CN114417924A - 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 - Google Patents
基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114417924A CN114417924A CN202210058796.0A CN202210058796A CN114417924A CN 114417924 A CN114417924 A CN 114417924A CN 202210058796 A CN202210058796 A CN 202210058796A CN 114417924 A CN114417924 A CN 114417924A
- Authority
- CN
- China
- Prior art keywords
- data
- mixed
- rolling bearing
- fault
- adjacency matrix
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims description 31
- 238000005096 rolling process Methods 0.000 title claims description 28
- 238000000034 method Methods 0.000 title claims description 24
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于数据混合特征的无向图邻接矩阵改进算法,建立一种能够对原始数据进行特征分析并进行数据分类的算法,本发明充分考虑在进行数据特征分析时的数据相关性问题,提出了针对数据关系建立基于数据混合特征的无向图邻接矩阵,首先提取峰值、峭度、脉冲、裕度四个无量纲参数和小波包能量作为特征向量,再分别求出每一维的特征向量中每个数据间的欧氏距离,并建立无向图邻接矩阵。用SVD算法对每维特征的邻接矩阵提取特征值向量,最后将提取后的向量输入到训练好的SVM模型中,即可准确诊断出不同故障类型。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法。
背景技术
随着现代科学技术的飞速发展与智能工业技术的迅速进步,当前制造业的机械设备日益呈现自动化、大型化、精密化和智能化,这不仅对机械设备关键部件的结构设计更加复杂,制造精度要求更高,还对机械设备中关键部件的安装和工作中的运行平稳性提出了更高的要求。滚动轴承是几乎所有类型的旋转机械的重要组成部分。滚动轴承作为机械设备中的关键部件,30%的机械故障是由轴承故障引起的。滚动轴承有助于机器平稳高速地旋转,减小摩擦,并能承载大量负载,是支撑旋转轴的关键部件。及时、准确地判断轴承的故障形式和故障发生位置,对提高机械设备安全性、可靠性和使用效率都有重要意义。
基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,主要通过选择和考察合适的信号动态分析指标,通过分析振动信号的混合时域特征,结合图论的相关算法分析数据特征间的相互联系,以此来对轴承故障进行诊断。
发明内容
本发明的目的是为了解决现有技术中存在现有分析数据特征方法对滚动轴承故障诊断结果精度不高的缺点,而提出的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法。
一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,包括以下步骤:
S1、滚动轴承的振动数据经过提取后,对滚动轴承振动信号的时域无量纲特征进行提取,包括峭度Cq、峰值Xp、脉冲因子Cf、裕度因子Ce,以及小波包分解的8维能量,其中,在对小波包能量提取时,采用小波包变换法通过对数据不断分解,同时选取分解后的低频部分和高频部分的能量特征。
S2、利用主成分分析法提取小波包分解能量中贡献度占95%的能量,经过分析,提取前5维的小波包能量,结合选取的4类时域无量纲多特征构成9维混合故障特征向量。
S3、分别计算每维混合故障特征向量中数据之间的欧氏距离,通过图论算法,使用计算出的数据间的欧式距离建立无向图模型,无向图模型通过邻接矩阵表示,利用奇异值分解法(SVD)对每维特征的邻接矩阵进行分解,提取每个邻接矩阵的奇异值作为分类器输入向量。
S4、使用支持向量机(SVM)作为故障分类器,建立故障分类规则,将经过奇异值分解处理的输入向量以一定比例分为训练集和测试集。利用训练集训练SVM模型,并设置合适的SVM分类器的惩罚因子和核参数,建立基于训练集的支持向量机(SVM)轴承故障诊断模型。
S5、将测试集作为输入,使用训练后的SVM模型进行故障分类,测试本算法训练的模型分类准确度,并输出结果。
优选的,根据振动信号时域特性对提取的振动数据进行分析,分别提取信号的峭度Cq、峰值Xp、脉冲因子Cf、裕度因子Ce进行数据多方面的无量纲特性分析。
优选的,将数据的无量纲时域信号和数据经过PCA算法提取的小波包能量组成为混合特征向量,实现对数据的多角度分析。
优选的,根据图论算法的理论核心,利用欧氏距离算法计算混合数据特征向量各数据之间的欧式距离,将数据作为点,将欧式距离作为边,无差别进行点对点连接,组合成为无向图,通过邻接矩阵的方式展现图形结构关系,从而对数据点之间的相关性进行分析。
优选的,使用奇异值算法计算无向图邻接矩阵的奇异值,作为分类器的输入数据特征向量。
优选的,使用SVM算法建立故障诊断模型,建立故障分类规则,实现通过数据特征向量的输入对滚动轴承的故障信号进行有效地分析与诊断。
本发明的有益效果
1、在对数据进行特征提取时,选取了多个时域特性无量纲指标和小波包分解能量组成数据混合特征。无量纲数据指标对早期故障较为敏感,受工作条件变化的影响较小,具有更好的数据分析效果。
2、小波包能量通过对数据进行小波包分解得到各分解频带信号,将各分解频带信号所携能量与信号总能量之比作为特征向量以表征设备的运行状态。信号经小波包分解后所得分解频带相互独立且无冗余。混合数据特征不仅能够表征数据的各项信息,表示数据的故障变化,还能够从多角度对数据进行故障分析,提升了数据故障诊断的精准性。
3、为了分析故障数据的变化,利用欧式距离算法计算每个数据之间的距离,不仅可以表示数据的变化,还可以表征数据之间的相关关系。结合数据点与欧氏距离建立数据的无向图结构,更能代表数据的特点,使故障分解更具全面性,进一步提升数据特征的精度。
4、对数据进行上述处理后,利用奇异值算法提取图结构的奇异值作为故障分类器的输入向量,既保留了原始数据的特性,又转变了数据形式,更适合分类器的输入。使用支持向量机(SVM)模型作为故障分类器,选择高斯核函数作为支持向量机的核函数,更适合当前的输入向量。利用选定好的不同类型故障数据对SVM模型进行训练,提高故障诊断结果的准确度,使分类结果更接近真实故障类型,并减小误差的存在。
附图说明
图1为基于k-means分类原则的PLS改进算法的流程图
图2为本发明运行过程流程图
具体实施方式
下面将结合本发明实施例中的附图,对本发明中涉及的方法更明白、更完整地描述。显然,下面描述中的实施例子,仅仅是本发明的一部分实施例子,而不是全部的实施例子。
实施例
针对现有利用数据特征进行滚动轴承故障诊断的问题,目前存在使用单一数据特征作为特征向量进行故障诊断精度不高,故障类型分类出现错分、漏分等缺点,基于此,提出一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法。
参照图1,一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,基于目前由于直接采用滚动轴承的振动数据作为输入向量进行故障诊断时,数据的特征不够明显,使模型精度受到影响。并且,当数据中存在异常数据时,会严重影响模型的准确度,并且该异常数据的诊断结果误差很大,影响操作人员对滚动轴承故障发生的判断,造成严重的损失。因此,建立一种可以利用分析数据混合特征的改进算法:
首先对采集的滚动轴承振动数据进行特征提取。在实际采集中,振动数据包含了很多有用的信息,这些信息都会对故障的精准诊断产生影响,使用没有经过特征提取的原始振动数据很难准确诊断出故障的类型,为了避免这类问题的发生,采用分析数据时域信号的方法,其中有量纲特征指标对于早期故障较为敏感,但会因工作条件的变化而变化,不能稳定的反映轴承状态,而且有量纲时域诊断参数其值在实际应用中很难进行区分。而无量纲指标对轴承故障较敏感,不易受周围环境的影响,因此提取数据时域信号的无量纲特征参数。在选择无量纲特征参数上选取了峭度Cq、峰值Xp、脉冲因子Cf、裕度因子Ce这四个参数,峭度对冲击信号特别敏感,特别适用于表面损伤类故障、尤其是早期故障的诊断;轴承故障时的峰值明显大于正常状态时的峰值;脉冲因子是用来检测信号中有无冲击的指标;裕度因子常用来检测机械设备的磨损状况。计算公式如下:
Xp=E(max|xi|)
它描述了信号值的变化范围的大小与平均幅值表示为了提取数据更多振动信号的更多数据特征,对振动数据使用haar小波包进行3层小波包分解,提取了数据的8维小波包能量,利用PCA主成分分析算法对8维小波包能量进行降维,按照95%的贡献度提取了前4维的小波包能量作为使用。将上述步骤提取到的4类数据混合参数与降维后的小波包能量进行结合,成为8维数据混合特征向量。
为了分析每一维数据之间的相关关系,使用欧式距离算法计算每一维中各个数据之间的欧氏距离,用来体现数据点之间的相似性,欧氏距离是最常见的用来衡量两组高维数据在空间上距离的方法,公式如下:
其中,X=[x1,x2,…,xn],Y=[y1,y2,…,yn]分别表示高维空间中的两组数据。
参照图2,图谱理论的基本思想是在图和矩阵之间建立对应的关系,通过矩阵的相关属性来研究图相关的问题。基于图论的方法是把聚类转换为一个组合优化问题并利用图论和相关的启发式算法来解决该问题,本发明利用图论算法的思想核心,将数据点看作图的顶点,欧氏距离看作图的连接边,这样可以将数据之间的相关关系用无向图的结构表示出来,更有利于故障特征的分析。表示数据之间相关关系的数据利用邻接矩阵的形式表示。为了方便输入,利用奇异值算法将邻接矩阵转换成向量的形式。
最后,经过上述步骤处理后的数据特征向量包含了大量的数据信息,用此去训练基于SVM(支持向量机)的故障诊断模型,实现对待测数据的定性分析和定量计算,以达到准确诊断出轴承故障类型的目的
表1.故障诊断不同类型诊断率
在上表1的测试结果中可以看出,利用本发明的方法诊断的轴承故障类型分为四类,其中,轴承的正常情况、内圈故障与外圈故障的诊断率均为100%,滚动体故障出现一个样本错分的情况,诊断准确率为99.54%。
以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以同等替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1:滚动轴承的振动数据经过提取后,对滚动轴承振动信号的时域无量纲特征进行提取,包括峭度Cq、峰值Xp、脉冲因子Cf、裕度因子Ce,以及小波包分解的8维能量,其中,在对小波包能量提取时,采用小波包变换法通过对数据不断分解,同时选取分解后的低频部分和高频部分的能量特征;
S2:利用主成分分析法提取小波包分解能量中贡献度占95%的能量,经过分析,提取前5维的小波包能量,结合选取的4类时域无量纲多特征构成9维混合故障特征向量;
S3:分别计算每维混合故障特征向量中数据之间的欧氏距离,通过图论算法,使用计算出的数据间的欧式距离建立无向图模型,无向图模型通过邻接矩阵表示,利用奇异值分解法对每维特征的邻接矩阵进行分解,提取每个邻接矩阵的奇异值作为分类器输入向量;
S4:使用支持向量机作为故障分类器,建立故障分类规则,将经过奇异值分解处理的输入向量以一定比例分为训练集和测试集,利用训练集训练SVM模型,并设置合适的SVM分类器的惩罚因子和核参数,建立基于训练集的支持向量机轴承故障诊断模型;
S5:将测试集作为输入,使用训练后的SVM模型进行故障分类,测试本算法训练的模型分类准确度,并输出结果。
2.根据权利要求1所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,其特征在于,S1、S2中,根据振动信号的时域特性建立滚动轴承时域信号无量纲特征,结合小波包分解能量建立数据混合特征向量。
3.根据权利要求1所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,其特征在于,S3中,利用欧氏距离,计算融合的混合数据特征之间的欧氏距离,分析数据之间的相关性关系,对数据间的相关性信息进行存储。
4.根据权利要求3所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,其特征在于,使用利用图论算法,对已经融合的混合数据特征建立无向图模型邻接矩阵,将数据间的相关关系利用无向图的图形结构存储相关信息,建立成为邻接矩阵的数据结构形式。
5.根据权利要求4所述的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法,其特征在于,通过训练支持向量机模型,建立故障分类准则,对混合特征向量进行故障诊断,对数据类型进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210058796.0A CN114417924B (zh) | 2022-01-17 | 2022-01-17 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210058796.0A CN114417924B (zh) | 2022-01-17 | 2022-01-17 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417924A true CN114417924A (zh) | 2022-04-29 |
CN114417924B CN114417924B (zh) | 2024-03-29 |
Family
ID=81273768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210058796.0A Active CN114417924B (zh) | 2022-01-17 | 2022-01-17 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417924B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828087A (zh) * | 2023-02-21 | 2023-03-21 | 山东大学 | 一种用于机械设备故障诊断的信号特征提取方法及系统 |
CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446283A (zh) * | 2008-12-17 | 2009-06-03 | 西安交通大学 | 一种基于进化计算诊断压缩机故障的方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
CN112613493A (zh) * | 2021-01-11 | 2021-04-06 | 桂林电子科技大学 | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 |
-
2022
- 2022-01-17 CN CN202210058796.0A patent/CN114417924B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446283A (zh) * | 2008-12-17 | 2009-06-03 | 西安交通大学 | 一种基于进化计算诊断压缩机故障的方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
CN112613493A (zh) * | 2021-01-11 | 2021-04-06 | 桂林电子科技大学 | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘波;宁芊;: "基于特征融合和KPCA_GA-SVM的滚动轴承故障诊断", 现代计算机(专业版), no. 11, 15 April 2019 (2019-04-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828087A (zh) * | 2023-02-21 | 2023-03-21 | 山东大学 | 一种用于机械设备故障诊断的信号特征提取方法及系统 |
CN116560895A (zh) * | 2023-07-10 | 2023-08-08 | 太原理工大学 | 用于机械装备的故障诊断方法 |
CN116560895B (zh) * | 2023-07-10 | 2023-09-12 | 太原理工大学 | 用于机械装备的故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114417924B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Incipient fault diagnosis of roller bearing using optimized wavelet transform based multi-speed vibration signatures | |
CN114417924A (zh) | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 | |
Magar et al. | FaultNet: A deep convolutional neural network for bearing fault classification | |
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN109834513B (zh) | 刀具状态检测系统及方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109947047B (zh) | 一种电主轴失衡故障诊断方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN113569990A (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
Geng et al. | Fault identification of rolling bearing with variable speed based on generalized broadband mode decomposition and distance evaluation technique | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN111442927A (zh) | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN106250937A (zh) | 一种基于非相似度指标的故障分类诊断方法 | |
CN113588266B (zh) | 一种故障语义空间内嵌的滚动轴承复合故障诊断方法 | |
CN114943258A (zh) | 基于dtw和小样本学习的故障诊断方法及系统 |
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 |