CN117348605A - 应用于离型膜撕除机控制系统的优化方法及系统 - Google Patents
应用于离型膜撕除机控制系统的优化方法及系统 Download PDFInfo
- Publication number
- CN117348605A CN117348605A CN202311653862.XA CN202311653862A CN117348605A CN 117348605 A CN117348605 A CN 117348605A CN 202311653862 A CN202311653862 A CN 202311653862A CN 117348605 A CN117348605 A CN 117348605A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- fault
- release film
- interaction state
- description
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims description 225
- 230000003993 interaction Effects 0.000 claims description 213
- 238000003745 diagnosis Methods 0.000 claims description 201
- 238000012512 characterization method Methods 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 42
- 230000001186 cumulative effect Effects 0.000 claims description 35
- 239000006185 dispersion Substances 0.000 claims description 29
- 238000007670 refining Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013021 overheating Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 18
- 238000013461 design Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003313 weakening effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 201000004356 excessive tearing Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例涉及人工智能技术领域,具体涉及应用于离型膜撕除机控制系统的优化方法及系统,应用本申请实施例,在系统运行故障诊断过程中考虑拟进行故障诊断的离型膜撕除机控制系统运行记录的阶段性运行记录,减少拟进行故障诊断的离型膜撕除机控制系统运行记录中的相同控制任务对于系统运行故障诊断的贡献,从而提升系统运行故障诊断的精度和可信度,以便根据系统运行故障诊断观点对离型膜撕除机控制系统进行针对性且优化处理。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种应用于离型膜撕除机控制系统的优化方法及系统。
背景技术
离型膜撕除机控制系统(Release Film Removal Machine Control System)是一种自动化设备,主要用于在生产过程中,从产品表面移除离型膜,可以确保精确、快速且不损伤产品地撕除离型膜。
离型膜撕除机控制系统通常包含以下几个主要部分:(1)控制单元:使用微处理器或运算机进行控制,可以根据设定的参数和实时反馈调整撕除过程;(2)传感器:用于检测产品的位置、速度以及离型膜的厚度和质量,将信息发送给控制单元;(3)执行器:如电机、气缸等,负责实际操作,例如拉动离型膜;(4)用户界面:允许操作员设置参数,如撕除速度和力度,并提供系统状态和故障诊断信息。
离型膜撕除机控制系统的应用领域广泛,比如在电子、塑料、玻璃等工业生产线上。它不仅能提高生产效率,还能提高产品质量,减少废品率。然而,在实际应用过程中,如何实现离型膜撕除机控制系统的针对性优化是其中一个需要解决的技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种应用于离型膜撕除机控制系统的优化方法及系统。
第一方面,本申请实施例提供了一种应用于离型膜撕除机控制系统的优化方法,应用于AI控制优化系统,所述方法包括:
针对拟进行故障诊断的离型膜撕除机控制系统运行记录的离型膜撕除机控制响应日志进行文本语义层面的异常控制交互状态挖掘,得到所述离型膜撕除机控制响应日志所对应的异常控制交互状态信息;
对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数;其中,所述故障诊断决策焦点系数反映所述异常控制交互状态信息对于系统运行故障诊断的贡献;
利用所述故障诊断决策焦点系数对所述异常控制交互状态信息进行知识强化处理,得到异常控制交互状态强化知识,并依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识;其中,所述系统运行故障表征知识中同时反映了所述拟进行故障诊断的离型膜撕除机控制系统运行记录中相同控制任务的集成和相异控制任务的更新;
基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点。
在一些设计方案下,所述异常控制交互状态强化知识包括若干个线性知识特征;
所述依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括:
针对每个描述层面,对若干个所述线性知识特征分别进行故障描述知识变量的提炼,得到每个所述描述层面对应的若干个故障描述知识变量;
对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述;
对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述;
根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识。
在一些设计方案下,所述对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述,包括:
对若干个所述故障描述知识变量进行平均化处理,得到故障描述知识平均变量,并将所述故障描述知识平均变量确定为每个所述描述层面对应的全局异常控制交互状态描述;
所述对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述,包括:
对若干个所述故障描述知识变量进行离散评价分析,得到知识变量离散度,并将所述知识变量离散度确定为每个所述描述层面对应的区别异常控制交互状态描述。
在一些设计方案下,所述全局异常控制交互状态描述包括:故障描述知识平均变量,所述区别异常控制交互状态描述包括:知识变量离散度;
所述根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识,包括:
将若干个所述描述层面所对应的所述故障描述知识平均变量,聚合成故障描述联动知识;
将若干个所述描述层面所对应的所述知识变量离散度,聚合成知识变量离散特征;
对所述故障描述联动知识和所述知识变量离散特征进行组合,得到所述系统运行故障表征知识。
在一些设计方案下,所述对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括:
通过对所述异常控制交互状态信息的关注维度进行扩展处理,从所述异常控制交互状态信息中提取所述拟进行故障诊断的离型膜撕除机控制系统运行记录的前后序运行记录关联信息;其中,所述关注维度反映所述异常控制交互状态信息中的各个控制交互状态节点的异常方面;
对所述前后序运行记录关联信息进行去噪优化,得到所述异常控制交互状态信息对应的待组合知识信息;
将所述待组合知识信息的各个描述层面的故障描述知识变量进行组合,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数。
在一些设计方案下,所述基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点之后,所述方法还包括:
依据所述系统运行故障诊断观点,从共性评分门限集合中针对所述拟进行故障诊断的离型膜撕除机控制系统运行记录确定出目标共性评分门限;
将所述异常控制交互状态信息和离型膜撕除机控制系统运行历史记录的历史控制响应日志所对应的文本语义编码结果进行共性评分运算,得到状态共性评分;
依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录。
在一些设计方案下,所述状态共性评分包括:逆向余弦相似值;所述目标共性评分门限包括:目标逆向相似值门限;
所述依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录,包括:
从所述离型膜撕除机控制系统运行历史记录中,抽取与所述拟进行故障诊断的离型膜撕除机控制系统运行记录的所述逆向余弦相似值小于所述目标逆向相似值门限的离型膜撕除机控制系统运行记录,作为初始离型膜撕除机控制系统运行记录;
针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重;
将所述初始离型膜撕除机控制系统运行记录中,配对权重大于权重门限的离型膜撕除机控制系统运行记录,确定为所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述参考运行历史记录。
在一些设计方案下,所述针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重,包括:
从所述拟进行故障诊断的离型膜撕除机控制系统运行记录中,确定与所述初始离型膜撕除机控制系统运行记录的历史控制响应日志所关联的牵涉离型膜撕除机控制响应日志,并对所述牵涉离型膜撕除机控制响应日志进行记录,得到第一日志累计值;
从所述初始离型膜撕除机控制系统运行记录中,确定与所述离型膜撕除机控制响应日志所关联的牵涉历史控制响应日志,并对所述牵涉历史控制响应日志进行记录,得到第二日志累计值;
从所述第一日志累计值和所述第二日志累计值中确定出最小日志累计值,以及从所述拟进行故障诊断的离型膜撕除机控制系统运行记录第一全局累计值和所述初始离型膜撕除机控制系统运行记录的第二全局累计值中确定出最小全局累计值;
将所述最小日志累计值和所述最小全局累计值的设定运算结果,确定为所述配对权重。
在一些设计方案下,所述基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点,包括:
通过前馈神经网络对所述系统运行故障表征知识进行特征映射处理,得到系统运行故障映射知识;
通过故障诊断处理网络对所述系统运行故障映射知识进行故障诊断处理,得到所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述系统运行故障诊断观点;
所述对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括:
通过焦点化网络,对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数;
所述依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括:
基于全卷积神经网络对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识。
第二方面,本申请还提供了一种AI控制优化系统,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本申请还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
通过对拟进行故障诊断的离型膜撕除机控制系统运行记录的离型膜撕除机控制响应日志所对应的异常控制交互状态信息进行故障诊断决策焦点化,确定出故障诊断决策焦点系数,并通过用故障诊断决策焦点系数为异常控制交互状态信息进行重要性调整,削弱对系统运行故障诊断影响不大的离型膜撕除机控制响应日志的异常控制交互状态信息,换言之,削弱与系统运行故障诊断关系不大的内容对系统运行故障诊断的贡献,同时依据对异常控制交互状态强化知识进行区别异常控制交互状态描述和全局异常控制交互状态描述的提炼,确定出系统运行故障表征知识,以通过系统运行故障表征知识所反映的相异控制任务的更新,在系统运行故障诊断过程中考虑拟进行故障诊断的离型膜撕除机控制系统运行记录的阶段性运行记录,减少拟进行故障诊断的离型膜撕除机控制系统运行记录中的相同控制任务对于系统运行故障诊断的贡献,从而提升系统运行故障诊断的精度和可信度,以便根据系统运行故障诊断观点对离型膜撕除机控制系统进行针对性且优化处理。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种应用于离型膜撕除机控制系统的优化方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在AI控制优化系统、计算机设备或者类似的运算装置中执行。以运行在AI控制优化系统上为例,AI控制优化系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述AI控制优化系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述AI控制优化系统的结构造成限定。例如,AI控制优化系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种应用于离型膜撕除机控制系统的优化方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至AI控制优化系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括AI控制优化系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本申请实施例所提供的一种应用于离型膜撕除机控制系统的优化方法的流程示意图,该方法应用于AI控制优化系统,进一步可以包括步骤110-步骤140。
步骤110、针对拟进行故障诊断的离型膜撕除机控制系统运行记录的离型膜撕除机控制响应日志进行文本语义层面的异常控制交互状态挖掘,得到所述离型膜撕除机控制响应日志所对应的异常控制交互状态信息。
步骤120、对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数。
其中,所述故障诊断决策焦点系数反映所述异常控制交互状态信息对于系统运行故障诊断的贡献。
步骤130、利用所述故障诊断决策焦点系数对所述异常控制交互状态信息进行知识强化处理,得到异常控制交互状态强化知识,并依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识。
其中,所述系统运行故障表征知识中同时反映了所述拟进行故障诊断的离型膜撕除机控制系统运行记录中相同控制任务的集成和相异控制任务的更新。
步骤140、基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点。
在步骤110中,离型膜撕除机控制系统运行记录是指离型膜撕除机在运行过程中生成的数据记录,包括操作参数、状态信息等。离型膜撕除机控制响应日志是对离型膜撕除机控制系统响应的记录,通常包含各种操作命令及其结果,比如开/关机、设置参数、启动/停止撕除等。文本语义层面是指文本内容的意义和含义,即超越单纯字面表述的深层次信息。异常控制交互状态是指在系统控制交互过程中出现的不正常或异常情况,可能包括设备故障、操作错误、参数偏差等。异常控制交互状态信息是描述异常控制交互状态的具体信息,可以帮助分析和定位问题。
接下来,以步骤110为例进行详细介绍:步骤110主要涉及对离型膜撕除机控制系统运行记录中的控制响应日志进行分析,从文本语义层面挖掘出异常控制交互状态。例如,如果在控制响应日志中发现了撕除速度过快的记录,那么可以认为这是一个异常控制交互状态。系统会提取这个信息,并将其作为异常控制交互状态信息。
具体操作可能包括使用文本处理和机器学习算法来解析和识别控制响应日志中的异常信息,如自然语言处理(NLP)技术可以帮助理解日志文本的含义,而异常检测算法可以帮助识别出不正常的状态。
通过这一步,可以从大量的运行记录中挖掘出关键的异常信息,为后续的故障诊断提供基础。
在一些示例下,可以通过一个具体的例子来进一步理解步骤110。
假设有一个离型膜撕除机控制系统,它的运行记录和控制响应日志可能包含如下信息:
运行日期和时间;
设置的撕除速度和实际撕除速度;
设置的撕除力度和实际撕除力度;
电机运行状态(例如电流、电压、温度等);
系统报警和错误信息(例如电机过热、撕除力度超限等)。
在步骤110中,需要分析这些日志,挖掘出异常控制交互状态。例如,如果在某个时间点,设置的撕除速度是1米/分钟,但实际撕除速度达到了2米/分钟,那么这就是一个异常控制交互状态,因为实际操作与预期设置不符。同时,如果在此期间系统报警显示电机过热,那么这也是一个异常控制交互状态。
然后,会把这些异常控制交互状态作为信息记录下来。比如,可以生成以下的异常控制交互状态信息:
2022年3月1日14:00,设置撕除速度1米/分钟,实际撕除速度2米/分钟;
2022年3月1日14:05,系统报警,电机过热;
通过这种方式,可以从控制响应日志中提取出关键的异常信息,这为后续的故障诊断和处理提供了重要的依据。
在另外的一些实施例中,异常控制交互状态信息可以看作是描述异常控制交互状态的特征或属性。这些信息能帮助更好地理解和识别异常状态,从而进行有效的故障诊断和处理。
在离型膜撕除机控制系统中,可能会有各种不同类型的异常控制交互状态信息,例如:
参数异常:如撕除速度、力度等参数超出设定范围或者与设定值存在明显偏差;
设备状态异常:如电机过热、传感器失效等,这些通常会在系统报警和错误信息中体现;
控制响应异常:比如,对某个操作命令的反应过慢或没有反应;
日志记录异常:在正常情况下,系统日志应该是连续的,如果发现日志中有时间跳跃或者缺失的现象,可能说明在这段时间内系统发生了异常;
异常频率和持续时间:单次的异常可能只是偶然事件,但如果同一种异常多次出现或者持续时间较长,那么就需要引起注意;
以上都是异常控制交互状态信息的一部分,通过收集和分析这些信息,可以获取到关于系统运行状态的深入理解,从而找出可能的问题所在,进一步制定出有效的故障处理策略。
在步骤120中,故障诊断决策焦点化(注意力处理)是指在处理和分析异常控制交互状态信息时,将关注点(或称为注意力)集中在最可能引发故障的那部分信息上。就像人类在面对大量信息时,会自然地关注那些最重要、最紧急的事情。故障诊断决策焦点系数(注意力系数)是一个量化的值,用于表示某个异常控制交互状态信息在故障诊断决策中的重要程度或贡献度。比如,如果一个异常状态经常导致严重故障,那么它的决策焦点系数就应该较高。系统运行故障诊断是对系统运行过程中出现的问题进行分析和定位的过程。通常包括收集和分析异常信息、找出可能的原因、提出解决方案等步骤。贡献里指的是某个异常控制交互状态信息对于故障诊断的帮助程度,或者说对于解决问题的重要性。
接下来,以步骤120为例进行详细介绍。
在步骤120中,需要对异常控制交互状态信息进行故障诊断决策焦点化。假设在步骤110中,找到了两个异常信息:撕除速度过快和电机过热。经过分析,发现电机过热这个问题更容易导致严重的设备损坏,因此会把注意力集中在这个问题上。
接着,需要确定每个异常信息的故障诊断决策焦点系数。可能的方法是根据历史数据和经验,评估每个异常状态可能导致的故障严重程度、发生频率等因素。例如,可能会得出这样的决策焦点系数:撕除速度过快的系数为0.3,电机过热的系数为0.7。这表示在故障诊断决策中,电机过热这个问题的贡献度更高。
通过这种方式,可以将关注点集中在最重要的异常状态上,提高故障诊断的效率和准确性。
在步骤130中,知识强化处理是指通过各种方法(如机器学习、数据挖掘等)对收集到的异常控制交互状态信息进行处理和优化,以提取更深层次、更有价值的特征,即知识。异常控制交互状态强化知识是通过知识强化处理得到的关于异常控制交互状态的深层次特征或知识。全局异常控制交互状态描述是一个整体性的描述,涵盖了所有相关的异常控制交互状态信息。区别异常控制交互状态描述是针对不同类型的异常控制交互状态给出的具体、独特的描述。系统运行故障表征知识是反映系统运行故障特点的知识,可以帮助理解和预测故障。相同控制任务的集成是指将多个相同或相似的控制任务的信息合并在一起,以提高决策的效率和准确性。相异控制任务的更新是指在新的控制任务出现时,更新和调整已有的知识和策略。
接下来,以步骤130为例进行详细介绍。
在步骤130中,首先要进行知识强化处理。例如,如果在步骤120中得到了撕除速度过快的决策焦点系数是0.3,电机过热的决策焦点系数是0.7,那么可以进一步分析这两种异常状态,提取出更深层次的特征。比如,可能发现撕除速度过快通常会导致离型膜破损,而电机过热可能会引发设备停机。这些就是异常控制交互状态强化知识。
然后,需要进行全局异常控制交互状态描述和区别异常控制交互状态描述。全局描述可能是系统存在撕除速度过快和电机过热两种主要异常,而区别描述则可能是撕除速度过快通常会导致离型膜破损,电机过热可能会引发设备停机。
最后,根据以上信息确定系统运行故障表征知识。例如,可能会得出这样的结论:在撕除速度过快时,需要降低速度并检查离型膜;在电机过热时,需要停机并检查电机。这就是反映系统运行故障特点的知识。同时,会对相同和相异的控制任务进行集成和更新,以优化的故障诊断策略。
在步骤140中,系统运行故障诊断观点是指基于系统运行故障表征知识形成的对于系统故障的理解和判断。它是对故障原因、影响以及可能的解决方案的总体看法或者观察结果。
接下来,以步骤140为例进行详细介绍。
在步骤140中,需要根据前面得到的系统运行故障表征知识确定系统运行故障诊断观点。例如,如果在步骤130中,得出的系统运行故障表征知识是:在撕除速度过快时,需要降低速度并检查离型膜;在电机过热时,需要停机并检查电机。那么,可以据此形成以下的故障诊断观点:
(1)当撕除速度过快导致离型膜破损时,应优先考虑调整撕除速度,并检查离型膜是否存在质量问题;
(2)当电机过热引发设备停机时,应立即停止设备运行,检查电机是否存在故障,如电机绕组短路、轴承损坏等。
这些故障诊断观点反映了对系统故障的理解和判断,也指导了进行故障处理的方向。这样,就可以更有效地解决离型膜撕除机控制系统运行过程中出现的问题,提高设备的运行效率和稳定性。
应用步骤110-步骤140,通过对拟进行故障诊断的离型膜撕除机控制系统运行记录的离型膜撕除机控制响应日志所对应的异常控制交互状态信息进行故障诊断决策焦点化,确定出故障诊断决策焦点系数,并通过用故障诊断决策焦点系数为异常控制交互状态信息进行重要性调整,削弱对系统运行故障诊断影响不大的离型膜撕除机控制响应日志的异常控制交互状态信息,即削弱与系统运行故障诊断关系不大的内容对系统运行故障诊断的贡献,同时依据对异常控制交互状态强化知识进行区别异常控制交互状态描述和全局异常控制交互状态描述的提炼,确定出系统运行故障表征知识,以通过系统运行故障表征知识所反映的相异控制任务的更新,在系统运行故障诊断过程中考虑拟进行故障诊断的离型膜撕除机控制系统运行记录的阶段性运行记录,减少拟进行故障诊断的离型膜撕除机控制系统运行记录中的相同控制任务对于系统运行故障诊断的贡献,从而提升系统运行故障诊断的精度和可信度,以便根据系统运行故障诊断观点对离型膜撕除机控制系统进行针对性且优化处理。
详细的,上述技术方案的有益效果包括以下几个方面。
(1)提升故障诊断精度:通过故障诊断决策焦点化,可以将关注点集中在最可能导致系统运行故障的异常控制交互状态信息上。这使得能够更准确地找到问题的源头,从而提高故障诊断的精度。
(2)增强故障诊断的可信度:通过用故障诊断决策焦点系数为异常控制交互状态信息进行重要性调整,可以削弱对系统运行故障诊断影响不大的异常控制交互状态信息。这有助于消除噪声和干扰,使得故障诊断结果更加可信。
(3)实现针对性优化处理:通过区别异常控制交互状态描述和全局异常控制交互状态描述,可以确定出系统运行故障表征知识。这使得能够对离型膜撕除机控制系统进行针对性且优化处理,例如根据电机过热的问题进行散热设备的优化,或者根据撕除速度过快的问题进行速度控制策略的优化。
(4)提升系统运行效率:在系统运行故障诊断过程中,考虑拟进行故障诊断的离型膜撕除机控制系统运行记录的阶段性运行记录,并减少相同控制任务对于系统运行故障诊断的贡献。这意味着可以避免重复处理相同任务的数据,从而提高系统运行效率。
(5)实现持续优化:上述步骤不仅能解决当前存在的问题,也为未来可能出现的新问题提供了处理和优化的方法。通过反复执行这些步骤,可以实现系统的持续优化,使得离型膜撕除机控制系统的运行状态越来越好。
在一些示例下,所述异常控制交互状态强化知识包括若干个线性知识特征。基于此,步骤130所描述的依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括步骤131-步骤134。
步骤131、针对每个描述层面,对若干个所述线性知识特征分别进行故障描述知识变量的提炼,得到每个所述描述层面对应的若干个故障描述知识变量。
步骤132、对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述。
步骤133、对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述。
步骤134、根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识。
在上述实施例中,线性知识特征是指能够以线性方式表达和处理的知识特征。在机器学习中,线性特征通常意味着这些特征之间的关系可以通过线性方程或者线性模型来描述。描述层面是指对异常控制交互状态强化知识进行分析和提炼时所关注的具体视角或维度。例如,可能会从时间、空间、频率等不同的层面来描述一个异常状态。故障描述知识变量是在每个描述层面上,根据线性知识特征提炼出来的表示故障的知识变量。
步骤131中,针对每个描述层面,对若干个线性知识特征进行故障描述知识变量的提炼。例如,如果从时间层面上描述“电机过热”这个异常状态,那么可能的线性知识特征包括电机过热的持续时间、发生频率等。通过对这些特征进行提炼,可以得到如“电机过热平均持续时间”、“电机过热发生频率”等故障描述知识变量。
步骤132中,对若干个故障描述知识变量进行全局异常控制交互状态描述的提炼。例如,可能会将“电机过热平均持续时间”和“电机过热发生频率”这两个变量结合起来,形成一个全局的描述:“电机经常出现过热,且每次过热的平均持续时间较长”。
步骤133中,对若干个故障描述知识变量进行区别异常控制交互状态描述的提炼。例如,可能会针对“电机过热平均持续时间”这个变量,给出如下的区别描述:“与正常运行时相比,电机在过热时的运行时间明显增长”。
步骤134中,根据每个描述层面所对应的全局异常控制交互状态描述和区别异常控制交互状态描述,拼接得到系统运行故障表征知识。例如,可能会得到如下的故障表征知识:“电机经常出现过热,每次过热的平均持续时间较长;与正常运行时相比,电机在过热时的运行时间明显增长”。
通过上述实施例,可以更深入地理解和描述系统的运行故障,从而更有效地进行故障诊断和处理。
在一些可能的实施例中,步骤132中的对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述,包括:对若干个所述故障描述知识变量进行平均化处理,得到故障描述知识平均变量,并将所述故障描述知识平均变量确定为每个所述描述层面对应的全局异常控制交互状态描述。基于此,步骤133中的所述对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述,包括:对若干个所述故障描述知识变量进行离散评价分析,得到知识变量离散度,并将所述知识变量离散度确定为每个所述描述层面对应的区别异常控制交互状态描述。
在上述实施例中,平均化处理是指对一组数据或者变量进行处理,使其转化为一个平均值或者均值。这个过程可以帮助得到一个概括性的结果,以便于理解和分析。故障描述知识平均变量是通过对故障描述知识变量进行平均化处理得到的结果,它反映了所有相关变量的平均水平或趋势。离散评价分析是一种统计分析方法,用于评估一组数据或变量的离散程度,也就是各个数据点之间的差异或者变化程度。知识变量离散度是通过离散评价分析得到的结果,它反映了一组知识变量的离散程度或者变化程度。
接下来,以这两个步骤为例进行详细介绍。
在步骤132中,对若干个故障描述知识变量进行平均化处理,得到故障描述知识平均变量。例如,如果有三个描述电机过热问题的故障描述知识变量:“电机过热平均持续时间”、“电机过热发生频率”和“电机过热导致设备停机的次数”,那么可以计算这三个变量的平均值,得到一个故障描述知识平均变量。然后,将这个平均变量确定为时间描述层面对应的全局异常控制交互状态描述。
在步骤133中,对若干个故障描述知识变量进行离散评价分析,得到知识变量离散度。例如,可能会计算上述三个故障描述知识变量的标准差或方差,得到一个反映这些变量离散程度的结果。然后,将这个结果确定为时间描述层面对应的区别异常控制交互状态描述。
如此设计,可以从不同角度理解和描述系统的运行故障,进一步提升故障诊断的精度和可信度。
在另外的实施例中,所述全局异常控制交互状态描述包括故障描述知识平均变量,所述区别异常控制交互状态描述包括知识变量离散度。基于此,步骤134中的根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识,包括步骤1341-步骤1343。
步骤1341、将若干个所述描述层面所对应的所述故障描述知识平均变量,聚合成故障描述联动知识。
步骤1342、将若干个所述描述层面所对应的所述知识变量离散度,聚合成知识变量离散特征。
步骤1343、对所述故障描述联动知识和所述知识变量离散特征进行组合,得到所述系统运行故障表征知识。
在上述实施例中,故障描述联动知识是通过将各个描述层面对应的故障描述知识平均变量聚合在一起得到的结果。它可以反映出不同描述层面上的故障描述知识之间的相互关系或影响。知识变量离散特征是通过将各个描述层面对应的知识变量离散度聚合在一起得到的结果。它可以反映出不同描述层面上的知识变量离散度的特点或趋势。
接下来,以这三个步骤为例进行详细介绍。
步骤1341中,将若干个描述层面所对应的故障描述知识平均变量聚合成故障描述联动知识。例如,如果在时间、空间和频率这三个描述层面上分别得到了“电机过热平均持续时间”、“电机过热发生区域的平均大小”和“电机过热的平均频率”这三个故障描述知识平均变量,那么可以将这三个平均变量聚合在一起,形成一个故障描述联动知识。
步骤1342中,将若干个描述层面所对应的知识变量离散度聚合成知识变量离散特征。例如,如果在时间、空间和频率这三个描述层面上分别得到了“电机过热持续时间的离散度”、“电机过热发生区域大小的离散度”和“电机过热频率的离散度”这三个知识变量离散度,那么可以将这三个离散度聚合在一起,形成一个知识变量离散特征。
步骤1343中,对故障描述联动知识和知识变量离散特征进行组合,得到系统运行故障表征知识。例如,可能会得到如下的故障表征知识:“电机过热平均持续时间较长,主要发生在设备运行密集的区域,并且出现频率较高;同时,这些问题在时间、空间和频率上的变化程度也较大”。
如此设计,可以从多个角度全面地理解和描述系统的运行故障,进一步提升故障诊断的精度和可信度。
在一些可选的实施例中,步骤120所描述的对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括步骤121-步骤123。
步骤121、通过对所述异常控制交互状态信息的关注维度进行扩展处理,从所述异常控制交互状态信息中提取所述拟进行故障诊断的离型膜撕除机控制系统运行记录的前后序运行记录关联信息。
其中,所述关注维度反映所述异常控制交互状态信息中的各个控制交互状态节点的异常方面。
步骤122、对所述前后序运行记录关联信息进行去噪优化,得到所述异常控制交互状态信息对应的待组合知识信息。
步骤123、将所述待组合知识信息的各个描述层面的故障描述知识变量进行组合,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数。
在上述实施例中,关注维度是指对异常控制交互状态信息进行分析和处理时所关注的具体视角或方向。在此上下文中,关注维度可能包括时间、空间、频率等。前后序运行记录关联信息是通过对异常控制交互状态信息的前后序(即时间序列)进行分析提取出来的关于系统运行的相关信息。去噪优化是一个数据处理过程,目的是去除数据中的噪声或干扰,使得数据更加清晰、准确。待组合知识信息是经过去噪优化处理后的信息,可以被进一步用于生成故障诊断决策焦点系数。
接下来,以这三个步骤为例进行详细介绍。
步骤121中,通过对异常控制交互状态信息的关注维度进行扩展处理,从中提取离型膜撕除机控制系统运行记录的前后序运行记录关联信息。例如,如果关注的维度是时间,那么可能会提取出在电机过热发生前后,系统运行状态的变化情况。
步骤122中,对前后序运行记录关联信息进行去噪优化,得到待组合知识信息。例如,可能会通过滤波或其他去噪方法,消除数据中的随机波动或干扰,使得得到的前后序运行记录关联信息更加准确。
步骤123中,将待组合知识信息的各个描述层面的故障描述知识变量进行组合,得到异常控制交互状态信息对应的故障诊断决策焦点系数。例如,可能会将时间、空间和频率这三个层面的故障描述知识变量结合在一起,计算出一个综合的决策焦点系数。
上述步骤能够帮助从多个角度全面地理解和描述系统的运行状态,并确定出最可能导致系统运行故障的因素。这不仅能提高故障诊断的精度和可信度,也能为故障处理和系统优化提供有价值的参考信息。此外,通过前后序运行记录关联信息的分析,还可以了解到故障发生的过程和规律,进一步丰富和深化对系统运行故障的认识。
在一些可选的实施例中,在步骤140所描述的基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点之后,所述方法还包括步骤150-步骤170。
步骤150、依据所述系统运行故障诊断观点,从共性评分门限集合中针对所述拟进行故障诊断的离型膜撕除机控制系统运行记录确定出目标共性评分门限。
步骤160、将所述异常控制交互状态信息和离型膜撕除机控制系统运行历史记录的历史控制响应日志所对应的文本语义编码结果进行共性评分运算,得到状态共性评分。
步骤170、依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录。
在上述实施例中,共性评分门限是一个预设的评分标准或阈值,用于确定异常控制交互状态信息和历史控制响应日志之间的相似度或共性程度。状态共性评分是通过对异常控制交互状态信息和历史控制响应日志进行共性评分运算得到的结果,它反映了当前系统状态与历史状态之间的相似度或共性程度。参考运行历史记录是在系统运行历史记录中,与当前系统状态最为相似或共性最高的历史记录。
步骤150中,依据系统运行故障诊断观点,从共性评分门限集合中确定出目标共性评分门限。例如,如果的故障诊断观点是“电机过热导致设备停机”,那么可能会从共性评分门限集合中选择一个适用于“电机过热”问题的评分门限作为目标共性评分门限。
步骤160中,将异常控制交互状态信息和历史控制响应日志的文本语义编码结果进行共性评分运算,得到状态共性评分。例如,可能会将当前电机的运行状态与历史记录中所有“电机过热”事件的状态进行比较,通过计算相似度或匹配度,得到一个状态共性评分。
步骤170中,依据状态共性评分和目标共性评分门限,从系统运行历史记录中确定参考运行历史记录。例如,如果状态共性评分超过了目标共性评分门限,那么就可以认为当前电机的运行状态与某一历史记录非常相似,因此将这个历史记录作为参考运行历史记录。
上述步骤能够帮助更好地理解和处理故障。通过对当前系统状态与历史状态的比较,可以找到最接近当前问题的历史案例,从而利用历史经验快速定位和处理问题。此外,这种方法还可以提高故障处理的准确性和效率,避免重复犯错,优化设备的运行表现。
在一些可选的设计思路下,所述状态共性评分包括逆向余弦相似值。所述目标共性评分门限包括目标逆向相似值门限。基于此,步骤170中的依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录,包括步骤171-步骤173。
步骤171、从所述离型膜撕除机控制系统运行历史记录中,抽取与所述拟进行故障诊断的离型膜撕除机控制系统运行记录的所述逆向余弦相似值小于所述目标逆向相似值门限的离型膜撕除机控制系统运行记录,作为初始离型膜撕除机控制系统运行记录。
步骤172、针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重。
步骤173、将所述初始离型膜撕除机控制系统运行记录中,配对权重大于权重门限的离型膜撕除机控制系统运行记录,确定为所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述参考运行历史记录。
在上述设计思路中,逆向余弦相似值是一种衡量两个数据点或者向量相似度的方法,通过计算它们之间的角度或者余弦值来确定它们的相似程度。目标逆向相似值门限是一个预设的阈值,用于确定当前系统状态与历史状态的逆向余弦相似值是否达到了可以被认为“相似”的程度。配对权重是针对初始离型膜撕除机控制系统运行记录和拟进行故障诊断的离型膜撕除机控制系统运行记录的权重值,反映了它们的相关性或重要性。
步骤171中,从离型膜撕除机控制系统运行历史记录中抽取逆向余弦相似值小于目标逆向相似值门限的运行记录,作为初始运行记录。例如,如果设置的目标逆向相似值门限为0.8,那么就会选择所有逆向余弦相似值小于0.8的历史记录作为初始运行记录。
步骤172中,针对初始离型膜撕除机控制系统运行记录和拟进行故障诊断的运行记录,确定对应的配对权重。这个过程可能会根据各个记录的特点和重要性,给予它们不同的权重值。
步骤173中,将初始离型膜撕除机控制系统运行记录中,配对权重大于权重门限的运行记录,确定为参考运行历史记录。例如,如果设置的权重门限为0.5,那么就会选择所有配对权重大于0.5的初始运行记录作为参考运行历史记录。
上述步骤通过逆向余弦相似值和配对权重的计算,使得能够更精确地从大量的历史记录中找出与当前问题最相关的案例,从而更有效地进行故障诊断和处理。此外,这种方法还可以避免因为简单的相似度比较而忽略了数据之间深层次的关联性,提高了故障诊断的准确性和可靠性。
在一些可选的实施例中,步骤172中的针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重,包括步骤1721-步骤1724。
步骤1721、从所述拟进行故障诊断的离型膜撕除机控制系统运行记录中,确定与所述初始离型膜撕除机控制系统运行记录的历史控制响应日志所关联的牵涉离型膜撕除机控制响应日志,并对所述牵涉离型膜撕除机控制响应日志进行记录,得到第一日志累计值。
步骤1722、从所述初始离型膜撕除机控制系统运行记录中,确定与所述离型膜撕除机控制响应日志所关联的牵涉历史控制响应日志,并对所述牵涉历史控制响应日志进行记录,得到第二日志累计值。
步骤1723、从所述第一日志累计值和所述第二日志累计值中确定出最小日志累计值,以及从所述拟进行故障诊断的离型膜撕除机控制系统运行记录第一全局累计值和所述初始离型膜撕除机控制系统运行记录的第二全局累计值中确定出最小全局累计值。
步骤1724、将所述最小日志累计值和所述最小全局累计值的设定运算结果,确定为所述配对权重。
在上述实施例中,牵涉离型膜撕除机控制响应日志指的是与某个特定事件或问题相关联的控制响应日志。例如,如果一个系统故障事件发生时,与其关联的所有操作、警告和错误信息都可以被认为是牵涉控制响应日志。第一日志累计值/第二日志累计值是通过记录和统计牵涉离型膜撕除机控制响应日志得到的累计值。第一全局累计值/第二全局累计值是在整个运行记录中,对所有的控制响应日志进行记录和统计得到的全局累计值。
步骤1721中,确定与初始离型膜撕除机控制系统运行记录的历史控制响应日志所关联的牵涉离型膜撕除机控制响应日志,并进行记录,得到第一日志累计值。例如,如果在故障诊断的运行记录中有10条与电机过热相关的控制响应日志,那么第一日志累计值就是10。
步骤1722中,确定与离型膜撕除机控制响应日志所关联的牵涉历史控制响应日志,并进行记录,得到第二日志累计值。例如,如果在初始运行记录中有8条与电机过热相关的控制响应日志,那么第二日志累计值就是8。
步骤1723中,确定出最小日志累计值和最小全局累计值。例如,如果第一日志累计值是10,第二日志累计值是8,那么最小日志累计值就是8。同样,也可以从第一全局累计值和第二全局累计值中确定出最小全局累计值。
步骤1724中,将最小日志累计值和最小全局累计值的设定运算结果确定为配对权重。例如,可能会将最小日志累计值除以最小全局累计值,得到一个介于0和1之间的数值,作为配对权重。
这种设计思路通过考虑离型膜撕除机控制系统运行记录中的具体内容,而不仅仅是它们的数量或频率,能够更准确地反映出不同运行记录之间的相似度或差异性。这不仅能提高故障诊断的准确性和可靠性,也有助于更深入地理解系统运行的规律和特点,从而为故障处理和系统优化提供更多有价值的信息。
在一些可能的实施例中,所述基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点,包括:通过前馈神经网络对所述系统运行故障表征知识进行特征映射处理,得到系统运行故障映射知识;通过故障诊断处理网络对所述系统运行故障映射知识进行故障诊断处理,得到所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述系统运行故障诊断观点。所述对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括:通过焦点化网络,对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数。所述依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括:基于全卷积神经网络对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识。
在上述实施例中,前馈神经网络是一种人工神经网络,信息只能从输入层向前传递至输出层,不存在任何反向或循环连接。系统运行故障映射知识是通过对系统运行故障表征知识进行特征映射处理得到的结果,它可能包括了一系列与系统故障相关的特征和规律。故障诊断处理网络是一个专门用于处理和诊断故障的神经网络,它可能会根据输入的数据生成一个或多个故障诊断观点。焦点化网络是一个专门用于对数据进行焦点化处理的神经网络,它可以帮助确定应该关注哪些信息,从而提高故障诊断的效率和精度。全卷积神经网络是一种深度学习模型,主要用于图像分析。在这里,它可能被用于对异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼。
首先,通过前馈神经网络对系统运行故障表征知识进行特征映射处理,得到系统运行故障映射知识。例如,可能会输入一个包含多个描述层面的故障描述知识平均变量和知识变量离散度的向量,然后通过前馈神经网络将这些数据转换为一个更易于分析和理解的形式,即系统运行故障映射知识。
然后,通过故障诊断处理网络对系统运行故障映射知识进行故障诊断处理,得到拟进行故障诊断的离型膜撕除机控制系统运行记录对应的系统运行故障诊断观点。例如,可能会根据系统运行故障映射知识中的特征和规律,生成一个或多个可能的故障原因或解决方案。
同时,通过焦点化网络,对异常控制交互状态信息进行故障诊断决策焦点化,得到异常控制交互状态信息对应的故障诊断决策焦点系数。例如,可能会通过焦点化网络确定哪些异常控制交互状态信息是与当前故障最相关的,然后根据这些信息生成一个故障诊断决策焦点系数。
最后,基于全卷积神经网络对异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识。例如,可能会通过全卷积神经网络对异常控制交互状态强化知识进行分析,从而提取出更深层次的规律和特点,进一步丰富和优化的系统运行故障表征知识。
以上的设计思路将深度学习技术应用到故障诊断中,能够帮助从大量的数据中提取出有价值的信息,有效地提高了故障诊断的精度和效率。此外,这种方法还可以自动适应各种复杂和变化的环境,具有很好的通用性和鲁棒性。
在上述内容的基础上,经付出创造性劳动之后的研究和分析发现,离型膜撕除机控制系统的优化可以从多个角度出发。
(1)硬件性能提升:可以对执行器(例如电机)进行升级,提高其动作精度和反应速度。对传感器进行优化,以提高检测精度和稳定性。
(2)控制算法优化:利用先进的控制算法,如PID控制、模糊控制等,改进系统的动态性能,使之在不同工况下都能达到良好的控制效果。
(3)用户界面优化:通过提高用户界面的易用性,使操作人员更容易地设定参数和监控系统状态。
(4)适应性提升:优化系统以便更好地适应不同的产品类型和撕除条件,例如通过增加预设的模式,或者允许用户自定义设置。
(5)故障诊断与维护:建立完善的故障诊断机制,使得在系统出现问题时能够迅速定位并解决;同时,提供便捷的维护方案,减少停机时间。
(6)能耗优化:考虑到环保和成本因素,优化系统的能源使用效率也是一个重要方向。
(7)安全性提升:对于任何机械设备,安全性都是必须考虑的问题。可以通过改进设备设计、增加安全保护装置等方式提高系统的安全性。
可见,本申请实施例是针对故障诊断与维护实现离型膜撕除机控制系统的针对性优化的。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种应用于离型膜撕除机控制系统的优化方法,其特征在于,应用于AI控制优化系统,所述方法包括:
针对拟进行故障诊断的离型膜撕除机控制系统运行记录的离型膜撕除机控制响应日志进行文本语义层面的异常控制交互状态挖掘,得到所述离型膜撕除机控制响应日志所对应的异常控制交互状态信息;
对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数;其中,所述故障诊断决策焦点系数反映所述异常控制交互状态信息对于系统运行故障诊断的贡献;
利用所述故障诊断决策焦点系数对所述异常控制交互状态信息进行知识强化处理,得到异常控制交互状态强化知识,并依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识;其中,所述系统运行故障表征知识中同时反映了所述拟进行故障诊断的离型膜撕除机控制系统运行记录中相同控制任务的集成和相异控制任务的更新;
基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点。
2.根据权利要求1所述的方法,其特征在于,所述异常控制交互状态强化知识包括若干个线性知识特征;
所述依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括:
针对每个描述层面,对若干个所述线性知识特征分别进行故障描述知识变量的提炼,得到每个所述描述层面对应的若干个故障描述知识变量;
对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述;
对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述;
根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识。
3.根据权利要求2所述的方法,其特征在于,所述对若干个所述故障描述知识变量进行全局异常控制交互状态描述的提炼,得到每个所述描述层面所对应的全局异常控制交互状态描述,包括:
对若干个所述故障描述知识变量进行平均化处理,得到故障描述知识平均变量,并将所述故障描述知识平均变量确定为每个所述描述层面对应的全局异常控制交互状态描述;
所述对若干个所述故障描述知识变量进行区别异常控制交互状态描述的提炼,得到每个所述描述层面所对应的区别异常控制交互状态描述,包括:
对若干个所述故障描述知识变量进行离散评价分析,得到知识变量离散度,并将所述知识变量离散度确定为每个所述描述层面对应的区别异常控制交互状态描述。
4.根据权利要求2所述的方法,其特征在于,所述全局异常控制交互状态描述包括:故障描述知识平均变量,所述区别异常控制交互状态描述包括:知识变量离散度;
所述根据每个所述描述层面所对应的所述全局异常控制交互状态描述和所述区别异常控制交互状态描述,拼接得到所述系统运行故障表征知识,包括:
将若干个所述描述层面所对应的所述故障描述知识平均变量,聚合成故障描述联动知识;
将若干个所述描述层面所对应的所述知识变量离散度,聚合成知识变量离散特征;
对所述故障描述联动知识和所述知识变量离散特征进行组合,得到所述系统运行故障表征知识。
5.根据权利要求1所述的方法,其特征在于,所述对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括:
通过对所述异常控制交互状态信息的关注维度进行扩展处理,从所述异常控制交互状态信息中提取所述拟进行故障诊断的离型膜撕除机控制系统运行记录的前后序运行记录关联信息;其中,所述关注维度反映所述异常控制交互状态信息中的各个控制交互状态节点的异常方面;
对所述前后序运行记录关联信息进行去噪优化,得到所述异常控制交互状态信息对应的待组合知识信息;
将所述待组合知识信息的各个描述层面的故障描述知识变量进行组合,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数。
6.根据权利要求1所述的方法,其特征在于,所述基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点之后,所述方法还包括:
依据所述系统运行故障诊断观点,从共性评分门限集合中针对所述拟进行故障诊断的离型膜撕除机控制系统运行记录确定出目标共性评分门限;
将所述异常控制交互状态信息和离型膜撕除机控制系统运行历史记录的历史控制响应日志所对应的文本语义编码结果进行共性评分运算,得到状态共性评分;
依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录。
7.根据权利要求6所述的方法,其特征在于,所述状态共性评分包括:逆向余弦相似值;所述目标共性评分门限包括:目标逆向相似值门限;
所述依据所述状态共性评分和所述目标共性评分门限,从所述离型膜撕除机控制系统运行历史记录中确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的参考运行历史记录,包括:
从所述离型膜撕除机控制系统运行历史记录中,抽取与所述拟进行故障诊断的离型膜撕除机控制系统运行记录的所述逆向余弦相似值小于所述目标逆向相似值门限的离型膜撕除机控制系统运行记录,作为初始离型膜撕除机控制系统运行记录;
针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重;
将所述初始离型膜撕除机控制系统运行记录中,配对权重大于权重门限的离型膜撕除机控制系统运行记录,确定为所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述参考运行历史记录;
其中,所述针对所述初始离型膜撕除机控制系统运行记录和所述拟进行故障诊断的离型膜撕除机控制系统运行记录,确定对应的配对权重,包括:
从所述拟进行故障诊断的离型膜撕除机控制系统运行记录中,确定与所述初始离型膜撕除机控制系统运行记录的历史控制响应日志所关联的牵涉离型膜撕除机控制响应日志,并对所述牵涉离型膜撕除机控制响应日志进行记录,得到第一日志累计值;
从所述初始离型膜撕除机控制系统运行记录中,确定与所述离型膜撕除机控制响应日志所关联的牵涉历史控制响应日志,并对所述牵涉历史控制响应日志进行记录,得到第二日志累计值;
从所述第一日志累计值和所述第二日志累计值中确定出最小日志累计值,以及从所述拟进行故障诊断的离型膜撕除机控制系统运行记录第一全局累计值和所述初始离型膜撕除机控制系统运行记录的第二全局累计值中确定出最小全局累计值;
将所述最小日志累计值和所述最小全局累计值的设定运算结果,确定为所述配对权重。
8.根据权利要求1所述的方法,其特征在于,所述基于所述系统运行故障表征知识,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障诊断观点,包括:
通过前馈神经网络对所述系统运行故障表征知识进行特征映射处理,得到系统运行故障映射知识;
通过故障诊断处理网络对所述系统运行故障映射知识进行故障诊断处理,得到所述拟进行故障诊断的离型膜撕除机控制系统运行记录对应的所述系统运行故障诊断观点;
所述对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的故障诊断决策焦点系数,包括:
通过焦点化网络,对所述异常控制交互状态信息进行故障诊断决策焦点化,得到所述异常控制交互状态信息对应的所述故障诊断决策焦点系数;
所述依据对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识,包括:
基于全卷积神经网络对所述异常控制交互状态强化知识进行全局异常控制交互状态描述和区别异常控制交互状态描述的提炼,确定所述拟进行故障诊断的离型膜撕除机控制系统运行记录所对应的系统运行故障表征知识。
9.一种AI控制优化系统,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653862.XA CN117348605B (zh) | 2023-12-05 | 2023-12-05 | 应用于离型膜撕除机控制系统的优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311653862.XA CN117348605B (zh) | 2023-12-05 | 2023-12-05 | 应用于离型膜撕除机控制系统的优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117348605A true CN117348605A (zh) | 2024-01-05 |
CN117348605B CN117348605B (zh) | 2024-03-12 |
Family
ID=89357977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311653862.XA Active CN117348605B (zh) | 2023-12-05 | 2023-12-05 | 应用于离型膜撕除机控制系统的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117348605B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062189A (zh) * | 2018-08-30 | 2018-12-21 | 华中科技大学 | 一种用于复杂故障的工业过程故障诊断方法 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
US20190163553A1 (en) * | 2017-11-29 | 2019-05-30 | Riverbed Technology, Inc. | Automated problem diagnosis on logs using anomalous telemetry analysis |
CN111580506A (zh) * | 2020-06-03 | 2020-08-25 | 南京理工大学 | 基于信息融合的工业过程故障诊断方法 |
CN112487058A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
CN114328198A (zh) * | 2021-12-17 | 2022-04-12 | 浪潮电子信息产业股份有限公司 | 一种系统故障检测方法、装置、设备及介质 |
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 |
CN116448419A (zh) * | 2023-03-14 | 2023-07-18 | 太原科技大学 | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 |
-
2023
- 2023-12-05 CN CN202311653862.XA patent/CN117348605B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190163553A1 (en) * | 2017-11-29 | 2019-05-30 | Riverbed Technology, Inc. | Automated problem diagnosis on logs using anomalous telemetry analysis |
CN109062189A (zh) * | 2018-08-30 | 2018-12-21 | 华中科技大学 | 一种用于复杂故障的工业过程故障诊断方法 |
CN109670595A (zh) * | 2019-03-04 | 2019-04-23 | 丽水学院 | 一种设备故障诊断方法 |
CN111580506A (zh) * | 2020-06-03 | 2020-08-25 | 南京理工大学 | 基于信息融合的工业过程故障诊断方法 |
CN112487058A (zh) * | 2020-11-30 | 2021-03-12 | 北京航空航天大学 | 一种基于数据挖掘的数控机床故障监测与诊断系统 |
CN114328198A (zh) * | 2021-12-17 | 2022-04-12 | 浪潮电子信息产业股份有限公司 | 一种系统故障检测方法、装置、设备及介质 |
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 |
CN116448419A (zh) * | 2023-03-14 | 2023-07-18 | 太原科技大学 | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117348605B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8781982B1 (en) | System and method for estimating remaining useful life | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
EP3904988A1 (en) | Induction motor condition monitoring using machine learning | |
CN112052979A (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
WO2016176111A1 (en) | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning | |
CN116184930B (zh) | 数控机床故障预测方法、装置、设备及存储介质 | |
KR20200049295A (ko) | 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법 | |
Yan et al. | A hybrid method for on-line performance assessment and life prediction in drilling operations | |
CN114065601A (zh) | 火电机组的运行信息的管理方法、存储介质和电子装置 | |
CN111788042A (zh) | 机器人的预见性分析 | |
CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
US20240012405A1 (en) | Method and Device for Determining a Remaining Service Life of a Technical System | |
CN117348605B (zh) | 应用于离型膜撕除机控制系统的优化方法及系统 | |
JP2006276924A (ja) | 設備機器診断装置及び設備機器診断プログラム | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
CN111766514B (zh) | 一种设备检测点的数据分析方法 | |
CN117608963A (zh) | 一种智能自监控计算流体力学仿真求解系统控制方法 | |
US20220187787A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
JP2005182647A (ja) | 機器の異常検知装置 | |
CN116674380A (zh) | 一种适用于汽车工业与智能制造电驱动方法及系统 | |
WO2022102036A1 (ja) | 加工診断装置、学習装置、推論装置、加工診断方法及びプログラム | |
US20230280735A1 (en) | Monitoring device and monitoring method | |
CN115943353A (zh) | 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 |
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 |