CN115018178A - 一种基于深度学习的电站风机故障预警方法 - Google Patents
一种基于深度学习的电站风机故障预警方法 Download PDFInfo
- Publication number
- CN115018178A CN115018178A CN202210714909.8A CN202210714909A CN115018178A CN 115018178 A CN115018178 A CN 115018178A CN 202210714909 A CN202210714909 A CN 202210714909A CN 115018178 A CN115018178 A CN 115018178A
- Authority
- CN
- China
- Prior art keywords
- fan
- model
- fault
- data
- neural network
- 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 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
Abstract
本发明提供了一种基于深度学习的电站风机故障预警方法，其采用偏离度函数衡量实际测量值与模型估计值之间的差异，并根据偏离度的频率分布，构建风机状态健康指数序列，量化表征风机故障的演化过程，实现风机的早期故障检测。其基于LSTM神经网络与贝叶斯优化的电站风机形成对应方法，其特征在于：其通过离线建模和在线监测两个部分组成；其利用LSTM‑BO(贝叶斯优化的长短时神经网络)模型建立风机正常运行状态预测模型，分别取正常数据和故障数据比较验证模型的预测精度；之后根据模型预测偏离度的频率分布，结合滑动时间窗口技术构建健康指数，表征风机实时运行状态，通过确定合理的健康指数阈值识别风机的正常、故障及严重故障状态。
Description
技术领域
本发明涉及风力发电机故障预警的技术领域，具体为一种基于深度学习的电站风机故障预警方法。
背景技术
风机作为火电站重要的辅机设备之一，主要职能是维持电力生产所需要的空气循环。风机是大型高速旋转类机械设备，频繁启动及大范围变负荷容易发生轴系振动、叶片疲劳甚至转子断裂、叶片飞出等故障。一旦故障影响到整个机炉循环系统，还可能引发潜在的安全事故。此外，风机故障不仅提高了设备的维护成本，还可能造成机组负荷下降甚至非计划停机，导致并网发电量减少，进一步影响发电企业的经济效益。故障预测与健康管理技术是一种集故障预测、健康评估及维护决策于一体的综合技术，通过运用信息技术与智能算法来监控、管理与评估复杂系统自身的健康状态，并提供一系列维护保障建议，是实现智能发电过程中自学习分析诊断及自恢复故障的一种可行的解决方案。故障预警技术是健康管理的重要内容之一。根据设备监测数据的变化趋势，在故障发生之前或者故障产生初期，及时捕捉到故障的早期征兆并发出预警信息，不仅可以有效减小故障进一步发展和扩大的可能，提升风机设备运行的安全性和可靠性；还可以变预防性维护为预测性维护，为现场维护人员争取更多的主动性和故障处理时间，从而降低维护成本，减少维护时间。因此，风机早期故障预警技术对电站的安全运行和降本增效具有重要意义。
风机故障从产生到发生需要经历积累和演变等一系列过程，因而在故障发生之前，隐藏在风机监测参数动态变化过程中的许多异常行为都可以作为早期征兆，如何利用这些动态变化的参数进行风机故障预警是急需解决的技术难题
发明内容
针对上述问题，本发明提供了一种基于深度学习的电站风机故障预警方法，其采用偏离度函数衡量实际测量值与模型估计值之间的差异，并根据偏离度的频率分布，构建风机状态健康指数序列，量化表征风机故障的演化过程，最后根据正常状态下的健康指数指导报警阈值的设置，用于识别风机的正常、故障和严重故障状态，实现风机的早期故障检测。
一种基于深度学习的电站风机故障预警方法，其基于LSTM神经网络与贝叶斯优化的电站风机形成对应方法，其特征在于：其通过离线建模和在线监测两个部分组成；
其利用LSTM-BO(贝叶斯优化的长短时神经网络)模型建立风机正常运行状态预测模型，分别取正常数据和故障数据比较验证模型的预测精度；之后根据模型预测偏离度的频率分布，结合滑动时间窗口技术构建健康指数，表征风机实时运行状态，通过确定合理的健康指数阈值识别风机的正常、故障及严重故障状态。
其进一步特征在于：
所述离线建模部分具体实施步骤如下：
步骤1、收集电站风机特征变量的正常运行数据，对数据进行预处理保证数据的质量，再将其划分为训练集、验证集和测试集；
步骤2、利用通过贝叶斯优化算法找到的超参数组合构建LSTM神经网络，训练集数据用于训练LSTM神经网络，验证集用于检验模型的平均预测误差，通过不断优化和调整LSTM神经网络的超参数，使模型得到最佳的预测效果；
步骤3、保存训练完的LSTM神经网络，利用测试集数据测试模型的预测精度，根据测试结果，建立风机故障预警模型；首先计算测试集中的LSTM预测模型的模型预测值与实际测量值之间的偏离度，并设置偏离度阈值然后构造直方图来反映偏离度序列的频率分布，计算得到直方图的最优组距和组数；选择合适的时间窗口，窗口以一定间隔移动，生成一系列直方图表示风机运行状态的变化，并得出健康指数序列；最后根据健康指数序列99％的置信区间上限设置健康指数阈值。
所述在线监测部分实施步骤如下：
步骤1、将在线数据预处理后输入到离线建立的LSTM神经网络的模型中，并计算LSTM神经网络的模型预测值与实际测量值之间的偏离度；
步骤2、利用当前时刻偏离度和以前时刻偏离度值构建一个时间窗，并计算时间窗内的健康指数；
步骤3、如果当前健康指数值低于阈值，则说明当前时刻风机运行状态正常；否则，该数据样本被认为是异常的，并产生报警信号，提醒现场操作人员采取相应的维护措施。
采用本发明后，其基于偏离度序列频率分布构建健康指数的风机系统状态监测及故障预警策略，并通过定义健康指数指标识别设备的正常、故障和严重故障状态；相较于传统基于模型的预警策略，其可以深入挖掘蕴含在风机运行数据中的更深层次信息，融合多维数据判断故障的发生有助于提升预警的准确度，并降低“误报”的情况。
附图说明
图1为本发明方法的框架流程图。
具体实施方式
一种基于深度学习的电站风机故障预警方法，其基于LSTM神经网络与贝叶斯优化的电站风机形成对应方法：其通过离线建模和在线监测两个部分组成(见图1)；
所述离线建模部分具体实施步骤如下：
步骤1、收集电站风机特征变量的正常运行数据，对数据进行预处理保证数据的质量，再将其划分为训练集、验证集和测试集；
步骤2、利用通过贝叶斯优化算法找到的超参数组合构建LSTM神经网络，训练集数据用于训练LSTM神经网络，验证集用于检验模型的平均预测误差，通过不断优化和调整LSTM神经网络的超参数，使模型得到最佳的预测效果；
步骤3、保存训练完的LSTM神经网络，利用测试集数据测试模型的预测精度，根据测试结果，建立风机故障预警模型；首先计算测试集中的LSTM预测模型的模型预测值与实际测量值之间的偏离度，并设置偏离度阈值然后构造直方图来反映偏离度序列的频率分布，计算得到直方图的最优组距和组数；选择合适的时间窗口，窗口以一定间隔移动，生成一系列直方图表示风机运行状态的变化，并得出健康指数序列；最后根据健康指数序列99％的置信区间上限设置健康指数阈值。
所述在线监测部分实施步骤如下：
步骤1、将在线数据预处理后输入到离线建立的LSTM神经网络的模型中，并计算LSTM神经网络的模型预测值与实际测量值之间的偏离度；
步骤2、利用当前时刻偏离度和以前时刻偏离度值构建一个时间窗，并计算时间窗内的健康指数；
步骤3、如果当前健康指数值低于阈值，则说明当前时刻风机运行状态正常；否则，该数据样本被认为是异常的，并产生报警信号，提醒现场操作人员采取相应的维护措施。
其利用LSTM-BO模型建立风机正常运行状态预测模型，分别取正常数据和故障数据比较验证模型的预测精度；之后根据模型预测偏离度的频率分布，结合滑动时间窗口技术构建健康指数，表征风机实时运行状态，通过确定合理的健康指数阈值识别风机的正常、故障及严重故障状态。
其基于偏离度序列频率分布构建健康指数的风机系统状态监测及故障预警策略，并通过定义健康指数指标识别设备的正常、故障和严重故障状态；相较于传统基于模型的预警策略，其可以深入挖掘蕴含在风机运行数据中的更深层次信息，融合多维数据判断故障的发生有助于提升预警的准确度，并降低“误报”的情况；采用偏离度函数衡量实际测量值与模型估计值之间的差异，并根据偏离度的频率分布，构建风机状态健康指数序列，量化表征风机故障的演化过程，最后根据正常状态下的健康指数指导报警阈值的设置，用于识别风机的正常、故障和严重故障状态，实现风机的早期故障检测。
文中LSTM为长短时神经网络；LSTM-BO为贝叶斯优化的长短时神经网络。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于深度学习的电站风机故障预警方法，其基于LSTM神经网络与贝叶斯优化的电站风机形成对应方法，其特征在于：其通过离线建模和在线监测两个部分组成；
其利用LSTM-BO(贝叶斯优化的长短时神经网络)模型建立风机正常运行状态预测模型，分别取正常数据和故障数据比较验证模型的预测精度；之后根据模型预测偏离度的频率分布，结合滑动时间窗口技术构建健康指数，表征风机实时运行状态，通过确定合理的健康指数阈值识别风机的正常、故障及严重故障状态。
2.如权利要求1所述的一种基于深度学习的电站风机故障预警方法，其特征在于，所述离线建模部分具体实施步骤如下：
步骤1、收集电站风机特征变量的正常运行数据，对数据进行预处理保证数据的质量，再将其划分为训练集、验证集和测试集；
步骤2、利用通过贝叶斯优化算法找到的超参数组合构建LSTM神经网络，训练集数据用于训练LSTM神经网络，验证集用于检验模型的平均预测误差，通过不断优化和调整LSTM神经网络的超参数，使模型得到最佳的预测效果；
步骤3、保存训练完的LSTM神经网络，利用测试集数据测试模型的预测精度，根据测试结果，建立风机故障预警模型；首先计算测试集中的LSTM预测模型的模型预测值与实际测量值之间的偏离度，并设置偏离度阈值然后构造直方图来反映偏离度序列的频率分布，计算得到直方图的最优组距和组数；选择合适的时间窗口，窗口以一定间隔移动，生成一系列直方图表示风机运行状态的变化，并得出健康指数序列；最后根据健康指数序列99％的置信区间上限设置健康指数阈值。
3.如权利要求1或2所述的一种基于深度学习的电站风机故障预警方法，其特征在于，所述在线监测部分实施步骤如下：
步骤1、将在线数据预处理后输入到离线建立的LSTM神经网络的模型中，并计算LSTM神经网络的模型预测值与实际测量值之间的偏离度；
步骤2、利用当前时刻偏离度和以前时刻偏离度值构建一个时间窗，并计算时间窗内的健康指数；
步骤3、如果当前健康指数值低于阈值，则说明当前时刻风机运行状态正常；否则，该数据样本被认为是异常的，并产生报警信号，提醒现场操作人员采取相应的维护措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714909.8A CN115018178A (zh) | 2022-06-23 | 2022-06-23 | 一种基于深度学习的电站风机故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714909.8A CN115018178A (zh) | 2022-06-23 | 2022-06-23 | 一种基于深度学习的电站风机故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115018178A true CN115018178A (zh) | 2022-09-06 |
Family
ID=83076250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210714909.8A Pending CN115018178A (zh) | 2022-06-23 | 2022-06-23 | 一种基于深度学习的电站风机故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018178A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150415A (zh) * | 2023-10-25 | 2023-12-01 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及系统 |
| CN117514649A (zh) * | 2023-12-11 | 2024-02-06 | 华北电力大学 | 一种风电机组健康状态监测方法及装置 |
-
2022
- 2022-06-23 CN CN202210714909.8A patent/CN115018178A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150415A (zh) * | 2023-10-25 | 2023-12-01 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及系统 |
| CN117150415B (zh) * | 2023-10-25 | 2024-02-06 | 智隆(广州)网络科技有限公司 | 一种基于人工智能的通讯设备状态监测方法及系统 |
| CN117514649A (zh) * | 2023-12-11 | 2024-02-06 | 华北电力大学 | 一种风电机组健康状态监测方法及装置 |
| CN117514649B (zh) * | 2023-12-11 | 2024-05-24 | 华北电力大学 | 一种风电机组健康状态监测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Leahy et al. | Diagnosing and predictingwind turbine faults from scada data using support vector machines | |
| CN115018178A (zh) | 一种基于深度学习的电站风机故障预警方法 | |
| CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
| CN108803569A (zh) | 电站锅炉诊断专家系统及其故障诊断方法 | |
| CN112197973A (zh) | 柴油发电机组健康诊断方法 | |
| CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN116351313A (zh) | 一种基于计算机控制的食品搅拌机智能控制系统 | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| Chen et al. | An integrated framework for statistical change detection in running status of industrial machinery under transient conditions | |
| CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
| CN103617105A (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
| CN117212055A (zh) | 一种风力发电系统及发电机绕组的异常识别预警方法 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| CN115758066A (zh) | 一种统计变压器全寿命周期内碳排放量的方法 | |
| Li et al. | Health state prediction and performance evaluation of belt conveyor based on dynamic Bayesian network in underground mining | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
| CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 | |
| CN114218690A (zh) | 风电机组的叶片断裂预警方法和装置 | |
| KR20220057229A (ko) | 딥러닝 기반의 안전 진단 방법 및 컴퓨터 프로그램, 그 프로그램을 설치한 에너지저장장치(ess). | |
| CN114893428B (zh) | 一种通风机精细预诊与精准运维装置及系统 |
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 |