CN110735769A - 一种预测风机故障的方法及装置、系统 - Google Patents
一种预测风机故障的方法及装置、系统 Download PDFInfo
- Publication number
- CN110735769A CN110735769A CN201910870282.3A CN201910870282A CN110735769A CN 110735769 A CN110735769 A CN 110735769A CN 201910870282 A CN201910870282 A CN 201910870282A CN 110735769 A CN110735769 A CN 110735769A
- Authority
- CN
- China
- Prior art keywords
- data
- fan
- time series
- input
- sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000000306 recurrent effect Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000002955 isolation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种预测风机故障的方法及装置、系统。其中，该方法包括：通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据，并通过无线网络及隔离设备从风机场传输至数据处理平台；所述感测数据在数据处理平台经过预处理过程形成时间序列工作数据；用训练好的循环神经网络模型提取时间序列工作数据中隐含的特征信息，预测得到所述风机未来的时间序列预测数据；通过所述时间序列预测数据判断所述风机的工作状态，并进行预警。本申请解决了现有技术中风机安全的运行解决方案多以在故障发生后进行检测并报警，或者采用人工诊断方式预测风机的故障,导致故障预测不能持续进行的的技术问题。
Description
技术领域
本申请涉及风机故障预测领域，具体而言，涉及一种预测风机故障的方法及装置、系统。
背景技术
风机安全运行的早期故障诊断，即在风机中故障实际发生前对其预警，是风机运行维护技术上的难点，也是空白。一般的，风机复杂，检测的模拟量的数量多，故障种类多。数据量巨大的特点使得传统的根据物理原理建模和统计建模方法，无法有效的对故障进行提前预警。
现有的风机安全运行解决方案多以故障检测为基础。无论是数据采集与监视控制系统(Supervisory Control And Data Acquisition，SCADA)，叶片健康监测系统，油液金属颗粒监测等均只能在故障发生后报警。传动链振动监测系统所提供的月度报告中包含了一定程度的对故障的预测，有助于规避机械类故障的发生。然而，由于传动链振动监测系统不包含由计算机自动进行的智能诊断系统，对故障的预测需要由诊断工程师完成，传动链振动监测系统所提供的故障预测质量与准确率极大的依赖于诊断工程师的水平。由于诊断工程师数量相对稀少且水平并不稳定，传动链振动监测系统所提供的故障预测可靠性无法得到保证。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种预测风机故障的方法及装置、系统，以期解决现有技术中风机安全的运行解决方案多在故障发生后进行预测并报警，或者采用人工诊断方式预测风机的故障,导致故障预测不能继续进行的问题。
根据本申请实施例的一个方面，提供了一种预测风机故障的方法，包括:通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据,并通过无线网络及隔离设备从风机场传输至数据处理平台；所述感测数据在数据处理平台经过预处理过程形成时间序列工作数据；用训练好的循环神经网络模型提取时间序列工作数据中隐含的特征信息，预测得到所述风机未来的时间序列预测数据；通过所述时间序列预测数据判断所述风机的工作状态，并进行预警。
可选地，所述通过无线网络及隔离设备传输至数据处理平台，隔离设备是指将两个或两个以上可路由的网络通过不可路由的协议进行数据交换而达到隔离目的的设备。
可选地，所述感测数据经过预处理过程形成时间序列工作数据，具体包括：将感测数据进行预处理，最终获得时间序列工作数据。预处理过程包括数据去重，异常值处理，缺失时间间隔数据填充，归一化处理及数据整合。时间序列工作数据是从采集到的感测数据经过一系列的预处理形成可以输入用于网络模型训练的数据，每行时间序列工作数据具体包括序列时间、传感器ID、传感器数据以及风机ID。
其中数据去重是对同一时间点出现多个不同的感测数据，通过处理仅保留一行数据；异常值处理是去重后的数据去除正常感测数据邻域外的异常感测数据；对缺失的时间间隔数据进行线性插值填充；对填充后的感测数据进行归一化处理并对所有数据进行整合形成时间序列工作数据，归一化处理将有量纲数据转换为无量纲数据。
可选地，所述循环神经网络模型包括输入层，隐藏层和输出层。其中输入层从时间序列工作数据中提取特征信息，特征信息是对原始数据的内容、内在规律及层次的一种表示。输入层通过线性操作将所提取的特征信息传输至隐藏层。隐藏层通过细胞单元对输入层提取到的特征信息进行迭代更新，得到迭代后的特征信息，所述细胞单元个数与输入的时间序列工作数据以及输出的时间序列预测数据长度相同，其中每个细胞单元均包含遗忘门、输入门、输出门。隐藏层最终获得的特征信息通过线性操作传输至输出层。输出层将所述的特征信息通过全连接层重新转换成时间序列预测数据。
隐藏层包括多个细胞单元，每个细胞单元均包括遗忘门、输入门和输出门，遗忘门是控制是否遗忘的，即以一定的概率控制是否遗忘上一层的隐藏细胞状态。具体而言遗忘门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列数据x(t)，遗忘门的输出数据为f(t)，用数学表达式即为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，其中Wf,Uf,bf为线性关系的系数和偏置，σ为sigmoid激活函数。
输入门负责用当前序列的输入更新当前序列位置的细胞状态，具体而言输入门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列数据x(t),输入门的输出数据为i(t)与a(t)的乘积，其中i(t)是输入数据使用sigmoid函数所得，用数学表达式即为i(t)＝σ(Wih(t-1)+Uix(t)+bi)；a(t)是输入数据使用tanh函数所得，用数学表达式即为a(t)＝tanh(Wah(t-1)+Uax(t)+ba)，最终输入门的输出结果为i(t)与a(t)的乘积，乘积结果作用于细胞状态，对当前序列位置的细胞状态进行更新，得到更新后的细胞状态C(t)，其中Wi,Ui,bi,Wa,Ua,ba,为线性关系的系数和偏置，σ为sigmoid激活函数；所述细胞状态C(t-1)到C(t)的更新过程可以表示为C(t)＝F(C(t-1)),其中F为细胞状态更新函数，可以表示为
输出门负责当前序列细胞单元的隐藏状态h(t)的更新，具体而言，输出门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列位置的输入数据x(t)，隐藏状态h(t)的更新由两部分组成，第一部分是o(t),它由上一序列的隐藏状态h(t-1)和本序列数据x(t)，通过激活函数sigmoid得到，用数学表达式即为o(t)＝σ(Woh(t-1)+Uox(t)+bo)，第二部分由o(t)和当前序列细胞单元隐藏状态C(t)经过tanh激活函数处理后组成,用数学表达式即为h(t)＝o(t)⊙tanh(C(t))，其中Wo,Uo,bo为线性关系的系数和偏置，σ为sigmoid激活函数，⊙为Hadamard乘积。
可选地，所述依据时间序列预测数据判断所述风机工作状态，具体包括对时间序列预测数据进行分类和回归算法处理，得到所述风机的工作状态。
分类算法是用函数直接给出所述风机工作状态的置信度，如softmax函数等，它能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。函数的形式通常按以下式子：
其中，j＝1，2，...，K
而样本向量x属于第j个分类的概率为：
回归算法是将时间序列预测数据直接与目标数据进行比对得到风机的工作状态，如逻辑回归等。
可选地，所述通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据，其中感测数据为各个风机部件运行过程中的实时数据，包括工作模式、故障代码、日发电量、变流器线电流、变流器电压、变流器内温度、变流器冷却水温、电网功率、电网电压、电网电流、瞬时风速、瞬时风向、机舱方向、机舱内湿度、机舱X方向振动、机舱Y方向振动、环境温度、机舱温度、机舱控制柜温度、偏航压力、偏航速度、偏航方位角、叶片变桨速度、叶片电机温度、叶片变桨角度、叶片控制柜温度、发电机转速、发电机转矩、发电机绕组温度、发电机冷却水温度、齿轮箱油池温度、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口压力、齿轮箱油泵出口压力。
可选地，所述循环神经网络模型由所述风机历史感测数据训练得到，其过程包括：获取训练样本集，其中，训练样本集包括多种类型的风机的历史感测数据；标注所述训练样本集中每个历史感测数据的风机故障信息，其中，所述风机故障信息包括：故障种类以及故障发生时间；对循环神经网络进行随机初始化；将标注后的训练样本集输入至初始化的循环神经网络进行训练，得到所述循环神经网络模型。
根据本申请实施例的另一方面，还提供了一种预测风机故障的系统，包括：数据感测及传输模块，用于感测得到风机的多个感测数据，其中，通过安装在风机不同部件上的传感器感测得到多个感测数据，并将感测数据通过隔离设备和无线网络从风机场传输至数据处理平台；数据预处理模块，用于将采集到的原始感测数据经过一系列预处理过程得到可用于预测模型训练的时间序列工作数据；模型训练模块，用预处理模块得到的时间序列工作数据对循环神经网络进行训练；数据预测模块，用循环神经网络模型处理多个感测数据，预测得到风机的工作状态；人机交互模块，建立系统可视化界面方便风机场相关工作人员实时查看风机状态，及时接收预警信息，获得故障详情及故障检查方法。
根据本申请实施例的另一方面，还提供了一种预测风机故障的装置，包括：传感器，设置在风机的不同部件，用于感测得到风机的多个感测数据；处理器，与传感器通信连接，用循环神经网络模型处理多个感测数据，预测得到风机的工作状态。
根据本申请实施例的再一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序运行时控制存储介质所在的设备执行以上的预测风机故障的方法。
根据本申请实施例的再一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行以上的预测风机故障的方法。
在本申请实施例中，通过利用传感器采集风机的多个感测数据，对感测数据进行预处理过程得到时间序列工作数据，将预处理过程得到的时间序列工作数据输入至训练好的循环神经网络模型进行预测，得到风机的时间序列预测数据，对时间序列预测数据进行分类及回归算法处理，得到所述风机的工作状态并进行预警，从而实现了提高风机故障预测可行性及准确性的技术效果，进而解决了现有技术中风机安全的运行解决方案多以在故障发生后进行预测并报警，或者采用人工诊断方式预测风机的故障,导致故障预测不能继续进行的的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种预测风机故障的方法的流程图；
图2是根据本申请实施例的一种利用循环神经网络模型预测风机故障的示意图；
图3是根据本申请实施例的一种预测风机故障的装置的结构图；
图4是根据本申请实施例的一种预测风机故障的系统的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，提供了一种预测风机故障的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种预测风机故障的方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据，并通过无线网络及隔离设备从风机场传输至数据处理平台。
上述风机为用于进行风力发电的风机。步骤S101是通过安装在风机各个部件上的100-200个传感器采集部件在运行过程中的状态信息，获取感测数据。其中感测数据多为各个部件运行过程中的实时数据，包括工作模式、故障代码、日发电量、变流器线电流、变流器电压、变流器内温度、变流器冷却水温、电网功率、电网电压、电网电流、瞬时风速、瞬时风向、机舱方向、机舱内湿度、机舱X方向振动、机舱Y方向振动、环境温度、机舱温度、机舱控制柜温度、偏航压力、偏航速度、偏航方位角、叶片变桨速度、叶片电机温度、叶片变桨角度、叶片控制柜温度、发电机转速、发电机转矩、发电机绕组温度、发电机冷却水温度、齿轮箱油池温度、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口压力、齿轮箱油泵出口压力。获得感测数据后，通过无线网络及隔离设备将感测数据从风机场传输至数据处理平台供以后续数据预处理、数据训练使用，同时保证了数据的单向性，且使得数据在不同区域按照指定策略和端口进行通信。
步骤S102，将步骤S101得到的感测数据在数据处理平台经过预处理过程形成时间序列工作数据。
根据本申请的一个可选的实施例，步骤S102中的感测数据经过预处理过程形成时间序列工作数据，预处理过程包括数据去重，异常值处理，缺失时间间隔数据填充，归一化处理及数据整合。其中，数据去重是对同一时间点出现多个不同的感测数据，通过处理仅保留一行数据，去除重复无效数据；异常值处理是去重后数据再去除正常感测数据3σ邻域外的异常感测数据；对缺失的时间间隔数据进行线性插值填充；对填充后的感测数据进行归一化处理并对所有数据进行整合形成时间序列工作数据，归一化处理将有量纲数据转换为无量纲数据。
步骤S103，用训练好的循环神经网络模型提取时间序列工作数据中隐含的特征信息，预测得到所述风机未来时间序列预测数据。
根据本申请的一个可选的实施例，步骤S103中所述循环神经网络模型具体包括输入层，隐藏层和输出层。其中，输入层从时间序列工作数据中提取特征信息，特征信息是对原始数据的内容、内在规律及层次的一种表示；输入层将所提取的特征信息通过线性操作传输至隐藏层，隐藏层通过细胞单元对特征信息进行迭代更新，得到迭代后的特征信息，细胞单元个数与输入的时间序列工作数据以及输出的时间序列预测数据序列长度相同；隐藏层将最终获得的特征信息通过线性操作传输至输出层，输出层将隐藏层最终获得的特征信息重新转换成时间序列预测数据。
步骤S104，依据时间序列预测数据判断所述风机工作状态，并进行预警。
根据本申请的一个可选的实施例，步骤S104中所述依据时间序列预测数据判断所述风机工作状态，具体包括对时间序列预测数据进行分类和回归算法处理，得到所述风机的工作状态。所述分类算法是用函数直接给出所述风机工作状态的置信度，如softmax函数等，它能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。函数的形式通常按以下式子：
而样本向量x属于第j个分类的概率为：
所述回归是将时间序列预测数据直接与目标数据进行比对得到风机的工作状态。
在本申请的一个可选的实施例中，所述循环神经网络模型由所述风机历史感测数据训练得到，其过程包括：获取训练样本集，其中，所述训练样本集包括多个风机多个传感器的历史感测数据；标注所述训练样本集中每个历史感测数据的风机故障信息，其中，所述风机故障信息包括：故障种类以及故障发生时间；对循环神经网络进行随机初始化；将标注后的训练样本集输入至初始化的循环神经网络进行训练，得到循环神经网络模型。
图2是根据本申请实施例的一种利用循环神经网络模型预测风机故障的示意图，如图2所示，将采集的风机的多个部件发生的120个时间序列工作数据输入至训练好的循环神经网络模型，通过输入层、隐藏层和输出层的处理，输出所述风机的时间序列预测数据。
所述输入层将时间序列工作数据输入至循环神经网络模型中提取特征，并将提取到的特征信息作为输入输出给隐藏层进行循环迭代。
所述隐藏层对特征信息进行循环迭代更新，根据数据集特点迭代出对应的特征信息。隐藏层包含多个细胞单元，每个细胞单元中的控制门包括遗忘门、输入门和输出门。
遗忘门顾名思义，是控制是否遗忘的，即以一定的概率控制是否遗忘上一层的隐藏细胞状态。如果没有使记忆单元遗忘信息的机制，那么它们可能会无限增长，最终导致网络崩溃。
遗忘门的工作原理如图2所示，其中遗忘门的输入数据包括上一序列的隐藏状态h(t-1)和本序列数据x(t)，再通过一个激活函数，一般是sigmoid，进行计算，得到遗忘门的输出数据f(t)。由于sigmoid的输出数据f(t)在[0,1]之间，因此这里的输出数据f(t)代表了遗忘上一层隐藏细胞状态的概率。用数学表达式即为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，其中Wf,Uf,bf为线性关系的系数和偏置，σ为sigmoid激活函数。
输入门负责处理当前序列位置的输入。输入门的工作原理如图2所示，输入门由两部分组成，第一部分使用了sigmoid激活函数，输出为i(t),第二部分使用了tanh激活函数，输出为a(t),两者的结果相乘更新细胞状态。用数学表达式即为：i(t)＝σ(Wih(t-1)+Uix(t)+bi)，a(t)＝tanh(Wah(t-1)+Uax(t)+ba)，其中Wi,Ui,bi,Wa,Ua,ba为线性关系的系数和偏置，σ为sigmoid激活函数。
遗忘门和输入门的结果都会作用于细胞状态，将细胞状态从C(t-1)更新到C(t)。更新过程可以表示为C(t)＝F(C(t-1)),其中F为细胞状态更新函数，可以表示为
输出门将更新后的细胞状态C(t)经过激活函数tanh和经过激活函数σ的输入合并到一起，决定输出的内容。隐藏状态h(t)的更新由两部分组成，第一部分是o(t),它由上一序列的隐藏状态h(t-1)和本序列数据x(t)，以及激活函数sigmoid得到，第二部分由隐藏状态C(t)和tanh激活函数组成,即：o(t)＝σ(Woh(t-1)+Uox(t)+bo)，h(t)＝o(t)⊙tanh(C(t))，其中Wo,Uo,bo为线性关系的系数和偏置，σ为sigmoid激活函数，⊙为Hadamard乘积。
所述输出层由隐藏层中的输出特征信息作为输入，将其通过全连接层重新转换成时间序列预测数据。
通过循环神经网络模型输出的风机的时间序列预测数据，将时间序列预测数据通过分类及回归算法处理，判断风机的运行工作状态，并进行预警，可以帮助风机维护人员对风机进行相应的检修，比如预测结果显示在未来预设时间段内，风机发生故障的概率高于预设阈值，此时相关维护人员需要加快对风机的检修排查工作，尽量在故障发生之前将故障隐患排除。
图3是根据本申请实施例的一种预测风机故障的装置的结构图，如图3所示，该装置包括：
数据感测及传输模块30，用于感测得到风机的多个感测数据，其中，通过安装在风机不同部件上的传感器感测得到多个感测数据。将采集到的感测数据通过隔离设备和无线网络传输至数据平台进行处理。
数据预处理模块31，用于将采集到的原始感测数据经过一系列预处理过程得到可用于模型训练预测的时间序列工作数据。
模型训练模块32，用预处理模块得到的时间序列工作数据对循环神经网络进行训练。
数据预测模块33，用实时采集到的感测数据预测得到所述风机在未来一定时间内的工作状态。
人机交互模块34，建立系统可视化界面方便风机场相关工作人员实时查看风机状态，及时接收预警信息，获得故障详情及故障检查方法。
上述人机交互可视化界面包括风机的运行状态，故障预测情况，故障代码，故障名称以及故障原因和检查方法。
需要说明的是，图3所示实施例的优选实施方式可以参见图1、图2所示实施例的相关描述，此处不再赘述。
图4是根据本申请实施例的一种预测风机故障的装置的结构图，如图4所示，该系统包括：
传感器40，设置在风机的不同部件，用于感测得到风机的多个感测数据。
处理器41，与传感器40通信连接，用于基于循环神经网络模型处理多个感测数据，预测得到风机的工作状态。
处理器41可以是服务器，还可以是云端服务器，处理器41用于运行训练好的循环神经网络模型，利用循环神经网络模型对传感器40采集的风机部件的感测数据进行预测，得到未来预设时间段内风机的运行状态信息。
需要说明的是，图4所示实施例的优选实施方式可以参见图1、图2所示实施例的相关描述，此处不再赘述。
本申请实施例还提供了一种存储介质，存储介质包括存储的程序，其中，程序运行时控制存储介质所在的设备执行以上的预测风机故障的方法。
存储介质用于存储执行以下功能的程序：感测得到风机的多个感测数据，其中，通过安装在风机不同部件上的传感器感测得到多个感测数据；基于循环神经网络模型处理多个感测数据，预测得到风机的工作状态。
本申请实施例还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行以上的预测风机故障的方法。
处理器用于处理执行以下功能的程序：感测得到风机的多个感测数据，其中，通过安装在风机不同部件上的传感器感测得到多个感测数据；基于循环神经网络模型处理多个感测数据，预测得到风机的工作状态。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种预测风机故障的方法、装置及系统，其特征在于，包括：
S101：通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据,并通过无线网络及隔离设备从风机场传输至数据处理平台；
S102：所述感测数据在数据处理平台经过预处理过程形成时间序列工作数据；
S103：用训练好的循环神经网络模型提取时间序列工作数据中隐含的特征信息，预测得到所述风机未来的时间序列预测数据；
S104：通过所述时间序列预测数据判断所述风机的工作状态，并进行预警。
2.根据权利要求1所述的方法，其特征在于，所述感测数据在数据处理平台经过预处理过程形成时间序列工作数据，具体包括：
将感测数据经过数据去重，异常值处理，缺失时间间隔数据填充，归一化处理及数据整合，最终获得时间序列工作数据；
所述时间序列工作数据，是可以输入用于网络模型的数据，每行数据具体包括序列时间、传感器ID、传感器数据以及风机ID。
3.根据权利要求2所述的方法，其特征在于，所述循环神经网络模型，具体包括输入层，隐藏层和输出层，其中：
所述输入层从时间序列工作数据中提取特征信息；
所述隐藏层通过细胞单元对输入层提取到的特征信息进行迭代更新，得到迭代后的特征信息，所述细胞单元个数与输入的时间序列工作数据以及输出的时间序列预测数据序列长度相同，其中每个细胞单元均包括遗忘门、输入门和输出门；
遗忘门负责控制遗忘上一序列的细胞状态C(t-1)，反馈的结果为控制上一序列细胞状态是否遗忘的概率，具体而言遗忘门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列数据x(t)，遗忘门的输出数据为f(t)，用数学表达式即为：f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)，其中Wf,Uf,bf为线性关系的系数和偏置，σ为sigmoid激活函数；
输入门负责用当前序列的输入更新当前序列位置的细胞状态，具体而言输入门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列数据x(t),输入门的输出数据为i(t)与a(t)的乘积，其中i(t)是输入数据使用sigmoid函数所得，用数学表达式即为i(t)＝σ(Wih(t-1)+Uix(t)+bi)；a(t)是输入数据使用tanh函数所得，用数学表达式即为a(t)＝tanh(Wah(t-1)+Uax(t)+ba)，最终输入门的输出结果为i(t)与a(t)的乘积，乘积结果作用于细胞状态，对当前序列位置的细胞状态进行更新，得到更新后的细胞状态C(t)，其中Wi,Ui,bi,Wa,Ua,ba,为线性关系的系数和偏置，σ为sigmoid激活函数；所述细胞状态C(t-1)到C(t)的更新过程可以表示为C(t)＝F(C(t-1)),其中F为细胞状态更新函数，可以表示为
输出门负责当前序列细胞单元的隐藏状态h(t)的更新，具体而言，输出门的输入数据包括上一序列的隐藏状态h(t-1)和当前序列位置的输入数据x(t)，隐藏状态h(t)的更新由两部分组成，第一部分是o(t),它由上一序列的隐藏状态h(t-1)和本序列数据x(t)，通过激活函数sigmoid得到，用数学表达式即为o(t)＝σ(Woh(t-1)+Uox(t)+bo)，第二部分由o(t)和当前序列细胞单元隐藏状态C(t)经过tanh激活函数处理后组成,用数学表达式即为h(t)＝o(t)⊙tanh(C(t))，其中Wo,Uo,bo为线性关系的系数和偏置，σ为sigmoid激活函数，⊙为Hadamard乘积；
所述输出层将隐藏层最终获得的特征信息通过全连接层重新转换成时间序列预测数据。
4.根据权利要求3所述的方法，其特征在于，所述通过时间序列预测数据判断所述风机的工作状态，具体包括对时间序列预测数据进行分类和回归算法处理，得到所述风机的工作状态，其中：
分类算法是用函数直接给出所述风机工作状态的置信度，如softmax函数，它能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。函数的形式通常按以下式子：
而样本向量x属于第j个分类的概率为：
回归是将时间序列预测数据通过逻辑回归算法直接与目标数据进行比对得到风机的工作状态。
5.根据权利要求4所述的方法，其特征在于，所述通过安装在风机部件上的数据采集传感器获得风机各个部件的感测数据，其中感测数据为各个风机部件运行过程中的实时数据，包括工作模式、故障代码、日发电量、变流器线电流、变流器电压、变流器内温度、变流器冷却水温、电网功率、电网电压、电网电流、瞬时风速、瞬时风向、机舱方向、机舱内湿度、机舱X方向振动、机舱Y方向振动、环境温度、机舱温度、机舱控制柜温度、偏航压力、偏航速度、偏航方位角、叶片变桨速度、叶片电机温度、叶片变桨角度、叶片控制柜温度、发电机转速、发电机转矩、发电机绕组温度、发电机冷却水温度、齿轮箱油池温度、齿轮箱高速轴前端温度、齿轮箱高速轴后端温度、齿轮箱进口压力、齿轮箱油泵出口压力。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述循环神经网络模型，是由风机历史感测数据训练得到，其过程包括：
获取训练样本集，其中，所述训练样本集包括多个风机多个传感器的历史感测数据；
标注所述训练样本集中每个历史感测数据的风机故障信息，其中，所述风机故障信息包括：故障种类以及故障发生时间；
对循环神经网络进行随机初始化；
将标注后的训练样本集输入至初始化的循环神经网络进行训练，得到所述循环神经网络模型。
7.一种预测风机故障的系统，其特征在于，包括：
数据感测及传输模块，通过安装在风机不同部件上的数据采集传感器感测得到风机各个部件的感测数据，并通过无线网络及隔离设备从风机场传输至数据平台；
数据预处理模块，用于将采集到的原始感测数据经过预处理过程得到可用于模型训练预测的时间序列工作数据；
模型训练模块，用预处理模块得到的时间序列工作数据对循环神经网络进行训练；
数据预测模块，用实时采集到的感测数据预测得到所述风机在未来一定时间内的的工作状态；
人机交互模块，建立系统可视化界面方便风机场相关工作人员实时查看风机状态，及时接收预警信息，获得故障详情及故障检查方法。
8.一种预测风机故障的装置，其特征在于，包括：
传感器，设置在风机的不同部件，用于感测得到风机的多个感测数据；
处理器，与所述传感器通信连接，用循环神经网络模型处理所述多个感测数据，预测得到所述风机的工作状态。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时控制存储介质所在的设备执行权利要求1至5中任意一项所述的预测风机故障的方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的预测风机故障的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910870282.3A CN110735769A (zh) | 2019-09-18 | 2019-09-18 | 一种预测风机故障的方法及装置、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910870282.3A CN110735769A (zh) | 2019-09-18 | 2019-09-18 | 一种预测风机故障的方法及装置、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110735769A true CN110735769A (zh) | 2020-01-31 |
Family
ID=69267968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910870282.3A Pending CN110735769A (zh) | 2019-09-18 | 2019-09-18 | 一种预测风机故障的方法及装置、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110735769A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
| CN112215305A (zh) * | 2020-11-16 | 2021-01-12 | 远景能源有限公司 | 基于风机相互预警的虚拟激光雷达系统及方法 |
| CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 发动机的故障分析预测方法 |
| CN112577739A (zh) * | 2020-12-03 | 2021-03-30 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 风电机组发动机驱动端轴承超温故障诊断及预警方法 |
| CN112814854A (zh) * | 2020-12-31 | 2021-05-18 | 新智数字科技有限公司 | 基于联合学习的涡轮风机维护方法和装置 |
| CN112855462A (zh) * | 2020-10-10 | 2021-05-28 | 华能汕头海门发电有限责任公司 | 一种风机设备预警方法及系统 |
| CN112902352A (zh) * | 2021-01-19 | 2021-06-04 | 苏州新进元网络科技有限公司 | 一种带自密封装置的空气除异味过滤器 |
| CN112949905A (zh) * | 2021-01-28 | 2021-06-11 | 国网浙江省电力有限公司信息通信分公司 | 边缘域传感器数据预测方法及装置 |
| CN113157992A (zh) * | 2021-01-29 | 2021-07-23 | 河北建投新能源有限公司 | 风机传感器数据重构方法、装置与计算机可读存储介质 |
| CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
| CN114562431A (zh) * | 2022-02-28 | 2022-05-31 | 北京金风慧能技术有限公司 | 监测风力发电机组湿度的方法及装置 |
| CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
| CN118171538A (zh) * | 2024-04-25 | 2024-06-11 | 江苏中天互联科技有限公司 | 故障时间预测方法、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
| CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
| CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
| CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
| CN106951997A (zh) * | 2017-03-24 | 2017-07-14 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
| CN108019322A (zh) * | 2017-12-14 | 2018-05-11 | 海安常州大学高新技术研发中心 | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 |
| CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
-
2019
- 2019-09-18 CN CN201910870282.3A patent/CN110735769A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
| CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
| CN104392143A (zh) * | 2014-12-09 | 2015-03-04 | 北京四方继保自动化股份有限公司 | 一种自适应量子神经网络汽轮机故障趋势预测方法 |
| CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
| CN106951997A (zh) * | 2017-03-24 | 2017-07-14 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
| CN108019322A (zh) * | 2017-12-14 | 2018-05-11 | 海安常州大学高新技术研发中心 | 一种基于微云的风电机组机舱加速度故障预测系统及其数据管理方法 |
| CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN111598346A (zh) * | 2020-05-20 | 2020-08-28 | 北京三一智造科技有限公司 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
| CN113404655A (zh) * | 2020-08-24 | 2021-09-17 | 湖南科技大学 | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 |
| CN112232370A (zh) * | 2020-09-16 | 2021-01-15 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 发动机的故障分析预测方法 |
| CN112855462A (zh) * | 2020-10-10 | 2021-05-28 | 华能汕头海门发电有限责任公司 | 一种风机设备预警方法及系统 |
| CN112215305A (zh) * | 2020-11-16 | 2021-01-12 | 远景能源有限公司 | 基于风机相互预警的虚拟激光雷达系统及方法 |
| CN112577739A (zh) * | 2020-12-03 | 2021-03-30 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 风电机组发动机驱动端轴承超温故障诊断及预警方法 |
| CN112814854A (zh) * | 2020-12-31 | 2021-05-18 | 新智数字科技有限公司 | 基于联合学习的涡轮风机维护方法和装置 |
| CN112814854B (zh) * | 2020-12-31 | 2022-04-29 | 新智数字科技有限公司 | 基于联合学习的涡轮风机维护方法和装置 |
| CN112902352A (zh) * | 2021-01-19 | 2021-06-04 | 苏州新进元网络科技有限公司 | 一种带自密封装置的空气除异味过滤器 |
| CN112949905A (zh) * | 2021-01-28 | 2021-06-11 | 国网浙江省电力有限公司信息通信分公司 | 边缘域传感器数据预测方法及装置 |
| CN113157992A (zh) * | 2021-01-29 | 2021-07-23 | 河北建投新能源有限公司 | 风机传感器数据重构方法、装置与计算机可读存储介质 |
| CN114562431A (zh) * | 2022-02-28 | 2022-05-31 | 北京金风慧能技术有限公司 | 监测风力发电机组湿度的方法及装置 |
| CN115406483A (zh) * | 2022-08-04 | 2022-11-29 | 国网湖北省电力有限公司黄龙滩水力发电厂 | 一种水电机组故障识别方法、装置、设备及可读存储介质 |
| CN118171538A (zh) * | 2024-04-25 | 2024-06-11 | 江苏中天互联科技有限公司 | 故障时间预测方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
| Kong et al. | Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units | |
| Xiang et al. | Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism | |
| Zhao et al. | Anomaly detection and fault analysis of wind turbine components based on deep learning network | |
| Pandit et al. | SCADA‐based wind turbine anomaly detection using Gaussian process models for wind turbine condition monitoring purposes | |
| CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| Udo et al. | Data-driven predictive maintenance of wind turbine based on SCADA data | |
| Tautz‐Weinert et al. | Using SCADA data for wind turbine condition monitoring–a review | |
| Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
| Teng et al. | DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?> | |
| de Bessa et al. | Data-driven fault detection and isolation scheme for a wind turbine benchmark | |
| Chen et al. | Automated on‐line fault prognosis for wind turbine pitch systems using supervisory control and data acquisition | |
| Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
| CN110410282A (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN106870298A (zh) | 基于机器学习的叶根螺栓断裂故障检测方法 | |
| Qiao et al. | Fault detection in wind turbine generators using a meta-learning-based convolutional neural network | |
| CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
| CN113574480B (zh) | 用于预测设备损坏的装置 | |
| CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
| EP4080304A1 (en) | System and method for cyberattack detection in a wind turbine control system | |
| CN109615109A (zh) | 基于小样本数据的深度学习风电告警信息分析方法 | |
| CN115755639A (zh) | 一种风电机组数字孪生仿真方法及系统 | |
| CN117780679B (zh) | 一种离心风机故障诊断方法及在线监测系统 | |
| CN118167569A (zh) | 一种基于振动的风电机组桨叶异常检测方法及装置 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 |
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: 20200131 |
|
| WD01 | Invention patent application deemed withdrawn after publication |