CN113428753A - 一种矿井立井刚性罐道缺陷诊断方法 - Google Patents
一种矿井立井刚性罐道缺陷诊断方法 Download PDFInfo
- Publication number
- CN113428753A CN113428753A CN202110808171.7A CN202110808171A CN113428753A CN 113428753 A CN113428753 A CN 113428753A CN 202110808171 A CN202110808171 A CN 202110808171A CN 113428753 A CN113428753 A CN 113428753A
- Authority
- CN
- China
- Prior art keywords
- defect
- cage
- cage guide
- mark
- iii
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种矿井立井刚性罐道缺陷诊断方法,包括提升系统试验台、罐笼、三方向加速度传感器、信号采集仪和笔记本电脑,三方向加速度传感器通过磁铁安装在罐笼顶部的中间位置,三方向加速度传感器通过数据传导线与信号采集仪相连接,信号采集仪通过网线与笔记本电脑相连接。本发明以立井提升系统刚性罐道为对象,采集其实时的振动加速度信号,利用经验模态分解结合希尔伯特谱对振动信号进行特征描述,奇异值分解进行特征提取并建立特征矩阵,利用算法对支持向量机模型优化,并利用其对刚性罐道的缺陷进项模式识别和分类,解决了现阶段对于立井提升系统刚性罐道的缺陷故障研究不够充分,传统的诊断手法效率较低,准确率较低的问题。
Description
技术领域
本发明涉及立井刚性罐道缺陷故障诊断,具体为一种矿井立井刚性罐道缺陷诊断方法。
背景技术
矿井提升设备承担着煤炭、设备和人员等运输任务,刚性罐道、罐耳作为提升容器的导向装置,保证提升容器方向运行正确,是提升系统的重要组成部分,矿井提升系统的健康状态将直接关系到煤矿的安全高效生产,在工作过程中任何一个系统出现故障都会影响煤矿的安全生产,严重的可导致重大安全生产事故,因此需要对刚性罐道工作状态进行监测,矿井提升系统的安全高效运行是煤矿提高生产效率、减少生产成本和保障生命财产安全的重要前提,及时发现导向装置潜在的故障和安全隐患,对整个提升系统运行状况进行评估,预测可能发生的故障,对整个煤矿的安全生产具有重要的意义。
现阶段的研究中,对于矿井立井提升系统的刚性罐道的缺陷故障诊断和健康监测研究较少,传统的利用小波包进行特征提取和利用支持向量机以及人工神经网络的缺陷诊断方法的效率较低,准确率也有待提高。
发明内容
本发明的目的在于提供一种矿井立井刚性罐道缺陷诊断方法,利用优化的特征提取方法和模式识别手段,提高了刚性罐道缺陷故障诊断的效率,增加了缺陷诊断的准确率,有效的增加了刚性罐道安全运行的技术保障,丰富了刚性罐道缺陷故障诊断相关的研究内容,解决了现阶段对于立井提升系统刚性罐道的缺陷故障研究不够充分,传统的诊断手法效率较低,准确率较低的问题。
为实现上述目的,本发明提供如下技术方案:一种矿井立井刚性罐道缺陷诊断方法,包括提升系统试验台、罐笼、三方向加速度传感器、信号采集仪和笔记本电脑,所述三方向加速度传感器通过磁铁安装在罐笼顶部的中间位置,所述三方向加速度传感器通过数据传导线与信号采集仪相连接,所述信号采集仪通过网线与笔记本电脑相连接,所述三方向加速度传感器型号为Coinv INV9832-501612016,所述采集仪型号为Coinv INV3062T0,所述笔记本电脑安装有DSPA V11软件和MATLAB软件。
进一步的,其具体诊断方法如下:
A、罐笼在罐耳的辅助下沿着刚性罐道上行或者下行,刚性罐道会给罐耳连续的、离散的冲击,罐耳将振动传递至罐笼,设置采样频率为1024Hz,利用三方向加速度传感器实时监测和采集罐笼顶部中间位置X、Y、Z三方向的振动加速度,振动加速度信号通过信号采集仪和DSPA V11软件在笔记本电脑上显示出时域波形图。
B、当罐耳运行至刚性罐道存在接头缝隙的缺陷时,刚性罐道的缺陷会给罐耳一个水平方向的振动冲击,此时罐耳的振动会导致罐笼产生水平方向的振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,当罐耳运行至刚性罐道存在台阶或者凸起的缺陷时,罐耳受到迎轮冲击,罐笼产生水平方向振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,同时采集正常刚性罐道处振动加速信号,将采集的三种振动加速信号以1024个点为窗口,分别截取其时域信号,分别标识为缺陷一、缺陷二、缺陷三。
C、将缺陷一、缺陷二、缺陷三分别进行经验模态分解,分解为六个固有模态函数分量的残差得到,然后再对分解缺陷一、缺陷二、缺陷三得到的六个固有模态函数分量进行希尔伯特变换,得到每个固有模态函数分量的希尔伯特谱,因此可以得到时频分布情况。
D、将步骤C中缺陷一、缺陷二、缺陷三分解得到的固有模态函数分量的希尔伯特谱分别进行奇异值分解,对截取的1024个点的振动信号进行各频段的特征描述,并将特征描述的结果分别作为缺陷一、缺陷二和缺陷三的特征参数,并构建特征矩阵。
E、建立支持向量机模型,采用径向基核函数,作为支持向量机的核函数,将缺陷一、缺陷二和缺陷三的特征矩阵分别定义标记一、标记二和标记三,从标记一、标记二和标记三中均抽取三分之一的数据集定义为训练集,三分之二的数据集定义为测试集。
F、利用遗传算法对支持向量机的惩罚参数c和径向基核函数中参数g进行优化处理,在进行优化处理时,参数c的搜索范围定义为[0,150],参数g的搜索范围定义为[0,150],遗传算法参数种群数为25,最大进化代数为200,交叉概率设置为0.4,变异概率为0.01,对参数g和参数c寻优结果为c=2.15,g=4.19。
G、将步骤F中寻优的结果导入步骤E建立的支持向量机模型,并利用步骤E中定义的训练集导入支持向量机模型,利用标记一、标记二和标记三对其进行训练,训练后,再将步骤E中定义的测试集导入支持向量机模型内,对混乱的标记一、标记二和标记三进行分类,从而完成缺陷一、缺陷二和缺陷三的模式识别与分类,缺陷一和缺陷二的识别率达到99%,缺陷三的识别率达到80%。
进一步的,将刚性罐道的接头缝隙缺陷标识为缺陷一,将刚性罐道的台阶和凸起缺陷标识为缺陷二,将刚性罐道正常无缺陷标识为缺陷三,且缺陷一、缺陷二和缺陷三采集的数据均为若干组。
本发明提供了一种矿井立井刚性罐道缺陷诊断方法,以立井提升系统刚性罐道为对象,针对刚性罐道的几种常见的缺陷故障,采集其实时的振动加速度信号,利用经验模态分解结合希尔伯特谱分解对振动信号进行各频段的特征描述,再结合奇异值分解进行特征参数提取并建立特征矩阵,然后利用算法对支持向量机模型进行优化,并利用优化的支持向量机模型对刚性罐道的缺陷进行模式识别和分类,解决了现阶段对于立井提升系统刚性罐道的缺陷故障研究不够充分,传统的诊断手法效率较低,准确率较低的问题。
附图说明
图1为本发明结构的示意图;
图2为缺陷一的波形图;
图3为缺陷二的波形图;
图4为缺陷三的波形图;
图5为缺陷一经验模态分解图;
图6为缺陷二经验模态分解图;
图7为缺陷三经验模态分解图;
图8为缺陷一、缺陷二和缺陷三特征参数表;
图9为遗传算法优化支持向量机寻优适应度曲线;
图10为支持向量机分类结果图。
图中:1实验台、2罐笼、3三方向加速度传感器、4信号采集仪、5笔记本电脑、6罐耳、7刚性罐道。
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。
请参阅图1-10,一种矿井立井刚性罐道7缺陷诊断方法,包括提升系统实验台1、罐笼2、三方向加速度传感器3、信号采集仪4和笔记本电脑5,三方向加速度传感器3通过磁铁安装在罐笼2顶部的中间位置,三方向加速度传感器3通过数据传导线与信号采集仪4相连接,信号采集仪4通过网线与笔记本电脑5相连接,三方向加速度传感器3型号为CoinvINV9832-501612016,信号采集仪4型号为Coinv INV3062T0,笔记本电脑5安装有DSPA V11软件和MATLAB软件。
A、罐笼2在罐耳6的辅助下沿着刚性罐道7上行或者下行,刚性罐道7会给罐耳6连续的、离散的冲击,罐耳6将振动传递至罐笼2,设置采样频率为1024Hz,利用三方向加速度传感器3实时监测和采集罐笼2顶部中间位置X、Y、Z三方向的振动加速度,振动加速度信号通过信号采集仪4和DSPA V11软件在笔记本电脑5上显示出时域波形图。
B、当罐耳6运行至刚性罐道7存在接头缝隙的缺陷时,刚性罐道7的缺陷会给罐耳6一个水平方向的振动冲击,此时罐耳6的振动会导致罐笼2产生水平方向的振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,当罐耳6运行至刚性罐道7存在台阶或者凸起的缺陷时,罐耳6受到迎轮冲击,罐笼2产生水平方向振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,同时采集正常刚性罐道7处振动加速信号,将采集的三种振动加速信号以1024个点为窗口,分别截取其时域信号,分别标识为缺陷一、缺陷二、缺陷三。
C、将缺陷一、缺陷二、缺陷三分别进行经验模态分解,分解为六个固有模态函数分量的残差得到,然后再对分解缺陷一、缺陷二、缺陷三得到的六个固有模态函数分量进行希尔伯特变换,得到每个固有模态函数分量的希尔伯特谱,因此可以得到时频分布情况。
D、将步骤C中缺陷一、缺陷二、缺陷三分解得到的固有模态函数分量的希尔伯特谱分别进行奇异值分解,对截取的1024个点的振动信号进行各频段的特征描述,并将特征描述的结果分别作为缺陷一、缺陷二和缺陷三的特征参数,并构建特征矩阵。
E、建立支持向量机模型,采用径向基核函数,作为支持向量机的核函数,将缺陷一、缺陷二和缺陷三的特征矩阵分别定义标记一、标记二和标记三,从标记一、标记二和标记三中均抽取三分之一的数据集定义为训练集,三分之二的数据集定义为测试集。
F、利用遗传算法对支持向量机的惩罚参数c和径向基核函数中参数g进行优化处理,在进行优化处理时,参数c的搜索范围定义为[0,150],参数g的搜索范围定义为[0,150],遗传算法参数种群数为25,最大进化代数为200,交叉概率设置为0.4,变异概率为0.01,对参数g和参数c寻优结果为c=2.15,g=4.19。
G、将步骤F中寻优的结果导入步骤E建立的支持向量机模型,并利用步骤E中定义的训练集导入支持向量机模型,利用标记一、标记二和标记三对其进行训练,训练后,再将步骤E中定义的测试集导入支持向量机模型内,对混乱的标记一、标记二和标记三进行分类,从而完成缺陷一、缺陷二和缺陷三的模式识别与分类,缺陷一和缺陷二的识别率达到99%,缺陷三的识别率达到80%。
将刚性罐道7的接头缝隙缺陷标识为缺陷一,将刚性罐道7的台阶和凸起缺陷标识为缺陷二,将刚性罐道7正常无缺陷标识为缺陷三,且缺陷一、缺陷二和缺陷三采集的数据均为若干组。
本发明提供了一种矿井立井刚性罐道缺陷诊断方法,以立井提升系统刚性罐道7为对象,针对刚性罐道7的几种常见的缺陷故障,采集实时的振动加速度信号,利用经验模态分解结合希尔伯特谱分解对振动信号进行各频段的特征描述,再结合奇异值分解进行特征参数提取并建立特征矩阵,然后利用算法对支持向量机模型进行优化,并利用优化的支持向量机模型对刚性罐道7的缺陷进行模式识别和分类,解决了现阶段对于立井提升系统刚性罐道的缺陷故障研究不够充分,传统的诊断手法效率较低,准确率较低的问题。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种矿井立井刚性罐道缺陷诊断方法,包括提升系统实验台(1)、罐笼(2)、三方向加速度传感器(3)、信号采集仪(4)和笔记本电脑(5),其特征在于:所述三方向加速度传感器(3)通过磁铁安装在罐笼(2)顶部的中间位置,所述三方向加速度传感器(3)通过数据传导线与信号采集仪(4)相连接,所述信号采集仪(4)通过网线与笔记本电脑(5)相连接,所述三方向加速度传感器(3)型号为Coinv INV9832-501612016,所述信号采集仪(4)型号为CoinvINV3062T0,所述笔记本电脑(5)安装有DSPA V11软件和MATLAB软件。
2.根据权利要求1的一种矿井立井刚性罐道缺陷诊断方法,其特征在于:其具体诊断方法如下:
A、所述罐笼(2)在罐耳(6)的辅助下沿着刚性罐道(7)上行或者下行,刚性罐道(7)会给罐耳(6)连续的、离散的冲击,罐耳(6)将振动传递至罐笼(2),设置采样频率为1024Hz,利用三方向加速度传感器(3)实时监测和采集罐笼(2)顶部中间位置X、Y、Z三方向的振动加速度,振动加速度信号通过信号采集仪(4)和DSPA V11软件在笔记本电脑(5)上显示出时域波形图。
B、当罐耳(6)运行至刚性罐道(7)存在接头缝隙的缺陷时,刚性罐道(7)的缺陷会给罐耳(6)一个水平方向的振动冲击,此时罐耳(6)的振动会导致罐笼(2)产生水平方向的振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,当罐耳(6)运行至刚性罐道(7)存在台阶或者凸起的缺陷时,罐耳(6)受到迎轮冲击,罐笼(2)产生水平方向振动,并且在此时Y轴方向的振动加速度信号会出现一个突变峰值,采集突变处的振动加速度信号,同时采集正常刚性罐道(7)处振动加速信号,将采集的三种振动加速信号以1024个点为窗口,分别截取其时域信号,分别标识为缺陷一、缺陷二、缺陷三。
C、将缺陷一、缺陷二、缺陷三分别进行经验模态分解,分解为六个固有模态函数分量的残差得到,然后再对分解缺陷一、缺陷二、缺陷三得到的六个固有模态函数分量进行希尔伯特变换,得到每个固有模态函数分量的希尔伯特谱,因此可以得到时频分布情况。
D、将步骤C中缺陷一、缺陷二、缺陷三分解得到的固有模态函数分量的希尔伯特谱分别进行奇异值分解,对截取的1024个点的振动信号进行各频段的特征描述,并将特征描述的结果分别作为缺陷一、缺陷二和缺陷三的特征参数,并构建特征矩阵。
E、建立支持向量机模型,采用径向基核函数,作为支持向量机的核函数,将缺陷一、缺陷二和缺陷三的特征矩阵分别定义标记一、标记二和标记三,从标记一、标记二和标记三中均抽取三分之一的数据集定义为训练集,三分之二的数据集定义为测试集。
F、利用遗传算法对支持向量机的惩罚参数c和径向基核函数中参数g进行优化处理,在进行优化处理时,参数c的搜索范围定义为[0,150],参数g的搜索范围定义为[0,150],遗传算法参数种群数为25,最大进化代数为200,交叉概率设置为0.4,变异概率为0.01,对参数g和参数c寻优结果为c=2.15,g=4.19。
G、将步骤F中寻优的结果导入步骤E建立的支持向量机模型,并利用步骤E中定义的训练集导入支持向量机模型,利用标记一、标记二和标记三对其进行训练,训练后,再将步骤E中定义的测试集导入支持向量机模型内,对混乱的标记一、标记二和标记三进行分类,从而完成缺陷一、缺陷二和缺陷三的模式识别与分类,缺陷一和缺陷二的识别率达到99%,缺陷三的识别率达到80%。
3.根据权利要求2的一种矿井立井刚性罐道缺陷诊断方法,其特征在于:将刚性罐道(7)的接头缝隙缺陷标识为缺陷一,将刚性罐道(7)的台阶和凸起缺陷标识为缺陷二,将刚性罐道(7)正常无缺陷标识为缺陷三,且缺陷一、缺陷二和缺陷三采集的数据均为若干组。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808171.7A CN113428753A (zh) | 2021-07-16 | 2021-07-16 | 一种矿井立井刚性罐道缺陷诊断方法 |
ZA2021/05772A ZA202105772B (en) | 2021-07-16 | 2021-08-13 | Method for diagnosing defects of rigid tank channel in mine vertical shaft |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110808171.7A CN113428753A (zh) | 2021-07-16 | 2021-07-16 | 一种矿井立井刚性罐道缺陷诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113428753A true CN113428753A (zh) | 2021-09-24 |
Family
ID=77760667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110808171.7A Pending CN113428753A (zh) | 2021-07-16 | 2021-07-16 | 一种矿井立井刚性罐道缺陷诊断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113428753A (zh) |
ZA (1) | ZA202105772B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200995920Y (zh) * | 2007-01-11 | 2007-12-26 | 中国矿业大学 | 刚性罐道状态检测装置 |
CN108147250A (zh) * | 2018-01-05 | 2018-06-12 | 南通大学 | 一种摩擦式矿井提升机刚性罐道故障定位系统 |
JP2019112163A (ja) * | 2017-12-21 | 2019-07-11 | 株式会社日立ビルシステム | エスカレーター点検装置、エスカレーター |
CN110104533A (zh) * | 2019-05-28 | 2019-08-09 | 上海交通大学 | 自动扶梯或自动人行道的故障识别系统及方法 |
CN110407063A (zh) * | 2019-08-28 | 2019-11-05 | 开滦(集团)有限责任公司电信分公司 | 立井提升系统刚性罐道实时监控方法及系统 |
-
2021
- 2021-07-16 CN CN202110808171.7A patent/CN113428753A/zh active Pending
- 2021-08-13 ZA ZA2021/05772A patent/ZA202105772B/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200995920Y (zh) * | 2007-01-11 | 2007-12-26 | 中国矿业大学 | 刚性罐道状态检测装置 |
JP2019112163A (ja) * | 2017-12-21 | 2019-07-11 | 株式会社日立ビルシステム | エスカレーター点検装置、エスカレーター |
CN108147250A (zh) * | 2018-01-05 | 2018-06-12 | 南通大学 | 一种摩擦式矿井提升机刚性罐道故障定位系统 |
CN110104533A (zh) * | 2019-05-28 | 2019-08-09 | 上海交通大学 | 自动扶梯或自动人行道的故障识别系统及方法 |
CN110407063A (zh) * | 2019-08-28 | 2019-11-05 | 开滦(集团)有限责任公司电信分公司 | 立井提升系统刚性罐道实时监控方法及系统 |
Non-Patent Citations (2)
Title |
---|
李爱民: "基于 EMD-SVM 的刚性罐道故障诊断研究", 《煤炭技术》 * |
马天兵: "基于GA-SVM的刚性罐道故障诊断", 《工程设计学报》 * |
Also Published As
Publication number | Publication date |
---|---|
ZA202105772B (en) | 2021-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN201575927U (zh) | 转向架状态监测装置 | |
CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN104731081B (zh) | 用于大功率机车车载数据转储分析的方法及系统装置 | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN106441893A (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN110469462A (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 | |
CN108848571B (zh) | 一种基于mems传感器的轨道交通安全监测系统及监测方法 | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN106394445A (zh) | 一种车辆故障监测提示方法及系统 | |
CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN205620511U (zh) | 一种新型高压断路器故障的在线监测及控制装置 | |
CN102928211B (zh) | 一种高速旋转器件故障诊断装置及其诊断方法 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN113428753A (zh) | 一种矿井立井刚性罐道缺陷诊断方法 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN113778064A (zh) | 一种智能设备远程检测诊断系统 | |
CN113633296A (zh) | 反应时间预测模型构建方法、装置、设备及可读存储介质 | |
CN202091172U (zh) | 气体压缩机状态监测和可靠性分析装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210924 |