CN109635881A - 基于集成学习的强鲁棒采煤机故障诊断系统 - Google Patents
基于集成学习的强鲁棒采煤机故障诊断系统 Download PDFInfo
- Publication number
- CN109635881A CN109635881A CN201910016129.4A CN201910016129A CN109635881A CN 109635881 A CN109635881 A CN 109635881A CN 201910016129 A CN201910016129 A CN 201910016129A CN 109635881 A CN109635881 A CN 109635881A
- Authority
- CN
- China
- Prior art keywords
- coal
- mining machine
- model
- coalcutter
- malfunction diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000005065 mining Methods 0.000 title claims abstract description 70
- 230000007257 malfunction Effects 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 15
- 239000003245 coal Substances 0.000 claims description 10
- 239000000498 cooling water Substances 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Abstract
本发明公开了一种基于集成学习的强鲁棒采煤机故障诊断系统,用于对采煤机故障进行诊断,包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线校正模块。本发明对采煤机的故障进行诊断,克服目前已有的故障诊断系统诊断精确度低、鲁棒性差,普适性差的不足。不仅无需安装额外的传感器或修改采煤机的机械部件,而且可用于恶劣的工作条件与未发生故障的采煤机。本发明适用范围广,诊断精度高,鲁棒性强,并保障井下安全作业。
Description
技术领域
本发明涉及故障诊断领域,尤其涉及基于集成学习的强鲁棒采煤机故障诊断系统。
背景技术
在现代煤矿开采中,采煤机是综采工作面不可或缺的设备。由于工作环境复杂恶劣,载荷波动大,一些关键部件在生产中由于过载容易出现异常、故障。从而影响采煤机工作性能,造成人力、财力浪费。因此快速诊断采煤机是否发生故障以及对故障类型进行快速、准确地判断,对发挥采煤机的效能,提高经济效益有着重大意义。
目前,国内外学者针对采煤机故障诊断问题运用了以下技术:神经网络、粗糙集、专家系统、模糊数学等。上述方法都存在一些共同的缺点:一方面,在恶劣环境下,因干扰因素大,受外界扰动大导致诊断准确率低;另一方面,对于尚未发生故障的采煤机,难以判断是否出现故障。以上问题导致传统的故障诊断方法诊断准确度低,鲁棒性差,普适性差,无法满足实际生产需要。
发明内容
为了克服目前已有的采煤机故障诊断系统诊断精确度低、鲁棒性差,普适性差的不足,本发明的目的在于提供一种基于集成学习的强鲁棒采煤机故障诊断系统。基于集成学习根据采煤机工作信号数据与运行模式之间关系建立模型并引入在线矫正技术来诊断采煤机运行模型并判断是否发生故障。不仅无需安装额外的传感器或修改采煤机的机械部件,而且可用于恶劣的工作条件与未发生故障的采煤机。适用范围广,诊断精度高,鲁棒性强,并保障井下安全作业。
本发明的目的是通过以下技术方案来实现的:基于集成学习的强鲁棒采煤机故障诊断系统,包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线矫正模块。现场数据采集传感器、数据库、基于集成学习的强鲁棒采煤机故障诊断系统、输出显示模块依次相连,所述现场数据采集传感器对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息共11种工作信号数据进行采集,并将采煤机信息储存到所述的数据库中,数据库中包含历史采煤机数据及其对应的故障类型标签,故障类型标签主要包含以下几种:轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障,数据库为基于集成学习的强鲁棒采煤机故障诊断系统提供数据支持。
进一步地,所述输入数据预处理模块的输入为现场数据采集传感器采集到的11种工作信号数据X=(xi1,xi2,…,xi11),由于每个变量都有不同的取值与量纲,先对所有数据进行归一化处理,归一化的公式为:
其中min x为xi的最小值,max x为xi的最大值。
进一步地,所述采煤机故障诊断模型建模模块,根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型,来诊断采煤机运行模型并判断是否发生故障,采用如下过程完成:
(1)从数据库中采集Ns个采煤机工作信号Xs及其所对应的采煤机运行模型标签Ys(包括正常与不同类型的故障)作为训练集,采集Nv个采煤机工作信号Xv及其所对应的采煤机运行模型标签Yv(包括正常与不同类型的故障)作为测试集;
(2)采用上面得到的训练集进行监督训练,并得到采煤机故障诊断模型:
Y=f(X) (2)
其中Y为采煤机运行模型标签,X为输入的采煤机工作信号。
进一步地,所述采煤机故障诊断预测模块,利用训练好的采煤机故障诊断模型,结合历史采煤机工作信号数据对现场数据采集传感器新采集的采煤机数据进行实时故障预测诊断。
采用如下过程完成:
(1)对新采集到的采煤机工作信号Xt进行归一化处理得到
其中min Xt为Xt的最小值,max Xt为Xt的最大值。
(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断:
其中fopt为训练好的模型,为预测的未知采煤机运行模型。
进一步地,所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正,通过将预报误差较大的预报数据作为新的训练数据加入训练数据集,来实时修正模型误差。由于目标环境的不确定性(恶劣工作环境、采煤机承载不同载荷、不同采煤机型号等所带来的外部影响)所导致的采煤机故障诊断模型失配,从而引起诊断效果变差甚至崩溃的弊端,更进一步提出模型在线矫正策略,以期突破不同工作环境不同采煤机等影响所导致的模型失配问题,进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度,并大幅度提高不同环境下的模型适应性,从而得到基于集成学习的强鲁棒采煤机故障诊断模型。采用如下过程完成:
(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到,由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集;
(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型,以解决恶劣工作环境下的模型失配问题,提高模型的普适性和鲁棒性。
本发明的技术构思为:本发明对现场数据采集传感器得到的采煤机工作信号数据进行预处理,基于集成学习算法建立采煤机故障诊断模型,对实时采集的采煤机数据进行故障诊断;引入模型在线矫正技术在线运行过程中不断矫正模型失配问题,从而建立基于集成学习的强鲁棒采煤机故障诊断系统。
本发明的有益效果主要表现在:1、使用集成学习算法建立了采煤机故障诊断模型,可实时根据采集的信息对采煤机进行在线故障诊断,受环境干扰因素小,适用范围广;2、通过不断的模型在线矫正,充分利用现场数据采集传感器得到的数据,解决恶劣环境与未知信号下的模型失配问题,从而能够提高故障诊断的抗干扰能力,并提高故障诊断精确度。
附图说明
图1基于集成学习的强鲁棒采煤机故障诊断系统的整体架构图;
图2基于集成学习的强鲁棒采煤机故障诊断系统的功能模块图;
图3基于集成学习的强鲁棒采煤机故障诊断系统的模型在线矫正模块策略流程图。
具体实施方式
下面根据附图具体说明本发明。
参考图1、图2,基于集成学习的强鲁棒采煤机故障诊断系统的整体架构,涉及现场数据采集传感器1、数据库2、基于集成学习的强鲁棒采煤机故障诊断系统3、输出显示模块4、输入数据预处理模块5、采煤机故障诊断模型建模模块6、采煤机故障诊断预测模块7、模型在线矫正模块8。所述现场数据采集传感器1、数据库2、基于集成学习的强鲁棒采煤机故障诊断系统3、输出显示模块4依次相连,所述现场数据采集传感器1对采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息共11种工作信号数据进行采集,并将采煤机信息储存到所述的数据库2中,数据库2中包含历史采煤机工作信号数据及其对应的故障类型标签,故障类型标签包含以下几种:轴承故障、主泵故障、补油泵故障、滤油器故障、辅助泵故障、液压马达故障、电机过载、冷却系统故障,具体采集的信息及对应的故障类型可以根据实际情况由工程师决定,数据库2为基于集成学习的强鲁棒采煤机故障诊断系统3提供数据支持。
进一步地,所述输入数据预处理模块5的输入为现场数据采集传感器1采集到的11种工作信号数据X=(xi1,xi2,…,xi11),由于每个变量都有不同的取值与量纲,先对所有数据进行归一化处理,归一化的公式为:
其中min x为xi的最小值,max x为xi的最大值。
进一步地,所述采煤机故障诊断模型建模模块6,根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型,来诊断采煤机运行模型并判断是否发生故障,采用如下过程完成:
(1)从数据库2中采集Ns个采煤机工作信号Xs及其所对应的采煤机运行模型标签Ys(包括正常与不同类型的故障)作为训练集,采集Nv个采煤机工作信号Xv及其所对应的采煤机运行模型标签Yv(包括正常与不同类型的故障)作为测试集;
(2)采用上面得到的训练集进行监督训练,并得到采煤机故障诊断模型:
Y=f(X) (2)
其中Y为采煤机运行模型标签,X为输入的采煤机工作信号。
进一步地,所述采煤机故障诊断预测模块7,利用训练好的采煤机故障诊断模型,结合历史采煤机工作信号数据对现场数据采集传感器1新采集的数据进行实时故障预测诊断。采用如下过程完成:
(1)对新采集到的采煤机工作信号Xt进行归一化处理得到
其中min Xt为Xt的最小值,max Xt为Xt的最大值。
(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断:
其中fopt为训练好的模型,为预测的未知采煤机运行模型。
进一步地,所述在线校正模块8采用在线校正策略对预报模型模块的参数进行实时校正,通过将预报误差较大的预报数据作为新的训练数据加入训练数据集,来实时修正模型误差。由于目标环境的不确定性(恶劣工作环境、采煤机承载不同载荷、不同采煤机型号等所带来的外部影响)所导致的采煤机故障诊断模型失配,从而引起诊断效果变差甚至崩溃的弊端,更进一步提出模型在线矫正策略,以期突破不同工作环境不同采煤机等影响所导致的模型失配问题,进一步提升采煤机故障诊断模型的鲁棒性(即普适效果)和置信度,并大幅度提高不同环境下的模型适应性,从而得到强鲁棒采煤机故障诊断更新模型。采用如下过程完成:
(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到,由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集;
(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型,以解决恶劣工作环境下的模型失配问题,提高模型的普适性和鲁棒性。
进一步,输出显示模块4将诊断模块获得的运行模型通过显示屏进行输出和展示。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (5)
1.一种基于集成学习的强鲁棒采煤机故障诊断系统,其特征在于:包括输入数据预处理模块、采煤机故障诊断模型建模模块、采煤机故障诊断预测模块以及模型在线矫正模块。
2.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统,其特征在于:所述输入数据预处理模块的输入为现场数据采集传感器采集到的采煤机轴承温度、传动箱油温及油位、辅助系统压力、冷却水压力、液压系统进液流量及出液流量、冷却水流量、摇臂升起时间、电机电流及温度信息这11种工作信号数据X=(xi1,xi2,...,xi11),由于每个变量都有不同的取值与量纲,先对所有数据进行归一化处理,归一化的公式为:
其中,min x为xi的最小值,max x为xi的最大值。
3.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统,其特征在于:所述采煤机故障诊断模型建模模块,根据采煤机采集到的工作信号数据与运行模式之间关系建立基于Xgboost的模型,来诊断采煤机运行模型并判断是否发生故障,采用如下过程完成:
(1)从数据库中采集Ns个采煤机工作信号Xs及其所对应的采煤机运行模型标签Ys作为训练集,采集Nv个采煤机工作信号Xv及其所对应的采煤机运行模型标签Yv作为测试集。
(2)采用上面得到的训练集进行监督训练,并得到采煤机故障诊断模型:
Y=f(X) (2)
其中,Y为采煤机运行模型标签,X为输入的采煤机工作信号。
4.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统,其特征在于:所述采煤机故障诊断预测模块,利用训练好的采煤机故障诊断模型,结合历史采煤机工作信号数据对现场数据采集传感器新采集的采煤机数据进行实时故障预测诊断。采用如下过程完成:
(1)对新采集到的采煤机工作信号Xt进行归一化处理得到
其中,min Xt为Xt的最小值,max Xt为Xt的最大值。
(2)利用训练好的采煤机故障诊断模型对采煤机当前新加入的工作信号进行故障诊断:
其中,fopt为训练好的模型,为预测的未知采煤机运行模型。
5.根据权利要求1所述基于集成学习的强鲁棒采煤机故障诊断系统,其特征在于:所述在线校正模块采用在线校正策略对预报模型模块的参数进行实时校正,通过将预报误差较大的预报数据作为新的训练数据加入训练数据集,来实时修正模型误差。采用如下过程完成:
(1)时刻t采集得到的采煤机故障诊断的标签可能在未来的t+n时刻得到,由此可以判断模型预报值的准确性。将预报错误的采煤机工作信号数据作为“难”样本点加入训练集。
(2)采煤机故障诊断模型建模模块在新的训练集上建模进行模型参数更新得到更新过的采煤机故障诊断模型,以解决恶劣工作环境下的模型失配问题,提高模型的普适性和鲁棒性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016129.4A CN109635881A (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910016129.4A CN109635881A (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635881A true CN109635881A (zh) | 2019-04-16 |
Family
ID=66060170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910016129.4A Pending CN109635881A (zh) | 2019-01-08 | 2019-01-08 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635881A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 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 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
-
2019
- 2019-01-08 CN CN201910016129.4A patent/CN109635881A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 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 |
CN104142680A (zh) * | 2014-05-09 | 2014-11-12 | 东南大学 | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN106198000A (zh) * | 2016-07-11 | 2016-12-07 | 太原理工大学 | 一种采煤机摇臂齿轮故障诊断方法 |
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
CN108544303A (zh) * | 2018-03-30 | 2018-09-18 | 上海交通大学 | 一种数控机床主轴故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101819411B (zh) | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 | |
CN106649727B (zh) | 一种用于无人机飞行控制系统故障检测的数据库构建方法 | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
CN104061208A (zh) | 一种液压系统在线故障诊断方法 | |
CN112101431A (zh) | 电子设备故障诊断系统 | |
CN201943686U (zh) | 油井故障实时预警系统 | |
CN106199494A (zh) | 一种基于计量装置故障的智能诊断系统 | |
CN111737909A (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN110046409B (zh) | 一种基于ResNet的汽轮机部件健康状态评估方法 | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN105134456A (zh) | 基于在线监测的水轮机故障预诊断方法 | |
CN105547717A (zh) | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 | |
CN115526515A (zh) | 一种水利水电用闸门的安全监测系统 | |
CN109359662A (zh) | 一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN109635879A (zh) | 一种参数最优的采煤机故障诊断系统 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN113780375A (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN109635881A (zh) | 基于集成学习的强鲁棒采煤机故障诊断系统 | |
CN116628544A (zh) | 基于液压绞车状态在线监测的故障诊断方法 | |
CN105760672A (zh) | 一种机械设备故障诊断方法 | |
CN110532699A (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN115630284A (zh) | 一种考虑服役周期的空压机故障分析与寿命预测系统 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |
|
WD01 | Invention patent application deemed withdrawn after publication |