CN113780355B - 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法 - Google Patents

一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法 Download PDF

Info

Publication number
CN113780355B
CN113780355B CN202110923369.XA CN202110923369A CN113780355B CN 113780355 B CN113780355 B CN 113780355B CN 202110923369 A CN202110923369 A CN 202110923369A CN 113780355 B CN113780355 B CN 113780355B
Authority
CN
China
Prior art keywords
propeller
fault
deep
neural network
deep sea
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
CN202110923369.XA
Other languages
English (en)
Other versions
CN113780355A (zh
Inventor
朱大奇
褚振忠
陈琦
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202110923369.XA priority Critical patent/CN113780355B/zh
Publication of CN113780355A publication Critical patent/CN113780355A/zh
Application granted granted Critical
Publication of CN113780355B publication Critical patent/CN113780355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括以下步骤：S1、设计采集深海潜水器的推进器的故障样本；S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；S4、深海潜水器的推进器故障大小的在线识别输出。根据本发明，将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识。

Description

一种深海潜水器推进器故障辨识的深度卷积神经网络学习 方法
技术领域
本发明涉及深海潜水器故障诊断方法的技术领域，特别涉及一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法。
背景技术
深海环境复杂多变，存在着巨大的不确定与危险性，同时也蕴含着丰富的矿产资源。深海潜水器作为深海探测与开发研究的国之重器，具有重大的经济与科研价值。受限于深海的复杂环境和不确定性，潜水器作业过程中面临各种不安全因素，特别是深海潜水器推进器系统完全裸露于深海水下环境中，极易出现作业故障，需要在线准确辨识推进器的故障模式与大小。
中国专利公开号为CN1709766的发明专利公开了一种浮力和推进器双驱动方式远程自治水下机器人，用于海洋水下工程技术领域；它包括：机器人主体，一对主翼，一对推进器和垂直尾翼，机器人主体的外部是整流用的透水壳，主翼和垂直尾翼具有低流体阻力翼型，主翼设置于透水壳后部，对称分布于透水壳左右两侧，垂直尾翼设置于透水壳尾部，在透水壳的垂直对称面内，推进器设置在主翼的外侧。
上述发明专利具有推进器驱动和浮力驱动两种驱动方式，在浮力驱动模式下依靠浮力和重心的调节产生推力和控制运动方向，具有较高的续航能力，在推进器驱动模式下依靠推进器产生推力，依靠左右推进器的推力差和重心调节控制运动方向，具有较高机动能力。
专利号为US5995992的美国专利公开了一种用于一种海洋科学测量与搜索的6英尺长，直径为13英寸的自治水下机器人，介绍了它的计算机系统，I/O口，水下浮力，回收框架，电池动力，高速串口，实时数据采集及其控制系统的设计。但是，上述这些专利均是关于无人水下机器人装置的设计，但是由于海洋深处工作环境的复杂性，不可预测性，水下机器人一旦出现故障，不仅机器人无法完成水下作业任务，而且机器人本身也难以回收，损失巨大，其可靠性技术研究与设计显得十分关键，而关于深海潜水器的故障大小辨识技术的研究几乎还是空白。
YOLO深度卷积神经网络(You Only Look Once深度卷积神经网络)
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识。为了实现根据本发明的上述目的和其他优点，提供了一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括以下步骤：
S1、设计采集深海潜水器的推进器的故障样本；
S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；
S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；
S4、深海潜水器的推进器故障大小的在线识别输出。
优选的，所述步骤S1包括：
S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度；
S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；
S13、通过步骤S12获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之间的样本，(u，i，n)：(s)。
优选的，所述步骤S3中通过应用模拟推进器故障样本进行YOLO深度卷积神经网络信息融合故障辨识模型的离线学习训练，将控制电压u、推进器转速n、推进器反馈电流i作为故障辨识模型的输入，将已知故障样本的故障大小s为期望输出，对故障辨识模型进行迭代学习训练，直到学习误差满足设计要求。
优选的，所述步骤S4中将对深海潜水器在线监测的控制电压u、推进器转速n、推进器反馈电流i，输入训练好的YOLO深度卷积神经网络信息融合故障辨识模型，深海潜水器推进器故障辨识模型输出即为在线辨识故障大小。
本发明与现有技术相比，其有益效果是：将YOLO深度卷积神经网络引入到多传感器信息融合模型中，通过对推进器故障样本的离线学习，完成深海潜水器推进器的在线故障大小辨识；基于YOLO的推进器故障分类识别模型是将YOLO深度卷积神经网络和Softmax分类器结合，同时将YOLO深度卷积神经网络去掉了常规卷积神经网络基于区域候选检测模型中的RoI(Regions of Interest)结构，不再提取目标候选区域，从而大大提高目标识别速度，让实时故障辨识分类成为可能；模型中除加入批量归一化层和残差网络结构以外，还针对性的加入一个高分辨率的分类网络，从而在提高深海推进器故障识别实时性的同时，保证故障识别的准确性。
附图说明
图1为根据本发明的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的深度卷积神经网络故障辨识系统图；
图2为根据本发明的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的故障离线学习训练流程图；
图3为根据本发明的深海潜水器推进器故障辨识的深度卷积神经网络学习方法的推进器故障模式设计与样本获取实验图。
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。
参照图1-3，一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，包括以下步骤：S1、设计采集深海潜水器的推进器的故障样本；
S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计；
S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练；
S4、深海潜水器的推进器故障大小的在线识别输出。
进一步的，所述步骤S1包括：
S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度，绳子越长，涌堵故障越严重，故障系数也越大。同时，将推进器的桨叶全部卸下来模拟推进器的完全故障；
S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；
S13、通过步骤S12获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之间的样本，(u，i，n)：(s)。
推进器由控制电压信号驱动，并由传感器系统采集对应的转速信号和反馈电流信号。对于所研究的推进器，每给定一个控制电压信号，桨叶上缠绕着不同长度的绳子意味着不同严重程度的涌堵故障，得到对应的转速信号和反馈电流信号，对应的故障大小也会不同。故障大小跟推进器的控制电压信号、转速信号和反馈电流信号是相关联的，从而获得(控制电压、推进器转速、推进器反馈电流)：(推进器故障大小)之间的样本，(u，i，n)：(s)。
所述步骤S2中的深度卷积神经网络故障辨识模型设计为YOLO深度卷积神经网络去掉了常规卷积神经网络基于区域候选检测模型中的RoI(Regions of Interest)结构，不再提取目标候选区域，从而大大提高目标识别速度，让实时故障辨识分类成为可能；模型中除加入批量归一化层和残差网络结构以外，还针对性的加入一个高分辨率的分类网络，从而在提高深海推进器故障识别实时性的同时，保证故障识别的准确性。
进一步的，所述步骤S3中通过应用模拟推进器故障样本进行YOLO深度卷积神经网络信息融合故障辨识模型的离线学习训练，将控制电压u、推进器转速n、推进器反馈电流i作为故障辨识模型的输入，将已知故障样本的故障大小s为期望输出，对故障辨识模型进行迭代学习训练，直到学习误差满足设计要求，故障系数s表示推进器的故障模式和故障大小，并有如下设定：推进器正常运行时，s＝0；推进器彻底失效(完全故障)时，s＝1；推进器发生不同程度的部分故障(不同程度的涌堵故障)时，0＜s＜1；故障系数s的大小跟推进器的故障类型和涌堵故障严重程度有关，故障越严重，s值越大。YOLO推进器故障辨识模型的三个输入是控制电压信号(u)，转速信号(n)和反馈电流信号(i)；故障辨识模型输出是故障系数s。
进一步的，所述步骤S4中将对深海潜水器在线监测的控制电压u、推进器转速n、推进器反馈电流i，输入训练好的YOLO深度卷积神经网络信息融合故障辨识模型，深海潜水器推进器故障辨识模型输出即为在线辨识故障大小。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (1)

1.一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法，其特征在于，包括以下步骤：
S1、设计采集深海潜水器的推进器的故障样本；步骤S1具体包括以下步骤：
S11、在推进器的桨叶上缠绕不同长度的绳子来模拟不同严重程度的推进器故障，所述绳子的长度代表了推进器涌堵故障的严重程度；该推进器，每给定一个控制电压信号，桨叶上缠绕着不同长度的绳子意味着不同严重程度的涌堵故障，得到对应的转速信号和反馈电流信号，对应的故障大小也会不同；
S12、将故障大小通过推进器的控制电压信号、转速信号和反馈电流信号相关联；
S13、通过步骤S12获得控制电压、推进器转速、推进器反馈电流：推进器故障大小之间的样本，(u，i，n)：(s)；
S2、深海潜水器的推进器深度卷积神经网络故障辨识模型设计，深度卷积神经网络故障辨识模型设计为YOLO深度卷积神经网络去掉了常规卷积神经网络基于区域候选检测模型中的RoI(Regions of Interest)结构，不再提取目标候选区域，模型中除加入批量归一化层和残差网络结构以外，还加入一个高分辨率的分类网络；
S3、深海潜水器的推进器的深度卷积神经网络学习模型的离线训练，步骤S3中通过应用模拟推进器故障样本进行YOLO深度卷积神经网络信息融合故障辨识模型的离线学习训练，将控制电压u、推进器转速n、推进器反馈电流i作为故障辨识模型的输入，将已知故障样本的故障大小s为期望输出，对故障辨识模型进行迭代学习训练，直到学习误差满足设计要求；故障系数s表示推进器的故障模式和故障大小，并有如下设定：推进器正常运行时，s＝0；推进器彻底失效(完全故障)时，s＝1；推进器发生不同程度的部分故障(不同程度的涌堵故障)时，0＜s＜1；故障系数s的大小跟推进器的故障类型和涌堵故障严重程度有关，故障越严重，s值越大；
S4、深海潜水器的推进器故障大小的在线识别输出，步骤S4中将对深海潜水器在线监测的控制电压u、推进器转速n、推进器反馈电流i，输入训练好的YOLO深度卷积神经网络信息融合故障辨识模型，深海潜水器推进器故障辨识模型输出即为在线辨识故障大小。
CN202110923369.XA 2021-08-12 2021-08-12 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法 Active CN113780355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923369.XA CN113780355B (zh) 2021-08-12 2021-08-12 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923369.XA CN113780355B (zh) 2021-08-12 2021-08-12 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法

Publications (2)

Publication Number Publication Date
CN113780355A CN113780355A (zh) 2021-12-10
CN113780355B true CN113780355B (zh) 2024-02-09

Family

ID=78837481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923369.XA Active CN113780355B (zh) 2021-08-12 2021-08-12 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法

Country Status (1)

Country Link
CN (1) CN113780355B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101670886A (zh) * 2008-09-11 2010-03-17 上海海事大学 水下机器人推进器信息融合故障诊断方法及装置
CN108732528A (zh) * 2018-05-28 2018-11-02 国网福建省电力有限公司电力科学研究院 一种基于深度置信网络的数字化电能表故障诊断方法
CN109033965A (zh) * 2018-06-22 2018-12-18 江苏科技大学 一种水下机器人推进器故障时频特征增强方法
CN109583483A (zh) * 2018-11-13 2019-04-05 中国科学院计算技术研究所 一种基于卷积神经网络的目标检测方法和系统
CN109633269A (zh) * 2019-01-02 2019-04-16 江苏科技大学 基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法
CN109696906A (zh) * 2018-12-27 2019-04-30 江苏科技大学 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法
CN110132627A (zh) * 2019-05-28 2019-08-16 上海海事大学 一种推进器的故障诊断方法
CN110826520A (zh) * 2019-11-14 2020-02-21 燕山大学 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法
CN210310834U (zh) * 2019-06-14 2020-04-14 中国南方电网有限责任公司超高压输电公司广州局 一种用于水下机器人推进器的防缠绕保护网罩
CN112560695A (zh) * 2020-12-17 2021-03-26 中国海洋大学 水下目标跟踪方法、系统、存储介质、设备、终端及应用

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977174B1 (ko) * 2017-09-13 2019-05-10 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램
US10782691B2 (en) * 2018-08-10 2020-09-22 Buffalo Automation Group Inc. Deep learning and intelligent sensing system integration
CN110334740A (zh) * 2019-06-05 2019-10-15 武汉大学 人工智能推理融合的电力设备故障检测定位方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101670886A (zh) * 2008-09-11 2010-03-17 上海海事大学 水下机器人推进器信息融合故障诊断方法及装置
CN108732528A (zh) * 2018-05-28 2018-11-02 国网福建省电力有限公司电力科学研究院 一种基于深度置信网络的数字化电能表故障诊断方法
CN109033965A (zh) * 2018-06-22 2018-12-18 江苏科技大学 一种水下机器人推进器故障时频特征增强方法
CN109583483A (zh) * 2018-11-13 2019-04-05 中国科学院计算技术研究所 一种基于卷积神经网络的目标检测方法和系统
CN109696906A (zh) * 2018-12-27 2019-04-30 江苏科技大学 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法
CN109633269A (zh) * 2019-01-02 2019-04-16 江苏科技大学 基于时频功率谱密度极大值的小波分解尺度确定及故障特征增强方法
CN110132627A (zh) * 2019-05-28 2019-08-16 上海海事大学 一种推进器的故障诊断方法
CN210310834U (zh) * 2019-06-14 2020-04-14 中国南方电网有限责任公司超高压输电公司广州局 一种用于水下机器人推进器的防缠绕保护网罩
CN110826520A (zh) * 2019-11-14 2020-02-21 燕山大学 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法
CN112560695A (zh) * 2020-12-17 2021-03-26 中国海洋大学 水下目标跟踪方法、系统、存储介质、设备、终端及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于水下机器人的海产品智能检测与自主抓取系统;徐凤强 等;北京航空航天大学学报;第45卷(第12期);2393-2401 *

Also Published As

Publication number Publication date
CN113780355A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN109408552B (zh) 基于lstm-ae深度学习框架的民机系统故障监测与识别方法
CN111651937A (zh) 变工况下类内自适应轴承故障诊断方法
Liu et al. An audio-based fault diagnosis method for quadrotors using convolutional neural network and transfer learning
CN112348124B (zh) 一种基于数据驱动的微小故障诊断方法及装置
US11823562B2 (en) Unsupervised anomaly detection for autonomous vehicles
CN105446821A (zh) 一种基于改进神经网络的智能水下机器人推进器故障诊断方法
CN111275164A (zh) 一种水下机器人推进系统故障的诊断方法
CN112859898A (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN114544155A (zh) 基于深度学习的auv推进器多信源融合故障诊断方法及系统
CN111459142A (zh) 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法
CN113780355B (zh) 一种深海潜水器推进器故障辨识的深度卷积神经网络学习方法
Puchalski et al. Actuator fault detection and isolation system for multirotor unmanned aerial vehicles
CN109766569A (zh) 潜艇运动模型简化方法及装置
He et al. Fault diagnosis of full-drive AUV based on graph theory and recurrent neural network
Tong et al. Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model
CN116243683A (zh) 基于转矩和多头自编码器的推进系统故障诊断方法
CN115576184A (zh) 一种水下机器人推进器故障在线诊断与容错控制方法
Dhakal et al. UAV fault and anomaly detection using autoencoders
Do Trong et al. Autonomous Detection and Approach Tracking of Moving Ship on the Sea by VTOL UAV based on Deep Learning Technique through Simulated Real-time On-Air Image Acquisitions
CN113837213A (zh) 一种基于贝叶斯的深潜器多变量融合及漏水检测方法
CN115618988A (zh) 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法
Kong et al. A new integrated health management for quadrotors based on deep learning
CN116719060B (zh) 基于信息融合的深度学习网络的紧组合导航故障检测方法
González-Etchemaite et al. Rotor Fault Detection and Identification in Multirotors Based on Supervised 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