CN113071509B - 一种智能车车轮转角传感器故障检测方法 - Google Patents
一种智能车车轮转角传感器故障检测方法 Download PDFInfo
- Publication number
- CN113071509B CN113071509B CN202110300961.4A CN202110300961A CN113071509B CN 113071509 B CN113071509 B CN 113071509B CN 202110300961 A CN202110300961 A CN 202110300961A CN 113071509 B CN113071509 B CN 113071509B
- Authority
- CN
- China
- Prior art keywords
- wheel
- sensor
- signal
- rotation angle
- corner
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000001617 sequential probability ratio test Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
- B60W2050/0215—Sensor drifts or sensor failures
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种智能车车轮转角传感器故障检测方法,首先采集车辆的传感器信号;其次,对采集到的信号进行降噪和滤波处理;然后根据车辆状态信号采用长短时记忆网络计算出车轮转角估计值;最后根据车轮转角估计值和车轮转角测量值之间的残差序列采用序贯概率比检验算法对车轮转角传感器的故障状态进行判断。本发明能够依赖大量的测量信息进行累积判断,提高了灵敏度和可靠度并且能够检测残差的细小变化,甚至能预测信号的运行趋势,使得检测结果可靠准确。
Description
技术领域
本发明涉及汽车辅助驾驶领域,尤其涉及一种智能车车轮转角传感器故障检测方法。
背景技术
目前对车辆状态的估计主要集中采用卡尔曼滤波、无迹卡尔曼滤波、粒子滤波等方法。但是这些估计算法都是基于车辆动力学模型来进行状态估计。然而实际中大部分系统都呈现出高度的复杂性、非线性以及耦合性,导致很难建立出精确的系统模型。模型的不精确和观测噪声的随机性可能会导致结果精度降低、滤波发散甚至无法估计等严重问题。
此外,常用的故障检测算法大体上包括两个主要步骤,首先是提取故障特征主要成分,然后对故障特征信息进行分析从而判断是否有故障。然而普遍的故障特征提取思路包括两大类:一是将系统输出直接当成故障特征信息,这种方式仅能检测参数变化较大的故障;二是通过一些算法或者建模来估计系统的输出值,并与测量值作差得出残差序列。如果残差为0说明系统没有故障,反之系统有故障。但是在实际情况中即使传感器正常工作由于模型误差、系统干扰以及量测噪声的存在会使得残差不为0。但是发生故障时残差也会不为0,因此需要对残差进行判别,要尽可能的区别到底是发生故障还是噪声干扰或模型偏差引起的。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷,提供一种智能车车轮转角传感器故障检测方法。
本发明为解决上述技术问题采用以下技术方案:
一种智能车车轮转角传感器故障检测方法,包括以下步骤:
步骤1),在智能车上设置侧向加速度传感器、纵向加速度传感器、纵向车速传感器、方向盘转角传感器、横摆角速度传感器、车轮转角传感器,分别用于采集车辆的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号;
步骤2),对采集到的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号进行降噪和滤波处理;
步骤3),对降噪和滤波处理后的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号采用长短时记忆网络计算出车轮转角估计信号;
步骤4),对车轮转角估计信号、降噪和滤波处理后的车轮转角信号进行作差,生成车轮转角残差序列,并采用改进序贯概率比检验方法对车轮转角残差序列进行假设检验,判定车轮转角传感器是否故障。
作为本发明一种智能车车轮转角传感器故障检测方法进一步的优化方案,所述步骤3)的具体步骤如下:
步骤3.1),对侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号和横摆角速度信号数据进行归一化,并将处理后数据的80%作为训练集,20%作为验证集,归一化公式为:
式中,X为需要归一化的数据;Xmin为数据的最小值;Xmax为数据的最大值;X*为归一化后的数据;
步骤3.2),构建长短时记忆网络模型,设置其网络层数、每层神经元数、激活函数、批次大小、训练次数、优化器RMSprop参数;
步骤3.3),把训练集中的数据放入设置好的长短时记忆网络模型中进行模型训练,训练完成后得到车轮转角预测模型;
步骤3.4),把验证集中的数据放入车轮转角预测模型中对其模型精度进行验证,并选取均方根误差RMSE作为车轮转角预测模型精度的评价指标:
步骤3.5),将RMSE和预设的精度阈值作比较,如果RMSE大于预设的精度阈值,跳转至步骤3.2);
步骤3.6),采用车轮转角预测模型生成车轮转角估计值。
作为本发明一种智能车车轮转角传感器故障检测方法进一步的优化方案,所述步骤4)的详细步骤如下:
步骤4.1),将车轮转角估计值和降噪和滤波处理后的车轮转角信号的值进行作差,生成车轮转角残差序列x={xi|i=1,2,…,n},其中,yi为第i个采样点处经过降噪和滤波处理后的车轮转角测量值;为第i个采样点处的车轮转角估计值;xi为第i个采样点处车轮转角测量值和车轮转角估计值之间的残差;
步骤4.2),车辆转角残差序列x={xi|i=1,2,…,n}符合正态分布,建立假设模型如下:
式中,H0为车轮转角传感器正常状态下的残差分布,其均值为μ0,方差为σ0;H1为车轮转角传感器故障状态下的残差分布,其均值为μ1,方差为σ1;
步骤4.3),计算H0假设参数:
采集车轮转角传感器正常状态下的残差序列z={zi|i=1,2,…,n},然后分别计算车轮转角传感器正常状态下的均值μ0和方差σ0:
步骤4.4),确定H1假设参数:
对车轮转角传感器故障采取均值检验的方法,得到其故障状态下的均值μ1和方差σ1:
步骤4.6),对似然比R(k)取对数得到判断函数λ(k):
步骤4.7),为了避免检测算法的延时,对判断函数λ(k)进行修正,当判断函数λ(k)小于0时取0,否则取实际值:
步骤4.8),根据以下公式计算判断阈值A:
式中,α为误警率,β为漏检率;
步骤4.9),比较判断函数λ(k)与判断阈值A之间关系,当λ(k)>A时,车轮转角传感器出现故障;否则车轮转角传感器正常,继续进行下一采样点检验。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明与传统基于车辆动力学模型的估计算法相比,基于数据驱动的长短时记忆网络可以不依赖于精确的动力学模型,可以很好地对高度复杂性、非线性以及强耦合性的系统状态进行估计;相比于传统的传感器故障检测判别方法都是分析一次测量值,改进序贯概率比检验方法能够依赖大量的测量信息进行累积判断,其提高了灵敏度和可靠度并且能够检测残差的细小变化,甚至能预测信号的运行趋势,使得检测结果可靠准确。
附图说明
图1是本发明一种智能车车轮转角传感器故障检测系统结构图;
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明可以以许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。在附图中,为了清楚起见放大了组件。
本发明公开了一种智能车车轮转角传感器故障检测方法,包括以下步骤:
步骤1),在智能车上设置侧向加速度传感器、纵向加速度传感器、纵向车速传感器、方向盘转角传感器、横摆角速度传感器、车轮转角传感器,分别用于采集车辆的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号;
步骤2),对采集到的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号进行降噪和滤波处理;
步骤3),对降噪和滤波处理后的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号采用长短时记忆网络计算出车轮转角估计信号;
步骤4),对车轮转角估计信号、降噪和滤波处理后的车轮转角信号进行作差,生成车轮转角残差序列,并采用改进序贯概率比检验方法对车轮转角残差序列进行假设检验,判定车轮转角传感器是否故障。
所述步骤3)的具体步骤如下:
步骤3.1),对侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号和横摆角速度信号数据进行归一化,并将处理后数据的80%作为训练集,20%作为验证集,归一化公式为:
式中,X为需要归一化的数据;Xmin为数据的最小值;Xmax为数据的最大值;X*为归一化后的数据;
步骤3.2),构建长短时记忆网络模型,设置其网络层数、每层神经元数、激活函数、批次大小、训练次数、优化器RMSprop参数;
步骤3.3),把训练集中的数据放入设置好的长短时记忆网络模型中进行模型训练,训练完成后得到车轮转角预测模型;
步骤3.4),把验证集中的数据放入车轮转角预测模型中对其模型精度进行验证,并选取均方根误差RMSE作为车轮转角预测模型精度的评价指标:
步骤3.5),将RMSE和预设的精度阈值作比较,如果RMSE大于预设的精度阈值,跳转至步骤3.2);
步骤3.6),采用车轮转角预测模型生成车轮转角估计值。
所述步骤4)的详细步骤如下:
步骤4.1),将车轮转角估计值和降噪和滤波处理后的车轮转角信号的值进行作差,生成车轮转角残差序列x={xi|i=1,2,…,n},其中,yi为第i个采样点处经过降噪和滤波处理后的车轮转角测量值;为第i个采样点处的车轮转角估计值;xi为第i个采样点处车轮转角测量值和车轮转角估计值之间的残差;
步骤4.2),车辆转角残差序列x={xi|i=1,2,…,n}符合正态分布,建立假设模型如下:
式中,H0为车轮转角传感器正常状态下的残差分布,其均值为μ0,方差为σ0;H1为车轮转角传感器故障状态下的残差分布,其均值为μ1,方差为σ1;
步骤4.3),计算H0假设参数:
采集车轮转角传感器正常状态下的残差序列z={zi|i=1,2,…,n},然后分别计算车轮转角传感器正常状态下的均值μ0和方差σ0:
步骤4.4),确定H1假设参数:
对车轮转角传感器故障采取均值检验的方法,得到其故障状态下的均值μ1和方差σ1:
步骤4.6),对似然比R(k)取对数得到判断函数λ(k):
步骤4.7),为了避免检测算法的延时,对判断函数λ(k)进行修正,当判断函数λ(k)小于0时取0,否则取实际值:
步骤4.8),根据以下公式计算判断阈值A:
式中,α为误警率,β为漏检率;
步骤4.9),比较判断函数λ(k)与判断阈值A之间关系,当λ(k)>A时,车轮转角传感器出现故障;否则车轮转角传感器正常,继续进行下一采样点检验。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种智能车车轮转角传感器故障检测方法,其特征在于,包括以下步骤:
步骤1),在智能车上设置侧向加速度传感器、纵向加速度传感器、纵向车速传感器、方向盘转角传感器、横摆角速度传感器、车轮转角传感器,分别用于采集车辆的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号;
步骤2),对采集到的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号、车轮转角信号进行降噪和滤波处理;
步骤3),对降噪和滤波处理后的侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号、横摆角速度信号采用长短时记忆网络计算出车轮转角估计信号;
步骤3.1),对侧向加速度信号、纵向加速度信号、纵向车速信号、方向盘转角信号和横摆角速度信号数据进行归一化,并将处理后数据的80%作为训练集,20%作为验证集,归一化公式为:
式中,X为需要归一化的数据;Xmin为数据的最小值;Xmax为数据的最大值;X*为归一化后的数据;
步骤3.2),构建长短时记忆网络模型,设置其网络层数、每层神经元数、激活函数、批次大小、训练次数、优化器RMSprop参数;
步骤3.3),把训练集中的数据放入设置好的长短时记忆网络模型中进行模型训练,训练完成后得到车轮转角预测模型;
步骤3.4),把验证集中的数据放入车轮转角预测模型中对其模型精度进行验证,并选取均方根误差RMSE作为车轮转角预测模型精度的评价指标:
步骤3.5),将RMSE和预设的精度阈值作比较,如果RMSE大于预设的精度阈值,跳转至步骤3.2);
步骤3.6),采用车轮转角预测模型生成车轮转角估计值;
步骤4),对车轮转角估计信号、降噪和滤波处理后的车轮转角信号进行作差,生成车轮转角残差序列,并采用改进序贯概率比检验方法对车轮转角残差序列进行假设检验,判定车轮转角传感器是否故障;
步骤4.1),将车轮转角估计值和降噪和滤波处理后的车轮转角信号的值进行作差,生成车轮转角残差序列x={xi|i=1,2,…,n},其中,yi为第i个采样点处经过降噪和滤波处理后的车轮转角测量值;为第i个采样点处的车轮转角估计值;xi为第i个采样点处车轮转角测量值和车轮转角估计值之间的残差;
步骤4.2),车辆转角残差序列x={xi|i=1,2,…,n}符合正态分布,建立假设模型如下:
式中,H0为车轮转角传感器正常状态下的残差分布,其均值为μ0,方差为σ0;H1为车轮转角传感器故障状态下的残差分布,其均值为μ1,方差为σ1;
步骤4.3),计算H0假设参数:
采集车轮转角传感器正常状态下的残差序列z={zi|i=1,2,…,n},然后分别计算车轮转角传感器正常状态下的均值μ0和方差σ0:
步骤4.4),确定H1假设参数:
对车轮转角传感器故障采取均值检验的方法,得到其故障状态下的均值μ1和方差σ1:
步骤4.6),对似然比R(k)取对数得到判断函数λ(k):
步骤4.7),为了避免检测算法的延时,对判断函数λ(k)进行修正,当判断函数λ(k)小于0时取0,否则取实际值:
步骤4.8),根据以下公式计算判断阈值A:
式中,α为误警率,β为漏检率;
步骤4.9),比较判断函数λ(k)与判断阈值A之间关系,当λ(k)>A时,车轮转角传感器出现故障;否则车轮转角传感器正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300961.4A CN113071509B (zh) | 2021-03-22 | 2021-03-22 | 一种智能车车轮转角传感器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300961.4A CN113071509B (zh) | 2021-03-22 | 2021-03-22 | 一种智能车车轮转角传感器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113071509A CN113071509A (zh) | 2021-07-06 |
CN113071509B true CN113071509B (zh) | 2022-05-03 |
Family
ID=76613162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300961.4A Active CN113071509B (zh) | 2021-03-22 | 2021-03-22 | 一种智能车车轮转角传感器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113071509B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705498B (zh) * | 2021-09-02 | 2022-05-27 | 山东省人工智能研究院 | 一种基于分布传播图网络的车轮滑转状态预测方法 |
CN114312814B (zh) * | 2022-03-09 | 2022-06-21 | 所托(杭州)汽车智能设备有限公司 | 车辆传感器故障诊断方法和车辆控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150039966A (ko) * | 2013-10-04 | 2015-04-14 | 현대모비스 주식회사 | 횡가속도와 조향각을 변수로 휠속 센서의 고장을 진단하는 방법 |
CN103970997B (zh) * | 2014-05-06 | 2016-05-25 | 南昌华梦达航空科技发展有限公司 | 一种无人直升机传感器故障快速诊断方法 |
CN108715166B (zh) * | 2018-04-28 | 2023-05-12 | 南京航空航天大学 | 基于深度学习的车辆稳定性指标估计方法 |
CN112026782B (zh) * | 2019-06-04 | 2022-05-03 | 广州汽车集团股份有限公司 | 一种基于开关式深度学习网络模型的自动驾驶决策方法及系统 |
CN111311945B (zh) * | 2020-02-20 | 2021-07-09 | 南京航空航天大学 | 一种融合视觉和传感器信息的驾驶决策系统及方法 |
-
2021
- 2021-03-22 CN CN202110300961.4A patent/CN113071509B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113071509A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113071509B (zh) | 一种智能车车轮转角传感器故障检测方法 | |
US7233884B2 (en) | Methodology for temporal fault event isolation and identification | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN111222095B (zh) | 一种大坝变形监测中的粗差判别方法、装置及系统 | |
CN113326616A (zh) | 抗慢变量测粗差的容错卡尔曼滤波方法 | |
CN103217172A (zh) | 一种卡尔曼滤波传感器信息融合的故障检测方法 | |
CN117591986B (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN116991115B (zh) | 数控机床主轴状态监测方法、装置、设备及介质 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN115358294A (zh) | 一种高速列车牵引系统的微小故障检测方法 | |
CN108613695B (zh) | 基于ica-sprt的冗余传感器故障检测方法 | |
CN114676384B (zh) | 一种基于粒子滤波的性能状态百分位值估计方法 | |
CN111982248A (zh) | 一种改进的传感器动态数据融合方法 | |
CN104965980B (zh) | 野值剔除方法及装置 | |
CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
CN116821836B (zh) | 基于多传感器的轮轴瓦异常状态监测方法及系统 | |
CN117906937B (zh) | 一种水压试验方法、试验系统及存储介质 | |
CN117961645B (zh) | 一种面向小样本噪声数据的刀具磨损软测量方法 | |
CN116304622A (zh) | 一种基于两步神经网络的光纤故障检测分离方法及系统 | |
CN117519076A (zh) | 系统故障检测方法及装置 | |
CN117892214A (zh) | 异常检测模型的构建方法、异常检测方法及异常检测系统 | |
CN118259317A (zh) | 基于小波变换的正则化自编码器序列故障检测方法 |
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 |