CN113850931B - 一种针对飞行异常的飞行特征提取方法 - Google Patents
一种针对飞行异常的飞行特征提取方法 Download PDFInfo
- Publication number
- CN113850931B CN113850931B CN202111428531.7A CN202111428531A CN113850931B CN 113850931 B CN113850931 B CN 113850931B CN 202111428531 A CN202111428531 A CN 202111428531A CN 113850931 B CN113850931 B CN 113850931B
- Authority
- CN
- China
- Prior art keywords
- flight
- time sequence
- attention
- data
- characteristic
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种针对飞行异常的飞行特征提取方法。通过构建时序‑特征注意力机制,对发生异常的时间序列和发生异常的飞行参特征参数进行增强,能够在提取飞行特征时,增加飞行异常对象与正常对象之间的距离,进而更好地分离出飞行异常对象,为进一步挖掘飞行对象和异常对象的分布特征,开展飞行异常分析、飞行风险等研究奠定良好的特征信息基础。
Description
技术领域
本发明属于大数据、人工智能和民航安全相关技术领域,特别是涉及一种针对飞行异常的飞行特征提取方法。
背景技术
民航安全管理已从之前的事后调查与分析转向事前预警,旨在通过一定技术方法与手段,在事故发生前通过主动识别当前未跟踪的重大运营安全事件,将安全事件在发生前进行有效的规避和预防,从而使每年的事故率保持在历史的最低水平。其中,探测和识别安全漏洞或安全隐患是该过程中的一个关键的步骤,进而修改安全要求解决新识别的安全漏洞或安全隐患,缓解飞行风险。飞行异常探测方法可以在关键步骤上提供有效的帮助,飞行特征的提取是飞行异常探测的前提基础。
近些年,在机器学习领域中,深度神经网络大量涌现,并在各应用领域中取得了前所未有的成果。作为机器学习的一部分,深度学习以神经网络中层的形式,通过学习将数据表示为一个嵌套层的概念模型,取得了良好的性能,并具有很强的灵活性。此外,随着数据规模的增加,深度学习要比传统的机器学习方法表现更为优异。因此,基于深度学习的特征提取方法被越来越广泛地应用于各领域中,主要是利用以自编码网络模型结构为主的深度神经网络作为特征提取器,进行特征的提取。
QAR (Quick Access Recorder) 快速记录仪是安装在飞行器上,用于快速记录飞行过程中各种飞行参数的系统,其记录了包括飞行姿态、飞行动力学、外部气象环境、飞行操作等2000多个飞行特征参数,各飞行特征参数记录频率为1秒一次,有些参数甚至高达一秒8次,形成了海量的、信息全面的飞行大数据,为数据驱动下的模型研究方法提供了数据基础和保障。利用QAR数据进行民航飞行的监控,成为保障飞行安全和提高飞行效率的一个科学的方法途径,并被越来越多的应用到飞行安全相关的研究中。
根据之前的研究发现,飞行过程中发生异常或偏离的情况主要集中在某一个或多个飞行特征参数上且发生异常的程度也不同,而其他飞行特征参数则处在常规的飞行范围内。此外,发生异常或偏离的飞行特征参数,其异常的发生主要是在飞行过程中的某一时刻或某一段时间范围内。因此,在进行飞行特征的提取时,应给与发生异常的飞行特征参数和发生异常的时刻更多地关注。基于该思想和深度学习方法理论,本发明中提出一种时序-特征注意力机制,并基于此构建基于时序-特征注意力机制的飞行特征提取模型,用于针对飞行异常的飞行特征提取。
发明内容
本发明针对现有技术的不足,提供一种针对飞行异常的飞行特征提取方法,能够在提取飞行特征时,增加飞行异常对象与正常对象之间的距离,更好地分离出飞行异常对象。
为了达到上述目的,本发明提供的技术方案是一种针对飞行异常的飞行特征提取方法,包括以下步骤:
步骤1,对快速存储记录器QAR数据进行预处理;
步骤1.1,选取飞行特征参数;
步骤1.2,选取研究的飞行时段;
步骤1.3,数据的提取与标准化处理;
步骤2,构建时序-特征注意力机制模块,对发生异常的时刻和发生异常的飞行特征参数进行强化和突出;
步骤3,构建飞行特征提取模型,利用步骤1预处理后的QAR数据对飞行特征提取模型进行训练;
步骤4,利用训练好的飞行特征提取模型进行飞行特征提取。
而且,所述步骤1.3中根据步骤1.2中选取的飞行时段提取QAR数据中步骤1.1选取的飞行特征参数,并采用Min-max标准化方法进行数据的标准化处理,Min-max标准化计算方式如下:
而且,所述步骤2.1中时序注意力机制模块的作用是对时序输入数据在不同的时
刻给与不同的关注度,即更多的关注于发生异常的时刻。为了聚合特征维度上的信息,利用
最大池化和平均池化操作来收集特征信息,得到每一时刻的两个不同的上下文描述向量,
然后将两个描述向量通过一个多层感知机得到两个不同时序注意力图,最后将两个不同的
时序注意力图以相同索引位置相加的方式进行求和运算,从而最终获得时序注意力,即:
而且,所述步骤2.3中特征注意力机制是给与各飞行参数特征不同程度的关注度,
用以突出发生异常的飞行参数特征。为了聚合时间维度上的信息,利用最大池化和平均池
化操作来收集时间维度上的信息,得到每一特征的两个不同的上下文描述向量,然后将两
个描述向量通过一个多层感知机得到两个不同特征注意力图,最后将两个不同的特征注意
力图以相同索引位置的相加的方式进行求和运算,从而最终获得特征注意力,
即:
而且,所述步骤3中将时序-特征注意力机制模块与基于卷积神经网络的自编码网络按照先后顺序进行结合,构建针对飞行异常的飞行特征提取模型;飞行特征提取模型的训练包括以下几个子步骤:
步骤3.1,将步骤1预处理后的QAR数据经过步骤2构建的时序-特征注意力机制模块,生成改进后的飞行时序数据。
步骤3.2,将改进后的时序数据输入到基于卷积神经网络的自编码网络,编码器部分将高维的飞行时序数据编码到低维空间中,得到低维空间中的特征值。
步骤3.3,通过解码器利用低维空间中的特征,进行QAR数据的重构。
步骤3.4,利用重构的QAR数据与原始的QAR数据之间的差值作为损失值,进行反向传播,对飞行特征提取模型进行训练。
损失函数选用Smooth L1 loss损失函数,模型中隐藏层的维度大小设置为N。
而且,所述步骤4中将原始QAR数据经过步骤1的预处理操作后,利用训练好的飞行特征提取模型提取飞行特征。
与现有技术相比,本发明具有如下优点:
提出时序-特征注意力机制,对发生异常的时间序列和发生异常的飞行参特征参数进行增强,能够在提取飞行特征时,增加飞行异常对象与正常对象之间的距离,进而更好地分离出飞行异常对象,为进一步挖掘飞行对象和异常对象的分布特征,开展飞行异常分析、飞行风险等研究奠定良好的特征信息基础。
附图说明
图1是本发明实施例的时序-特征注意力机制模块计算流程。
图2是本发明实施例的时序注意力机制计算流程。
图3是本发明实施例的特征注意力机制计算流程。
图4是本发明实施例的基于时序-特征注意力机制的飞行特征提取模型。
图5是本发明实施例对比实验结果图,其中图5(a)是未包含时序-特征注意力机制模块得到的特征分布图,图5(b)是包含了时序-特征注意力机制模块得到的特征分布图。
具体实施方式
本发明提供一种针对飞行异常的飞行特征提取方法,首先根据选取的飞行时段提取QAR数据中选定的飞行特征参数,并对其进行Min-max标准化处理,接着构建时序-特征注意力机制模块与基于卷积神经网络的自编码网络按照先后顺序进行结合,构建针对飞行异常的飞行特征提取模型,并利用标准化处理过的飞行特征参数对飞行特征提取模型进行训练,最后用训练好的模型进行飞行特征的提取。
下面结合附图和实施例对本发明的技术方案作进一步说明。
本发明实施例的流程包括以下步骤:
步骤1,对快速存储记录器QAR数据进行预处理。
步骤1.1,选取飞行特征参数。
飞行器在飞行过程中受到各种要素的影响,如飞行器本身状态、飞行员操作和外部环境等,并且这些影响要素在飞行过程中一直处在不断的变化中。但是不论上述影响要素如何变化,其对飞行器的影响都反应在飞行器的飞行姿态和动力学两类飞行特征参数上。本实施例中选取的两类飞行特征参数如表1中所示。
步骤1.2,选取研究的飞行时段。
本实施例中选择飞行触地前90秒的时长范围。
步骤1.3,数据的提取与标准化处理。
根据步骤1.2中选取的飞行时段提取QAR数据中步骤1.1选取的两类飞行特征参数,并采用Min-max标准化方法进行数据的标准化处理。Min-max标准化计算方式如下:
步骤2,构建时序-特征注意力机制模块,对发生异常的时刻和发生异常的飞行特征参数进行强化和突出。
时序注意力机制和特征注意力机制分别从时序维度和特征维度两个层面,对发生异常的时刻和发生异常的飞行特征参数进行突出。将时序注意力机制和特征注意力机制按照时序-特征注意力机制的先后顺序进行结合,构成时序-特征注意力机制模块。时序-特征注意力模块计算流程如图1所示,包括以下几个步骤:
时序注意力机制模块的作用是对时序输入数据在不同的时刻给与不同的关注度,
即更多的关注于发生异常的时刻。如图2所示,为了聚合特征维度上的信息,利用最大池化
和平均池化操作来收集特征信息,得到每一时刻的两个不同的上下文描述向量,然后将两
个描述向量通过一个多层感知机得到两个不同时序注意力图,最后将两个不同的时序注意
力图以相同索引位置相加的方式进行求和运算,从而最终获得时序注意力,即:
特征注意力机制是给与各飞行参数特征不同程度的关注度,用以突出发生异常的
飞行参数特征。如图3所示,为了聚合时间维度上的信息,利用最大池化和平均池化操作来
收集时间维度上的信息,得到每一特征的两个不同的上下文描述向量,然后将两个描述向
量通过一个多层感知机得到两个不同特征注意力图,最后将两个不同的特征注意力图以相
同索引位置的相加的方式进行求和运算,从而最终获得特征注意力,即:
步骤3,构建飞行特征提取模型,利用步骤1预处理后的QAR数据对飞行特征提取模型进行训练。
如图4所示,将步骤2构建的时序-特征注意力机制模块与基于卷积神经网络(Convolutional Neural Network, CNN)的自编码网络(Autoencoder, AE)按照先后顺序进行结合,构建针对飞行异常的飞行特征提取模型。
飞行特征提取模型的训练包括以下几个子步骤:
步骤3.1,将步骤1预处理后的QAR数据经过步骤2构建的时序-特征注意力机制模块,生成改进后的飞行时序数据。
步骤3.2,将改进后的时序数据输入到基于卷积神经网络的自编码网络,编码器部分将高维的飞行时序数据编码到低维空间中,得到低维空间中的特征值。
步骤3.3,解码器部分利用低维空间中的特征,进行QAR数据的重构。
步骤3.4,利用重构的QAR数据与原始的QAR数据之间的差值作为损失值,进行反向传播,对飞行特征提取模型进行训练。
本实施例采用Smooth L1 loss损失函数用于构建和计算模型的损失值,为了对提取到的飞行特征进行可视化,将模型中的隐藏层的维度(L的维度)大小设置为2。
步骤4,利用训练好的飞行特征提取模型进行飞行特征提取。
将原始QAR数据经过步骤1的预处理操作后,利用训练好的飞行特征提取模型提取飞行特征。如图5所示,未包含时序-特征注意力机制模块的飞行特征提取模型提取的飞行特征中,异常对象和正常对象混合在一起,而包含了时序-特征注意力机制模块的飞行特征提取模型得到的飞行特征中,异常对象和正常对象能很好地分离开来。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种针对飞行异常的飞行特征提取方法,其特征在于,包括如下步骤:
步骤1,对快速存储记录器QAR数据进行预处理;
步骤1.1,选取飞行特征参数;
步骤1.2,选取研究的飞行时段;
步骤1.3,数据的提取与标准化处理;
步骤2,构建时序-特征注意力机制模块,对发生异常的时刻和发生异常的飞行特征参数进行强化和突出;
将时序注意力机制和特征注意力机制按照时序-特征注意力机制的先后顺序进行结合,构成时序-特征注意力机制模块,包括以下几个子步骤:
步骤2.1,将飞行时序数据S∈RT×F通过时序注意力机制模块,得到时序注意力AT∈RT×1;
步骤2.2,将时序注意力AT∈RT×1与飞行时序数据S∈RT×F进行哈达玛积运算,得到时序改进的时序数据S′∈RT×F;
步骤2.3,将时序改进后的时序数据S′∈RT×F通过特征注意力机制模块,得到特征注意力AF∈RF×1;
步骤2.4,将特征注意力AF∈RF×1与时序改进的时序数据S′∈RT×F进行哈达玛积运算,得到进一步突出飞行参数特征的时序数据S″RT×F;
步骤3,构建飞行特征提取模型,利用步骤1预处理后的QAR数据对飞行特征提取模型进行训练;
步骤4,利用训练好的飞行特征提取模型进行飞行特征提取。
2.如权利要求1所述的一种针对飞行异常的飞行特征提取方法,其特征在于:步骤1.1中选取飞行姿态和动力学两类飞行特征参数。
4.如权利要求1所述的一种针对飞行异常的飞行特征提取方法,其特征在于:步骤2.1中时序注意力机制模块的作用是对时序输入数据在不同的时刻给与不同的关注度,即更多的关注于发生异常的时刻;为了聚合特征维度上的信息,利用最大池化和平均池化操作来收集特征信息,得到每一时刻的两个不同的上下文描述向量,然后将两个描述向量通过一个多层感知机得到两个不同时序注意力图,最后将两个不同的时序注意力图以相同索引位置相加的方式进行求和运算,从而最终获得时序注意力AT∈RT×1,即:
AT(S)=σ(MLP(MaxPool(S)+AvgPool(S))) (2)
式中,σ表示sigmoid函数,MLP()为多层感知机,MaxPool()为最大池化函数,AvgPool()为平均池化函数。
6.如权利要求1所述的一种针对飞行异常的飞行特征提取方法,其特征在于:步骤2.3中特征注意力机制是给与各飞行参数特征不同程度的关注度,用以突出发生异常的飞行参数特征;为了聚合时间维度上的信息,利用最大池化和平均池化操作来收集时间维度上的信息,得到每一特征的两个不同的上下文描述向量,然后将两个描述向量通过一个多层感知机得到两个不同特征注意力图,最后将两个不同的特征注意力图以相同索引位置的相加的方式进行求和运算,从而最终获得特征注意力AF∈RF×1,即:
AF(S′)=σ(MLP(MaxPool(S′)+AvgPool(S′))) (4)
式中,σ表示sigmoid函数,MLP()为多层感知机,MaxPool()为最大池化函数,AvgPool()为平均池化函数。
8.如权利要求1所述的一种针对飞行异常的飞行特征提取方法,其特征在于:步骤3中将时序-特征注意力机制模块与基于卷积神经网络的自编码网络按照先后顺序进行结合,构建针对飞行异常的飞行特征提取模型;飞行特征提取模型的训练包括以下几个子步骤:
步骤3.1,将步骤1预处理后的QAR数据经过步骤2构建的时序-特征注意力机制模块,生成改进后的飞行时序数据;
步骤3.2,将改进后的时序数据输入到基于卷积神经网络的自编码网络,编码器部分将高维的飞行时序数据编码到低维空间中,得到低维空间中的特征值;
步骤3.3,通过解码器利用低维空间中的特征,进行QAR数据的重构;
步骤3.4,利用重构的QAR数据与原始的QAR数据之间的差值作为损失值,进行反向传播,对飞行特征提取模型进行训练;
损失函数选用Smooth L1 loss损失函数,模型中隐藏层的维度大小设置为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428531.7A CN113850931B (zh) | 2021-11-29 | 2021-11-29 | 一种针对飞行异常的飞行特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111428531.7A CN113850931B (zh) | 2021-11-29 | 2021-11-29 | 一种针对飞行异常的飞行特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850931A CN113850931A (zh) | 2021-12-28 |
CN113850931B true CN113850931B (zh) | 2022-02-15 |
Family
ID=78982170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111428531.7A Active CN113850931B (zh) | 2021-11-29 | 2021-11-29 | 一种针对飞行异常的飞行特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850931B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9567106B2 (en) * | 2014-11-21 | 2017-02-14 | Taleris Global Llp | System and method for identifying faults in an aircraft |
CN108711005A (zh) * | 2018-05-14 | 2018-10-26 | 重庆大学 | 基于qar数据与贝叶斯网络的飞行风险分析方法 |
CN109141847B (zh) * | 2018-07-20 | 2020-06-05 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
CN109124625B (zh) * | 2018-09-04 | 2021-07-20 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN109697304A (zh) * | 2018-11-19 | 2019-04-30 | 天津大学 | 一种制冷机组多传感器数据预测模型的构建方法 |
CN110378044B (zh) * | 2019-07-23 | 2021-06-11 | 燕山大学 | 基于注意力机制的多时间尺度卷积神经网络软测量方法 |
KR102272622B1 (ko) * | 2019-12-17 | 2021-07-05 | (주)유코아시스템 | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 |
CN111047916B (zh) * | 2019-12-30 | 2022-04-12 | 四川函钛科技有限公司 | 一种基于qar曲线面积特征的重着陆风险识别方法 |
KR20210088240A (ko) * | 2020-01-06 | 2021-07-14 | 현대자동차주식회사 | 무빙계 부품의 상태 진단 장치 및 방법 |
CN112749764B (zh) * | 2021-01-28 | 2022-09-13 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN113607205B (zh) * | 2021-08-02 | 2023-09-19 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
-
2021
- 2021-11-29 CN CN202111428531.7A patent/CN113850931B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113850931A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829236B (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN105631596B (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
DE102017128693A1 (de) | Merkmal- und Grenzeinstellung zur Bedrohungserkennung in einem industriellen Anlagensteuersystem | |
Fu et al. | A re-optimized deep auto-encoder for gas turbine unsupervised anomaly detection | |
Celikmih et al. | Failure prediction of aircraft equipment using machine learning with a hybrid data preparation method | |
CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
CN112800682B (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN111737911A (zh) | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 | |
Gong et al. | A fast anomaly diagnosis approach based on modified CNN and multisensor data fusion | |
Xia et al. | Residual-hypergraph convolution network: A model-based and data-driven integrated approach for fault diagnosis in complex equipment | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
Lee et al. | Unsupervised anomaly detection of the gas turbine operation via convolutional auto-encoder | |
CN114281864A (zh) | 一种面向电力网络告警信息的关联分析方法 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN114742165B (zh) | 基于深度自编码器的航空发动机气路性能异常检测系统 | |
Tang et al. | Fault diagnosis of rotating machinery under multiple operating conditions generalization: A representation gradient muting paradigm | |
Chen | Review on supervised and unsupervised learning techniques for electrical power systems: Algorithms and applications | |
Zhang et al. | A cross working condition multiscale recursive feature fusion method for fault diagnosis of rolling bearing in multiple working conditions | |
CN110779988A (zh) | 一种基于深度学习的螺栓寿命预测方法 | |
Luo et al. | Adaptive Fisher‐Based Deep Convolutional Neural Network and Its Application to Recognition of Rolling Element Bearing Fault Patterns and Sizes | |
CN113850931B (zh) | 一种针对飞行异常的飞行特征提取方法 | |
Sahu et al. | Data‐driven fault diagnosis approaches for industrial equipment: A review | |
CN113536671A (zh) | 一种基于lstm的锂电池寿命预测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220411 Address after: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee after: WUHAN University Patentee after: China Academy of civil aviation science and technology Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |