CN111796173B - 局部放电模式识别方法、计算机设备和存储介质 - Google Patents
局部放电模式识别方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111796173B CN111796173B CN202010810562.8A CN202010810562A CN111796173B CN 111796173 B CN111796173 B CN 111796173B CN 202010810562 A CN202010810562 A CN 202010810562A CN 111796173 B CN111796173 B CN 111796173B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- identification model
- lstm
- model based
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
Abstract
本发明提出一种局部放电模式识别方法,包括以下步骤:采集高压电缆局部放电信号对应的数据,得到训练数据和测试数据;对训练数据进行预处理;构建基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型,将完成预处理的训练数据及测试数据分别输入上述识别模型中进行训练;将测试数据输入上述识别模型中进行测试,调节各识别模型的权重进行调整,得到完成训练的识别模型;采集现场高压电缆局放信号,并输入完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,输出得到局部放电模式识别结果。本发明还提出了一种实现上述方法的计算机设备和计算机可读存储介质。
Description
技术领域
本发明涉及局部放电识别技术领域,更具体地,涉及一种局部放电模式识别方法、计算机设备和存储介质。
背景技术
局部放电的模式和缺陷是高压电缆设备绝缘诊断的重要指标之一。通过高压电缆局部放电的模式识别可以有效发现在运电缆的潜在问题,局放的模式多样,涉及到不同的产生原因,不同类型的局放对电缆的伤害也不同,因此局放分析对于指导电缆的维护有着重要意义。
目前,局放的模式识别主要通过局放图谱进行识别,如公开号为CN108169643A(公开日:2018-06-15)提出的一种用于电缆局部放电模式识别的方法,通过计算周期内的图谱数据对应于每个相位窗内的特征值,并对其进行分析处理后进一步分类识别。然而,这种局放模式识别方法仅针对电缆局部放电数据的周期内图谱数据进行分析,没有考虑电缆局部放电数据的噪声等影响因素,存在电缆局部放电模式识别准确率较低的问题。
发明内容
本发明为克服上述现有技术所述的电缆局部放电模式识别准确率较低的缺陷,提供一种局部放电模式识别方法,以及实现局部放电模式识别方法的计算机设备和存储介质。
为解决上述技术问题,本发明的技术方案如下:
局部放电模式识别方法,包括以下步骤:
S1:采集高压电缆局部放电信号对应的数据,得到训练数据和测试数据;
S2:对训练数据进行预处理;
S3:构建基于长短期记忆人工神经网络(LSTM,Long Short-Term Memory)的识别模型、基于卷积神经网络(Convolutional Neural Networks,CNN)的识别模型、基于堆栈去噪自编码神经网络(stacked denoised autoencoder,SDAE)的识别模型,将完成预处理的训练数据及测试数据分别输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行训练;
S4:将测试数据输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行测试,对基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型的权重进行调整,得到完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型;
S5:采集现场高压电缆局放信号,并输入完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,输出得到局部放电模式识别结果。
优选地,S1步骤中,其具体步骤如下:通过现场采集及通过采集实验室试验数据获得高压电缆局部放电信号对应的数据。
优选地,S1步骤中,还包括以下步骤:将通过采集实验室试验数据获得的高压电缆局部放电信号对应的数据进行划分,其中70%作为训练数据,30%作为测试数据;将通过现场采集获得的高压电缆局部放电信号对应的数据加入测试数据中。
优选地,S2步骤中,对训练数据进行预处理的具体步骤如下:提取训练数据的时间序列相关特征、图谱特征和脉冲特征。
优选地,S3步骤中,其具体步骤如下:将训练数据的时间序列相关特征输入基于LSTM的识别模型中进行训练,将训练数据的图谱特征输入基于CNN的识别模型中进行训练,将训练数据的脉冲特征输入基于SDAE的识别模型中进行训练。
优选地,基于LSTM的识别模型中,包括遗忘门、输入门、输出门。
优选地,S3步骤中,将训练数据的时间序列相关特征输入基于LSTM的识别模型中进行训练的具体步骤如下:
S3.1:设定当前时刻t以及上一时刻t-1;
S3.2:记录上一时刻t-1的识别结果ht-1、上一时刻的识别结果Ct-1、当前时刻需要识别的数据xt;
S3.3:在遗忘门中判断在模式识别过程中需要丢弃的信息;其表达公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,σ表示sigmoid函数,Wf表示遗忘门选择信息时的选择权重,bf表示遗忘门选择信息时的计算附加固定常数;当计算结果为1时信息“全部保留”,计算结果为0时信息“全部丢弃”;
S3.4:在输入门中决定用于模式识别的数据;其表达公式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it表示通过输入门中sigmoid层进行信息更新后的函数,Wi表示信息通过输入门进行信息更新时的权重,bi表示信息通过输入门进行信息更新时的计算附加固定常数;表示生成新的候选信息值,Wc表示生成新的候选信息值时的计算权重,bc表示生成新的候选信息值时的计算附加固定常数;
S3.5:在输出门中确定要输出的识别结果ht;其表达公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct);
优选地,S5步骤中,其具体步骤如下:
S5.1:采集现场高压电缆局放信号对应的数据,并将其划分为第一数据集、第二数据集、第三数据集;
S5.2:将第一数据集、第二数据集、第三数据集分别输入完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,得到基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果;
S5.3:将输出得到的基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果进行加权平均,输出得到局部放电模式识别结果。
本发明还提出了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一技术方案的局部放电模式识别方法的步骤。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一技术方案的局部放电模式识别方法的步骤。
与现有技术相比,本发明技术方案的有益效果是:本发明采用多种神经网络分别构建局部放电模式识别模型,综合LSTM神经网络对时间特征序列数据的分析能力、CNN神经网络对图谱的分析能力、SDAE神经网络对噪声的分析能力,能够对局放数据进行多方面综合识别,有效提高局部放电模式识别准确度,提高局部放电模式识别的容错率。
附图说明
图1为本发明的局部放电模式识别方法的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例提出一种局部放电模式识别方法,如图1所示,为本实施例的局部放电模式识别方法的流程图。
本实施例提出的局部放电模式识别方法中,包括以下步骤:
S1:采集高压电缆局部放电信号对应的数据,得到训练数据和测试数据。
本实施例中,通过现场采集及通过采集实验室试验数据获得高压电缆局部放电信号对应的数据,其中,将通过采集实验室试验数据获得的高压电缆局部放电信号对应的数据进行划分,70%作为训练数据,30%作为测试数据;将通过现场采集获得的高压电缆局部放电信号对应的数据加入测试数据中。
S2:对训练数据进行预处理。
本实施例中,对训练数据进行预处理的步骤包括提取训练数据的时间序列相关特征、图谱特征和脉冲特征。
S3:构建基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型,将完成预处理的训练数据及测试数据分别输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行训练,具体地,将训练数据的时间序列相关特征输入基于LSTM的识别模型中进行训练,将训练数据的图谱特征输入基于CNN的识别模型中进行训练,将训练数据的脉冲特征输入基于SDAE的识别模型中进行训练。
本实施例中,构建基于LSTM的识别模型,其中包括遗忘门、输入门、输出门。
本实施例中,对基于LSTM的识别模型进行训练的具体步骤如下:
S3.1:设定当前时刻t以及上一时刻t-1;
S3.2:记录上一时刻t-1的识别结果ht-1、上一时刻的识别结果Ct-1、当前时刻需要识别的数据xt;
S3.3:在遗忘门中判断在模式识别过程中需要丢弃的信息;其表达公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,σ表示sigmoid函数,Wf表示遗忘门选择信息时的选择权重,bf表示遗忘门选择信息时的计算附加固定常数;当计算结果为1时信息“全部保留”,计算结果为0时信息“全部丢弃”;
S3.4:在输入门中决定用于模式识别的数据;其表达公式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it表示通过输入门中sigmoid层进行信息更新后的函数,Wi表示信息通过输入门进行信息更新时的权重,bi表示信息通过输入门进行信息更新时的计算附加固定常数;表示生成新的候选信息值,Wc表示生成新的候选信息值时的计算权重,bc表示生成新的候选信息值时的计算附加固定常数;
S3.5:在输出门中确定要输出的识别结果ht;其表达公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct);
S4:将测试数据输入基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行测试,对基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型的权重进行调整,得到完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型。
S5:采集现场高压电缆局放信号,并输入完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,输出得到局部放电模式识别结果。其具体步骤如下:
S5.1:采集现场高压电缆局放信号对应的数据,并将其划分为第一数据集、第二数据集、第三数据集;
S5.2:将第一数据集、第二数据集、第三数据集分别输入完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,得到基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果;
S5.3:将输出得到的基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果进行加权平均,输出得到局部放电模式识别结果。
本实施例中,基于长短期记忆人工神经网络(LSTM,Long Short-Term Memory)构建识别模型,其中LSTM有较强的对于间隔较长时间的数据的预测和处理能力,能够通过上一阶段以及当前阶段数据的采集处理,能够对高压电缆局放数据的时间特征进行深度挖掘分析。
此外,结合基于卷积神经网络(Convolutional Neural Networks,CNN)构建的识别模型和基于堆栈去噪自编码神经网络(stacked denoised autoencoder,SDAE)构建的识别模型,其中CNN神经网络针对图像处理能力强大,因此应用于对局放图谱进行局放模式识别,SDAE神经网络对噪声处理能力较强,因此应用于对脉冲特征数据进行局放模式识别,最后将上述三种识别模型输出的识别结果进行加权平均,得到最终的识别结果具有准确率高、容错率高的特点。
进一步地,本实施例还提出一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现本实施例的局部放电模式识别方法的步骤。
进一步地,本实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本实施例的局部放电模式识别方法的步骤。
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.局部放电模式识别方法,其特征在于,包括以下步骤:
S1:采集高压电缆局部放电信号对应的数据,得到训练数据和测试数据;
S2:对所述训练数据进行预处理,提取所述训练数据的时间序列相关特征、图谱特征和脉冲特征;
S3:构建基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型,将所述完成预处理的训练数据及测试数据分别输入所述基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行训练;其中,将所述训练数据的时间序列相关特征输入所述基于LSTM的识别模型中进行训练,将所述训练数据的图谱特征输入所述基于CNN的识别模型中进行训练,将所述训练数据的脉冲特征输入所述基于SDAE的识别模型中进行训练;
S4:将测试数据输入所述基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中进行测试,对所述基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型的权重进行调整,得到完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型;
S5:采集现场高压电缆局放信号,并输入所述完成训练的于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,输出得到局部放电模式识别结果。
2.根据权利要求1所述的局部放电模式识别方法,其特征在于,所述S1步骤中,其具体步骤如下:通过现场采集及通过采集实验室试验数据获得高压电缆局部放电信号对应的数据。
3.根据权利要求2所述的局部放电模式识别方法,其特征在于,所述S1步骤中,还包括以下步骤:将通过采集实验室试验数据获得的高压电缆局部放电信号对应的数据进行划分,其中70%作为训练数据,30%作为测试数据;将所述通过现场采集获得的高压电缆局部放电信号对应的数据加入测试数据中。
4.根据权利要求1所述的局部放电模式识别方法,其特征在于,所述基于LSTM的识别模型中,包括遗忘门、输入门、输出门。
5.根据权利要求4所述的局部放电模式识别方法,其特征在于,所述S3步骤中,将所述训练数据的时间序列相关特征输入所述基于LSTM的识别模型中进行训练的具体步骤如下:
S3.1:设定当前时刻t以及上一时刻t-1;
S3.2:记录上一时刻t-1的识别结果ht-1、上一时刻的识别结果Ct-1、当前时刻需要识别的数据xt;
S3.3:在遗忘门中判断在模式识别过程中需要丢弃的信息;其表达公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,σ表示sigmoid函数,Wf表示遗忘门选择信息时的选择权重,bf表示遗忘门选择信息时的计算附加固定常数;当计算结果为1时表示信息“全部保留”,计算结果为0时表示信息“全部丢弃”;
S3.4:在输入门中决定用于模式识别的数据;其表达公式如下:
it=σ(Wi·[ht-1,xt]+bi)
其中,it表示通过输入门中sigmoid层进行信息更新后的函数,Wi表示信息通过输入门进行信息更新时的权重,bi表示信息通过输入门进行信息更新时的计算附加固定常数;表示生成新的候选信息值,Wc表示生成新的候选信息值时的计算权重,bc表示生成新的候选信息值时的计算附加固定常数;
S3.5:在输出门中确定要输出的识别结果ht;其表达公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct);
6.根据权利要求1~5任一项所述的局部放电模式识别方法,其特征在于,所述S5步骤中,其具体步骤如下:
S5.1:采集现场高压电缆局放信号对应的数据,并将其划分为第一数据集、第二数据集、第三数据集;
S5.2:将所述第一数据集、第二数据集、第三数据集分别输入所述完成训练的基于LSTM的识别模型、基于CNN的识别模型、基于SDAE的识别模型中,得到基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果;
S5.3:将输出得到的基于LSTM的识别结果、基于CNN的识别结果、基于SDAE的识别结果进行加权平均,输出得到局部放电模式识别结果。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的局部放电模式识别方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的局部放电模式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810562.8A CN111796173B (zh) | 2020-08-13 | 2020-08-13 | 局部放电模式识别方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010810562.8A CN111796173B (zh) | 2020-08-13 | 2020-08-13 | 局部放电模式识别方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111796173A CN111796173A (zh) | 2020-10-20 |
CN111796173B true CN111796173B (zh) | 2022-01-21 |
Family
ID=72834406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010810562.8A Active CN111796173B (zh) | 2020-08-13 | 2020-08-13 | 局部放电模式识别方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111796173B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252738B (zh) * | 2021-12-24 | 2022-10-18 | 华中科技大学 | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169643A (zh) * | 2018-01-30 | 2018-06-15 | 西南石油大学 | 一种用于电缆局部放电模式识别的方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201315089D0 (en) * | 2013-08-23 | 2013-10-09 | Camlin Technologies Ltd | Diagnostic method for automatic discrimination of phase-to-ground partial discharge, phase-to-phase partial discharge and electromagnetic noise |
WO2015084726A1 (en) * | 2013-12-02 | 2015-06-11 | Qbase, LLC | Event detection through text analysis template models |
US11507064B2 (en) * | 2016-05-09 | 2022-11-22 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for industrial internet of things data collection in downstream oil and gas environment |
CN106875395B (zh) * | 2017-01-12 | 2020-04-14 | 西安电子科技大学 | 基于深度神经网络的超像素级sar图像变化检测方法 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
CN109599872B (zh) * | 2018-12-29 | 2022-11-08 | 重庆大学 | 基于堆栈降噪自动编码器的电力系统概率潮流计算方法 |
CN111178388B (zh) * | 2019-12-05 | 2022-06-17 | 上海交通大学 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
-
2020
- 2020-08-13 CN CN202010810562.8A patent/CN111796173B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169643A (zh) * | 2018-01-30 | 2018-06-15 | 西南石油大学 | 一种用于电缆局部放电模式识别的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111796173A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN110491465B (zh) | 基于深度学习的疾病分类编码方法、系统、设备及介质 | |
EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN110826525A (zh) | 一种人脸识别的方法及系统 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
CN112885372A (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
CN112270240B (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
CN114722950B (zh) | 一种多模态的多变量时间序列自动分类方法及装置 | |
CN111796173B (zh) | 局部放电模式识别方法、计算机设备和存储介质 | |
CN112434743A (zh) | 基于gil金属微粒局部放电时域波形图像的故障识别方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114218988A (zh) | 一种样本不均衡下的单向接地故障馈线识别方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN113487223A (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
US6941288B2 (en) | Online learning method in a decision system | |
CN112244863A (zh) | 信号识别方法、信号识别装置、电子设备及可读存储介质 | |
CN113080847B (zh) | 基于图的双向长短期记忆模型诊断轻度认知障碍的装置 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN112309577A (zh) | 一种优化帕金森语音数据的多模态特征选择方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |