CN111912521B - 一种非平稳信号的频率检测方法和存储介质 - Google Patents
一种非平稳信号的频率检测方法和存储介质 Download PDFInfo
- Publication number
- CN111912521B CN111912521B CN202010826885.6A CN202010826885A CN111912521B CN 111912521 B CN111912521 B CN 111912521B CN 202010826885 A CN202010826885 A CN 202010826885A CN 111912521 B CN111912521 B CN 111912521B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- fourier transform
- time fourier
- stationary signal
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Abstract
本发明提供了一种非平稳信号的频率检测方法和存储介质,所述检测方法根据所述非平稳信号的峭度大小选择短时傅里叶变换的窗函数,同时引入了多重同步压缩变换和数据融合方式来提高时频变换结果的能量集中度和频率分辨度,进而通过脊线提取算法可以实现精确的非平稳信号的频率检测。
Description
技术领域
本发明属于信号频率检测技术领域,具体是涉及到一种非平稳信号的频率检测方法和存储介质。
背景技术
诸如水轮发电机组等设备中的非平稳信号(如大轴的振动信号)的频谱可能会随着所述设备发生故障(机械部件连接松动或脱落、各部件之间发生非正常摩擦、部件安装位置不够精准等)而有所变化,因此我们通常需要检测这些设备的非平稳信号的频率,以根据所述频率的频谱变化来判断所述设备的故障状态。
时频分析方法在非平稳信号的频率检测技术领域被广泛运用,通过时频分析方法对非平稳信号进行分析得到它的时频表示结果,即可得到非平稳信号的各频率成分及其随时间变化趋势,然后通过脊线提取算法就可以检测出非平稳信号的频率。
然而,现有的时频分析方法中,在对非平稳信号进行短时傅里叶变换时,窗函数的选择使得时频变换结果的能量聚集性不高,给后续的频率测量带来很大误差,此外,现有的时频分析方法是直接在传统的线性时频变换的结果上实现频率检测,非平稳信号的瞬时频率的能量分布比较分散,检测精准度低。
发明内容
有鉴于此,本发明提供了一种非平稳信号的频率检测方法和存储介质,以解决现有非平稳信号的频率检测精准度低的问题。
一种非平稳信号的频率检测方法,包括:
计算所述非平稳信号的峭度,
根据所述峭度的大小选择窗函数的类型,
分别用多个不同长度的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以分别获得多个加窗短时傅里叶变换表示,
对多个所述加窗短时傅里叶变换结果进行融合,以获得所述非平稳信号的时频分析结果,
根据所述时频分析结果进行计算,以获得所述非平稳信号的频率随时间变化的曲线作为检测结果。
优选地,在计算所述非平稳信号的峭度之前还包括:先将所述非平稳信号中的直流成分和高频成分过滤掉,所述非平稳信号为振动信号。
优选地,所述的频率检测方法还包括:在将多个所述加窗短时傅里叶变换表示进行所述融合之前,采用所述多重匹配同步压缩变换算法对多个所述加窗短时傅里叶变换表示分别进行多次算法迭代,得到得到多个优化的所述加窗短时傅里叶变换表示,
对多个优化的所述加窗短时傅里叶变换表示进行加权平均,以获得加权平均值作为所述时频分析结果。
优选地,采用脊线提取算法对所述时频分析结果进行计算。
优选地,将所述非平稳信号中的直流成分和高频成分过滤掉的步骤包括:
在采集所述非平稳信号后,对所述非平稳信号进行去均值操作,以过滤掉所述非稳定信号中的直流成分,
通过一个截止频率为预设频率的低通滤波器过滤掉所述非稳定信号的高频成分。
优选地,当所述峭度的值小于3时,选择长度为N的布莱克曼窗进行一次卷积后的序列作为所述短时傅里叶变换的窗函数,
当所述峭度的值大于或等于3时,选择长度为N的汉宁窗和长度为N的汉宁窗进行卷积后的序列作为短时傅里叶变换的窗函数。
优选地,分别用长度为N和2N的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以获得两个所述加窗短时傅里叶变换表示。
优选地,所述多重匹配同步压缩变换压通过确定多重匹配瞬时频率估计算子分别对多个所述加窗短时傅里叶变换表示进行频带压缩,以分别优化所述加窗短时傅里叶变换表示,
确定所述多重匹配瞬时频率估计算子的步骤包括:
其中t为时间参量,为ω数字域频率参量。
优选地,采用脊线提取算法对所述时频分析结果进行计算的步骤包括:
将所述时频分析结果分割成M个子块,
分别对M个所述子块运行脊线提取算法,以分别获得各个所述子块的瞬时频率曲线,
根据所述时频分析结果的能量分布和瞬时频率变化曲线的光滑度将各个所述子模块对应的各个所述瞬时频率曲线进行并接,以获得所述检测结果。
一种存储介质,所述存储介质为可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如上述任意一项所述的频率检测方法。
本发明的有益效果一:本发明通过计算经过所述预处理的非稳定信号的峭度大小来选择窗函数的类型,使窗函数与非平稳信号更匹配,从而得到效果更好的加窗短时傅里叶变换结果,有利于提高频率检测的精准度。
本发明的有益效果二:发明通过多层匹配同步压缩算法对短时加窗傅里叶变换表示进行优化后再进行融合来得到一个能量集中度非常高的时频分析结果,有效的降低了频率检测误差度。
本发明的有益效果三:本发明先对所述非稳定信号的时频分析结果分成若干个子块,然后考虑每个子块的能量分布,对每个子块运用脊线提取算法,然后根据整体时频图的能量分布和曲线的光滑程度,选择出最佳的表征所述非稳定信号的频率随时间变化曲线,从而提高了所述非稳定信号的频率检测精度。
附图说明
图1为依据本发明实施例提供的一种非平稳信号的频率检测方法的方法流程示意图;
图2为依据本发明实施例提供的与长度为N的窗函数对应的加窗短时傅里叶变换表示图;
图3为依据本发明实施例提供的与长度为2N的窗函数对应的加窗短时傅里叶变换表示图;
图4为对图2进行多重匹配同步压缩后获得的优化的加窗短时傅里叶变换表示图;
图5为与图3进行多重匹配同步压缩后获得的优化的加窗短时傅里叶变换表示图;
图6为依据本发明实施例提供的时频分析结果示意图;
图7为依据本发明实施例提供的非平稳信号的检测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所产生的所有其他实施例,都属于本发明保护的范围。此外需要说明的是,在具体实施方式这一项内容中“所述…”是仅指本发明的中的技术属于或特征。
图1为依据本发明实施例提供的一种非平稳信号的频率检测方法的方法流程示意图,图2为依据本发明实施例提供的与长度为N的窗函数对应的加窗短时傅里叶变换表示图,图3为依据本发明实施例提供的与长度为2N的窗函数对应的加窗短时傅里叶变换表示图,图4为对图2进行多重匹配同步压缩后获得的优化的加窗短时傅里叶变换表示图,图5为与图3进行多重匹配同步压缩后获得的优化的加窗短时傅里叶变换表示图,图6为依据本发明实施例提供的时频分析结果示意图。下面我们将结合图1至图6具体阐述本发明。
本实施例提供的非平稳信号的频率检测方法主要包括:在采集所述非平稳信号后,先将所述非平稳信号中的直流成分和高频成分过滤掉,例如对所述非平稳信号进行去均值操作,以过滤掉所述非稳定信号中的直流成分,通过一个截止频率为预设频率的低通滤波器过滤掉所述非稳定信号的高频成分;然后计算所述非平稳信号的峭度,并根据所述峭度的大小选择窗函数的类型;接着分别用多个不同长度的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以分别获得多个加窗短时傅里叶变换表示;再接着对多个所述加窗短时傅里叶变换结果进行融合,以获得所述非平稳信号的时频分析结果;最后根据所述时频分析结果进行计算,如采用脊线提取算法对所述时频分析结果进行计算,以获得所述非平稳信号的频率随时间变化的曲线作为检测结果。此外,在依据本发明的另一实施例中所述的频率检测方法,在将多个所述加窗短时傅里叶变换表示进行所述融合之前,先采用所述多重匹配同步压缩变换算法对多个所述加窗短时傅里叶变换表示分别进行多次算法迭代,得到多个优化的所述加窗短时傅里叶变换表示。所述融合的步骤具体为:对多个优化的所述加窗短时傅里叶变换表示进行加权平均,以获得加权平均值作为所述时频分析结果。
依据本发明提供的频率检测方法的一种具体方法流程图如图1所示,本实施例中的所述平稳信号为水利发动机的振动数据(振动信号)。在所述频率检测流程开始后,首先,对读取的所述振动数据进行预处理,即先将所述振动数据中的直流成分和高频成分过滤掉,例如对所述振动数据进行去均值操作,以过滤掉所述振动数据中的直流成分,通过一个截止频率为预设频率的低通滤波器过滤掉所述振动数据的高频成分,滤波后的所述振动数据为长度为L的振动信号x(n)。然后,计算预处理后的所述振动数据的峭度K,并判断所述峭度K是否大于或等于3,若是,则选择长度为N的hanning(汉宁)窗和长度为N的hanning窗进行卷积后的序列作为短时傅里叶变换的窗函数,若否,则选择长度为N的布莱克曼窗进行一次卷积后的序列作为所述短时傅里叶变换的窗函数。在确定窗函数的类型后,该类型的所述窗函数下,分别采用长度为N和2N的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以分别获得两个所述加窗短时傅里叶变换表示GN(t,ω)和G2N(t,ω),所述加窗短时傅里叶变换表示GN(t,ω)和G2N(t,ω)的示图分别为图2和图3。然后将所获得的两个所述加窗短时傅里叶变换表示分别通过所述多重匹配同步压缩变换进行所述优化后加窗短时傅里叶变换表示,并将优化的所述短时加窗傅里叶变换表示进行所述融合,以获得优化后的优化后的时频变换结果(所述时频分析结果),最后利用脊线提取算法对所述时频分析结果进行计算,以获得所述非平稳信号的频率随时间变化的曲线作为检测结果,直至所述频率检测流程结束。
通过所述多重匹配同步压缩变换对加窗短时傅里叶变换表示GN(t,ω)和G2N(t,ω)进行优化的步骤为:采用多重匹配同步压缩变换算法对加窗短时傅里叶变换结果GN(t,ω)和G2N(t,ω)分别进行4次迭代算法操作,以分别得到第4次迭代算法的结果GN [4](t,ω)和G2N [4](t,ω)作为所述加窗短时傅里叶变换结果GN(t,ω)和G2N(t,ω)的优化结果,GN [4(t,ω)和G2N [4](t,ω)的示图分别为图4和图5所示,然后对所述迭代算法的结果进行加权平均操作,以将所述迭代算法的结果的加权平均值作为所述时频分析结果G[4](t,ω),G[4](t,ω)的示图如图6所示,所述时频分析结果相应的计算公式(1)为:
G[4](t,ω)=1/3GN [4](t,ω)+2/3G2N [4](t,ω) (1)
所述多重匹配同步压缩变换压通过确定多重匹配瞬时频率估计算子分别对多个所述加窗短时傅里叶变换表示进行频带压缩来实现所述优化,确定多重匹配瞬时频率估计算子的步骤为:先根据短时傅里叶变换的结果,分别计算出瞬时频率估计算子群延时估计算子和调频率估计算子然后通过上述三个算子构造出所述匹配瞬时频率估计算子的计算公式如公式(2)所示:
因此,所述多重匹配同步压缩变换的多重匹配瞬时频率估计算子的时间更新方程如公式(3)所示:
其中,公式(3)中,M为当前时刻,M-1为当前时刻的上一个时刻,t为时间参量,为ω数字域频率参量。
此外,在本发明实施例中,采用脊线提取算法对所述时频分析结果进行计算的具体步骤为:先将所述时频分析结果分割成M个子块,然后分别对M个所述子块运行脊线提取算法,以分别获得各个所述子块的瞬时频率曲线,接着根据所述时频分析结果的能量分布和瞬时频率变化曲线的光滑度将各个所述子模块对应的各个所述瞬时频率曲线进行并接,以获得所述检测结果,如图7所示。在每个子块中运用脊线提取算法具体为:先确定所述子块内能量最大的点,在同时考虑能量分布和检测曲线的平滑程度的情况下,进行前向和后向检测,得到每个子块的瞬时频率曲线,最后,根据时频分析结果的能量分布和瞬时频率变化曲线的光滑度将各个所述子模块对应的各个所述瞬时频率曲线进行并接,以选择出最佳的表征所述振动信号频率随时间变化曲线来作为所述检测结果。
本发明通过计算经过所述预处理的非稳定信号的峭度大小来选择窗函数的类型,使窗函数与非平稳信号更匹配,从而得到效果更好的加窗短时傅里叶变换结果,有利于提高频率检测的精准度。此外,发明通过多层匹配同步压缩算法对短时加窗傅里叶变换表示进行优化后再进行融合来得到一个能量集中度非常高的时频分析结果,有效的降低了频率检测误差度。最后,本发明先对所述非稳定信号的时频分析结果分成若干个子块,然后考虑每个子块的能量分布,对每个子块运用脊线提取算法,然后根据整体时频图的能量分布和曲线的光滑程度,选择出最佳的表征所述非稳定信号的频率随时间变化曲线,从而提高了所述非稳定信号的频率检测精度。
本发明还提供了一种存储介质,所述存储介质为可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现依据本发明任意一实施例中所述的频率检测方法。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。根据以上描述,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种非平稳信号的频率检测方法,其特征在于,包括:
计算所述非平稳信号的峭度,
根据所述峭度的大小选择窗函数的类型,
分别用多个不同长度的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以分别获得多个加窗短时傅里叶变换表示,
对多个所述加窗短时傅里叶变换表示进行融合,以获得所述非平稳信号的时频分析结果,
根据所述时频分析结果进行计算,以获得所述非平稳信号的频率随时间变化的曲线作为检测结果。
2.根据权利要求1所述的频率检测方法,其特征在于,在计算所述非平稳信号的峭度之前还包括:先将所述非平稳信号中的直流成分和高频成分过滤掉,所述非平稳信号为振动信号。
3.根据权利要求1所述的频率检测方法,其特征在于,还包括:在将多个所述加窗短时傅里叶变换表示进行所述融合之前,采用多重匹配同步压缩变换算法对多个所述加窗短时傅里叶变换表示分别进行多次算法迭代,得到多个优化的所述加窗短时傅里叶变换表示,
对多个优化的所述加窗短时傅里叶变换表示进行加权平均,以获得加权平均值作为所述时频分析结果。
4.根据权利要求1所述的频率检测方法,其特征在于,采用脊线提取算法对所述时频分析结果进行计算。
5.根据权利要求2所述的频率检测方法,其特征在于,将所述非平稳信号中的直流成分和高频成分过滤掉的步骤包括:
在采集所述非平稳信号后,对所述非平稳信号进行去均值操作,以过滤掉所述非平稳信号中的直流成分,
通过一个截止频率为预设频率的低通滤波器过滤掉所述非平稳信号的高频成分。
6.根据权利要求5所述的频率检测方法,其特征在于,当所述峭度的值小于3时,选择长度为N的布莱克曼窗进行一次卷积后的序列作为所述加窗短时傅里叶变换的窗函数,
当所述峭度的值大于或等于3时,选择长度为N的汉宁窗和长度为N的汉宁窗进行卷积后的序列作为加窗短时傅里叶变换的窗函数。
7.根据权利要求6所述的频率检测方法,其特征在于,分别用长度为N和2N的所述窗函数对所述非平稳信号进行加窗短时傅里叶变换,以获得两个所述加窗短时傅里叶变换表示。
9.根据权利要求4所述的频率检测方法,其特征在于,采用脊线提取算法对所述时频分析结果进行计算的步骤包括:
将所述时频分析结果分割成M个子块,
分别对M个所述子块运行脊线提取算法,以分别获得各个所述子块的瞬时频率曲线,
根据所述时频分析结果的能量分布和瞬时频率变化曲线的光滑度将各个所述子块对应的各个所述瞬时频率曲线进行并接,以获得所述检测结果。
10.一种存储介质,其特征在于,所述存储介质为可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的频率检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826885.6A CN111912521B (zh) | 2020-08-17 | 2020-08-17 | 一种非平稳信号的频率检测方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826885.6A CN111912521B (zh) | 2020-08-17 | 2020-08-17 | 一种非平稳信号的频率检测方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111912521A CN111912521A (zh) | 2020-11-10 |
CN111912521B true CN111912521B (zh) | 2021-08-06 |
Family
ID=73279055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826885.6A Active CN111912521B (zh) | 2020-08-17 | 2020-08-17 | 一种非平稳信号的频率检测方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111912521B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607446A (zh) * | 2021-05-20 | 2021-11-05 | 西安交通大学 | 一种机械设备早期故障诊断方法、系统、设备及存储介质 |
CN113552543B (zh) * | 2021-06-04 | 2023-04-11 | 西安电子科技大学 | 基于set-stiaa的空间微动目标时频分析方法 |
CN114469140A (zh) * | 2021-07-19 | 2022-05-13 | 济南大学 | 基于同步提取变换的脑电信号特征提取方法及系统 |
CN113723200B (zh) * | 2021-08-03 | 2024-01-12 | 同济大学 | 一种非平稳信号的时频谱结构特征提取方法 |
CN117118536B (zh) * | 2023-10-25 | 2023-12-19 | 南京派格测控科技有限公司 | 调频稳定性的确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323518A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于谱峭度的局部放电信号识别方法 |
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
CN106771598A (zh) * | 2017-03-03 | 2017-05-31 | 天津工业大学 | 一种自适应谱峭度信号处理方法 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10677685B2 (en) * | 2013-04-05 | 2020-06-09 | Aktiebolaget Skf | Method, computer program product and system |
-
2020
- 2020-08-17 CN CN202010826885.6A patent/CN111912521B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323518A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于谱峭度的局部放电信号识别方法 |
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
CN106771598A (zh) * | 2017-03-03 | 2017-05-31 | 天津工业大学 | 一种自适应谱峭度信号处理方法 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
Non-Patent Citations (1)
Title |
---|
基于EEMD和二维Gabor变换的GIS局放特征融合识别方法;董晨晔 等;《电气自动化》;20181231;第40卷(第5期);108-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN111912521A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111912521B (zh) | 一种非平稳信号的频率检测方法和存储介质 | |
KR20180047135A (ko) | 반사파 처리 장치 | |
CN116955995B (zh) | 一种三相直流无刷电机逆变器故障诊断方法 | |
CN114061678B (zh) | 一种科氏流量计数字驱动方法 | |
CN111639541A (zh) | 基于频率变化率的自适应同步压缩时频分析方法 | |
Chen et al. | Nonstationary signal denoising using an envelope-tracking filter | |
CN111046791A (zh) | 一种基于含可变因子广义s变换的电流信号滤波去噪方法 | |
CN110907826A (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
CN111046836B (zh) | 局放信号的滤波去噪及分析方法、系统、设备及存储介质 | |
US10359465B2 (en) | Method for characterizing a soft fault in a cable | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
CN114878946A (zh) | 一种避雷器阻性电流在线监测方法及装置 | |
CN110457644B (zh) | 基于LoG算子和Grubbs检验的时频脊线提取方法 | |
CN111523231B (zh) | 一种基于EEMD和Prony方法的次同步振荡分析方法 | |
US10527666B2 (en) | Method and device for determining the fault location in the case of a fault on an electric line | |
CN110632563B (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN112702687B (zh) | 一种快速确认喇叭或者整机失真的方法 | |
CN108801296B (zh) | 基于误差模型迭代补偿的传感器频响函数计算方法 | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN114674410A (zh) | 一种分量数时变的水声信号瞬时频率估计方法 | |
Zhu et al. | A novel voltage sag detection method for analyzing charging quality of electric vehicle | |
CN112034232A (zh) | 一种供电系统电压暂降检测方法 | |
CN110988523A (zh) | 一种电力变压器绕组变形累积效应的检测方法及装置 | |
CN116679165B (zh) | 基于同步挤压广义s变换的频域反射电缆缺陷定位方法 | |
CN113191317B (zh) | 一种基于极点构造低通滤波器的信号包络提取方法和装置 |
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 |