CN113160836A - 矿用排水泵噪声多时域特征联合分析方法 - Google Patents
矿用排水泵噪声多时域特征联合分析方法 Download PDFInfo
- Publication number
- CN113160836A CN113160836A CN202110344762.3A CN202110344762A CN113160836A CN 113160836 A CN113160836 A CN 113160836A CN 202110344762 A CN202110344762 A CN 202110344762A CN 113160836 A CN113160836 A CN 113160836A
- Authority
- CN
- China
- Prior art keywords
- audio data
- short
- water pump
- pump motor
- time
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000005065 mining Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 45
- 230000036541 health Effects 0.000 claims abstract description 35
- 230000005236 sound signal Effects 0.000 claims abstract description 31
- 238000009432 framing Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000037433 frameshift Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及矿用排水泵噪声多时域特征联合分析方法，所述方法用于矿用排水泵电机的健康状况诊断。首先，对采集的水泵电机运行时的音频数据进行滤波处理，滤除音频中的高次谐波，然后，对音频信号进行预加重及分帧处理，得到平滑、短小的音频段，最后，通过计算音频中的峭度、短时能量和短时平均过零率三个时域特征来综合分析判断水泵电机的运行情况。所述方法通过水泵电机音频信号的多时域特征的分析来进行水泵电机的健康状况判定，可以实时诊断水泵电机的健康状态，在保证判定准确率的前提下，判定过程更加简便。
Description
技术领域
本发明涉及噪声分析技术领域，具体是矿用排水泵噪声多时域特征联合分析方法。
背景技术
当下，常见的电机故障及健康诊断多数的是利用振动、电流等参数进行电机的故障诊断。此种方法目前已经比较成熟，应用非常多，可以查验绝大多数的电机健康状况。但是，采用振动及电流等参数进行故障诊断时，大多是在频域或时频域下进行的，此类方法判定过程较为复杂，不够直观，并且此类参数的采集受设备约束较高，某些场景信号的采集并不是很方便。
而近年来，利用音频信号进行电机故障诊断也逐渐进行人们的视野。音频信号更直接地反应的是振源的状态，可以更加直观地反应出电机的问题所在。同时，很多工况下对振动等信号的采集要求非常高，音频信号是非接触采集，不影响设备的工作，而且音频采集装置更加简单，采集速度更快，在电机健康诊断中可以更早地发现问题。
通过音频信号对水泵电机健康状况分析是十分可行的，不仅可以解决不同工业场景的环境束缚，同时，利用音频信号的多时域特征进行故障的联合分析，简化了分析过程，也具有较高的准确度。
发明内容
本发明的目的是提出矿用排水泵噪声多时域特征联合分析方法，该方法利用水泵电机工作时的音频信号来进行电机的健康状态分析，通过对原始音频信号的滤波、预加重及分帧处理得到平滑连接的音频数据，再利用音频数据的峭度、短时能量、短时平均过零率三个时域特征对水泵电机的健康状态进行综合分析，将水泵电机的故障扼杀在萌芽之中，保证水泵电机的正常运行。
本发明为实现发明目的采用如下技术方案：
矿用排水泵噪声多时域特征联合分析方法，包括以下步骤：
通过低通滤波器对水泵电机的音频信号进行滤波处理，消除原始音频信号中的混叠失真和高频噪声；
对滤波后的音频数据进行预加重和分帧处理，减少音频数据高频段的信号衰减，将长段音频数据分成若干小段数据；
计算各段音频数据的峭度，根据计算出的峭度值判定水泵电机此刻的健康状况；
当通过峭度值无法对水泵电机健康状况进行判定时，计算音频数据的短时能量、短时平均过零率，利用多时域特征参量联合判定水泵电机的健康状况。
进一步的，低通滤波器采用Gammatone滤波器，其时域表达式为：
式中，A是滤波器的增益，bi是滤波器的衰减因子，fi是滤波器的中心频率，φi是偏移相位，U(t)是阶跃函数。
进一步的，音频数据的峭度计算，具体步骤如下:
定义音频数据的n阶中心统计矩，具体为:
Mn＝E[(x-μ)n],
式中，x为音频信号，E表示期望，μ为均值
对信号n阶中心统计矩来说，一阶中心矩是均值，二阶是方差，三阶是偏度，而四阶为峭度。因此，峭度定义如下：
式中，σ为标准差；
根据计算结果进行水泵电机的健康诊断，当峭度指标的绝对值大于8时，判定为电机存在故障，当峭度指标的绝对值介于3和8之间时，进行短时能量及短时过零率的计算，进一步判定水泵电机的健康状况，当峭度指标的绝对值小于3时，判定为水泵电机健康。
进一步的，计算音频数据的短时能量，公式如下：
yi(n)＝w(n)·x((i-1)·inc+n),1≤n≤L,1≤i≤fn
式中，yi(n)是一帧的数值，w(n)是分帧函数，L是帧移长度，fn是总帧数
第i帧音频数据的yi(n)的短时能量E(i)为:
计算音频数据的短时平均过零率，公式如下：
结合计算出的短时能量和短时平均过零率对水泵电机的健康进行二次诊断。当短时能量、短时平均过零率超出正常范围时，则判定此时水泵电机处于故障状态，若短时能量或短时平均过零率仅有一项不在正常范围内，则判定此时的水泵电机处于异常状态。
本发明现有技术相比，其有益效果体现在：
1.利用音频信号进行水泵电机的健康诊断，较传统的故障诊断方式，更加直接地反应了故障时的问题所在，具有较高的诊断精度。
2.通过音频信号的多种时域特征联合判断水泵电机的健康状态，精度高、准确率高，可以更加全面的反映问题。同时，直接通过音频信号的时域频谱来进行健康诊断，比频域、时频域诊断过程更为简便。
3.对音频信号的处理加入了滤波、预加重及分帧，可以降低噪声的干扰，减少音频信号高频部分的损失，获得更加平滑、更精确的短时音频信号，方便处理。
附图说明
图1为本发明的工作流程示意图
图2为本发明的分帧示例图
图3为本发明的三种峭度值分布曲线图
其中，图2中，N表示音频数据帧长。
具体实施方式
下面结合附图来说明本发明专利的技术方案。应当理解，此处描述的具体实施方式仅仅是用以解释本次发明专利，并不限定于本发明。
所述的矿用排水泵噪声多时域特征联合分析方法，通过Gammatone滤波器对水泵电机运行时的音频信号进行滤波，消除原始音频信号中的噪声，在将滤波后的音频数据进行预加重，减弱音频信号中高频部分的衰减，再通过分帧，将预加重后的音频数据分成短段数据来处理，增强信号的平稳性，最后利用时域中音频数据的多种特征进行联合判断，判断水泵电机的健康状况。
参见图1，图2，图3，其具体实施过程如下：
矿用排水泵噪声多时域特征联合分析方法，包括以下步骤：
(一)利用所述Gammatone滤波器对水泵电机的音频信号进行滤波处理，将原始音频信号中的混叠失真和高频噪声进行滤除，减少干扰；
所述低通滤波器采用Gammatone滤波器，其时域表达式为：
式中，A是滤波器的增益，bi是滤波器的衰减因子，fi是滤波器的中心频率，φi是偏移相位，U(t)是阶跃函数。
(二)对滤波后的音频数据进行预加重和分帧处理，减少音频数据中高频部分的衰减，同时，将长段的音频数据分成若干短段数据，使音频数据更加平滑，更容易处理；
1.音频数据预加重，具体步骤如下：
假设n时刻音频采样值为x(n)，预加重处理后的结果为：
yn(n)＝x(n)-αx(n-1),0.9＜α＜1
式中，α为预加重系数。
2.音频数据的分帧处理，具体步骤如下：
分帧步骤可根据音频数据的大小，合理选择分帧数，进行分帧处理，具体公式如下：
式中，w(n)是分帧函数，f(x)是音频数据总长，N是分帧数。
(三)利用处理好的音频数据，计算音频数据的峭度，根据计算结果进行水泵电机的健康诊断；
1.音频数据的峭度计算，具体步骤如下:
定义音频数据的n阶中心统计矩，具体为:
Mn＝E[(x-μ)n]，
式中，x为音频信号，E表示期望，μ为均值
对信号n阶中心统计矩来说，一阶中心矩是均值，二阶是方差，三阶是偏度，而四阶为峭度。因此，峭度定义如下：
式中，σ为标准差。
2.利用计算出的峭度的绝对值进行水泵电机的健康诊断，当峭度指标的绝对值大于8时，判定为电机存在故障；当峭度指标的绝对值介于3和8之间时，进行短时能量及短时过零率的计算，进一步判定水泵电机的健康状况；当峭度指标的绝对值小于3时，判定为水泵电机健康。
(四)当峭度值无法直接判断水泵电机的健康状况时，计算音频数据的短时能量、短时平均过零率等时域重要特征参量，对水泵电机的健康状况进行联合判定；
1.计算音频数据的短时能量，公式如下：
yi(n)＝w(n)·x((i-1)·inc+n),1≤n≤L,1≤i≤fn
式中，yi(n)是一帧的数值，w(n)是分帧函数，L是帧移长度，fn是总帧数
第i帧音频数据的yi(n)的短时能量E(i)为:
2.进一步计算音频数据的短时平均过零率，公式如下：
3.根据计算的短时能量和短时平均过零率再次判断水泵电机的健康状况。当短时能量、短时平均过零率超出正常范围时，则判定此时水泵电机处于故障状态，若短时能量或短时平均过零率仅有一项不在正常范围内，则判定此时的水泵电机处于异常状态。
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做了进一步的详细说明，所属领域技术人员应该明白，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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 (5)
1.矿用排水泵噪声多时域特征联合分析方法，其特征在于，该方法包括以下步骤：
通过低通滤波器对水泵电机的音频信号进行滤波处理，消除原始音频信号中的混叠失真和高频噪声；
对滤波后的音频数据进行预加重和分帧处理，减少音频信号高频短的信号衰减，将长段音频数据分成若干小段音频数据；
计算各段音频数据的峭度，根据计算出的峭度值判定水泵电机此刻的健康状况；
当无法通过峭度值对水泵电机健康状况进行判定时，计算音频数据的短时能量、短时平均过零率，利用多时域特征参量联合判定水泵电机的健康状况。
2.根据权利要求1所述的矿用排水泵噪声多时域特征联合分析方法，其特征在于：利用所述Gammatone滤波器对水泵电机的音频信号进行滤波处理，将原始音频信号中的混叠失真和高频噪声进行滤除，减少干扰；
所述Gammatone滤波器，其时域表达式为：
式中，A是滤波器的增益，bi是滤波器的衰减因子，fi是滤波器的中心频率，φi是偏移相位，U(t)是阶跃函数。
3.根据权利要求1所述的矿用排水泵噪声多时域特征联合分析方法，其特征在于：对滤波后的音频数据进行预加重和分帧处理，减少音频信号中高频部分的衰减，将长段的音频数据分成若干短段数据；
音频数据预加重，具体步骤如下：
假设n时刻音频采样值为x(n)，预加重处理后的结果为：
yn(n)＝x(n)-αx(n-1),0.9＜α＜1
式中，α为预加重系数；
音频数据的分帧处理，具体步骤如下：
分帧步骤可根据音频数据的大小，合理选择分帧数，进行分帧处理，具体公式如下：
式中，w(n)是分帧函数，f(x)是音频数据总长，N是分帧数。
4.根据权利要求1所述的矿用排水泵噪声多时域特征联合分析方法，其特征在于：利用处理好的音频数据，计算音频数据的峭度，根据计算结果进行水泵电机的健康诊断；
音频数据的峭度计算，具体步骤如下:
定义音频数据的n阶中心统计矩，具体为:
Mn＝E[(x-μ)n],
式中，x为音频信号，E表示期望，μ为均值
峭度定义如下：
式中，σ为标准差。
利用峭度的绝对值进行水泵电机的健康诊断，当峭度指标的绝对值大于8，判定为电机存在故障；当峭度指标的绝对值介于3和8之间，进行短时能量及短时平均过零率的计算，进一步判定水泵电机的健康状况；当峭度指标的绝对值小于3，判定为水泵电机健康。
5.根据权利要求1所述的矿用排水泵噪声多时域特征联合分析方法，其特征在于：当峭度值无法直接判断水泵电机的健康状况，计算音频数据的短时能量、短时平均过零率等时域重要特征参量，对水泵电机的健康状况进行联合判定；
计算音频数据的短时能量，公式如下：
yi(n)＝w(n)·x((i-1)·inc+n),1≤n≤L,1≤i≤fn
式中，yi(n)是一帧的数值，w(n)是分帧函数，L是帧移长度，fn是总帧数
第i帧音频数据的yi(n)的短时能量E(i)为:
进一步计算音频数据的短时平均过零率，公式如下：
根据计算的短时能量和短时平均过零率再次判断水泵电机的健康状况。短时能量、短时平均过零率超出正常范围，则判定此时水泵电机处于故障状态，若短时能量或短时平均过零率仅有一项不在正常范围内，则判定此时的水泵电机处于异常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344762.3A CN113160836A (zh) | 2021-03-29 | 2021-03-29 | 矿用排水泵噪声多时域特征联合分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344762.3A CN113160836A (zh) | 2021-03-29 | 2021-03-29 | 矿用排水泵噪声多时域特征联合分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113160836A true CN113160836A (zh) | 2021-07-23 |
Family
ID=76886003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110344762.3A Pending CN113160836A (zh) | 2021-03-29 | 2021-03-29 | 矿用排水泵噪声多时域特征联合分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160836A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118294799A (zh) * | 2024-06-04 | 2024-07-05 | 天津安源科技发展有限公司 | 变频电动机组绝缘在线监测系统及信号处理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104409073A (zh) * | 2014-11-04 | 2015-03-11 | 贵阳供电局 | 一种变电设备声音与语音的识别方法 |
| CN104835498A (zh) * | 2015-05-25 | 2015-08-12 | 重庆大学 | 基于多类型组合特征参数的声纹识别方法 |
| CN104900235A (zh) * | 2015-05-25 | 2015-09-09 | 重庆大学 | 基于基音周期混合特征参数的声纹识别方法 |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| US20180316363A1 (en) * | 2017-01-11 | 2018-11-01 | Alexei V. Nikitin | Method And Apparatus For Mitigation Of Outlier Noise |
| CN109036458A (zh) * | 2018-08-22 | 2018-12-18 | 昆明理工大学 | 一种基于音频特征参数的多语种场景分析方法 |
| CN110297042A (zh) * | 2019-06-28 | 2019-10-01 | 拓卡奔马机电科技有限公司 | 一种基于声音识别的裁床断刀检测方法、装置及设备 |
| CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
| CN112557894A (zh) * | 2020-12-07 | 2021-03-26 | 四川轻化工大学 | 一种断路器故障诊断方法 |
-
2021
- 2021-03-29 CN CN202110344762.3A patent/CN113160836A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104409073A (zh) * | 2014-11-04 | 2015-03-11 | 贵阳供电局 | 一种变电设备声音与语音的识别方法 |
| CN104835498A (zh) * | 2015-05-25 | 2015-08-12 | 重庆大学 | 基于多类型组合特征参数的声纹识别方法 |
| CN104900235A (zh) * | 2015-05-25 | 2015-09-09 | 重庆大学 | 基于基音周期混合特征参数的声纹识别方法 |
| US20180316363A1 (en) * | 2017-01-11 | 2018-11-01 | Alexei V. Nikitin | Method And Apparatus For Mitigation Of Outlier Noise |
| CN108444715A (zh) * | 2018-05-29 | 2018-08-24 | 内蒙古工业大学 | 轴承状态诊断方法、装置、存储介质及电子设备 |
| CN109036458A (zh) * | 2018-08-22 | 2018-12-18 | 昆明理工大学 | 一种基于音频特征参数的多语种场景分析方法 |
| CN110335617A (zh) * | 2019-05-24 | 2019-10-15 | 国网新疆电力有限公司乌鲁木齐供电公司 | 一种变电站中的噪音分析方法 |
| CN110297042A (zh) * | 2019-06-28 | 2019-10-01 | 拓卡奔马机电科技有限公司 | 一种基于声音识别的裁床断刀检测方法、装置及设备 |
| CN112557894A (zh) * | 2020-12-07 | 2021-03-26 | 四川轻化工大学 | 一种断路器故障诊断方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118294799A (zh) * | 2024-06-04 | 2024-07-05 | 天津安源科技发展有限公司 | 变频电动机组绝缘在线监测系统及信号处理方法 |
| CN118294799B (zh) * | 2024-06-04 | 2024-08-16 | 天津安源科技发展有限公司 | 变频电动机组绝缘在线监测系统及信号处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
| CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
| CN112395992A (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN106504760B (zh) | 宽频带背景噪声与语音分离检测系统及方法 | |
| CN115165079A (zh) | 一种基于多种声音特征分析的设备报警方法 | |
| CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
| CN113160836A (zh) | 矿用排水泵噪声多时域特征联合分析方法 | |
| CN118242331B (zh) | 一种液压马达的机械状态检测方法 | |
| CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
| CN114295195B (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
| CN106198006A (zh) | 特高压直流输电阀冷旋转设备故障诊断方法 | |
| CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
| CN115165274A (zh) | 工程机械设备振动状态自适应智能监测装置及方法 | |
| CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
| CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
| CN116242478A (zh) | 一种基于旋转类设备振动信号的转速实时识别方法 | |
| WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 | |
| CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
| CN115047082A (zh) | 一种绝缘子裂纹声振信号的经典谱估计处理方法及系统 | |
| CN114781466A (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
| Wang et al. | A Denoising Method for Cable Partial Discharge Signals Based on Image Information Entropy and Multivariate Variational Mode Decomposition | |
| CN113219333A (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
| CN117268535B (zh) | 一种基于振动数据的电机转轴状态监测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |
|
| WD01 | Invention patent application deemed withdrawn after publication |