CN108959778B - 一种基于退化模式一致性的航空发动机剩余寿命预测方法 - Google Patents
一种基于退化模式一致性的航空发动机剩余寿命预测方法 Download PDFInfo
- Publication number
- CN108959778B CN108959778B CN201810735271.XA CN201810735271A CN108959778B CN 108959778 B CN108959778 B CN 108959778B CN 201810735271 A CN201810735271 A CN 201810735271A CN 108959778 B CN108959778 B CN 108959778B
- Authority
- CN
- China
- Prior art keywords
- degradation
- engine
- model
- degradation model
- historical
- 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
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 116
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于退化模式一致性的航空发动机剩余寿命预测方法,步骤为:采集含有全寿命运行周期的历史发动机的多源信息数据,并对采集的数据降维和融合;针对每一个历史发动机单元,根据健康因子构建该历史发动机的退化模型,所有历史发动机单元的退化模型组成初始退化模型库;针对在役发动机,得到每个在役发动机单元的健康因子和退化模型;从初始退化模型库中选择与在役发动机退化模型具有一致性退化模式的历史发动机单元作为参考模型库;将在役发动机单元退化模型与参考模型库中的每一个模型进行相似性度量;采用加权方式计算在役发动机最终的剩余寿命值。本发明解决了同一操作条件下不同模式航空发动机的剩余寿命预测问题。
Description
技术领域
本发明属于航空发动机寿命预测技术领域,特别涉及了一种基于退化模式一致性的航空发动机剩余寿命预测方法。
背景技术
航空发动机的剩余使用寿命预测通过监测和监控元部件的征兆指示,沿故障发生到失效的时间线不断进行精确的剩余使用寿命的预计,根据采用的预测方法的差异,通常将寿命预测方法分为基于模型的故障预测和基于数据驱动的故障预测。近年来,随着科学技术的发展和机械部件运行数据的不断积累,数据驱动的故障预测方法越来越受到人们的重视。基于相似性的剩余寿命预测方法又是基于数据驱动方法的一个重要分支,它根据历史失效发动机的退化状态估计在役发动机的剩余使用寿命。
目前,大多数剩余寿命预测方法的研究仅考虑了单退化变量的研究,而在工程实际中,部件或系统往往由多种零部件组成,因此其监测变量往往不只一个。此外,同一部件随着运行周期数或时间的增加,受环境等因素影响,呈现出不同的退化状态。目前航空发动机剩余寿命预测方法虽然考虑了不同操作条件的影响,但忽视了同一操作条件下不同模式历史样本数据对待预测发动机单元剩余寿命估计的影响。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于退化模式一致性的航空发动机剩余寿命预测方法,解决同一操作条件下不同模式航空发动机的剩余寿命预测问题。
为了实现上述技术目的,本发明的技术方案为:
一种基于退化模式一致性的航空发动机剩余寿命预测方法,包括以下步骤:
(1)采集含有全寿命运行周期的历史发动机的多源信息数据,对采集的数据进行降维处理,并将降维后的数据融合为反映发动机健康状态的一维健康因子;
(2)针对每一个历史发动机单元,根据健康因子构建该历史发动机的退化模型,所有历史发动机单元的退化模型组成初始退化模型库;
(3)对在役发动机按照步骤(1)-(2)操作,得到每个在役发动机单元的健康因子和退化模型;
(4)从步骤(2)得到的初始退化模型库中选择与在役发动机退化模型具有一致性退化模式的历史发动机单元作为最终退化模型库,称为参考模型库;
(5)将在役发动机单元退化模型与参考模型库中的每一个模型进行相似性度量,每一个模型都计算出一个相应的度量值和在役发动机剩余寿命估计值;
(6)根据相似性度量结果,采用加权方式计算在役发动机最终的剩余寿命值。
进一步地,步骤(1)的具体过程如下:
(101)使用主成分分析方法将传感器采集的发动机多源信息数据进行降维处理;
(102)使用BP神经网络模型将降维后的数据拟合为一维健康因子,其范围为0到1,其中0代表失效,1代表健康;每个发动机具有一条随时间变化的健康因子衰退曲线。
进一步地,在步骤(2)中,针对每个发动机健康因子衰退曲线,使用非参数的核回归方法提取该发动机单元的退化模型,每个发动机退化模型i在每个时刻p均有一个表示退化状态的数值xi(p·Δt);其中,i=1,2,…,N,N为历史发动机单元总数,0≤p≤Ti,Ti是第i个退化模型的失效时间,Δt为传感器的数据采样间隔。
进一步地,步骤(4)的具体过程如下:
(401)采用余弦相似度计算在役发动机退化模型与初始退化模型库中各退化模型之间的模式匹配程度:
其中,q表示在役发动机退化模型的当前时刻,x0(q·Δt)为在役发动机在时刻q的退化模型,M表示在役发动机退化模型在时刻q时总的采样数;v从0递增到M,表示依次选取时刻q和p之前的第v个时刻;
(402)在q不变情况下,改变p取值,M≤p≤Ti,依次计算历史发动机退化模型i对应的余弦相似度值,得到该历史发动机退化模型i下最佳的余弦相似度值:
cosbest(q,i)=max(cos(q,p,i))
若历史发动机退化模型i的失效时间Ti小于M,则舍弃该参考模型;
(403)将初始退化模型库中的所有历史发动机退化模型对应的cosbest(q,i)从大到小排序,并选择其中前K个历史发动机退化模型作为与在役发动机退化模型具有一致退化模式的模型,并组成参考模型库。
进一步地,步骤(5)的具体过程如下:
(501)使用邻近增强的欧式距离函数计算在役发动机退化模型在[(q-H)·Δt,q·Δt]时间段内与参考模型库中退化模型i在任意时刻p相同长度下的相似度:
其中,α为贡献度因子,用于控制不同远近采样点对相似性度量值的贡献,H为非负整数,表示选取的时间段范围;
(502)参考模型库中的每个退化模型i与在役发动机退化模型有(Ti-H-1)个相似性度量值,i=1,2,…,K,从中选出相似性程度最高的度量值:
(503)计算参考模型库中的每个退化模型i的实际剩余寿命,即在役发动机剩余寿命估计值:
ARLi(q)=Ti-p
进一步地,在步骤(6)中,采用下式计算在役发动机最终的剩余寿命值:
其中,wi为权值,wi=exp(-Di 2)。
采用上述技术方案带来的有益效果:
本发明使用基于邻近增强的欧式距离公式,根据离估计时刻q远近程度赋予不同权重,更符合实际情况,提高了相似性度量的准确性。在构建模型库过程中,使用余弦相似度方法筛选初始模型库,将与在役发动机具有一致退化模式的历史发动机单元作为参考模型库的一部分,进一步提高了本发明预测方法的准确性,解决了航空发动机同一操作条件下不同模式的剩余使用寿命预测。
附图说明
图1为本发明的方法流程图;
图2为本发明中实施例提供的某发动机健康因子与退化模型对比图;
图3为本发明中退化模型模式匹配流程图;
图4为本发明中在役发动机与历史单元退化模型相似性度量流程图;
图5为本发明中实施例提供的在役单元连续预测结果图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
在本实施方式中,引入NASA埃姆斯研究中心提供的航空发动机数据集,该数据集基于NASA开发的虚拟航空发动机系统CMAPSS,训练集中每个发动机单元包含全寿命运行周期,测试集每个发动机单元只含有一段寿命周期。本实施例选用FD001数据集,该数据集包含21维传感器信息。为了达到连续预测的目的,本实施例只使用其中的训练集,将前99个单元作为历史发动机单元,最后一个单元作为在役发动机。如图1所示,本发明的具体步骤如下。
步骤1,采集含有全寿命运行周期的历史发动机数据,对采集的传感器监测信息进行降维处理,进一步将多源信息融合为反映发动机健康状态的一维健康因子,具体步骤如下:
步骤1.1,使用主成分分析方法对采集到的原始数据进行降维处理,降维后的数据为6维;
步骤1.2,构建BP神经网络模型,设定模型输入层、隐含层和输出层结点个数分别为6,12,1;将降维后的数据进行拟合成0到1之间的一维健康因子,每个发动机具有一条随时间变化的健康因子衰退曲线。
步骤2,针对每一个历史发动机单元,使用核回归方法从健康因子退化曲线提取该历史发动机部件的退化模型,得到初始退化模型,图2显示了第5个发动机单元健康因子曲线和提取到的退化模型对比图:
步骤3,对在役发动机进行同样的健康因子计算和退化模型提取操作,具体描述为:
步骤3.1,根据步骤1中从历史发动机单元计算过程中得到的主成分分析方法参数和BP神经网络模型求在役发动机的健康因子;
步骤3.2,使用核回归方法拟合在役发动机健康因子曲线,得到在役发动机的退化模型。
步骤4,从所有历史发动机退化模型中选择与在役发动机退化模型具有一致退化模式的发动机单元作为最终退化模型库,如图3所示,具体步骤如下:
步骤4.1,在役发动机整个生命周期长度为200,设置表1所示的预测参数:
表1
参数 | 含义 | 值 |
t<sub>p</sub> | 预测起始点 | 50 |
t<sub>EOP</sub> | 预测终点 | 190 |
Δt | 采样间隔 | 1 |
H | 时间间隔 | 9 |
α | 贡献度因子 | 0.5 |
从预测起始点tp开始,每隔H个运行周期对在役发动机进行一次预测,直到设定的预测终点tEoP,共得到在役发动机的15个预测结果;
步骤4.2,针对每个预测点,计算模式匹配程度cos(q,p,i),并得到退化模型i的最佳匹配值cosbest(q,i);
步骤4.3,将在役发动机退化模型与所有历史发动机退化模型进行模式匹配,将cosbest(q,i)从大到小排序,选择其中前30个历史发动机退化模型作为与在役发动机退化模型具有一致退化模式的模型,并组成最终的模型库。
步骤5,将在役发动机单元退化模型与最终退化模型库中的每一个模型进行相似性度量,每个模型都给出一个度量值和该在役发动机的剩余寿命估计值,如图4所示,具体步骤如下:
步骤5.1,使用改进的欧式距离函数计算在役发动机退化模型在[q-9,q]时间段内与最终退化模型库中退化模型i在任意时刻p相同长度下的相似度d2(q,p,i,α);
步骤5.2,每个退化模型i(i=1,2,...,30)与在役发动机退化模型有Ti-10个相似性度量值,从中选择相似性程度最高的一个Di 2,同时,可以得到退化模型i的实际剩余寿命ARLi(q)。
步骤6,根据相似性度量结果,采用加权方式计算在役发动机的最终的剩余使用寿命值PRL0(q)。
为了验证本发明的有效性,将未采用退化模式匹配的方法称为方法1,其使用全部历史发动机单元进行在役发动机剩余寿命的估计,并将本发明所提方法称为方法2。方法1和方法2的实验对比结果如图5所示。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
1.一种基于退化模式一致性的航空发动机剩余寿命预测方法,其特征在于,包括以下步骤:
(1)采集含有全寿命运行周期的历史发动机的多源信息数据,对采集的数据进行降维处理,并将降维后的数据融合为反映发动机健康状态的一维健康因子,每个发动机具有一条随时间变化的健康因子衰退曲线;
(2)针对每一个历史发动机单元,根据健康因子构建该历史发动机的退化模型,所有历史发动机单元的退化模型组成初始退化模型库;
针对每个发动机健康因子衰退曲线,使用非参数的核回归方法提取该发动机单元的退化模型,每个发动机退化模型i在每个时刻p均有一个表示退化状态的数值xi(p·Δt);其中,i=1,2,…,N,N为历史发动机单元总数,0≤p≤Ti,Ti是第i个退化模型的失效时间,Δt为传感器的数据采样间隔;
(3)对在役发动机按照步骤(1)-(2)操作,得到每个在役发动机单元的健康因子和退化模型;
(4)从步骤(2)得到的初始退化模型库中选择与在役发动机退化模型具有一致性退化模式的历史发动机单元作为最终退化模型库,称为参考模型库;该步骤的具体过程如下:
(401)采用余弦相似度计算在役发动机退化模型与初始退化模型库中各退化模型之间的模式匹配程度:
其中,q表示在役发动机退化模型的当前时刻,x0(q·Δt)为在役发动机在时刻q的退化模型,M表示在役发动机退化模型在时刻q时总的采样数;v从0递增到M,表示依次选取时刻q和p之前的第v个时刻;
(402)在q不变情况下,改变p取值,M≤p≤Ti,依次计算历史发动机退化模型i对应的余弦相似度值,得到该历史发动机退化模型i下最佳的余弦相似度值:
cosbest(q,i)=max(cos(q,p,i))
若历史发动机退化模型i的失效时间Ti小于M,则舍弃该参考模型;
(403)将初始退化模型库中的所有历史发动机退化模型对应的cosbest(q,i)从大到小排序,并选择其中前K个历史发动机退化模型作为与在役发动机退化模型具有一致退化模式的模型,并组成参考模型库;
(5)将在役发动机单元退化模型与参考模型库中的每一个模型进行相似性度量,每一个模型都计算出一个相应的度量值和在役发动机剩余寿命估计值;
(6)根据相似性度量结果,采用加权方式计算在役发动机最终的剩余寿命值。
2.根据权利要求1所述基于退化模式一致性的航空发动机剩余寿命预测方法,其特征在于,步骤(1)的具体过程如下:
(101)使用主成分分析方法将传感器采集的发动机多源信息数据进行降维处理;
(102)使用BP神经网络模型将降维后的数据拟合为一维健康因子,其范围为0到1,其中0代表失效,1代表健康。
3.根据权利要求1所述基于退化模式一致性的航空发动机剩余寿命预测方法,其特征在于,步骤(5)的具体过程如下:
(501)使用邻近增强的欧式距离函数计算在役发动机退化模型在[(q-H)·Δt,q·Δt]时间段内与参考模型库中退化模型i在任意时刻p相同长度下的相似度:
其中,α为贡献度因子,用于控制不同远近采样点对相似性度量值的贡献,H为非负整数,表示选取的时间段范围;
(502)参考模型库中的每个退化模型i与在役发动机退化模型有(Ti-H-1)个相似性度量值,i=1,2,…,K,从中选出相似性程度最高的度量值:
(503)计算参考模型库中的每个退化模型i的实际剩余寿命,即在役发动机剩余寿命估计值:
ARLi(q)=Ti-p。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735271.XA CN108959778B (zh) | 2018-07-06 | 2018-07-06 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735271.XA CN108959778B (zh) | 2018-07-06 | 2018-07-06 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959778A CN108959778A (zh) | 2018-12-07 |
CN108959778B true CN108959778B (zh) | 2020-09-15 |
Family
ID=64486034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735271.XA Active CN108959778B (zh) | 2018-07-06 | 2018-07-06 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959778B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489003B (zh) * | 2019-01-25 | 2023-04-18 | 华为技术有限公司 | 生命周期的预测方法及装置 |
US11687067B2 (en) * | 2019-04-04 | 2023-06-27 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
CN110110804B (zh) * | 2019-05-15 | 2021-06-25 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN111915181A (zh) * | 2020-07-29 | 2020-11-10 | 同济大学 | 一种信号设备使用寿命状态预测方法 |
CN112232404B (zh) * | 2020-10-13 | 2023-12-22 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
CN113375942B (zh) * | 2021-08-11 | 2021-10-08 | 湖南大学 | 一种基于大数据的旋转设备寿命监测系统 |
CN113743541B (zh) * | 2021-11-04 | 2022-02-08 | 华中科技大学 | 一种基于退化模式预测船用动力系统轴承剩余寿命的方法 |
CN114997051B (zh) * | 2022-05-30 | 2023-05-09 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN116011109B (zh) * | 2023-01-13 | 2023-09-08 | 北京控制工程研究所 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
CN116070527B (zh) * | 2023-03-07 | 2023-06-16 | 南京航空航天大学 | 基于退化模型的铣削刀具剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN105512483A (zh) * | 2015-12-08 | 2016-04-20 | 清华大学 | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 |
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9892219B2 (en) * | 2014-01-28 | 2018-02-13 | Rolls-Royce Corporation | Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions |
-
2018
- 2018-07-06 CN CN201810735271.XA patent/CN108959778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN105512483A (zh) * | 2015-12-08 | 2016-04-20 | 清华大学 | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 |
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于性能退化数据的航空发动机剩余寿命预测;刘帅君;《中国优秀硕士学位论文全文数据库》;20160315;第C031-131页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108959778A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN108256173B (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN108573116B (zh) | 一种基于长短时记忆网络的航空发动机过渡态推力估计方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN113158814A (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
Wen et al. | A new multi-sensor fusion with hybrid Convolutional Neural Network with Wiener model for remaining useful life estimation | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110610027B (zh) | 一种基于短时数据的航空发动机解析余度计算方法 | |
CN112465250A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
CN116629843A (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
CN114936494A (zh) | 数据物理融合驱动的高温部件可靠性评定方法和系统 | |
Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network | |
CN110532698B (zh) | 一种基于数据模型的工业设备振动特征值趋势预测方法 | |
CN109670243B (zh) | 一种基于勒贝格空间模型的寿命预测方法 |
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 |