CN110954314A - 设备磨损的预测方法及装置 - Google Patents
设备磨损的预测方法及装置 Download PDFInfo
- Publication number
- CN110954314A CN110954314A CN201911307681.5A CN201911307681A CN110954314A CN 110954314 A CN110954314 A CN 110954314A CN 201911307681 A CN201911307681 A CN 201911307681A CN 110954314 A CN110954314 A CN 110954314A
- Authority
- CN
- China
- Prior art keywords
- prediction
- oil
- model
- analysis data
- equipment
- 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 60
- 238000004458 analytical method Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims description 40
- 238000012706 support-vector machine Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000010183 spectrum analysis Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 138
- 239000010410 layer Substances 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- -1 iron ions Chemical class 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种设备磨损的预测方法及装置。该方法包括：获取设备的油液分析数据，油液分析数据包括至少一种油液参数；将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据；将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。通过上述方式，可以提高设备磨损的预测准确性。
Description
技术领域
本发明涉及机械控制领域，尤其涉及一种设备磨损的预测方法及装置。
背景技术
旋转机械设备常常由于出现各种不同形式的故障而影响其正常运转，严重时，甚至会引发机毁人亡的事故，造成重大经济损失。随着科学技术的进步，旋转机械正向高速、重载和自动化方向发展。因此，对速度、容量、效率和可靠性等方面有着越来越高的需求。磨损是造成旋转机械故障的主要因素之一，它不仅直接威胁设备的安全高效运行，还会诱发其他类型的故障，并且修复和更换严重磨损的零部件耗费巨大。
设备的油液中携带着设备零部件磨损状态的重要信息，利用这些信息不仅可以推断出设备零部件磨损状态，而且可以通过对油液分析数据进行处理，预测设备关键部位零部件的磨损趋势，以便于采取积极主动的维修措施。目前的磨损状态预测研究主要是对油液进行分析，基本上假设数据是平稳的、线性的、基于单变量或单一信息的较为简单的预测，主要包括定性分析的方法和定量分析的方法。
然而，设备的磨损状况在实际的发展是非平稳、非线性的，因此，现有的旋转机械设备磨损趋势的预测技术在实际运用中效果较差，预测的结果与实际状况还有比较大的差距，预测准确性不高，无法指导旋转机械设备进行维修。
发明内容
本发明实施例提供一种设备磨损的预测方法及装置，以解决现有技术中设备磨损的预测准确性不高的问题。
本发明实施例的第一个方面提供一种设备磨损的预测方法，包括：
获取设备的油液分析数据，所述油液分析数据包括至少一种油液参数；
将所述油液分析数据输入第一预测模型，并获取所述第一预测模型输出的第一预测结果，所述第一预测模型是通过所述设备的历史油液分析数据训练建立的，所述第一预测结果包括至少一种油液参数在当前时刻的预测数据；
将所述第一预测结果输入第二预测模型中，并获取所述第二预测模型输出的第二预测结果，所述第二预测模型是通过历史第一预测结果和所述设备的历史磨损数据训练建立的，所述第二预测结果包括所述设备的磨损情况预测以及所述设备的故障位置预测。
在一种可选的实施方式中，在所述获取设备的油液分析数据之前，还包括：
获取所述设备的历史油液分析数据；
根据各所述历史油液分析数据对应的时间，构建参数时间序列矩阵，所述参数时间序列矩阵的列向量为油液参数类型，所述参数时间序列矩阵的行向量以所述油液参数在不同时间的取值；
将所述参数时间序列矩阵作为输入样本训练所述第一预测模型。
在一种可选的实施方式中，所述第一预测模型为神经网络模型，在所述将所述参数时间序列矩阵作为输入样本训练所述第一预测之后，还包括：
使用平均绝对误差MAE损失函数对所述神经网络模型进行测试，确定所述神经网络模型对应的网络参数；
根据所述神经网络模型对应的网络参数，对所述神经网络模型进行调整。
在一种可选的实施方式中，所述第二预测模型为支持向量机SVM模型，在所述获取待测设备中的油液的分析数据之前，还包括：
获取所述历史第一预测结果和所述设备的历史磨损数据；
将所述历史第一预测结果作为所述支持向量机SVM模型的输入样本，将所述设备的历史磨损数据作为支持向量机SVM模型的输出样本，对所述支持向量机SVM模型进行训练。
在一种可选的实施方式中，所述油液分析数据包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。
本发明实施例的第二个方面提供一种设备磨损的预测装置，包括：
第一获取模块，用于获取设备的油液分析数据，所述油液分析数据包括至少一种油液参数；
第一预测模块，用于将所述油液分析数据输入第一预测模型，并获取所述第一预测模型输出的第一预测结果，所述第一预测模型是通过所述设备的历史油液分析数据训练建立的，所述第一预测结果包括至少一种油液参数在当前时刻的预测数据；
第二预测模块，用于将所述第一预测结果输入第二预测模型中，并获取所述第二预测模型输出的第二预测结果，所述第二预测模型是通过历史第一预测结果和所述设备的历史磨损数据训练建立的，所述第二预测结果包括所述设备的磨损情况预测以及所述设备的故障位置预测。
在一种可选的实施方式中，所述装置还包括：
第二获取模块，用于获取所述设备的历史油液分析数据；
构建模块，用于根据各所述历史油液分析数据对应的时间，构建参数时间序列矩阵，所述参数时间序列矩阵的列向量为油液参数类型，所述参数时间序列矩阵的行向量以所述油液参数在不同时间的取值；
第一训练模块，用于将所述参数时间序列矩阵作为输入样本训练所述第一预测模型。
在一种可选的实施方式中，所述第一预测模型为神经网络模型，所述装置还包括：
测试模块，用于使用平均绝对误差MAE损失函数对所述神经网络模型进行测试，确定所述神经网络模型对应的网络参数；
调整模块，用于根据所述神经网络模型对应的网络参数，对所述神经网络模型进行调整。
在一种可选的实施方式中，所述第二预测模型为支持向量机SVM模型，所述装置还包括：
第三获取模块，用于获取所述历史第一预测结果和所述设备的历史磨损数据；
第二训练模块，用于将所述历史第一预测结果作为所述支持向量机SVM模型的输入样本，将所述设备的历史磨损数据作为支持向量机SVM模型的输出样本，对所述支持向量机SVM模型进行训练。
在一种可选的实施方式中，所述油液分析数据包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。
本发明的第三方面提供一种电子设备，包括：存储器与处理器；
所述存储器，用于存储所述处理器的可执行指令；
所述处理器配置为经由执行所述可执行指令来执行第一方面及其可选方案涉及的方法。
本发明的第四个方面提供一种存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序用于执行第一方面所述的方法。
本发明实施例提供的设备磨损的预测方法及装置，通过获取设备的油液分析数据，油液分析数据包括至少一种油液参数；将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据；将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。通过该方式，先对油液参数进行预测，再结合油液参数的预测结果确定设备的磨损情况，避免采用单一参数进行预测，从而提高了设备的磨损的预测准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种设备磨损的预测方法的场景示意图；
图2为本申请实施例提供的一种设备磨损的预测方法的流程示意图；
图3为本申请实施例提供的另一种设备磨损的预测方法的流程示意图；
图4为本申请实施例提供的再一种设备磨损的预测方法的流程示意图；
图5为本申请实施例提供的一种设备磨损的预测装置的结构示意图；
图6为本申请实施例提供的一种设备磨损的预测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明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，以便这里描述的本发明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。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
旋转机械设备常常由于出现各种不同形式的故障而影响其正常运转，严重时，甚至会引发机毁人亡的事故，造成重大经济损失。随着科学技术的进步，旋转机械正向高速、重载和自动化方向发展。因此，对速度、容量、效率和可靠性等方面有着越来越高的需求。磨损是造成旋转机械故障的主要因素之一，它不仅直接威胁设备的安全高效运行，还会诱发其他类型的故障，并且修复和更换严重磨损的零部件耗费巨大。
设备的油液中携带着设备零部件磨损状态的重要信息，利用这些信息不仅可以推断出设备零部件磨损状态，而且可以通过对油液分析数据进行处理，预测设备关键部位零部件的磨损趋势，以便于采取积极主动的维修措施。目前的磨损状态预测研究主要是对油液进行分析，基本上假设数据是平稳的、线性的、基于单变量或单一信息的较为简单的预测，主要包括定性分析的方法和定量分析的方法。然而，设备的磨损状况在实际的发展是非平稳、非线性的，因此，现有的旋转机械设备磨损趋势的预测技术在实际运用中效果较差，预测的结果与实际状况还有比较大的差距，预测准确性不高，无法指导旋转机械设备进行维修。
为解决上述问题，本申请实施例提供一种语设备磨损的预测方法及装置，以提高设备磨损的预测准确性。
图1为本发明实施例提供的一种设备磨损的预测方法的场景示意图。如图1所示，包括待测设备11、预测设备12。预测设备12从待测设备11处获取油液分析数据，并根据油液分析数据对待测设备的磨损情况进行预测。
其中，待测设备11可以是通过运动来执行工作的机械，其可以为旋转机械，尤其可以是转速较高的机械。示例性的，待测设备11可以为动力机械，例如：涡轮机、压缩机、齿轮泵等，可以为过程机械，例如离心式分离机等，还可以为加工机械，例如车床、磨床等。
预测设备12可以为计算机、智能手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)等。
下面以集成或安装有相关执行代码的处理器为例，以具体地实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种设备磨损的预测方法的流程示意图。本实施例涉及的是处理器如何预测设备的磨损情况的过程。如图2所示，该方法包括：
步骤S201、获取设备的油液分析数据，油液分析数据包括至少一种油液参数。
在本实施例中，为了减少机械设备零部件的磨损，设备润滑系统会源源不断的把充足的油液传输到设备传动系统的轴承和齿轮的啮合处加以润滑，降低零部件之间的摩擦。零部件的磨损产物会在油液流经时溶入油液中一起流动。由于油液是在设备中是循环使用的，因此，油液携带着设备零部件磨损状态的重要信息。
在一种可选的实施方式中，油液分析数据可以包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。相应的，可以对按规范采集油液样本并对油液样本进行铁谱分析，光谱分析、油品理化分析、油液污染度分析、红外光谱分析等，得到并存储设备的油液分析数据。
本申请实施例对于油液参数不做限制，油液参数可以为油液中磨损产物的种类、含量、尺寸、形貌以及滑油消耗量等信息，也可以为某个离子的浓度信息，例如铁离子的浓度信息。
在一些实施例中，可以采用一种分析方法，获取一种油液参数。示例性的，可以利用铁谱分析获取铁离子的浓度参数。在另一些实施例中，可以采用多种分析方法，获取多种油液参数。示例性的，可以采用铁谱分析获取铁离子的浓度参数，利用光谱分析获取钙离子的浓度参数。此外，采用一种油液分析方法也可以获取多种油液参数，例如，利用光谱分析可以同时获取钾、钙、钠、镁等多种离子的浓度参数。
步骤S202、将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据。
其中，每种油液分析数据可以输入对应的一种第一预测模型中，或者，多种油液分析数据可以输入对应的一种第一预测模型中。
在本步骤中，可以用油液分析数据对应的第一预测模型对设备未来一段时间内的每种油液分析数据的变化趋势进行预测，根据第一预测模型输出的第一预测结果分析每种油液分析数据发展的特征趋势是否有突变。
其中，在对第一预测模型训练时，可以采用同一时刻的多种油液分析数据，例如，可以将光谱分析、油品理化分析、油液污染度分析、红外光谱分析数据参数作为列向量，以同一油液分析数据依次在不同时间的取值作为行时间序列向量，构成多变量、多维的参数时间序列矩阵，并将该参数时间序列矩阵作为第一预测模型的输入样本。
步骤S203、将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。
第二预测模型，可以是油液和设备状态评判模型，第二预测模型用于根据第一预测结果，分析该时刻设备的磨损状态，是否会在该时刻发生磨损故障以及什么位置发生故障等。示例性的，第二预测结果可以为支持向量机(support vector machine，SVM)。
在本步骤中，可以把给定时刻的第一预测结果输入第二预测模型中，并根据第二预测模型输出的第二预测结果分析该时刻油液和设备的磨损状态，是否会在该时刻发生磨损以及故障发生位置等。
本申请实施例提供的设备磨损的预测方法，通过获取设备的油液分析数据，油液分析数据包括至少一种油液参数；将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据；将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。通过该方式，先对油液参数进行预测，再结合油液参数的预测结果确定设备的磨损情况，避免采用单一参数进行预测，从而提高了设备的磨损的预测准确性。
图3为本申请实施例提供的另一种设备磨损的预测方法的流程示意图。本实施例涉及的是处理器如何建立第一预测模型的具体过程。如图3所示，该方法包括：
步骤S301、获取设备的历史油液分析数据。
示例性的，以电驱压气机为待测设备，电驱压气机由压气机、齿轮箱、驱动电机组成，电驱压气机、电机、齿轮箱有各自的油液系统。在本申请实施例中，根据检修规范，对于油液系统中的油液每隔336个小时(两周)做一次取样分析，并保存为历史油液分析数据。
本申请实施例对于获取的历史油液分析数据的数量不做限制，在一些实施例中，可以获取预设数量的历史油液分析数据。示例性的，可以以预测时获取油液分析数据的时间为基础，采集前24次采样的历史油液分析数据。
步骤S302、根据各历史油液分析数据对应的时间，构建参数时间序列矩阵，参数时间序列矩阵的列向量为油液参数类型，参数时间序列矩阵的行向量以油液参数在在不同时间的取值。
在本步骤中，可以以同一时刻的历史油液分析数据中的油液参数作为列向量，以同一油液参数依次在不同时间的取值作为行时间序列向量，构建时间序列矩阵。在另一种可选的实施方式中，也可以以同一时刻的历史油液分析数据中的油液参数作为行向量，以同一油液参数依次在不同时间的取值作为列时间，构建序时间序列矩阵。
其中，时间序列矩阵具体多变量、多维的特征，相比于直接输入油液分析数据预测效果更佳。
步骤S303、将参数时间序列矩阵作为输入样本训练第一预测模型。
在本步骤中，以构建的时间序列矩阵为输入样本，以设备的磨损状态为输出样本，训练第一预测模型。其中，设备的磨损状态具体可以为待预测参数的延迟时间序列向量。
本申请实施例对于第一预测模型的类型不做限制，在一些实施例中，第一预测模型可以为神经网络模型，示例性的，具体可以为多变量长短记忆(long short-termmemory，LSTM)神经网络模型。
示例性的，可以选择一个输入层、两个隐层和一个输出层的LSTM神经网络模型，LSTM神经网络模型输入层对应铁谱参数为4个输入神经元，1个输出神经元，光谱参数输入层为8个神经元，输出层为1个神经元，油品理化相关参数输入层为2个神经元，输出层为1个神经元，红外普相关参数输入层为5个神经元，输出为1个神经元，隐层统一为第一个隐层设置50个神经元，第二层设置100个神经元，层间连接采用全连接方式。
步骤S304、若第一预测模型为神经网络模型，则使用平均绝对误差MAE损失函数对神经网络模型进行测试，确定神经网络模型对应的网络参数。
步骤S305、根据神经网络模型对应的网络参数，对神经网络模型进行调整。
在步骤S304和步骤S305中，在对第一预测模型进行训练时，可以将输入样本和输出样本分为样本集和测试样本集，通过样本集对第一预测模型进行训练，通过测试样本集对训练后的第一预测模型进行测试，得到合适的网络参数。
示例性的，若共有180套样本数据，首先，选择其中前120套数据对第一预测模型进行训练，剩余后60套样本数据作为样本测试数据对第一预测模型进行测试。
示例性的，可以采用预测样本使用平均绝对误差(mean absolute deviation，MAE)损失函数对第一预测模型进行测试，确定神经网络模型对应的网络参数，进而对神经网络模型进行调整，并存储调整后的第一预测模型。在一些实施例中，根据反向传播算法使用训练样本对第一预测模型进行训练，并使用测试样本对预测模型的预测效果进行测试，如果测试效果满足要求，则进行步骤S306，否则，重复进行步骤S304-步骤S305，直到获得满意的预测效果，存储最终得到的第一预测模型。
步骤S306、获取设备的油液分析数据，油液分析数据包括至少一种油液参数。
步骤S307、将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据。
步骤S308、将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。
步骤S306-S308的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的步骤S201-S203理解，对于重复的内容，在此不再累述。
本申请实施例提供的设备磨损的预测方法，通过获取设备的历史油液分析数据；根据各历史油液分析数据对应的时间，构建参数时间序列矩阵，将参数时间序列矩阵作为输入样本训练第一预测模型。同时，使用平均绝对误差MAE损失函数对神经网络模型进行测试，确定神经网络模型对应的网络参数；根据神经网络模型对应的网络参数，对神经网络模型进行调整。通过上述方式，可以准确对油液参数进行预测。
图4为本申请实施例提供的再一种设备磨损的预测方法的流程示意图。本实施例涉及的是处理器如何建立第二预测模型的具体过程。如图4所示，该方法包括：
步骤S401、获取历史第一预测结果和设备的历史磨损数据。
在本步骤中，获取预设时刻的历史第一预测结果，并确定历史第一预测结果对应的历史磨损数据。
本申请对于历史第一预测结果和设备的历史磨损数据的数量不做限制，示例性的，可以选取预测时刻前60组历史第一预测结果和设备的历史磨损数据。
步骤S402、将历史第一预测结果作为SVM模型的输入样本，将设备的历史磨损数据作为SVM模型的输出样本，对SVM模型进行训练。
在本步骤中，可以选用支持向量机(support vector machine，SVM)作为油液和设备状态评判模型，支持向量机SVM的核函数选择高斯径向基函数，模型19个输入，3个输出，3个输出分别表示正常、警戒和危险。
在一些实施例中，针对获取到的历史第一预测结果和设备的历史磨损数据，同样可以将部分作为样本数据，将部分作为测试样本数据，通过样本数据对第二预测模型进行训练，通过测试样本数据对训练后的第二预测模型进行参数调整。示例性的，若获取到100组第一预测结果和设备的历史磨损数据，可以将其中的50组作为样本数据，将其中的50组作为测试数据。
步骤S403、获取设备的油液分析数据，油液分析数据包括至少一种油液参数；
步骤S404、将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据；
步骤S405、将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。
步骤S403-S405的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的步骤S201-S203理解，对于重复的内容，在此不再累述。
本步骤中，通过获取历史第一预测结果和设备的历史磨损数据；将历史第一预测结果作为SVM模型的输入样本，将设备的历史磨损数据作为SVM模型的输出样本，对SVM模型进行训练。通过该方法，可以使得确定出的第二预测模型，对于设备的磨损情况预测以及设备的故障位置预测更加准确
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5为本申请实施例提供的一种设备磨损的预测装置的结构示意图。该设备磨损的预测装置可以通过软件、硬件或者两者的结合实现，以执行上述设备磨损的预测方法。如图5所示，该设备磨损的预测装置包括：
第一获取模块501，用于获取设备的油液分析数据，油液分析数据包括至少一种油液参数；
第一预测模块502，用于将油液分析数据输入第一预测模型，并获取第一预测模型输出的第一预测结果，第一预测模型是通过设备的历史油液分析数据训练建立的，第一预测结果包括至少一种油液参数在当前时刻的预测数据；
第二预测模块503，用于将第一预测结果输入第二预测模型中，并获取第二预测模型输出的第二预测结果，第二预测模型是通过历史第一预测结果和设备的历史磨损数据训练建立的，第二预测结果包括设备的磨损情况预测以及设备的故障位置预测。
在一种可选的实施方式中，设备磨损的预测装置还包括：
第二获取模块504，用于获取设备的历史油液分析数据；
构建模块505，用于根据各历史油液分析数据对应的时间，构建参数时间序列矩阵，参数时间序列矩阵的列向量为油液参数类型，参数时间序列矩阵的行向量以油液参数在在不同时间的取值；
第一训练模块506，用于将参数时间序列矩阵作为输入样本训练第一预测模型。
在一种可选的实施方式中，第一预测模型为神经网络模型，设备磨损的预测装置还包括：
测试模块507，用于使用平均绝对误差MAE损失函数对神经网络模型进行测试，确定神经网络模型对应的网络参数；
调整模块508，用于根据神经网络模型对应的网络参数，对神经网络模型进行调整。
在一种可选的实施方式中，第二预测模型为SVM模型，设备磨损的预测装置还包括：
第三获取模块509，用于获取历史第一预测结果和设备的历史磨损数据；
第二训练模块510，用于将历史第一预测结果作为SVM模型的输入样本，将设备的历史磨损数据作为SVM模型的输出样本，对SVM模型进行训练。
在一种可选的实施方式中，述油液分析数据包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。
本申请实施例提供的设备磨损的预测装置，可以执行上述方法实施例中设备磨损的预测方法的动作，其实现原理和技术效果类似，在此不再赘述。
图6为本申请实施例提供的一种设备磨损的预测装置的结构示意图。如图6所示，该设备磨损的预测装置可以包括：至少一个处理器61和存储器62。图6示出的是以一个处理器为例的设备磨损的预测装置。
存储器62，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器62可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
处理器61用于执行存储器62存储的计算机执行指令，以实现上述设备磨损的预测方法。
其中，处理器61可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的，在具体实现上，如果通信接口、存储器62和处理器61独立实现，则通信接口、存储器62和处理器61可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果通信接口、存储器62和处理器61集成在一块芯片上实现，则通信接口、存储器62和处理器61可以通过内部接口完成通信。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述设备磨损的预测方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种设备磨损的预测方法，其特征在于，包括：
获取设备的油液分析数据，所述油液分析数据包括至少一种油液参数；
将所述油液分析数据输入第一预测模型，并获取所述第一预测模型输出的第一预测结果，所述第一预测模型是通过所述设备的历史油液分析数据训练建立的，所述第一预测结果包括至少一种油液参数在当前时刻的预测数据；
将所述第一预测结果输入第二预测模型中，并获取所述第二预测模型输出的第二预测结果，所述第二预测模型是通过历史第一预测结果和所述设备的历史磨损数据训练建立的，所述第二预测结果包括所述设备的磨损情况预测以及所述设备的故障位置预测。
2.根据权利要求1所述的方法，其特征在于，在所述获取设备的油液分析数据之前，还包括：
获取所述设备的历史油液分析数据；
根据各所述历史油液分析数据对应的时间，构建参数时间序列矩阵，所述参数时间序列矩阵的列向量为油液参数类型，所述参数时间序列矩阵的行向量以所述油液参数在不同时间的取值；
将所述参数时间序列矩阵作为输入样本训练所述第一预测模型。
3.根据权利要求2所述的方法，其特征在于，所述第一预测模型为神经网络模型，在所述将所述参数时间序列矩阵作为输入样本训练所述第一预测之后，还包括：
使用平均绝对误差MAE损失函数对所述神经网络模型进行测试，确定所述神经网络模型对应的网络参数；
根据所述神经网络模型对应的网络参数，对所述神经网络模型进行调整。
4.根据权利要求1所述的方法，其特征在于，所述第二预测模型为支持向量机SVM模型，在所述获取待测设备中的油液的分析数据之前，还包括：
获取所述历史第一预测结果和所述设备的历史磨损数据；
将所述历史第一预测结果作为所述支持向量机SVM模型的输入样本，将所述设备的历史磨损数据作为支持向量机SVM模型的输出样本，对所述支持向量机SVM模型进行训练。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述油液分析数据包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。
6.一种设备磨损的预测装置，其特征在于，包括：
第一获取模块，用于获取设备的油液分析数据，所述油液分析数据包括至少一种油液参数；
第一预测模块，用于将所述油液分析数据输入第一预测模型，并获取所述第一预测模型输出的第一预测结果，所述第一预测模型是通过所述设备的历史油液分析数据训练建立的，所述第一预测结果包括至少一种油液参数在当前时刻的预测数据；
第二预测模块，用于将所述第一预测结果输入第二预测模型中，并获取所述第二预测模型输出的第二预测结果，所述第二预测模型是通过历史第一预测结果和所述设备的历史磨损数据训练建立的，所述第二预测结果包括所述设备的磨损情况预测以及所述设备的故障位置预测。
7.根据权利要求6所述的装置，其特征在于，还包括：
第二获取模块，用于获取所述设备的历史油液分析数据；
构建模块，用于根据各所述历史油液分析数据对应的时间，构建参数时间序列矩阵，所述参数时间序列矩阵的列向量为油液参数类型，所述参数时间序列矩阵的行向量以所述油液参数在不同时间的取值；
第一训练模块，用于将所述参数时间序列矩阵作为输入样本训练所述第一预测模型。
8.根据权利要求7所述的装置，其特征在于，所述第一预测模型为神经网络模型，所述装置还包括：
测试模块，用于使用平均绝对误差MAE损失函数对所述神经网络模型进行测试，确定所述神经网络模型对应的网络参数；
调整模块，用于根据所述神经网络模型对应的网络参数，对所述神经网络模型进行调整。
9.根据权利要求6所述的装置，其特征在于，所述第二预测模型为支持向量机SVM模型，所述装置还包括：
第三获取模块，用于获取所述历史第一预测结果和所述设备的历史磨损数据；
第二训练模块，用于将所述历史第一预测结果作为所述支持向量机SVM模型的输入样本，将所述设备的历史磨损数据作为支持向量机SVM模型的输出样本，对所述支持向量机SVM模型进行训练。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述油液分析数据包括以下至少一项：铁谱分析数据，光谱分析数据、油液理化分析数据、油液污染度分析数据、红外光谱分析数据。
11.一种电子设备，其特征在于，包括：存储器与处理器；
所述存储器，用于存储所述处理器的可执行指令；
所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一所述的方法。
12.一种存储介质，其上存储有计算机程序，其特征在于，包括：该程序被处理器执行时实现权利要求1-5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911307681.5A CN110954314A (zh) | 2019-12-18 | 2019-12-18 | 设备磨损的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911307681.5A CN110954314A (zh) | 2019-12-18 | 2019-12-18 | 设备磨损的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110954314A true CN110954314A (zh) | 2020-04-03 |
Family
ID=69982513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911307681.5A Pending CN110954314A (zh) | 2019-12-18 | 2019-12-18 | 设备磨损的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954314A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287302A (zh) * | 2020-12-18 | 2021-01-29 | 震坤行网络技术(南京)有限公司 | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 |
| CN112943638A (zh) * | 2021-02-20 | 2021-06-11 | 三一石油智能装备有限公司 | 砂泵磨损检测方法、装置和混砂车 |
| CN114076680A (zh) * | 2020-08-17 | 2022-02-22 | 北京福田康明斯发动机有限公司 | 发动机装配检测方法、系统、存储介质以及电子设备 |
| WO2022093484A1 (en) * | 2020-10-29 | 2022-05-05 | Caterpillar Inc. | Undercarriage wear prediction using machine learning model |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806692A (zh) * | 2010-03-17 | 2010-08-18 | 中国人民解放军军事交通学院 | 一种机油铁磁性颗粒在线监测装置 |
| CN202748362U (zh) * | 2012-07-01 | 2013-02-20 | 洛阳大工检测技术有限公司 | 一种在用汽轮机油油液状态在线自动监测系统 |
| CN107422028A (zh) * | 2017-04-20 | 2017-12-01 | 北京环宇智联科技有限责任公司 | 分布式结构健康监测系统及方法 |
| CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
-
2019
- 2019-12-18 CN CN201911307681.5A patent/CN110954314A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806692A (zh) * | 2010-03-17 | 2010-08-18 | 中国人民解放军军事交通学院 | 一种机油铁磁性颗粒在线监测装置 |
| CN202748362U (zh) * | 2012-07-01 | 2013-02-20 | 洛阳大工检测技术有限公司 | 一种在用汽轮机油油液状态在线自动监测系统 |
| CN107422028A (zh) * | 2017-04-20 | 2017-12-01 | 北京环宇智联科技有限责任公司 | 分布式结构健康监测系统及方法 |
| CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 闫辉: ""基于油液监测技术的设备润滑磨损状态评价方法的研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114076680A (zh) * | 2020-08-17 | 2022-02-22 | 北京福田康明斯发动机有限公司 | 发动机装配检测方法、系统、存储介质以及电子设备 |
| WO2022093484A1 (en) * | 2020-10-29 | 2022-05-05 | Caterpillar Inc. | Undercarriage wear prediction using machine learning model |
| US11704942B2 (en) | 2020-10-29 | 2023-07-18 | Caterpillar Inc. | Undercarriage wear prediction using machine learning model |
| CN112287302A (zh) * | 2020-12-18 | 2021-01-29 | 震坤行网络技术(南京)有限公司 | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 |
| CN112943638A (zh) * | 2021-02-20 | 2021-06-11 | 三一石油智能装备有限公司 | 砂泵磨损检测方法、装置和混砂车 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110954314A (zh) | 设备磨损的预测方法及装置 | |
| EP3904988A1 (en) | Induction motor condition monitoring using machine learning | |
| Ertunc et al. | ANN-and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults | |
| CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
| Zhang et al. | Deep convolutional neural network using transfer learning for fault diagnosis | |
| Tobon-Mejia et al. | A mixture of gaussians hidden markov model for failure diagnostic and prognostic | |
| CN103496625B (zh) | 基于振动分析的多绳摩擦提升机载荷识别方法 | |
| Tian et al. | Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis | |
| CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| Feng et al. | A new time–space attention mechanism driven multi-feature fusion method for tool wear monitoring | |
| Lee et al. | Kalman filter assisted deep feature learning for RUL prediction of hydraulic gear pump | |
| CN112906775A (zh) | 一种设备故障预测方法及系统 | |
| Wang et al. | Rolling bearing fault diagnosis method based on improved residual shrinkage network | |
| Hu et al. | Fault prediction method of belt conveyor based on grey least square support vector machine | |
| Liu et al. | A generalized method for the inherent energy performance modeling of machine tools | |
| Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
| CN105675321B (zh) | 一种设备性能退化雷达图确定方法 | |
| CN116258482B (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Benjumea et al. | Analytical model to monitor the oil conditions on the main components of mining dumpers | |
| CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
| Yang et al. | Aero-engine lubricating oil metal content prediction using non-stationary time series ARIMA model | |
| Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
| Liu et al. | Fault diagnosis of diesel engine information fusion based on adaptive dynamic weighted hybrid distance-taguchi method (ADWHD-T) |
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: 20200403 |
|
| RJ01 | Rejection of invention patent application after publication |