CN116029137B - 一种工程机械液压油缸退役产品再制造评估方法 - Google Patents
一种工程机械液压油缸退役产品再制造评估方法 Download PDFInfo
- Publication number
- CN116029137B CN116029137B CN202310048687.5A CN202310048687A CN116029137B CN 116029137 B CN116029137 B CN 116029137B CN 202310048687 A CN202310048687 A CN 202310048687A CN 116029137 B CN116029137 B CN 116029137B
- Authority
- CN
- China
- Prior art keywords
- failure
- hydraulic cylinder
- factor
- instance
- characterization
- 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
- 238000011156 evaluation Methods 0.000 title claims description 30
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims description 28
- 208000034656 Contusions Diseases 0.000 claims description 9
- 208000034526 bruise Diseases 0.000 claims description 9
- 239000003973 paint Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical compound [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000003909 pattern recognition Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种工程机械液压油缸退役产品再制造评估方法，首先，建立工程机械液压油缸退役产品失效特征分析矩阵，通过失效特征相关性学习方法计算不同失效特征的影响权重；其次，建立模糊模式识别和实例推理模型，计算源实例与实例库中目标实例失效模式之间的相似度，匹配出最佳相似实例，并输出失效油缸的再制造工艺方案，对于未匹配案例形成新的失效实例模板，丰富产品再制造实例库。
Description
技术领域
本发明属于工程机械领域，特别涉及一种工程机械液压油缸退役产品再制造评估方法。
背景技术
近年来，我国工程机械行业发展迅速，近年来产量占世界总产量的比重大幅增加。与此同时，行业的迅猛发展带来大量的工程机械产品在使用周期后需要以等量的速度进行处理。许多废旧工程机械产品的关键零部件剩余价值高，回收、再循环、再利用、再制造具有巨大的社会、经济、环境效益。随着工程机械市场保有量迅速增加，不断产生大量的机械零部件需要实施再制造。工程机械退役产品再制造评估可以识别失效部位、种类以及程度，并能够有效适应潜在未知的、以及形式多样的组合失效形式，在此基础上，科学适配再制造工艺方案由于工程机械产品服役过程中失效机理非常复杂，失效模式具有多样性及失效特征的不确定性，工程机械产品经历过一次服役周期，外部特征和内部材料经常发生不确定性的变化，表现为断裂、磨损和变形等形式多样及其组合失效模式，给再制造性评估和实施带来了极大困难。有效评估机械产品形式多样和潜在的失效模式、动态创建或自主推理典型案例、并有效指导再制造过程，已经成为工程机械行业亟待解决的重要问题。
为此，针对工程机械产品再制造需要，实例推理（Case-Based Reasoning：CBR）作为一种基于经验知识的人工智能推理技术被提出，其核心思想是用过去解决类似问题的知识与经验来解决当前问题。CBR适用于空间模型或数学模型难以建立的领域，是从大量的实例库中检索相似实例，重用过去求解的经验，求解效率高。随着实例库不断丰富，CBR的学习能力逐渐加强，智能化水平不断提高，适合于工程机械退役产品的失效评估和再制造实例指导。虽然，国内外对机械产品再制造评估取得了一定进展，典型退役机械产品再制造评价方法主要是结合失效特征的定量分析，从经济、技术、环境、能源和资源等角度，进行定性评价与专家评判，以制定科学合理的再制造工艺。但现有的再制造评价方法，难以科学反映工程机械产品失效状态的差异性和内在的阶梯分布关系，难以有效示范和指导再制造工程实践；同时，由于失效机理复杂和失效状态存在潜在未知性，缺乏科学的失效产品可再制造性的度量指标，一般采用专家经验设定失效度量权值，难以适应不确定失效状态下的再制造评价。随着我国一些工程机械企业开展大量的、种类繁多的工程机械产品回收和再制造实践，逐渐积累了大量的产品失效检测数据，如何充分利用信息技术，有效评估产品失效状态、指导再制造工程实践需要深入研究。
发明内容
为了科学评估工程机械液压油缸退役产品失效模式，有效指导与实施产品再制造，本发明提出了一种基于实例推理的工程机械液压油缸退役产品再制造评估方法。适配不同再制造工艺方案，指导工程机械退役产品再制造及其工艺优化。
为了实现上述目的，本发明提供以下技术方案：
一种工程机械液压油缸退役产品再制造评估方法，具体包括以下步骤：
步骤1，基于工程机械液压油缸退役产品在不同工况条件下的失效原理，建立液压油缸退役产品失效模式库，构造液压油缸产品外观失效特征指标；
步骤2，针对工程机械液压油缸产品失效状态的差异性分布和阶梯关系，采用皮尔逊相关性分析方法，计算不同特征对液压油缸故障失效的评估权重；
步骤3，根据液压油缸退役产品源实例ê失效的故障类型，包括单一和特定的组合失效形式，匹配实例库的目标实例，并形成目标实例集合：
；根据所形成的目标实例集合，对目标实例失效特征属性值做归一化处理，重构评估矩阵：M=D* ω；
其中，
代表工程机械液压油缸退役产品质量状态特征参数检测数据；
步骤4，采用贴近度解析方法，循环计算源实例ê和目标实例集中的
贴近度：
；将/>
与规定阈值Limitvalue进行比较。
进一步的，所述步骤1中液压油缸产品外观失效特征指标
，
其中，
表征拉伤因子，/>
表征锈蚀因子，/>
表征碰伤因子，/>
表征麻点因子，/>
表征镀层脱落因子，/>
表征脱漆因子，/>
表征杆花因子；在不同工况条件下，液压油缸故障可以表现为上述特征的单一失效因子或特定组合失效因子。
进一步的，所述失效评估权重
其中，k表示变量X（具体失效因子）的均值，m表示变量Y（总体失效程度）的均值；
表征拉伤因子权重，/>
表征锈蚀因子权重，/>
表征碰伤因子权重，/>
表征碰伤因子权重，/>
表征镀层脱落因子权重，/>
表征脱漆因子权重，/>
表征杆花因子权重。
进一步的，所述步骤2中皮尔逊相关性分析方法中，对pearson的计算过程取绝对值。
进一步的，所述Limitvalue为贴近度阈值，是一个动态可调的分析参数，可根据实际情况进行调整以提高分析精度；当源实例ê和目标实例集中
的贴近度最大，并且N（ê， 
）>Limitvalue，那么/>
是源实例的最佳匹配实例，推理完成；如果没有匹配的最佳实例，将源实例ê作为新失效模式实例模板加入到再制造产品实例库。
通过实施以上技术方案，具有以下有益效果：
本申请考虑工程机械液压油缸产品故障失效状态的差异性和阶梯分布关系，建立了液压油缸质量状态特征的失效影响权重动态分配与多维分析矩阵构造方案；采用贴近度模糊模式识别方法，提出了一种基于失效实例模板的自学习和推理模型，实现液压油缸退役产品的再制造性分析与工艺方法推荐。通过解析源实例与实例库中目标实例失效模式之间的相似度，进行液压油缸退役产品可再制造性的动态评估，创建或匹配最佳相似案例，输出再制造工艺技术方案。本发明所述工程机械液压油缸退役产品再制造评估方法，可以有效的指导再制造工程实践，指导工程机械企业对液压油缸退役产品的质量状态的科学评估与产品的再制造。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明提出的工程机械液压油缸退役产品再制造评估方法示意图。
具体实施方式
为使本发明的目的、技术方案和效果表达地更加清楚明白，下面结合附图及具体实施方式对本发明做进一步的说明。可以理解的是，本发明的实施例仅仅用于解释本发明，而并非对本发明的限定。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
一种工程机械液压油缸退役产品再制造评估方法，所述方法包括以下步骤：
步骤1，基于工程机械液压油缸退役产品在不同工况条件下的失效原理，建立液压油缸退役产品失效特征的描述方法，为再制造分析与评估提供输入条件。
其中，
表征拉伤因子，/>
表征锈蚀因子，/>
表征碰伤因子，/>
表征麻点因子，/>
表征镀层脱落因子，/>
表征脱漆因子，/>
表征杆花因子；在不同工况条件下，液压油缸故障可以表现为上述特征的单一失效因子或特定组合失效因子。
步骤2，针对工程机械液压油缸产品失效状态的差异性分布和阶梯关系，采用皮尔逊相关性分析方法，计算不同特征对液压油缸故障失效的评估权重，建立液压油缸退役产品失效评估参数：
其中，k表示变量X（具体失效因子）的均值，m表示变量Y（总体失效程度）的均值。pearson是一个介于-1和1之间的值，当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相关系数小于0；如果相关系数等于0，表明它们之间不存在线性相关关系。
步骤3，根据液压油缸退役产品源实例（ê）失效的故障类型，包括单一和特定的组合失效形式（如几何缺陷与内部缺陷组合并发失效等），匹配实例库的目标实例，并形成目标实例集合：
；根据所形成的目标实例集合，对目标实例失效特征属性值做归一化处理，在此基础上，重构评估矩阵：M=D*ω。
其中，
代表工程机械液压油缸退役产品质量状态特征参数检测数据，即拉伤因子、锈蚀因子、碰伤因子、麻点因子、镀层脱落因子、脱漆因子和杆花因子。
步骤4，采用贴近度解析方法（最大从属度原则），循环计算源实例ê和目标实例集中的
贴近度：N（ê，/>
）（i=1,…,n）。当N（ê，/>
）大于规定阈值Limitvalue，即为相似实例，并推荐其再制造工艺方案，指导液压油缸退役产品的再制造工程实践。根据工程机械退役产品失效表征方法，本文构造了三角贴近函数（相应目标实例特征权值作为纵坐标，实例失效特征为横坐标），通过计算源实例和目标实例三角函数的相交区域面积，得到函数贴近度N（B，A）。
其中，Limitvalue为贴近度阈值，是一个动态可调的分析参数，可根据实际情况进行调整以提高分析精度；当源实例ê和目标实例集中
的贴近度最大，并且N（ê，/>
）> Limitvalue，那么/>
是源实例的最佳匹配实例，推理完成；如果没有匹配的最佳实例，ê可能存在未知的新型失效模式，将源实例ê作为新失效模式实例模板加入到再制造产品实例库。
一种工程机械液压油缸退役产品再制造评估框架，该框架具体包括如下内容：
工程机械液压油缸退役产品再制造评估，基于液压油缸退役产品失效检测数据库（包括失效发生区域、失效发生位置、失效形式描述、失效形式溯源描述），首先，建立工程机械液压油缸退役产品失效特征分析矩阵，通过失效特征相关性学习方法计算不同失效特征的影响权重；其次，建立模糊模式识别和实例推理模型，计算源实例与实例库中目标实例失效模式之间的相似度，匹配出最佳相似实例，并输出失效油缸的再制造工艺方案，对于未匹配案例形成新的失效实例模板，丰富产品再制造实例库。
工程机械液压油缸退役产品失效特征评估指标如下：
液压油缸产品外观失效特征指标
，分别表征拉伤因子、锈蚀因子、碰伤因子、麻点因子、镀层脱落因子、脱漆因子和杆花因子，其对应的权重指标分别表示为：
，其描述如表1所示。
表1 液压油缸外观缺陷失效特征
根据液压油缸产品失效模式数据库，建立外观缺陷失效特征分析矩阵：
其中，
代表工程机械退役产品外观失效特征检测数据。
工程机械液压油缸退役产品失效特征影响权重计算方法如下：
针对故障失效模式库动态分析不同失效因子对产品失效的影响程度，通过计算各个特征属性间的pearson相关系数（也称积矩相关）来分析各失效因子与失效模式的相关性，即失效评估权值ω。该方法能够有效反映工程机械产品失效状态的差异性分布和内在的阶梯关系，建立产品再制造性评估度量指标。pearson只关注各个特征值与失效基线的相关性强度，对pearson的计算过程取绝对值pearson是一个介于-1和1之间的值，当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相关系数小于0；如果相关系数等于0，表明它们之间不存在线性相关关系。
工程机械液压油缸退役产品再制造评估模型如下：
采用模糊模式识别理论的最大从属度进行液压油缸产品故障失效模式评估。最大从属度原则适用于类别是模糊集，被识别对象是模糊集和普通集的情形，将液压油缸的每个失效特征看成是单元集，采用统一于择近原则，实现工程机械液压油缸产品失效模式的匹配与识别。定义
是域U模糊子集，给定模糊集B，求解B与模糊集中相似子集： />
，其中
表示B对/>
的贴近度。
以上所述，仅为本发明优选的具体实施方式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种工程机械液压油缸退役产品再制造评估方法，其特征在于，具体包括：
步骤1，基于工程机械液压油缸退役产品在不同工况条件下的失效原理，建立液压油缸退役产品失效模式库，构造液压油缸产品外观失效特征指标；
步骤2，针对工程机械液压油缸产品失效状态的差异性分布和阶梯关系，采用皮尔逊相关性分析方法，计算不同特征对液压油缸故障失效的评估权重；
步骤3，根据液压油缸退役产品源实例ê失效的故障类型，包括单一和特定的组合失效形式，匹配实例库的目标实例，并形成目标实例集合：e = { e 1 ，e 2 ,…,e n }；根据所形成的目标实例集合，对目标实例失效特征属性值做归一化处理，重构评估矩阵：M=D*ω；
其中，{ a 1i ，a 2i ，a 3i ，…，a mi }代表工程机械液压油缸退役产品质量状态特征参数检测数据；
步骤4，采用贴近度解析方法，循环计算源实例ê和目标实例集中的e i 贴近度：N（ê，e i ）i= 1,…,n；将N（ê，e i ）与规定阈值Limitvalue进行比较；
所述步骤1中液压油缸产品外观失效特征指标 µ wg = {α 1 ，α 2 ，α 3 ，α 4 ，α 5 ，α 6 ，α 7 }，其中，α 1表征拉伤因子，α 2表征锈蚀因子，α 3表征碰伤因子，α 4表征麻点因子，α 5表征镀层脱落因子，α 6表征脱漆因子，α 7表征杆花因子；
所述步骤2中失效评估权重ω={ω a1 ，ω a2 ，ω a3 ，ω a4 ，ω a5 ，ω a6 ，ω a7}
2.根据权利要求1所述的评估方法，其特征在于，所述步骤2中皮尔逊相关性分析方法中，对pearson的计算过程取绝对值。
3.根据权利要求1所述的评估方法，其特征在于，
当源实例ê和目标实例集中e L 的贴近度最大，并且N（ê，e L ）>Limitvalue，那么e L 是源实例的最佳匹配实例，推理完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048687.5A CN116029137B (zh) | 2023-02-01 | 2023-02-01 | 一种工程机械液压油缸退役产品再制造评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048687.5A CN116029137B (zh) | 2023-02-01 | 2023-02-01 | 一种工程机械液压油缸退役产品再制造评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116029137A CN116029137A (zh) | 2023-04-28 |
| CN116029137B true CN116029137B (zh) | 2023-06-16 |
Family
ID=86070373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310048687.5A Active CN116029137B (zh) | 2023-02-01 | 2023-02-01 | 一种工程机械液压油缸退役产品再制造评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029137B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960443A (zh) * | 2018-06-26 | 2018-12-07 | 武汉科技大学 | 一种废旧零部件再制造评估系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103838931B (zh) * | 2014-03-10 | 2017-08-29 | 太原科技大学 | 一种工程机械臂架类结构再制造准入期评估方法 |
| CN106950922B (zh) * | 2017-04-10 | 2019-02-01 | 沈阳精新再制造有限公司 | 基于二级实例推理的废旧零部件再制造工艺决策方法 |
| CN109033615A (zh) * | 2018-07-23 | 2018-12-18 | 太原科技大学 | 基于潜在失效模式的汽车起重机臂架结构风险评估方法 |
| CN112084598B (zh) * | 2020-09-09 | 2022-08-19 | 重庆工商大学 | 一种离心泵叶轮可再制造性评估方法 |
| CN114593017A (zh) * | 2020-12-04 | 2022-06-07 | 北京金风科创风电设备有限公司 | 风力发电机组的变桨油缸的测试方法和测试装置 |
| CN113987288A (zh) * | 2021-10-15 | 2022-01-28 | 北京科技大学 | 退役工程机械再制造加工零件特征分类编码方法及系统 |
-
2023
- 2023-02-01 CN CN202310048687.5A patent/CN116029137B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960443A (zh) * | 2018-06-26 | 2018-12-07 | 武汉科技大学 | 一种废旧零部件再制造评估系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116029137A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Intelligent prognostics of machining tools based on adaptive variational mode decomposition and deep learning method with attention mechanism | |
| US20210365784A1 (en) | Method for deriving fault diagnosis rules of blast furnace based on deep neural network | |
| CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
| CN113537609A (zh) | 一种基于文本智能挖掘的政策热点预测方法 | |
| CN114492675A (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
| CN111191823A (zh) | 一种基于深度学习的生产物流预测方法 | |
| Ding et al. | A big data based cost prediction method for remanufacturing end-of-life products | |
| CN109214500B (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
| Saadallah et al. | Early quality prediction using deep learning on time series sensor data | |
| CN116029137B (zh) | 一种工程机械液压油缸退役产品再制造评估方法 | |
| Hao et al. | Research on fault diagnosis of indicator diagram based on BP neural network optimized by iterative learning control | |
| Xing-yu et al. | Autoencoder-based fault diagnosis for grinding system | |
| CN115730197A (zh) | 基于DRSupAE的转炉炼钢终点碳温预测方法及应用 | |
| Iftikhar et al. | An intelligent automatic fault detection technique incorporating image Processing and fuzzy logic | |
| CN115048987A (zh) | 基于流形结构的多源自适应迁移学习的电机振动预测方法 | |
| Li et al. | A defect recognition model for cross-section profile of hot-rolled strip based on deep learning | |
| CN114328474A (zh) | 一种基于关系交互的块分解的智能搜索补全方法 | |
| Zhou et al. | ENN-based recognition method for tool cutting state | |
| Xu et al. | Defect recognition method based on fusion learning of multi-layer image features | |
| YiNan et al. | YOLOv5 detection algorithm of steel defects based on introducing light convolution network and DIOU function | |
| Dong | An approach to multiple attribute decision making with intuitionistic fuzzy information and its application to software quality evaluation | |
| Canlı et al. | Implementation of Decision Support System with Data Mining Methods in the Quality Control Process of the Automotive Sector | |
| Wang et al. | Tool Wear Volume and Residual Life Prediction Based on Extreme Learning Machine | |
| Guan et al. | Application research of machine manufacturing process monitoring based on neural network | |
| Jinglei | Prediction Method of Bearing RUL Based on DNN and GBDT Algorithm |
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 |