CN109883703A - 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 - Google Patents
一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 Download PDFInfo
- Publication number
- CN109883703A CN109883703A CN201910175611.2A CN201910175611A CN109883703A CN 109883703 A CN109883703 A CN 109883703A CN 201910175611 A CN201910175611 A CN 201910175611A CN 109883703 A CN109883703 A CN 109883703A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- bearing
- relevant
- vibration signal
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于振动信号相干倒谱分析的风机类旋转机械设备的轴承健康监测及故障诊断方法,包括如下步骤:步骤一:在风机等类型旋转机械设备的轴承座上安装至少两个振动传感器,测量采集轴承座不同部位的结构振动信号,将信号转换成数字信号,并进行预处理;步骤二:将每个传感器测量获得的振动信号分为N个采样点,N为自然数,计算获得各个部位振动监测信号的自功率谱和两两之间的互功率谱;步骤三:选取两个传感器的振动信号x(n)和y(n),运用步骤二,对该两个传感器的振动信号进行相干分析,获得相干函数;步骤四:对步骤三中的两个振动信号的相干函数进行傅立叶逆变换,获得一个倒频域的新函数,称为相干倒谱Hxy(n);步骤五:从相干倒谱Hxy(n)中提取若干特征值Fi,获得不同监测时刻的特征值Fi(t)做出趋势图;步骤六:根据特征值变化趋势,诊断、预测轴承故障状态。本发明可以获取较为精确的轴承健康状况。
Description
技术领域
本发明属于基于振动监测分析的机械设备健康监测诊断技术领域,具体来讲,是一种基于振动信号相干倒谱分析提取风机轴承故障特征,早期识别轴承健康状态劣化的方法。
背景技术
滚动轴承是风机等旋转机械设备的主要部件之一,其健康状态对于整个设备的安全可靠运行非常重要,所以滚动轴承健康状态监测与故障预测一直受到高度关注。旋转机械设备中的滚动轴承长期受到交变载荷作用,因此故障率较高。对于支撑结构复杂、运行工况和环境条件影响较大的旋转机械设备,监测的振动信号中往往包含突出的噪声成分,当滚动轴承开始发生故障时,由于故障部位较小,引起的结构振动响应变化较弱,因此采用常规的振动信号分析方法往往难以揭示故障信息,影响了对于轴承早期健康劣化状态的判断识别。因此需要有效抑制噪声干扰,突出显示信号中的故障信息,提高轴承健康劣化状态监测预测的及时性和准确性,以满足风机健康状态监测的实际应用需求。
当风机等类型的旋转机械设备中的轴承部件发生故障时,轴承故障部位在经过承载区时将产生冲击激励,产生调制振动,表现在振动信号频谱中的特征是在一些高频共振频率附近出现边带成分。通过提取识别这些边带成分,可以判断滚动轴承的健康状态。常用的振动监测分析方法,例如倒频谱分析、包络分析等均是基于这一原理,但是这些方法都有一定的局限性。设备上不同部位的结构振动响应存在很大差别,不同测量部位的振动信号中的故障调制特征可能差别很大,有些部位的故障振动调制信号可能很弱,再加上强噪声干扰、变工况条件的影响,很难识别微弱故障信息。本发明通过至少两个测点信号的相干函数进行倒频域,可以减小测点部位的影响,达到增强故障信息的目的。
发明内容
针对复杂旋转机械设备中轴承部件健康监测中,由于振动监测信号频率成分杂乱、噪声干扰严重、受测点部位影响大,因而难以识别微弱故障特征的问题,本发明提出一种轴承零件故障特征提取的振动信号相干倒谱分析。通过监测设备在不同部位的振动信号,首先对监测信号进行两两之间的相干分析,降低测点部位的影响,抑制测量信号中的干扰噪声,突出信号的故障引起的边带信息;再将相干函数变换到倒频域,得到相干倒谱函数,将故障边带信息的能量在倒频域进行集中,从而可以更加清楚地提取故障边带特征。
本发明可以通过以下技术方案来实现:
一种基于振动信号相干倒谱分析的风机类旋转机械设备的轴承健康监测及故障诊断方法,包括下列步骤:
步骤一:在风机等类型旋转机械设备的轴承座上安装至少两个振动传感器,测量采集轴承座不同部位的结构振动信号,将信号转换成数字信号,并进行预处理;
步骤二:将每个传感器测量获得的振动信号分为N个采样点,N为自然数,计算获得各个部位振动监测信号的自功率谱和两两之间的互功率谱;
步骤三:选取两个传感器的振动信号x(n)和y(n),对该两个传感器的振动信号进行x(n)和y(n)进行相干分析,获得相干函数;
步骤四:对第三步中的两个振动信号的相干函数进行傅立叶逆变换,获得一个倒频域的新函数,称为相干倒谱Hxy(n);
步骤五:从相干倒谱Hxy(n)中提取若干特征值Fi,获得不同监测时刻的特征值Fi(t)并做出趋势图;
步骤六:根据特征值变化趋势,诊断、预测轴承故障状态。
其中特征值Fi为与故障特征频率对应的相干倒谱值。
其中步骤二的自功率谱和互功率谱采用如下计算方式:
设振动信号为有限长数字信号x(i),采样点数为N,其自功率谱估计计算公式为:
两个采样点数为N的有限长振动信号x(n)和y(n)的互功率谱估计计算公式为:
上两式中,X(k)和Y(k)为信号x(n)的N点离散频谱;离散频谱的计算公式为:
将采样点数为N的离散信号分成L段,考虑重叠的情况下,设每段数据长度为M,用公式(2)计算得到每一段信号xi(n)和yi(n)的频谱 (i=1,...,L);然后将各段频谱求平均,得到自功率谱估计和互功率谱估计;公式表示为:
其中步骤三的相干函数采用如下计算方式:
对两个振动信号x(n)和y(n)的相干分析,计算相干函数:
其中步骤四的相干倒谱采用如下计算方式:
对两个信号的相干函数进行傅立叶逆变换,得到倒频域的新函数,称为相干倒谱:
式中,γxy(k)为两个振动信号x(n)和y(n)的相干函数。
本发明的有益效果在于:
1)具有复杂结构的旋转机械设备,其结构固有动态特性也非常复杂,导致其结构不同部位的振动响应特性存在很大差别,同一故障在不同部位激起的振动信号能量不同,有些部位对故障激励不敏感,导致监测信号中的故障信息很弱,甚至可能根本就不包含故障信息。利用单一测点信号分析就可能发生故障漏检的情况,影响对轴承微弱故障的诊断识别,从而进一步影响对健康劣化趋势的及时准确分析和预测。而采用多测点相干分析可以增强信号中的同源成分,抑制非同源干扰噪声,降低测点部位对分析结果的影响。
2)复杂旋转机械设备的结构振动是由许多激励源共同作用的结果,振动加速度信号中包含复杂的频率成分。当设备中轴承的健康状态开始劣化时,轴承内部出现的局部故障可能很小,故障产生的谐波成分和边带成分的能量变化很弱,在信号频谱中分布在较宽频率范围,因此通过频谱分析有时难以识别和判断故障。倒频域分析将频域分析转换成倒频域分析,将分布在较宽频率范围的故障信息进行了能量集中平均处理,起到故障信息增强作用,可以有效提取信号中的微弱故障信息。
3)对于变工况运行的旋转机械设备,运行工况变化往往导致结构激励载荷的变化,从而使结构振动响应发生变化。旋转机械设备载荷的变化主要影响结构振动响应的强弱,对于振动频谱的构成特征影响较小。相干倒谱分析将频谱中故障产生的周期性成分(谐波、边带等)进行能量综合平均处理,进而可以抑制载荷波动对故障分析识别结果的影响。
附图说明
图1基于相干倒谱分析的风机设备轴承健康监测诊断方法的流程;
图2风机轴承振动分析示例:正常和故障状态的信号波形对比;
图3风机轴承振动分析示例:正常和故障状态的相干函数对比;
图4风机轴承振动分析示例:正常和故障状态的相干倒谱对比。
本发明的实施例
本发明为国家重点研发计划课题(2017YFC0805905)资助项目。
本发明提供了一种基于振动信号相干倒谱分析进行旋转机械轴承健康劣化状态监测及微弱故障特征提取的技术方案,下面结合附图和具体实施方式对本发明做进一步说明:
图1为基于相干倒谱分析的旋转机械轴承健康劣化状态监测及微弱故障特征提取的技术方案流程,图1中附图标记1为电机,附图标记2为振动传感器,附图标记3为轴承,附图标记4为风机。图1上半部分为结构示意图;从振动传感器2获取的信号由图1下半部分的处理流程框图进行处理。
本发明技术方案分成五个步骤,该五个步骤中涉及到的计算公式参见发明内容部分:
(1)通过安装在风机等类型旋转机械设备的轴承座上不同部位的振动传感器(至少两个传感器测点),监测设备不同部位的结构振动信号。监测信号经多通道数据采集器转换成数字信号,并进行预处理。图2示出了处于正常状态和故障状态下振动传感器检测波形图,其中图2上方为正常状态下的信号波形图,图2下方为故障状态下的信号波形图,图2中的波形图为水平测点的波形图。
(2)计算设备各个部位振动监测信号的自功率谱估计和两两信号之间的互功率谱估计。为了保证后续相干倒谱分析具有足够的识别精度,要求功率谱估计计算具有一定的频率分辨率。
(3)计算两个测点振动的相干函数。因为不同部位测量的振动信号中都有相似的频率成分,包括故障引起的转频谐波成分和边带成分,只是不同测点的振动频率成分的强弱存在差别。有些测点信号中的故障成分可能较弱。通过相干函数,增强不同测点振动信号中的同源故障信息,抑制不同源噪声干扰。图3示出了处于正常状态和故障状态下相干函数波形图,其中图3上方为正常状态下的相干函数波形图,图3下方为故障状态下的相干函数波形图,图3中的相干函数波形图为垂直测点或者水平测点。
(4)对两个信号的相干函数做傅里叶逆变换,得到相干倒谱函数。相干倒谱函数可以将相干函数中分布在较宽频率范围的各种周期线谱成分(轴承故障形成的边带成分、轴转频谐波成分)进行能量集中平均处理,进一步抑制噪声,增强故障信息,便于有效提取信号中的微弱故障信息。图4示出了处于正常状态和故障状态下相干倒谱波形图,其中图4上方为正常状态下的相干倒谱波形图,图4下方为故障状态下的相干倒谱波形图,图4中的相干函数波形图为垂直测点或者水平测点。
本方法与倒频谱分析的区别是,相干倒谱是对相干函数直接进行傅立叶逆变换求得,不需要对相干函数先进行求对数计算。
(5)从相干倒谱中提取反映轴承健康状态的特征值,将长期监测的特征值做出趋势图。通过分析特征值变化趋势,可以实现轴承健康状态劣化趋势的监测、评估和预测,进行早期故障诊断。
图2至图4给出一个风机轴承振动分析示例,在一台风机设备的轴承座上垂直和水平位置安装两个振动传感器,采用该风机在健康状态和轴承故障状态下的振动监测信号,进行相干倒谱分析对比,进行风机轴承健康状态监测诊断。
图2示出风机健康状态和故障状态下轴承座垂直方向振动信号波形对比,风机两种健康状态下的振动信号波形差别不明显,噪声干扰严重,难以识别故障。
图3示出风机健康状态和故障状态下,轴承座垂直和水平振动的相干函数分析结果对比,故障相干函数中,出现了许多因轴承故障产生的边带成分,如图中虚线椭圆圈所示。
图4示出风机健康状态和故障状态下,轴承座垂直和水平振动的相干倒谱分析结果对比。可以看出,风机故障状态与正常状态的相干倒谱存在明显差别。故障状态的相干倒谱中,在约0.06秒及其二、三次倒谐波频率处出现突出峰值,对应风机轴承的故障特征倒频率。表明相干函数中与之对应的边带成分大量增加,清楚地反映出该风机已经发生了轴承故障。如果以相干倒谱中0.06秒对应的幅值作为故障特征值,可以清楚反映正常状态和故障状态的差别。
以上内容是结合具体的优选技术方案对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种基于振动信号相干倒谱分析的风机类旋转机械设备的轴承健康监测及故障诊断方法,其特征在于,包括:
步骤一:在风机等类型旋转机械设备的轴承座上安装至少两个振动传感器,测量采集轴承座不同部位的结构振动信号,将信号转换成数字信号,并进行预处理;
步骤二:将每个传感器测量获得的振动信号分为N个采样点,N为自然数,计算获得各个部位振动监测信号的自功率谱和两两之间的互功率谱;
步骤三:选取两个传感器的振动信号x(n)和y(n),运用步骤二对该两个传感器的振动信号进行相干分析,获得相干函数;
步骤四:对第三步中的两个振动信号的相干函数进行傅立叶逆变换,获得一个倒频域的新函数,称为相干倒谱Hxy(n);
步骤五:从相干倒谱Hxy(n)中提取若干特征值Fi,获得不同监测时刻的特征值Fi(t)做出趋势图;
步骤六:根据特征值变化趋势,诊断、预测轴承故障状态。
2.根据权利要求1所述的风机类旋转机械设备的轴承健康监测及故障诊断方法,其特征在于,特征值Fi为与故障特征频率对应的相干倒谱值。
3.根据权利要求1所述的风机类旋转机械设备的轴承健康监测及故障诊断方法,其特征在于,步骤二的自功率谱和互功率谱采用如下计算方式:
设振动信号为有限长数字信号x(n),采样点数为N,其自功率谱估计计算公式为:
两个采样点数为N的有限长振动信号x(n)和y(n)的互功率谱估计计算公式为:
上两式中,X(k)和Y(k)为信号x(n)的N点离散频谱;离散频谱的计算公式为:
将采样点数为N的离散信号分成L段,考虑重叠的情况下,设每段数据长度为M,用公式(2)计算得到每一段信号xi(n)和yi(n)的频谱 然后将各段频谱求平均,得到自功率谱估计和互功率谱估计;公式表示为:
4.根据权利要求1所述的风机类旋转机械设备的轴承健康监测及故障诊断方法,其特征在于,步骤三的相干函数采用如下计算方式:
对两个振动信号x(n)和y(n)的相干分析,计算相干函数:
5.根据权利要求1所述的风机类旋转机械设备的轴承健康监测及故障诊断方法,其特征在于,步骤四的相干倒谱采用如下计算方式:
对两个信号的相干函数进行傅立叶逆变换,得到相干倒谱:
式中,γxy(k)为两个振动信号x(n)和y(n)的相干函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175611.2A CN109883703B (zh) | 2019-03-08 | 2019-03-08 | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175611.2A CN109883703B (zh) | 2019-03-08 | 2019-03-08 | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109883703A true CN109883703A (zh) | 2019-06-14 |
CN109883703B CN109883703B (zh) | 2021-04-20 |
Family
ID=66931338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175611.2A Active CN109883703B (zh) | 2019-03-08 | 2019-03-08 | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109883703B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN111144362A (zh) * | 2019-12-31 | 2020-05-12 | 上海数深智能科技有限公司 | 一种旋转设备振动故障特征库定期优化算法 |
CN111504643A (zh) * | 2020-03-17 | 2020-08-07 | 厦门工学院 | 一种基于对称点模式的旋转机械状态监测方法 |
CN113358214A (zh) * | 2021-08-10 | 2021-09-07 | 陕西高速电子工程有限公司 | 一种射流风机结构体故障检测方法及相关设备 |
CN113776654A (zh) * | 2021-09-15 | 2021-12-10 | 航天时代飞鹏有限公司 | 一种机翼单点失效结构健康监测方法 |
CN113833476A (zh) * | 2021-09-30 | 2021-12-24 | 中铁工程装备集团有限公司 | 一种主轴承的状态检测系统及状态检测方法 |
CN115683632A (zh) * | 2023-01-03 | 2023-02-03 | 北京博华信智科技股份有限公司 | 齿轮箱轴承的故障信号获取方法、装置、设备和介质 |
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
WO2024148560A1 (zh) * | 2023-01-12 | 2024-07-18 | 舍弗勒技术股份两合公司 | 故障监测方法和故障监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2867329Y (zh) * | 2005-10-18 | 2007-02-07 | 中国石油天然气集团公司 | 烟气轮机热态机械运转试验台 |
CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断系统 |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN103234750A (zh) * | 2013-04-16 | 2013-08-07 | 北京工业大学 | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 |
-
2019
- 2019-03-08 CN CN201910175611.2A patent/CN109883703B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2867329Y (zh) * | 2005-10-18 | 2007-02-07 | 中国石油天然气集团公司 | 烟气轮机热态机械运转试验台 |
CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断系统 |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN103234750A (zh) * | 2013-04-16 | 2013-08-07 | 北京工业大学 | 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
刘文霞 等: "机械设备故障诊断理论及相关技术的研究", 《交通科技与经济》 * |
滕伟 等: "基于多尺度包络谱图的直驱式风电机组轴承故障特征提取", 《动力工程学报》 * |
绳晓玲 等: "基于多尺度包络谱图的直驱式风电机组轴承故障特征提取", 《机械设计与制造》 * |
麻东东 等: "基于LabVIEW的小波理论在风力机齿轮箱故障诊断中的应用", 《节能》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333071A (zh) * | 2019-06-28 | 2019-10-15 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN110333071B (zh) * | 2019-06-28 | 2021-09-10 | 华北电力大学 | 一种利用窄带倒谱变换的机械振动信号处理方法 |
CN111144362A (zh) * | 2019-12-31 | 2020-05-12 | 上海数深智能科技有限公司 | 一种旋转设备振动故障特征库定期优化算法 |
CN111504643A (zh) * | 2020-03-17 | 2020-08-07 | 厦门工学院 | 一种基于对称点模式的旋转机械状态监测方法 |
CN113358214A (zh) * | 2021-08-10 | 2021-09-07 | 陕西高速电子工程有限公司 | 一种射流风机结构体故障检测方法及相关设备 |
CN113776654A (zh) * | 2021-09-15 | 2021-12-10 | 航天时代飞鹏有限公司 | 一种机翼单点失效结构健康监测方法 |
CN113833476A (zh) * | 2021-09-30 | 2021-12-24 | 中铁工程装备集团有限公司 | 一种主轴承的状态检测系统及状态检测方法 |
CN113833476B (zh) * | 2021-09-30 | 2024-04-12 | 中铁工程装备集团有限公司 | 一种主轴承的状态检测系统及状态检测方法 |
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
CN116827055B (zh) * | 2022-09-09 | 2024-01-30 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
CN115683632A (zh) * | 2023-01-03 | 2023-02-03 | 北京博华信智科技股份有限公司 | 齿轮箱轴承的故障信号获取方法、装置、设备和介质 |
WO2024148560A1 (zh) * | 2023-01-12 | 2024-07-18 | 舍弗勒技术股份两合公司 | 故障监测方法和故障监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109883703B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883703A (zh) | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 | |
Abboud et al. | Advanced bearing diagnostics: A comparative study of two powerful approaches | |
Guan et al. | Velocity synchronous linear chirplet transform | |
Zhao et al. | Detection and recovery of fault impulses via improved harmonic product spectrum and its application in defect size estimation of train bearings | |
McCormick et al. | Cyclostationarity in rotating machine vibrations | |
Singh et al. | Rolling element bearing fault diagnosis based on over-complete rational dilation wavelet transform and auto-correlation of analytic energy operator | |
Zhao et al. | A tacho-less order tracking technique for large speed variations | |
EP2790028B1 (en) | Broken rotor bar detection based on current signature analysis of an electric machine | |
US10316849B2 (en) | Method and system for detection of faults in pump assembly via handheld communication device | |
Dong et al. | Noise resistant time frequency analysis and application in fault diagnosis of rolling element bearings | |
Wang et al. | Rotating speed isolation and its application to rolling element bearing fault diagnosis under large speed variation conditions | |
Miao et al. | Periodicity-impulsiveness spectrum based on singular value negentropy and its application for identification of optimal frequency band | |
Liang et al. | A novel indicator to improve fast kurtogram for the health monitoring of rolling bearing | |
Bechhoefer et al. | Processing for improved spectral analysis | |
Meng et al. | General synchroextracting chirplet transform: Application to the rotor rub-impact fault diagnosis | |
Diao et al. | An interpolation algorithm for discrete Fourier transforms of weighted damped sinusoidal signals | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
Pang et al. | Rolling bearing fault diagnosis based on SVDP-based kurtogram and Iterative autocorrelation of Teager energy operator | |
Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
JP3020349B2 (ja) | 異常検出方法及び装置 | |
Wang et al. | An enhanced cyclostationary method and its application on the incipient fault diagnosis of induction motors | |
CN112664379A (zh) | 水轮机组故障预判方法及装置 | |
Minemura et al. | Acoustic feature representation based on timbre for fault detection of rotary machines |
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 |