CN109213119B - 基于在线学习的复杂工业关键部件故障预测方法及系统 - Google Patents

基于在线学习的复杂工业关键部件故障预测方法及系统 Download PDF

Info

Publication number
CN109213119B
CN109213119B CN201810760940.9A CN201810760940A CN109213119B CN 109213119 B CN109213119 B CN 109213119B CN 201810760940 A CN201810760940 A CN 201810760940A CN 109213119 B CN109213119 B CN 109213119B
Authority
CN
China
Prior art keywords
prediction
evaluation
uncertainty
online learning
fault prediction
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
CN201810760940.9A
Other languages
English (en)
Other versions
CN109213119A (zh
Inventor
张彩霞
王向东
胡绍林
王新东
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201810760940.9A priority Critical patent/CN109213119B/zh
Publication of CN109213119A publication Critical patent/CN109213119A/zh
Application granted granted Critical
Publication of CN109213119B publication Critical patent/CN109213119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Abstract

本发明涉及复杂工业设备故障预测技术领域，具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统，通过建立基于在线学习的复杂工业关键部件故障预测体系，再通过规范化的故障预测结果不确定性评估体系改进故障预测体系，构建组合预测模型体系，将获取到的复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果，能有效提高制造过程中复杂工业关键部件的故障预测精确度。

Description

基于在线学习的复杂工业关键部件故障预测方法及系统
技术领域
本发明涉及复杂工业设备故障预测技术领域，具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统。
背景技术
随着世界经济的不断发展，复杂工业的发展越来越多的受到重视，现已成为衡量综合实力的标志。随着越来越多的工业设备投入使用，如何能够保证这些复杂工业健康稳定的运行成了至关重要的问题。复杂工业设备运行在严苛的环境中，环境变化、性能耗损等原因都有可能使得复杂工业设备出现故障，为设备管理工作增加难度。当复杂工业设备发生故障时，需要耗费大量的人力、物力去诊断和解决故障，如果能在故障发生之前通过对复杂工业设备各方面性能、数据的观察推断出可能发生的故障并提前预警，采取预防措施就可以在制造过程中对复杂工业关键部件进行故障预测，从而把故障发生的概率降低在最小的范围之内，保证复杂工业设备运行的可靠性，因此制造过程中的故障预测在复杂工业设备领域具有很强的现实意义。
如何提高制造过程中复杂工业设备故障预测的精确度，特别是关键部件的故障预测精确度成为关键问题。
发明内容
本发明提供一种基于在线学习的复杂工业关键部件故障预测方法及系统，能有效提高制造过程中复杂工业关键部件故障预测的精确度。
本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统，所述方法包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；通过故障预测体系的性能评估技术，对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，验证复杂环境下评估体系有效性和规范性，形成规范化的不确定性评估流程与量化评估方法，改进故障预测体系；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；
进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
本发明的有益效果是：本发明公开一种基于在线学习的复杂工业关键部件故障预测方法及系统，通过建立基于在线学习的复杂工业关键部件故障预测体系，再通过规范化的故障预测结果不确定性评估体系改进故障预测体系，构建组合预测模型体系，将获取到的复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果，能有效提高制造过程中复杂工业关键部件的故障预测精确度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于在线学习的复杂工业关键部件故障预测的方法流程示意图；
图2是本发明的故障预测体系的方法结构示意图；
图3是本发明的故障预测结果不确定性评估体系的方法结构示意图；
图4是本发明一种基于在线学习的复杂工业关键部件故障预测方法的结构示意图。
具体实施方式
参考图1—4，本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统，所述方法包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；通过故障预测体系的性能评估技术，对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，验证复杂环境下评估体系有效性和规范性，形成规范化的不确定性评估流程与量化评估方法，改进故障预测体系；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；
进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (6)

1.一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
其中，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系。
2.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或不确定性指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
3.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性；
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
4.一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
其中，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系。
5.根据权利要求4所述的一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或不确定性指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
6.根据权利要求4所述的一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性；
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
CN201810760940.9A 2018-07-11 2018-07-11 基于在线学习的复杂工业关键部件故障预测方法及系统 Active CN109213119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810760940.9A CN109213119B (zh) 2018-07-11 2018-07-11 基于在线学习的复杂工业关键部件故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810760940.9A CN109213119B (zh) 2018-07-11 2018-07-11 基于在线学习的复杂工业关键部件故障预测方法及系统

Publications (2)

Publication Number Publication Date
CN109213119A CN109213119A (zh) 2019-01-15
CN109213119B true CN109213119B (zh) 2021-05-04

Family

ID=64990013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810760940.9A Active CN109213119B (zh) 2018-07-11 2018-07-11 基于在线学习的复杂工业关键部件故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN109213119B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638672B (zh) * 2020-06-05 2024-01-16 昆山艾控智能科技有限公司 一种工业机台的自动控制系统
CN111665819A (zh) * 2020-06-08 2020-09-15 杭州电子科技大学 一种基于深度学习多模型融合的复杂化工过程故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN103974311A (zh) * 2014-05-21 2014-08-06 哈尔滨工业大学 基于改进高斯过程回归模型的状态监测数据流异常检测方法
CN104537415A (zh) * 2014-12-02 2015-04-22 北京化工大学 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法
CN105096053A (zh) * 2015-08-14 2015-11-25 哈尔滨工业大学 一种适用于复杂工艺系统的健康管理决策方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017116655A1 (en) * 2015-12-28 2017-07-06 Cooper Technologies Company Prognostic and health monitoring systems for circuit breakers

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN103974311A (zh) * 2014-05-21 2014-08-06 哈尔滨工业大学 基于改进高斯过程回归模型的状态监测数据流异常检测方法
CN104537415A (zh) * 2014-12-02 2015-04-22 北京化工大学 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法
CN105096053A (zh) * 2015-08-14 2015-11-25 哈尔滨工业大学 一种适用于复杂工艺系统的健康管理决策方法

Also Published As

Publication number Publication date
CN109213119A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN112596495B (zh) 一种基于知识图谱的工业设备故障诊断方法及系统
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN109710983B (zh) 一种基于关键性能指标的柴油机气缸分层故障诊断方法
Chandra et al. Improving software quality using machine learning
CN112083244B (zh) 综合化航空电子设备故障智能诊断系统
CN109213119B (zh) 基于在线学习的复杂工业关键部件故障预测方法及系统
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
US8649990B2 (en) Method for detecting variance in semiconductor processes
JP6823025B2 (ja) 検査装置及び機械学習方法
CN103218277A (zh) 服务器环境的自动检测方法与装置
CN115114124A (zh) 主机风险的评估方法及评估装置
CN109990803A (zh) 检测系统异常的方法、装置及传感器处理的方法、装置
CN210829975U (zh) 一种基于边缘计算和机器学习的液压系统状态监测系统
CN107515971A (zh) 一种基于维修性和功能结构的产品设计方法及装置
TWI427487B (zh) 工件抽樣檢驗的方法及其電腦程式產品
Vesra A study of various static and dynamic metrics for open source software
CN103235206A (zh) 一种变压器的故障诊断方法
Santos et al. An empirical study on the influence of context in computing thresholds for Chidamber and Kemerer metrics.
CN115600695A (zh) 一种计量设备的故障诊断方法
CN112529059B (zh) 机组电磁振动诊断方法、系统、计算机设备和存储介质
CN114550336A (zh) 设备巡检方法、装置、计算机设备和存储介质
KR20220096793A (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템
CN113392033A (zh) 一种确定被动iast测试api覆盖率的方法及装置
KR20220096794A (ko) 회전기계의 결함을 진단하는 방법 및 시스템
CN112445632A (zh) 基于故障数据建模的hpc可靠性评估方法

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