CN110762081A - 基于hsmm-svm模型的大型液压机故障诊断方法与装置 - Google Patents

基于hsmm-svm模型的大型液压机故障诊断方法与装置 Download PDF

Info

Publication number
CN110762081A
CN110762081A CN201910875188.7A CN201910875188A CN110762081A CN 110762081 A CN110762081 A CN 110762081A CN 201910875188 A CN201910875188 A CN 201910875188A CN 110762081 A CN110762081 A CN 110762081A
Authority
CN
China
Prior art keywords
signal
hsmm
hydraulic machine
hydraulic
svm model
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
Application number
CN201910875188.7A
Other languages
English (en)
Inventor
何彦虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou Vocational and Technical College
Original Assignee
Huzhou Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huzhou Vocational and Technical College filed Critical Huzhou Vocational and Technical College
Priority to CN201910875188.7A priority Critical patent/CN110762081A/zh
Publication of CN110762081A publication Critical patent/CN110762081A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/005—Fault detection or monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供基于HSMM‑SVM模型的大型液压机故障诊断方法与装置，属于液压机故障诊断技术领域。该基于HSMM‑SVM模型的大型液压机故障诊断方法与装置包括如下步骤：S1：采集液压机的诊断信号；S2：通过对诊断信号进行处理以提取特征向量；S3：建立HSMM‑SVM模型的分类器，将特征向量输入分类器中得到故障信息。本发明首先采集液压机的诊断信号，然后通过对诊断信号进行处理以提取特征向量，接着建立HSMM‑SVM模型的分类器，将特征向量输入分类器中得到故障信息，这样可以获取液压机上的故障的诊断信息，精度较高，效率较高。

Description

基于HSMM-SVM模型的大型液压机故障诊断方法与装置
技术领域
本发明属于液压机故障诊断技术领域，涉及基于HSMM-SVM模型的大型液压机故障诊断方法与装置。
背景技术
液压技术已经成为世界各国工业领域的关键技术之一，据不完全统计，现在95%以上的机械设备都采用液压技术和装置，液压机是各种高强度钢、碳素钢和合金钢的加工、锻压必须采用的核心装置，广泛使用在航空航天、钢材、大型轴承件、核工业、军事、船舶、起吊机、人造板等重工业领域的设备中，是能源、石油、冶金等国民经济支柱产业中的关键设备，一些液压机是工业体系和国防所需的战略装备，是国家发展大型军事装备和大型工业装备的基础设备，标志着国家综合生产能力与技术发展水平，其可靠性和安全运行性至关重要。液压机实质是一个融机电液控于一体的系统，控制复杂、故障诊断困难。故障停机不但降低了企业的生产效率，造成巨大的经济损失，而且因为这些液压设备的维修技术被国外封锁，给生产企业带来极大的困难，因此对液压机设备的可靠运行、故障诊断与健康预测具有重大现实意义。
发明内容
本发明针对现有的技术存在的上述问题，提供基于HSMM-SVM模型的大型液压机故障诊断方法与装置，本发明所要解决的技术问题是：如何提供基于HSMM-SVM模型的大型液压机故障诊断方法与装置。
本发明的目的可通过下列技术方案来实现：
基于HSMM-SVM模型的大型液压机故障诊断方法，包括如下步骤：
S1：采集液压机的诊断信号；
S2：通过对诊断信号进行处理以提取特征向量；
S3：建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息。
优选的，所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
优选的，步骤S3中通过将特征向量输入分类器对分类器进行训练，验证分类器的分类精度以使分类器的准确度达到预设精度。
优选的，步骤S2中将诊断信号通过小波阀值去除噪声以得到滤波信号，通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF，根据式 获取各个本征模态函数本征模态函数IMF的能量矩，根据式 将能量矩进行构造特征向量并归一化。
优选的，所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。
优选的，所述HSMM和SVM通过串联、并联或者嵌入融合形成HSMM-SVM模型。
优选的，所述分类器包括用以存储有预设故障分类的故障模型库。
基于HSMM-SVM模型的大型液压机故障诊断装置，包括用以采集液压机的诊断信号的信号采集单元、用以接收并对诊断信号进行处理为特征向量的信号处理单元和用以对特征向量进行分析以得到故障信息的分类器，所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
优选的，所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。
优选的，所述信号处理单元包括用以将诊断信号通过小波阀值去除噪声以得到滤波信号的滤波模块、用以通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF的IMF模态模块、用以计算本征模态函数IMF的能量矩的能量矩模块和用以对能量矩构造特征向量并归一化的特征向量构造模块。
本发明中首先采集液压机的诊断信号，然后通过对诊断信号进行处理以提取特征向量，接着建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息，这样可以获取液压机上的故障的诊断信息，精度较高，效率较高。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
请参阅图1，本实施例中的基于HSMM-SVM模型的大型液压机故障诊断方法，包括如下步骤：
S1：采集液压机的诊断信号；
S2：通过对诊断信号进行处理以提取特征向量；
S3：建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息。
诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
步骤S3中通过将特征向量输入分类器对分类器进行训练，验证分类器的分类精度以使分类器的准确度达到预设精度。
在实验室环境下，首先搭建液压工作回路，并采集各测点的压力流量数据，经过滤波后，提取特征向量，然后训练已经构建好的HSMM-SVM模型，验证分类精度，当准确度达不到要求时，修改HSMM-SVM模型算法，直到符合要求为止。在现场条件下，受到环境的影响，尤其是电磁干扰和温度的影响，采集的数据需要进行处理，如智能化去噪算法，可以根据环境的变化，成功的将因环境引起的噪声去掉，寻找特征值。之后要进行动态测试，也就是当设备工作的时候，观察提取特征值变化规律，然后采用步骤一所用的分类器进行分类，观察精度，调整模型算法，直至满意为止。
步骤S2中将诊断信号通过小波阀值去除噪声以得到滤波信号，通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF，根据式 获取各个本征模态函数本征模态函数IMF的能量矩，根据式 将能量矩进行构造特征向量并归一化。
液压压力信号通过PPM-T322H压力传感器采集，液压流量信号通过FT-330型传感器采集，振动信号通过SG2000振动传感器采集。
HSMM和SVM通过串联、并联或者嵌入融合形成HSMM-SVM模型。
分类器包括用以存储有预设故障分类的故障模型库。
基于HSMM-SVM模型的大型液压机故障诊断装置，包括用以采集液压机的诊断信号的信号采集单元、用以接收并对诊断信号进行处理为特征向量的信号处理单元和用以对特征向量进行分析以得到故障信息的分类器，诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
液压压力信号通过PPM-T322H压力传感器采集，液压流量信号通过FT-330型传感器采集，振动信号通过SG2000振动传感器采集。
信号处理单元包括用以将诊断信号通过小波阀值去除噪声以得到滤波信号的滤波模块、用以通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF的IMF模态模块、用以计算本征模态函数IMF的能量矩的能量矩模块和用以对能量矩构造特征向量并归一化的特征向量构造模块。
HSMM采用λ=（N,M,π，A，B, p(j,d)）表示。每个HSMM仍包括状态序列和观测值序列，在t时刻，每个HSMM的观测值只与该时刻的状态有关，状态与自身的t-1的状态有关。因为需要求出在一组观测值
Figure 100002_DEST_PATH_IMAGE002
以及模型λ下状态发生的概率，就需要求出P（O|λ），设
Figure 100002_DEST_PATH_IMAGE004
为初始状态到t时刻的观测值和t时刻模型处于状态Si的联合概率：
Figure DEST_PATH_IMAGE006
，根据向前算法可得式
Figure DEST_PATH_IMAGE008
。设
Figure DEST_PATH_IMAGE010
为t时刻模型在状态Si下，从t+1时刻到最终时刻的观测值的联合概率，即，根据先后算法可得式
Figure DEST_PATH_IMAGE014
。为增加模型的鲁棒性和稳健性，经常采用多个观测样本训练HSMM，这时则有式
Figure DEST_PATH_IMAGE016
，其中
Figure DEST_PATH_IMAGE018
。
HSMM模型的状态转移重估公式为，其中
Figure DEST_PATH_IMAGE022
。为输出概率密度函数，其估计值为
Figure DEST_PATH_IMAGE026
，其中权值为
Figure DEST_PATH_IMAGE028
，均值重估公式为
Figure DEST_PATH_IMAGE030
，方差重估公式为
Figure DEST_PATH_IMAGE032
，其中
Figure DEST_PATH_IMAGE034
。
SVM采用结构风险最小化思想，能把非线性转换到高维的特征空间，用高维空间中的线性判别函数实现低维空间的非线性分类，这样在高维特征空间的线性回归就对应于低维空间的非线性回归，SVM总能找到一个最优分类超平面，而且使得超平面两侧的空白区域最大化，实现分类的最优。
考虑训练样本集{（xi，di）i=1，2，3，…..l}，xi是第i个输入，di是期望输出，对于给定的权值向量w和偏置b，则最优超平面判别函数为式wT+b=0，其中w为可调的权值向量，b是偏置。通过使用训练样本
Figure DEST_PATH_IMAGE036
找到最优超平面，且满足约束条件di(wT+b)≥1，接着用拉格朗日乘子方法解决约束最优问题，如式子，通过式
Figure DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE042
求出
Figure DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE046
，C是惩罚参数，
Figure DEST_PATH_IMAGE048
是不灵敏系数，
Figure DEST_PATH_IMAGE050
为松弛变量，采用RBF核函数，可以得到。
SVM 参数的取值影响其学习能力和泛化能力，因此，确定参数取值是 SVM 的一个重要研究内容。对于 RBF 核函数的 SVM，参数包括调整参数 C、核宽度σ和不敏感数ε。调整SVM参数，可以使得其具有非常强的学习能力及泛化能力。HSMM和SVM可以通过串联、并联或者嵌入融合形成HSMM-SVM分析系统。在串联混合模式中，HSMM计算出每一种状态的似然率，然后对所有的似然率进行排序，取前N个似然率的值（其他的似然率是明显可区分的），对这N个似然率再通过SVM进行分类，如果当HSMM的最大似然率对应的类编号与SVM分类的结果一致时，可认为结论是正确的，否则需要根据判别函数，决定哪个分类结果更加合理。对于并联模式，HSMM与SVM分别对立运行，对分类出的结果，需要似然表决函数进行投票决定哪个结果更加合理。最复杂的是HSMM与SVM的嵌入式算法，需要将SVM嵌入到HSMM中，然后采取向前向后、模型参数估计等进行论证，最后编程调试其效果。
压机的工作过程包括，压机的下降、加压、保压、泄压、提升等10个工作状态。每个工作状态分别对应着不同电磁阀的得电与失电，同时对应着系统不同点的压力与流量的变化。液压机工作时候，便会在10个正常状态下往复运行，当某个元件出现问题时，便会进入到故障状态，液压机常见的故障主要有异常下滑、压机不提升、不加压、不保压、保压不好等，故障原因主要是密封损坏、阀堵塞、电磁线圈烧坏等。在故障诊断时候，需要对每一种状态训练一个HSMM-SVM，需要训练10种正常状态，同时，还要训练故障状态，但故障数据获取困难，并非所有故障都有数据，项目采用了“似然模型库”，即构建一个可能发生的故障模型，然后用原理分析数据、历史故障数据或者类似设备得到训练数据，并用该数据进行训练模型，当故障发生时候，系统采用自学习方法，用实际得到的数据修正“似然模型”，逐步完善故障模型库。训练完成的模型就可以进行故障诊断。对于任意测试数据O，分别计算不同状态的似然概率
Figure DEST_PATH_IMAGE054
设λ为正常状态下训练HSMM的模型，则待测数据O在该模型上得到一个概率P(O|λ),用该概率的大小来衡量偏离程度。为了防止数据溢出，对数据进行数据压缩，可以得到似然概率LL，LL=log P(O|λ)。令
Figure DEST_PATH_IMAGE056
表示设备在性能等级为i时，转换到性能等级为j的概率，且满足
Figure DEST_PATH_IMAGE058
，设备处于退化过程中、在两次观测点的时间间隔△t上时会出现满足下式的情况，
Figure DEST_PATH_IMAGE060
，令退化因子为，则有
Figure DEST_PATH_IMAGE064
，在退化因子的影响下，某时刻t的转换概率为，其中j=i+1，i+2，…，i+n，为开始时刻的概率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于，包括如下步骤：
S1：采集液压机的诊断信号；
S2：通过对诊断信号进行处理以提取特征向量；
S3：建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息。
2.如权利要求1所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
3.如权利要求1或2所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：步骤S3中通过将特征向量输入分类器对分类器进行训练，验证分类器的分类精度以使分类器的准确度达到预设精度。
4.如权利要求3所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：步骤S2中将诊断信号通过小波阀值去除噪声以得到滤波信号，通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF，根据式
Figure DEST_PATH_IMAGE002
获取各个本征模态函数本征模态函数IMF的能量矩，根据式
Figure DEST_PATH_IMAGE004
将能量矩进行构造特征向量并归一化。
5.如权利要求2所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。
6.如权利要求1或2所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：所述HSMM和SVM通过串联、并联或者嵌入融合形成HSMM-SVM模型。
7.如权利要求5所述的基于HSMM-SVM模型的大型液压机故障诊断方法，其特征在于：所述分类器包括用以存储有预设故障分类的故障模型库。
8.基于HSMM-SVM模型的大型液压机故障诊断装置，其特征在于：包括用以采集液压机的诊断信号的信号采集单元、用以接收并对诊断信号进行处理为特征向量的信号处理单元和用以对特征向量进行分析以得到故障信息的分类器，所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。
9.如权利要求8所述的基于HSMM-SVM模型的大型液压机故障诊断装置，其特征在于：所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。
10.如权利要求8或9所述的基于HSMM-SVM模型的大型液压机故障诊断装置，其特征在于：所述信号处理单元包括用以将诊断信号通过小波阀值去除噪声以得到滤波信号的滤波模块、用以通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF的IMF模态模块、用以计算本征模态函数IMF的能量矩的能量矩模块和用以对能量矩构造特征向量并归一化的特征向量构造模块。
CN201910875188.7A 2019-09-17 2019-09-17 基于hsmm-svm模型的大型液压机故障诊断方法与装置 Pending CN110762081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910875188.7A CN110762081A (zh) 2019-09-17 2019-09-17 基于hsmm-svm模型的大型液压机故障诊断方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910875188.7A CN110762081A (zh) 2019-09-17 2019-09-17 基于hsmm-svm模型的大型液压机故障诊断方法与装置

Publications (1)

Publication Number Publication Date
CN110762081A true CN110762081A (zh) 2020-02-07

Family

ID=69329625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910875188.7A Pending CN110762081A (zh) 2019-09-17 2019-09-17 基于hsmm-svm模型的大型液压机故障诊断方法与装置

Country Status (1)

Country Link
CN (1) CN110762081A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465955A (zh) * 2020-03-30 2021-10-01 湖州职业技术学院 一种液压故障信息采集系统
CN113530921A (zh) * 2020-04-14 2021-10-22 湖州职业技术学院 基于es-mlstm的液压机故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799674A (zh) * 2010-03-28 2010-08-11 华中科技大学 一种数控装备服役状态分析方法
CN107202027A (zh) * 2017-05-24 2017-09-26 重庆大学 一种大型风机运行趋势分析及故障预测方法
CN108573193A (zh) * 2017-03-10 2018-09-25 唐山工业职业技术学院 一种滚动轴承多故障耦合机理与早期故障特征提取方法
EP3392486A1 (en) * 2017-04-18 2018-10-24 United Technologies Corporation Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults
CN110232416A (zh) * 2019-06-13 2019-09-13 中国人民解放军空军工程大学 基于hsmm-svm的装备故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799674A (zh) * 2010-03-28 2010-08-11 华中科技大学 一种数控装备服役状态分析方法
CN108573193A (zh) * 2017-03-10 2018-09-25 唐山工业职业技术学院 一种滚动轴承多故障耦合机理与早期故障特征提取方法
EP3392486A1 (en) * 2017-04-18 2018-10-24 United Technologies Corporation Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults
CN107202027A (zh) * 2017-05-24 2017-09-26 重庆大学 一种大型风机运行趋势分析及故障预测方法
CN110232416A (zh) * 2019-06-13 2019-09-13 中国人民解放军空军工程大学 基于hsmm-svm的装备故障预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何彦虎: "基于ＨＳＭＭ－ＳＶＭ 的液压机", 《湖州职业技术学院学报》 *
崔海龙: "隐半马尔科夫模型在滚动轴承故障诊断中的研究和应用", 《硕士学位论文》 *
张敏 等: "基于IMF能量矩和HSMM模型的滚动轴承故障诊断方法", 《组合机床与自动化加工技术》 *
陈金: "基于IMF能量矩特征提取方法", 《电子质量》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465955A (zh) * 2020-03-30 2021-10-01 湖州职业技术学院 一种液压故障信息采集系统
CN113530921A (zh) * 2020-04-14 2021-10-22 湖州职业技术学院 基于es-mlstm的液压机故障诊断方法

Similar Documents

Publication Publication Date Title
Jang et al. Adversarial autoencoder based feature learning for fault detection in industrial processes
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN111985546B (zh) 基于单分类极限学习机算法的飞机发动机多工况检测方法
CN111898639B (zh) 基于降维的分层时间记忆工业异常检测方法与装置
CN110647911A (zh) 一种基于主成分分析和深度信念网络的轴承故障诊断方法
CN110762081A (zh) 基于hsmm-svm模型的大型液压机故障诊断方法与装置
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN112036087A (zh) 一种多策略融合的核动力关键设备故障诊断方法及系统
CN118154174B (zh) 一种工业设备智慧运维云平台
CN105626502A (zh) 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN117189508A (zh) 基于多视角时空特征融合的风电机组状态监测方法
CN105718733B (zh) 基于模糊贴近度和粒子滤波的故障预报方法
Li et al. Nonlinear industrial process fault diagnosis with latent label consistency and sparse Gaussian feature learning
Ji et al. Incipient fault detection with probability transformation and statistical feature analysis
Liu et al. Fault Detection Based on Modified t-SNE
CN113719499B (zh) 一种电液伺服阀智能故障诊断方法
GB2623358A (en) Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network
Zhong et al. Industrial Robot Vibration Anomaly Detection Based on Sliding Window One‐Dimensional Convolution Autoencoder
Makansi et al. Feature Generation and Evaluation for Data-Based Condition Monitoring of a Hydraulic Press
Li et al. A Transfer Learning Based Method for Incipient Fault Detection
Sharmila et al. A two-step unsupervised learning approach to diagnose machine fault using big data
Fang et al. Application of CNN-1d based on feature fusion in bearing fault diagnosis
Zakaria et al. Gearbox fault diagnosis optimization using conventional neural networks and machine learning methods
CN118423907B (zh) 一种加热制冷循环器的智能化监控报警系统及方法

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

Application publication date: 20200207

RJ01 Rejection of invention patent application after publication