CN111222203A - 一种轴承使用寿命模型创建及其预测方法 - Google Patents
一种轴承使用寿命模型创建及其预测方法 Download PDFInfo
- Publication number
- CN111222203A CN111222203A CN201811326343.1A CN201811326343A CN111222203A CN 111222203 A CN111222203 A CN 111222203A CN 201811326343 A CN201811326343 A CN 201811326343A CN 111222203 A CN111222203 A CN 111222203A
- Authority
- CN
- China
- Prior art keywords
- time
- service life
- data
- characteristic
- bearing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种轴承使用寿命模型创建及其预测方法，通过前期的数据累积与特征分析，动态的提取轴承振动传感器时间序列数据中与轴承剩余使用寿命有关的特征，在数据采集端进行对应的数据特征提取，随时间变化的自动特征分析方法以及对应端设备数据特征提取方法，解决了轴承生产工况、环境、型号等变化对于预测模型带来的影响；此外，将提取后压缩的特征数据上传至服务器，提取后的特征数据形成了新的时间序列，利用LSTM对时域和频域的时间序列分别进行建模和优化，最终形成轴承剩余使用寿命预测的模型。
Description
技术领域
本发明涉及数据分析领域，尤其涉及一种轴承使用寿命模型创建及其预测方法。
背景技术
轴承是设备中常见的组成单元，对于轴承状态的预测只能基于震动传感器，通过一系列实验环境的震动传感标记数据的记录和训练，形成对时间序列的建模预测能力。然而还存在两大问题：
其一，数据采集量大，传输和运算资源要求高。在现有的工业级震动传感器，通常数据的采集频次为至少3000次/秒以上，而为了描述完整的震动特征，一个工作台通常需要多个传感器配合记录震动数据，导致数据的实时传输、计算难度大，为解决这一难度，需要在传感器后接数据采集卡对数据进行收集，因为目前还没有一个深度学习模型可以压缩到数据采集卡上，所以还需将数据采集卡上的时序数据上传至加载了神经网络模型的服务器中进行处理，如果进行数据的完整上传，会对网络带宽、机器学习的模型等造成了巨大的资源需求，如果采用采样、均值等进行数据压缩后再进行上传，则在很大程度上丢失了一些重要的时序数据特征，从而影响了预测的准确度。
其二，状态预测准确度较低。在对轴承状态预测中，不能够简单的使用序列预测模型来预测下一时刻的序列值，而是需要预测较长时间内是否会发生故障的概率，或判断设备还能够正常工作的剩余时间，这就需要针对时间序列预测进行一些修改，使其能够捕捉一些早期信号的同时预测出未来较长一段时间的故障概率，如果仅使用现有的时间序列预测方法，则其预测准确率会随着预测时长的增长而呈现误差累积的问题，难以进行准确的预测性维护。
因此，针对以上缺陷，需要对现有技术进行有效创新。
发明内容
本发明通过前期的数据累积与特征分析，动态的提取轴承振动传感器时间序列数据中与轴承剩余使用寿命有关的特征，在数据采集端进行对应的数据特征提取，将提取后压缩的特征数据上传至服务器，提取后的特征数据形成了新的时间序列，利用LSTM对时间序列进行建模和优化，最终形成轴承剩余使用寿命预测的模型。
为实现上述目的，本发明采用如下技术方案。
一种轴承的使用寿命预测模型的创建方法，包括如下步骤：
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)网关针对处于设定时间窗口内的震动传感器数据进行时域、频域的特征提取；
3)网关针对提取的特征数据，基于特征的时序相关度进行聚类，提取各类中最有代表性的特征作为新的特征列表，并将新的特征列表发送至服务器；
4)服务器根据新的特征列表对服务器中已保存的实验时序数据进行对应特征提取，形成新的训练特征向量；
5)服务器将新的训练特征向量进行时域和频域区分后分别进行LSTM训练，形成新的时域预测模型和频域预测模型。
相应的，步骤2)中，提取的时域特征包括最大值、最小值、均值、方差、中位数、25％位数、75％位数、均方根、波峰因数、峰度、偏度；
相应的，步骤2)中，提取的频域特征包括最大峰高度、最大峰频率点、最大峰波峰因数、最大峰偏度、第二峰高度、第二峰频率点、第二峰波峰因数、第二峰偏度；
相应的，步骤2)中，针对数据采集卡中采集到的所有时域和频域数据，网关从每个时间窗口中提取同一个特征的特征值，形成一个特征的历史记录序列，以此方式形成所有特征的历史记录序列，将历史记录序列全部存储于网关本地，由此，每个时间窗口内的所有震动传感数据将被压缩为不同的特征值，而这些特征值远小于时间窗口内采样数据点数量，因此数据被大大压缩，可以长久存储在网关本地；
相应的，步骤3)中，对特征进行时序相关度分析方式如下：
a)依据特征历史记录序列进行特征相关系数计算，两个不同特征分别对应X和Y,
b)对上一步的相关系数取绝对值后，作为两个特征之间的距离,特征之间的距离作为时序相关度划分；
相应的，聚类的算法如下：
a)设定一个归类的门限值，将相关系数大于或等于门限值的特征分到同一类；
b)选取同一类中处于中心或最接近中心位置的特征作为该类中心；
c)与已选类的中心的相关系数小于门限值的另行归类，直至将所有特征都完成归类；
相应的，步骤5)中，时域和频域的LSTM训练过程如下：
a)LSTM神经网络模型的超参数(层数、每层初始参数)不变，
b)LSTM监督训练标记不变，为对应时刻的剩余使用寿命，
c)LSTM输入数据维度由更新的时域/频域特征数量决定，
d)LSTM遗忘门选择公式为：遗忘门ft，输入门it，输出门ot：
ft＝σg(Wfxt+Ufht-1+bf)
it＝σg(Wixt+Uiht-1+bi)
Ot＝σg(Woxt+Uoht-1+bo)，
其中，W，U，b均为对应的待优化参数，x和h均为神经元输入；
相应的，在步骤5)中，在新的预测模型形成前，网关发送原有预测模型所需的实时特征向量给服务器；
一种轴承使用寿命的预测方法，包括如下步骤：
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)网关针对处于设定时间窗口内的震动传感器数据进行时域、频域的特征提取；
3)网关对新的时域预测模型和频域预测模型所需的特征进行时序相关度进行聚类，将聚类后的特征向量发到到服务器，服务器在新的预测模型中代入特征向量，对时域、频域分别进行预测；
4)服务器得到时域、频域的预测结果并计算时域和频域预测结果的均值，将均值作为实际预测结果，预测结果为轴承预测的剩余使用寿命时间；
相应的，步骤2)中，针对数据采集卡中采集到的所有时域和频域数据，网关从每个时间窗口中提取同一个特征的特征值，形成一个特征的历史记录序列，以此方式形成所有特征的历史记录序列，将历史记录序列全部存储于网关本地，由此，每个时间窗口内的所有震动传感数据将被压缩为不同的特征值，而这些特征值远小于时间窗口内采样数据点数量，因此数据被大大压缩，可以长久存储在网关本地；
步骤3)中，对特征进行时序相关度分析方式如下：
a)依据特征历史记录序列进行特征相关系数计算，两个不同特征分别对应X和Y,相关系数
b)对上一步的相关系数取绝对值后，作为两个特征之间的距离,特征之间的距离作为时序相关度划分；
相应的，步骤3)聚类的算法如下：
a)设定一个归类的门限值，将相关系数大于或等于门限值的特征分到同一类；
b)选取同一类中处于中心或最接近中心位置的特征作为该类中心；
c)与已选类的中心的相关系数小于门限值的另行归类，直至将所有特征都完成归类；
相应的，步骤4)中，实际预测结果
其中Ptime为时域预测结果，Pfreq为频域预测结果。
本发明的有益效果为：
本发明通过前期的数据累积与特征分析，动态的提取轴承振动传感器时间序列数据中与轴承剩余使用寿命有关的特征，在数据采集端进行对应的数据特征提取，随时间变化的自动特征分析方法以及对应端设备数据特征提取方法，解决了轴承生产工况、环境、型号等变化对于预测模型带来的影响；此外，将提取后压缩的特征数据上传至服务器，提取后的特征数据形成了新的时间序列，利用LSTM对时域和频域的时间序列分别进行建模和优化，最终形成轴承剩余使用寿命预测的模型。
附图说明
图1是本发明一个实施例所述的轴承使用寿命模型创建方法流程图。
具体实施方式
如图1所示，在本发明的一个实施例中，轴承的使用寿命预测模型的创建方法包括如下步骤：
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)针对数据采集卡中采集到的所有时域和频域数据，网关从每个时间窗口中提取同一个特征的特征值，形成一个特征的历史记录序列，以此方式形成所有特征的历史记录序列，将历史记录序列全部存储于网关本地，提取的时域特征包括最大值、最小值、均值、方差、中位数、25％位数、75％位数、均方根、波峰因数、峰度、偏度，提取的频域特征包括最大峰高度、最大峰频率点、最大峰波峰因数、最大峰偏度、第二峰高度、第二峰频率点、第二峰波峰因数、第二峰偏度；
3)网关针对提取的特征数据，依据特征历史记录序列进行特征相关系数计算，两个不同特征分别对应X和Y,相关系数
对得到的相关系数取绝对值后，作为两个特征之间的距离,设定一个归类的门限值，将相关系数大于或等于门限值的特征分到同一类，选取同一类中处于中心或最接近中心位置的特征作为该类中心，与已选类的中心的相关系数小于门限值的另行归类，直至将所有特征都完成归类，提取各类中最有代表性的特征作为新的特征列表，并将新的特征列表发送至服务器；
4)服务器根据新的特征列表对服务器中已保存的实验时序数据进行对应特征提取，形成新的训练特征向量；
5)服务器将新的训练特征向量进行时域和频域区分后分别进行LSTM训练，形成新的时域预测模型和频域预测模型，在新的预测模型形成前，网关发送原有预测模型所需的实时特征向量给服务器。
基于上述创建的预测模型，轴承使用寿命的预测方法包括如下步骤
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)网关针对处于设定时间窗口内的震动传感器数据进行时域、频域的特征提取，时域和频域特征的种类同模型创建过程中提取的种类一样；
3)网关对新的时域预测模型和频域预测模型所需的特征进行时序相关度进行聚类，时序相关度的计算和聚类方式同模型创建过程中涉及到的一致，将聚类后的特征向量发到到服务器，服务器在新的预测模型中代入特征向量，对时域、频域分别进行预测；
4)服务器得到时域、频域的预测结果并计算时域和频域预测结果的均值，实际预测结果
其中Ptime为时域预测结果，Pfreq为频域预测结果，实际预测结果作为轴承预测的剩余使用寿命时间。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (13)
1.一种轴承的使用寿命预测模型的创建方法，其特征在于：包括如下步骤，
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)网关针对处于设定时间窗口内的震动传感器数据进行时域、频域的特征提取；
3)网关针对提取的特征数据，基于特征的时序相关度进行聚类，提取各类中最有代表性的特征作为新的特征列表，并将新的特征列表发送至服务器；
4)服务器根据新的特征列表对服务器中已保存的实验时序数据进行对应特征提取，形成新的训练特征向量；
5)服务器将新的训练特征向量进行时域和频域区分后分别进行LSTM训练，形成新的时域预测模型和频域预测模型。
2.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：步骤2)中，提取的时域特征包括最大值、最小值、均值、方差、中位数、25％位数、75％位数、均方根、波峰因数、峰度、偏度。
3.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：步骤2)中，提取的频域特征包括最大峰高度、最大峰频率点、最大峰波峰因数、最大峰偏度、第二峰高度、第二峰频率点、第二峰波峰因数、第二峰偏度。
4.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：步骤2)中，针对数据采集卡中采集到的所有时域和频域数据，网关从每个时间窗口中提取同一个特征的特征值，形成一个特征的历史记录序列，以此方式形成所有特征的历史记录序列，将历史记录序列全部存储于网关本地。
5.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：步骤3)中，对特征进行时序相关度分析方式如下，
a)依据特征历史记录序列进行特征相关系数计算，两个不同特征分别对应X和Y,
b)对上一步的相关系数取绝对值后，作为两个特征之间的距离,特征之间的距离作为时序相关度划分。
6.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：步骤3)中，聚类的算法如下，
a)设定一个归类的门限值，将相关系数大于或等于门限值的特征分到同一类；
b)选取同一类中处于中心或最接近中心位置的特征作为该类中心；
c)与已选类的中心的相关系数小于门限值的另行归类，直至将所有特征都完成归类。
7.根据权利要求1所述的一种轴承的使用寿命预测模型的创建方法，其特征在于：在步骤5)中，在新的预测模型形成前，网关发送原有预测模型所需的实时特征向量给服务器。
8.根据权利要求1-7任一所述的一种轴承使用寿命的预测方法，其特征在于：包括如下步骤，
1)震动传感器对轴承的震动进行实时采集，并将采集到的数据通过数据采集卡输入至网关；
2)网关针对处于设定时间窗口内的震动传感器数据进行时域、频域的特征提取；
3)网关对新的时域预测模型和频域预测模型所需的特征进行时序相关度进行聚类，将聚类后的特征向量发到到服务器，服务器在新的预测模型中代入特征向量，对时域、频域分别进行预测；
4)服务器得到时域、频域的预测结果并计算时域和频域预测结果的均值，将均值作为实际预测结果，预测结果为轴承预测的剩余使用寿命时间。
9.根据权利要求8所述的一种轴承使用寿命的预测方法，其特征在于：步骤2)中，针对数据采集卡中采集到的所有时域和频域数据，网关从每个时间窗口中提取同一个特征的特征值，形成一个特征的历史记录序列，以此方式形成所有特征的历史记录序列，将历史记录序列全部存储于网关本地。
10.根据权利要求8所述的一种轴承使用寿命的预测方法，其特征在于：步骤3)中，对特征进行时序相关度分析方式如下，
a)依据特征历史记录序列进行特征相关系数计算，两个不同特征分别对应X和Y,相关系数
b)对上一步的相关系数取绝对值后，作为两个特征之间的距离,特征之间的距离作为时序相关度划分。
11.根据权利要求8所述的一种轴承使用寿命的预测方法，其特征在于：步骤3)中，聚类的算法如下，
a)设定一个归类的门限值，将相关系数大于或等于门限值的特征分到同一类；
b)选取同一类中处于中心或最接近中心位置的特征作为该类中心；
c)与已选类的中心的相关系数小于门限值的另行归类，直至将所有特征都完成归类。
12.根据权利要求8所述的一种轴承使用寿命的预测方法，其特征在于：步骤4)中，实际预测结果
13.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求8-12任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811326343.1A CN111222203B (zh) | 2018-11-08 | 2018-11-08 | 一种轴承使用寿命模型创建及其预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811326343.1A CN111222203B (zh) | 2018-11-08 | 2018-11-08 | 一种轴承使用寿命模型创建及其预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222203A true CN111222203A (zh) | 2020-06-02 |
| CN111222203B CN111222203B (zh) | 2024-05-10 |
Family
ID=70813412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811326343.1A Active CN111222203B (zh) | 2018-11-08 | 2018-11-08 | 一种轴承使用寿命模型创建及其预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222203B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111763958A (zh) * | 2020-08-24 | 2020-10-13 | 沈阳铝镁设计研究院有限公司 | 一种基于阳极导杆振动的阳极效应检测方法 |
| CN115310240A (zh) * | 2022-10-11 | 2022-11-08 | 烟台杰瑞石油装备技术有限公司 | 油气压裂泵设备寿命预测方法、装置及非易失性存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130144822A1 (en) * | 2010-08-02 | 2013-06-06 | Alibaba Group Holding Limited | Predicting A User Behavior Number of a Word |
| US20150262060A1 (en) * | 2014-03-11 | 2015-09-17 | SparkCognition, Inc. | System and Method for Calculating Remaining Useful Time of Objects |
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| US20170330071A1 (en) * | 2016-05-10 | 2017-11-16 | Google Inc. | Audio processing with neural networks |
-
2018
- 2018-11-08 CN CN201811326343.1A patent/CN111222203B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130144822A1 (en) * | 2010-08-02 | 2013-06-06 | Alibaba Group Holding Limited | Predicting A User Behavior Number of a Word |
| US20150262060A1 (en) * | 2014-03-11 | 2015-09-17 | SparkCognition, Inc. | System and Method for Calculating Remaining Useful Time of Objects |
| US20170330071A1 (en) * | 2016-05-10 | 2017-11-16 | Google Inc. | Audio processing with neural networks |
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张兰兰: "智能算法在疲劳寿命预测中的应用", 万方学位论文库, 31 December 2016 (2016-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111763958A (zh) * | 2020-08-24 | 2020-10-13 | 沈阳铝镁设计研究院有限公司 | 一种基于阳极导杆振动的阳极效应检测方法 |
| CN115310240A (zh) * | 2022-10-11 | 2022-11-08 | 烟台杰瑞石油装备技术有限公司 | 油气压裂泵设备寿命预测方法、装置及非易失性存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222203B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| JP7183471B2 (ja) | 将来の動作の予測分類 | |
| CN113033643B (zh) | 基于带权重采样的概念漂移检测方法、系统及电子设备 | |
| WO2018071005A1 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN109189834A (zh) | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 | |
| CN109784528A (zh) | 基于时间序列和支持向量回归的水质预测方法及装置 | |
| CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
| US20150012250A1 (en) | Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models | |
| CN114896861A (zh) | 基于平方根容积卡尔曼滤波的滚动轴承剩余寿命预测方法 | |
| CN111222203B (zh) | 一种轴承使用寿命模型创建及其预测方法 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
| Li et al. | An adaptive prognostics method based on a new health index via data fusion and diffusion process | |
| CN117272022B (zh) | 一种mems振荡器的检测方法 | |
| CN110750848A (zh) | 一种考虑软件运行的软－硬件退化系统剩余寿命估计的方法 | |
| JP2019191836A (ja) | 異常検知システムおよびプログラム | |
| CN116192665B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
| CN109493065A (zh) | 一种基于行为增量更新的欺诈交易检测方法 | |
| CN117079416B (zh) | 基于人工智能算法的多人5d雷达跌倒检测方法及系统 | |
| CN116861175B (zh) | 一种基于神经网络的运行轨迹校正方法 | |
| CN118468042B (zh) | 多类别电力负荷的自适应预测方法、系统、设备及介质 | |
| CN117610601B (zh) | 一种基于物联网的物流设备智能定位方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |