CN116992365A - 一种在随机冲击干扰下的故障诊断方法及系统 - Google Patents

一种在随机冲击干扰下的故障诊断方法及系统 Download PDF

Info

Publication number
CN116992365A
CN116992365A CN202310970350.XA CN202310970350A CN116992365A CN 116992365 A CN116992365 A CN 116992365A CN 202310970350 A CN202310970350 A CN 202310970350A CN 116992365 A CN116992365 A CN 116992365A
Authority
CN
China
Prior art keywords
abnormal
vibration signal
self
invalid
signal
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
Application number
CN202310970350.XA
Other languages
English (en)
Other versions
CN116992365B (zh
Inventor
廖志强
王鑫
宋雪玮
贾宝柱
孔德峰
李笑宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202310970350.XA priority Critical patent/CN116992365B/zh
Publication of CN116992365A publication Critical patent/CN116992365A/zh
Application granted granted Critical
Publication of CN116992365B publication Critical patent/CN116992365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种在随机冲击干扰下的故障诊断方法及系统，包括：利用振动传感器采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；利用正常振动信号集对构建的自编码孤立森林模型进行无监督训练；将异常振动信号集输入训练完毕的自编码孤立森林模型中，当从自编码孤立森林模型检测出无效异常信号，返回无效异常信号的索引位置，并利用索引位置附近的常规振动信号替换掉无效异常信号；将消除无效异常信号的异常振动信号集进行包络分析，根据包络分析结果判断旋转机械设备是否存在故障及其故障类别。

Description

一种在随机冲击干扰下的故障诊断方法及系统
技术领域
本申请涉及机械故障诊断领域，尤其涉及一种在随机冲击干扰下的故障诊断方法及系统。
背景技术
轴承和齿轮是许多旋转机械的重要部件，重要部件的故障可能引发整个机械系统的严重问题。因此，研究旋转机械故障并及时发现重要部件的损坏部分极为重要。
在现有技术中，包络分析法是广泛应用于机械故障诊断的方法，该方法通过观察故障频率中的基础故障频率(一次谐波)和其他高次谐波来确定故障类型。
但是，在实际应用中，机械故障中的随机冲击会引起数据的瞬时和无规律的变化，这种变化会掩盖或模糊正常产生的故障特征。例如，一个强烈的随机冲击会引起数据的瞬时剧烈变化，从而掩盖数据特征；而强度很小但频率很高的随机冲击，则会引起数据的持续、微妙的变化，会使故障的特征变得模糊不清。此外，由于随机冲击的发生并不受控制，无法事先预测其发生时间、发生地点以及发生的强度和持续性。因此，随机冲击会对故障诊断带来显著的干扰和挑战，需要开发更有效的方法来检测和排除随机冲击的影响，从而提高故障诊断的准确性和可靠性。
发明内容
本发明提供了一种在随机冲击干扰下的故障诊断方法及系统，利用自编码孤立森林技术应对机械故障中的随机冲击干扰，从而提高机械故障特征提取与故障类型辨识的鲁棒性和准确性，解决或者部分解决随机冲击对故障诊断产生的干扰，在机械故障诊断领域具有广泛的适用性。
为解决上述技术问题，本发明的第一方面，公开了一种在随机冲击干扰下的故障诊断方法，所述方法包括：
利用振动传感器采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；所述正常振动信号集中包含无故障的若干常规振动信号和由正常故障产生的若干有效异常信号；
利用所述正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使所述自编码孤立森林模型学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检；
将所述异常振动信号集输入训练完毕的所述自编码孤立森林模型中；其中，所述自编码孤立森林模型包含自编码器和孤立森林；所述自编码器作为所述孤立森林的分割器，将所述异常振动信号集中的若干无效异常信号分割为输入子集，以使所述孤立森林以所述输入子集为划分依据划分孤立树，快速检测出所述异常振动信号集中的若干无效异常信号；
当从所述自编码孤立森林模型检测出所述无效异常信号，返回所述无效异常信号的索引位置，并利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，用以消除所述无效异常信号对所述异常振动信号的故障诊断影响；
将消除无效异常信号的所述异常振动信号集进行包络分析，根据包络分析结果判断所述旋转机械设备是否存在故障及其故障类别。
本发明的第二方面，公开了一种在随机冲击干扰下的故障诊断系统，包括：
振动传感器，用于采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；所述正常振动信号集中包含无故障的若干常规振动信号和由正常故障产生的若干有效异常信号；
模型处理装置，用于：
利用所述正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使所述自编码孤立森林模型学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检；
将所述异常振动信号集输入训练完毕的所述自编码孤立森林模型中；其中，所述自编码孤立森林模型包含自编码器和孤立森林；所述自编码器作为所述孤立森林的分割器，将所述异常振动信号集中的若干无效异常信号分割为输入子集，以使所述孤立森林以所述输入子集为划分依据划分孤立树，快速检测出所述异常振动信号集中的若干无效异常信号；
当从所述自编码孤立森林模型检测出所述无效异常信号，返回所述无效异常信号的索引位置，并利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，用以消除所述无效异常信号对所述异常振动信号的故障诊断影响；
包络分析装置，用于将消除无效异常信号的所述异常振动信号集进行包络分析，根据包络分析结果判断所述旋转机械设备是否存在故障及其故障类别。
通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：
本发明公开的方案，采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集。利用正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以其学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征。再利用训练得到的自编码孤立森林模型检测异常振动信号集，使其能够快速检测出异常振动信号集中的无效异常信号。在检测到无效异常信号之后，利用所述常规振动信号对其进行替换，对旋转机械的随机冲击干扰进行有效削弱，再结合包络分析，即能够在包络谱中找到旋转机械在产生的有效异常信号所在的频带，实现故障识别。由此可见，本发明方案综合考虑了机械有效异常信号集的非平稳性和瞬时冲击特性，针对性的采用自编码孤立森林技术对机械振动信号集中的随机冲击干扰进行有效削弱，再结合包络分析进行故障识别，从而更准确地在包络谱中找到故障特征信号集所在的频带，实现故障的精准识别。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1示出了本发明的随机冲击干扰下的故障诊断方法的流程示意图；
图2A示出了本发明的自编码孤立森林模型的结构示意图；
图2B示出了本发明的孤立森林将自编码器作为分割器划分孤立树的示例图；
图3A-图3D分别示出了轴承故障仿真信号的原始时域图、加入噪声后的时域图、加入噪声后的频域图和加入噪声后的包络谱示意图；
图4A-图4C分别示出了在轴承故障仿真信号中添加无效异常信号后的时域图、频域图和包络谱示意图；
图5A-图5C分别示出了利用本发明方案消除在轴承故障仿真信号中添加的无效异常信号后的时域图、频域图和包络谱示意图；
图6A-图6D分别示出了西储轴承故障信号的原始时域图、加入噪声后的时域图、加入噪声后的频域图和加入噪声后的包络谱示意图；
图7A-图7C分别示出了在西储轴承故障信号中添加无效异常信号后的时域图、频域图和包络谱示意图；
图8A-图8C分别示出了利用本发明方案消除在西储轴承故障信号中添加的无效异常信号后的时域图、频域图和包络谱示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例公开了一种在随机冲击干扰下的故障诊断方法，主要目的在于检测和排除随机冲击干扰对旋转机械呈现的正常故障的影响，从而提高旋转机械的故障诊断的准确性和可靠性。
经研究发现，孤立森林算法是一种基于数据的异常检测的常用算法，具有计算复杂度低、不需要预先设定异常类别等优点，已被广泛应用于各种故障诊断任务。然而，孤立森林算法也有其局限性。孤立森林的基本原理是通过计算数据点被孤立的路径长度来判断其是否为异常点，因此异常点相比正常点可以被更快地孤立出来。由于本申请的旋转机械实际包含两种异常信号，一种是由旋转机械的真实故障或异常状态引起的振动变化，本说明书称之为有效异常信号；一种是由噪声、随机冲击等无关因素引起旋转机械的振动变化，本说明书称之为无效异常信号。而在孤立森林算法中，所有被快速孤立出来的点都被认为是异常点，因此孤立森林算法无法有效区分本申请的旋转机械产生的两种异常信号，可能会将真正需要用来进行故障分析的有效异常信号误判为无效异常信号，从而影响故障诊断的准确性，并可能导致对设备或系统状态的误解，影响后续的决策和操作。
为了检测和排除随机冲击干扰对旋转机械呈现的正常故障的影响，本申请采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集。利用正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以其学习到旋转机械在未添加随机冲击干扰下呈现的关键特征。再利用训练得到的自编码孤立森林模型检测异常振动信号集，使其能够快速检测出异常振动信号集中的无效异常信号。在检测到无效异常信号之后，利用常规振动信号对其进行替换，对旋转机械的随机冲击干扰进行有效削弱，再结合包络分析，即能够在包络谱中找到旋转机械产生有效异常信号后所在的频带，实现正常故障的精准识别。
进一步的，孤立森林算法的主要任务是对数据进行分割，直到每一个数据点都被孤立出来，而在传统的孤立森林算法中，这种分割是随机的。为此，本申请构建了自编码孤立森林模型，利用自编码器检测出异常振动信号集中的无效异常信号，并将其作为输入子集来替代随机分割，使孤立森林算法的分割更有意义，从而有效的区分出有效异常信号和无效异常信号。
为了进一步说明和解释本申请，下面对本申请公开的随机冲击干扰下的故障诊断方法进行详细介绍，参看图1，该方法包括下述步骤：
步骤11，利用振动传感器采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集。
其中，在同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集中，包含：无故障的若干常规振动信号和由正常故障产生的若干有效异常信号。在同一旋转机械在添加随机冲击干扰下产生的异常振动信号集中，包含：若干无效异常信号，若干常规振动信号和若干有效异常信号。其中，有效异常信号通常指的是由真实的故障或异常状态引起的振动变化，而无效异常信号则可能由噪声、随机冲击等无关因素引起的振动变化。
作为一种可选的实施方式，在采集时，选择适合的点位，利用振动传感器监测同一旋转机械在未添加随机冲击以及添加随机激励的振动及产生的振动信号；再利用滑动窗将两种振动信号各自分解为正常振动信号集和异常振动信号集。
举例来说，针对同一轴承件，在轴承件正常运转时监测振动，利用滑动窗方式将产生的振动进行分解，得到正常振动信号集；再采用击打轴承件产生随机激励的方式，使其在随机冲击的干扰下产生振动，同样利用滑动窗方式将产生的振动进行分解，得到异常振动信号集。滑动窗的窗口大小可自定义设置，优选4096点。
作为一种可选的实施方式，在采集时，选择适合的点位，利用振动传感器监测同一旋转机械在未添加随机冲击的振动，并利用滑动窗将振动分解为正常振动信号集；在正常振动信号集中加入无效异常信号，得到异常振动信号集。滑动窗的窗口大小可自定义设置，优选4096点。
在本实施例中，采用滑动窗的方式采集信号集，能够有效减少随机冲击干扰对采集信号的时域特征和包络分析结果的影响。
步骤12，利用正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使自编码孤立森林模型学习到旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检。
在本实施例中，利用正常振动信号集训练自编码孤立森林模型，能够确保自编码孤立森林模型学习到正常振动信号的复杂周期特性，从而避免对异常振动信号的误检。
自编码孤立森林模型包含自编码器和孤立森林。自编码器是一种无监督的深度学习模型，能够学习信号的有效表示。在无监督训练过程中，自编码器能够采用较少信息对输入的正常振动信号进行编码，得到正常振动信号的压缩表示；再从压缩表示中重构出和正常振动信号相似的重构信号。自编码器能够学习出旋转机械在未添加随机冲击干扰下呈现的关键特征，并忽略那些不重要的、可能由噪声或冲击引起的随机冲击干扰信号。由于自编码器能够反映信号的真实结构，将自编码器与孤立森林结合，使其作为孤立森林的分割器，能够有效区分出有效异常信号和无效异常信号，提高故障诊断的准确性，从而更好地解决随机冲击带来的干扰问题。为适应振动信号特性，自编码器设计为自适应稀疏卷积自编码器。
参看图2，是自编码孤立森林模型的结构示意图。其中，自编码器作为孤立森林的分割器，分为编码器和解码器。
编码器包括若干卷积层，若干卷积层中的首层为一维卷积层。每个卷积层后面引入一丢弃层、批归一化层BN层。在每个卷积层后使用激活函数，例如Relu激活函数。在最后一个卷积层后使用tanh激活函数。卷积层中的卷积核大小为7*1。在图2中，示例性公开了两个卷积层，首个卷积层引入Relu激活函数，最后一个卷积层引入tanh激活函数，丢弃层示例性的采用池化层，BN层可选择性使用，但并不形成限制。
在利用正常振动信号集对其训练时，编码器在无监督训练时的实施过程如下：
若干卷积层用于对输入的正常振动信号进行卷积运算。以首个卷积层为例，正常振动信号经过首个卷积层使用Relu激活函数，卷积核为7×1，128个，步长为1，使用"same"模式保留边界输出。其中，首个卷积层引入了引入了稀疏正则化项。例如，首个卷积层中加入L1范数权重衰减，系数为1e-5，用于稀疏化操作。
丢弃层用于丢弃卷积层卷积计算后的特征参数，防止过拟合。以池化层为例，采用2×2的最大池化层进行下采样操作，防止过拟合。
BN层用于对剩余的特征参数进行归一化处理，用于提升训练速度并加快网络收敛。
解码器，用于从编码器得到的低维表示中，重构出与原始的正常振动信号相似的重构信号，忽略那些不重要的、可能由噪声或冲击引起的随机冲击干扰信号的干扰。
解码器包括若干卷积层，每个卷积层后连接上采样层、批归一化BN层和激活函数，直至最后一层卷积层输出。在每个卷积层后使用激活函数，例如Relu激活函数。在最后一个卷积层后使用tanh激活函数。卷积层中的卷积核大小为7*1。其中，在图2A中，示例性公开了3个卷积层，前两个卷积层后引入Relu激活函数后，分别连接上采样层、批归一化BN层和激活函数，最后一个卷积层引入tanh激活函数后连接输出。其中，解码器在无监督训练时的实施过程如下：
若干卷积层用于对输入的低维表示进行卷积运算。以首个卷积层为例，正常振动信号经过首个卷积层使用Relu激活函数，卷积核为7×1，128个，步长为1，使用"same"模式保留边界输出。
上采样层用于对卷积运算结果进行放大；
BN层用于对放大后的特征参数进行归一化处理，用于提升训练速度并加快网络收敛，得到重构信号。
由于自编码器的训练目标是最小化重构误差。在本实施例中，由于正常振动信号集的数据量大、数据特征维度高，本实施例引入了稀疏正则化操作，并采用损失函数计算重构信号的重构误差，使得自编码器在得到最小化重构误差的同时保持稀疏性，有效地减少模型复杂性和过拟合的风险。损失函数示例性的采用均方误差。
为了更快的保证结果收敛，在每次迭代中，可将划分小批量数据依次前向传播和反向传播，并选择Adagrad(Adaptive Gradient，自适应梯度，是梯度下降优化算法的扩展)优化算法对学习率进行自适应更新，以避免人为超参数选择代来的误差，从而保证收敛速度。
由于本实施例采用正常振动信号集对自编码器进行无监督训练，在训练完成之后，自编码器可将有效异常信号和常规振动信号归为一类，使自编码学习到旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检。
进一步的，自编码器输出的正常振动信号作为输入子集训练孤立森林中的孤立树划分，此时孤立森林中的孤立树划分不再是随机的，而是由自编码器输出决定。具体的，孤立森林包括一系列的孤立树，每个孤立树都是通过自编码器将正常振动信号集分割为多个输入子集来生成的，直到满足一定的停止条件。例如，树的深度达到预先设置好的参数值，即可停止孤立树的划分。
当自编码孤立森林模型学习到旋转机械在未添加随机冲击干扰下呈现的关键特征及其划分方式之后，即可对异常振动信号集进行检测，具体请看下面的描述。
步骤13，将异常振动信号集输入训练完毕的自编码孤立森林模型中。
其中，自编码孤立森林模型包含自编码器和孤立森林；自编码器作为孤立森林的分割器，将异常振动信号集中的若干无效异常信号分割为输入子集，以使孤立森林以输入子集为划分依据划分孤立树，快速检测出异常振动信号集中的若干无效异常信号。
在检测的具体实施过程中，将异常振动信号集中的每个异常振动信号输入编码器编码为低维表示。将低维表示利用解码器重构为和每个异常振动信号相似的重构信号，再利用引入了稀疏正则化项的损失函数计算重构信号的重构误差，使自编码器在得到最小化重构误差的同时保持稀疏性。
具体的，自编码器的具体结构参照前述实施例的相关描述，在此不再赘述。而利用自编码器检测异常振动信号集时，编码器的处理过程如下：编码器中的若干卷积层用于对输入的异常振动信号进行卷积运算；编码器中的丢弃层用于丢弃卷积层卷积计算后的特征参数，防止过拟合；编码器中的BN层用于对剩余的特征参数进行归一化处理，并采用激活函数进行非线性变化，得到异常振动信号的低维表示。解码器的处理过程如下：解码器中的若干卷积层用于对输入的低维表示进行卷积运算；解码器中的上采样层用于对卷积运算结果进行放大；解码器中的BN层用于对放大后的特征参数进行归一化处理，并采用激活函数进行非线性变化，得到重构信号。若重构误差在阈值范围之外，表示对应的异常振动信号为无效异常信号；若重构误差在阈值范围之内，表示对应的异常振动信号为是正常振动信号。
当自编码器将异常振动信号集中的若干无效异常信号检测出来之后，将异常振动信号集经过自编码器得到的若干无效异常信号作为第一类输入子集，将异常振动信号集经过自编码器得到的常规振动信号和有效异常信号归为第二类输入子集输入孤立森林，以使孤立森林以两类输入子集为划分依据划分孤立树，快速检测出若干无效异常信号。
在本实施例中，孤立森林按照下述划分方式划分孤立树：第一类输入子集中的每个无效异常信号均作为划分依据，以使孤立森林按照每个无效异常信号划分孤立树，直至划分出每个无效异常信号或者达到划分参数为止，以快速检测出无效异常信号。当然，第二类输入子集中的每个正常振动信号也会作为划分依据，以使孤立森林按照每个正常振动信号划分孤立树，直至划分出每个正常振动信号或者达到划分参数为止。
其中，第一类输入子集的划分优先级高于第二类输入子集的划分优先级：无效异常信号的划分优先级高于正常振动信号的划分优先级。
在具备划分优先级的基础上，作为一种可选的划分方式，按照第一类输入子集和第二类输入子集将异常振动信号集划分为两部分，第一部分为第一类输入子集，第二部分为第二类输入子集；其次，依照第一类输入子集中每个无效异常信号在自编码器中的输出顺序逐步划分孤立树，直至划分出每个无效异常信号或者达到划分参数为止；再次，依照第二类输入子集中的每个正常振动信号逐步划分孤立树，正常振动信号的划分顺序可随机或者依照正常振动信号在自编码器中的输出顺序，直至划分出每个正常振动信号或者达到划分参数为止。
在具备划分优先级的基础上，作为一种可选的划分方式，按照第一类输入子集中的在自编码器中输出的首个无效异常信号将异常振动信号集划分为两部分一部分，一部分为首个无效异常信号，另一部分为正常振动信号和剩余的无效异常信号；再按照每个无效异常信号在自编码器中的输出顺序在第二部分中逐步划分孤立树；在无效异常信号划分完毕后，再依照第二类输入子集中的每个正常振动信号逐步划分孤立树，此时的划分顺序可随机或者依照正常振动信号在自编码器中的输出顺序，直至每个孤立树的节点只包含一个信号或者达到划分参数为止。
值得注意的是，无效异常信号的划分顺序依照在自编码器中的输出顺序；正常振动信号的划分顺序可随机或者依照正常振动信号在自编码器中的输出顺序。
由于自编码器输出的常规振动信号和有效异常信号会归为一类，作为正常振动信号划分孤立树。而无效异常信号会作为异常点优先划分孤立树。按照此结构促使孤立森林划分孤立树，能够快速检测出无效异常信号。
为了进一步说明和解释本实施例，异常振动信号集中示例性的列举7个异常振动信号；经过自编码器的检测，得到5个正常振动信号(包含2个常规振动信号和3个有效异常信号)和3个无效异常信号。每个信号后的数字表示其在自编码器中的输出顺序。参看图2B，在无效异常信号的划分优先级高于正常振动信号的划分优先级的基础上，结合各信号在自编码器中的输出顺序，即可按照图2B所示划分顺序划分孤立树。在执行第1次划分时，无效异常信号1单独划分出来，其余信号点作为剩余部分。在执行第2次划分时，由于无效异常信号的划分优先级高于正常振动信号的划分优先级，则无效异常信号2划分出来，其余信号点作为剩余部分。在执行第3-6次划分时，按照各信号点在自编码其中的输出顺序进行划分即可。
在不具备划分优先级的基础上，作为一种可选的划分方式，孤立森林按照下述划分方式划分孤立树：第一类输入子集和第二类输入子集均作为划分依据，以使孤立森林以两类输入子集为划分依据划分为两部分，第一部分为第一类输入子集，第二部分为第二类输入子集；再根据各信号在自编码器中的输出顺序划分孤立树，此时仅按照输出顺序划分，不考虑无效异常信号的划分优先级高于正常振动信号的划分优先级的限制，直至每个孤立树的节点只包含一个信号或者达到划分参数为止。
在不具备划分优先级的基础上，作为一种可选的划分方式，孤立森林按照下述划分方式划分孤立树：在自编码器检测无效振动信号集后，直接按照输出的各信号在自编码器中的输出顺序划分孤立树，直至每个孤立树的节点只包含一个信号或者达到划分参数为止。
在上述各实施例的方案中，将自编码器作为孤立森林的分割器，使孤立森林的分割不再随机，而是由自编码器进行决定，将常规振动信号与有效异常信号归为一类，去筛选出无效异常信号，从而使得孤立森林能够更好地学习和适应自编码器构建的数据结构，快速的检测出无效异常信号。
步骤14，当从自编码孤立森林模型检测出无效异常信号，返回无效异常信号的索引位置，并利用索引位置附近的常规振动信号替换掉无效异常信号，用以消除无效异常信号对异常振动信号的故障诊断影响。
具体的，选取索引位置前后的常规振动信号，根据公式Di＝Di-1+(Di-1+Di+1)2求取新信号值，并替换掉无效异常信号；其中，Di表示位于索引位置的新信号值，Di-1表示位于索引位置前一位的常规振动信号的信号值，Di+1表示位于索引位置后一位的常规振动信号的信号值。当然，还可以选择索引位置前后N位的常规振动信号的信号值求平均值，用以替换掉无效异常信号，在此本实施例不做限制。
步骤15，将消除无效异常信号的异常振动信号集进行包络分析，根据包络分析结果判断旋转机械设备是否存在故障及其故障类别。
在本实施例中，当异常振动信号集中消除了无效异常信号，则据此计算旋转机械的特征频率，并进行包络分析，判断异常振动信号集中是否存在故障特征频率及其谐波，并得出诊断结论。
为了进一步说明和解释本发明，下面使用仿真信号与实采信号对本发明进行了验证。
仿真信号验证的示例1如下：
生成的轴承故障仿真信号参数如下：
n(t)＝exp(-Ct)cos(2πfnt) (0.2)
Ai＝1+A0cos(2πfrt) (0.3)
其中，x(t)为轴承故障仿真信号；s(t)为周期性冲击成分；n(t)为高斯白噪声成分；Ai为位移常数；i为周期数；T为一个周期时间；幅值A0为0.3；转频fr为30Hz；衰减系数C为700；共振频率fn为4khz；内圈故障频率fi＝1/T＝120Hz，用于判断本方案是否能准确识别故障；污染噪声信号的信噪比为-5db，采样频率fs为16khz，分析点数为4096。其中，轴承故障仿真信号的原始时域图参看图3A，轴承故障仿真信号中加入噪声的时域图和频域图分别参看图3B、图3C。其中，时域图的横坐标为时间(s)，纵坐标为振幅(MV)。频域图的横坐标为频率(Hz)，纵坐标为振幅(MV)。
对该轴承故障仿真信号进行包络分析，结果如图3D所示，横坐标为频率(Hz)，纵坐标为电流(m/s2)。从图3D中可以看出，在正常包络分析中，出现了内圈故障的高次谐波，可以认为该轴承存在内圈故障。
在该轴承故障仿真信号中添加无效异常信号(例如随机冲击干扰信号)，添加无效异常信号后的时域和频域图分别参看图4A、图4B。其中，时域图的横坐标为时间，纵坐标为振幅。频域图的横坐标为频率，纵坐标为振幅。从图4A的时域图中可以看出，存在的波形信号因为冲击噪声的加入，很难从时域图中获得有效信息，而从图4B的频域谱中可以看出，由于噪声的加入导致频域幅值的增大，但是没有影响到主频域的观测，相对原始信号，频谱图变换较小。对其进行包络分析，结果如4C所示。在图4C的包络谱示意图中，由于冲击信号的出现，导致无法观测到故障频率，从而使系统产生故障漏报的错误。
为解决这一问题，采用本申请公开的自编码孤立森林模型对添加无效异常信号的轴承故障仿真信号进行处理，并采用插值的方式消除无效异常信号。处理后的信号的时域和频域图分别参看图5A、图5B。与原始的轴承故障仿真信号对比，可以发现，本申请的方案能够有效剔除异常数据，并保留了原始的轴承故障仿真信号时域特征与频域特征。对比示例参看表1。
表1
从添加无效异常信号和去除无效异常信号的时域特征可以看出，冲击信号的产生，对于几个判断轴承是否故障的时域指标有非常大的影响，如偏度、峭度、峭度指标等都发生了巨大的变化，极易误导运维人员做出错误的判断，而在使用本方案去除无效异常信号后，这些指标都恢复正常。去除无效异常信号后进行包络分析，结果如图5C所示。在图5C的包络谱中可以观察到存在明显的内圈故障频率以及其倍频，可以判断该轴承存在内圈故障。
实采信号验证的示例2如下：
在本示例中，选择西储轴承故障信号进行验证，在该数据集中添加随机冲击噪声，观测使用本发明方案以及不使用本发明方案的结果比对。
该实采信号为12khz采样频率下的轴承内圈故障，轴承的参数如下表2所示。
表2
西储轴承故障信号的原始时域图、加噪声后的时域图、加噪声后的频域图、加噪声后的包络谱分别参看图6A-图6D。西储轴承故障信号中添加无效异常信号后的时域图、频域图、包络谱如图7A-图7C，从中无法准确识别到轴承的内圈故障。经过本发明公开的方案理后的时域图、频域图、包络谱如图8A-图8C。在包络谱中存在内圈故障特征以及其谐波，故可以成功诊断该轴承存在内圈故障。几类信号对比示例参看表3。
表3
在实采信号加入无效异常信号，也会对常见的几个判断故障的时域特征畅神较大影响，而采用本发明的方案处理后，能最大程度还原实采信号最原始的特征。
基于和前述实施例相同的发明构思，下面的实施例公开了一种在随机冲击干扰下的故障诊断系统，包括：
振动传感器，用于采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；所述正常振动信号集中包含无故障的若干常规振动信号和由正常故障产生的若干有效异常信号；
模型处理装置，用于：
利用所述正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使所述自编码孤立森林模型学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检；
将所述异常振动信号集输入训练完毕的所述自编码孤立森林模型中；其中，所述自编码孤立森林模型包含自编码器和孤立森林；所述自编码器作为所述孤立森林的分割器，将所述异常振动信号集中的若干无效异常信号分割为输入子集，以使所述孤立森林以所述输入子集为划分依据划分孤立树，快速检测出所述异常振动信号集中的若干无效异常信号；
当从所述自编码孤立森林模型检测出所述无效异常信号，返回所述无效异常信号的索引位置，并利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，用以消除所述无效异常信号对所述异常振动信号的故障诊断影响；
包络分析装置，用于将消除无效异常信号后的所述异常振动信号集进行包络分析，根据包络分析结果判断所述旋转机械设备是否存在故障及其故障类别。
尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种在随机冲击干扰下的故障诊断方法，其特征在于，所述方法包括：
利用振动传感器采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；所述正常振动信号集中包含无故障的若干常规振动信号和由正常故障产生的若干有效异常信号；
利用所述正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使所述自编码孤立森林模型学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检；
将所述异常振动信号集输入训练完毕的所述自编码孤立森林模型中；其中，所述自编码孤立森林模型包含自编码器和孤立森林；所述自编码器作为所述孤立森林的分割器，将所述异常振动信号集中的若干无效异常信号分割为输入子集，以使所述孤立森林以所述输入子集为划分依据划分孤立树，快速检测出所述异常振动信号集中的若干无效异常信号；
当从所述自编码孤立森林模型检测出所述无效异常信号，返回所述无效异常信号的索引位置，并利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，用以消除所述无效异常信号对所述异常振动信号的故障诊断影响；
将消除无效异常信号后的所述异常振动信号集进行包络分析，根据包络分析结果判断所述旋转机械设备是否存在故障及其故障类别。
2.如权利要求1所述的方法，其特征在于，所述利用振动传感器采集同一旋转机械在未添加随机冲击下产生的正常振动信号集和在随机冲击干扰下产生的异常振动信号集，具体包括：
利用振动传感器监测同一旋转机械在未添加随机冲击以及添加随机激励的振动，并利用滑动窗将两种振动信号各自分解为所述正常振动信号集和所述异常振动信号集；或者
利用所述振动传感器监测同一旋转机械在未添加随机冲击的振动，并利用所述滑动窗将所述振动分解为所述正常振动信号集；在所述正常振动信号集中加入所述无效异常信号，得到所述异常振动信号集。
3.如权利要求1所述的方法，其特征在于，所述自编码器为自适应稀疏卷积自编码器。
4.如权利要求1或3所述的方法，其特征在于，所述自编码孤立森林模型包含:所述自编码器和孤立森林；其中，所述自编码器分为编码器和解码器；
将所述异常振动信号集中的每个异常振动信号输入引入了稀疏正则化项的编码器编码为低维表示；
将所述低维表示利用所述解码器重构为和所述每个异常振动信号相似的重构信号，再利用损失函数计算所述重构信号的重构误差，使所述自编码器在得到最小化重构误差的同时保持稀疏性；
若所述重构误差在阈值范围之外，表示对应的异常振动信号为所述无效异常信号；若所述重构误差在阈值范围之内，表示对应的异常振动信号为是所述正常振动信号；
将所述异常振动信号集经过所述自编码器得到的所述若干无效异常信号作为第一类输入子集，将所述异常振动信号集经过所述自编码器得到的常规振动信号和有效异常信号归为第二类输入子集输入所述孤立森林，以使所述孤立森林以两类输入子集为划分依据划分孤立树，快速检测出所述若干无效异常信号。
5.如权利要求4所述的方法，其特征在于，所述编码器包括若干卷积层，每个卷积层后面引入一丢弃层、批归一化层BN层；其中，
所述若干卷积层用于对输入的异常振动信号进行卷积运算；其中，首个卷积层引入了稀疏正则化项；
所述丢弃层用于丢弃所述卷积层卷积计算后的特征参数，防止过拟合；
所述BN层用于对剩余的特征参数进行归一化处理，得到所述异常振动信号的低维表示。
6.如权利要求4所述的方法，其特征在于，所述解码器包括若干卷积层，每个卷积层后连接上采样层、批归一化BN层，直至最后一层卷积层输出；其中，
所述若干卷积层用于对输入的低维表示进行卷积运算；
所述上采样层用于对卷积运算结果进行放大；
所述BN层用于对放大后的特征参数进行归一化处理，得到所述重构信号。
7.如权利要求4所述的方法，其特征在于，所述第一类输入子集中的每个无效异常信号均作为划分依据，以使所述孤立森林按照每个无效异常信号划分孤立树，直至划分出每个无效异常信号或者达到划分参数为止，以快速检测出所述无效异常信号；
所述第二类输入子集中的每个正常振动信号也会作为划分依据，以使所述孤立森林按照每个正常振动信号划分孤立树，直至划分出每个正常振动信号或者达到划分参数为止。
8.如权利要求1所述的方法，其特征在于，所述利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，具体包括：
选取所述索引位置前后的所述常规振动信号，根据公式Di＝Di-1+(Di-1+Di+1)/2求取新信号值，并替换掉所述无效异常信号；其中，Di表示位于所述索引位置的新信号值，Di-1表示位于索引位置前一位的所述常规振动信号的信号值，Di+1表示位于索引位置后一位的所述常规振动信号的信号值。
9.一种在随机冲击干扰下的故障诊断系统，其特征在于，包括：
振动传感器，用于采集同一旋转机械在未添加随机冲击干扰下产生的正常振动信号集和添加随机冲击干扰下产生的异常振动信号集；所述正常振动信号集中包含无故障的若干常规振动信号和由正常故障产生的若干有效异常信号；
模型处理装置，用于：
利用所述正常振动信号集对构建的自编码孤立森林模型进行无监督训练，以使所述自编码孤立森林模型学习到所述旋转机械在未添加随机冲击干扰下呈现的关键特征，避免对异常振动信号的误检；
将所述异常振动信号集输入训练完毕的所述自编码孤立森林模型中；其中，所述自编码孤立森林模型包含自编码器和孤立森林；所述自编码器作为所述孤立森林的分割器，将所述异常振动信号集中的若干无效异常信号分割为输入子集，以使所述孤立森林以所述输入子集为划分依据划分孤立树，快速检测出所述异常振动信号集中的若干无效异常信号；
当从所述自编码孤立森林模型检测出所述无效异常信号，返回所述无效异常信号的索引位置，并利用所述索引位置附近的所述常规振动信号替换掉所述无效异常信号，用以消除所述无效异常信号对所述异常振动信号的故障诊断影响；
包络分析装置，用于将消除无效异常信号后的所述异常振动信号集进行包络分析，根据包络分析结果判断所述旋转机械设备是否存在故障及其故障类别。
CN202310970350.XA 2023-08-02 2023-08-02 一种在随机冲击干扰下的故障诊断方法及系统 Active CN116992365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310970350.XA CN116992365B (zh) 2023-08-02 2023-08-02 一种在随机冲击干扰下的故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310970350.XA CN116992365B (zh) 2023-08-02 2023-08-02 一种在随机冲击干扰下的故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN116992365A true CN116992365A (zh) 2023-11-03
CN116992365B CN116992365B (zh) 2024-03-08

Family

ID=88524395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310970350.XA Active CN116992365B (zh) 2023-08-02 2023-08-02 一种在随机冲击干扰下的故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN116992365B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN113408068A (zh) * 2021-06-18 2021-09-17 浙江大学 一种随机森林分类的机泵故障诊断方法及装置
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN114912480A (zh) * 2022-04-07 2022-08-16 南京林业大学 基于深度残差变分自编码器的故障诊断方法和诊断系统
CN115628910A (zh) * 2022-12-22 2023-01-20 广东技术师范大学 一种基于迁移学习的嵌入式轴承故障诊断装置及设备
WO2023035869A1 (zh) * 2022-03-15 2023-03-16 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN115935286A (zh) * 2022-11-29 2023-04-07 石家庄铁道大学 铁路轴承状态监测数据的异常点检测方法、装置及终端
CN115982566A (zh) * 2022-12-14 2023-04-18 西北农林科技大学 一种水电机组多通道故障诊断方法
CN116124398A (zh) * 2023-02-08 2023-05-16 广州工程技术职业学院 旋转机械故障检测方法及装置、设备、存储介质
CN116361733A (zh) * 2023-02-22 2023-06-30 国家石油天然气管网集团有限公司 一种故障诊断方法、装置、系统以及存储介质
CN116416497A (zh) * 2023-04-17 2023-07-11 广东海洋大学 一种轴承故障诊断系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN113408068A (zh) * 2021-06-18 2021-09-17 浙江大学 一种随机森林分类的机泵故障诊断方法及装置
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
WO2023035869A1 (zh) * 2022-03-15 2023-03-16 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN114912480A (zh) * 2022-04-07 2022-08-16 南京林业大学 基于深度残差变分自编码器的故障诊断方法和诊断系统
CN115935286A (zh) * 2022-11-29 2023-04-07 石家庄铁道大学 铁路轴承状态监测数据的异常点检测方法、装置及终端
CN115982566A (zh) * 2022-12-14 2023-04-18 西北农林科技大学 一种水电机组多通道故障诊断方法
CN115628910A (zh) * 2022-12-22 2023-01-20 广东技术师范大学 一种基于迁移学习的嵌入式轴承故障诊断装置及设备
CN116124398A (zh) * 2023-02-08 2023-05-16 广州工程技术职业学院 旋转机械故障检测方法及装置、设备、存储介质
CN116361733A (zh) * 2023-02-22 2023-06-30 国家石油天然气管网集团有限公司 一种故障诊断方法、装置、系统以及存储介质
CN116416497A (zh) * 2023-04-17 2023-07-11 广东海洋大学 一种轴承故障诊断系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SABTAIN AHMAD ET.AL: "Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA)》, pages 4093 - 4102 *
胡宁;方兰婷;秦中元;: "基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法", 网络空间安全, no. 08, pages 44 - 48 *

Also Published As

Publication number Publication date
CN116992365B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
CN110617966A (zh) 一种基于半监督生成对抗网络的轴承故障诊断方法
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CN112461547B (zh) 一种基于多岛遗传和变分模态分解的轴承故障诊断方法
CN111089726A (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN111521400A (zh) 一种基于edm及谱峭度的轴承早期故障诊断方法
DE102008022125A1 (de) Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及系统
Jaber et al. A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab
CN107689059A (zh) 风力发电机组变桨异常的识别方法及装置
CN113177537A (zh) 一种旋转机械设备的故障诊断方法及系统
Lee et al. An explainable deep learning-based prognostic model for rotating machinery
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN113239970A (zh) 一种模型训练方法、设备振动异常检测方法和装置
CN115795275A (zh) 基于变分模态分解与小波联合去噪的轴承故障诊断方法
Senanayaka et al. CNN based Gearbox Fault Diagnosis and Interpretation of Learning Features
Yu et al. Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition
CN116992365B (zh) 一种在随机冲击干扰下的故障诊断方法及系统
CN110147637B (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
Zhang et al. Gearbox health condition identification by neuro-fuzzy ensemble
CN117112991A (zh) 一种基于改进深度残差收缩网络的轴承故障诊断方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN114441174B (zh) 滚动轴承复合故障的诊断方法、系统、设备及介质
CN115905827A (zh) 一种基于神经网络的汽轮机故障诊断方法及装置

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