CN115758277A - 一种旋转类设备健康状态在线评估方法 - Google Patents
一种旋转类设备健康状态在线评估方法 Download PDFInfo
- Publication number
- CN115758277A CN115758277A CN202211520274.4A CN202211520274A CN115758277A CN 115758277 A CN115758277 A CN 115758277A CN 202211520274 A CN202211520274 A CN 202211520274A CN 115758277 A CN115758277 A CN 115758277A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- historical sample
- evaluation
- feature matrix
- sample vibration
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000003862 health status Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及设备健康状态检测技术领域，尤其涉及一种旋转类设备健康状态在线评估方法，包括以下步骤：S1、获取旋转类设备的历史样本振动数据；S2、对获取的历史样本振动数据进行预处理；S3、对预处理后的历史样本振动数据进行时域特征、频域特征以及时频域特征的提取与筛选，得到历史样本振动数据的特征矩阵；S4、对历史样本振动数据的特征矩阵进行主成分分析降维，得到降维后的特征矩阵；S5、使用降维后的特征矩阵进行处理，得到评估模型的评估参数；S6、对实时采集的振动数据进行S2‑S4的处理后，使用评估模型对当前旋转设备的健康状态进行评估。本发明可以在提高检测泛化能力的同时保证设备健康状态评估的准确性。
Description
技术领域
本发明涉及设备健康状态检测技术领域，尤其涉及一种旋转类设备健康状态在线评估方法。
背景技术
当前，关于旋转类设备健康状态在线评估的方法存在两种思路：一种是基于专家经验设定相应的阈值，然后通过监测对应特征是否超过该阈值来评估设备的健康状态；另一种是基于海量样本数据，使用监督机器学习算法来训练模型。然而这两种思路均存在各自的问题，阈值法需要专家经验来设定阈值，且不同设备或同一设备不同运行状态其阈值并不是固定的，因此阈值法无法适用于所有设备。监督机器学习算法需要大量的正样本和负样本数据，而在工业领域中很难获取到大量的负样本数据，且存在人工标注难度大的问题。此外，该方法同样无法适用于所有设备，模型泛化能力较差，容易产生漏报误报问题。
综上，现有的设备健康状态在线评估的方法么基于海量数据通过监督机器学习来训练模型，这些方法的泛化能力均较弱，且很多时候无法获得大量的负样本数据和有效的阈值，导致这些方法存在较大的局限性，健康状态评估的准确性有待提升。
因此，怎样才能在提高检测泛化能力的同时保证设备健康状态评估的准确性，成为目前亟待解决的问题。
发明内容
针对上述现有技术的不足，本发明提供了一种旋转类设备健康状态在线评估方法，可以在提高检测泛化能力的同时保证设备健康状态评估的准确性。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种旋转类设备健康状态在线评估方法，包括以下步骤：
S1、获取旋转类设备的历史样本振动数据；
S2、对获取的历史样本振动数据进行预处理；
S3、对预处理后的历史样本振动数据进行时域特征、频域特征以及时频域特征的提取与筛选，得到历史样本振动数据的特征矩阵；
S4、对历史样本振动数据的特征矩阵进行主成分分析降维，得到降维后的特征矩阵；
S5、使用降维后的特征矩阵进行处理，得到评估模型的评估参数，所述评估模型用于根据评估参数和实时的振动数据对旋转设备的健康状态进行评估；
S6、对实时采集的振动数据进行S2-S4的处理后，使用评估模型对当前旋转设备的健康状态进行评估。
优选地，S1包括：
S101、确定振动传感器测点位置、采样频率、采样长度等信息；
S102、通过振动传感器采集旋转设备的振动数据，且采集时长大于等于预设时长；
S103、对采集到的振动数据进行初步检查，剔除偏差大于预设值的数据，得到历史样本振动数据。
优选地，S2中，所述预处理包括：
S201、提取所有历史样本振动数据的包络信号；
S202、计算所有历史样本振动数据的3阶累积量。
优选地，S3包括：
S301、提取未经预处理的历史样本振动数据的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S302、提取历史样本振动数据包络信号的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S303、提取历史样本振动数据3阶累积量的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S304、将S301-S303提取的所有特征组成历史样本振动数据的特征矩阵，特征矩阵维度为L×（18n），其中，L为历史样本振动数据组数，n为传感器数量。
优选地，S4包括：
S401、对S3中得到的历史样本振动数据的特征矩阵进行主成分分析；
S402、保留特征矩阵的前m阶主成分，得到降维后的特征矩阵。
优选地，S5包括：
S501、计算S402中得到的降维后的特征矩阵的均值，得到维度为1×m的中心点向量；
S502、计算S402中得到的降维后的特征矩阵中的每一行向量与S501得到的中心点向量的欧式距离，得到维度为1×L的距离向量；
S503、计算S502得到的距离向量的均值μ与标准差σ；
S504、将S501中得到的中心点向量、S503中得到的距离向量的均值μ与标准差σ，作为评估模型训练的评估参数进行保存。
优选地，S6包括：
S601、对当前时刻采集到的振动数据依次进行S2-S4的处理，得到当前时刻降维后维度为1×m的特征向量；
S602、通过评估模型计算S601中的特征向量与S501得到的中心点向量间的欧式距离；
S603、通过评估模型计算S602中的欧式距离与S503得到的均值μ之间的差值δ；
S604、通过评估模型将S603得到的差值δ与S503得到的标准差σ进行比较，对当前时刻的旋转设备的健康状态进行评估。
优选地，S604中，若S603得到的差值δ小于等于3σ，则设备处于健康状态，否则，设备处于非健康状态。
本发明与现有技术相比，具有如下有益效果：
1、本方法不需要海量的数据即可完成评估模型的训练；并且，本方法用于进行评估的评估参数的数据基础，正是源于被评估机器的历史数据，真正实现了“一机一模型”，不仅对所有旋转类设备的健康状态在线评估均适用，还能够保证健康状态评估的准确性。
综上，本发明可以在提高检测泛化能力的同时保证设备健康状态评估的准确性。
2、本发明无需人为设定阈值，所用的评估参数由同一设备的历史数据处理后后得到，可以保证方法的有效性和准确性。
3、在具体的使用过程中，可依照本方法对评估模型的评估参数进行更新，进一步保证评估的准确性。
4、本方法对数据进行了多种预处理，对噪声、变工况环境具有较强的鲁棒性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为实施例中的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
如图1所示，本实施例中公开了一种旋转类设备健康状态在线评估方法，包括以下步骤：
S1、获取旋转类设备的历史样本振动数据。
具体实施时，S1包括：
S101、确定振动传感器测点位置、采样频率、采样长度等信息；
S102、通过振动传感器采集旋转设备的振动数据，且采集时长大于等于预设时长；
S103、对采集到的振动数据进行初步检查，剔除偏差大于预设值的数据，得到历史样本振动数据。本实施例中，历史振动样本数据的组数为L组，传感器为n个。
S2、对获取的历史样本振动数据进行预处理。具体实施时，所述预处理包括：
S201、提取所有历史样本振动数据的包络信号；
S202、计算所有历史样本振动数据的3阶累积量。
S3、对预处理后的历史样本振动数据进行时域特征、频域特征以及时频域特征的提取与筛选，得到历史样本振动数据的特征矩阵。
具体实施时，S3包括：
S301、提取未经预处理的历史样本振动数据的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S302、提取历史样本振动数据包络信号的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S303、提取历史样本振动数据3阶累积量的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S304、将S301-S303提取的所有特征组成历史样本振动数据的特征矩阵，特征矩阵维度为L×（18n），其中，L为历史样本振动数据组数，n为传感器数量。
S4、对历史样本振动数据的特征矩阵进行主成分分析降维，得到降维后的特征矩阵。
具体实施时，S4包括：
S401、对S3中得到的历史样本振动数据的特征矩阵进行主成分分析（即PrincipalComponent Analysis，PCA）；
S402、保留特征矩阵的前m阶主成分，得到降维后的特征矩阵。
S5、使用降维后的特征矩阵进行处理，得到评估模型的评估参数，所述评估模型用于根据评估参数和实时的振动数据对旋转设备的健康状态进行评估；
具体实施时，S5包括：
S501、计算S402中得到的降维后的特征矩阵的均值，得到维度为1×m的中心点向量；
S502、计算S402中得到的降维后的特征矩阵中的每一行向量与S501得到的中心点向量的欧式距离，得到维度为1×L的距离向量；
S503、计算S502得到的距离向量的均值μ与标准差σ；
S504、将S501中得到的中心点向量、S503中得到的距离向量的均值μ与标准差σ，作为评估模型训练的评估参数进行保存。
S6、对实时采集的振动数据进行S2-S4的处理后，使用评估模型对当前旋转设备的健康状态进行评估。
具体实施时，S6包括：
S601、对当前时刻采集到的振动数据依次进行S2-S4的处理，得到当前时刻降维后维度为1×m的特征向量；
S602、通过评估模型计算S601中的特征向量与S501得到的中心点向量间的欧式距离；
S603、通过评估模型计算S602中的欧式距离与S503得到的均值μ之间的差值δ；
S604、通过评估模型将S603得到的差值δ与S503得到的标准差σ进行比较，对当前时刻的旋转设备的健康状态进行评估；若差值δ小于等于3σ，则设备处于健康状态，否则，设备处于非健康状态。由于差值偏离标准差越远表明设备的健康状态越差，本实施例中，当S603得到的差值δ大于3σ小于等于4σ时，进行常规的预警；当S603得到的差值δ大于4σ时，则进行高危预警。这样的设置，便于工作人员了解异常的程度，采取对应的措施。
与现有技术相比，本方法不需要海量的数据即可完成评估模型的训练；并且，本方法用于进行评估的评估参数的数据基础，正是源于被评估机器的历史数据，真正实现了“一机一模型”，不仅对所有旋转类设备的健康状态在线评估均适用，还能够保证健康状态评估的准确性。除此，本发明无需人为设定阈值，所用的评估参数由同一设备的历史数据处理后后得到，可以保证方法的有效性和准确性。并且，在具体的使用过程中，可依照本方法对评估模型的评估参数进行更新，进一步保证评估的准确性。除此，本方法对数据进行了多种预处理，对噪声、变工况环境具有较强的鲁棒性。综上，本发明可以在提高检测泛化能力的同时保证设备健康状态评估的准确性。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种旋转类设备健康状态在线评估方法，其特征在于，包括以下步骤：
S1、获取旋转类设备的历史样本振动数据；
S2、对获取的历史样本振动数据进行预处理；
S3、对预处理后的历史样本振动数据进行时域特征、频域特征以及时频域特征的提取与筛选，得到历史样本振动数据的特征矩阵；
S4、对历史样本振动数据的特征矩阵进行主成分分析降维，得到降维后的特征矩阵；
S5、使用降维后的特征矩阵进行处理，得到评估模型的评估参数，所述评估模型用于根据评估参数和实时的振动数据对旋转设备的健康状态进行评估；
S6、对实时采集的振动数据进行S2-S4的处理后，使用评估模型对当前旋转设备的健康状态进行评估。
2.如权利要求1所述的旋转类设备健康状态在线评估方法，其特征在于：S1包括：
S101、确定振动传感器测点位置、采样频率、采样长度等信息；
S102、通过振动传感器采集旋转设备的振动数据，且采集时长大于等于预设时长；
S103、对采集到的振动数据进行初步检查，剔除偏差大于预设值的数据，得到历史样本振动数据。
3.如权利要求1所述的旋转类设备健康状态在线评估方法，其特征在于：S2中，所述预处理包括：
S201、提取所有历史样本振动数据的包络信号；
S202、计算所有历史样本振动数据的3阶累积量。
4.如权利要求3所述的旋转类设备健康状态在线评估方法，其特征在于：S3包括：
S301、提取未经预处理的历史样本振动数据的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S302、提取历史样本振动数据包络信号的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S303、提取历史样本振动数据3阶累积量的以下特征：有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量；
S304、将S301-S303提取的所有特征组成历史样本振动数据的特征矩阵，特征矩阵维度为L×（18n），其中，L为历史样本振动数据组数，n为传感器数量。
5.如权利要求4所述的旋转类设备健康状态在线评估方法，其特征在于：S4包括：
S401、对S3中得到的历史样本振动数据的特征矩阵进行主成分分析；
S402、保留特征矩阵的前m阶主成分，得到降维后的特征矩阵。
6.如权利要求5所述的旋转类设备健康状态在线评估方法，其特征在于：S5包括：
S501、计算S402中得到的降维后的特征矩阵的均值，得到维度为1×m的中心点向量；
S502、计算S402中得到的降维后的特征矩阵中的每一行向量与S501得到的中心点向量的欧式距离，得到维度为1×L的距离向量；
S503、计算S502得到的距离向量的均值μ与标准差σ；
S504、将S501中得到的中心点向量、S503中得到的距离向量的均值μ与标准差σ，作为评估模型训练的评估参数进行保存。
7.如权利要求6所述的旋转类设备健康状态在线评估方法，其特征在于：S6包括：
S601、对当前时刻采集到的振动数据依次进行S2-S4的处理，得到当前时刻降维后维度为1×m的特征向量；
S602、通过评估模型计算S601中的特征向量与S501得到的中心点向量间的欧式距离；
S603、通过评估模型计算S602中的欧式距离与S503得到的均值μ之间的差值δ；
S604、通过评估模型将S603得到的差值δ与S503得到的标准差σ进行比较，对当前时刻的旋转设备的健康状态进行评估。
8.如权利要求7所述的旋转类设备健康状态在线评估方法，其特征在于：S604中，若S603得到的差值δ小于等于3σ，则设备处于健康状态，否则，设备处于非健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520274.4A CN115758277A (zh) | 2022-11-30 | 2022-11-30 | 一种旋转类设备健康状态在线评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520274.4A CN115758277A (zh) | 2022-11-30 | 2022-11-30 | 一种旋转类设备健康状态在线评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115758277A true CN115758277A (zh) | 2023-03-07 |
Family
ID=85342823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211520274.4A Pending CN115758277A (zh) | 2022-11-30 | 2022-11-30 | 一种旋转类设备健康状态在线评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115758277A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080091392A1 (en) * | 2000-09-29 | 2008-04-17 | Canning Francis X | Compression and compressed inversion of interaction data |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
| CN107016235A (zh) * | 2017-03-21 | 2017-08-04 | 西安交通大学 | 基于多特征自适应融合的设备运行状态健康度评估方法 |
| CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
| DE102018131948A1 (de) * | 2018-12-12 | 2020-06-18 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zum Detektieren eines Schlagereignisses sowie ein Fahrzeug hierzu |
| CN114046993A (zh) * | 2021-10-19 | 2022-02-15 | 南京工业大学 | 一种基于多特征参数融合与fcm-hmm的回转支承状态评估方法 |
| CN114881087A (zh) * | 2022-05-26 | 2022-08-09 | 固工机器人(金华)有限公司 | 一种建筑机器人轴承性能退化评估方法 |
| CN115203905A (zh) * | 2022-06-24 | 2022-10-18 | 重庆忽米网络科技有限公司 | 一种融合专家经验及智能算法的设备健康评估方法 |
| CN115238726A (zh) * | 2022-04-07 | 2022-10-25 | 重庆大学 | 一种基于性能退化空间波动评估的旋转机械状态监测方法 |
| CN115307896A (zh) * | 2022-09-20 | 2022-11-08 | 重庆忽米网络科技有限公司 | 一种基于机器学习的设备健康状态检测方法 |
-
2022
- 2022-11-30 CN CN202211520274.4A patent/CN115758277A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080091392A1 (en) * | 2000-09-29 | 2008-04-17 | Canning Francis X | Compression and compressed inversion of interaction data |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
| CN107016235A (zh) * | 2017-03-21 | 2017-08-04 | 西安交通大学 | 基于多特征自适应融合的设备运行状态健康度评估方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| DE102018131948A1 (de) * | 2018-12-12 | 2020-06-18 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zum Detektieren eines Schlagereignisses sowie ein Fahrzeug hierzu |
| CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
| CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
| CN114046993A (zh) * | 2021-10-19 | 2022-02-15 | 南京工业大学 | 一种基于多特征参数融合与fcm-hmm的回转支承状态评估方法 |
| CN115238726A (zh) * | 2022-04-07 | 2022-10-25 | 重庆大学 | 一种基于性能退化空间波动评估的旋转机械状态监测方法 |
| CN114881087A (zh) * | 2022-05-26 | 2022-08-09 | 固工机器人(金华)有限公司 | 一种建筑机器人轴承性能退化评估方法 |
| CN115203905A (zh) * | 2022-06-24 | 2022-10-18 | 重庆忽米网络科技有限公司 | 一种融合专家经验及智能算法的设备健康评估方法 |
| CN115307896A (zh) * | 2022-09-20 | 2022-11-08 | 重庆忽米网络科技有限公司 | 一种基于机器学习的设备健康状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI587294B (zh) | 設備異音的檢測方法及檢測裝置 | |
| CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
| CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN108257365B (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN115542099B (zh) | 一种在线gis局部放电检测方法和装置 | |
| Xu et al. | A lof-based method for abnormal segment detection in machinery condition monitoring | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| KR20130124211A (ko) | 발전기 컬렉터의 섬락을 검출하는 시스템 및 방법 | |
| CN115277464A (zh) | 基于多维时间序列分析的云网络变更流量异常检测方法 | |
| CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
| CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
| JP7002417B2 (ja) | 設備の異常診断装置及び異常診断方法 | |
| CN115758277A (zh) | 一种旋转类设备健康状态在线评估方法 | |
| KR101946631B1 (ko) | 압축센싱 기반 구조물 상태진단 시스템 및 그 방법 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN106500831B (zh) | 振动传感器的检测方法和装置 | |
| CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
| CN117421587A (zh) | 基于典型相关系数的旋转类设备健康状态在线评估方法 | |
| CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 | |
| CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
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: 20230307 |