CN108647622B - 一种非线性非平稳微弱复杂振动故障信号的特征提取方法 - Google Patents

一种非线性非平稳微弱复杂振动故障信号的特征提取方法 Download PDF

Info

Publication number
CN108647622B
CN108647622B CN201810416382.4A CN201810416382A CN108647622B CN 108647622 B CN108647622 B CN 108647622B CN 201810416382 A CN201810416382 A CN 201810416382A CN 108647622 B CN108647622 B CN 108647622B
Authority
CN
China
Prior art keywords
kernel function
base kernel
signal
nonlinear
base
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
Application number
CN201810416382.4A
Other languages
English (en)
Other versions
CN108647622A (zh
Inventor
潘昊
常凯
汪洪涛
潘爽
徐劲力
黄丰云
张晓帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810416382.4A priority Critical patent/CN108647622B/zh
Publication of CN108647622A publication Critical patent/CN108647622A/zh
Application granted granted Critical
Publication of CN108647622B publication Critical patent/CN108647622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Complex Calculations (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种非线性非平稳微弱复杂振动故障信号的特征提取方法，包括如下步骤：步骤一，对样本进行预处理；步骤二，选择基核函数；步骤三，对基核函数进行组合；步骤四，构造多核函数并将其输入空间映射至一个低维空间，提取特征向量。该方法基于核函数的非线性映射能力，将核函数用于非线性、非平稳降噪信号的维度降低，从而实现特征信息的提取。

Description

一种非线性非平稳微弱复杂振动故障信号的特征提取方法
技术领域
本发明属于信号检测技术领域，具体涉及一种非线性非平稳微弱复杂振动故障信号的特征提取方法。
背景技术
主减速器是汽车传动系统中的关键部件，其状态对车辆的舒适度和安全性具有直接的影响。由于主减速器经常处于具有强噪声的工作环境中，造成其振动信号的成分比较复杂，而且信噪比比较低。对于这些非线性、非平稳的高维信号中的复杂特征成分，提取出能反映主减速器运行状态的非平稳、非线性的微弱特征成分尤为重要。传统的特征提取方法针对这种复杂且多成分的信号，提取出有效的微弱特征成分的效率较低。
在现有的特征提取技术中，主成分分析方法和线性判别分析方法是线性特征提取方法，只适合于线性分布的数据，无法处理非线性数据。基于单核函数的非线性方法(核判别分析方法、核子类判别分析)由于只选择了一个固定的核函数用于实现数据的非线性映射，将其应用于所有的数据集会导致其分类性能较低。传统二阶段多核学习方法(Twos-MKL)的基核函数是预先定义好的，由于同时解决基核函数权重的确定以及基于生成的多核函数的数据降维两个问题，导致算法比较复杂、效率较低。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种非线性非平稳微弱复杂振动故障信号的特征提取方法，该方法基于核函数的非线性映射能力，将核函数用于非线性、非平稳降噪信号的维度降低，从而实现特征信息的提取。
为此，本发明采用了以下技术方案：
一种非线性非平稳微弱复杂振动故障信号的特征提取方法，包括如下步骤：
步骤一，对样本进行预处理；
步骤二，选择基核函数；
步骤三，对基核函数进行组合；
步骤四，构造多核函数并将其输入空间映射至一个低维空间，提取特征向量。
优选地，步骤二的具体过程如下：首先，使用若干种比较常用的核函数作为候选基核函数；然后，基于具有不同参数的各种候选基核函数，获得多个基核函数族，将这些基核函数族组合起来构成一个候选基核函数集；最后，使用KTAMRMR标准对候选基核函数集KC中的基核函数进行选择，获得由m个选中的基核函数所组成的子集KCm。
进一步地，KCm的具体求解过程如下：
(1)计算类别核矩阵Y；
(2)根据如下公式计算基核函数集KC中的每一个候选基核函数Ki与类别核矩阵Y之间的相关性：
(3)令KCm-1表示由已选出的m-1个基核函数所组成的集合，则第i个候选基核函数Ki与KCm-1中的所有已选基核函数之间的平均相关性定义为：
其中，Ki∈KC-KCm-1；
(4)根据MRMR准则，假设当前的候选基核函数子集为KC-KCm-1，则接下来被选中的第m个基核函数一定是与类别核矩阵的相关性最高，并且与已选中的m-1个基核函数的冗余性最小的基核函数，表示为：
优选地，所述基核函数的组合方式根据各个基核函数的权重确定，采用不同指标的方法确定基核函数权重β＝[β1,…,βm]。
优选地，采用Fisher指标用来衡量样本数据的类分散程度，等同于最大化类间分散度，同时最小化类内分散度；具体过程如下：
对样本数据类分散程度的判别函数可以表示为：
其中，φ(·)表示非线性函数，tr(·)表示矩阵的迹，为类间分散矩阵，为类内分散矩阵；
则寻找权重向量的优化问题可以转换为如下形式：
上式服从该优化问题是一个线性规划问题，通过Lagrange优化过程解决。
优选地，采用最大化类间距指标寻找合适的基核函数权重向量β的判别函数，具体表示为：
对该准则的优化与Fisher指标比较相似，优化问题表示为：
上式服从这也是一个线性优化问题。
优选地，采用最大化同方差标准寻找权重向量β，实现多核函数的构造；对该标准的判别函数定义如下：
其中，c表示类别数目，有助于类别之间的可分性，有助于寻找合适的权重向量β，使得不同类别之间的协方差矩阵变得相似，提高协方差矩阵的相似度；由于有助于类别之间的线性可分，因此这个相似度非常重要，将第j类样本数据的协方差矩阵定义为：
则基于最大化同方差准则的优化问题可以表示为：
上式服从其中
；最后使用基核函数组合权重β构造新的多核函数：使用ANN的分类精度衡量基于不同基核函数选择标准的特征提取方法的性能。
优选地，步骤四的具体过程如下：
考虑到特征向量的维度对计算成本的影响，将提取特征的新维度设置为故障类别数目减1；使用人工神经网络作为分类模型，该分类器的输入参数和输出参数取决于提取特征的维度以及故障类别的数目，计算样本的多核映射向量，输出特征向量。
优选地，将m的取值范围设定为2到15之间，
优选地，将基核函数数目m的值确定为5。
与现有技术相比，本发明的有益效果是：
(1)解决了传统方法处理高维复杂信号过程中能力有限、提取特征不够完善准确的缺陷，探索了一种基于振动数据驱动的复杂故障信号的非线性特征提取模型，为机械振动分析在深度学习中的应用提供了一种有益的思路与方法。
(2)通过加入对基核函数的自适应选择，将基于核目标对齐的最大关联度最小冗余度(KTAMRMR)标准用于基核函数的选择，确保选中的基核函数核矩阵与目标矩阵之间具有较强的相关性，同时选中的各基核函数核矩阵之间具有较低的冗余度。
(3)将确定基核函数组合权重与实现数据降维分开执行，降低了算法复杂度，提升了执行效率。
附图说明
图1是本发明所提供的一种非线性非平稳微弱复杂振动故障信号的特征提取方法的流程结构图。
图2是本发明所提供的采用Fisher最大化准则时m取值对分类性能的影响。
图3是本发明所提供的采用最大化类间距准则时m取值对分类性能的影响。
图4是本发明所提供的采用最大化同方性准则时m取值对分类性能的影响。
图5是本发明所提供的采用三种基核函数组合准则的分类精度条形图。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明公开了一种非线性非平稳微弱复杂振动故障信号的特征提取方法，包括如下步骤：
步骤一，对样本进行预处理；
步骤二，选择基核函数；
步骤三，对基核函数进行组合；
步骤四，构造多核函数并将其输入空间映射至一个低维空间，提取特征向量。
具体地，步骤二的具体过程如下：首先，使用若干种比较常用的核函数作为候选基核函数；然后，基于具有不同参数的各种候选基核函数，获得多个基核函数族，将这些基核函数族组合起来构成一个候选基核函数集；最后，使用KTAMRMR标准对候选基核函数集KC中的基核函数进行选择，获得由m个选中的基核函数所组成的子集KCm。
具体地，KCm的具体求解过程如下：
(1)计算类别核矩阵Y；
(2)根据如下公式计算基核函数集KC中的每一个候选基核函数Ki与类别核矩阵Y之间的相关性：
(3)令KCm-1表示由已选出的m-1个基核函数所组成的集合，则第i个候选基核函数Ki与KCm-1中的所有已选基核函数之间的平均相关性定义为：
其中，Ki∈KC-KCm-1；
(4)根据MRMR准则，假设当前的候选基核函数子集为KC-KCm-1，则接下来被选中的第m个基核函数一定是与类别核矩阵的相关性最高，并且与已选中的m-1个基核函数的冗余性最小的基核函数，表示为：
具体地，所述基核函数的组合方式根据各个基核函数的权重确定，采用不同指标的方法确定基核函数权重β＝[β1,…,βm]。
具体地，采用Fisher指标用来衡量样本数据的类分散程度，等同于最大化类间分散度，同时最小化类内分散度；具体过程如下：
对样本数据类分散程度的判别函数可以表示为：
其中，φ(·)表示非线性函数，tr(·)表示矩阵的迹，为类间分散矩阵，为类内分散矩阵；
则寻找权重向量的优化问题可以转换为如下形式：
上式服从该优化问题是一个线性规划问题，通过Lagrange优化过程解决。
具体地，采用最大化类间距指标寻找合适的基核函数权重向量β的判别函数，具体表示为：
对该准则的优化与Fisher指标比较相似，优化问题表示为：
上式服从这也是一个线性优化问题。
具体地，采用最大化同方差标准寻找权重向量β，实现多核函数的构造；对该标准的判别函数定义如下：
其中，c表示类别数目，有助于类别之间的可分性，有助于寻找合适的权重向量β，使得不同类别之间的协方差矩阵变得相似，提高协方差矩阵的相似度；由于有助于类别之间的线性可分，因此这个相似度非常重要，将第j类样本数据的协方差矩阵定义为：
则基于最大化同方差准则的优化问题可以表示为：
上式服从其中
；最后使用基核函数组合权重β构造新的多核函数：使用ANN的分类精度衡量基于不同基核函数选择标准的特征提取方法的性能。
具体地，步骤四的具体过程如下：
考虑到特征向量的维度对计算成本的影响，将提取特征的新维度设置为故障类别数目减1；使用人工神经网络作为分类模型，该分类器的输入参数和输出参数取决于提取特征的维度以及故障类别的数目，计算样本的多核映射向量，输出特征向量。
具体地，将m的取值范围设定为2到15之间，
优选地，将基核函数数目m的值确定为5。
实施例
本发明公开了一种非线性非平稳微弱复杂振动故障信号的特征提取方法，该方法基于三阶段多核学习框架和核判别分析(TS-MKL-KDA)，为了解决单一核函数在核函数参数选择上所存在的问题，本发明采用多核学习方法，将高维输入空间映射至一个较低维的子空间，获得最小数量的相关特征，使得同类别的数据被收缩，而不同类别的数据能更好地被区分。
本发明使用9种比较常用的核函数作为候选基核函数，这些候选基核函数的核函数形式以及参数说明如表1所示。
表1候选基核函数
根据经验将m的取值范围设定为2到15之间，使用ANN的分类精度衡量基于不同基核函数选择标准的特征提取方法的性能，其实验结果如图2-图4所示。
基于KTAMRMR标准的方法的分类精度随着参数m的递增变化比SR标准平稳，即当m在范围[2，15]内变化时，其性能稳定性优于基于SR标准的方法。由于m的取值对算法的内存需求和计算成本都具有一定的影响，即m值越大，则选中的基核函数越多，因此需要更大的内存空间来存储这些选中的基核函数。根据上述分析，将基核函数数目m的值确定为5。
由于低维空间的维度与数据的类别数目有关，考虑到特征向量的维度对计算成本的影响，故将实验中提取特征的新维度设置为故障类别数目减1。使用人工神经网络(ANN)作为分类模型，该分类器的输入参数和输出参数取决于提取特征的维度以及故障类别的数目，对比采用三种基核函数组合准则的分类效果，如图5所示。几种分类模型的性能对比如表2所示。
表2几种分类模型的性能对比
从表2可以看出，采用基于类间距最大化组合准则的TS-MKL-KDA特征提取方法能够在主减速器故障诊断应用中获得最佳的性能。
为了验证TS-MKL-KDA方法在主减速器振动信号特征提取中的有效性，利用本研究所采集的振动信号数据集中较常见的6种故障模式样本的振动信号作为实验的故障样本集，包括：磕碰、齿面毛刺、齿面磨损、齿面硬点、断齿、齿面胶合以及正常模式，一共7种模式。每种故障模式选取400个样本，如表3所示。
表3样本集描述
最后，对不同特征提取方法进行实验对比，结果如表4所示。
表4不同特征提取方法的平均分类精度(％)和执行时间
实验结果表明，通过将TS-MKL-KDA方法应用于提取主减速器非平稳、非线性降噪信号中的微弱特征信息，验证了该方法的性能优于现有的特征提取方法。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：基于核函数的非线性映射能力，将核函数用于主减速器非线性、非平稳降噪信号的维度降低，从而实现特征信息的提取；包括如下步骤：
步骤一，对样本进行预处理；所述样本采用主减速器振动信号数据集中较常见故障模式样本的振动信号作为实验的故障样本集，包括磕碰、齿面毛刺、齿面磨损、齿面硬点、断齿、齿面胶合6种故障模式；
步骤二，选择基核函数；
步骤三，对基核函数进行组合；
步骤四，构造多核函数并将其输入空间映射至一个低维空间，提取特征向量；
步骤二的具体过程如下：首先，使用若干种比较常用的核函数作为候选基核函数；然后，基于具有不同参数的各种候选基核函数，获得多个基核函数族，将这些基核函数族组合起来构成一个候选基核函数集；最后，使用KTAMRMR标准对候选基核函数集KC中的基核函数进行选择，获得由m个选中的基核函数所组成的子集KCm；
KCm的具体求解过程如下：
(1)计算类别核矩阵Y；
(2)根据如下公式计算基核函数集KC中的每一个候选基核函数Ki与类别核矩阵Y之间的相关性：
(3)令KCm-1表示由已选出的m-1个基核函数所组成的集合，则第i个候选基核函数Ki与KCm-1中的所有已选基核函数之间的平均相关性定义为：
其中，Ki∈KC-KCm-1；
(4)根据MRMR准则，假设当前的候选基核函数子集为KC-KCm-1，则接下来被选中的第m个基核函数一定是与类别核矩阵的相关性最高，并且与已选中的m-1个基核函数的冗余性最小的基核函数，表示为：
2.根据权利要求1所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：所述基核函数的组合方式根据各个基核函数的权重确定，采用不同指标的方法确定基核函数权重β＝[β1,…,βm]。
3.根据权利要求2所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：采用Fisher指标衡量样本数据的类分散程度，等同于最大化类间分散度，同时最小化类内分散度；具体过程如下：
对样本数据类分散程度的判别函数可以表示为：
其中，Φ(·)表示非线性函数，tr(·)表示矩阵的迹，为类间分散矩阵，为类内分散矩阵；
则寻找权重向量的优化问题可以转换为如下形式：
上式服从该优化问题是一个线性规划问题，通过Lagrange优化过程解决。
4.根据权利要求2所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：采用最大化类间距指标寻找合适的基核函数权重向量β的判别函数，具体表示为：
对该准则的优化与Fisher指标比较相似，优化问题表示为：
上式服从这也是一个线性优化问题。
5.根据权利要求2所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：采用最大化同方差标准寻找权重向量β，实现多核函数的构造；对该标准的判别函数定义如下：
其中，c表示类别数目，有助于类别之间的可分性，有助于寻找合适的权重向量β，使得不同类别之间的协方差矩阵变得相似，提高协方差矩阵的相似度；由于有助于类别之间的线性可分，因此这个相似度非常重要，将第j类样本数据的协方差矩阵定义为：
则基于最大化同方差准则的优化问题可以表示为：
上式服从其中
；最后使用基核函数组合权重β构造新的多核函数：使用ANN的分类精度衡量基于不同基核函数选择标准的特征提取方法的性能。
6.根据权利要求1所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：步骤四的具体过程如下：
考虑到特征向量的维度对计算成本的影响，将提取特征的新维度设置为故障类别数目减1；使用人工神经网络作为分类模型，该分类器的输入参数和输出参数取决于提取特征的维度以及故障类别的数目，计算样本的多核映射向量，输出特征向量。
7.根据权利要求1至6中任一项所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：将m的取值范围设定为2到15之间。
8.根据权利要求7所述的一种非线性非平稳微弱复杂振动故障信号的特征提取方法，其特征在于：将基核函数数目m的值确定为5。
CN201810416382.4A 2018-05-03 2018-05-03 一种非线性非平稳微弱复杂振动故障信号的特征提取方法 Active CN108647622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810416382.4A CN108647622B (zh) 2018-05-03 2018-05-03 一种非线性非平稳微弱复杂振动故障信号的特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810416382.4A CN108647622B (zh) 2018-05-03 2018-05-03 一种非线性非平稳微弱复杂振动故障信号的特征提取方法

Publications (2)

Publication Number Publication Date
CN108647622A CN108647622A (zh) 2018-10-12
CN108647622B true CN108647622B (zh) 2019-07-09

Family

ID=63748836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810416382.4A Active CN108647622B (zh) 2018-05-03 2018-05-03 一种非线性非平稳微弱复杂振动故障信号的特征提取方法

Country Status (1)

Country Link
CN (1) CN108647622B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7283984B1 (en) * 2005-02-01 2007-10-16 Sun Microsystems, Inc. Method and apparatus for optimizing support vector machine kernel parameters
CN107633268A (zh) * 2017-09-22 2018-01-26 重庆交通大学 一种高光谱图像组合核最小噪声分离变换特征提取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528504B (zh) * 2016-03-01 2018-09-04 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN106503746B (zh) * 2016-11-03 2018-07-06 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法
CN107255785A (zh) * 2017-04-28 2017-10-17 南京邮电大学 基于改进mRMR的模拟电路故障诊断方法
CN107860587B (zh) * 2017-11-08 2019-07-02 南京康尼机电股份有限公司 基于多特征融合的车辆门系统亚健康状态预警及诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7283984B1 (en) * 2005-02-01 2007-10-16 Sun Microsystems, Inc. Method and apparatus for optimizing support vector machine kernel parameters
CN107633268A (zh) * 2017-09-22 2018-01-26 重庆交通大学 一种高光谱图像组合核最小噪声分离变换特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于混合核学习支持向量机的主减速器故障诊断;张华伟 等;《计算机应用与软件》;20170531;第34卷(第5期);正文第3页第2栏第5段至第4页第1栏第1-4段，第2栏第2-4段，第6页第2栏第1段，第7页第1栏第1段，第7页第2栏第1-3段

Also Published As

Publication number Publication date
CN108647622A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
Steinley Properties of the hubert-arable adjusted rand index.
White et al. Author cocitation: A literature measure of intellectual structure
Hothorn et al. Unbiased recursive partitioning: A conditional inference framework
Verbeke et al. Linear mixed models for longitudinal data
Stucky et al. Using hierarchical IRT models to create unidimensional measures from multidimensional data
Bae et al. Coala: A novel approach for the extraction of an alternate clustering of high quality and high dissimilarity
Grice Idiogrid: Software for the management and analysis of repertory grids
Ding et al. Cluster merging and splitting in hierarchical clustering algorithms
Glenisson et al. Combining full text and bibliometric information in mapping scientific disciplines
Ward Comparison of factor structure models for the Beck Depression Inventory--II.
Hunt et al. Clustering mixed data
CN106250914B (zh) 基于结构稀疏多核学习的多模态数据特征筛选和分类方法
Leydesdorff et al. Remaining problems with the" New Crown Indicator"(MNCS) of the CWTS
De Queiroz et al. Philosophy and phylogenetic inference: a comparison of likelihood and parsimony methods in the context of Karl Popper's writings on corroboration
CN108509982A (zh) 一种处理二分类不平衡医学数据的方法
CN113807299B (zh) 基于平行频域脑电信号的睡眠阶段分期方法及系统
Liao Measuring and analyzing class inequality with the Gini index informed by model‐based clustering
Birndorf et al. An expert system to diagnose anemia and report results directly on hematology forms
Williams et al. Package ‘caret’
Klami Inferring task-relevant image regions from gaze data
CN108647622B (zh) 一种非线性非平稳微弱复杂振动故障信号的特征提取方法
Davenport et al. The statistical analysis of aesthetic judgment: an exploration
Folkerts et al. Analyzing sentiments of German job references
CN113792141B (zh) 基于协方差度量因子的特征选择方法
JP2008089586A (ja) 物質の生物学的、生化学的、生物物理学的、又は薬理学的特徴の予測方法

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