CN110909509B - 基于InfoLSGAN和AC算法的轴承寿命预测方法 - Google Patents
基于InfoLSGAN和AC算法的轴承寿命预测方法 Download PDFInfo
- Publication number
- CN110909509B CN110909509B CN201911189955.5A CN201911189955A CN110909509B CN 110909509 B CN110909509 B CN 110909509B CN 201911189955 A CN201911189955 A CN 201911189955A CN 110909509 B CN110909509 B CN 110909509B
- Authority
- CN
- China
- Prior art keywords
- infolsgan
- training
- bearing
- algorithm
- generator
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于InfoLSGAN和AC算法的轴承寿命预测方法。所述方法包括如下步骤,步骤一:将SDAE、InfoGAN和LSGAN相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;步骤二:采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;步骤三:根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。实施例的结果表明本发明具有较强的噪声适应能力,并能在小样本情况下准确地预测风电齿轮箱轴承的剩余寿命。
Description
技术领域
本发明涉及一种轴承寿命预测方法,尤其涉及基于信息最小二乘生成对抗网络(Information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(Actor-critic,AC)算法的轴承寿命预测方法。
背景技术
为应对气候变化和能源短缺问题,风能已受到世界各国的广泛关注。然而,复杂恶劣的工作环境导致风电齿轮箱的故障率相对较高。对于地处偏僻地区的风力发电机而言,任何难以预料的故障均会导致较高的维护成本或巨大的经济损失。据最新研究表明,风电齿轮箱故障主要是其内部轴承引起的。因此,风电齿轮箱轴承的剩余寿命预测对减少停机时间和降低维护成本具有十分重要的意义。
近年来,轴承的剩余寿命预测已受到大量学者的高度重视。众多具代表性的轴承剩余寿命预测方法被相继提出。这些方法可分为模型法和数据驱动法。模型法通过建立基于失效机理的物理模型,描述轴承的退化过程。与材料特性相关的模型参数可通过专门的实验或分析方法确定。尽管模型法可准确预测轴承的剩余寿命,但难于建立精确的轴承退化模型。确定模型参数还需要大量的实验和经验数据,从而限制了模型法的广泛应用。数据驱动法通过统计模型或人工智能技术,学习轴承退化过程,实现轴承的剩余寿命预测。统计模型包括自适应回归模型、随机系数模型、Wiener过程模型、全阶乘模型等。尽管随机变量的引入可改进统计模型的柔性,但其预测效果严重依赖历史数据,从而影响轴承剩余寿命预测的准确率。并且,随机变量的概率分布需满足多种假设。常用的人工智能技术包括人工神经网络、模糊逻辑系统、支持向量机、Gaussian过程回归等。人工智能技术无需精确的解析模型,通过历史数据识别退化过程。然而,特征提取仍然是一个耗时的过程。提取的冗余特征很可能降低预测准确率。这些原因限制了人工智能技术在轴承剩余寿命预测上的应用。此外,由于齿轮啮合的干扰,采集到的轴承振动信号通常被强烈的噪声所干扰。这会严重影响轴承剩余寿命预测的效果。并且,轴承加速疲劳寿命试验耗时且投入巨大,仅能获得有限的试验样本。
发明内容
本发明的目的是为了解决小样本和噪声干扰下风电齿轮箱轴承剩余寿命预测准确率低的问题,为风电齿轮箱轴承剩余寿命预测提供一种新颖的解决思路,而提出了基于InfoLSGAN和AC算法的轴承寿命预测方法。
基于InfoLSGAN和AC算法的轴承寿命预测方法,其特征在于该方法包括以下步骤:
步骤一、将堆叠降噪自动编码器(Stacked denoising autoencoder,SDAE)、信息生成对抗网络(Information maximizing generative adversarial network,InfoGAN)和最小二乘生成对抗网络(Least squares generative adversarial network,LSGAN)相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;
步骤二、采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;
步骤三、根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。
采用本发明的基于InfoLSGAN和AC算法的轴承寿命预测方法,与其它轴承寿命预测方法相比,本发明的有益效果为:
1.将SDAE、InfoGAN和LSGAN相结合,开发一种新颖的InfoLSGAN。该深度学习模型利用堆叠结构,自动地从噪声数据中提取鲁棒特征;利用互信息约束,提取有价值的可解释特征;采用最小二乘损失函数,解决梯度消失问题。因此,该深度学习模型具有较强的噪声适应能力,并能在小样本情况下取得出色的剩余寿命预测效果;
2.在AC算法的基础上,提出一种基于AC的InfoLSGAN训练算法。该算法将行动者和评论家独立出来,能对值函数和策略函数进行同步训练,策略变化较为平滑,时间复杂度低。所以,该算法能明显地减少训练时间,加快收敛速度。
附图说明
图1为本发明基于InfoLSGAN和AC算法的轴承寿命预测方法的流程图;
图2为风电齿轮箱轴承1_1的全寿命周期振动信号;
图3为风电齿轮箱轴承1_1的RRMS值随时间变化曲线;
图4为不同SNR下六种方法的剩余寿命预测结果;
图5为预测准确率与迭代次数之间的关系曲线。
具体实施方式
具体实施方式一:结合图1说明本实施方式,基于InfoLSGAN和AC算法的轴承寿命预测方法,其特征在于该方法包括以下步骤:
步骤一、将SDAE、InfoGAN和LSGAN相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;
步骤二、采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;
步骤三、根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中InfoLSGAN由生成器G、判别器D和softmax分类器组成。真实数据x为输入样本。不可压缩的噪声z'和隐变量编码c为生成器G的输入。生成器G由一个SDAE构成。生成样本G(z',c)应服从真实数据x的分布Pdata(x)。判别器D判断输入样本是真实数据x还是生成样本G(z',c)。判别器D由一个SDAE构成。softmax分类器的输出为预测结果。该结果用于计算奖励,并反馈给生成器G。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中采用基于AC的训练算法训练InfoLSGAN;具体步骤为:
步骤二一、设置噪声比例,折扣因子γ,并初始化状态s0和动作a0;
步骤二二、执行动作a0,观察环境新状态si+1,计算累积折扣奖励,公式为:
其中,γ∈(0,1]为折扣因子,rt'为t'时刻的奖励;
步骤二三、训练判别器D,其目标函数定义为:
其中,λ为超参数,VLSGAN(D)为LSGAN中判别器D的目标函数,LI(G,Q)为InfoGAN中生成器G和判别器D的互信息;
步骤二四、训练生成器G,其目标函数定义为:
其中,VLSGAN(G)为LSGAN中生成器G的目标函数;
步骤二五、根据公式(4)和(5),更新InfoLSGAN的值函数参数θv和策略函数参数θπ:
其中,R为状态si下智能体执行动作ai的期望回报;
步骤二六、对下一时刻重复步骤二二至步骤二五,直到判别器D和生成器G达到纳什均衡。
采用以下实施例验证本发明的有益效果。
实施例:
本实施例基于InfoLSGAN和AC算法的轴承寿命预测方法步骤如下:
步骤一、将SDAE、InfoGAN和LSGAN相结合,构建InfoLSGAN。本实施例以风电齿轮箱轴承为研究对象,通过预测其剩余寿命验证提出方法的有效性。本实施例在本实验室研发的风电齿轮箱轴承加速疲劳寿命试验台上进行。该试验台主要由驱动电机、两个对称放置的行星齿轮箱与磁粉制动器组成。风电齿轮箱轴承为6206-2RS深沟球轴承。实施例中通过磁粉制动器产生3种负载(5Nm、10Nm和20Nm),驱动电机的输出转速分别为400r/min、800r/min和1200r/min。所以,可得到三种轴承运行状态:第一种(1200rpm和5Nm)、第二种(800rpm和10Nm)、第三种(400rpm和20Nm)。利用加速度传感器采集风电齿轮箱高速轴轴承全寿命周期振动信号,采样间隔为10s,采样频率为25.6kHz,采样时间为0.1s。当振动加速度信号幅值超过20g时,停止试验。每种轴承运行状态采集6个样本,3种运行状态下可获得18个样本。它们分别命名为轴承1_1-轴承1_6,轴承2_1-轴承2_6,以及轴承3_1-轴承3_6。本实施例将每种运行状态中的前2个样本用作训练样本,剩下的4个样本看作测试样本。图2为风电齿轮箱轴承1_1的全寿命周期振动信号。将均方根(Root mean square,RMS)值看作风电齿轮箱轴承的性能衰退评估指标。RMS对个体差异较敏感,需对其进行标准化和滑移平均处理,获得相对均方根(Relative root mean square,RRMS)值。风电齿轮箱轴承1_1的RRMS值随时间变化曲线如图3所示。设退化阈值和失效阈值分别为1.05和3.2。正常阶段风电齿轮箱轴承的RRMS没有明显波动。所以,仅开展退化阶段风电齿轮箱轴承的剩余寿命预测。使用的程序开发框架为Tensorflow1.1.0,编程语言为Python。计算机配置为8核i7-6700处理器,16GB内存。构建用于风电齿轮箱轴承剩余寿命预测的InfoLSGAN。它由生成器G、判别器D和softmax分类器组成。生成器G和判别器D均由具有2个隐层的SDAE构成。SDAE的隐层神经元数目设为200。输入为62×62矩阵。
步骤二、采用基于AC的训练算法训练InfoLSGAN。噪声比例设为0.3,折扣因子γ设为0.9,并初始化状态s0和动作a0。
步骤三、根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。预测准确率用于评估本文提出方法的效果,其计算公式为:
其中,eRMSE为均方根误差,yi和分别为第i个检查点剩余寿命的真实值和预测值,N为检查点个数。风电齿轮箱轴承的剩余寿命预测准确率如表1所示。从表1可以看出,负载越大,转速越低,预测效果越好。这是由于负载越大,脉冲响应的幅值越高,故障特征越明显。转速越低,冲击脉冲响应的衰减时间与冲击间隔相差越大,从而避免了混叠现象的发生。并且,在小样本情况下每种运行状态的测试样本预测准确率均超过96%,平均准确率均高于97%。因此,该方法能在小样本情况下准确地预测风电齿轮箱轴承的剩余寿命。
表1风电齿轮箱轴承的剩余寿命预测准确率
为研究信噪比(Signal-to-noise ratio,SNR)对预测效果的影响,将该方法与BPNN、SVM、SDAE、InfoGAN和LSGAN进行对比。采用MATLAB 2016a中的工具箱,实现基于BPNN或SVM的风电齿轮箱轴承的剩余寿命预测。BPNN包含2个隐层,隐层单元数设为200,通过最小化预定误差目标值的方式,采用Levenberg-Marquardt优化算法训练BPNN。将径向基数核看作SVM的核函数,并采用cross-validation算法优化核函数参数和惩罚因子。采用EEMD方法提取样本中的时域特征和频域特征,可提取24个特征用作BPNN和SVM的输入。SDAE、InfoGAN和LSGAN的结构和训练过程如前所述。不同SNR下六种方法的剩余寿命预测结果如图4所示。从图4中可以看出,对原始信号而言,六种方法的预测准确率接近100%。然而,随着SNR的减小,预测准确率急剧降低。当SNR等于0时,BPNN、SVM和SDAE的预测准确率均低于75%,而该方法的预测准确率超过85%。这是由于该方法利用SDAE的堆叠结构和GAN的生成对抗机制,自动地从小样本的噪声数据中提取鲁棒特征。与LSGAN和InfoGAN相比,该方法仍然获得较高的预测准确率。主要原因在于InfoLSGAN将LSGAN与InfoGAN相结合,不但能解决梯度消失问题,还能提取可解释的特征。因此,该方法无需任何降噪处理,能自动地从噪声数据中提取可解释的鲁棒特征,具有较强的噪声适应能力。
为研究该方法的收敛性,分别采用Adam优化算法、Q学习(Q-Learning,QL)算法、策略梯度(Policy gradient,PG)算法和基于AC的训练算法训练InfoLSGAN。在Adam优化算法中,学习率α设为0.001,两个矩估计指数衰减率β1和β2分别设为0.9和0.99,数值稳定常数ε设为10-8。InfoLSGAN的模型结构和基于AC的训练算法的参数设置如前所述。Q学习算法和策略梯度算法的参数设置与基于AC的训练算法的相似。预测准确率与迭代次数之间的关系曲线如图5所示。从图5可以看出,当迭代次数超过1800时,基于AC的训练算法的预测准确率趋于稳定。与其它算法相比,该算法的预测准确率最先达到稳定状态。主要原因在于该算法将行动者和评论家独立出来,能对值函数和策略函数进行同步训练,策略变化较为平滑,时间复杂度低。所以,该算法能明显地减少训练时间,加快收敛速度。
Claims (1)
1.基于信息最小二乘生成对抗网络(Information least squares generativeadversarial network,InfoLSGAN)和行动者-评论家(Actor-critic,AC)算法的轴承寿命预测方法包括以下步骤:
步骤一、将堆叠降噪自动编码器(Stacked denoising autoencoder,SDAE)、信息生成对抗网络(Information maximizing generative adversarial network,InfoGAN)和最小二乘生成对抗网络(Least squares generative adversarial network,LSGAN)相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;
InfoLSGAN由生成器G、判别器D和softmax分类器组成;真实数据x为输入样本,不可压缩的噪声z'和隐变量编码c为生成器G的输入,生成器G由一个SDAE构成,生成样本G(z',c)应服从真实数据x的分布Pdata(x),判别器D判断输入样本是真实数据x还是生成样本G(z',c),判别器D由一个SDAE构成,softmax分类器的输出为预测结果,该结果用于计算奖励,并反馈给生成器G;
步骤二、采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;
基于AC的训练算法训练InfoLSGAN;具体步骤为:
步骤二一、设置噪声比例,折扣因子γ,并初始化状态s0和动作a0;
步骤二二、执行动作a0,观察环境新状态si+1,计算累积折扣奖励,公式为:
其中,γ∈(0,1]为折扣因子,rt'为t'时刻的奖励;
步骤二三、训练判别器D,其目标函数定义为:
其中,λ为超参数,VLSGAN(D)为LSGAN中判别器D的目标函数,LI(G,Q)为InfoGAN中生成器G和判别器D的互信息;
步骤二四、训练生成器G,其目标函数定义为:
其中,VLSGAN(G)为LSGAN中生成器G的目标函数;
步骤二五、根据公式(4)和(5),更新InfoLSGAN的值函数参数θv和策略函数参数θπ:
步骤二六、对下一时刻重复步骤二二至步骤二五,直到判别器D和生成器G达到纳什均衡;
步骤三、根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189955.5A CN110909509B (zh) | 2019-11-28 | 2019-11-28 | 基于InfoLSGAN和AC算法的轴承寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911189955.5A CN110909509B (zh) | 2019-11-28 | 2019-11-28 | 基于InfoLSGAN和AC算法的轴承寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909509A CN110909509A (zh) | 2020-03-24 |
CN110909509B true CN110909509B (zh) | 2022-08-05 |
Family
ID=69820091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911189955.5A Active CN110909509B (zh) | 2019-11-28 | 2019-11-28 | 基于InfoLSGAN和AC算法的轴承寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909509B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329948B (zh) * | 2020-11-04 | 2024-05-10 | 腾讯科技(深圳)有限公司 | 一种多智能体策略预测方法及装置 |
CN117494588B (zh) * | 2024-01-02 | 2024-03-19 | 东方电气风电股份有限公司 | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794368A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨理工大学 | 基于foa-mksvm的滚动轴承故障分类方法 |
CN108520282A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于Triple-GAN的分类方法 |
CN109495744A (zh) * | 2018-10-29 | 2019-03-19 | 西安电子科技大学 | 基于联合生成对抗网络的大倍率遥感影像压缩方法 |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
CN110441061A (zh) * | 2019-08-13 | 2019-11-12 | 哈尔滨理工大学 | 基于c-drgan和ad的行星轮轴承寿命预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN110263801B (zh) * | 2019-03-08 | 2022-07-08 | 腾讯医疗健康(深圳)有限公司 | 图像处理模型生成方法及装置、电子设备 |
-
2019
- 2019-11-28 CN CN201911189955.5A patent/CN110909509B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794368A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨理工大学 | 基于foa-mksvm的滚动轴承故障分类方法 |
CN108520282A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于Triple-GAN的分类方法 |
CN109495744A (zh) * | 2018-10-29 | 2019-03-19 | 西安电子科技大学 | 基于联合生成对抗网络的大倍率遥感影像压缩方法 |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
CN110441061A (zh) * | 2019-08-13 | 2019-11-12 | 哈尔滨理工大学 | 基于c-drgan和ad的行星轮轴承寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
深度学习在滚动轴承故障诊断中的应用研究;陈伟;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20180915;C029-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN110909509A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks | |
Wang et al. | An integrated fault diagnosis and prognosis approach for predictive maintenance of wind turbine bearing with limited samples | |
Dai et al. | Ageing assessment of a wind turbine over time by interpreting wind farm SCADA data | |
CN110410282B (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 | |
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
Cui et al. | Deep learning-based time-varying parameter identification for system-wide load modeling | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
CN106682814A (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
Lin et al. | Gear fault diagnosis based on CS-improved variational mode decomposition and probabilistic neural network | |
CN110909509B (zh) | 基于InfoLSGAN和AC算法的轴承寿命预测方法 | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
CN109447305B (zh) | 一种基于量子加权长短时记忆神经网络的趋势预测方法 | |
Yu et al. | Remaining useful life prediction of planet bearings based on conditional deep recurrent generative adversarial network and action discovery | |
Xiuli et al. | Fault diagnosis method of wind turbine gearbox based on deep belief network and vibration signal | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
CN110441061B (zh) | 基于c-drgan和ad的行星轮轴承寿命预测方法 | |
CN113919102A (zh) | 一种风电机组主传动系统载荷传递特性分析方法及系统 | |
Zhao et al. | A Multifault Diagnosis Method of Gear Box Running on Edge Equipment | |
CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN115470630A (zh) | 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法 | |
Jia et al. | Bearing fault diagnosis method based on CNN-LightGBM | |
CN110097143A (zh) | 一种基于鱼群算法优化bp网络的齿轮箱故障诊断方法 | |
Peng et al. | Wind turbine blades icing failure prognosis based on balanced data and improved 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221102 Address after: Li Min Zhen Sun Hua Tun, Hulan District, Harbin City, Heilongjiang Province, 150000 Patentee after: Harbin Bearing Manufacturing Co.,Ltd. Address before: 150080 No. 52, Xuefu Road, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN University OF SCIENCE AND TECHNOLOGY |