CN112001418A - 一种发电机定子线圈冷却水路堵塞故障诊断方法 - Google Patents
一种发电机定子线圈冷却水路堵塞故障诊断方法 Download PDFInfo
- Publication number
- CN112001418A CN112001418A CN202010708344.3A CN202010708344A CN112001418A CN 112001418 A CN112001418 A CN 112001418A CN 202010708344 A CN202010708344 A CN 202010708344A CN 112001418 A CN112001418 A CN 112001418A
- Authority
- CN
- China
- Prior art keywords
- temperature
- generator
- data
- cnn
- stator coil
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K3/00—Details of windings
- H02K3/04—Windings characterised by the conductor shape, form or construction, e.g. with bar conductors
- H02K3/24—Windings characterised by the conductor shape, form or construction, e.g. with bar conductors with channels or ducts for cooling medium between the conductors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明构造了一种结合卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型,诊断发电机定子线圈冷却水路堵塞故障。通过构造滑动窗口将大量的历史定子侧温度数据、定子电流、发电机热风区气温等数据创建特征图作为输入,采用CNN网络进行空间特征提取。以提取后的特征作为LSTM网络输入,以定子线圈出水温度为LSTM网络输出,拟合输入与输出间的函数关系。采集发电机运行数据,利用训练好的网络进行温度预测,当预测温度的MAE超过阈值时,判定定子线圈发生水路堵塞故障。本发明能够诊断出轻微冷却水路堵塞故障,且不需要在发电机内添加额外的测量装置,具有简便易行,准确度高的优点。
Description
技术领域
本发明涉及发电机技术领域,尤其是发电机定子线圈冷却水路堵塞故障诊断领域。
背景技术
发电机的多种故障,如电气、冷却系统和机械故障,都会导致电机产生温度变化,根据我国历年来发电机事故率统计概况,在生产过程中,出现大功率电机堵转,定子内冷水系统的堵水、断水及漏水等事故时,其最直观表现是发电机局部过热。随着运行温度的升高,定子绕组的局部放电次数和强度会显著增强,介质损耗增加,材料性能迅速下降。定子绕组的绝缘有机材料如果在超过其工作限值的温度下长时间运行,将会造成定子绝缘加速老化,甚至可能导致定子绕组绝缘击穿,使电机的使用寿命大幅度减少,进而对其造成严重的损坏。这种情况可能会导致严重的生产事故比如火灾、触电危险等。
引起定子冷却水路堵塞的原因主要有以下几个方面:(1)由于冷却水的PH值控制不当产生铜腐蚀引起铜管中结垢造成的部分或全部堵塞;(2)悬浮固体进入冷却水路,如大修期间偶然进入的外部物质,过虑网破裂或清理不及时等造成的杂物堵塞;(3)定子线棒与水系统连接的聚四氟乙烯管泄漏,氢气进入定子线棒内造成水循环破坏。
目前诊断定子线圈水路堵塞的方法有流量测量法和定子温度测量法。流量测量法通过测量定子空心线圈的水流量来判定线圈是否发生堵塞问题。流量测量方法需要在发电机停机后进行操作,只能通过定期的巡检进行测量,不能达到实时在线监测的目的。在大容量发电机中,通风沟处、定子铁心的中间段及边段、定子槽的上下层线棒之间、水冷定子线棒引水管的出水端,都安装有测温元件,用来监测发电机运行时的热状态。发电机水冷系统堵塞故障的显著特征是定子线棒出水温度升高,当堵塞程度严重时还会引起定子绕组甚至定子铁心温度的升高。温度测量法通过在电机内部装设大量传感器监测定子温度,实现水路堵塞故障的诊断。目前应用的温度测量方法通常是在定子线棒出水温度或者线棒间的温差较高、超出国标时才能诊断出水路堵塞故障,而此时堵塞故障已发展到较严重的地步,需要停机进行处理,会带来较高的维修费用和发电量的损失。本发明提出的水路堵塞故障诊断方法通过建立深度学习模型预测发电机定子线圈出水口的温度,然后将实际监测的温度与预测温度进行比较,当温差超过阈值时即可诊断出水路堵塞故障,不必等到故障程度严重时才能诊断出水路堵塞故障。本发明提出的方法利用发电机组中自带的监测装置,能够诊断出定子线圈轻微水路堵塞故障,不需要安装额外的传感器,节约成本、简便易行、且准确度高,可实现在线故障诊断。
发明内容
本发明要解决的技术问题是,如何及时对发电机定子线圈冷却水路堵塞故障进行诊断。
为解决上述技术问题,本发明提出一种基于卷积神经网络(ConvolutionalNeural Network,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM)相结合的方法实现发电机定子线圈冷却水路堵塞故障的诊断。
本发明所述的一种发电机定子线圈冷却水路堵塞故障诊断方法,包括以下步骤:
S1:收集发电机正常运行的监测数据,Z-Score标准化数据。
S2:建立CNN-LSTM模型,利用所述收集数据训练CNN-LSTM模型。
S3:现场采集数据,所有数据完成Z-Score标准化后输入所述模型,根据预测温度的MAE是否超过阈值1℃判断定子线圈冷却水路是否发生堵塞。
优选地,步骤S1中采集数据包括:
通过传感器和采集装置测得的定子线圈出水温度、发电机热风区气温、发电机冷风区气温、发电机出口风温、发电机进水温度、内冷水压力、内冷水流量、三相电流、励磁电流、励磁电压、有功功率、汽侧进风区测点1的温度、汽侧进风区测点2的温度、励侧进风区测点1的温度、励侧进风区测点2的温度。
优选地,步骤S1中对收集的物理量数据进行Z-Score标准化的方法为:
优选地,步骤S2所述CNN-LSTM模型中的CNN模型具体为:
两层卷积层和两层最大池化层依次交叠,卷积层卷积核数分别为32、64,最大池化层滤波器长度为2的CNN模型。
优选的,步骤S2所述CNN-LSTM模型中的LSTM模型具体为:
网络隐含层数为2,每层神经元数分别为32、64的LSTM模型。
优选地,步骤S2中所述CNN-LSTM模型训练方法为:
网络滑动窗口步长为10,学习率为1e-8,momentum为0.9,训练次数为120。
优选的,步骤S2中所述CNN-LSTM模型评价方法采用平均绝对误差MAE。
式中:n为总样本个数;f(xi)为网络输出值,yi为实际测量值。
优选地,步骤S3所述判断方法为:采集现场数据输入训练好的CNN-LSTM模型中,当连续20个预测温度样本的MAE均超过阈值1℃时判定为堵塞。
附图说明
图1是CNN原理示意图。
图2是LSTM原理示意图。
图3是CNN-LSTM拟合结果图。
图4是网络预测值的MAE结果。
图5是本发明所述的定子线圈冷却水路堵塞故障诊断方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,以汽轮发电机为例,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明采用的具体技术方案如下。
本发明构造了一种结合CNN和LSTM的混合模型,诊断发电机定子线圈冷却水路堵塞故障。通过构造滑动窗口将大量的历史定子侧温度数据、定子电流、发电机热风区气温等数据创建特征图作为输入,先采用CNN网络进行空间特征提取,再采用LSTM网络结合历史数据进行温度预测。当预测温度样本的MAE超过阈值1℃时,判定定子线圈发生水路堵塞故障。
本发明采用一种CNN和LSTM相结合的方法实现发电机定子线圈冷却水路堵塞故障的诊断。
1.CNN原理
CNN网络是一种具有局部感受视野的多层前馈神经网络,已经在图像分类、语音识别、自然语言处理等几大方面展现出优势,作为一个多层监督学习网络,处理的数据种类包括时间序列型数据和图像数据,通过一系列的方法,卷积网络成功地对大量的数据降低了输入数据的维数,最终使其得到训练。
卷积神经网络主要由卷积层、池化层、扁平化层和全连接层构成,通过构建提取数据特征的滤波器,对输入的数据进行层次化的卷积和池化操作,用于获得数据之间存在的潜藏关系,经过多个卷积层和池化层的信息提取之后,再经过全连接层或分类器之后,用于解决回归或分类问题。CNN的具体层结构如下:
卷积层:卷积运算可以使原始信号的某些特征增强,并且降低噪声,在CNN中被称为卷积核,通常使用滤波器实现。通过卷积过程,即让卷积核在另外一个矩阵上按照步长扫过去,会使该矩阵维数降低。大量的卷积核可以进行输入数据的特征提取,同时可以抵抗数据的偏移、缩放或者形变。卷积层运算如下所示:
池化层:池化层的主要作用是去掉卷积操作后所得到的特征映射中的次要部分,从而减少网络参数。由于其本质为局部特征的再抽象表达,又被称为子采样。常用的池化方式有最大值子采样以及均值子采样。池化层运算如下所示:
Hi=f(pooling(Hi-1)+bi) (4)
式中:pooling(x)为池化规则;bi为该层的偏置;ωi为该层卷积核的权值。
扁平化层:在扁平化层,卷积、池化操作后所得到的数据高级抽象被扁平化为一维向量,作为全连接网络的输入。
激活函数:卷积层以及全连接层中设置激活函数的作用是为模型引入非线性,协助表达复杂特征。
与传统神经网络对比,CNN经过一系列卷积与池化操作,在网络参数大大减少的同时,数据的关键信息并没有丢失,这使得CNN网络有着更好保存关键特征的优势。其整体结构如图1所示。
2.LSTM原理
长短期记忆神经网络是基于循环神经网络的改进模型,它可以从长期的关联信息中进行学习。LSTM非常适合从经验中学习以预测时间序列,当面对任意大小的时间步长时,其通过引入细胞控制结构达到保留任意时间量的目的。在每个时间步中,引入了记忆单元并在神经元内部加入了记忆门、输出门、遗忘门,从而解决传统循环神经网络面对的梯度消失的问题。所以,长短期记忆网络适用于处理时间序列中间隔和延迟相对较长的事件。LSTM结构如图2所示。
一个LSTM使用三个逻辑门来控制细胞的状态,遗忘门决定上一时刻的隐藏层节点中哪些信息要被删除,其输出接近0的部分将被遗忘,接近1的部分将被保留。记忆门通过前一时刻隐状态与当前时刻输入进行内容记忆。输出门可以控制哪些信息需要输出,其输出值在0到1之间,0表示不输出,1表示进行输出。三个逻辑门的数学表达式如下:
遗忘门:
ft=σ(Wf·[Ht-1,Xt]+bf) (5)
记忆门:
it=σ(Wi·[Ht-1,Xt]+bi (6)
输出门:
ot=σ(Wo·[Ht-1,Xt]+bo) (8)
ht=ot*tanh(Ct) (9)
式中:Ct与ht为当前时刻隐状态,Ht-1为前一时刻隐状态,Xt是当前时刻细胞结构的输入,σ为sigmoid激活函数。
3.定子线圈冷却水路堵塞故障诊断方法
(1)采集数据,进行Z-Score标准化处理。
通过传感器和采集装置获得发电机正常运行时的定子线圈出水温度、发电机热风区气温、发电机冷风区气温、发电机出口风温、发电机进水温度、内冷水压力、内冷水流量、三相电流、励磁电流、励磁电压、有功功率、汽侧进风区测点1的温度、汽侧进风区测点2的温度、励侧进风区测点1的温度、励侧进风区测点2的温度。对收集的物理量数据进行Z-Score标准化处理:
(2)构建CNN-LSTM网络。
本发明构建了两层卷积层和两层最大池化层依次交叠,卷积层卷积核数分别为32、64,最大池化层滤波器长度为2的CNN模型。网络隐含层数为2,每层神经元数分别为32、64的LSTM模型。CNN-LSTM模型训练方法为:网络滑动窗口步长为10,学习率为1e-8,momentum为0.9,训练次数为120。模型评价方法采用平均绝对误差MAE。
式中:n为总样本个数;f(xi)为网络输出值,yi为实际测量值。
(3)训练网络模型。
把发电机热风区气温、发电机冷风区气温、发电机出口风温、发电机进水温度、内冷水压力、内冷水流量、三相电流、励磁电流、励磁电压、有功功率、汽侧进风区测点1的温度、汽侧进风区测点2的温度、励侧进风区测点1的温度、励侧进风区测点2的温度进行Z-Score标准化后的数据作为CNN网络的输入,输出数据特征。用CNN提取的数据特征为LSTM输入,以定子线圈出水温度作为LSTM输出,拟合输入量和输出量间的函数关系。用发电机正常运行情况下的若干组数据训练CNN-LSTM网络并进行测试,其中70%的数据作为训练集、另外30%的数据作为测试集,网络拟合结果如图3所示,其中左图为拟合结果图,右图为部分拟合结果放大图。
(4)判断定子线圈冷却水路是否正常。
当定子线圈冷却水路堵塞时,冷却水的散热效果变差,导致定子线圈出水口温度升高,当堵塞程度严重时还会引起定子绕组甚至定子铁心温度的升高。因此,采用正常情况下建立的模型预测电机实际运行中的定子线圈出水温度,当预测值与实际监测值偏差较大时,说明定子线圈发生了冷却水路堵塞故障。采集发电机实际运行过程中的数据,利用第三步训练好的模型把汽轮发电机热风区气温、发电机冷风区气温、发电机出口风温、发电机进水温度、内冷水压力、内冷水流量、三相电流、励磁电流、励磁电压、有功功率、汽侧进风区测点1的温度、汽侧进风区测点2的温度、励侧进风区测点1的温度、励侧进风区测点2的温度进行Z-Score标准化后的数据作为输入,预测定子线圈出水口的温度,其预测结果的MAE如图4所示。水路未堵塞时,网络输出的MAE在0~1范围内,因此选取MAE=1为故障判定阈值。当连续20个样本数据的MAE均大于故障阈值1时判定为故障。根据网络预测结果,可判定此台发电机定子线圈冷却水路处于正常状态。故障诊断流程如图5所示。
申请人结合说明书附图对本发明的实施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 (7)
1.一种发电机定子线圈冷却水路堵塞故障诊断方法,其特征在于,包括以下步骤:
S1:收集发电机正常运行的监测数据,Z-Score标准化数据。
S2:建立CNN-LSTM模型,利用所述收集数据训练CNN-LSTM模型。
S3:现场采集数据,所有数据完成Z-Score标准化后输入所述模型,根据预测温度的MAE是否超过阈值1℃判断定子线圈冷却水路是否发生堵塞。
2.如权利要求1所述的方法,其特征在于,步骤S1中所述的发电机正常运行的温度数据为:通过传感器和采集装置测得的定子线圈出水温度、发电机热风区气温、发电机冷风区气温、发电机出口风温、内冷水压力、发电机进水温度、内冷水流量、三相电流、励磁电流、励磁电压、有功功率、汽侧进风区测点1的温度、汽侧进风区测点2的温度、励侧进风区测点1的温度、励侧进风区测点2的温度。
4.如权利要求3所述的方法,其特征在于,步骤S2中所述CNN-LSTM模型的CNN模型具体为:两层卷积层和两层最大池化层依次交叠,卷积层卷积核数分别为32、64,最大池化层滤波器长度为2的CNN模型。LSTM模型具体为:网络隐含层数为2,每层神经元数分别为32、64的LSTM模型。
5.如权利要求4所述的方法,其特征在于,步骤S2中所述CNN-LSTM模型训练方法为:网络学习率为1e-8,momentum为0.9,训练次数为120。
7.如权利要求6所述的方法,其特征在于,步骤S3中所述判断定子线圈冷却水路是否发生堵塞的方法为:
采集现场数据输入训练好的CNN-LSTM模型中,当连续20个预测温度样本的MAE均超过阈值1℃时判定为堵塞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708344.3A CN112001418A (zh) | 2020-07-14 | 2020-07-14 | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708344.3A CN112001418A (zh) | 2020-07-14 | 2020-07-14 | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001418A true CN112001418A (zh) | 2020-11-27 |
Family
ID=73467307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010708344.3A Pending CN112001418A (zh) | 2020-07-14 | 2020-07-14 | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001418A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及系统 |
CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
CN114186666A (zh) * | 2021-11-29 | 2022-03-15 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
-
2020
- 2020-07-14 CN CN202010708344.3A patent/CN112001418A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504511A (zh) * | 2020-12-15 | 2021-03-16 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN112504511B (zh) * | 2020-12-15 | 2023-08-15 | 润电能源科学技术有限公司 | 一种发电机定子温度监测方法、装置及介质 |
CN113033383A (zh) * | 2021-03-23 | 2021-06-25 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及系统 |
CN113033383B (zh) * | 2021-03-23 | 2022-04-12 | 山东大学 | 基于深度学习的透水路面堵塞无损检测方法及系统 |
CN113484749A (zh) * | 2021-06-15 | 2021-10-08 | 国网山东省电力公司嘉祥县供电公司 | 发电机故障诊断及预测方法 |
CN114186666A (zh) * | 2021-11-29 | 2022-03-15 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
CN114186666B (zh) * | 2021-11-29 | 2023-10-13 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001418A (zh) | 一种发电机定子线圈冷却水路堵塞故障诊断方法 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN108020781B (zh) | 一种断路器故障诊断方法 | |
CN112766618B (zh) | 异常预测方法及装置 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
CN113988136A (zh) | 一种基于深度学习与智能优化的中压断路器故障诊断方法 | |
CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN112861443B (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
Chang et al. | Voltage fault diagnosis of a power battery based on wavelet time-frequency diagram | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 | |
CN114186666B (zh) | 一种基于自标准化编解码的发电机线圈温度异常监测方法 | |
Shan et al. | Power system fault diagnosis based on logistic regression deep neural network | |
CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
Xu et al. | Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory | |
Yang et al. | Power spectral entropy-based graph construction for rotating machinery diagnosis using multi-sensor | |
Ren et al. | A Hybrid Remaining Useful Life Prognosis Method Integrating Transformer Networks and Wiener process | |
CN116243087A (zh) | 一种sf6电气设备故障诊断方法及系统 |
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 |