CN110132567A - 一种基于lcd和排列熵的oltc故障诊断方法 - Google Patents
一种基于lcd和排列熵的oltc故障诊断方法 Download PDFInfo
- Publication number
- CN110132567A CN110132567A CN201910455304.XA CN201910455304A CN110132567A CN 110132567 A CN110132567 A CN 110132567A CN 201910455304 A CN201910455304 A CN 201910455304A CN 110132567 A CN110132567 A CN 110132567A
- Authority
- CN
- China
- Prior art keywords
- isc
- vibration signal
- lcd
- arrangement entropy
- state
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于LCD和排列熵的OLTC故障诊断方法,包括步骤:(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;(2)利用LCD方法将降噪后的振动信号自适应分解,选取前面若干个ISC分量作为主分量;(3)计算选取的ISC分量的排列熵,组成特征向量;(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。该方法可实时监测变压器有载分接开关的工作状态,满足有载分接开关实时故障诊断的要求。为有目的的检修提供数据支撑,避免浪费人力,物力和时间。
Description
技术领域
本发明涉及一种电力设备故障诊断方法,具体涉及一种基于LCD和排列熵的OLTC故障诊断方法。
背景技术
有载分接开关(OLTC)是电力变压器的一个重要组成部分,其运行状况直接关系到变压器及系统的稳定与安全。OLTC是变压器故障率最高部件之一,其故障不但直接影响变压器运行,而且影响电网质量与电网运行。根据沟内资料统计,由OLTC故障引起的事故约占变压器总事故的28%左右且故障类型基本为机械故障,例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身,进而引起其他更严重的电气故障,以致造成严重的后果。因此,对运行中的OLTC的机械性能进行监测,及早发现其故障隐患,对变压器及电力系统的安全运行有着十分重大的意义。
目前,对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长,难以及时发现早期的机械故障,经常在停电检修前即发生故障损坏,并且停电检修影响变压器正常运行,需要耗费大量人力、物力和财力。在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等,基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面,通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断,但热噪声传到传感器时,能量损耗太大再加上各种噪音大干扰工程运用很难实现。
发明内容
发明目的:为了克服现有技术的缺陷,本发明公开了一种基于LCD和排列熵的OLTC故障诊断方法,该方法采用局部特征尺度分解(Local characteristic-scaledecomposition,LCD),并结合排列熵,能及时发现有载分接开关运行过程中的潜伏性故障,提高有载分接开关可靠性。
技术方案:本发明所述的一种基于LCD和排列熵的OLTC故障诊断方法,包括下述步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;
(2)利用LCD方法将降噪后的振动信号自适应分解,选取前面若干个ISC分量作为主分量;
(3)计算选取的前面若干个ISC分量的排列熵,组成特征向量;
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
其中,所述步骤(1)中,采集到振动信号z(t)后对振动信号进行降噪,步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号X(t)。
作为优选,所述步骤(1.2)中,调节系数β=0.5。
所述步骤(2)中,利用LCD方法将降噪后的振动信号自适应分解的步骤包括:
(2.1)确定去噪后的振动信号X(t)的极值点(τk,Xk),k=1,2,3,…M;并计算:
其中,Xk为X(t)的极值,τk为该极值对应的时刻;Lk为局部特征量;
(2.2)通过延拓,得到左右两端极值点(τ0,X0),(τM+1,XM+1);令k分别等于0和M-1,根据式(2)求出L1与LM的值,再用三次样条函数拟合所有的Lk,k=1,2,3…M,得到均值曲线BL1(t);
(2.3)将均值曲线从原信号中分离出来:
h1(t)=X(t)-BL1(t) (3)
若h1(t)是一个ISC分量,输出h1(t)并令ISC1=h1(t);否则将h1(t)作为原始数据,继续重复上述步骤,直到h1(t)是一个ISC分量,记ISC1=h1k(t);
(2.4)将ISC1分量从原始数据中分离出来:
u1(t)=X(t)-ISC1 (4)
得到一个新的剩余信号u1(t);
(2.5)再将u1(t)视为原始数据,重复上述步骤(2.1)~(2.4),重复循环n-1次,直到剩余信号un(t)为一单调或常函数,于是:
其中,前四个ISC分量包含了振动信号的所有特性,因此i=4。
所述步骤(3)中,本征尺度分量ISCi(t)=Yi(t)={y1(t)…yN(t)},嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (8)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
所述步骤(4)中,把分别采集的各个状态的多组数据中的若干组数据的排列熵作为样本训练SVM分类器,该SVM分类器的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的数据作为测试样本,带入SVM分类器进行故障诊断。
有益效果:与现有技术相比,本发明的故障诊断方法基于振动信号,利用局部特征尺度分解方法以及排列熵提取特征向量,然后与支持向量机相结合实现OLTC的故障诊断,具有速度快,结论直观,诊断机械故障正确率高的特点。具体而言,采用LCD分解具有良好的自适应性和时频聚集性,相比EMD等算法拟合时间少,保证了后续进行故障程度评估的准确性。当OLTC出现轻微故障时,排列熵熵值会突然变大,这种特性表明样本熵在OLTC早期故障诊断方面有潜在的应用前景。与神经网络相比,该方法故障识别率高,更适用于工程应用。
附图说明
图1为本发明的流程图;
图2为正常状态下的振动信号;
图3为前4个ISC分量。
具体实施方式
下面,结合附图对本发明做进一步详细说明。
如图1所示,一种基于LCD和排列熵的OLTC故障诊断方法,包括下述步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的80组振动信号进行降噪;
因为OLTC垂直顶端(箱壁顶端)直接与触头动作结构相连所以顶端的振动信号应该最强,因此,将振动传感器放置于OLTC的垂直顶端,采集到的信号图如图2所示。
在该步骤中,采集到振动信号z(t)后对振动信号进行降噪,步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1,作为优选,本实施例中调节系数β=0.5;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号X(t)。
(2)利用局部特征尺度分解方法也即LCD方法将降噪后的振动信号自适应分解,选取前4个本征尺度分量(Instrinsic scale component,ISC)作为主分量;
具体的,利用LCD方法将降噪后的振动信号自适应分解的步骤包括:
(2.1)确定去噪后的振动信号X(t)的极值点(τk,Xk),k=1,2,3,…M;并计算:
其中,Xk为X(t)的极值,τk为该极值对应的时刻;Lk为局部特征量;
(2.2)通过延拓,得到左右两端极值点(τ0,X0),(τM+1,XM+1);令k分别等于0和M-1,根据式(2)求出L1与LM的值,再用三次样条函数拟合所有的Lk,k=1,2,3…M,得到均值曲线BL1(t);
(2.3)将均值曲线从原信号中分离出来:
h1(t)=X(t)-BL1(t) (3)
若h1(t)是一个ISC分量,输出h1(t)并令ISC1=h1(t);否则将h1(t)作为原始数据,继续重复上述步骤,直到h1(t)是一个ISC分量,记ISC1=h1k(t);
(2.4)将ISC1分量从原始数据中分离出来:
u1(t)=X(t)-ISC1 (4)
得到一个新的剩余信号u1(t);
(2.5)再将u1(t)视为原始数据,重复上述步骤(2.1)~(2.4),重复循环n-1次,直到剩余信号un(t)为一单调或常函数,于是:
其中,前四个ISC分量包含了振动信号的所有特性,因此i=4。
(3)计算前4个ISC分量的排列熵,组成特征向量;
本征尺度分量ISCi(t)=Yi(t)={y1(t)...yN(t)},对本征尺度分量嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (8)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
本实施例中,各个状态下的熵值特征量如表1所示:
表1部分各个状态下的熵值特征量
正常状态 | T=[0.212,0.315,0.302,0.251] |
触头松动 | T=[0.353,0.306,0.224,0.225] |
触头磨损 | T=[0.296,0.205,0.255,0.223] |
触头烧毁 | T=[0.224,0.235,0.265,0.352] |
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
在该步骤中,把分别采集的各个状态的80组数据中的20组数据的排列熵作为样本训练SVM分类器,该SVM分类器的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的60数据作为测试样本,带入SVM分类器进行故障诊断。最后测试的结果如表2所示:
表2测试的结果
数据集 | 训练样本(组) | 测试样本(组) | 总的分辨率 |
正常状态 | 20 | 60 | 95.25% |
触头松动 | 20 | 60 | 94.36% |
触头烧毁 | 20 | 60 | 93.65% |
触头磨损 | 20 | 60 | 92.22% |
从实验的结果来看,本发明的故障诊断方法结论简洁,易懂,识别故障率高,适合工程应用。
Claims (6)
1.一种基于LCD和排列熵的OLTC故障诊断方法,其特征在于,包括下述步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,并对各个状态下的分别采集的多组振动信号进行降噪;
(2)利用LCD方法将降噪后的振动信号自适应分解,选取前面若干个ISC分量作为主分量;
(3)计算选取的前面若干个ISC分量的排列熵,组成特征向量;
(4)把特征向量输入到建立好的SVM分类器进行工作模式识别。
2.根据权利要求1所述的基于LCD和排列熵的OLTC故障诊断方法,其特征在于,所述步骤(1)中,采集到振动信号z(t)后对振动信号进行降噪,步骤如下:
(1.1)选取db5小波基和分解层数为3,对含噪电流包络信号进行小波包分解;
(1.2)选取改机阈值函数(1)对小波分解系数进行阈值量化处理,得到相应的小波系数;
式中:β为调节系数,取值范围为0≤β≤1;阈值λ=0.48;
(1.3)将处理后的小波系数反变换,重构去噪后的振动信号X(t)。
3.根据权利要求2所述的基于LCD和排列熵的OLTC故障诊断方法,其特征在于,所述步骤(1.2)中,调节系数β=0.5。
4.根据权利要求2所述的基于LCD和排列熵的OLTC故障诊断方法,其特征在于,所述步骤(2)中,利用LCD方法将降噪后的振动信号自适应分解的步骤包括:
(2.1)确定去噪后的振动信号X(t)的极值点(τk,Xk),k=1,2,3,…M;并计算:
其中,Xk为X(t)的极值,τk为该极值对应的时刻;Lk为局部特征量;
(2.2)通过延拓,得到左右两端极值点(τ0,X0),(τM+1,XM+1);令k分别等于0和M-1,根据式(2)求出L1与LM的值,再用三次样条函数拟合所有的Lk,k=1,2,3=M,得到均值曲线BL1(t);
(2.3)将均值曲线从原信号中分离出来:
h1(t)=X(t)-BL1(t) (3)
若h1(t)是一个ISC分量,输出h1(t)并令ISC1=h1(t);否则将h1(t)作为原始数据,继续重复上述步骤,直到h1(t)是一个ISC分量,记ISC1=h1k(t);
(2.4)将ISC1分量从原始数据中分离出来:
u1(t)=X(t)-ISC1 (4)
得到一个新的剩余信号u1(t);
(2.5)再将u1(t)视为原始数据,重复上述步骤(2.1)~(2.4),重复循环n-1次,直到剩余信号un(t)为一单调或常函数,于是:
其中,前四个ISC分量包含了振动信号的所有特性,因此i=4。
5.根据权利要求4所述的基于LCD和排列熵的OLTC故障诊断方法,其特征在于,所述步骤(3)中,本征尺度分量ISCi(t)=Yi(t)={y1(t)...yN(t)},嵌入维数m和延迟时间τ,对其进行相空间重构得到如下矩阵:
式中:其中K=N(m-1)τ,K为重构分量的个数,取m=3,τ=8;上述相空间重构产生的符号序列有m!种可能性,第k种符号序列出现的概率记作Pk,则Yi的排列熵为:
对HP进行归一化得:
Hp=H* p/In(m!) (8)
分别求出前4个乘积函数排列熵组成特征向量T=[T1,T2,T3,T4]。
6.根据权利要求4所述的基于LCD和排列熵的OLTC故障诊断方法,其特征在于,所述步骤(4)中,把分别采集的各个状态的多组数据中的若干组数据的排列熵作为样本训练SVM分类器,该SVM分类器的核函数形式为:
其中,σ为控制核函数高宽的参数;对于线性不可分情况,引入惩罚因子C来控制错误分类;参数取值为σ=1,惩罚因子C=10;然后把各个状态的剩下的数据作为测试样本,带入SVM分类器进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910455304.XA CN110132567A (zh) | 2019-05-28 | 2019-05-28 | 一种基于lcd和排列熵的oltc故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910455304.XA CN110132567A (zh) | 2019-05-28 | 2019-05-28 | 一种基于lcd和排列熵的oltc故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110132567A true CN110132567A (zh) | 2019-08-16 |
Family
ID=67582471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910455304.XA Pending CN110132567A (zh) | 2019-05-28 | 2019-05-28 | 一种基于lcd和排列熵的oltc故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132567A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982489A (zh) * | 2020-08-27 | 2020-11-24 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
CN109800740A (zh) * | 2019-02-26 | 2019-05-24 | 河海大学 | 一种基于样本熵和svm的oltc机械故障诊断方法 |
-
2019
- 2019-05-28 CN CN201910455304.XA patent/CN110132567A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN108362488A (zh) * | 2018-02-28 | 2018-08-03 | 河海大学 | 基于mpe与svm的oltc机械故障诊断方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
CN109800740A (zh) * | 2019-02-26 | 2019-05-24 | 河海大学 | 一种基于样本熵和svm的oltc机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
郑近德 等: "基于LCD和排列熵的滚动轴承故障诊断", 《振动、测试与诊断》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982489A (zh) * | 2020-08-27 | 2020-11-24 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN111982489B (zh) * | 2020-08-27 | 2022-05-06 | 江苏师范大学 | 选择集成的改进局部特征分解的微弱故障特征提取方法 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114088400B (zh) * | 2021-11-01 | 2024-04-09 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN109753951A (zh) | 一种基于瞬时能量熵和svm的oltc故障诊断方法 | |
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN110146269A (zh) | 基于eemd的多尺度模糊熵的oltc故障诊断方法 | |
CN103823180B (zh) | 一种配电开关机械故障诊断方法 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN108535638B (zh) | 基于多层滤波器的有载分接开关机械状态监测方法及系统 | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
CN109800740A (zh) | 一种基于样本熵和svm的oltc机械故障诊断方法 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN106990303A (zh) | 一种变压器故障诊断方法 | |
EP1894283A1 (de) | Fehlerstromanalysator zur erfassung eines fehlerstroms und einrichtung mit fehlerstromerfassungsfunktion | |
CN110132565A (zh) | 一种基于小波包和神经网络结合的oltc故障诊断方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109443717B (zh) | 一种有载分接开关机械故障在线监测方法 | |
CN107015140A (zh) | 一种有载分接开关弹簧动能不足故障的振动信号分析方法 | |
CN110132567A (zh) | 一种基于lcd和排列熵的oltc故障诊断方法 | |
CN108362488A (zh) | 基于mpe与svm的oltc机械故障诊断方法 | |
CN109932053B (zh) | 一种用于高压并联电抗器的状态监测装置及方法 | |
CN110132404A (zh) | 一种变压器有载分接开关机械故障在线监测方法 | |
CN110412458A (zh) | 一种oltc传动机构故障诊断方法 | |
CN106153183A (zh) | 变压器有载分接开关机械状态的在线监测方法 | |
CN108921124A (zh) | 一种变压器有载分接开关机械故障在线监测方法 | |
CN109946597A (zh) | 基于机电信号的分接开关运行状态评估方法 | |
CN109886063B (zh) | 基于小波时频图处理的有载调压开关振动故障诊断方法 |
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: 20190816 |