CN117151194B - 一种基于高频涡流的轴承涂层厚度检测方法及系统 - Google Patents
一种基于高频涡流的轴承涂层厚度检测方法及系统 Download PDFInfo
- Publication number
- CN117151194B CN117151194B CN202311425325.XA CN202311425325A CN117151194B CN 117151194 B CN117151194 B CN 117151194B CN 202311425325 A CN202311425325 A CN 202311425325A CN 117151194 B CN117151194 B CN 117151194B
- Authority
- CN
- China
- Prior art keywords
- network
- difference
- nodes
- coating thickness
- node
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 218
- 238000000576 coating method Methods 0.000 title claims abstract description 218
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及神经网络技术领域，具体涉及一种基于高频涡流的轴承涂层厚度检测方法及系统，通过将实时获取到的轴承的涂层厚度影响参数输入到涂层厚度预测网络，由网络预测得到轴承的涂层厚度。该涂层厚度预测网络的获取方式包括：对轴承的各个历史数据组进行分类，进而得到每个历史数据组类别中每个历史数据组对应的原始的涂层厚度预测网络的网络结构，并确定网络结构中的差异节点；通过构造原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构，确定网络结构中同一设定网络层的保留节点，从而实现网络结构的减枝。本发明通过涂层厚度预测网络进行合理减枝，有效提高了轴承涂层厚度的检测准确性。
Description
技术领域
本发明涉及神经网络技术领域，具体涉及一种基于高频涡流的轴承涂层厚度检测方法及系统。
背景技术
现有技术中，可以采用神经网络对轴承涂层厚度进行预估，但是由于神经网络的网络参数量较大，往往需要通过减枝操作来减小网络参数量。现有通常是在训练好的神经网络中根据边权值的大小进行减枝，但是这种减枝方法忽略了整体的网络结构和性能，只考虑了节点之间的边权值，而边权值较小并不一定表示对应节点之间的连接不重要，这就导致减枝操作后的网络无法对相近输入进行区分，削弱了网络的识别能力，最终影响轴承涂层厚度的检测准确性。
发明内容
本发明的目的在于提供一种基于高频涡流的轴承涂层厚度检测方法及系统，用于解决现有轴承涂层厚度检测准确性较低的问题。
为解决上述技术问题，本发明提供了一种基于高频涡流的轴承涂层厚度检测方法，包括以下步骤：
实时获取轴承的涂层厚度影响参数，将实时获取到的涂层厚度影响参数输入到涂层厚度预测网络，由涂层厚度预测网络预测得到轴承的涂层厚度；
所述涂层厚度预测网络的获取步骤包括：
获取轴承的各个历史数据组，所述历史数据组包括涂层厚度影响参数以及涂层厚度影响参数对应的涂层厚度；
对各个历史数据组进行分类，获取至少两个历史数据组类别，将每个历史数据组类别中的每个历史数据组的涂层厚度影响参数输入到原始的涂层厚度预测网络中，确定每个历史数据组类别中每个历史数据组对应的原始的涂层厚度预测网络的网络结构；
根据每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的差异，确定网络结构中的差异节点；
根据每个历史数据组类别中任意两个历史数据组对应的网络结构中各个节点的节点向量，构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构；
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的各个差异图结构，对网络结构中同一设定网络层的所有差异节点进行筛选，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点；
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，对原始的涂层厚度预测网络的网络结构进行减枝处理，得到最终的涂层厚度预测网络。
进一步的，构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构，包括：
对于原始的涂层厚度预测网络的网络结构中第i个设定网络层的任意两个差异节点a和b，将第i个设定网络层的任意两个差异节点a和b、第i个设定网络层的不属于差异节点的其他节点以及第i个设定网络层之后的其他网络层的各个节点，确定为任意两个差异节点a和b对应的差异图结构中的各个端点，并将第i个设定网络层的差异节点a与第i个设定网络层的不属于差异节点的其他节点之间的连线，第i个设定网络层的差异节点b与第i个设定网络层的不属于差异节点的其他节点之间的连线，以及第i个设定网络层的差异节点a和b、第i个设定网络层的不属于差异节点的其他节点和第i个设定网络层之后的其他网络层的各个节点之间的连线，确定为任意两个差异节点a和b对应的差异图结构中的对应端点之间的连接边；
对于每个历史数据组类别中任意两个历史数据组，确定任意两个差异节点a和b对应的差异图结构中每个端点对应的两个节点向量的差向量，将所述差向量确定为任意两个差异节点a和b对应的差异图结构中每个端点的端点值，并确定任意两个差异节点a和b对应的差异图结构中每个连接边所连接两个端点的端点值之间的相似程度，将所述相似程度确定为任意两个差异节点a和b对应的差异图结构中每个连接边的边值。
进一步的，任意两个差异节点a和b对应的差异图结构中每个端点对应的两个节点向量的差向量中每个位置的元素值为对应的两个节点向量相同位置的元素值的差值绝对值。
进一步的，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，包括：
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构，确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列，并确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列的相似度指标值；
确定网络结构中同一设定网络层的任意两个差异节点对应的所有相似度指标值的平均值，得到平均相似度指标值，并根据所述平均相似度指标值，对网络结构中同一设定网络层的所有差异节点进行分组，确定网络结构中同一设定网络层的至少两个差异节点组；
根据网络结构中同一设定网络层的每个差异节点组中各个差异节点对应的平均相似度指标值，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
进一步的，确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列，包括：
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构，利用Node2Vec算法确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列。
进一步的，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，包括：
根据网络结构中同一设定网络层的每个差异节点组中每个差异节点与其他各个差异节点对应的平均相似度指标值的累加和，并将最大的累加和所对应的差异节点确定为类别中心节点；
将所述类别中心节点，以及网络结构中同一设定网络层的每个差异节点组中与所述类别中心节点对应的平均相似度指标值小于设定相似度指标阈值所对应的差异节点，确定为原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
进一步的，确定网络结构中的差异节点，包括：
确定每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的余弦相似度；
根据网络结构中每个节点对应的各个余弦相似度，确定网络结构中每个节点对应的余弦相似度小于余弦相似度阈值的频率值；
判断网络结构中每个节点对应的频率值是否大于频率阈值，并将大于频率阈值的频率值所对应的节点确定为网络结构中的差异节点。
进一步的，获取至少两个历史数据组类别，包括：
根据各个历史数据组中的涂层厚度，对各个历史数据组进行聚类，得到至少两个第一类别；
根据每个第一类别中各个历史数据组的涂层厚度影响参数，对每个第一类别中各个历史数据组进行聚类，得到至少两个第二类别，并将所述第二类别确定为历史数据组类别。
进一步的，所述设定网络层为隐含层。
为解决上述技术问题，本发明还提供了一种基于高频涡流的轴承涂层厚度检测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现如上述任一项所述的一种基于高频涡流的轴承涂层厚度检测方法的步骤。
本发明具有如下有益效果：本发明通过根据涂层厚度预测网络的相近输入和输出数据，确定涂层厚度预测网络的网络结构中的差异节点，然后通过构造原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构，对网络结构中信息重复性较大的节点进行较少保留，从而准确确定网络结构中的保留节点，在减少网络参数量的同时，有效提高了网络对相近输入的区分度，提高了网络的识别能力，相应提高了轴承涂层厚度的检测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的获取涂层厚度预测网络的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
基于高频涡流的轴承涂层厚度检测方法实施例：
为了解决现有轴承涂层厚度检测准确性较低的问题，本实施例提供了一种基于高频涡流的轴承涂层厚度检测方法，该方法主要包括两大部分，即：1、利用涂层厚度预测网络对轴承的涂层厚度进行实时检测；2、获取涂层厚度预测网络。下面结合附图，对这两大部分内容进行详细介绍。
第一部分：利用涂层厚度预测网络对轴承的涂层厚度进行实时检测。
实时获取轴承的涂层厚度影响参数，将实时获取到的涂层厚度影响参数输入到涂层厚度预测网络，由涂层厚度预测网络预测得到轴承的涂层厚度。
当需要对轴承的涂层厚度进行检测时，首先需要获取轴承的当前的涂层厚度影响参数，这里的涂层厚度影响参数是指温度、压力、速度、电阻、阻抗等参数。其中，温度是指轴承的表面温度，由于轴承表面温度变化可能会导致轴承涂层的物理特性发生变化，从而影响其高频涡流信号响应，因此将轴承表面温度作为后续利用神经网络构建的涂层厚度预测网络的输入可以帮助提高涂层厚度预测的准确性；压力是指轴承的受力大小，由于轴承受力情况的变化会对轴承表面的形状和物理特性产生影响，这些变化会反映在高频涡流信号中，因此将轴承受力情况作为后续利用神经网络构建的涂层厚度预测网络的输入可以帮助提高涂层厚度预测的准确性；速度是指轴承的旋转速度，由于轴承旋转速度的变化也会影响涂层的物理特性，从而对高频涡流信号产生影响，因此将轴承旋转速度作为后续利用神经网络构建的涂层厚度预测网络的输入可以帮助提高涂层厚度预测的准确性；电阻、阻抗等参数是指轴承的物理电参数，这些参数通常与轴承涂层的物理特性密切相关，例如，涂层厚度越厚，其电阻值也会相应增加，因此将这些参数作为后续利用神经网络构建的涂层厚度预测网络的输入可以帮助提高涂层厚度预测的准确性。
在获取到轴承的当前的涂层厚度影响参数之后，将这些当前的涂层厚度影响参数作为实时的涂层厚度影响参数，并输入到预先得到的涂层厚度预测网络中，由该涂层厚度预测网络对轴承当前的涂层厚度进行预测，从而得到轴承的涂层厚度，最终实现轴承的涂层厚度的实时检测。由于实现轴承的涂层厚度的实时检测的关键在于预先获取准确的涂层厚度预测网络，下面对涂层厚度预测网络的具体获取过程进行详细介绍。
第二部分：获取涂层厚度预测网络，对应的流程图如图1所示，包括以下步骤：
步骤S1：获取轴承的各个历史数据组，所述历史数据组包括涂层厚度影响参数以及涂层厚度影响参数对应的涂层厚度。
获取上述第一部分中的轴承或者与上述第一部分中的轴承同类型的轴承的各个历史数据组。其中每个历史数据组均包括对应的涂层厚度影响参数以及该涂层厚度影响参数对应的涂层厚度。由于这些历史数据组中所包含的涂层厚度影响参数也是指温度、压力、速度、电阻、阻抗等参数，其获取步骤与上述第一部分中实时获取轴承的涂层厚度影响参数的步骤相同，此处不再进行赘述。同时，获取这些历史数据组中的涂层厚度影响参数对应的涂层厚度，其获取方式为：将轴承放置在测量设备中，并确保轴承表面与探头接触良好，然后利用高频涡流技术，通过探头向轴承表面发射高频电磁场，此时会在轴承涂层和底材中产生涡流，当涡流在涂层和底材中流动时，会因材料特性、涂层厚度等因素影响其分布和强度，利用探头接收到的反馈信号可以得到涡流的变化，通过对反馈信号进行解析，使用预先建立的算法或模型，可以计算出轴承的涂层厚度。
步骤S2：对各个历史数据组进行分类，获取至少两个历史数据组类别，将每个历史数据组类别中的每个历史数据组的涂层厚度影响参数输入到原始的涂层厚度预测网络中，确定每个历史数据组类别中每个历史数据组对应的原始的涂层厚度预测网络的网络结构。
在通过上述步骤获取到各个历史数据组之后，对各个历史数据组进行分类，获取各个历史数据组类别，实现步骤包括：
根据各个历史数据组中的涂层厚度，对各个历史数据组进行聚类，得到至少两个第一类别；
根据每个第一类别中各个历史数据组的涂层厚度影响参数，对每个第一类别中各个历史数据组进行聚类，得到至少两个第二类别，并将所述第二类别确定为历史数据组类别。
为了便于理解，具体的，将通过上述步骤获取到的每个历史数据组看作是一个二元组，该二元组中的第一个元素是指对应的历史数据组中的涂层厚度影响参数，第二个元素是指对应的历史数据组中的涂层厚度。
由于后续构建涂层厚度预测网络的目的是对涂层厚度进行预测，对于实现该目的来说，即使该网络的网络结构中某条边的权值较小，但如果该条边传递了较多的重要信息，该条边也不能轻易舍弃。对于现有的网络来说，如果输入参数相同，且标准的输出也接近时，网络的输出往往容易将这两个标准输出混淆。即对于网络来说，输入相近时，输出也相近，为了得到更准确的、不被混淆的输出，这种情况下网络需要对含有较大区分信息的节点进行更大程度的关注。
基于上述分析，对各个历史数据组中的第二个元素通过k-means算法（k-meansclustering algorithm，k均值聚类算法）进行聚类，根据聚类结果对各个历史数据组进行相应的分组，从而得到多个第一类别。对每个第一类别中的各个历史数据组中的第一个元素通过余弦相似度进行k-means聚类，根据聚类结果对每个第一类别中的各个历史数据组进行相应的分组，从而得到多个第二类别，也就是多个历史数据组类别。此时，所得到的每个第二类别中的各个历史数据组的第一个元素和第二个元素均相近，由于第一个元素是利用神经网络所搭建的涂层厚度预测网络的输入，第二个元素是利用神经网络所搭建的涂层厚度预测网络的输出，因此将每个第二类别中的各个历史数据组的第一个元素输入到涂层厚度预测网络中得到的相同位置节点对应的向量往往也相近。
利用神经网络搭建涂层厚度预测网络，该涂层厚度预测网络实质上是一种根据轴承的涂层厚度影响参数，对轴承的涂层厚度进行预测的预测网络，由于利用神经网络搭建预测网络的具体过程属于现有技术，此处不再赘述。在本实施例中，所采用的神经网络为VGG-NET网络（Visual Geometry Group，深度卷积神经网络）。在利用神经网络搭建好涂层厚度预测网络之后，获取相应的训练样本集，并对该涂层厚度预测网络进行训练，从而得到训练好的涂层厚度预测网络，也就是原始的涂层厚度预测网络。其中，训练样本集中的每个训练样本同样包括涂层厚度影响参数以及涂层厚度影响参数对应的涂层厚度，其可以是上述的历史数据组，也可以是另外获取到的上第一部分中的轴承或者与上述第一部分中的轴承同类型的轴承的相关数据组。在采用训练样本集对该涂层厚度预测网络进行训练时，所采用的损失函数为交叉熵损失函数。由于采用训练样本集对预测网络进行训练的具体过程属于现有技术，此处不再赘述。
在获取到各个历史数据组类别以及原始的涂层厚度预测网络之后，由于本方案需要对涂层厚度预测网络中含有较大区分信息的节点进行更大程度的关注，因此首先要找到输入输出相近时网络中较大差异的节点，也就是差异节点。而为了便于后续找到网络中的差异节点，将每个第二类别中的每个历史数据组的涂层厚度影响参数输入到训练好的涂层厚度预测网络中，确定每个第二类别中的每个历史数据组对应的原始的涂层厚度预测网络的网络结构。例如，将某个第二类别中的任意两个历史数据组的第一个元素记为A和B，将输入A得到的涂层厚度预测网络的网络结构记为，将输入B得到的涂层厚度预测网络的网络结构记为/>，网络结构/>与/>的差别是同一个节点的向量不同，边值相同，对神经网络搭建的涂层厚度预测网络进行训练得到的就是边值，因此边值相同，随着输入变化，每个节点的节点向量不同。
步骤S3：根据每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的差异，确定网络结构中的差异节点。
在获取到每个历史数据组类别中每个历史数据组对应的原始的涂层厚度预测网络的网络结构之后，通过对每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的差异进行分析，可以确定网络结构中的差异节点，实现步骤包括：
确定每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的余弦相似度；
根据网络结构中每个节点对应的各个余弦相似度，确定网络结构中每个节点对应的余弦相似度小于余弦相似度阈值的频率值；
判断网络结构中每个节点对应的频率值是否大于频率阈值，并将大于频率阈值的频率值所对应的节点确定为网络结构中的差异节点。
为了便于理解，具体的，以某个第二类别中的任意两个历史数据组的第一个元素A和B所对应得到的网络结构与/>为例，网络结构中同一个节点o在网络结构/>中的节点向量记为oa，在网络结构/>中的节点向量记为ob，计算两个节点向量oa与ob的余弦相似度，当余弦相似度小于余弦相似度阈值时，则将节点o记为差异较大节点，差异较大节点即该节点中含有较大的差异信息。余弦相似度阈值的具体取值可以根据实际情况进行合理设置，本实施例设置该余弦相似度阈值的取值为0.6。
按照上述方式，通过将每个第二类别中任意两个历史数据组的第一个元素作为涂层厚度预测网络的输入，可以对应得到差异较大节点。确定涂层厚度预测网络的每个节点的小于余弦相似度阈值的频率值，即将每个点被认为是差异较大节点的次数与所有第二类别中任意两个历史数据组的组合数量的比值，作为每个节点的大于余弦相似度阈值的频率值。将涂层厚度预测网络的每个节点的小于余弦相似度阈值的频率值与频率阈值进行比较，将大于频率阈值的频率值所对应的节点确定为差异节点。频率阈值可以根据实际情况进行合理设置，本实施例设置该频率阈值的取值为0.7。至此，可以确定涂层厚度预测网络的网络结构中的所有差异节点，这些差异节点是指当网络的输入信息相近时，可以对输入信息中的差异信息进行较好识别的网络节点。
步骤S4：根据每个历史数据组类别中任意两个历史数据组对应的网络结构中各个节点的节点向量，构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构。
对于涂层厚度预测网络的网络结构中不同的差异节点，其可能包含的信息重复程度较大，对于这类节点只需要保留少量即可，进而可以实现涂层厚度预测网络的网络结构的减枝。对于涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点，如果这两个差异节点传递信息相近，则在一个以差异信息作为边值的图结构中，可以设置一个只含有这两个差异节点的图结构，即该图结构中不含有该设定网络层的其它差异节点，则可以根据差异节点包含信息扩大过程中，节点向量的变化来表示节点传递信息的重复程度，如果节点包含越大范围的邻域节点信息的过程中，节点向量变化越相近，则说明这两个差异节点传递信息的重复程度越大。
基于上述分析，根据每个历史数据组类别中任意两个历史数据组对应的网络结构中各个节点的节点向量，构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构，实现步骤包括：
对于原始的涂层厚度预测网络的网络结构中第i个设定网络层的任意两个差异节点a和b，将第i个设定网络层的任意两个差异节点a和b、第i个设定网络层的不属于差异节点的其他节点以及第i个设定网络层之后的其他网络层的各个节点，确定为任意两个差异节点a和b对应的差异图结构中的各个端点，并将第i个设定网络层的差异节点a与第i个设定网络层的不属于差异节点的其他节点之间的连线，第i个设定网络层的差异节点b与第i个设定网络层的不属于差异节点的其他节点之间的连线，以及第i个设定网络层的差异节点a和b、第i个设定网络层的不属于差异节点的其他节点和第i个设定网络层之后的其他网络层的各个节点之间的连线，确定为任意两个差异节点a和b对应的差异图结构中的对应端点之间的连接边；
对于每个历史数据组类别中任意两个历史数据组，确定任意两个差异节点a和b对应的差异图结构中每个端点对应的两个节点向量的差向量，将所述差向量确定为任意两个差异节点a和b对应的差异图结构中每个端点的端点值，并确定任意两个差异节点a和b对应的差异图结构中每个连接边所连接两个端点的端点值之间的相似程度，将所述相似程度确定为任意两个差异节点a和b对应的差异图结构中每个连接边的边值。
为了便于理解，具体的，以某个第二类别中的任意两个历史数据组的第一个元素A和B所对应得到的网络结构与/>的同一设定网络层为例，这里的设定网络层是指网络结构中除了输入层和输出层的之外的网络层，具体可以是隐含层，对于网络结构/>与/>的第i个隐含层的差异节点a和b，构建一个只含有差异节点a、b的图结构，记为差异图结构，该差异图结构不包含第i个隐含层的其他差异节点，该差异图结构的构建过程如下：
将涂层厚度预测网络的网络结构中第i个隐含层中的除了差异节点a和b的其它差异节点去除，然后连接第i个隐含层中差异节点a和除了差异节点b的其他每个节点，以及第i个隐含层中差异节点b和除了差异节点a的其他每个节点，形成第i个隐含层中的连接边，同时保留第i个隐含层节点与后面各网络层节点的连接边。此时，可以得到差异图结构的端点以及端点之间的连接边，端点包括：涂层厚度预测网络的网络结构中第i个隐含层中的差异节点a和b，第i个隐含层中的不属于差异节点的非差异节点，以及第i个隐含层后面各网络层的节点；端点之间的连接边包括：第i个隐含层中差异节点a和除了差异节点b的其他每个节点之间的连线，第i个隐含层中差异节点b和除了差异节点a的其他每个节点之间的连线，第i个隐含层中的差异节点a和b以及非差异节点与第i+1个隐含层中的节点之间的连线，以及第i个隐含层后的各个网络层的节点和节点之间的连线。
在确定上述的差异图结构的端点和端点之间的连接边之后，确定各个端点的端点值和端点之间的连接边的边值。以差异图结构中的任意一个端点为例，该端点对应的节点在网络结构与/>中都有一个节点向量，计算该节点的两个节点向量的差向量，并将差向量作为差异图结构中对应端点的端点值。该差向量中每个位置的元素值为对应两个节点向量相同位置的元素值的差值绝对值。差异图结构中的端点之间的连接边的边值为：相连的两个端点对应差向量的相似程度也就是余弦相似度。
按照上述方式，对于涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点，对应每个第二类别中的任意两个历史数据组的第一个元素，均可以得到一个差异图结构，因此最终可以得到涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构。
步骤S5：根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的各个差异图结构，对网络结构中同一设定网络层的所有差异节点进行筛选，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
基于通过上述步骤所确定的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的各个差异图结构，对同一设定网络层的不同差异节点所包含的信息重复程度进行分析，从而确定网络结构中同一设定网络层的保留节点，实现步骤包括：
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构，确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列，并确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列的相似度指标值；
确定网络结构中同一设定网络层的任意两个差异节点对应的所有相似度指标值的平均值，得到平均相似度指标值，并根据所述平均相似度指标值，对网络结构中同一设定网络层的所有差异节点进行分组，确定网络结构中同一设定网络层的至少两个差异节点组；
根据网络结构中同一设定网络层的每个差异节点组中各个差异节点对应的平均相似度指标值，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
为了便于理解，具体的，图嵌入是一种对节点进行向量表示的方法，Node2Vec算法(Scalable Feature Learning for Networks)是一种常用的图嵌入方法，该算法需要设置一个邻域范围参数，本方案需要计算差异节点的邻域范围扩大过程中节点向量的变化，因此可以通过图嵌入方法计算该变化。以涂层厚度预测网络的网络结构中第i个隐含层为例，本实施例设置差异节点的邻域范围参数为1-N，N表示第i个隐含层之后的隐含层数量。在确定好涂层厚度预测网络的网络结构中每个隐含层的差异节点的邻域范围参数之后，也就是网络结构中每个隐含层的任意两个差异节点在其对应的各个差异图结构中的邻域范围参数之后，利用Node2Vec算法可以得到该差异图结构中对应两个差异节点中的每个差异节点在邻域范围扩大过程中的每个嵌入向量，从而得到两个差异节点对应的嵌入向量序列，进而确定两个差异节点对应的嵌入向量序列的相似度指标值。同样以涂层厚度预测网络的网络结构中第i个隐含层中的差异节点a和b为例，可以计算得到差异节点a和b的每个差异图结构中差异节点a在邻域范围扩大过程中的每个嵌入向量，差异节点a对应多个邻域范围，一个邻域范围对应一个嵌入向量，此时可以形成一个嵌入向量序列。同样的，可以计算得到差异节点a和b的每个差异图结构中差异节点b在邻域范围扩大过程中的每个嵌入向量，从而得到差异节点b对应的嵌入向量序列，即得到了差异节点a和b的每个差异图结构中差异节点a和b对应的嵌入向量序列。对每个嵌入向量序列通过(Principal ComponentAnalysis,PCA)主成分分析方法进行降维，即将嵌入向量序列中每个嵌入向量降维为一个标量，降维后序列中元素数量等于嵌入向量数量，从而得到一个降维序列。计算两个降维序列的余弦相似度作为对应差异图结构中两个差异节点a和b对应的嵌入向量序列的相似度指标值。
由于涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构中，端点的端点值是通过每个历史数据组类别中任意两个历史数据组对应的网络结构中同一个差异节点的差向量得到的，因此每个差异图结构中的每个嵌入向量序列是通过任意两个历史数据组对应的网络结构中的信息计算得到的，即通过将任意一个历史数据组类别中任意两个历史数据组输入到涂层厚度预测网络，即可得到固定的两个差异节点的两个嵌入向量序列，从而可以得到对应的相似度指标值。
由于对于涂层厚度预测网络的网络结构中的同一个设定网络层的任意两个差异节点，任意一个历史数据组类别中任意两个历史数据组可以得到一个相似度指标值也就是余弦相似度，将所有余弦相似度的均值即平均相似度指标值作为这两个差异节点的信息重复度，根据同一个设定网络层的任意两个差异节点的信息重复度，对同一个设定网络层的各个差异节点进行DBACAN聚类（Density-Based Spatial Clustering of Applicationswith Noise，密度聚类算法），得到多个类别，每个类别即为一个差异节点组。
在确定涂层厚度预测网络的网络结构中同一设定网络层的各个差异节点组之后，根据每个差异节点组中各个差异节点对应的平均相似度指标值，确定涂层厚度预测网络的网络结构中同一设定网络层的保留节点，实现步骤包括：
根据网络结构中同一设定网络层的每个差异节点组中每个差异节点与其他各个差异节点对应的平均相似度指标值的累加和，并将最大的累加和所对应的差异节点确定为类别中心节点；
将所述类别中心节点，以及网络结构中同一设定网络层的每个差异节点组中与所述类别中心节点对应的平均相似度指标值小于设定相似度指标阈值所对应的差异节点，确定为原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
为了便于理解，具体的，将网络结构中同一设定网络层的每个差异节点组中与其类别中其它所有差异节点的最大平均相似度指标值和所对应的差异节点作为类别中心节点，将类别中心节点和该类别中心节点所在的差异节点组与该类别中心节点的平均相似度指标值小于设定相似度指标阈值所对应的差异节点，作为保留节点。设定相似度指标阈值可以根据实际情况进行合理设置，本实施例设置该设定相似度指标阈值的取值为0.7。按照这种方式，可以得到涂层厚度预测网络的网络结构中同一设定网络层的各个保留节点。
步骤S6：根据原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，对原始的涂层厚度预测网络的网络结构进行减枝处理，得到最终的涂层厚度预测网络。
对于涂层厚度预测网络的网络结构中的每个设定网络层的节点，也就是每个隐藏层中的节点，将该设定网络层中除了保留节点的其它节点去除，从而完成网络减枝，最终得到减枝后的涂层厚度预测网络。基于该最终得到的减枝后的涂层厚度预测网络，即可以对轴承的涂层厚度进行实时检测。
基于高频涡流的轴承涂层厚度检测系统实施例：
为了解决现有轴承涂层厚度检测准确性较低的问题，本实施例还提供了一种基于高频涡流的轴承涂层厚度检测系统，该系统包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现一种基于高频涡流的轴承涂层厚度检测方法的步骤。由于该系统实质上是一种软系统，其核心功能在于实现一种基于高频涡流的轴承涂层厚度检测方法。由于该方法已经在上述的基于高频涡流的轴承涂层厚度检测方法实施例中进行了详细介绍，此处对该系统不再进行赘述。
本发明通过根据涂层厚度预测网络的相近输入和输出数据，确定涂层厚度预测网络的网络结构中的差异节点，然后通过差异节点包含信息扩大过程中节点向量的变化来表示节点传递信息的重复程度，进而对网络结构中信息重复性较大的节点进行较少保留，在减少网络参数量的同时，有效提高了网络对相近输入的区分度，提高了网络的识别能力，相应提高了轴承涂层厚度的检测准确性。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，包括以下步骤：
实时获取轴承的涂层厚度影响参数，将实时获取到的涂层厚度影响参数输入到涂层厚度预测网络，由涂层厚度预测网络预测得到轴承的涂层厚度；
所述涂层厚度预测网络的获取步骤包括：
获取轴承的各个历史数据组，所述历史数据组包括涂层厚度影响参数以及涂层厚度影响参数对应的涂层厚度；
对各个历史数据组进行分类，获取至少两个历史数据组类别，将每个历史数据组类别中的每个历史数据组的涂层厚度影响参数输入到原始的涂层厚度预测网络中，确定每个历史数据组类别中每个历史数据组对应的原始的涂层厚度预测网络的网络结构；
根据每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的差异，确定网络结构中的差异节点；
根据每个历史数据组类别中任意两个历史数据组对应的网络结构中各个节点的节点向量，构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构；
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的各个差异图结构，对网络结构中同一设定网络层的所有差异节点进行筛选，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点；
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，对原始的涂层厚度预测网络的网络结构进行减枝处理，得到最终的涂层厚度预测网络；
确定网络结构中的差异节点，包括：
确定每个历史数据组类别中任意两个历史数据组对应的网络结构中同一节点的节点向量的余弦相似度；
根据网络结构中每个节点对应的各个余弦相似度，确定网络结构中每个节点对应的余弦相似度小于余弦相似度阈值的频率值；
判断网络结构中每个节点对应的频率值是否大于频率阈值，并将大于频率阈值的频率值所对应的节点确定为网络结构中的差异节点；
构建原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点的各个差异图结构，包括：
对于原始的涂层厚度预测网络的网络结构中第i个设定网络层的任意两个差异节点a和b，将第i个设定网络层的任意两个差异节点a和b、第i个设定网络层的不属于差异节点的其他节点以及第i个设定网络层之后的其他网络层的各个节点，确定为任意两个差异节点a和b对应的差异图结构中的各个端点，并将第i个设定网络层的差异节点a与第i个设定网络层的不属于差异节点的其他节点之间的连线，第i个设定网络层的差异节点b与第i个设定网络层的不属于差异节点的其他节点之间的连线，以及第i个设定网络层的差异节点a和b、第i个设定网络层的不属于差异节点的其他节点和第i个设定网络层之后的其他网络层的各个节点之间的连线，确定为任意两个差异节点a和b对应的差异图结构中的对应端点之间的连接边；
对于每个历史数据组类别中任意两个历史数据组，确定任意两个差异节点a和b对应的差异图结构中每个端点对应的两个节点向量的差向量，将所述差向量确定为任意两个差异节点a和b对应的差异图结构中每个端点的端点值，并确定任意两个差异节点a和b对应的差异图结构中每个连接边所连接两个端点的端点值之间的相似程度，将所述相似程度确定为任意两个差异节点a和b对应的差异图结构中每个连接边的边值。
2.根据权利要求1所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，任意两个差异节点a和b对应的差异图结构中每个端点对应的两个节点向量的差向量中每个位置的元素值为对应的两个节点向量相同位置的元素值的差值绝对值。
3.根据权利要求1所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，包括：
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构，确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列，并确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列的相似度指标值；
确定网络结构中同一设定网络层的任意两个差异节点对应的所有相似度指标值的平均值，得到平均相似度指标值，并根据所述平均相似度指标值，对网络结构中同一设定网络层的所有差异节点进行分组，确定网络结构中同一设定网络层的至少两个差异节点组；
根据网络结构中同一设定网络层的每个差异节点组中各个差异节点对应的平均相似度指标值，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
4.根据权利要求3所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列，包括：
根据原始的涂层厚度预测网络的网络结构中同一设定网络层的任意两个差异节点对应的每个差异图结构，利用Node2Vec算法确定网络结构中同一设定网络层的任意两个差异节点对应的嵌入向量序列。
5.根据权利要求3所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，确定原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点，包括：
根据网络结构中同一设定网络层的每个差异节点组中每个差异节点与其他各个差异节点对应的平均相似度指标值的累加和，并将最大的累加和所对应的差异节点确定为类别中心节点；
将所述类别中心节点，以及网络结构中同一设定网络层的每个差异节点组中与所述类别中心节点对应的平均相似度指标值小于设定相似度指标阈值所对应的差异节点，确定为原始的涂层厚度预测网络的网络结构中同一设定网络层的保留节点。
6.根据权利要求1所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，获取至少两个历史数据组类别，包括：
根据各个历史数据组中的涂层厚度，对各个历史数据组进行聚类，得到至少两个第一类别；
根据每个第一类别中各个历史数据组的涂层厚度影响参数，对每个第一类别中各个历史数据组进行聚类，得到至少两个第二类别，并将所述第二类别确定为历史数据组类别。
7.根据权利要求1所述的一种基于高频涡流的轴承涂层厚度检测方法，其特征在于，所述设定网络层为隐含层。
8.一种基于高频涡流的轴承涂层厚度检测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机指令，以实现如上述权利要求1-7中任一项所述的一种基于高频涡流的轴承涂层厚度检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425325.XA CN117151194B (zh) | 2023-10-31 | 2023-10-31 | 一种基于高频涡流的轴承涂层厚度检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425325.XA CN117151194B (zh) | 2023-10-31 | 2023-10-31 | 一种基于高频涡流的轴承涂层厚度检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151194A CN117151194A (zh) | 2023-12-01 |
| CN117151194B true CN117151194B (zh) | 2024-02-27 |
Family
ID=88910488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311425325.XA Active CN117151194B (zh) | 2023-10-31 | 2023-10-31 | 一种基于高频涡流的轴承涂层厚度检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151194B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108880846A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学 | 为网络中节点确定向量表示形式的方法及装置 |
| CN115682961A (zh) * | 2022-07-12 | 2023-02-03 | 福建龙溪轴承(集团)股份有限公司 | 基于光学相干层析的自润滑轴承涂层厚度检测系统及方法 |
| CN116304480A (zh) * | 2023-03-28 | 2023-06-23 | 广州珀泰检测仪器有限公司 | 一种基于高频涡流的涂层厚度检测方法 |
| KR20230120780A (ko) * | 2022-02-10 | 2023-08-17 | 건국대학교 산학협력단 | 슬롯-다이 코팅 공정의 코팅층 두께 예측 장치 및 방법 |
-
2023
- 2023-10-31 CN CN202311425325.XA patent/CN117151194B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108880846A (zh) * | 2017-05-16 | 2018-11-23 | 清华大学 | 为网络中节点确定向量表示形式的方法及装置 |
| KR20230120780A (ko) * | 2022-02-10 | 2023-08-17 | 건국대학교 산학협력단 | 슬롯-다이 코팅 공정의 코팅층 두께 예측 장치 및 방법 |
| CN115682961A (zh) * | 2022-07-12 | 2023-02-03 | 福建龙溪轴承(集团)股份有限公司 | 基于光学相干层析的自润滑轴承涂层厚度检测系统及方法 |
| CN116304480A (zh) * | 2023-03-28 | 2023-06-23 | 广州珀泰检测仪器有限公司 | 一种基于高频涡流的涂层厚度检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘东雷 ; 彭良勇.《基于Isight的机场用向心关节轴承铰接节点优化设计》.《轴承》.2021,第1-5页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151194A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765373B (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
| CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
| CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
| US20200125930A1 (en) | Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis | |
| CN111310686B (zh) | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| CN112085252A (zh) | 一种关于集合类型决策效果的反事实预测方法 | |
| CN116306320A (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
| CN115511012B (zh) | 一种最大熵约束的类别软标签识别训练方法 | |
| CN114218998A (zh) | 一种基于隐马尔可夫模型的电力系统异常行为分析方法 | |
| CN114861875A (zh) | 基于自监督学习和自知识蒸馏的物联网入侵检测方法 | |
| Li et al. | Weighted conflict evidence combination method based on Hellinger distance and the belief entropy | |
| Li et al. | An end-to-end framework with multisource monitoring data for bridge health anomaly identification | |
| Kotenko et al. | An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis | |
| CN117151194B (zh) | 一种基于高频涡流的轴承涂层厚度检测方法及系统 | |
| Kyeremateng-Boateng et al. | Computing confidence score for neural network predictions from latent features | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN113065395A (zh) | 一种基于生成对抗网络的雷达目标新类检测方法 | |
| CN107979606A (zh) | 一种具有自适应的分布式智能决策方法 | |
| Roy et al. | Accurate sensing of insulator surface contamination using customized convolutional neural network | |
| JP2017138708A (ja) | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 | |
| CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
| Dai et al. | Clustering of DOA data in radar pulse based on SOFM and CDbw | |
| CN115965809A (zh) | 结合难分样本生成与学习的sar图像目标开集识别方法 | |
| CN114861739A (zh) | 一种特征通道可选择的多组件系统退化预测方法及系统 |
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 |