CN110017857A - 基于自适应学习与神经网络的非线性传感器故障诊断方法 - Google Patents
基于自适应学习与神经网络的非线性传感器故障诊断方法 Download PDFInfo
- Publication number
- CN110017857A CN110017857A CN201910272788.4A CN201910272788A CN110017857A CN 110017857 A CN110017857 A CN 110017857A CN 201910272788 A CN201910272788 A CN 201910272788A CN 110017857 A CN110017857 A CN 110017857A
- Authority
- CN
- China
- Prior art keywords
- neural network
- state
- dynamic
- fault
- mode
- 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
Classifications
-
- 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
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开基于自适应学习与神经网络的非线性传感器故障诊断方法,包括以下步骤:S1.对系统建立单输出一致能观标准模型;S2.正常模式的学习训练与状态观测。S21.对于被诊系统在正常运行时进行学习训练与状态观测;S22.采用带有神经网络的高增益观测器进行学习训练与状态观测;S23.采用神经网络的高增益观测器进行第二次学习训练与状态观测;S3.故障模式的学习训练与状态估计;S4.建立模式库;S5.建立动态估计器;S6.动态估计器中的状态向量与被测系统的状态向量进行对比,构建残差S7.对残差评估,从而进行故障隔离。该方法使用于较为复杂的非线性系统的故障诊断,可以对未知的系统模式进行学习,快速模拟,从而进行故障的发现与逼近。
Description
技术领域
本发明涉及到自动控制领域,更具体的,涉及基于自适应学习与神经网络的非线性传感器故障诊断方法。
背景技术
在自动控制领域中,传感器是信息获取的主要装置,随着自动化技术水平的不断提高,许多大型自动化工程日益增多,用于参数测量与状态控制的各种各样的大量的传感器也就变得不容忽视,这些由精密元件组成的传感器常处在恶劣的工作环境下,发生故障是难免的。一旦当传感器出现性能蜕化、故障或失效时,将给后续的监测、控制、故障诊断等系统带来严重影响,产生误诊断、误报警,甚至造成不可估量的损失。研究非线性系统传感器的故障诊断问题就显得尤为重要。为了避免传感器故障或失效带来的严重后果,需要对传感器的故障与失效进行甄别。
高增益观测器是非线性反馈控制中常用的一种方法,它可以对系统进行状态估计,获得系统状态的近似估计,且不依赖系统的数学模型。本发明针对单输出一致能观标准模型,针对模型仅输出可测,其余状态不可测的情况,采用高增益观测器去估计不可测的系统状态。与以往不同的是,引入神经网络处理系统的未知动态,设计自适应动态观测器,使得对于不同时间内的故障或正常系统状态都能被匹配。
基于自适应学习的故障诊断方法采用了神经网络的优点:强大的逼近能力,对动态系统进行准确地建模,因此系统中的微小故障可以诊断出来。对于诊断小故障是一件非常重要的事情,历史上许多灾难性事故都是因为未处理小故障,从到导致故障累积,所以只有在故障发生的早期阶段发现故障才能有效地避免灾难性事故的发生。目前,估计输出方程中未知参数的自适应观测器已经被提出,在故障诊断应用中,状态方程中的未知参数和输出方程中的未知参数分别表征执行机构故障和传感器故障,可能需要同时估计执行机构和传感器的故障,所以研究状态方程和输出方程同时含有未知参数的自适应观测器有着实际的应用意义。
发明内容
针对现有技术在非线性反馈故障诊断中一个或多个的技术缺陷,本发明提出基于自适应学习与神经网络的非线性传感器故障诊断方法,本发明采用的技术方案是:
基于自适应学习与神经网络的非线性传感器故障诊断方法,用于诊断传感器系统的故障,所述故障为确定性周期故障,包括以下步骤:
S1.对系统建立单输出一致能观标准模型,该模型包括已知的系统状态,未知待测的系统状态和有界的干扰;
S2.正常模式的状态观测与学习训练,该步骤分为以下三步:
S21.采用高增益观测器对系统进行状态估计,得到系统状态x的近似估计;
S22.将S21中的高增益观测器观测到的系统状态作为神经网络的输入,设计带有神经网络的高增益观测器,采用状态与参数联合估计方法,对系统进行状态观测,以及对神经网络权值进行调节,使得神经网络能够抵消未知动态对状态观测的影响,从而得到系统状态x的更准确估计。
S23.将S22.的高增益观测器观测到的系统状态作为神经网络的输入,再次设计带有神经网络的高增益观测器,重复S22的训练过程,获得系统未知动态η(x,u)的准确神经网络逼近。
S3.故障模式的学习训练与状态估计。利用S2中所述方法对系统在各种故障模式下进行学习训练,可以获得故障模式下系统的未知动态。
S4.建立模式库:将S2、S3中神经网络权值收敛后的一段时间T内的各个神经网络权值的均值作为学习训练的学习内容,可以获得被监测系统在正常模式和不同的故障模式下的未知动态,并存储在模式库中。
S5.建立高增益动态估计器:利用S2、S3、S4中的所学习到的神经网络权值,建立一个该常数的RBF神经网络估计器,每一个动态估计器对应一种故障模式,当对应的故障模式发生后,常数RBF神经网络能快读使用已学习到的知识,提供此模式下对应的故障模式的内部信息。
S6.构建残差:将每一个动态估计器与正常被检测系统的状态进行对比,将它们之间的误差作残差。
S7.残差评估:设定阈值,与正常系统模式匹配的动态估计器其残差小于阈值,说明系统正常;与正常系统模式匹配的动态估计器其残差大于阈值,说明系统发生故障。
S8.故障隔离:与某种故障模式匹配的动态估计器其残差小于阈值,其余故障状态下的动态估计器残差都大于阈值,说明系统发生了该类型的故障。
与现有技术相比,本发明的有益效果为:
1.基于自适应学习与神经网络理论的故障诊断方法是一种可以进行动态监测的设计方法,其能有效掌握系统的顺态行为和非线性的系统特性。
2.基于自适应学习理论的故障诊断方法可以利用神经网络进行自身的学习,大大提高了故障诊断过程的自动化程度。
3.与传统神经网络学相比,该方法更具有物理意义,基于自适应学习的故障诊断方法是建立了沿系统轨迹的数学模型,因此它可以精确而整体地描述系统的动态过程,可以帮助技术人员增进对系统和故障发生原理的认知,从而判断诊断过程的有效性,而传统的神经网路不具备物理与已,无法到达这样的效果。
4.基于自适应学习的故障诊断方法采用了神经网络的优点:强大的逼近能力,并通过确定学习,对动态系统进行准确地建模,因此系统中的微小故障可以诊断出来。对于诊断小故障是一件非常重要的事情,历史上许多灾难性事故都是因为未处理小故障,从到导致故障累积,所以只有在故障发生的早期阶段发现故障才能有效地避免灾难性事故的发生。
5.在传感器的设计中加入了自适应控制,在被控系统工作过程中,该传感器系统本身能不断地检测系统输出量,根据系统的输入和输出数据建立系统的数学模型,综合数学模型参数和系统输出观测值与参考值在各离散点处的偏差方差最小的目标,在本发明中,从而通过输出变量的对比发现系统故障,传感器的输出变量也能逼近参考系统的真值。
附图说明
图1为本发明提出的基于自适应学习与神经网络的非线性传感器故障诊断方法的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,仅用于示例性说明,不能理解为对本专利的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
考虑以下被诊系统:
其中B=[0 0 … 1]T,C=[1 0 … 0]
其中x=[x1,x2,…,xn]T是系统的状态矢量,f(x,u)是系统的已知动态,为由于系统中的故障存在而产生的偏置,η(x,u)为系统的未知动态,d(t)与为系统的干扰。假定干扰d(t)有界:且有界,β(t-T0)代表着时间剖面的故障,同时T0是未知故障发生的时间,当t<T0,β(t-T0)=0,当t>T0,β(t-T0)=1。
采用基于自适应学习的非线性传感器故障诊断的设计方法:
S1.对系统建立单输出一致能观标准模型
S2.正常模式下的学习训练:
S21.采用高增益观测器对系统进行状态估计,得到系统状态x的近似估计;
高增益观测器由如下方程表示:
其中为高增益观测器的状态。
S为以下矩阵等式的解
ATS+SA+S=CTC
S22.采用带有神经网络的高增益观测器进行状态估计,得到系统状态x的更准确估计。
将S21中高增益观测器观测到的系统状态作为神经网络的输入,神经网络采用高斯径向基网络。带有联合神经网络的高增益观测器设计如下:
其中为高增益观测器的状态,δ0为高增益观测器增益系数,Γ为一个正定对称矩阵,σ为一个正整数,为高斯径向基神经网络,为神经网络权值,为S21估计的状态,为神经网络中的神经元向量,为高增益观测器的状态。
S23.采用带有神经网络的高增益观测器进行学习训练,获得系统未知动态η(x,u)的准确神经网络逼近。
将步骤S22的高增益观测器观测到的系统状态作为神经网络的输入。重复步骤S22的训练过程,即:
其中为高增益观测器的状态,为神经网络,为神经网络权值,为神经网络中的神经元向量,为步骤S22中的状态估计。
通过这次学习可以获得系统未知动态η(x,u)的准确神经网络逼近。
S3.故障模式的学习训练:故障模式下的的学习训练重复步骤S2,可以获得故障模式下系统的内部动态。
S4.建立模型库:当RBF神经网络权值收敛,取收敛后的一段时间内的权值均值作为学习结果,可获得被测系统不同的内部动态,并将其储存在模型库中。
S5.建立动态估计器,利用(2)(3)(4)已获得的系统状态估计,针对系统的正常模式与故障模式,建立N+1个动态估计器
其中s=[0 1 … N]
是通过自适应学习获得的常数RBF神经网络,当动态估计器对应的正常或故障模式发生时,常数RBF神经网络就根据已学到的知识,对历史学习到的系统模式进行匹配。
S6.构成残差,动态估计器与被检测系统之间的同步误差作为残差
是动态估计器与被监测系统之间的残差
S7.残差评估
设定阈值,与正常系统模式匹配的动态估计器其残差小于阈值,说明系统正常;与正常系统模式匹配的动态估计器其残差大于阈值,说明系统发生故障。
S8.故障隔离:与某种故障模式匹配的动态估计器其残差小于阈值,其余故障状态下的动态估计器残差都大于阈值,说明系统发生了该类型的故障。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
Claims (6)
1.基于自适应学习与神经网络的非线性传感器故障诊断方法,用于诊断传感器系统的故障,所述故障为确定性周期故障,其特征在于,包括以下步骤:
S1.对系统建立单输出一致能观标准模型,该模型包括已知的系统动态、未知的系统动态和有界的干扰;
S2.正常模式的未知的系统动态学习,该步骤通过以下三步实现:
S21.采用高增益观测器对系统进行状态估计,得到系统状态的近似估计;
S22.将S21的高增益观测器观测到的系统状态作为神经网络的输入,设计带有神经网络的高增益观测器,采用状态与参数联合估计方法,对系统进行状态观测,以及对神经网络权值进行调节,使神经网络能够抵消未知动态对状态观测的影响,从而得到系统状态x的更准确估计;
S23.将S22的高增益观测器观测到的系统状态作为神经网络的输入,再次设计带有神经网络的高增益观测器,重复S22的训练过程,获得系统未知动态的准确神经网络逼近;
S3.故障模式的学习训练:发生传感器故障后,将系统转化成单输出一致能观标准模型,然后利用S2所述方法对系统在各种故障模式下进行学习训练,获得不同故障模式下系统未知动态的准确神经网络逼近;
S4.建立模式库:将S2、S3中神经网络进行权值收敛后的一段时间内的各个神经网络权值的均值作为学习训练的学习结果,获得常值神经网络,并存储在模式库中,每一个常值神经网络对应一种系统工作模式,包括正常模式和不同的故障模式;
S5.建立带常值神经网络的的高增益动态估计器:利用S4中的所获得的常值神经网络,建立一组高增益动态估计器,其中一个动态估计器对应系统的正常模式,其余每一个动态估计器对应一种故障模式;
S6.构建残差:将每一个动态估计器的输出与被检测系统的输出进行对比,将每一个动态估计器的输出与被检测系统的输出之间的误差作残差;
S7.故障检测:设定阈值,如果正常模式对应的动态估计器产生的残差小于阈值,则判断系统正常;如果正常模式对应的动态估计器产生的残差大于阈值,则判断系统发生故障;当检测到故障发生,则对系统进行故障隔离;
S8.故障隔离:如果某种故障模式对应的动态估计器产生的残差小于阈值,而其余故障模式对应的动态估计器产生的残差都大于阈值,则通过排除法判断系统发生了该类型的故障。
2.根据权利要求1所述的基于自适应学习与神经网络的非线性传感器故障诊断方法,其特征在于,步骤S1中所述的单输出一致能观标准模型由以下方程表征:
其中B=[0 0…1]T,C=[1 0…0],
x=[x1,x2,…,xn]T是系统的状态矢量,f(x,u)是系统已知动态,η(x,u)是系统未知动态,是由于传感器故障发生而产生的系统未知动态,d(t)是系统的干扰;假定干扰d(t)有界: 是大于0的常数,β(t-T0)是故障发生的时间函数,T0是故障发生的时间,当t<T0,β(t-T0)=0,当t>T0,β(t-T0)=1。
3.根据权利要求2所述的基于自适应学习与神经网络的非线性传感器故障诊断方法,其特征在于,步骤S21中所述高增益观测器由以下模型表征:
其中为高增益观测器的状态;
S为以下矩阵等式的解
ATS+SA+S=CTC。
4.根据权利要求3所述的基于自适应学习与神经网络的非线性传感器故障诊断方法,其特征在于,步骤S22中所述带有神经网络的高增益观测器以及状态估计联合方法由以下方程表征:
其中为高增益观测器的状态,δ0为高增益观测器增益系数,Γ为一个正定对称矩阵,σ为一个正整数,为高斯径向基神经网络,为神经网络权值,为S21估计的状态,为神经网络中的神经元向量,为高增益观测器的状态。
5.根据权利要求4所述的基于自适应学习与神经网络的非线性传感器故障诊断方法,其特征在于,步骤S23中所述带有神经网络的高增益观测器及学习训练方法由以下方程表征:
其中为高增益观测器的状态,为神经网络,为神经网络权值,为神经网络中的神经元向量,为高增益观测器的状态。
6.根据权利要求5所述的基于自适应学习与神经网络的非线性传感器故障诊断方法,其特征在于,步骤S5中所述的一组动态估计器由以下方程表征
其中s=[0 1…N],s=0表示正常模式,s=[1 2…N]表示各种故障模式,为步骤S4所获得的常值神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272788.4A CN110017857A (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272788.4A CN110017857A (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110017857A true CN110017857A (zh) | 2019-07-16 |
Family
ID=67190663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272788.4A Pending CN110017857A (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110017857A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476374A (zh) * | 2020-04-14 | 2020-07-31 | 重庆工业职业技术学院 | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 |
CN113007022A (zh) * | 2021-03-23 | 2021-06-22 | 新疆工程学院 | 基于风速对风机性能影响的数据驱动模型装置及其构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299004A (zh) * | 2008-06-24 | 2008-11-05 | 华南理工大学 | 一种基于确定学习理论的振动故障诊断方法 |
CN101881968A (zh) * | 2009-05-05 | 2010-11-10 | 同济大学 | 一种基于模型的设备故障诊断方法 |
CN105652795A (zh) * | 2016-01-22 | 2016-06-08 | 长春工业大学 | 一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法 |
CN107356282A (zh) * | 2017-06-23 | 2017-11-17 | 山东科技大学 | 分辨率受限情况下高速列车鲁棒间歇传感器故障检测方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
KR20180096075A (ko) * | 2017-02-20 | 2018-08-29 | 재단법인대구경북과학기술원 | Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 |
-
2019
- 2019-04-04 CN CN201910272788.4A patent/CN110017857A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299004A (zh) * | 2008-06-24 | 2008-11-05 | 华南理工大学 | 一种基于确定学习理论的振动故障诊断方法 |
CN101881968A (zh) * | 2009-05-05 | 2010-11-10 | 同济大学 | 一种基于模型的设备故障诊断方法 |
CN105652795A (zh) * | 2016-01-22 | 2016-06-08 | 长春工业大学 | 一种基于残差观测器的3ptt-2r串并联数控机床伺服系统故障预测装置及方法 |
KR20180096075A (ko) * | 2017-02-20 | 2018-08-29 | 재단법인대구경북과학기술원 | Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 |
CN107356282A (zh) * | 2017-06-23 | 2017-11-17 | 山东科技大学 | 分辨率受限情况下高速列车鲁棒间歇传感器故障检测方法 |
CN108106844A (zh) * | 2017-11-22 | 2018-06-01 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
AIPING XU等: "Nonlinear system fault diagnosis based on adaptive estimation", 《SCIENCE DIRECT》 * |
XIAODONG ZHANG等: "A Robust Detection and Isolation Scheme for Abrupt and Incipient Faults in Nonlinear Systems", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
李梦群等: "《现代数控机床故障诊断及维修》", 31 March 2009, 国防工业出版社 * |
陈填锐: "确定学习理论与智能振动故障诊断", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476374A (zh) * | 2020-04-14 | 2020-07-31 | 重庆工业职业技术学院 | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 |
CN113007022A (zh) * | 2021-03-23 | 2021-06-22 | 新疆工程学院 | 基于风速对风机性能影响的数据驱动模型装置及其构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN108507117A (zh) | 一种基于小波神经网络的空调系统传感器故障诊断方法 | |
CN108363952A (zh) | 诊断装置 | |
CN107544459B (zh) | 一种控制系统的多重故障诊断优化方法 | |
CN110083860A (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
Liu et al. | Application of Bayesian networks for diagnostics in the assembly process by considering small measurement data sets | |
JP2000259223A (ja) | プラント監視装置 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN110017857A (zh) | 基于自适应学习与神经网络的非线性传感器故障诊断方法 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
Li et al. | A general degradation process of useful life analysis under unreliable signals for accelerated degradation testing | |
CN109376778A (zh) | 一种基于特征变量加权的故障分类诊断方法 | |
CN110187696A (zh) | 基于动态趋势的一阶随动系统传感器故障诊断方法及系统 | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN105678423A (zh) | 基于定量结构模型的故障诊断系统传感器优化配置方法 | |
US9934677B2 (en) | Method and apparatus for determination of sensor health | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
CN111208802A (zh) | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 | |
CN109213057A (zh) | 智能诊断装置和方法 | |
Zhang et al. | Gas sensor array dynamic measurement uncertainty evaluation and optimization algorithm | |
KR102182226B1 (ko) | 고장 검출 진단 시스템 및 진단방법 |
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: 20190716 |