CN113887751A - 基于知识图谱的机械故障预测性维护方法及系统 - Google Patents
基于知识图谱的机械故障预测性维护方法及系统 Download PDFInfo
- Publication number
- CN113887751A CN113887751A CN202111027124.5A CN202111027124A CN113887751A CN 113887751 A CN113887751 A CN 113887751A CN 202111027124 A CN202111027124 A CN 202111027124A CN 113887751 A CN113887751 A CN 113887751A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- mechanical
- fault
- rule
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012423 maintenance Methods 0.000 title claims abstract description 75
- 230000001502 supplementing effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 239000000306 component Substances 0.000 description 32
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于知识图谱的机械故障预测性维护方法及系统,获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。实现机械故障的预测性维护。
Description
技术领域
本发明涉及工业集群预测性维护技术领域,特别是涉及基于知识图谱的机械故障预测性维护方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
预测性维护是基于设备和系统本身的运行状态来安排实施的。被称为CBM(Condition Based Maintenance)基于状态的维护。这种维护方式具有一些显而易见的好处就是,因为保养工作的介入是完全基于设备和系统本身当时状态,所以既避免了多余干涉导致的不必要的停工时间,也防止了由于未及时采取措施而导致的连锁性故障带来的损失。在现代化的工业生产环境中,尤其是流水线任务,机器人发挥的作用越来越大。机械手臂等可以应用于各种自动化任务,工作效率高且出错概率低、持久性高。然而一旦出现故障,不可避免会造成很大的经济损失。相较于传统的预防性维护,预测性维护可以避免故障停机或最小化故障停机时间,同时可优化周期性维护操作。
预测性维护是只在必要的时候对机器进行维护,以保证机器能在尽可能长的时间内正常使用,减少意外停机状况,从而降低资本成本和运营成本,保持高效生产。毫无疑问,预测性维护在降低成本的同时提高了系统的可靠性。
目前预测性维护方法可以大致分为基于机器学习方法和基于本体方法,本发明侧重于基于本体方法。目前针对本体方法,存在相关发明。
中国发明专利(申请号:201810093564.2,专利名称:基于知识图谱的机械故障诊断知识库构建方法),虽然提及了构建机械故障知识图谱,但是其发明在于通过凭借专家经验构建知识图谱,并采用深度学习中知识表示技术获得测试结果。该发明用到了机器学习技术,虽然准确率高,但是存在机器学习固有的可解释性差的问题。
中国发明专利(申请号:201911317273.8,专利名称:一种基于语义的工业生产设备预测性维护),虽然提及了构建知识图谱并使用规则推理,但是其发明在于语义化标注、语义推理及语义查询,使用的是AllegroGraph图形数据库作为本体数据库,使用SC继承算法推理。该发明用到了知识图谱、推理技术,可解释性较强,但是推理结果非故障程度,无法比较故障优先级。
发明内容
为了解决现有技术可解释性差,需要大量数据等缺点,本发明提供基于知识图谱的机械故障预测性维护方法及系统。本发明结合知识图谱具有语义性和模糊推理能得到精确值的特点,能为输入时序数据赋予语义信息,在保留可解释性的前提下进行模糊推理,为实时输入的时序数据的故障程度判定优先级,本发明能及时反馈、预警故障程度,实现预测性维护。本发明首先需要借助领域专家知识构建机械故障知识图谱,构建过程采用自上而下与自下而上结合的方式;然后将知识图谱与模糊推理相结合,指定符合实际需求的模糊规则,采用多种隶属度函数对输入参数模糊化,使用最大最小算法进行模糊推理,最后采用重心法去模糊化,得到故障程度优先级并及时预警,利用FuzzyJToolkit工具包进行模糊系统的构建。
第一方面,本发明提供了基于知识图谱的机械故障预测性维护方法;
基于知识图谱的机械故障预测性维护方法,包括:
获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
第二方面,本发明提供了基于知识图谱的机械故障预测性维护系统;
基于知识图谱的机械故障预测性维护系统,包括:
获取模块,其被配置为:获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
补充模块,其被配置为:对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
特征赋予模块,其被配置为:对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
规则定义模块,其被配置为:根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
故障预测模块,其被配置为:将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
第三方面,本发明还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
与现有技术相比,本发明的有益效果是:
(1)本发明将知识图谱与模糊推理相结合,使实体特征作为知识图谱与模糊推理信息交换的桥梁,沟通知识图谱模式信息与模糊推理实际应用,为时序数据赋予语义信息的同时保留了信息的可解释性。
(2)本发明构建了完整的机械故障知识图谱,使用top-down与bottom-up相结合的构建方式,结合权威机构发布的本体、机械领域权威学者的相关论文,如《Basic Conceptsand Taxonomy of Dependable and Secure Computing》构建机械故障知识图谱。本发明构建的知识图谱模型,能够阐明一套与工业故障相关情况的一般概念,从而推动系统故障与系统故障原因分析的研究进展。
(3)本发明致力于机械故障的预测性维护,在恰当场景能提高经济效益。本发明能够在发生故障之前做出预判,对可能出现故障的部位进行更换,从而降低设备故障率,减少了同等数量的零件生产或机械生产的时间,在同等时间提供更多的零件或机械设备,提高了机械生产率,降低了生产的成本。
(4)本发明未使用机器学习、深度学习等算法,无需大量数据集进行训练,只需制定合适的模糊规则,减少了数据收集的时间,并且具有较高的可行性。
本发明附加方面的优点将在下面的描述中部分给出,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的机械故障预测性维护方法流程图;
图2是本发明实施例一的自上而下构建的本体示意图;
图3是本发明实施例一的结合数据集自下而上完成构建的知识图谱;
图4是本发明实施例一的构建的模糊本体示意图;
图5是本发明实施例一的模糊推理的整体工作流程;
图6是本发明实施例一的指定的48条模糊规则;
图7是本发明实施例一的48条故障程度优先级及对应的隶属度函数图;
图8是本发明实施例一的数据集前2200条数据故障优先级推理结果示意图;
图9是本发明实施例一的液压系统部件结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
预测性维修(Predictive Maintenance)是以状态为依据的维修,对机器主要部位进行定期的状态监测和故障诊断。预测性维修是一种新兴的维修方式。对预测性维护的相关研究方法进行简要分类,可分为基于机器学习和基于本体方法。本发明基于本体方法,知识图谱能挖掘各知识间的规律,具有较高的实际价值。本发明借助业内相关研究成果,构建上层本体,同时结合数据集的特性自下而上完成构建。进一步定义模糊本体,可为每条时间序列赋予语义信息。基于第三方工具包FuzzyJ Toolkit对时间序列的多个特征进行模糊推理,最终可以获得该时间序列的故障优先级。在故障程度达到阈值时会预警实现预测性维护。
实施例一
本实施例提供了基于知识图谱的机械故障预测性维护方法;
如图1所示,基于知识图谱的机械故障预测性维护方法,包括:
S101:获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
S102:对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
S103:对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
S104:根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
S105:将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
进一步地,所述S101:获取待维护的机械设备名称;例如:液压系统。
进一步地,所述S101:待维护的机械设备信息,包括:故障程度信息,故障所需维修费用,故障发生阶段,故障部件组合。
进一步地,所述S101:对待维护的机械设备,自上而下初步构建机械故障知识图谱;具体包括:
自上而下构建知识图谱,是从最顶层的概念开始定义,然后逐步进行细化,形成结构良好的分类学层次结构。
依据领域权威机构发布的上层本体、机械领域权威学者的研究论文等,借助领域专家的知识人为构建上层本体框架。
在具体实施过程中,需要调研不同领域专家构建的领域本体,进行综合分析概括获得上层知识图谱;在本实施例中,主要利用机械领域权威学者发布的论文《BasicConcepts and Taxonomy of Dependable and Secure Computing》构建上层知识图谱,如图2。
进一步地,所述S102:对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;具体包括:
从已有数据集中提取所有部件的故障信息,进一步提取与机械设备特征有关的信息,自下而上完成知识图谱的最终定义:
以“故障产生威胁”Threat为中心;
“故障产生威胁”Threat存在实体“费用”Cost,关系属性为“有维修费用”hasMaintenanceCost;
“故障产生威胁”Threat存在实体“阶段”Phase,关系属性为“故障发生于”happensIn;
“故障产生威胁”Threat存在实体“机械部件故障程度”Type,关系属性为“存在类型”hasType;
并且发生故障的部件组合Component Condition,存在属性“故障产生威胁威胁”Threat,关系属性为relatesTo,指“相关”。
所述已有数据集,选用UC Irvine Machine Learning Repository的液压系统数据集;
其中,“费用”Cost,有三个子类:较低维修费用Low Cost、中等维修费用MediumCost和较高维修费用High Cost;
“阶段”Phase,有两个子类:使用阶段故障Use Phase和开发阶段故障DevelopmentPhase;
“机械部件故障程度”Type,有三个错误类型相关的子类:出现故障Fault、出现错误Error和完全错误Failure;
Combination Condition:指的是发生故障的部件组合,表现为故障部件数目;
至此,机械故障知识图谱完成构建。
机械故障知识图谱重要的特征及对应值如表1所示:
表1.时序数据四个特征及对应值
本实施例使用的数据集是UCI机器学习仓库的液压系统数据集,完成自下而上的知识图谱构建,如图3。其中,液压系统及四个核心部件的组成示意图如图9。
进一步地,所述S103:对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;具体包括:
S1031:选择UCIMachine Learning Repository(UCI机器学习仓库)的Conditionmonitoring of hydraulic systems Data Set(液压系统数据集);
S1032:根据补充完善后的机械故障知识图谱,对液压系统数据集中每个部件的不同状态赋予语义信息;对液压系统数据集中每条时序数据赋予语义信息;
其中,对液压系统数据集中每个部件的不同状态赋予语义信息;具体包括:
液压系统数据集中每个部件有若干个状态,为每个状态赋予三个特征信息,包括:错误类型type、维修费用cost、错误发生阶段phase。
其中,对液压系统数据集中每条时序数据赋予语义信息;具体包括:
液压系统数据集中每条时序数据包含某一时刻四个部件的各特征状态值,为当前的时序数据赋予语义信息,即:
综合四个部件的三个特征为液压系统的前三个特征,第四个特征为故障部件组合数;前三个特征,是错误类型type、维修费用cost、错误发生阶段phase;
当前时序数据的语义信息,包括错误类型type、维修费用cost、错误发生阶段phase、发生故障部件组合数:combination。
S1033:对特征赋予特征值。
UCI机器学习仓库的液压系统数据集对时序数据中设备及状态码的定义如表2:
表2.四个设备及多个序号和状态
数据集中时序数据格式有2205条,前四列分别是Cooler、Valve、Pump、Accumulator的状态码,对照表2的状态码解释,综合步骤(1)和步骤(2)构建完成的知识图谱,对应到部件的三个特征type、cost、phase,进一步对应到设备的四个特征:type、cost、phase,condition。
为数据集赋予语义信息和特征值;数据集中的数据存储如表3所示:
表3.液压系统数据集中时序数据
由表1可知,需要为表3的每一行(条)时序数据赋予四方面语义特征,type、cost、phase、combination。结合表2给出的状态码的语义信息,表3中状态码可以做如下定义:
(31)type定义:Cooler状态码为3或20时,type*为Failure,状态码为100时,type*为Normal(正常);Valve状态码为73时,type*为Failure,状态码为80、90时为Error,状态码为100时,type*为Normal;Pump状态码为1或2时,type*为Error,状态码为0时,type*为Normal;Accumulator状态码为90时type*为Failure,状态码为100或115时type*为Error,状态码为130时type*为Normal。
当且仅当四个部件对应的四个type*全为Normal时,该条时序数据的type为Normal;出现Error无Failure时,该条数据的type为Error;出现Failure时该条数据type为Failure。
(32)cost定义:cost指的是部件发生故障时的维修费用,同时包括误工费用等,指的是该条数据的维修费用。在本实例中,对四个部件的维修费用做如下定义:
表4.四个设备维修费用定义
由此可计算维修费用:
其中n指所有部件数,此处为4,ωi是部件i在液压系统中所占权重,即表4的第四行数据,ci为部件的维修费用。经计算,cost的取值范围是[0,60]。
(33)phase定义:在本实例中,液压系统部件发生故障均在Use phase。
(34)combination定义:在数据集中,combination计算的是除了type*为Normal的type*的个数。例如,[3,100,0,130]对应的combination为1。
进一步地,所述S104:根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;具体包括:
S1041:定义模糊变量:模糊变量即四个特征type、cost、phase、condition,定义模糊值即定义每个特征的特征值;
S1042:定义隶属度函数:使用线性函数和三角函数;所述线性函数使用梯形隶属度函数拟合;
维修费用的三个模糊术语高、中、低分别对应斜率小于0直线、三角函数、斜率大于0直线,区间分别为[0,30],[0,30,60],[30,60],其中60为计算得到的维修费用的最高值。
类型、组合、阶段的模糊术语均是垂直于水平轴的单值直线,在具体试验过程中使用梯形隶属度函数近似。
梯形隶属度函数公式定义如公式(1):
其中,x是输入数据,a,b,c,d分别是x轴坐标点。trapezoid(x;a,b,c,d)指y轴坐标点。
优先级隶属度函数包括48个三角函数,如图7所示。
S1043:定义模糊规则:模糊规则的定义格式为:If…Then…,具体的模糊规则定义为:如表1所示,每条故障时序数据的四个状态、每个状态对应的2~4个值,经排列组合得48种状态,依照表1中,自左向右、自上而下故障验证程度依次递增的规则定义,构建模糊推理规则库。
规则库是模糊推理的核心,本发明定义了48条规则,具体规则如下,其中优先等级priority的值设定为1最低,48最高。规则示例如下:
if type is Error and cost is low and combination is one and phase isdelivery_phasethen set priority to priority 1;
if type is Error and cost is low and combination is two and phase isdelivery_phasethen set priority to priority 2;
if type is Error and cost is medium and combination is one and phaseis delivery_phasethen set priority to priority 3;
if type is Error and cost is medium and combination is two and phaseis delivery_phasethen set priority to priority 4;
if type is Error and cost is low and combination is three and phaseis delivery_phasethen set priority to priority 5;
if type is Error and cost is medium and combination is three andphase is delivery_phasethen set priority to priority 6;
if type is Error and cost is low and combination is one and phase isoutage_phasethen set priority to priority 7;
if type is Error and cost is low and combination is two and phase isoutage_phasethen set priority to priority 8;
if type is Error and cost is medium and combination is one and phaseis outage_phasethen set priority to priority 9;
if type is Error and cost is medium and combination is two and phaseis outage_phasethen set priority to priority 10;
if type is Error and cost is high and combination is one and phase isdelivery_phasethen set priority to priority 11;
if type is Error and cost is high and combination is two and phase isdelivery_phasethen set priority to priority 12;
if type is Failure and cost is low and combination is one and phaseis delivery_phasethen set priority to priority 13;
if type is Failure and cost is low and combination is two and phaseis delivery_phasethen set priority to priority 14;
if type is Failure and cost is medium and combination is one andphase is delivery_phasethen set priority to priority 15;
if type is Failure and cost is medium and combination is two andphase is delivery_phasethen set priority to priority 16;
if type is Error and cost is low and combination is four and phase isdelivery_phasethen set priority to priority 17;
if type is Error and cost is medium and combination is four and phaseis delivery_phasethen set priority to priority 18;
if type is Error and cost is low and combination is three and phaseis outage_phasethen set priority to priority 19;
if type is Error and cost is medium and combination is three andphase is outage_phasethen set priority to priority 20;
if type is Error and cost is high and combination is three and phaseis delivery_phasethen set priority to priority 21;
if type is Failure and cost is low and combination is three and phaseis delivery_phasethen set priority to priority 22;
if type is Failure and cost is medium and combination is three andphase is delivery_phasethen set priority to priority 23;
if type is Error and cost is high and combination is one and phase isoutage_phasethen set priority to priority 24;
if type is Error and cost is high and combination is two and phase isoutage_phasethen set priority to priority 25;
if type is Failure and cost is low and combination is one and phaseis outage_phasethen set priority to priority 26;
if type is Failure and cost is low and combination is two and phaseis outage_phasethen set priority to priority 27;
if type is Failure and cost is medium and combination is one andphase is outage_phasethen set priority to priority 28;
if type is Failure and cost is medium and combination is two andphase is outage_phasethen set priority to priority 29;
if type is Error and cost is low and combination is four and phase isoutage_phasethen set priority to priority 30;
if type is Error and cost is medium and combination is four and phaseis outage_phasethen set priority to priority 31;
if type is Failure and cost is high and combination is one and phaseis delivery_phasethen set priority to priority 32;
if type is Failure and cost is high and combination is two and phaseis delivery_phasethen set priority to priority 33;
if type is Error and cost is high and combination is four and phaseis delivery_phasethen set priority to priority 34;
if type is Failure and cost is low and combination is four and phaseis delivery_phasethen set priority to priority 35;
if type is Failure and cost is medium and combination is four andphase is delivery_phasethen set priority to priority 36;
if type is Error and cost is high and combination is three and phaseis outage_phasethen set priority to priority 37;
if type is Failure and cost is low and combination is three and phaseis outage_phasethen set priority to priority 38;
if type is Failure and cost is medium and combination is three andphase is outage_phasethen set priority to priority 39;
if type is Failure and cost is high and combination is three andphase is delivery_phasethen set priority to priority 40;
if type is Failure and cost is high and combination is one and phaseis outage_phasethen set priority to priority 41;
if type is Failure and cost is high and combination is two and phaseis outage_phasethen set priority to priority 42;
if type is Error and cost is high and combination is four and phaseis outage_phasethen set priority to priority 43;
if type is Failure and cost is high and combination is four and phaseis delivery_phasethen set priority to priority 44;
if type is Failure and cost is low and combination is four and phaseis outage_phasethen set priority to priority 45;
if type is Failure and cost is medium and combination is four andphase is outage_phasethen set priority to priority 46;
if type is Failure and cost is high and combination is three andphase is outage_phasethen set priority to priority 47;
if type is Failure and cost is high and combination is four and phaseis outage_phasethen set priority to priority 48。
以最后一条规则为例简单介绍,如果type值为Failure,并且cost值为high,并且combination值为four,并且phase值为outage,则使priority值为48,故障优先级最高。
48条规则与模糊变量priority的48个模糊术语对应,作为模糊本体模型定义规则的输出结论定义。
在步骤S103中得到了具有语义信息的数据集,每条时序数据拥有四个特征,同时为模糊本体的四个模糊变量,四个特征值对应模糊变量的输入值。具体模糊本体如图4所示。四个模糊变量的多个模糊值进行排列组合,形成了48条模糊规则(如图6所示),用于模糊推理,模糊推理的过程如图5所示。
进一步地,所述S105:将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级;具体包括:
S1051:输入模糊化:使用是具有多个前件的单一规则,即一条规则中具有多个前提;这里,将四个特征作为前提,将故障优先级作为结论构成每条规则;
根据Mamdani(曼达尼)模糊关系的定义,有
此时,
其中,是隶属函数的最大值,表示对的适配度;是隶属函数的最大值,表示对的匹配度。ωAΛωB为模糊规则的激励强度,表示规则的前件部分被满足的程度。该结论同样可推广到具有多于两个前件的情况,这里使用四个前件单规则。
S1052:输出去模糊化:采用面积重心法进行去模糊化,面积重心法公式为:
其中,y’表示去模糊化后的精确值,ν(y)表示隶属度函数值,y表示去模糊化前的模糊值。
推理结果的模糊集通过取面积重心得到最终的推理精确值,该值即为时序数据故障程度,可用作故障优先级预警。
S105将输入值通过模糊器转化为模糊的输入值,再使用模糊规则库和模糊推理机制对其进行处理,最后将结果转化为输出值,即模糊化和去模糊化。使用第三方工具包FuzzyJ Toolkit,通过相关jar包,在java中定义模糊概念、模糊规则,并进行模糊推理。
本发明结合了知识图谱构建技术和模糊推理技术,对机械设备的故障程度进行预测性维护,并在液压系统数据集上进行试验,实验结果表明,本发明具有一定的使用价值。
模糊推理过程可以看作黑匣子,拥有输入和规则可以得到输出,输出为该条时序数据的部件故障程度优先级。输出是0-1的小数值,其中0代表完全正常,1代表完全故障,0.75作为预警阈值。例如,[3,100,0,130]对应的输出0.5583333333333332,未达到阈值,不预警。对每一条数据进行模糊计算,最终液压系统数据集每条时序数据的故障程度,如图8所示。
本发明公开了一种基于机械故障知识图谱和模糊推理的预测性维护系统及方法,方法包括:自上而下初步构建机械故障知识图谱;自下而上补充、完善初步构建的知识图谱;为数据集赋予语义信息和特征值;依据特征,定义模糊变量、模糊规则;基于FuzzyJToolkit,进行模糊推理,获取故障程度优先级。本方法在液压系统数据集上做了测试,实验证明,本发明能够准确有效地预测设备整体故障程度,且具有一定的实际应用价值。同时,基于发明构建的预测性维护模型,可实现对相关其它工业集群的机械设备故障预测性维护分析。
实施例二
本实施例提供了基于知识图谱的机械故障预测性维护系统;
基于知识图谱的机械故障预测性维护系统,包括:
获取模块,其被配置为:获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
补充模块,其被配置为:对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
特征赋予模块,其被配置为:对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
规则定义模块,其被配置为:根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
故障预测模块,其被配置为:将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
此处需要说明的是,上述获取模块、补充模块、特征赋予模块、规则定义模块和故障预测模块对应于实施例一中的步骤S101至S105,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于知识图谱的机械故障预测性维护方法,其特征是,包括:
获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
2.如权利要求1所述的基于知识图谱的机械故障预测性维护方法,其特征是,对待维护的机械设备,自上而下初步构建机械故障知识图谱;具体包括:
自上而下构建知识图谱,是从最顶层的概念开始定义,然后逐步进行细化,形成结构良好的分类学层次结构。
3.如权利要求1所述的基于知识图谱的机械故障预测性维护方法,其特征是,对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;具体包括:
从已有数据集中提取所有部件的故障信息,进一步提取与机械设备特征有关的信息,自下而上完成知识图谱的最终定义:
以“故障产生威胁”Threat为中心;
“故障产生威胁”Threat存在实体“费用”Cost,关系属性为“有维修费用”hasMaintenanceCost;
“故障产生威胁”Threat存在实体“阶段”Phase,关系属性为“故障发生于”happensIn;
“故障产生威胁”Threat存在实体“机械部件故障程度”Type,关系属性为“存在类型”hasType;
并且发生故障的部件组合Component Condition,存在属性“故障产生威胁威胁”Threat,关系属性为relatesTo,指“相关”。
4.如权利要求3所述的基于知识图谱的机械故障预测性维护方法,其特征是,所述已有数据集,选用UC Irvine Machine Learning Repository的液压系统数据集;
其中,“费用”Cost,有三个子类:较低维修费用Low Cost、中等维修费用Medium Cost和较高维修费用High Cost;
“阶段”Phase,有两个子类:使用阶段故障Use Phase和开发阶段故障DevelopmentPhase;
“机械部件故障程度”Type,有三个错误类型相关的子类:出现故障Fault、出现错误Error和完全错误Failure;
Combination Condition:指的是发生故障的部件组合,表现为故障部件数目。
5.如权利要求1所述的基于知识图谱的机械故障预测性维护方法,其特征是,对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;具体包括:
选择液压系统数据集;
根据补充完善后的机械故障知识图谱,对液压系统数据集中每个部件的不同状态赋予语义信息;对液压系统数据集中每条时序数据赋予语义信息;
其中,对液压系统数据集中每个部件的不同状态赋予语义信息;具体包括:
液压系统数据集中每个部件有若干个状态,为每个状态赋予三个特征信息,包括:错误类型type、维修费用cost、错误发生阶段phase;
其中,对液压系统数据集中每条时序数据赋予语义信息;具体包括:
液压系统数据集中每条时序数据包含某一时刻四个部件的各特征状态值,为当前的时序数据赋予语义信息,即:
综合四个部件的三个特征为液压系统的前三个特征,第四个特征为故障部件组合数;前三个特征,是错误类型type、维修费用cost、错误发生阶段phase;
当前时序数据的语义信息,包括错误类型type、维修费用cost、错误发生阶段phase、发生故障部件组合数:combination;
对特征赋予特征值。
6.如权利要求1所述的基于知识图谱的机械故障预测性维护方法,其特征是,根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;具体包括:
定义模糊变量:模糊变量即四个特征type、cost、phase、condition,定义模糊值即定义每个特征的特征值;
定义隶属度函数:使用线性函数和三角函数;所述线性函数使用梯形隶属度函数拟合;
维修费用的三个模糊术语高、中、低分别对应斜率小于0直线、三角函数、斜率大于0直线,区间分别为[0,30],[0,30,60],[30,60],其中60为计算得到的维修费用的最高值;
类型、组合、阶段的模糊术语均是垂直于水平轴的单值直线,在具体试验过程中使用梯形隶属度函数近似;
定义模糊规则:模糊规则的定义格式为:If…Then…,具体的模糊规则定义为:每条故障时序数据的四个状态,每个状态对应的2~4个值,经排列组合得48种状态,自左向右、自上而下故障验证程度依次递增的规则定义,构建模糊推理规则库。
7.如权利要求1所述的基于知识图谱的机械故障预测性维护方法,其特征是,将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级;具体包括:
输入模糊化:使用是具有多个前件的单一规则,即一条规则中具有多个前提;这里,将四个特征作为前提,将故障优先级作为结论构成每条规则;
根据曼达尼Mamdani模糊关系的定义,有
此时,
输出去模糊化:采用面积重心法进行去模糊化,面积重心法公式为:
其中,y′表示去模糊化后的精确值,ν(y)表示隶属度函数值,y表示去模糊化前的模糊值;
推理结果的模糊集通过取面积重心得到最终的推理精确值,该值为时序数据故障程度,用作故障优先级预警。
8.基于知识图谱的机械故障预测性维护系统,其特征是,包括:
获取模块,其被配置为:获取待维护的机械设备部件名称及待维护的机械设备信息;对待维护的机械设备,自上而下初步构建机械故障知识图谱;
补充模块,其被配置为:对初步构建的机械故障知识图谱,采用自下而上的方式进行补充完善;
特征赋予模块,其被配置为:对待维护的机械设备,选择对应的数据集;根据补充完善后的机械故障知识图谱,对数据集中每个部件的每个状态赋予多个特征;其中,每个特征对应一个特征值;
规则定义模块,其被配置为:根据特征和特征值,定义模糊变量、隶属度函数和模糊规则;
故障预测模块,其被配置为:将模糊变量的值作为输入参数,采用隶属度函数对输入参数进行模糊化处理,采用模糊规则对模糊化处理后的数据进行模糊推理,对模糊推理得到的数据进行去模糊化处理,得到故障程度优先级。
9.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027124.5A CN113887751A (zh) | 2021-09-02 | 2021-09-02 | 基于知识图谱的机械故障预测性维护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111027124.5A CN113887751A (zh) | 2021-09-02 | 2021-09-02 | 基于知识图谱的机械故障预测性维护方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887751A true CN113887751A (zh) | 2022-01-04 |
Family
ID=79012114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111027124.5A Pending CN113887751A (zh) | 2021-09-02 | 2021-09-02 | 基于知识图谱的机械故障预测性维护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887751A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0446066A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Method of and system for evaluating and modifying knowledge |
CN110705710A (zh) * | 2019-04-17 | 2020-01-17 | 中国石油大学(华东) | 一种基于知识图谱的工业故障分析专家系统 |
CN111026046A (zh) * | 2019-11-06 | 2020-04-17 | 重庆邮电大学 | 一种基于语义的生产线设备故障诊断系统及方法 |
-
2021
- 2021-09-02 CN CN202111027124.5A patent/CN113887751A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0446066A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Method of and system for evaluating and modifying knowledge |
CN110705710A (zh) * | 2019-04-17 | 2020-01-17 | 中国石油大学(华东) | 一种基于知识图谱的工业故障分析专家系统 |
CN111026046A (zh) * | 2019-11-06 | 2020-04-17 | 重庆邮电大学 | 一种基于语义的生产线设备故障诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
邴绍强: "基于知识图谱的采油生产智能预警系统研究与应用", 石化技术, no. 1, 31 January 2020 (2020-01-31), pages 31 - 32 * |
韦鹏程等: "基于人工智能的知识图谱技术研究", vol. 1, 30 April 2021, 中国原子能出版社, pages: 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
CN114912637B (zh) * | 2022-05-21 | 2023-08-29 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilhelm et al. | Overview on hybrid approaches to fault detection and diagnosis: Combining data-driven, physics-based and knowledge-based models | |
Moradi et al. | Modernizing risk assessment: A systematic integration of PRA and PHM techniques | |
Shen et al. | Fuzzy qualitative simulation | |
Theis et al. | Decay replay mining to predict next process events | |
CN105096053B (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
Yazdi | Acquiring and sharing tacit knowledge in failure diagnosis analysis using intuitionistic and pythagorean assessments | |
Liu et al. | Improvement of fault diagnosis efficiency in nuclear power plants using hybrid intelligence approach | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
CN113887751A (zh) | 基于知识图谱的机械故障预测性维护方法及系统 | |
Gao et al. | Research on software multiple fault localization method based on machine learning | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
Zhang et al. | Counterfactual-attention multi-agent reinforcement learning for joint condition-based maintenance and production scheduling | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
Elsayed et al. | Fault-recovery and robust deadlock control of reconfigurable multi-unit resource allocation systems using siphons | |
US7739213B1 (en) | Method for developing complex probabilistic models | |
Wang et al. | HARRD: Real-time software rejuvenation decision based on hierarchical analysis under weibull distribution | |
Ma | RETRACTED ARTICLE: Method of hydraulic control detection and fault diagnosis of construction machinery based on machine learning | |
CN114564589B (zh) | 基于虚拟知识图谱的液压系统状态监测方法及系统 | |
Ning | Comparison of several common intelligent fault diagnosis knowledge-based method under nonlinear small sample conditions | |
Franciosi et al. | Ontologies for prognostics and health management of production systems: overview and research challenges | |
Aikhuele et al. | An integrated robust hybrid fuzzy reliability model for redesigning new products and Systems | |
Tsalapati et al. | The role of semantic technologies in diagnostic and decision support for service systems | |
Liu et al. | Research on Fault Prediction and Health Management Technology Based on Machine Learning | |
Li et al. | Uncertainty handling in tabular-based requirements using rough sets | |
KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 |
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 |