CN110533007A - 一种桥梁车载应变影响线特征智能识别与提取方法 - Google Patents
一种桥梁车载应变影响线特征智能识别与提取方法 Download PDFInfo
- Publication number
- CN110533007A CN110533007A CN201910867601.5A CN201910867601A CN110533007A CN 110533007 A CN110533007 A CN 110533007A CN 201910867601 A CN201910867601 A CN 201910867601A CN 110533007 A CN110533007 A CN 110533007A
- Authority
- CN
- China
- Prior art keywords
- strain
- signal
- vehicle
- training
- data
- 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
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种桥梁车载应变影响线特征智能识别与提取方法,包括如下步骤:采用多层小波变换将应变测试信号分解并提取其中的高频(车辆导致)成分;在人工判定和监督下将车致应变信号中的平稳段(无车时)和非平稳段(有车时)截取并标记,形成训练集与检验集;设计长短期记忆分类网络,采用训练集数据对神经网络进行训练学习,并采用检验集数据检验已训练神经网络的分类预测准确度;采用滑动窗口对在线分解得到的车致应变信号进行实时截取,并使用训练合格的分类网络对实时截取信号进行分类预测和标记,最后提取所识别的非平稳信号(即车载应变影响线)特征值。与现有技术相比,本发明方法逻辑严密,物理意义明确,实施有章可循。
Description
技术领域
本发明属于既有桥梁结构性能监测、检测、预警与评估领域,是一种桥梁车载应变影响线特征智能识别与提取方法,具体来说,涉及一种基于人工神经网络的桥梁结构车载应变影响线的智能识别与特征提取方法。
背景技术
桥梁是中国交通运输网络中的重要组成部分,车辆荷载是桥梁结构服役过程中所受到的主要活荷载。车载应变影响线是评判桥梁结构当前状态的主要指标之一。随着测试技术的发展,采集大量的桥梁应变响应已然不是难事。然而,随着数据的积累,从应变监测数据中提取车载应变影响线(即车致应变信号的非平稳信号)却成了重复枯燥却不得不做的工作。人工智能与神经网络技术的发展与繁荣使得采用电子计算机代替人工进行车载应变影响线的智能识别与特征提取成为可能。
目前,土木、交通领域对基于测试数据识别应变影响线特征参数的方法较少,采用人工神经网络进行无需人工操作的相关方法则更少。常用的方法有以下几种:(1)基于专家的人工判定与提取:该方法是根据桥梁设计者、管理者或相关学者的力学知识与管养经验,人工地对应变信号的车载影响线进行判别与提取,此方法需要从业者有一定的力学知识与管理经验,且只适用于数据量极小的情况下由人工操作完成,故无法在监测、检测大数据时代推广应用;(2)基于经验阈值的自动识别与提取:该方法是根据专家对车载应变影响线极值(如极大值、幅值等)所处的通常范围给定一个经验阈值,当车致应变信号的极值大于等于该阈值时,则判定该段信号为车载应变影响线信号,然而此方法过于依赖阈值的选取,阈值取大了容易忽略较小车载应变影响线,阈值取小了又容易混入噪声,难以为工程从业人员所掌握与应用。
因此,有必要研发一种具有物理意义、能用计算机代替人工操作、应用范围广泛且可与大数据时代相契合的方法,以实现桥梁车载应变影响线特征的智能识别与提取。
发明内容
本发明所要解决的技术问题是:提供一种桥梁车载应变影响线特征智能识别与提取方法,该方法可以实现既有桥梁在服役过程中的车载应变影响线的智能化识别与在线特征提取。
为解决上述技术问题,本发明采用的技术方案是:一种桥梁车载应变影响线特征智能识别与提取方法,包括如下步骤:
(1)根据温度数据的频谱分析结果确定多层小波变换的分解尺度,采用多层小波变换将应变测试信号分解成高频(车辆导致)成分信号与低频(温度导致)成分信号;
(2)在具有专业知识的技术人员判定和监督下,人工地将车致应变信号中的平稳段(无车通过时)和非平稳段(有车通过时)截取并标记,并形成同时包含平稳段与非平稳段的训练数据集与检验数据集;
(3)设计双向长短期记忆(BiLSTM,bidirectional Long Short-Term Memory)分类网络,采用已标记的训练集数据对神经网络进行训练学习,并用已标记的训练集数据对训练后的神经网络进行分类准确度检验;如达不到理想准确度或达到理想准确度的训练时间过长,则调整网络参数与训练参数重新训练,直到训练得到合格的BiLSTM分类网络为止;
(4)采用滑动窗口对多层小波变换在线分解得到的车致应变信号进行实时(准实时)截取,并使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,被标记为非平稳车致应变的信号可进一步提取其特征值(极大值、极小值、幅值等)。
作为本发明的优选,所述步骤(1)的具体步骤为:
(1.1)对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析,得到温度数据的主要频率的频带[0,ft];
(1.2)选用N尺度多层小波变换将应变进行分解,其中第N层第0个分解序列的频带为[0,fs/2N+1],故N的选取条件需使得fs/2N+1略大于ft而fs/2N+2小于ft;
(1.3)将第N层第0个分解序列作为温致应变信号,将应变测试信号减去温致应变信号的结果作为结构车致应变信号。
作为本发明的优选,所述步骤(2)的具体步骤为:
(2.1)基于具有专业知识的技术人员判断,将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段;
(2.2)将非平稳段数据和平稳段数据进行标记,并将标记后的数据一部分存储为训练数据集,另一部分存储为检验数据集,训练集和检验集都应同时包含非平稳段与平稳段数据。
作为本发明的优选,所述步骤(3)中的BiLSTM分类网络至少包括序列输入层(sequence input layer),BiLSTM隐层(BiLSTM hidden layer),全连接层(fullyconnected layer),Softmax层(softmax layer),分类输出层(classification outputlayer)。
作为本发明的优选,所述步骤(4)的具体步骤为:
(4.1)在应用阶段,对多层小波变换在线分解得到的车致应变信号进行即时截取,截取手段采用滑动窗口沿信号时程实施截取工作;
(4.2)使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,并记录信号对应的时间坐标;
(4.3)被标记为非平稳车致应变的信号将被进一步提取特征值,如果几个相邻的非平稳标记信号具有重复的极值点,则仅记录这几个信号按时间顺序的中间那个信号。
与现有技术相比,本发明具有以下有益效果:
(1)本发明首先采用多层小波变换分解应变测试信号,排除了环境温度对结构应变响应的干扰;而后采用人工标定的数据训练BiLSTM分类网络,使其能够识别车致应变信号的非平稳段;最后采用训练后的分类网络对在线信号进行非平稳段的识别,完成特征提取,方法层次递进,相关人员可逐步参照执行,不容易出错。
(2)本发明基于桥梁监测、监测等大量测试数据训练人工神经网络(分类)模型,使得分类网络学习该共性特征,实现车载应变影响线的智能识别,方法拥有明确的物理意义,便于桥梁管理维护人员理解与实施。
(3)本发明实施过程基本都建立在测试数据的处理与计算之上,经验因素少,任何拥有一定数学、计算机基础的技术人员都能依照本专利实现桥梁车载应变影响线特征的智能识别与提取。方法可行性强,便于广泛推广和应用。
附图说明
图1为本发明方法的流程图。
图2为多层小波变换分解原理示意图。
图3为应用示例中所设计BiLSTM分类网络结构示意图。
图4为典型桥梁箱梁底板纵向车载应变影响线示意图。
具体实施方式
下面将参照附图,对本发明的技术方案进行详细的说明。
如图1所示,本发明实施例公开一种桥梁车载应变影响线特征智能识别与提取方法,主要包括如下步骤:
步骤10):对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析,得到温度数据的主要频率的频带[0,ft];选用N尺度多层小波变换将应变进行分解,其中第N层第0个分解序列的频带为[0,fs/2N+1],故N的选取条件需使得fs/2N+1略大于ft而fs/2N+2小于ft;将第N层第0个分解序列作为温致应变信号,将应变测试信号减去温致应变信号的结果作为结构车致应变信号。
步骤20):基于具有专业知识的技术人员判断,将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段;将非平稳段数据和平稳段数据进行标记,并将标记后的数据一部分存储为训练数据集,另一部分存储为检验数据集,训练集和检验集都应同时包含非平稳段与平稳段数据。
步骤30):设计BiLSTM分类网络,网络应至少包含:序列输入层,BiLSTM隐层,全连接层,Softmax层,分类输出层;采用已标记的训练集数据训练BiLSTM分类网络;采用检验集数据对已训练的网络进行准确度校验,如准确度达不到期望值或达到期望值的训练时间过长,则调整网络参数与训练参数重新训练,直到训练得到合格的BiLSTM分类网络为止。
步骤40):在应用阶段,对多层小波变换在线分解得到的车致应变信号进行即时截取,截取手段采用滑动窗口沿信号时程实施截取工作;使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,并记录信号对应的时间坐标;被标记为非平稳车致应变的信号将被进一步提取特征值,如果几个相邻的非平稳标记信号具有重复的极值点,则仅记录这几个信号按时间顺序的中间那个信号。
实施例1:
下面以江苏省烈士河大桥某跨的25米预应力混凝土组合箱梁桥健康监测系统在某箱梁底板的纵向应变长期测试数据为例,说明本发明的具体实施过程。
(1)对所分析的应变测点附近的结构温度数据进行频谱分析,得到温度数据的主要频率的频带[0,0.021];应变数据的采样分析频率fs为50Hz,选用10尺度多层小波变换将应变进行分解(分解原理如图2),其中第10层第0个分解序列的频带为[0,fs/211],选择使得50/211略大于0.021而50/212小于0.021,并将第10层第0个分解序列作为温致应变信号,进一步将应变测试信号减去温致应变信号的结果作为结构车致应变信号。
(2)基于专利发明人的判断,将一段45日内的车致应变数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段(共约248317段);将非平稳段数据和平稳段数据进行标记,并将标记后的数据一部分存储为训练数据集(约153742段),另一部分存储为检验数据集(约94575段),训练集和检验集都应同时包含非平稳段与平稳段数据。
(3)设计BiLSTM分类网络(如图3所示),网络应包含:序列输入层,BiLSTM隐层,全连接层,Softmax层,分类输出层;采用已标记的训练集数据训练BiLSTM分类网络;采用检验集数据对已训练的网络进行准确度校验,如准确度达不到期望值(本例为99%以上)或达到期望值的训练时间过长,则调整网络参数与训练参数重新训练,最终得到合格的BiLSTM分类网络;训练网络的最优参数为:BiLSTM隐层单元数为20,网络训练的最大epoch为300,网络训练的minimum batch size为200;合格网络的检验准确率为99.16%。
(4)在应用阶段,对多层小波变换在线分解得到的车致应变信号采用滑动窗口沿信号时程进行即时截取;使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,并记录信号对应的时间坐标;被标记为非平稳车致应变的信号将被进一步提取极大值和幅值(极大值减极小值),如果几个相邻的非平稳标记信号具有重复的极大值点,则仅记录这几个信号按时间顺序的中间那个信号。图4为所识别的典型桥梁箱梁底板纵向车致应变非平稳段(即车载应变影响线)。
以上实施例仅是对本发明方案的进一步具体说明,在阅读了本发明实施例之后,本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。
Claims (5)
1.一种桥梁车载应变影响线特征智能识别与提取方法,其特征在于,包括如下步骤:
(1)根据温度数据的频谱分析结果确定多层小波变换的分解尺度,采用多层小波变换将应变测试信号分解成高频成分信号与低频成分信号;
(2)将车致应变信号中的平稳段和非平稳段截取并标记,并形成同时包含平稳段与非平稳段的训练数据集与检验数据集;
(3)设计双向长短期记忆分类网络BiLSTM,采用已标记的训练集数据对神经网络进行训练学习,并用已标记的训练集数据对训练后的神经网络进行分类准确度检验;如达不到理想准确度或达到理想准确度的训练时间过长,则调整网络参数与训练参数重新训练,直到训练得到合格的BiLSTM分类网络为止;
(4)采用滑动窗口对多层小波变换在线分解得到的车致应变信号进行实时截取,并使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,对被标记为非平稳车致应变的信号进行进一步提取其特征值。
2.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法,所述步骤(1)具体步骤为:
(1.1)对桥梁应变测点附近的结构温度或大气温度数据进行频谱分析,得到温度数据的主要频率的频带[0,ft];
(1.2)选用N尺度多层小波变换将应变进行分解,其中第N层第0个分解序列的频带为[0,fs/2N+1],故N的选取条件需使得fs/2N+1略大于ft而fs/2N+2小于ft;
(1.3)将第N层第0个分解序列作为温致应变信号,将应变测试信号减去温致应变信号的结果作为结构车致应变信号。
3.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法,所述步骤(2)的具体步骤为:
(2.1)将一段已有的测试数据人工地截取成包含每次过车应变信号非平稳段和其间平稳段;
(2.2)将非平稳段数据和平稳段数据进行标记,并将标记后的数据一部分存储为训练数据集,另一部分存储为检验数据集,训练集和检验集都应同时包含非平稳段与平稳段数据。
4.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法,所述步骤(3)中的BiLSTM分类网络至少包含:序列输入层,BiLSTM隐层,全连接层,Softmax层,分类输出层。
5.根据权利要求1所述的桥梁车载应变影响线特征智能识别与提取方法,所述步骤(4)的具体步骤为:
(4.1)在应用阶段,对多层小波变换在线分解得到的车致应变信号进行即时截取,截取手段采用滑动窗口沿信号时程实施截取工作;
(4.2)使用训练合格的BiLSTM分类网络对实时截取信号进行分类预测和标记,并记录信号对应的时间坐标;
(4.3)被标记为非平稳车致应变的信号将被进一步提取特征值,如果几个相邻的非平稳标记信号具有重复的极值点,则仅记录这几个信号按时间顺序的中间那个信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910867601.5A CN110533007B (zh) | 2019-09-13 | 2019-09-13 | 一种桥梁车载应变影响线特征智能识别与提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910867601.5A CN110533007B (zh) | 2019-09-13 | 2019-09-13 | 一种桥梁车载应变影响线特征智能识别与提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533007A true CN110533007A (zh) | 2019-12-03 |
CN110533007B CN110533007B (zh) | 2022-03-11 |
Family
ID=68668719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910867601.5A Active CN110533007B (zh) | 2019-09-13 | 2019-09-13 | 一种桥梁车载应变影响线特征智能识别与提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533007B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291490A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN112948715A (zh) * | 2021-03-02 | 2021-06-11 | 杭州电子科技大学 | 基于短时gps轨迹数据的车辆分类方法 |
CN113973403A (zh) * | 2021-11-10 | 2022-01-25 | 东南大学 | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 |
CN115311246A (zh) * | 2022-08-23 | 2022-11-08 | 保利长大工程有限公司 | 一种基于大数据的桥梁安全管理方法和系统 |
CN116542146A (zh) * | 2023-01-06 | 2023-08-04 | 中路高科交通检测检验认证有限公司 | 桥梁监测温度场-应变场时空相关模型及健康诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532819A (zh) * | 2013-10-27 | 2014-01-22 | 华北电力大学(保定) | 一种智能桥接器 |
CN105651338A (zh) * | 2016-03-01 | 2016-06-08 | 湖南大学 | 用于桥梁的车轴识别方法及系统 |
CN105973627A (zh) * | 2016-05-26 | 2016-09-28 | 东南大学 | 一种基于长标距应变影响包络线的桥梁损伤识别方法 |
CN107766877A (zh) * | 2017-09-27 | 2018-03-06 | 华南理工大学 | 一种桥梁监测系统中超重车动态识别方法 |
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
-
2019
- 2019-09-13 CN CN201910867601.5A patent/CN110533007B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532819A (zh) * | 2013-10-27 | 2014-01-22 | 华北电力大学(保定) | 一种智能桥接器 |
CN105651338A (zh) * | 2016-03-01 | 2016-06-08 | 湖南大学 | 用于桥梁的车轴识别方法及系统 |
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN105973627A (zh) * | 2016-05-26 | 2016-09-28 | 东南大学 | 一种基于长标距应变影响包络线的桥梁损伤识别方法 |
CN107766877A (zh) * | 2017-09-27 | 2018-03-06 | 华南理工大学 | 一种桥梁监测系统中超重车动态识别方法 |
Non-Patent Citations (2)
Title |
---|
HUAN LUO ET AL.: "A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension", 《MEASUREMENT》 * |
刘泽佳等: "基于桥梁实测应变大数据的超重车信号识别方法", 《科学技术与工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291490A (zh) * | 2020-02-19 | 2020-06-16 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN111291490B (zh) * | 2020-02-19 | 2022-11-18 | 东南大学 | 一种结构多尺度异类响应的非线性映射智能建模方法 |
CN112948715A (zh) * | 2021-03-02 | 2021-06-11 | 杭州电子科技大学 | 基于短时gps轨迹数据的车辆分类方法 |
CN113973403A (zh) * | 2021-11-10 | 2022-01-25 | 东南大学 | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 |
CN113973403B (zh) * | 2021-11-10 | 2024-02-23 | 东南大学 | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 |
CN115311246A (zh) * | 2022-08-23 | 2022-11-08 | 保利长大工程有限公司 | 一种基于大数据的桥梁安全管理方法和系统 |
CN116542146A (zh) * | 2023-01-06 | 2023-08-04 | 中路高科交通检测检验认证有限公司 | 桥梁监测温度场-应变场时空相关模型及健康诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110533007B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
CN108870091B (zh) | 基于高低频混合检测的管道泄漏监测系统及方法 | |
CN112446591A (zh) | 一种用于学生综合能力评价的评价体系及零样本评价方法 | |
CN103745229A (zh) | 一种基于svm的轨道交通故障诊断方法及系统 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN111142538B (zh) | 一种水环境监测的无人船运行策略实时决策方法 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
Cacciola et al. | Aspects about air pollution prediction on urban environment | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN112200238B (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN114237046A (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy |
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 |