CN111124852A - 一种基于bmc健康管理模块的故障预测方法及系统 - Google Patents
一种基于bmc健康管理模块的故障预测方法及系统 Download PDFInfo
- Publication number
- CN111124852A CN111124852A CN201911145557.3A CN201911145557A CN111124852A CN 111124852 A CN111124852 A CN 111124852A CN 201911145557 A CN201911145557 A CN 201911145557A CN 111124852 A CN111124852 A CN 111124852A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- neural network
- prediction
- health management
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
Abstract
本发明涉及一种基于BMC健康管理模块的故障预测方法及系统,该方法中使用BMC健康管理模块采集设备温度、电压等信息,并将所有数据记录到数据库中,BMC健康管理模块通过IPMI协议采集数据;根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。本发明一种基于国产化BMC健康管理模块的故障预测方法及系统,能够使得故障预测更加合理,更加准确。
Description
技术领域
本发明涉及IMPI数据采集和BP神经网络算法,是基于BMC健康管理及人工智能算法实现的故障预测方法及系统。
背景技术
由于频繁使用以及设备复杂化的缘故,设备在任务的执行过程中偶尔会出现故障,影响任务的正常进行。而随着设备集成化、综合化和智能化水平的提高,对设备运行状态的检测以及维修手段也提出更高的要求。当前现有的装备维修保养方式多采取定期保养、定程保养、换季保养、事后维修以及换件维修等,时效性差且浪费大量的人力和物力。
发明内容
本发明的目的在于提供一种基于BMC健康管理模块的故障预测方法,用于解决上述现有技术的问题。
本发明一种基于BMC健康管理模块的故障预测方法,其中,包括:S1:BMC健康管理模块通过IPMI协议采集数据;S2:根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;S3:通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。
根据本发明的一种基于BMC健康管理模块的故障预测方法的一实施例,其特征在于,BMC健康管理模块通过IPMI协议实时接收各器件数据,包括温度、电压以及电流,并将数据存入数据库。
根据本发明一种基于BMC健康管理模块的故障预测方法的一实施例,其中,所述故障预测包括:采用基于神经网络,根据设备的历史运行记录,结合设计人员提供的常见故障经验,建立BP神经网络预测模型,通过样本进行训练,达到精度后将BP神经网络预测模型嵌入到故障预测软件平台,对主板的健康状态进行评估判断,根据判断结果预测其未来的任务执行力,并根据健康状态提出维修意见。
本发明一种基于BMC健康管理模块的故障预测系统,其中包括:视数据采集模块、故障预测模块以及界面显示模块;所述数据采集模块包括:协议模块、接口模块以及数据解析模块;所述协议模块进行IPMI协议转换;所述接口模块,根据协议封装数据传输接口;所述数据解析模块,对采集到的数据进行解析,解析后数据存入数据库;所述故障预测包括数据预处理、训练模型以及预测未来状态;所述预处理模块,对数据进行降噪和归一化处理;所述训练模型模块,在设置好模型参数后,根据BP神经网络原理训练出BP神经网络回归模型;所述预测未来状态模块,训练好BP神经网络回归模型后,根据设备历史特征参数信息和现有状态,预测设备未来的健康状态;所述界面显示模块,将采集到的关键数据以图表等形式展现在界面上,同时显示预测结果及提示信息。
根据本发明一种基于BMC健康管理模块的故障预测系统的一实施例,其中,根据BMC健康管理模块采集到的数据,采用BP神经网络人工智能算法进行故障预测。
基于国产化BMC健康管理模块的故障预测技术,综合考虑了复杂系统的安全性、经济性以及可靠性,实现了维修理念从事后维修到状态维修的转变,将对故障的被动反应转变为对故障的主动防御、传统的事后故障诊断转变为基于智能系统的故障预测,保障了维修活动的操作正确性、时效以及部位准确性。BP神经网络具有非线性、鲁棒性,适用于解决非线性复杂系统问题。相较于传统方法,BP神经网络预测方法具备良好的自学习、自适应能力。为了加强装备自主可控性,本发明使用国产化BMC模块。
附图说明
图1所示为本发明一种视频传输系统的模块图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明提供了一种基于国产化BMC健康管理模块的故障预测方法,包括:
S1:BMC健康管理模块通过IPMI协议采集数据;
S2:根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;
S3:通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。
进一步地,所述采集数据即BMC健康管理模块通过IPMI协议实时接收设备中板卡测试数据,包括温度、电压、电流实时测试值,并将数据存入数据库。
进一步地,根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,对超出合理范围或突发性紧急情况,做出及时判断并提示用户处理问题,同时对异常状态类型和发生位置进行确定,生成诊断报告,并存入数据库。
进一步地,故障预测采用基于神经网络的人工智能技术,根据设备的历史BMC数据,结合设计人员提供的常见故障经验,建立BP神经网络预测模型,通过大量样本进行训练,达到精度后将模型嵌入到故障预测软件平台,对设备的健康状态进行健康等级划分(健康、亚健康、恶化),并根据健康状态提出合理的维修意见。
BP神经网络的沮成分为3个部分,即输入层、隐含层和输出层,其中隐含层的层数不确定,根据实际情况可为一层或多层,每一层对应一个神经元,输入层有3个节点,输出层有3个节点,分别对应网络的实际输入温度、电压、电流和网络的实际输出健康、亚健康、恶化。
基于BP神经网络对设备进行状态预测可分为4个步骤:数据预处理、建立模型、训练模型、预测状态。
(1)数据预处理
样本数据选择国产BMC模块采集到温度、电压、电流数据,BP神经网络权值的取值范围一般在0-1之间,因此运算时将采集到的数据归一化到0-1之间,方便神经元对输入数据实现加权求和计算。
(2)模型的建立
模型的建立主要是选取BP神经网络的传递函数,主要有三种:双曲正切S型(Tan-Sigmoid)传输函数、对数函数(Log-Sigmoid)传输函数、线性函数(Purelin)传输函数。因为本发明的输出值为0和1,所以输出层的传输函数选择Log-Sigmoid函数,对于隐含层神经元的输入和输出没有特殊要求,选择Tan-Sigmoid函数。
(3)训练模型
训练模型主要选择标准训练函数traingd。
(4)预测状态
训练好BP神经网络回归模型后,利用(1)中处理后数据,得到设备的预测结果,即设备健康状态。
进一步地,本发明对以上方法进行优化。隐含层的节点数对BP神经网络的预测精度有很大的影响:节点数太少,网络学习受影响,训练次数増加,训练精度无法达到要求;节点数太多,训练时间増加,网络容易过拟合。因此首先利用经验公式l=2m+1(m为默认节点数)来确定节点数的大概范围,然后用试凑法确定最佳的节点数。为了减小偶然误差,每个节点训练十次,去掉精度和训练次数的最大值和最小值,取剩余8次的平均值。
本发明提供了一种基于国产化BMC健康管理模块的故障预测方法的另一实施例,其中:
S1:BMC健康管理模块通过IPMI协议采集数据;
S2:根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;
S3:通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。
进一步地,所述采集数据即BMC健康管理模块通过IPMI协议实时接收各器件数据,包括温度、电压、电流等实时测试值,并将数据存入数据库。
进一步地,故障预测采用基于神经网络的人工智能技术,根据设备的历史运行记录,结合设计人员提供的常见故障经验,建立BP神经网络预测模型,通过大量样本进行训练,达到精度后将模型嵌入到故障预测软件平台,对主板的健康状态进行评估判断,根据判断结果预测其未来的任务执行力,并根据健康状态提出合理的维修意见。
基于BP神经网络对设备进行状态预测可分为5个步骤:数据预处理、选择模型参数、训练模型、预测未来状态、评估模型精度。
(1)数据预处理
BP神经网络权值的取值范围一般在0-1之间,因此运算时习惯性地将数据归一化到0-1之间,方便神经元对输入数据实现加权求和计算。
(2)选择模型参数
BP神经网络主要包括网络结构、传递函数、学习速率、允许误差和最大训练次数等参数。
(3)训练模型
在设置好模型参数后,根据BP神经网络原理训练出BP神经网络回归模型。
(4)预测未来状态
训练好BP神经网络回归模型后,根据设备历史特征参数信息和现有状态,预测设备未来的健康状态。
(5)评估模型精度
预测结束后,与实际状态进行对比评估BP神经网络模型的精度。
本发明一种基于BMC健康管理模块的故障预测方法的再一实施例,其中:
S1:BMC健康管理模块通过IPMI协议采集数据;
S2:根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;
S3:通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。
主板BMC健康管理模块通过IPMI协议采集各器件温度、电压、电流等数据,并对数据进行解析,存入数据库。同时并将数据上传主板CPU,通过数据预处理、选择模型参数、训练模型、预测未来状态对故障进行预测。
图1所示为本发明一种视频传输系统的模块图,如图1所示,本发明实施例还提供了一种视频传输系统,该系统包括:
数据采集模块、故障预测模块、界面显示203;
所述数据采集包括:协议模块、接口模块、数据解析模块;
所述协议模块2011,即通用IPMI协议;
所述接口模块2012,根据协议封装数据传输接口;
所述数据解析模块2013,对采集到的数据进行解析,解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态;
所述预处理模块2021,对数据进行降噪、归一化处理;
所述训练模型模块2022,在设置好模型参数后,根据BP神经网络原理训练出BP神经网络回归模型;
所述预测未来状态模块2023,训练好BP神经网络回归模型后,根据设备历史特征参数信息和现有状态,预测设备未来的健康状态。
所述界面显示模块,包括实时采集数据显示、预测结果显示、提示信息显示。
所述实时采集数据显示模块2031,将CPU接收解析后的实时采集数据以图表等形式显示在界面上。
所述预测结果显示模块2032,将预测的结果显示在界面上。
所述提示信息显示2033,根据实时数据、预测结果等产生提示信息,将提示信息显示在界面上。
本发明提供了一种基于BMC健康管理模块的故障预测系统,所述系统包括:
数据采集模块、故障预测模块、界面显示模块;
所述数据采集包括:协议模块、接口模块、数据解析模块;
所述协议模块,即通用IPMI协议;
所述接口模块,根据协议封装数据传输接口,软件通过调用这些接口获取温度、电压、电流测量值;
所述数据解析模块,对接收到的采集数据按照格式进行解析,解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态;
所述预处理模块,对数据进行降噪、归一化处理;
所述训练模型模块,选择传递函数和训练函数;
所述预测未来状态模块,训练好BP神经网络回归模型后,根据设备采集到的温度、电压、电流,预测设备所处健康状态。
所述界面显示模块,将采集到的关键数据以图表等形式展现在界面上,同时显示预测结果及提示信息。
本发明一种基于BMC健康管理模块的故障预测系统的另一实施例,所述系统包括:
数据采集、故障预测、界面显示;
所述数据采集包括:协议模块、接口模块、数据解析模块;
所述协议模块,即通用IPMI协议;
所述接口模块,根据协议封装数据传输接口;
所述数据解析模块,对采集到的数据进行解析,解析后数据存入数据库。
所述故障预测包括数据预处理、训练模型、预测未来状态;
所述预处理模块,对数据进行降噪、归一化处理;
所述训练模型模块,在设置好模型参数后,根据BP神经网络原理训练出BP神经网络回归模型;
所述预测未来状态模块,训练好BP神经网络回归模型后,根据设备历史特征参数信息和现有状态,预测设备未来的健康状态。
所述界面显示模块,将采集到的关键数据以图表等形式展现在界面上,同时显示预测结果及提示信息。
本发明的优点是采用IPMI协议对器件温度、电压、电流等进行采集,数据全面、准确、实时。采用BP神经网络进行故障预测,算法效率高,预测准确性高。保证了维修的正确性、时效以及部位准确性,降低维修保养费用、提高维修保养效率、保证装备的性能可靠性和任务执行力。
本发明采用国产化的BMC模块,自主可控性高。采用IPMI协议对器件温度、电压、电流等进行采集,数据全面、准确、实时。采用BP神经网络进行故障预测,算法效率高,预测准确性高。保证了维修的正确性、时效以及部位准确性,降低维修保养费用、提高维修保养效率、保证装备的性能可靠性和任务执行力。
国产BMC健康管理模块通过IPMI协议采集温度、电压、电流数据,并对数据进行解析,存入数据库。同时将数据上传主板CPU,通过数据预处理、模型建立、模型训练、预测健康状态。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于BMC健康管理模块的故障预测方法,其特征在于,包括:
S1:BMC健康管理模块通过IPMI协议采集数据;
S2:根据设备中各硬件资源的使用标准与参数,对接收的数据进行分析,确定异常情况;
S3:通过BP神经网络预测方法,结合历史采样数据,选择模型参数,计算得到预测结果。
2.根据权利要求1所述的方法,其特征在于,BMC健康管理模块通过IPMI协议实时接收各器件数据,包括温度、电压以及电流,并将数据存入数据库。
3.根据权利要求1所述的方法,其特征在于,所述故障预测包括:采用基于神经网络,根据设备的历史运行记录,结合设计人员提供的常见故障经验,建立BP神经网络预测模型,通过样本进行训练,达到精度后将BP神经网络预测模型嵌入到故障预测软件平台,对主板的健康状态进行评估判断,根据判断结果预测其未来的任务执行力,并根据健康状态提出维修意见。
4.一种基于BMC健康管理模块的故障预测系统,其特征在于,包括:
视数据采集模块、故障预测模块以及界面显示模块;
所述数据采集模块包括:协议模块、接口模块以及数据解析模块;
所述协议模块进行IPMI协议转换;
所述接口模块,根据协议封装数据传输接口;
所述数据解析模块,对采集到的数据进行解析,解析后数据存入数据库;
所述故障预测包括数据预处理、训练模型以及预测未来状态;
所述预处理模块,对数据进行降噪和归一化处理;
所述训练模型模块,在设置好模型参数后,根据BP神经网络原理训练出BP神经网络回归模型;
所述预测未来状态模块,训练好BP神经网络回归模型后,根据设备历史特征参数信息和现有状态,预测设备未来的健康状态;
所述界面显示模块,将采集到的关键数据以图表等形式展现在界面上,同时显示预测结果及提示信息。
5.根据权利要求4所述的系统,其特征在于,根据BMC健康管理模块采集到的数据,采用BP神经网络人工智能算法进行故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145557.3A CN111124852A (zh) | 2019-11-21 | 2019-11-21 | 一种基于bmc健康管理模块的故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911145557.3A CN111124852A (zh) | 2019-11-21 | 2019-11-21 | 一种基于bmc健康管理模块的故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111124852A true CN111124852A (zh) | 2020-05-08 |
Family
ID=70495913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911145557.3A Pending CN111124852A (zh) | 2019-11-21 | 2019-11-21 | 一种基于bmc健康管理模块的故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111124852A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858872A (zh) * | 2020-12-31 | 2021-05-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 电路板健康管理电路、装置、控制方法及电路板健康管理器 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113110981A (zh) * | 2021-03-26 | 2021-07-13 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的空调机房健康能效检测方法 |
CN113298134A (zh) * | 2021-05-20 | 2021-08-24 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 |
CN117170994A (zh) * | 2023-09-07 | 2023-12-05 | 湖南胜云光电科技有限公司 | Ipmi接口协议的故障预测扩展方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及系统 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
-
2019
- 2019-11-21 CN CN201911145557.3A patent/CN111124852A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及系统 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
Non-Patent Citations (3)
Title |
---|
吕王朋;蔡卫峰;穆鹏;: "发射车电气系统故障预测与健康管理系统研究", 工业控制计算机 * |
张杰;: "基于CBM的信息设备状态检修研究与尝试", 现代计算机(专业版) * |
黄忠山;田凌;: "智能装备故障预测与健康管理系统研究", 图学学报 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858872A (zh) * | 2020-12-31 | 2021-05-28 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 电路板健康管理电路、装置、控制方法及电路板健康管理器 |
CN112988843A (zh) * | 2021-03-26 | 2021-06-18 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113110981A (zh) * | 2021-03-26 | 2021-07-13 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的空调机房健康能效检测方法 |
CN113110981B (zh) * | 2021-03-26 | 2024-04-09 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的空调机房健康能效检测方法 |
CN113298134A (zh) * | 2021-05-20 | 2021-08-24 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 |
CN113298134B (zh) * | 2021-05-20 | 2023-07-28 | 华中科技大学 | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 |
CN117170994A (zh) * | 2023-09-07 | 2023-12-05 | 湖南胜云光电科技有限公司 | Ipmi接口协议的故障预测扩展方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
AU2018203321B2 (en) | Anomaly detection system and method | |
CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN100465842C (zh) | 数据分析系统和方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN110428018A (zh) | 一种全链路监控系统中的异常预测方法及装置 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN201898519U (zh) | 带有风险控制的设备维修预警装置 | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的系统 | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN104181896A (zh) | 一种基于物联网的工控采集状态监控系统 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN115618746B (zh) | 一种基于云服务的设备智能诊断分析方法及系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN110766248B (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
Farhat et al. | Medical equipment efficient failure management in IoT environment | |
Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
CN110188040A (zh) | 一种针对软件系统故障检测与健康状态评估的软件平台 |
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 |