CN109582482A - 用于检测离散型生产设备的异常的方法及装置 - Google Patents

用于检测离散型生产设备的异常的方法及装置 Download PDF

Info

Publication number
CN109582482A
CN109582482A CN201710911412.4A CN201710911412A CN109582482A CN 109582482 A CN109582482 A CN 109582482A CN 201710911412 A CN201710911412 A CN 201710911412A CN 109582482 A CN109582482 A CN 109582482A
Authority
CN
China
Prior art keywords
variable
characteristic value
production equipment
discrete type
type production
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
Application number
CN201710911412.4A
Other languages
English (en)
Inventor
介鸣
张彬
孟显涛
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Priority to CN201710911412.4A priority Critical patent/CN109582482A/zh
Priority to PCT/EP2018/076507 priority patent/WO2019063812A1/en
Publication of CN109582482A publication Critical patent/CN109582482A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种用于检测离散型生产设备的异常的方法，包括：针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述生产设备的生产周期内对该变量的数值进行采样以得到该变量的时间序列信号；从所采样的该变量的时间序列信号中提取该变量的特征值；基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。利用该方法，可以有效地执行离散型生产设备异常检测。

Description

用于检测离散型生产设备的异常的方法及装置
技术领域
本申请通常涉及异常检测领域，更具体地，涉及用于检测离散型生产设备的异常的方法及装置。
背景技术
随着物联网(Internet of things，IOT)在工业领域的发展，大量的数据会被实时地经由边界设备从自动化系统中获取，并被存储在云端服务器中。例如，可以经由集成的OPC-UA(用于过程控制的对象连接与嵌入-统一架构技术，OLE for Process Control-unified architecture)服务器获取大约三千个变量数据。基于这些变量数据，工业物联网(Industry Internet of things，IIOT)系统可以提供数据分析和机器学习功能，以实现在线设备异常检测和预测维护。
在执行在线设备异常检测时，经由OPC-UA获取的变量数据通常会非常大，由此需要消耗大量的通信开销。而且，在所获取的变量数据中，很多变量数据对于设备异常检测而言是无用数据，从而使得检测效率较低。此外，现有的设备异常检测方案针对特定领域(比如，喷射引擎)通常是定制的，该检测方案对于其他领域通常不适用。而且，在该定制的检测方案中，对于特定变量，需要具备比较强的专业知识来进行分析和判断。另外，在进行异常检测时，通常是基于阈值来进行告警的，在这种情况下，无法利用历史数据来提高检测准确率。
因此，如何在物联网领域更有效地进行设备异常检测成为一个期待解决的问题。
发明内容
鉴于上述，本申请提供了一种用于检测离散型生产设备的异常的方法及装置。利用该方法，通过针对离散型生产设备获得感兴趣变量空间以及变量类别特征值和变量异常相关特征值，在检测时，针对所述感兴趣空间中的每个变量，采样该变量的时间序列信号并提取对应的特征值，基于所提取的特征来确定变量所属类别，并基于各个变量的所提取的特征值以及对应类别的变量异常相关特征值来执行设备异常判断，从而可以高效地提供设备异常检测。
根据本申请的一个方面，提供了一种用于检测离散型生产设备的异常的方法，包括：针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号；从所采样的该变量的时间序列信号中提取该变量的特征值；基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。
在上述方面的一个示例中，所述感兴趣变量空间是通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得的。
在上述方面的一个示例中，从所采样的该变量的时间序列信号中提取该变量的特征值可以包括：通过对所采样的该变量的时间序列信号应用降维技术来提取该变量的特征值。
在上述方面的一个示例中，所述降维技术可以包括下述技术中的一种：离散傅里叶变换、离散小波变换、奇异值分解、分段线性近似法、自适应分段常数近似法、分段聚合近似法、契比雪夫多项式、符号化近似法。
在上述方面的一个示例中，所述变量类别特征值和所述变量异常相关特征值可以是通过下述方法获得的：利用K-均值算法对基于所述离散型生产设备在正常操作时采样的所述变量的时间序列信号提取的所述变量的特征值执行聚类操作，以形成多个类别；针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该类别的变量异常相关特征值。
在上述方面的一个示例中，基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常可以包括：基于该变量的所提取的特征值以及所属类别的变量类别特征值，计算该变量相对于所述变量类型特征值的欧几里得距离；在所计算出的欧几里得距离大于该变量所属类别的变量异常相关特征值的预定倍数时，确定所述离散型生产设备异常。
在上述方面的一个示例中，所述变量的时间序列信号可以是经由边界设备利用OPC-UA技术获得的。
在上述方面的一个示例中，所述变量的时间序列信号是利用OPC-UA技术并经由多个边界设备并行获得的。
根据本申请的另一方面，提供了一种用于检测离散型生产设备的异常的装置，包括：采样单元，用于针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号；提取单元，用于从所采样的该变量的时间序列信号中提取该变量的特征值；类别确定单元，用于基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；以及异常确定单元，用于基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。
在上述方面的一个示例中，所述装置还可以包括：感兴趣变量空间获取单元，用于通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得感兴趣变量空间。
在上述方面的一个示例中，所述提取单元用于：通过对所采样的该变量的时间序列信号应用降维技术来提取该变量的特征值。
在上述方面的一个示例中，所述降维技术可以包括下述技术中的一种：离散傅里叶变换、离散小波变换、奇异值分解、分段线性近似法、自适应分段常数近似法、分段聚合近似法、契比雪夫多项式、符号化近似法。
在上述方面的一个示例中，所述装置还可以包括：聚类单元，用于利用K-均值算法对基于所述离散型生产设备在正常操作时采样的所述变量的时间序列信号提取的所述变量的特征值执行聚类操作以形成多个类别，并且针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该类别的变量异常相关特征值。
在上述方面的一个示例中，所述异常确定单元可以进一步用于：基于该变量的所提取的特征值以及所属类别的变量类别特征值，计算该变量相对于所述变量类型特征值的欧几里得距离；在所计算出的欧几里得距离大于该变量所属类别的变量异常相关特征值的预定倍数时，确定所述离散型生产设备异常。
在上述方面的一个示例中，所述装置还可以包括：存储单元，用于存储所述感兴趣变量空间中的变量信息以及变量类别特征值和变量异常相关特征值。
根据本申请的另一方面，提供了一种计算设备，包括：一个或多个处理器；存储器，用于存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的用于检测离散型生产设备的方法。
根据本申请的另一方面，提供了一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于检测离散型生产设备的方法。
利用本申请的用于检测离散型生产设备的方法及装置，通过针对离散型生产设备预先获得感兴趣变量空间以及变量类别特征值和变量异常相关特征值，在检测时，针对所述感兴趣空间中的每个变量，采样该变量的时间序列信号并提取对应的特征值，基于所提取的特征来确定变量所属类别，并基于各个变量的所提取的特征值以及对应类别的变量异常相关特征值来执行设备异常判断，从而可以高效地提供设备异常检测。
利用本申请的用于检测离散型生产设备的方法及装置，通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得感兴趣变量空间，可以减少待处理的变量数量，从而提高处理效率并减小存储空间。
利用本申请的用于检测离散型生产设备的方法及装置，通过利用降维技术来提取变量的特征值，尤其是利用小波变换技术，可以使得上述方式适合于应用于更广范围的信号，比如突发信号。
利用本申请的用于检测离散型生产设备的方法及装置，通过利用OPC-UA技术来获取变量的时间序列信号，可以使得所有变量能够被自动浏览，并且被容易地分类。
附图说明
通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。
图1示出了根据本申请的用于获取感兴趣变量空间的过程的流程图；
图2示出了根据本申请的用于去除非循环型变量的过程的一个示例的流程图；
图3示出了根据本申请的用于去除固定循环型变量的过程的一个示例的流程图；
图4示出了根据本申请的用于去除导出型变量的过程的一个示例的流程图；
图5示出了根据本申请的用于获得变量类别特征值和变量异常特征值的一个示例过程的流程图；
图6示出了根据本申请的用于检测离散型生产设备的异常的方法的流程图；
图7示出了根据本申请的用于检测离散型生产设备的异常的装置的一个示例的框图；
图8示出了根据本申请的用于检测离散型生产设备的异常的装置的另一示例的框图；和
图9示出了根据本申请的用于检测离散型生产设备的异常的装置的另一示例的框图。
附图标记
110：去除可写型变量
120：去除常数型变量
130：去除非循环型变量
140：去除固定循环型变量
150：去除导出型变量
131：在循环m、n内执行采样
133：对采样执行Z变换
135：计算欧几里得距离
137：去除非循环变量
141：在循环j内执行采样
143：计算标准方差
145：去除固定循环变量
151：同时采样两个变量的时间序列信号
153：执行Z变换
155：计算欧几里得距离
157：去除导出型变量
210：采样变量的时间序列信号
220：提取特征值
230：聚类
240：确定变量类型特征值和变量异常相关特征值
250：存储变量类型特征值和变量异常相关特征值
310：采样变量的时间序列信号
320：提取特征值
330：确定类别
340：是否异常？
350：是否存在未处理的变量？
360：结束
700：检测装置 710：采样单元 720：提取单元
730：类别确定单元 740：异常确定单元 703：VOI空间获取单元
705：聚类单元 707：计算单元 709：存储单元
900：检测装置 910：一个或多个处理器 920：存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
在本文中，术语“离散型生产设备”是指具有下述特征的生产设备：(1)具有生产周期，(即，该生产设备循环操作)，换言之，该生产设备一直在重复特定操作，并且具有明显的循坏开始信号和循环结束信号；(2)该生产设备涉及有限的工艺并且生产有限种类的产品。所述离散型生产设备的示例例如可以包括封装机等。
在本文中，术语“OPC-UA”是基于OPC基金会提供的新一代技术。通过OPC UA，所有需要的信息在任何时间，任何地点对每个授权的应用，每个授权的人员都可用。这种功能独立于制造厂商的原始应用，编程语言和操作系统。OPC UA是目前已经使用的OPC工业标准的补充，提供重要的一些特性，包括如平台独立性，扩展性，高可靠性和连接互联网的能力。OPC UA不再依靠DCOM，而是基于面向服务的架构(SOA)。该技术允许一个单一的OPC UA服务器把数据,报警与事件和历史信息统一到它的地址空间里,并且可以用一套统一的服务为它们向外提供接口。
在本文中，术语“导出型变量”是指由其它变量导出的变量。比如，变量A和B，如果变量B可以基于变量A的表达式来进行表达，或者变量B可以基于变量A导出，则变量B就是变量A的导出型变量。
在本文中，术语“变量类别特征值”是用于表征变量所属类别的特征的特征值，比如该类别所包含的变量的时间序列信号的均值等。术语“变量异常相关特征值”是指与变量异常状态相关的变量特征值，比如该类别所包含的变量的时间序列信号的标准方差等。
现在结合附图来描述本申请的用于检测离散型生产设备的异常的方法及装置的实施例。所述用于检测离散型生产设备的异常的装置在下文中称为检测装置。
在实施本申请的用于检测离散型生产设备的异常的方法之前，还需要执行预处理过程，所述预处理过程包括感兴趣变量空间的获取过程以及变量类型特征值和变量异常相关特征值的获取过程。所述预处理过程可以是离线方式或在线方式执行的。
图1示出了根据本申请的用于获取感兴趣变量空间的过程的流程图。如图1所示，针对离散型生产设备正常操作期间经由边界设备利用OPC-UA技术可获取的所有变量(所有变量例如可以以变量列表的形式呈现给用户或检测装置)的变量集合，例如，X＝{x1，x2，x3...xn}，其中，X是变量集合，x1,….xn是各个变量。在例如经由边界设备在生产设备的生产周期内对所有变量的数值进行采样来获取所有变量的时间序列信号(时间序列信号集合T＝{tx1，tx2...txn}，其中，对于任一txi，存在自己的时间序列信号txi＝{txi1，txi2...txik})后，在框110，从所获取的变量集合中去除可写型变量，以得到第一剩余变量集合。在一个示例中，去除可写型变量的过程可以包括：首先，判断所获取的变量集合中是否存在可写型变量。例如，可以通过读取变量的读写属性信息来判断该变量是否属于可写型变量。如果该变量是可写型变量，则从所获取的变量集合中去除。然后，流程进行到框120。
在框120中，从经过可写型变量去除后的第一剩余变量集合中去除常数型变量，以得到第二剩余变量集合。具体地，去除常数型变量的过程可以包括：判断第一剩余变量集合中是否存在常数型变量；以及在存在常数型变量时，去除所述常数型变量。例如，在一个示例中，去除常数型变量的过程还可以包括：计算第一剩余变量集合中的每个变量的时间序列信号txi＝{txi1，txi2...txik}的标准方差；在所计算出的标准方差接近于零时，比如小于10-6，则认为该变量属于常数型变量；并且从第一剩余变量集合中去除该变量。这里，μi是txi＝{txi1，txi2...txik}的均值。然后，流程进行到框130。
在框130中，从经过常数型变量去除后的第二剩余变量集合中去除非循环型变量，以得到第三剩余变量集合。图2示出了根据本申请的用于去除非循环型变量的过程的一个示例的流程图。
如图2所示，在框131中，针对第二剩余变量集合中的每个变量，在不同的工作循环m和n中执行采样，得到时间序列信号txim＝{txim1，txim2...tximk}和txin＝{txin1，txin2...txink}。这里，m和n是大于等于1的不同自然数。
接着，在框133中，对两个时间序列信号txim和txin执行Z变换，然后，在框135中，计算两个时间序列信号之间的欧几里得距离，如果欧几里得距离Dmn大于某个预定阈值(比如0.1)，则在框137中，确定该变量是非循环型变量，并从第二剩余变量集合中去除。然后，流程进行到框140。
在框140中，从经过非循环型变量去除后的第三剩余变量集合中去除固定循环型变量，以得到第四剩余变量集合。图3示出了根据本申请的用于去除固定循环型变量的过程的一个示例的流程图。
如图3所示，在框141中，在工作循环j内执行采样，获得变量xi的时间序列信号txij＝{txij1，txij2...txijk}。接着，在框143中，计算每个采样点的标准方差δij＝{δij1，δij2...δijk}。然后，在框145中，如果δij·δ′ij接近于零时，比如小于10-6，则认为该变量属于固定循环型变量；并且从第三剩余变量集合中去除该变量。这里，δij是δij的转置。然后，流程进行到框150。
在框150中，从经过固定循环型变量去除后的第四剩余变量集合中去除导出型变量以获得随机循环型变量，从而得到感兴趣变量空间。图4示出了根据本申请的用于去除导出型变量的过程的一个示例的流程图。
如图4所示，在框151中，针对第四剩余变量集合中的任何两个变量，同时执行采样，以获得两个时间序列信号txi和txj。接着，在框153中，对所采样的两个时间序列信号txi和txj执行Z变换，以获得两个经过Z变换后的时间序列信号z(txi)和z(txi)。随后，在框155中，计算两个时间序列信号之间的欧几里得距离然后，在框157中，在Dij接近于零时，比如小于10-6，则认为该变量属于导出型变量；并且从第四剩余变量集合中去除该变量。
这里要说明的是，图1中示出的仅仅是用于获得感兴趣变量空间的方法的一个示例。在其他示例中，可以对图1中示出的方法的步骤的顺序进行修改。
在如上获得感兴趣变量空间后，针对每个感兴趣变量，获得变量类别特征值和变量异常特征值。图5示出了根据本申请的用于获得变量类别特征值和变量异常特征值的一个示例过程的流程图。
如图5所示，首先，在框210中，针对每个感兴趣变量，在离散型生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号txi＝{txi1，txi2...txik}。在采样时间序列信号后，在框220中，从所采样的该变量的时间序列信号中提取特征值。在一个示例中，从采样的该变量的时间序列信号中提取特征值可以包括：通过对所采样的该变量的时间序列信号应用降维技术来提取该变量的特征值。在本申请的一个示例中，所述降维技术可以包括下述技术中的一种：离散傅里叶变换(DFT，Discrete FourierTransform)、离散小波变换(DFT，Discrete Wavelet Transform)、奇异值分解(SingularValue Decomposition)、分段线性近似法(Piecewise Linear Approximation)、自适应分段常数近似法(Adaptive Piecewise Constant Approximation)、分段聚合近似法(Piecewise Aggregate Approximation)、契比雪夫多项式(Chebyshev Polynomials)、符号化近似法(Symbolic Approximation)。优选地，所述降维技术是离散小波变换。例如，对时间序列信号txi＝{txi1，txi2...txik}执行N维离散小波变换，则所提取的特征值是{dxi1，dxi2...dxiN)。
在如上提取出该变量的特征值后，在框230中，利用K-均值算法来对所提取的特征值，例如，{dxi1，dxi2...dxiN}，执行聚类操作，以形成多个类别。然后，在框240中，针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该类别的变量异常相关特征值。
优选地，上述过程还可以包括框250的操作。在框250中，将所计算出的变量类别特征值和变量异常相关特征值存储在检测装置中。
在如上获得感兴趣变量空间和每个变量的每个类别的变量类别特征值、变量异常相关特征值后，可以在检测装置上执行用于检测离散型生产设备的异常的过程。图6示出了根据本申请的用于检测离散型生产设备的异常的方法的流程图。
如图6所示，首先，在框310中，针对感兴趣变量空间中的一个待检测变量，在离散型生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号。这里，所述采样可以按照预定的采样频率进行。接着，在框320中，从所采样的所采样的该变量的时间序列信号中提取特征值。在一个示例中，从采样的该变量的时间序列信号中提取特征值可以包括：通过对所采样的该变量的时间序列信号应用降维技术来提取该变量的特征值。在本申请的一个示例中，所述降维技术可以包括下述技术中的一种：离散傅里叶变换(DFT，Discrete Fourier Transform)、离散小波变换(DFT，Discrete WaveletTransform)、奇异值分解(Singular Value Decomposition)、分段线性近似法(PiecewiseLinear Approximation)、自适应分段常数近似法(Adaptive Piecewise ConstantApproximation)、分段聚合近似法(Piecewise Aggregate Approximation)、契比雪夫多项式(Chebyshev Polynomials)、符号化近似法(Symbolic Approximation)。优选地，所述降维技术是离散小波变换。例如，对时间序列信号txi＝{txi1，txi2...txik}执行N维离散小波变换，则所提取的特征值是{dxi1，dxi2...dxiN}。
然后，在框330中，基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别。例如，在变量类别特征值是时间序列信号的均值时，基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别可以包括：计算该变量的特征值相对于各个所存储的变量类别特征值(例如，均值)的欧几里得距离；将所计算出的欧几里得距离小于预定阈值所对应的变量类型特征值所属于的类别确定为该变量的类别。这里要说明的是，如果存在相对于多个均值所计算出的欧几里得距离都小于预定阈值，则认为该变量是不可区分变量，需要从所述感兴趣变量空间中移除。
接着，在框340中，基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。例如，在一个示例中，所述离散型生产设备异常确定过程可以包括：计算该变量的所提取的特征值相对于该变量所属类别的变量类别特征值(例如，均值)的欧几里得距离；然后将所计算出的欧几里得距离与该类别的变量异常相关特征值(例如，标准方差)进行比较来确定离散型生产设备是否异常。例如，如果所计算出的欧几里得距离大于变量异常相关特征值的预定倍数(例如，3倍)，则认为该离散型生产设备异常。否则，不认为该离散型生产设备异常。
如果在框340中判断出异常，则流程进行到框360，流程结束。优选地，在这种情况下，还可以向用户返回离散型生产设备异常的结果。如果在框340中判断出针对该变量没有发生异常。则流程进行到框350。
在框350中，判断所述感兴趣变量空间中是否还存在未被检测的变量。如果存在未被检测的变量，则选择一个未被检测的变量，并返回到框310，针对该变量执行如上的检测过程。如果不存在未被检测的变量，则进行到框360，流程结果。优选地，在这种情况下，还可以向用户返回离散型生产设备正常的结果。
这里要说明的是，在图6中示出的方法中，针对每个变量，在确定出类别后，立即执行离散型生产设备异常的判断。在其他示例中，离散型生产设备异常的判断也可以在针对所有变量的变量类别确定之后才执行。
此外，要说明的是，在上述描述中，变量的时间序列信号是利用OPC-UA技术获取的。在其它示例中，也可以采用其它合适的技术获取。此外，在其它示例中，变量的时间序列信号可以是经由一个边界设备获取，也可以经由多个边界设备并行获取。
如上参照图1到图6描述了根据本申请的用于检测离散型生产设备的异常的方法。所述方法可以利用硬件实现，也可以利用软件或者软件和硬件的组合来实现。
图7示出了根据本申请的用于检测离散型生产设备的异常的装置(在下文中简称为检测装置700)的一个示例的框图。
如图7所示，检测装置700包括采用单元710、提取单元720、类别确定单元730和异常确定单元740。
采样单元710用于针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述离散型生产设备的生产周期内，对该变量的数值进行采样，以得到该变量的时间序列信号。提取单元720用于从所采样的该变量的时间序列信号中提取该变量的特征值。例如，在一个示例中，提取单元720可以通过对所采样的该变量的时间序列信号执行降维技术来提取该变量的特征值。所述降维技术可以包括下述技术中的一种：离散傅里叶变换(DFT，Discrete Fourier Transform)、离散小波变换(DFT，Discrete Wavelet Transform)、奇异值分解(Singular Value Decomposition)、分段线性近似法(Piecewise LinearApproximation)、自适应分段常数近似法(Adaptive Piecewise ConstantApproximation)、分段聚合近似法(Piecewise Aggregate Approximation)、契比雪夫多项式(Chebyshev Polynomials)、符号化近似法(Symbolic Approximation)。优选地，所述降维技术是离散小波变换。例如，对时间序列信号txi＝{txi1，txi2...txik}执行N维离散小波变换，则所提取的特征值是{dxi1，dxi2...dxiN}。
类别确定单元730用于基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别。例如，在变量类别特征值是时间序列信号的均值时，类别确定单元730可以用于：计算该变量的特征值相对于各个所存储的变量类别特征值(例如，各个均值)的欧几里得距离；将所计算出的欧几里得距离小于预定阈值所对应的变量类型特征值所属于的类别确定为该变量的类别。
异常确定单元740用于基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。在一个示例中，异常确定单元740可以用于：基于该变量的所提取的特征值以及所属类别的变量类别特征值，计算该变量相对于所述变量类型特征值的欧几里得距离；在所计算出的欧几里得距离大于该变量所属类别的变量异常相关特征值的预定倍数时，确定所述离散型生产设备异常。
图8示出了根据本申请的用于检测离散型生产设备的异常的装置(在下文中称为检测装置800)的另一示例的框图。图8中示出的检测装置800是对图7中示出的检测装置700的修改例。与图7中的检测装置700相比，检测装置800还包括感兴趣变量空间获取单元703、聚类单元705和计算单元707。
感兴趣变量空间获取单元703用于通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得感兴趣变量空间。例如，通过从从所述离散型生产设备在正常操作时获得的变量中去除下述变量中的一种或多种预先获得感兴趣变量空间：可写型变量、常数型变量、非循环型变量、固定循环型变量和导出型变量。
聚类单元705用于利用K-均值算法对基于所述离散型生产设备在正常操作时采样的所述变量的时间序列信号提取的所述变量的特征值执行聚类操作，以形成多个类别。然后，计算单元707针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该类别的变量异常相关特征值。
优选地，检测装置800还包括存储单元709，用于存储所述感兴趣变量空间中的变量信息以及变量类别特征值和变量异常相关特征值。
这里，要说明的是，在其他示例中，根据本申请的用于检测离散型生产设备的异常的装置可以包括感兴趣变量空间获取单元703、聚类单元705、计算单元707和存储单元709中的一个或多个。
图9示出了根据本申请的用于检测离散型生产设备的异常的装置(下文中称为检测装置900)的另一示例的框图。如图9所示，检测装置900包括一个或多个处理器910和存储器920。在存储器920中存储计算机可执行指令，其当执行时使得一个或多个处理器910用于：针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述离散型生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号；从所采样的该变量的时间序列信号中提取该变量的特征值；基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。
应该理解，在存储器920中存储的计算机可执行指令当被执行时使得一个或多个处理器910进行本申请的各个实施例中描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (17)

1.一种用于检测离散型生产设备的异常的方法，包括：
针对所述离散型生产设备的感兴趣变量空间中的每个变量，
在所述生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号；
从所采样的该变量的时间序列信号中提取该变量的特征值；
基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；
基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。
2.如权利要求1所述的方法，其中，所述感兴趣变量空间是通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得。
3.如权利要求1或2所述的方法，其中，从所采样的该变量的时间序列信号中提取该变量的特征值包括：
通过对所采样的该变量的时间序列信号应用降维技术来提取该变量的特征值。
4.如权利要求3所述的方法，其中，所述降维技术包括下述技术中的一种：离散傅里叶变换、离散小波变换、奇异值分解、分段线性近似法、自适应分段常数近似法、分段聚合近似法、契比雪夫多项式、符号化近似法。
5.如权利要求3所述的方法，其中，所述变量类别特征值和所述变量异常相关特征值是通过下述方法获得的：
利用K-均值算法对基于所述离散型生产设备在正常操作时采样的所述变量的时间序列信号提取的所述变量的特征值执行聚类操作，以形成多个类别；
针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该类别的变量异常相关特征值。
6.如权利要求1所述的方法，其中，基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常包括：
基于该变量的所提取的特征值以及所属类别的变量类别特征值，计算该变量相对于所述变量类型特征值的欧几里得距离；
在所计算出的欧几里得距离大于该变量所属类别的变量异常相关特征值的预定倍数时，确定所述离散型生产设备异常。
7.如权利要求1所述的方法，其中，所述变量的时间序列信号是经由边界设备利用用于过程控制的对象连接与嵌入-统一架构技术获得的。
8.如权利要求7所述的方法，其中，所述变量的时间序列信号是利用用于过程控制的对象连接与嵌入-统一架构技术并经由多个边界设备并行获得的。
9.一种用于检测离散型生产设备的异常的装置，包括：
采样单元(710)，用于针对所述离散型生产设备的感兴趣变量空间中的每个变量，在所述生产设备的生产周期内对该变量的数值进行采样，以得到该变量的时间序列信号；
提取单元(720)，用于从所采样的该变量的时间序列信号中提取该变量的特征值；
类别确定单元(730)，用于基于所提取的该变量的特征值和变量类别特征值，确定该变量的所属类别；以及
异常确定单元(740)，用于基于所提取的每个变量的特征值以及所确定的该变量所属类别的变量异常相关特征值，确定所述离散型生产设备是否异常。
10.如权利要求9所述的装置，还包括：
感兴趣变量空间获取单元(703)，用于通过从所述离散型生产设备在正常操作时获得的变量中获取随机循环型变量来获得感兴趣变量空间。
11.如权利要求9所述的装置，其中，所述提取单元(720)用于：
通过对所采样的该变量的时间序列信号执行降维技术来提取该变量的特征值。
12.如权利要求11所述的装置，其中，所述降维技术包括下述技术中的一种：离散傅里叶变换、离散小波变换、奇异值分解、分段线性近似法、自适应分段常数近似法、分段聚合近似法、契比雪夫多项式、符号化近似法。
13.如权利要求11所述的装置，还包括：
聚类单元(705)，用于利用K-均值算法对基于所述离散型生产设备在正常操作时采样的所述变量的时间序列信号提取的所述变量的特征值执行聚类操作，以形成多个类别；以及
计算单元(707)，用于针对每个类别，计算该类别所包含的特征值的均值和标准方差，并且将所计算出的均值作为该类别的变量类别特征值以及将所计算出的标准方差作为该变量的变量异常相关特征值。
14.如权利要求9所述的装置，其中，所述异常确定单元(740)进一步用于：
基于该变量的所提取的特征值以及所属类别的变量类别特征值，计算该变量相对于所述变量类型特征值的欧几里得距离；
在所计算出的欧几里得距离大于该变量所属类别的变量异常相关特征值的预定倍数时，确定所述离散型生产设备异常。
15.如权利要求9所述的装置，还包括：
存储单元(709)，用于存储所述感兴趣变量空间中的变量信息以及变量类别特征值和变量异常相关特征值。
16.一种计算设备，包括：
一个或多个处理器；
存储器，用于存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1到8中任一所述的方法。
17.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到8中任一所述的方法。
CN201710911412.4A 2017-09-29 2017-09-29 用于检测离散型生产设备的异常的方法及装置 Pending CN109582482A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710911412.4A CN109582482A (zh) 2017-09-29 2017-09-29 用于检测离散型生产设备的异常的方法及装置
PCT/EP2018/076507 WO2019063812A1 (en) 2017-09-29 2018-09-28 METHOD AND DEVICE FOR DETECTING ANOMALIES OF DISCREET PRODUCTION EQUIPMENT

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710911412.4A CN109582482A (zh) 2017-09-29 2017-09-29 用于检测离散型生产设备的异常的方法及装置

Publications (1)

Publication Number Publication Date
CN109582482A true CN109582482A (zh) 2019-04-05

Family

ID=63762495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710911412.4A Pending CN109582482A (zh) 2017-09-29 2017-09-29 用于检测离散型生产设备的异常的方法及装置

Country Status (2)

Country Link
CN (1) CN109582482A (zh)
WO (1) WO2019063812A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117149500B (zh) * 2023-10-30 2024-01-26 安徽思高智能科技有限公司 基于指标数据和日志数据的异常根因获得方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173218A1 (en) * 2010-09-07 2013-07-04 Hitachi, Ltd. Malfunction Detection Method and System Thereof
US20140358465A1 (en) * 2013-05-31 2014-12-04 Samsung Sds Co., Ltd. Yield analysis system and method using sensor data of fabrication equipment
US20150363699A1 (en) * 2014-06-16 2015-12-17 Mitsubishi Electric Research Laboratories, Inc. Method for Anomaly Detection in Time Series Data Based on Spectral Partitioning
CN105205112A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常特征的挖掘系统及方法
CN105205113A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常变化过程的挖掘系统及方法
WO2017086963A1 (en) * 2015-11-19 2017-05-26 Siemens Aktiengesellschaft Anomaly detection in multiple correlated sensors

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173218A1 (en) * 2010-09-07 2013-07-04 Hitachi, Ltd. Malfunction Detection Method and System Thereof
US20140358465A1 (en) * 2013-05-31 2014-12-04 Samsung Sds Co., Ltd. Yield analysis system and method using sensor data of fabrication equipment
US20150363699A1 (en) * 2014-06-16 2015-12-17 Mitsubishi Electric Research Laboratories, Inc. Method for Anomaly Detection in Time Series Data Based on Spectral Partitioning
CN105205112A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常特征的挖掘系统及方法
CN105205113A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常变化过程的挖掘系统及方法
WO2017086963A1 (en) * 2015-11-19 2017-05-26 Siemens Aktiengesellschaft Anomaly detection in multiple correlated sensors

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋彦坡等: "一种基于小波分析的异常数据样本检测与修复方法", 《小型微型计算机系统》 *
张仁斌等: "基于K-均值聚类的工业异常数据检测", 《计算机应用研究》 *

Also Published As

Publication number Publication date
WO2019063812A1 (en) 2019-04-04

Similar Documents

Publication Publication Date Title
Li et al. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks
Zhang et al. LSTM-based analysis of industrial IoT equipment
AU2019201857B2 (en) Sparse neural network based anomaly detection in multi-dimensional time series
CN111898758A (zh) 一种用户异常行为识别方法、装置及计算机可读存储介质
Yu et al. A novel hybrid of auto-associative kernel regression and dynamic independent component analysis for fault detection in nonlinear multimode processes
Yazici et al. Empirical analysis of overfitting and mode drop in gan training
CN109886284B (zh) 基于层次化聚类的欺诈检测方法及系统
CN109623489B (zh) 一种改进的机床健康状态评定方法及数控机床
CN112527604A (zh) 一种基于深度学习的运维检测方法、系统、电子设备及介质
US20190087248A1 (en) Anomaly detection and automated analysis using weighted directed graphs
Sweety et al. Detection of Alzheimer disease in brain images using PSO and Decision Tree Approach
Liao et al. Anomaly detection for semiconductor tools using stacked autoencoder learning
Shokry et al. Dynamic kriging based fault detection and diagnosis approach for nonlinear noisy dynamic processes
Tan et al. Deviation contribution plots of multivariate statistics
Raza et al. Classical and deep learning classifiers for anomaly detection
CN115290596A (zh) 一种基于fcn-acgan数据增强的隐匿危险品识别方法及设备
US20210073579A1 (en) Recognition of biases in data and models
Schneider et al. Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors
CN109582482A (zh) 用于检测离散型生产设备的异常的方法及装置
Hui et al. Flexible support vector regression and its application to fault detection
Bernal Analytical techniques for damage detection and localization for assessing and monitoring civil infrastructures
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Huang et al. Outlier detection method based on improved two-step clustering algorithm and synthetic hypothesis testing
Liu et al. Monitoring cardiomyocyte motionin real time through image registration and time series analysis
Halawa et al. KPIs-based clustering and visualization of HPC jobs: a feature reduction approach

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190405