CN114781674B - 风电设备故障的定位方法及装置、存储介质、电子设备 - Google Patents
风电设备故障的定位方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN114781674B CN114781674B CN202210681725.6A CN202210681725A CN114781674B CN 114781674 B CN114781674 B CN 114781674B CN 202210681725 A CN202210681725 A CN 202210681725A CN 114781674 B CN114781674 B CN 114781674B
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- wind power
- decision tree
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 116
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种风电设备故障的定位方法及装置、存储介质、电子设备,其中,该方法包括:采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;根据所述故障决策树定位所述风电设备的故障部件。通过本发明,解决了相关技术在风机设备发生故障时无法定位故障部件的技术问题,在故障发生时直接找出具体的故障部件,提高了风电设备故障的定位精度和定位效率,降低了设备检修成本。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种风电设备故障的定位方法及装置、存储介质、电子设备。
背景技术
相关技术中,风电设备一般安装在山顶或者海洋上,检修的成本较高,风机故障维修成本也较高,上下塔就要耗费高额的成本,如何在故障发生时定位到故障部件则可以解决该问题。
相关技术中,风机发生故障,通过算法模型得到的结果只能知道发生了故障,也和黑盒子类似,不清晰背后因为什么原因导致,不能清楚定位到发生故障的具体原因和具体部件,只能通过拆机进行查看。
针对相关技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种风电设备故障的定位方法及装置、存储介质、电子设备。
根据本申请实施例的一个方面,提供了一种风电设备故障的定位方法,包括:采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;根据所述故障决策树定位所述风电设备的故障部件。
进一步,基于所述工作状态参数生成所述风电设备的故障决策树包括:将所述设备部件的工作状态参数转换为设备部件的特征值;基于所述特征值生成节点实例,其中,每个所述节点实例绑定一个设备部件;获取与所述风电设备匹配的决策树模型;在所述决策树模型的每个非叶子节点上配置匹配的节点实例,生成所述风电设备的故障决策树。
进一步,将所述设备部件的工作状态参数转换为设备部件的特征值包括:在确定所述风电设备在第一时间发生故障之后,针对所述风电设备待选的每个设备部件,获取在所述第一时间之前采集的若干组工作状态参数;针对每个设备部件,基于所述若干组工作状态参数计算所述设备部件的以下至少之一特征值:最大值,最小值,平均值,均方根值。
进一步,基于所述特征值生成节点实例包括:确定所述特征值的特征类;采用所述特征类创建特征对象,并在所述特征对象上绑定部件标识码,生成节点实例,其中,所述部件标识码用于标识对应的设备部件,所述节点实例携带所述特征类,所述特征值,所述部件标识码。
进一步,获取与所述风电设备匹配的决策树模型包括:在模型库中查找与所述风电设备的设备型号匹配的初始决策树模型;解析所述风电设备的故障日志,确定所述风电设备发生故障时的工作模式和环境参数;获取所述风电设备的部件清单,在所述部件清单中查找与所述工作模式和所述环境参数相关的关联部件;基于所述关联部件裁剪所述初始决策树模型,得到所述决策树模型。
进一步,根据所述故障决策树定位所述风电设备的故障部件包括:从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;统计所述故障决策树被执行决策操作次数最多的目标节点;解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件。
进一步,将所述叶子节点对应的故障类型定位为当前发生的目标故障类型包括:判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;若所述叶子节点的数量大于1,计算每条决策路径的节点数量;在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
根据本申请实施例的另一个方面,还提供了一种风电设备故障的定位装置,包括:采集模块,用于采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;生成模块,用于基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;定位模块,用于根据所述故障决策树定位所述风电设备的故障部件。
进一步,所述生成模块包括:转换单元,用于将所述设备部件的工作状态参数转换为设备部件的特征值;生成单元,用于基于所述特征值生成节点实例,其中,每个所述节点实例绑定一个设备部件;获取单元,用于获取与所述风电设备匹配的决策树模型;配置单元,用于在所述决策树模型的每个非叶子节点上配置匹配的节点实例,生成所述风电设备的故障决策树。
进一步,所述转换单元包括:获取子单元,用于在确定所述风电设备在第一时间发生故障之后,针对所述风电设备待选的每个设备部件,获取在所述第一时间之前采集的若干组工作状态参数;计算子单元,用于针对每个设备部件,基于所述若干组工作状态参数计算所述设备部件的以下至少之一特征值:最大值,最小值,平均值,均方根值。
进一步,所述生成单元包括:确定子单元,用于确定所述特征值的特征类;生成子单元,用于采用所述特征类创建特征对象,并在所述特征对象上绑定部件标识码,生成节点实例,其中,所述部件标识码用于标识对应的设备部件,所述节点实例携带所述特征类,所述特征值,所述部件标识码。
进一步,所述获取单元包括:查找单元,用于在模型库中查找与所述风电设备的设备型号匹配的初始决策树模型;确定单元,用于解析所述风电设备的故障日志,确定所述风电设备发生故障时的工作模式和环境参数;获取单元,用于获取所述风电设备的部件清单,在所述部件清单中查找与所述工作模式和所述环境参数相关的关联部件;裁剪单元,用于基于所述关联部件裁剪所述初始决策树模型,得到所述决策树模型。
进一步,所述定位模块包括:执行单元,用于从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;第一定位单元,用于将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;统计单元,用于统计所述故障决策树被执行决策操作次数最多的目标节点;第二定位单元,用于解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件。
进一步,所述第一定位单元包括:判断子单元,用于判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;计算子单元,用于若所述叶子节点的数量大于1,计算每条决策路径的节点数量;选择子单元,用于在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;定位子单元,用于将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的步骤。
根据本申请实施例的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法中的步骤。
通过本发明,采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件,基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型,根据所述故障决策树定位所述风电设备的故障部件,通过采用风电设备的设备部件的工作状态参数生成所述风电设备的故障决策树,可以在设备故障时通过故障决策树定位出故障部件,对设备发生故障的根本原因进行追踪,解决了相关技术在风机设备发生故障时无法定位故障部件的技术问题,在故障发生时直接找出具体的故障部件,提高了风电设备故障的定位精度和定位效率,降低了设备检修成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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。在附图中:
图1是本发明实施例的一种计算机的硬件结构框图;
图2是根据本发明实施例的一种风电设备故障的定位方法的流程图;
图3是本发明实施例中故障决策树的示意图;
图4是本发明实施例中定位故障的流程图;
图5是根据本发明实施例的一种风电设备故障的定位装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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、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。
实施例1
本申请实施例一所提供的方法实施例可以在服务器、计算机、故障检查仪器或者类似的运算装置中执行。以运行在计算机上为例,图1是本发明实施例的一种计算机的硬件结构框图。如图1所示,计算机10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机的结构造成限定。例如,计算机10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种风电设备故障的定位方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种风电设备故障的定位方法,图2是根据本发明实施例的一种风电设备故障的定位方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
风电设备在工作时,其设备部件也会工作,设备部件在工作状态时的物理参数为工作状态参数,如冷却部件的温度,动力部件的转速,频率,电路部件的电压,电流等。可选的,通过装配在设备部件上的传感器(如温度传感器,图像传感器,加速度传感器等)可以采集到设备部件的工作状态参数。
步骤S204,基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
可选的,故障决策树包括多级节点,根节点,父节点,子节点,子子节点,一直到叶子节点,除了叶子节点之外的其他节点又可以统称为非叶子节点。
步骤S206,根据所述故障决策树定位所述风电设备的故障部件。
通过上述步骤,采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件,基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型,根据所述故障决策树定位所述风电设备的故障部件,通过采用风电设备的设备部件的工作状态参数生成所述风电设备的故障决策树,可以在设备故障时通过故障决策树定位出故障部件,对设备发生故障的根本原因进行追踪,解决了相关技术在风机设备发生故障时无法定位故障部件的技术问题,在故障发生时直接找出具体的故障部件,提高了风电设备故障的定位精度和定位效率,降低了设备检修成本。
在本实施例的一个实施方式中,基于所述工作状态参数生成所述风电设备的故障决策树包括:
S11,将所述设备部件的工作状态参数转换为设备部件的特征值;
在一个示例中,将所述设备部件的工作状态参数转换为设备部件的特征值包括:在确定所述风电设备在第一时间发生故障之后,针对所述风电设备待选的每个设备部件,获取在所述第一时间之前采集的若干组工作状态参数;针对每个设备部件,基于所述若干组工作状态参数计算所述设备部件的以下至少之一特征值:最大值,最小值,平均值,均方根值。
在本实施例的算法模型中,最核心的基础数据是特征数据,在工业场景中,特征数据一般则是通过传感器获取到的原始数据,如本实施例中的工作状态参数,再进行一些特征工程的操作和预处理,如算出原始数据的“最大值”“平均值”“均方根值”等,这些经过转化后得到的是特征值。
在本实施例中,根据设备部件的部件类型进行相应的特征值转换,采用不同的特征工程进行处理,如,针对第一类型的设备部件,获取其在第一采样周期的最大值,针对第二类型的设备部件,获取其在第二采样周期的最小值等。
因为一个设备往往因为里面的部件引起的不知名的问题,在多个部件中,我们需要采用多个传感器来进行对设备监测,就需要对多个部件进行监测,所以需要用到多个部件经过转化的特征数据来表示整个设备的好与坏。
例如,温度的最大值特征持续上涨,呈现了异常上涨状态,那么就可以判断因为温度上升而导致的某个部件出现了问题,进而去推动解决。通常一个传感器可以监听多个部件,一个部件可以有多个特征值“最大值”“最小值”等这些经过处理的值。
S12,基于所述特征值生成节点实例,其中,每个所述节点实例绑定一个设备部件;
在一个示例中,基于所述特征值生成节点实例包括:确定所述特征值的特征类;采用所述特征类创建特征对象,并在所述特征对象上绑定部件标识码,生成节点实例,其中,所述部件标识码用于标识对应的设备部件,所述节点实例携带所述特征类,所述特征值,所述部件标识码。
本实施例对传感器和特征值进行关联,然后设备部件和特征值进行关联,每次关联对于后端代码来说都是不可重复的,即唯一的绑定关系,会生成独立的code标识码,然后通过故障问题,找到对应的特征值,然后再通过该特征标识,找到了具体的设备部件,每个设备部件设定的特征值都是唯一的。
例如,一个特征类是“最大值”“最小值”“平均值”等。那么在和部件绑定的过程中,我们对该类进行实例化,将每个具体类变为实例,实例则是根据类生成,会带上独特的标识,然后对每个部件绑定。设备部件和特征值绑定的过程,也是和类实例化绑定的过程。
S13,获取与所述风电设备匹配的决策树模型;
在本实施例的一些示例中,获取与所述风电设备匹配的决策树模型包括:在模型库中查找与所述风电设备的设备型号匹配的初始决策树模型;解析所述风电设备的故障日志,确定所述风电设备发生故障时的工作模式和环境参数;获取所述风电设备的部件清单,在所述部件清单中查找与所述工作模式和所述环境参数相关的关联部件;基于所述关联部件裁剪所述初始决策树模型,得到所述决策树模型。
可选的,风电设备在不同的工作模式下,其实际工作的设备部件可能不同,如风电设备运行在发电模式(风能转化为电能),储能模式,耗电模式(电能抓换为机械能)下,其实际运行的设备部件有可能是不同,对于环境参数,也会对决策树造成影响,在不同的环境参数下,风电设备的设备部件运行的情况也会产生差异,例如,在无风和大风的条件下,风向稳定和风向不稳定的条件下,在风叶上有异物和没有异物的情况下,实际运行的设备部件有可能是不同,有些设备部件在特定的工作模式和特定的外部环境下,处理休眠和静默状态,没有通电也不会产生故障,通过在初始决策树模型裁剪不关联的设备部件,留下关联部件,可以减少决策树模型的节点数量和决策次数,进而提高故障定位和故障部件定位的速度和效率,也可以减少非关联部件对决策结果的影响。
在另一个示例中,根据该风电设备的动力传导关系和设备部件的机械连接关系生成决策树模型,获取与所述风电设备匹配的决策树模型包括:解析所述风电设备的能源传导路径,确定各个设备部件的能源输入口和能源输出口,将所述能源传导路径确定为所述决策树模型的生长路径,其中,生成路径的根节点为风叶和蓄电池,能源可以是风能和电能;在另一方面,解析所述风电设备的零部件拆解图,确定各个零部件的机械连接关系或电连接关系,得到所述风电设备的部件连接路径,将所述部件连接路径确定为所述决策树模型的生长路径,其中,生成路径的根节点为设备外壳。
S14,在所述决策树模型的每个非叶子节点上配置匹配的节点实例,生成所述风电设备的故障决策树。
图3是本发明实施例中故障决策树的示意图,该故障决策树包括13个非叶子节点,其中有两个根节点,分别与特征1和特征13对应,4个与故障类型相关的叶子节点(与设备正常对应的叶子节点未示出)。
在本实施例的一个实施方式中,根据所述故障决策树定位所述风电设备的故障部件包括:
S21,从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;
S22,将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;
在一个示例中,将所述叶子节点对应的故障类型定位为当前发生的目标故障类型包括:判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;若所述叶子节点的数量大于1,计算每条决策路径的节点数量;在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
在决策路径较多时,有可能最后面决策出来的叶子节点不是同一个节点,在较复杂的故障类型有可能出现这种情况,在这种情况下,通过选择决策路径最短的一条路径作为故障定位路径,过滤掉节点回跳,循环决策的路径,因为在故障决策时,只有在故障原因不明确时,才需要基于较多的节点进行决策和辅助决策,所以路径较长的决策路径是错误的概率较大。例如,采用决策树角色某个人是男人还是女人,如果根节点是染色体结构,“XY”则直接决策是“男人”的叶子节点,“XX”则是“女人”的叶子节点;在另一条决策路径中,包括:衣服,头发,眼睛等决策节点,需要较长的决策路径才能决策出最终的结果,需要多个特征值进行辅助决策,并且存在决策错误的概率。
S23,统计所述故障决策树被执行决策操作次数最多的目标节点;
S24,解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件。
在本实施例中,故障决策树算法会有多个节点和多个叶子节点,通常每个叶子节点(最后一个节点)就会得出具体的故障内容,不同的叶子节点可能对应同一个故障类型或不同的故障类型。
首先获取原始数据,然后转化为特征值,进而将特征值入参,这时候决策树就会判断假如“温度>50度”那么就走下一个节点,“转速是否>最高转速”,最后判断最后的叶子节点,因为有很多部件,每个部件都可能走一次决策树,每个部件都会有相对应的特征值,假如都有温度,则温度异常这个节点则会走的次数最多。最后经过所有部件的特征计算,走到了最后的叶子结点,我们赋予最后节点一个意义“如轴承表面破损,导致表面进行摩擦,导致温度上升异常”。因为这个故障,发现走了温度异常这个决策树节点最多次,于是采用百分比计算方法,发现温度这个特征参与度最高,则表明该特征值影响的设备部件最多,影响度最大,很有可能是该特征值的异常导致了故障,通过上述特征值和部件的绑定后,就可以找到该特征关联的设备部件是什么,实现故障部件的定位。
图4是本发明实施例中定位故障的流程图,首先绑定特征和部件,然后计算特征影响度,最后在用户页面展示。
特征与风机部件绑定包括:通过设定传感器的特征值,对部件进行绑定。如轴承需要最高转速的特征,则可对其两者进行绑定;相关特征值通过人机交互界面,通过选择部件,进而对特征值进行绑定,将两者关系进行关联。
特征重要度计算包括:通过决策树的算法,将故障进行计算,通过每个节点最后算出具体的故障类型。每个决策树的节点则是设定的特征值,父节点-子节点-子子节点,可以扩充到叶子节点,如一个特征被执行的次数越多,则该特征的影响度越高。此时需要预留该执行决策节点的方法代码进行保留,如X1的特征被执行次数为5次,其余特征执行的3次或者2次,则5/总数=XX百分比,测算出每个特征的影响率,最后去除最大的特征影响进行排序展示。将特征影响率的排名信息存储在数据库中,提供给云端,再由APP和WEB进行调用和查看。
故障背后的特征与部件展示包括:发生了故障后,通过节点执行次数得到具体的特征影响度。此时经过一开始对部件和特征进行关联绑定,则可以将两者进行展示出来。通过APP或者网页,请求云端数据库内容,找到对应的数据表,通过图形进行展示,形象化展示,且不同的特征和部件在算法层面可给出具体的解决建议,提供具体解决思路,从而减少因为备品备件无法备齐的问题。
采用本实施例的方案,在风机设备发生故障后,可定位是因为什么特征影响的故障,影响该故障背后的部件是什么,进行精确定位,通过图形的描绘,将部件-特征进行关联展示
在算法调优过程中,往往一个数据集中往往有成百上千个特征,如何在其中选择比结果影响最大的那几个特征,本实施例通过精确定位部件和特征,可提前准备相关备品备件,减少重新定位对该特征背后的部件信息也会精确展示出来,清晰知道影响该特征背后部件情况。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种风电设备故障的定位装置,用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种风电设备故障的定位装置的结构框图,如图5所示,该装置包括:采集模块50,生成模块52,定位模块54,其中,
采集模块50,用于采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
生成模块52,用于基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
定位模块54,用于根据所述故障决策树定位所述风电设备的故障部件。
可选的,所述生成模块包括:转换单元,用于将所述设备部件的工作状态参数转换为设备部件的特征值;生成单元,用于基于所述特征值生成节点实例,其中,每个所述节点实例绑定一个设备部件;获取单元,用于获取与所述风电设备匹配的决策树模型;配置单元,用于在所述决策树模型的每个非叶子节点上配置匹配的节点实例,生成所述风电设备的故障决策树。
可选的,所述转换单元包括:获取子单元,用于在确定所述风电设备在第一时间发生故障之后,针对所述风电设备待选的每个设备部件,获取在所述第一时间之前采集的若干组工作状态参数;计算子单元,用于针对每个设备部件,基于所述若干组工作状态参数计算所述设备部件的以下至少之一特征值:最大值,最小值,平均值,均方根值。
可选的,所述生成单元包括:确定子单元,用于确定所述特征值的特征类;生成子单元,用于采用所述特征类创建特征对象,并在所述特征对象上绑定部件标识码,生成节点实例,其中,所述部件标识码用于标识对应的设备部件,所述节点实例携带所述特征类,所述特征值,所述部件标识码。
可选的,所述获取单元包括:查找单元,用于在模型库中查找与所述风电设备的设备型号匹配的初始决策树模型;确定单元,用于解析所述风电设备的故障日志,确定所述风电设备发生故障时的工作模式和环境参数;获取单元,用于获取所述风电设备的部件清单,在所述部件清单中查找与所述工作模式和所述环境参数相关的关联部件;裁剪单元,用于基于所述关联部件裁剪所述初始决策树模型,得到所述决策树模型。
可选的,所述定位模块包括:执行单元,用于从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;第一定位单元,用于将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;统计单元,用于统计所述故障决策树被执行决策操作次数最多的目标节点;第二定位单元,用于解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件。
可选的,所述第一定位单元包括:判断子单元,用于判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;计算子单元,用于若所述叶子节点的数量大于1,计算每条决策路径的节点数量;选择子单元,用于在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;定位子单元,用于将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
S2,基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
S3,根据所述故障决策树定位所述风电设备的故障部件。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
S2,基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
S3,根据所述故障决策树定位所述风电设备的故障部件。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,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。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种风电设备故障的定位方法,其特征在于,包括:
采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
根据所述故障决策树定位所述风电设备的故障部件;
其中,根据所述故障决策树定位所述风电设备的故障部件包括:从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;统计所述故障决策树被执行决策操作次数最多的目标节点;解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件;
其中,将所述叶子节点对应的故障类型定位为当前发生的目标故障类型包括:判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;若所述叶子节点的数量大于1,计算每条决策路径的节点数量;在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
2.根据权利要求1所述的方法,其特征在于,基于所述工作状态参数生成所述风电设备的故障决策树包括:
将所述设备部件的工作状态参数转换为设备部件的特征值;
基于所述特征值生成节点实例,其中,每个所述节点实例绑定一个设备部件;
获取与所述风电设备匹配的决策树模型;
在所述决策树模型的每个非叶子节点上配置匹配的节点实例,生成所述风电设备的故障决策树。
3.根据权利要求2所述的方法,其特征在于,将所述设备部件的工作状态参数转换为设备部件的特征值包括:
在确定所述风电设备在第一时间发生故障之后,针对所述风电设备待选的每个设备部件,获取在所述第一时间之前采集的若干组工作状态参数;
针对每个设备部件,基于所述若干组工作状态参数计算所述设备部件的以下至少之一特征值:最大值,最小值,平均值,均方根值。
4.根据权利要求2所述的方法,其特征在于,基于所述特征值生成节点实例包括:
确定所述特征值的特征类;
采用所述特征类创建特征对象,并在所述特征对象上绑定部件标识码,生成节点实例,其中,所述部件标识码用于标识对应的设备部件,所述节点实例携带所述特征类,所述特征值,所述部件标识码。
5.根据权利要求2所述的方法,其特征在于,获取与所述风电设备匹配的决策树模型包括:
在模型库中查找与所述风电设备的设备型号匹配的初始决策树模型;
解析所述风电设备的故障日志,确定所述风电设备发生故障时的工作模式和环境参数;
获取所述风电设备的部件清单,在所述部件清单中查找与所述工作模式和所述环境参数相关的关联部件;
基于所述关联部件裁剪所述初始决策树模型,得到所述决策树模型。
6.一种风电设备故障的定位装置,其特征在于,包括:
采集模块,用于采集风电设备的设备部件的工作状态参数,其中,所述风电设备包括多个设备部件;
生成模块,用于基于所述工作状态参数生成所述风电设备的故障决策树,其中,所述故障决策树包括叶子节点和非叶子节点,每个非叶子节点绑定一个特征值和一个设备部件,每个叶子节点对应一个故障类型;
定位模块,用于根据所述故障决策树定位所述风电设备的故障部件;
其中,所述定位模块包括:执行单元,用于从所述故障决策树的每个根节点开始,执行所述故障决策树,直到所述故障决策树的叶子节点;第一定位单元,用于将所述叶子节点对应的故障类型定位为当前发生的目标故障类型;统计单元,用于统计所述故障决策树被执行决策操作次数最多的目标节点;第二定位单元,用于解析与所述目标节点绑定的目标设备部件,并将所述目标设备部件定位为所述故障类型的故障部件;
其中,所述第一定位单元包括:判断子单元,用于判断所述叶子节点的数量是否大于1,其中,每个叶子节点对应一条决策路径;计算子单元,用于若所述叶子节点的数量大于1,计算每条决策路径的节点数量;选择子单元,用于在多条决策路径中选择节点数量最少的目标决策路径的目标叶子节点;定位子单元,用于将所述目标叶子节点对应的故障类型定位为当前发生的目标故障类型。
7.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,所述计算机程序运行时执行上述权利要求1至5中任一项所述的方法的步骤。
8.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:
存储器,用于存放计算机程序;
处理器,用于通过运行存储器上所存放的计算机程序来执行权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681725.6A CN114781674B (zh) | 2022-06-16 | 2022-06-16 | 风电设备故障的定位方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210681725.6A CN114781674B (zh) | 2022-06-16 | 2022-06-16 | 风电设备故障的定位方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781674A CN114781674A (zh) | 2022-07-22 |
CN114781674B true CN114781674B (zh) | 2022-09-16 |
Family
ID=82421534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210681725.6A Active CN114781674B (zh) | 2022-06-16 | 2022-06-16 | 风电设备故障的定位方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781674B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
CN113446157A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障预警方法及设备 |
CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
CN114092537A (zh) * | 2021-09-23 | 2022-02-25 | 国电南瑞科技股份有限公司 | 一种变电站电力无人机自动巡检方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190019108A1 (en) * | 2017-07-13 | 2019-01-17 | General Electric Company | Systems and methods for a validation tree |
CN108345723A (zh) * | 2018-01-24 | 2018-07-31 | 江苏新中天塑业有限公司 | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 |
CN113328872B (zh) * | 2020-02-29 | 2023-03-28 | 华为技术有限公司 | 故障修复方法、装置和存储介质 |
CN113935497A (zh) * | 2020-07-14 | 2022-01-14 | 京东方科技集团股份有限公司 | 智能运维故障处理方法、装置、设备及其存储介质 |
CN113242213B (zh) * | 2021-04-15 | 2022-10-21 | 内蒙古电力(集团)有限责任公司内蒙古电力经济技术研究院分公司 | 一种电力通信骨干网节点脆弱性诊断方法 |
-
2022
- 2022-06-16 CN CN202210681725.6A patent/CN114781674B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
CN113446157A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障预警方法及设备 |
CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
CN114092537A (zh) * | 2021-09-23 | 2022-02-25 | 国电南瑞科技股份有限公司 | 一种变电站电力无人机自动巡检方法及装置 |
Non-Patent Citations (3)
Title |
---|
不同类型不同容量的风力发电机组电气部分故障诊断研究;李慧勇;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200115(第1期);全文第2.1节、第4章,附图4.1-4.6 * |
基于数据挖掘的风力发电机组齿轮箱故障诊断系统研究;彭安群;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20121015(第10期);第C042-567页全文 * |
基于数据挖掘的风电机组传动系统故障诊断研究;曾文珺;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20220315(第3期);第C042-471期,全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781674A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021107866A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN106772205B (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
CN110247725B (zh) | Otn网络的线路故障排查方法、装置及终端设备 | |
CN110086643B (zh) | 一种风险识别方法、终端及存储介质 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN113487182B (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN114781674B (zh) | 风电设备故障的定位方法及装置、存储介质、电子设备 | |
CN109818808A (zh) | 故障诊断方法、装置和电子设备 | |
CN109884533A (zh) | 电池故障的诊断方法及装置、设备及存储介质 | |
CN116595395B (zh) | 一种基于深度学习的逆变器输出电流预测方法及系统 | |
CN117390403A (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN112784025A (zh) | 一种目标事件的确定方法和装置 | |
CN112632749A (zh) | 一种风力发电机发电性能的评价方法及装置 | |
CN117390015A (zh) | 电池护照的存储方法、设备及存储介质 | |
CN115914033A (zh) | 设备信息的监控方法、装置、电子设备及存储介质 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN110488772B (zh) | 一种dcs的集中监控方法、装置及集中监控终端 | |
CN110730213A (zh) | 传感器设备的生命周期监测方法、系统、介质及装置 | |
CN113656243B (zh) | 一种业务指标监控方法、装置、设备及存储介质 | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN113341366B (zh) | 一种用户电表状态监测方法、装置设备和存储介质 | |
CN113326296B (zh) | 一种适用于工商业用户的负荷分解的方法及系统 | |
CN110826899B (zh) | 一种风力发电机组的性能评估方法、装置、设备及存储介质 | |
CN115203181A (zh) | Scada数据的检测方法、系统、电子设备及存储介质 |
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 |