CN116296504A - 往复式设备的故障确定方法、装置及电子设备 - Google Patents
往复式设备的故障确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116296504A CN116296504A CN202310209372.4A CN202310209372A CN116296504A CN 116296504 A CN116296504 A CN 116296504A CN 202310209372 A CN202310209372 A CN 202310209372A CN 116296504 A CN116296504 A CN 116296504A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration signal
- target
- fault
- reciprocating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000001131 transforming effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 45
- 238000005070 sampling Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种往复式设备的故障确定方法、装置及电子设备。其中,该方法包括:获取往复式设备的初始振动信号与预定旋转数据,其中,初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到;依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号;傅里叶变换目标振动信号,得到目标阶频数据;依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果。本发明解决了相关技术中存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术问题。
Description
技术领域
本发明涉及故障检测领域,具体而言,涉及一种往复式设备的故障确定方法、装置及电子设备。
背景技术
往复式设备的故障诊断是往复式设备行业内的研究热点,由于往复式设备的工作环境十分恶劣,因此需要对往复式设备进行故障检测。但在相关技术中,大多数研究是直接利用往复式设备的振动数据进行故障诊断或模型训练,少部分研究致力于对振动信号进行特征提取,设置标签,然后进行网络模型训练。而现实中很难采集到往复式设备的各类故障数据,而且现场采集的振动信号受多种工况因素的干扰,不够准确,因此相关技术中存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种往复式设备的故障确定方法、装置及电子设备,以至少解决相关技术中存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术问题。
根据本发明实施例的一个方面,提供了一种往复式设备的故障确定方法,包括:获取往复式设备的初始振动信号与预定旋转数据,其中,所述初始振动信号由位于所述往复式设备预定位置处部件上的传感器采集得到;依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号;傅里叶变换所述目标振动信号,得到目标阶频数据;依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果。
可选地,所述依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果,包括:将所述目标阶频数据输入至故障预测模型中,得到所述往复式设备预定位置处部件是否故障的故障结果,其中,所述故障预测模型为采用正样本数据训练初始模型后得到的模型,所述正样本数据包括与第一样本位置处对应的样本阶频数据,所述第一样本位置处部件无故障的样本故障结果。
可选地,所述将所述目标阶频数据输入至故障预测模型中,得到所述往复式设备预定位置处部件是否故障的故障结果之前,还包括:采用正负样本数据测试训练后的所述初始模型,得到所述训练后的所述初始模型的准确度指数,其中,所述正负样本数据包括与第二样本位置处对应的样本阶频数据,所述第二样本位置处部件是否故障的样本故障结果;在所述准确度指数大于预定阈值的情况下,确定所述训练后的所述初始模型为所述故障预测模型。
可选地,所述依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果,包括:确定与所述目标阶频数据对应的目标误差值与预定误差阈值;比较所述目标误差值与所述预定误差阈值,得到目标比较结果;依据所述目标比较结果,得到所述往复式设备预定位置处部件是否故障的故障结果。
可选地,确定与所述目标阶频数据对应的预定误差阈值,包括:采用箱线图方法,确定与所述目标阶频数据对应的预定误差阈值。
可选地,所述依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号,包括:在所述预定旋转数据包括电机转速数据,电机旋转周期数据,采样阶次数据的情况下,依据所述电机转速数据与所述电机旋转周期数据,确定第一时间,并依据所述电机转速数据与所述采样阶次数据,确定第二时间,其中,所述第一时间表示为所述电机旋转一个周期需要的时间,所述第二时间表示所述电机旋转所述采样阶次数据的倒数个周期所需要的时间;依据所述第一时间与所述第二时间,得到等角度时间刻度;依据所述等角度时间刻度与所述初始振动信号,得到等角度采样的所述目标振动信号。
可选地,所述依据所述等角度时间刻度与所述初始振动信号,得到等角度采样的所述目标振动信号,包括:依据所述电机转速数据与所述采样阶次数据,确定归一化截止频率;依据所述归一化截止频率滤波所述初始振动信号,得到滤波振动信号;依据所述等角度时间刻度与所述滤波振动信号,得到等角度采样的所述目标振动信号。
根据本发明实施例的一个方面,提供了一种往复式设备的故障确定装置,包括:获取模块,用于获取往复式设备的初始振动信号与预定旋转数据,其中,所述初始振动信号由位于所述往复式设备预定位置处部件上的传感器采集得到;转换模块,用于依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号;变换模块,用于傅里叶变换所述目标振动信号,得到目标阶频数据;确定模块,用于依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果。
根据本发明实施例的一个方面,提供了一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述任一项所述的往复式设备的故障确定方法。
根据本发明实施例的一个方面,提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的往复式设备的故障确定方法。
在本发明实施例中,通过获取往复式设备的初始振动信号与预定旋转数据,其中,初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到,再依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号,然后傅里叶变换目标振动信号,得到目标阶频数据,再依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果。由于初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到,因此初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况。由于初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况,且预定旋转数据可以校正初始振动信号的角度偏差,因此依据预定旋转数据,转换初始振动信号,可以及时得到不受角度干扰的、准确的等角度采样的目标振动信号。通过傅里叶变换目标振动信号,可以快速地将在多种工况干扰因素下的多种不同工况振动信号转化到相同频次的频域范围下,降低多种工况干扰因素对目标振动信号的影响,得到准确反应正常振动信号的目标阶频数据。由于目标阶频数据是准确的,因此依据目标阶频数据,可以及时得到准确的往复式设备预定位置处部件是否故障的故障结果,从而实现了及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术效果,进而解决了相关技术中存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的往复式设备的故障确定方法的流程图;
图2是本发明可选实施方式提供的往复式设备的故障预测模型的训练流程图;
图3是本发明可选实施方式提供的往复式设备的故障预测模型的训练数据的更新流程图;
图4是根据本发明实施例的往复式设备的故障确定装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
往复式设备:有挂档次序的,不能循环的设备。
箱线图方法:箱线图又称为盒须图、盒式图,是一种用作显示一组数据分散情况资料的统计图,因形状如箱子而得名。在各种领域中经常被使用,常见于品质管理。箱线图主要用于反映原始数据分类的特征,也可以进行多组数据分布特征的比较。本申请中的箱线图方法是指通过箱线图比较目标误差值与预定误差阈值,确定与目标阶频数据对应的预定误差阈值的方法。
实施例1
根据本发明实施例,提供了一种往复式设备的故障确定方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的往复式设备的故障确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取往复式设备的初始振动信号与预定旋转数据,其中,初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到;
在本发明上述步骤S102提供的技术方案中,由于初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到,因此获取的初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况。预定旋转数据可以校正初始振动信号的角度偏差。
步骤S104,依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号;
在本发明上述步骤S104提供的技术方案中,由于初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况,且预定旋转数据可以校正初始振动信号的角度偏差,因此依据预定旋转数据,转换初始振动信号,可以及时得到不受角度干扰的、准确的等角度采样的目标振动信号。
步骤S106,傅里叶变换目标振动信号,得到目标阶频数据;
在本发明上述步骤S106提供的技术方案中,通过傅里叶变换目标振动信号,可以快速地将在多种工况干扰因素下的多种不同工况振动信号转化到相同频次的频域范围下,降低多种工况干扰因素对目标振动信号的影响,得到准确反应正常振动信号的目标阶频数据。
步骤S108,依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果。
在本发明上述步骤S108提供的技术方案中,由于目标阶频数据是准确的,因此依据目标阶频数据,可以及时得到准确的往复式设备预定位置处部件是否故障的故障结果。
通过上述步骤S102至上述步骤S108,通过获取往复式设备的初始振动信号与预定旋转数据,其中,初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到,再依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号,然后傅里叶变换目标振动信号,得到目标阶频数据,再依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果。由于初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到,因此初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况。由于初始振动信号可以准确地反映位于往复式设备预定位置处部件的振动情况,且预定旋转数据可以校正初始振动信号的角度偏差,因此依据预定旋转数据,转换初始振动信号,可以及时得到不受角度干扰的、准确的等角度采样的目标振动信号。通过傅里叶变换目标振动信号,可以快速地将在多种工况干扰因素下的多种不同工况振动信号转化到相同频次的频域范围下,降低多种工况干扰因素对目标振动信号的影响,得到准确反应正常振动信号的目标阶频数据。由于目标阶频数据是准确的,因此依据目标阶频数据,可以及时得到准确的往复式设备预定位置处部件是否故障的故障结果,从而实现了及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术效果,进而解决了相关技术中存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的技术问题。
作为一种可选的实施例,依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果,包括:将目标阶频数据输入至故障预测模型中,得到往复式设备预定位置处部件是否故障的故障结果,其中,故障预测模型为采用正样本数据训练初始模型后得到的模型,正样本数据包括与第一样本位置处对应的样本阶频数据,第一样本位置处部件无故障的样本故障结果。
在该实施例中,由于正样本数据包括与第一样本位置处对应的样本阶频数据,第一样本位置处部件无故障的样本故障结果,因此采用正样本数据训练初始模型后得到的故障预测模型可以快速、准确地通过第一样本位置处对应的样本阶频数据得出第一样本位置处部件无故障的样本故障结果,因此将目标阶频数据输入至故障预测模型中,可以及时地得到准确的往复式设备预定位置处部件是否故障的故障结果。
作为一种可选的实施例,将目标阶频数据输入至故障预测模型中,得到往复式设备预定位置处部件是否故障的故障结果之前,还包括:采用正负样本数据测试训练后的初始模型,得到训练后的初始模型的准确度指数,其中,正负样本数据包括与第二样本位置处对应的样本阶频数据,第二样本位置处部件是否故障的样本故障结果;在准确度指数大于预定阈值的情况下,确定训练后的初始模型为故障预测模型。
在该实施例中,由于正负样本数据包括与第二样本位置处对应的样本阶频数据,第二样本位置处部件是否故障的样本故障结果,因此采用正负样本数据测试训练后的初始模型,可以快速地、准确地得到训练后的初始模型的准确度指数。在准确度指数大于预定阈值的情况下,即,在训练后的初始模型的准确度指数较好的情况下,可以确定训练后的初始模型的准确性较好,从而确定训练后的初始模型为故障预测模型。通过这种方式,可以确保故障预测模型的准确性较好。
作为一种可选的实施例,依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果,包括:确定与目标阶频数据对应的目标误差值与预定误差阈值;比较目标误差值与预定误差阈值,得到目标比较结果;依据目标比较结果,得到往复式设备预定位置处部件是否故障的故障结果。
在该实施例中,通过比较目标误差值与预定误差阈值,可以得到准确的目标比较结果。依据准确的目标比较结果,可以快速地、准确地得到往复式设备预定位置处部件是否故障的故障结果。
作为一种可选的实施例,确定与目标阶频数据对应的预定误差阈值,包括:采用箱线图方法,确定与目标阶频数据对应的预定误差阈值。
在该实施例中,采用箱线图方法,可以准确地比较目标误差值与预定误差阈值,确定与目标阶频数据对应的准确的预定误差阈值。
作为一种可选的实施例,依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号,包括:在预定旋转数据包括电机转速数据,电机旋转周期数据,采样阶次数据的情况下,依据电机转速数据与电机旋转周期数据,确定第一时间,并依据电机转速数据与采样阶次数据,确定第二时间,其中,第一时间表示为电机旋转一个周期需要的时间,第二时间表示电机旋转采样阶次数据的倒数个周期所需要的时间;依据第一时间与第二时间,得到等角度时间刻度;依据等角度时间刻度与初始振动信号,得到等角度采样的目标振动信号。
在该实施例中,在预定旋转数据包括电机转速数据,电机旋转周期数据,采样阶次数据的情况下,依据电机转速数据与电机旋转周期数据,可以准确地确定第一时间,即,可以准确地确定电机旋转一个周期需要的时间,并依据电机转速数据与采样阶次数据,可以准确地确定第二时间,即,可以准确地确定电机旋转采样阶次数据的倒数个周期所需要的时间。依据第一时间与第二时间,可以快速地、准确地得到等角度时间刻度。依据等角度时间刻度与初始振动信号,可以快速地、准确地得到等角度采样的目标振动信号。
作为一种可选的实施例,依据等角度时间刻度与初始振动信号,得到等角度采样的目标振动信号,包括:依据电机转速数据与采样阶次数据,确定归一化截止频率;依据归一化截止频率滤波初始振动信号,得到滤波振动信号;依据等角度时间刻度与滤波振动信号,得到等角度采样的目标振动信号。
在该实施例中,依据电机转速数据与采样阶次数据,可以及时确定出准确的归一化截止频率。依据归一化截止频率滤波初始振动信号,可以快速地、准确地得到滤波振动信号。依据等角度时间刻度与滤波振动信号,可以得到准确的等角度采样的目标振动信号。
基于上述实施例及可选实施例,提供了一种可选实施方式,下面具体说明。
在相关技术中,存在难以及时、准确地确定出往复式设备预定位置处部件是否存在故障的问题。
鉴于此,本发明可选实施方式中提供了一种往复式设备的故障确定方法,其能够及时、准确地确定出往复式设备预定位置处部件是否存在故障。
图2是本发明可选实施方式提供的往复式设备的故障预测模型的训练流程图,如图2所示,往复式设备的故障预测模型的训练流程如下:
1)获取初始振动信号(相当于图2中的原始数据获取):
在容易发生故障的目标位置多安装传感器来采集初始振动信号,目标位置包括轴承、齿轮、减速箱小齿轮输入侧、减速箱大齿轮输入侧、动力端1道轴承、动力端2道轴承,传感器包括单轴振动传感器、多轴振动传感器。通过单轴振动传感器、多轴振动传感器等传感器采集多通道的振动信号原始数据,并通过数采软件进行相关通道采集参数配置,按照规定采集频率采集初始振动信号。例如,对压裂设备往复柱塞泵减速箱输入端轴承故障进行预测,在减速箱输入侧水平方向安装传感器进行振动数据的采集,将该位置传感器及采集的原始振动数据标记为23通道(传感器可以存在很多测点通道),传感器的采样频率为25600HZ,且减速箱动力端电机转速已知。
以下以23通道单通道建模过程为例进行本申请提供的方法的阐述,其他通道构建过程与下述方法一致。
2)数据标注(相当于图2中的正负样本标注):
通过上述1)获取初始振动信号,可以获得相同型号的不同设备同一测点振动样本,振动样本按一分钟时间间隔进行划分,每分钟内提取四秒振动数据(不局限于时间间隔的大小和提取时间范围),按时间先后排序,从而获得初始振动信号集X={x1,x2,…xd},xd为一个四秒的振动数据。根据之前的数据经验确定初始振动信号分析诊断结果及现场维保修记录,对初始振动信号集X={x1,x2,…xd}进行正常状态和故障状态正负样本数据标注,从而获得正常振动信号样本数据集Xnormal={xn1,xn2,…xni},故障振动信号样本数据集Xfault={xf1,xf2,…xfi},其中,Xnormal∪Xfault=X。无监督深度学习算法模型训练过程不需要故障标签数据,故障标签数据只是用以模型准确性验证过程,所以对于故障振动数据样本数据集大小没有根本要求。
3)数据清洗(相当于图2中的数据清洗):
对每个通道正常振动信号Xnormal={xn1,xn2,…xni}与故障振动信号Xfault={xf1,xf2,…xfi}进行数据清洗,主要包括:去除传感器故障、信号干扰造成的频谱结构异常信号(相当于图2中的频谱干扰信号去除),去除启停机不稳定工况信号(相当于图2中的启停机数据去除),其中,启停机不稳定工况信号的信号类型包括转速、压力、温度,以23通道为例数据清洗过程如下。
(1)对上述信号进行傅里叶变换,人工去除正常振动信号Xnormal中由传感器故障或其他信号干扰造成的频谱结构异常的信号Xnormal-f,获得正常振动信号Xd-normal。
(2)以转速为例,去除由于启停机造成的转速不稳定的单一转速或出现频次较少的信号,统计已去除频谱结构异常的正常振动数据Xd-normal转速出现的频次,删除转速统计量小于10频次的数据,得到Xzc={xzc1,xzc2,…xzck}。
(3)将频谱结构异常的信号Xnormal-f加入到故障振动信号Xfault中,获得更新后的故障振动信号Xgz={xgz1,xgz2,…xgzk}。
4)故障预测模型特征指标体系构建:
按照一定时间间隔对各通道所有工况下得到信号清洗完以后的振动信号Xzc=*xzc1,xzc2,…xzck},Xgz={xgz1,xgz2,…xgzk}进行阶次转换(相当于图2中的阶次转换),生成各通道阶次数据。目标是输入等时间采样的振动数据及当前转速,输出等角度采样的振动信号。
(1)预定旋转数据可以包括稳定转速motor_rpm、采样阶次fs_order、电机旋转周期数cycle_num等参数,依据预定旋转数据,计算出电机旋转一个周期所需要的时间cycle_t和旋转所需要的时间delta_t。以0为起点,以cycle_t为时间长为总长度,以delta_t时间为步长进行等时间间隔划分,可得到等角度对应的时间刻度t_order(相当于图2中的等角度间隔时刻刻度创建)。
cycle_t=cycle_num*60/motor_rpm;
delta_t=(60/motor_rpm)/fs_order;
(2)输入稳定转速motor_rpm、采样阶次fs_order,计算低通滤波的归一化截止频率lp_fs_order:
lp_fs_order=(fs_order/2)*(motor_rpm/60);
采用巴特沃斯滤波器对原始的振动数据进行低通滤波,截止频率lp_fs_order,输出滤波后振动数据wave_lp。
(3)输入采样频率fs、采样点数N,以0为起点,以N/fs为终点,以1/fs为步长划分原始振动波形对应的时间刻度t_lp。然后以振动数据Xzc={xzc1,xzc2,…xzck},Xgz={xgz1,xgz2,…xgzk}与原始数据对应时刻表t_lp为参数进行3次样条插值(或者其他插值方法,例如,内插法、外插法、直接插值、二维插值等插值方法),输出插值函数参数wave_spl(相当于图2中的生成插值函数)。
(4)将插值函数参数wave_spl与等角度对应的时间刻度t_order作为参数输入到插值函数中,得到等角度采样的目标振动信号wave_order,实现输入等时间采样的振动数据及恒定转速,输出等角度采样的目标振动信号。
5)傅里叶变换:
傅里叶变换包括短时傅里叶变换(相当于图2中的短时傅里叶变换),对上述得到的到等角度采样的目标振动信号wave_order进行短时傅里叶变换获得目标阶频数据。其中,窗函数选用hann窗,窗函数长度为256,窗函数重叠数为50%,经过STFT变换后获得阶频矩阵(fre,t,z),其中,fre为等角度频率范围,t为时间长度,z中的值为频率幅值。例如:正常振动数据Xzc1={xzc11,xzc12,…xzc1n}经过STFT变换后得到阶频矩阵为Zzc1={zzc11,zzc12,…zzc1n},故障振动数据Xgz1=*xgz11,xgz12,…xgz1n}经过STFT变换后得到阶频矩阵为Zgz1=*zgz11,zgz12,…zgz1n}。正常振动数据阶频矩阵Zzc=*zzc1,zzc2,…zzck},故障数据阶频矩阵Zgz=*zgz1,zgz2,…zgzk}中每个样本包含的K个数据样本,按照先后顺序进行存储。
6)依据上述得到的目标阶频数据,可以及时地得到往复式设备预定位置处部件是否故障的准确的故障结果。
7)对故障预测模型进行训练及测试:
经过上述步骤计算,源数据集合中故障数据集合Xgz={xgz1,xgz2,…xgzk}与正常数据集合Xzc={xzc1,xzc2,…xzck}中的各样本数据被处理成一一对应的阶频分布矩阵。按照1:9的比例分对正常数据集合以及各自的标签数据进行分割,生成正常数据集合的测试集和训练集,故障数据集全部作为故障测试数据。
8)构建工况数据配置表(相当于图2中的生成工况数据表):
以下所有工况数据配置表均以23通道转速为例,且往复泵主要影响工况因素为转速。
按照实际工况情况,汇总各通道设备数据涉及所有工况即转速,构建故障预测模型工况配置表。统计23通道所有参与训练或测试数据的转速以及转速数量,转速可以表示为:speedlist=[speed1,speed2,…speedn],转速数量可以表示为:speednum=[num1,num2,…numn],而后将转速工况数据特征进行存储,表1为转速工况配置表,如表1所示:
表1
其余各类工况均可以按上述表1进行工况数据配置表的配置。
9)构建故障预测模型:
(1)可以采用Python深度学习框架,其中,Python为一种计算机编程语言;构建方式包括但不仅限于顺序式、函数式或者子类混合式等,无监督学习模型(相当于图2中的无监督深度学习模型)包括自编码器、自编码器的各类组合模型和变体模型,自编码器包括全连接自编码器、卷积自编码器、变分自编码器、堆叠自编码器。受限波尔兹曼机及其改进算法等。以一种名为attention_2dCNN_AE的神经网络模型结构为例,介绍一种无监督深度学习往复泵设备故障预测模型模型结构。
attention_2dCNN_AE神经网络模型结构是由注意力机制层(不仅限于空间域、通道域、层域、混合域、时间域类型和数量等,不局限加入位置),自动编码器AE(AutoEncoder)编码器单元、解码器单元等组成。AE编码器部分包含2层卷积层和2层池化层,解码器部分包括2层反卷积和2层反池化。神经元之间使用线性整流函数ReLu(RectifiedLinear Unit)激活函数。
(2)确定预定误差阈值(相当于图2中的生成异常识别阈值):
无监督深度学习异常识别最佳阈值确定依据箱线图方法、异常识别原理和正负样本预测误差数据分布,对正常和故障的数据样本的误差数值按照从小到大的顺序进行排序。箱线图方法如下:
分别计算下四分位数位置Q1:(n+1)*0.25,得到数值Q1;
分别计算上四分位数位置Q3:(n+1)*0.75,得到数值Q3;
分别计算四分位距IQR:
IQR=Q3-Q1;
绘制异常数据Q3-1.5*IQR,正常数据Q3+1.5*IQR两条分界线,这两条分界线为异常值截断分界线。
以异常数据Q3-1.5*IQR、正常数据Q3+1.5*IQR为界作为阈值分布区间。在阈值分布区间范围内取σ=正常数据Q3+k*1.5*IQR作为异常识别阈值,其中k为1.5的整数倍,k可以等于但不限于异常数据Q3-1.5*IQR和正常数据Q3+1.5*IQR两个值的平均值、中位数、最大值、最小值、分位数等,且正常数据Q3+1.5*IQR≤σ≤异常数据Q3-1.5*IQR。
在没有获取到异常数据即设备故障数据的情况下,以正常数据Q3+1.5*IQR为界,取σ=正常数据Q3+k*1.5*IQR作为异常识别阈值,其中k为1.5的倍数且k<1。
10)设备故障预测模型训练及部署:
(1)将训练数据输入神经网络模型,数据在经过编码器、注意力机制模块计算后输入到解码器中进行解码计算,解码后得到计算结构输入到一种名为nn.MSEloss的损失函数中,依据损失函数计算损失,当损失值大于设定阈值β时,优化自适应矩估计Adam(adaptivemoment estimation)函数根据损失值反向传播值在梯度方向上朝着降低损失值的方向更新各层网络连接权值;当损失函数值小于设定阈值β时,神经网络训练结束,保存网络结构和各级神经元信息。
(2)损失函数
该模型损失函数选用nn.MSEloss函数进行输入数据与预测结果误差计算。
(3)优化器
该模型优化器选用Adam函数进行模型神经元连接权重优化。
(4)训练参数
基于以上训练数据和测试数据进行模型训练(相当于图2中的模型训练)、模型测试,表2是相关涉及参数,如表2所示:
表2
(5)实例训练过程
实验数据可以选取压裂车车载柱塞泵减速箱输入侧水平方向23通道传感器数据,传感器采样频率为25600HZ。共获取5台减速箱正常作业23通道传感器数据34小时,原始振动数据2040个样本。
按照上述步骤,对23通道原始数据进行清洗后转化为等角度采样阶频形式,而后进行短时傅里叶变换为阶频矩阵形式,得到正常阶频矩阵1092个以及相同数量的正常数据标签,生成故障阶频矩阵948个以及相同数量的故障数据标签。按照1:9的比例对数据样本进行分割,获得正常训练数据样本及标签各983个,正常测试数据及标签样本各109个,故障测试数据及标签各948个。
基于以上训练数据和测试数据进行模型训练、模型测试,表3为23通道训练结果,如表3所示:
表3
(6)模型部署(相当于图2中的模型部署)
模型训练和测试完成后,对设备故障预测模型打包部署,部署方式包括程序加密,然后打包成可执行exe(executable)文件,部署方式还包括网络web服务接口托管+服务加密。
图3是本发明可选实施方式提供的往复式设备的故障预测模型的训练数据的更新流程图,如图3所示,往复式设备的故障预测模型的训练数据的更新流程如下:
1)设备故障预测模型应用:
模型应用推理过程为:对实时采集单一通道振动数据X=*x1,x2,…xd}(相当于图3中的实时待测数据)进行数据清洗(相当于图3中的数据清洗),而后转换为阶次矩阵(相当于图3中的阶次转换)后进行短时傅里叶变换(相当于图3中的短时傅里叶变换)处理成阶频数据矩阵Zx=*zx1,zx2,…zxk},将阶频数据矩阵输入上述神经网络模型(相当于图3中的已部署的无监督深度学习模型)中进行预测。根据单一通道模型对振动数据进行误差计算得到误差结果M={m1,m2,…mk},将误差结果逐一对比该通道异常识别阈值进行设备故障状态预测,将预测结果存入模型预测结果表(相当于图3中的输出预测结果)。
根据模型预测结果数据对工况数据配置表进行配置更新(相当于图3中的更新工况数据表),具体过程如下所示:
例如,根据23通道当前待测数据转速匹配预测模型工况配置表,按照当前转速统计进工况数据配置表,并将正负样本进行原始数据保存,表4为更新后工况数据配置表,如表4所示:
表4
2)基于预测模型工况数据配置表的模型训练数据迭代更新和模型迭代更新:
一定时间内,设备生产数据递增,基于步骤7中积累的正负样本数据,更新模型训练数据和测试数据集,并对更新后的训练数据集和测试数据集对应的模型工况数据配置表统计各工况数据量,并按照时间顺序,以及各工况数据量分布,删减相应工况的数据,保证各工况模型训练数据量平衡(相当于图3中的平衡各工况数据)。并借助修正以后的模型训练样本数据进行新模型训练和更新迭代(相当于图3中的模型重训练)。
以表4的训练转速为例,1256转速下模型训练样本数据相较于1300转速下的模型训练样本数据量过大,在模型训练前进行数据平衡,对数据量过大的样本进行降采样处理,对数据量较小的样本进行过采样处理。按照转速出现频次按从小到大排序,按照转速出现的频次进行划分区间(不局限,具体通道具体分析),按照专家经验设置最优分界数K,对过量数据按照1/K的比例进行降采样,对较少数据按照K/1进行过采样。将表4中小于转速小于10频次的数据过采样K=10,转速频次在10~50间过采样K为3等。
通过上述可选实施方式,可以达到至少以下几点有益效果:
(1)及时、准确地确定出往复式设备预定位置处部件是否存在故障;
(2)依据预定旋转数据,转换初始振动信号,即,通过固定阶数的等角度阶次,转换初始振动信号,可以排除转速等不同工况干扰对模型预测结果准确率的影响,确定不同工况数据频域中除故障特征外其他特征的一致性;
(3)采用无监督深度学习算法框架构建往复式设备的故障预测模型,解决了模型训练对故障标签数据样本数量的要求和模型训练正负样本分布不均衡的问题,确保了故障预测模型的准确性;
(4)基于正负样本预测误差数据分布的异常识别阈值设置方法,结合箱线图方法、异常数据限定、高斯分布异常数据分布理论以及真实数据误差分布区间,使得确定出的预定误差阈值更准确、更可靠;
(5)基于预测模型工况配置表的正负样本训练数据进行迭代更新修正,在数据源头保证模型训练数据的平衡和模型训练结果的准确性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述往复式设备的故障确定方法的装置,图4是根据本发明实施例的往复式设备的故障确定装置的结构框图,如图4所示,该装置包括:获取模块402,转换模块404,变换模块406和确定模块408,下面对该装置进行详细说明。
获取模块402,用于获取往复式设备的初始振动信号与预定旋转数据,其中,初始振动信号由位于往复式设备预定位置处部件上的传感器采集得到;转换模块404,连接于上述获取模块402,用于依据预定旋转数据,转换初始振动信号,得到等角度采样的目标振动信号;变换模块406,连接于上述转换模块404,用于傅里叶变换目标振动信号,得到目标阶频数据;确定模块408,连接于上述变换模块406,用于依据目标阶频数据,得到往复式设备预定位置处部件是否故障的故障结果。
此处需要说明的是,上述获取模块402,转换模块404,变换模块406和确定模块408对应于实施往复式设备的故障确定方法中的步骤S102至步骤S108,多个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。
实施例3
根据本发明实施例的另外一个方面,还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器,其中,处理器被配置为执行指令,以实现上述任一项的往复式设备的故障确定方法。
实施例4
根据本发明实施例的另外一个方面,还提供了一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项的往复式设备的故障确定方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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,本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种往复式设备的故障确定方法,其特征在于,包括:
获取往复式设备的初始振动信号与预定旋转数据,其中,所述初始振动信号由位于所述往复式设备预定位置处部件上的传感器采集得到;
依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号;
傅里叶变换所述目标振动信号,得到目标阶频数据;
依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果。
2.根据权利要求1所述的方法,其特征在于,所述依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果,包括:
将所述目标阶频数据输入至故障预测模型中,得到所述往复式设备预定位置处部件是否故障的故障结果,其中,所述故障预测模型为采用正样本数据训练初始模型后得到的模型,所述正样本数据包括与第一样本位置处对应的样本阶频数据,所述第一样本位置处部件无故障的样本故障结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述目标阶频数据输入至故障预测模型中,得到所述往复式设备预定位置处部件是否故障的故障结果之前,还包括:
采用正负样本数据测试训练后的所述初始模型,得到所述训练后的所述初始模型的准确度指数,其中,所述正负样本数据包括与第二样本位置处对应的样本阶频数据,所述第二样本位置处部件是否故障的样本故障结果;
在所述准确度指数大于预定阈值的情况下,确定所述训练后的所述初始模型为所述故障预测模型。
4.根据权利要求1所述的方法,其特征在于,所述依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果,包括:
确定与所述目标阶频数据对应的目标误差值与预定误差阈值;
比较所述目标误差值与所述预定误差阈值,得到目标比较结果;
依据所述目标比较结果,得到所述往复式设备预定位置处部件是否故障的故障结果。
5.根据权利要求4所述的方法,其特征在于,确定与所述目标阶频数据对应的预定误差阈值,包括:
采用箱线图方法,确定与所述目标阶频数据对应的预定误差阈值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号,包括:
在所述预定旋转数据包括电机转速数据,电机旋转周期数据,采样阶次数据的情况下,依据所述电机转速数据与所述电机旋转周期数据,确定第一时间,并依据所述电机转速数据与所述采样阶次数据,确定第二时间,其中,所述第一时间表示为所述电机旋转一个周期需要的时间,所述第二时间表示所述电机旋转所述采样阶次数据的倒数个周期所需要的时间;
依据所述第一时间与所述第二时间,得到等角度时间刻度;
依据所述等角度时间刻度与所述初始振动信号,得到等角度采样的所述目标振动信号。
7.根据权利要求6所述的方法,其特征在于,所述依据所述等角度时间刻度与所述初始振动信号,得到等角度采样的所述目标振动信号,包括:
依据所述电机转速数据与所述采样阶次数据,确定归一化截止频率;
依据所述归一化截止频率滤波所述初始振动信号,得到滤波振动信号;
依据所述等角度时间刻度与所述滤波振动信号,得到等角度采样的所述目标振动信号。
8.一种往复式设备的故障确定装置,其特征在于,包括:
获取模块,用于获取往复式设备的初始振动信号与预定旋转数据,其中,所述初始振动信号由位于所述往复式设备预定位置处部件上的传感器采集得到;
转换模块,用于依据所述预定旋转数据,转换所述初始振动信号,得到等角度采样的目标振动信号;
变换模块,用于傅里叶变换所述目标振动信号,得到目标阶频数据;
确定模块,用于依据所述目标阶频数据,得到所述往复式设备预定位置处部件是否故障的故障结果。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的往复式设备的故障确定方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至7中任一项所述的往复式设备的故障确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310209372.4A CN116296504A (zh) | 2023-03-01 | 2023-03-01 | 往复式设备的故障确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310209372.4A CN116296504A (zh) | 2023-03-01 | 2023-03-01 | 往复式设备的故障确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116296504A true CN116296504A (zh) | 2023-06-23 |
Family
ID=86823529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310209372.4A Pending CN116296504A (zh) | 2023-03-01 | 2023-03-01 | 往复式设备的故障确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116296504A (zh) |
-
2023
- 2023-03-01 CN CN202310209372.4A patent/CN116296504A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
CN111679654B (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
CN108805059A (zh) | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
CN110133500B (zh) | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 | |
CN113537328B (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN117373487B (zh) | 基于音频的设备故障检测方法、装置及相关设备 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN111307438A (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN114120974A (zh) | 一种基于深度学习的风机叶片故障诊断方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
CN112446389A (zh) | 一种故障判别方法及装置 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
Matania et al. | Transfer across different machines by transfer function estimation | |
Boukra | Identifying new prognostic features for remaining useful life prediction using particle filtering and neuro-fuzzy system predictor | |
CN116296504A (zh) | 往复式设备的故障确定方法、装置及电子设备 |
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 |