CN116204842B - 一种电气设备的异常监测方法及系统 - Google Patents
一种电气设备的异常监测方法及系统 Download PDFInfo
- Publication number
- CN116204842B CN116204842B CN202310230002.9A CN202310230002A CN116204842B CN 116204842 B CN116204842 B CN 116204842B CN 202310230002 A CN202310230002 A CN 202310230002A CN 116204842 B CN116204842 B CN 116204842B
- Authority
- CN
- China
- Prior art keywords
- state element
- feature
- state
- sequence
- sequences
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电气设备的异常监测方法及系统,涉及设备监测技术领域,获取异常事务记录数据,进行关联性分析生成N组异常事务触发关联度,基于关联度阈值进行筛选与严格频繁序列挖掘,构建异常监测状态要素特征基线;获取状态要素实时特征序列判定是否符合异常监测状态要素特征基线,以进行故障预警,解决了现有技术中对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后的技术问题,通过进行层级要素关联分析与判定,实现设备故障的精准性完备检测,通过进行状态要素特征预测分析,预先进行故障识别以及时进行运维管理。
Description
技术领域
本发明涉及设备监测技术领域,具体涉及一种电气设备的异常监测方法及系统。
背景技术
电气设备运行过程中电气故障不可避免,但由于故障因素的多样性,导致故障的监测排查受限,无法保障电气设备运维的及时性与准确度。现如今,主要通过定期巡检,辅助相关功能性监测传感设备进行电气设备运行数据采集,为了保障判定准确度,需基于大量运行数据进行分析判定,导致数据处理分难度较大,且无法保障故障识别精度,有待进一步进行技术革新以提高故障监测能效。
现有技术中,对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后。
发明内容
本申请提供了一种电气设备的异常监测方法及系统,用于针对解决现有技术中存在的对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后的技术问题。
鉴于上述问题,本申请提供了一种电气设备的异常监测方法及系统。
第一方面,本申请提供了一种电气设备的异常监测方法,所述方法包括:
获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
若符合,生成所述预设电气设备的预设故障类型预警标识信息。
第二方面,本申请提供了一种电气设备的异常监测系统,所述系统包括:
数据获取模块,所述数据获取模块用于获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
关联性分析模块,所述关联性分析模块用于对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
频繁序列挖掘模块,所述频繁序列挖掘模块用于对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
基线构建模块,所述基线构建模块用于根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
序列获取模块,所述序列获取模块用于获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
序列判断模块,所述序列判断模块用于判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
预警信息生成模块,所述预警信息生成模块用于若符合,生成所述预设电气设备的预设故障类型预警标识信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种电气设备的异常监测方法,获取预设电气设备的预设故障类型的异常事务记录数据,进行关联性分析生成N组异常事务触发关联度,提取大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,包括异常事务联合敏感序列和异常事务独立触发序列,基于此构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;获取所述预设电气设备的状态要素实时特征序列,包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;若符合,生成所述预设电气设备的预设故障类型预警标识信息,解决了现有技术中对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后的技术问题,通过进行层级要素关联分析与判定,实现设备故障的精准性完备检测,通过进行状态要素特征预测分析,预先进行故障识别以及时进行运维管理。
附图说明
图1为本申请提供了一种电气设备的异常监测方法流程示意图;
图2为本申请提供了一种电气设备的异常监测方法中N组异常事务触发关联度获取流程示意图;
图3为本申请提供了一种电气设备的异常监测方法中M个异常事务状态要素特征敏感序列获取流程示意图;
图4为本申请提供了一种电气设备的异常监测系统结构示意图。
附图标记说明:数据获取模块11,关联性分析模块12,频繁序列挖掘模块13,基线构建模块14,序列获取模块15,序列判断模块16,预警信息生成模块17。
具体实施方式
本申请通过提供一种电气设备的异常监测方法及系统,用于解决现有技术中存在的对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后的技术问题。
实施例一
如图1所示,本申请提供了一种电气设备的异常监测方法,所述方法包括:
步骤S100:获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
进一步而言,本申请步骤S100还包括:
所述N组状态要素第一特征序列,至少包括以下一种:声音状态特征序列、振动状态特征序列、温度状态特征序列和外观状态特征序列。
具体而言,电气设备运行过程中电气故障不可避免,但由于故障因素的多样性,导致故障的监测排查受限,无法保障电气设备运维的及时性与准确度,本申请提供的一种电气设备的异常监测方法,通过异常记录数据进行多维故障特征的关联分析,筛选具有故障特征代表性的频繁特征,确定异常事务对应的因素状态序列,对实时状态序列进行评判分析,以进行电气设备运行异常的精准监测。
具体的,所述预设电气设备为待进行运行监测分析的目标设备,确定所述预设故障类型,即进行针对性分析的单项既定故障类型,例如元件故障、电路故障或接触不良等,皆会造成设备运行异常。确定预定时间区间,即进行记录采集的时间段,例如基于故障发生前后确定界定时间节点,将节点区间内作为所述预定时间区间,基于所述预定时间区间,对所述预设电气设备的所述预设故障类型的异常记录进行采集。针对每条记录数据,将所述预设电气设备的运行状态作为提取标准,包括声音状态、振动状态、温度状态和外观状态,分别提取各条异常记录的时序性状态序列,获取所述声音状态特征序列、所述振动状态特征序列、所述温度状态特征序列和所述外观状态特征序列,例如震动频率、幅度等状态的时序变化,对各记录数据提取的序列进行状态归属整合,生成所述N组状态要素第一特征序列,N为大于0的整数,与状态序列类目量相同。将所述N组状态要素第一特征序列作为采集源数据进行数据分析挖掘。
步骤S200:对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
进一步而言,如图2所示,所述对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度,本申请步骤S200还包括:
步骤S210:基于大数据,采集所述预设电气设备的无故障运行记录数据,其中,所述无故障运行记录数据包括N组状态要素第二特征序列;
步骤S220:根据所述N组状态要素第一特征序列,获取第n状态要素第一特征序列;
步骤S230:计算所述第n状态要素第一特征序列在所述N组状态要素第二特征序列中的触发频率,获取无故障触发频率;
步骤S240:计算所述第n状态要素第一特征序列在所述N组状态要素第一特征序列中的触发频率,获取故障触发频率;
步骤S250:对所述故障触发频率和所述无故障触发频率求比,生成第n状态要素第一特征序列异常事务关联度;
步骤S260:将所述第n状态要素第一特征序列异常事务关联度添加进所述N组异常事务触发关联度。
具体而言,基于所述N组状态要素第一特征序列,分别针对故障运行状况与无故障运行状况进行触发频率统计,进一步进行频率求比确定该状态要素第一特征序列的触发关联度,对多个关联度计量结果进行集成规整生成所述N组异常事务触发关联度。
具体而言,基于大数据对所述预设电气设备进行无故障运行记录数据采集,即正常运行状态下的相关记录数据,其中,所述无故障要素运行记录数据包括所述N组状态要素第二特征序列,与所述N组状态要素第一特征序列的获取方式相同,且包含类目相同。基于所述N 组状态要素第一特征序列,随机提取任意状态类型对应的所述第n状态要素第一特征序列,遍历所述N组状态要素第二特征序列进行触发匹配,进行触发频率统计,即表征无故障运行状况下该序列的显示次数,作为所述无故障触发频率。遍历所述N组状态要素第一特征序列,进行触发频率统计,即表征故障运行状况下该序列的显示次数,作为所述故障触发频率。
进一步的,对所述故障触发频率与所述无故障触发频率进行求比,将频率比值作为所述第n状态要素第一特征序列异常事务关联度,其中,异常记录中频率越高,正常记录中越低,即频率比值越高,确定关联度越高。将所述第n状态要素第一特征序列异常事务关联度添加进所述N组异常事务触发关联度。进一步的,分别对所述N组状态要素第一特征序列中各个状态要素第一特征序列分别进行异常事务关联度分析,进而添加进所述N组异常事务触发关联度,其中各个状态要素第一特征序列的异常事务关联度分析方式步骤相同。基于提取的记录数据进行序列提取与触发频率求比分析,可有效提高关联度分析结果的准确度与设备契合度。
步骤S300:对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
具体而言,设定所述关联度阈值,所述关联度阈值为进行衡量关联度大小的参照标准,可通过专家评估进行自定义设定。对所述N组异常事务触发关联度与所述关联度阈值进行校对判定,提取其中大于等于所述关联度阈值的M个状态要素特征序列,即其中关联度较大具有一定普适代表性的序列,对其中关联度较小者进行筛选忽略。针对所述M个状态要素特征序列基于独立与组合两种模式进行频繁项挖掘,生成所述异常事务联合敏感序列与所述异常事务独立触发序列,作为所述M个异常事务状态要素特征敏感序列。
进一步而言,如图3所示,所述对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,本申请步骤S300还包括:
步骤S310:将所述M个状态要素特征序列进行分组,获取多组状态要素特征序列,其中,任意一组状态要素特征序列属于同一条异常事务记录数据;
步骤S320:对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列;
步骤S330:对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列;
步骤S340:将所述异常事务独立触发序列和所述异常事务联合敏感序列添加进所述M个异常事务状态要素特征敏感序列。
进一步而言,所述对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列,本申请步骤S320还包括:
步骤S321:获取一项状态特征频繁度阈值,其中,所述一项状态特征频繁度阈值指的是单项状态要素特征视为故障频繁出现的最低频率;
步骤S322:根据所述一项状态特征频繁度阈值对所述任意一条状态要素特征序列进行剪枝,生成状态要素特征剪枝结果;
步骤S323:获取二项状态特征频繁度阈值直到k项状态特征频繁度阈值,其中,k>2,且k为剪枝结果的最大项具有的状态特征数量;
步骤S324:根据所述二项状态特征频繁度阈值直到所述k项状态特征频繁度阈值,对所述状态要素特征剪枝结果进行频繁度评估,获取一项状态特征频繁项、二项状态特征频繁项直到k项状态特征频繁项;
步骤S325:将所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项添加进所述异常事务独立触发序列。
进一步而言,所述对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列,本申请步骤S330还包括:
步骤S331:根据所述异常事务独立触发序列对所述多组状态要素特征序列进行剪枝,生成多组状态要素特征离散序列;
步骤S332:对所述多组状态要素特征离散序列中的任意两条或多条不同类型相同时间的状态要素特征序列的组合进行严格频繁序列挖掘,生成所述异常事务联合敏感序列。
具体而言,针对所述M个状态要素特征序列,将不同条异常事务记录数据作为划分标准,将所述M个状态要素特征序列划分为多组状态要素特征序列,任意一组状态要素特征序列包含多类型状态序列。基于所述多组状态要素特征序列,随机提取任意一组状态要素特征序列的任意一条状态要素特征序列,进行一项频繁项挖掘与多项频繁项挖掘,生成所述异常事务独立触发序列。
具体的,确定单项状态要素视为故障频繁出现的最低频率,例如既定温度值,将其设定为所述一项状态特征频繁度阈值,例如可依据专家评定进行自定义设定。将所述一项状态特征频繁度阈值作为判定标准,对所述任意一条状态要素特征序列进行校对剪枝,提取其中大于所述频繁度阈值的单项状态,作为一项特征值,生成所述状态要素特征剪枝结果。同理,将二项状态要素同时出现视为故障频繁的最低频率,作为所述二项状态特征频繁度阈值,逐层分析生成所述k项状态特征频繁度阈值,上述阈值设定方式相同。单项出现视为异常状态,在筛除了一项状态特征频繁项后的所述状态要素特征剪枝结果中,分析双项出现视为异常的状态,直到k项出现视为异常的状态,即针对二项状态要素特征直至k项状态要素特征匹配对应的状态特征频繁度阈值,将满足阈值界定范围的状态要素特征,对其进行归属汇总生成所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项。示例性的,某个特征值为异常出现时刻的状态值,且很多次该类异常出现,都为该状态值,则为单项异常;某个特征序列中的每个状态特征虽然不会在异常出现时刻出现,但是确实很多异常出现时这个特征序列都在其先前附近时区出现,则为多项状态特征。将所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项添加进所述异常事务独立触发序列,所述异常事务独立触发序列为可导致设备异常的单条状态要素特征序列。
进一步的,对任意两条或多条状态要素特征序列进行联合分析,确定导致设备运行异常的联合触发序列。具体的,将所述异常事务独立触发序列作为剪枝标准,对所述多组状态要素特征序列进行剪枝,提取区别于所述异常事务独立触发序列的剩余序列,将其作为所述多组状态要素特征离散序列,对其进行联合分析。将任意两条或多条不同类型相同时间的状态要素序列组合,进行严格频繁序列挖掘,设置多层级频繁度阈值,分别对应不同的序列组合数量,用于判定是否为联合敏感序列,本申请实施例中的阈值设定方式相同。对不同数量序列组合分别进行阈值匹配判定,提取其中大于等于阈值界定范围的状态要素特征序列,作为所述异常事务联合敏感序列,其中,所述异常事务联合敏感序列但序列出现不会触发异常,联合出现会导致设备运行异常。
其中,所述异常事务独立触发序列和所述异常事务联合敏感序列皆为频繁性判定后确定的具有异常触发代表性的代表性特征序列,将其添加进所述M个异常事务状态要素特征敏感序列。通过进行序列频繁度细化分析,针对状态要素特征、状态要素特征序列分别进行多层级分析判定,可有效保障最终确定的所述M个异常事务状态要素特征敏感序列的覆盖面与精准度,提高分析结果的完备性。
步骤S400:根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
步骤S500:获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
具体而言,基于所述异常事务联合敏感序列与所述异常事务独立触发序列,对包含的状态要素特征分别进行提取分析,确定同状态要素特征中可造成设备异常的强度最弱的特征状态,作为所述异常监测状态要素特征基线,例如某一状态要素特征于所述异常事务联合敏感序列与所述异常事务独立出发序列中皆存在,对两者进行校对,提取其中特征强度较弱者作为对应的状态要素特征基线,以保障异常状态覆盖完备性。
进一步的,对所述预设电气设备进行状态特征要素采集,将所述M个异常事务状态要素特征敏感序列作为采集方向,采集所述预设电气设备实时运行信息并基于时序推进进行状态序列化调整排布,获取所述M个状态要素实时特征序列,可有效保障采集信息的完整度,提高后续故障分析的精准度,其中所述M个状态要素实时特征序列表征所述预设电气设备的运行实况。
步骤S600:判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
步骤S700:若符合,生成所述预设电气设备的预设故障类型预警标识信息。
进一步而言,所述判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线,本申请步骤S600还包括:
步骤S610:若不符合,获取状态要素特征序列预测模型;以及
步骤S620:获取所述预设电气设备的设备运行控制参数;
步骤S630:将所述设备运行控制参数和所述M个状态要素实时特征序列输入所述状态要素特征序列预测模型,生成M个状态要素特征序列预测结果;
步骤S640:判断所述M个状态要素特征序列预测结果是否符合所述异常监测状态要素特征基线;
步骤S650:若符合,生成所述预设电气设备的所述预设故障类型预警标识信息;以及
步骤S660:若不符合,生成所述预设电气设备的预设故障类型正常标识信息。
进一步而言,所述获取状态要素特征序列预测模型,本申请步骤S630还包括:
步骤S631:获取状态要素特征序列记录数据和运行参数记录数据;
步骤S632:对所述状态要素特征序列记录数据进行切割,获取状态要素特征序列记录数据训练集与状态要素特征序列记录数据标识集;
步骤S633:将所述运行参数记录数据和所述状态要素特征序列记录数据训练集作为输入数据,将所述状态要素特征序列记录数据标识集作为输出标识数据,基于长短时记忆神经网络,训练所述状态要素特征序列预测模型。
具体而言,将所述异常监测状态要素特征基线作为判定参考,对所述M个状态要素实时特征序列进行匹配校对,判断是否符合所述异常监测状态要素特征基线,若符合,表明所述预设电气设备存在故障状态,对其进行识别标识,生成所述预设故障类型预警标识信息,优选的,可设定预警标识方式,针对故障预警进行红色标识,针对正常状态进行绿色标识,配置不同颜色等级进行故障等级表征。若不符合表明所述预设电气设备为不存在设备故障。上述判定为所述预设电气设备的实时故障预警。当实时运行状态正常时,在此基础上进一步对其进行故障预测,提高报警预先度,以作预防处理。
具体的,当不符合时,获取所述状态要素特征序列预测模型,所述状态要素特征序列预测模型为进行状态预测的功能性分析工具。具体的,对所述预设电气设备同规格设备进行历史运行数据调取,获取所述状态要素特征序列记录数据与所述运行参数记录数据,上述数据为具有普适代表性的样本记录数据,可直接进行运行数据库调取。基于同时序节点对所述状态要素特征序列记录数据进行切割,将上位时序节点对应的数据作为所述状态要素特征序列记录数据训练集,将下位时序节点对应的数据作为所述状态要素特征序列记录数据标识集。将所述运行参数记录数据与所述状态要素特征序列记录数据训练集作为输入数据,将所述状态要素特征序列记录数据标识集作为输出标识数据,其中,所述状态要素特征序列记录数据训练集与所述状态要素特征序列记录数据标识集映射对应,通过进行长短时记忆神经网络训练,生成所述状态要素特征序列预测模型,基于所述状态要素特征序列预测模型进行设备运行故障预测,可提高预测结果的准确度与客观性,并保障设备匹配度。
进一步的,基于所述状态要素特征序列预测模型,对所述预设电气设备进行故障预测。具体的,获取所述预设电气设备的所述设备运行控制参数,以确定设备实时运行模式,将所述设备运行控制参数与所述M个状态要素实时特征序列输入所述状态要素特征序列预测模型中,通过进行数据匹配映射,直接确定对应的M个状态要素特征序列预测结果。进一步对所述M个状态要素特征进行异常判定,遍历所述异常监测状态要素特征基线进行映射匹配,判断是否符合,若符合,表明后续时间节点的运行中存在设备故障,生成所述预设故障类型预警标识信息进行预警警示;当不符合时,表明后续时间节点的运行中不存在设备故障,生成所述预设故障类型正常标识信息。其中标识信息的表征方式与实时判定表征方式相同。
本发明提供了一种电气设备的异常监测方法及系统,具有如下技术效果:
1、本发明提供了一种电气设备的异常监测方法,获取异常事务记录数据,进行关联性分析生成N组异常事务触发关联度,基于关联度阈值进行筛选与严格频繁序列挖掘,构建异常监测状态要素特征基线;获取状态要素实时特征序列判定是否符合异常监测状态要素特征基线,以进行故障预警,解决了现有技术中对于电气设备的异常监测方法较为常规且智能度不足,由于要素复杂度较高导致监测结果精准度不足,同时只能进行实时预警,预先度较低导致设备后续运维处理存在滞后的技术问题,通过进行层级要素关联分析与判定,实现设备故障的精准性完备检测,通过进行状态要素特征预测分析,预先进行故障识别以及时进行运维管理。
2、针对状态要素逐层进行剖析与敏感性分析,提高状态要素特征校对判定标准的完备性与设备契合度,便于后续进行高效精准故障判定;当实时运行状态正常时进一步进行预测,以提高故障判定的预先度,以提前进行预防运维处理。
实施例二
基于与前述实施例中一种电气设备的异常监测方法相同的发明构思,如图4所示,本申请提供了一种电气设备的异常监测系统,所述系统包括:
数据获取模块11,所述数据获取模块11用于获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
关联性分析模块12,所述关联性分析模块12用于对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
频繁序列挖掘模块13,所述频繁序列挖掘模块13用于对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
基线构建模块14,所述基线构建模块14用于根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
序列获取模块15,所述序列获取模块15用于获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
序列判断模块16,所述序列判断模块16用于判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
预警信息生成模块17,所述预警信息生成模块17用于若符合,生成所述预设电气设备的预设故障类型预警标识信息。
进一步而言,所述系统还包括:
模型获取模块,所述模型获取模块用于若不符合,获取状态要素特征序列预测模型;以及
参数获取模块,所述参数获取模块用于获取所述预设电气设备的设备运行控制参数;
结果生成模块,所述结果生成模块用于将所述设备运行控制参数和所述M个状态要素实时特征序列输入所述状态要素特征序列预测模型,生成M个状态要素特征序列预测结果;
结果判断模块,所述结果判断模块用于判断所述M个状态要素特征序列预测结果是否符合所述异常监测状态要素特征基线;
预警标识信息生成模块,所述预警标识信息生成模块用于若符合,生成所述预设电气设备的所述预设故障类型预警标识信息;以及
正常标识信息生成模块,所述正常标识信息生成模块用于若不符合,生成所述预设电气设备的预设故障类型正常标识信息。
进一步而言,所述系统还包括:
序列剖析模块,所述序列剖析模块用于所述N组状态要素第一特征序列,至少包括以下一种:声音状态特征序列、振动状态特征序列、温度状态特征序列和外观状态特征序列。
进一步而言,所述系统还包括:
记录数据采集模块,所述记录数据采集模块用于基于大数据,采集所述预设电气设备的无故障运行记录数据,其中,所述无故障运行记录数据包括N组状态要素第二特征序列;
特征序列获取模块,所述特征序列获取模块用于根据所述N组状态要素第一特征序列,获取第n状态要素第一特征序列;
无故障触发频率获取模块,所述无故障触发频率获取模块用于计算所述第n状态要素第一特征序列在所述N组状态要素第二特征序列中的触发频率,获取无故障触发频率;
故障触发频率获取模块,所述故障触发频率获取模块用于计算所述第n状态要素第一特征序列在所述N组状态要素第一特征序列中的触发频率,获取故障触发频率;
关联度生成模块,所述关联度生成模块用于对所述故障触发频率和所述无故障触发频率求比,生成第n状态要素第一特征序列异常事务关联度;
关联度添加模块,所述关联度添加模块用于将所述第n状态要素第一特征序列异常事务关联度添加进所述N组异常事务触发关联度。
进一步而言,所述系统还包括:
特征序列分组模块,所述特征序列分组模块用于将所述M个状态要素特征序列进行分组,获取多组状态要素特征序列,其中,任意一组状态要素特征序列属于同一条异常事务记录数据;
独立触发序列生成模块,所述独立触发序列生成模块用于对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列;
联合敏感序列触发模块,所述联合敏感序列触发模块用于对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列;
序列添加模块,所述序列添加模块用于将所述异常事务独立触发序列和所述异常事务联合敏感序列添加进所述M个异常事务状态要素特征敏感序列。
进一步而言,所述系统还包括:
一项频繁项阈值获取模块,所述一项频繁项阈值获取模块用于获取一项状态特征频繁度阈值,其中,所述一项状态特征频繁度阈值指的是单项状态要素特征视为故障频繁出现的最低频率;
序列剪枝模块,所述序列剪枝模块用于根据所述一项状态特征频繁度阈值对所述任意一条状态要素特征序列进行剪枝,生成状态要素特征剪枝结果;
多项频繁项阈值获取模块,所述多项频繁项阈值获取模块用于获取二项状态特征频繁度阈值直到k项状态特征频繁度阈值,其中,k>2,且k为剪枝结果的最大项具有的状态特征数量;
频繁度评估模块,所述频繁度评估模块用于根据所述二项状态特征频繁度阈值直到所述k项状态特征频繁度阈值,对所述状态要素特征剪枝结果进行频繁度评估,获取一项状态特征频繁项、二项状态特征频繁项直到k项状态特征频繁项;
频繁项添加模块,所述频繁项添加模块用于将所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项添加进所述异常事务独立触发序列。
进一步而言,所述系统还包括:
离散序列生成模块,所述离散序列生成模块用于根据所述异常事务独立触发序列对所述多组状态要素特征序列进行剪枝,生成多组状态要素特征离散序列;
组合频繁项挖掘模块,所述组合频繁项挖掘模块用于对所述多组状态要素特征离散序列中的任意两条或多条不同类型相同时间的状态要素特征序列的组合进行严格频繁序列挖掘,生成所述异常事务联合敏感序列。
进一步而言,所述系统还包括:
记录数据获取模块,所述记录数据获取模块用于获取状态要素特征序列记录数据和运行参数记录数据;
记录数据切割模块,所述记录数据切割模块用于对所述状态要素特征序列记录数据进行切割,获取状态要素特征序列记录数据训练集与状态要素特征序列记录数据标识集;
将模型训练模块,所述模型训练模块用于所述运行参数记录数据和所述状态要素特征序列记录数据训练集作为输入数据,将所述状态要素特征序列记录数据标识集作为输出标识数据,基于长短时记忆神经网络,训练所述状态要素特征序列预测模型。
本说明书通过前述对一种电气设备的异常监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种电气设备的异常监测方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (6)
1.一种电气设备的异常监测方法,其特征在于,包括:
获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
若符合,生成所述预设电气设备的预设故障类型预警标识信息;
其中,所述对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,包括:
将所述M个状态要素特征序列进行分组,获取多组状态要素特征序列,其中,任意一组状态要素特征序列属于同一条异常事务记录数据;
对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列;
对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列;
将所述异常事务独立触发序列和所述异常事务联合敏感序列添加进所述M个异常事务状态要素特征敏感序列;
其中,所述对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列,包括:
获取一项状态特征频繁度阈值,其中,所述一项状态特征频繁度阈值指的是单项状态要素特征视为故障频繁出现的最低频率;
根据所述一项状态特征频繁度阈值对所述任意一条状态要素特征序列进行剪枝,生成状态要素特征剪枝结果;
获取二项状态特征频繁度阈值直到k项状态特征频繁度阈值,其中,k>2,且k为剪枝结果的最大项具有的状态特征数量;
根据所述二项状态特征频繁度阈值直到所述k项状态特征频繁度阈值,对所述状态要素特征剪枝结果进行频繁度评估,获取一项状态特征频繁项、二项状态特征频繁项直到k项状态特征频繁项;
将所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项添加进所述异常事务独立触发序列;
其中,所述对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列,包括:
根据所述异常事务独立触发序列对所述多组状态要素特征序列进行剪枝,生成多组状态要素特征离散序列;
对所述多组状态要素特征离散序列中的任意两条或多条不同类型相同时间的状态要素特征序列的组合进行严格频繁序列挖掘,生成所述异常事务联合敏感序列。
2.如权利要求1所述的方法,其特征在于,所述判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线,还包括:
若不符合,获取状态要素特征序列预测模型;以及
获取所述预设电气设备的设备运行控制参数;
将所述设备运行控制参数和所述M个状态要素实时特征序列输入所述状态要素特征序列预测模型,生成M个状态要素特征序列预测结果;
判断所述M个状态要素特征序列预测结果是否符合所述异常监测状态要素特征基线;
若符合,生成所述预设电气设备的所述预设故障类型预警标识信息;以及
若不符合,生成所述预设电气设备的预设故障类型正常标识信息。
3.如权利要求1所述的方法,其特征在于,所述N组状态要素第一特征序列,至少包括以下一种:声音状态特征序列、振动状态特征序列、温度状态特征序列和外观状态特征序列。
4.如权利要求1所述的方法,其特征在于,所述对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度,包括:
基于大数据,采集所述预设电气设备的无故障运行记录数据,其中,所述无故障运行记录数据包括N组状态要素第二特征序列;
根据所述N组状态要素第一特征序列,获取第n状态要素第一特征序列;
计算所述第n状态要素第一特征序列在所述N组状态要素第二特征序列中的触发频率,获取无故障触发频率;
计算所述第n状态要素第一特征序列在所述N组状态要素第一特征序列中的触发频率,获取故障触发频率;
对所述故障触发频率和所述无故障触发频率求比,生成第n状态要素第一特征序列异常事务关联度;
将所述第n状态要素第一特征序列异常事务关联度添加进所述N组异常事务触发关联度。
5.如权利要求2所述的方法,其特征在于,所述获取状态要素特征序列预测模型,包括:
获取状态要素特征序列记录数据和运行参数记录数据;
对所述状态要素特征序列记录数据进行切割,获取状态要素特征序列记录数据训练集与状态要素特征序列记录数据标识集;
将所述运行参数记录数据和所述状态要素特征序列记录数据训练集作为输入数据,将所述状态要素特征序列记录数据标识集作为输出标识数据,基于长短时记忆神经网络,训练所述状态要素特征序列预测模型。
6.一种电气设备的异常监测系统,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取预设电气设备的预设故障类型的异常事务记录数据,其中,所述异常事务记录数据包括N组状态要素第一特征序列,N为大于0的整数,且任意一组状态要素第一特征序列表征一个类型状态要素的特征序列;
关联性分析模块,所述关联性分析模块用于对所述N组状态要素第一特征序列进行关联性分析,生成N组异常事务触发关联度;
频繁序列挖掘模块,所述频繁序列挖掘模块用于对所述N组异常事务触发关联度大于或等于关联度阈值的M个状态要素特征序列进行严格频繁序列挖掘,生成M个异常事务状态要素特征敏感序列,其中,所述M个异常事务状态要素特征敏感序列包括异常事务联合敏感序列和异常事务独立触发序列;
基线构建模块,所述基线构建模块用于根据所述异常事务联合敏感序列和所述异常事务独立触发序列,构建所述预设电气设备的所述预设故障类型的异常监测状态要素特征基线;
序列获取模块,所述序列获取模块用于获取所述预设电气设备的状态要素实时特征序列,其中,所述状态要素实时特征序列包括所述M个异常事务状态要素特征敏感序列对应的M个状态要素实时特征序列;
序列判断模块,所述序列判断模块用于判断所述M个状态要素实时特征序列是否符合所述异常监测状态要素特征基线;
预警信息生成模块,所述预警信息生成模块用于若符合,生成所述预设电气设备的预设故障类型预警标识信息;
特征序列分组模块,所述特征序列分组模块用于将所述M个状态要素特征序列进行分组,获取多组状态要素特征序列,其中,任意一组状态要素特征序列属于同一条异常事务记录数据;
独立触发序列生成模块,所述独立触发序列生成模块用于对所述多组状态要素特征序列的任意一组状态要素特征序列的任意一条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务独立触发序列;
联合敏感序列触发模块,所述联合敏感序列触发模块用于对所述多组状态要素特征序列的任意一组状态要素特征序列的任意两条或多条状态要素特征序列进行严格频繁序列挖掘,生成所述异常事务联合敏感序列;
序列添加模块,所述序列添加模块用于将所述异常事务独立触发序列和所述异常事务联合敏感序列添加进所述M个异常事务状态要素特征敏感序列;
一项频繁项阈值获取模块,所述一项频繁项阈值获取模块用于获取一项状态特征频繁度阈值,其中,所述一项状态特征频繁度阈值指的是单项状态要素特征视为故障频繁出现的最低频率;
序列剪枝模块,所述序列剪枝模块用于根据所述一项状态特征频繁度阈值对所述任意一条状态要素特征序列进行剪枝,生成状态要素特征剪枝结果;
多项频繁项阈值获取模块,所述多项频繁项阈值获取模块用于获取二项状态特征频繁度阈值直到k项状态特征频繁度阈值,其中,k>2,且k为剪枝结果的最大项具有的状态特征数量;
频繁度评估模块,所述频繁度评估模块用于根据所述二项状态特征频繁度阈值直到所述k项状态特征频繁度阈值,对所述状态要素特征剪枝结果进行频繁度评估,获取一项状态特征频繁项、二项状态特征频繁项直到k项状态特征频繁项;
频繁项添加模块,所述频繁项添加模块用于将所述一项状态特征频繁项、所述二项状态特征频繁项直到所述k项状态特征频繁项添加进所述异常事务独立触发序列;
离散序列生成模块,所述离散序列生成模块用于根据所述异常事务独立触发序列对所述多组状态要素特征序列进行剪枝,生成多组状态要素特征离散序列;
组合频繁项挖掘模块,所述组合频繁项挖掘模块用于对所述多组状态要素特征离散序列中的任意两条或多条不同类型相同时间的状态要素特征序列的组合进行严格频繁序列挖掘,生成所述异常事务联合敏感序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230002.9A CN116204842B (zh) | 2023-03-10 | 2023-03-10 | 一种电气设备的异常监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230002.9A CN116204842B (zh) | 2023-03-10 | 2023-03-10 | 一种电气设备的异常监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116204842A CN116204842A (zh) | 2023-06-02 |
CN116204842B true CN116204842B (zh) | 2023-09-08 |
Family
ID=86512797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310230002.9A Active CN116204842B (zh) | 2023-03-10 | 2023-03-10 | 一种电气设备的异常监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204842B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095465B (zh) * | 2023-10-19 | 2024-02-06 | 华夏天信智能物联(大连)有限公司 | 一种煤矿安全监管方法及系统 |
CN117145752B (zh) * | 2023-10-26 | 2024-01-30 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
CN117195134B (zh) * | 2023-10-30 | 2024-01-30 | 苏州欣和智达能源科技有限公司 | 用于氢燃料基站电源的预警方法及装置 |
CN117235649B (zh) * | 2023-11-09 | 2024-02-13 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600000A (zh) * | 2018-04-12 | 2018-09-28 | 咪咕文化科技有限公司 | 一种故障预测方法、服务器和计算机存储介质 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN114860808A (zh) * | 2022-05-16 | 2022-08-05 | 国网江苏省电力有限公司扬州供电分公司 | 基于大数据的配电网设备异常事件关联分析方法 |
CN115358294A (zh) * | 2022-07-27 | 2022-11-18 | 长春工业大学 | 一种高速列车牵引系统的微小故障检测方法 |
CN115422263A (zh) * | 2022-11-01 | 2022-12-02 | 广东亿能电力股份有限公司 | 一种电力现场多功能通用型故障分析方法及系统 |
CN115580028A (zh) * | 2022-11-21 | 2023-01-06 | 江苏黑马高科股份有限公司 | 一种用于电力管理的电能质量监测方法及系统 |
-
2023
- 2023-03-10 CN CN202310230002.9A patent/CN116204842B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600000A (zh) * | 2018-04-12 | 2018-09-28 | 咪咕文化科技有限公司 | 一种故障预测方法、服务器和计算机存储介质 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN114860808A (zh) * | 2022-05-16 | 2022-08-05 | 国网江苏省电力有限公司扬州供电分公司 | 基于大数据的配电网设备异常事件关联分析方法 |
CN115358294A (zh) * | 2022-07-27 | 2022-11-18 | 长春工业大学 | 一种高速列车牵引系统的微小故障检测方法 |
CN115422263A (zh) * | 2022-11-01 | 2022-12-02 | 广东亿能电力股份有限公司 | 一种电力现场多功能通用型故障分析方法及系统 |
CN115580028A (zh) * | 2022-11-21 | 2023-01-06 | 江苏黑马高科股份有限公司 | 一种用于电力管理的电能质量监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116204842A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116204842B (zh) | 一种电气设备的异常监测方法及系统 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN112257963A (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN107291475A (zh) | 通用型phm应用配置方法和装置 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及系统 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN117289067A (zh) | 一种变压器运行状态在线监测系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN112199295A (zh) | 一种基于频谱的深度神经网络缺陷定位方法及系统 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN116663875B (zh) | 一种基于大数据的智能化安装工程监测系统及方法 | |
CN116823215B (zh) | 一种用于电站的智慧运维管控方法及系统 | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
CN117741331A (zh) | 一种配电网接地故障辨识方法及装置 | |
CN117113259A (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
CN117475602A (zh) | 充电站的安全监控方法、装置、安全监控系统和充电站 | |
CN117745054A (zh) | 一种设备异常事件全生命周期管控平台及方法 | |
CN117908522A (zh) | 基于模拟分析的发控设备故障定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |