CN113032915B - 一种制造装备主轴轴承健康状态评估方法及装置 - Google Patents
一种制造装备主轴轴承健康状态评估方法及装置 Download PDFInfo
- Publication number
- CN113032915B CN113032915B CN202110192571.XA CN202110192571A CN113032915B CN 113032915 B CN113032915 B CN 113032915B CN 202110192571 A CN202110192571 A CN 202110192571A CN 113032915 B CN113032915 B CN 113032915B
- Authority
- CN
- China
- Prior art keywords
- bearing
- vibration signal
- signal
- health
- envelope 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 abstract description 14
- 230000015556 catabolic process Effects 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种制造装备主轴轴承健康状态评估方法及装置,其中方法包括:S1:实时采集轴承的原始振动信号,并对所述原始振动信号进行预处理,得到预处理振动信号;S2:对所述步骤S1得到的预处理振动信号进行解调处理,得到所述预处理振动信号对应的包络信号;S3:在所述步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号,基于所述平方包络信号建立轴承健康评估模型,并利用所述健康评估模型获取轴承健康指标HOHI,来评价轴承的状态;本发明不仅能够描述轴承全生命周期的退化趋势,且能够准确、显著的识别出轴承的早期故障。
Description
技术领域
本发明涉及机械设备的故障预测技术领域,更具体的说是涉及一种制造装备主轴轴承健康状态评估方法及装置。
背景技术
目前,为了满足生产要求,机械设备的结构功能也越来越复杂,由于其工作环境恶劣多变,在长期运行过程中会逐渐老化,发生故障的潜在可能性也随之增加,一旦设备中的某些关键零部件发生故障,可能造成整个生产系统停机,影响生产效率,造成经济损失,故而对机械设备关键零部件的运行状态进行实时监测和通过数据分析进行性能评估和预测可及时发现问题并制定相应维修策略,避免恶性突发事件的发生。而轴承作为机械设备最重要的关键零部件之一,在实际使用过程中会出现性能退化到最后失效。
但是,在对轴承性能评估和预测的方法中,主要有基于退化过程的物理模型方法和基于数据的神经网络方法。其中基于物理模型的方法虽然精确度相对较高,但退化过程较为复杂,物理模型难以准确获得;基于数据的方法在模型复杂度和精确度方面取得了折中,是目前应用较多的方法,主要存在的问题是评估退化性能和趋势预测准确度不高。
因此,如何提供一种评估精度高的制造装备主轴轴承健康状态评估方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种制造装备主轴轴承健康状态评估方法及装置,不仅能够描述轴承全生命周期的退化趋势,且能够准确、显著的识别出轴承的早期故障。
为了实现上述目的,本发明采用如下技术方案:
一种制造装备主轴轴承健康状态评估方法,包括:
S1:实时采集轴承的原始振动信号,并对所述原始振动信号进行预处理,得到预处理振动信号;
S2:对所述步骤S1得到的预处理振动信号进行解调处理,得到所述预处理振动信号对应的包络信号;
S3:在所述步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号,基于所述平方包络信号建立轴承健康评估模型,并利用所述健康评估模型获取轴承健康指标HOHI,来评价轴承的状态。
优选的,所述步骤S3中,建立轴承健康评估模型的具体过程,首先建立指标E1和E2,其中E1和E2的表达式分别为:
其中,E1表示平方包络信号的二阶原点矩,E2表示平方包络信号的三阶幂均值;S2(t)表示预处理振动信号对应的平方包络信号,L为平方包络信号的长度。
优选的,所述步骤S3还包括:联合指标E1和指标E2建立健康指标HOHI,健康指标HOHI的表达式为:
式中,HOHI(i)为轴承在i时刻的健康指标。
轴承健康指标HOHI是轴承时域信号的一种普适性统计特征,该统计特征能够在轴承正常工作时表现平稳,而在轴承出现故障时,健康指标将出现显著波动,保证轴承故障诊断的准确性、及时性和显著性。
优选的,所述步骤S1中,采用巴特沃斯低通滤波器对轴承的原始振动信号进行低通滤波处理,获得预处理振动信号。
优选的,所述步骤S2中,采用Hilbert变换对预处理振动信号进行解调,获得所述预处理振动信号对应的包络信号,同时在所述步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号。
进一步,本发明还提供一种制造装备主轴轴承健康状态评估装置,包括:
采集模块,所述采集模块用于实时采集轴承的原始振动信号;
处理模块,所述处理模块用于对所述原始振动信号进行处理,以得到对应的轴承原始振动信号的包络信号;
评估模块,所述评估模块用于对所述包络信号进行处理,以得到对应的轴承健康评估模型,并对轴承的健康状态进行评估。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种制造装备主轴轴承健康状态评估方法及装置,具有如下有益效果:
(1)本发明对数据的预处理精度要求不高,简化了制造装备主轴轴承的健康评估模型但评估诊断精度较高,在对轴承进行健康评估时所需时间较短,能够满足实际生产加工过程中对智能制造装备的实时监控,具有较高的实用性意义;
(2)本发明所述健康评估模型分析时所需要的振动信号为制造装备主轴正常运行下轴承的实时采集信号,并不依赖同类型、同位置、同工况下轴承的历史故障数据,仅需要对实时采集数据进行处理分析即可获得轴承当前时刻的健康状态;
(3)本发明所述的健康评估指标在轴承的正常阶段波动很小,处于平稳状态。一旦轴承出现早期故障,健康评估指标将会出现明显波动,能够在视觉上明显察觉,避免出现对轴承故障的误判、迟判,具有较高的准确性、实时性和显著性;
(4)本发明所述健康评估指标并非在已有统计指标的基础上改进,而是独立构造的时域统计指标。因此摆脱已有统计特征的限制,对轴承的健康状态具有较强的敏感性,对轴承的性能退化具有较高的平滑性,既能够诊断早期故障又能够描述轴承的性能退化过程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种制造装备主轴轴承健康状态评估方法的整体流程图;
图2附图为本发明提供的一种制造装备主轴轴承健康状态评估装置的结构原理框图;
图3附图为本发明实施例提供的为均方根值(RMS)、峭度(KS)和本发明所提出的健康评价指标HOHI对轴承的全周期状态监测的性能退化评估曲线;
图4附图为本发明实施例提供的轴承健康评价指标HOHI所诊断出的轴承故障点前一点信号的平方包络谱、轴承故障点处信号的平方包络谱、轴承故障点后一点信号的平方包络谱。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1所示,本发明实施例公开了一种制造装备主轴轴承健康状态评估方法,包括:
S1:实时采集轴承的原始振动信号,并对原始振动信号进行预处理,得到预处理振动信号;
S2:对步骤S1得到的预处理振动信号进行解调处理,得到预处理振动信号对应的包络信号;
S3:在步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号,基于平方包络信号建立轴承健康评估模型,并利用健康评估模型获取轴承健康指标HOHI,来评价轴承的状态。
其中,步骤S3中,利用包络信号获取轴承故障振动信号的方法同样可以采用低通滤波器处理,从而获得故障信号。
在一个具体的实施例中,步骤S3中,建立轴承健康评估模型的具体过程,首先建立指标E1和E2,其中E1和E2的表达式分别为:
其中,E1表示平方包络信号的二阶原点矩,E2表示平方包络信号的三阶幂均值;S2(t)表示预处理振动信号对应的平方包络信号,L为平方包络信号的长度。
在一个具体的实施例中,联合E1和E2建立健康指标HOHI,健康指标HOHI的表达式为:
式中,HOHI(i)为轴承在i时刻的健康指标。
在一个具体的实施例中,步骤S1中,采用巴特沃斯低通滤波器对轴承的原始振动信号进行低通滤波处理,获得预处理振动信号x(t),其中滤波器幅值平方和频率关系如下:
式中,ε为已知常数,N为滤波器阶数,w为角频率,wc为截止频率,通常为信号采样频率的一半。
采用的巴特沃斯低通滤波器的阶数和截止频率可根据实际轴承的型号和尺寸以及实际上工作情况确定,以满足滤波的普适性。
在一个具体的实施例中,步骤S2中,采用Hilbert变换对预处理振动信号进行解调,获得滤波后预处理振动信号对应的包络信号,同时在步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号,解调函数表达式为:
所获得的包络信号:
其中,表示构造的解析信号,t表示采样时间。
在获得轴承振动的包络信号的基础上,获取轴承故障振动信号的平方包络,具体表达式为:
S(t)=|z(t)|2。
为验证本发明实施例提供方法的准确性,对常规轴承的振动信号进行处理,采用巴特沃斯低通滤波器和Hilbert变换对轴承加速寿命测试数据信号进行处理,截止频率设定为2000Hz。
附图3展示了采用RMS(均方根)、KS和HOHI三种指标对原始信号的平方包络的评估结果,从图中可以看出,RMS虽然能够平滑的描述轴承的退化过程,但是无法判断出轴承初始故障的发生点;KS在轴承故障点的判断上并不明确且描述的退化趋势并不理想;本发明所提出的制造装备主轴轴承健康评价指标HOHI能够完美拟合出轴承的退化趋势,并在轴承的初始故障判断上,能够明显观察到故障点发生在59号文件处。
图4展示了原始信号在文件号58、59、60处振动信号的平方包络谱,(a)、(b)、(c)分别为文件号58、59、60处振动信号的平方包络谱。(a)中并未出现轴承故障的特征频率,(b)中首次出现故障的特征频率及其谐波,表明案例1轴承首次出现故障是在文件号59处,即本发明制造装备主轴轴承健康评估方法能够对轴承初始故障点准确识别。
通过采用上述轴承加速寿命退化实验数据的验证,展示了本发明相比较于常用的轴承健康评价指标的突出效果,表明本发明不仅能够完美拟合出制造装备主轴轴承全生命周期的退化趋势,且能够准确诊断出轴承的初始故障并明显的展示出来,从而提高制造装备主轴轴承健康状态评估精度。
参见附图2所示,本发明实施例还提供一种制造装备主轴轴承健康状态评估装置,包括:
采集模块,采集模块用于实时采集轴承的原始振动信号;
处理模块,处理模块用于对原始振动信号进行处理,以得到对应的轴承原始振动信号的包络信号;
评估模块,评估模块用于对包络信号进行处理,以得到对应的轴承健康评估模型,并对轴承的健康状态进行评估。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。
对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种制造装备主轴轴承健康状态评估方法,其特征在于,包括:
S1:实时采集轴承的原始振动信号,并对所述原始振动信号进行预处理,得到预处理振动信号;
S2:对所述步骤S1得到的预处理振动信号进行解调处理,得到所述预处理振动信号对应的包络信号;
S3:在所述步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号,基于所述平方包络信号建立轴承健康评估模型,并利用所述健康评估模型获取轴承健康指标HOHI,来评价轴承的状态,所述步骤S3中,建立轴承健康评估模型的具体过程,首先建立指标E1和E2,其中E1和E2的表达式分别为:
式中,E1表示平方包络信号的二阶原点矩,E2表示平方包络信号的三阶幂均值;S2(t)表示预处理振动信号对应的平方包络信号,L表示平方包络信号的长度;联合E1和E2建立健康指标HOHI,健康指标HOHI的表达式为:
式中,HOHI(i)为轴承在i时刻的健康指标。
2.根据权利要求1所述的一种制造装备主轴轴承健康状态评估方法,其特征在于,所述步骤S1中,采用巴特沃斯低通滤波器对轴承的原始振动信号进行低通滤波处理,获得预处理振动信号。
3.根据权利要求1所述的一种制造装备主轴轴承健康状态评估方法,其特征在于,所述步骤S2中,采用Hilbert变换对预处理振动信号进行解调,获得所述预处理振动信号对应的包络信号,同时在所述步骤S2得到的包络信号的基础上,获取轴承故障振动信号的平方包络信号。
4.一种利用权利要求1-3任意一项所述的制造装备主轴轴承健康状态评估方法的评估装置,其特征在于,包括:
采集模块,所述采集模块用于实时采集轴承的原始振动信号;
处理模块,所述处理模块用于对所述原始振动信号进行处理,以得到对应的轴承故障振动信号的平方包络信号;
评估模块,所述评估模块用于对所述包络信号进行处理,以得到对应的轴承健康评估模型,并对轴承的健康状态进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192571.XA CN113032915B (zh) | 2021-02-20 | 2021-02-20 | 一种制造装备主轴轴承健康状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192571.XA CN113032915B (zh) | 2021-02-20 | 2021-02-20 | 一种制造装备主轴轴承健康状态评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113032915A CN113032915A (zh) | 2021-06-25 |
CN113032915B true CN113032915B (zh) | 2024-04-26 |
Family
ID=76460880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192571.XA Active CN113032915B (zh) | 2021-02-20 | 2021-02-20 | 一种制造装备主轴轴承健康状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705432B (zh) * | 2022-06-06 | 2022-09-02 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6053047A (en) * | 1998-09-29 | 2000-04-25 | Allen-Bradley Company, Llc | Determining faults in multiple bearings using one vibration sensor |
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
CN112182912A (zh) * | 2020-10-27 | 2021-01-05 | 南京航空航天大学 | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711523B2 (en) * | 2001-05-24 | 2004-03-23 | Simmonds Precision Products, Inc. | Method and apparatus for determining a condition indicator for use in evaluating the health of a component |
-
2021
- 2021-02-20 CN CN202110192571.XA patent/CN113032915B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6053047A (en) * | 1998-09-29 | 2000-04-25 | Allen-Bradley Company, Llc | Determining faults in multiple bearings using one vibration sensor |
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN111521400A (zh) * | 2020-06-24 | 2020-08-11 | 北京航空航天大学 | 一种基于edm及谱峭度的轴承早期故障诊断方法 |
CN112182912A (zh) * | 2020-10-27 | 2021-01-05 | 南京航空航天大学 | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 |
Non-Patent Citations (3)
Title |
---|
Prognostics and Health Management: A Review of Vibration Based Bearing and Gear Health Indicators;Dong Wang 等;IEEE Access;第6卷;第665-676页 * |
基于快速峭度图算法与平方包络共振解调的滚动轴承自适应故障诊断方法;剡昌锋 等;兰州理工大学学报;第43卷(第1期);第33-38页 * |
机械设备性能退化评估与预测研究综述;王恒 等;机械强度;第35卷(第6期);第716-723页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113032915A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN108647786B (zh) | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN116070154B (zh) | 一种大型轴承保持器的故障检测方法、设备及介质 | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
CN113032915B (zh) | 一种制造装备主轴轴承健康状态评估方法及装置 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
KR20230127337A (ko) | 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치 | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
CN115081491B (zh) | 一种卫生巾生产设备运行状态故障诊断方法 | |
CN117030249A (zh) | 一种用信号时间片段进行往复机械故障定位的方法 | |
WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN109359699A (zh) | 一种基于Alpha稳定分布的工业机组故障诊断方法 | |
CN109975025A (zh) | 基于自适应滤波解调的机车轮对轴承定量诊断方法 | |
CN114742093A (zh) | 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置 | |
CN115186225A (zh) | 一种基于自适应奇异值分解的滚动轴承微弱故障特征提取方法 | |
CN114298334A (zh) | 机床主轴预测性维护系统及方法 | |
CN109033031B (zh) | 一种基于高维随机矩阵的轴承状态检测方法 | |
TWI398629B (zh) | Equipment supervision method |
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 |