CN111689169A - 一种基于多模态数据融合的传送带异常检测方法 - Google Patents

一种基于多模态数据融合的传送带异常检测方法 Download PDF

Info

Publication number
CN111689169A
CN111689169A CN202010504208.2A CN202010504208A CN111689169A CN 111689169 A CN111689169 A CN 111689169A CN 202010504208 A CN202010504208 A CN 202010504208A CN 111689169 A CN111689169 A CN 111689169A
Authority
CN
China
Prior art keywords
data
conveyor belt
diagnosis
vibration
temperature
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
CN202010504208.2A
Other languages
English (en)
Inventor
刘立
刘昱峰
韩光洁
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN202010504208.2A priority Critical patent/CN111689169A/zh
Publication of CN111689169A publication Critical patent/CN111689169A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means
    • B65G2203/042—Sensors

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于多模态数据融合的传送带异常检测方法，包括以下步骤：数据收集：通过分布在传送带上的振动传感器，温度传感器收集传送带运行时产生的振动数据和温度数据；数据分析：将压力传感器作为诊断系统的触发器，当触发诊断系统时，调取特定时间段内的振动数据和温度数据并输入进数据分析模块，对数据进行处理得出诊断结果；故障处理：通过系统诊断结果生成相应的解决方法并且生成解决方案，便于用户开展线下维护和维修工作。本发明使得诊断覆盖面更广，诊断结论准确性更高，针对性更强，减少数据规模，同时提高诊断效益，有效地对传送带零件松动，缺少润滑油，碰磨等故障进行诊断，避免产生损失。

Description

一种基于多模态数据融合的传送带异常检测方法
技术领域
本发明涉及一种基于多模态数据融合的传送带异常检测方法，属于物料填装生产线中传送装置的异常检测。
背景技术
由于生产线运行强度高，在传送运输模块发生机器零件松动，缺少润滑油，由于安装原因而产生重心偏移导致异常振动，转子失衡等故障，使用单一的检测系统无法满足需求，从而导致故障得不到及时检修造成经济，人力上的损失。因此，设备故障检测是工业生产过程中必不可少的环节，其中，状态检测与各种诊断故障技术的应用推动了智能化工业的发展，进而产生越来越多有效而实用的诊断技术。
随着工业自动化进程的不断发展，传统的故障诊断系统的局限性不断暴露，不能满足生产力的需求。而近年来，随着传感网技术和计算机技术的快速发展，越来越多的机器学习技术应用在了工业故障诊断上，使得诊断系统从准确率和效率上得到了巨大的提升。
多源数据融合技术能够将各个不同数据源手机的不完整形象整合起来。相较于单一数据，多源数据融合技术能够补充不同的数据之间的内容，从而提高检测精度，数据融合技术现如今广泛应用在目标识别，故障检测，自动化控制，环境监测，遥感图像等领域。
发明内容
为解决现有技术中的不足，本发明提供一种基于多模态数据融合的传送带异常检测方法，解决物料填装生产线中传送装置的异常检测问题，进一步提高检测的准确度。
本发明中主要采用的技术方案为：
一种基于多模态数据融合的传送带异常检测方法，包括以下步骤：
步骤1、数据收集：通过分布在传送带上的振动传感器，温度传感器收集传送带运行时产生的振动数据和温度数据；
步骤2、数据分析：将压力传感器作为诊断系统的触发器，当触发诊断系统时，调取特定时间段内的振动数据和温度数据并输入进数据分析模块，对数据进行处理，包括特征提取，分类，融合后得出诊断结果；
步骤3、故障处理：通过系统诊断结果生成相应的解决方法并且生成解决方案，便于用户开展线下维护和维修工作。
优选地，所述步骤2中，数据分析具体步骤如下：
步骤2-1：将压力传感器布置于传送带终端，在传送带运行时以特定频率接收压力信号，当特定的频率内未接收到压力信号时，启用诊断系统；
步骤2-2：调取特定时间段内采集到的振动数据和温度数据，并将其输入数据分析模块进行数据分析；
步骤2-3：对输入的振动数据进行特征提取，通过经验模态分解算法将其分解成各阶IMF分量，其中，前六阶包含振动主要能量，计算前六阶的六个分量在该时间周期的能量值作为特征向量，并做归一化处理，将经行归一化处理后的特征向量输入到训练好的支持向量机中，得到振动数据诊断结果；
步骤2-4：对采集到的温度信号进行特征提取，通过设置报警阈值的方法诊断故障，得到温度数据诊断结果；
步骤2-5：使用D-S证据理论对步骤2-3和步骤2-4得到的两种数据诊断结果进行决策，首先，根据先验知识得到融合后可能出现的所有命题，构建D-S证据理论识别框架，之后，为每一个命题分配证据，获得基本概率分配函数，再由信任函数和似然函数确定D-S证据理论识别框架中的信任区间，最后由合成法则得出最终诊断结果。
优选地，所述步骤2-3中，通过经验模态分解算法将振动信号分解成各阶IMF分量，具体步骤如下：
步骤a：提取出原始信号即输入的振动数据的极大值点和极小值点，随后利用三次样条插值法，得到上下两条包络线，取上下两条包络线的均值，用原始信号减去该均值，得到一个新的序列，判断该序列是否满足IMF函数的条件，如果满足，则该序列作为第一个IMF分量，若不满足，则将该序列作为初始信号，重复上述步骤直至条件满足；
步骤b：当得到第一个IMF分量之后，将最原始的信号与该分量做差，得到新的分量，该分量作为初始信号，重复步骤a得到各阶IMF分量，直至信号不再满足经验模态分解的条件；
步骤c：将前六阶中的每个IMF IMF分量进行希尔伯特变换，得到解析信号，同时定义瞬时变量，得出希尔伯特谱，之后将该希尔伯特谱对时间积分，得到边际谱，表达式为：
Figure BDA0002525922480000031
该表达式代表一定时间T内的每个IMF分量能量值；
步骤d：根据上述公式，将每个IMF分量包含的能量值作为特征向量，进行归一化处理。
优选地，所述温度传感器采用接触式温度传感器，与发热点直接接触设置，设置报警阈值为70℃，且不同故障对应不同温度区间。
有益效果：本发明提供一种基于多模态数据融合的传送带异常检测方法，相较于传统的单一数据对传送带进行诊断，本发明通过对传送带的振动信号以及温度信号进行分析，使得诊断覆盖面更广，诊断结论准确性更高，针对性更强，同时，采用压力传感器作为触发装置，减少数据规模，同时提高诊断效益，有效的对传送带零件松动，缺少润滑油，碰磨等故障进行诊断，避免产生损失。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
一种基于多模态数据融合的传送带异常检测方法，包括以下步骤：
步骤1、数据收集：通过分布在传送带上的振动传感器，温度传感器收集传送带运行时产生的振动数据和温度数据；
步骤2、数据分析：将压力传感器作为诊断系统的触发器，当触发诊断系统时，调取特定时间段内的振动数据和温度数据并输入进数据分析模块，对数据进行处理，包括特征提取，分类，融合后得出诊断结果；
步骤3、故障处理：通过系统诊断结果生成相应的解决方法并且生成解决方案，便于用户开展线下维护和维修工作。
优选地，所述步骤2中，数据分析具体步骤如下：
步骤2-1：将压力传感器布置于传送带终端，在传送带运行时以特定频率接收压力信号，当特定的频率内未接收到压力信号时，启用诊断系统；
步骤2-2：调取特定时间段内采集到的振动数据和温度数据，并将其输入数据分析模块进行数据分析；
步骤2-3：对输入的振动数据进行特征提取，通过经验模态分解算法将其分解成各阶IMF分量，其中，前六阶包含振动主要能量，计算前六阶的六个分量在该时间周期的能量值作为特征向量，并做归一化处理，将经行归一化处理后的特征向量输入到训练好的支持向量机中，得到振动数据诊断结果；
步骤2-4：对采集到的温度信号进行特征提取，通过设置报警阈值的方法诊断故障，得到温度数据诊断结果；
步骤2-5：使用D-S证据理论对步骤2-3和步骤2-4得到的两种数据诊断结果进行决策，首先，根据先验知识得到融合后可能出现的所有命题，构建D-S证据理论识别框架，之后，为每一个命题分配证据，获得基本概率分配函数，再由信任函数和似然函数确定D-S证据理论识别框架中的信任区间，最后由合成法则得出最终诊断结果。
优选地，所述步骤2-3中，通过经验模态分解算法将振动信号分解成各阶IMF分量，具体步骤如下：
步骤a：提取出原始信号即输入的振动数据的极大值点和极小值点，随后利用三次样条插值法，得到上下两条包络线，取上下两条包络线的均值，用原始信号减去该均值，得到一个新的序列，判断该序列是否满足IMF函数的条件，如果满足，则该序列作为第一个IMF分量，若不满足，则将该序列作为初始信号，重复上述步骤直至条件满足；
步骤b：当得到第一个IMF分量之后，将最原始的信号与该分量做差，得到新的分量，该分量作为初始信号，重复步骤a得到各阶IMF分量，直至信号不再满足经验模态分解的条件；
步骤c：将前六阶中的每个IMF IMF分量进行希尔伯特变换，得到解析信号，同时定义瞬时变量，得出希尔伯特谱，之后将该希尔伯特谱对时间积分，得到边际谱，表达式为：
Figure BDA0002525922480000051
该表达式代表一定时间T内的每个IMF分量能量值；
步骤d：根据上述公式，将每个IMF分量包含的能量值作为特征向量，进行归一化处理。
优选地，所述温度传感器采用接触式温度传感器，与发热点直接接触设置，设置报警阈值为70℃，且不同故障对应不同温度区间。本发明中，发生故障设备温度都会高于70℃，在70℃以上的不同区间内，对应不同故障。
在步骤1中，分别使用振动传感器和温度传感器收集传送带运行时的数据，其中，振动传感器的数据频率以及波形变化往往对应不同故障，比如，在发生松动故障时，振动相位不会发生明显变化，振动以垂直方向为主，拥有二倍频，三倍频等谐波，当发生碰磨故障时，振动的时域波形会有上限的约束。同时，温度信号对于传送带打滑，驱动装置故障等同样具有很好的检测效果。不同故障对应于不同温度区间，在传感器选择上，选择接触式温度传感器，使得响应时间更短，测量精度更高，便于实时监控温度变化，同时，测试点温度远高于室温，使用接触式传感器直接与测试点接触，避免受到气温，环境等因素影响。
本发明的步骤2中，在传送装置末端设置压力传感器，作为故障诊断的触发器，在传送带正常运行的时候，压力传感器都会在固定的频率接收到压力信号，若未在相应时间接收到信号，则调取一个运送周期内振动以及温度数据进行分析。该做法降低了数据分析规模，提高系统工作效率。
本发明的步骤2中的融合阶段，利用混肴矩阵计算两种信号诊断模块的可信度以及加权系数，提取D-S证据体隶属度与基本概率分配。融合阶段步骤为：构建辨识框架和基本概率分配函数，之后确定信任函数和似然函数，得到信任区间，最后利用证据理论组合规则，得到最终决策结果，其中，证据理论的融合具有局限性，如焦元爆炸问题以及证据冲突导致决策结果完全错误。本发明采用修改证据合成规则的方法，设m(A)为识别框架下的基本概率赋值函数，其中包含n个相互独立的证据，在基本赋值函数下的Pignistic概率函数为：
Figure BDA0002525922480000052
其中，Sk是识别框架内的每一个焦元，证据m在经过Pignistic概率函数转化后表示为：
m′＝(BetPm(θ1),BetPm(θ2),…,BetPm(θn))
引入相关系数思想，那么，其中任意两个证据ma、mb之间的冲突程度ρ可以表示为：
Figure BDA0002525922480000061
然后求出证据之间支持程度，最终确定权重系数。权重系数的最终确定属于常规技术手段故而未加详述。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于多模态数据融合的传送带异常检测方法，其特征在于，包括以下步骤：
步骤1、数据收集：通过分布在传送带上的振动传感器，温度传感器收集传送带运行时产生的振动数据和温度数据；
步骤2、数据分析：将压力传感器作为诊断系统的触发器，当触发诊断系统时，调取特定时间段内的振动数据和温度数据并输入进数据分析模块，对数据进行处理，包括特征提取，分类，融合后得出诊断结果；
步骤3、故障处理：通过系统诊断结果生成相应的解决方法并且生成解决方案，便于用户开展线下维护和维修工作。
2.根据权利要求1所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2中，数据分析具体步骤如下：
步骤2-1：将压力传感器布置于传送带终端，在传送带运行时以特定频率接收压力信号，当特定的频率内未接收到压力信号时，启用诊断系统；
步骤2-2：调取特定时间段内采集到的振动数据和温度数据，并将其输入数据分析模块进行数据分析；
步骤2-3：对输入的振动数据进行特征提取，通过经验模态分解算法将其分解成各阶IMF分量，其中，前六阶包含振动主要能量，计算前六阶的六个分量在该时间周期的能量值作为特征向量，并做归一化处理，将经行归一化处理后的特征向量输入到训练好的支持向量机中，得到振动数据诊断结果；
步骤2-4：对采集到的温度信号进行特征提取，通过设置报警阈值的方法诊断故障，得到温度数据诊断结果；
步骤2-5：使用D-S证据理论对步骤2-3和步骤2-4得到的两种数据诊断结果进行决策，首先，根据先验知识得到融合后可能出现的所有命题，构建D-S证据理论识别框架，之后，为每一个命题分配证据，获得基本概率分配函数，再由信任函数和似然函数确定D-S证据理论识别框架中的信任区间，最后采用修改证据合成规则的方法得出最终诊断结果。
3.根据权利要求2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2-3中，通过经验模态分解算法将振动信号分解成各阶IMF分量，具体步骤如下：
步骤a：提取出原始信号即输入的振动数据的极大值点和极小值点，随后利用三次样条插值法，得到上下两条包络线，取上下两条包络线的均值，用原始信号减去该均值，得到一个新的序列，判断该序列是否满足IMF函数的条件，如果满足，则该序列作为第一个IMF分量，若不满足，则将该序列作为初始信号，重复上述步骤直至条件满足；
步骤b：当得到第一个IMF分量之后，将最原始的信号与该分量做差，得到新的分量，该分量作为初始信号，重复步骤a得到各阶IMF分量，直至信号不再满足经验模态分解的条件；
步骤c：将前六阶中的每个IMF IMF分量进行希尔伯特变换，得到解析信号，同时定义瞬时变量，得出希尔伯特谱，之后将该希尔伯特谱对时间积分，得到边际谱，表达式为：
Figure FDA0002525922470000021
该表达式代表一定时间T内的每个IMF分量能量值；
步骤d：根据上述公式，将每个IMF分量包含的能量值作为特征向量，进行归一化处理。
4.根据权利要求1或2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述温度传感器采用接触式温度传感器，与发热点直接接触设置，设置报警阈值为70℃，且不同故障对应不同温度区间。
5.根据权利要求2所述的基于多模态数据融合的传送带异常检测方法，其特征在于，所述步骤2-5中，修改证据合成规则的具体方法如下：
设m(A)为D-S证据理论识别框架下的基本概率赋值函数，其中包含n个相互独立的证据，在基本赋值函数下的Pignistic概率函数为：
Figure FDA0002525922470000022
其中，Sk是识别框架内的每一个焦元，证据m在经过Pignistic概率函数转化后表示为：
m′＝(BetPm(θ1),BetPm(θ2),…,BetPm(θn))
引入相关系数，那么，其中任意两个证据ma、mb之间的冲突程度ρ可以表示为：
Figure FDA0002525922470000023
然后求出证据之间支持程度，最终确定权重系数。
CN202010504208.2A 2020-06-05 2020-06-05 一种基于多模态数据融合的传送带异常检测方法 Pending CN111689169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504208.2A CN111689169A (zh) 2020-06-05 2020-06-05 一种基于多模态数据融合的传送带异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504208.2A CN111689169A (zh) 2020-06-05 2020-06-05 一种基于多模态数据融合的传送带异常检测方法

Publications (1)

Publication Number Publication Date
CN111689169A true CN111689169A (zh) 2020-09-22

Family

ID=72479480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504208.2A Pending CN111689169A (zh) 2020-06-05 2020-06-05 一种基于多模态数据融合的传送带异常检测方法

Country Status (1)

Country Link
CN (1) CN111689169A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113299042A (zh) * 2021-05-24 2021-08-24 淮北市华明工业变频设备有限公司 一种用于工业电器变频设备的安全预警系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4171661B2 (ja) * 2003-02-19 2008-10-22 岡部機械工業株式会社 コンベヤベルトの異常検知装置
CN105046067A (zh) * 2015-07-03 2015-11-11 西北工业大学 基于证据相似度的多传感器信息融合方法
CN105824983A (zh) * 2016-01-15 2016-08-03 中国矿业大学 一种基于emd和粗集理论的故障选线方法
CN108875823A (zh) * 2018-06-12 2018-11-23 吉林大学 基于新的证据衡量标准下证据的组合方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4171661B2 (ja) * 2003-02-19 2008-10-22 岡部機械工業株式会社 コンベヤベルトの異常検知装置
CN105046067A (zh) * 2015-07-03 2015-11-11 西北工业大学 基于证据相似度的多传感器信息融合方法
CN105824983A (zh) * 2016-01-15 2016-08-03 中国矿业大学 一种基于emd和粗集理论的故障选线方法
CN108875823A (zh) * 2018-06-12 2018-11-23 吉林大学 基于新的证据衡量标准下证据的组合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔陈辰: "《矿用胶带运输机故障诊断研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
王莉: "《D-S证据理论在带式输送机故障诊断中的应用》", 《服装学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113138589B (zh) * 2021-03-12 2022-06-07 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113299042A (zh) * 2021-05-24 2021-08-24 淮北市华明工业变频设备有限公司 一种用于工业电器变频设备的安全预警系统

Similar Documents

Publication Publication Date Title
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN111689169A (zh) 一种基于多模态数据融合的传送带异常检测方法
WO2013066916A1 (en) System and method for improving automated defect detection user interface
CN113008583B (zh) 一种旋转机械状态监测和异常自动报警的方法及装置
CN101021723A (zh) 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法
CN113111591B (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN116756642A (zh) 一种基于多模态决策融合的工业物料传送线监测方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
EP3712728A1 (en) Apparatus for predicting equipment damage
CN106656669A (zh) 一种基于阈值自适应设置的设备参数异常检测系统及方法
JP3718765B2 (ja) プラント診断装置
CN116304909A (zh) 一种异常检测模型训练方法、故障场景定位方法及装置
CN112001511A (zh) 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
He et al. A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot
CN108508860B (zh) 一种基于耦合关系的流程工业生产系统数据监测方法
Oliveira-Santos et al. Submersible motor pump fault diagnosis system: A comparative study of classification methods
CN100461043C (zh) 工业聚丙烯生产熔融指数检测故障诊断系统及方法
CN117218405A (zh) 一种电池生产设备故障数字诊断方法
CN117011609A (zh) 纺织品加工进度自动跟踪系统及其方法
CN115186007A (zh) 一种用于监测提醒的机载数据标识实时显示方法及系统
Kozlenko et al. Deep learning based fault detection of natural gas pumping unit
CN100375076C (zh) 特征识别方法及特征识别系统
CN114091574A (zh) 一种电器故障预警方法、装置及终端设备
CN117672255B (zh) 基于人工智能和设备运行声音的异常设备识别方法及系统
CN114004360B (zh) 基于模糊专家模型的智能装备诊断设备和方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200922