CN108982106A - 一种快速检测复杂系统动力学突变的有效方法 - Google Patents
一种快速检测复杂系统动力学突变的有效方法 Download PDFInfo
- Publication number
- CN108982106A CN108982106A CN201810830927.6A CN201810830927A CN108982106A CN 108982106 A CN108982106 A CN 108982106A CN 201810830927 A CN201810830927 A CN 201810830927A CN 108982106 A CN108982106 A CN 108982106A
- Authority
- CN
- China
- Prior art keywords
- probability density
- time series
- entropy
- mutation
- effective ways
- 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种快速检测复杂系统动力学突变的有效方法,该方法反映了一维时间序列的复杂度,对信号的变化具有较高的敏感性,并且能够快速检测微弱信号的突变。该算法处理信号的步骤为:(1)利用采集到的振动信号,构造一维时间序列;(2)计算时间序列的均值和方差构造出所对应的概率密度函数;(3)计算每一个时间序列点所对应的概率密度函数值,定义每个数据点的概率密度函数值与其峰值的比值为权重;(4)根据Shannon熵的定义求出概率密度信息熵;(5)对概率密度信息熵进行标准化分析,得出分布熵(DE)。本发明可用于提取反映系统运行状态的有效敏感特征,对设备是否发生故障进行监测和判断,其运算时间短,对参数要求低。
Description
技术领域
本发明涉及滚动轴承的故障检测方法,具体涉及一种快速检测复杂系统动力学突变的有效方法,该方法可有效的快速检测滚动轴承的故障信息。
背景技术
随着科学技术的不断发展,机械设备越来越复杂,自动化水平越来越高,设备在现代工业生产中的作用和影响越来越大,与设备有关的费用越来越高,机器运行中发生的任何故障或失效不仅会引起严重后果,造成重大的经济损失,甚至还可能导致灾难性的人员伤亡和恶劣的社会影响。通过对机械工况进行监测,对其故障发展趋势进行早期诊断,便可以找出故障原因,采取各种措施进行维修保养,避免设备的突然损坏,使之安全经济地运转。机械故障的发生是一个突变的过程,信号突变的奇异点是反映系统故障的重要信息,通过对机械设备运行状态中信号突变的检测是一个重要的研究课题。Fourier变换是检测信号突变的有效方法,在各个领域上应用广泛。该方法通过研究信号在Fourier变换域上是否存在突变以及突变处振幅的大小来判断故障是否存在,但是Fourier变换只能确定信号突变的整体性质,不能确定突变点的准确位置。随着动力学理论的发展,学者们在检测信号突变方面提出了一系列方法,例如动力学变换回归法、非线性相干分析法、及与之相关的概率统计方法等,这些算法虽然能有效解决问题,但计算过程复杂,且计算量大。
近年来,由于熵可以识别非线性参数,基于熵的方法被广泛应用于故障检测和诊断中,如近似熵、样本熵、模糊熵和多尺度熵。然而,近似熵过度依赖于数据长度;样本熵基于的单位阶跃函数在边界位置不连续,会出现阶跃现象;模糊熵基于隶属度函数的概念,很难进行准确地确定;多尺度熵的提出是基于样本熵的,只不过是从多个尺度上计算样本熵。为了分析信号的复杂性,Bandit等人提出了排列熵的概念。排列熵是一种衡量一维时间序列复杂度方法,该算法计算简单,抗噪能力强,需要的时间序列短,适合在线监测等优点,可以更好的检测出复杂系统的动力学突变,在各个领域得到广泛的应用。但是,当采用排列熵方法检测信号是否突变时,嵌入维数m和延迟时间τ的选取会影响排列熵检测的有效性。
发明内容
本发明要解决的技术问题为:克服现有技术的不足,对于旋转机械在不断运行中发生的故障,提供一种快速检测复杂系统动力学突变的有效方法,从而确定当前的故障状态,实现轴承故障诊断。
本发明解决上述技术问题采用的技术方案为:一种快速检测复杂系统动力学突变的有效方法,可分别对轴承内圈故障振动信号、轴承外圈故障振动信号、滚动体故障振动信号进行分析,其分析实现步骤如下:
步骤1:利用加速度传感器测量滚动轴承振动信号,采集滚动轴承内圈故障、外圈故障、滚动体故障状态下振动信号,得到各状态下的振动数据,构造一维时间序列;
步骤2:计算时间序列的均值和方差构造出所对应的概率密度函数;
步骤3:计算每一个时间序列点所对应的概率密度函数值,定义每个数据点的概率密度函数值与其峰值的比值为权重;
步骤4:根据Shannon熵的定义求出概率密度信息熵;
步骤5:对概率密度信息熵进行标准化分析,得出分布熵(DE);
步骤6:根据DE分析的结果,判断系统运行的状态。
具体步骤如下:
步骤1:构造时间序列xi;
利用加速度传感器测量滚动轴承振动信号,采集滚动轴承内圈故障、外圈故障、滚动体故障状态下振动信号,分别得到各状态下的振动数据。对于每个状态下的振动数据,可构造出由N个数据点组成的时间序列,即:xi={x1,x2,……,xN};
步骤2:构造概率密度函数;
计算由N个数据点组成的时间序列xi={x1,x2,……,xN}的概率密度函数,即:
其中:σ是时间序列的标准差,μ是时间序列的均值;
步骤3:计算权重P;
定义每一个数据点的概率密度函数值与峰值的比值为权重P,即:
步骤4:定义概率密度信息熵A;
按照Shannon熵的形式定义概率密度信息熵A,即:
步骤5:定义分布熵DE。
对A进行标准化,定义其分布熵为DE,即:
步骤6:根据DE分析的结果,判断系统运行的状态。
通过计算DE值的变化,反映出复杂系统动力学突变的过程。
本发明与现有技术相比的优点在于:
(1)针对轴承工况条件复杂多变,现有诊断方法流程复杂、实时性差的现状,提出了一种快速检测复杂系统动力学突变的有效方法,利用分布熵算法对仿真信号进行分析,在信号发生突变的时间点上,分布熵出现明显的跳变,能够实时监测运行状态的变化;
(2)研究了序列长度及噪声对该算法产生的影响,表明了该算法不仅可以在较短的时间序列中得到稳定的熵值,而且还具有很好的抗噪性,为快速检测故障的发生提出了一种新的思路和手段;
(3)时间序列长度对分布熵的影响较小,且运算效率很高。
附图说明
图1为本发明中分布熵的算法流程图;
图2a为本发明中Logistic映射分岔演化过程图;
图2b为本发明中分布熵随控制参数的演化图;
图3为本发明中仿真信号的熵值突变图;
图4a为本发明中排列熵对不同噪声水平下的Logistic系统的辨识;
图4b为本发明中分布熵对不同噪声水平下的Logistic系统的辨识;
图5为本发明中不同序列长度对分布熵熵值的影响;
图6a为本发明中内圈故障分布熵趋势图;
图6b为本发明中外圈故障分布熵趋势图;
图6c为本发明中滚动体故障分布熵趋势图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
实施例1:
图1为本发明中分布熵的算法流程图。利用加速度传感器测量滚动轴承振动信号,将采集到的滚动轴承内圈故障、外圈故障、滚动体故障状态下的振动信号作为分析对象,对该振动信号的处理步骤为:
(1)将采集到的振动信号,构造由N个数据点构成的时间序列xi={x1,x2,……,xN}。
(2)计算由N个数据点组成的时间序列xi={x1,x2,……,xN}的概率密度函数,即:
其中:σ是时间序列的标准差,μ是时间序列的均值;
(3)定义每一个数据点的概率密度函数值与峰值的比值为权重P,即:
(4)按照Shannon熵的形式定义概率密度信息熵A,即:
(5)对A进行标准化,定义其分布熵为DE,即:
(6)通过计算DE值的变化,反映出复杂系统动力学突变的过程。
为了验证该算法的有效性,图2a为本发明中Logistic映射分岔演化过程图;图2b为本发明中分布熵随控制参数的演化图。从图中可以看出,当时间序列从一种演化阶段跳跃到另一种演化阶段时,对应的分布熵值均有明显的变化特征,混沌区域中的周期窗口在分布熵的演化中也有明显的反映,并且分布熵的变化与时间序列的演化特征步调一致,由此可见,分布熵可以提取并放大时间序列中的微小变化,用来检测动力学突变。
图3为本发明中仿真信号的熵值突变图,为了检验分布熵算法在振动信号分析中是否合理,设定了一组仿真信号,求其分布熵,并与排列熵做对比,其中排列熵的嵌入维数m=5、时延τ=2。如图3所示,该仿真信号是在一个正弦信号的基础上,分别在10s和20s左右叠加上一个噪声信号,设置两处信号突变。当正弦信号叠加噪声信号以后,其分布熵非常大并趋近于1.8,表明信号处于一种完全随机的状态;当噪声消失以后,分布熵下降,在信号的突变点处发生跳变;最后叠加噪声后,信号又回到原来的无序状态,分布熵上升逐渐趋于稳定;由此可见,对于给定随机时间序列信号,如果信号发生突变或改变原来的状态,分布熵与排列熵一样,都会在对应的时间点上表现出明显的突变。
图4a为本发明中排列熵对不同噪声水平下的Logistic系统的辨识;图4b为本发明中分布熵对不同噪声水平下的Logistic系统的辨识。为了验证该算法的抗噪声能力,考虑排列熵和分布熵对μ=3.4、3.6、3.7和3.9时的四个Logistic系统复杂度的辨识能力。首先产生各个控制参数μ所对应的时间序列,然后再加以不同信噪比的高斯白噪声。从图4a-b中可知,当不受噪声影响时,排列熵和分布熵对不同Logistic系统复杂度的辨识效果是一致的,即均能很好的区别开,且分布熵的效果更好。当加入噪声后,两种熵的辨识情况出现差异,随着信噪比的增加,差异越大。对比可知分布熵的抗噪声能力优于排列熵。
图5为本发明中不同序列长度对分布熵熵值的影响。由于分布熵算法只受数据长度N的影响,因此,为了说明时间序列长度对分布熵的影响,现选取长度为100,200,300,……,4000的高斯白噪声和1/f噪声作为研究对象。如图5所示,随着时间序列的增大,高斯白噪声和1/f噪声的曲线波动越来越小,这说明长度越大,熵值越稳定;综上所述,时间序列长度对分布熵的影响较小。
下面通过实例数据进行说明,这里滚动轴承振动数据采用美国Cincinnatiuniversity的智能维护系统(IMS)中心提供的实验数据进行实验分析。四个Rexnord ZA-2115轴承被安装在同一个实验轴上,并通过皮带联接由直流电机提供动力。其中实验轴的转速保持在2000rpm,径向载荷为6000lbs,采样频率为20kHz,数据长度为20480点。分别在每个轴承的水平方向和垂直方向上安装PCB 353B33石英传感器,并通过NI数据采集卡DAQ6062E采集数据,每个信号之间的采集间隔为10分钟。本发明中分别选取第一组试验3号轴承第6通道和4号轴承第8通道的数据以及第二组试验中1号轴承的第1通道数据作为分析对象,3号轴承第6通道的数据为内圈故障,4号轴承第8通道的数据为滚子故障以及第二组试验中1号轴承第1通道的数据为外圈故障。
图6a为本发明中内圈故障分布熵趋势图;图6b为本发明中外圈故障分布熵趋势图;图6c为本发明中滚动体故障分布熵趋势图。将采集到的三组故障信号,经过分布熵方法分析得到的内圈、外圈、滚动体的振动信号的全寿命趋势图,如图6a-c所示。由图6a可知,在136h之前,内圈轴承运行比较平稳;当轴承运行至136h时,其振动信号出现微小的跳变,说明轴承已经开始出现异常;136h-160h,振动信号在上下波动,但波动幅度不大,说明轴承在带故障运行,但故障不太严重;当轴承运行超过160h,其振动信号出现剧烈变化,并在163.3h其熵值均达到最大值,此时轴承已出现严重故障,达到其寿命极限。
从图6b中可知,在108h之前,外圈轴承运行比较平稳;当轴承运行至108h时,其振动信号出现微小的跳变,说明轴承已经开始出现异常;108h-160h,振动信号在上下波动,但波动幅度不大,说明轴承在带故障运行,但故障不太严重;当轴承运行超过160h,其振动信号出现剧烈变化,并在163.3h其熵值均达到最大值,此时轴承已出现严重故障,达到其寿命极限。
从图6c中可知,在10h-45h和110h-160h之间出现的波动的趋势可以用损伤传播过程的性质来解释;当在10h-45h之间时,滚子表面缺陷刚刚开始,形成小的剥落或裂纹,并随后通过连续的滚动接触而平滑;当在110h-160h之间时,滚子表面的损伤扩展到更大范围,振动水平再次上升,此时轴承已出现严重故障,达到其寿命极限。综上所述,将分布熵特征运用在三种不同故障的振动信号中,时域信号的分布熵特征值能够反映出滚动轴承运行的全寿命过程。数据分析表明了分布熵算法对微弱信号特征提取的有效性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.一种快速检测复杂系统动力学突变的有效方法,其特征在于:实现步骤如下:
步骤1:利用加速度传感器测量滚动轴承振动信号,采集滚动轴承内圈故障、外圈故障、滚动体故障状态下振动信号,得到各状态下的振动数据,构造一维时间序列;
步骤2:计算时间序列的均值和方差构造出所对应的概率密度函数;
步骤3:计算每一个时间序列点所对应的概率密度函数值,定义每个数据点的概率密度函数值与其峰值的比值为权重;
步骤4:根据Shannon熵的定义求出概率密度信息熵;
步骤5:对概率密度信息熵进行标准化分析,得出分布熵(DE)。
2.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤1所构造的由N个数据点构成的一维时间序列为:xi={x1,x2,……,xN}。
3.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤2计算由时间序列xi={x1,x2,……,xN}的均值和方差构造出所对应的概率密度函数为:其中:σ是时间序列的标准差,μ是时间序列的均值。
4.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤3计算每一个时间序列点所对应的概率密度函数值,定义每个数据点的概率密度函数值与其峰值的比值为权重p(i),即
5.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤4根据Shannon熵的定义求出概率密度信息熵A,即
6.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤5对概率密度信息熵进行标准化分析,得出分布熵(DE),即
7.根据权利要求1所述的一种快速检测复杂系统动力学突变的有效方法,其特征在于:所述步骤6得到的分布熵DE,可对系统的故障突变时间点进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830927.6A CN108982106B (zh) | 2018-07-26 | 2018-07-26 | 一种快速检测复杂系统动力学突变的有效方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830927.6A CN108982106B (zh) | 2018-07-26 | 2018-07-26 | 一种快速检测复杂系统动力学突变的有效方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108982106A true CN108982106A (zh) | 2018-12-11 |
CN108982106B CN108982106B (zh) | 2020-09-22 |
Family
ID=64551046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810830927.6A Active CN108982106B (zh) | 2018-07-26 | 2018-07-26 | 一种快速检测复杂系统动力学突变的有效方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108982106B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977996A (zh) * | 2019-02-12 | 2019-07-05 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
CN111695391A (zh) * | 2019-03-14 | 2020-09-22 | 南京航空航天大学 | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
CN113282876A (zh) * | 2021-07-20 | 2021-08-20 | 中国人民解放军国防科技大学 | 异常检测中一维时间序列数据生成方法、装置和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477730A (en) * | 1993-09-07 | 1995-12-26 | Carter; Duncan L. | Rolling element bearing condition testing method and apparatus |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN102208023A (zh) * | 2011-01-23 | 2011-10-05 | 浙江大学 | 基于边缘信息和分布熵的视频字幕识别设计方法 |
JP2012058107A (ja) * | 2010-09-09 | 2012-03-22 | Nittetsu Elex Co Ltd | 回転機械の異常診断方法 |
CN103150466A (zh) * | 2012-12-29 | 2013-06-12 | 江苏大学 | 动力学结构突变的检测方法与检测系统 |
CN103955489A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 基于信息熵特征权重量化的海量短文本分布式knn分类算法及系统 |
CN103994815A (zh) * | 2014-05-19 | 2014-08-20 | 深圳艾瑞斯通技术有限公司 | 一种识别光纤振源的方法 |
CN108051213A (zh) * | 2018-01-12 | 2018-05-18 | 上海电力学院 | 一种滚动轴承在线故障检测方法 |
-
2018
- 2018-07-26 CN CN201810830927.6A patent/CN108982106B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5477730A (en) * | 1993-09-07 | 1995-12-26 | Carter; Duncan L. | Rolling element bearing condition testing method and apparatus |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
JP2012058107A (ja) * | 2010-09-09 | 2012-03-22 | Nittetsu Elex Co Ltd | 回転機械の異常診断方法 |
CN102208023A (zh) * | 2011-01-23 | 2011-10-05 | 浙江大学 | 基于边缘信息和分布熵的视频字幕识别设计方法 |
CN103150466A (zh) * | 2012-12-29 | 2013-06-12 | 江苏大学 | 动力学结构突变的检测方法与检测系统 |
CN103955489A (zh) * | 2014-04-15 | 2014-07-30 | 华南理工大学 | 基于信息熵特征权重量化的海量短文本分布式knn分类算法及系统 |
CN103994815A (zh) * | 2014-05-19 | 2014-08-20 | 深圳艾瑞斯通技术有限公司 | 一种识别光纤振源的方法 |
CN108051213A (zh) * | 2018-01-12 | 2018-05-18 | 上海电力学院 | 一种滚动轴承在线故障检测方法 |
Non-Patent Citations (5)
Title |
---|
刘永斌 等: ""基于嵌入式传感器的滚动轴承状态监测系统的研究"", 《机械制造》 * |
刘永斌: ""基于非线性信号分析的滚动轴承状态监测诊断研究"", 《中国博士学位论文全文库 工程科技II辑》 * |
蒋俊: ""基于信息熵的实时信号测量技术及其应用研究"", 《中国博士学位论文全文数据库 工程科技辑》 * |
许人灿 等: ""目标一维距离像特征提取方法研究"", 《系统工程与电子技术》 * |
鲍明 等: ""基于欧式距离分布熵的特征优化研究"", 《电子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977996A (zh) * | 2019-02-12 | 2019-07-05 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
CN109977996B (zh) * | 2019-02-12 | 2021-04-02 | 华北水利水电大学 | 基于时间序列聚类融合的水工结构运行状态监测系统 |
CN111695391A (zh) * | 2019-03-14 | 2020-09-22 | 南京航空航天大学 | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
CN111695391B (zh) * | 2019-03-14 | 2023-05-09 | 南京航空航天大学 | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
CN113282876A (zh) * | 2021-07-20 | 2021-08-20 | 中国人民解放军国防科技大学 | 异常检测中一维时间序列数据生成方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108982106B (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saari et al. | Detection and identification of windmill bearing faults using a one-class support vector machine (SVM) | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
JP3321487B2 (ja) | 機器/設備診断方法およびシステム | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN108982106A (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
CN108106846B (zh) | 一种滚动轴承故障损伤程度识别方法 | |
Li et al. | Unsupervised machine anomaly detection using autoencoder and temporal convolutional network | |
Qiu et al. | Remaining useful life estimation for rolling bearing with SIOS-based indicator and particle filtering | |
CN116070154A (zh) | 一种大型轴承保持器的故障检测方法、设备及介质 | |
Ginart et al. | Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures | |
Yang et al. | Experimental study on the optimum time for conducting bearing maintenance | |
Wen et al. | A novel machine learning model for safety risk analysis in flywheel-battery hybrid energy storage system | |
WO2014031291A2 (en) | Fleet anomaly detection system and method | |
Ahmad et al. | Intelligent predictive maintenance model for rolling components of a machine based on speed and vibration | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
Dutta et al. | Bearing fault detection for water pumping system using artificial neural network | |
Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
Jiang et al. | In‐Process Quality Inspection of Rolling Element Bearings Based on the Measurement of Microelastic Deformation of Outer Ring | |
CN116538092A (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
Ma et al. | Research on condition monitoring of bearing health using vibration data | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
Lv et al. | General log‐linear Weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings | |
Tang et al. | Application of vibration signals for the quantitative analysis of the optimal threshold of bearing failure | |
Perez-Ramirez et al. | Homogeneity-based approach for bearing fault detection in induction motors by means of vibrations |
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 |