CN111832432B - 一种基于小波包分解和深度学习的刀具磨损实时预测方法 - Google Patents
一种基于小波包分解和深度学习的刀具磨损实时预测方法 Download PDFInfo
- Publication number
- CN111832432B CN111832432B CN202010584310.8A CN202010584310A CN111832432B CN 111832432 B CN111832432 B CN 111832432B CN 202010584310 A CN202010584310 A CN 202010584310A CN 111832432 B CN111832432 B CN 111832432B
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- real
- neural network
- feature extraction
- deep learning
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明属于刀具状态监测相关技术领域,其公开了基于小波包分解和深度学习的刀具磨损实时预测方法,包括以下步骤:(1)同步采集工件加工过程中的相关传感器信号,并选取其中稳定的信号段作为待分析的信号段,同时扩充待分析信号样本以增加样本量;对待分析信号进行小波包分解变换,以得到多个小波包系数二维矩阵;(2)小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入,并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵,进而进行特征融合并建立两层全连接网络,由此得到卷积神经网络模型;(3)将待分析的信号数据输入到所述卷积神经网络模型中,以实时预测刀具的磨损量。本发明能降低成本,且适用性强。
Description
技术领域
本发明属于刀具状态监测相关技术领域,更具体地,涉及一种基于小波包分解和深度学习的刀具磨损实时预测方法。
背景技术
刀具磨损状态将会直接影响加工工件表面质量,进而影响工件的良率,长期使用过度磨损状态下的刀具将会极大地影响机床的主轴精度,导致机床需要长时间停机检修。根据相关调研,通过对机床刀具状态进行准确监测,加工过程中机床主轴转速可以提高10%到50%,降低20%机床停机时间,工厂可以节省10%到40%的总成本,因此,刀具状态检测系统具有良好的市场前景。
目前,市场上的主流方法是采用数据驱动的模型来实现刀具磨损实时预测,传统的数据驱动的模型主要是从采集的信号中提取与刀具磨损状态密切相关的敏感特征,然后建立回归模型,并通过后续的模型训练确定这些敏感特征与刀具磨损量之间的关系,从而实现对刀具磨损的准确预测。虽然小波包分解在刀具磨损实时预测方法中已经广泛应用,基于小波包分解实现刀具磨损预测的方法通常是从分解出的各级小波包系数中提取相关的能量特征。但是这类方法具有很大的弊端,敏感特征的提取需要大量的专业知识和特征提取实践经验,而且特征提取过程费时费力,所建立的模型结构较为简单,泛化能力有限,预测结果容易受到外界干扰,导致模型的适用性受限。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于小波包分解和深度学习的刀具磨损实时预测方法,所述预测方法将待分析信号的最后一层的多个小波包系数变换成二维矩阵并作为模型的输入,针对每一个小波包系数二维矩阵建立对应的小波包系数自适应特征提取模型块,然后对所提取的特征进行融合,建立线性回归层,进而实现刀具磨损实时预测。同时,所述预测方法采用PReLU作为数学模型激活函数,采用Adam算法作为模型优化算法,采用监督式学习方法,通过分析加工过程中机床产生的相关信号,建立起目标信号与刀具磨损量之间的关系,从而解决刀具磨损实时预测困难这一问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于小波包分解和深度学习的刀具磨损实时预测方法,所述预测方法包括以下步骤:
(1)同步采集工件加工过程中的各类传感器信号,并选取加工过程中稳定的信号段作为待分析的信号段,同时扩充待分析信号样本以增加样本量;对待分析信号进行小波包分解变换,以得到多个小波包系数二维矩阵;
(2)每个小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入,并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵,进而进行特征融合并建立两层全连接网络,由此得到卷积神经网络模型;
(3)将待分析的信号数据输入到所述卷积神经网络模型中,以实时预测刀具的磨损量。
进一步地,在主轴及工作台上分别安装三向加速度传感器,并安装麦克风传感器,以同步采集工件加工过程中的各类传感器信号。
进一步地,所述传感器信号包括振动信号及麦克风信号。
进一步地,该特征提取CNN模型块由一个卷积核为3×3的卷积层、一个最大池化层、以及若干个特征提取CNN子块组成。
进一步地,每个特征提取CNN子块由两个卷积层和一个最大池化层组成。
进一步地,特征提取CNN模型块的数量为2个,该特征提取CNN模型块的最后一个最大池化层被替换为全局均值池化。
进一步地,所述卷积神经网络模型中所有的权值矩阵的初始化方法为“Xavier”初始化;卷积神经网络模型采用Adam优化算法对卷积神经网络模型的超参数进行优化。
进一步地,所述卷积神经网络模型的损失函数L设置为均方误差函数,具体为:
式中,Y’为卷积神经网络模型的刀具磨损预测值;Y为实际磨损测量值;N为待测试样本数量。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于小波包分解和深度学习的刀具磨损实时预测方法主要具有以下有益效果:
1.本发明基于小波包分解和卷积神经网络,提出了一种新的用于刀具磨损值预测的深度神经网络结构,能够充分挖掘出振动信号和麦克风信号等目标信号内在的诸多与刀具磨损相关的敏感特征,而不需要预先提取任何特征,同时还具有较强的泛化能力。
2.本发明不需要相关的工程人员预先掌握大量的专业知识,省去了繁杂的信号提取和筛选过程,从而大幅度地降低了应用门槛。
3.本发明提出了一种通过快速分析加工过程中相关的信号实现刀具磨损量有效实时预测的方案,为企业高效科学换刀提供了有力的工具,借助本发明的方案,企业能够提高车间的信息化水平,大幅度地减少机床的停机时间,从而极大降低生产成本。
附图说明
图1是本发明提供的基于小波包分解和深度学习的刀具磨损实时预测方法的流程示意图;
图2是各种传感器的安装示意图;
图3是数据预处理的示意图;
图4是特征提取CNN模型块的结构示意图;
图5是卷积神经网络模型的结构示意图;
图6是本发明得到的预测结果与实际结果的对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1、图2、图3及图4,本发明提供的基于小波包分解和深度学习的刀具磨损实时预测方法,所述实时预测方法主要包括以下步骤:
S1数据采集、存储与预处理。具体地包括以下子步骤:
S11,在主轴及工作台上分别安装三向加速度传感器,并安装麦克风传感器,以同步采集工件加工过程中的各类传感器信号。所述传感器信号包括声发射信号、麦克风信号及振动信号。本实施方式采用的铣削方式为顺铣,加工参数如表1所示:
表1加工参数
S12,对采集到的传感器信号进行必要的降噪处理,并选取加工过程中稳定的信号段作为待分析的信号段,适当扩充待分析信号样本以增加样本量。同时还将样本划分为训练集、验证集和测试集,其中,待分析信号段的长度为4096,采用平均样本增加算法来增加样本量,具体为:
a=(L-l)×k/t,k∈{0,1,...,t-1
式中,第k个样本从a点开始,L代表信号长度,l代表小样本长度,t表示样本增加倍数,且t∈N+。本实施方式以主轴处传感器Y向振动信号为例,其他信号依次类推。
S13,对待分析信号进行小波包分解变换,取最后一层分解结果,以得到多个小波包系数矩阵。本实施方式采用db3小波对待测信号进行3层分解,取最后一层分解结果,获得了8个小波包系数矩阵,每个小波包系数矩阵适当删去首尾部分数据后都折叠成32×32矩阵。
S2构建卷积神经网络模型,并对该卷积神经网络模型进行训练。具体地包括以下子步骤:
S21,每个小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入。该特征提取CNN模型块由一个卷积核为3×3的卷积层,一个最大池化层,以及若干个特征提取CNN子块组成,结果最终会“压平”成一维矩阵。每个特征提取CNN子块由两个卷积层和一个最大池化层组成。所有的卷积层卷积核数量为128,卷积核尺寸为3×3,步长为1×1;最大池化层的池化核尺寸为3×3,步长为2×2。
本实施方式中特征提取CNN模型块的数量确定为2个;为了减少网络参数避免过拟合,特征提取CNN模型块的最后一个最大池化层将会替换为全局均值池化。
S22,将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵,进行特征融合并建立两层全连接层网络,由此得到卷积神经网络模型。具体地,请参阅图5,特征融合方式可表示为Concatenation=[M1,M2,...,M8];建立两层全连接层网络,顶层节点数为1。为防止模型过拟合,全连接层网络之间加入Dropout层,可以表示为:
r~Bernoulli(p)
yout=r*yin
其中*代表Hadamard乘积,Bernoulli函数用于生成概率r参数,p为生成概率,本实施方式中p设置为0.5;yin为Dropout层输入,yout为Dropout层输出。本实施方式中全连接层网络中间层节点数为256,卷积神经网络模型的激活函数设置为PReLU,可表示为:
PReLU(x)=max{x,αx}
其中x为输入特征图,max为取极大值函数,α∈[0,1),且α为可训练的参数,可根据模型的梯度更新。卷积神经网络模型输出可表示为:
y=Wx+b
其中x为输入特征图,W为权值矩阵,b为偏置矩阵。
S23,利用训练集对卷积神经网络模型进行训练,卷积神经网络模型中所有的权值矩阵的初始化方法为“Xavier”初始化。定义参数所在层的输入维度为m,输出维度为n,那么参数W满足:
卷积神经网络模型采用Adam优化算法对卷积神经网络模型相关超参数进行优化,卷积神经网络模型的损失函数L设置为均方误差(MSE)函数可定义为:
其中,Y’为卷积神经网络模型的刀具磨损预测值,Y为实际磨损测量值,N为待测试样本数量。
S3将测试集输入到训练好的卷积神经网络模型中,以实时预测刀具的磨损量。具体地,请参阅图6,为了评价卷积神经网络模型的预测准确率,选取平均绝对误差MAE、均方根误差RMSE和R2决定系数作为评价指标。为减少随机误差的影响,每组实验重复5次,每次实验的评价指标的均值将会作为最终的评价指标,同时考虑实验的标准差。评价指标可以表达为:
式中,y’为预测值,y为实际值,N为测试样本数。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:
(1)同步采集工件加工过程中的各类传感器信号,并选取加工过程中稳定的信号段作为待分析的信号段,同时扩充待分析信号样本以增加样本量;采用db3小波对待分析信号进行3层分解,取最后一层分解结果,以得到多个小波包系数二维矩阵;其中,待分析样本包括训练集及测试集;
(2)每个小波包系数二维矩阵对应都作为一个特征提取CNN模型块的输入,并将每个特征提取CNN模型块输出的一维特征矩阵拼接成更长的一维矩阵,进而进行特征融合并建立两层全连接网络,由此得到卷积神经网络模型,并采用训练集对该卷积神经网络模型进行训练;
(3)将测试集输入到训练好的卷积神经网络模型中,以实时预测刀具的磨损量。
2.如权利要求1所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:在主轴及工作台上分别安装三向加速度传感器,并安装麦克风传感器,以同步采集工件加工过程中的各类传感器信号。
3.如权利要求2所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:所述传感器信号包括振动信号及麦克风信号。
4.如权利要求1所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:该特征提取CNN模型块由一个卷积核为3×3的卷积层、一个最大池化层、以及若干个特征提取CNN子块组成。
5.如权利要求4所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:每个特征提取CNN子块由两个卷积层和一个最大池化层组成。
6.如权利要求4所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:特征提取CNN子块的数量为2个,第二个特征提取CNN子块的最后一个最大池化层被替换为全局均值池化。
7.如权利要求1-6任一项所述的基于小波包分解和深度学习的刀具磨损实时预测方法,其特征在于:所述卷积神经网络模型中所有的权值矩阵的初始化方法为“Xavier”初始化;卷积神经网络模型采用Adam优化算法对卷积神经网络模型的超参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584310.8A CN111832432B (zh) | 2020-06-23 | 2020-06-23 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584310.8A CN111832432B (zh) | 2020-06-23 | 2020-06-23 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832432A CN111832432A (zh) | 2020-10-27 |
CN111832432B true CN111832432B (zh) | 2022-03-18 |
Family
ID=72898348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584310.8A Active CN111832432B (zh) | 2020-06-23 | 2020-06-23 | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832432B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313198B (zh) * | 2021-06-21 | 2022-08-19 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
CN113554621B (zh) * | 2021-07-23 | 2023-09-22 | 江苏科技大学 | 基于小波尺度图和深度迁移学习的刀具磨损状态识别系统及识别方法 |
CN114239810B (zh) * | 2021-12-21 | 2024-09-03 | 华中科技大学 | 一种基于改进PCANet模型的铣刀磨损预测方法 |
CN114209325B (zh) * | 2021-12-23 | 2023-06-23 | 东风柳州汽车有限公司 | 驾驶员疲劳行为监控方法、装置、设备及存储介质 |
CN114371649A (zh) * | 2022-01-10 | 2022-04-19 | 江苏大学 | 一种基于卷积神经网络的喷雾流量调控系统与方法 |
CN117961645B (zh) * | 2024-03-29 | 2024-05-28 | 中国矿业大学 | 一种面向小样本噪声数据的刀具磨损软测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319962B (zh) * | 2018-01-29 | 2021-11-23 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
CN108356606B (zh) * | 2018-03-19 | 2020-05-01 | 西北工业大学 | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 |
CN108942409B (zh) * | 2018-08-26 | 2020-05-12 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
KR102093929B1 (ko) * | 2018-12-05 | 2020-03-26 | 중앙대학교 산학협력단 | Cim 기반의 시스템 건전성 진단을 위한 장치 및 방법 |
CN109822399B (zh) * | 2019-04-08 | 2020-07-14 | 浙江大学 | 基于并行深度神经网络的数控机床刀具磨损状态预测方法 |
CN110488607A (zh) * | 2019-08-13 | 2019-11-22 | 湘潭大学 | 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法 |
CN110555243B (zh) * | 2019-08-13 | 2023-11-10 | 中国一拖集团有限公司 | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 |
CN110693493B (zh) * | 2019-10-12 | 2022-05-31 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 |
CN111160176B (zh) * | 2019-12-19 | 2022-09-06 | 南京理工大学 | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 |
-
2020
- 2020-06-23 CN CN202010584310.8A patent/CN111832432B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107584334A (zh) * | 2017-08-25 | 2018-01-16 | 南京航空航天大学 | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832432A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832432B (zh) | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 | |
CN110153802B (zh) | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 | |
CN113664612A (zh) | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 | |
CN111687689A (zh) | 一种基于lstm和cnn的刀具磨损状态预测方法及装置 | |
Wang et al. | On line tool wear monitoring based on auto associative neural network | |
CN110561191B (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
CN110576336A (zh) | 基于ssae-lstm模型的深孔加工刀具磨损量监测方法 | |
CN111400040B (zh) | 基于深度学习和边缘计算的工业互联网系统及工作方法 | |
CN113601261B (zh) | 一种面向刀具的在线快速优化模型的监测方法 | |
CN111716150A (zh) | 一种刀具状态智能监测的进化学习方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
CN115994308B (zh) | 基于元学习的数控机床故障识别方法、系统、设备及介质 | |
CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
CN112001115B (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN114239810A (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
CN112763215A (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN113076920A (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113496061A (zh) | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 | |
CN114048682B (zh) | 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
CN115186574A (zh) | 一种基于门控循环残差网络的刀具剩余寿命预测方法 | |
CN113625336B (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 |
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 |