CN117056849B - 一种无监督的复杂机械设备异常状态监测方法及系统 - Google Patents
一种无监督的复杂机械设备异常状态监测方法及系统 Download PDFInfo
- Publication number
- CN117056849B CN117056849B CN202311315818.8A CN202311315818A CN117056849B CN 117056849 B CN117056849 B CN 117056849B CN 202311315818 A CN202311315818 A CN 202311315818A CN 117056849 B CN117056849 B CN 117056849B
- Authority
- CN
- China
- Prior art keywords
- data
- power signal
- signal data
- complex mechanical
- encoder
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 74
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000013075 data extraction Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000002372 labelling Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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]
Abstract
本发明公开了一种无监督的复杂机械设备异常状态监测方法及系统,首先,确定故障敏感部件,采集数据;然后通过运行状态识别算法自动提取所述数据,并划分训练样本,将所述训练样本进行快速傅里叶变换成为多源信号融合样本,将所述多源信号融合样本作为堆叠稀疏自编码器的输入数据;随后建立基于所述堆叠稀疏自编码器的数据提取模型;最后训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。本发明利用复杂机械设备工业数据集进行无监督训练,节省了人工特征提取与数据标注的高昂成本,降低了异常数据缺乏对监测模型准确度的影响,可以应用于复杂机械高强度间歇运动需求,对设备监测健康状态技术的应用及推广具有较大意义。
Description
技术领域
本发明涉及设备运行状态监测领域,具体涉及一种无监督的复杂机械设备异常状态监测方法及系统。
背景技术
随着智能制造技术的不断发展,数控机床、工业机器人等复杂机械设备在机械加工等领域起到了越来越重要的作用。此类设备机械结构复杂、多系统互相耦合,常在苛刻环境下长时间工作,导致重大故障发生概率大幅提升,严重威胁了生产效率和可靠性。因此,实现复杂机械设备健康状态实时监测与故障的即时诊断具有重要意义。
专利“一种基于自适应残差神经网络的风力涡轮机故障诊断方法”(CN202210449533)中,采用连续小波变换对原始数据进行时频域特征分析,经数据降维后利用自适应残差神经网络训练轴承故障分类模型。专利“一种基于多尺度卷积神经网络的滚动轴承故障诊断方法”(CN202110209342)中,通过自适应变分模态分解得到振动数据的本征模态分量,经包络解调、角域重采样和傅里叶变换等处理后计算包络峭度作为有效分量,通过多尺度神经网络训练风机滚动健康状态监测模型。此外,周兴康等人在《机械工程学报》上发表论文《基于深度一维残差卷积自编码网络的齿轮箱故障诊断》,首先利用深度一维残差自编码器对振动信号进行特征提取,随后使用标签数据进行分类微调以实现齿轮箱故障模式识别。
通过对现有技术的分析可知,目前复杂机械设备异常状态监测方法存在如下问题:一是处理加工状态特征数据主要依赖人工进行特征提取,难以应对设备实际运行过程中的复杂情况,从而造成隐藏信息的浪费。二是监测模型训练需要大量有标记的样本,因此无法在样本标签缺失、数据不平衡的工业实际装备数据集上取得很好的效果。
发明内容
本发明的目的在于给出一种无监督的复杂机械设备异常状态监测方法及系统,用于解决现有监测方法依赖人工特征提取,以及过度依赖有标签训练数据等问题,以实现复杂机械设备监测模型的无监督训练与异常状态实时监测。
本发明提供的方案一,一种无监督的复杂机械设备异常状态监测方法,有以下步骤:
S1:确定所述复杂机械设备的故障敏感部件,采集和预处理所述复杂机械设备运行过程中的振动信号数据与功率信号数据;
S2:通过运行状态识别算法自动提取所述振动信号数据与所述功率信号数据,并将自动提取的所述振动信号数据与所述功率信号数据划分为训练样本数据集,所述训练样本数据集包含若干训练样本数据,将所述训练样本数据集进行快速傅里叶变换成为多源信号融合样本数据集,将所述多源信号融合样本数据集作为堆叠稀疏自编码器的输入数据;
S3:使用步骤S2的所述多源信号融合样本数据集,建立基于堆叠稀疏自编码器的数据提取模型,得到反映所述复杂机械设备运行关键信息低维数据;
S4:使用步骤S3的所述运行关键信息低维数据,训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。
进一步的,所述步骤S1的具体过程如下:
S1.1:确定所述复杂机械设备的故障敏感部件;
S1.2:安装三向振动传感器、功率传感器、工控机,使用所述三向振动传感器与所述功率传感器采集所述复杂机械设备运行过程中的所述振动信号数据与所述功率信号数据,所述三向振动传感器和所述功率传感器分别通讯所述工控机;
S1.3:采集的所述振动信号数据与所述功率信号数据进行模数转换后传输至所述工控机。
进一步的,所述步骤S1.2中,设置采样频率为1000Hz。
进一步的,所述步骤S2中的所述运行状态识别算法为,通过所述功率信号数据获得功率信号数据绝对值,将所述功率信号数据曲线化获得功率信号数据曲线,通过所述功率信号数据曲线获得功率信号曲线斜率,根据所述功率信号数据绝对值和所述功率信号曲线斜率的波动特点进行自动提取与划分训练样本数据集;所述波动特点为,当所述复杂机械设备的运行状态为开始运行时,所述功率信号数据绝对值开始增大,所述功率信号曲线斜率也从0开始增大,当所述复杂机械设备的运行状态为结束运行时,所述功率信号数据绝对值开始减小,所述功率信号曲线斜率也减小为0。
进一步的,所述步骤S2的具体过程如下:
S2.1:通过分析所述波动特点所对应的所述复杂机械设备的运行状态,设定所述功率信号数据的起始判别条件与终止判别条件,以截取所述功率信号数据与所述振动信号数据,并划分为训练样本数据集,所述起始判别条件包括但不限于判别时间间隔、起始时所述功率信号曲线斜率的判别阈值、起始时所述功率信号数据的判别阈值,所述终止判别条件包括但不限于判别时间间隔、终止时所述功率信号曲线斜率的判别阈值、终止时所述功率信号数据的判别阈值;
所述复杂机械设备的运行起始点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为起始时所述功率信号曲线斜率的判别阈值,/>为起始时所述功率信号数据的判别阈值;
所述复杂机械设备的运行终止点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为终止时所述功率信号曲线斜率判别阈值,/>为终止时所述功率信号数据判别阈值;
所述振动信号数据与所述功率信号数据同时采集,利用所述功率信号数据的起始判别条件与终止判别条件确定所述运行起始点和所述运行终止点,同时截取所述振动信号数据;
S2.2:对划分后的所述振动信号数据进行快速傅里叶变换,将维度为3×N的时域数据转换为3×(N/2+1)的频域数据,N为截取后所述训练样本数据的特征点个数;
S2.3:对所述功率信号数据进行降采样;
S2.4:将经过步骤S2.1-S2.3处理后的所述振动信号数据和所述功率信号数据进行归一化处理,拼接为所述多源信号融合样本数据集。
进一步的,所述步骤S3的具体过程如下:
S3.1:所述堆叠稀疏自编码器由预训练的稀疏自编码器(SAE,SparseAutoencoder)堆叠而成,所述堆叠稀疏自编码器分为编码器(Encoder)和解码器(Decoder),设所述稀疏自编码器是由输入层、隐藏层、输出层组成的三层神经网络,对多个所述稀疏自编码器进行贪婪逐层训练;
S3.2:将经过所述贪婪逐层训练的所述稀疏自编码器进行堆叠,获得能提取所述多源信号融合数据隐含特征的所述稀疏自编码器,输出隐含特征向量,设所述隐含特征向量为。
进一步的,步骤S3.1中,所述贪婪逐层训练步骤为:
S3.1.1:设所述输入层的输入数据是所述训练样本数据集/>的一个样本,则所述输入层到所述隐藏层的编码过程表示为/>,
其中,为所述编码器权重矩阵,/>为所述隐藏层输出的特征向量,/>为所述编码器偏置向量,/>为所述隐藏层输出的特征向量,/>为所述编码器激活函数,所述编码器激活函数包括但不限于sigmoid、tahn、relu等;
所述隐藏层到所述输出层的解码过程表示为
;
其中,为所述解码器权重矩阵,/>为所述解码器偏置向量,/>为所述输出层的输出数据,/>为所述解码器激活函数,所述解码器激活函数包括但不限于sigmoid、tahn、relu等;
均方差用于衡量所述输入数据与所述输出数据的差异,以训练模型的优化目标,公式为
;
其中,为所述训练样本数据的个数,/>为网络层数,/>为输入数据特征点数,/>为正则系数,/>为第/>层编码器权重矩阵/>第/>行第/>列的权重;
引入稀疏惩罚项来抑制大部分隐藏神经元,以获取所述输入数据的隐含特征向量,避免所述编码器对于所述输入数据的恒等复制,引入所述稀疏惩罚项的损失函数表示为:
,
其中,为所述隐藏层的神经元个数,/>为稀疏正则系数,/>为稀疏性参数,/>为所述隐藏层第/>个神经元在输入的所述训练样本数据集上的平均激活度,/>为KL散度,其表达式为:
;
S3.1.2:将第一个所述稀疏自编码器的所述隐藏层输出的特征向量作为所述输入数据,来训练第二个所述稀疏自编码器,以此类推,直到满足所述隐含特征向量的提取要求。
进一步的,所述步骤S4为,利用步骤S3输出的所述隐含特征向量无监督训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。
进一步的,所述步骤S4具体过程为:
S4.1:利用非线性变换函数将步骤S3的所述隐含特征向量映射到高维空间,随后在所述高维空间构建包含全部所述训练样本数据的超球体;
S4.2:设所述支持向量为拉格朗日系数满足的所述隐含特征向量,其中/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>为衡量所述超球体尺寸和误分率的惩罚函数;
设所述训练样本数据集内所有属于所述支持向量的所述隐含特征向量集合为,则所述超球体中心/>和半径/>的计算公式分别为:
;
其中,n为所述训练样本数据的个数,;/>为所述超球体的半径长度,/>为所述超球体的中心点,/>为非线性变换函数,/>是核函数,/>和/>分别表示某个所述隐含特征向量,/>为所述隐含特征向量/>对应的拉格朗日系数,/>为所述隐含特征向量对应的拉格朗日系数;
测试样本到超球体中心的距离/>可表示为:
;
其中,为测试样本数据,n为所述训练样本数据的个数,/>是核函数,/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>和/>分别表示某个所述隐含特征向量,为所述隐含特征向量/>对应的拉格朗日系数;
若,则所述测试样本数据/>处于超球体边界内部,表明所述测试样本数据/>为正常运行样本;反之,所述测试样本数据/>为异常运行样本。
本发明提供的方案二,一种无监督的复杂机械设备异常状态监测系统,包括工控机、数据采集机箱、三向振动传感器、功率传感器,所述数据采集机箱包括振动采集模块、功率采集模块、数据采集板卡、供电电源和变压器;所述振动采集模块连接所述三向振动传感器,所述三向振动传感器包括X轴振动传感器、Y轴振动传感器、Z轴振动传感器,所述振动采集模块和所述功率采集模块分别通过所述数据采集板卡连接所述工控机,将采集的所述振动信号数据与所述功率信号数据经所述数据采集板卡传输至所述工控机,所述数据采集板卡用于模数转换。
本发明与现有技术相比,具体有以下优点:
(1)本发明的监测方法,通过布置多种传感器用于复杂机械设备异常状态监测,应用多源信号融合技术,实现了复杂机械系统故障的多维度实时诊断,针对现有监测方法主要应用于轴承等旋转设备的平稳运动过程监测的不足,本专利可以应用于复杂机械高强度间歇运动需求。
(2)本发明的监测方法,通过堆叠稀疏自编码器自动化地提取采集的原始数据中深层的隐含特征向量,节省了人工进行特征提取的成本,避免了数据隐含特征提取的浪费。
(3)针对现有技术多为监督训练的情况,本发明的监测方法,考虑到复杂机械故障数据难以采集的现实情况,提出了利用支持向量数据描述方法无监督地训练异常状态监测模型,节省了数据标注的高昂成本,降低了异常数据缺乏对监测模型准确度的影响,针对标注缺乏、样本不平衡的工业数据集具有较好的应用效果。
(4)本发明的监测系统,安装简单,性能稳定,结果准确,适用于复杂机械设备状态监测。
附图说明
图1为实施例一的数据处理流程示意图;
图2为实施例一的堆叠稀疏自编码器训练示意图;
图3为实施例一的无监督的复杂机械设备异常状态监测算法流程图;
图4为实施例二的复杂机械设备监测系统示意图;
图中:1、工控机,2、数据采集机箱,21、振动采集模块,22、功率采集模块,23、数据采集板卡,24、供电电源,25、变压器,3、三向振动传感器,4、功率传感器。
具体实施方式
为了使本发明的技术方案和有益效果更加清晰明了,实施例一和二结合常用的复杂机械设备——桁架机器人的健康状态监测对本发明做以详细说明,具体实施方式参照附图。实施例是以本发明的技术方案为前提进行的,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一参照图1-3所示,一种无监督的复杂机械设备异常状态监测方法,
S1:确定桁架机器人的故障敏感部件,采集和预处理桁架机器人运行过程中的振动信号数据与功率信号数据,具体包括如下步骤:
S1.1:分析桁架机器人的故障种类,确定桁架机器人的故障敏感部件,确定监测对象为桁架机器人的减速电机;
S1.2:安装三向振动传感器3、功率传感器4、工控机1,三向振动传感器3和功率传感器4分别通讯工控机1,将三向振动传感器3布置于减速电机轴承座处,本实施例使用型号为Lance 5105A;功率传感器4布置于电器柜中,本实施例使用型号为HGE99H81;使用三向振动传感器3与功率传感器4采集桁架机器人运行过程中的所述振动信号数据与所述功率信号数据;本实施例设置采样频率为1000Hz;
S1.3:采集的所述振动信号数据与所述功率信号数据经数据采集板卡23进行模数转换后传输至工控机1,本实施例的数据采集板卡23为MCC USB1608fs plus。
S2:通过运行状态识别算法自动提取所述振动信号数据与所述功率信号数据,并将自动提取的所述振动信号数据与所述功率信号数据划分为训练样本数据集,所述训练样本数据集包含若干训练样本数据,将所述训练样本数据集进行快速傅里叶变换成为多源信号融合样本数据集,将所述多源信号融合样本数据集作为堆叠稀疏自编码器的输入数据;
所述步骤S2中的所述运行状态识别算法为,通过所述功率信号数据获得功率信号数据绝对值,将所述功率信号数据曲线化获得功率信号数据曲线,通过所述功率信号数据曲线获得功率信号曲线斜率,根据所述功率信号数据绝对值和所述功率信号曲线斜率的波动特点进行自动提取与划分训练样本数据集;所述波动特点为,当桁架机器人的运行状态为开始运行时,所述功率信号数据绝对值开始增大,所述功率信号曲线斜率也从0开始增大,当桁架机器人的运行状态为结束运行时,所述功率信号数据绝对值开始减小,所述功率信号曲线斜率也减小为0;具体步骤为,
S2.1:通过分析所述波动特点所对应的桁架机器人的运行状态,设定所述功率信号数据的起始判别条件与终止判别条件,以截取所述功率信号数据与所述振动信号数据,并划分为训练样本数据集和测试样本数据集,所述训练样本数据集与所述测试样本数据集按4:1划分,本实施例所述起始判别条件为判别时间间隔、起始时所述功率信号曲线斜率的判别阈值、起始时所述功率信号数据的判别阈值,所述终止判别条件为判别时间间隔、终止时所述功率信号曲线斜率的判别阈值、终止时所述功率信号数据的判别阈值;桁架机器人的运行起始点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为起始时所述功率信号曲线斜率的判别阈值,/>为起始时所述功率信号数据的判别阈值;
桁架机器人运行终止点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为终止时所述功率信号曲线斜率判别阈值,/>为终止时所述功率信号数据判别阈值;
所述振动信号数据与所述功率信号数据同时采集,利用所述功率信号数据的起始判别条件与终止判别条件确定所述运行起始点和所述运行终止点,同时截取所述振动信号数据;
S2.2:对划分后的所述振动信号数据进行快速傅里叶变换,将维度为3×N的时域数据转换为3×(N/2+1)的频域数据,N为截取后所述训练样本数据的特征点个数;本实施例由于高频区域数据幅值很小,为了降低基于所述堆叠稀疏自编码器的数据提取模型训练的计算负担,将高于300Hz的所述振动信号数据剔除;对划分后的所述振动信号数据进行快速傅里叶变换,将维度为3×4000的时域数据转换为3×2001的频域数据,由于高频区域数据幅值很小,为了降低基于所述堆叠稀疏自编码器的数据提取模型训练的计算负担,将高于300Hz的数据剔除,即保留3×1200的频域样本点;
S2.3:对所述功率信号数据进行降采样,所述降采样为现有技术,是一种基础的数据处理方法,把高频的所述功率信号数据等间距抽样得到低频的所述功率信号数据,本实施例降采样后特征点个数为496;
S2.4:将经过步骤S2.1-S2.3处理后的所述振动信号数据和所述功率信号数据进行归一化处理,拼接为所述多源信号融合样本数据集。
S3:使用步骤S2的所述多源信号融合样本数据集,建立基于所述堆叠稀疏自编码器的数据提取模型,得到反映桁架机器人运行关键信息的低维数据;所述堆叠稀疏自编码器是黑箱模型,所述运行关键信息的低维数据是所述堆叠稀疏自编码器输出的特征提取后的数据;本实施例所述多源信号融合样本数据集为一维多源信号融合样本数据集,维度为n×4096,n为所述训练样本数据的个数,数据处理流程如图1所示,本实施例通过降维可以去除原始数据的冗余信息,降低计算机运算量,降维的限定与原始数据特点与监测方法有关,没有具体的限定,本实施例为一维。
S3.1:所述堆叠稀疏自编码器由预训练的稀疏自编码器堆叠而成,所述堆叠稀疏自编码器分为编码器和解码器,设所述稀疏自编码器是由输入层、隐藏层、输出层组成的三层神经网络,将所述多源信号融合样本数据集作为输入数据完成第一个所述稀疏自编码器的训练,对多个所述稀疏自编码器进行贪婪逐层训练;所述贪婪逐层训练步骤为:
S3.1.1:设所述输入层的输入数据是所述训练样本数据集/>的一个样本,则所述输入层到所述隐藏层的编码过程表示为
,
其中,为所述编码器权重矩阵,/>为所述编码器偏置向量,/>为所述隐藏层输出的特征向量,/>为所述编码器激活函数,所述编码器激活函数包括但不限于sigmoid、tahn、relu等;
所述隐藏层到所述输出层的解码过程表示为
;
其中,为所述解码器权重矩阵,/>为所述隐藏层输出的特征向量,/>为所述解码器偏置向量,/>为所述输出层的输出数据,/>为所述解码器激活函数,所述解码器激活函数包括但不限于sigmoid、tahn、relu等;
均方差用于衡量所述输入数据与所述输出数据的差异,以训练模型的优化目标,公式为
;
其中,为所述训练样本数据的个数,/>为网络层数,/>为输入数据特征点数,/>为正则系数,/>为第/>层编码器权重矩阵/>第/>行第/>列的权重;
引入所述稀疏惩罚项的损失函数表示为:
,
其中,为隐藏层神经元个数,/>为稀疏正则系数,/>为稀疏性参数,/>为隐藏层第/>个神经元在输入的所述训练样本数据集上的平均激活度,/>为KL散度,其表达式为:
;
S3.1.2:将第一个所述稀疏自编码器的所述隐藏层输出的特征向量作为输入数据,来训练第二个所述稀疏自编码器,以此类推,直到满足所述隐含特征向量的提取要求;
S3.2:将经过所述贪婪逐层训练的所述稀疏自编码器进行堆叠,获得能提取所述多源信号融合数据隐含特征的所述稀疏自编码器,输出隐含特征向量,设所述隐含特征向量为。
如图2,本实施例堆叠由三个稀疏自编码器组成的所述堆叠稀疏自编码器,激活函数选择sigmoid函数,正则系数为2e-3,系数正则系数为0.1;第一个稀疏自编码器输入层与输出层神经元个数为4096,隐藏层神经元个数为512;第二个稀疏自编码器输入层与输出层神经元个数为512,隐藏层神经元个数为256;第三个稀疏自编码器输入层与输出层神经元个数为256,隐藏层神经元个数为32;每个稀疏自编码器迭代次数为300,优化算法为比例共轭梯度算法,为现有技术;利用所述训练样本数据集中的数据堆叠稀疏自编码器,输出所述训练样本数据集的所述隐含特征向量/>。
S4:支持向量数据描述(SVDD,Support Vector Data Description)是一种广泛应用于异常检测领域的单值分类算法,利用步骤S3输出的所述隐含特征向量,无监督训练基于所述支持向量数据描述的单分类模型用于所述桁架机器人异常状态监测,构建包含所述训练样本数据集特征向量的最小超球体,再利用测试样本集数据对异常状态监测模型进行验证,具体为:
S4.1:利用非线性变换函数将步骤S3的所述隐含特征向量映射到高维空间,随后在所述高维空间构建包含全部所述训练样本数据的超球体;
S4.2:设所述支持向量为拉格朗日系数满足的所述隐含特征向量,其中,/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>为衡量所述超球体尺寸和误分率的惩罚函数;
设所述训练样本数据集内所有属于所述支持向量的所述隐含特征向量集合为,则所述超球体中心/>和半径/>的计算公式分别为:
;
其中,n为所述训练样本数据的个数,;/>为所述超球体的半径长度,/>为所述超球体的中心点,/>为非线性变换函数,/>是核函数,/>和/>分别表示某个所述隐含特征向量,/>为所述隐含特征向量/>对应的拉格朗日系数,/>为所述隐含特征向量对应的拉格朗日系数;
测试样本到超球体中心的距离/>可表示为:
;
其中,为测试样本数据,n为所述训练样本数据的个数,/>是核函数,/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>和/>分别表示某个所述隐含特征向量,为所述隐含特征向量/>对应的拉格朗日系数;
若,则所述测试样本数据/>处于超球体边界内部,表明所述测试样本数据/>为正常运行样本;反之,所述测试样本数据/>为异常运行样本。
本实施例为了验证本发明效果,如图3所示,首先将所述测试样本数据输入训练好的基于所述堆叠稀疏自编码器的数据提取模型中,得到测试样本数据集特征向量。计算所述测试集特征向量到超球体中心的距离,若该距离大于超球体半径,则判定设备运行状态异常。将经上述步骤S3和S4形成的所述基于所述支持向量数据描述的的单分类模型部署于桁架机器人边缘工控机上,可实现桁架机器人关键部件异常状态的实时监测。
本实施例的方法同样适用于其他复杂机械设备异常状态监测。
实施例二参见图4,一种无监督的复杂机械设备异常状态监测系统,包括工控机1、数据采集机箱2、三向振动传感器3、功率传感器4,数据采集机箱2包括振动采集模块21、功率采集模块22、数据采集板卡23、供电电源24和变压器25;振动采集模块21连接三向振动传感器3,三向振动传感器3包括X轴振动传感器、Y轴振动传感器、Z轴振动传感器,振动采集模块21和功率采集模块22分别通过数据采集板卡23连接工控机1,将采集的所述振动信号数据与所述功率信号数据经数据采集板卡23模数转换后传输至工控机1。
应该说明的是,本发明的上述具体实施方式仅用于示例性阐述本发明的原理和流程,不构成对本发明的限制。因此,在不偏离本发明精神和范围的情况下所做的任何修改和等同替换,均应包含在本发明的保护范围内。
Claims (7)
1.一种无监督的复杂机械设备异常状态监测方法,其特征在于,具有如下步骤:
S1:确定所述复杂机械设备的故障敏感部件,采集和预处理所述复杂机械设备运行过程中的振动信号数据与功率信号数据,具体过程如下:
S1.1:确定所述复杂机械设备的故障敏感部件;
S1.2:安装三向振动传感器、功率传感器、工控机,使用所述三向振动传感器与所述功率传感器采集所述复杂机械设备运行过程中的所述振动信号数据与所述功率信号数据,所述三向振动传感器和所述功率传感器分别通讯所述工控机;
S1.3:采集的所述振动信号数据与所述功率信号数据进行模数转换后传输至所述工控机;
S2:通过运行状态识别算法自动提取所述振动信号数据与所述功率信号数据,并将自动提取的所述振动信号数据与所述功率信号数据划分为训练样本数据集,所述训练样本数据集包含若干训练样本数据,将所述训练样本数据集进行快速傅里叶变换成为多源信号融合样本数据集,将所述多源信号融合样本数据集作为堆叠稀疏自编码器的输入数据;
所述运行状态识别算法为,通过所述功率信号数据获得功率信号数据绝对值,将所述功率信号数据曲线化获得功率信号数据曲线,通过所述功率信号数据曲线获得功率信号曲线斜率,根据所述功率信号数据绝对值和所述功率信号曲线斜率的波动特点进行自动提取与划分训练样本数据集;所述波动特点为,当所述复杂机械设备的运行状态为开始运行时,所述功率信号数据绝对值开始增大,所述功率信号曲线斜率也从0开始增大,当所述复杂机械设备的运行状态为结束运行时,所述功率信号数据绝对值开始减小,所述功率信号曲线斜率也减小为0;
S3:使用步骤S2的所述多源信号融合样本数据集,建立基于堆叠稀疏自编码器的数据提取模型,得到反映所述复杂机械设备运行关键信息低维数据;
S4:使用步骤S3的所述运行关键信息低维数据,训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测;
所述步骤S2的具体过程如下:
S2.1:通过分析所述波动特点所对应的所述复杂机械设备的运行状态,设定所述功率信号数据的起始判别条件与终止判别条件,以截取所述功率信号数据与所述振动信号数据,并划分为训练样本数据集,所述起始判别条件包括但不限于判别时间间隔、起始时所述功率信号曲线斜率的判别阈值、起始时所述功率信号数据的判别阈值,所述终止判别条件包括但不限于判别时间间隔、终止时所述功率信号曲线斜率的判别阈值、终止时所述功率信号数据的判别阈值;
所述复杂机械设备的运行起始点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为起始时所述功率信号曲线斜率的判别阈值,/>为起始时所述功率信号数据的判别阈值;
所述复杂机械设备的运行终止点判别公式为:
;
其中,为判别时间间隔,/>、/>分别为第/>、/>个判别时间间隔内采集所述功率信号数据的平均值,/>为终止时所述功率信号曲线斜率判别阈值,/>为终止时所述功率信号数据判别阈值;
所述振动信号数据与所述功率信号数据同时采集,利用所述功率信号数据的起始判别条件与终止判别条件确定所述运行起始点和所述运行终止点,同时截取所述振动信号数据;
S2.2:对划分后的所述振动信号数据进行快速傅里叶变换,将维度为3×N的时域数据转换为3×(N/2+1)的频域数据,N为截取后所述训练样本数据的特征点个数;
S2.3:对所述功率信号数据进行降采样;
S2.4:将经过步骤S2.1-S2.3处理后的所述振动信号数据和所述功率信号数据进行归一化处理,拼接为所述多源信号融合样本数据集。
2.如权利要求1所述的一种无监督的复杂机械设备异常状态监测方法,其特征在于,所述步骤S1.2中,设置采样频率为1000Hz。
3.如权利要求1所述的一种无监督的复杂机械设备异常状态监测方法,其特征在于,所述步骤S3的具体过程如下:
S3.1:所述堆叠稀疏自编码器由预训练的稀疏自编码器堆叠而成,所述堆叠稀疏自编码器分为编码器和解码器,设所述稀疏自编码器是由输入层、隐藏层、输出层组成的三层神经网络,对多个所述稀疏自编码器进行贪婪逐层训练;
S3.2:将经过所述贪婪逐层训练的所述稀疏自编码器进行堆叠,获得能提取所述多源信号融合数据隐含特征的所述稀疏自编码器,输出隐含特征向量,设所述隐含特征向量为。
4.如权利要求3所述的一种无监督的复杂机械设备异常状态监测方法,其特征在于,步骤S3.1中,所述贪婪逐层训练步骤为:
S3.1.1:设所述输入层的输入数据是所述训练样本数据集/>的一个样本,则所述输入层到所述隐藏层的编码过程表示为/>,
其中,为所述编码器权重矩阵,/>为所述隐藏层输出的特征向量,/>为所述编码器偏置向量,/>为所述隐藏层输出的特征向量,/>为所述编码器激活函数;
所述隐藏层到所述输出层的解码过程表示为
;
其中,为所述解码器权重矩阵,/>为所述解码器偏置向量,/>为所述输出层的输出数据,/>为所述解码器激活函数;
均方差用于衡量所述输入数据与所述输出数据的差异,以训练模型的优化目标,公式为
;
其中,为所述训练样本数据的个数,/>为网络层数,/>为输入数据特征点数,/>为/>正则系数,/>为第/>层编码器权重矩阵/>第/>行第/>列的权重;
引入稀疏惩罚项用于抑制大部分隐藏神经元,以获取所述输入数据的隐含特征向量,避免所述编码器对于所述输入数据的恒等复制,引入所述稀疏惩罚项的损失函数表示为:
,
其中,为所述隐藏层的神经元个数,/>为稀疏正则系数,/>为稀疏性参数,/>为所述隐藏层第/>个神经元在输入的所述训练样本数据集上的平均激活度,/>为KL散度,其表达式为:
;
S3.1.2:将第一个所述稀疏自编码器的所述隐藏层输出的特征向量作为所述输入数据,来训练第二个所述稀疏自编码器,以此类推,直到满足所述隐含特征向量的提取要求。
5.如权利要求4所述的一种无监督的复杂机械设备异常状态监测方法,其特征在于,所述步骤S4为,利用步骤S3输出的所述隐含特征向量无监督训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测。
6.如权利要求5所述的一种无监督的复杂机械设备异常状态监测方法,其特征在于,所述步骤S4为,利用步骤S3输出的所述隐含特征向量无监督训练基于支持向量数据描述的单分类模型用于所述复杂机械设备异常状态监测,所述步骤S4具体过程为:
S4.1:利用非线性变换函数将步骤S3的所述隐含特征向量映射到高维空间,随后在所述高维空间构建包含全部所述训练样本数据的超球体;
S4.2:设所述支持向量为拉格朗日系数满足的所述隐含特征向量,其中/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>为衡量所述超球体尺寸和误分率的惩罚函数;
设所述训练样本数据集内所有属于所述支持向量的所述隐含特征向量集合为,则所述超球体中心/>和半径/>的计算公式分别为:
;
;
其中,n为所述训练样本数据的个数,;/>为所述超球体的半径长度,/>为所述超球体的中心点,/>为非线性变换函数,/>是核函数,/>和/>分别表示某个所述隐含特征向量,/>为所述隐含特征向量/>对应的拉格朗日系数,/>为所述隐含特征向量/>对应的拉格朗日系数;
测试样本到超球体中心的距离/>可表示为:
;
其中,为测试样本数据,n为所述训练样本数据的个数,/>是核函数,/>为某个所述隐含特征向量/>对应的拉格朗日系数,/>和/>分别表示某个所述隐含特征向量,为所述隐含特征向量/>对应的拉格朗日系数;
若,则所述测试样本数据/>处于超球体边界内部,表明所述测试样本数据为正常运行样本;反之,所述测试样本数据/>为异常运行样本。
7.一种无监督的复杂机械设备异常状态监测系统,其特征在于,使用权利要求1-6中任一项的无监督的复杂机械设备异常状态方法,包括工控机、数据采集机箱、三向振动传感器、功率传感器,所述数据采集机箱包括振动采集模块、功率采集模块、数据采集板卡、供电电源和变压器;所述振动采集模块连接所述三向振动传感器,所述三向振动传感器包括X轴振动传感器、Y轴振动传感器、Z轴振动传感器,所述振动采集模块和所述功率采集模块分别通过所述数据采集板卡连接所述工控机,将采集的所述振动信号数据与所述功率信号数据经所述数据采集板卡传输至所述工控机,所述数据采集板卡用于模数转换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315818.8A CN117056849B (zh) | 2023-10-12 | 2023-10-12 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315818.8A CN117056849B (zh) | 2023-10-12 | 2023-10-12 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056849A CN117056849A (zh) | 2023-11-14 |
CN117056849B true CN117056849B (zh) | 2024-02-02 |
Family
ID=88653986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315818.8A Active CN117056849B (zh) | 2023-10-12 | 2023-10-12 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056849B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117330315B (zh) * | 2023-12-01 | 2024-02-23 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
CN117454299B (zh) * | 2023-12-21 | 2024-03-26 | 深圳市研盛芯控电子技术有限公司 | 异常节点的监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176104A (zh) * | 2013-02-04 | 2013-06-26 | 上海交通大学 | 一种变压器绕组运行状态的诊断方法 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN115096581A (zh) * | 2022-06-23 | 2022-09-23 | 上海交通大学 | 基于时频域特征的复杂传动装置故障诊断溯源方法及系统 |
CN115307943A (zh) * | 2022-08-03 | 2022-11-08 | 北京九天翱翔科技有限公司 | 一种旋转机械设备多工况运行状态异常检测方法及系统 |
-
2023
- 2023-10-12 CN CN202311315818.8A patent/CN117056849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176104A (zh) * | 2013-02-04 | 2013-06-26 | 上海交通大学 | 一种变压器绕组运行状态的诊断方法 |
CN104483575A (zh) * | 2014-12-22 | 2015-04-01 | 天津求实智源科技有限公司 | 用于非侵入式电力监测的自适应负荷事件检测方法 |
CN115096581A (zh) * | 2022-06-23 | 2022-09-23 | 上海交通大学 | 基于时频域特征的复杂传动装置故障诊断溯源方法及系统 |
CN115307943A (zh) * | 2022-08-03 | 2022-11-08 | 北京九天翱翔科技有限公司 | 一种旋转机械设备多工况运行状态异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Tool Wear Status Recognition and Prediction Model of Milling Cutter Based on Deep Learning;Yang xie等;IEEE Access;第1616~1625页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056849A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117056849B (zh) | 一种无监督的复杂机械设备异常状态监测方法及系统 | |
Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
Yang et al. | Interpretability of deep convolutional neural networks on rolling bearing fault diagnosis | |
Jiang et al. | Hydraulic pump fault diagnosis method based on EWT decomposition denoising and deep learning on cloud platform | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
Chang et al. | One-dimensional fully decoupled networks for fault diagnosis of planetary gearboxes | |
Chen et al. | Detection of weak transient signals based on unsupervised learning for bearing fault diagnosis | |
Zheng et al. | An end-to-end CNN-BiLSTM attention model for gearbox fault diagnosis | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
Xin et al. | An intelligent fault diagnosis method of rotating machinery based on deep neural networks and time-frequency analysis | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Yang et al. | A novel vibro-acoustic fault diagnosis method of rolling bearings via entropy-weighted nuisance attribute projection and orthogonal locality preserving projections under various operating conditions | |
You et al. | Intelligent fault diagnosis of bearing based on convolutional neural network and bidirectional long short-term memory | |
Shuai et al. | Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis | |
Jin et al. | Multisource data fusion diagnosis method of rolling bearings based on improved multiscale CNN | |
Gao et al. | Machine-learning-based intelligent mechanical fault detection and diagnosis of wind turbines | |
Zhou et al. | Degradation state recognition of rolling bearing based on K-means and CNN algorithm | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
Li et al. | A fault diagnosis equipment of motor bearing based on sound signal and CNN | |
Zhang et al. | Fault pattern recognition of rolling bearing based on smoothness prior approach and dual-input depth spatial–temporal fusion |
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 |