CN113919434A - 基于多任务支持向量机的液压系统故障诊断方法及系统 - Google Patents
基于多任务支持向量机的液压系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113919434A CN113919434A CN202111228137.9A CN202111228137A CN113919434A CN 113919434 A CN113919434 A CN 113919434A CN 202111228137 A CN202111228137 A CN 202111228137A CN 113919434 A CN113919434 A CN 113919434A
- Authority
- CN
- China
- Prior art keywords
- fault
- hydraulic system
- support vector
- signal
- vector machine
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于多任务支持向量机的液压系统故障诊断方法及系统,包括:首先采集液压系统在故障状态下的多类信号,分割成一定长度的片段,然后分别筛选出平稳状态下与每类故障相关性较大的信号片段,再利用主成分分析方法、以累计方差贡献率为指标对数据进行降维处理,最后搭建本发明提出的多任务支持向量机作为诊断模型,用训练好的模型进行故障诊断。本发明在针对多类故障并存且故障程度不一的情况时,采用多任务分类而非将复合故障转换为新类别,避免了标签数量爆炸以及每类样本过少的问题,同时筛选出相关性高的信号,减少特征数量,能高效地准确对复合故障进行识别。
Description
技术领域
本发明涉及液压系统故障诊断领域,具体地,涉及一种基于多任务支持向量机的液压系统故障诊断方法及系统,尤其是基于多任务支持向量机的液压系统复合故障诊断方法。
背景技术
液压系统以其功率密度大、振动冲击较小等优势在航空航天、机器人、工程机械等领域被广泛应用。在复杂的液压系统中,故障诊断起着重要的作用,及时确定故障类型和故障程度可以为液压系统的维护带来极大的方便,节省大量的时间和成本,提高液压系统的可靠性与安全性。常用的故障诊断方法有三类:基于模型的方法、基于知识的方法和数据驱动的方法。基于模型的方法要求建立较为准确的液压系统物理模型,这对于一个包含多个元件的复杂液压系统来说是相当困难的。基于知识的方法需要建立大量专家经验知识基础上,但是液压系统的动态复杂性使得专家经验知识难以获得。数据驱动的方法由于仅需要历史数据且机器学习发展迅速,受到越来越多的关注。
目前针对液压系统单个部件、单类故障的研究已较为深入,也有了一些区分多个故障的研究。但是在复杂的液压系统中,往往会出现多个故障并存且各个故障的程度不一的情况。目前的研究大多仅是两种故障的复合,也没有涉及到故障程度的识别,输出空间并不大,一般能够采用转换为多分类问题的方法,将每种复合故障算一类。但是当故障的类型增多,且每类故障有多个故障等级时,标签数将急剧增大,给分类带来困难。针对该问题,本发明提出一种基于多任务支持向量机的液压系统故障诊断方法,首先计算多类传感器信号时域特征,通过斯皮尔曼相关系数分别筛选与每类故障最为相关的信号,利用PCA降维,构成样本集,以SVM为基础设计多任务分类器对复杂液压系统中冷却器动力故障、换向阀开关特性退化、液压泵内泄漏、蓄能器泄漏的复合故障做出诊断,且能较为准确地判断各类故障的故障程度。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于多任务支持向量机的液压系统故障诊断方法及系统。
根据本发明提供的一种基于多任务支持向量机的液压系统故障诊断方法,其特征在于,包括以下步骤:
步骤S1:采集液压系统发生故障时的多种传感器信号;
步骤S2:针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段;
步骤S3:对于每个故障类型合并筛选出的信号片段,使用主成分分析进行降维,根据降维后的主成分所构成的特征值,将所有的特征样本按比例划分为训练集和测试集;
步骤S4:将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型;
步骤S5:利用步骤S4中训练好的诊断模型,输入测试集进行故障诊断,验证模型识别液压系统故障类别与故障水平的有效性,利用验证后效的诊断模型对液压系统进行故障诊断。
优选的,所述步骤S1中采集的传感器信号包括:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。
优选的,所述步骤S2中计算信号的时域特征包括:中位数、方差、偏度以及峭度;使用斯皮尔曼等级相关系数来衡量信号特征与故障水平间的相关性,所述相关系数公式为:
其中di=xi ′-yi ′,xi ′,yi ′分别是样本xi,标签yi(i=1,2,…,n)从大到小排序后的位置。
优选的,所述步骤S3中,使用累计方差贡献率决定保留的主成分的个数,具体公式如下:
CPV表示前k个主元保留的信息占原始信息的百分比。
优选的,所述步骤S4中所述的多任务支持向量机分类器的构建方法如下:
以支持向量机作为二分类器,每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器,将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
根据本发明提供的一种基于多任务支持向量机的液压系统故障诊断系统,包括以下模块:
模块M1:采集液压系统发生故障时的多种传感器信号;
模块M2:针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段;
模块M3:对于每个故障类型合并筛选出的信号片段,使用主成分分析进行降维,根据降维后的主成分所构成的特征值,将所有的特征样本按比例划分为训练集和测试集;
模块M4:将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型;
模块M5:利用执行模块M4训练好的诊断模型,输入测试集进行故障诊断,验证模型识别液压系统故障类别与故障水平的有效性,利用验证后效的诊断模型对液压系统进行故障诊断。
优选的,所述传感器信号包括:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。
优选的,所述模块M2中计算的时域特征包括:中位数、方差、偏度以及峭度;使用斯皮尔曼等级相关系数来衡量信号特征与故障水平间的相关性,所述相关系数公式为:
其中di=x′i-y′i,x′i,y′i分别是样本xi,yi(i=1,2,…,n)从大到小排序后的位置。
优选的,所述模块M3中,使用累计方差贡献率决定保留的主成分的个数,具体公式如下:
CPV表示前k个主元保留的信息占原始信息的百分比。
优选的,所述多任务支持向量机分类器的构建方法如下:
以支持向量机作为二分类器,每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器,将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
与现有技术相比,本发明具有如下的有益效果:
1、本发明在针对多类故障并存且故障程度不一的情况时,采用多任务分类而非将复合故障转换为新类别,避免了标签数量爆炸以及每类样本过少的问题。
2、本发明在处理信号时筛选出相关性高的信号,减少特征数量,能高效地准确对复合故障进行识别。
3、本发明在液压系统故障程度较轻微时也能够较好的识别出。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例基于多任务支持向量机的液压系统故障诊断方法的流程图;
图2为本发明实施例中获取系统平稳状态信号示意图;
图3为本发明实施例中不同故障类别和不同故障水平的组合示意图;
图4为本发明实施例在测试集上对液压系统四类故障的识别结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明介绍了一种基于多任务支持向量机的液压系统故障诊断方法,包括以下步骤:
步骤S1:采集液压系统发生故障时的多种传感器信号。
在液压系统中安装多个不同类别的传感器,采集不同故障类别、不同故障等级组合下液压系统的各类信号,包括但不限于:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。本实施例中液压系统故障包括泵内泄漏、阀开关特性退化、蓄能器泄漏、冷却器动力下降;采集的信号包括主泵出入口油液压力信号、回油流量信号、油液温度信号、泵壳体振动信号、电机的电压电流信号等,采样频率1Hz-100Hz。
将原始信号分割成一定长度的数据段,本实施例为时长60s的数据段,每个分段有一个标签(y1,y2,y3,y4),其中y1表示泵内泄漏故障、y2表示阀开关特性退化故障、y3表示蓄能器泄漏故障、y4表示冷却器动力下降故障。该标签代表四类故障发生与否(如为0则表示未发生该故障,不为0表示存在该类故障)以及故障等级(数值越大,故障程度越严重)。
步骤S2:筛选处于平稳状态的数据点,如图2所示,丢弃负载压力迅速变化阶段的数据,保留压力稳定后的信号段。
针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段。计算的时域特征包括但不限于:中位数、方差、偏度以及峭度;使用斯皮尔曼等级相关系数来衡量信号特征与故障水平间的相关性,所述相关系数公式为:
其中,ρs表示斯皮尔曼等级相关系数,n表示样本长度,di=x′i-y′i,x′i,y′i分别是样本xi,标签yi(i=1,2,…,n)从大到小排序后的位置。
步骤S3:对于每个故障类型合并筛选出的信号片段,使用主成分分析(PCA)进行降维,即利用正交变换将高维空间的数据映射到低维空间内,得到一组正交的、低维的表示,以达到降低数据量同时保留足够的主要特征。使用累计方差贡献率决定保留的主成分的个数,其公式为:CPV表示前k个主元保留的信息占原始信息的百分比,本实施例中按CPV=99%来保留主元。
根据降维后的主成分所构成的特征值,将所有的特征样本按0.5的比例划分为训练集Xtrain和测试集Xtest,即50%的样本作为训练集Xtrain,另50%作为测试集Xtest。
步骤S4:训练诊断模型,将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型。
搭建用于故障类别和故障等级识别的多任务支持向量机分类器,构造方法如下:
以支持向量机作为二分类器,在特征空间寻找一个超平面来区分不同类别的样本,引入径向基函数作为核函数,将非线性问题转换为线性问题,所述径向基函数的公式为:
x和z表示两个不同的样本向量,exp()表示以自然常数e为底的指数函数,‖·‖2表示计算向量第二范数的平方,σ2表示该函数的一个可调参数,定义了单个样本对整个分类超平面的影响。
在此基础上,采用One-vs-all的方法将二分类器改造为多任务分类器,具体方法为:每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器。将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
将训练集Xtrain输入分类器进行训练,获得训练好的诊断模型。
步骤S5:将测试集Xtest输入训练好的诊断模型中,识别样本的故障类别与故障程度,以验证该模型的有效性。利用验证后效的诊断模型对液压系统进行故障诊断。
本发明还介绍了一种基于多任务支持向量机的液压系统故障诊断系统,包括以下模块:
模块M1:采集液压系统发生故障时的多种传感器信号;传感器信号包括:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。
模块M2:针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段。
时域特征包括:中位数、方差、偏度以及峭度;使用斯皮尔曼等级相关系数来衡量信号特征与故障水平间的相关性,所述相关系数公式为:
其中di=x′i-y′i,x′i,y′i分别是样本xi,yi(i=1,2,…,n)从大到小排序后的位置
模块M3:对于每个故障类型合并筛选出的信号片段,使用主成分分析进行降维,根据降维后的主成分所构成的特征值,将所有的特征样本按比例划分为训练集和测试集;
使用累计方差贡献率决定保留的主成分的个数,具体公式如下:
CPV表示前k个主元保留的信息占原始信息的百分比。
模块M4:将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型;多任务支持向量机分类器的构建方法如下:
以支持向量机作为二分类器,每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器,将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
模块M5:利用执行模块M4训练好的诊断模型,输入测试集进行故障诊断,验证模型识别液压系统故障类别与故障水平的有效性,利用验证后效的诊断模型对液压系统进行故障诊断。
下面结合实例对本发明做进一步说明。
1、数据说明
本例搭建液压系统故障模拟实验台,模拟了液压泵内部泄漏、液压阀开关特性退化、蓄能器泄漏和冷却器功率退化四类故障,故障状态以及对应的样本量如下表:
试验中包含了不同故障类别和不同故障水平的组合,如图3所示:
2、实验结果
诊断模型训练完之后,将测试集输入模型识别故障类别与故障程度,结果如下表所示:
指标 | 准确率 | 精确度 | 回收率 | F1值 |
泵内泄漏 | 0.9669 | 0.9671 | 0.9668 | 0.9669 |
阀开关特性退化 | 0.9793 | 0.9787 | 0.9802 | 0.9791 |
冷却器动力下降 | 0.9986 | 0.9986 | 0.9987 | 0.9986 |
蓄能器泄漏 | 0.9490 | 0.9509 | 0.9471 | 0.9473 |
图4为训练好的模型在测试集上的诊断结果混淆矩阵,结合上表,表明本方法能以较高的精度识别四类不同的故障,准确率均维持在94%以上,并且在故障程度较轻微时也能也能较好地识别。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于多任务支持向量机的液压系统故障诊断方法,其特征在于,包括以下步骤:
步骤S1:采集液压系统发生故障时的多种传感器信号;
步骤S2:针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段;
步骤S3:对于每个故障类型合并筛选出的信号片段,使用主成分分析进行降维,根据降维后的主成分所构成的特征值,将所有的特征样本按比例划分为训练集和测试集;
步骤S4:将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型;
步骤S5:利用步骤S4中训练好的诊断模型,输入测试集进行故障诊断,验证模型识别液压系统故障类别与故障水平的有效性,利用验证后效的诊断模型对液压系统进行故障诊断。
2.根据权利要求1所述的基于多任务支持向量机的液压系统故障诊断方法,其特征在于:所述步骤S1中采集的传感器信号包括:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。
5.根据权利要求1所述的基于多任务支持向量机的液压系统故障诊断方法,其特征在于:所述步骤S4中所述的多任务支持向量机分类器的构建方法如下:
以支持向量机作为二分类器,每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器,将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
6.一种基于多任务支持向量机的液压系统故障诊断系统,其特征在于:包括以下模块:
模块M1:采集液压系统发生故障时的多种传感器信号;
模块M2:针对每个故障类型,计算平稳状态下各信号的时域特征与故障水平的相关程度,筛选与故障最相关的多个传感器信号以及传感器信号片段;
模块M3:对于每个故障类型合并筛选出的信号片段,使用主成分分析进行降维,根据降维后的主成分所构成的特征值,将所有的特征样本按比例划分为训练集和测试集;
模块M4:将训练集输入多任务支持向量机分类器进行训练,获得训练好的诊断模型;
模块M5:利用执行模块M4训练好的诊断模型,输入测试集进行故障诊断,验证模型识别液压系统故障类别与故障水平的有效性,利用验证后效的诊断模型对液压系统进行故障诊断。
7.根据权利要求6所述的基于多任务支持向量机的液压系统故障诊断系统,其特征在于:所述传感器信号包括:油液压力信号、流量信号、温度信号、振动信号以及电压电流信号。
10.根据权利要求6所述的基于多任务支持向量机的液压系统故障诊断系统,其特征在于:所述多任务支持向量机分类器的构建方法如下:
以支持向量机作为二分类器,每次将一个类作为正样本,其余所有类所为负样本,训练N个分类器,将新样本提交给所有的分类器,若仅有一个分类器预测为正例,则该类标记作为最终结果;若存在超过一个分类器标记为正例,则考虑预测置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228137.9A CN113919434A (zh) | 2021-10-21 | 2021-10-21 | 基于多任务支持向量机的液压系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228137.9A CN113919434A (zh) | 2021-10-21 | 2021-10-21 | 基于多任务支持向量机的液压系统故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919434A true CN113919434A (zh) | 2022-01-11 |
Family
ID=79242133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111228137.9A Pending CN113919434A (zh) | 2021-10-21 | 2021-10-21 | 基于多任务支持向量机的液压系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919434A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509971A (zh) * | 2022-01-20 | 2022-05-17 | 中国计量大学 | 一种基于svm油压状态识别的液压棘轮扳手自动判停方法 |
-
2021
- 2021-10-21 CN CN202111228137.9A patent/CN113919434A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509971A (zh) * | 2022-01-20 | 2022-05-17 | 中国计量大学 | 一种基于svm油压状态识别的液压棘轮扳手自动判停方法 |
CN114509971B (zh) * | 2022-01-20 | 2023-09-29 | 中国计量大学 | 一种基于svm油压状态识别的液压棘轮扳手自动判停方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iqbal et al. | Fault detection and isolation in industrial processes using deep learning approaches | |
US11340154B2 (en) | Computer program product for optimal sensor selection and fusion for heat exchanger fouling diagnosis in aerospace systems | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Habib et al. | Complex building’s energy system operation patterns analysis using bag of words representation with hierarchical clustering | |
CN102112933B (zh) | 异常检测方法及系统 | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
Hallaji et al. | Predictive maintenance of pumps in civil infrastructure: State-of-the-art, challenges and future directions | |
CN112633339A (zh) | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 | |
Xue et al. | PADRE: Physically-aware diagnostic resolution enhancement | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
WO2021220358A1 (ja) | 異常診断方法、異常診断装置および異常診断プログラム | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Moradi et al. | Intelligent health indicator construction for prognostics of composite structures utilizing a semi-supervised deep neural network and SHM data | |
Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
CN111474475A (zh) | 一种电机故障诊断系统及方法 | |
CN109359668A (zh) | 一种航空发动机多故障并发诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
Barontini et al. | Deterministically generated negative selection algorithm for damage detection in civil engineering systems | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN113919434A (zh) | 基于多任务支持向量机的液压系统故障诊断方法及系统 | |
Zhang et al. | Evaluate the impact of sensor accuracy on model performance in data-driven building fault detection and diagnostics using Monte Carlo simulation | |
Yu et al. | Diagnosis-assisted adaptive test | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN113884300A (zh) | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
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 |