CN111365239A - 一种采用案例推理的罗茨风机故障诊断方法 - Google Patents

一种采用案例推理的罗茨风机故障诊断方法 Download PDF

Info

Publication number
CN111365239A
CN111365239A CN202010233726.5A CN202010233726A CN111365239A CN 111365239 A CN111365239 A CN 111365239A CN 202010233726 A CN202010233726 A CN 202010233726A CN 111365239 A CN111365239 A CN 111365239A
Authority
CN
China
Prior art keywords
case
roots blower
fan
fault
fault diagnosis
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
CN202010233726.5A
Other languages
English (en)
Inventor
严爱军
任跃
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010233726.5A priority Critical patent/CN111365239A/zh
Publication of CN111365239A publication Critical patent/CN111365239A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
    • F04C28/00—Control of, monitoring of, or safety arrangements for, pumps or pumping installations specially adapted for elastic fluids
    • F04C28/28—Safety arrangements; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种罗茨风机的故障诊断方法，涉及旋转机械故障诊断技术领域，包括以下步骤：(1)根据罗茨风机运行过程的历史数据建立故障案例库；(2)基于互信息方法的特征选择并分配权重；(3)获取风机当前运行数据并将其与源案例合并进行归一化处理；(4)通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；(5)根据KNN算法得到风机的运行状态；(6)将风机当前运行数据及状态构成一条案例存储至故障案例库，供下次诊断求解；(7)重复上述的步骤(3)～步骤(6)，以实现罗茨风机的故障诊断过程。

Description

一种采用案例推理的罗茨风机故障诊断方法
技术领域
本发明设计旋转机械故障诊断技术领域，尤其涉及一种罗茨风机故障诊断方法。
背景技术
罗茨风机作为旋转机械一种容积式压缩机，具有结构简单、风机内腔不需要润滑油、运转平稳、性能稳定等优点，它的输送风量跟它的转数成正比，风机内部结构很简单，运转平稳，性能相对稳定，而且内腔不需要润滑油。它的用途非常广，遍布烟尘脱硫、物料的输送、瓦斯及易燃易爆气体的输送、农药化工、甲醛合成等领域。由于各种随机因素的影响，再加上其结构复杂，工作在高温、高速的恶劣条件下，罗茨风机比较容易发生各种机械故障包括叶轮转子不平衡、轴系不对中，周期性振动，轴承损坏等故障。机组一旦出现故障就可能会出现连锁反应，导致整个设备甚至整个生产过程无法正常工作，造成巨大的经济损失，甚至还会引起严重的灾难性人员伤亡事故。因此，对罗茨风机进行状态监测和故障诊断很重要，可以在故障发生的早期就预测出故障的存在，并根据其发生的严重程度采取相应的措施，判断是维护运行还是及时停机；可以降低检修的劳动强度，避免重大事故，减少不必要的经济损失。
对机械设备的状态检测和故障诊断，可利用的诊断信息很多，包括温度、振动、噪声和应力等，但对旋转设备例如罗茨风机来说，振动信息最能直接反应设备状态，并依据状态信息给出具体的故障解决措施以及建议，因此，需引入先进的方法来就解决。20世纪80年代以来，人工智能中一种新的问题求解方法——案例推理(case-based reasoning，CBR)得到广泛重视和研究，它适合在很难建立机理模型和领域知识不完全且难以定义但经验丰富的决策环境中运行。案例推理以认知学为基础，它以知识获取方便、求解过程易于理解、效率高及学习推理能力强等特点得到了广泛应用。针对罗茨风机故障频发的情况，本发明利用案例推理的学习和推理能力强的优势，将其应用与罗茨风机状态监测与故障诊断技术，对于保障生产安全、避免事故和巨额经济损失、提高设备安全管理水平，具有重要的意义。
发明内容
针对上问题，本发明在传统CBR分类器基础上，增加特征选择和权重分配两个主要功能，首先根据工业现场的历史运行数据形成故障案例库，并将历史案例中的原始数据表示成特征向量的形式，然后计算每个特征变量与运行状态间的互信息值，根据互信息(mutual information,MI)均值选择策略选择出特征变量，在此基础上，根据互信息分配这些特征变量的权重，接着计算风机当前运行数据和源案例之间的相似度，根据K近邻(KNN)算法检索出相似案例，并采用多数重用方式得到风机运行状态，并将风机当前运行数据及状态构成一条案例存储至故障案例库中，供下次的问题求解，从而实现罗茨风机的故障诊断过程。
为达到上述目的，本发明采用如下技术方案：
一种罗茨风机的故障诊断方法，涉及旋转机械故障诊断技术领域，其特征在于，包括以下步骤：(1)根据罗茨风机运行过程的历史数据建立故障案例库；(2)基于互信息方法的特征选择并分配权重；(3)获取风机当前运行数据并将其与源案例合并进行归一化处理；(4)通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；(5)根据KNN算法得到风机的运行状态；(6)将风机当前运行数据及状态构成一条案例存储至故障案例库，供下次诊断求解；(7)重复上述的步骤(3)～步骤(6)，以实现罗茨风机的故障诊断过程。进一步具体包括如下步骤：
(1)根据罗茨风机运行过程的历史数据建立故障案例库；详细过程如下：
将历史数据，即特征变量x1～x12(原始峰值x1、高频峰值x2、高频均方根x3、包络速度均方根x4、包络加速度均方根x5、原始速度均方根x6、原始加速度均方根x7、高频波峰因数x8、原始信号波峰因数x9、原始信号偏度因子x10、原始信号峰态x11、振动烈度过程值x12)与其对应的罗茨风机运行状态表示成特征向量形式，形成p条源案例存储于故障案例库中。记每条源案例为Ck，可表示为如下形式：
Ck：<x1，k，…，xi，k，…，x12，k；yk>，i＝1，…，12；k＝1，2，…，p (1)
其中，p是源案例总数；yk是第k条源案例Ck中的风机运行状态；xi，k(i＝1，…，12)是Ck中第i个特征变量的值；
(2)基于互信息方法的特征选择并分配权重；首先，计算第i个特征变量xi的熵H(xi)：
Figure BDA0002430244430000021
其中，p(xi,k)是xi的概率密度函数；
然后计算特征变量xi(i＝1,2…,12)关于罗茨风机运行状态yk的条件熵：
Figure BDA0002430244430000031
其中p(xi,k,yk)是xi和yk的联合概率；p(xi,k|yk)是xi和yk的条件概率；
接着，计算xi和yk的互信息值：
I(xi；yk)＝H(xi)-H(xi|yk) (4)
随后计算互信息I(xi；yk)的均值作为阈值α；将互信息值小于均值的那些特征删除，从而得到n(1<n<12)个特征变量，式(1)所示的源案例变化为如下形式：
C′k：(x1，k，…，xj，k，…，xn，k；yk)，j＝1，2，…，n；k＝1，2，…，p (5)
最后根据式(4)计算罗茨风机的特征变量xj(j＝1,2,…,n)与运行状态yk的互信息I(xj；yk)，然后按下式分别计算每个特征变量的权重：
Figure BDA0002430244430000032
(3)获取风机当前运行数据并将其与源案例合并进行归一化处理；
将式(5)所示源案例C′k中n个特征变量的历史数据和风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)组合在一起并进行归一化处理，如下式所示：
Figure BDA0002430244430000033
(4)通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；采用基于欧式距离的相似性度量方法计算风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)与源案例C′k的相似度值sk：
Figure BDA0002430244430000034
(5)根据KNN算法得到风机的运行状态；取出前K个相似度值大的源案例中风机的运行状态，统计出数量最多的运行状态并将其作为风机当前的运行状态yP+1：
(6)将风机当前运行数据及其状态构成一条新的案例存储至故障案例库，供下次诊断求解；
(7)重复上述的步骤(3)～步骤(6)，以实现罗茨风机的故障诊断过程。
本发明与现有技术相比，具有以下优点：1、本发明利用罗茨风机中产生的历史数据，采用案例推理方法建立了故障诊断模型，所需时间较短，有利于实时应用；2、避免了专家经验进行故障诊断的的主观性；3、采用基于互信息的特征提取与权重分配方法，通过计算特征变量与运行状态间的MI值来约简冗余特征，一定程度上降低了诊断模型的时间复杂度，同时在案例检索之前采用MI对特征变量的权重进行分配，既有效约简了冗余特征，又实现了权重的合理分配，使得系统对罗茨风机的故障诊断更为稳定和准确，一定程度上减轻了现场人员的工作。
附图说明
图1为本发明CBR故障诊断模型原理图。
图2为不同分类方法的罗茨风机故障诊断准确率。
具体实施方式
以下结合说明书附图对本发明的具体实施方法加以详细说明。
样本数据来自某工厂罗茨风机运行过程中产生的900条数据，将其随机划分为600条源案例和300条测试案例，下面结合图1对本发明的具体实施方式做进一步说明。
一种罗茨风机的故障诊断方法，涉及旋转机械故障诊断技术领域，其特征在于包括以下步骤：
(1)根据罗茨风机运行过程的历史数据建立故障案例库；详细过程如下：
将历史数据，即特征变量x1～x12(原始峰值x1、高频峰值x2、高频均方根x3、包络速度均方根x4、包络加速度均方根x5、原始速度均方根x6、原始加速度均方根x7、高频波峰因数x8、原始信号波峰因数x9、原始信号偏度因子x10、原始信号峰态x11、振动烈度过程值x12)与其对应的罗茨风机运行状态表示成特征向量形式，形成600条源案例存储于故障案例库中。记每条源案例为Ck，可表示为如下形式：
Ck：<x1，k，…，xi，k，…，x12，k；yk>，i＝1，…，12；k＝1，2，…，600 (1)
其中，600是源案例总数；yk是第k条源案例Ck中的风机运行状态；xi，k(i＝1，…，12)是Ck中第i个特征变量的值；
(2)基于互信息方法的特征选择并分配权重；首先，计算第i个特征变量xi的熵H(xi)：
Figure BDA0002430244430000041
其中，p(xi,k)是xi的概率密度函数；
然后计算特征变量xi(i＝1,2…,12)关于罗茨风机运行状态yk的条件熵：
Figure BDA0002430244430000051
其中p(xi,k,yk)是xi和yk的联合概率；p(xi,k|yk)是xi和yk的条件概率；
接着，计算xi和yk的互信息值：
I(xi；yk)＝H(xi)-H(xi|yk) (4)
得到特征变量x1～x12的互信息值依次为1.0557、0.6444、0.3955、0.5911、0.5945、0.9660、1.0000、0.2981、0.8534、0.7607、0.7611、1.0266。
随后计算互信息I(xi；yk)的均值作为阈值α＝0.7456；将互信息值小于均值的那些特征删除，从而得到7个特征变量分别为原始峰值x1、原始速度均方根x6、原始加速度均方根x7、原始信号波峰因数x9、原始信号偏度因子x10、原始信号峰态x11、振动烈度过程值x12，式(1)所示的源案例变化为如下形式：
C′k：(x1，k，…，xj，k，…，x7，k；yk)，j＝1，2，…，7；k＝1，2，…，600 (5)
最后根据式(4)计算这7个罗茨风机的特征变量与运行状态yk的互信息I(xj；yk)，然后按下式分别计算每个特征变量的权重：
Figure BDA0002430244430000052
计算的权重结果为0.1608、0.1528、0.1483、0.1454、0.1437、0.1251、0.1238。
(3)从测试案例中获取风机当前运行数据并将其与源案例合并进行归一化处理；
将式(5)所示源案例C′k中7个特征变量的历史数据和风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)组合在一起并进行归一化处理，如下式所示：
Figure BDA0002430244430000053
(4)通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；采用基于欧式距离的相似性度量方法计算风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)与源案例C′k的相似度值sk：
Figure BDA0002430244430000054
(5)根据KNN算法得到风机的运行状态；取出前K个相似度值大的源案例中风机的运行状态，此处K＝3，统计出数量最多的运行状态并将其作为风机当前的运行状态yP+1；
(6)将风机当前运行数据及其状态构成一条新的案例存储至故障案例库，供下次诊断求解；
(7)重复上述的步骤(3)～步骤(6)，以实现罗茨风机的故障诊断过程。
本发明将基于互信息的特征提取与权重分配方法同案例推理技术结合实现了罗茨风机故障的智能诊断系统，参照图2，为了进一步验证MIFW-CBR算法在罗茨风机运行过程故障诊断中的效果，将历史数据用于本方法及其他分类方法的对比实验当中，从对罗茨风机故障诊断的平均分类准确率可以看出MIFW-CBR的诊断效果较有优势，且MIFW-CBR相比于传统CBR方法在不同的程度上提高了故障诊断的准确率，故该方法具有一定的应用价值。

Claims (7)

1.一种罗茨风机的故障诊断方法，其特征在于，包括以下步骤：步骤(1)根据罗茨风机运行过程的历史数据建立故障案例库；步骤(2)基于互信息方法的特征选择并分配权重；步骤(3)获取风机当前运行数据并将其与源案例合并进行归一化处理；步骤(4)通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；步骤(5)根据KNN算法得到风机的运行状态；步骤(6)将风机当前运行数据及状态构成一条案例存储至故障案例库，供下次诊断求解；步骤(7)重复步骤(3)～步骤(6)，以实现罗茨风机的故障诊断过程。
2.根据权利要求1所述的一种罗茨风机的故障诊断方法，其特征在于，步骤1的根据罗茨风机运行过程的历史数据建立故障案例库；详细过程如下：
将历史数据，即特征变量x1～x12与其对应的罗茨风机运行状态表示成特征向量形式，形成p条源案例存储于故障案例库中；原始峰值x1、高频峰值x2、高频均方根x3、包络速度均方根x4、包络加速度均方根x5、原始速度均方根x6、原始加速度均方根x7、高频波峰因数x8、原始信号波峰因数x9、原始信号偏度因子x10、原始信号峰态x11、振动烈度过程值x12，记每条源案例为Ck，表示为如下形式：
Ck：<x1，k，…，xi，k，…，x12，k；yk>，i＝1，…，12；k＝1，2，…，p (1)
其中，p是源案例总数；yk是第k条源案例Ck中的风机运行状态；xi，k是Ck中第i个特征变量的值；i＝1，…，12。
3.根据权利要求1所述的一种罗茨风机的故障诊断方法，其特征在于，步骤2中，基于互信息方法的特征选择并分配权重；首先，计算第i个特征变量xi的熵H(xi)：
Figure FDA0002430244420000011
其中，p(xi,k)是xi的概率密度函数；
然后计算特征变量xi关于罗茨风机运行状态yk的条件熵：
Figure FDA0002430244420000012
其中p(xi,k,yk)是xi和yk的联合概率；p(xi,k|yk)是xi和yk的条件概率；
接着，计算xi和yk的互信息值：
I(xi；yk)＝H(xi)-H(xi|yk) (4)
随后计算互信息I(xi；yk)的均值作为阈值α；将互信息值小于均值的那些特征删除，从而得到n个特征变量，1<n<12，式(1)所示的源案例变化为如下形式：
C′k：(x1，k，…，xj，k，…，xn，k；yk)，j＝1，2，…，n；k＝1，2，…，p (5)
最后根据式(4)计算罗茨风机的特征变量xj与运行状态yk的互信息I(xj；yk)，j＝1,2,…,n，然后按下式分别计算每个特征变量的权重：
Figure FDA0002430244420000021
4.根据权利要求1所述的一种罗茨风机的故障诊断方法，其特征在于，步骤3中，获取风机当前运行数据并将其与源案例合并进行归一化处理；
将式(5)所示源案例C′k中n个特征变量的历史数据和风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)组合在一起并进行归一化处理，如下式所示：
Figure FDA0002430244420000022
5.根据权利要求4所述的一种罗茨风机的故障诊断方法，其特征在于，步骤4中，通过案例检索模型计算风机当前运行数据与源案例的相似度并检索出相似案例；采用基于欧式距离的相似性度量方法计算风机当前运行数据(x1,p+1,x2,p+1,…,xn,p+1)与源案例C′k的相似度值sk：
Figure FDA0002430244420000023
6.根据权利要求5所述的一种罗茨风机的故障诊断方法，其特征在于，步骤5中，根据KNN算法得到风机的运行状态；取出前K个相似度值大的源案例中风机的运行状态，统计出数量最多的运行状态并将其作为风机当前的运行状态yP+1。
7.根据权利要求6所述的一种罗茨风机的故障诊断方法，其特征在于，步骤6中，将风机当前运行数据及其状态构成一条新的案例存储至故障案例库，供下次诊断求解。
CN202010233726.5A 2020-03-30 2020-03-30 一种采用案例推理的罗茨风机故障诊断方法 Pending CN111365239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010233726.5A CN111365239A (zh) 2020-03-30 2020-03-30 一种采用案例推理的罗茨风机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010233726.5A CN111365239A (zh) 2020-03-30 2020-03-30 一种采用案例推理的罗茨风机故障诊断方法

Publications (1)

Publication Number Publication Date
CN111365239A true CN111365239A (zh) 2020-07-03

Family

ID=71207805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010233726.5A Pending CN111365239A (zh) 2020-03-30 2020-03-30 一种采用案例推理的罗茨风机故障诊断方法

Country Status (1)

Country Link
CN (1) CN111365239A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964883A (zh) * 2022-12-30 2023-04-14 中国船舶集团有限公司综合技术经济研究院 一种无人艇的状态监测与维修保障系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08137696A (ja) * 1994-11-15 1996-05-31 Kobe Steel Ltd 事例ベース推論装置
JPH11306023A (ja) * 1998-04-20 1999-11-05 Kobe Steel Ltd 知識処理システム
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
CN108090317A (zh) * 2017-09-20 2018-05-29 北京工业大学 一种采用案例推理的二噁英浓度软测量方法
CN109902153A (zh) * 2019-04-02 2019-06-18 杭州安脉盛智能技术有限公司 基于自然语言处理和案例推理的设备故障诊断方法及系统
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08137696A (ja) * 1994-11-15 1996-05-31 Kobe Steel Ltd 事例ベース推論装置
JPH11306023A (ja) * 1998-04-20 1999-11-05 Kobe Steel Ltd 知識処理システム
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
CN108090317A (zh) * 2017-09-20 2018-05-29 北京工业大学 一种采用案例推理的二噁英浓度软测量方法
CN109902153A (zh) * 2019-04-02 2019-06-18 杭州安脉盛智能技术有限公司 基于自然语言处理和案例推理的设备故障诊断方法及系统
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李林琛等: ""基于案例推理的矿井风机故障诊断系统的研究"", 《中国煤炭》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964883A (zh) * 2022-12-30 2023-04-14 中国船舶集团有限公司综合技术经济研究院 一种无人艇的状态监测与维修保障系统

Similar Documents

Publication Publication Date Title
Teng et al. DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?>
Moosavian et al. Comparison of two classifiers; K‐nearest neighbor and artificial neural network, for fault diagnosis on a main engine journal‐bearing
CN105467975B (zh) 一种设备故障诊断方法
CN110375987B (zh) 一种基于深度森林机械轴承故障检测方法
CN112418306B (zh) 基于lstm-svm的燃气轮机压气机故障预警方法
Ahmed et al. Feature selection and fault classification of reciprocating compressors using a genetic algorithm and a probabilistic neural network
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN110007660B (zh) 一种火电厂汽轮机组瞬态等效热应力在线软测量方法
Tayyab et al. Intelligent fault diagnosis of rotating machine elements using machine learning through optimal features extraction and selection
Afrasiabi et al. Wind turbine fault diagnosis with generative-temporal convolutional neural network
CN112763213B (zh) 一种过滤机水环真空泵轴承故障诊断方法
CN116956048A (zh) 一种基于跨域泛化标签的工业设备故障诊断方法及装置
CN115828466A (zh) 一种基于宽核卷积的风机主轴部件故障预测方法
CN111365239A (zh) 一种采用案例推理的罗茨风机故障诊断方法
CN110597232A (zh) 一种基于动态置信规则库的变频器冷却水泵故障报警方法
CN117009828A (zh) 基于故障匹配算法的水电设备故障诊断方法
Guerroum et al. Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry
CN115795397A (zh) 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法
Agrawal et al. SafeEngine: Fault Detection with Severity Prediction for Diesel Engine
Aslantaş et al. Estimating Types of Faults on Plastic Injection Molding Machines from Sensor Data for Predictive Maintenance
Inoue et al. Learning Discriminative Feature Representations via Metric Learning for Early Operation of Wind Turbine Anomaly Detection Systems
Fu et al. A novel label correction method for remaining useful life prediction of turbofan engines
Yonghong et al. Composite fault diagnosis based on deep convolutional generative adversarial network
Pham et al. An Interpretable Machine Learning Approach For Fault Classification in Bearing Systems
Zhao et al. Health indicator selection and health assessment of rolling element bearing

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200703

WD01 Invention patent application deemed withdrawn after publication