CN112070208A - 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 - Google Patents
基于编码器-解码器阶段注意力机制的刀具磨损预测方法 Download PDFInfo
- Publication number
- CN112070208A CN112070208A CN202010777546.3A CN202010777546A CN112070208A CN 112070208 A CN112070208 A CN 112070208A CN 202010777546 A CN202010777546 A CN 202010777546A CN 112070208 A CN112070208 A CN 112070208A
- Authority
- CN
- China
- Prior art keywords
- tool
- encoder
- decoder
- attention mechanism
- wear
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及一种基于编码器‑解码器双阶段注意力机制的刀具磨损预测方法,基于刀具磨损预测模型,刀具磨损预测模型包括解码器和编码器,步骤包括:步骤S1:采集铣削加工过程的刀具运行数据,进行数据预处理,并提取刀具统计特征;步骤S2:刀具统计特征进行最大信息系数计算,根据磨损特征相关性进行排序,筛选出目标个数的刀具磨损特征;步骤S3:将刀具磨损特征输入基于卷积‑双向门控循环‑注意力机制的编码器进行编码,获得刀具磨损特征编码;步骤S4:将刀具磨损特征编码输入基于独立循环长期短期记忆单元‑注意力机制的解码器,输出刀具的磨损预测值。与现有技术相比,本发明具有提高被检测刀具的磨损预测值的准确性和稳定性等优点。
Description
技术领域
本发明涉及刀具磨损预测领域,尤其是涉及一种基于编码器-解码器阶段注意力机制的刀具磨损预测方法。
背景技术
随着智能制造、云制造、智慧制造等概念的提出,智能化成为现代生产企业的共同发展方向,信息技术的持续升级,物联网、大数据、深度学习等领域的积累使得工业智能化逐步形成。在车间生产中,机床是现代制造过程中不可或缺的重要要素,然而在机床使用过程中,刀具的磨损不可避免,它直接影响了刀具的使用寿命与表面质量及尺寸精度,进而影响加工的经济性,而解决这些问题的关键在于对刀具磨损状态的智能监控与预测。
近年来,国内外在刀具磨损的监测方面做了很多工作,主要致力于在线监测刀具磨损和刀具的剩余寿命预测。刀具磨损领域的自动监测方案主要分为直接法与间接法两类,直接法一般应用于非加工过程中的离线监测,通过传感设备直接得到刀具位置、形状等参数进而判别刀具磨损状况,虽然准确性高但对条件要求苛刻如需停机检测,实用性不强;间接法则是通过测量刀具振动、受力、电流、声发射等间接指标并与磨损状态之间建立相关关系,从而得到刀具的磨损程度,目前已成为主流的方案选择。
随着机器学习技术的发展,深度学习理论为工业大数据的处理和分析提供了新的可能。考虑到时间序列的特征和输入数据的动态变化,循环神经网络引入了一种循环结构,与其他神经网络相比,它可以更好地对动态时间序列数据进行建模。因此,循环神经网络(RNN)及其变体,长短期存储网络(LSTM)和门控循环单元(GRU),已广泛应用于该领域。
GRU和LSTM都是特殊的RNN,为解决RNN中的梯度消失问题而提出,尽管两个网络结构在一定程度上改善了这些梯度问题,但LSTM和GRU使用tanh函数和sigmoid型函数作为激活函数,这会导致层之间的梯度衰减。其次大多数基于递归神经网络的刀具磨损预测方法主要集中在输入数据或特征的选择上,而输入对刀具磨损的影响程度却未被考虑或忽略,由于数据的不稳定性和可变性,导致对刀具磨损的误判,降低刀具磨损预测的准确性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,解决了循环神经网络结构中出现的层级梯度衰减问题并且反映了输入数据对刀具磨损的影响程度,提高了对刀具磨损过程建模的效果。
本发明的目的可以通过以下技术方案来实现:
一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,基于刀具磨损预测模型,所述刀具磨损预测模型包括解码器和编码器,所述方法具体包括以下步骤:
步骤S1:采集机床铣削加工过程中的刀具运行数据,对所述刀具运行数据进行数据预处理,并从完成预处理的刀具运行数据中提取刀具统计特征;
步骤S2:所述刀具统计特征进行最大信息系数计算,并根据磨损特征相关性进行排序,筛选出目标个数的刀具磨损特征;
步骤S3:将所述刀具磨损特征输入基于卷积-双向门控循环-注意力机制的编码器进行编码,获得刀具磨损特征编码;
步骤S4:将所述刀具磨损特征编码输入基于独立循环长期短期记忆单元-注意力机制的解码器,输出相应刀具的磨损预测值。
所述步骤S1中的数据预处理包括对刀具运行数据进行零均值化处理、去除趋势项处理和数据归一化处理。
进一步地,所述步骤S1中的数据预处理还包括通过小波包分解滤除刀具运行数据的高频噪声。
所述步骤S3中编码器基于卷积-双向门控循环-注意力机制进行深度特征提取编码,获取到更全面的特征并进一步提高特征质量。
所述刀具统计特征从多个维度进行提取。
进一步地,所述维度包括时域维度、频域维度和时频域维度。
所述编码器中设有多个卷积通道,每个卷积通道内设有一个卷积层和一个批处理层。
进一步地,所述编码器中还设有最大池化层,所述批处理层均与最大池化层连接。
所述最大池化层与双向门控循环单元连接,所述双向门控循环单元通过连接层与编码注意力层连接。
所述独立循环长期短期记忆单元与设有注意力机制的解码注意力层之间设有随机失活层。
进一步地,所述解码器内还设有全连接层,所述全连接层与解码注意力层连接。
进一步地,所述全连接层与输出所述磨损预测值之间还设有矩阵转换层,通过矩阵转换层对输出序列赋予不同的权重。
与现有技术相比,本发明具有以下有益效果:
本发明基于独立循环长期短期记忆单元构建解码器,解决了循环神经网络层之间的梯度衰减问题,同时刀具预测模型的编码器和解码器的两个阶段分别添加了基于注意力机制的编码注意力层和解码注意力层,将编码注意力层和解码注意力层与双向门控循环单元、独立循环长期短期记忆单元结合,提高了被检测刀具的磨损预测值的准确性和稳定性。
附图说明
图1为本发明的流程示意图;
图2为本发明编码器的结构示意图;
图3为本发明解码器的结构示意图;
图4(a)、图4(b)和图4(c)为本发明磨损预测值与磨损真实值的误差对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,提高了被检测刀具的磨损预测值的准确性和稳定性,基于刀具磨损预测模型,刀具磨损预测模型包括解码器和编码器,方法具体包括以下步骤:
步骤S1:采集机床铣削加工过程中的刀具运行数据,对刀具运行数据进行数据预处理,并从完成预处理的刀具运行数据中提取刀具统计特征;
步骤S2:刀具统计特征进行最大信息系数计算,并根据磨损特征相关性进行排序,筛选出目标个数的刀具磨损特征;
步骤S3:将刀具磨损特征输入基于卷积-双向门控循环-注意力机制的编码器进行编码,获得刀具磨损编码;
步骤S4:将刀具磨损编码输入基于独立循环长期短期记忆单元-注意力机制的解码器,输出相应刀具的磨损预测值。
步骤S1中的数据预处理包括对刀具运行数据进行零均值化处理、去除趋势项处理和数据归一化处理。
步骤S1中的数据预处理还包括通过小波包分解滤除刀具运行数据的高频噪声。
步骤S3中编码器基于卷积-双向门控循环-注意力机制进行深度特征提取编码,获取到更全面的特征并进一步提高特征质量。
刀具统计特征从多个维度进行提取。
维度包括时域维度、频域维度和时频域维度。
如图2所示,编码器中设有多个卷积通道,每个卷积通道内设有一个卷积层和一个批处理层。
编码器中还设有最大池化层,批处理层均与最大池化层连接。
最大池化层与双向门控循环单元连接,双向门控循环单元通过连接层与编码注意力层连接。
如图3所示,独立循环长期短期记忆单元与设有注意力机制的解码注意力层之间设有随机失活层。
解码器内还设有全连接层,全连接层与解码注意力层连接。
全连接层与输出磨损预测值之间还设有矩阵转换层,通过矩阵转换层对输出序列赋予不同的权重。
实施例一
将高速数控机床刀具铣削实验数据的数据集中的三个数据集进行训练输入到本发明的编码器和解码器进行训练,如图4(a)、图4(b)和图4(c)所示,本发明输出的刀具的磨损预测值与刀具的磨损非常接近,仅在刀具初期磨损和严重磨损时有相对较大的误差浮动,说明通过本发明进行的刀具磨损预测具有较高的准确性。
实施例二
将实施例一中数据集输入本发明中结合了独立循环长期短期记忆单元与注意力机制的解码器,记录解码器的均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2_score),同时与长期短期记忆单元、门控循环单元和独立循环长期短期记忆单元作为解码器的上述测试值进行比较,结果如表1所示:
表1模型训练结果对比表
表1显示,与长期短期记忆单元、门控循环单元和独立循环长期短期记忆单元相比,结合注意力机制的独立循环长期短期记忆单元的测试组均低于其他解码器单元,误差相关参数值最低,说明通过本发明进行的刀具磨损预测具有较高的稳定性。
此外,需要说明的是,本说明书中所描述的具体实施例子,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,基于刀具磨损预测模型,所述刀具磨损预测模型包括解码器和编码器,所述方法具体包括以下步骤:
步骤S1:采集机床铣削加工过程中的刀具运行数据,对所述刀具运行数据进行数据预处理,并从完成预处理的刀具运行数据中提取刀具统计特征;
步骤S2:所述刀具统计特征进行最大信息系数计算,并根据磨损特征相关性进行排序,筛选出目标个数的刀具磨损特征;
步骤S3:将所述刀具磨损特征输入基于卷积-双向门控循环-注意力机制的编码器进行编码,获得刀具磨损特征编码;
步骤S4:将所述刀具磨损特征编码输入基于独立循环长期短期记忆单元-注意力机制的解码器,输出相应刀具的磨损预测值。
2.根据权利要求1所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述步骤S1中的数据预处理包括对刀具运行数据进行零均值化处理、去除趋势项处理和数据归一化处理。
3.根据权利要求2所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述步骤S1中的数据预处理还包括通过小波包分解滤除刀具运行数据的高频噪声。
4.根据权利要求1所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述刀具统计特征从多个维度进行提取。
5.根据权利要求4所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述维度包括时域维度、频域维度和时频域维度。
6.根据权利要求1所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述编码器中设有多个卷积通道,每个卷积通道内设有一个卷积层和一个批处理层。
7.根据权利要求6所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述编码器中还设有最大池化层,所述批处理层均与最大池化层连接。
8.根据权利要求1所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述独立循环长期短期记忆单元与设有注意力机制的解码注意力层之间设有随机失活层。
9.根据权利要求8所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述解码器内还设有全连接层,所述全连接层与解码注意力层连接。
10.根据权利要求9所述的一种基于编码器-解码器双阶段注意力机制的刀具磨损预测方法,其特征在于,所述全连接层与输出所述磨损预测值之间还设有矩阵转换层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777546.3A CN112070208B (zh) | 2020-08-05 | 2020-08-05 | 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777546.3A CN112070208B (zh) | 2020-08-05 | 2020-08-05 | 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070208A true CN112070208A (zh) | 2020-12-11 |
CN112070208B CN112070208B (zh) | 2022-08-30 |
Family
ID=73657181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777546.3A Active CN112070208B (zh) | 2020-08-05 | 2020-08-05 | 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070208B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485244A (zh) * | 2021-07-27 | 2021-10-08 | 同济大学 | 一种基于刀具磨损预测的数控机床控制系统及其方法 |
CN113537586A (zh) * | 2021-07-12 | 2021-10-22 | 浙江大学 | 集成小波分解与深度神经网络的水质指标多步预测方法 |
CN115034504A (zh) * | 2022-06-28 | 2022-09-09 | 重庆大学 | 基于云边协同训练的刀具磨损状态预测系统及方法 |
CN115859837A (zh) * | 2023-02-23 | 2023-03-28 | 山东大学 | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109940458A (zh) * | 2019-04-07 | 2019-06-28 | 西北工业大学 | 一种刀具未来磨损量在线预测方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN110355608A (zh) * | 2019-07-18 | 2019-10-22 | 浙江大学 | 基于自注意力机制与深度学习的刀具磨损量预测方法 |
CN110472774A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于lstm网络的变工况下刀具剩余寿命预测方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110738062A (zh) * | 2019-09-30 | 2020-01-31 | 内蒙古工业大学 | 一种gru神经网络蒙汉机器翻译方法 |
CN111078866A (zh) * | 2019-12-30 | 2020-04-28 | 华南理工大学 | 一种基于序列到序列模型的中文文本摘要生成方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
-
2020
- 2020-08-05 CN CN202010777546.3A patent/CN112070208B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109940458A (zh) * | 2019-04-07 | 2019-06-28 | 西北工业大学 | 一种刀具未来磨损量在线预测方法 |
CN110153801A (zh) * | 2019-07-04 | 2019-08-23 | 西南交通大学 | 一种基于多特征融合的刀具磨损状态辨识方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及系统 |
CN110355608A (zh) * | 2019-07-18 | 2019-10-22 | 浙江大学 | 基于自注意力机制与深度学习的刀具磨损量预测方法 |
CN110472774A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于lstm网络的变工况下刀具剩余寿命预测方法 |
CN110738062A (zh) * | 2019-09-30 | 2020-01-31 | 内蒙古工业大学 | 一种gru神经网络蒙汉机器翻译方法 |
CN111078866A (zh) * | 2019-12-30 | 2020-04-28 | 华南理工大学 | 一种基于序列到序列模型的中文文本摘要生成方法 |
CN111325112A (zh) * | 2020-01-31 | 2020-06-23 | 贵州大学 | 基于深度门控循环单元神经网络的刀具磨损状态监测方法 |
Non-Patent Citations (1)
Title |
---|
HUI LIU ET AL.: "A novel transformer-based neural network model for tool wear estimation", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537586A (zh) * | 2021-07-12 | 2021-10-22 | 浙江大学 | 集成小波分解与深度神经网络的水质指标多步预测方法 |
CN113537586B (zh) * | 2021-07-12 | 2024-04-05 | 浙江大学 | 集成小波分解与深度神经网络的水质指标多步预测方法 |
CN113485244A (zh) * | 2021-07-27 | 2021-10-08 | 同济大学 | 一种基于刀具磨损预测的数控机床控制系统及其方法 |
CN115034504A (zh) * | 2022-06-28 | 2022-09-09 | 重庆大学 | 基于云边协同训练的刀具磨损状态预测系统及方法 |
CN115034504B (zh) * | 2022-06-28 | 2024-05-28 | 重庆大学 | 基于云边协同训练的刀具磨损状态预测系统及方法 |
CN115859837A (zh) * | 2023-02-23 | 2023-03-28 | 山东大学 | 基于数字孪生建模的风机叶片动态冲击检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112070208B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070208B (zh) | 基于编码器-解码器阶段注意力机制的刀具磨损预测方法 | |
CN113569903B (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
CN104503434B (zh) | 一种基于故障征兆主动推送的故障诊断方法 | |
CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
CN111716150A (zh) | 一种刀具状态智能监测的进化学习方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN113485244A (zh) | 一种基于刀具磨损预测的数控机床控制系统及其方法 | |
CN113177537A (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN111126255A (zh) | 基于深度学习回归算法的数控机床刀具磨损值预测方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
Hao et al. | Multi-scale CNN based on attention mechanism for rolling bearing fault diagnosis | |
CN114048958A (zh) | 基于深度卷积残差收缩网络的刀具磨损预测方法和系统 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN113627544A (zh) | 一种基于多源异构数据融合的机床铣刀状态识别方法 | |
Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
CN113485863B (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN112416920B (zh) | 一种面向mes的数据清洗方法及系统 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN114564619A (zh) | 一种电机轴承的故障诊断方法、记录媒体及系统 | |
CN115034128A (zh) | 一种智慧风电场智慧风电场风电机组评价方法 | |
CN115982655A (zh) | 一种基于决策树的缺失数据流程异常预测方法 | |
CN111931838A (zh) | 一种基于深度学习算法的机床导轨健康状态识别方法 | |
CN112015619A (zh) | 通过参数调优筛选系统核心关键指标的方法 |
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 |