CN113378678B - 一种用于机械运动系统的多域故障特征提取方法和系统 - Google Patents
一种用于机械运动系统的多域故障特征提取方法和系统 Download PDFInfo
- Publication number
- CN113378678B CN113378678B CN202110610228.2A CN202110610228A CN113378678B CN 113378678 B CN113378678 B CN 113378678B CN 202110610228 A CN202110610228 A CN 202110610228A CN 113378678 B CN113378678 B CN 113378678B
- Authority
- CN
- China
- Prior art keywords
- domain
- time
- signal
- time domain
- state 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种用于机械运动系统的多域故障特征提取方法和系统,属于机械系统故障诊断与健康评估领域。本发明可以根据实际工程需要以及旋转和往复运动的特点,从时域、位置域、时频域以及时域位置域转换过程中提取多重故障特征,能较好地反映机械系统运行规律与故障机理,能够应用于机器学习等智能诊断系统中,辅助实现高精度故障诊断。本发明提出的多域故障特征提取方法也可以作为一种信号预处理手段,用以克服运行速度变化与噪声、外界干扰对时域采样信号的影响。
Description
技术领域
本发明属于机械系统故障诊断与健康评估领域,更具体地,涉及一种用于机械运动系统的多域故障特征提取方法和系统。
背景技术
机械系统故障诊断通常包括:信息获取、故障特征提取与故障识别三个阶段。开展故障特征提取方法研究,有助于突出传感信号中的故障相关信息,从而为故障识别工作奠定基础。
现代机械运动系统应用广泛,功能复杂。因工作要求、实现目标和使用环境的不同,不同的机械运动系统在机械结构上通常具有较大的差异性。同时,同一机械运动系统也会因工作任务的改变而运行在不同的工况条件下。受机械系统结构复杂性和运行工况变化的影响,传统基于统计学习方法提取的故障特征已难以满足现代机械运动系统运行状态监控与故障诊断的需求。
通过机械运动系统及其动力源内置的传感器以及外部传感装置可测量得到一系列具有不同物理属性的时域信号,其中包含着丰富的机械系统运行状态信息。如果能够建立机械系统运行状态的时域状态信号与运动行程位置信号间的关联关系,将有助于克服机械结构差异与工况变化对故障特征提取的影响。因此,在故障特征提取过程中综合考虑机械运动部件的运行规律与机械故障机理,设计一种用于机械运动系统的多域故障特征提取方法,对提高机械运动系统故障诊断性能具有重要意义。
传统的基于时域的故障特征提取方法通常只能得到机械系统运行发生异常的时刻,不利于进一步的故障定位和维护决策。从专利号ZL201911125048.4中已知,存在一种基于位置域信息的直线运动系统健康监测方法。其将基于时域的测量信号转换到位置域,从而基于位置域信息指示了直线运动系统中异常状态发生的位置。
上文描述的现有技术设计了若干基于位置域电信号的故障特征提取方法与相应的故障检测定位方法。然而,该专利仅设计了部分基于时域电信号和位置域电信号的统计特征;忽略了位置域状态信号分布规律中所蕴含的故障信息;也未考虑运动工况对故障特征提取的影响,因此,不能准确表征机械运动系统的运行状态。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种用于机械运动系统的多域故障特征提取方法和系统,其目的在于更准确地表征具有运动部件的旋转或往复机械运动系统的运行状态。
为实现上述目的,按照本发明提供了一种用于机械运动系统的多域故障特征提取方法,包括:
S1.通过时域等间隔同步采样获得机械运动系统运行过程中的时域信号;所述时域信号包括时域状态信号与时域位置信号,表征某一时刻机械系统的运行状态和所处位置;
S2.将等时间间隔的时域状态信号与时域位置信号转换为具有等空间间隔特性的位置域状态信号,并提取各个空间间隔对应的时域状态信号与时域位置信号的融合特征,作为时间位置域故障特征;所述位置域状态信号表征某一个空间间隔处机械系统的运行状态;所述融合特征表征时域信号中的高频分量部分;
S3.根据机械运动系统实际运行工况与故障信号表现形式,从时域、位置域以及时频域中实现多域故障特征表达。
进一步地,步骤S2具体包括:
S2.1.将时域位置信号对应的运动行程均匀划分为M个空间间隔;
S2.2.根据时域状态信号与时域位置信号一一对应的时序关系,确定时域状态信号点x(i)所属的空间间隔m;i=1,2,3…N,N表示总的采样点数,m=1,2,3…M;
进一步地,步骤S3包括:
S3.1.针对机械运行中的换向或加减速过程,先依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,再从起止行程范围对应的时域状态信号或位置域状态信号中提取刚性程度和平衡度作为时频域故障特征;
S3.2.针对机械运动中的旋转运动过程,利用时域状态信号与旋转运动的时域位置信号建立旋转矢量信号,并从旋转矢量信号中提取圆度指标作为第一位置域故障特征;
S3.3.针对机械运动行程中存在的受力不均现象,根据机械运动系统的运行状态信号受其机械部件运动过程影响而产生的变化趋势,设计位置域状态信号分布矩阵作为第二位置域故障特征,以反映运动行程中可能存在的阶段性异常;
S3.4.针对机械运动中存在的往复运动过程,先在各个运动过程所对应的位置域状态信号的基础上构建位置域状态集合,再计算各运动过程对应的位置域状态信号与位置域状态集合整体平均值间的差异,得到位置域一致性指标作为时域故障特征。
进一步地,S3.1包括:
S3.1.1.依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,应用时频分析方法对对应范围段的时域状态信号进行分析,得到时域状态信号的时频谱;
S3.1.2.在时域状态信号的时频谱中,于时间起始时刻搜索频率范围中幅值较大的前K个频率fk及其幅值ak,k=1,2,3,…K;
S3.1.3.分别以选择出的K个频率对应时刻作为起点,随着时频谱中时间的推移观测J次,得到时域状态信号的时频幅值矩阵A:
若否,当时频幅值矩阵A的行向量中各个元素累计存在H个成立的递减关系时,采用Daj=2×H+1-J计算时频幅值矩阵A各个行向量对应的柔性程度指标Daj;取各个行向量对应的柔性程度指标中的最大值max(Daj)计算基于时域状态信号的刚性程度:
S3.1.6.将时域状态信号的时频谱替换为位置域状态信号的空间频谱,重复执行子步骤(3.1.2)至(3.1.5)得到基于位置域状态信号的刚性程度和平衡度。
进一步地,步骤S3.2包括:
将时域状态信号与旋转运动的时域位置信号转化为位置域状态信号,将位置域状态信号的旋转角度作为旋转矢量的方向,将位置域状态信号的绝对值作为旋转矢量的大小,得到极坐标系下的旋转矢量信号ρ(m);
找出ρ(m)所有的上下极值点ρmax(m)和ρmin(m),用3次样条曲线拟合出上下极值点的包络线,并求出上下包络线的平均值ρm(m);
进一步地,步骤S3.3包括:
S3.3.1.将位置域状态信号分割为S个区间;
S3.3.3.构建位置域状态信号分布矩阵A’:
进一步地,步骤S3.4包括:
S3.4.1.对每次往复运动中包含的去程和回程行程段,按照步骤S2获取位置域状态信号;
S3.4.2.计算各行程段位置域偏差向量:
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
本发明根据实际工程需要以及旋转和往复运动的特点,从时域、位置域、时频域以及时域位置域转换过程中提取多重故障特征,能较好地反映机械系统运行规律与故障机理,能够应用于机器学习等智能诊断系统中,辅助实现高精度故障诊断。本发明提出的多域故障特征提取方法也可以作为一种信号预处理手段,用以克服运行速度变化与噪声、外界干扰对时域采样信号的影响。
附图说明
图1是本发明方法流程图。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明为具有运动部件的旋转或往复机械运动系统提供了一种多域故障特征提取与诊断方法,该方法包括以下步骤:
(1)利用传感器和数据采集系统收集旋转或往复机械运动系统运行过程中的时域信号,所述时域信号包括至少一种描述旋转或往复机械运动系统运行状态信息的时域状态信号和一种描述旋转或往复机械运动系统所处运行位置信息的时域位置信号;
具体地,本发明实例中,旋转或往复机械运动系统为数控机床中广泛应用的直线进给系统,机械系统中常见的故障能够准确地反映在负载电流中,所以本发明实施例选择交流电机负载电流信号和直线进给系统的空间位置信号用于系统的故障特征提取与诊断。负载电流信号x(n)和时域位置信号p(n)通过时域等间隔同步采样各获得20000点,在序列中具有相同序号n的采样点在时域上位于同一时刻。
(2)根据序号n,建立时域状态信号和时域位置信号间的对应关系,将等时间间隔的时域状态信号和时域位置信号转换为具有等空间间隔特性的位置域状态信号,并且提取时域状态信号与时域位置信号的融合特征;
(2.1)根据总点数为20000的时域位置信号p(n)的实际范围,将运动行程均匀划分为400个空间间隔;
(2.2)根据总点数为20000的时域状态信号x(n)与位置信号p(n)的一一对应关系[x(i),p(i)](i=1,2,3…20000)确定特定时域状态信号点x(i)所属的空间间隔后,统计该空间间隔内时域状态信号的个数作为时空粒度信号:其中为第m个空间间隔内先前时域状态信号的个数(m=1……,400),并计算该空间间隔对应的位置域状态信号其中为第m个空间间隔内先前位置域状态信号的取值。在计算位置域状态信号的同时,采用滑动偏差模型计算各个空间间隔对应的时域状态信号与时域位置信号的融合特征,其中为该空间间隔内先前融合特征的取值。
本发明中x(n)表征某一时刻机械系统的运行状态,位置域状态信号y(m)表征某一个空间间隔处机械系统的运行状态,由于转换为位置域状态信号的过程会损失高频段信息,所以本发明采用v(m)表征时域信号中的高频分量部分。
(3)根据实际运行工况与故障信号表现形式,从时域、位置域以及时频域中提取多域故障特征;
(3.1)先依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,再从起止行程范围对应的时域状态信号或位置域状态信号中提取刚性程度和平衡度作为故障特征,属于时频域故障特征;
(3.1.1)依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,应用时频分析方法对对应范围段的时域状态信号进行分析,得到时域状态信号的时频谱;
(3.1.2)在时域状态信号的时频谱中,于时间起始时刻搜索频率范围中幅值较大的前8个频率fk及其幅值ak,k=1,2,3,…8;
(3.1.3)随着时域状态信号的时频谱中时间的推移,于该时频谱中再对频率fk进行30次观测,并记录每次观测时频率fk对应的幅值,从而得到时域状态信号的时频幅值矩阵A:
(3.1.7)判断时频幅值矩阵A的行向量[a(k,1) a(k,2) … a(k,8)]中各个元素是否存在递减关系:a(k,1)>a(k,2),a(k,2)>a(k,3),…,a(k,J-1)>a(k,J),若累计存在H个成立的递减关系,则有与之相对的柔性程度指标Daj=2×H+1-J;
(3.1.10)将子步骤(3.1.2)至(3.1.9)中的时域状态信号的时频谱替换为位置域状态信号的空间频谱后,重复执行子步骤(3.1.2)至(3.1.9),得到基于位置域状态信号的刚性程度和平衡度。
(3.2)针对机械运动中的旋转运动过程,融合时域状态信号与时域位置信号得到位置域状态信号y(m),并建立旋转矢量信号,并从旋转矢量信号中提取圆度指标作为故障特征,属于位置域故障特征;
(3.2.1)针对机械运动中的旋转运动过程,由步骤(2)融合时域状态信号与旋转运动的时域位置信号得到位置域状态信号y(m)。将位置域状态信号的旋转角度作为旋转矢量的方向,将位置域状态信号的绝对值作为旋转矢量的大小,得到极坐标系下的旋转矢量信号ρ(m);
(3.2.2)由于旋转运动状态信号本身具有周期波动的特性,为了更好地表征旋转矢量图的圆度指标,首先对旋转矢量信号ρ(m)进行处理。找到ρ(m)所有的上下极值点ρmax(m)和ρmin(m),用3次样条曲线拟合出上下极值点的包络线,并求出上下包络线的平均值ρm(m);
(3.3)针对机械运动行程中存在的受力不均现象,根据机械运动系统的运行状态信号受其机械部件运动过程影响而产生的潜在变化趋势,设计位置域状态信号分布矩阵,以反映运动行程中可能存在的阶段性异常,得到的位置域状态信号分布矩阵属于位置域故障特征;
(3.3.1)将融合后的位置域状态信号分割为10个区间,信号长度为400,每个区间内含有40个点;
由行向量A1、A2、A3、A4构成位置域状态信号分布矩阵A′:
根据位置域状态信号分布矩阵A’可以确定融合后的状态信号在行程的某一阶段出现异常上升或下降的趋势,有利于故障的进一步定位。调整后也可以作为机器学习等智能诊断方法的降维特征输入。
(3.4)针对机械运动中存在的往复运动过程,先在各个运动过程所对应的位置域状态信号的基础上构建位置域状态集合,再计算各运动行程对应集合的位置域状态信号间的差异,得到位置域一致性指标作为故障特征,属于时域故障特征;
(3.4.1)针对机械运动中存在的往复运动过程,对每个行程段按照步骤(2)分别进行信号转换,得到不同行程段的集合的位置域状态信号y1(m),y2(m)...y400(m);
(3.4.2)计算集合位置域状态信号的整体平均值将400段集合位置域状态信号y1(m),y2(m)...y400(m)与平均后的信号依次相减后再求绝对值得到各行程段位置域偏差。如果绝对值小于一个阈值δ,则认为偏差不存在。各行程段位置域偏差向量:
本发明基于机械运动系统应用现状,融合时域状态信号和时域位置信号,并提取多域故障特征,能够为机械运动系统的故障检测、定位与模式识别提供重要依据。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于机械运动系统的多域故障特征提取方法,其特征在于,包括:
S1.通过时域等间隔同步采样获得机械运动系统运行过程中的时域信号;所述时域信号包括时域状态信号与时域位置信号,表征某一时刻机械系统的运行状态和所处位置;
S2.将等时间间隔的时域状态信号与时域位置信号转换为具有等空间间隔特性的位置域状态信号,并提取各个空间间隔对应的时域状态信号与时域位置信号的融合特征,作为时间位置域故障特征;所述位置域状态信号表征某一个空间间隔处机械系统的运行状态;所述融合特征表征时域信号中的高频分量部分;
S3.根据机械运动系统实际运行工况与故障信号表现形式,从时域、位置域以及时频域中实现多域故障特征表达。
2.根据权利要求1所述的一种用于机械运动系统的多域故障特征提取方法,其特征在于,步骤S2具体包括:
S2.1.将时域位置信号对应的运动行程均匀划分为M个空间间隔;
S2.2.根据时域状态信号与时域位置信号一一对应的时序关系,确定时域状态信号点x(i)所属的空间间隔m;i=1,2,3…N,N表示总的采样点数,m=1,2,3…M;
3.根据权利要求2所述的一种用于机械运动系统的多域故障特征提取方法,其特征在于,步骤S3包括:
S3.1.针对机械运行中的换向或加减速过程,先依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,再从起止行程范围对应的时域状态信号或位置域状态信号中提取刚性程度和平衡度作为时频域故障特征;
S3.2.针对机械运动中的旋转运动过程,利用时域状态信号与旋转运动的时域位置信号建立旋转矢量信号,并从旋转矢量信号中提取圆度指标作为第一位置域故障特征;
S3.3.针对机械运动行程中存在的受力不均现象,根据机械运动系统的运行状态信号受其机械部件运动过程影响而产生的变化趋势,设计位置域状态信号分布矩阵作为第二位置域故障特征,以反映运动行程中可能存在的阶段性异常;
S3.4.针对机械运动中存在的往复运动过程,先在各个运动过程所对应的位置域状态信号的基础上构建位置域状态集合,再计算各运动过程对应的位置域状态信号与位置域状态集合整体平均值间的差异,得到位置域一致性指标作为时域故障特征。
4.根据权利要求3所述的一种用于机械运动系统的多域故障特征提取方法,其特征在于,S3.1包括:
S3.1.1.依据时域位置信号确定运动过程中换向或加减速状态的起止行程范围,应用时频分析方法对对应范围段的时域状态信号进行分析,得到时域状态信号的时频谱;
S3.1.2.在时域状态信号的时频谱中,于时间起始时刻搜索频率范围中幅值较大的前K个频率fk及其幅值ak,k=1,2,3,…K;
S3.1.3.分别以选择出的K个频率对应时刻作为起点,随着时频谱中时间的推移观测J次,得到时域状态信号的时频幅值矩阵A:
若否,当时频幅值矩阵A的行向量中各个元素累计存在H个成立的递减关系时,采用Daj=2×H+1-J计算时频幅值矩阵A各个行向量对应的柔性程度指标Daj;取各个行向量对应的柔性程度指标中的最大值max(Daj)计算基于时域状态信号的刚性程度:
S3.1.6.将时域状态信号的时频谱替换为位置域状态信号的空间频谱,重复执行子步骤(3.1.2)至(3.1.5)得到基于位置域状态信号的刚性程度和平衡度。
8.一种用于机械运动系统的多域故障特征提取系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至7任一项所述的用于机械运动系统的多域故障特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610228.2A CN113378678B (zh) | 2021-06-01 | 2021-06-01 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110610228.2A CN113378678B (zh) | 2021-06-01 | 2021-06-01 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378678A CN113378678A (zh) | 2021-09-10 |
CN113378678B true CN113378678B (zh) | 2022-04-22 |
Family
ID=77575249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110610228.2A Active CN113378678B (zh) | 2021-06-01 | 2021-06-01 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378678B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655380B (zh) * | 2015-03-16 | 2017-10-24 | 北京六合智汇技术有限责任公司 | 一种旋转机械设备故障特征提取方法 |
CN107144250B (zh) * | 2017-05-27 | 2019-04-05 | 中国石油大学(北京) | 在线测量往复机械传动链间隙量的方法及装置 |
CN109519340A (zh) * | 2018-12-27 | 2019-03-26 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组传动系统故障诊断方法 |
CN112257529B (zh) * | 2020-10-12 | 2023-11-28 | 浙江原初数据科技有限公司 | 一种无线电信号特征自动提取系统及其提取方法 |
-
2021
- 2021-06-01 CN CN202110610228.2A patent/CN113378678B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113378678A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN109187025B (zh) | 一种集成kelm的滚动轴承剩余使用寿命预测方法 | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
JP2015075821A (ja) | 状態診断方法および状態診断装置 | |
CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN109461095A (zh) | 一种用于非侵入式负荷辨识的负荷事件检测的数据处理方法及设备 | |
CN110057581B (zh) | 基于区间型信度规则推理的旋转机械故障诊断方法 | |
CN102721462B (zh) | 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN109061387A (zh) | 一种基于圆环定理的电网异常状态判别方法 | |
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 | |
CN113378678B (zh) | 一种用于机械运动系统的多域故障特征提取方法和系统 | |
CN108008246B (zh) | 基于时域自适应窗的线路故障测距方法及装置 | |
Ding et al. | Slope synchronous chirplet transform and its application to tacho-less order tracking of rotating machineries | |
CN113128047A (zh) | 一种航空发动机推力计算方法、存储介质及计算设备 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN109670243B (zh) | 一种基于勒贝格空间模型的寿命预测方法 | |
CN112857806B (zh) | 一种基于移动窗口时域特征提取的轴承故障检测方法 | |
Wu et al. | Fault Diagnosis of Wind Turbine Vibration Based on Wavelet Transform And Neural Network. | |
CN114818815A (zh) | 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统 | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
CN110530630B (zh) | 一种基于改进动态时间规整的行星齿轮箱齿轮局部故障诊断方法 | |
Wang et al. | Degradation pattern identification and remaining useful life prediction for mechanical equipment using SKF-EN | |
CN112621381A (zh) | 机床进给系统健康状态智能评估方法及装置 |
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 |