CN115099260A - 双螺杆输油泵在线监测机械故障实时诊断方法 - Google Patents

双螺杆输油泵在线监测机械故障实时诊断方法 Download PDF

Info

Publication number
CN115099260A
CN115099260A CN202110248546.9A CN202110248546A CN115099260A CN 115099260 A CN115099260 A CN 115099260A CN 202110248546 A CN202110248546 A CN 202110248546A CN 115099260 A CN115099260 A CN 115099260A
Authority
CN
China
Prior art keywords
data
fault
real
mechanical
screw oil
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
Application number
CN202110248546.9A
Other languages
English (en)
Inventor
陈兆龙
史培玉
牛书水
肖飞
陈源钊
杭永成
章玺
田萌
杨栋
陶树刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Shengli Oilfield Co Oil and Gas Gathering and Transportation
Original Assignee
China Petroleum and Chemical Corp
Sinopec Shengli Oilfield Co Oil and Gas Gathering and Transportation
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Shengli Oilfield Co Oil and Gas Gathering and Transportation filed Critical China Petroleum and Chemical Corp
Priority to CN202110248546.9A priority Critical patent/CN115099260A/zh
Publication of CN115099260A publication Critical patent/CN115099260A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种双螺杆输油泵在线监测机械故障实时诊断方法，包括：获取待训练的双螺杆输油泵故障数据；针对故障相关各项参数属性进行数据预处理；基于关联关系将待处理的故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；得到训练完成的初始网络模型；将目标优化参数中的故障数据节点参数进行对齐确认；利用L‑BFGS算法优化权重后进行监督训练，得到训练完成的BP神经网络模型；利用完成的BP神经网络模型对实时数据库中的故障相关数据进行批量训练，最终达到精准预测的结果。该双螺杆输油泵在线监测机械故障实时诊断方法能够大幅度减少双螺杆输油泵的生产事故率，提高企业生产的经济效率，保障企业工人的生命安全。

Description

双螺杆输油泵在线监测机械故障实时诊断方法
技术领域
本发明涉及机械故障诊断技术领域，特别是涉及到一种双螺杆输油泵在线监测机械故障实时诊断方法。
背景技术
双螺杆输油泵是企业进行生产的基础设备，机械设备能否安全运行，直接关系到企业的生产效率与经济效益，而随着我国现代化生产力的不断提高，对机械的技术要求也在不断地增加，这就对设备的安全性提出了更高的要求。机械故障若不能即时诊断出来，则会留下许多的安全隐患。据统计，截至2018年为止，与机械设备运行有关的各种事故中，引起机械性伤害事故占到事故总数的70％左右。因此，对机械设备进行实时的故障诊断，采取有效措施，防止伤害事故发生，对确保工人安全生产、提高企业经济效益具有重要意义。
近年来人工智能技术得到了快速的发展，因此在机械设备故障诊断与监测上也可以应用人工智能控制的核心算法，例如遗传算法、模糊控制、粗糙集理论等智能决策算法在故障诊断中具有非常大的优势。
目前，单螺杆采油泵的状态监测和故障诊断系统已日趋完善，并成功的应用于现场生产操作之中，而双螺杆输油泵由于其型线复杂，振动类参量、工艺类参量和电气类参量混杂，现场耦合并发性故障较多，而一直没有完整的状态监测实时故障诊断系统，存在了严重的技术空白。
经检索，中国专利申请号CN201811007052.6，申请公布日为2018年8月31日，发明创造名称为基于改进果蝇-蝙蝠算法的机械故障诊断方法，该申请案涉及一种基于改进果蝇-蝙蝠算法的机械故障诊断方法，包括以下步骤：A.从采集的机械运行状态信号中提取时域统计特征和频域统计特征；B.采用机械故障诊断训练样本集来训练支持向量机；C.以果蝇算法为框架，融入蝙蝠算法的回声定位思想，设计出改进果蝇-蝙蝠参数优化方法，并采用该方法来寻找支持向量机的全局最优参数；D.将得到的全局最优参数代入支持向量机，完成基于支持向量机的故障诊断模型的构建。
该申请案提出了一种基于改进果蝇-蝙蝠算法的机械故障诊断技术方案，但其不足之处在于：(1)果蝇算法的基本原理是通过迭代味道浓度来进行位置判断，迭代过程效率极低，而改进后的果蝇-蝙蝠算法虽然加入了蝙蝠算法的回声定位原理，但依然没有克服该缺点；(2)机械设备故障诊断要求很高的诊断精度，果蝇-蝙蝠算法虽然具有易于实现的优点，但准确性偏低，难以做到对机械设备故障的准确预测。
在申请号：CN201310175532.4的中国专利申请中，涉及到一种输油泵故障诊断系统及方法，其系统主要由四个压电式加速度传感器、五个温度传感器、一个信号调理器、一个温度测量模块、一张数据采集卡和一台工业控制计算机组成。所述四个压电式加速度传感器分别与信号调理器连接，所述信号调理器、数据采集卡和工业控制计算机依次连接；所述五个温度传感器分别与温度测量模块连接，所述温度测量模块、数据采集卡和工业控制计算机依次连接。所述方法包括：1)振动信号获取步骤；2)信号调理步骤；3)数据采集步骤；4)信号分析步骤。
在申请号：CN201810246460.0的中国专利申请中，涉及到一种输油泵轴承故障诊断方法，其特征是它包括以下步骤：(1)采用加速度传感器对轴承振动信号进行数据采集，进行EMD经验模态分解、本征模态函数IMF包络谱分析，获得样本数据特征物理量；(2)基于轴承故障特征矩阵对样本数据特征物理量进行处理，获取BPA值作为BPA证据；(3)改进D-S证据推理规则对BPA证据进行融合获得轴承故障诊断结果。
以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的双螺杆输油泵在线监测机械故障实时诊断方法。
发明内容
本发明的目的是提供一种可以对双螺杆输油泵故障进行实时、准确的判断，并具有高度的泛化能力的双螺杆输油泵在线监测机械故障实时诊断方法。
本发明的目的可通过如下技术措施来实现：双螺杆输油泵在线监测机械故障实时诊断方法，该双螺杆输油泵在线监测机械故障实时诊断方法包括：
步骤1，获取待训练的双螺杆输油泵故障数据；
步骤2，针对故障相关各项参数属性进行数据预处理；
步骤3，建立所述待处理的故障相关数据与输入格式之间的关联关系，并基于所述关联关系将所述待处理的故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
步骤4，利用得到的预处理过的机械故障相关数据对BP神经网络进行监督训练，得到训练完成的初始网络模型；
步骤5，将目标优化参数中的故障数据节点参数进行对齐确认；
步骤6，利用L-BFGS算法优化权重，后进行监督训练，得到训练完成的BP神经网络模型；
步骤7，利用完成的BP神经网络模型对实时数据库中的故障相关数据进行批量训练，最终达到精准预测的结果。
本发明的目的还可通过如下技术措施来实现：
在步骤1中，采集双螺杆输油泵机组实时运行数据及历史记录数据作为训练的机械故障数据，获取同一设备在不同时间点及不同运行模式下的运行状态数据组。
在步骤1中，采集的实时运行数据包括横向位移、纵向位移、主轴转速、载荷、温度、压力范围、功率、动态电流、运行效率这9个机械运行相关参数；历史数据库中包括振动状态、累计运行时间、润滑状态和电机运行状态这些数据；根据机组的测量定义、采集定义和诊断参数定义建立测点数据库，包括机器编号、电动机转速、轴承型号、机器转速、齿轮传动的主动齿轮和被动齿轮的齿数。
在步骤1中，采集双螺杆输油泵机组实时运行数据及历史记录数据作为训练的机械故障数据，设置所述待训练的数据对应的输入属性，先将不同模式的同一个设备的数据进行组合，并利用聚类分类法进行参数分类。
在步骤1中，根据振动类参量、工艺类参量和电气类参量这些不同类型的数据制定不同的故障评价指标，包括振动评价指标、流量评价指标、温度评价指标、动态电流评价指标、运行时间评价指标、润滑评价指标、电机状态评价指标；设备管理人员得出机器故障的诊断结论，包括不平衡、不对中、碰磨、松动、共振、轴承故障。
在步骤2中，针对双螺杆输油泵故障相关各项参数属性分别进行数据预处理，数据预处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪，并将处理后的振动位移信号进行快速傅里叶变换，得到故障频率特征。
在步骤2中，数据处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪；对选择的干净数据进行增强处理，即解决数据中的缺值、冗余、数据的不一致、数据定义的不一致、过时的数据这些问题，还包括对所有数据的整理和归并，以此保持数据的完整性和正确性；机械的原始信号由传感器获取，并采用FFT技术对原始振动信号进行预处理，以此作为神经网络原始输入数据的获取方法；机械故障相关参数的选择采用相关系数法；其计算公式为：
Figure BDA0002963586240000041
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示Y的样本标准差。
在步骤3中，通过实时运行数据和历史记录数据，结合双螺杆输油泵机组自身结构不同部件运行状态，制定不同的评价指标，用于评估正常与故障状态；
通过实时运行数据和历史记录数据，构造双螺杆输油泵机组的健康及故障状态数据库，用于衡量不同评价指标下的健康及故障状态，数据库管理对离线系统上传的诊断数据定期存入并保留在数据库中；
分析预处理后的数据，根据所述输入参数中的输入属性设置相应的广义化数据批次；建立所述待处理的机械故障相关数据与输入格式之间的关联关系；基于所述关联关系将所述待处理的机械故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
确定隐含层节点数的经验公式为
Figure BDA0002963586240000042
其中k为隐含层节点个数，m、n分别代表输出层和输入层节点个数，a＝1～10；机械故障预测神经网络实例模型设计使用的第一层传递函数为正切S形函数tansig(n)，第二层传递函数是logsig。
在步骤5中，使用two-loop recursion算法进行第一次初始化，并且令b1、b2为0，b1为输入层与隐含层之间的偏置，b2为隐含层与输出层之间的偏置，b1、b2为神经网路的偏置矩阵，生成神经网络模型权重矩阵，得到了权重矩阵的初始值，和目标优化参数中的机械故障数据节点参数进行对齐确认。
在步骤6中，利用对齐确认后的机械故障数据节点参数和经过初始训练的网络模型进行增量式监督训练，并利用L-BFGS算法优化权重，通过存储前m次迭代的少量数据来替代前一次的海森矩阵，得到训练完成的BP神经网络模型。
在步骤6中，通过步长迭代来重复执行L-BFGS算法。其计算公式为：
令s(k)＝x(k+1)-x(k)；
Figure BDA0002963586240000051
Figure BDA0002963586240000052
令
Figure BDA0002963586240000053
可得，
Figure BDA0002963586240000054
取前m项的近似，可得，
Figure BDA0002963586240000055
式中
s——步长；
y——梯度差；
H——海森矩阵；
ν、ρ——为方便运算定义的量；
由于ρ、v、s、y这些变量都最终可以由步长和梯度差两个向量计算得到，因此，只需存储最后m次的步长和梯度差向量即可进行迭代，其中，步长的确定需要使用一维搜索，总共需要存储2*m+1个N维向量，取m值为6，需要存储的数据远小于海森矩阵。
在步骤6中，生成机械故障预测神经网络模型的具体过程为：基于机械故障历史数据库实例和神经网络实例模型所得结果之间的误差，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
在步骤7中，根据预测结果判断监测参数是否在安全范围内，若高于安全预警线，则判断双螺杆输油泵机组相应的参数指标处于故障状态，进行报警。
在步骤7中，根据设备初始运行记录和历史数据积累建立各个机组的报警方式和报警值；以此，系统可从大量采集数据中自动检查和判断机组运行状况，发现有异常或有缺陷的机组将自动给出报警信息；采用多维报警功能包括幅值报警、统计报警多种报警方式和报警值的设定方法，使得设备管理人员能快速准确地在众多的设备中提取出设备异常或故障信息，区分出机器有无问题；多钟格式报告功能提供多种标准报表格式，允许自定义报表；通过神经网络的分析，与数据库数据对比给出相应的故障提示，通过上位机及时的了解设备的状态监测，了解设备当前的运行状况、预测状态变化趋势、诊断故障的原因、检验维修效果、主动在上位机上提示故障，为预防性维护赢得维护时间。
本发明中的双螺杆输油泵在线监测机械故障实时诊断方法，通过对预处理后的机械检测数据集进行神经网络式数据挖掘，提供了一种方便快捷、易于实现的机械实时故障诊断即时预测的方法。采用本发明中的双螺杆输油泵在线监测机械故障实时诊断方法，可以对双螺杆输油泵故障进行实时、准确的判断，并具有高度的泛化能力，从而根据双螺杆输油泵故障的检测情况对企业生产进行辅助性决策，因此能够大幅度减少双螺杆输油泵的生产事故率，提高企业生产的经济效率，保障企业工人的生命安全。
附图说明
图1为本发明的一具体实施例中数据处理框图；
图2为本发明的一具体实施例中人工神经网络结构图；
图3为本发明的一具体实施例中L-BFGS算法优化流程图；
图4为本发明的双螺杆输油泵在线监测机械故障实时诊断方法的一具体实施例的流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
如图4所示，图4为本发明的双螺杆输油泵在线监测机械故障实时诊断方法的流程图。
步骤1，获取待训练的双螺杆输油泵故障数据；
采集双螺杆输油泵机组实时运行数据及历史记录数据待作为训练的机械故障数据，获取同一设备在不同时间点及不同运行模式下的运行状态数据组。
采集的数据参数主要包括横向位移、纵向位移、主轴转速、载荷、温度、压力范围、功率、动态电流、运行效率等9个机械运行相关参数。历史数据库中包括振动状态、累计运行时间、润滑状态和电机运行状态等数据。根据机组的测量定义、采集定义和诊断参数定义建立测点数据库，如机器编号、电动机转速、轴承型号、机器转速、齿轮传动的主动齿轮和被动齿轮的齿数。预留有离线设备故障诊断装置数据输入接口，可接受精密点检系统的数据。
采集双螺杆输油泵机组实时运行数据及历史记录数据待作为训练的机械故障数据，设置所述待训练的数据对应的输入属性，先将不同模式的同一个设备的数据进行组合，并利用聚类分类法进行参数分类。
根据振动类参量、工艺类参量和电气类参量等不同类型的数据制定不同的故障评价指标，包括振动评价指标、流量评价指标、温度评价指标、动态电流评价指标、运行时间评价指标、润滑评价指标、电机状态评价指标。设备管理人员可得出机器故障的诊断结论，如不平衡、不对中、碰磨、松动、共振、轴承故障等。
步骤2，针对故障相关各项参数属性进行数据预处理；
针对双螺杆输油泵故障相关各项参数属性分别进行数据预处理，数据预处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪，并将处理后的振动位移信号进行快速傅里叶变换，得到故障频率特征。预处理方法为软件预处理，软件采用编程语言结合特定模块的方法来得到。
在一实施例中，数据处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪。该过程是为了克服目前数据挖掘工具的局限性，对选择的干净数据进行增强处理的过程，即解决数据中的缺值、冗余、数据的不一致、数据定义的不一致、过时的数据等问题，还包括对所有数据的整理和归并，以此保持数据的完整性和正确性。机械的原始信号由传感器获取，并采用FFT技术对原始振动信号进行预处理，以此作为神经网络原始输入数据的获取方法。机械故障相关参数的选择采用相关系数法。其计算公式为：
Figure BDA0002963586240000081
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示Y的样本标准差。
步骤3，建立所述待处理的故障相关数据与输入格式之间的关联关系，并基于所述关联关系将所述待处理的故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
通过实时运行数据和历史记录数据，结合双螺杆输油泵机组自身结构不同部件运行状态，制定不同的评价指标，用于评估正常与故障状态；
通过实时运行数据和历史记录数据，构造双螺杆输油泵机组的健康及故障状态数据库，用于衡量不同评价指标下的健康及故障状态，数据库管理可对离线系统上传的诊断数据定期存入并保留在数据库中；
分析预处理后的数据，根据所述输入参数中的输入属性设置相应的广义化数据批次；建立所述待处理的机械故障相关数据与输入格式之间的关联关系；基于所述关联关系将所述待处理的机械故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
目前还没有能够确定隐含层节点数的一般性理论，因此可采用经验公式
Figure BDA0002963586240000091
其中k为隐含层节点个数，m、n分别代表输出层和输入层节点个数，a＝1～10。机械故障预测神经网络实例模型设计使用的第一层传递函数为正切S形函数tansig(n)，第二层传递函数是logsig。
步骤4，利用得到的预处理过的机械故障相关数据对BP神经网络进行监督训练，得到训练完成的初始网络模型；
步骤5，将目标优化参数中的故障数据节点参数进行对齐确认；
使用two-loop recursion算法进行第一次初始化，并且令b1、b2为0(b1为输入层与隐含层之间的偏置，b2为隐含层与输出层之间的偏置，b1、b2为神经网路的偏置矩阵)，生成神经网络模型权重矩阵，得到了权重矩阵的初始值，和目标优化参数中的机械故障数据节点参数进行对齐确认；
步骤6，利用L-BFGS算法优化权重，后进行监督训练，得到训练完成的BP神经网络模型；
利用对齐确认后的机械故障数据节点参数和经过初始训练的网络模型进行增量式监督训练，并利用L-BFGS算法优化权重，通过存储前m次迭代的少量数据来替代前一次的海森矩阵，得到训练完成的BP神经网络模型；
通过步长迭代来重复执行L-BFGS算法。其计算公式为：
令s(k)＝x(k+1)-x(k)；
Figure BDA0002963586240000092
Figure BDA0002963586240000093
令
Figure BDA0002963586240000101
可得，
Figure BDA0002963586240000102
取前m项的近似，可得，
Figure BDA0002963586240000103
式中
s——步长；
y——梯度差；
H——海森矩阵；
ν、ρ——为方便运算定义的量；
由于ρ、v、s、y这些变量都最终可以由步长和梯度差两个向量计算得到，因此，我们只需存储最后m次的步长和梯度差向量即可进行迭代，其中，步长的确定需要使用一维搜索，总共需要存储2*m+1个N维向量，取m值为6，需要存储的数据远小于海森矩阵。
生成机械故障预测神经网络模型的具体过程为：基于机械故障历史数据库实例和神经网络实例模型所得结果之间的误差，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
步骤7，利用完成的BP神经网络模型对实时数据库中的故障相关数据进行批量训练，最终达到精准预测的结果。
根据预测结果判断监测参数是否在安全范围内，若高于安全预警线，则判断双螺杆输油泵机组相应的参数指标处于故障状态，进行报警。
根据设备初始运行记录和历史数据积累建立各个机组的报警方式和报警值。以此，系统可从大量采集数据中自动检查和判断机组运行状况，发现有异常或有缺陷的机组将自动给出报警信息。采用多维报警功能包括幅值报警、统计报警等多种报警方式和报警值的设定方法，使得设备管理人员能快速准确地在众多的设备中提取出设备异常或故障信息，区分出机器有无问题。多钟格式报告功能提供多种标准报表格式，允许自定义报表。通过神经网络的分析，与数据库数据对比给出相应的故障提示，通过上位机及时的了解设备的状态监测，了解设备当前的运行状况、预测状态变化趋势、诊断故障的原因、检验维修效果、主动在上位机上提示故障，为预防性维护赢得维护时间。
通过采用本发明所介绍的预测方法可以对双螺杆输油泵机组故障进行实时、准确的判断，并具有高度的泛化能力，可广泛的应用于双螺杆输油泵的状态监测及故障诊断。从而根据双螺杆输油泵故障的检测情况对企业生产进行辅助性决策，因此能够大幅度减少双螺杆输油泵机组的生产事故率，提高企业生产的经济效率，保障企业工人的生命安全。
在应用本发明的一具体实施例1中，该双螺杆输油泵在线监测机械故障实时诊断方法包括了以下步骤：
1)采集双螺杆输油泵机组实时运行数据及历史记录数据待作为训练的机械故障数据，获取同一设备在不同时间点及不同运行模式下的运行状态数据组；
2)针对机械故障相关各项参数属性分别进行数据预处理，数据预处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪，并将处理后的振动位移信号进行快速傅里叶变换，得到故障频率特征。预处理方法为软件预处理，软件采用编程语言结合特定模块的方法来得到；
3)通过实时运行数据和历史记录数据，结合双螺杆输油泵机组自身结构不同部件运行状态，制定不同的评价指标，用于评估正常与故障状态；
4)通过实时运行数据和历史记录数据，构造双螺杆输油泵机组的健康及故障状态数据库，用于衡量不同评价指标下的健康及故障状态，数据库管理可对离线系统上传的诊断数据定期存入并保留在数据库中；
5)分析预处理后的数据，根据所述输入参数中的输入属性设置相应的广义化数据批次；建立所述待处理的机械故障相关数据与输入格式之间的关联关系；基于所述关联关系将所述待处理的机械故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
6)利用得到的预处理过的机械故障相关数据对BP神经网络进行监督训练，得到训练完成的初始网络模型；
7)使用two-loop recursion算法进行第一次初始化，并且令b1、b2为0(b1为输入层与隐含层之间的偏置，b2为隐含层与输出层之间的偏置，b1、b2为神经网路的偏置矩阵)，生成神经网络模型权重矩阵，得到了权重矩阵的初始值，和目标优化参数中的机械故障数据节点参数进行对齐确认；
8)利用对齐确认后的机械故障数据节点参数和经过初始训练的网络模型进行增量式监督训练，并利用L-BFGS算法优化权重，通过存储前m次迭代的少量数据来替代前一次的海森矩阵，得到训练完成的BP神经网络模型；
9)利用完成的BP神经网络模型对实时数据库中的机械故障相关数据进行批量训练，最终达到精准预测的结果；
10)根据预测结果判断监测参数是否在安全范围内，若高于安全预警线，则判断双螺杆输油泵机组相应的参数指标处于故障状态，进行报警。
上述技术方案的进一步特征在于，所述步骤2)中，针对采集机械故障相关历史案例的数据资料进行预处理的具体过程为：
2-1)数据迁移：将机械故障相关数据源引入到历史及实时数据库中；
2-2)数据筛选：筛选出机械故障历史数据库中对数据挖掘有用的数据；
2-3)数据组合：根据筛选出的机械故障相关数据拼接组合形成新的数据表；
2-4)数据补全：对组合完成的数据进行查漏补缺；
2-5)数据去噪：将一些有明显瑕疵的机械故障相关数据进行去除；
上述技术方案的进一步特征在于，所述步骤6)中，得到训练完成的初始网络模型的具体过程为：
6-1)将机械故障历史数据库中的历史数据进行划分，其中70％的数据分给训练集S，30％的数据分给测试集T；
6-2)设置训练集的输入参数S_InputDate，将2)中预处理过的机械故障相关参数作为神经网络训练的数据；
6-3)设置训练集的输出标准值OutputDate，标准值为历史数据对应的机械故障；
6-4)建立BP神经网络，设置输入层、隐含层、输出层的节点个数，设置传递函数，并利用L-BFGS算法对模型进行无约束非线性优化。
上述技术方案的进一步特征在于，所述步骤8)中，机械故障预测神经网络实例模型设计使用的第一层传递函数为正切S形函数tansig(n)，第二层传递函数是logsig。
上述技术方案的进一步特征在于，所述步骤8)中，生成机械故障预测神经网络模型的具体过程为：
基于机械故障历史数据库实例和神经网络实力模型所得结果之间的误差，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
上述技术方案的进一步特征在于，所述步骤9)中，达到机械故障实时预测的结果为：
采用本发明所介绍的预测方法可以对双螺杆输油泵故障进行实时、准确的判断，并具有高度的泛化能力，从而根据双螺杆输油泵故障的检测情况对企业生产进行辅助性决策，因此能够大幅度减少双螺杆输油泵的生产事故率，提高企业生产的经济效率，保障企业工人的生命安全。
在应用本发明的一具体实施例2中，图1是本发明技术方案中的数据采集及处理框图。采集的双螺杆输油泵数据参数主要包括横向位移、纵向位移、主轴转速、载荷、温度、压力范围、功率、动态电流、运行效率等9个参数，包含振动类参量、工艺类参量和电气类参量。数据处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪。该过程是为了克服目前数据挖掘工具的局限性，对选择的干净数据进行增强处理的过程，即解决数据中的缺值、冗余、数据的不一致、数据定义的不一致、过时的数据等问题，还包括对所有数据的整理和归并，以此保持数据的完整性和正确性。
图2是人工神经网络结构图。将历史数据库中的原始数据划分为两组，其中70％的原始数据作为学习样本，30％为测试样本。为了消除输入数据之间的相互影响，调用python编程中的numpy和matplotlib模块对学习样本及测试样本实施归一化处理，将9个输入参数转化在[-1，1]之间。归一化函数的数学公式如下：
Figure BDA0002963586240000141
式中Xi——处理后数值；
xi——处理前输入数据；
ximin——表示处理前最小数值；
ximax——表示处理前最大数值。
数据处理之后根据对应期望输出进行学习训练。隐含层传递函数选择tansig(n)，输出层传递函数选择logsig。其数学公式为：
Figure BDA0002963586240000142
Figure BDA0002963586240000143
总的步长设为1000，误差精度为E＝0.001。
图3是L-BFGS算法优化流程图，L-BFGS方法是目前最先进的数据快速优化方法之一，该方法广泛应用于解决无约束非线性规划问题，并且具有收敛速度快，内存开销少的优点，与神经网络相结合可以达到相辅相成的效果。该方法在BFGS方法的基础上进行了限制性优化，其基本思想是：通过存储计算过程中的向量序列来代替矩阵Hk，即在需要使用矩阵Hk时，以不影响计算精度为前提，利用向量序列的计算来代替，这样的话，占用空间大小就由Ο(n2)降到了Ο(m*n)。L-BFGS算法优化优化神经网络的具体过程见图4介绍。
在应用本发明的一具体实施例3中，该双螺杆输油泵在线监测机械故障实时诊断方法包括了以下步骤：
1)获取待训练的机械故障相关数据，设置所述待训练的数据对应的输入属性，先将不同模式的同一个设备的数据进行组合，并利用聚类分类法进行参数分类；
2)针对机械故障相关各项参数属性分别进行数据预处理，数据处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪，预处理方法为软件预处理，软件采用编程语言结合特定模块的方法来得到。
3)分析步骤2)中得到的数据，根据所述输入参数中的输入属性设置相应的广义化数据批次；建立所述待处理的机械故障相关数据与输入格式之间的关联关系；基于所述关联关系将所述待处理的机械故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置。
4)利用步骤2)中得到的处理过的机械故障相关数据对BP神经网络进行监督训练，得到训练完成的初始网络模型；
5)使用two-loop recursion算法进行第一次初始化，并且令b1、b2为0(b1为输入层与隐含层之间的偏置，b2为隐含层与输出层之间的偏置，b1、b2为神经网路的偏置矩阵)，再利用一些方法生成神经网络模型权重矩阵，得到了权重矩阵的初始值，和目标优化参数中的机械故障数据节点参数进行对齐；
6)利用对齐后的机械故障数据节点参数和经过初始训练的网络模型进行增量式监督训练，并利用L-BFGS算法优化权重，得到训练完成的BP神经网络模型；
7)利用完成的BP神经网络模型对实时数据库中的双螺杆输油泵故障相关数据进行批量训练，最终达到精准预测的结果。
上述技术方案的进一步特征在于：所述步骤1)中，采用聚类分类法进行分解的过程如下：
1-1)根据机械故障数据资料的多个测量指标，具体找出一些能够度量参数或指标之间相似程度的统计量，以这些统计量为划分类型的依据。
1-2)把一些相似程度较大的参数聚合为一类，把另外一些彼此之间相似程度较大的参数又聚合为另一类，直到把所有的参数聚合完毕。
通过该思想可以将双螺杆输油泵故障相关数据参数分为振动类参量、工艺类参量和电气类参量等。
上述技术方案的进一步特征在于：所述步骤2)中，软件数据预处理主要从完整性和准确性两个方面去审核，具体过程如下：
2-1)完整性审核主要是检查应调查的参数或单个数据是否有遗漏，所有的参数指标是否填写齐全。
2-2)准确性审核主要检查两个方面：
其一，检查数据资料是否真实地反映了客观实际情况，内容是否符合实际；
其二，检查数据是否有错误，计算是否正确等。审核数据准确性的方法主要有逻辑检查和计算检查。
逻辑检查主要是审核数据是否符合逻辑，内容是否合理，各项目或数字之间有无相互矛盾的现象，此方法主要适合对定性(品质)数据的审核。计算检查是检查调查表中的各项数据在测定结果和计算方法上有无错误，主要用于对定量(数值型)数据的审核。
上述技术方案的进一步特征在于：所述步骤3)中，基于所述关联关系将所述待处理的机械故障相关数据参数以对应的输入属性显示在所述神经网络对应的节点位置，具体过程如下：
3-1)根据选取BP神经网络预测机械故障特征量确定输入参数，包括横向位移、纵向位移、主轴转速、载荷、温度、压力范围、功率、动态电流、运行效率等9个参数，代表9个神经元节点；
3-2)设置1个输出神经元节点，代表一个输出神经元，即故障预测结果。
上述技术方案的进一步特征在于：所述步骤5)中利用一些方法生成神经网络模型权重矩阵具体方法有三种：
5-1)基于Nguyen-Widrow算法随机产生权重和阈值,将隐含层和输出层的阈值b1、b2置0；
5-2)将隐含层到输出层的权重参数lw全部置1；
5-3)采用python的random模块随机产生隐含层到输出层的权重参数1w：
上述技术方案的进一步特征在于：所述步骤6)中利用L-BFGS算法优化权重矩阵的过程如下：
6-1)定义初始点和允许误差，存储最近迭代次数m＝6，并令k＝0，H0＝I，
Figure BDA0002963586240000171
其中H0暂定为单位矩阵，f(x0)初始设定为双曲正切函数；
6-2)如果
Figure BDA0002963586240000172
成立，则返回最优解xk+1，否则转至下一步；
6-3)确定此次迭代方向pk与步长αk，并利用下式开始计算：
Figure BDA0002963586240000173
6-4)更新权重x，并在k＞m时保留m次向量：
xk+1＝xk+αkpk
6-5)计算下列式子并保存：
sk＝xk+1-xk
Figure BDA0002963586240000174
6-6)用two-loop recursion算法得到：
Figure BDA0002963586240000175
叠加次数后，转步骤(3)。
上述技术方案的进一步特征在于，所述步骤7)中，达到双螺杆输油泵故障实时预测的结果为：
通过采用本发明所介绍的预测方法可以对双螺杆输油泵故障进行实时、准确的判断，并具有高度的泛化能力，从而根据机械故障的检测情况对企业生产进行辅助性决策，因此能够大幅度减少双螺杆输油泵机械设备的生产事故率，提高企业生产的经济效率，保障企业工人的生命安全。
本申请并不限于上述实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明基本思想和宗旨的前提下，其他受到本发明启发而进行的许多其他方式的具体变换，均属于本发明的保护范围内。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合和替换。为了避免不必要的重复，本发明对各种可能的组合及替换方式不再另行说明。

Claims (14)

1.双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，该双螺杆输油泵在线监测机械故障实时诊断方法包括：
步骤1，获取待训练的双螺杆输油泵故障数据；
步骤2，针对故障相关各项参数属性进行数据预处理；
步骤3，建立所述待处理的故障相关数据与输入格式之间的关联关系，并基于所述关联关系将所述待处理的故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
步骤4，利用得到的预处理过的机械故障相关数据对BP神经网络进行监督训练，得到训练完成的初始网络模型；
步骤5，将目标优化参数中的故障数据节点参数进行对齐确认；
步骤6，利用L-BFGS算法优化权重后进行监督训练，得到训练完成的BP神经网络模型；
步骤7，利用完成的BP神经网络模型对实时数据库中的故障相关数据进行批量训练，最终达到精准预测的结果。
2.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤1中，采集双螺杆输油泵机组实时运行数据及历史记录数据作为训练的机械故障数据，获取同一设备在不同时间点及不同运行模式下的运行状态数据组。
3.根据权利要求2所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤1中，采集的实时运行数据包括横向位移、纵向位移、主轴转速、载荷、温度、压力范围、功率、动态电流、运行效率这9个机械运行相关参数；历史数据库中包括振动状态、累计运行时间、润滑状态和电机运行状态这些数据；根据机组的测量定义、采集定义和诊断参数定义建立测点数据库，包括机器编号、电动机转速、轴承型号、机器转速、齿轮传动的主动齿轮和被动齿轮的齿数。
4.根据权利要求3所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤1中，采集双螺杆输油泵机组实时运行数据及历史记录数据作为训练的机械故障数据，设置所述待训练的数据对应的输入属性，先将不同模式的同一个设备的数据进行组合，并利用聚类分类法进行参数分类。
5.根据权利要求4所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤1中，根据振动类参量、工艺类参量和电气类参量这些不同类型的数据制定不同的故障评价指标，包括振动评价指标、流量评价指标、温度评价指标、动态电流评价指标、运行时间评价指标、润滑评价指标、电机状态评价指标；设备管理人员得出机器故障的诊断结论，包括不平衡、不对中、碰磨、松动、共振、轴承故障。
6.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤2中，针对双螺杆输油泵故障相关各项参数属性分别进行数据预处理，数据预处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪，并将处理后的振动位移信号进行快速傅里叶变换，得到故障频率特征。
7.根据权利要求6所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤2中，数据处理内容包括数据迁移、数据筛选、数据组合、数据补全、数据去噪；对选择的干净数据进行增强处理，即解决数据中的缺值、冗余、数据的不一致、数据定义的不一致、过时的数据这些问题，还包括对所有数据的整理和归并，以此保持数据的完整性和正确性；机械的原始信号由传感器获取，并采用FFT技术对原始振动信号进行预处理，以此作为神经网络原始输入数据的获取方法；机械故障相关参数的选择采用相关系数法；其计算公式为：
Figure FDA0002963586230000021
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示Y的样本标准差。
8.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤3中，通过实时运行数据和历史记录数据，结合双螺杆输油泵机组自身结构不同部件运行状态，制定不同的评价指标，用于评估正常与故障状态；
通过实时运行数据和历史记录数据，构造双螺杆输油泵机组的健康及故障状态数据库，用于衡量不同评价指标下的健康及故障状态，数据库管理对离线系统上传的诊断数据定期存入并保留在数据库中；
分析预处理后的数据，根据所述输入参数中的输入属性设置相应的广义化数据批次；建立所述待处理的机械故障相关数据与输入格式之间的关联关系；基于所述关联关系将所述待处理的机械故障相关数据以对应的输入属性显示在所述神经网络对应的节点位置；
确定隐含层节点数的经验公式为
Figure FDA0002963586230000031
其中k为隐含层节点个数，m、n分别代表输出层和输入层节点个数，a＝1～10；机械故障预测神经网络实例模型设计使用的第一层传递函数为正切S形函数tansig(n)，第二层传递函数是logsig。
9.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤5中，使用two-loop recursion算法进行第一次初始化，并且令b1、b2为0，b1为输入层与隐含层之间的偏置，b2为隐含层与输出层之间的偏置，b1、b2为神经网路的偏置矩阵，生成神经网络模型权重矩阵，得到了权重矩阵的初始值，和目标优化参数中的机械故障数据节点参数进行对齐确认。
10.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤6中，利用对齐确认后的机械故障数据节点参数和经过初始训练的网络模型进行增量式监督训练，并利用L-BFGS算法优化权重，通过存储前m次迭代的少量数据来替代前一次的海森矩阵，得到训练完成的BP神经网络模型。
11.根据权利要求10所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤6中，通过步长迭代来重复执行L-BFGS算法；其计算公式为：
令
Figure FDA0002963586230000032
Figure FDA0002963586230000033
令
Figure FDA0002963586230000034
可得，
Figure FDA0002963586230000035
取前m项的近似，可得，
Figure FDA0002963586230000041
式中
s——步长；
y——梯度差；
H——海森矩阵；
ν、ρ——为方便运算定义的量；
由于ρ、v、s、y这些变量都最终可以由步长和梯度差两个向量计算得到，因此，只需存储最后m次的步长和梯度差向量即可进行迭代，其中，步长的确定需要使用一维搜索，总共需要存储2*m+1个N维向量，取m值为6，需要存储的数据远小于海森矩阵。
12.根据权利要求10所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤6中，生成机械故障预测神经网络模型的具体过程为：基于机械故障历史数据库实例和神经网络实例模型所得结果之间的误差，反向传播算法会相应更新神经网络参数的权值，并根据权值来对神经网络进行修改，模型预测值在不断地修改中接近目标值，直到达到一定的准确率或训练次数为止。
13.根据权利要求1所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤7中，根据预测结果判断监测参数是否在安全范围内，若高于安全预警线，则判断双螺杆输油泵机组相应的参数指标处于故障状态，进行报警。
14.根据权利要求13所述的双螺杆输油泵在线监测机械故障实时诊断方法，其特征在于，在步骤7中，根据设备初始运行记录和历史数据积累建立各个机组的报警方式和报警值；以此，系统可从大量采集数据中自动检查和判断机组运行状况，发现有异常或有缺陷的机组将自动给出报警信息；采用多维报警功能包括幅值报警、统计报警多种报警方式和报警值的设定方法，使得设备管理人员能快速准确地在众多的设备中提取出设备异常或故障信息，区分出机器有无问题；多钟格式报告功能提供多种标准报表格式，允许自定义报表；通过神经网络的分析，与数据库数据对比给出相应的故障提示，通过上位机及时的了解设备的状态监测，了解设备当前的运行状况、预测状态变化趋势、诊断故障的原因、检验维修效果、主动在上位机上提示故障，为预防性维护赢得维护时间。
CN202110248546.9A 2021-03-05 2021-03-05 双螺杆输油泵在线监测机械故障实时诊断方法 Pending CN115099260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110248546.9A CN115099260A (zh) 2021-03-05 2021-03-05 双螺杆输油泵在线监测机械故障实时诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110248546.9A CN115099260A (zh) 2021-03-05 2021-03-05 双螺杆输油泵在线监测机械故障实时诊断方法

Publications (1)

Publication Number Publication Date
CN115099260A true CN115099260A (zh) 2022-09-23

Family

ID=83287675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110248546.9A Pending CN115099260A (zh) 2021-03-05 2021-03-05 双螺杆输油泵在线监测机械故障实时诊断方法

Country Status (1)

Country Link
CN (1) CN115099260A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526215A (zh) * 2022-11-24 2022-12-27 光微半导体(吉林)有限公司 一种胶泵故障诊断维护分析优化方法及系统
CN115929613A (zh) * 2022-12-21 2023-04-07 中国联合网络通信集团有限公司 一种输油泵故障的处理方法、装置、系统及介质
CN116150677A (zh) * 2023-04-19 2023-05-23 国家石油天然气管网集团有限公司 一种基于支持向量机的输油泵故障预警方法及系统
CN117539155A (zh) * 2024-01-09 2024-02-09 深圳市威诺达工业技术有限公司 一种电潜泵的优化控制方法
CN118169560A (zh) * 2024-05-16 2024-06-11 费莱(浙江)科技有限公司 基于多维传感的电机绕组故障监测方法及系统
CN118245955A (zh) * 2024-05-27 2024-06-25 山东港源管道物流有限公司 基于多元信号提取的智能机泵故障诊断方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526215A (zh) * 2022-11-24 2022-12-27 光微半导体(吉林)有限公司 一种胶泵故障诊断维护分析优化方法及系统
CN115929613A (zh) * 2022-12-21 2023-04-07 中国联合网络通信集团有限公司 一种输油泵故障的处理方法、装置、系统及介质
CN116150677A (zh) * 2023-04-19 2023-05-23 国家石油天然气管网集团有限公司 一种基于支持向量机的输油泵故障预警方法及系统
CN117539155A (zh) * 2024-01-09 2024-02-09 深圳市威诺达工业技术有限公司 一种电潜泵的优化控制方法
CN118169560A (zh) * 2024-05-16 2024-06-11 费莱(浙江)科技有限公司 基于多维传感的电机绕组故障监测方法及系统
CN118245955A (zh) * 2024-05-27 2024-06-25 山东港源管道物流有限公司 基于多元信号提取的智能机泵故障诊断方法
CN118245955B (zh) * 2024-05-27 2024-07-23 山东港源管道物流有限公司 基于多元信号提取的智能机泵故障诊断方法

Similar Documents

Publication Publication Date Title
CN115099260A (zh) 双螺杆输油泵在线监测机械故障实时诊断方法
Zio Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice
DE102022201761A1 (de) Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN107273924B (zh) 基于模糊聚类分析的多数据融合的电厂故障诊断方法
CN110515781B (zh) 一种复杂系统状态监测及故障诊断方法
CN101770219A (zh) 一种车铣复合机床故障诊断知识库的知识获取方法
CN101950382A (zh) 一种带有风险控制的液压设备最优维修决策方法
CN115524002B (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN115081749A (zh) 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统
Bukhtoyarov et al. Multi-stage intelligent system for diagnostics of pumping equipment for oil and gas industries
CN116705272A (zh) 基于多维诊断的设备健康状态综合评价方法
CN113551904A (zh) 基于层次机器学习的齿轮箱多类型并发故障诊断方法
El Mahdi et al. Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines.
CN116664099A (zh) 一种基于非参数回归的无人矿车健康管理方法
CN114547796B (zh) 一种基于优化bn网络的球磨机特征融合故障诊断方法
Jiang et al. A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service
Seo et al. Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier
CN113849479A (zh) 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法
CN113269413A (zh) 压合机故障预警方法、设备和存储介质
CN108763728B (zh) 用并联型深度神经网络分层特征提取的机械故障诊断方法
Chen et al. A robust performance evaluation method based on interval evidential reasoning approach under uncertainty
Gu et al. An improved similarity-based residual life prediction method based on the dynamic variable combination
CN118243378B (zh) 一种悬臂式掘进机截割减速器的故障诊断方法及系统
CN117631632B (zh) 一种pta混合入料的控制方法及系统

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