CN113378778A - 一种基于自编码器的有载分接开关故障诊断方法 - Google Patents
一种基于自编码器的有载分接开关故障诊断方法 Download PDFInfo
- Publication number
- CN113378778A CN113378778A CN202110735149.4A CN202110735149A CN113378778A CN 113378778 A CN113378778 A CN 113378778A CN 202110735149 A CN202110735149 A CN 202110735149A CN 113378778 A CN113378778 A CN 113378778A
- Authority
- CN
- China
- Prior art keywords
- encoder
- time
- self
- load tap
- classifier
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本发明公开了一种基于自编码器的有载分接开关故障诊断方法,属于电力设备故障诊断领域。一种基于自编码器的有载分接开关故障诊断方法,包括以下步骤:获取有载分接开关的振动信号;计算所述振动信号的时频矩阵;根据所述时频矩阵无监督训练自编码器;基于所述自编码器的编码器和所述时频矩阵有监督训练分类器;根据所述编码器和所述分类器对所述有载分接开关的待测振动信号进行诊断;与现有技术相比,本发明的深度学习引入到有载分接开关的故障诊断中,实现了自动特征工程,避免了人为设计特征带来的困难,其特征完全由数据本身的分布决定,本发明结合了有监督学习和无监督学习的优势,缓解了有标签样本不足的问题。
Description
技术领域
本发明涉及电力设备故障诊断领域,具体涉及一种基于自编码器的有载分接开关故障诊断方法。
背景技术
基于振动信号的有载分接开关状态监测是目前应用最为广泛的非侵入式监测方式。振动信号能够直观地反映有载分接开关的切换过程和动作时序,其对应的时域和频域信号中包含了大量的故障信息。同时,振动信号也是一种复杂的非平稳信号,其时域和频域特征随时间快速变化,这对特征工程提出了很高的要求。深度学习方法是一种表示学习方法,能够在其底层网络实现自动特征工程,避免人为设计特征的困难。同时深度学习方法对训练数据的要求较高,通常情况下需要大量有标签样本。
在有载分接开关的日常运维中,运行数据的数据量较多但没有标签,而检修数据一般有标签但数据量较少。目前大部分有载分接开关故障诊断方法只基于少量有标签的检修数据或故障模拟数据,因此模型泛化能力较弱且迁移困难;因此提出一种基于自编码器的有载分接开关故障诊断方法。
发明内容
针对现有技术的不足,本发明提出了一种基于自编码器的有载分接开关故障诊断方法。
本发明的目的可以通过以下技术方案实现:
一种基于自编码器的有载分接开关故障诊断方法,包括以下步骤:
采用振动加速度传感器获取有载分接开关的振动信号,且所述振动加速度传感器的采样频率不低于100kHz;
计算所述振动信号的时频矩阵;
根据所述时频矩阵无监督训练自编码器;
基于所述自编码器的编码器和所述时频矩阵有监督训练分类器;
根据所述编码器和所述分类器对所述有载分接开关的待测振动信号进行诊断。
进一步地,所述自编码器包括频域MLP自编码器和时域MLP自编码器;
所述频域MLP自编码器编码时频矩阵的频域信息包括4层神经网络层;所述频域信息的每层网络神经元个数分别为Nf、Nf/5、Nf/25、Nf/125,其中Nf为频率方向采样点数;
所述时域MLP自编码器编码时频矩阵的时域信息包括4层神经网络层;所述时域信息的每层网络神经元个数分别为Nt、Nt/3、Nt/6、Nt/12,其中Nt为时间方向的采样点数;
所述频域MLP自编码器时频矩阵和所述时域MLP自编码器编码时频矩阵的神经网络层均通过线性整流激活。
进一步地,所述分类器为MLP结构,所述分类器的神经网络层数为3,所述分类器的每层网络神经元个数分别为NfNt/1500、NfNt/9000、Nsort,其中Nsort为分类的类别数;所述分类器的第1层网络通过Sigmoid激活,所述分类器的第2层网络通过Softmax激活。
进一步地,所述根据所述时频矩阵无监督训练自编码器包括以下步骤
训练所述频域MLP自编码器;将所述频域MLP编码器的输出输入到所述时域MLP自编码器中进行训练生成所述自编码器。
进一步地,所述自编码器训练时采用均方误差损失函数和Adam优化算法,所述自编码器的训练集包括有标签的时频矩阵和无标签的时频矩阵。
进一步地,所述基于所述自编码器和所述时频矩阵有监督训练分类器包括以下步骤:
以所述编码器作为特征提取器获取振动信号经特征;
将所述振动信号经特征输入所述分类器,并采用交叉熵损失函数和Adam优化算法训练;所述分类器的训练集为有标签的时频矩阵。
进一步地,所述时频矩阵通过离散S变换法计算,计算公式为:
其中,m为频率数,n为振动波形采样点数。
进一步地,所述时频矩阵的时间方向降采样50倍,所述时频矩阵的频率方向降采样10倍。
进一步地,所述根据所述编码器和所述分类器对所述有载分接开关的待测振动信号进行诊断包括以下步骤:
将所述待测振动信号通过S变换和降采样处理获取所述待测振动信号的时频矩阵;
通过所述编码器获取所述待测振动信号的时频矩阵的特征;
将所述待测振动信号的时频矩阵的特征输入到所述分类器中进行分类;
所述分类器的输出层中最大值对应的类别即为故障类别。
另一方面,本发明还提供一种有载分接开关故障诊断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9任一种叶片故障诊断方法
本发明的有益效果:
本发明将深度学习引入到有载分接开关的故障诊断中,实现了自动特征工程,避免了人为设计特征带来的困难,其特征完全由数据本身的分布决定,具有较强的客观性和可迁移性;本发明结合了自编码器无监督学习和MLP有监督学习的优点,自编码器通过无监督地学习大量无标签样本的数据分布特征,训练得到一个高效的特征提取器,而MLP分类器有监督学习地学习少量有标签样本特征到分类结果的映射,训练得到一个准确率高的特征分类器。两者的有机结合克服了有载分接开关故障诊断中缺少有标签样本的困难。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本申请的流程图;
图2是本申请的正常振动信号;
图3是本申请的卡涩故障振动信号;
图4是本申请的自编码器结构图;
图5是本申请的原始振动信号时频图像;
图6是本申请的重构振动信号时频图像。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
采用振动加速度传感器采集多个同型号不同有载分接开关顶盖上的振动信号,由于有载分接开关振动信号的特征频率在50kHz以下且切换开关正常切换时间在120ms以下,因此,采样频率设置为100kHz,采样时间为0.3s,振动加速度传感器的固定方式为通过顶盖螺孔与传感器螺钉刚性固定。采集到共1000组数据,其中100组采自正常有载分接开关,100组采自传动机构卡涩的有载分接开关,剩下800组数据对应的有载分接开关状态未知。其中正常有载分接开关的一组振动信号如图2所示,传动机构卡涩有载分接开关的一组振动信号如图3所示。
采用离散S变换计算振动信号x[k]的时频矩阵S[m,n],其计算公式为:
其中,m=15000为频率数,n=30000为振动波形采样点数。
对S变换时频矩阵S[m,n]进行降采样,在有效减少数据量的同时,尽量不损坏时频矩阵的时频信息,时间方向降采样50倍,频率方向降采样10倍,得到新的时频矩阵T[m,n],m=1500,n=600。
用全部1000组时频矩阵训练一个自编码器,自编码器采用MLP结构,具体包括一个频率方向的自编码器和一个时间方向的自编码器。频率方向的编码器时频矩阵的频域信息,神经网络层数为4,每层网络神经元个数分别为1500、300、60、12,每层神经网络采用线性整流激活;时间方向的编码器编码时频矩阵的时域信息,神经网络层数为4,每层网络神经元个数分别为600、200、100、50,每层神经网络采用线性整流激活。频率方向和时间方向上的解码器均为编码器的逆过程,即采用对称自编码器结构。自编码器的具体结构如图4所示。
训练自编码器时先训练频率方向的自编码器,T1500×600经过频率编码后变为T12×600,然后去除频率方向的解码器,只保留编码器并同时间方向的自编码器一同训练,T12×600经过时间编码后变为T12×50。训练时采用均方误差损失函数和Adam优化算法,学习率设置为0.001,mini-batch为100,训练次数为200次。训练好后的自编码器对一组振动信号时频矩阵的重构图像如图5和图6所示。
用200组有标签时频矩阵训练一个分类器,分类器采用MLP结构,神经网络层数为3,每层网络神经元个数分别为600、100、2。第1层网络后进行Sigmoid激活,第2层网络后进行Softmax激活。
训练分类器时,将自编码器的编码器作为特征提取器,振动信号经特征提取后输入到分类器中进行训练。训练采用交叉熵损失函数和Adam优化算法,学习率设置为0.001,mini-batch为100,训练次数为400次。
另采集50组正常振动信号和50组卡涩故障振动信号,计算时频矩阵。用训练好的编码器提取特征,并将特征输入到分类器中进行分类。分类结果为50组正常信号全部分类正确,48组卡涩信号分类正确,2组卡涩信号错误分类为正常信号,诊断准确率为98%。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种基于自编码器的有载分接开关故障诊断方法,其特征在于,包括以下步骤:
获取有载分接开关的振动信号;计算所述振动信号的时频矩阵;根据所述时频矩阵无监督训练自编码器;基于所述自编码器的编码器和所述时频矩阵有监督训练分类器;根据所述编码器和所述分类器对所述有载分接开关的待测振动信号进行诊断。
2.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述自编码器包括频域MLP自编码器和时域MLP自编码器;
所述频域MLP自编码器编码时频矩阵的频域信息包括4层神经网络层;所述频域信息的每层网络神经元个数分别为Nf、Nf/5、Nf/25、Nf/125,其中Nf为频率方向采样点数;
所述时域MLP自编码器编码时频矩阵的时域信息包括4层神经网络层;所述时域信息的每层网络神经元个数分别为Nt、Nt/3、Nt/6、Nt/12,其中Nt为时间方向的采样点数;
所述频域MLP自编码器时频矩阵和所述时域MLP自编码器编码时频矩阵的神经网络层均通过线性整流激活。
3.根据权利要求2所述的有载分接开关故障诊断方法,其特征在于,所述分类器为MLP结构,所述分类器的神经网络层数为3,所述分类器的每层网络神经元个数分别为NfNt/1500、NfNt/9000、Nsort,其中Nsort为分类的类别数;所述分类器的第1层网络通过Sigmoid激活,所述分类器的第2层网络通过Softmax激活。
4.根据权利要求2所述的有载分接开关故障诊断方法,其特征在于,所述根据所述时频矩阵无监督训练自编码器包括以下步骤
训练所述频域MLP自编码器;将所述频域MLP编码器的输出输入到所述时域MLP自编码器中进行训练,并生成所述自编码器。
5.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述自编码器训练时采用均方误差损失函数和Adam优化算法,所述自编码器的训练集包括有标签的时频矩阵和无标签的时频矩阵。
6.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述基于所述自编码器和所述时频矩阵有监督训练分类器包括以下步骤:
以所述编码器作为特征提取器获取振动信号经特征;
将所述振动信号经特征输入所述分类器,并采用交叉熵损失函数和Adam优化算法训练;所述分类器的训练集为有标签的时频矩阵。
7.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述时频矩阵通过离散S变换法计算。
8.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述时频矩阵的时间方向降采样50倍,所述时频矩阵的频率方向降采样10倍。
9.根据权利要求1所述的有载分接开关故障诊断方法,其特征在于,所述根据所述编码器和所述分类器对所述有载分接开关的待测振动信号进行诊断包括以下步骤:
将所述待测振动信号通过S变换和降采样处理获取所述待测振动信号的时频矩阵;
通过所述编码器获取所述待测振动信号的时频矩阵的特征;
将所述待测振动信号的时频矩阵的特征输入到所述分类器中进行分类;
所述分类器的输出层中最大值对应的类别即为故障类别。
10.一种有载分接开关故障诊断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9任一种叶片故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735149.4A CN113378778B (zh) | 2021-06-30 | 2021-06-30 | 一种基于自编码器的有载分接开关故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110735149.4A CN113378778B (zh) | 2021-06-30 | 2021-06-30 | 一种基于自编码器的有载分接开关故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378778A true CN113378778A (zh) | 2021-09-10 |
CN113378778B CN113378778B (zh) | 2024-03-29 |
Family
ID=77580091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110735149.4A Active CN113378778B (zh) | 2021-06-30 | 2021-06-30 | 一种基于自编码器的有载分接开关故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378778B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136619A (zh) * | 2021-10-27 | 2022-03-04 | 国家能源集团宿迁发电有限公司 | 一种基于卷积自编码的变工况下滚动轴承故障诊断方法 |
CN114399996A (zh) * | 2022-03-16 | 2022-04-26 | 阿里巴巴达摩院(杭州)科技有限公司 | 处理语音信号的方法、装置、存储介质及系统 |
CN114838923A (zh) * | 2022-04-08 | 2022-08-02 | 华中科技大学 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN113008559A (zh) * | 2021-02-23 | 2021-06-22 | 西安交通大学 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
-
2021
- 2021-06-30 CN CN202110735149.4A patent/CN113378778B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN113008559A (zh) * | 2021-02-23 | 2021-06-22 | 西安交通大学 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136619A (zh) * | 2021-10-27 | 2022-03-04 | 国家能源集团宿迁发电有限公司 | 一种基于卷积自编码的变工况下滚动轴承故障诊断方法 |
CN114399996A (zh) * | 2022-03-16 | 2022-04-26 | 阿里巴巴达摩院(杭州)科技有限公司 | 处理语音信号的方法、装置、存储介质及系统 |
CN114838923A (zh) * | 2022-04-08 | 2022-08-02 | 华中科技大学 | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113378778B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378778A (zh) | 一种基于自编码器的有载分接开关故障诊断方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN110398348B (zh) | 存储器、高压断路器机械故障诊断方法和装置 | |
CN112014047B (zh) | 一种有载分接开关机械故障诊断方法 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN110543860B (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN116434777B (zh) | 基于多级注意力和特征融合的变压器故障诊断方法及系统 | |
CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
CN116150901A (zh) | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 | |
CN111080168B (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
Ding et al. | A convolutional transformer architecture for remaining useful life estimation | |
CN112305388A (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116433223A (zh) | 基于双域稀疏Transformer模型的变电站设备故障预警方法及设备 | |
CN111079647A (zh) | 一种断路器缺陷识别方法 | |
CN108805206A (zh) | 一种用于模拟电路故障分类的改进型lssvm建立方法 | |
CN103400021A (zh) | 基于重尾分布的kdsne水电机组噪声源检测方法 | |
CN116465623A (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
Vilakazi et al. | Bushing fault detection and diagnosis using extension neural network | |
CN115362454A (zh) | 用于工业工厂机器学习系统的分层机器学习方法 | |
Alsumaidaee et al. | Fault Detection for Medium Voltage Switchgear using a Deep Learning Hybrid 1D-CNN-LSTM Model | |
Wang | A new variable selection method for soft sensor based on deep learning |
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 |