CN111445103A - 一种基于工业互联网的输电线缆生产质量管理反馈系统 - Google Patents
一种基于工业互联网的输电线缆生产质量管理反馈系统 Download PDFInfo
- Publication number
- CN111445103A CN111445103A CN202010116946.XA CN202010116946A CN111445103A CN 111445103 A CN111445103 A CN 111445103A CN 202010116946 A CN202010116946 A CN 202010116946A CN 111445103 A CN111445103 A CN 111445103A
- Authority
- CN
- China
- Prior art keywords
- quality
- raw material
- production process
- module
- production
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请公开了一种基于工业互联网的输电线缆生产质量管理反馈系统,结合输电线缆生产工艺流程,通过原材料质量评估模型、生产工序质量评估模型、输电线缆质量评估模型对生产的每一个环节进行实时的质量评估与反馈。每个质量评估模型其产生的输出为对本环节生产结果的预测,预测该生产环节导致最后生产的成品不合格的置信度,产生不同程度的预警,从而避免在有较高概率产生不合格品使仍继续生产,导致材料资源和资金浪费的情况。
Description
技术领域
本发明属于输电线缆生产质量管理技术领域,涉及一种基于工业互联网的输电线缆生产质量管理反馈系统。
背景技术
虽然有国家电网公司编制的《国家电网公司电力线路材料监造大纲》对输电线缆生产过程进行着约束,但抽检、送检依然是输电线缆质量检查的主流方式。目前输电线缆只有在生产完成后才能通过质量检验或者用户投诉后,才能发现质量问题。
国家电线电缆质量监督检验中心从对平时样品检测发现,由于原材料质量不合格导致电线电缆产品不合格大约占40%左右,工艺装备占20%左右,人为因素占40%左右。当前工人现场监造输电线缆的模式,存在着在原材料检验、生产工序检验、试验检验、发运前检验中监造漏洞大、成本费用高等各种问题。
发明内容
为解决现有技术中的不足,本申请提供一种基于工业互联网的输电线缆生产质量管理反馈系统,将质量管理前移至生产过程环节,将质量问题控制在生产过程环节,进而反馈制造状态的技术,针对当前状态实时指导加工,同时避免对废品继续加工而造成更大的损失,可达到提高产品质量生产率,从而降低成本的目的。
为了实现上述目标,本申请采用如下技术方案:
一种基于工业互联网的输电线缆生产质量管理反馈系统,所述系统包括设于工厂端的原材料检测模块、生产工序监测模块、成品试验检测模块和发运前检验模块,以及设于远程监控端的原材料质量评估模块、生产工序质量评估模块和输电线缆质量评估模块;
所述原材料检测模块,用于检测获取原材料数据;
所述原材料质量评估模块,用于基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估;
所述生产工序监测模块,用于监测生产过程中的生产参数并将监测结果反馈至原材料质量评估模块;
所述生产工序质量评估模块,用于基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估;
所述成品试验检测模块,用于检测成品试验时的试验参数并将检测结果反馈至生产工序质量评估模块;
所述输电线缆质量评估模块,用于对输电线缆质量进行评估并将评估结果反馈到原材料质量评估模块和生产工序质量评估模块;
所述发运前检验模块,用于基于成品试验检测模块与输电线缆质量评估模块提供的判断信息,对输电线缆质量进行发货前检验。
本申请进一步包括以下优选方案:
优选地,所述原材料检测模块在各原材料数据达到合格指标时,输出的检测结果为原材料质量合格,否则为原材料质量不合格;
所述原材料检测模块的检测结果与原材料质量评估模块的评估结果结合,用于为生产工序监测模块提供预警信息;
所述生产工序监测模块监测的生产参数均达到设定标准时,监测结果为成品质量合格,否则为不合格;
所述生产工序监测模块的监测结果与原材料质量评估模块的评估结果不一致时,则训练调整原材料质量评估模型的参数;
所述生产工序监测模块的监测结果与生产工序质量评估模块的评估结果结合,为成品试验检测模块提供预警信息;
所述成品试验检测模块的检测结果与生产工序质量评估模块的评估结果不一致时,将检测结果和对应的生产工序质量评估模型输入数据加入生产工序质量评估模型的训练数据集,重新训练生产工序质量评估模型,进而调整生产工序质量评估模型的参数;
所述输电线缆质量评估模块评估结果与原材料质量评估模块或生产工序质量评估模块的评估结果不一致时,则将评估结果和相应模型的输入加入相应模型,重新训练对应模型进而调整相应模型的参数。
优选地,所述原材料检测模块检测获取的原材料数据包括钢线含量、铝线含量和铜线含量,以及钢线、铝线和铜线的伸长率和钢线的电阻率;
所述生产工序监测模块监测的生产过程中的生产参数包括工艺参数,质量属性和关键质量属性;
所述工艺参数包括拉丝生产环节的线速度、退火电压、直流电阻,导体成缆的线速度和氮气压力;
所述质量属性包括生产工艺中的导体左X轴导体处、导体右X轴导体处、绝缘最大厚度、绝缘最小厚度外屏平均厚度、外屏最大厚度、外屏最小厚度和护套厚度;
所述关键质量属性为生产管控中人工测量的属性;
所述成品试验检测模块检测的成品试验时的试验参数包括电压试验的试验电压、耐压时长,局部放电试验的放电量、背景值和试验电压;
所述原材料数据的合格指标为:钢线含量大于99%,铝线含量大于99%,铜线含量大于99%,钢线、铝线和铜线的伸长率大于40%,铜线的电阻率小于0.017070。
优选地,所述基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估,包括:
获取每一个原材料数据合格指标两两之间的重要性;
根据一致性矩阵法将所述重要性数值化,得到重要性矩阵;
对重要性矩阵进行层次单排序和一致性检验,得出各个原材料数据合格指标影响电缆生产质量的权重;
结合原材料数据以及各个原材料数据合格指标影响电缆生产质量的权重,预测原材料环节导致最后生产的成品不合格的置信度;
根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估。
优选地,所述根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估,包括:
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.8时,则发出及时停止生产的预警请求,当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5但小于0.8时,则发出对原材料进一步检验的预警请求;和/或
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5时,评估结果为原材料质量不合格,否则为原材料质量合格。
优选地,所述基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估,包括:
基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,通过优化如下损失函数,实现对生产工序质量的预警评估,得到生产工序导致最后的成品不合格的置信度:
其中,x为输入,y为输出,θ为原材料数据合格指标影响电缆生产质量的权重,用于判断生产过程产生的输电线缆质量是否合格,m为目前采集到的数据条数,n为采集到的数据特征数量,C为调参的系数,cost1为y=1部分的代价,cost0为y=0部分的代价;
根据生产工序导致最后的成品不合格的置信度对生产过程产生的输电线缆质量进行预警。
优选地,当生产工序导致最后的成品不合格的置信度大于或等于设定阈值0.8时,则发出及时停止生产的预警请求,当生产工序导致最后的成品不合格的置信度大于或等于0.5但小于0.8时,则发出针对生产工序进一步检查的预警请求;和/或
生产工序导致最后的成品不合格的置信度大于或等于0.5时,评估结果为成品不合格,否则为成品合格。
优选地,所述对输电线缆质量进行评估,具体包括:
训练数据预处理;基于预处理后的训练数据,设计并训练输电线缆质量评估神经网络模型;实时获取生产工序质量评估模型的评估数据和成品试验检测模块检测的数据,基于训练后的输电线缆质量评估神经网络模型,进行输电线缆质量预警评估。
优选地,训练数据预处理包括:将成品试验检测模块历史采集的数据减去方差后除以均值得到的数值,进行归一化处理,其中,对于手工记录存在空缺情况的数据,使用存在空缺情况数据的均值进行空缺填充。
优选地,基于预处理后的训练数据,设计并训练得到的输电线缆质量评估神经网络模型,其第一层是n*512的,使用512个卷积核对输入的数据特征进行特征提取并将输出结果传入下一层,第二层和第三层依次是256和128个卷积核;
第四层的输出层为二分类,分别为电缆质量为合格与不合格的可能性,其中合格的可能性与不合格的可能性和为1;
第一层、第二层和第三层使用ReLU作为激活函数,以解决梯度消失的问题;
第四层的输出层使用Sigmoid作为激活函数,将一个实数映射到(0,1)的区间,用于完成最后结果的二分类;
第一层、第二层和第三层加入Batch Normalization进行批处理、加入Dropout算法使神经元失活来减少过拟合并加快训练速度。
本申请所达到的有益效果:
本申请按照每个生产环节对于输电线缆质量影响的大小,可以根据评估的需要构建满足不同需求的质量评估模型并动态调整各质量评估模型的参数,能够在产品出厂之前进行及时预警与反馈,避免对废品继续加工而造成更大的损失,提高了输电线缆生产效率,降低了成本。
附图说明
图1是一种基于工业互联网的输电线缆生产质量管理反馈系统的原理框图;
图2是本申请实施例中输电线缆质量评估神经网络模型图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种基于工业互联网的输电线缆生产质量管理反馈系统,包括设于工厂端的原材料检测模块、生产工序监测模块、成品试验检测模块和发运前检验模块,以及设于远程监控端的原材料质量评估模块、生产工序质量评估模块和输电线缆质量评估模块;
所述原材料检测模块,用于检测获取原材料数据,包括钢线含量、铝线含量和铜线含量,以及钢线、铝线和铜线的伸长率和钢线的电阻率,各原材料数据达到合格指标,则原材料检测模块的检测结果为原材料质量合格,否则为原材料质量不合格;
所述原材料数据的合格指标为:钢线含量大于99%,铝线含量大于99%,铜线含量大于99%,钢线、铝线和铜线的伸长率大于40%,铜线的电阻率小于0.017070。
所述原材料质量评估模块,用于基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估;
所述原材料检测模块的检测结果与原材料质量评估模块的评估结果结合,为生产工序监测模块提供预警信息。原材料检测模块与原材料质量评估模块的结果如果有一个为原材料质量不合格,则向生产工序监测模块发出加强监测频率的预警请求,若结果都为原材料质量不合格,则发出及时停止生产的预警请求;
所述生产工序监测模块,用于监测生产过程中的生产参数并将监测结果反馈至原材料质量评估模块生产参数均达到设定标准时,监测结果为成品质量合格,否则为不合格;
生产工序监测模块的监测结果与原材料质量评估模块的评估结果不一致时,即当生产工序监测模块的监测结果为成品质量合格而原材料质量评估模块的评估结果为原材料质量不合格时,则训练调整原材料质量评估模型的参数。
本申请实施例中,生产工序监测模块监测的生产参数包括工艺参数,质量属性和关键质量属性;
工艺参数包括拉丝生产环节的线速度、退火电压、直流电阻,导体成缆的线速度和氮气压力;
质量属性包括生产工艺中的导体左X轴导体处、导体右X轴导体处、绝缘最大厚度、绝缘最小厚度外屏平均厚度、外屏最大厚度、外屏最小厚度和护套厚度;
关键质量属性为生产管控中人工测量的属性,例如绕包环节结束后的轧纹深度和带材宽度。
所述生产工序质量评估模块,用于基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估。原材料质量评估模块的评估结果,对生产工序质量评估结果会产生影响,因为原材料质量不合格的话,生产工序质量评估模型的结果大概率也为不合格。原材料质量合格,生产工序质量评估模型的结果可能合格也可能不合格。所以原材料质量评估模块的评估结果作为其中一个参数输入到生产工序质量评估模型中;
所述生产工序监测模块的监测结果与生产工序质量评估模块的评估结果结合,为成品试验检测模块提供预警信息,生产工序监测模块和生产工序质量评估模块的结果如果有一个为成品质量不合格,则向成品试验检测模块发出加强监测频率的预警请求,若结果都为成品质量不合格,则发出及时停止成品试验的预警请求;
所述成品试验检测模块,用于检测成品试验时的试验参数并将检测结果反馈至生产工序质量评估模块,成品试验检测模块的检测结果与生产工序质量评估模块的评估结果不一致时,即当成品试验检测模块的检测结果为成品质量合格而生产工序质量评估模块的评估结果为成品质量不合格时,将检测结果和对应的生产工序质量评估模型输入数据加入生产工序质量评估模型的训练数据集,重新训练生产工序质量评估模型,进而调整生产工序质量评估模型的参数;
本申请实施例中,成品试验检测模块检测的成品试验时的试验参数包括电压试验的试验电压、耐压时长,局部放电试验的放电量、背景值和试验电压等。
所述输电线缆质量评估模块,用于对输电线缆质量进行评估并将评估结果反馈到原材料质量评估模块和生产工序质量评估模块,若输电线缆质量评估模块评估结果与原材料质量评估模块或生产工序质量评估模块的评估结果不一致,即输电线缆质量评估模块的评估结果为输电线缆质量合格,而原材料质量评估模块或生产工序质量评估模块的评估结果为原材料质量不合格或生产的成品质量不合格,则将评估结果和对应模型的输入数据加入相应模型的训练数据集,重新训练相应模型进而调整相应模型的参数;
成品试验检测模块和输电线缆质量评估模块的结果如果有一个为成品质量不合格,则向发运前检验模块发出加强监测频率的预警请求,若结果都为不合格,则发出及时停止发运的预警请求。
所述发运前检验模块,用于基于成品试验检测模块与输电线缆质量评估模块提供的判断信息,对输电线缆质量进行发货前检验。
本申请实施例中,因为原材料的种类不是特别多,特征数据明显,易从层次的方式对其进行分类与质量评估。
所述原材料质量评估模型从分析诱因处得到原材料数据的合格指标,根据已有输电线缆制造质量反馈获得的大数据和输电线缆种类的不同分别分析原材料数据的合格指标和权重。
所述基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估,包括:
获取每一个原材料数据合格指标两两之间的重要性;
根据一致性矩阵法将所述重要性数值化,得到重要性矩阵,例如:
其中,行和列依次为钢线含量、铝线含量、铜线含量以及钢线、铝线和铜线的伸长率和铜线的电阻率合格指标的重要性程度。
对重要性矩阵进行层次单排序和一致性检验,得出各个原材料数据合格指标影响电缆生产质量的权重,如w=(0.200,0.246,0.316,0.100,0.108);
结合原材料数据以及各个原材料数据合格指标影响电缆生产质量的权重,预测原材料环节导致最后生产的成品不合格的置信度;
根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估。
所述根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估,包括:
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.8时,则发出及时停止生产的预警请求,当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5但小于0.8时,则发出对原材料进一步检验的预警请求;和/或
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5时,评估结果为原材料质量不合格,否则为原材料质量合格。
层次分析法和人的思维一致,易于理解,可从中进行诱因分析,将影响输电线缆质量的因素按重要性排序,可在原材料购买上提供指导。
所述基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估,包括:
基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,通过优化如下损失函数,实现对生产工序质量的预警评估,得到生产工序导致最后的成品不合格的置信度:
其中,x为输入,y为输出,θ为原材料数据合格指标影响电缆生产质量的权重,用于判断生产过程产生的输电线缆质量是否合格,m为目前采集到的数据条数,n为采集到的数据特征数量,C为调参的系数,cost1为y=1部分的代价,cost0为y=0部分的代价;
根据生产工序导致最后的成品不合格的置信度对生产过程产生的输电线缆质量进行预警。
当生产工序导致最后的成品不合格的置信度大于或等于设定阈值0.8时,则发出及时停止生产的预警请求,当生产工序导致最后的成品不合格的置信度大于或等于0.5但小于0.8时,则发出针对生产工序进一步检查的预警请求;和/或
生产工序导致最后的成品不合格的置信度大于或等于0.5时,评估结果为成品不合格,否则为成品合格。
支持向量机例用内积核函数代替向高维空间的非线性映射,是一种有坚实理论基础的小样本学习方法。它的核心是最大化分类边际的思想,通过用少数支持向量决定最终结果的方法,易于找到关键样本,剔除大量冗余样本,具有较好的鲁棒性。但算法在大规模训练样本上将消耗大量的机器内存和运行时间,较难处理大规模的数据,这在生产工序质量评估模型中没有体现,因此使用支持向量机模型进行质量评估是一种高效的评估方式。
所述对输电线缆质量进行评估,具体包括:
训练数据预处理,包括:将成品试验检测模块历史采集的数据减去方差后除以均值得到的数值,进行归一化处理,其中,对于手工记录存在空缺情况的数据,比如导体的直径,使用存在空缺情况数据的均值进行空缺填充。
基于预处理后的训练数据,设计并训练输电线缆质量评估神经网络模型,输电线缆质量评估模型评估输电线缆的多种属性,例如绕包的带材宽度,导体的质量等,这些属性从不同层面反映了输电线缆的不同特征。而这些特征往往又带有一定程度模糊性,即属于非线性特征,因此采用神经网络的方法对其进行处理与质量评估。本申请实施例通过训练神经网络的方式,利用其强大的非线性拟合能力,可以映射任意复杂的非线性关系,其鲁棒性和记忆能力能够处理大规模的数据并有一个很好的精度。充分利用人工神经网络的自学习特性和容错特性,进行深度学习以获取场景与对象的各种特征,再利用专家系统和各种推理规则达到认知场景与对象的目的,为其行为决策提供依据。
如图2所示,最终得到的输电线缆质量评估神经网络模型,其第一层是n*512的,使用512个卷积核对输入的数据特征进行特征提取并将输出结果传入下一层,第二层和第三层依次是256和128个卷积核;
第四层的输出层为二分类,分别为电缆质量为合格与不合格的可能性,其中合格的可能性与不合格的可能性和为1;
第一层、第二层和第三层使用ReLU作为激活函数,以解决梯度消失的问题;
第四层的输出层使用Sigmoid作为激活函数,将一个实数映射到(0,1)的区间,用于完成最后结果的二分类;
第一层、第二层和第三层加入Batch Normalization进行批处理、加入Dropout算法使神经元失活来减少过拟合并加快训练速度。
实时获取生产工序质量评估模型的评估数据和成品试验检测模块检测的数据,把这两项数据一起作为输电线缆质量神经网络模型的输入,基于训练后的输电线缆质量评估神经网络模型,进行输电线缆质量预警评估。例如,将成品试验检测模块检测的电压试验的试验电压160kV、耐压时长30min,局部放电试验的放电量0、背景值5pC和试验电压96kV等数据预处理后输入训练后的输电线缆质量评估神经网络模型,经过输电线缆质量评估神经网络模型的四层网络,输出为(0.9,0.1),表示生产的输电线缆质量为合格的可能性为0.9,不合格的可能性为0.1,设定阈值0.5,即合格的可能性小于或等于0.5时判断输电线缆不合格。
本申请通过训练各环节质量评估模型来实现质量管理中的预警目标。如图2所示,对于某一环节的质量评估模型而言,需要的输入为上一环节产生的半成品产物的与本环节质量评估模型相关的测量参数以及本环节所使用的具体工艺参数、相关阈值等数据,而其产生的输出为对本环节生产结果的预测,预测该生产环节导致最后生产的成品不合格的置信度,产生不同程度的预警,从而避免在有较高概率产生不合格品使仍继续生产,导致材料资源和资金浪费的情况。
本申请结合输电线缆生产工艺流程,通过原材料质量评估模型、生产工序质量评估模型、输电线缆质量评估模型对生产的每一个环节进行实时的质量评估与反馈。根据及时性和准确性原则,针对不同类型生产质量问题,构建产品在不同阶段的质量管理反馈模型,建立互联互通的质量信息传递机制。
本申请结合工业生产过程中质量反馈的基本理论,从关系输电线缆生产质量的原材料供给、生产环节、成品等不同阶段,制定相关的评估模型,来支撑工业互联网下输电线缆在生产环节的质量管理反馈,每个质量评估模型其产生的输出为对本环节生产结果的预测,预测该生产环节导致最后生产的成品不合格的置信度,产生不同程度的预警,从而避免在有较高概率产生不合格品使仍继续生产,导致材料资源和资金浪费的情况。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于工业互联网的输电线缆生产质量管理反馈系统,其包括设于工厂端的原材料检测模块、生产工序监测模块、成品试验检测模块和发运前检验模块,以及设于远程监控端的原材料质量评估模块、生产工序质量评估模块和输电线缆质量评估模块,其特征在于:
所述原材料检测模块,用于检测获取原材料数据;
所述原材料质量评估模块,用于基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估;
所述生产工序监测模块,用于监测生产过程中的生产参数并将监测结果反馈至原材料质量评估模块;
所述生产工序质量评估模块,用于基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估;
所述成品试验检测模块,用于检测成品试验时的试验参数并将检测结果反馈至生产工序质量评估模块;
所述输电线缆质量评估模块,用于对输电线缆质量进行评估并将评估结果反馈到原材料质量评估模块和生产工序质量评估模块;
所述发运前检验模块,用于基于成品试验检测模块与输电线缆质量评估模块提供的判断信息,对输电线缆质量进行发货前检验。
2.根据权利要求1所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述原材料检测模块在各原材料数据达到合格指标时,输出的检测结果为原材料质量合格,否则为原材料质量不合格;
所述原材料检测模块的检测结果与原材料质量评估模块的评估结果结合,用于为生产工序监测模块提供预警信息;
所述生产工序监测模块监测的生产参数均达到设定标准时,监测结果为成品质量合格,否则为不合格;
所述生产工序监测模块的监测结果与原材料质量评估模块的评估结果不一致时,则训练调整原材料质量评估模型的参数;
所述生产工序监测模块的监测结果与生产工序质量评估模块的评估结果结合,为成品试验检测模块提供预警信息;
所述成品试验检测模块的检测结果与生产工序质量评估模块的评估结果不一致时,将检测结果和对应的生产工序质量评估模型输入数据加入生产工序质量评估模型的训练数据集,重新训练生产工序质量评估模型,进而调整生产工序质量评估模型的参数;
所述输电线缆质量评估模块评估结果与原材料质量评估模块或生产工序质量评估模块的评估结果不一致时,则将评估结果和相应模型的输入加入相应模型,重新训练对应模型进而调整相应模型的参数。
3.根据权利要求2所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述原材料检测模块检测获取的原材料数据包括钢线含量、铝线含量和铜线含量,以及钢线、铝线和铜线的伸长率和钢线的电阻率;
所述生产工序监测模块监测的生产过程中的生产参数包括工艺参数,质量属性和关键质量属性;
所述工艺参数包括拉丝生产环节的线速度、退火电压、直流电阻,导体成缆的线速度和氮气压力;
所述质量属性包括生产工艺中的导体左X轴导体处、导体右X轴导体处、绝缘最大厚度、绝缘最小厚度外屏平均厚度、外屏最大厚度、外屏最小厚度和护套厚度;
所述关键质量属性为生产管控中人工测量的属性;
所述成品试验检测模块检测的成品试验时的试验参数包括电压试验的试验电压、耐压时长,局部放电试验的放电量、背景值和试验电压;
所述原材料数据的合格指标为:钢线含量大于99%,铝线含量大于99%,铜线含量大于99%,钢线、铝线和铜线的伸长率大于40%,铜线的电阻率小于0.017070。
4.根据权利要求2所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述基于原材料检测模块检测获取的原材料数据,对原材料质量进行预警评估,包括:
获取每一个原材料数据合格指标两两之间的重要性;
根据一致性矩阵法将所述重要性数值化,得到重要性矩阵;
对重要性矩阵进行层次单排序和一致性检验,得出各个原材料数据合格指标影响电缆生产质量的权重;
结合原材料数据以及各个原材料数据合格指标影响电缆生产质量的权重,预测原材料环节导致最后生产的成品不合格的置信度;
根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估。
5.根据权利要求4所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述根据预测的原材料环节导致最后生产的成品不合格的置信度对原材料质量进行预警评估,包括:
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.8时,则发出及时停止生产的预警请求,当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5但小于0.8时,则发出对原材料进一步检验的预警请求;和/或
当预测的原材料环节导致最后生产的成品不合格的置信度大于或等于0.5时,评估结果为原材料质量不合格,否则为原材料质量合格。
6.根据权利要求2所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,对生产工序质量进行预警评估,包括:
基于生产工序监测模块的监测数据和原材料质量评估模块的评估结果,通过优化如下损失函数,实现对生产工序质量的预警评估,得到生产工序导致最后的成品不合格的置信度:
其中,x为输入,y为输出,θ为原材料数据合格指标影响电缆生产质量的权重,用于判断生产过程产生的输电线缆质量是否合格,m为目前采集到的数据条数,n为采集到的数据特征数量,C为调参的系数,cost1为y=1部分的代价,cost0为y=0部分的代价;
根据生产工序导致最后的成品不合格的置信度,对生产过程产生的输电线缆质量进行预警。
7.根据权利要求6所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
当生产工序导致最后的成品不合格的置信度大于或等于设定阈值0.8时,则发出及时停止生产的预警请求,当生产工序导致最后的成品不合格的置信度大于或等于0.5但小于0.8时,则发出针对生产工序进一步检查的预警请求;和/或
生产工序导致最后的成品不合格的置信度大于或等于0.5时,评估结果为成品不合格,否则为成品合格。
8.根据权利要求2所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
所述对输电线缆质量进行评估,具体包括:
训练数据预处理;基于预处理后的训练数据,设计并训练输电线缆质量评估神经网络模型;实时获取生产工序质量评估模型的评估数据和成品试验检测模块检测的数据,基于训练后的输电线缆质量评估神经网络模型,进行输电线缆质量预警评估。
9.根据权利要求8所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
训练数据预处理包括:将成品试验检测模块历史采集的数据减去方差后除以均值得到的数值,进行归一化处理,其中,对于手工记录存在空缺情况的数据,使用存在空缺情况数据的均值进行空缺填充。
10.根据权利要求8所述的一种基于工业互联网的输电线缆生产质量管理反馈系统,其特征在于:
基于预处理后的训练数据,设计并训练得到的输电线缆质量评估神经网络模型,其第一层是n*512的,使用512个卷积核对输入的数据特征进行特征提取并将输出结果传入下一层,第二层和第三层依次是256和128个卷积核;
第四层的输出层为二分类,分别为电缆质量为合格与不合格的可能性,其中合格的可能性与不合格的可能性和为1;
第一层、第二层和第三层使用ReLU作为激活函数,以解决梯度消失的问题;
第四层的输出层使用Sigmoid作为激活函数,将一个实数映射到(0,1)的区间,用于完成最后结果的二分类;
第一层、第二层和第三层加入Batch Normalization进行批处理、加入Dropout算法使神经元失活来减少过拟合并加快训练速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116946.XA CN111445103B (zh) | 2020-02-25 | 2020-02-25 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116946.XA CN111445103B (zh) | 2020-02-25 | 2020-02-25 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445103A true CN111445103A (zh) | 2020-07-24 |
CN111445103B CN111445103B (zh) | 2023-01-31 |
Family
ID=71627052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116946.XA Active CN111445103B (zh) | 2020-02-25 | 2020-02-25 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445103B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673915A (zh) * | 2021-10-22 | 2021-11-19 | 华夏生生药业(北京)有限公司 | 基于生产全周期跟踪的聚丙烯输液袋质量监测分析系统 |
CN114527721A (zh) * | 2022-04-25 | 2022-05-24 | 广东祥利科技有限公司 | 聚pvc改性电缆粒料在线生产监控方法、系统及云平台 |
CN115142187A (zh) * | 2022-07-06 | 2022-10-04 | 圣东尼(上海)针织机器有限公司 | 针织大圆机织造质量优化控制系统 |
CN116205543A (zh) * | 2023-05-04 | 2023-06-02 | 张家港广大特材股份有限公司 | 一种结合使用反馈的冶钢质量检测方法及系统 |
CN116703245A (zh) * | 2023-08-02 | 2023-09-05 | 宜兴市旭航电子有限公司 | 流程化生产过程监测预警系统及方法 |
CN116739351A (zh) * | 2023-08-10 | 2023-09-12 | 山东凯大新型材料科技有限公司 | 一种基于人工智能的硅藻泥管理系统及其方法 |
CN117172624A (zh) * | 2023-11-03 | 2023-12-05 | 长春易加科技有限公司 | 一种线束生产线智能化监测管理系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09159771A (ja) * | 1995-12-11 | 1997-06-20 | Furukawa Electric Co Ltd:The | 着雪量予測方法及びその装置 |
US5987149A (en) * | 1992-07-08 | 1999-11-16 | Uniscore Incorporated | Method for scoring and control of scoring open-ended assessments using scorers in diverse locations |
CN102507044A (zh) * | 2011-11-01 | 2012-06-20 | 国网电力科学研究院 | 一种交联电缆载流量试验用多点温度检测装置 |
CN103020447A (zh) * | 2012-12-11 | 2013-04-03 | 富通集团有限公司 | 一种同轴电缆护套机优化运行的建模方法 |
CN103676868A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 一种fpc制造关键工序自动监控与智能分析系统 |
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN105140680A (zh) * | 2015-09-08 | 2015-12-09 | 国网上海市电力公司 | 一种基于互联网技术的电力电缆生产过程和质量监造系统 |
CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
CN106844425A (zh) * | 2016-12-09 | 2017-06-13 | 国网北京市电力公司 | 管道和电缆的数据处理系统 |
CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN108269059A (zh) * | 2018-01-05 | 2018-07-10 | 国网山东省电力公司莱芜供电公司 | 一种数据管理系统 |
CN110297476A (zh) * | 2019-07-24 | 2019-10-01 | 天长市海纳电气有限公司 | 一种基于电缆生产控制的智能pic控制系统 |
CN110514242A (zh) * | 2019-08-17 | 2019-11-29 | 杭州三元电缆有限公司 | 一种电缆生产工艺的质量检测系统 |
-
2020
- 2020-02-25 CN CN202010116946.XA patent/CN111445103B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987149A (en) * | 1992-07-08 | 1999-11-16 | Uniscore Incorporated | Method for scoring and control of scoring open-ended assessments using scorers in diverse locations |
JPH09159771A (ja) * | 1995-12-11 | 1997-06-20 | Furukawa Electric Co Ltd:The | 着雪量予測方法及びその装置 |
CN102507044A (zh) * | 2011-11-01 | 2012-06-20 | 国网电力科学研究院 | 一种交联电缆载流量试验用多点温度检测装置 |
CN103020447A (zh) * | 2012-12-11 | 2013-04-03 | 富通集团有限公司 | 一种同轴电缆护套机优化运行的建模方法 |
CN103676868A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 一种fpc制造关键工序自动监控与智能分析系统 |
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN105140680A (zh) * | 2015-09-08 | 2015-12-09 | 国网上海市电力公司 | 一种基于互联网技术的电力电缆生产过程和质量监造系统 |
CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
CN106844425A (zh) * | 2016-12-09 | 2017-06-13 | 国网北京市电力公司 | 管道和电缆的数据处理系统 |
CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN108269059A (zh) * | 2018-01-05 | 2018-07-10 | 国网山东省电力公司莱芜供电公司 | 一种数据管理系统 |
CN110297476A (zh) * | 2019-07-24 | 2019-10-01 | 天长市海纳电气有限公司 | 一种基于电缆生产控制的智能pic控制系统 |
CN110514242A (zh) * | 2019-08-17 | 2019-11-29 | 杭州三元电缆有限公司 | 一种电缆生产工艺的质量检测系统 |
Non-Patent Citations (6)
Title |
---|
SHAOGUANG YUAN; XIAOFEI ZHANG; JUNCHENG GENG; DIMING WAN: "Research on load curve clustering of distribution transformer based on wavelet transform and big data processing", 《2017 IEEE 2ND INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
冯伟夏,郭建龙,熊山,刘晓,郝腾飞: "基于SLAM的AR电缆头制作辅助系统研究与设计", 《自动化与仪器仪表》 * |
耿俊成,张小斐,袁少光,万迪明: "基于大数据分析的电网设备质量评价", 《电力大数据》 * |
许刚等: "基于低秩矩阵填充的XLPE电力电缆寿命评估", 《电工技术学报》 * |
马杰: "面向自动化生产与检测的三芯电源线机器视觉识别技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
黄泽蔚: "电线电缆类产品常见不合格检测项目的分析与研究", 《价值工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673915A (zh) * | 2021-10-22 | 2021-11-19 | 华夏生生药业(北京)有限公司 | 基于生产全周期跟踪的聚丙烯输液袋质量监测分析系统 |
CN113673915B (zh) * | 2021-10-22 | 2022-01-18 | 华夏生生药业(北京)有限公司 | 基于生产全周期跟踪的聚丙烯输液袋质量监测分析系统 |
CN114527721A (zh) * | 2022-04-25 | 2022-05-24 | 广东祥利科技有限公司 | 聚pvc改性电缆粒料在线生产监控方法、系统及云平台 |
CN115142187A (zh) * | 2022-07-06 | 2022-10-04 | 圣东尼(上海)针织机器有限公司 | 针织大圆机织造质量优化控制系统 |
CN116205543A (zh) * | 2023-05-04 | 2023-06-02 | 张家港广大特材股份有限公司 | 一种结合使用反馈的冶钢质量检测方法及系统 |
CN116205543B (zh) * | 2023-05-04 | 2023-10-31 | 张家港广大特材股份有限公司 | 一种结合使用反馈的冶钢质量检测方法及系统 |
CN116703245A (zh) * | 2023-08-02 | 2023-09-05 | 宜兴市旭航电子有限公司 | 流程化生产过程监测预警系统及方法 |
CN116703245B (zh) * | 2023-08-02 | 2023-10-27 | 宜兴市旭航电子有限公司 | 流程化生产过程监测预警系统及方法 |
CN116739351A (zh) * | 2023-08-10 | 2023-09-12 | 山东凯大新型材料科技有限公司 | 一种基于人工智能的硅藻泥管理系统及其方法 |
CN116739351B (zh) * | 2023-08-10 | 2023-11-21 | 山东凯大新型材料科技有限公司 | 一种基于人工智能的硅藻泥管理系统及其方法 |
CN117172624A (zh) * | 2023-11-03 | 2023-12-05 | 长春易加科技有限公司 | 一种线束生产线智能化监测管理系统 |
CN117172624B (zh) * | 2023-11-03 | 2024-01-05 | 长春易加科技有限公司 | 一种线束生产线智能化监测管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111445103B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445103B (zh) | 一种基于工业互联网的输电线缆生产质量管理反馈系统 | |
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN114358152A (zh) | 一种智能电力数据异常检测方法及系统 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN110287583B (zh) | 基于循环神经网络的工业设备剩余寿命预测方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN111444471B (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
US20230168643A1 (en) | Industrial internet of things based on abnormal identification, control method, and storage media thereof | |
CN112131516A (zh) | 一种基于特征权值混合朴素贝叶斯模型的异常检测方法 | |
CN111882150A (zh) | 一种神经网络与层次分析法结合的食品安全风险预警方法 | |
CN116629658A (zh) | 一种锂电池正极材料生产质量评估和工艺优化方法 | |
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 | |
CN113435794B (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN115860514A (zh) | 一种基于生产过程数据的低压电力电缆质量评价方法 | |
JP3579553B2 (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
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 |