CN112346941A - 一种故障诊断方法及装置 - Google Patents
一种故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112346941A CN112346941A CN201910730420.8A CN201910730420A CN112346941A CN 112346941 A CN112346941 A CN 112346941A CN 201910730420 A CN201910730420 A CN 201910730420A CN 112346941 A CN112346941 A CN 112346941A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- fault diagnosis
- operation data
- analysis result
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000010219 correlation analysis Methods 0.000 claims abstract description 43
- 238000012098 association analyses Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 31
- 230000010354 integration Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种故障诊断方法，包括：将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。上述的诊断方法，在故障诊断过程中不需要人的经验来确定故障发生的概率，发生概率只取决于优先级顺序和与所述异常运行数据存在关联的各个参考信息，复用性强。
Description
技术领域
本发明涉及行为分析技术领域，尤其涉及一种故障诊断方法及装置。
背景技术
目前，多数动设备生产现场故障诊断方法是基于传感器信号的波动情况来预测和判断故障，如果需要进行关联分析也基本上是根据工程师的经验进行。
发明人对现有的故障诊断方法进行研究发现，故障分析方式因人经验而异，不够客观，复用性差。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种故障诊断方法及装置，具体的方案如下：
一种故障诊断方法，包括：
将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
上述的方法，可选的，构建所述故障诊断模型包括：
构建初始故障诊断模型，其中，所述初始故障诊断模型中包括：节点、关联参数和关联流程；
将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果；
当所述初始故障分析结果不满足训练要求时，对所述节点的数量、所述关联参数的优先级、所述关联流程中的至少一个进行调整；
继续依据所述历史数据对调整后的初始故障诊断模型进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
上述的方法，可选的，将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，包括：
识别所述运行数据中的异常运行数据；
依据所述异常运行数据，确定各个备选故障类型；
获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
将各个概率进行整合，计算所述各个备选故障类型的发生概率。
上述的方法，可选的，还包括：
当所述发生概率均为零时，提示启用人工诊断方式进行故障诊断。
上述的方法，可选的，获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序，包括：
查找与所述异常运行数据对应的历史数据；
依据所述历史数据中的鼠标热点，记录操作轨迹；
依据所述操作轨迹，确定与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序。
上述的方法，可选的，还包括：
对所述操作轨迹进行筛选，删除所述操作轨迹中的异常操作轨迹。
一种故障诊断装置，包括：
诊断模块，用于将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录和反馈模块，用于记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
上述的装置，可选的，所述诊断模块包括：
识别单元，用于识别所述运行数据中的异常运行数据；
确定单元，用于依据所述异常运行数据，确定各个备选故障类型；
第一获取单元，用于获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
第二获取单元，用于依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
整合单元，用于将各个概率进行整合，计算所述各个备选故障类型的发生概率。
一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的故障诊断方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的故障诊断方法。
借由上述技术方案，本发明公开了一种故障诊断方法，包括：将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。上述的诊断方法，在故障诊断过程中不需要人的经验来确定故障发生的概率，发生概率只取决于优先级顺序和与所述异常运行数据存在关联的各个参考信息，复用性强。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了一种故障诊断方法流程图；
图2示出了一种故障诊断方法又一流程图；
图3示出了一种故障诊断装置结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明公开了一种故障诊断方法，所述诊断方法应用在动设备的故障诊断过程中，所述诊断方法需要在动设备端上安装可以采集设备生产或自检的数字化信号的采集装置，例如传感器，该数字化信号可以通过无线或者有线方式上传至实时数据库或者关系数据库中。本发明实施例中以故障诊断模型作为故障诊断的执行主体对所述故障诊断方法进行描述，但对执行主体的具体形式不作限定，所述故障诊断方法的执行流程如图1所示，包括步骤：
S101、将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
本发明实施例中，所述目标设备为当前进行故障诊断的设备，将所述运行数据输入预先构建的故障诊断模型，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述历史数据是通过人工诊断过程得到的，所述用户关联分析数据是历史用户操作行为记录，包括：操作的时间、使用的工具和关联参数，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息，所述用于关联分析的各个参考信息为依据所述故障分析结果给出的操作提示，也即消除故障分析结果所给出的故障类型所适用的关联操作提示，其中，所述操作提示可以为图表或者文字形式存在。
其中，将所述历史数据依据预设的比例分为训练集和验证集，其中，所述预设的比例依据具体的情况进行设定，不发明中不作限定；
构建所述故障诊断模型包括：
S1、构建初始故障诊断模型，其中，所述初始故障诊断模型中包括：节点、关联参数和关联流程；
本发明实施例中，所述初始故障诊断模型可以采用神经网络、深度学习等方法进行构建，可将专家经验和知识沉淀到所述故障诊断模型中。所述初始故障诊断模型中包括：节点，与故障诊断有关的关联参数和依据所述关联参数进行诊断的关联流程，其中，所述节点可以依据故障诊断的步骤进行划分，每一个步骤对应一个节点，所述与故障有关的关联参数是当故障类型确定后，可以确定与所述故障类型对应的关联参数，例如故障类型为转子不对中，则关联参数为电压和电流，所述关联流程中关联的是各个节点依据关联参数的执行顺序，所述节点，所述与故障有关的关联参数和所述关联流程是基于对历史数据进行大数据分析或者经验值进行确定的。
S2、将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果；
本发明实施例中，将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果。训练过程是训练历史数据中异常运行数据和各类型故障间的对应关系，可以为概率计算奠定基础，同时还要分析为了消除各个类型故障所对应的关联操作，例如，针对某一历史数据，依据其可以确定初始故障分析结果为共振故障，建立共振故障与该历史数据的对应关系，获取该历史数据中包含的操作轨迹，其中，所述操作轨迹为当故障发生后，为了消除故障，分析人员进行相应关联操作过程的记录，依据该操作轨迹，为消除共振故障给出操作提示。例如，所述操作提示可以为“请查看时域信号”。
将所述初始故障分析结果与所述历史数据的实际故障进行比较，判断所述初始故障分析结果是否满足训练要求，其中，所述训练要求可以是两者的差异是否满足预设的差异阈值或者其它训练要求，当满足所述训练要求时，所述初始故障诊断模型即为所述故障诊断模型。
但是由于分析人员的经验或者水平不同，针对同一类型的故障，鼠标记录的过程也是有区别的，优选的，该过程应该趋近于归一化的，为了实现归一化，可以对操作轨迹中的异常轨迹进行删除处理，其中异常轨迹可以为包括，分析人员因操作失误产生的操作轨迹、操作人员因水平或者经验有限导致的冗余操作记录等。
S3、当所述初始故障分析结果不满足训练要求时，对所述节点的数量、所述关联参数的优先级、所述关联流程中的至少一个进行调整；
本发明实施例中，当所述初始故障分析结果不满足训练要求时，依据具体情况，对所述节点的数量、关联参数的优先级、所述关联流程中的至少一个进行调整，例如：所述初始故障分析结果中出现过拟合的情况，选择减少所述节点的数量，因此，为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。例如，所述初始诊断分析结果与所述实际结果的误差较大，但此时并未出现过拟合现象，就需要对所述关联参数的优先级和/或所述关联流程进行调整，调整过程如下：针对关联参数A和关联参数B，所述关联参数A的优先级高于所述关联参数B，调整可以为令所述关联参数A的优先级低于所述关联参数B或者同时降低所述关联参数A和所述关联参数B的优先级，但是优先级顺序不变，针对关联流程，可对关联流程的顺序进行调整，也可以删除关联流程中对应的流程。
S4、继续依据所述历史数据对调整后的初始故障诊断模型进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
本发明实施例中，调整完成后继续依据所述历史数据对调整后的初始故障诊断模型采用S2和S3所述方式进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
当依据所述训练集对所述故障诊断模型训练完成时，还可以采用验证集对所述故障诊断模型进行验证。
上述过程中，针对每一种异常运行数据，都会对应至少一种故障类型，将所述历史数据和其对用的训练结果进行大数据分析，可以确定针对每一种异常运行数据，所有可能的故障类型发生的概率，依据概率值由大到小进行优先级排序，得到故障概率图，依据所述故障概率图，最终确定针对某一具体的异常运行数据，其对应的各个备选故障类型的概率，可以将所述故障概率图保存到对应的数据库中。
S102、记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
本发明实施例中，通过记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据，将所述新的用户关联分析数据发送给所述故障诊断模型进行诊断，以实现对所述故障诊断模型进行优化。
本发明公开了一种故障诊断方法，包括：将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。上述的诊断方法，在故障诊断过程中不需要人的经验来确定故障发生的概率，发生概率只取决于优先级顺序和与所述异常运行数据存在关联的各个参考信息，复用性强。
本发明实施例中，将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果执行流程如图2所示，包括步骤：
S201、识别所述运行数据中的异常运行数据；
本发明实施例中，所述运行数据中包括正常运行数据和异常运行数据，为了减小后续诊断的工作时间，可以对所述运行数据进行筛选，识别出所述运行数据中的异常运行数据，其中，可以依据数据中异常的频率信号、峰值信号或者报警信号等进行识别。所述运行数据的获取是通过对应的传感器进行采集的，优选的，本发明建立了由各个传感器、远程终端控制系统、可编程逻辑控制器、分布式控制系统到所述故障诊断模型的通讯链路，依据所述通讯链路进行运行数据的采集、传递和故障诊断。
S202、依据所述异常运行数据，确定各个备选故障类型
本发明实施例中，依据所述异常运行数据，获取与其对应的故障概率图，在所述故障概率图查找针对所述异常运行数据的各个备选故障类型。
S203、获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
本发明实施例中，针对所述异常运行数据，查找与所述异常运行数据对应的历史数据，识别所述历史数据中的鼠标热点，依据所述历史数据中的鼠标热点，记录操作轨迹，解析所述操作轨迹中包含的参数，将其作为与所述异常运行数据存在关联的历史数据，依据所述操作轨迹中各个关联参数的执行顺序，确定与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序。其中，所述各个关联参数可以为：频谱、音频、电流、电压、流量、温度、图片、瀑布图、振动频谱图、时域分析图、速度、加速度、温度、压力中的至少一个。
S204、依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
本发明实例中，依据优先级的顺序，对与所述异常运行信息存在关联的各个关联参数进行提示，在所述故障概率图获取与每一个关联参数对应的备选故障类型的发生概率，其中，每一个关联参数对应的备选故障类型至少为一种。
S205、将各个概率进行整合，计算所述各个备选故障类型的发生概率。
本发明实施例中，计算所述各个备选故障类型的发生概率，例如，看到一个一倍频为主要能量的频谱，对应故障可能为转子不平衡，不对中，共振等备用故障类型，依据故障概率图，确定共振故障对应的发生概率为10％，确定不对中故障的发生概率20％，转子不平衡故障的发生概率为70％，通过时域波形图可排除共振故障可能性，因此共振故障对应的发生概率为0％，当排除所述共振故障概率后，重新根据经验通过关联分析了解到电压的对应变化，确定转子不平衡故障的发生概率为80％，则不对中故障的发生概率20％，重新根据经验通过关联分析了解到电流的对应变化，转子不平衡故障的发生概率为95％，则不对中故障的发生概率5％，因此，最终的诊断结果为：共振故障的发生概率为0，不对中故障的发生概率为5％，转子不平衡故障的发生概率为95％。其中，概率整合和计算所述各个备选故障类型的发生概率的原则可以依据具体的情况进行设定，本发明中不作限定。
本发明实施例中，若所述各个概率均为零时，说明当前故障在所述故障诊断模型中并未出现过，优选的，启用人工诊断方式对所述异常运行数据进行诊断，并将该诊断过程作为所述故障诊断模型的更新样本，用于对所述故障诊断模型进行更新。
基于所述故障诊断方法，本发明实施例中，还提供了一种故障诊断装置，所述诊断装置的结构框图如图3所示，包括：
诊断模块301和记录和反馈模块304。
其中，
所述诊断模块301，用于将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
所述记录和反馈模块302，用于记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
本发明公开了一种故障诊断装置，包括：将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。上述的诊断装置，在故障诊断过程中不需要人的经验来确定故障发生的概率，发生概率只取决于优先级顺序和与所述异常运行数据存在关联的各个参考信息，复用性强。
本发明实施例中，所述诊断模块301包括：
识别单元303、确定单元304、第一获取单元305、第二获取单元306和整合单元307。
其中，
所述识别单元303，用于识别所述运行数据中的异常运行数据；
所述确定单元304，用于依据所述异常运行数据，确定各个备选故障类型；
所述第一获取单元305，用于获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
所述第二获取单元306，用于依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
所述整合单元307，用于将各个概率进行整合，计算所述各个备选故障类型的发生概率。
所述故障诊断装置包括处理器和存储器，上述诊断模块和记录和反馈模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高诊断方法的复用性
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述故障诊断方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述故障诊断方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
上述的方法，可选的，构建所述故障诊断模型包括：
构建初始故障诊断模型，其中，所述初始故障诊断模型中包括：节点、关联参数和关联流程；
将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果；
当所述初始故障分析结果不满足训练要求时，对所述节点的数量、所述关联参数的优先级、所述关联流程中的至少一个进行调整；
继续依据所述历史数据对调整后的初始故障诊断模型进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
上述的方法，可选的，将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，包括：
识别所述运行数据中的异常运行数据；
依据所述异常运行数据，确定各个备选故障类型；
获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
将各个概率进行整合，计算所述各个备选故障类型的发生概率。
上述的方法，可选的，还包括：
当所述发生概率均为零时，提示启用人工诊断方式进行故障诊断。
上述的方法，可选的，获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序，包括：
查找与所述异常运行数据对应的历史数据；
依据所述历史数据中的鼠标热点，记录操作轨迹；
依据所述操作轨迹，确定与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序。
上述的方法，可选的，还包括：
对所述操作轨迹进行筛选，删除所述操作轨迹中的异常操作轨迹。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
上述的方法，可选的，构建所述故障诊断模型包括：
构建初始故障诊断模型，其中，所述初始故障诊断模型中包括：节点、关联参数和关联流程；
将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果；
当所述初始故障分析结果不满足训练要求时，对所述节点的数量、所述关联参数的优先级、所述关联流程中的至少一个进行调整；
继续依据所述历史数据对调整后的初始故障诊断模型进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
上述的方法，可选的，将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，包括：
识别所述运行数据中的异常运行数据；
依据所述异常运行数据，确定各个备选故障类型；
获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
将各个概率进行整合，计算所述各个备选故障类型的发生概率。
上述的方法，可选的，还包括：
当所述发生概率均为零时，提示启用人工诊断方式进行故障诊断。
上述的方法，可选的，获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序，包括：
查找与所述异常运行数据对应的历史数据；
依据所述历史数据中的鼠标热点，记录操作轨迹；
依据所述操作轨迹，确定与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序。
上述的方法，可选的，还包括：
对所述操作轨迹进行筛选，删除所述操作轨迹中的异常操作轨迹。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种故障诊断方法，其特征在于，包括：
将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
2.根据权利要求1所述的方法，其特征在于，构建所述故障诊断模型包括：
构建初始故障诊断模型，其中，所述初始故障诊断模型中包括：节点、关联参数和关联流程；
将所述历史数据输入至所述初始故障诊断模型中进行训练，得到初始故障分析结果；
当所述初始故障分析结果不满足训练要求时，对所述节点的数量、所述关联参数的优先级、所述关联流程中的至少一个进行调整；
继续依据所述历史数据对调整后的初始故障诊断模型进行训练，直至对应的初始故障分析结果满足训练要求，得到所述故障诊断模型。
3.根据权利要求1所述的方法，其特征在于，将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，包括：
识别所述运行数据中的异常运行数据；
依据所述异常运行数据，确定各个备选故障类型；
获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
将各个概率进行整合，计算所述各个备选故障类型的发生概率。
4.根据权利要求3所述的方法，其特征在于，还包括：
当所述发生概率均为零时，提示启用人工诊断方式进行故障诊断。
5.根据权利要求3所述的方法，其特征在于，获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序，包括：
查找与所述异常运行数据对应的历史数据；
依据所述历史数据中的鼠标热点，记录操作轨迹；
依据所述操作轨迹，确定与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序。
6.根据权利要求5所述的方法，其特征在于，还包括：
对所述操作轨迹进行筛选，删除所述操作轨迹中的异常操作轨迹。
7.一种故障诊断装置，其特征在于，包括：
诊断模块，用于将目标设备的运行数据输入预先构建的故障诊断模型，得到故障分析结果，其中，所述故障诊断模型为对历史数据进行机器学习得到的用于输出所述故障分析结果的模型，所述历史数据包括故障发生时的设备运行数据及对应的用户关联分析数据，所述故障分析结果包括设备故障类型和/或用于关联分析的各个参考信息；
记录和反馈模块，用于记录用户基于所述故障分析结果所进行的关联分析过程，得到新的用户关联分析数据并反馈回所述故障诊断模型，以对所述故障诊断模型进行优化。
8.根据权利要求7所述的装置，其特征在于，所述诊断模块包括：
识别单元，用于识别所述运行数据中的异常运行数据；
确定单元，用于依据所述异常运行数据，确定各个备选故障类型；
第一获取单元，用于获取与所述异常运行数据存在关联的各个关联参数及其对应的优先级顺序；
第二获取单元，用于依据所述优先级的顺序，获取与每一个关联参数对应的备选故障类型的概率；
整合单元，用于将各个概率进行整合，计算所述各个备选故障类型的发生概率。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的故障诊断方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730420.8A CN112346941A (zh) | 2019-08-08 | 2019-08-08 | 一种故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910730420.8A CN112346941A (zh) | 2019-08-08 | 2019-08-08 | 一种故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112346941A true CN112346941A (zh) | 2021-02-09 |
Family
ID=74366724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910730420.8A Pending CN112346941A (zh) | 2019-08-08 | 2019-08-08 | 一种故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112346941A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988725A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路数据清洗方法、系统、电子设备和存储介质 |
| CN113010394A (zh) * | 2021-03-01 | 2021-06-22 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房故障检测方法 |
| CN113010415A (zh) * | 2021-02-24 | 2021-06-22 | 北京每日优鲜电子商务有限公司 | 基于字节码插桩技术的应用程序故障诊断方法和装置 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113778050A (zh) * | 2021-08-13 | 2021-12-10 | 江铃汽车股份有限公司 | 车辆远程诊断方法、装置、存储介质及车辆售后终端 |
| CN114035537A (zh) * | 2021-10-22 | 2022-02-11 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
| CN114120592A (zh) * | 2021-10-15 | 2022-03-01 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
| CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
| CN114265385A (zh) * | 2021-11-19 | 2022-04-01 | 中国兵器工业信息中心 | 一种基于深度学习的故障识别方法、装置及存储介质 |
| CN114519437A (zh) * | 2022-02-18 | 2022-05-20 | 江苏兴教科技有限公司 | 一种基于云的故障诊断分析及报修的微服务方法及系统 |
| CN114754018A (zh) * | 2022-04-02 | 2022-07-15 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
| CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
| CN116720048A (zh) * | 2022-07-18 | 2023-09-08 | 华能汕头海门发电有限责任公司 | 一种基于机器学习模型的电站辅机故障诊断方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
| CN101917297A (zh) * | 2010-08-30 | 2010-12-15 | 烽火通信科技股份有限公司 | 基于贝叶斯网络的核心网故障诊断方法及系统 |
| CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
| CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
| US20140281713A1 (en) * | 2013-03-14 | 2014-09-18 | International Business Machines Corporation | Multi-stage failure analysis and prediction |
| CN104297589A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 |
| CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
| CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
| CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
-
2019
- 2019-08-08 CN CN201910730420.8A patent/CN112346941A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
| CN101917297A (zh) * | 2010-08-30 | 2010-12-15 | 烽火通信科技股份有限公司 | 基于贝叶斯网络的核心网故障诊断方法及系统 |
| CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
| US20140281713A1 (en) * | 2013-03-14 | 2014-09-18 | International Business Machines Corporation | Multi-stage failure analysis and prediction |
| CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
| CN104297589A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 |
| CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
| CN109460561A (zh) * | 2018-07-25 | 2019-03-12 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
| CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 冯言勇;刘桐杰;李昱;方俊伟;: "通过大数据分析进行设备故障诊断的技术研究", 自动化博览, no. 12 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010415A (zh) * | 2021-02-24 | 2021-06-22 | 北京每日优鲜电子商务有限公司 | 基于字节码插桩技术的应用程序故障诊断方法和装置 |
| CN113010394A (zh) * | 2021-03-01 | 2021-06-22 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房故障检测方法 |
| CN113010394B (zh) * | 2021-03-01 | 2024-04-16 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房故障检测方法 |
| CN112988725A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路数据清洗方法、系统、电子设备和存储介质 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113610350B (zh) * | 2021-07-08 | 2024-04-23 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113778050A (zh) * | 2021-08-13 | 2021-12-10 | 江铃汽车股份有限公司 | 车辆远程诊断方法、装置、存储介质及车辆售后终端 |
| CN114120592B (zh) * | 2021-10-15 | 2023-10-20 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
| CN114120592A (zh) * | 2021-10-15 | 2022-03-01 | 青岛海尔空调电子有限公司 | 用于故障报警的方法及装置、电子设备、存储介质 |
| CN114035537A (zh) * | 2021-10-22 | 2022-02-11 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
| CN114035537B (zh) * | 2021-10-22 | 2024-03-01 | 上海发电设备成套设计研究院有限责任公司 | 一种燃气轮机控制系统综合诊断平台及方法 |
| CN114265385A (zh) * | 2021-11-19 | 2022-04-01 | 中国兵器工业信息中心 | 一种基于深度学习的故障识别方法、装置及存储介质 |
| CN114239855B (zh) * | 2021-12-20 | 2023-08-04 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
| CN114239855A (zh) * | 2021-12-20 | 2022-03-25 | 北京瑞莱智慧科技有限公司 | 分析异常诊断信息的方法、装置、介质和计算设备 |
| CN114519437A (zh) * | 2022-02-18 | 2022-05-20 | 江苏兴教科技有限公司 | 一种基于云的故障诊断分析及报修的微服务方法及系统 |
| CN114754018B (zh) * | 2022-04-02 | 2024-02-20 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
| CN114754018A (zh) * | 2022-04-02 | 2022-07-15 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
| CN116720048A (zh) * | 2022-07-18 | 2023-09-08 | 华能汕头海门发电有限责任公司 | 一种基于机器学习模型的电站辅机故障诊断方法和系统 |
| CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112346941A (zh) | 一种故障诊断方法及装置 | |
| US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| US11598880B2 (en) | Detecting fault states of an aircraft | |
| US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
| US10739736B2 (en) | Apparatus and method for event detection and duration determination | |
| CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| US7567878B2 (en) | Evaluating anomaly for one class classifiers in machine condition monitoring | |
| CN110426634B (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
| JP2019520659A (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法 | |
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| US11675799B2 (en) | Anomaly detection system | |
| JP2019101495A (ja) | 診断装置、診断方法、プログラム、および記録媒体 | |
| US20090143873A1 (en) | Batch process monitoring using local multivariate trajectories | |
| US20140188778A1 (en) | Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same | |
| US20210201201A1 (en) | Method and apparatus for determining storage load of application | |
| CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN111949496B (zh) | 一种数据检测方法及装置 | |
| CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
| EP3712728A1 (en) | Apparatus for predicting equipment damage | |
| CN110780198B (zh) | 一种伺服焊接系统运动的波形识别方法及设备 | |
| US11176502B2 (en) | Analytical model training method for customer experience estimation | |
| CN115931359A (zh) | 一种涡轮泵轴承故障诊断方法及装置 | |
| CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. |
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 |