CN116700124A - 伺服驱动器运行控制系统的优化方法及系统 - Google Patents
伺服驱动器运行控制系统的优化方法及系统 Download PDFInfo
- Publication number
- CN116700124A CN116700124A CN202310962948.4A CN202310962948A CN116700124A CN 116700124 A CN116700124 A CN 116700124A CN 202310962948 A CN202310962948 A CN 202310962948A CN 116700124 A CN116700124 A CN 116700124A
- Authority
- CN
- China
- Prior art keywords
- operation control
- fault
- event
- vector
- servo
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000008439 repair process Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 489
- 239000013604 expression vector Substances 0.000 claims description 137
- 238000012546 transfer Methods 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 58
- 230000005540 biological transmission Effects 0.000 claims description 41
- 238000000611 regression analysis Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000003993 interaction Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供一种伺服驱动器运行控制系统的优化方法及系统，利用深度学习算法对协同运行控制数据进行故障特征预测，获得故障定位控制数据集合，将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点，依据目标运行控制故障点向伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化，由此考虑到不同运行控制故障点的故障定位控制数据的数量对伺服驱动器运行控制系统进行故障特征预测，对于仅考虑运行控制故障点的方案来说，本申请可以提高故障特征预测的精准度，进而提高伺服驱动器运行控制系统的优化可靠性。
Description
技术领域
本申请实施例涉及人工智能技术领域，具体而言，涉及一种伺服驱动器运行控制系统的优化方法及系统。
背景技术
随着机器人和数控技术的不断发展，伺服驱动器被广泛应用于工业机器人及数控加工中心等自动化设备中。伺服驱动器又称为伺服控制器或伺服放大器，是用来控制伺服电机的一种控制器，其作用类似于变频器，属于伺服系统的一部分，主要应用于高精度的定位系统。一般是通过位置、速度和力矩三种方式对伺服电机进行控制，实现高精度的传动系统定位，在相关技术中，通常通过统一的伺服驱动器运行控制系统对伺服驱动器进行运行控制。因此，伺服驱动器运行控制系统的稳定性关系到伺服驱动器的稳定性，对于所属领域的技术人员而言，必须要及时排查出伺服驱动器运行控制系统可能存在的故障点。例如，可以通过人工智能技术配置的神经网络模型进行故障特征预测，然而现有的方案在进行故障特征预测过程中通常仅单纯考虑提取的运行控制故障点本身，难以保证故障特征预测的精准度，从而影响在故障点排查之后伺服驱动器运行控制系统的优化可靠性。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种伺服驱动器运行控制系统的优化方法及系统。
依据本申请实施例的一个方面，提供了一种伺服驱动器运行控制系统的优化方法，包括：
获取所述伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对所述协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，其中，不同所述故障定位控制数据集合中包括不同故障标签所对应的故障定位控制数据；
将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点；
依据所述目标运行控制故障点对所述伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化。
对于一些可替代的实施例而言，所述获取所述伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对所述协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，具体包括：
将所述协同运行控制数据导入故障特征预测网络中，利用所述故障特征预测网络将所述协同运行控制数据进行切分，获得各个运行控制事件；
利用所述故障特征预测网络对所述各个运行控制事件分别进行被控状态矢量编码，获得所述各个运行控制事件对应的伺服被控状态矢量，所述伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量；
对所述各个运行控制事件分别进行反馈状态矢量编码，获得所述各个运行控制事件对应的随动反馈状态矢量，所述随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量；
利用所述故障特征预测网络对所述各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布；
利用所述故障特征预测网络对所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并利用所述事件表达矢量进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值；
利用所述故障标签值从所述协同运行控制数据中确定各个故障定位控制数据，并利用所述事件表达矢量确定所述各个故障定位控制数据对应的故障点触发矢量；
利用所述各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合。
对于一些可替代的实施例而言，所述利用所述各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合，包括：
利用所述各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征；
利用所述主成分特征和所述各个运行控制事件对应的故障标签值进行解码，获得所述各个故障定位控制数据对应的目标故障点触发矢量；
利用所述各个故障定位控制数据对应的目标故障点触发矢量对所述各个故障定位控制数据进行数据分配，获得所述故障定位控制数据集合；
所述利用所述各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征，包括：
提取所述各个运行控制事件分别对应的基础控制操作矢量，从所述各个运行控制事件分别对应的基础控制操作矢量中确定所述各个故障定位控制数据对应的基础故障控制操作矢量；
将所述各个故障定位控制数据对应的基础故障控制操作矢量分别与对应的故障点触发矢量进行融合，获得所述各个故障定位控制数据对应的融合矢量数据；
将所述各个故障定位控制数据对应的融合矢量数据导入主成分特征解析模型中进行主成分特征提取，获得目标主成分特征；
所述利用所述各个故障定位控制数据对应的目标故障点触发矢量对所述各个故障定位控制数据进行数据分配，获得所述故障定位控制数据集合，包括：
利用所述各个故障定位控制数据对应的目标故障点触发矢量计算所述各个故障定位控制数据之间的故障点相关度；
利用所述各个故障定位控制数据之间的故障点相关度进行聚类，获得所述故障定位控制数据集合。
对于一些可替代的实施例而言，所述对所述各个运行控制事件分别进行被控状态矢量编码，获得所述各个运行控制事件对应的伺服被控状态矢量，所述伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量，包括：
对所述各个运行控制事件分别进行滑动平均处理，获得所述各个运行控制事件对应的多个传递滑动特征和目标选择特征数据；
将多个所述传递滑动特征进行伺服被控状态解析，获得所述各个运行控制事件对应的多个传递伺服被控状态矢量；
将所述目标选择特征数据进行伺服被控状态解析，获得所述各个运行控制事件对应的目标伺服被控状态矢量。
对于一些可替代的实施例而言，所述对所述各个运行控制事件分别进行反馈状态矢量编码，获得所述各个运行控制事件对应的随动反馈状态矢量，所述随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量，包括：
提取所述各个运行控制事件分别对应的基础控制操作矢量；
对所述各个运行控制事件分别对应的基础控制操作矢量进行随动反馈状态特征提取，获得所述各个运行控制事件对应的多个传递随动反馈状态矢量和目标随动反馈状态矢量。
对于一些可替代的实施例而言，所述传递伺服被控状态矢量包括多个，所述传递随动反馈状态矢量包括多个；
所述利用所述故障特征预测网络对所述各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布，包括：
将多个所述传递伺服被控状态矢量中第一传递伺服被控状态矢量与多个所述传递随动反馈状态矢量中对应的第一传递随动反馈状态矢量进行交互，获得第一交互状态矢量，利用所述第一交互状态矢量进行多元回归分析，获得第一协作表达矢量；
将所述第一协作表达矢量、多个所述传递伺服被控状态矢量中第二传递伺服被控状态矢量与多个所述传递随动反馈状态矢量中对应的第二传递随动反馈状态矢量进行交互，获得第二交互状态矢量，利用所述第二交互状态矢量进行多元回归分析，获得第二协作表达矢量；
遍历多个所述传递伺服被控状态矢量和多个所述传递随动反馈状态矢量完成时，获得协作表达矢量分布。
对于一些可替代的实施例而言，所述利用所述故障特征预测网络对所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并利用所述事件表达矢量进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值，包括：
将所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行融合，获得所述各个运行控制事件对应的融合矢量数据；
利用所述各个运行控制事件对应的融合矢量数据进行基于期望交叉熵的特征项选择，获得所述各个运行控制事件对应的目标选择特征数据；
利用所述各个运行控制事件对应的目标选择特征数据计算所述目标选择特征数据中每个伺服驱动控制标签对应的最大控制标签值和平均控制标签值；
计算所述最大控制标签值与所述平均控制标签值的和，获得所述目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，利用所述目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，获得所述各个运行控制事件对应的显著性特征矢量；
将所述各个运行控制事件对应的显著性特征矢量进行线性激活，获得所述各个运行控制事件对应的事件表达矢量；
利用所述各个运行控制事件对应的事件表达矢量进行故障触发事件和非故障触发事件的故障估计，获得所述各个运行控制事件对应的故障标签值。
对于一些可替代的实施例而言，所述故障特征预测网络包括伺服被控编码子网络、随动反馈子网络、矢量协作表达子网络、全局表达子网络和故障估计子网络；所述方法还包括：
将所述协同运行控制数据导入故障特征预测网络中，利用所述故障特征预测网络将所述协同运行控制数据进行切分，获得各个运行控制事件； 将所述各个运行控制事件导入所述伺服被控编码子网络中进行反馈状态矢量编码，获得传递伺服被控状态矢量和目标伺服被控状态矢量；
将所述各个运行控制事件导入所述随动反馈子网络中进行反馈状态矢量编码，获得传递随动反馈状态矢量和目标随动反馈状态矢量；
将各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量导入所述矢量协作表达子网络中进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布；
将所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布导入所述全局表达子网络进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并将所述事件表达矢量导入所述故障估计子网络进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值。
对于一些可替代的实施例而言，所述故障特征预测网络的训练步骤，包括：
获取模板协同运行控制数据和对应的先验故障特征数据；
将所述模板协同运行控制数据导入基础故障特征预测网络中，利用所述基础故障特征预测网络将所述模板协同运行控制数据进行切分，获得各个模板运行控制事件；
利用所述基础故障特征预测网络对所述各个模板运行控制事件分别进行被控状态矢量编码，获得所述各个模板运行控制事件对应的模板伺服被控状态矢量，所述模板伺服被控状态矢量包括模板传递伺服被控状态矢量和模板目标伺服被控状态矢量；
对所述各个模板运行控制事件分别进行反馈状态矢量编码，获得所述各个模板运行控制事件对应的模板随动反馈状态矢量，所述模板随动反馈状态矢量包括模板传递随动反馈状态矢量和模板目标随动反馈状态矢量；
利用所述基础故障特征预测网络对所述各个模板运行控制事件对应的模板传递伺服被控状态矢量和模板传递随动反馈状态矢量进行矢量协作表达，获得所述各个模板运行控制事件对应的模板协作表达矢量；
利用所述基础故障特征预测网络对所述各个模板运行控制事件对应的模板目标伺服被控状态矢量、模板目标随动反馈状态矢量和模板协作表达矢量进行事件表达矢量分析，获得所述各个模板运行控制事件对应的模板事件表达矢量，并利用所述模板事件表达矢量进行故障标签值估计，获得所述各个模板运行控制事件对应的模板故障标签值；
利用所述各个模板运行控制事件对应的模板故障标签值和所述模板协同运行控制数据对应的先验故障特征数据进行故障估计代价值计算，获得故障估计代价值，利用所述故障估计代价值，利用反向传播算法训练所述基础故障特征预测网络，获得候选故障特征预测网络；
将所述候选故障特征预测网络作为基础故障特征预测网络，并返回获取模板协同运行控制数据和对应的先验故障特征数据的步骤执行，直至满足训练终止条件时，获得所述故障特征预测网络。
依据本申请实施例的一个方面，提供了一种伺服驱动器运行控制系统的优化系统，所述伺服驱动器运行控制系统的优化系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的伺服驱动器运行控制系统的优化方法。
依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中，通过获取伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点，依据目标运行控制故障点向伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化，由此考虑到不同运行控制故障点的故障定位控制数据的数量对伺服驱动器运行控制系统进行故障特征预测，对于仅考虑运行控制故障点的方案来说，本申请可以提高故障特征预测的精准度，进而提高伺服驱动器运行控制系统的优化可靠性。
通过将协同运行控制数据进行切分，获得各个运行控制事件。对各个运行控制事件分别进行被控状态矢量编码，获得传递伺服被控状态矢量和目标伺服被控状态矢量，并对各个运行控制事件分别进行反馈状态矢量编码，获得传递随动反馈状态矢量和目标随动反馈状态矢量。然后使用各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布，通过矢量协作表达可以结合伺服被控状态和随动反馈状态之间的互补信息，使得协作表达矢量分布可以具有更多的深度矢量。然后使用各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，这样设计，事件表达矢量可以有效结合伺服被控状态信息和随动反馈状态信息，同时可以尽可能保留实际控制状态。然后利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值，进而提高故障估计的准确性。然后利用故障标签值从协同运行控制数据中确定各个故障定位控制数据，并利用事件表达矢量确定各个故障定位控制数据对应的故障点触发矢量；利用各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合，提高数据分配的精准度，从而提高了故障定位控制数据集合的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的伺服驱动器运行控制系统的优化方法的流程示意图；
图2为本申请实施例提供的用于实现上述的伺服驱动器运行控制系统的优化方法的伺服驱动器运行控制系统的优化系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的伺服驱动器运行控制系统的优化方法的流程示意图，下面对该伺服驱动器运行控制系统的优化方法进行详细介绍。
Step100，获取所述伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对所述协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合。
其中，不同所述故障定位控制数据集合中包括不同故障标签所对应的故障定位控制数据。
Step200，将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点。
Step300，依据所述目标运行控制故障点对所述伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化。
结合以上技术方案，本申请通过获取伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点，依据目标运行控制故障点向伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化，由此考虑到不同运行控制故障点的故障定位控制数据的数量对伺服驱动器运行控制系统进行故障特征预测，对于仅考虑运行控制故障点的方案来说，本申请可以提高故障特征预测的精准度，进而提高伺服驱动器运行控制系统的优化可靠性。
一种可替代的实施例中，针对Step100，包括以下步骤。
Step102，获取伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，将协同运行控制数据进行切分，获得各个运行控制事件。
其中，协同运行控制数据是指伺服驱动器运行控制系统利用控制部件的作用能使系统所处的目标状态到达或接近预定值，并能将所需目标状态(所需值)和实际状态进行比较，依照目标状态(所需值)和实际状态的差别(或者该差别的变化率)来调节控制部件的运行控制数据。
Step104，对各个运行控制事件分别进行被控状态矢量编码，获得各个运行控制事件对应的伺服被控状态矢量，伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量。
其中，伺服被控状态矢量是指被控制物体的位置、方位、状态等输出被控量的控制状态矢量。传递伺服被控状态矢量是指在机械位移或位移速度、加速度的反馈控制的控制状态矢量。目标伺服被控状态矢量是指最终获得的运行控制事件对应的伺服被控状态矢量。
一种可替代的实施例中，可以运行控制事件进行多次多元回归分析，每次多元回归分析输出传递伺服被控状态矢量，并将传递伺服被控状态矢量作为下一次多元回归分析的输入，直达多元回归分析完成时，将最终一轮多元回归分析的结果作为目标伺服被控状态矢量。依次遍历每个运行控制事件，对每个运行控制事件都进行被控状态矢量编码，获得每个运行控制事件对分别对应的传递伺服被控状态矢量和目标伺服被控状态矢量。
Step106，对各个运行控制事件分别进行反馈状态矢量编码，获得各个运行控制事件对应的随动反馈状态矢量，随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量。
其中，随动反馈状态矢量是指表达运行控制事件的随动反馈状态信息的事件表达矢量。传递随动反馈状态矢量是指在进行目标随动反馈状态矢量提取过程中获得的事件表达矢量。目标随动反馈状态矢量是指最终获得的运行控制事件对应的随动反馈状态的事件表达矢量。
一种可替代的实施例中，本实施例可以运行控制事件进行多次多元回归分析，每次多元回归分析输出传递随动反馈状态矢量，并将传递随动反馈状态矢量作为下一次多元回归分析的输入，直达多元回归分析完成时，将最终一轮多元回归分析的结果作为目标随动反馈状态矢量。依次遍历每个运行控制事件，对每个运行控制事件都进行反馈状态矢量编码，获得每个运行控制事件对分别对应的传递随动反馈状态矢量和目标随动反馈状态矢量。
Step108，利用各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布。
其中，矢量协作表达用于使传递伺服被控状态矢量与对应的传递随动反馈状态矢量进行矢量交互，可以有效结合伺服被控状态信息和随动反馈状态信息，同时可以尽可能保留实际控制状态。协作表达矢量分布是指将伺服被控状态矢量和随动反馈状态矢量进行交互后得到的事件表达矢量。
一种可替代的实施例中，可以使用运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行交互，获得该运行控制事件对应的协作表达矢量分布，然后可以对每个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量都进行融合，获得每个运行控制事件对应的协作表达矢量分布。
Step110，利用各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，并利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值。
其中，事件表达矢量是指将伺服被控状态矢量、随动反馈状态矢量以及协作表达矢量分布进行汇聚后得到的事件表达矢量。每个运行控制事件都有对应的事件表达矢量。该事件表达矢量具备更丰富的特征信息。
一种可替代的实施例中，本实施例使用事件表达矢量进行故障估计，识别该运行控制事件是否为故障触发事件或者为非故障触发事件，获得每个运行控制事件对应的故障标签值。
Step112，利用故障标签值从协同运行控制数据中确定各个故障定位控制数据，并利用事件表达矢量确定各个故障定位控制数据对应的故障点触发矢量。
其中，故障定位控制数据是指由各个相关的故障触发事件进行融合得到的控制数据段。该故障触发事件是故障标签值大于设定故障标签值的运行控制事件。设定故障标签值是指预置的运行控制事件为故障触发事件时的置信度。
一种可替代的实施例中，通过将每个运行控制事件对应的故障标签值与设定故障标签值进行比较，当故障标签值超过设定故障标签值时，该故障标签值对应的运行控制事件为故障触发事件。然后依据时序将协同运行控制数据中能够相关的故障触发事件融合为故障定位控制数据，获得各个故障定位控制数据。然后将故障定位控制数据中每个故障触发事件对应的事件表达矢量进行融合，获得故障定位控制数据对应的故障点触发矢量，遍历故障定位控制数据得到每个故障定位控制数据对应的故障点触发矢量。
Step114，利用各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合。
其中，数据分配用于分析故障定位控制数据是否为同运行控制故障点的故障定位控制数据。故障定位控制数据集合中包括各个同运行控制故障点的故障定位控制数据，同运行控制故障点的故障定位控制数据是指故障点相关度大于设定相关度的故障定位控制数据。
一种可替代的实施例中，本实施例使用各个故障定位控制数据对应的故障点触发矢量对各个故障定位控制数据进行数据分配，获得一个或多个故障定位控制数据集合，其中，可以通过计算故障点触发矢量的故障点相关度来对各个故障定位控制数据进行聚类。
通过以上技术方案，通过将协同运行控制数据进行切分，获得各个运行控制事件。对各个运行控制事件分别进行被控状态矢量编码，获得传递伺服被控状态矢量和目标伺服被控状态矢量，并对各个运行控制事件分别进行反馈状态矢量编码，获得传递随动反馈状态矢量和目标随动反馈状态矢量。然后使用各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布，通过矢量协作表达可以结合伺服被控状态和随动反馈状态之间的互补信息，使得协作表达矢量分布可以具有更多的深度矢量。然后使用各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，这样设计，事件表达矢量可以有效结合伺服被控状态信息和随动反馈状态信息，同时可以尽可能保留实际控制状态。然后利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值，进而提高故障估计的准确性。然后利用故障标签值从协同运行控制数据中确定各个故障定位控制数据，并利用事件表达矢量确定各个故障定位控制数据对应的故障点触发矢量；利用各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合，提高数据分配的精准度，从而提高了故障定位控制数据集合的精准度。
一种可替代的实施例中，Step114，即利用各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合，包括：
Step202，利用各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征。
Step204，使用主成分特征和各个运行控制事件对应的故障标签值进行解码，获得各个故障定位控制数据对应的目标故障点触发矢量。
一种可替代的实施例中，可以从各个运行控制事件对应的故障标签值中获取到当前故障定位控制数据对应的运行控制事件的故障标签值。然后将当前故障定位控制数据对应的主成分特征和当前故障定位控制数据对应的运行控制事件的故障标签值作为一个加载数据导入解码网络中进行解码，获得生成的当前故障定位控制数据对应的目标故障点触发矢量。依次遍历每个故障定位控制数据，获得所有故障定位控制数据对应的目标故障点触发矢量。
Step206，利用各个故障定位控制数据对应的目标故障点触发矢量对各个故障定位控制数据进行数据分配，获得一个或多个故障定位控制数据集合。
一种可替代的实施例中，Step202，利用各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征，包括步骤：
提取各个运行控制事件分别对应的基础控制操作矢量，从各个运行控制事件分别对应的基础控制操作矢量中确定各个故障定位控制数据对应的基础故障控制操作矢量；将各个故障定位控制数据对应的基础故障控制操作矢量分别与对应的故障点触发矢量进行融合，获得各个故障定位控制数据对应的融合矢量数据；将各个故障定位控制数据对应的融合矢量数据导入主成分特征解析模型中进行主成分特征提取，获得生成的目标主成分特征。
一种可替代的实施例中，Step206，利用各个故障定位控制数据对应的目标故障点触发矢量对各个故障定位控制数据进行数据分配，获得一个或多个故障定位控制数据集合，包括步骤：
使用各个故障定位控制数据对应的目标故障点触发矢量计算各个故障定位控制数据之间的故障点相关度；利用各个故障定位控制数据之间的故障点相关度进行聚类，获得一个或多个故障定位控制数据集合。
一种可替代的实施例中，Step104，对各个运行控制事件分别进行被控状态矢量编码，获得各个运行控制事件对应的伺服被控状态矢量，伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量，包括步骤：
对各个运行控制事件分别进行滑动平均处理，获得各个运行控制事件对应的多个传递滑动特征和目标选择特征数据；将多个传递滑动特征进行伺服被控状态解析，获得各个运行控制事件对应的多个传递伺服被控状态矢量；将目标选择特征数据进行伺服被控状态解析，获得各个运行控制事件对应的目标伺服被控状态矢量。
一种可替代的实施例中，对每个运行控制事件分别进行滑动平均处理，获得每个运行控制事件对应的多个传递滑动特征和最终一轮多元回归分析得到的目标选择特征数据。然后将每个传递滑动特征进行伺服被控状态解析，获得各个运行控制事件对应的多个传递伺服被控状态矢量，同时将目标选择特征数据进行伺服被控状态解析，获得各个运行控制事件对应的目标伺服被控状态矢量。
一种可替代的实施例中，Step106，对各个运行控制事件分别进行反馈状态矢量编码，获得各个运行控制事件对应的随动反馈状态矢量，随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量，包括：
解析各个运行控制事件分别对应的基础控制操作矢量；对各个运行控制事件分别对应的基础控制操作矢量进行随动反馈状态特征提取，获得各个运行控制事件对应的多个传递随动反馈状态矢量和目标随动反馈状态矢量。
一种可替代的实施例中，可以提取每个运行控制事件分别对应的基础控制操作矢量，然后对每个基础控制操作矢量分别进行多次的随动反馈状态特征提取，随动反馈状态特征提取的次数和滑动平均处理的次数相同，即每个伺服被控状态滑动特征都有对应的随动反馈状态滑动特征。最终一轮随动反馈状态特征提取得到目标随动反馈状态矢量，其它的随动反馈状态特征提取得到传递随动反馈状态矢量，目标得到各个运行控制事件对应的多个传递随动反馈状态矢量和目标随动反馈状态矢量。
通过解析各个运行控制事件分别对应的基础控制操作矢量；然后基础控制操作矢量进行随动反馈状态特征提取，获得各个运行控制事件对应的多个传递随动反馈状态矢量和目标随动反馈状态矢量，提高了得到的随动反馈状态矢量的精准度。
一种可替代的实施例中，传递伺服被控状态矢量包括多个，传递随动反馈状态矢量包括多个；
Step108，利用各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布，包括：
Step302，将多个传递伺服被控状态矢量中第一传递伺服被控状态矢量与多个传递随动反馈状态矢量中对应的第一传递随动反馈状态矢量进行交互，获得第一交互状态矢量，利用第一交互状态矢量进行多元回归分析，获得第一协作表达矢量。
一种可替代的实施例中，获取到第一传递伺服被控状态矢量和对应的第一传递随动反馈状态矢量，该第一传递伺服被控状态矢量和对应的第一传递随动反馈状态矢量，都是通过首个多元回归分析分支多元回归分析得到的。然后将第一传递伺服被控状态矢量和对应的第一传递随动反馈状态矢量在伺服驱动控制标签上进行拼接，获得第一交互状态矢量。然后对第一交互状态矢量使用多元回归分析参数进行多元回归分析，获得生成的第一协作表达矢量。
Step304，将第一协作表达矢量、多个传递伺服被控状态矢量中第二传递伺服被控状态矢量与多个传递随动反馈状态矢量中对应的第二传递随动反馈状态矢量进行交互，获得第二交互状态矢量，利用第二交互状态矢量进行多元回归分析，获得第二协作表达矢量。
一种可替代的实施例中，在对之最终一轮传递伺服被控状态矢量和传递随动反馈状态矢量的融合时，将掐面生成的第一协作表达矢量也进行融合，获得第二交互状态矢量。然后对第二交互状态矢量使用多元回归分析参数进行多元回归分析，获得第二协作表达矢量。
Step306，遍历多个传递伺服被控状态矢量和多个传递随动反馈状态矢量完成时，获得协作表达矢量分布。
一种可替代的实施例中，依次对每个传递伺服被控状态矢量和对应的传递随动反馈状态矢量进行矢量协作表达，即获取到前面的协作表达矢量，将前面的协作表达矢量与当前的传递伺服被控状态矢量和传递随动反馈状态矢量进行交互，然后对交互状态矢量进行多元回归分析，获得当前的协作表达矢量。直到最终一轮进行矢量协作表达时，将一次的协作表达矢量与最终一轮传递伺服被控状态矢量和最终一轮传递随动反馈状态矢量进行交互，获得最终一轮交互状态矢量，将最终一轮交互状态矢量进行多元回归分析，获得生成的融合矢量数据。
一种可替代的实施例中，Step110，利用各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，并利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值，包括：
Step402，将各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行融合，获得各个运行控制事件对应的融合矢量数据。
Step404，利用各个运行控制事件对应的融合矢量数据进行基于期望交叉熵的特征项选择，获得各个运行控制事件对应的目标选择特征数据。
其中，融合矢量数据是指将目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行融合获得的矢量。目标选择特征数据是指对融合矢量数据进行基于期望交叉熵的特征项选择获得的矢量。
一种可替代的实施例中，可以依次将每个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布按照伺服驱动控制标签进行融合后得到每个运行控制事件对应的融合矢量数据。将每个运行控制事件对应的融合矢量数据导入多元回归分析分支中进行多元回归分析，输出每个运行控制事件对应的目标选择特征数据。
Step406，利用各个运行控制事件对应的目标选择特征数据计算目标选择特征数据中每个伺服驱动控制标签对应的最大控制标签值和平均控制标签值。
Step408，计算最大控制标签值与平均控制标签值的和，获得目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，利用目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，获得各个运行控制事件对应的显著性特征矢量。
其中，最大控制标签值是指该伺服驱动控制标签对应的所有控制标签值中的最大控制标签值。平均控制标签值是指该伺服驱动控制标签对应的所有控制标签值的平均值。
一种可替代的实施例中，依次计算每个运行控制事件对应的显著性特征矢量。获取当前要计算的运行控制事件对应的目标选择特征数据，然后确定该目标选择特征数据中每个伺服驱动控制标签对应的最大控制标签值和平均控制标签值，即计算每个伺服驱动控制标签对应的所有控制标签值的平均控制标签值和最大控制标签值。然后计算最大控制标签值与平均控制标签值的和，获得目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，将每个伺服驱动控制标签对应的目标控制标签值作为当前运行控制事件对应的显著性特征矢量。
Step410，将各个运行控制事件对应的显著性特征矢量进行线性激活，获得各个运行控制事件对应的事件表达矢量。
Step412，使用各个运行控制事件对应的事件表达矢量进行故障触发事件和非故障触发事件的故障估计，获得各个运行控制事件对应的故障标签值。
一种可替代的实施例中，以上方法还可以包括下述步骤：
Step502，将协同运行控制数据导入故障特征预测网络中，通过故障特征预测网络将协同运行控制数据进行切分，获得各个运行控制事件；
Step504，通过故障特征预测网络对各个运行控制事件分别进行被控状态矢量编码，获得各个运行控制事件对应的伺服被控状态矢量，伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量；对各个运行控制事件分别进行反馈状态矢量编码，获得各个运行控制事件对应的随动反馈状态矢量，随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量；
Step506，通过故障特征预测网络对各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布；
Step508，通过故障特征预测网络对各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，并利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值。
通过使用故障特征预测网络来进行故障标签值估计，获得各个运行控制事件对应的故障标签值，能够提高故障标签值估计的速度。
一种可替代的实施例中，故障特征预测网络包括伺服被控编码子网络、随动反馈子网络、矢量协作表达子网络、全局表达子网络和故障估计子网络；以上方法还包括：
Step602，将协同运行控制数据导入故障特征预测网络中，通过故障特征预测网络将协同运行控制数据进行切分，获得各个运行控制事件；
Step604，将各个运行控制事件导入伺服被控编码子网络中进行被控状态矢量编码，获得生成的传递伺服被控状态矢量和目标伺服被控状态矢量；
Step606，并将各个运行控制事件导入随动反馈子网络中进行反馈状态矢量编码，获得生成的传递随动反馈状态矢量和目标随动反馈状态矢量；
Step608，并将各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量导入矢量协作表达子网络中进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布；
Step610，将各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布导入全局表达子网络进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，并将事件表达矢量导入故障估计子网络进行故障标签值估计，获得各个运行控制事件对应的故障标签值。
一种可替代的实施例中，可以将各个运行控制事件导入伺服被控编码子网络中进行被控状态矢量编码，即通过伺服被控编码子网络中的多元回归分析分支输出伺服被控状态矢量，其中，通过终端的多元回归分析分支输出目标伺服被控状态矢量，通过其它多元回归分析分支输出传递伺服被控状态矢量。同时将各个运行控制事件导入随动反馈子网络中进行反馈状态矢量编码，即通过随动反馈子网络中的多元回归分析分支输出随动反馈状态矢量，其中，通过终端的多元回归分析分支输出目标随动反馈状态矢量，通过其它多元回归分析分支输出传递随动反馈状态矢量。伺服被控编码子网络和随动反馈子网络中多元回归分析分支的数量相同。通过矢量协作表达子网络对传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得协作表达矢量分布，然后通过全局表达子网络进行事件表达矢量解析后再通过故障估计子网络进行故障标签值估计，获得各个运行控制事件对应的故障标签值。
一种可替代的实施例中，故障特征预测网络的训练步骤包括：
Step702，获取模板协同运行控制数据和对应的先验故障特征数据；
其中，模板协同运行控制数据是指训练所采用的协同运行控制数据。该先验故障特征数据是指模板协同运行控制数据对应的是否包含故障触发点的训练数据。
Step704，将模板协同运行控制数据导入基础故障特征预测网络中，通过基础故障特征预测网络将模板协同运行控制数据进行切分，获得各个模板运行控制事件；
Step706，通过基础故障特征预测网络对各个模板运行控制事件分别进行被控状态矢量编码，获得各个模板运行控制事件对应的模板伺服被控状态矢量，模板伺服被控状态矢量包括模板传递伺服被控状态矢量和模板目标伺服被控状态矢量；对各个模板运行控制事件分别进行反馈状态矢量编码，获得各个模板运行控制事件对应的模板随动反馈状态矢量，模板随动反馈状态矢量包括模板传递随动反馈状态矢量和模板目标随动反馈状态矢量；
Step708，通过基础故障特征预测网络对各个模板运行控制事件对应的模板传递伺服被控状态矢量和模板传递随动反馈状态矢量进行矢量协作表达，获得各个模板运行控制事件对应的模板协作表达矢量；
Step710，通过基础故障特征预测网络对各个模板运行控制事件对应的模板目标伺服被控状态矢量、模板目标随动反馈状态矢量和模板协作表达矢量进行事件表达矢量分析，获得各个模板运行控制事件对应的模板事件表达矢量，并利用模板事件表达矢量进行故障标签值估计，获得各个模板运行控制事件对应的模板故障标签值。
其中，基础故障特征预测网络是指最初默认的故障特征预测网络。模板运行控制事件是指网络训练时切分得到的运行控制事件。模板伺服被控状态矢量是指使用默认网络参数层生成的伺服被控状态矢量。模板随动反馈状态矢量是指使用默认网络参数层生成的随动反馈状态矢量。模板故障标签值是指通过默认网络参数层估计得到的故障标签值。
一种可替代的实施例中，建立基础故障特征预测网络，然后使用基础故障特征预测网络对模板协同运行控制数据进行模板的故障标签值估计，获得生成的各个模板运行控制事件对应的模板故障标签值。基础故障特征预测网络进行故障标签值估计的过程与训练好的故障特征预测网络的估计过程一致。
Step712，利用各个模板运行控制事件对应的模板故障标签值和模板协同运行控制数据对应的先验故障特征数据进行故障估计代价值计算，获得故障估计代价值，利用故障估计代价值，利用反向传播算法训练基础故障特征预测网络，获得候选故障特征预测网络；
Step714，将候选故障特征预测网络作为基础故障特征预测网络，并返回获取模板协同运行控制数据和对应的先验故障特征数据的步骤执行，直至满足训练终止条件时，获得故障特征预测网络。
其中，故障估计代价值表达故障特征预测网络的loss值，是指模板故障标签值和对应的先验故障特征数据之间的loss值。候选故障特征预测网络是指基础故障特征预测网络进行更新后生成的网络。
本实施例可将协同运行控制数据进行切分，获得各个运行控制事件，对各个运行控制事件分别进行被控状态矢量编码，获得各个运行控制事件对应的伺服被控状态矢量，伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量，对各个运行控制事件分别进行反馈状态矢量编码，获得各个运行控制事件对应的随动反馈状态矢量，随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量，利用各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得各个运行控制事件对应的协作表达矢量分布，利用各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得各个运行控制事件对应的事件表达矢量，并利用事件表达矢量进行故障标签值估计，获得各个运行控制事件对应的故障标签值，利用故障标签值从协同运行控制数据中确定各个故障定位控制数据，并利用事件表达矢量确定各个故障定位控制数据对应的故障点触发矢量，利用各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合。
一种进一步的实施例中，具体包括以下步骤：
Step802，获取协同运行控制数据，将协同运行控制数据导入故障特征预测网络中，通过故障特征预测网络将协同运行控制数据进行切分，获得各个运行控制事件，故障特征预测网络包括伺服被控编码子网络、随动反馈子网络、矢量协作表达子网络、全局表达子网络和故障估计子网络。
Step804，将各个运行控制事件导入伺服被控编码子网络中进行滑动平均处理，获得各个运行控制事件对应的传递滑动特征和目标选择特征数据，将传递滑动特征和目标选择特征数据进行伺服被控状态解析，获得各个运行控制事件对应的传递伺服被控状态矢量和标伺服被控状态矢量。
Step806，解析各个运行控制事件分别对应的基础控制操作矢量，将各个运行控制事件分别对应的基础控制操作矢量导入随动反馈子网络中进行随动反馈状态特征提取，获得各个运行控制事件对应的传递随动反馈状态矢量和目标随动反馈状态矢量。同时将传递伺服被控状态矢量与传递随动反馈状态矢量进行交互，获得第一交互状态矢量，利用第一交互状态矢量进行多元回归分析，获得协作表达矢量分布。
Step808，将各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布导入全局表达子网络中进行融合，获得各个运行控制事件对应的融合矢量数据，利用各个运行控制事件对应的融合矢量数据进行基于期望交叉熵的特征项选择，获得各个运行控制事件对应的目标选择特征数据，利用各个运行控制事件对应的目标选择特征数据计算目标选择特征数据中每个伺服驱动控制标签对应的最大控制标签值和平均控制标签值，并计算最大控制标签值与平均控制标签值的和，获得目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，利用目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，获得各个运行控制事件对应的显著性特征矢量。
Step810，将事件表达矢量导入故障估计子网络进行故障触发事件和非故障触发事件的故障估计，获得各个运行控制事件对应的故障标签值。利用各个运行控制事件对应的故障标签值从协同运行控制数据中确定各个故障定位控制数据，并利用事件表达矢量确定各个故障定位控制数据对应的故障点触发矢量。
Step812，将各个故障定位控制数据对应的故障点触发矢量导入主成分特征解析模型进行编码，获得各个故障定位控制数据对应的主成分特征，并将各个故障定位控制数据对应的主成分特征和对应的故障标签值导入解码网络进行解码，获得各个故障定位控制数据对应的目标故障点触发矢量。
Step814，使用各个故障定位控制数据对应的目标故障点触发矢量计算各个故障定位控制数据之间的故障点相关度，利用各个故障定位控制数据之间的故障点相关度进行聚类，获得一个或多个故障定位控制数据集合。
图2示出了本申请实施例提供的用于实现上述的伺服驱动器运行控制系统的优化方法的伺服驱动器运行控制系统的优化系统100的硬件结构意图，如图2所示，伺服驱动器运行控制系统的优化系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
一种可替代的实施例中，伺服驱动器运行控制系统的优化系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，伺服驱动器运行控制系统的优化系统100可以是分布式的系统)。一种可替代的实施例中，伺服驱动器运行控制系统的优化系统100可以是本地的，也可以是远程的。例如，伺服驱动器运行控制系统的优化系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，伺服驱动器运行控制系统的优化系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中，伺服驱动器运行控制系统的优化系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中，机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中，机器可读存储介质120可以储存伺服驱动器运行控制系统的优化系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一种可替代的实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的伺服驱动器运行控制系统的优化方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述伺服驱动器运行控制系统的优化系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上伺服驱动器运行控制系统的优化方法。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (10)
1.一种伺服驱动器运行控制系统的优化方法，其特征在于，通过伺服驱动器运行控制系统的优化系统实现，所述方法包括：
获取所述伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对所述协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，其中，不同所述故障定位控制数据集合中包括不同故障标签所对应的故障定位控制数据；
将故障定位控制数据的数量大于指定数量的故障定位控制数据集合所对应的运行控制故障点确定为目标运行控制故障点；
依据所述目标运行控制故障点对所述伺服驱动器运行控制系统所对应的系统程序下发相应的故障修复固件数据以控制所述伺服驱动器运行控制系统进行系统控制配置优化。
2.根据权利要求1所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述获取所述伺服驱动器运行控制系统在伺服驱动运行任务产生的协同运行控制数据，并利用深度学习算法对所述协同运行控制数据进行故障特征预测，获得一个或多个故障定位控制数据集合，具体包括：
将所述协同运行控制数据导入故障特征预测网络中，利用所述故障特征预测网络将所述协同运行控制数据进行切分，获得各个运行控制事件；
利用所述故障特征预测网络对所述各个运行控制事件分别进行被控状态矢量编码，获得所述各个运行控制事件对应的伺服被控状态矢量，所述伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量；
对所述各个运行控制事件分别进行反馈状态矢量编码，获得所述各个运行控制事件对应的随动反馈状态矢量，所述随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量；
利用所述故障特征预测网络对所述各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布；
利用所述故障特征预测网络对所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并利用所述事件表达矢量进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值；
利用所述故障标签值从所述协同运行控制数据中确定各个故障定位控制数据，并利用所述事件表达矢量确定所述各个故障定位控制数据对应的故障点触发矢量；
利用所述各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合。
3.根据权利要求2所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述利用所述各个故障定位控制数据对应的故障点触发矢量进行数据分配，获得一个或多个故障定位控制数据集合，包括：
利用所述各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征；
利用所述主成分特征和所述各个运行控制事件对应的故障标签值进行解码，获得所述各个故障定位控制数据对应的目标故障点触发矢量；
利用所述各个故障定位控制数据对应的目标故障点触发矢量对所述各个故障定位控制数据进行数据分配，获得所述故障定位控制数据集合；
所述利用所述各个故障定位控制数据对应的故障点触发矢量进行编码，获得主成分特征，包括：
提取所述各个运行控制事件分别对应的基础控制操作矢量，从所述各个运行控制事件分别对应的基础控制操作矢量中确定所述各个故障定位控制数据对应的基础故障控制操作矢量；
将所述各个故障定位控制数据对应的基础故障控制操作矢量分别与对应的故障点触发矢量进行融合，获得所述各个故障定位控制数据对应的融合矢量数据；
将所述各个故障定位控制数据对应的融合矢量数据导入主成分特征解析模型中进行主成分特征提取，获得目标主成分特征；
所述利用所述各个故障定位控制数据对应的目标故障点触发矢量对所述各个故障定位控制数据进行数据分配，获得所述故障定位控制数据集合，包括：
利用所述各个故障定位控制数据对应的目标故障点触发矢量计算所述各个故障定位控制数据之间的故障点相关度；
利用所述各个故障定位控制数据之间的故障点相关度进行聚类，获得所述故障定位控制数据集合。
4.根据权利要求2所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述对所述各个运行控制事件分别进行被控状态矢量编码，获得所述各个运行控制事件对应的伺服被控状态矢量，所述伺服被控状态矢量包括传递伺服被控状态矢量和目标伺服被控状态矢量，包括：
对所述各个运行控制事件分别进行滑动平均处理，获得所述各个运行控制事件对应的多个传递滑动特征和目标选择特征数据；
将多个所述传递滑动特征进行伺服被控状态解析，获得所述各个运行控制事件对应的多个传递伺服被控状态矢量；
将所述目标选择特征数据进行伺服被控状态解析，获得所述各个运行控制事件对应的目标伺服被控状态矢量。
5.根据权利要求2所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述对所述各个运行控制事件分别进行反馈状态矢量编码，获得所述各个运行控制事件对应的随动反馈状态矢量，所述随动反馈状态矢量包括传递随动反馈状态矢量和目标随动反馈状态矢量，包括：
提取所述各个运行控制事件分别对应的基础控制操作矢量；
对所述各个运行控制事件分别对应的基础控制操作矢量进行随动反馈状态特征提取，获得所述各个运行控制事件对应的多个传递随动反馈状态矢量和目标随动反馈状态矢量。
6.根据权利要求5所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述传递伺服被控状态矢量包括多个，所述传递随动反馈状态矢量包括多个；
所述利用所述故障特征预测网络对所述各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布，包括：
将多个所述传递伺服被控状态矢量中第一传递伺服被控状态矢量与多个所述传递随动反馈状态矢量中对应的第一传递随动反馈状态矢量进行交互，获得第一交互状态矢量，利用所述第一交互状态矢量进行多元回归分析，获得第一协作表达矢量；
将所述第一协作表达矢量、多个所述传递伺服被控状态矢量中第二传递伺服被控状态矢量与多个所述传递随动反馈状态矢量中对应的第二传递随动反馈状态矢量进行交互，获得第二交互状态矢量，利用所述第二交互状态矢量进行多元回归分析，获得第二协作表达矢量；
遍历多个所述传递伺服被控状态矢量和多个所述传递随动反馈状态矢量完成时，获得协作表达矢量分布。
7.根据权利要求2所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述利用所述故障特征预测网络对所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并利用所述事件表达矢量进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值，包括：
将所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布进行融合，获得所述各个运行控制事件对应的融合矢量数据；
利用所述各个运行控制事件对应的融合矢量数据进行基于期望交叉熵的特征项选择，获得所述各个运行控制事件对应的目标选择特征数据；
利用所述各个运行控制事件对应的目标选择特征数据计算所述目标选择特征数据中每个伺服驱动控制标签对应的最大控制标签值和平均控制标签值；
计算所述最大控制标签值与所述平均控制标签值的和，获得所述目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，利用所述目标选择特征数据中每个伺服驱动控制标签对应的目标控制标签值，获得所述各个运行控制事件对应的显著性特征矢量；
将所述各个运行控制事件对应的显著性特征矢量进行线性激活，获得所述各个运行控制事件对应的事件表达矢量；
利用所述各个运行控制事件对应的事件表达矢量进行故障触发事件和非故障触发事件的故障估计，获得所述各个运行控制事件对应的故障标签值。
8.根据权利要求2所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述故障特征预测网络包括伺服被控编码子网络、随动反馈子网络、矢量协作表达子网络、全局表达子网络和故障估计子网络；所述方法还包括：
将所述协同运行控制数据导入故障特征预测网络中，利用所述故障特征预测网络将所述协同运行控制数据进行切分，获得各个运行控制事件；
将所述各个运行控制事件导入所述伺服被控编码子网络中进行反馈状态矢量编码，获得传递伺服被控状态矢量和目标伺服被控状态矢量；
将所述各个运行控制事件导入所述随动反馈子网络中进行反馈状态矢量编码，获得传递随动反馈状态矢量和目标随动反馈状态矢量；
将各个运行控制事件对应的传递伺服被控状态矢量和传递随动反馈状态矢量导入所述矢量协作表达子网络中进行矢量协作表达，获得所述各个运行控制事件对应的协作表达矢量分布；
将所述各个运行控制事件对应的目标伺服被控状态矢量、目标随动反馈状态矢量和协作表达矢量分布导入所述全局表达子网络进行事件表达矢量分析，获得所述各个运行控制事件对应的事件表达矢量，并将所述事件表达矢量导入所述故障估计子网络进行故障标签值估计，获得所述各个运行控制事件对应的故障标签值。
9.根据权利要求8所述的伺服驱动器运行控制系统的优化方法，其特征在于，所述故障特征预测网络通过以下步骤训练生成：
获取模板协同运行控制数据和对应的先验故障特征数据；
将所述模板协同运行控制数据导入基础故障特征预测网络中，利用所述基础故障特征预测网络将所述模板协同运行控制数据进行切分，获得各个模板运行控制事件；
利用所述基础故障特征预测网络对所述各个模板运行控制事件分别进行被控状态矢量编码，获得所述各个模板运行控制事件对应的模板伺服被控状态矢量，所述模板伺服被控状态矢量包括模板传递伺服被控状态矢量和模板目标伺服被控状态矢量；
对所述各个模板运行控制事件分别进行反馈状态矢量编码，获得所述各个模板运行控制事件对应的模板随动反馈状态矢量，所述模板随动反馈状态矢量包括模板传递随动反馈状态矢量和模板目标随动反馈状态矢量；
利用所述基础故障特征预测网络对所述各个模板运行控制事件对应的模板传递伺服被控状态矢量和模板传递随动反馈状态矢量进行矢量协作表达，获得所述各个模板运行控制事件对应的模板协作表达矢量；
利用所述基础故障特征预测网络对所述各个模板运行控制事件对应的模板目标伺服被控状态矢量、模板目标随动反馈状态矢量和模板协作表达矢量进行事件表达矢量分析，获得所述各个模板运行控制事件对应的模板事件表达矢量，并利用所述模板事件表达矢量进行故障标签值估计，获得所述各个模板运行控制事件对应的模板故障标签值；
利用所述各个模板运行控制事件对应的模板故障标签值和所述模板协同运行控制数据对应的先验故障特征数据进行故障估计代价值计算，获得故障估计代价值，利用所述故障估计代价值，更新所述基础故障特征预测网络的网络权重参数，获得候选故障特征预测网络；
将所述候选故障特征预测网络作为基础故障特征预测网络，并返回获取模板协同运行控制数据和对应的先验故障特征数据的步骤执行，直至满足训练终止条件时，获得所述故障特征预测网络。
10.一种伺服驱动器运行控制系统的优化系统，其特征在于，所述伺服驱动器运行控制系统的优化系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项的伺服驱动器运行控制系统的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962948.4A CN116700124B (zh) | 2023-08-02 | 2023-08-02 | 伺服驱动器运行控制系统的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962948.4A CN116700124B (zh) | 2023-08-02 | 2023-08-02 | 伺服驱动器运行控制系统的优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116700124A true CN116700124A (zh) | 2023-09-05 |
| CN116700124B CN116700124B (zh) | 2023-10-03 |
Family
ID=87839568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962948.4A Active CN116700124B (zh) | 2023-08-02 | 2023-08-02 | 伺服驱动器运行控制系统的优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700124B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107888454A (zh) * | 2017-11-30 | 2018-04-06 | 英孚康（浙江）工业技术有限公司 | 一种基于物联网的伺服驱动器监控系统 |
| CN108199632A (zh) * | 2017-12-28 | 2018-06-22 | 上海辛格林纳新时达电机有限公司 | 一种伺服驱动器的磁偏角自整定方法和电子设备 |
| CN108460397A (zh) * | 2017-12-26 | 2018-08-28 | 东软集团股份有限公司 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
| CN111625390A (zh) * | 2020-05-28 | 2020-09-04 | 深圳市晶讯软件通讯技术有限公司 | 嵌入式设备故障恢复方法、装置、嵌入式设备及存储介质 |
| CN111930058A (zh) * | 2020-08-05 | 2020-11-13 | 深圳市微秒控制技术有限公司 | 一种伺服驱动器故障监测系统及方法 |
| KR20210057459A (ko) * | 2019-11-12 | 2021-05-21 | 한국전기연구원 | 다축 서보 시스템의 고장 및 제어 성능 분석을 위한 데이터 수집 시스템 및 방법 |
| CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
| CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-08-02 CN CN202310962948.4A patent/CN116700124B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107888454A (zh) * | 2017-11-30 | 2018-04-06 | 英孚康（浙江）工业技术有限公司 | 一种基于物联网的伺服驱动器监控系统 |
| CN108460397A (zh) * | 2017-12-26 | 2018-08-28 | 东软集团股份有限公司 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
| CN108199632A (zh) * | 2017-12-28 | 2018-06-22 | 上海辛格林纳新时达电机有限公司 | 一种伺服驱动器的磁偏角自整定方法和电子设备 |
| KR20210057459A (ko) * | 2019-11-12 | 2021-05-21 | 한국전기연구원 | 다축 서보 시스템의 고장 및 제어 성능 분석을 위한 데이터 수집 시스템 및 방법 |
| CN111625390A (zh) * | 2020-05-28 | 2020-09-04 | 深圳市晶讯软件通讯技术有限公司 | 嵌入式设备故障恢复方法、装置、嵌入式设备及存储介质 |
| CN111930058A (zh) * | 2020-08-05 | 2020-11-13 | 深圳市微秒控制技术有限公司 | 一种伺服驱动器故障监测系统及方法 |
| CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
| CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116700124B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163368B (zh) | 基于混合精度的深度学习模型训练方法、装置及系统 | |
| US20200050947A1 (en) | Intelligent personalized chemical synthesis planning | |
| EP3709195A1 (en) | System and method for interoperable communication of between entities with different structures | |
| CN113344089B (zh) | 模型训练方法、装置及电子设备 | |
| WO2021201823A1 (en) | Robust artificial intelligence inference in edge computing devices | |
| CN114324368B (zh) | 基于机械视觉检测的改性塑料生产检测方法及系统 | |
| CN115496201A (zh) | 一种基于深度强化学习的列车精确停车控制方法 | |
| CN111526213A (zh) | 基于区块链的设备控制系统 | |
| CN111210198B (zh) | 信息投递方法、装置及服务器 | |
| CN117554751B (zh) | 基于人工智能的电力系统故障诊断系统 | |
| CN116700124B (zh) | 伺服驱动器运行控制系统的优化方法及系统 | |
| CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
| CN111338955B (zh) | 软件图形接口测试方法、装置、软件开发系统及服务器 | |
| CN115544033B (zh) | 查重向量库更新、数据查重方法、装置、设备和介质 | |
| JP7464115B2 (ja) | 学習装置、学習方法および学習プログラム | |
| CN111428886B (zh) | 一种故障诊断的深度学习模型自适应更新的方法及装置 | |
| US10831828B2 (en) | Method and system for improving datacenter operations utilizing layered information model | |
| CN104570759A (zh) | 控制系统中点定位问题的快速二叉树法 | |
| CN110543549A (zh) | 语义等价性判断方法和装置 | |
| CN117931426B (zh) | 一种用于云工作负载预测的生成对抗性方法和系统 | |
| CN116700703B (zh) | 一种业务处理方法、装置、设备及存储介质 | |
| CN113835988B (zh) | 指标信息预测方法及系统 | |
| CN112837040B (zh) | 应用于智能电网的电力数据管理方法及系统 | |
| CN118132625A (zh) | 应用于智慧电力系统的数据挖掘方法及系统 | |
| CN112532750A (zh) | 一种大数据推送处理方法、系统及云平台 |
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 |