CN115186924A - 基于人工智能的设备健康状态的评估方法和装置 - Google Patents
基于人工智能的设备健康状态的评估方法和装置 Download PDFInfo
- Publication number
- CN115186924A CN115186924A CN202210899274.3A CN202210899274A CN115186924A CN 115186924 A CN115186924 A CN 115186924A CN 202210899274 A CN202210899274 A CN 202210899274A CN 115186924 A CN115186924 A CN 115186924A
- Authority
- CN
- China
- Prior art keywords
- health
- equipment
- tested
- health degree
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 336
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 title abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 34
- 230000003862 health status Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 16
- 238000000926 separation method Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 239000002808 molecular sieve Substances 0.000 description 4
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开一种基于人工智能的设备健康状态的评估方法和装置,通过获取待测设备每个组成部分在预设的时间段内的历史工作数据,并基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分,然后根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,再确定所述待测设备在各个季度的健康标准,最后基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。该方案通过待测设备各个组成部分的健康度评分,计算待测设备的整体的总健康度评分,再根据总健康度评分结合健康标准进行健康状态的评估,得到的评估结果准确率较高,有效的反应设备的健康状态。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及基于人工智能的设备健康状态的评估方法和装置。
背景技术
智能制造工厂是未来工厂的发展趋势,人们只需要在办公室中通过计算机就能够监视各种设备的工作状态,并且能够控制设备完成各种任务,并且在设备出现故障后可以迅速定位和修复,使其恢复生产。但是在设备工作过程中,有时会出现非计划性停机,从而造成生产损失和材料浪费;而非计划性停机一般是设备出现故障导致的。因此设备管理人员需要经常对设备进行健康状态的评估,若设备出现故障或者设备的健康状态出现问题,则立即对设备进行维修或者更换,以保证生产的稳定。
但是现有的设备健康状态评估方法只是针对设备整体进行评估,评估准确性较低,因此不能及时有效的反应设备的健康状态。
发明内容
有鉴于此,本申请提供了基于人工智能的设备健康状态的评估方法和装置,用于解决现有的设备健康状态评估方法只是针对设备整体进行评估,评估准确性较低,因此不能及时有效的评估设备的健康状态的问题。
为实现以上目的,现提出的方案如下:
第一方面,一种基于人工智能的设备健康状态的评估方法,包括:
获取待测设备的每个组成部分在预设的时间段内的历史工作数据;
基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
根据各个所述组成部分的健康度评分,得出所述待测设备的总健康度评分;
确定所述待测设备在各个季度的健康标准;
基于所述待测设备的总健康度评分和所述待测设备在各个季度的健康标准,确定所述待测设备的健康状态。
优选地,所述基于所述每个组成部分的历史工作数据,确定每个所述组成部分的健康度评分,包括:
针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分;所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。
优选地,所述根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,包括:
判断各个所述组成部分的健康度评分是否均大于第一预设阈值;
若各个所述组成部分的健康度评分均大于所述第一预设阈值,则将各个所述组成部分的健康度评分的平均值作为所述总健康度评分;
若存在至少一个组成部分的健康度评分不大于所述第一预设阈值,则将各个所述组成部分的健康度评分中的最小值作为所述总健康度评分。
优选地,所述确定所述待测设备在各个季度的健康标准,包括:
获取所述待测设备在各个季度的历史运行状态信息;
根据各个所述季度内的历史运行状态信息,确定所述待测设备在各个所述季度的运行状态阈值曲线;
获取所述待测设备的特征参数;
根据所述运行状态阈值曲线和所述特征参数建立所述待测设备在各个所述季度的健康标准。
优选地,所述基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态,包括:
确定当前所处季度;
根据所述当前所处季度,按照所述待测设备在各个所述季度的健康标准,确定所述待测设备的当前健康标准;
基于所述待测设备的当前健康标准和所述总健康度评分,确定所述待测设备的健康状态。
优选地,所述健康标准包括故障,所述方法还包括:
若所述待测设备的健康状态为故障,则将健康度评分低于第二预设阈值的各个组成部分确定为各个异常部分。
优选地,所述方法还包括:
获取所述待测设备的总生命周期;
基于所述待测设备的总健康度评分,确定所述待测设备的总健康度百分比;
将所述总健康度百分比与所述总生命周期相乘,得到所述待测设备的剩余生命周期。
第二方面,一种基于人工智能的设备健康状态的评估装置,包括:
历史工作数据获取模块,用于获取待测设备的每个组成部分在预设的时间段内的历史工作数据;
健康度评分确定模块,用于基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
总健康度评分确定模块,用于根据各个所述组成部分的健康度评分,得出所述待测设备的总健康度评分;
健康标准确定模块,用于确定所述待测设备在各个季度的健康标准;
健康状态确定模块,用于基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。
优选地,所述健康度评分确定模块包括:
模型构建模块,用于针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分;所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。
优选地,所述总健康度评分确定模块包括:
判断模块,用于判断各个所述组成部分的健康度评分是否均大于第一预设阈值;
第一赋值模块,用于当各个所述组成部分的健康度评分均大于所述第一预设阈值时,将各个所述组成部分的健康度评分的平均值作为所述总健康度评分;
第二赋值模块,用于当存在至少一个组成部分的健康度评分不大于所述第一预设阈值时,将各个所述组成部分的健康度评分中的最小值作为所述总健康度评分。
从上述技术方案可以看出,本申请通过获取待测设备每个组成部分在预设的时间段内的历史工作数据,并基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分,然后根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,再确定所述待测设备在各个季度的健康标准,最后基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。该方案通过获取待测设备各个组成部分的健康度评分,然后再计算待测设备的整体的总健康度评分,如此得出的待测设备的总健康度评分比较准确,再根据这个总健康度评分去结合健康标准进行健康状态的评估,得到的评估结果准确率较高,且可以及时有效的反应设备的健康状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于人工智能的设备健康状态的评估方法的可选流程图;
图2为本申请实施例提供的另一种基于人工智能的设备健康状态的评估方法的可选流程图;
图3为本申请实施例提供的一种基于人工智能的设备健康状态的评估装置的结构示意图;
图4为本申请实施例提供的一种基于人工智能的设备健康状态的评估设备的结构示意图。
具体实施方式
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,都属于本申请保护的范围。
智能制造工厂是未来工厂的发展趋势,人们只需要在办公室中通过计算机就能够监视各种设备的工作状态,并且能够控制设备完成各种任务,并且在设备出现故障后可以迅速定位和修复,使其恢复生产。但是在设备工作过程中,有时会出现非计划性停机,从而造成生产损失和材料浪费;而非计划性停机一般是设备出现故障导致的。因此设备管理人员需要经常对设备进行健康状态的评估,若设备出现故障或者设备的健康状态出现问题,则立即对设备进行维修或者更换,以保证生产的稳定。
一般的设备维护方法随着生产和制造技术的发展而不断更新,从纠正性维护、定期预防性维护,到基于设备状态的预测性维护。其中,基于设备状态的预测性维护的主要思路是确定是否应在当前设备健康状态下进行预测性维护操作,并且通过确定的结果来提前调整生产计划。
但是现有的设备健康状态评估方法只是针对设备整体进行评估,评估准确性较低,因此不能及时有效的反应设备的健康状态。
基于上述缺陷,本发明实施例提供一种基于人工智能的设备健康状态的评估方法,该方法可以应用在各种计算机终端或是智能终端中,其执行主体可以为设备健康管理系统,或者计算机终端,或者是智能终端的处理器或服务器,所述方法的方法流程图如图1所示,具体包括:
S1:获取待测设备的每个组成部分在预设的时间段内的历史工作数据。
在本申请中,所述待测设备可以为人工智能设备。在对某一领域或者某一产业中的人工智能设备进行健康状态的评估时,可以将该人工智能设备作为本申请的待测设备。
可以理解的是,待测设备可以包含一个或多个组成部分,在一个示例中,将空分设备作为待测设备,空分设备为一级设备,空分设备包括多个组成部分,即多个二级设备,例如增压机、空压机、空冷塔、分子筛、干燥机、精馏塔等。那么本步骤可以包括:获取该空分设备下的每个二级设备在预设的时间段内的历史工作数据。
预设的时间段可以设置为当前时间之前的一周、一天或一小时等等时间比较短的时间段,设置比较短的时间段,从而获取这个时间段的历史工作数据进行分析,可以更加准确的分析出当前时间待测设备的健康状态。当然,该时间段也可以设置为从设备投入使用到当前时间之间的时间段。
另外,若对整个待测设备进行整体分析,即需要获取待测设备的整个历史工作数据,而在本申请提供的实施例中,获取待测设备各个组成部分的历史工作数据后进行结合分析,可以更精确的分析出当前时间下待测设备的健康状态。上述例子中,空分设备还包含三级设备和四级设备,比如三级设备有增压机主电机、四级设备有主电机驱动器和主电机非驱动器等等,因此同样可以获取更多下级设备的历史工作数据进行结合分析,从而使整体设备的健康状态的评估更准确。
S2:基于每个组成部分在时间段内的历史工作数据,确定每个组成部分的健康度评分。
在上述步骤S1中获取到了各个组成部分在所述时间段内的历史工作数据,针对每一个组成部分而言,基于该组成部分在所述时间段内的历史工作数据,可以确定该组成部分的健康度评分。
在一个示例中,基于该组成部分在所述时间段内的历史工作数据,确定该组成部分的健康度评分的过程,可以包括:
在预设的历史时间段内,比如一个星期内,若该组成部分发生过10次以上的停机现象,则该组成部分的健康度评分低于60分。
再比如,一天内,该组成部分发热现象过于严重,工作十分钟内其自身温度达到了预设阈值,则该组成部分的健康度评分会低于60分。
S3:根据各个组成部分的健康度评分,得出待测设备的总健康度评分。
在上述步骤S2中得到了每个组成部分的健康度评分,由各个组成部分的健康度评分,可以计算出整体待测设备的总健康度评分,计算方式包括多种,比如求取平均值的方法等,此处不做限制。
S4:确定待测设备在各个季度的健康标准。
可以理解的是,待测设备在不同的天气或者季节会有不同的工作参数和工作模式,若不按照特定的天气或者季节进行分析,统一对待测设备进行健康标准的确定,会大大降低健康标准制定的精确性,因此不利于对待测设备进行健康状态的评估。
具体地,可以分为四个季度,第一季度、第二季度、第三季度和第四季度,例如:第一季度和第三季度分别为春季和秋季,这两个季度气候温和,天气温度不会太高也不会很低,因此待测设备的工作状态在这两个季度会相对更加稳定一些。而第二季度和第四季度分别为夏季和冬季,待测设备由于天气的温度过高或者过低,或者由于空气潮湿度的影响,工作状态会不太稳定。因此基于不同的季度对待测设备的健康标准进行区分,可以确定更加详细和准确的健康标准。
S5:基于待测设备的总健康度评分和待测设备在各个季度的健康标准,确定待测设备的健康状态。
在本步骤中,通过待测设备的总健康度评分和待测设备在各个季度的健康标注,可以确定待测设备在当前时间的健康状态。
从上述技术方案可以看出,本申请通过获取待测设备每个组成部分在预设的时间段内的历史工作数据,并基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分,然后根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,再确定所述待测设备在各个季度的健康标准,最后基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。该方案通过获取待测设备各个组成部分的健康度评分,然后再计算待测设备的整体的总健康度评分,得出的待测设备的总健康度评分比较准确,再根据这个总健康度评分去结合健康标准进行健康状态的评估,得到的评估结果准确率较高,且可以及时有效的反应设备的健康状态。
上述实施例对本申请的基于人工智能的设备健康状态的评估方法进行了展开描述,下面将对本申请中如何基于所述每个组成部分的历史工作数据,确定每个所述组成部分的健康度评分的过程进行具体说明。
在一个实例中,可以针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分。其中,所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。由此得到待测设备中每个组成部分对应的健康度预测模型。
在另一个实例中,也可以针对整体待测设备构建总健康度预测模型,总健康度预测模型中可以包含待测设备中各个组成部分对应的评分模块,从而得到各个组成部分的健康度评分。该总健康度预测模型是以待测设备各个组成部分在预设的各个时间段内的历史工作数据样本为训练样本,以所述待测设备的各个组成部分的健康度评分为样本标签训练得到。
本发明实施例提供的方法中,根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分的过程如图2所示,具体说明如下所述:
S31:判断各个组成部分的健康度评分是否均大于第一预设阈值。
在本步骤中,可以将第一预设阈值设置为60分。在一个示例中,以待测设备为上述空分设备为例:
表1
判断各个组成部分的健康度评分是否均大于第一预设阈值60分,如上述表1所示,可以看出该空分设备的每个组成部分的健康度评分都大于60分。
在另一个示例中,该空分设备的每个组成部分的健康度评分如下表2所示:
表2
从表2中可以看出,该空分设备的各个组成部分中,分子筛的健康度评分小于第一预设阈值60分,其余组成部分的健康度评分都大于60分。
S32:若各个组成部分的健康度评分均大于第一预设阈值,则将各个组成部分的健康度评分的平均值作为总健康度评分。
具体地,如上表1所示,该空分设备的每个组成部分的健康度评分都大于第一预设阈值60分,则该空分设备的总健康度评分为各个组成部分的健康度评分的平均值,即80.8分。
可以理解的是,为了避免有些组成部分基于本身性质的原因,其健康度评分会保持较高的水平,因此可以将一个最高分去掉,再重新计算平均值,即去掉空冷塔的100分,得到的平均值为77分,该分值能更加反应整体的空分设备的健康度。
S33:若存在至少一个组成部分的健康度评分不大于第一预设阈值,则将各个组成部分的健康度评分中的最小值作为总健康度评分。
具体地,如表2所示,在这各个组成部分中,存在一个组成部分的健康度评分低于第一预设阈值60分,健康度评分最低的组成部分为分子筛,分子筛的健康度评分为55分,那么将55分作为该空分设备的总健康度评分。
因为各个组成部分组成一个整体,在整体的待测设备进行工作时,每个组成部分分工合作,若至少一个组成部分出现意外情况,那么势必会影响整个待测设备的工作,因此若存在至少一个组成部分的健康度评分低于第一预设阈值,则将各个组成部分的健康度评分中的最小值作为待测设备的总健康度评分。
下面对如何确定所述待测设备在各个季度的健康标准的过程进行具体说明,包括:
S41:获取所述待测设备在各个季度的历史运行状态信息。
具体地,待测设备的历史运行状态信息可以包括:带电运行状态信息、设备运行温度信息、设备生产信息以及动机转动信息等等。
S42:根据各个所述季度内的历史运行状态信息,确定所述待测设备在各个所述季度的运行状态阈值曲线。
基于步骤S41,本步骤可以包括:获取所述待测设备在各个季度的带电运行状态信息、设备运行温度信息、设备生产信息以及动机转动信息;基于所述待测设备在各个季度的带电运行状态信息、设备运行温度信息、设备生产信息以及动机转动信息,确定所述待测设备的阈值曲线。
该阈值曲线可以以各季度的时间顺序为横轴,以待测设备的运行状态为纵轴,依据待测设备在历史上各个季度的历史运行状态信息,得出待测设备的阈值曲线。阈值曲线用来反映待测设备在各个季度的运行状态阈值。
在一个实例中,若待测设备达到运行状态阈值,则可以立刻报警或停机,以保护待测设备。阈值曲线也可以反映设备运行的具体状态,例如,在空分设备的轴承温度模块,阈值曲线可以是反应温度的阈值曲线,阈值为轴承所能经受的最大温度值,若轴承在某个季度的温度超过阈值曲线中该季度的温度阈值,则轴承或者空分设备立即报警或者停机。
S43:获取所述待测设备的特征参数。
S44:根据所述运行状态阈值曲线和所述特征参数建立所述待测设备在各个所述季度的健康标准。
可以理解的是,各种工厂生产设备在出厂之前都会设置好设备本身的性质特征和相关参数,并且,待测设备不同的工况、不同设备的老旧程度也会影响设备的健康状态,因此需要多方结合进行分析,可以得到待测设备在各个季度更加准确的健康标准,从而更加真实的评估出设备的健康状态。
下面对如何基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态的过程进行具体说明,包括:
确定当前所处季度,根据所述当前所处季度,按照所述待测设备在各个所述季度的健康标准,确定所述待测设备的当前健康标准,基于所述待测设备的当前健康标准和所述总健康度评分,确定所述待测设备的健康状态。
更进一步地,所述健康标准可以包括健康、亚健康、异常和故障等等。其中,在本申请提供的实施例中,界定“异常”并非界定“故障”,“异常”指的是与“健康”常态相“异”,这种“异常”可能是某种故障的前期表现。可选的,若确定待测设备的健康状态为健康,则可以保持待测设备的工作强度;若确定待测设备的健康状态为亚健康,则需要定期对待测设备进行检查和维护,以确保待测设备不意外发生故障;若确定待测设备的健康状态为故障,则获取各个组成部分的健康度评分,将健康度评分低于第二预设阈值的各个组成部分确定为各个异常部分。进一步地可以对各个所述异常部分进行维修或者更换。其中,第二预设阈值可以设置为40分或者30分等较低的数值。在一个示例中,将一种电力设备作为待测设备,其故障可以包括:
1)电力设备的轴承故障:轴承的损伤及润滑状态评估。
2)电力设备的电机故障:轴承故障、转子问题、叶轮叶片损伤、不平衡。
3)电力设备的齿轮箱故障:啮合不良、点蚀、磨损、断齿。
可以理解的是,若待测设备的健康状态为健康,则该设备适合作为设备样本进行数据建模,以建立设备基准,为后续该类型设备的生产提供依据;若待测设备的健康状态为亚健康,则该设备适合基于预先设置的基准线进行大数据分析,为后续设备的维护和故障预测提供依据;若待测设备的健康状态为故障,则该设备同样适合作为样本进行数据建模,为后续设备的故障诊断提供依据。基于上述思想,相关工作人员即可以基于所发现的亚健康状态异常问题进行领域内部的评论、转发、收藏,协同工作等,并自动形成知识库为后续工作人员提供便利。可选的,还可以对待测设备的故障或者异常情况生成针对性模板,可以降低监控工人的工作强度,不需要工人实时对设备进行监测。
更进一步地,在得到待测设备的总健康度评分后,该方法还可以包括:
获取所述待测设备的总生命周期,并基于所述待测设备的总健康度评分,确定所述待测设备的总健康度百分比,然后将所述总健康度百分比与所述总生命周期相乘,得到所述待测设备的剩余生命周期。
确定待测设备的剩余生命周期后,可以进行记录,在待测设备经历完剩余生命周期之前对待测设备进行更换。
在本申请提供的实施例中,上面提到的设备健康管理系统的内部结构可以包括:业务应用层(微服务架构)、设备健康评估分析层、数据管理和服务层。
具体地,业务应用层可以包括:报警中心、诊断中心、案例中心和管理中心。其中,报警中心包括报警信息处理模块、报警配置模块、历史记录模块、报警处理模块,报警中心可以用于当待测设备达到运行状态阈值时进行报警;诊断中心包括分析工具模块、趋势分析模块、诊断报告出具模块、对比分析模块,诊断中心可以用于对待测设备的故障或者异常情况生成针对性模板;案例中心包括案例库模块、知识推荐模块、知识图谱模块和案例管理模块,案例中心可以用于相关工作人员基于所发现的亚健康状态异常问题进行领域内部的评论、转发、收藏,协同工作等,并自动形成知识库为后续工作人员提供便利;管理中心包括权限管理模块、日志管理模块、模型中心模块,配置管理模块,管理中心可以用于对待测设备进行建模。
设备健康评估分析层可以包括:基础算子单元、健康和诊断模型单元、设备域主题模型单元。其中,基础算子单元可以应用于本申请实施例提供的基于人工智能的设备健康状态的评估方法的各个步骤,具体用到的评估算子可以包括滤波算子、频谱算子、包络算子、线性模型、决策树、SVM等。健康和诊断模型单元包括健康模型、运营指标、维保指标、轴承诊断、齿轮诊断、轴系诊断等。该健康和诊断模型可以应用于本申请实施例中提供的若所述待测设备的健康状态为故障,则将健康度评分低于第二预设阈值的各个组成部分确定为各个异常部分的步骤。设备域主题模型单元可以包括特征建模、征兆建模、诊断建模、场站建模、时间建模和报警建模,设备域主题模型单元可以应用于上述步骤S2中的健康度预测模型的构建和训练过程,以得到每个组成部分的健康度评分。
数据管理和服务层可以包括数据化资源管理、知识结构化沉淀和模型敏捷化运行。数据资源化管理中可以包括数据资产建模、数据资产管理、数据资产访问、时序数据存储、关系数据存储、数据对象存储,可以用于对待测设备的历史工作数据、历史运行状态信息、总生命周期和特征参数等信息进行存储。知识结构化沉淀中可以包括可视化建模、模型调试管理、模型版本管理、算子库管理、模型发布管理、数据治理等内容。模型敏捷化运行中可以包括模型部署管理、运行作业管理、云端协同管理、Python、R、流计算引擎等内容。
与图1所述的方法相对应,本发明实施例还提供了一种基于人工智能的设备健康状态的评估装置,用于对图1中方法的具体实现,本发明实施例提供的一种基于人工智能的设备健康状态的评估装置可以在计算机终端或各种移动设备中,结合图3,对基于人工智能的设备健康状态的评估装置进行介绍,如图3所示,该装置可以包括:
历史工作数据获取模块10,用于获取待测设备的每个组成部分在预设的时间段内的历史工作数据。
健康度评分确定模块20,用于基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分。
总健康度评分确定模块30,用于根据各个所述组成部分的健康度评分,得出所述待测设备的总健康度评分。
健康标准确定模块40,用于确定所述待测设备在各个季度的健康标准。
健康状态确定模块50,用于基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。
从上述技术方案可以看出,本申请通过获取待测设备每个组成部分在预设的时间段内的历史工作数据,并基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分,然后根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,再确定所述待测设备在各个季度的健康标准,最后基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。该方案通过获取待测设备各个组成部分的健康度评分,然后再计算待测设备的整体的总健康度评分,得出的待测设备的总健康度评分比较准确,再根据这个总健康度评分去结合健康标准进行健康状态的评估,得到的评估结果准确率较高,且可以及时有效的反应设备的健康状态。
在一个示例中,所述健康度评分确定模块20可以包括:
模型构建模块,用于针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分;所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。
在一个示例中,所述总健康度评分确定模块30可以包括:
判断模块,用于判断各个所述组成部分的健康度评分是否均大于第一预设阈值。
第一赋值模块,用于当各个所述组成部分的健康度评分均大于所述第一预设阈值时,将各个所述组成部分的健康度评分的平均值作为所述总健康度评分。
第二赋值模块,用于当存在至少一个组成部分的健康度评分不大于所述第一预设阈值时,将各个所述组成部分的健康度评分中的最小值作为所述总健康度评分。
在一个示例中,所述健康标准确定模块40可以包括:
历史运行状态信息获取模块,用于获取所述待测设备在各个季度的历史运行状态信息。
曲线确定模块,用于根据各个所述季度内的历史运行状态信息,确定所述待测设备在各个所述季度的运行状态阈值曲线。
特征参数获取模块,用于获取所述待测设备的特征参数。
健康标准建立模块,用于根据所述运行状态阈值曲线和所述特征参数建立所述待测设备在各个所述季度的健康标准。
在一个示例中,所述健康状态确定模块50可以包括:
季度确定模块,用于确定当前所处季度。
当前健康标准确定模块,用于根据所述当前所处季度,按照所述待测设备在各个所述季度的健康标准,确定所述待测设备的当前健康标准。
健康状态最终确定模块,用于基于所述待测设备的当前健康标准和所述总健康度评分,确定所述待测设备的健康状态。
在一个示例中,所述装置还可以包括:
异常部分确定模块,用于当所述待测设备的健康状态为故障,则将健康度评分低于第二预设阈值的各个组成部分确定为各个异常部分。
在一个示例中,所述装置还可以包括:
总生命周期获取模块,用于获取所述待测设备的总生命周期。
总健康度评分获取模块,基于所述待测设备的总健康度评分,确定所述待测设备的总健康度百分比。
相乘模块,用于将所述总健康度百分比与所述总生命周期相乘,得到所述待测设备的剩余生命周期。
更进一步地,本申请实施例提供了一种基于人工智能的设备健康状态的评估设备。可选的,图4示出了一种基于人工智能的设备健康状态的评估设备的硬件结构框图,参照图4,一种基于人工智能的设备健康状态的评估设备的硬件结构可以包括:至少一个处理器01,至少一个通信接口02,至少一个存储器03和至少一个通信总线04。
在本申请实施例中,处理器01、通信接口02、存储器03、通信总线04的数量为至少一个,且处理器01、通信接口02、存储器03通过通信总线04完成相互间的通信。
处理器01可以是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等。
存储器03可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器。
其中,存储器存储有程序,处理器可调用存储器存储的程序,程序用于执行下述基于人工智能的设备健康状态的评估方法,包括:
获取待测设备每个组成部分在预设的时间段内的历史工作数据;
基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分;
确定所述待测设备在各个季度的健康标准;
基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。
可选的,程序的细化功能和扩展功能可参照方法实施例中的基于人工智能的设备健康状态的评估方法的描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,在所述程序运行时控制所述存储介质所在的设备执行下述基于人工智能的设备健康状态的评估方法,包括:
获取待测设备每个组成部分在预设的时间段内的历史工作数据;
基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分;
确定所述待测设备在各个季度的健康标准;
基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。
具体地,该存储介质可以是一种计算机可读存储介质,计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。
可选的,程序的细化功能和扩展功能可参照方法实施例中的基于人工智能的设备健康状态的评估方法的描述。
另外,在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。功能如果以软件功能模块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,本公开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(可以是个人计算机,直播设备,或者网络设备等)执行本公开各个实施例方法的全部或部分步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于人工智能的设备健康状态的评估方法,其特征在于,包括:
获取待测设备的每个组成部分在预设的时间段内的历史工作数据;
基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
根据各个所述组成部分的健康度评分,得出所述待测设备的总健康度评分;
确定所述待测设备在各个季度的健康标准;
基于所述待测设备的总健康度评分和所述待测设备在各个季度的健康标准,确定所述待测设备的健康状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述每个组成部分的历史工作数据,确定每个所述组成部分的健康度评分,包括:
针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分;所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。
3.根据权利要求1所述的方法,其特征在于,所述根据各个组成部分的健康度评分,得出所述待测设备的总健康度评分,包括:
判断各个所述组成部分的健康度评分是否均大于第一预设阈值;
若各个所述组成部分的健康度评分均大于所述第一预设阈值,则将各个所述组成部分的健康度评分的平均值作为所述总健康度评分;
若存在至少一个组成部分的健康度评分不大于所述第一预设阈值,则将各个所述组成部分的健康度评分中的最小值作为所述总健康度评分。
4.根据权利要求1所述的方法,其特征在于,所述确定所述待测设备在各个季度的健康标准,包括:
获取所述待测设备在各个季度的历史运行状态信息;
根据各个所述季度内的历史运行状态信息,确定所述待测设备在各个所述季度的运行状态阈值曲线;
获取所述待测设备的特征参数;
根据所述运行状态阈值曲线和所述特征参数建立所述待测设备在各个所述季度的健康标准。
5.根据权利要求1所述的方法,其特征在于,所述基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态,包括:
确定当前所处季度;
根据所述当前所处季度,按照所述待测设备在各个所述季度的健康标准,确定所述待测设备的当前健康标准;
基于所述待测设备的当前健康标准和所述总健康度评分,确定所述待测设备的健康状态。
6.根据权利要求1所述的方法,其特征在于,所述健康标准包括故障,所述方法还包括:
若所述待测设备的健康状态为故障,则将健康度评分低于第二预设阈值的各个组成部分确定为各个异常部分。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待测设备的总生命周期;
基于所述待测设备的总健康度评分,确定所述待测设备的总健康度百分比;
将所述总健康度百分比与所述总生命周期相乘,得到所述待测设备的剩余生命周期。
8.一种基于人工智能的设备健康状态的评估装置,其特征在于,包括:
历史工作数据获取模块,用于获取待测设备的每个组成部分在预设的时间段内的历史工作数据;
健康度评分确定模块,用于基于所述每个组成部分在所述时间段内的历史工作数据,确定每个所述组成部分的健康度评分;
总健康度评分确定模块,用于根据各个所述组成部分的健康度评分,得出所述待测设备的总健康度评分;
健康标准确定模块,用于确定所述待测设备在各个季度的健康标准;
健康状态确定模块,用于基于所述待测设备的总健康度评分和所述待测设备在各个所述季度的健康标准,确定所述待测设备的健康状态。
9.根据权利要求8所述的装置,其特征在于,所述健康度评分确定模块包括:
模型构建模块,用于针对所述待测设备的每一个组成部分,利用预先训练的健康度预测模型处理该组成部分在所述时间段内的历史工作数据,以得到该组成部分的健康度评分;所述健康度预测模型是以该组成部分在各个所述时间段内的历史工作数据样本为训练样本,以该组成部分的健康度评分为样本标签训练得到。
10.根据权利要求8所述的装置,其特征在于,所述总健康度评分确定模块包括:
判断模块,用于判断各个所述组成部分的健康度评分是否均大于第一预设阈值;
第一赋值模块,用于当各个所述组成部分的健康度评分均大于所述第一预设阈值时,将各个所述组成部分的健康度评分的平均值作为所述总健康度评分;
第二赋值模块,用于当存在至少一个组成部分的健康度评分不大于所述第一预设阈值时,将各个所述组成部分的健康度评分中的最小值作为所述总健康度评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899274.3A CN115186924A (zh) | 2022-07-28 | 2022-07-28 | 基于人工智能的设备健康状态的评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899274.3A CN115186924A (zh) | 2022-07-28 | 2022-07-28 | 基于人工智能的设备健康状态的评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186924A true CN115186924A (zh) | 2022-10-14 |
Family
ID=83522219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899274.3A Pending CN115186924A (zh) | 2022-07-28 | 2022-07-28 | 基于人工智能的设备健康状态的评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186924A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680112A (zh) * | 2023-07-28 | 2023-09-01 | 苏州浪潮智能科技有限公司 | 内存状态检测方法、装置、通信设备及存储介质 |
CN117077873A (zh) * | 2023-10-18 | 2023-11-17 | 金现代信息产业股份有限公司 | 一种工器具报废预测方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN112393931A (zh) * | 2019-08-13 | 2021-02-23 | 北京国双科技有限公司 | 检测方法、装置、电子设备和计算机可读介质 |
CN114648136A (zh) * | 2022-04-01 | 2022-06-21 | 姚红昭 | 动设备健康度评估方法、装置、设备及存储介质 |
-
2022
- 2022-07-28 CN CN202210899274.3A patent/CN115186924A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112393931A (zh) * | 2019-08-13 | 2021-02-23 | 北京国双科技有限公司 | 检测方法、装置、电子设备和计算机可读介质 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及系统 |
CN114648136A (zh) * | 2022-04-01 | 2022-06-21 | 姚红昭 | 动设备健康度评估方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680112A (zh) * | 2023-07-28 | 2023-09-01 | 苏州浪潮智能科技有限公司 | 内存状态检测方法、装置、通信设备及存储介质 |
CN116680112B (zh) * | 2023-07-28 | 2023-11-03 | 苏州浪潮智能科技有限公司 | 内存状态检测方法、装置、通信设备及存储介质 |
CN117077873A (zh) * | 2023-10-18 | 2023-11-17 | 金现代信息产业股份有限公司 | 一种工器具报废预测方法、系统、设备及介质 |
CN117077873B (zh) * | 2023-10-18 | 2024-06-04 | 金现代信息产业股份有限公司 | 一种工器具报废预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
CN111983383B (zh) | 一种电力系统故障抢修方法及系统 | |
CN115186924A (zh) | 基于人工智能的设备健康状态的评估方法和装置 | |
CN104866632B (zh) | 家电设备的故障数据获取方法、装置及终端 | |
CN108537426B (zh) | 电力设备运行状态估计方法、装置和计算机设备 | |
CN107742053B (zh) | 风电机组异常识别方法及装置 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN112016743A (zh) | 电网设备的检修预测方法、装置、计算机设备和存储介质 | |
CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能系统 | |
Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
KR20170085644A (ko) | 다수의 지역 발전소들의 통합관리 운영시스템 | |
RU2668852C1 (ru) | Способ и система учета остаточного ресурса компонентов турбоагрегата | |
CN113705076B (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
CN106094790A (zh) | 风电设备可靠性管理信息系统 | |
CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
CN110738400A (zh) | 系统健康评估方法、装置、电子设备和存储介质 | |
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 | |
CN106708008A (zh) | 一种输变电设备故障诊断系统 | |
CN117454121B (zh) | 一种基于电厂安全预警的数据分析处理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |