CN116010805B - 基于卷积神经网络的滚动轴承故障特征提取方法、装置 - Google Patents
基于卷积神经网络的滚动轴承故障特征提取方法、装置 Download PDFInfo
- Publication number
- CN116010805B CN116010805B CN202310294307.6A CN202310294307A CN116010805B CN 116010805 B CN116010805 B CN 116010805B CN 202310294307 A CN202310294307 A CN 202310294307A CN 116010805 B CN116010805 B CN 116010805B
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature extraction
- layer
- convolution
- sample
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置,方法包括:依据采集的原始振动信号构建样本,获得样本集;对样本集进行预处理,划分训练集与测试集;基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;使用训练集训练构建好的神经网络模型,冻结网络权重;调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。将本发明所述方法,成功应用于故障模拟实验台的滚动轴承振动数据,在保证了分类率的同时可以有效提取到轴承的故障特征频率,证明了该方法的可行性和有效性。
Description
技术领域
本发明涉及一种基于卷积神经网络的滚动轴承故障特征提取方法、装置,属于机械装备故障诊断与状态监测技术领域。
背景技术
机械设备的故障诊断与状态监测是服务于工业现场运维,涉及民生质量、工业生产、国防安全的关键技术,其中,滚动轴承作为现代智能装备的支撑部件,在工业生产中扮演举足轻重的角色。相关统计,造成旋转机械中的故障因素中,约有30%是因为轴承运行出现损失导致的。因此,对滚动轴承进行状态监测、故障特征提取有着重要的工程价值与研究意义。
基于传统的信号处理方法,如奇异值分解,小波变换、模态分解等,它们都有具体的数学公式与理论推导更广泛的应用于实际工程。一般机械故障诊断的对象为齿轮、轴承等关键旋转零部件,这种零部件发生不同类型的故障之后,理想情况下可以通过不同的故障特征频率进行识别,但一般收集到的数据故障特征微弱,背景噪音强烈,以及传统信号处理方法过于依赖先验知识的原因,其直接识别故障特征频率显得较为棘手。
随着大数据和人工智能技术的发展,以卷积神经网络(CNN)为代表的深度学习模型在机械设备故障诊断领域受到了越来越多的关注,不同于传统的机器学习模型,例如KNN、支持向量机(SVM)等,深度神经网络有着强大的特征提取能力与拟合效果,对处理机械故障诊断数据有着先天的优势。由于目标任务的难度增大,模型的结构也变得越来越复杂。使用者无法准确理解卷积神经网络模型的内部知识表示,分析出模型做出决策的真正原因,怎样利用神经网络在分类的同时,完成特征提取的任务依旧是状态监测领域的难点。
发明内容
本发明提供了一种基于卷积神经网络的滚动轴承故障特征提取方法、装置,将信号在降噪前后的互信息规律应用于卷积神经网络模型的损失函数改进中,同时设置了模型的输入与输出尺寸一致,用于解决强背景噪声下滚动轴承的故障特征频率难以提取的问题。
本发明的技术方案是:
根据本发明的一方面,提供了一种基于卷积神经网络的滚动轴承故障特征提取方法,包括:依据采集的原始振动信号构建样本,获得样本集;对样本集进行预处理,划分训练集与测试集;基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;使用训练集训练构建好的神经网络模型,冻结网络权重;调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。
将采集到的原始振动信号进行分段处理,取大于一个周期内的点数作为一个样本。
所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号。
所述用于特征提取的神经网络模型,包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层;卷积系统包括多个卷积层,设置每层的卷积核大小、步长均为1,最后一个卷积层设置为单一Feature输出;多层卷积的输出通过归一化处理后连接最大池化层进行降维,然后添加注意力机制层增加有效信息,后接全连接层输出;依据互信息规则,将模型的损失表示为交叉熵损失与互信息损失的结合。
所述互信息损失loss MI 定义为:
式中,MI(input i ,out CSi )表示卷积系统的输入信号与卷积系统的输出信号的互信息关系,input i 是第个输入的包络谱信号,out CSi 是input i 经过卷积系统后的输出。
将用于特征提取的神经网络模型中最后一层卷积特征输出,作为可视化特征提取结果。
根据本发明的另一方面,提供了一种基于卷积神经网络的滚动轴承故障特征提取装置,包括:第一获得模块,用于依据采集的原始振动信号构建样本,获得样本集;划分模块,用于对样本集进行预处理,划分训练集与测试集;构建模块,用于基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;冻结模块,用于使用训练集训练构建好的神经网络模型,冻结网络权重;第二获得模块,用于调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。
根据本发明的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于卷积神经网络的滚动轴承故障特征提取方法。
本发明的有益效果是:本发明利用深度学习的强大,在完成可解释性的任务的同时,解决传统信号处理方法处理起来较为棘手的问题。首先,将振动信号转换为包络谱作为模型的输入使得输入层具有一定的物理意义;然后将用于特征提取的多层卷积视作一个系统,并设计该系统的输出与模型的输入大小一致使得模型便于理解;其次,添加注意力机制以增强明显特征;最后,基于信号降噪前后之间的互信息规律(模型输入与卷积特征互信息最大化)设计了损失函数来驱动卷积系统可以提取更多故障特征频率成分。进一步,通过仿真信号与真实案例表明:所提方法的输出结果不仅具有一定的解释性,并且在轴承的故障特征提取方面表现了优异的性能。
附图说明
图1是本发明的总体流程图;
图2是本发明应用实施案例中某机械设备中滚动轴承的四组不同状态的振动信号的包络谱,四种状态分别为正常状态、外圈故障、内圈故障、滚动体故障;
图3是本发明搭建的改进卷积神经网络的模型拓扑图;
图4是本发明中测试集数据经过搭建模型后的混淆矩阵一;
图5是本发明中测试集数据经过搭建模型后的混淆矩阵二;
图6是本发明用改进卷积神经网络的方法应用于上述数据集滚动后特征提取的效果图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-6所示,根据本发明实施例的一方面,提供了一种基于卷积神经网络的滚动轴承故障特征提取方法,包括:依据采集的原始振动信号构建样本,获得样本集;对样本集进行预处理,划分训练集与测试集;基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;使用训练集训练构建好的神经网络模型,冻结网络权重;调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。
进一步地,将采集到的原始振动信号进行分段处理,取大于一个周期内的点数作为一个样本。
进一步地,所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号。
进一步地,所述用于特征提取的神经网络模型,包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层;卷积系统包括多个卷积层,设置每层的卷积核大小、步长均为1,最后一个卷积层设置为单一Feature输出;多层卷积的输出通过归一化处理后连接最大池化层进行降维,然后添加注意力机制层增加有效信息,后接全连接层输出;依据互信息规则,将模型的损失表示为交叉熵损失与互信息损失的结合。
进一步地,所述互信息损失loss MI 定义为:
式中,MI(input i ,out CSi )表示卷积系统的输入信号与卷积系统的输出信号的互信息关系,input i 是第个输入的包络谱信号,out CSi 是input i 经过卷积系统后的输出。
进一步地,将用于特征提取的神经网络模型中最后一层卷积特征输出,作为可视化特征提取结果。
根据本发明实施例的另一方面,提供了一种基于卷积神经网络的滚动轴承故障特征提取装置,包括:第一获得模块,用于依据采集的原始振动信号构建样本,获得样本集;划分模块,用于对样本集进行预处理,划分训练集与测试集;构建模块,用于基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;冻结模块,用于使用训练集训练构建好的神经网络模型,冻结网络权重;第二获得模块,用于调用权重,输入测试集/待测试样本进行测试,获得特征提取结果。
根据本发明实施例的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于卷积神经网络的滚动轴承故障特征提取方法。
再进一步地,本申请给出如下可选地具体实施过程:
实施的实验数据为某故障模拟试验台的滚动轴承信号,分别采集了滚动轴承在正常、外圈故障、内圈故障以及滚动体故障的振动信号,实验设置负载为12.5KN,转轴转速2400r/min(转频fr=40Hz),采样频率Fs=25.6KHz,每种工况连续采集10s。
具体如下:
Step1、数据划分;将采集到的模拟试验台滚动轴承振动信号进行分段处理,取4000个点作为一个样本,得到125个样本构建的样本集。
Step2、数据转换;将Step1中得到每一个样本进行包络变化得到振动信号的包络谱信号,图2为四种滚动轴承状态的包络谱信号;其中横坐标为频率,单位为赫兹(Hz),纵坐标为幅值,单位(A/V);图中f-orf为外圈故障特征频率,f-irf为内圈故障特征频率,f-rbf为滚动体故障特征频率。
Step3、划分训练集与测试集;对Step2处理后的样本集,随机抽取75个样本作为训练集,同时保证每种故障类型的样本数量相同,剩余的50个样本作为测试集。
Step4、基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型,改进的卷积神经网络模型具备如下特征:
第一,模型结构设置如下:搭建的神经网络模型拓扑结构图如图3所示,其中前四层为卷积层,后面依次接入批量归一化层、最大池化层、注意力机制层与全连接层。设置了4层卷积层,卷积核采用的滤波器数量变化为64-32-16-1;添加BN层与注意力层以提高模型的泛化性,全连接层加入Dropout(0.3)防止过拟合。
第二,卷积层尺寸设置;为了在凸显模型的特征提取能力,设置每层的卷积核大小、步长均为1,最后一个卷积层设置为单一Feature输出,使得网络提取的特征均在同一尺度。
第三,目标函数的设计;工程实际中,关于轴承故障振动信号中的冲击信号反应在包络谱上是有较强的规律性的,而噪声是规律性较差的。轴承发生不同故障时,将会产生不同的故障特征频率及其倍频成分,原始包络谱信号经过卷积特征提取后输出,规律性的特征是从原始信号中分离出来的。基于互信息理论,某一故障模式的包络谱与其降噪后得到的特征之间的互信息会远高于它与另一故障模式原始信号之间的互信息。基于这种规律去规范深度学习模型的特征提取过程,即要求卷积系统的输出与原始信号之间具有最大的互信息;基于此规则对深度学习模型进行规范具有一定的物理意义,它可以描述卷积神经网络在对包络谱频率成分的特征提取中,在不断增强规律性更强的故障特征频率成分,抑制无规律的噪声成分。
互信息是用来衡量两组信号之间规律相关性的概率性指标。假设,A,B之间的互信息定义为/>。本发明设计卷积输出信号与卷积系统的输出的互信息关系可以表示为MI(input i ,out CSi ),其中input i 是第/>个输入的包络谱信号,out CSi 是input i 经过卷积系统后的输出是。互信息值为0到1之间的数值。目标期望MI(input i ,out CSi )值最大,损失变化需最小。
交叉熵损失为loss CE ;基于上述互信息规律进行推导,input i ,out CSi 之间的互信息损失定义为:;最终,改进模型的损失为交叉熵损失与互信息损失的结合,表示为Loss new =loss CE +loss MI 。其中,Loss new 为本发明改进的损失,loss CE 为交叉熵损失,loss MI 为基于规律推导的互信息损失。
Step5、将故障模拟试验台数据经过测试进行最后一层卷积特征输出,经多次测试,测试集的混淆矩阵如图4、图5所示且经统计出现图5所示概率更高,其中横坐标代表真实标签,纵坐标代表预测标签,通过测试表明本发明模型具有很高的诊断准确率。实验数据经过本发明方法后的最终特征提取效果如图6所示,分析可知,图6中可明显观看到滚动轴承的故障特征频率及其倍频成分;f-orf为外圈故障特征频率,f-irf为内圈故障特征频率,f-rbf为滚动体故障特征频率,即本发明提出的方法可以有效地实现滚动轴承多故障信号的特征提取,并对滚动轴承类型进行准确的辨识。
综上所述,将本发明所述方法,成功应用于故障模拟实验台的滚动轴承振动数据,在保证了分类率的同时可以有效提取到轴承的故障特征频率,证明了该方法的可行性和有效性。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于卷积神经网络的滚动轴承故障特征提取方法,其特征在于,包括:
依据采集的原始振动信号构建样本,获得样本集;
对样本集进行预处理,划分训练集与测试集;
基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;
使用训练集训练构建好的神经网络模型,冻结网络权重;
调用权重,输入测试集/待测试样本进行测试,获得特征提取结果;
所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号;
所述用于特征提取的神经网络模型,包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层;卷积系统包括多个卷积层,设置每层的卷积核大小、步长均为1,最后一个卷积层设置为单一Feature输出;多层卷积的输出通过归一化处理后连接最大池化层进行降维,然后添加注意力机制层增加有效信息,后接全连接层输出;依据互信息规则,将模型的损失表示为交叉熵损失与互信息损失的结合;
所述互信息损失lossMI定义为:
式中,MI(inputi,outCSi)表示卷积系统的输入信号与卷积系统的输出信号的互信息关系,inputi是第i个输入的包络谱信号,outCSi是inputi经过卷积系统后的输出。
2.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法,其特征在于,将采集到的原始振动信号进行分段处理,取大于一个周期内的点数作为一个样本。
3.根据权利要求1所述的基于卷积神经网络的滚动轴承故障特征提取方法,其特征在于,将用于特征提取的神经网络模型中最后一层卷积特征输出,作为可视化特征提取结果。
4.一种基于改进卷积神经网络的滚动轴承故障特征提取装置,其特征在于,包括:
第一获得模块,用于依据采集的原始振动信号构建样本,获得样本集;
划分模块,用于对样本集进行预处理,划分训练集与测试集;
构建模块,用于基于互信息规则、模型输入输出一致原则构建用于特征提取的神经网络模型;
冻结模块,用于使用训练集训练构建好的神经网络模型,冻结网络权重;
第二获得模块,用于调用权重,输入测试集/待测试样本进行测试,获得特征提取结果;
所述预处理为对样本集中的每一个样本进行包络变化得到振动信号的包络谱信号;
所述用于特征提取的神经网络模型,包括依次连接的卷积系统、批量归一化层、最大池化层、注意力机制层与全连接层;卷积系统包括多个卷积层,设置每层的卷积核大小、步长均为1,最后一个卷积层设置为单一Feature输出;多层卷积的输出通过归一化处理后连接最大池化层进行降维,然后添加注意力机制层增加有效信息,后接全连接层输出;依据互信息规则,将模型的损失表示为交叉熵损失与互信息损失的结合;
所述互信息损失lossMI定义为:
式中,MI(inputi,outCSi)表示卷积系统的输入信号与卷积系统的输出信号的互信息关系,inputi是第i个输入的包络谱信号,outCSi是inputi经过卷积系统后的输出。
5.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-3中任意一项所述的基于卷积神经网络的滚动轴承故障特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294307.6A CN116010805B (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294307.6A CN116010805B (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116010805A CN116010805A (zh) | 2023-04-25 |
CN116010805B true CN116010805B (zh) | 2023-06-16 |
Family
ID=86030220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294307.6A Active CN116010805B (zh) | 2023-03-24 | 2023-03-24 | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010805B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
WO2021258967A1 (zh) * | 2020-06-24 | 2021-12-30 | 华为技术有限公司 | 神经网络的训练方法、数据获取方法和装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211035B (zh) * | 2019-04-18 | 2023-03-24 | 天津中科智能识别产业技术研究院有限公司 | 融合互信息的深度神经网络的图像超分辨率方法 |
CN110412467B (zh) * | 2019-07-30 | 2021-07-23 | 重庆邮电大学 | 一种归一化互信息准则约束的锂电池故障数据筛选方法 |
CN111238814B (zh) * | 2019-09-30 | 2021-08-31 | 杭州安脉盛智能技术有限公司 | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 |
CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
CN111275024B (zh) * | 2020-03-22 | 2023-03-21 | 东北电力大学 | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 |
US11948347B2 (en) * | 2020-04-10 | 2024-04-02 | Samsung Display Co., Ltd. | Fusion model training using distance metrics |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
CN111859010B (zh) * | 2020-07-10 | 2022-06-03 | 浙江树人学院(浙江树人大学) | 一种基于深度互信息最大化的半监督音频事件识别方法 |
CN112396088B (zh) * | 2020-10-19 | 2023-05-12 | 西安交通大学 | 一种小样本下隐式激励对抗训练的机械故障智能诊断方法 |
CN112577747B (zh) * | 2020-12-07 | 2023-08-08 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN113744805A (zh) * | 2021-09-30 | 2021-12-03 | 山东大学 | 基于bert框架的dna甲基化预测方法及系统 |
CN114964777B (zh) * | 2022-05-11 | 2023-04-07 | 盐城工学院 | 一种滚动轴承故障检测方法 |
CN115017945A (zh) * | 2022-05-24 | 2022-09-06 | 南京林业大学 | 基于增强型卷积神经网络的机械故障诊断方法和诊断系统 |
CN114964782A (zh) * | 2022-06-02 | 2022-08-30 | 昆明理工大学 | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 |
CN115051929B (zh) * | 2022-06-20 | 2023-05-26 | 湖北工业大学 | 基于自监督目标感知神经网络的网络故障预测方法及装置 |
-
2023
- 2023-03-24 CN CN202310294307.6A patent/CN116010805B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021258967A1 (zh) * | 2020-06-24 | 2021-12-30 | 华为技术有限公司 | 神经网络的训练方法、数据获取方法和装置 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116010805A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Ye et al. | Deep morphological convolutional network for feature learning of vibration signals and its applications to gearbox fault diagnosis | |
CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
Jiang et al. | A new convolutional dual-channel Transformer network with time window concatenation for remaining useful life prediction of rolling bearings | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN110008898A (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
Cannarile et al. | Elastic net multinomial logistic regression for fault diagnostics of on-board aeronautical systems | |
CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
CN116010805B (zh) | 基于卷积神经网络的滚动轴承故障特征提取方法、装置 | |
Li et al. | Knowledge features enhanced intelligent fault detection with progressive adaptive sparse attention learning for high-power diesel engine | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
Tian et al. | Fault diagnosis based on LMD-SVD and information-geometric support vector machine for hydraulic pumps | |
Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network | |
Tian et al. | Fault diagnosis for rolling bearings based on recurrence plot and convolutional neural network |
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 |