涉及一种滚动轴承故障诊断方法,特别是关于一种VMD与FastICA相结合的滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械如齿轮箱、涡轮机械的核心部件之一,其故障将直接影响机械设备的稳定运行。受工作环境的影响,滚动轴承原始振动信号一般为非平稳、非线性的,且信号中常常夹杂着噪声,导致振动信号的信噪比降低,给滚动轴承的故障特征提取和故障诊断带来了困难。
发明内容
针对上述问题,本发明的目的是提供一种VMD与FastICA相结合的滚动轴承故障诊断方法,该方法能够有效的降低滚动轴承原始振动信号所含干扰噪声,凸显故障特征频率,以便更好的进行滚动轴承的特征频率成分的提取和故障诊断。
为实现上述目的,本发明采取以下技术方案:一种VMD与FastICA相结合的滚动轴承故障诊断方法,其特征在于包括以下步骤:1)利用现有数据采集设备采集滚动轴承的原始振动信号y;2)对振动信号y进行VMD分解;3)原始振动信号经VMD后分解为k个模态分量IMF1,IMF2,‥‥,IMFk,以连续的3个模态分量为一序列组合进行FastICA分析,得到重构故障振动信号;4)对重构故障振动信号进行Hilbert变换,得到重构故障振动信号的包络谱,在所得包络谱中提取各故障特征下的特征频率、调制特征频率及边频带,进而根据提取的特征频率成分判断滚动轴承是否存在故障以及故障类型。
进一步,所述步骤2)中,VMD分解过程包括步骤如下:2.1)令m=0,初始化第k个模态函数uk记为当前模态函数功率谱的中心ωk记为当前m=0所对应的傅里叶变换λ1,其中m为迭代次数;λ为所对应的傅里叶变换;k∈(1,n),n为原始振动信号y进行VMD分解后得到的模态个数;2.2)更新第k个模态函数uk、第k个模态的中心频率ωk和λ;2.3)判断更新结果是否满足收敛条件,若满足则停止迭代,否则返回步骤2.2)。
进一步,所述步骤2.2)中,
根据式更新uk;
根据式更新ωk;
根据式更新λ;
其中uk为第k个模态函数;ui为第i个模态函数,i≠k;为第k个模态的第m-1次迭代的模态函数;相当于第m次迭代时对当前剩余量y-∑i≠kui的维纳滤波;ω为中心频率;ωk为第k个模态的中心频率;为第k个模态的第m-1次迭代的中心频率;为m次迭代模态函数功率谱的中心;λm为第m-1次迭代所对应的傅里叶变换;λm+1为第m次迭代所对应的傅里叶变换;α为惩罚因子。
进一步,所述步骤2.3)中,收敛条件为:
式中,e预先设定的允许误差。
进一步,所述步骤3)中,基于负熵的独立分量分析的具体步骤如下:3.1)将连续的3个模态分量为一序列组合得到的输入矩阵Y,并对输入矩阵Y进行中心化,使其均值为0;3.2)对中心化后的数据进行白化处理,得到白化后的数据z;3.3)选择需要估计的独立成分的个数m,设迭代次数p←1;3.4)随机选取一个具有单位范数的初始权矢量wp;3.5)迭代计算,即更新wp:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,可取g(y)=tanh(a1y),其中y为随机变量,a1为常数,a1取值范围为1≤a1≤2,故本实施例中取a1=1;3.6)进行正交:3.7)标准化wp:wp←wp/||wp||;3.8)假如wp尚未收敛,则返回步骤4.5);3.9)使p←p+1,若p≤m,则返回步骤4.4),若p>m,则结束;3.10)令W(:,n)=wp,则Z=W′*z,Z为输入矩阵Y经过FastICA处理后的结果,W′为W的转置;3.11)对所有的序列组合均经过3次迭代后终止,得到三个独立分量IC1、IC2和IC3,从中选取一个最优的结果ICr1作为本次FastICA分析的结果;共进行n-2次FastICA分析,从每次结果中选取一个最优分量,共n-2个分量ICr1,ICr2,…,ICr(n-2),利用所得n-2个分量重构故障振动信号yr。
进一步,所述步骤3.5)中,wp更新过程为:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,取g(y)=tanh(a1y),其中y为随机变量,a1为常数。
本发明由于采取以上技术方案,其具有以下优点:1、本发明利用VMD方法对轴承故障信号进行分解可以有效抑制EMD方法存在的模态混叠,能够将不同频率的信号分量很好的区分开来。2、本发明将VMD方法与FastICA相结合可以弥补应用FastICA方法时存在的欠定问题,充分发挥两者在信号处理方面的优势。3、采用本发明分析实际滚动轴承内外圈故障信号,可清晰准确提取各故障特征下的特征频率、调制特征频率及边带,且易于实现,适合用于滚动轴承故障诊断。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提供一种VMD与FastICA相结合的滚动轴承故障诊断方法,其包括以下步骤:
1)利用现有数据采集设备采集滚动轴承的原始振动信号y;
2)将采集到的滚动轴承原始振动信号y进行VMD分解;其分解过程包括步骤如下:
2.1)令m=0,初始化第k个模态函数uk记为当前模态函数功率谱的中心ωk记为当前m=0所对应的傅里叶变换λ1,其中m为迭代次数;λ为所对应的傅里叶变换;k∈(1,n),n为原始振动信号y进行VMD分解后得到的模态个数。
2.2)更新第k个模态函数uk、第k个模态的中心频率ωk和傅里叶变换λ;
根据式更新uk;
根据式更新ωk;
根据式更新λ;
其中,uk为第k个模态函数;ui为第i个模态函数,i≠k;为第k个模态的第m-1次迭代的模态函数;相当于第m次迭代时对当前剩余量y-∑i≠kui的维纳滤波;ω为中心频率;ωk为第k个模态的中心频率;为第k个模态的第m-1次迭代的中心频率;为m次迭代模态函数功率谱的中心;λm为第m-1次迭代所对应的傅里叶变换;λm+1为第m次迭代所对应的傅里叶变换;α为惩罚因子。
2.3)判断更新结果是否满足收敛条件,若满足则停止迭代,否则返回步骤2.2);
收敛条件为:e为预先设定的允许误差,其值取为10-6。
3)原始振动信号y经VMD后分解为k个模态分量(IMF1,IMF2,‥‥,IMFk,),以连续的3个模态分量为一序列组合进行FastICA分析,得到重构故障振动信号;
基于负熵的独立分量分析的具体步骤如下:
3.1)将连续的3个模态分量为一序列组合得到的输入矩阵Y,并对输入矩阵Y进行中心化,使其均值为0;
3.2)对中心化后的数据进行白化处理,得到白化后的数据z;
3.3)选择需要估计的独立成分的个数m,设迭代次数p←1;
3.4)随机选取一个具有单位范数的初始权矢量wp;
3.5)迭代计算,即更新wp:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,可取g(y)=tanh(a1y),其中y为随机变量,a1为常数,a1取值范围为1≤a1≤2,故本实施例中取a1=1;
3.6)进行正交:
3.7)标准化wp:wp←wp/||wp||;
3.8)假如wp尚未收敛,则返回步骤4.5);
3.9)使p←p+1,若p≤m,则返回步骤4.4),若p>m,则结束;
3.10)令W(:,n)=wp,则Z=W′*z,Z为输入矩阵Y经过FastICA处理后的结果,W′为W的转置。
3.11)对所有的序列组合均经过3次迭代后终止,得到三个独立分量IC1、IC2和IC3,从中选取一个最优的结果ICr1作为本次FastICA分析的结果;由于VMD分解共得到n个分量,所以共需进行n-2次FastICA分析,从每次结果中选取一个最优分量,共n-2个分量ICr1,ICr2,…,ICr(n-2),利用所得n-2个分量重构故障振动信号yr。
4)对重构故障振动信号yr进行Hilbert变换,得到yr的包络谱,在所得故障振动信号包络谱中提取各故障特征下的特征频率、调制特征频率及边频带,该提取较为清晰,进而根据提取的特征频率成分判断滚动轴承是否存在故障以及故障类型。
上述各实施例仅用于说明本发明,各个步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种VMD与FastICA相结合的滚动轴承故障诊断方法,其特征在于包括以下步骤:
1)利用现有数据采集设备采集滚动轴承的原始振动信号y;
2)对振动信号y进行VMD分解;
3)原始振动信号经VMD后分解为k个模态分量IMF1,IMF2,‥‥,IMFk,以连续的3个模态分量为一序列组合进行FastICA分析,得到重构故障振动信号;
4)对重构故障振动信号进行Hilbert变换,得到重构故障振动信号的包络谱,在所得包络谱中提取各故障特征下的特征频率、调制特征频率及边频带,进而根据提取的特征频率成分判断滚动轴承是否存在故障以及故障类型。
2.如权利要求1所述方法,其特征在于:所述步骤2)中,VMD分解过程包括步骤如下:
2.1)令m=0,初始化第k个模态函数uk记为当前模态函数功率谱的中心ωk记为当前m=0所对应的傅里叶变换λ1,其中m为迭代次数;λ为所对应的傅里叶变换;k∈(1,n),n为原始振动信号y进行VMD分解后得到的模态个数;
2.2)更新第k个模态函数uk、第k个模态的中心频率ωk和λ;
2.3)判断更新结果是否满足收敛条件,若满足则停止迭代,否则返回步骤2.2)。
3.如权利要求2所述方法,其特征在于:所述步骤2.2)中,
根据式更新uk;
根据式更新ωk;
根据式更新λ;
其中uk为第k个模态函数;ui为第i个模态函数,i≠k;为第k个模态的第m-1次迭代的模态函数;相当于第m次迭代时对当前剩余量y-∑i≠kui的维纳滤波;ω为中心频率;ωk为第k个模态的中心频率;为第k个模态的第m-1次迭代的中心频率;为m次迭代模态函数功率谱的中心;λm为第m-1次迭代所对应的傅里叶变换;λm+1为第m次迭代所对应的傅里叶变换;α为惩罚因子。
4.如权利要求2所述方法,其特征在于:所述步骤2.3)中,收敛条件为:
式中,e预先设定的允许误差。
5.如权利要求2所述方法,其特征在于:所述步骤3)中,基于负熵的独立分量分析的具体步骤如下:
3.1)将连续的3个模态分量为一序列组合得到的输入矩阵Y,并对输入矩阵Y进行中心化,使其均值为0;
3.2)对中心化后的数据进行白化处理,得到白化后的数据z;
3.3)选择需要估计的独立成分的个数m,设迭代次数p←1;
3.4)随机选取一个具有单位范数的初始权矢量wp;
3.5)迭代计算,即更新wp:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,可取g(y)=tanh(a1y),其中y为随机变量,a1为常数,a1取值范围为1≤a1≤2,故本实施例中取a1=1;
3.6)进行正交:
3.7)标准化wp:wp←wp/||wp||;
3.8)假如wp尚未收敛,则返回步骤4.5);
3.9)使p←p+1,若p≤m,则返回步骤4.4),若p>m,则结束;
3.10)令W(:,n)=wp,则Z=W′*z,Z为输入矩阵Y经过FastICA处理后的结果,W′为W的转置;
3.11)对所有的序列组合均经过3次迭代后终止,得到三个独立分量IC1、IC2和IC3,从中选取一个最优的结果ICr1作为本次FastICA分析的结果;共进行n-2次FastICA分析,从每次结果中选取一个最优分量,共n-2个分量ICr1,ICr2,…,ICr(n-2),利用所得n-2个分量重构故障振动信号yr。
6.如权利要求5所述方法,其特征在于:所述步骤3.5)中,wp更新过程为:其中T为矩阵转置,E[·]为均值运算,g[·]为非线性函数,取g(y)=tanh(a1y),其中y为随机变量,a1为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349861.9A CN108444709B (zh) | 2018-04-18 | 2018-04-18 | VMD与FastICA相结合的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349861.9A CN108444709B (zh) | 2018-04-18 | 2018-04-18 | VMD与FastICA相结合的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108444709A true CN108444709A (zh) | 2018-08-24 |
CN108444709B CN108444709B (zh) | 2020-11-27 |
Family
ID=63200859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810349861.9A Active CN108444709B (zh) | 2018-04-18 | 2018-04-18 | VMD与FastICA相结合的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108444709B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443752A (zh) * | 2018-10-17 | 2019-03-08 | 北京信息科技大学 | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
CN110866519A (zh) * | 2019-12-24 | 2020-03-06 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
CN111767811A (zh) * | 2020-06-18 | 2020-10-13 | 东南大学 | 一种基于带宽傅立叶分解的非平稳信号分析方法 |
CN111881736A (zh) * | 2020-06-18 | 2020-11-03 | 东南大学 | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 |
CN113229799A (zh) * | 2021-06-23 | 2021-08-10 | 山东大学 | 一种ppg心率估计方法、系统、存储介质、设备 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
CN115169417A (zh) * | 2022-08-02 | 2022-10-11 | 江苏利核仪控技术有限公司 | 一种基于偏度最大化的滚动轴承故障特征的提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
-
2018
- 2018-04-18 CN CN201810349861.9A patent/CN108444709B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
游荣义等: "一种基于ICA的盲信号分离快速算法", 《电子学报》 * |
骆刚刚: "旋转机械欠定盲源分离模态分析方法研究", 《CNKI优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109443752A (zh) * | 2018-10-17 | 2019-03-08 | 北京信息科技大学 | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 |
CN110146291A (zh) * | 2019-05-31 | 2019-08-20 | 昆明理工大学 | 一种基于CEEMD和FastICA的滚动轴承故障特征提取方法 |
CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
CN110866519A (zh) * | 2019-12-24 | 2020-03-06 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
CN110866519B (zh) * | 2019-12-24 | 2023-04-28 | 安徽工业大学 | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 |
CN111767811A (zh) * | 2020-06-18 | 2020-10-13 | 东南大学 | 一种基于带宽傅立叶分解的非平稳信号分析方法 |
CN111881736A (zh) * | 2020-06-18 | 2020-11-03 | 东南大学 | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 |
CN113229799A (zh) * | 2021-06-23 | 2021-08-10 | 山东大学 | 一种ppg心率估计方法、系统、存储介质、设备 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、系统、设备以及介质 |
CN115169417A (zh) * | 2022-08-02 | 2022-10-11 | 江苏利核仪控技术有限公司 | 一种基于偏度最大化的滚动轴承故障特征的提取方法 |
CN115169417B (zh) * | 2022-08-02 | 2023-11-03 | 江苏利核仪控技术有限公司 | 一种基于偏度最大化的滚动轴承故障特征的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108444709B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444709A (zh) | VMD与FastICA相结合的滚动轴承故障诊断方法 | |
CN107451557B (zh) | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 | |
CN108426715A (zh) | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN105137354B (zh) | 一种基于神经网络电机故障检测方法 | |
CN106908668B (zh) | 一种实测地面合成电场数据的处理方法及系统 | |
CN107957566A (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
Huang et al. | A Fault Diagnosis Approach for Rolling Bearing Based on Wavelet Packet Decomposition and GMM-HMM. | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN115331696A (zh) | 一种用于变压器异常诊断的多通道声纹信号盲源分离方法 | |
CN110909480A (zh) | 一种水轮机振动信号的去噪方法与装置 | |
CN109916626A (zh) | 滚动轴承复合故障确定的方法及终端设备 | |
CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
CN103823158A (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
CN106772032B (zh) | 一种水轮发电机组的故障特征提取方法 | |
Raval et al. | Accurate fault classification in series compensated multi-terminal extra high voltage transmission line using probabilistic neural network | |
Liang | Research on rapid diagnosis method of single-phase grounding fault in distribution network based on deep learning | |
Ma et al. | Fault Feature Extraction of Rolling Bearing Based on Improved VMD-SVD Joint Denoising and Synchrosqueezing Wavelet Transform | |
Antonov et al. | Recognition of weak harmonic signal components in generator protection against single-phase earth fault |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221014 Address after: Room B51, Jiali Hotel, No. 21, Jiuxianqiao Road, Chaoyang District, Beijing 100016 Patentee after: Beijing Kexin Electromechanical Technology Research Institute Co.,Ltd. Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 12 Patentee before: BEIJING INFORMATION SCIENCE AND TECHNOLOGY University |