CN113672870B - 故障事件概率估算方法、装置、计算机设备和存储介质 - Google Patents

故障事件概率估算方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113672870B
CN113672870B CN202110960896.8A CN202110960896A CN113672870B CN 113672870 B CN113672870 B CN 113672870B CN 202110960896 A CN202110960896 A CN 202110960896A CN 113672870 B CN113672870 B CN 113672870B
Authority
CN
China
Prior art keywords
initial
sample set
target
covariance matrix
sample
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
Application number
CN202110960896.8A
Other languages
English (en)
Other versions
CN113672870A (zh
Inventor
吕习超
陆小剑
王荣超
杨武志
傅聪
李辉
吴小东
荣军
余银
郝志杰
樊友平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liuzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Liuzhou Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liuzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Liuzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110960896.8A priority Critical patent/CN113672870B/zh
Publication of CN113672870A publication Critical patent/CN113672870A/zh
Application granted granted Critical
Publication of CN113672870B publication Critical patent/CN113672870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种故障事件概率估算方法、装置、计算机设备和存储介质,该方法基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;计算目标样本集的目标均值和目标协方差矩阵,并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,循环上述步骤直至达到循环停止条件。本申请提供的故障事件概率估算方法不需要耗费大量的人力物力获取初始样本集,就可以实现对故障事件的概率的准确估算。

Description

故障事件概率估算方法、装置、计算机设备和存储介质
技术领域
本申请涉及系统可靠性分析技术领域,特别是涉及一种故障事件概率估算方法、装置、计算机设备和存储介质。
背景技术
对于许多自然及工程系统而言,故障事件具有发生概率小和统计样本少两个方面的特征。故障事件往往与对应的系统的大范围失稳偏移相关,若故障事件发生,会使系统产生重大的后果,因此,对系统的故障事件的预测非常重要。
传统技术中,一般通过直接模拟或重复试验的方式对故障事件的概率分布进行拟合,实现对故障事件的预测。然而,使用传统技术对故障事件概率分布进行拟合时,会耗费大量的人力和物力获取统计数据。
发明内容
基于此,有必要针对上述技术问题,提供一种故障事件概率估算方法、装置、计算机设备和可读存储介质。
第一方面,本申请一个实施例提供一种故障事件概率估算方法,包括:
基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布;
根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;
计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
在其中一个实施例中,根据初始置信区间,利用遗传算法生成增广样本,包括:
随机获取多个初始增广样本;
针对每个初始增广样本,将初始增广样本加入初始样本集,得到增广样本集;
根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件;
将满足适应度条件的适应度对应的初始增广样本作为增广样本。
在其中一个实施例中,根据增广样本集,计算遗传算法的适应度,包括:
计算增广样本集的增广均值和增广协方差矩阵;
根据增广样本集中的所有样本,确定所有样本的取值范围;
根据增广均值、增广协方差矩阵和取值范围,计算适应度。
在其中一个实施例中,故障事件概率密度估算方法还包括:
获取待测系统的原始样本集,原始样本集包括原始状态样本;
采用卡洛南-洛伊变换,对原始样本集中的原始状态样本进行参数化处理,得到初始样本集。
在其中一个实施例中,根据初始均值和初始协方差矩阵确定初始置信区间,包括:
对初始协方差矩阵进行开根号运算,得到区间设置参数;
根据初始均值与区间设置参数的和,确定初始置信区间的上界;
根据初始均值与区间设置参数的差,确定初始置信区间的下界。
在其中一个实施例中,计算目标样本集的目标均值和目标协方差矩阵,包括:
基于高斯过程回归算法,计算目标均值和目标协方差矩阵。
在其中一个实施例中,计算目标样本集的目标均值和目标协方差矩阵,包括:
基于高斯过程回归算法,计算目标均值;
利用平方根法,计算目标协方差矩阵。
第二方面,本申请一个实施例提供一种故障事件概率估算装置,包括:
第一确定模块,用于基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布;
第二确定模块,用于根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;
循环模块,用于根据计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的与初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
第三方面,本申请一个实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述实施例提供的方法的步骤。
第四方面,本申请一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例提供的方法的步骤。
本申请实施例提供一种故障事件概率估算方法、装置、计算机设备和存储介质,该方法基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;计算目标样本集的目标均值和目标协方差矩阵;将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,循环执行上述步骤直至达到循环停止的条件。本申请实施例提供的故障事件概率估算方法利用遗传算法生成的增广样本增加初始样本集中样本的数量,无需花费大量的人力物力获取初始样本,可以减少成本。并且,通过增加初始样本集中样本的数量,可以提高确定的故障事件的后验概率密度分布的准确性,从而能够实现对故障事件的概率的准确估算。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域不同技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图2为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图3为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图4为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图5为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图6为本申请一个实施例提供的故障事件概率估算方法的步骤流程示意图;
图7为本申请一个实施例提供的初始样本集中的样本分布的示意图;
图8为本申请一个实施例提供的故障事件概率密度分布的示意图;
图9为本申请一个实施例提供的初始样本集中的样本分布的示意图;
图10为本申请一个实施例提供的故障事件概率密度分布的示意图;
图11为本申请一个实施例提供的故障事件概率估算装置的结构示意图;
图12为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
对于许多自然及工程系统,例如:电力系统和振动系统等,故障事件具有发生概率小和统计样本少两个方面的特征。故障事件往往与对应的系统的大范围失稳偏移相关,若故障事件发生,会导致系统产生重大的后果。因此,对系统的故障事件的预测非常重要。
传统技术中,一般通过直接模拟或重复事件的方式对故障事件的概率分布进行拟合,实现对故障事件的预测。然而系统发生故障的过程涉及因素很多,在相同因素作用下也可能经历不同的发展过程。也就是说故障事件的底层过程过于复杂,并且由于故障事件发生的概率较小,在对故障事件进行预测时,需要耗费庞大的人力和物理才能获取足够的统计数据实现对故障事件准确预测,而且这样使得对故障事件预测的成本较高,并且对故障事件预测的准确率也较低。针对传统技术中需要对故障事件预测需要花费大量人力和物力的问题,本申请提供一种故障事件概率估算方法。
对于各个系统的状态方程可以表示为其中,t表示系统参数,m为状态变量,Z(t,ω)为初始状态,系统的故障事件可以表示为y=P(Z(t,m))。
本申请提供的故障事件概率估算方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA软件实现,也可以应用于其他软件。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
请参见图1,本申请一个实施例提供一种故障事件概率估算方法。本实施例以计算机设备作为执行主体对故障事件概率估算方法进行说明,具体的步骤包括:
步骤100、基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布。
待测系统是指需要进行故障事件概率估算的系统。计算机设备在得到待测系统的初始样本集后,基于高斯回归算法计算初始样本集的均值和协方差矩阵,得到初始均值和初始协方差矩阵。初始样本集中包括多个初始状态样本,以及每个初始状态样本对应的概率密度分布。初始状态样本对应的概率密度是指在初始状态样本下,故障事件的概率密度分布。初始均值和初始协方差矩阵可以用以下公式计算。
kn(ZK,ZK T)=k0(ZK,ZK T)-k0(ZK,Θ)Tk0(Θ,Θ)-1k0(Θ,ZK T),其中,ZK为初始状态样本,Mn(ZK)为初始均值,为一常数,一般取0;Θ={ZK1,ZK2,…,ZKn},n为初始状态样本的个数,为初始协方差矩阵,P(·)故障事件,公式中的k0(·,·)可以用公式计算,其中,λ,β为正超参数,可根据需要进行设定,同时计算机设备还计算故障事件的后验概率密度分布,根据故障事件的后验概率密度分布可以实现对系统的故障事件的预测。计算机设备可以使用公式其中,表示后验概率密度分布函数,表示累计概率分布函数,P(ZK)表示初始状态样本为ZK时故障事件的值,P(P(ZK)≤s)表示P(ZK)≤s的概率,A(s)={ZK:P(ZK)≤s}表示P(ZK)≤s时ZK所有取值构成的集合,fZK(·)为ZK对应的概率密度分布。
步骤120、根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集。
置信区间是指由样本统计量所构造的总体参数的估计区间,也就是说,由初始样本集所构造的故障事件的后验概率密度分布的估计区间。计算机设备在得到初始均值和初始协方差矩阵后,根据初始均值和初始协方差矩阵确定初始置信区间。本实施例对计算初始置信区间的具体方法不作任何限制,只要能够实现其功能即可。计算机设备在得到初始置信区间后,根据初始置信区间,利用遗传算法生成增广样本,并将增广样本加入初始样本集中,得到目标样本集。增广样本包括增广状态样本,以及增广状态样本对应的概率密度分布。本实施例对利用遗传算法生成增广样本的具体方法不作限制,只要能够实现其功能即可。计算机设备将增广样本加入初始样本集后,增加了初始样本集中的样本数量,得到目标样本集。
步骤130、计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤。
步骤140、直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
计算机设备在得到目标样本集后,计算目标样本集的目标均值和目标协方差矩阵。本实施例对计算目标样本集的目标均值和目标协方差矩阵的方法不作限制,只要能够实现其功能即可。计算机设备在计算得到目标均值和目标协方差矩阵后,将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行步骤100,重新计算初始置信区间。计算机设备根据初始置信区间计算初始置信区间的上界对应的后验概率密度分布,得到第一后验概率密度分布;计算初始置信区间的下界对应的后验概率密度分布,得到第二后验概率密度分布,对第一后验概率密度分布和第二后验概率密度进行差运算处理,得到差值。在该差值小于预设阈值时,停止循环,使用此时的故障事件的后验概率密度分布可以对待测系统的故障事件进行准确的预测。
计算机设备可以使用公式计算第一后验概率密度分布和第二后验概率密度分布,其中,为第二后验概率密度分布,为第一后验概率密度分布,Pn(ZK)为根据初始均值和初始协方差均值拟合后的高斯回归方程,A±(s)={Zk:Pn(ZK)≤s}为初始置信区间的上下界对应的Pn(ZK)≤s时ZK所有取值构成的集合。
本申请实施例提供的故障事件概率估算方法基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;计算目标样本集的目标均值和目标协方差矩阵;将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,循环执行上述步骤直至达到循环停止的条件。本申请实施例提供的故障事件概率估算方法利用遗传算法生成的增广样本增加初始样本集中样本的数量,无需花费大量的人力物力获取初始样本,可以减少成本。并且,通过增加初始样本集中样本的数量,可以提高确定的故障事件的后验概率密度分布的准确性,从而能够实现对故障事件的概率的准确估算。
请参见图2,在一个实施例中,提出根据初始置信区间,利用遗传算法生成增广样本的一种可能的实现方式,包括:
步骤200、随机获取多个初始增广样本。
计算机设备随机获取多个初始增广样本,每个初始增广样本包括初始增广状态样本,以及初始增广状态样本对应的概率密度分布。本实施例对获取多个初始增广样本的具体方法不作任何限制。
在一个具体的实施例中,为了保证遗传算法不陷入局部最优,将遗传算法的初始种群设置为100-1000,在初始种群中随机获取多个初始增广样本,将遗传算法中的参数:变异率和交叉率均设置为0.8-1。
步骤210、针对每个初始增广样本,将初始增广样本加入初始样本集,得到增广样本集。
步骤220、根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件。
计算机设备针对获取到的多个初始增广样本中的每一个初始增广样本执行步骤:将初始增广样本加入初始样本集,得到增广样本集,根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件。也就是说,计算机设备通过将初始增广样本加入初始样本集,增加原始样本集中的样本数量。计算机设备在得到增广样本集后,根据该增广样本集计算遗传算法的适应度,并将该适应度与适应度条件进行对比,确定该适应度是否满足适应度条件。若初始样本集中的样本数为3个,则增广样本集中的样本数为4个。本实施例对计算适应度的具体方法不作任何限制,只要能够实现其功能即可。
步骤230、将满足适应度条件的适应度对应的初始增广样本作为增广样本。
计算机设备在对每一个初始增广样本加入初始样本集后的增广样本集对应的适应度与适应度条件进行对比后,确定满足适应度条件的适应度,将该适应度对应的初始增广样本作为增广样本。
本实施例提供的确定增广样本的方法快速简单,容易计算。
在一个具体的实施例中,适应度条件为适应度最小。也就是说,计算机设备计算出所有初始增广样本对应的适应度后,将其进行对比,其中最小的适应度对应的初始增广样本即为增广样本。
请参见图3,在一个实施例中,提供一种根据增广样本集,计算遗传算法的适应度的可能的实现方式,包括:
步骤300、计算增广样本集的增广均值和增广协方差矩阵。
计算机设备在得到增广样本集后,计算该增广样本集的均值和协方差矩阵,得到增广均值和增广协方差矩阵。本实施例对计算增广均值和增广协方差矩阵的方法不作限制,只要能够实现其功能即可。
在一个可选的实施例中,计算增广均值和增广协方差矩阵使用的方法可以与计算初始均值和初始协方差矩阵,以及计算目标均值和目标协方差矩阵的方法相同。
步骤310、根据增广样本集中的所有样本,确定所有样本的取值范围。
计算机设备在的得到增广样本集后,将增广样本集中的所有样本从小到大排序,根据所有样本中的最小样本和最大样本,确定所有样本的取值范围。所有样本的取值范围为U,U=[u1,u2],u1为最小样本,u2为最大样本。
步骤320、根据增广均值、增广协方差矩阵和取值范围,计算适应度。
计算机设备根据计算得到的增广均值、增广协方差矩阵和取值范围,计算适应度。适应度可以通过公式其中,按照公式计算,其中,表示将的取值范围均分为N个区间,ΔZ表示N个区间中在每个区间内积分的最大值和最小值的差值,表示对应的ZK'的集合。
在本实施例中,ΔZ的存在可以保证即使经过循环迭代,仍可以很有效的捕获故障事件的概率密度分布,从而能够提高最终确定的故障事件的后验概率密度分布的准确性。
请参见图4,在一个实施例中,故障事件概率估计算法还包括:
步骤400、获取待测系统的原始样本集,原始样本集包括原始状态样本。
原始样本集包括直接获取的待测系统的原始状态,以及原始状态对应的概率密度。原始样本集中可以是存储在计算机设备的存储设备中,在需要原始样本集中,计算机设备直接从存储设备中获取。本实施例对获取待测系统的原始样本集的方法不作限制,只要能够实现其功能即可。
步骤410、采用卡洛南-洛伊变换,对原始样本集中的原始状态样本进行参数化处理,得到初始状态样本集。
计算机设备在得到原始样本集后,采用卡洛南-洛伊(Karhunen-LoèveTransform,KL)变换,对原始样本集中的原始状态样本进行参数化处理,即将原始状态样本分解为多个互不相关的参数组合进行表示,得到初始状态样本。在原始状态样本经过KL变换后的初始状态样本的概率分布满足正态分布Ν(0,diag(λ12,…λn)),其中,λ12,…λn为初始状态样本的协方差矩阵的特征值。此时故障事件的表达式可以转换为q=P(ZK)。
在一个可选的实施例中,原始状态样本为Z,对原始状态样本进行KL变换,得到初始状态样本。初始状态样本可以表示为ZK=ΦZ,其中,Φ为Z的协方差矩阵的归一化正交特征失量所构成的正交矩阵。
在本实施例中,将原始状态通过KL变换得到初始状态,可以提高后续使用初始状态进行计算时的效率,从而能够提高故障事件概率估算的效率。
请参见图5,在一个实施例中,提出根据初始均值和初始协方差矩阵确定初始置信区间的一种可能的实现方式,包括:
步骤500、对初始协方差矩阵进行开根号运算,得到区间设置参数。
计算机设备在得到初始协方差矩阵后,对其进行开根号处理,可以得到区间设置参数σ(ZK),即
步骤510、根据初始均值与区间设置参数的和,确定初始置信区间的上界;
步骤520、根据初始均值与区间设置参数的差,确定初始置信区间的下界。
计算机设备通过计算初始均值和区间设置参数的和,得到初始置信区间的上界,计算初始均值与区间设置参数的差,得到初始置信区间的下界。
在一个可选的实施例中,初始置信区间的上界表示为Mn(ZK)+ασ(ZK),初始置信区间的下界表示为Mn(ZK)-ασ(ZK),其中α为一常数,使用者可以根据实际需求进行设定。
本实施例提供的确定初始置信区间的方法简单易懂。
在一个实施例中,提出一种计算目标样本集的目标均值和目标协方差矩阵的可能的实现方式,包括:
基于高斯过程回归算法,计算目标均值和目标协方差矩阵。
计算机设备在计算目标样本集的目标均值和目标协方差矩阵时,可以使用与计算初始均值和初始协方差矩阵相同的方法,即高斯过程回归算法。也就是说,计算机设备在得到目标样本集后,可以直接将目标样本集作为初始样本集,返回执行基于高斯过程回归算法,根据待测系统的初始样本集,确定初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤。
请参见图6,在一个实施例中,提出计算目标样本集的目标均值和目标协方差矩阵的另一种可能的实现方式,包括:
步骤600、基于高斯过程回归算法,计算目标均值。
步骤610、利用平方根法,计算目标协方差矩阵。
计算机设备在得到目标样本集后,可以使用高斯过程回归算法计算目标均值。利用平方根法(cholesky)计算目标协方差矩阵。计算目标协方差矩阵的过程可以用公式计算,其中,K(D)表示目标协方差矩阵,kn(ZK,ZKT)为初始样本集的初始协方差矩阵,c21=k0D,ZK'),ΘD表示目标样本集中的所有样本,ZK'表示目标样本,c22=k0(ZK',ZK'),c21和c22的计算方法可以参考上述实施例中的描述,在此不再赘述。
在本实施例中,利用平方根法计算目标协方差矩阵时,只需要计算c21和c22,计算效率较高,能够提高故障事件概率估算的效率。
在一个具体的实施例中,若初始样本集中有3个样本,样本点的分布如图7所示,通过计算得到的概率密度分布如图8中的线L。图8中的两条虚线分别为初始置信区间的上下界对应的后验概率密度分布,线M为故障事件的实际概率密度分布。从图8中可以看出只通过初始样本集中的3个样本计算出的概率密度分布并不能很好的拟合x≥0.3后的概率密度分布情况,即无法对小概率事件的统计信息进行有效拟合,并且与实际概率密度分布相差较大。使用本申请实施例提供的方法,向初始样本集中加入增广样本,得到目标样本集。假设,利用遗传算法总共向初始样本集中加入了16个增广样本,样本点的分布如图9所示,通过计算得到的后验后验概率密度分布如图10中的线L。图10中的两条虚线分别为初始置信区间的上下界分别对应的后验概率密度分布,线M为故障实际的实际概率密度分布。从图10中可以看出使用本申请实施例提供的方法计算得到的故障事件分后验概率密度分布更加接近实际概率密度分布,并且还可以拟合x≥0.3后的概率密度分布。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图11,本申请一个实施例提供一种故障事件概率估算装置10,该装置包括第一确定模块11、第二确定模块12和循环模块13。其中,
第一确定模块11用于基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布;
第二确定模块12用于根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;
循环模块13用于根据计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的与初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
在一个实施例中,第二确定模块12包括获取单元、第一确定单元、判断单元和第二确定单元。其中,获取单元用于随机获取多个初始增广样本;第一确定单元用于针对每个初始增广样本,将初始增广样本加入初始样本集,得到增广样本集;判断单元用于根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件;第二确定单元用于将满足适应度条件的适应度对应的初始增广样本作为增广样本。
在一个实施例中,第一确定单元具体用于计算增广样本集的增广均值和增广协方差矩阵;根据增广样本集中的所有样本,确定所有样本的取值范围;根据增广均值、增广协方差矩阵和取值范围,计算适应度。
在一个实施例中,故障事件概率估算装置10还包括获取模块和第三确定模块。获取模块用于获取待测系统的原始样本集,原始样本集包括原始状态样本;第三确定模块用于采用卡洛南-洛伊变换,对原始样本集中的原始状态样本进行参数化处理,得到初始样本集。
在一个实施例中,第二确定模块12具体用于对初始协方差矩阵进行开根号运算,得到区间设置参数;根据初始均值与区间设置参数的和,确定初始置信区间的上界;根据初始均值与区间设置参数的差,确定初始置信区间的下界。
在一个实施例中,循环模块13具体用于基于高斯过程回归算法,计算目标均值和目标协方差矩阵。
在一个实施例中,循环模块13具体还用于基于高斯过程回归算法,计算目标均值;利用平方根法,计算目标协方差矩阵。
关于上述故障事件概率密度估算装置10的具体限定可以参见上文中对于故障事件概率密度估算方法的限定,在此不在赘述。故障事件概率密度估算装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图12,在一个实施例中,提供了一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图12所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。计算机设备的数据库用于存储初始样本集等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种故障事件概率密度估算方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现以下步骤:
基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布;
根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;
计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:随机获取多个初始增广样本;针对每个初始增广样本,将初始增广样本加入初始样本集,得到增广样本集;根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件;将满足适应度条件的适应度对应的初始增广样本作为增广样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算增广样本集的增广均值和增广协方差矩阵;根据增广样本集中的所有样本,确定所有样本的取值范围;根据增广均值、增广协方差矩阵和取值范围,计算适应度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取待测系统的原始样本集,原始样本集包括原始状态样本;采用卡洛南-洛伊变换,对原始样本集中的原始状态样本进行参数化处理,得到初始样本集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对初始协方差矩阵进行开根号运算,得到区间设置参数;根据初始均值与区间设置参数的和,确定初始置信区间的上界;根据初始均值与区间设置参数的差,确定初始置信区间的下界。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于高斯过程回归算法,计算目标均值和目标协方差矩阵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于高斯过程回归算法,计算目标均值;利用平方根法,计算目标协方差矩阵。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于高斯过程回归算法,根据待测系统的初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;初始样本集包括待测系统的初始状态样本和初始状态样本对应的概率密度分布;
根据初始均值和初始协方差矩阵确定初始置信区间,并根据初始置信区间,利用遗传算法生成增广样本,将增广样本加入初始样本集,得到目标样本集;
计算目标样本集的目标均值和目标协方差矩阵;并将目标均值作为初始均值,将目标协方差矩阵作为初始协方差矩阵,返回执行基于高斯过程回归算法,根据初始样本集,确定初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至初始置信区间中的上界对应的后验概率密度分布与初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:随机获取多个初始增广样本;针对每个初始增广样本,将初始增广样本加入初始样本集,得到增广样本集;根据增广样本集,计算遗传算法的适应度,并判断适应度是否满足适应度条件;将满足适应度条件的适应度对应的初始增广样本作为增广样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算增广样本集的增广均值和增广协方差矩阵;根据增广样本集中的所有样本,确定所有样本的取值范围;根据增广均值、增广协方差矩阵和取值范围,计算适应度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取待测系统的原始样本集,原始样本集包括原始状态样本;采用卡洛南-洛伊变换,对原始样本集中的原始状态样本进行参数化处理,得到初始样本集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对初始协方差矩阵进行开根号运算,得到区间设置参数;根据初始均值与区间设置参数的和,确定初始置信区间的上界;根据初始均值与区间设置参数的差,确定初始置信区间的下界。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于高斯过程回归算法,计算目标均值和目标协方差矩阵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于高斯过程回归算法,计算目标均值;利用平方根法,计算目标协方差矩阵。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种故障事件概率估算方法,其特征在于,包括:
基于高斯过程回归算法,根据待测系统的初始样本集,确定所述初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;所述初始样本集包括所述待测系统的初始状态样本和所述初始状态样本对应的概率密度分布;所述待测系统为需要进行故障事件概率估算的系统;
根据所述初始均值和所述初始协方差矩阵确定初始置信区间,并根据所述初始置信区间,利用遗传算法生成增广样本,将所述增广样本加入所述初始样本集,得到目标样本集;
计算所述目标样本集的目标均值和目标协方差矩阵;并将所述目标均值作为所述初始均值,将所述目标协方差矩阵作为所述初始协方差矩阵,返回执行所述基于高斯过程回归算法,根据所述初始样本集,确定所述初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至所述初始置信区间中的上界对应的后验概率密度分布与所述初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
2.根据权利要求1所述的故障事件概率估算方法,其特征在于,所述根据所述初始置信区间,利用遗传算法生成增广样本,包括:
随机获取多个初始增广样本;
针对每个所述初始增广样本,将所述初始增广样本加入所述初始样本集,得到增广样本集;
根据所述增广样本集,计算所述遗传算法的适应度,并判断所述适应度是否满足适应度条件;
将满足所述适应度条件的所述适应度对应的初始增广样本作为所述增广样本。
3.根据权利要求2所述的故障事件概率估算方法,其特征在于,所述根据所述增广样本集,计算所述遗传算法的适应度,包括:
计算所述增广样本集的增广均值和增广协方差矩阵;
根据所述增广样本集中的所有样本,确定所述所有样本的取值范围;
根据所述增广均值、所述增广协方差矩阵和所述取值范围,计算所述适应度。
4.根据权利要求1所述的故障事件概率估算方法,其特征在于,所述方法还包括:
获取所述待测系统的原始样本集,所述原始样本集包括原始状态样本;
采用卡洛南-洛伊变换,对所述原始样本集中的原始状态样本进行参数化处理,得到所述初始样本集。
5.根据权利要求1所述的故障事件概率估算方法,其特征在于,所述根据所述初始均值和所述初始协方差矩阵确定初始置信区间,包括:
对所述初始协方差矩阵进行开根号运算,得到区间设置参数;
根据所述初始均值与所述区间设置参数的和,确定所述初始置信区间的上界;
根据所述初始均值与所述区间设置参数的差,确定所述初始置信区间的下界。
6.根据权利要求1所述的故障事件概率估算方法,其特征在于,所述计算所述目标样本集的目标均值和目标协方差矩阵,包括:
基于所述高斯过程回归算法,计算所述目标均值和所述目标协方差矩阵。
7.根据权利要求1所述的故障事件概率估算方法,其特征在于,所述计算目标样本集的目标均值和目标协方差矩阵,包括:
基于所述高斯过程回归算法,计算所述目标均值;
利用平方根法,计算所述目标协方差矩阵。
8.一种故障事件概率估算装置,其特征在于,包括:
第一确定模块,用于基于高斯过程回归算法,根据待测系统的初始样本集,确定所述初始样本集的初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布;所述初始样本集包括所述待测系统的初始状态样本和所述初始状态样本对应的概率密度分布;所述待测系统为需要进行故障事件概率估算的系统;
第二确定模块,用于根据所述初始均值和所述初始协方差矩阵确定初始置信区间,并根据所述初始置信区间,利用遗传算法生成增广样本,将所述增广样本加入所述初始样本集,得到目标样本集;
循环模块,用于根据计算所述目标样本集的目标均值和目标协方差矩阵;并将所述目标均值作为所述初始均值,将所述目标协方差矩阵作为所述初始协方差矩阵,返回执行所述基于高斯过程回归算法,根据所述初始样本集,确定所述初始样本集的与初始均值和初始协方差矩阵,以及故障事件的后验概率密度分布的步骤,直至所述初始置信区间中的上界对应的后验概率密度分布与所述初始置信区间的下界对应的后验概率密度分布之间的差值小于预设阈值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110960896.8A 2021-08-20 2021-08-20 故障事件概率估算方法、装置、计算机设备和存储介质 Active CN113672870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110960896.8A CN113672870B (zh) 2021-08-20 2021-08-20 故障事件概率估算方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110960896.8A CN113672870B (zh) 2021-08-20 2021-08-20 故障事件概率估算方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113672870A CN113672870A (zh) 2021-11-19
CN113672870B true CN113672870B (zh) 2024-07-26

Family

ID=78544546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110960896.8A Active CN113672870B (zh) 2021-08-20 2021-08-20 故障事件概率估算方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113672870B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299001B (zh) * 2021-12-24 2022-09-23 中国人民解放军国防科技大学 基于结构循环一致性的异源图像变化检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750755A (zh) * 2019-09-25 2020-02-04 深圳大学 通信设备的扩容方法、装置、终端及存储介质
CN111782472A (zh) * 2020-06-30 2020-10-16 平安科技(深圳)有限公司 系统异常检测方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7213007B2 (en) * 2002-12-24 2007-05-01 Caterpillar Inc Method for forecasting using a genetic algorithm
CN1317677C (zh) * 2004-03-19 2007-05-23 中国科学院计算技术研究所 基于遗传算法的人脸样本生成方法
CN104268381B (zh) * 2014-09-16 2017-03-29 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN110110816A (zh) * 2019-06-05 2019-08-09 国网上海市电力公司 一种电力变压器故障推演方法
CN110704221B (zh) * 2019-09-02 2020-10-27 西安交通大学 一种基于数据增强的数据中心故障预测方法
US20220296930A1 (en) * 2019-11-14 2022-09-22 Elekta (Shanghai) Technology Co., Ltd. Predictive maintenance of dynamic leaf guide based on deep learning
CN111537207B (zh) * 2020-04-29 2021-04-20 西安交通大学 一种小样本下用于机械故障智能诊断的数据增强方法
CN113255078A (zh) * 2021-05-31 2021-08-13 南京信息工程大学 一种样本不均衡条件下的轴承故障检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750755A (zh) * 2019-09-25 2020-02-04 深圳大学 通信设备的扩容方法、装置、终端及存储介质
CN111782472A (zh) * 2020-06-30 2020-10-16 平安科技(深圳)有限公司 系统异常检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113672870A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN111258767A (zh) 复杂系统仿真应用的云计算资源智能分配方法与装置
CN110824587B (zh) 图像预测方法、装置、计算机设备和存储介质
CN110888911A (zh) 样本数据处理方法、装置、计算机设备及存储介质
CN112231224A (zh) 基于人工智能的业务系统测试方法、装置、设备和介质
CN111104644A (zh) 可靠性评估方法、装置、计算机设备和存储介质
CN110912908A (zh) 网络协议异常检测方法、装置、计算机设备和存储介质
CN110990135A (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
CN111881477A (zh) 数据内容的标引方法、装置、计算机设备及存储介质
CN113672870B (zh) 故障事件概率估算方法、装置、计算机设备和存储介质
JP6645441B2 (ja) 情報処理システム、情報処理方法、及び、プログラム
CN112541016A (zh) 用电异常检测方法、装置、计算机设备和存储介质
CN117454668B (zh) 零部件失效概率的预测方法、装置、设备和介质
CN117318052B (zh) 发电机组进相试验无功功率预测方法、装置和计算机设备
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN113946983A (zh) 产品可靠性薄弱环节评估方法、装置和计算机设备
CN113255927A (zh) 逻辑回归模型训练方法、装置、计算机设备和存储介质
CN113158435A (zh) 基于集成学习的复杂系统仿真运行时间预测方法与设备
CN117454190A (zh) 日志数据分析方法和装置
WO2022257468A1 (zh) 对话管理系统更新方法、装置、计算机设备及存储介质
CN115934512A (zh) 存储系统动态测试方法、装置、计算机设备和存储介质
CN115186486A (zh) 导弹低高精度性能数据的独立融合建模及响应预测方法
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN112488528A (zh) 数据集的处理方法、装置、设备和存储介质
CN111738848B (zh) 特征数据的生成方法、装置、计算机设备和存储介质
CN111309572B (zh) 测试分析方法、装置、计算机设备及存储介质

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