CN109543814A - 一种地铁信号系统各设备故障预测方法 - Google Patents
一种地铁信号系统各设备故障预测方法 Download PDFInfo
- Publication number
- CN109543814A CN109543814A CN201811011032.6A CN201811011032A CN109543814A CN 109543814 A CN109543814 A CN 109543814A CN 201811011032 A CN201811011032 A CN 201811011032A CN 109543814 A CN109543814 A CN 109543814A
- Authority
- CN
- China
- Prior art keywords
- equipment
- weight
- node
- neural network
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 210000002569 neuron Anatomy 0.000 claims abstract description 42
- 239000003550 marker Substances 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 239000000843 powder Substances 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
Abstract
本发明公开了一种地铁信号系统各设备故障预测方法,属于地铁信号系统各设备故障预测技术领域。该方法由BP神经网络算法预测,包括如下两大步骤:(一).根据不同设备运行参数的特征,确定针对各设备的BP神经网络算法构架,所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态,包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值:a.确定各BP神经网络算法中的参数;b.确定各BP神经网络算法中的各神经元节点的权值;(二).对地铁信号系统各设备进行故障预测。它可以有效预防并减少地铁信号设备的故障。
Description
技术领域
本发明涉及地铁信号系统各设备故障预测技术领域。
背景技术
城市地铁信号系统各设备是保证列车运行安全,实现行车指挥及列车运行现代化、提高运输效率的关键系统设备,其设施健康与否直接影响到轨道交通系统的安全与稳定运行,影响轨道交通运营服务质量。
地铁信号设备维护一般包括日常养护和集中检修两种方式,而目前国内各城市的信号系统只有在设备出现异常或故障时才会由维护人员进行故障处理,由于人员投入成本巨大,设施分散,故障多样化等问题使得检修人员缺少事前准备,不能在短时间内将故障解决,进而阻碍甚至中断城市地铁信号设备运营服务。
发明内容
本发明要解决的技术问题是提供一种地铁信号系统各设备故障预测方法,它可以有效预防并减少地铁信号设备的故障。
为解决上述技术问题,本发明所采取的技术方案是:
一种地铁信号系统各设备故障预测方法,该方法由BP神经网络算法预测,包括如下两大步骤:
(一).根据不同设备运行参数的特征,确定针对各设备的BP神经网络算法构架,所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态,包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值:
a.确定各BP神经网络算法中的参数,参数包括输入层神经元节点个数m和隐含层神经元节点个数h,其确定逻辑关系为:输入层神经元节点个数m=各设备的运行参数;隐含层神经元节点个数由下述经验公式确定:
式中:h:隐含层神经元节点个数;n:输出层神经元节点个数;m:输入层神经元节点个数;a:常数,取值为1~10;
b.确定各BP神经网络算法中的各神经元节点的权值,确定权值的方法基于Hadoop平台的支持,由地铁信号控制系统平台采集各设备中的历史参数储存到Hadoop平台中,将各设备中的历史参数以同一个时间节点获取的参数为一数据组进行数据分割,将各设备的各数据组进行归类:将各设备正常运行的各数据组归为正常数据组集合,将各设备故障状态运行的各数据组归类为故障数据组集合;
c.设定Hadoop平台运算参数,对步骤a中确定的各神经元节点的权值赋予标记符,用于区分各权值属于哪个节点;设定正常数据组集合中各组数据运算结果为逻辑“1”,设定故障数据组集合中各组数据运算结果为逻辑“0”,并设定运算最大误差;
d.由Hadoop平台根据步骤c设定的运算参数中的运算最小误差确定迭代次数,采用学习规则进行反向训练,从而在各神经元节点权值的标记符下运算出各设备正常数据组集合和各设备故障数据组集合中各组数据所对应的各神经元节点的权值的集合,并运算得出各神经元节点的权值平均值,该权值平均值为各神经元节点的权值;
(二).对地铁信号系统各设备进行故障预测:
a.由地铁信号控制系统平台实时采集各设备中的运行数据,并将所采集的每一数据组依次输入BP神经网络软件,根据第(一)大步骤中步骤a所确定的各设备在BP神经网络运算中的参数及第(一)大步骤中步骤d所确定的各设备在BP神经网络运算中的各神经元节点的权值对所采集的各设备的每一数据组进行运算,如果运算结果为逻辑“1”,则确定该设备处于正常运行状态,如果运算结果为逻辑“0”,则确定该设备处于故障运行状态。
本发明进一步改进在于:
第(一)大步骤中步骤c所设定Hadoop软件运算参数的运算最小误差为0.001。
第(一)大步骤的步骤d中采用Widrow-Hoff学习规则进行反向训练。
第(一)大步骤步骤a中a取值为6。
第(一)大步骤中步骤c对各神经元节点的权值赋予的标记符为三位(由左向右):第一位表示权值所属节点的下一层所指向的节点,第二位表示权值所属节点的节点位置,第三位表示权值所属节点的层数。
采用上述技术方案所产生的有益效果在于:
在分析信号设备维护信息的基础上,结合Hadoop平台并行运算和分布式储存与BP神经网络算法,达到了在提高预测精度的同时减少了算法计算的时间并降低成本的目的。使神经网络故障预测具有了工程实践的意义,为地铁信号系统的健康管理提供可靠保障。
通过Hadoop平台并行运算和分布式储存对BP神经网络算法进行改进,结合Hadoop平台并行运算和分布式储存与BP神经网络算法,将神经网络节点参数多次重组,以达到缩短训练时间的效果。
本方法可对地铁信号系统各设备故障进行在线预测,及时发现故障,以便有效及时处理,避免了传统检修方式的盲目性。
附图说明
图1是方法的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
本实施例通过对轨道电路设备故障预测方法的详述,对本发明进行具体说明(参见图1):
接下来以轨道电路设备故障预测为实施例对本发明进行具体说明:
对轨道电路设备的故障预测分为两大步骤:
(一).根据不同设备运行参数的特征,确定针对各设备的BP神经网络算法构架,所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态,包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值:
a.这一步我们需要确定神经网络的结构:将神经网络的层数确定为3层,分别是一个输入层,一个隐含层,一个输出层。首先分析轨道电路的设备数据特征,发现轨道电路的运行参数有使用周期、供电电压、温度、发送频率、发送电压、接收电压1、接受电压2和干扰电压共8个参数,这8个参数就是神经网络的输入,则我们确定了神经网络的输入层的神经元节点个数为m=8;神经网络的输出层神经元节点数为n=1,指的是轨道电路设备是否故障,若故障,则输出值为0,若不故障,则输出值为1;接下来引入公式从而确定隐含层的神经元节点个数,这个公式中的h表示隐含层神经元节点个数;n表示输出层神经元节点个数;m表示输入层神经元节点个数;a为一个常数,在本实例中取值为6;将上述输入层的神经元节点个数m=8,输出层神经元节点数为n=1,常数a=6代入这个公式,就得到了隐含层的神经元节点个数为于是本实例便确定了这是一个三层的神经网络,其输入层的神经元节点个数m=8,隐含层神经元节点个数h=9,输出层神经元节点数为n=1。
b.接下来我们需要确定神经网络算法中个神经元节点的权值:首先我们将轨道电路的历史数据存储到Hadoop提供的文件系统中,Hadoop会自动将大量的数据进行分块,我们将这些历史数据以同一个时间节点获取的参数为一数据组进行数据分割,将轨道电路的数据组进行归类:Hadoop会将轨道电路故障的数据分为一类,将不故障的数据分为一类,从而方便接下来的运行。
c.这一步需要给每个神经元节点的权值赋予一个标记符,标记符的作用是定位权值,每一个标记符对应一个位置的权值。在Hadoop中这个标记符是“key”的形式实现的,而权值就是这些“key”所对应的“value”,这一步的目的是为了定位每一个权值。标记符是一个三位数值,从左向右数:第一位表示权值所属节点的下一层所指向的节点,第二位表示权值所属节点的节点位置,第三位表示权值所属节点的层数。举个例子,将输入层(即第0层)的第一个节点(即节点数为0)和隐含层(即第1层)的第一个节点(即节点数为0)之间的权值设为w1,则权值w1的标记符就是“000”,如果是输入层(即第0层)的第二个节点(即节点数为1)和隐含层(即第1层)的第二个节点(即节点数为1)之间的权值设为w2,则权值w2的标记符就是“110”,这样一来我们就用标记符唯一的确定了每个权值,从而区分各个权值属于哪个节点。在这一步,除了要设置权值对应的标记符,我们还需要设定一个运算最大误差,这个误差决定了神经网络训练的迭代次数,在本实例中,运算最大误差为0.001;
d.上一步我们确定了运算的最大误差,通过这个误差值我们确定迭代次数,神经网络的反向训练是采用Widrow-Hoff学习规则,通过“正向运算,反向训练”的多次迭代,我们就可以得到符合标准的权值。神经网络的迭代完成后,Hadoop会将相同的“key”所对应的“value”进行合并,在轨道电路这个实例中,就是将具有相同标记符的权值进行合并成一个集合供我们使用。之后我们就需要把具有相同标记符的权值求和并取平均值,得到最终的权值。例如,假设Hadoop在步骤b中将数据分成了两组,这两组数据的神经网络迭代训练完成后得到了两组权值,第一组数据中“000”这个标记符对应权值w1,“110”这个标记符对应w2;第二组数据中“000”这个标记符对应权值w1’,“110”这个标记符对应w2’。w1和w1’在神经网络结构中位于同一个位置,w2和w2’在神经网络结构中位于同一个位置,我们把“000”对应的w1和w1’相加除以二得到它们的平均值w1”,把“110”对应的w2和w2’相加除以二得到它们的平均值w2”,这两个平均值w1”和w2”就是我们最终需要的权值。
(二).对轨道电路设备进行故障预测:
在第(一)大步骤中,我们已经得到了神经网络的结构和各神经元节点之间的权值,
第(一)大步骤中步骤a确定了轨道电路对应的BP神经网络的结构,第(一)大步骤中步骤d确定了轨道电路对应的BP神经网络各神经元节点之间的权值。在第(二)大步骤中我们开始对轨道电路设备进行故障预测。
a.首先我们采集得到轨道电路的运行数据,这是一组新的数据,数据中包含使用周期、供电电压、温度、发送频率、发送电压、接收电压1、接受电压2和干扰电压这8个参数,这8个参数就是一组新的输入值,我们将这些数据依次输入训练完成的BP神经网络,运算结果是逻辑“1”或“0”,如果运算结果为逻辑“1”,则确定该设备处于正常运行状态,如果运算结果为逻辑“0”,则确定该设备处于故障运行状态。这样一来我们就完成了轨道电路设备的故障预测。
Claims (5)
1.一种地铁信号系统各设备故障预测方法,其特征在于:所述方法由BP神经网络算法预测,包括如下两大步骤:
(一).根据不同设备运行参数的特征,确定针对各设备的BP神经网络算法构架,所确定的各BP神经网络算法构架用于预测其相对应设备运行是否处于状态,包括确定各BP神经网络算法中的参数和确定各BP神经网络算法中的各神经元节点的权值:
a.确定各BP神经网络算法中的参数,所述参数包括输入层神经元节点个数m和隐含层神经元节点个数h,其确定逻辑关系为:所述输入层神经元节点个数m=各设备的运行参数;所述隐含层神经元节点个数由下述经验公式确定:
式中:h:隐含层神经元节点个数;n:输出层神经元节点个数;m:输入层神经元节点个数;a:常数,取值为1~10;
b.确定各BP神经网络算法中的各神经元节点的权值,确定权值的方法基于Hadoop平台的支持,由地铁信号控制系统平台采集各设备中的历史参数储存到Hadoop平台中,将各设备中的历史参数以同一个时间节点获取的参数为一数据组进行数据分割,将各设备的各数据组进行归类:将各设备正常运行的各数据组归为正常数据组集合,将各设备故障状态运行的各数据组归类为故障数据组集合;
c.设定Hadoop平台运算参数,对步骤a中确定的各神经元节点的权值赋予标记符,用于区分各权值属于哪个节点;设定正常数据组集合中各组数据运算结果为逻辑“1”,设定故障数据组集合中各组数据运算结果为逻辑“0”,并设定运算最小误差;
d.由Hadoop平台根据步骤c设定的运算参数中的运算最小误差确定迭代次数,采用学习规则进行反向训练,从而在各神经元节点权值的标记符下运算出各设备正常数据组集合和各设备故障数据组集合中各组数据所对应的各神经元节点的权值的集合,并运算得出各神经元节点的权值平均值,该权值平均值为各神经元节点的权值;
(二).对地铁信号系统各设备进行故障预测:
a.由地铁信号控制系统平台实时采集各设备中的运行数据,并将所采集的每一数据组依次输入BP神经网络软件,根据第(一)大步骤中步骤a所确定的各设备在BP神经网络运算中的参数及第(一)大步骤中步骤d所确定的各设备在BP神经网络运算中的各神经元节点的权值对所采集的各设备的每一数据组进行运算,如果运算结果为逻辑“1”,则确定该设备处于正常运行状态,如果运算结果为逻辑“0”,则确定该设备处于故障运行状态。
2.根据权利要求1所述的一种地铁信号系统各设备故障预测方法,其特征在于:所述第(一)大步骤中步骤c所设定Hadoop软件运算参数的运算最小误差为0.001。
3.根据权利要求2所述的一种地铁信号系统各设备故障预测方法,其特征在于:所述第(一)大步骤的步骤d中采用Widrow-Hoff学习规则进行反向训练。
4.根据权利要求3所述的一种地铁信号系统各设备故障预测方法,其特征在于:所述第(一)大步骤步骤a中a取值为6。
5.根据权利要求4所述的一种地铁信号系统各设备故障预测方法,其特征在于:所述第(一)大步骤中步骤c对各神经元节点的权值赋予的标记符为三位(由左向右):第一位表示权值所属节点的下一层所指向的节点,第二位表示权值所属节点的节点位置,第三位表示权值所属节点的层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011032.6A CN109543814A (zh) | 2018-08-31 | 2018-08-31 | 一种地铁信号系统各设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811011032.6A CN109543814A (zh) | 2018-08-31 | 2018-08-31 | 一种地铁信号系统各设备故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543814A true CN109543814A (zh) | 2019-03-29 |
Family
ID=65838959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811011032.6A Pending CN109543814A (zh) | 2018-08-31 | 2018-08-31 | 一种地铁信号系统各设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543814A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091180A (zh) * | 2019-12-09 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
WO2021248769A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN113971467A (zh) * | 2021-11-01 | 2022-01-25 | 北京城建智控科技股份有限公司 | 一种基于bp神经网络的车辆信号设备智能运维方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
-
2018
- 2018-08-31 CN CN201811011032.6A patent/CN109543814A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091180A (zh) * | 2019-12-09 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
CN111091180B (zh) * | 2019-12-09 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种模型训练方法和相关装置 |
WO2021248769A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113971467A (zh) * | 2021-11-01 | 2022-01-25 | 北京城建智控科技股份有限公司 | 一种基于bp神经网络的车辆信号设备智能运维方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543814A (zh) | 一种地铁信号系统各设备故障预测方法 | |
CN105207213B (zh) | 一种考虑分段负荷转移的配电网n‑1校验方法 | |
CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
US20140088865A1 (en) | Apparatus and method for predicting arrival times in a transportation network | |
CN112926666A (zh) | 一种轨道交通故障诊断方法 | |
CN110843870B (zh) | 一种非正常事件下高铁路网图定能力保持方法 | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN108285071A (zh) | 一种基于贝叶斯网络的电梯健康诊断方法 | |
CN104200263B (zh) | 一种基于禁忌差分进化和gis的配电网络线路规划方法 | |
CN103714383A (zh) | 一种基于粗糙集的轨道交通故障诊断方法和系统 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN104991549A (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN104537835B (zh) | 一种宏观—微观结合的环路交通可靠性仿真方法与系统 | |
CN112561129B (zh) | 一种基于配电线路故障信息的抢修物资调配方法 | |
Chang et al. | Improved optimisation method using genetic algorithms for mass transit signalling block-layout design | |
CN105489010A (zh) | 一种快速道路行程时间可靠度监测分析系统及方法 | |
CN109376846A (zh) | 基于Hadoop平台的BP神经网络的地铁信号系统故障预测方法 | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm | |
Sun et al. | Two-stage vehicle routing optimization for logistics distribution based on HSA-HGBS algorithm | |
CN103177403A (zh) | 一种综合停电检修计划的控制方法 | |
CN110135633A (zh) | 一种铁路业务呼叫故障预测方法和装置 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN112777442A (zh) | 基于物联网大数据的电梯安全区域风险预测方法 | |
CN111814280B (zh) | 城市轨道交通的规划方法、服务器和计算机可读存储介质 | |
CN108107864B (zh) | 一种计算机联锁系统服役寿命预测评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |