CN114705430B - 一种滚动轴承故障监测方法、装置、设备及存储介质 - Google Patents
一种滚动轴承故障监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114705430B CN114705430B CN202210394860.2A CN202210394860A CN114705430B CN 114705430 B CN114705430 B CN 114705430B CN 202210394860 A CN202210394860 A CN 202210394860A CN 114705430 B CN114705430 B CN 114705430B
- Authority
- CN
- China
- Prior art keywords
- early warning
- time
- parameter
- factor ratio
- rolling bearing
- 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承故障监测方法、装置、设备及存储介质,所述方法包括:获取滚动轴承的历史振动数据;根据预先建立的峰值因子比公式对所述历史振动数据进行计算,得到历史峰值因子比数据;根据所述历史峰值因子比数据,确定故障预警值;通过峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;当监测到所述实时峰值因子比数据大于故障预警值时,执行滚动轴承的故障预警。采用本发明实施例能够降低人为或偶然的冲击,减少滚动轴承故障误预警的情况,提高滚动轴承故障监测的准确性。
Description
技术领域
本发明涉及机械故障诊断与监测技术领域,尤其涉及一种滚动轴承故障监测方法、装置、终端设备及计算机可读存储介质。
背景技术
滚动轴承被称为“工业的关节”,在航空航天、风力发电、加工制造等诸多工业场景广泛使用,其健康状态对机械装备安全服役性能起着十分重要的作用。据相关统计,旋转机械的失效案例中,其中45%~55%是由于滚动轴承的失效而导致的,因此对轴承执行监测是很有必要的。
现有的基于有量纲指标对滚动轴承进行监测的方法,在实际运用中,由于有量纲指标对故障特征敏感,其数值会随着故障的发展而上升,极易受到负载、转速等工作条件的干扰,当系统突然受到人为或偶然冲击的时候,就会使得这时间段测量到的时域指标发生明显的变化,有可能会超出设置的预警值,导致系统出现误预警的情况。
发明内容
本发明实施例提供一种滚动轴承故障监测方法、装置、终端设备以及计算机可读存储介质,能够降低人为或偶然的冲击,减少滚动轴承故障误预警的情况,提高滚动轴承故障监测的准确性。
本发明实施例提供了一种滚动轴承故障监测方法,包括:
获取滚动轴承的历史振动数据;
根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
根据所述历史峰值因子比数据,确定故障预警值;
通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
作为上述方案的改进,所述峰值因子比公式,具体为:
其中,x1为第一参数,x2为第二参数,x3为第三参数,H(x1,x2,x3)为t时刻的峰值因子比,F(x1)为振动数据t到t1时刻包含的x1个采样周期的峰值因子平均值,F(x2,x3)为振动数据从t时刻偏移x2个采样周期到t2时刻后,t2到t3时刻包含的x3个采样周期的峰值因子平均值,x1+n≤x2,n≥1,x1≤x3。
作为上述方案的改进,在通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理之前,所述滚动轴承故障监测方法还包括:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
作为上述方案的改进,所述预设的均方根预警值为4.5mm/s。
相应地,本发明另一实施例提供一种滚动轴承故障监测装置,包括:
数据获取模块,用于获取滚动轴承的历史振动数据;
历史数据处理模块,用于根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
预警值选取模块,用于根据所述历史峰值因子比数据,确定故障预警值;
实时数据处理模块,用于通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
故障预警模块,用于当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
作为上述方案的改进,在所述历史数据处理模块和所述实时数据处理模块中,所述峰值因子比公式,具体为:
其中,x1为第一参数,x2为第二参数,x3为第三参数,H(x1,x2,x3)为t时刻的峰值因子比,F1(x1)为振动数据t到t1时刻包含的x1个采样周期的峰值因子平均值,F2(x2,x3)为振动数据从t时刻偏移x2个采样周期到t2时刻后,t2到t3时刻包含的x3个采样周期的峰值因子平均值,x1+n≤x2,n≥1,x1≤x3。
作为上述方案的改进,所述滚动轴承故障监测装置还包括:参数动态更新模块;
其中,所述参数动态更新模块,具体用于:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
作为上述方案的改进,所述参数动态更新模块中所述预设的均方根预警值为4.5mm/s。
本发明另一实施例提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的滚动轴承故障监测方法。
本发明另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的滚动轴承故障监测方法。
与现有技术相比,本发明实施例公开的滚动轴承故障监测方法、装置、设备及计算机可读存储介质,首先,获取滚动轴承的历史振动数据;其次,根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;然后,根据所述历史峰值因子比数据,确定故障预警值;最后,通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。本发明通过峰值因子比公式将传统的峰值因子以比值的形式,转化成对振动监测信号扰动不敏感的无量纲指标,能够有效避免现有的基于均方根值等有量纲指标对滚动轴承进行监测时,容易受到人为或偶然冲击等扰动的问题,从而降低人为或偶然的冲击,减少滚动轴承故障误预警的情况,提高滚动轴承故障监测的准确性。
附图说明
图1是本发明实施例提供的一种滚动轴承故障监测方法的流程示意图;
图2是本发明实施例提供的一种振动信号的采样示意图;
图3是本发明实施例提供的一种峰值因子比公式的峰值因子比示意图;
图4是本发明实施例提供的一种均方根振动速度区域边界A/B、B/C和C/D的典型范围示意表;
图5是本发明实施例提供的一种Bearing1_3均方根振动速度图;
图6是本发明实施例提供的一种Bearing2_3均方根振动速度图;
图7是本发明实施例提供的一种Bearing3_3均方根振动速度图;
图8是本发明实施例提供的一种Bearing1_3峰值因子比的折线图;
图9是本发明实施例提供的一种Bearing1_4峰值因子比的折线图;
图10是本发明实施例提供的一种Bearing2_2峰值因子比的折线图;
图11是本发明实施例提供的一种Bearing3_4峰值因子比的折线图;
图12是本发明实施例提供的一种滚动轴承故障监测装置的结构示意图;
图13是本发明实施例提供的一种终端设备的结构示意图。
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执行清楚、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作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。
参见图1,图1是本发明实施例提供的一种滚动轴承故障监测方法的流程示意图。
本发明实施例提供的滚动轴承故障监测方法,包括步骤:
S11、获取滚动轴承的历史振动数据;
S12、根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
S13、根据所述历史峰值因子比数据,确定故障预警值;
S14、通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
S15、当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
需要说明的是,所述历史振动数据、所述实时振动数据、所述历史峰值因子比数据、所述实时峰值因子比数据均为时间序列数据。此外,在本实施例中,振动数据包括但不限于振动加速度、速度、位移等数据。
优选地,所述历史振动数据为历史水平振动加速度数据,所述实时振动数据为实时水平振动加速度数据。
作为其中一个可选的实施例,所述峰值因子比公式,具体为:
其中,x1为第一参数,x2为第二参数,x3为第三参数,H(x1,x2,x3)为t时刻的峰值因子比,F1(x1)为振动数据t到t1时刻包含的x1个采样周期的峰值因子平均值,F2(x2,x3)为振动数据从t时刻偏移x2个采样周期到t2时刻后,t2到t3时刻包含的x3个采样周期的峰值因子平均值,x1+n≤x2,n≥1,x1≤x3。
优选地,所述采样周期为1min。
参见图2和图3,以采样间隔为1min,采样时长为1.28s为例,则每1min进行一次采样,采样周期为1min,因此,x1=t-t1,x2=t-t2,x3=t2-t3,F1(x1)即以当前时刻t为起点,往后计算x1个采样周期的峰值因子的平均值,F2(x2,x3)即以当前时刻t为起点,往后偏移x2个采样周期后,以t2为起点,往后的x3个采样周期的峰值因子的平均值。
具体地,根据以下公式计算峰值因子:
其中,F(x)为峰值因子,x(n)为采样周期内振动数据的数据点的值,N为采样周期内数据点的总数。
可以理解,当对历史振动数据进行处理时,则峰值因子比公式和峰值因子的计算公式中,所述振动数据为历史振动数据;当对实时振动数据进行处理时,则峰值因子比公式和峰值因子的计算公式中,所述振动数据为实时振动数据。
需要说明的是,在现有的监测过程中,主要是根据国标《机器状态监测与诊断》中的《GBT 6075.1-2012机械振动在非旋转部件上测量评价机器的振动第1部分总则》来设置均方根值,当均方根值超过某个设定的均方根预警值时,才对其进行故障预警处理。基于国标设定的均方根预警值可靠性不强、准确性低,在实际生产过程中会留下很大的隐患。因此,针对基于均方根值等有量纲指标对滚动轴承进行监测,有时候会出现误预警的缺点,本实施例对传统的峰值因子进行偏移、异周期化和比值化的处理,构建出新的无量纲指标(峰值因子比),从而可以抑制人为干扰和偶然冲击所导致的错误预警,有效地增强轴承故障监测能力。
优选地,所述步骤S14,包括:
以时间为横坐标,历史峰值因子比数据为纵坐标,绘制峰值因子比折线图;
根据所述峰值因子比折线图,确定用于判断所述滚动轴承是否处于正常运行状态的第一预警值,并将所述第一预警值作为故障预警值;
或,根据所述峰值因子比折线图,确定用于判断所述滚动轴承是否发生扰动的第二预警值,并将所述第二预警值作为故障预警值;其中,所述第二预警值大于第一预警值。
需要说明的是,通过绘制的峰值因子比折线图,能够确定滚动轴承在正常运行过程,不会超过的峰值因子比,如:在峰值因子比处于1.1以下时,滚动轴承处于正常运行状态,则设置所述第一预警值为1.1。但是,考虑在滚动轴承的现实生产过程中,可能会存在偶然冲击或者人为干扰的情况,可以将所述第一预警值进一步增大,得到第二预警值。需要说明,通常情况下,所述第二预警值不能超过第一预警值0.5。优选地,所述第二预警值大于所述第一预警值[0.1-0.5]。
可选地,在步骤S13中,所述峰值因子比公式的所述第一参数的数值、所述第二参数的数值、所述第三参数的数值分别为第一初始值、第二初始值、第三初始值。需要说明,所述第一初始值、第二初始值、第三初始值可以根据实际需求进行设定。
在一些更优的实施例中,在步骤S13之后,步骤S14之前,所述滚动轴承故障监测方法还包括:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
优选地,在迭代更新N次所述动态监测指标的数值之前,对所述动态监测指标的数值进行初始化。
具体地,所述对所述动态监测指标的数值进行初始化,具体为:
分别设置所述第一参数的数值、所述第二参数的数值、所述第三参数的数值为第一初始值、第二初始值、第三初始值。
优选地,所述第一初始值为2,所述第二初始值为3,所述第三初始值为5。
需要说明,在迭代更新N次所述动态监测指标的数值的过程中,所述第一参数x1的数值、所述第二参数x2的数值、所述第三参数x3的数值始终满足以下条件:x1+n≤x2,n≥1,x1≤x3;此外,每组所述测试峰值因子比数据与每组动态监测指标的数值一一对应。
优选地,N为12。
在一个具体地实施方式中,所述历史振动数据包括历史振动加速度数据;则所述第二预警时间根据以下方式确定:
通过频域积分方法对所述历史振动数据中的历史振动加速度数据进行积分计算,得到均方根振动速度数据;
基于预设的均方根预警值,确定所述均方根振动速度数据对应的第二预警时间。
优选地,所述防误报预警条件为所述预警提前时间位于预设范围内。
值得说明的是,所述预设范围需要根据实际操作过程中的数据进行设定,在此不做具体限定。可以理解,所述第一预警时间提前过早,或者提前过晚,则都不能很好地抑制人为干扰或偶然冲击,容易出现误报预警情况,起不到提前预警的效果。因此,所述预警提前时间应该落入合适的范围。除上述提到的防误报预警条件以外,还可以比较每组动态监测指标的数值对应的第一预警时间和实际滚动轴承出现故障的时间,根据二者的时间差选取合适的第一参数、第二参数和第三参数,以满足滚动轴承故障预警的需求,又能够防止误报预警情况的发生。
可选地,所述预设的均方根预警值为4.5mm/s。
值得说明的是,所述预设的均方根预警值是根据《GBT 6075.1-2012机械振动在非旋转部件上测量评价机器的振动第1部分总则》及其附录2设置区域边界值的资料性指南所设置的,参见附图2,结合评价区域和区域边界,设置均方根振动速度的均方根预警值H0为区域边界C中的偏小值,H0=4.5(均方根振动速度越小则表示预警时间越早)。此外,需要说明,在实际的操作过程中,可根据设备工况、使用年限、可靠性等因素对均方根预警值进行调整,均方根预警值为4.5mm/s仅是本发明的一种可选的实施方式。
需要说明的是,迭代更新的次数和迭代更新的过程可以根据实际需求进行设置,在此不做具体限定。迭代更新所述动态监测指标的数值的过程,可以先保持两个参数的数值不变,如:第一参数和第二参数的数值保持为2和3,从数值5开始依次迭代更新第三参数的数值为10、15;当第三参数的数值更新为15时,则调整第三参数的数值为5,第一参数和第二参数的数值加1,将所述第一参数和第二参数的数值更新为3和4,继续依次更新第三参数的数值为10、15,以此类推,直到得到12组参数数据。此外,还可以保持第三参数的数值为5不变,同时迭代更新第一参数和第二参数的数值,将第一参数和第二参数的数值从2和3依次更新为:3和4、4和5、5和6;然后,再更新第三参数的数值为10,初始化第一参数和第二参数的数值为2和3,再将第一参数和第二参数的数值从2和3依次更新为:3和4、4和5、5和6,以此类推,直到得到12组参数数据。需要说明,上述两种迭代更新方法仅仅是示例性的,在实际操作过程中,可以根据实际需求设定,在此不做具体限定。
示例性地,动态调整所述峰值因子比公式的第一参数、第二参数、第三参数的数值的具体过程如下:
分别设置所述峰值因子比公式的第一参数的数值为2,第二参数的数值为3,第三参数的数值为5;迭代执行12次参数优化操作,得到多组训练数据;基于多组所述训练数据中记录的预警提前时间,从多组所述训练数据中选取一组满足防误报预警条件的训练数据,根据该组所述训练数据记录的第一参数的数值、第二参数的数值和第三参数的数值,调整所述峰值因子比公式的第一参数的数值、第二参数的数值和第三参数的数值;
参数优化操作:通过当前动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到测试峰值因子比数据;基于所述故障预警值,确定当前所述测试峰值因子比数据对应的第一预警时间;计算基于所述历史振动数据和预设的均方根预警值确定的第二预警时间与所述第一预警时间的差值,作为当前所述动态监测指标数值对应的预警提前时间;记录当前所述峰值因子比公式的动态监测指标的数值和对应的预警提前时间,作为一组训练数据;判断当前所述动态监测指标中的第三参数的数值是否为15,若否,则所述第三参数的数值加上5;若是,则所述第一参数的数值和所述第二参数的数值加上1,所述第三参数的数值初始化为5。
需要说明的是,在实际操作过程中,所获取的历史振动数据包含多组测试滚动轴承的历史振动数据,可以根据测试滚动轴承的工况和故障类型,按照预设的比例,将所获取的历史振动数据划分为训练集和测试集。需要说明,优选地,在训练集/测试集中,每组测试滚动轴承的工况不同且故障类型不同。根据训练集确定故障预警值和调整峰值因子比公式的动态监测指标的数值,通过测试集测试所确定的故障预警值和动态监测指标的数值是否合适,若不合适,可以适当调大/调小故障预警值,并继续迭代更新所述动态监测指标的数值,重新选取合适的动态监测指标的数值,以更新峰值因子比公式中第一参数、第二参数和第三参数的数值。
下面以振动数据为水平振动加速度数据为例,通过一个具体实施例对本实施例所提供的滚动轴承故障监测方法进行说明:
1、获取滚动轴承的公开数据集——XJTU-SY滚动轴承加速寿命试验数据集(下载地址:https://biaowang.tech/xjtu-sy-bearing-datasets/),该数据集是西安交通大学机械工程学院雷亚国教授团队联合浙江长兴昇阳科技有限公司发布的。数据集(XJTU-SY_Bearing_Datasets.zip)中包含了15个滚动体轴承的运行到故障数据,其采样频率为25.6kHz,采样间隔为1min,每次采样时长为1.28s。对于每次采样,获取的数据被保存为CSV文件,其中第一列是水平振动加速度数据,第二列是垂直振动加速度数据。参见表1,表1中列出了每个测试轴承的详细信息。
表1 XJTU-SY轴承数据集信息一览表
2、参见表1,根据不同工况和不同故障类型选取数据集中的六个典型轴承数据集样本,将数据集中的轴承Bearing1_3、Bearing2_3和Bearing3_3的第一列水平振动加速度数据划分为训练集,轴承Bearing1_4、Bearing2_2和Bearing3_4的第一列水平振动加速度数据划分为测试集。通过频域积分方法将训练集和测试集中的水平振动加速度数据转换为均方根振动加速度数据,绘制出若干个典型轴承的均方根振动速度的图形。参见图5-图7,是本发明实施例提供的一种Bearing1_3、Bearing2_3、Bearing3_3的均方根振动速度图;其中,图中的均方根值即均方根振动速度。
3、根据峰值因子比公式,对训练集的数据进行计算,并根据计算结果绘制出图形。假设所述峰值因子比公式的第一参数x1=2,第二参数x2=3,第三参数x3=5,对轴承Bearing1_3数据,绘制出峰值因子比的图形,参见图8可知,滚动轴承正常运行时峰值因子比的比值不会超过1.1,因此可设置第一个预警值H1=1.1,考虑偶然冲击或者人为干扰情况,可以将H1值进一步增大,将第二个预警值设置为H2=1.2。当监测指标的数值超过第一预警值H1或第二预警值H2的时候,对其进行预警处理。
4、在上述峰值因子比公式中,不同监测指标参数(H、x1、x2、x3),会导致预警时间提前或滞后,因此,需要对监测指标参数进行优化处理。通过多次循环比较的方法对上述监测指标参数进行优化,并与均方根预警值H0的预警时间进行比较,在训练集中训练,将优化后的一组监测指标参数(H、x1、x2、x3)作为后续测试集的监测指标参数,进而验证方法的可行性。
示例性的,经过多次循环比较的方法得到以下不同轴承数据为不同监测指标参数下的训练结果;其中,预警提前时间T1=(H0的预警时间-H1的预警时间),预警提前时间T2=(H0的预警时间-H2的预警时间)。
表2轴承Bearing1_3数据的训练结果
表3轴承Bearing2_3数据的训练结果
表4轴承Bearing3_3数据的训练结果
根据表2、表3、表4可以得出以下结论:
(1)随着第一参数x1的增大,监测指标参数下的预警时间呈现增大的趋势,并且当第一参数x1=2时,并不能很好的抑制人为干扰或偶然冲击,出现了预警时间非常早的误报情况,起不到提前预警的效果。
(2)因为有第二参数x2的偏移存在(x2>x1),使得峰值因子比公式中分子的短周期信号和分母的长周期信号不重叠,但随着第三参数x3的增大,监测指标参数下的预警时间呈现增大的趋势。因此,第三参数的值不能取得过大。
(3)考虑到滚动轴承的工作现场,可能会出现受人为干扰和偶然冲击的情况,则需要增加监测指标参数的故障预警值H。因此,在这里选择出两组监测指标参数,第一组为:H1=1.1、x1=3、x2=4、x3=10;第二组为:H2=1.2、x1=3、x2=4、x3=10。
5、根据峰值因子比公式对测试集的数据进行计算,根据计算结果绘制出轴承Bearing1_4峰值因子比、轴承Bearing2_2峰值因子比以及轴承Bearing3_4峰值因子比的图形。根据步骤4的两组监测指标参数,对测试集进行计算,通过对三个不同故障测试集的样本进行测试,得到表5和表6测试集的测试结果。根据两组测试结果证明:根据峰值因子比进行滚动轴承故障监测的监测方法,比国标中根据均方根振动速度和均方根预警值进行故障监测的预警时间均提前38分钟以上,验证了本发明将峰值因子比作为监测指标的可行性和科学性。
参见表5和表6,以及图9到图11的测试结果可得,第一组监测指标参数的已经满足滚动轴承的监测,并且提前时间更好;因此,选择第一组监测指标参数作为,即:H1=1.1、x1=3、x2=4、x3=10。
表5 H=1.1测试集的测试结果
表6 H=1.2测试集的测试结果
6、根据上述训练和测试得到的监测指标参数H1=1.1、x1=3、x2=4、x3=10,对生产过程中的滚动轴承进行实时在线监测。在实时在线监测过程中,如果存在误报的情况,则通过选择误报的数据,重新经过上述步骤,增大故障预警值H或对峰值因子比公式中的第一参数、第二参数和第三参数的数值进行循环优化,最终实现滚动轴承的实时在线监测与监测指标参数(H、x1、x2、x3)的动态更新。
值得说明的,针对有量纲指标对轴承进行监测,容易波动较大,不如无量纲指标更稳定的缺点,本发明根据峰值因子比公式对传统的峰值因子进行偏移化、异周期化和比值化的处理后,构建了一个新的无量纲指标:峰值因子比。本发明将峰值因子比作为监测指标,通过比值化的方式,能够更好地选取预警值,以降低人为或偶然的冲击,减少设备误报的情况,提高了故障监测的准确性。此外,针对有量纲指标对滚动轴承进行监测,可靠性不强的缺点。本发明在构建指标过程中,通过偏移化和异周期化处理,使得峰值因子比公式中的分子的短周期信号和分母的长周期信号之间不存在重叠的情况,有效地增强轴承故障监测能力,使其监测更加可靠。不仅如此,针对有量纲指标对轴承进行监测时,预警值为固定的缺点,本发明的监测指标参数可以动态更新,并且通过设定不同的监测指标参数,对不同工况下的轴承数据进行了测试,预警时间比国标中的对均方根振动速度进行监测的预警时间提前了38分钟以上,取得了良好的效果。
参见图12,是本发明实施例提供的一种滚动轴承故障监测装置的结构示意图。
本发明实施例提供的滚动轴承故障监测装置,包括:
数据获取模块21,用于获取滚动轴承的历史振动数据;
历史数据处理模块22,用于根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
预警值选取模块23,用于根据所述历史峰值因子比数据,确定故障预警值;
实时数据处理模块24,用于通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
故障预警模块25,用于当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
作为其中一个可选的实施方式,在所述历史数据处理模块和所述实时数据处理模块中,所述峰值因子比公式,具体为:
其中,x1为第一参数,x2为第二参数,x3为第三参数,H(x1,x2,x3)为t时刻的峰值因子比,F1(x1)为振动数据t到t1时刻包含的x1个采样周期的峰值因子平均值,F2(x2,x3)为振动数据从t时刻偏移x2个采样周期到t2时刻后,t2到t3时刻包含的x3个采样周期的峰值因子平均值,x1+n≤x2,n≥1,x1≤x3。
优选地,所述滚动轴承故障监测装置还包括:参数动态更新模块;
其中,所述参数动态更新模块,具体用于:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
进一步地,所述参数动态更新模块中所述预设的均方根预警值为4.5mm/s。
需要说明的是,本实施例的滚动轴承故障监测装置的各实施例的相关具体描述和有益效果可以参考上述的滚动轴承故障监测方法的各实施例的相关具体描述和有益效果,在此不再赘述。
参见图13,是本发明实施例提供的一种终端设备的结构示意图。
本发明实施例提供的一种终端设备,包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10执行所述计算机程序时实现如上述任一实施例所述的滚动轴承故障监测方法。
所述处理器10执行所述计算机程序时实现上述滚动轴承故障监测方法实施例中的步骤,例如图1所示的滚动轴承故障监测方法的所有步骤。或者,所述处理器10执行所述计算机程序时实现上述滚动轴承故障监测装置实施例中各模块/单元的功能,例如图12所示的滚动轴承故障监测装置的各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器10、存储器20。本领域技术人员可以理解,所述折线图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器20可用于存储所述计算机程序和/或模块,所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块,以及调用存储在存储器20内的数据,实现所述终端设备的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明另一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上方法实施例中任意一项所述的滚动轴承故障监测方法。
综上,本发明实施例所提供的一种滚动轴承故障监测方法、装置、终端设备及计算机可读存储介质,首先,获取滚动轴承的历史振动数据;其次,根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;然后,根据所述历史峰值因子比数据,确定故障预警值;最后,通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。本发明通过峰值因子比公式将传统的峰值因子以比值的形式,转化成对振动监测信号扰动不敏感的无量纲指标,能够有效避免现有的基于振动数据等有量纲指标对滚动轴承进行监测时,容易受到人为或偶然冲击等扰动的问题,从而降低人为或偶然的冲击,减少滚动轴承故障误预警的情况,提高滚动轴承故障监测的准确性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种滚动轴承故障监测方法,其特征在于,包括:
获取滚动轴承的历史振动数据;
根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
根据所述历史峰值因子比数据,确定故障预警值;
通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
3.如权利要求2所述的滚动轴承故障监测方法,其特征在于,在通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理之前,所述滚动轴承故障监测方法还包括:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
4.如权利要求3所述的滚动轴承故障监测方法,其特征在于,所述预设的均方根预警值为4.5mm/s。
5.一种滚动轴承故障监测装置,其特征在于,包括:
数据获取模块,用于获取滚动轴承的历史振动数据;
历史数据处理模块,用于根据预先建立的峰值因子比公式对所述历史振动数据进行处理,得到历史峰值因子比数据;其中,所述峰值因子比公式是基于振动数据t到t1时刻所有采样周期的峰值因子平均值,和t2到t3时刻所有采样周期的峰值因子平均值所构建的;t3<t2<t1<t;
预警值选取模块,用于根据所述历史峰值因子比数据,确定故障预警值;
实时数据处理模块,用于通过所述峰值因子比公式对所述滚动轴承的实时振动数据进行处理,得到实时峰值因子比数据;
故障预警模块,用于当监测到所述实时峰值因子比数据大于所述故障预警值时,执行滚动轴承的故障预警。
7.如权利要求6所述的滚动轴承故障监测装置,其特征在于,所述滚动轴承故障监测装置还包括:参数动态更新模块;
其中,所述参数动态更新模块,具体用于:
将所述峰值因子比公式中的第一参数、第二参数和第三参数,作为动态监测指标;
迭代更新N次所述动态监测指标的数值,基于不同动态监测指标数值下的峰值因子比公式对所述历史振动数据进行处理,得到多组测试峰值因子比数据;其中,N为正整数;
基于所述故障预警值,确定每组所述测试峰值因子比数据对应的第一预警时间;
计算第二预警时间与每个所述第一预警时间的差值,得到每组所述动态监测指标数值对应的预警提前时间;其中,所述第二预警时间是基于所述历史振动数据和预设的均方根预警值确定的;
比较每组所述动态监测指标数值对应的预警提前时间,选取一组满足防误报预警条件的所述动态监测指标的数值,以调整所述峰值因子比公式的第一参数、第二参数和第三参数的数值。
8.如权利要求7所述的滚动轴承故障监测装置,其特征在于,所述参数动态更新模块中所述预设的均方根预警值为4.5mm/s。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的滚动轴承故障监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的滚动轴承故障监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394860.2A CN114705430B (zh) | 2022-04-15 | 2022-04-15 | 一种滚动轴承故障监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394860.2A CN114705430B (zh) | 2022-04-15 | 2022-04-15 | 一种滚动轴承故障监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114705430A CN114705430A (zh) | 2022-07-05 |
CN114705430B true CN114705430B (zh) | 2022-09-20 |
Family
ID=82175551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394860.2A Active CN114705430B (zh) | 2022-04-15 | 2022-04-15 | 一种滚动轴承故障监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114705430B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205175690U (zh) * | 2015-10-13 | 2016-04-20 | 哈尔滨理工大学 | 基于dsp的风力发电机组在线故障诊断系统 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN108414229A (zh) * | 2018-05-04 | 2018-08-17 | 上海大学 | 一种自动型深沟球轴承磨损寿命试验机 |
CN109916627A (zh) * | 2019-03-27 | 2019-06-21 | 西南石油大学 | 基于主动学习的轴承故障检测与诊断 |
JP2020056801A (ja) * | 2020-01-10 | 2020-04-09 | 中国電力株式会社 | 計測診断装置、及び計測診断方法 |
CN111832827A (zh) * | 2020-07-16 | 2020-10-27 | 国网北京市电力公司 | 一种配网故障预警方法、装置、可读介质及电子设备 |
CN112320599A (zh) * | 2020-10-23 | 2021-02-05 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及系统 |
CN113418705A (zh) * | 2021-07-23 | 2021-09-21 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
-
2022
- 2022-04-15 CN CN202210394860.2A patent/CN114705430B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205175690U (zh) * | 2015-10-13 | 2016-04-20 | 哈尔滨理工大学 | 基于dsp的风力发电机组在线故障诊断系统 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN108414229A (zh) * | 2018-05-04 | 2018-08-17 | 上海大学 | 一种自动型深沟球轴承磨损寿命试验机 |
CN109916627A (zh) * | 2019-03-27 | 2019-06-21 | 西南石油大学 | 基于主动学习的轴承故障检测与诊断 |
JP2020056801A (ja) * | 2020-01-10 | 2020-04-09 | 中国電力株式会社 | 計測診断装置、及び計測診断方法 |
CN111832827A (zh) * | 2020-07-16 | 2020-10-27 | 国网北京市电力公司 | 一种配网故障预警方法、装置、可读介质及电子设备 |
CN112320599A (zh) * | 2020-10-23 | 2021-02-05 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及系统 |
CN113418705A (zh) * | 2021-07-23 | 2021-09-21 | 燕山大学 | 一种滚动轴承早期故障诊断方法 |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114705430A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871190B (zh) | 一种业务指标监控方法及装置 | |
CN105095747B (zh) | 一种Java应用健康度评估方法及系统 | |
CA3162702A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
EP3431952A1 (en) | Condition monitoring system and wind power generation device | |
CN112783101A (zh) | 存储器、危险化学品罐区安全风险预警方法、设备和装置 | |
CN109973301B (zh) | 在极端湍流风况下控制风力发电机组变桨的方法和装置 | |
CN104778111A (zh) | 一种进行报警的方法和装置 | |
US10890507B2 (en) | State monitoring method and state monitoring apparatus | |
CN112188531A (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN108984376B (zh) | 一种系统异常检测方法、装置及设备 | |
EP3788328B1 (en) | System and process for pattern matching bearing vibration diagnostics | |
US20150241304A1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
CN111126631A (zh) | 网络健康判定方法及装置 | |
CN107944721B (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
CN112130892A (zh) | 产品灰度发布方法、装置、设备及存储介质 | |
CN110633893A (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
CN106603299B (zh) | 一种服务健康指数的生成方法及装置 | |
CN112131081A (zh) | 一种故障报警参数调整方法、装置、电子设备及存储介质 | |
CN114705430B (zh) | 一种滚动轴承故障监测方法、装置、设备及存储介质 | |
CN116777121B (zh) | 基于大数据的非法用电的稽查方法、存储介质及电子设备 | |
CN113505042A (zh) | 服务器内存动态监控方法、装置、设备及存储介质 | |
CN116738372B (zh) | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 | |
CN108874648A (zh) | 一种阈值设置方法及相关装置 | |
CN112283882A (zh) | 采样值的获取方法和装置、空调 | |
CN116681307A (zh) | 基于多端融合反馈的河道四乱监管追溯显示方法及系统 |
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 |