CN112077670B - 一种数控机床刀具磨损状态实时监测方法 - Google Patents

一种数控机床刀具磨损状态实时监测方法 Download PDF

Info

Publication number
CN112077670B
CN112077670B CN202010973507.0A CN202010973507A CN112077670B CN 112077670 B CN112077670 B CN 112077670B CN 202010973507 A CN202010973507 A CN 202010973507A CN 112077670 B CN112077670 B CN 112077670B
Authority
CN
China
Prior art keywords
data unit
kth
feature
cutter
factor
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
Application number
CN202010973507.0A
Other languages
English (en)
Other versions
CN112077670A (zh
Inventor
李国龙
贾亚超
董鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Shuanghuan Driveline Co ltd
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010973507.0A priority Critical patent/CN112077670B/zh
Publication of CN112077670A publication Critical patent/CN112077670A/zh
Application granted granted Critical
Publication of CN112077670B publication Critical patent/CN112077670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
    • B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
    • B23Q17/0957—Detection of tool breakage

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种数控机床刀具磨损状态实时监测方法，其包括：实时采集加工过程中刀具的振动信号，根据统计学方法计算振动信号的若干个初始特征，评估初始特征之间的相关性，对初始特征进行融合得到对刀具磨损过程更为敏感的融合特征，基于融合特征改进了表格式累计和控制图法等步骤。在机械领域，及时掌握刀具磨损状态，避免刀具过度磨损对保证加工精度、提升加工效率具有重要意义，本发明方法可及时捕捉刀具磨损状态的转变点，以转变点为边界可以把刀具磨损分为不同时期。在实际应用中，本发明的监测结果仅与加工过程产生的振动信号有关，而与机床结构、工件、刀具等因素无关，因此本发明具有广泛的适用性。

Description

一种数控机床刀具磨损状态实时监测方法
技术领域
本发明涉及数控机床刀具状态监测技术领域，特别涉及一种机数控机床刀具磨损状态实时监测方法。
背景技术
在机械领域，刀具的磨损状态是影响制造系统可靠性和稳定性的关键因素之一，刀具的过度磨损会严重影响加工精度、甚至造成加工事故，有研究表明：制造系统20％的停机时间是由刀具引起的。因此监测刀具的磨损状态、及时掌握刀具的服役性能对于保证加工精度、提升加工效率具有重要意义。
目前在实际生产中，刀具的磨损状态及换刀刃磨的时机都是由工人凭借经验判断，这具有较大的主观性和不确定性，因此需要一种刀具磨损状态自动监测方法来代替人工判断。
刀具磨损状态监测的方法主要有两类：一类直接测量刀具的磨损量，称为直接法，这种方法实施难度大并且难以实现实时在线测量；另一类称为间接法，通过分析加工过程中产生的信号，判断刀具的磨损状态。显然后者更便于在大批量生产中实现刀具磨损状态实时监测。
通过理论建模的方法反映刀具的磨损状态往往要综合考虑机床结构、工件材料、刀具材料及几何形状等因素对模型的影响，在不同的工况下，需要对模型进行调整，因此这类方法不适用于实时监测且不具有广泛适用性。
发明内容
有鉴于此，本发明的目的是提供一种数控机床刀具磨损状态实时监测方法，以解决在线监测刀具磨损状态的技术问题，并解决现有的通过理论建模的方法反映刀具的磨损状态不具有广泛实用性的技术问题。
本发明数控机床刀具磨损状态实时监测方法，其包括以下步骤：
步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元；
步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f；
步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征；
步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三；
步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F；
步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值；
步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态；
步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断；
步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ＜0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ＞0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。
进一步，在步骤二中，根据统计学方法计算的初始特征包括：时域、频域统计特征及熵特征。
进一步，在步骤四中，采用灰色关联分析法评估目标特征与因子特征的相关性，其计算方法如下：
Figure BDA0002684935900000031
Figure BDA0002684935900000032
其中，ft(k)表示目标特征，fi(k)表示第i个因子特征，fi(k)≠ft(k)，i＝1,2,…,N；k为数据单元的索引，K表示当前输入的第K个数据单元；γi(k)表示目标特征与第i个因子特征的灰色相关系数序列；ρ表示分辨系数；ξi表示目标特征与第i个因子特征的灰色关联度，其值越大表示相关性越强；ω表示权重系数。
进一步，在步骤五中，判断步骤三和步骤四循环终止的步骤为：先找到每一组特征组合中目标特征与因子特征相关性的最大值，即灰色关联度的最大值，记为ξmax；然后再计算所有组ξmax的平均值，记为
Figure BDA0002684935900000033
Figure BDA0002684935900000034
的初始值为0；判断
Figure BDA0002684935900000035
的值是否大于上一循环，若是，则循环继续；若否，则循环终止。
进一步，在步骤六中，累计和及界限值的计算方法如下：
Figure BDA0002684935900000036
Figure BDA0002684935900000037
Hj＝5σj
其中，Fj(k)表示第j个融合特征，j＝1,2,…,P；
Figure BDA0002684935900000038
表示Fj(k)的上单侧累计和，
Figure BDA0002684935900000039
表示Fj(k)的下单侧累计和，初始值
Figure BDA00026849359000000310
k表示元素索引；μj表示Fj(k)的均值；dj表示Fj(k)的允偏量，dj＝σj/2，σj为Fj(k)的标准差；Hj表示Fj(k)的界限值。
进一步，在步骤七中，判断融合特征的累计和是否超过界限值即：判断
Figure BDA0002684935900000041
是否成立。
本发明的有益效果：
在机械领域，及时掌握刀具磨损状态，避免刀具过度磨损对保证加工精度、提升加工效率具有重要意义。本发明数控机床刀具磨损状态实时监测方法，通过实时采集加工过程中刀具的振动信号，根据统计学方法计算振动信号的若干个初始特征，评估初始特征之间的相关性，对初始特征进行融合得到对刀具磨损过程更为敏感的融合特征，基于融合特征改进了表格式累计和控制图法等步骤，可及时捕捉刀具磨损状态的转变点，以转变点为边界可以把刀具磨损分为不同时期。本发明监测刀具磨损状态的过程是自适应的，不需要人为因素的干预，监测结果具有客观性。本发明可实时在线监测刀具的磨损状态，监测结果具有及时性。本发明刀具监测结果仅与加工过程中产生的振动信号有关，而与机床结构、工件、刀具等因素无关，因此本发明具有广泛的适用性。
附图说明
图1为刀具磨损状态检测流程；
图2为滚齿加工示意图；
图3为融合特征；
图4为滚刀磨损状态判断图示化过程。
具体实施方式
下面结合附图和具体实施例，进一步阐释本发明。
本实施例中数控机床刀具磨损状态实时监测方法，其包括以下步骤：
步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元。
步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f。这些初始特征包括：时域、频域统计特征及熵特征。在应用本数控机床刀具磨损状态实时监测方法时，初始特征的数量不固定，但其数量越多对监测结果越有利。
步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征。
步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三。
本步骤中采用灰色关联分析法评估目标特征与因子特征的相关性，其计算方法如下：
Figure BDA0002684935900000051
Figure BDA0002684935900000052
其中，ft(k)表示目标特征，fi(k)表示第i个因子特征，fi(k)≠ft(k)，i＝1,2,…,N；k为数据单元的索引，K表示当前输入的第K个数据单元；γi(k)表示目标特征与第i个因子特征的灰色相关系数序列；ρ表示分辨系数，本实施例中ρ＝0.5；ξi表示目标特征与第i个因子特征的灰色关联度，其值越大表示相关性越强；ω表示权重系数，本实施例中取ω＝1。
另外，举例说明重复的组合：第一组中，特征f1为目标特征，假设与f1最相关的是f5，那么应将f1和f5相乘；在第五组中，f5为目标特征，假设与f5最相关的恰好是f1，那么同样是f5和f1相乘；第一组和第五组即为重复的组合，应去除其中的一组。
步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F。判断步骤三和步骤四循环终止的步骤为：先找到每一组特征组合中目标特征与因子特征相关性的最大值，即灰色关联度的最大值，记为ξmax；然后再计算所有组ξmax的平均值，记为
Figure BDA0002684935900000053
Figure BDA0002684935900000054
的初始值为0；判断
Figure BDA0002684935900000055
的值是否大于上一循环，若是，则循环继续；若否，则循环终止。
步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值。累计和及界限值的计算方法如下：
Figure BDA0002684935900000061
Figure BDA0002684935900000062
Hj＝5σj
其中，Fj(k)表示第j个融合特征，j＝1,2,…,P；
Figure BDA0002684935900000063
表示Fj(k)的上单侧累计和，
Figure BDA0002684935900000064
表示Fj(k)的下单侧累计和，初始值
Figure BDA0002684935900000065
k表示元素索引；μj表示Fj(k)的均值；dj表示Fj(k)的允偏量，dj＝σj/2，σj为Fj(k)的标准差；Hj表示Fj(k)的界限值。
步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，即判断
Figure BDA0002684935900000066
是否成立，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态。
步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断。
步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ＜0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ＞0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。以这些转变点为边界便可以把刀具的磨损划分为不同时期。
以下为本实施例中数控机床刀具磨损状态实时监测方法应用于滚齿加工滚刀磨损状态监测的实例。
实时采集滚刀切削齿坯时产生的振动信号。图2是滚齿加工的示意图，不同于铣削、车削等加工方式，滚齿加工中存在窜刀运动，即滚刀每切削一个工件都要沿着轴向(图2中的Y向)移动一个指定距离，这样可以使滚刀刀齿均匀磨损。从滚刀一端到另一端的窜刀次数称为一个窜刀周期，显然在一个窜刀周期内滚刀刀齿的磨损程度应该是一致的。本实施例中窜刀周期为12，因此将一个窜刀周期，即连续12个工件的振动信号作为一个数据单元。在计算信号特征时，将这12个工件的计算结果进行平均作为该数据单元的信号特征。
在本实例中，计算了20个初始特征，包括：均值、峰值、峰峰值、标准差、均方根值、峭度、偏度、方差、裕度因子、波形因子、峰值因子、脉冲因子、重心频率、频率方差、均方频率、模糊熵、近似熵、样本熵、滚刀啮合频率幅值、滚刀滚切频率幅值。按照本发明的方法对初始特征进行融合，图3所示为输入第307个数据单元时的融合特征。从图中不难看出融合特征具有明显的阶段性，每一个阶段代表滚刀的一个磨损时期，相邻的磨损时期之间存在一个突变点。
图4展示了当输入第40个数据单元时，对滚刀磨损状态判断的图示化过程。首先判断在第40个数据单元处，存在有融合特征的累计和超过界限值，因此接着统计第40个数据单元处及向后的9个数据单元处融合特征的累计和超过界限值的数量为67，67/70＝0.957>0.95，所以可以判断第40个数据单元为滚刀磨损状态的突变点。
先验实验结果表明，滚刀整个生命周期的磨损状态存在4个突变点，因此在实际加工中，当滚刀的磨损状态达到第4个突变点之后，就认为滚刀已经达到严重磨损阶段，可以考虑更换滚刀。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种数控机床刀具磨损状态实时监测方法，其特征在于：包括以下步骤：
步骤一，实时采集刀具切削工件产生的振动信号，并将每个工件的振动信号作为一个数据单元；
步骤二，设当前输入为第K个数据单元，结合之前的K-1个数据单元，得到以数据单元为自变量的数据集，根据统计学方法计算数据集的若干个初始特征，记为f；所述的初始特征包括：时域、频域统计特征及熵特征；
步骤三，设初始特征的初始数量为N，依次将每个初始特征作为目标特征，其他剩余N-1个初始特征作为因子特征，如此得到N组特征组合；每一组特征组合包括一个目标特征和N-1个因子特征；
步骤四，在每一组特征组合中，评估目标特征与因子特征的相关性，将目标特征和与之关联性最强的因子特征相乘；去除其中重复的组合，数量记为M，则得到第一次融合后的N-M个特征，将这N-M个特征再次代入步骤三；本步骤中采用灰色关联分析法评估目标特征与因子特征的相关性，其计算方法如下：
Figure FDA0003440885860000011
Figure FDA0003440885860000012
其中，ft(k)表示目标特征，fi(k)表示第i个因子特征，fi(k)≠ft(k)，i＝1，2，…，N；k为数据单元的索引，K表示当前输入的第K个数据单元；γi(k)表示目标特征与第i个因子特征的灰色相关系数序列；ρ表示分辨系数；ξi表示目标特征与第i个因子特征的灰色关联度，其值越大表示相关性越强；ω表示权重系数；
步骤五，循环步骤三和步骤四，直到满足终止条件，得到最终的P个融合特征，记为F；本步骤中判断步骤三和步骤四循环终止的步骤为：先找到每一组特征组合中目标特征与因子特征相关性的最大值，即灰色关联度的最大值，记为ξmax；然后再计算所有组ξmax的平均值，记为
Figure FDA0003440885860000021
Figure FDA0003440885860000022
的初始值为0；判断
Figure FDA0003440885860000023
的值是否大于上一循环，若是，则循环继续；若否，则循环终止；
步骤六，根据表格式累计和控制图法计算每个融合特征的累计和、界限值；累计和及界限值的计算方法如下：
Figure FDA0003440885860000024
Figure FDA0003440885860000025
Hj＝5σj
其中，Fj(k)表示第j个融合特征，j＝1，2，…，P；
Figure FDA0003440885860000026
表示Fj(k)的上单侧累计和，
Figure FDA0003440885860000027
表示Fj(k)的下单侧累计和，初始值
Figure FDA0003440885860000028
k表示元素索引；μj表示Fj(k)的均值；dj表示Fj(k)的允偏量，dj＝σj/2，σj为Fj(k)的标准差；Hj表示Fj(k)的界限值；
步骤七，判断是否存在至少一个融合特征的累计和超过了界限值，若否，则刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；若是，则进行步骤八和步骤九进一步判断刀具磨损状态；本步骤中判断融合特征的累计和是否超过界限值即：判断
Figure FDA0003440885860000029
是否成立；
步骤八，在第K个数据单元之后，再依次输入相邻的第K+1、K+2、…、K+9个数据单元，按照步骤二至步骤六的计算过程判断每个数据单元处融合特征的累计和是否超过了界限值，共计有10P次判断；
步骤九，设在10P次判断中，累计和超过界限值的次数的比例为θ，当θ<0.95时，依然认为刀具在第K个数据单元处为正常磨损状态，返回步骤二继续判断第K+1个数据单元；当θ>0.95时，则认为第K个数据单元为刀具磨损状态的转变点，返回步骤二并以第K个数据单元为起点，继续判断第K+1个数据单元。
CN202010973507.0A 2020-09-16 2020-09-16 一种数控机床刀具磨损状态实时监测方法 Active CN112077670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010973507.0A CN112077670B (zh) 2020-09-16 2020-09-16 一种数控机床刀具磨损状态实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010973507.0A CN112077670B (zh) 2020-09-16 2020-09-16 一种数控机床刀具磨损状态实时监测方法

Publications (2)

Publication Number Publication Date
CN112077670A CN112077670A (zh) 2020-12-15
CN112077670B true CN112077670B (zh) 2022-02-22

Family

ID=73737187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010973507.0A Active CN112077670B (zh) 2020-09-16 2020-09-16 一种数控机床刀具磨损状态实时监测方法

Country Status (1)

Country Link
CN (1) CN112077670B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113909997B (zh) * 2021-10-20 2022-12-13 陕西法士特齿轮有限责任公司 一种基于数控机床主轴负载信号的刀具损伤监测方法
CN115660019B (zh) * 2022-12-26 2023-06-02 帕莱克机械(南京)有限公司 一种基于云计算平台的刀具数据监管系统及其方法
CN118385677B (zh) * 2024-05-28 2024-09-27 山东能源装备集团中传矿用设备制造有限公司 一种减速机大齿轮加工装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61159353A (ja) * 1984-12-29 1986-07-19 Sumitomo Metal Ind Ltd 工具の破損検出方法
CN103962888A (zh) * 2014-05-12 2014-08-06 西北工业大学 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法
CN110222454B (zh) * 2019-06-14 2022-03-22 哈尔滨理工大学 铣削加工精度一致性的工艺设计方法
CN110961987B (zh) * 2019-12-19 2021-11-09 哈尔滨理工大学 一种加工表面形貌分布特性的表征与解算方法
CN111558849B (zh) * 2020-05-11 2021-10-22 内蒙古工业大学 盘铣刀加工参数优化方法及装置、电子设备及存储介质
CN111644900B (zh) * 2020-05-21 2021-11-09 西安交通大学 一种基于主轴振动特征融合的刀具破损实时监测方法

Also Published As

Publication number Publication date
CN112077670A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112077670B (zh) 一种数控机床刀具磨损状态实时监测方法
Jemielniak et al. Tool condition monitoring based on numerous signal features
US7383097B2 (en) Method for managing machine tool data
CN108490880A (zh) 一种数控机床切削刀具磨损状态实时监测方法
EP1650622B1 (en) Data management and networking system and method
CN113741377A (zh) 一种基于切削特征遴选的加工过程智能监控系统及方法
Teti et al. Tool wear monitoring through acoustic emission
Khairnar et al. Supervision of carbide tool condition by training of vibration-based statistical model using boosted trees ensemble
CN113146359A (zh) 一种智能监测和诊断切削状态的数控机床控制系统
CN114871850A (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
Steiner et al. Understanding process capability indices
CN114326593B (zh) 一种刀具寿命预测系统及方法
CN116408501A (zh) 窜刀模式下滚刀磨损状态在机无监督实时监测方法
CN114888634A (zh) 铣刀磨损监测方法及装置
CN114840932A (zh) 多因数耦合提高tc4钛合金表面粗糙度预测精度的方法
CN111724203B (zh) 基于多重回归模型的产品加工价格预估方法及系统
CN113043073A (zh) 一种刀具磨损及寿命预测方法及装置
CN117313951A (zh) 一种多传感器融合的柔性去毛刺管理方法及系统
CN109648397B (zh) 基于刀齿刃带宽度与拉削负载相关性的拉刀寿命预测方法
CN109396956B (zh) 一种数控滚齿机滚刀状态智能监测方法
CN116007931A (zh) 多源信息融合的齿轮表面质量评价方法
JP7036763B2 (ja) 工具交換時期管理システム
Kang et al. Optimization of surface roughness and metal removal rate in end milling using taguchi grey relational analysis
CN112036661A (zh) 基于刀具力学性能随机分布性的陶瓷刀具可靠度预测方法
JEMIELNIAK Tool and process condition monitoring

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
TR01 Transfer of patent right

Effective date of registration: 20240426

Address after: 317699 No.1 Shengyuan Road, Mechanical and Electrical Industry Functional Zone, Yuhuan City, Wenzhou City, Zhejiang Province

Patentee after: ZHEJIANG SHUANGHUAN DRIVELINE Co.,Ltd.

Country or region after: China

Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing

Patentee before: Chongqing University

Country or region before: China

TR01 Transfer of patent right