CN117192371B - 一种新能源汽车电机驱动器的测试方法及系统 - Google Patents
一种新能源汽车电机驱动器的测试方法及系统 Download PDFInfo
- Publication number
- CN117192371B CN117192371B CN202311455355.5A CN202311455355A CN117192371B CN 117192371 B CN117192371 B CN 117192371B CN 202311455355 A CN202311455355 A CN 202311455355A CN 117192371 B CN117192371 B CN 117192371B
- Authority
- CN
- China
- Prior art keywords
- motor driver
- tested
- performance
- parameters
- initial
- 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
- 238000010998 test method Methods 0.000 title claims description 9
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000006872 improvement Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000007637 random forest analysis Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种新能源汽车电机驱动器的测试方法及系统，涉及新能源汽车电机控制技术领域，该新能源汽车电机驱动器的测试方法包括以下步骤：获取待测电机驱动器的运行参数；获取待测电机驱动器在各种工作状态下的关键参数；得出待测电机驱动器的性能参数；检测是否存在潜在的异常情况；判断待测电机驱动器的性能是否达标；形成测试报告为后续的产品改进和优化提供决策依据。本发明通过实时监控电机驱动器的运行状况，并且整个测试过程采用了自动化的方式进行，大大提高了测试效率，降低了人工操作错误的可能性，同时能够提前发现和预防潜在的故障，降低了电机驱动器在实际运营过程中的安全风险。
Description
技术领域
本发明涉及新能源汽车电机控制技术领域，具体来说，涉及一种新能源汽车电机驱动器的测试方法及系统。
背景技术
新能源汽车具有环保、节能、简单三大优势，以电动机代替燃油机，由电机驱动而无需自动变速箱，相对于自动变速箱，电机结构简单、技术成熟、运行可靠。传统的内燃机能高效产生转矩时的转速限制在一个窄的范围内，导致其变速机构庞大而复杂，而电动机可以在相当宽广的速度范围内高效产生转矩，在纯电动车行驶过程中不需要换挡变速装置，操纵方便容易，噪音低。驱动电机及其控制系统是电动汽车动力系统中的核心部分，以电机为核心的驱动系统占整车成本的60%左右，特别是在目前蓄电池技术未取得突破性进展的背景下，电机驱动系统是保证电动汽车续驶里程、使电动汽车产业化的关键。
随着新能源产业的蓬勃发展，行业对产品的性能评价体系也将逐步完善，测试技术的改进在其完善的过程扮演重要的环节。国外，电机测试技术发展较早，对三相异步电机的性能试验，其方法和技术都比较成熟，但在电机测试系统中，采用高速永磁同步电机做负载的案例比较少。目前，国内的新能源汽车准入要求整车厂须具备动力系统、驱动系统、控制系统集成测试能力、电子电控测试系统功能测试能力尤其对新能源汽车关键零部件厂商来说，产品的开发需要进行大量的试验验证，不断的调整，电机与控制器的测试尤为如此。
然而，现有的新能源汽车电机驱动器在测试过程中，不便于对各种工作状态下的性能进行了全方位的测试，使测试结果不够全面和准确，并且不便于实时监控电机驱动器的运行状况，导致不便于提前发现和预防潜在的故障，增大了电机驱动器在实际运营过程中的安全风险。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提出一种新能源汽车电机驱动器的测试方法及系统，解决了上述背景技术中提出现有的新能源汽车电机驱动器在测试过程中，不便于对各种工作状态下的性能进行了全方位的测试，使测试结果不够全面和准确，并且不便于实时监控电机驱动器的运行状况，导致不便于提前发现和预防潜在的故障，增大了电机驱动器在实际运营过程中的安全风险的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
根据本发明的一个方面，提供了一种新能源汽车电机驱动器的测试方法，该新能源汽车电机驱动器的测试方法包括以下步骤：
S1、将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
S2、通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
S3、根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
S4、基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
S5、将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
S6、根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据。
进一步的，通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理包括以下步骤：
S21、通过数据采集设备，获取待测电机驱动器在各种工作状态下的原始电信号数据；
S22、对原始电信号数据进行小波变换，从时域转换到频域，并筛选出包含干扰波的频段；
S23、追踪并获取频段中的干扰波方向；
S24、选取以计算样点为中心的若干道窗进行中值滤波，恢复计算样点处的干扰信号；
S25、逐个恢复各频段中的干扰信号，并进行小波反变换以获得干扰波的整个波场；
S26、从原始电信号数据中减去干扰波场，得到有效信号波场；
S27、基于有效信号波场生成去噪后的电信号数据，并对其进行校验、提取有效数据和归一化，得到待测电机驱动器在各种工作状态下的关键参数。
进一步的，根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数包括以下步骤：
S31、输入包含待测电机驱动器在各种工作状态下的关键参数的初始样本集；
S32、将初始样本集的所有关键参数进行等级划分，得到若干包含不同关键参数的样本子集；
S33、对每个样本子集执行循环处理，得到主成分系数矩阵；
S34、对主成分系数矩阵进行重新排列，并基于主成分系数矩阵对初始样本集进行变换，生成新的关键参数样本；
S35、基于新的关键参数样本对预测模型进行训练，得到预测电机驱动器性能的子模型，返回步骤S32，并循环预设次，得到集成的预测模型；
S36、使用集成的预测模型对测试样本集进行预测，得到若干预测结果作为待测电机驱动器的性能参数；
S37、对所有的预测结果进行投票处理，确定最终的待测电机驱动器的性能参数。
进一步的，对每个样本子集执行循环处理，得到主成分系数矩阵包括以下步骤：
S331、采用自助法对样本子集进行重抽样，得到新的关键参数样本子集；
S332、对新的关键参数样本子集进行主成分分析，获得与电机驱动器性能相关的主成分系数向量；
S333、重复步骤S331至步骤S332，得到若干组的主成分系数，并将系数合并为主成分系数矩阵。
进一步的，基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况包括以下步骤：
S41、输入待测电机驱动器的性能参数数据集，预设异常检测算法中决策树的高度，并初始化随机森林模型；
S42、根据待测电机驱动器的性能参数，构建第一棵决策树；
S43、重复步骤S42，再构建若干棵决策树组成初始随机森林模型；
S44、利用已有的正常电机驱动器性能参数作为训练集，对初始随机森林模型进行训练，通过留一法计算每棵决策树的精度值，并使用统计量法计算决策树之间的差异值；
S45、根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值较高的决策树组合成新的随机森林模型；
S46、将新的随机森林模型应用于待测电机驱动器的性能参数，新的随机森林模型将根据输入的性能参数预测电机驱动器是否正常。
进一步的，根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值最佳的决策树组合成新的随机森林模型包括下步骤：
S451、初始化概率搜索算法，设置初始温度和初始解；
S452、根据设置的初始温度，重复步骤S453至步骤S456；
S453、对设置的初始解进行随机扰动，产生新的解；
S454、计算新解的适应度值和初始解的适应度值的差值；
S455、如果新解的适应度值高于初始解，则接受新解作为初始解，否则，按照Metropolis规则，计算新解的接受概率，如果接受概率大于随机数，则接受新解作为初始解，否则保留初始解；
S456、若满足设定的终止条件，则输出初始解为最优解，终止条件为新解在连续若干个Metropolis链中都未被接受或达到结束温度，否则通过衰减函数衰减温度后返回步骤S452；
S457、重复步骤S453至步骤S456，从初始森林模型中选出符合预设适应度值的若干棵决策树，组合成新的随机森林模型。
进一步的，衰减函数的计算公式为：
；
其中，R t 表示为第θ步时的温度值；
R 0 表示为初始温度。
进一步的，将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标包括以下步骤：
S51、确定待测电机驱动器的可调性能参数，并设定初始搜索范围；
S52、预设时间计数器的初始值，并预设迭代次数作为优化过程的终止条件；
S53、通过内部循环，不断调整待测电机驱动器的性能参数，并根据预设的优化策略更新参数；
S54、使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能；
S55、根据评估结果和性能要求，计算适应度得分；
S56、将每次迭代后的适应度得分与前一次的得分进行比较，选择更好的一组参数作为当前的最佳解；
S57、增加时间计数器的值，如果已达到预设的最大迭代次数，则终止优化过程；
S58、分析优化结束后的待测电机驱动器的性能参数，并与待测电机驱动器的性能要求进行对比，确定待测电机驱动器是否满足所有设定的性能标准，如果是，则电机驱动器达标，否则，继续调整或修复。
进一步的，使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能包括以下步骤：
S541、初始化验证轮数为第一轮；
S542、将待测电机驱动器数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S543、使用训练数据集上的待测电机驱动器性能参数训练SVM模型，并在测试集上测试SVM模型的性能；
S544、根据待测电机驱动器在测试集上的实际表现，计算SVM模型的泛化误差；
S545、循环步骤S541至步骤S544，直到每一个子集都被用作过一次测试集；
S546、求得所有轮次中计算出的泛化误差的平均值，作为待测电机驱动器在各个参数下性能的总评估。
根据本发明的另一方面，还提供了一种新能源汽车电机驱动器的测试系统，该新能源汽车电机驱动器的测试系统包括：
测试设定模块，用于将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
数据采集与处理模块，用于通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
数据分析模块，用于根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
异常检测模块，用于基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
性能评估模块，用于将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
测试报告生成模块，用于根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据；
其中，测试设定模块通过数据采集与处理模块和数据分析模块连接，数据分析模块通过异常检测模块和性能评估模块连接，性能评估模块和测试报告生成模块连接。
本发明的有益效果为：
1、本发明通过对待测电机驱动器的运行参数进行实时的数据采集和预处理，可以实时监控电机驱动器的运行状况，并且整个测试过程采用了自动化的方式进行，大大提高了测试效率，降低了人工操作错误的可能性，同时能够提前发现和预防潜在的故障，降低了电机驱动器在实际运营过程中的安全风险。
2、本发明通过分析算法，使得可以得出的待测电机驱动器性能参数可以作为待测设备工作性能的客观反映，有效避免了人为的主观评价误差，提高了评价的准确性，并且采用了自助法对样本子集进行重抽样，以及基于主成分分析，能够在大量不同的条件和场景下得到对电机驱动器性能的全面评估，从而提升了设备评价的准确性，提高了设备管理的效率。
3、本发明通过异常检测算法，使得可以检测出电机驱动器的异常情况，并且通过构建多个决策树，训练模型来判断电机驱动器的参数是否正常，可以有效发现电机驱动器的故障点，同时通过概率搜索算法可以优化随机森林模型，通过计算决策树的适应度，选择适应度最佳的决策树组合成新的随机森林模型，从而可以提高模型的检测精度。
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，下面将对实施例中所需要使用的附图作简单地介绍，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他的附图。
图1是根据本发明实施例的一种新能源汽车电机驱动器的测试方法的流程图；
图2是根据本发明实施例的一种新能源汽车电机驱动器的测试系统的原理框图。
图中：
1、测试设定模块；2、数据采集与处理模块；3、数据分析模块；4、异常检测模块；5、性能评估模块；6、测试报告生成模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
根据本发明的实施例，提供了一种新能源汽车电机驱动器的测试方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的新能源汽车电机驱动器的测试方法，该新能源汽车电机驱动器的测试方法包括以下步骤：
S1、将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
具体的，运行参数包括电源电压（指电机驱动器接收的电压，也是动力电池提供的电压）、输出电压（电机驱动器给电机提供的电压）、电流（输出到电机的电流）、电机速度（控制器驱动电机的速度）、扭矩（电机的输出力矩或扭力）、功率（电机的输出功率）、效率（电机驱动器的工作效率）、温度（电机驱动器的工作温度）、及电机状态（电机驱动器中的故障代码或状态指示）等。
S2、通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
具体的，数据采集设备包括电流传感器和电压传感器、速度传感器、扭矩传感器、温度传感器、功率计及数据采集卡等。
具体的，关键参数包括最大扭矩、最大电流、无负载速度、最大电压等。
S3、根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
具体的，性能参数包括效率（电驱动器将来自电池的电能有效地转化为驱动电机的动力能的能力）、功率（电机驱动器输出的最大功率）、扭矩（电机驱动器能提供的最大扭矩）、速度（电机驱动器能够驱动电机的最大速度）、启动/停止响应时间（电机驱动器从接收到启动或停止信号到电机实际开始或停止转动所需的时间）、故障容忍性（在某些设备或部件失败的情况下，电机驱动器继续运行的能力）、寿命/耐久性（在正常运行条件下，电机驱动器预期的工作寿命）及环境适应性（电机驱动器在各种环境条件，如温度、湿度、海拔等条件下的运行能力）等。
S4、基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
S5、将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
S6、根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据。
优选地，通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理包括以下步骤：
S21、通过数据采集设备，获取待测电机驱动器在各种工作状态下的原始电信号数据；
S22、对原始电信号数据进行小波变换，从时域转换到频域，并筛选出包含干扰波的频段；
S23、追踪并获取频段中的干扰波方向；
S24、选取以计算样点为中心的若干道窗进行中值滤波，恢复计算样点处的干扰信号；
S25、逐个恢复各频段中的干扰信号，并进行小波反变换以获得干扰波的整个波场；
S26、从原始电信号数据中减去干扰波场，得到有效信号波场；
S27、基于有效信号波场生成去噪后的电信号数据，并对其进行校验、提取有效数据和归一化，得到待测电机驱动器在各种工作状态下的关键参数。
优选地，根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数包括以下步骤：
S31、输入包含待测电机驱动器在各种工作状态下的关键参数的初始样本集；
S32、将初始样本集的所有关键参数进行等级划分，得到若干包含不同关键参数的样本子集；
S33、对每个样本子集执行循环处理，得到主成分系数矩阵；
S34、对主成分系数矩阵进行重新排列，并基于主成分系数矩阵对初始样本集进行变换，生成新的关键参数样本；
S35、基于新的关键参数样本对预测模型进行训练，得到预测电机驱动器性能的子模型，返回步骤S32，并循环预设次，得到集成的预测模型；
S36、使用集成的预测模型对测试样本集进行预测，得到若干预测结果作为待测电机驱动器的性能参数；
S37、对所有的预测结果进行投票处理，确定最终的待测电机驱动器的性能参数。
优选地，对每个样本子集执行循环处理，得到主成分系数矩阵包括以下步骤：
S331、采用自助法对样本子集进行重抽样，得到新的关键参数样本子集；
具体的，自助法（Bootstrap）对样本子集进行重抽样是指：从优化后得到的电机驱动器性能参数样本集中，随机有放回地抽取部分样本，形成一个新的样本子集。在这个样本子集上，继续随机有放回地抽取样本，形成第二个样本子集。该重抽样过程若干次，得到多个新的样本子集。在这些新生成的样本子集上，搜索出关键参数组合。这些关键参数组成新的关键参数样本子集。
S332、对新的关键参数样本子集进行主成分分析，获得与电机驱动器性能相关的主成分系数向量；
S333、重复步骤S331至步骤S332，得到若干组的主成分系数，并将系数合并为主成分系数矩阵。
具体的，分析算法为异构多分类器集成算法，首先采用旋转森林对原始样本集进行变换划分，获得新的样本集，然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器，并对新样本集进行分类，获得其预测标记，最后结合两种模型下的预测标记，该算法通过结合两种不同分类器模型，实现了精度和速度互补，将二者混合集成后改善了集成系统泛化误差。
优选地，基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况包括以下步骤：
S41、输入待测电机驱动器的性能参数数据集，预设异常检测算法中决策树的高度，并初始化随机森林模型；
S42、根据待测电机驱动器的性能参数，构建第一棵决策树；
S43、重复步骤S42，再构建若干棵决策树组成初始随机森林模型；
S44、利用已有的正常电机驱动器性能参数作为训练集，对初始随机森林模型进行训练，通过留一法计算每棵决策树的精度值，并使用统计量法计算决策树之间的差异值；
具体的，统计量法为Q-统计量法（Q-statistic）是一种用于计算两个分类器之间差异的统计方法，在本发明中，Q-统计量法是用来评估每两棵决策树之间分类结果的差异程度的。通过计算决策树之间的Q值，可以获得决策树之间的差异大小，并据此选择差异性较大的决策树，从而提高随机森林的泛化能力。
S45、根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值较高的决策树组合成新的随机森林模型；
S46、将新的随机森林模型应用于待测电机驱动器的性能参数，新的随机森林模型将根据输入的性能参数预测电机驱动器是否正常。
具体的，异常检测算法为基于SA-iForest（子空间的孤立森林）的数据异常检测算法，是一种基于孤立森林（Isolation Forest，简称iForest）算法的改进型数据异常检测算法。
具体的，孤立森林（iForest）算法的基本思想是随机选择一个特征，然后随机选择这个特征的一个切分点，将数据分为两部分，这样递归进行下去，从而生成一棵孤立树。异常数据由于其数据分布的特性，相比正常数据更容易被孤立出来，因此在孤立树中的路径长度较短，通过这个性质，iForest算法可以高效地检测出异常数据。
具体的，孤立森林（iForest）算法在处理高维数据时，可能导致算法性能下降。因此，提出了基于子空间的孤立森林（SA-iForest）算法。SA-iForest在每次切分数据时，不是在全部特征上进行，而是随机选择一个特征子空间，在子空间内选择特征进行切分。从而一方面可以降低算法的复杂度，另一方面也可以提高异常检测的精度。
优选地，根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值最佳的决策树组合成新的随机森林模型包括下步骤：
S451、初始化概率搜索算法，设置初始温度和初始解；
S452、根据设置的初始温度，重复步骤S453至步骤S456；
S453、对设置的初始解进行随机扰动，产生新的解；
S454、计算新解的适应度值和初始解的适应度值的差值；
S455、如果新解的适应度值高于初始解，则接受新解作为初始解，否则，按照Metropolis规则，计算新解的接受概率，如果接受概率大于随机数，则接受新解作为初始解，否则保留初始解；
具体的，Metropolis规则是蒙特卡洛模拟中使用的一种接受-拒绝准则，该规则的基本思想是：如果新的状态相比当前状态能量更低（或者说概率更高），则接受新的状态；否则，以一个概率接受新的状态，这个概率是新的状态相比当前状态的能量差（或者说概率比）的负指数。
S456、若满足设定的终止条件，则输出初始解为最优解，终止条件为新解在连续若干个Metropolis链中都未被接受或达到结束温度，否则通过衰减函数衰减温度后返回步骤S452；
S457、重复步骤S453至步骤S456，从初始森林模型中选出符合预设适应度值的若干棵决策树，组合成新的随机森林模型。
优选地，衰减函数的计算公式为：
；
其中，R t 表示为第θ步时的温度值；
R 0 表示为初始温度。
具体的，概率搜索算法为模拟退火算法，模拟退火算法是一种启发式优化算法，通过模拟固体退火过程中的冷却过程来逐步优化目标函数值，本发明中，模拟退火算法被用于寻找最优的决策树组合，这些决策树来自一个初始的随机森林模型，根据决策树的差异性和精确度来计算每个决策树组合的适应度值，差异性大且精确度高的组合有更大的适应度值。模拟退火算法在解空间中寻找适应度值最大的决策树组合。
优选地，将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标包括以下步骤：
S51、确定待测电机驱动器的可调性能参数，并设定初始搜索范围；
具体的，可调性能参数包括转速范围（电机的最高转速、最低转速、额定转速等转速参数）、功率范围（电机的最大输出功率、额定输出功率等功率参数）、转矩范围（电机的最大输出转矩、额定输出转矩、启动转矩等转矩参数）、效率（电机的效率大小）、动态响应（电机的加速时间、减速时间等动态响应指标）、稳态误差（电机在达到稳态后的位置误差）、过载能力（电机允许的过载大小和时间）、输入电压范围（电机允许的输入电压范围）及工作环境（电机允许的工作温度、湿度、振动等环境条件）等。
S52、预设时间计数器的初始值（通常为0或1），并预设迭代次数作为优化过程的终止条件；
具体的，终止条件包括时间计数器记录的时间达到预设最大值和优化算法的迭代次数达到预设最大次数。
S53、通过内部循环，不断调整待测电机驱动器的性能参数，并根据预设的优化策略更新参数；
具体的，内部循环：按照一定策略调整性能参数，计算目标函数，判断是否需要更新参数。这个循环过程被称为内部循环。
S54、使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能；
具体的，k-fold交叉验证即k折交叉验证（k-fold cross validation）是一种机器学习模型评估方法，指将收集到的电机驱动器的性能数据分割成k个子集，其中一个子集作为验证集，其余k-1个子集作为训练集。
S55、根据评估结果和性能要求，计算适应度得分；
S56、将每次迭代后的适应度得分与前一次的得分进行比较，选择更好的一组参数作为当前的最佳解；
S57、增加时间计数器的值，如果已达到预设的最大迭代次数，则终止优化过程；
S58、分析优化结束后的待测电机驱动器的性能参数，并与待测电机驱动器的性能要求进行对比，确定待测电机驱动器是否满足所有设定的性能标准，如果是，则电机驱动器达标，否则，继续调整或修复。
优选地，使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能包括以下步骤：
S541、初始化验证轮数为第一轮；
S542、将待测电机驱动器数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S543、使用训练数据集上的待测电机驱动器性能参数训练SVM模型，并在测试集上测试SVM模型的性能；
S544、根据待测电机驱动器在测试集上的实际表现，计算SVM模型的泛化误差；
具体的，泛化误差是评估机器学习模型泛化能力的一个重要指标。它反映了模型在未见过的新数据上的预测误差。
具体的，计算SVM模型的泛化误差是指计算SVM模型在测试集上的预测误差。
S545、循环步骤S541至步骤S544，直到每一个子集都被用作过一次测试集；
S546、求得所有轮次中计算出的泛化误差的平均值，作为待测电机驱动器在各个参数下性能的总评估。
根据本发明的另一个实施例，如图2所示，还提供了一种新能源汽车电机驱动器的测试系统，该新能源汽车电机驱动器的测试系统包括：
测试设定模块1，用于将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
数据采集与处理模块2，用于通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
数据分析模块3，用于根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
异常检测模块4，用于基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
性能评估模块5，用于将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
测试报告生成模块6，用于根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据；
其中，测试设定模块1通过数据采集与处理模块2和数据分析模块3连接，数据分析模块3通过异常检测模块4和性能评估模块5连接，性能评估模块5和测试报告生成模块6连接。
综上所述，借助于本发明的上述技术方案，本发明通过分析算法，使得可以得出的待测电机驱动器性能参数可以作为待测设备工作性能的客观反映，有效避免了人为的主观评价误差，提高了评价的准确性，并且采用了自助法对样本子集进行重抽样，以及基于主成分分析，能够在大量不同的条件和场景下得到对电机驱动器性能的全面评估，从而提升了设备评价的准确性，提高了设备管理的效率。本发明通过异常检测算法，使得可以检测出电机驱动器的异常情况，并且通过构建多个决策树，训练模型来判断电机驱动器的参数是否正常，可以有效发现电机驱动器的故障点，同时通过概率搜索算法可以优化随机森林模型，通过计算决策树的适应度，选择适应度最佳的决策树组合成新的随机森林模型，从而可以提高模型的检测精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种新能源汽车电机驱动器的测试方法，其特征在于，该新能源汽车电机驱动器的测试方法包括以下步骤：
S1、将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
S2、通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
S3、根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
S4、基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
S5、将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
S6、根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据；
所述将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标包括以下步骤：
S51、确定待测电机驱动器的可调性能参数，并设定初始搜索范围；
S52、预设时间计数器的初始值，并预设迭代次数作为优化过程的终止条件；
S53、通过内部循环，不断调整待测电机驱动器的性能参数，并根据预设的优化策略更新参数；
S54、使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能；
S55、根据评估结果和性能要求，计算适应度得分；
S56、将每次迭代后的适应度得分与前一次的得分进行比较，选择更好的一组参数作为当前的最佳解；
S57、增加时间计数器的值，如果已达到预设的最大迭代次数，则终止优化过程；
S58、分析优化结束后的待测电机驱动器的性能参数，并与待测电机驱动器的性能要求进行对比，确定待测电机驱动器是否满足所有设定的性能标准，如果是，则电机驱动器达标，否则，继续调整或修复；
所述使用k-fold交叉验证，评估待测电机驱动器在每次参数调整后的性能包括以下步骤：
S541、初始化验证轮数为第一轮；
S542、将待测电机驱动器数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S543、使用训练数据集上的待测电机驱动器性能参数训练SVM模型，并在测试集上测试SVM模型的性能；
S544、根据待测电机驱动器在测试集上的实际表现，计算SVM模型的泛化误差；
S545、循环步骤S541至步骤S544，直到每一个子集都被用作过一次测试集；
S546、求得所有轮次中计算出的泛化误差的平均值，作为待测电机驱动器在各个参数下性能的总评估；
所述基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况包括以下步骤：
S41、输入待测电机驱动器的性能参数数据集，预设异常检测算法中决策树的高度，并初始化随机森林模型；
S42、根据待测电机驱动器的性能参数，构建第一棵决策树；
S43、重复步骤S42，再构建若干棵决策树组成初始随机森林模型；
S44、利用已有的正常电机驱动器性能参数作为训练集，对初始随机森林模型进行训练，通过留一法计算每棵决策树的精度值，并使用统计量法计算决策树之间的差异值；
S45、根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值较高的决策树组合成新的随机森林模型；
S46、将新的随机森林模型应用于待测电机驱动器的性能参数，新的随机森林模型将根据输入的性能参数预测电机驱动器是否正常；
所述根据决策树的差异性和精确度，使用概率搜索算法从初始森林模型中选出适应度值最佳的决策树组合成新的随机森林模型包括下步骤：
S451、初始化概率搜索算法，设置初始温度和初始解；
S452、根据设置的初始温度，重复步骤S453至步骤S456；
S453、对设置的初始解进行随机扰动，产生新的解；
S454、计算新解的适应度值和初始解的适应度值的差值；
S455、如果新解的适应度值高于初始解，则接受新解作为初始解，否则，按照Metropolis规则，计算新解的接受概率，如果接受概率大于随机数，则接受新解作为初始解，否则保留初始解；
S456、若满足设定的终止条件，则输出初始解为最优解，终止条件为新解在连续若干个Metropolis链中都未被接受或达到结束温度，否则通过衰减函数衰减温度后返回步骤S452；
S457、重复步骤S453至步骤S456，从初始森林模型中选出符合预设适应度值的若干棵决策树，组合成新的随机森林模型；
所述衰减函数的计算公式为：
；
其中，R t 表示为第θ步时的温度值；
R 0 表示为初始温度。
2.根据权利要求1所述的一种新能源汽车电机驱动器的测试方法，其特征在于，所述通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理包括以下步骤：
S21、通过数据采集设备，获取待测电机驱动器在各种工作状态下的原始电信号数据；
S22、对原始电信号数据进行小波变换，从时域转换到频域，并筛选出包含干扰波的频段；
S23、追踪并获取频段中的干扰波方向；
S24、选取以计算样点为中心的若干道窗进行中值滤波，恢复计算样点处的干扰信号；
S25、逐个恢复各频段中的干扰信号，并进行小波反变换以获得干扰波的整个波场；
S26、从原始电信号数据中减去干扰波场，得到有效信号波场；
S27、基于有效信号波场生成去噪后的电信号数据，并对其进行校验、提取有效数据和归一化，得到待测电机驱动器在各种工作状态下的关键参数。
3.根据权利要求2所述的一种新能源汽车电机驱动器的测试方法，其特征在于，所述根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数包括以下步骤：
S31、输入包含待测电机驱动器在各种工作状态下的关键参数的初始样本集；
S32、将初始样本集的所有关键参数进行等级划分，得到若干包含不同关键参数的样本子集；
S33、对每个样本子集执行循环处理，得到主成分系数矩阵；
S34、对主成分系数矩阵进行重新排列，并基于主成分系数矩阵对初始样本集进行变换，生成新的关键参数样本；
S35、基于新的关键参数样本对预测模型进行训练，得到预测电机驱动器性能的子模型，返回步骤S32，并循环预设次，得到集成的预测模型；
S36、使用集成的预测模型对测试样本集进行预测，得到若干预测结果作为待测电机驱动器的性能参数；
S37、对所有的预测结果进行投票处理，确定最终的待测电机驱动器的性能参数。
4.根据权利要求3所述的一种新能源汽车电机驱动器的测试方法，其特征在于，所述对每个样本子集执行循环处理，得到主成分系数矩阵包括以下步骤：
S331、采用自助法对样本子集进行重抽样，得到新的关键参数样本子集；
S332、对新的关键参数样本子集进行主成分分析，获得与电机驱动器性能相关的主成分系数向量；
S333、重复步骤S331至步骤S332，得到若干组的主成分系数，并将系数合并为主成分系数矩阵。
5.一种新能源汽车电机驱动器的测试系统，用于实现权利要求1-4中任一项所述的新能源汽车电机驱动器的测试方法，其特征在于，该新能源汽车电机驱动器的测试系统包括：
测试设定模块，用于将动力电池连接待测电机驱动器，并获取待测电机驱动器的运行参数；
数据采集与处理模块，用于通过数据采集设备，获取待测电机驱动器在各种工作状态下的关键参数，并进行预处理；
数据分析模块，用于根据分析算法，对预处理结果进行分析，得出待测电机驱动器的性能参数；
异常检测模块，用于基于异常检测算法，对得出的待测电机驱动器的性能参数进行诊断，检测是否存在潜在的异常情况；
性能评估模块，用于将诊断后的待测电机驱动器的性能参数与待测电机驱动器的性能要求进行比较，判断待测电机驱动器的性能是否达标；
测试报告生成模块，用于根据判断结果，形成测试报告为后续的产品改进和优化提供决策依据；
其中，测试设定模块通过数据采集与处理模块和数据分析模块连接，数据分析模块通过异常检测模块和性能评估模块连接，性能评估模块和测试报告生成模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311455355.5A CN117192371B (zh) | 2023-11-03 | 2023-11-03 | 一种新能源汽车电机驱动器的测试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311455355.5A CN117192371B (zh) | 2023-11-03 | 2023-11-03 | 一种新能源汽车电机驱动器的测试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117192371A CN117192371A (zh) | 2023-12-08 |
| CN117192371B true CN117192371B (zh) | 2024-01-30 |
Family
ID=89003790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311455355.5A Active CN117192371B (zh) | 2023-11-03 | 2023-11-03 | 一种新能源汽车电机驱动器的测试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117192371B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740859A (zh) * | 2018-12-11 | 2019-05-10 | 国网山东省电力公司淄博供电公司 | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 |
| CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
| WO2021213142A1 (zh) * | 2020-04-23 | 2021-10-28 | 中车株洲电力机车研究所有限公司 | 一种牵引电机故障诊断方法及装置 |
| CN114019282A (zh) * | 2021-11-04 | 2022-02-08 | 云南电网有限责任公司电力科学研究院 | 基于主成分分析和随机森林相融合的变压器故障诊断方法 |
| DE102020212299A1 (de) * | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
| CN115169405A (zh) * | 2022-07-14 | 2022-10-11 | 北京威控科技股份有限公司 | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
| 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 |
| CN115809608A (zh) * | 2022-12-29 | 2023-03-17 | 合肥工业大学 | 一种用于矿用重载实心轮胎的参数辨识及优化方法 |
| CN115952456A (zh) * | 2022-12-12 | 2023-04-11 | 中广核工程有限公司 | 故障诊断模型的确定方法、系统、程序产品及存储介质 |
| CN116893341A (zh) * | 2023-07-07 | 2023-10-17 | 深圳研控自动化科技股份有限公司 | 步进电机驱动器与步进电机测试方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
-
2023
- 2023-11-03 CN CN202311455355.5A patent/CN117192371B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN109740859A (zh) * | 2018-12-11 | 2019-05-10 | 国网山东省电力公司淄博供电公司 | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 |
| WO2021213142A1 (zh) * | 2020-04-23 | 2021-10-28 | 中车株洲电力机车研究所有限公司 | 一种牵引电机故障诊断方法及装置 |
| DE102020212299A1 (de) * | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
| CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
| CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
| CN114019282A (zh) * | 2021-11-04 | 2022-02-08 | 云南电网有限责任公司电力科学研究院 | 基于主成分分析和随机森林相融合的变压器故障诊断方法 |
| 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 |
| CN115169405A (zh) * | 2022-07-14 | 2022-10-11 | 北京威控科技股份有限公司 | 基于支持向量机的酒店客房设备故障诊断方法及系统 |
| CN115952456A (zh) * | 2022-12-12 | 2023-04-11 | 中广核工程有限公司 | 故障诊断模型的确定方法、系统、程序产品及存储介质 |
| CN115809608A (zh) * | 2022-12-29 | 2023-03-17 | 合肥工业大学 | 一种用于矿用重载实心轮胎的参数辨识及优化方法 |
| CN116893341A (zh) * | 2023-07-07 | 2023-10-17 | 深圳研控自动化科技股份有限公司 | 步进电机驱动器与步进电机测试方法、系统、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Research on the motor fault diagnosis method based on feature engineering and machine learning;Dezheng Ji 等;《2022 7th International Conference on Intelligent Computing and Signal Processing (ICSP)》;1704-1709 * |
| 基于随机森林算法的大数据异常检测模型设计;宋世军 等;《吉林大学学报（工学版）》;第53卷(第9期);2659-2665 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117192371A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| CN112881014B (zh) | 传动总成的下线nvh测试系统及方法 | |
| CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
| CN112580267A (zh) | 基于多分支特征融合网络的航空发动机喘振预测方法 | |
| CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
| CN112557966A (zh) | 一种基于局部均值分解与支持向量机的变压器绕组松动识别方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN114372489A (zh) | 一种柴油机工况识别与异常诊断方法 | |
| CN113742932A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN117192371B (zh) | 一种新能源汽车电机驱动器的测试方法及系统 | |
| CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
| CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
| CN111474476B (zh) | 一种电机故障预测方法 | |
| CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
| CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| CN112352165B (zh) | 用于监测断路器的方法以及使用该方法的装置和物联网 | |
| CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
| CN110824344A (zh) | 基于振动信号短时能熵比与dtw的高压断路器状态评估方法 |
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 |