CN112098129A - 一种强噪声环境机器运行故障检测方法及检测系统 - Google Patents

一种强噪声环境机器运行故障检测方法及检测系统 Download PDF

Info

Publication number
CN112098129A
CN112098129A CN202010956351.5A CN202010956351A CN112098129A CN 112098129 A CN112098129 A CN 112098129A CN 202010956351 A CN202010956351 A CN 202010956351A CN 112098129 A CN112098129 A CN 112098129A
Authority
CN
China
Prior art keywords
data
machine
faults
spectrum analysis
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.)
Pending
Application number
CN202010956351.5A
Other languages
English (en)
Inventor
蒋毅
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.)
Chengdu University
Original Assignee
Chengdu 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 Chengdu University filed Critical Chengdu University
Priority to CN202010956351.5A priority Critical patent/CN112098129A/zh
Publication of CN112098129A publication Critical patent/CN112098129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于故障检测技术领域，公开了一种强噪声环境机器运行故障检测方法及检测系统，包括对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；通过噪声调制和信号个数对构造的数据阵列进行N‑M次频谱分析；并加权求和；基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。本发明利用复杂度不高而噪声抑制能力强的MUSIC算法作为核心算法，满足在线检测的要求；本发明改进的MUSIC算法基于白噪声，算法不受限于白噪声，噪声抑制能力强；本发明充分考虑到历史数据和即时数据的共同制作用，使输出信号更稳定。

Description

一种强噪声环境机器运行故障检测方法及检测系统
技术领域
本发明属于故障检测技术领域，尤其涉及一种强噪声环境机器运行故障检测方法及检测系统。
背景技术
目前，随着技术的发展，现代大型生产的自动化程度越来越高，现代设备的结构越来越复杂，功能越来越完善，设备内部各部件之间的联系越来越紧密。对于动态系统来说，系统内部发生故障、工作状态不稳定或性能紊乱，不仅造成巨大的经济损失，而且会造成人员伤亡和严重的社会影响。
故障诊断是一种能够了解和掌握机器在运行过程中的状态，判断其整体或部分正常或异常，在早期发现故障及其原因，预测故障发展趋势的技术。振动监测、噪声监测、性能趋势分析和无损检测是主要的诊断方法。系统故障诊断就是对系统的运行状态和异常情况做出判断，并根据诊断结果做出判断，为系统故障恢复提供依据。为了对系统的故障进行诊断，首先需要对其进行检测。当系统发生故障时，需要对故障的类型、位置和原因进行诊断，并最终给出实现故障的解决方案恢复中故障诊断、噪声信号处理具有重要意义。如何消除噪声干扰一直是微弱信号检测的研究热点。
然而，大多数的研究都试图从信息论、电子学和物理方法等方面分析微弱信号和噪声的统计特性，构造滤波器来提取微弱信号。然而，当信号和噪声频带重叠时，基于消噪思想的滤波方法将受到不利影响：一是难以检测到低信噪比的微弱信号；二是检测不可避免地造成信号损坏或信息丢失。
同时现有方法大多针对强干扰环境下的机器运行故障，采用了较为复杂的离线算法，严重影响了故障监测的实时性；大多算法基于白噪声环境，算法适应性差；采集数据仅仅针对一定时间的数据长度，历史数据应用差。
通过上述分析，在机器运行早期故障信号检测中，现有技术存在的问题及缺陷为：
(1)现有机器故障检测方法算法复杂，检测适应性差，检测实时性差、历史数据应用差；
(2)现有机器故障检测方法难以检测到低信噪比的微弱信号；同时检测不可避免地造成信号损坏或信息丢失。
解决以上问题及缺陷的难度为：
本发明借助噪声调制技术，利用MUSIC算法对噪声的强抑制特性，相对于很多方法，该基于非参量的估计技术，从信号处理的表达式可以看出，具有较少的计算量，适应性更强。
解决以上问题及缺陷的意义为：
考虑到机器运行早期故障信号微弱，受噪声影响大，现有常规技术检测性能较差或者技术复杂度高，充分利用了噪声的随机调制功能、历史数据和实时监测数据对检测结果的影响，能及时发现早期运行故障，对安全生产和产品质量具有巨大的经济价值和社会价值。
发明内容
针对现有技术存在的问题，本发明提供了一种强噪声环境机器运行故障检测方法及检测系统。
本发明是这样实现的，一种强噪声环境机器运行故障检测方法，包括：
步骤一，对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
步骤二，通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
步骤三，基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
进一步，步骤一中，所述利用信号采样序列构造数据阵列包括：
所述信号采样序列为：
X＝[X1，X2…XM]T和XM T＝[x1，x2…xL]；
其中，XL T表示一组采样数据，xn表示一个样点；
则当时间窗为L时，构造数据矩阵如下：
Figure BDA0002678723060000031
进一步，步骤二，所述频谱分析包括：
信号输出频谱如下：
Figure BDA0002678723060000032
其中，M表示数据长度，即临近的M次历史分析；
Figure BDA0002678723060000033
本发明的另一目的在于提供一种实施所述强噪声环境机器运行故障检测方法的强噪声环境机器运行故障检测系统，所述强噪声环境机器运行故障检测系统包括：
采样模块，用于对机械运行振动信号的第n次数据序列进行采样；
阵列构造模块，用于利用信号采样序列构造数据阵列；
频谱分析及加权模块，用于通过噪声调制和信号个数对构造的数据阵列进行频谱分析以及加权求和；
检测判断模块，用于基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；
存储模块，用于记录机器故障数据并进行故障数据更新。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
本发明的另一目的在于提供一种实施所述强噪声环境机器运行故障检测方法的机器运行过程故障检测仪。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明利用复杂度不高而噪声抑制能力强的MUSIC算法作为核心算法，满足在线检测的要求；本发明改进的MUSIC算法基于白噪声，算法不受限于白噪声，噪声抑制能力强；本发明充分考虑到历史数据和即时数据的共同制作用，使输出信号更稳定。
本发明能够解决强干扰环境下的故障检测问题，能够实现在线实时检测，同时检测速度快，适应性强，抗干扰性强，具有较强的噪声抑制能力。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的强噪声环境机器运行故障检测方法流程图。
图2是本发明实施例提供的改进的MUSIC算法示意图。
图3是本发明实施例提供的强噪声环境机器运行故障检测系统结构示意图；
图中：1、采样模块；2、阵列构造模块；3、频谱分析及加权模块；4、检测判断模块；5、存储模块。
图4是本发明实施例提供的基于FFT和通用MUSIC算法的频谱分析示意图(无噪声)。
图5是本发明实施例提供的FFT和改进MUSIC的频谱分析算法(噪声方差σ2＝40,)示意图。
图6和图7是本发明实施例提供的FFT和改进MUSIC的频谱分析算法(噪声方差σ2＝50,)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。
针对现有技术存在的问题，本发明提供了一种强噪声环境机器运行故障检测方法，下面结合附图对本发明作详细的描述。
如图1-图2所示，本发明实施例提供的强噪声环境机器运行故障检测方法包括：
S101，对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
S102，通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
S103，基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
步骤S101中，本发明实施例提供的利用信号采样序列构造数据阵列包括：
所述信号采样序列为：
X＝[X1，X2…XM]T和XM T＝[x1，x2…xL]；
其中，XL T表示一组采样数据，xn表示一个样点；
则当时间窗为L时，构造数据矩阵如下：
Figure BDA0002678723060000061
步骤S102中，本发明实施例提供的频谱分析包括：
信号输出频谱如下：
Figure BDA0002678723060000062
其中，M表示数据长度，即临近的M次历史分析；
Figure BDA0002678723060000063
如图3所示，本发明实施例提供的强噪声环境机器运行故障检测系统包括：
采样模块1，用于对机械运行振动信号的第n次数据序列进行采样；
阵列构造模块2，用于利用信号采样序列构造数据阵列；
频谱分析及加权模块3，用于通过噪声调制和信号个数对构造的数据阵列进行频谱分析以及加权求和；
检测判断模块4，用于基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；
存储模块5，用于记录机器故障数据并进行故障数据更新。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
(一)MUSIC算法
众所周知，对于一个噪声污染的信号，所有的实际信号检测方法都受到噪声功率或信噪比的限制。式(1)表明，采样是由多个谐波组成的，而实际信号谐波只是很小的一部分。如果实际信号不表示序列的信号显著特征，则无法区分。所有的检测方法都受到这种特性限制，它们与其它方法不同的是改善了频域的显著特征。
假设采样数据为Y＝X+W，其自相关矩阵为Ryy，其特征值可以分解为
Figure BDA0002678723060000071
其中，U1是信号特征向量，U2是噪声特征向量，∑1、∑2是对角矩阵。对于高斯白噪声，如果其长度足够，其噪声特征值为
Figure BDA0002678723060000072
在(1)中
Figure BDA0002678723060000073
和
Figure BDA0002678723060000074
显然，噪声会调制信号。频谱可通过以下公式获得：
Figure BDA0002678723060000075
MUSIC算法的核心思想是对输出数据的协方差矩阵进行分解，得到信号子空间及其正交噪声子空间，然后构造两个子空间的正交空间谱函数，通过搜索谱峰来检测信号频率。作为一种非参数估计方法，该算法简单易行，具有较强的噪声抑制能力。
(二)改进的MUSIC算法：
1.构造数据数矩阵
在该算法中，本发明用信号采样序列构造数据阵列，力争一些有用的信息被最大限度地利用。因此，本发明设计了一种新的方法。假设
X＝[X1，X2…XM]T和XM T＝[x1，x2…xL] (4)
XL T表示一组采样数据，xn表示一个样点.如果时间窗L，可以构造数据矩阵
Figure BDA0002678723060000081
不同的数据序列代表不同的模式，它们被用来调制和揭示有用信号。因此当采样数为N时，利用MUSIC算法的估计原理，通过噪声调制和信号个数进行N-M次频谱分析。
2.频谱输出及判断
通过历史数据及即时数据融合判断机器运行状态。
实施例2：
对于含有噪声干扰的机械运行振动信号，有很多故障检测方法，但大多不适合于在线实时检测。FFT算法计算速度快，适应性强，是工业在线检测的首选算法。但是，工业机械在强随机干扰环境下运行时，其FFT谱的稳定性较差。为了解决强干扰环境下的故障检测问题，设计了一种基于MUSIC算法的故障检测方法。
第1步：对第n次数据序列进行采样，选取连续的m点，构造数据阵列；
第2步：对数据阵列进行频谱分析；
第3步：加权求和；
第4步：记录故障并更新。
在该算法中，MUSIC分析系数的权重不仅起到学习新频率分量的作用，而且减弱了突发随机噪声的干扰。信号输出频谱由(6)给出。
Figure BDA0002678723060000082
在(6)中，M表示数据长度，即临近的M次历史分析。可以令
Figure BDA0002678723060000083
通常4<M<10,分析已经很稳定了。
仿真分析：根据本发明提出的方法，设计了以下实验，得到了故障信号：
x(n)＝exp(0.2·2πnj)+exp(0.3·2πnj)+exp(0.5·2πnj)+w(n)
在数据窗为200时，对直接FFT分析和改进MUSIC方法进行了仿真分别显示如图4至图7所示。
图4展示了无噪声时FFT频谱分析与本发明方法的对比；
图5展示了噪声强度σ2＝40时FFT频谱分析与本发明方法的对比；
图6和图7展示了噪声强度σ2＝50时FFT频谱分析与本发明方法的对比。
显然，从图5、和图6和图7可以看出，通过直接FFT分析和通用MUSIC检测机器故障信号性能差异是显而易见的，欠估计信号的MUSIC算法具有较强的噪声抑制能力，适用于早期故障信号检测。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种强噪声环境机器运行故障检测方法，其特征在于，所述强噪声环境机器运行故障检测方法包括：
对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
2.如权利要求1所述强噪声环境机器运行故障检测方法，其特征在于，所述利用信号采样序列构造数据阵列包括：
所述信号采样序列为：
X＝[X1，X2…XM]T和XM T＝[x1，x2…xL]；
其中，XL T表示一组采样数据，xn表示一个样点；
则当时间窗为L时，构造数据矩阵如下：
Figure FDA0002678723050000011
3.如权利要求1所述强噪声环境机器运行故障检测方法，其特征在于，所述频谱分析包括：
信号输出频谱如下：
Figure FDA0002678723050000012
其中，M表示数据长度，即临近的M次历史分析；
Figure FDA0002678723050000013
4.一种实施如权利要求1-3所述强噪声环境机器运行故障检测方法的强噪声环境机器运行故障检测系统，其特征在于，所述强噪声环境机器运行故障检测系统包括：
采样模块，用于对机械运行振动信号的第n次数据序列进行采样；
阵列构造模块，用于利用信号采样序列构造数据阵列；
频谱分析及加权模块，用于通过噪声调制和信号个数对构造的数据阵列进行频谱分析以及加权求和；
检测判断模块，用于基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；
存储模块，用于记录机器故障数据并进行故障数据更新。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
对机械运行振动信号的第n次数据序列进行N次采样，选取连续的m点，并利用信号采样序列构造数据阵列；
通过噪声调制和信号个数对构造的数据阵列进行N-M次频谱分析；并加权求和；
基于频谱分析结果，通过历史数据及即时数据融合判断机器运行状态；若机器存在故障，则记录故障并更新。
7.一种实施如权利要求1-3所述强噪声环境机器运行故障检测方法的机器运行过程故障检测仪。
CN202010956351.5A 2020-09-11 2020-09-11 一种强噪声环境机器运行故障检测方法及检测系统 Pending CN112098129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010956351.5A CN112098129A (zh) 2020-09-11 2020-09-11 一种强噪声环境机器运行故障检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010956351.5A CN112098129A (zh) 2020-09-11 2020-09-11 一种强噪声环境机器运行故障检测方法及检测系统

Publications (1)

Publication Number Publication Date
CN112098129A true CN112098129A (zh) 2020-12-18

Family

ID=73750933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010956351.5A Pending CN112098129A (zh) 2020-09-11 2020-09-11 一种强噪声环境机器运行故障检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN112098129A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279342A (zh) * 2011-07-23 2011-12-14 华北电力大学（保定） 一种基于music与saa的笼型异步电动机转子断条故障检测方法
EP3078946A1 (en) * 2015-04-08 2016-10-12 The Boeing Company Vibration monitoring systems
CN110196173A (zh) * 2019-05-05 2019-09-03 成都大学 一种基于自学习的强噪声环境机器运行故障在线检测方法
CN110310667A (zh) * 2019-07-12 2019-10-08 莫毓昌 一种基于声学特征的设备故障检测方法
CN111175698A (zh) * 2020-01-18 2020-05-19 国网山东省电力公司菏泽供电公司 一种基于声振结合的变压器噪声源定位方法、系统和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279342A (zh) * 2011-07-23 2011-12-14 华北电力大学（保定） 一种基于music与saa的笼型异步电动机转子断条故障检测方法
EP3078946A1 (en) * 2015-04-08 2016-10-12 The Boeing Company Vibration monitoring systems
CN110196173A (zh) * 2019-05-05 2019-09-03 成都大学 一种基于自学习的强噪声环境机器运行故障在线检测方法
CN110310667A (zh) * 2019-07-12 2019-10-08 莫毓昌 一种基于声学特征的设备故障检测方法
CN111175698A (zh) * 2020-01-18 2020-05-19 国网山东省电力公司菏泽供电公司 一种基于声振结合的变压器噪声源定位方法、系统和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁国荣等: ""基于噪声源估计的电机故障诊断研究"", 《防爆电机》 *

Similar Documents

Publication Publication Date Title
Zhang et al. A novel Fast Entrogram and its applications in rolling bearing fault diagnosis
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN107657088B (zh) 基于mckd算法与支持向量机的滚动轴承故障诊断方法
CN109668733B (zh) 变分非线性模式分解变转速轴承故障诊断方法
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
WO2015099964A1 (en) Systems and methods for event detection and diagnosis
Yan et al. Bearing fault diagnosis via a parameter-optimized feature mode decomposition
Chen et al. An improved singular value decomposition-based method for gear tooth crack detection and severity assessment
CN113869286B (zh) 一种自适应多任务智能故障诊断系统及故障诊断方法
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN105678343A (zh) 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN109190598A (zh) 一种基于ses-lof的旋转机械监测数据噪点检测方法
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN113345399A (zh) 一种强噪声环境下的机器设备声音监测方法
CN103646013B (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
Wei et al. Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
Yu et al. A new method to select frequency band for vibration signal demodulation and condition estimation of rolling bearings
Zou et al. Toward accurate extraction of bearing fault modulation characteristics with novel time–frequency modulation bispectrum and modulation Gini index analysis
CN114263621A (zh) 一种离心泵空化故障诊断模拟的试验方法及系统
CN112098129A (zh) 一种强噪声环境机器运行故障检测方法及检测系统
Lu et al. Compound fault diagnosis of rolling bearings based on AVMD and IMOMEDA
CN114200232B (zh) 一种输电线路故障行波波头检测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218