CN118159482A - 电梯系统维护 - Google Patents
电梯系统维护 Download PDFInfo
- Publication number
- CN118159482A CN118159482A CN202180103474.7A CN202180103474A CN118159482A CN 118159482 A CN118159482 A CN 118159482A CN 202180103474 A CN202180103474 A CN 202180103474A CN 118159482 A CN118159482 A CN 118159482A
- Authority
- CN
- China
- Prior art keywords
- elevator
- data
- computing system
- machine learning
- simulation model
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims description 30
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 238000010801 machine learning Methods 0.000 claims abstract description 69
- 239000002131 composite material Substances 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000013016 damping Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明涉及一种生成用于评估电梯(440)的状况的机器学习模型(315)的解决方案,其中生成描述电梯(440)的操作的合成数据(122);历史数据(124)被生成;将所述合成数据(122)和所述历史数据(124)进行比较;生成(230)描述所述合成数据(122)与所述历史数据(124)之间的差异的数据;基于描述所述差异的所述数据来校准所述电梯(440)的模拟模型;生成(250)描述所述电梯(440)的至少一个故障的校准合成数据(128);并且基于所述校准合成数据(128)用训练数据集训练所述机器学习模型(315),以生成用于评估所述电梯(440)的状况的机器学习模型(315)。本发明还涉及应用模型(315)。
Description
技术领域
本发明总体上涉及电梯系统的技术领域。更具体地,本发明涉及电梯系统的维护。
背景技术
维护和修理是确保电梯系统连续运行的关键操作。因此,引入了检测用于维护的时刻的方法。例如,在维护中应用的一种方法是基于从电梯系统收集测量数据的想法,并且通过将预测方法应用于测量数据,可以评估维护的需要。换句话说,决策制定基于数据,从该数据可以例如导出基于历史数据的被监控的某个部件多长时间正确地操作并且相应地调度维护工作。
已知的方法本身是可操作的,但是它们的准确度并不总是处于期望的水平。这又以在没有实际需要的情况下进行维护操作的形式增加了维护成本,因为历史数据或统计数据不一定反映电梯系统或特别是其中的部件的实际状态。
另一方面,基于机器学习的方法越来越多地应用于各种应用领域,并且证明了它们在维护相关操作中的适用性。
因此,可以开发用于在电梯的维护中,特别是在评估电梯的状况中应用机器学习的新颖方法,以便以优化的方式维护电梯。
发明内容
以下呈现了简化的概述,以便提供对各种发明实施例的一些方面的基本理解。该概述不是对本发明的广泛概述。它既不旨在标识本发明的关键或重要元素,也不旨在描绘本发明的范围。以下概述仅以简化形式呈现本发明的一些概念,作为本发明的示例性实施例的更详细描述的序言。
本发明的目的是提出一种生成用于评估电梯状况的机器学习模型的计算机实现的方法、计算系统和计算机程序。另一个目的是提出一种用于应用所生成的机器学习模型的方法和电梯。
本发明的目的通过由相应独立权利要求限定的计算机实现的方法、计算系统、计算机程序、方法和电梯来实现。
根据第一方面,提供了一种生成用于评估电梯状况的机器学习模型的计算机实现的方法,该方法包括:
通过利用所述电梯的模拟模型模拟所述电梯的操作来生成描述所述电梯的操作的合成数据;
访问通过操作与所述模拟模型的电梯相对应的所述电梯而生成的历史数据;
将所述合成数据与所述历史数据进行比较;
产生描述所述合成数据与所述历史数据之间的差异的数据;
基于描述所述差异的数据来校准所述电梯的模拟模型;
利用所述电梯的校准模拟模型生成描述所述电梯的至少一个故障的校准合成数据;
基于校准合成数据用训练数据集训练所述机器学习模型,以生成用于评估所述电梯的状况的机器学习模型。
电梯的模拟模型可以例如通过使用为其生成机器学习模型的电梯的多个电梯特定参数来建立。
模拟模型可以例如是面向对象的动态模型。
此外,历史数据可以通过以下中的至少一个来访问:利用多个传感器获得电梯的多个参数;获得所述电梯的实体的控制信号的数据;从数据存储器中检索存储的历史数据。电梯的多个参数可以从以下中的至少一个获得:与电梯轿厢相关联的至少一个加速度计;电梯门的马达编码器。例如,控制信号可以是门马达的输入电流。
电梯的模拟模型的校准可以通过利用可从历史数据导出的信息调整电梯的模拟模型的至少一个定义来执行。
另一方面,描述电梯的至少一个故障的校准合成数据可以通过以下方式生成:
确定所述电梯典型的多个故障,
利用所述电梯的模拟模型来模拟所确定的多个故障。
例如,可以基于以下中的至少一个来确定电梯典型的多个故障:电梯的维护请求、对电梯执行的维护操作、电梯的故障检修报告、从电梯接收的错误信号。
可以通过生成预定义类型的多个表示从描述电梯的至少一个故障的校准合成数据生成训练数据集。例如,预定义类型的表示可以在频域、时域中的至少一个中表达。
正在生成的用于评估电梯状况的机器学习模型可以是卷积神经网络CNN。
根据第二方面,提供了一种用于评估电梯状况的方法,该方法包括:
从所述评估中的电梯接收输入数据,
将所述输入数据输入到根据如上所述的第一方面生成的机器学习模型,以及
根据所述机器学习模型的输出设置检测结果以指示以下之一:(i)所述电梯正常操作,(ii)所述电梯故障。
输入数据可以例如通过获得指示电梯操作的至少一个参数来获得。
此外,指示电梯正常操作的检测结果还可以包括指示电梯的预期寿命的数据。
根据第三方面,提供了一种计算系统,该计算系统配置为:
通过利用所述电梯的模拟模型模拟所述电梯的操作来生成描述所述电梯的操作的合成数据;
访问通过操作与所述模拟模型的电梯相对应的电梯而生成的历史数据;
将所述合成数据与所述历史数据进行比较;
生成描述所述合成数据与所述历史数据之间的差异的数据;
基于描述所述差异的数据来校准所述电梯的模拟模型;
利用所述电梯的校准模拟模型生成描述所述电梯的至少一个故障的校准合成数据;
基于校准合成数据用训练数据集训练所述机器学习模型,以生成用于评估所述电梯的状况的机器学习模型。
计算系统可以配置为通过使用为其生成机器学习模型的电梯的多个电梯特定参数来建立电梯的模拟模型。
计算系统可以例如配置为建立面向对象的动态模型作为模拟模型。
此外,计算系统可以配置为通过以下中的至少一个来生成历史数据:利用多个传感器获得电梯的多个参数;获得所述电梯的实体的控制信号的数据;从数据存储器中检索存储的历史数据。计算系统可以配置为从以下中的至少一个获得电梯的多个参数:与电梯轿厢相关联的至少一个加速度计;电梯门的马达编码器。例如,计算系统可以配置为施加门马达的输入电流作为控制信号。
计算系统可以配置为通过利用可从历史数据导出的信息调整电梯的模拟模型的至少一个定义来执行电梯的模拟模型的校准。
另一方面,计算系统可以配置为通过以下方式生成描述电梯的至少一个故障的校准合成数据:
确定所述电梯典型的多个故障,
利用所述电梯的模拟模型来模拟所确定的多个故障。
例如,计算系统可以配置为基于以下中的至少一个来确定电梯典型的多个故障:电梯的维护请求、对电梯执行的维护操作、电梯的故障检修报告、从电梯接收的错误信号。
可以通过生成预定义类型的多个表示从描述电梯的至少一个故障的校准合成数据生成训练数据集。例如,计算系统可以配置为通过应用频域、时域中的至少一个中作为预定义类型来生成表示。
计算系统可以配置为生成卷积神经网络CNN作为用于评估电梯状况的机器学习模型。
根据第四方面,提供了一种电梯,该电梯包括计算系统,该计算系统用于执行根据如上所述的第一方面生成的机器学习模型以评估电梯的状况。
根据第五方面,提供了一种计算机程序,该计算机程序包括指令,当该程序由计算机执行时,该指令使计算机执行根据如上定义的第一方面的方法。
表述“多个”在本文中是指从一开始的任何正整数,例如,到一个、两个或三个。
表述“许多”在本文中是指从二开始例如到二、三或四的任何正整数。
当结合附图阅读时,从以下对具体示例性和非限制性实施例的描述,将最好地理解本发明的关于构造和操作方法的各种示例性和非限制性实施例及其附加目的和优点。
动词“包括”和“包含”在本文中用作开放式限制,既不排除也不要求存在未列举的特征。除非另有明确说明,否则从属权利要求中记载的特征可相互自由组合。此外,应当理解,在整个本文档中使用“一”或“一个”,即单数形式,并不排除多个。
附图说明
在附图的图中,通过示例而非限制的方式示出了本发明的实施例。
图1示意性地图示了根据示例的作为流程图的机器学习模型的生成。
图2示意性地示出了根据示例的方法。
图3示意性地图示了根据示例的计算系统。
图4示意性地示出了根据另一示例的计算系统。
具体实施方式
在下面给出的描述中提供的具体示例不应被解释为限制所附权利要求的范围和/或适用性。除非另有明确说明,否则在下面给出的描述中提供的示例的列表和组并非穷举性的。
本发明的至少一些方面可以涉及通过训练机器学习模型来生成机器学习模型以评估电梯的状况。根据本发明,可以以有效的方式执行训练,使得机器学习模型可以用于电梯的维护操作中。
图1作为结构模型示意性地示出了训练用于评估电梯状况的机器学习模型的系统的至少一些方面。图1中示意性示出的结构模型被指示为由三个部分组成:输入部分110、训练部分120和输出部分130。
输入部分110示意性地示出了用于生成输入到机器学习模型的数据以对其进行训练以供使用的项目。第一项是系统模拟112,其中利用计算机实现的方法模拟电梯系统以生成输入到训练部分120的合成数据122。输入部分中的第二项是操作监控114,其中数据由真实电梯系统生成。由操作监控114生成的数据作为历史数据124被输入到训练部分120。
更具体地,系统模拟112是指其中在模拟模型中以预定义的准确度(诸如在具有一组参数的部件和操作级别)描述或定义被模拟的实体(即电梯)的模拟,其中模拟软件配置为模仿电梯的真实操作。电梯的描述可以在部件水平定义电梯的架构,或者定义为材料清单,其中部件和相应的元件可以在其水平进行模拟,但也可以在所谓的多体模拟水平模拟,其中许多部件或实体以有意义的精度组合并且模拟多体元件。另外,模拟模型可以采用操作数据作为输入,例如定义电梯的多个实体的操作的算法,如电机和运动控制算法。上述项目使得能够计算各个部件和/或多体的预定义物理参数,例如刚度、阻尼、摩擦、电流等,例如电梯驱动器、电机、底板、绳索、导轨、导靴、吊索、轿厢、门缓冲器等。另外,在一些实施方式中,模拟可以包括其中可以例如利用适用的测试设备来测量至少一些部件的物理参数的步骤。根据示例,可以执行模拟,使得基于物理计算参数和为各个部件定义的测量的物理参数来编译主文件。主文件可以用于配置电梯的模拟模型。为了做到这一点,通过模拟所讨论的电梯的正常操作来操作所生成的电梯的模拟模型。这可以包括但不限于电梯在电梯正在运行或计划运行的空间中从一个楼层运行到另一个楼层。在任何情况下,电梯的模型在其中电梯被断定以正常方式操作的条件下运行。
此外,可以通过模拟故障条件下的电梯操作来操作模拟模型。换句话说,模拟电梯的操作,使得以故障方式设置电梯的一个或多个特征。例如,可以设定导轨在可接受的极限上未对准,或者马达例如由于定子槽几何形状的误差而接收高激励电流。设置不当行为的另外的非限制性示例可以包括错误选择一个或多个部件(例如,使得绳索被设置得太柔性,导致导靴在止动件上运行,部件被设置为在一定程度上磨损,等等)。另外,可以运行电梯的模拟模型以执行性能测试,性能测试被定义为执行某些预定义操作,如轿厢下垂和弹跳、缓冲运行、紧急停止等。
模拟模型的建立以及在各种条件和情况下利用模拟模型模拟电梯的操作使得能够在系统水平生成表示电梯的合成数据,其中电梯及其部件利用以所描述的方式导出的一组参数来描述。合成数据有利地用模型形成,使得描述电梯及其操作的参数使得它们直接或间接地与可从真实电梯系统测量的数据相当,以使它们相当。例如,参数可以是运动相关参数,诸如轿厢位移、速度、加速度,但也可以是其他物理参数,例如指示导靴力、马达旋转等。从上面可以清楚地看出,有利地利用时间相关的可变参数来执行建模,以在各种情况下生成描述电梯及其操作的合成数据。
作为模拟模型的非限制性示例,面向对象的动态模型可以被提及为在本发明的上下文中是有利的,因为它在所描述的应用领域中快速使用并且不需要繁重的计算系统。当然,可以应用其他模拟模型,诸如有限元模拟模型,即使它们在电梯系统的背景下考虑到建模的需要和速度不是那么有效。特别地,这样的其他模拟模型可以有利地应用于确定某些可变参数,例如质量、刚度、阻尼等,然后将其输入到面向对象的动态模型中。
在前面的描述中,通过以所需的精度将定义电梯系统的某些参数输入到计算系统来执行模拟模型的创建,所述计算系统配置为执行所述系统的模拟。在一些示例性实施方案中,电梯系统的模拟可以布置成使得配置来执行系统模拟的计算系统可以提示用户输入待模拟的电梯系统的标识符。电梯标识符可以明确地定义电梯系统,并且响应于将电梯系统标识符输入到由计算系统执行的应用程序,可以从配置为存储电梯系统的定义的数据存储器查询定义电梯系统设置的数据记录,诸如材料清单和任何其他数据。以这种方式,可以修改通用模拟模型以对应于要建立机器学习模型的电梯系统。为了清楚起见,值得提及的是,数据存储器可以指计算系统的内部存储器或配置为存储这种数据并且通信地连接到配置为执行模拟的计算系统的外部实体。
如已经提到的,用于实现机器学习模型的训练的其他数据项是通过图1中用114指代的操作监控生成的历史数据124。通过获得指示所监控的特征的数据来监控电梯的预定义特征,从而执行操作监控114。监控可以通过在电梯的正常操作期间从系统获得测量数据或者通过控制所讨论的电梯进行各种操作来执行,例如从一个楼层到另一个楼层的正常驾驶,但也引起特定情况,例如紧急停止等。例如,诸如加速度计的多个传感器可以定位到电梯,诸如定位到电梯轿厢,以便收集指示电梯轿厢的监控方面的测量数据。在评估中的电梯轿厢的背景下,所测量的方面可以是例如电梯轿厢所经历的振动。在一些实施方式中,被监控实体可以是电梯门及其在电梯系统中的运动和/或力。所讨论的传感器可以集成到电梯系统或定位在设备设置中,例如在电梯轿厢的轿顶上,以获得测量数据。测量数据通过预定义的通信通道被递送到计算实体,该预定义的通信通道可以是无线的,或者递送可以以有线方式实现。
操作数据以所描述的方式从电梯系统获得,该电梯系统对应于用模拟模型建模的电梯系统,并且用于生成合成数据,以便使数据片段彼此相当。
为了完整起见,可以通过操作监控生成历史数据,使得计算系统具有足够的数据来生成电梯的操作和其中的任何特定方面的表示。为了实现这一点,可以在预定义的时间段内执行历史数据的生成,或者可以执行历史数据的生成,使得相同的操作特征重复预定义的次数。
还值得提及的是,由计算系统访问历史数据还可以涵盖计算系统基于对电梯和/或其中的实体的操作的监控从存储历史数据的数据存储器查询或检索这种数据的方法。因此,这种方法可以是对其他描述的方法的替代或补充,使得利用多个传感器获得电梯的多个参数作为历史数据的描述和/或获得电梯实体的控制信号的数据。
图1的训练部分120示意性地示出了生成机器学习模型以执行如所描述的评估电梯状况的任务的阶段。图2示意性地示出了根据本发明示例的方法,其公开了生成模型的步骤,其中该方法的实施方式参考图1中的处理框126。该方法可以由计算系统执行,该计算系统配置为以所描述的方式生成210合成数据122并访问所生成的历史数据124。为了生成模型,计算系统可以首先布置为将合成数据122与历史数据124进行比较220,并且检测数据集之间的差异(如果有的话)。为了执行比较,合成数据和历史数据的所比较的数据片段布置成使得它们以期望的准确度彼此相当。可以根据要求来定义检测差异的能力的准确性。在任何情况下,比较可以揭示模型与电梯的真实实施方式之间的物理参数的差异,这可能例如是由于安装精度或部件相关的不准确性。可替代地,差异可以与在时间、位置、力等方面描述的操作参数相关。该比较还可以产生通过模拟不可导出或已知的未知特征。这种特征的一些非限制性示例可以是导轨的安装或部件的阻尼中的未对准。响应于检测到实际测量数据与合成数据之间的偏差,以及检测到未知或不确定的参数或特征,计算系统可以配置为生成描述合成数据122与历史数据124之间的差异的反馈数据,并将其输入作为反馈信号(图1中用125表示的箭头),以基于描述差异的数据来修改电梯的模拟模型。具体地,这可以对应于检测到模型的一个或多个参数或在模型中应用的一个或多个参数与电梯的实际实施方式或操作的相应参数不同的操作,将在模型中应用的参数调整到电梯的实际实施方式中的对应参数。换句话说,可以基于差异的描述来校准240模拟模型,以便实现校准面向对象模型,从而以更好的方式模拟所讨论的真实电梯系统。
响应于用描述差异的数据校准240面向对象模型的步骤,计算系统布置成通过用电梯的经校准模拟模型模拟电梯系统来生成250用于故障的校准合成数据128。换句话说,计算系统配置为模拟预定义类型的预定多个故障,以生成描述电梯的至少一个故障的校准合成数据。可以以预定义的方式选择用校准模拟模型模拟的故障。根据实施例示例,可以基于描述所讨论的电梯中发生的故障的数据来选择要模拟的故障的类型,或者例如,在与所讨论的电梯类型相同的许多电梯中,针对所讨论的电梯生成用于评估电梯状况的机器学习模型。描述故障的这种数据可以用反馈机制建立,其中分析来自电梯或来自例如相同类型的多个电梯的任何维护请求或维护操作、任何故障排除报告或任何错误信号,使得故障的类型是可识别的,并且调整生成的校准模拟模型以执行相应的故障。例如,模拟模型的调整可以布置成使得模型的输入数据(诸如电梯的结构或部件值或任何其他输入值)被调整,使得其引起至少一个识别出的故障。这种方法需要深入理解电梯系统的操作以及理解电梯系统中的因果关系,并且可以被定义为模拟软件中的自动功能,例如,使得分析接收到的故障数据并识别故障的涉及实体,并且根据预定义规则改变电梯模型,使得相应故障的根本原因存在于模型中。作为非限制性示例,可以提及的是,例如,导靴的1mm扁平点可以被建模为具有导靴的旋转频率的1mm模型激励,或者不规则的导轨上油可以被建模为滑动导靴和导轨之间的可变摩擦系数,用于存在油和不存在油的区段。响应于根据所识别的故障引入对模型的调整,运行校准模拟模型以生成描述电梯的一个或多个故障的校准合成数据。所描述的方法的优点在于,描述至少故障的校准合成数据的生成同时标记故障,这意味着数据布置为包括定义利用所讨论的校准合成数据描述的故障类型的标识符或标记。
响应于描述电梯的至少一个故障的校准合成数据128的生成250,它可以用于以如在即将到来的描述中描述的方式训练机器学习模型315。根据本发明的实施方式,可以为训练目的准备校准合成数据128,使得可以以有效的方式执行训练。根据示例实施例,校准合成数据可以被输入到由计算系统执行的处理126阶段,以从故障的校准合成数据128生成适用的表示,该表示描述故障并且适合于被输入到机器学习模型以用于训练。术语“表示”在本文中可以指代预定义域中的图像表示,如在即将到来的描述中所描述的。可以通过将多个故障的校准合成数据输入到执行软件的计算系统来执行表示的生成,该软件配置为将描述故障的校准合成数据变换为预定义类型的表示。例如,计算系统和所讨论的软件可以配置为将描述故障的校准合成数据变换为频域中的表示或时域中的表示,其中,该表示可以以二维格式或三维格式表示。根据故障的类型以及经历所讨论的故障的实体,表示可以是频谱图、倒谱图或图形。频谱图和倒频谱是描述特定信号特性的频域中的表示。例如,对于电梯行程的整个长度,频谱图可以是轿厢振动的频率内容的三维表示。三维可以是频率、幅度和行程位置。对于电梯保持恒定速度的时域,可以通过对不允许的轿厢振动信号进行快速傅里叶变换(FFT)来获得这些频谱图。换句话说,描述故障的轿厢振动可以例如在三个方向上模拟:垂直地,从电梯门到轿厢的后部以及从一个导轨到另一个导轨。对于每个方向,可以生成描述所讨论的方向的故障的特定频谱图。还可以布置成通过在短时间窗口内进行FFT,该表示是二维图或曲线图,其中频率的幅度相对于频率的值被绘制。在倒谱用作表示格式的情况下,对源数据(即描述一个或多个故障的校准合成数据128)计算逆傅立叶变换以生成倒谱。如针对某种类型的故障所提到的,时域中的曲线图可以适合于本发明的目的,其中,例如,这样的曲线图可以表达模拟参数在时间上的可变信号幅度。
为了完整起见,值得提及的是,在一些示例性实施方案中,在步骤250中,可以利用描述电梯或评估中的相应实体的正常操作和设置的校准模拟模型来生成校准合成数据。因此,还可以从该数据生成相应的表示。这样的信息可以用于估计电梯的状况,例如以估计电梯的故障程度。
至少在一些实施方式中,可以总结生成校准合成数据的步骤的目的和预定义类型的多个表示,使得所生成的表示一起形成用于神经网络的所谓的训练数据集,以配置神经网络来执行评估电梯状况的任务。训练数据(诸如以所描述的方式生成的表示)非常适合于训练神经网络,因为训练数据用所描述的用于训练的方法来标记。
现在,所生成的描述故障的训练数据(诸如校准合成数据或来自其的任何推导)可以用于训练260神经网络以评估电梯的状况。经训练的神经网络有利地是一种卷积神经网络(CNN),其由输入层、隐藏层和输出层组成。然而,其他类型的神经网络也可以应用于本发明的上下文中。所应用的CNN可以布置为符合初始架构,并且可以通过增加来自最新卷积层和全连接层的权重学习速率和偏置学习速率来微调网络。这提高了训练和使用CNN的效率。通过用标记的训练数据集训练神经网络来执行相应神经网络的训练,使得神经网络学习将任何输入数据分类到可用训练数据集定义的类别之一。例如,由一个或多个标记的训练数据集定义的故障类型教导神经网络在输入数据应当被分类到由一个或多个标记的训练数据集定义的类别的情况下使用某些标准。取决于训练数据集及其源数据,可以以监督方式或无监督方式执行分类任务的训练。换句话说,作为训练的结果,神经网络已经定义了参数(也称为“权重”),通过该参数,算法的损失将被最小化(优化),并且通过算法的优化,神经网络在其任务中操作以评估电梯的状况,并最终检测维护的需要。例如,所生成的神经网络可以布置为分析历史数据和任何新的测量数据,并且检测所分析的数据是否包括关于需要维护的任何指示。例如,可以生成经训练的神经网络,使得基于指示电梯的受监控实体(例如电梯轿厢)所经历的振动或任何其他选定参数的数据来执行电梯状况的评估。
总而言之,经训练的机器学习模型(即,经训练的神经网络)配置为通过接收输入数据来评估电梯的状况,并根据可从输入数据导出的其参数对数据进行分类。通过分类,机器学习模型可以基于输入数据被判断为属于的类别来提供输入数据指示某种类型的故障的输出。为了清楚起见,值得提及的是,某些类别可以是指示电梯系统正常操作的类别,因为输入数据未被分类为指示相应故障的任何其他类别。
接下来,关于电梯系统的特定实体提供生成机器学习模型的更具体的示例。特定实体可以是电梯门,其通常包括在生成模型时考虑的电梯轿厢门和层站门两者,但是在一些实施方式中,这些门中的仅一个用于本发明目的。因此,目的是生成适合于评估电梯门的状况的机器学习模型。在用于电梯门的解决方案中,可以通过创建表示电梯门的模拟模型来生成合成数据122,该模拟模型具有关于门的部件和其中的任何多体的信息以及应用于控制门的操作的任何算法以及门的CAD设计。另外,可以以适当的方式测量门相关部件的物理参数。基于部件和多体的模拟以及在模拟中使用所应用的算法以及关于相应部件或它们的至少一部分的物理参数的信息,可以编译电梯门的模拟模型。然后,编译的模拟模型在电梯门的各种情况下运行。例如,可以针对相应门的正常操作(例如,在完整的操作循环内)执行利用模拟模型的模拟。此外,门的错误操作可以通过模拟来布置,诸如布置锁定辊的未对准、布置门联接器的卡住、或布置较小的锁定间隙问题等。另外,模型可以布置成模拟对相应电梯门的性能测试。利用模拟生成的合成数据122可以有利地用可从使用中的电梯的电梯门测量的参数表示,这些参数可以例如是门控制面板电流、门位置和例如相对于参考速度的速度。
关于历史数据124,可以通过监控和测量电梯门的预定参数来生成历史数据124,该预定参数对应于在实际电梯系统中为其生成合成数据的电梯门。根据示例,预定参数可以是与电梯门相关的实体的控制信号及其值,其中控制信号的数据可以例如是门马达的输入电流。另一方面,指示电梯门的操作的数据可以从适用的实体获得,例如从电梯门的马达编码器获得,但是也可以获得速度数据,例如相对于利用来自门操作的适用传感器设置确定的参考速度。这里,可以从其收集至少一些历史数据的门操作可以表示电梯门发生的各种情况,例如在正常操作中以及在特定情况下和在性能测试中。
作为上述操作的结果,计算系统拥有合成数据122和历史数据124,并且计算系统配置为将合成数据122与历史数据124进行比较220。响应于该比较,可以检测到差异以及关于任何未知或不确定参数的信息,并且可以将这些信息作为反馈提供给原始模拟模型,以便相应地修改面向对象的模型,以更准确地表示正在生成机器学习模型的门设置。结果,校准模拟模型布置为生成针对多个预定义类型的故障的校准合成数据。可以根据描述所讨论的电梯门发生的故障或电梯门类型的信息来选择故障类型。这样的信息可以对应于关于维护请求或维护操作、故障排除报告或从系统接收的描述电梯门故障的任何错误信号的信息。因此,校准模拟模型(诸如面向对象的动态模型)可以配置为生成预定义类型的故障的校准合成数据128。
现在,计算系统拥有描述电梯门的故障的校准合成数据128,并且计算系统可以配置为使用该数据来训练机器学习模型以完成评估电梯(即电梯门)的状况的任务。取决于实施方式,可以以所选择的方式操纵校准合成数据以更适合于训练,所述训练可以例如是指执行校准合成数据到预定义类型的表示的变换的操作。例如,在电梯门的背景下,表示可以是从模拟信号生成的一个或多个曲线图,该模拟信号表示在各种故障情况下门力与门移动的关系。通过变换生成的图像形成用于神经网络的所谓的训练数据集,以便使其执行评估电梯门的状况的任务。
接下来,利用所生成的训练数据集来训练神经网络,该神经网络例如是卷积神经网络(CNN)的类型。通过布置神经网络以学习将输入数据分类为由训练数据集中的数据定义的多个类别中的一个类别来执行训练,以便具有要应用于从真实电梯门装置可获得的真实数据的分类模型。
然后可以将经训练的神经网络用于检测电梯门的不当行为和故障,使得从电梯门获得和生成与训练神经网络中使用的数据匹配的测量数据,并通过将其转换为应用的表示类型来将其输入到神经网络以检测其是否指示故障。
为了总结该方法的结果和训练的结果,可以得出结论,该方法生成计算机程序,该计算机程序配置为通过将训练的规则应用于输入数据(例如,通过测量被监控实体的预定义参数获得的输入数据)来检测电梯是否在可接受的限度内操作。换句话说,以所描述的方式生成的计算机程序可以响应于生成而被存储到数据存储器,诸如存储到计算系统的实体的内部存储器,或者通过生成从计算系统到包括存储器的相应实体的通信连接来存储到另一存储器。所生成的计算机程序还可以设置为可用于下载到其他实体,诸如下载到被选择为实现对电梯的监控以评估其状况的计算系统。因此,计算机程序可以安装到相应的计算系统并在其中执行,使得其连续地从被监控的电梯和/或其中的任何实体接收输入数据,并且通过运行计算机程序执行的机器学习模型被布置成执行电梯状况的评估。
因此,配置为执行所生成的计算机程序的相应计算系统配置为执行用于评估电梯440的状况的方法,其中计算系统布置为从评估中的电梯440接收输入数据,其中输入数据可以通过获得指示电梯440的操作的至少一个参数来获得。这是指从电梯440的实体接收数据,例如从检测振动的传感器或从电梯门相关的监控系统接收数据,该数据使得其符合机器学习模型的训练,即以本文所述的方式生成的机器学习模型可以执行其任务以评估电梯的状况。响应于机器学习模型的输出,该方法可以包括设置检测结果以指示以下中的至少一个的步骤:(i)电梯440正常操作,(ii)电梯440故障。在一些示例实施例中,该方法的另一结果,特别是当检测结果指示电梯440正常操作时,可以是它提供进一步的信息,例如关于电梯440的受监控实体的预期寿命的信息。这又有助于规划对所讨论的电梯440的维护时间表。这样的实施方式可以例如布置成使得校准合成数据布置成以这样的分辨率生成,使得机器学习模型可以以这样的准确度训练,使得它可以提供对被评估实体的寿命的估计。例如,在这种情况下,所生成的校准合成数据的至少一部分可以使得其被认为表示故障,但是在可接受的限度内,并且检测结果被决定为指示电梯正常操作。训练本身可以通过根据所选择的分辨率标记所生成的校准合成数据来布置,并且布置数据以包括相应实体的预期寿命的定义。
参考上文,本发明的至少一些方面涉及一种电梯,其包括用于执行机器学习模型315的计算系统,所述机器学习模型315以如所描述的用于评估电梯440的状况的计算机程序的形式生成。
适合于执行根据本发明的示例实施例的方法作为计算系统300的装置的示例在图3中示意性地示出为框图。如所描述的,该装置可以配置为实现用于创建用于评估电梯或电梯的部件的状况的机器学习模型的方法的至少一部分。该方法或其至少一些部分的执行可以通过布置包括至少一个处理器的处理单元310来实现,以执行存储在至少一个存储器320中的计算机程序代码325的至少一些部分,从而使处理器310以及因此装置实现所描述的方法步骤。换句话说,处理单元310可以被布置为访问存储器320并且从存储器320检索任何信息并将任何信息存储到存储器320。此外,处理单元310可以被配置为控制通过一个或多个通信接口330的通信,以用于访问操作中涉及的其他实体。因此,通信接口330可以被布置为可能在处理单元310的控制下实现多个通信协议,诸如IP或任何其他通信协议,用于与一个或多个实体通信以接收输入和输出数据,如所描述的。术语通信接口330应以广泛的方式理解,包括用于实现通信技术的必要的硬件和软件元件。此外,所讨论的装置包括用于输入和输出信息的一个或多个输入/输出设备。根据本发明,形成用户接口的这样的输入/输出设备可以至少包括触摸屏,但是还可以包括另外的实体,诸如物理键盘、按钮、显示器、扬声器、麦克风相机等。在装置的一些实施方式中,输入/输出设备中的至少一些可以在装置外部并且无线地或以有线方式耦合到装置。为了清楚起见,处理单元310在本文中指代适合于处理信息并且一般至少部分地控制装置的操作以及其它任务的任何单元或许多单元。所提到的操作可以例如利用具有嵌入式软件的微控制器解决方案来实现。类似地,本发明不限于某种类型的存储器320,而是适合于存储所描述的信息片段(诸如计算机程序代码和/或参数的部分)的任何存储器单元或许多存储器单元可以应用于本发明的上下文中。此外,至少所提及的实体可以被布置为利用内部数据连接(诸如利用数据总线)至少通信地彼此耦合。
在图3中,还示意性地示出了可与主处理单元310或专用处理单元一起执行的机器学习模型315。机器学习模型315可以至少专用于响应于其以根据方法的方式创建而执行如前面描述中所描述的电梯的状况的评估。换句话说,检测的操作可以基于所谓的机器学习,诸如基于所谓的深度学习。深度学习可以涉及以监督或非监督方式学习多层非线性处理单元。这些层形成层的层级,其可以被称为人工神经网络。每个学习层从输入数据中提取特征表示,其中来自较低层的特征表示低级语义(即,更抽象概念)。一般而言,深度学习技术允许以高精度识别和检测图像中的对象,优于先前的方法。
因此,如图3中示意性示出的计算系统300被配置为在第一阶段中接收合成数据122和历史数据124作为输入,以前面描述中描述的方式处理这些数据,并向模拟模型提供反馈以生成校准合成数据,然后以所描述的方式处理该数据并以处理的形式使用该数据来训练机器学习模型315,以便生成适于评估电梯状况的模型。
在一些示例中,计算系统300可以利用分布式计算环境来实现,在该分布式计算环境中,许多计算设备配置为协作以使得执行根据所描述的示例中的至少一个示例的方法。图4中公开了这种分布式计算系统的非限制性示例,其中第一计算单元410可以专用于执行模拟模型的生成和其中具有模拟模型的电梯系统的模拟。第一计算单元410可以通信地连接到多个数据库420,以便查询关于电梯系统和其中的任何部件的信息以及在其中存储数据。第二计算单元430可以通信地连接到为其生成机器学习模型以评估电梯440和/或电梯440的任何实体的状况的电梯440。例如,第二计算单元430可以配置为从电梯440的一个或多个传感器(诸如从加速度计)接收测量数据。第二计算单元430可以被配置为以预定方式处理测量数据(如果有的话),并将其递送到第三计算单元450。由第一计算单元410生成的合成数据也可以被传送到第三计算单元450,以便布置第三计算单元450可以访问多条数据以执行比较220以及生成描述要传送到第一计算单元410的差异的数据,以校准模拟模型并由第一计算单元410生成校准合成数据128。如所描述的,然后将校准合成数据128递送到第三计算单元450,以便训练机器学习模型315以完成评估电梯和/或电梯440的任何实体的状况的任务。
如从上文可导出的,本发明的一些方面可以涉及一种计算机程序产品,该计算机程序产品在由至少一个处理器执行时使得作为计算系统300的装置执行如所描述的方法的至少一些部分。例如,计算机程序产品可以包括其上存储有计算机程序代码325的至少一个计算机可读非暂时性介质。计算机可读非暂时性介质可以包括存储器设备或记录介质,诸如CD-ROM、DVD、蓝光盘或有形地体现计算机程序的另一制品。作为另一示例,计算机程序可以被提供为被配置为可靠地传送计算机程序的信号。
更进一步地,计算机程序代码325可以包括专有应用,诸如用于以所描述的方式生成机器学习模型的计算机程序代码。
计算机程序代码325还可以被认为包括如本文所述的机器学习模型315的执行的定义和指令,以响应于所生成的机器学习模型被安装到计算系统,该计算系统被配置为执行电梯和/或其中的任何实体的状况的评估。
根据本发明的方法在以下意义上是有利的:其允许从合成数据生成训练数据集,所述合成数据继而利用准确地对应于真实电梯440的模拟模型生成,针对所述真实电梯生成用于评估电梯440和/或电梯440的任何实体的状况的机器学习模型。因此,所生成的模型对于评估该特定电梯是准确的,并且对于预测维护电梯440的需要是准确的。
被布置为运行以所描述的方式生成的计算机程序的计算系统可以例如对应于如图3中所示的计算系统,但是计算机程序的执行也可以被布置在如图4中示意性地示出的环境中。
为了清楚和完整起见,值得理解的是,在本文的本发明的描述中,主要将电梯状况的评估称为本发明的最大目标。在该上下文中,术语“电梯”应被理解为涵盖基于评估对象对电梯系统的整体状况的评估,而且术语“电梯”被解释为表示电梯系统的特定实体或部件,例如电梯门。所应用的待测量的参数和值应根据评估中的实体来调整,诸如在电梯轿厢的振动用于评估条件的情况下,测量数据可以例如从与电梯轿厢相关联的一个或多个加速度计获得。另一方面,如果电梯门处于监控之下,则指示门力的参数(诸如门马达的当前数据)可以用作评估中的至少一个参数。
以上给出的描述中提供的具体示例不应被解释为限制所附权利要求的适用性和/或解释。除非另有明确说明,否则在上面给出的描述中提供的示例的列表和组并非穷举性的。
Claims (29)
1.一种生成用于评估电梯(440)的状况的机器学习模型(315)的计算机实现的方法,所述方法包括:
通过利用所述电梯(440)的模拟模型模拟所述电梯(440)的操作来生成(210)描述所述电梯(440)的操作的合成数据(122);
访问(210)通过操作对应于所述模拟模型的电梯(440)的电梯(440)而生成的历史数据(124);
将所述合成数据(122)与所述历史数据(124)进行比较(220);
生成(230)描述所述合成数据(122)与所述历史数据(124)之间的差异的数据;
基于描述所述差异的数据校准(240)所述电梯(440)的模拟模型;
利用所述电梯(440)的校准模拟模型生成(250)描述所述电梯(440)的至少一个故障的校准合成数据(128);
基于所述校准合成数据(128)用训练数据集训练(260)所述机器学习模型(315),以生成用于评估所述电梯(440)的状况的机器学习模型(315)。
2.根据权利要求1所述的计算机实现的方法,其中通过使用所述电梯(440)的多个电梯(440)特定参数来建立所述电梯(440)的模拟模型,机器学习模型(315)针对所述电梯的多个电梯特定参数而生成。
3.根据权利要求1或2所述的方法,其中,所述模拟模型是面向对象的动态模型。
4.根据权利要求1至3中任一项所述的计算机实现的方法,其中,通过以下中的至少一个来访问所述历史数据:利用多个传感器获得所述电梯(440)的多个参数;获得所述电梯(440)的实体的控制信号的数据;从数据存储器中检索存储的历史数据。
5.根据权利要求4所述的计算机实现的方法,其中,所述电梯(440)的所述多个参数从以下中的至少一个获得:与电梯轿厢相关联的至少一个加速度计;电梯门的马达编码器。
6.根据权利要求4所述的计算机实现的方法,其中,所述控制信号是门马达的输入电流。
7.根据权利要求1至6中任一项所述的计算机实现的方法,其中,通过利用从所述历史数据导出的信息调整所述电梯(440)的模拟模型的至少一个定义来执行所述电梯(440)的模拟模型的校准。
8.根据权利要求1至7中任一项所述的计算机实现的方法,其中描述所述电梯(440)的至少一个故障的校准合成数据(128)通过以下方式生成:
确定所述电梯(440)典型的多个故障,
利用所述电梯的模拟模型来模拟所确定的多个故障(440)。
9.根据权利要求8所述的计算机实现的方法,其中基于以下中的至少一个来确定所述电梯(440)典型的多个故障:所述电梯(440)的维护请求、对所述电梯(440)执行的维护操作、所述电梯(440)的故障诊断报告、从所述电梯(440)接收的错误信号。
10.根据权利要求1至9中任一项所述的方法,其中,通过生成预定义类型的多个表示,从描述所述电梯(440)的至少一个故障的校准合成数据(128)生成所述训练数据集。
11.根据权利要求10所述的计算机实现的方法,其中,所述预定义类型的表示在频域、时域中的至少一个中表达。
12.根据权利要求1至11中任一项所述的计算机实现的方法,其中,正在生成的用于评估所述电梯(440)的状况的机器学习模型(315)是卷积神经网络CNN。
13.一种用于评估电梯(440)的状况的方法,所述方法包括:
从评估中的电梯(440)接收输入数据,
将所述输入数据输入到根据权利要求1生成的机器学习模型(315),以及
根据所述机器学习模型(315)的输出设置检测结果以指示以下之一:(i)所述电梯(440)正常操作,(ii)所述电梯(440)故障。
14.根据权利要求13所述的方法,其中,通过获得指示所述电梯(440)的操作的至少一个参数来获得所述输入数据。
15.根据权利要求13或14中任一项所述的方法,其中,指示所述电梯(440)正常操作的检测结果还包括指示所述电梯(440)的预期寿命的数据。
16.一种计算系统(300),生成用于评估电梯(440)的状况的机器学习模型(315),所述计算系统(300)配置成:
通过利用所述电梯(440)的模拟模型模拟所述电梯(440)的操作来生成(210)描述所述电梯(440)的操作的合成数据(122);
访问(210)通过操作对应于所述模拟模型的电梯(440)的电梯(440)而生成的历史数据(124);
将所述合成数据(122)与所述历史数据(124)进行比较(220);
生成(230)描述所述合成数据(122)与所述历史数据(124)之间的差异的数据;
基于描述所述差异的数据来校准(240)所述电梯(440)的模拟模型;
利用所述电梯(440)的校准模拟模型生成(250)描述所述电梯(440)的至少一个故障的校准合成数据(128);
基于所述校准合成数据(128)用训练数据集训练(260)所述机器学习模型(315),以生成用于评估所述电梯(440)的状况的机器学习模型(315)。
17.根据权利要求16所述的计算系统(300),其中所述计算系统(300)配置为通过使用所述电梯(440)的多个电梯(440)特定参数来建立所述电梯(440)的模拟模型,所述机器学习模型(315)针对所述电梯的多个电梯特定参数而生成。
18.根据权利要求16或权利要求17所述的计算系统(300),其中,所述计算系统(300)配置为建立面向对象的动态模型作为所述模拟模型。
19.根据权利要求16至18中任一项所述的计算系统(300),其中,所述计算系统(300)配置为通过以下中的至少一个来访问所述历史数据:利用多个传感器获得所述电梯(440)的多个参数;获得所述电梯(440)的实体的控制信号的数据;从数据存储器中检索存储的历史数据。
20.根据权利要求19所述的计算系统(300),其中所述计算系统(300)配置为从以下中的至少一个获得所述电梯(440)的多个参数:与电梯轿厢相关联的至少一个加速度计;电梯门的马达编码器。
21.根据权利要求19所述的计算系统(300),其中,所述计算系统(300)配置为施加门马达的输入电流作为所述控制信号。
22.根据权利要求16至21中任一项所述的计算系统(300),其中,所述计算系统(300)配置为通过利用从所述历史数据导出的信息调整所述电梯(440)的模拟模型的至少一个定义来执行所述电梯(440)的模拟模型的校准。
23.根据权利要求16至22中任一项所述的计算系统(300),其中,所述计算系统(300)配置为通过以下方式生成描述所述电梯(440)的至少一个故障的校准合成数据(128):
确定所述电梯(440)典型的多个故障,
利用所述电梯的模拟模型来模拟所确定的多个故障(440)。
24.根据权利要求23所述的计算系统(300),其中所述计算系统(300)配置为基于以下中的至少一个来确定所述电梯(440)典型的多个故障:所述电梯(440)的维护请求、对所述电梯(440)执行的维护操作、所述电梯(440)的故障诊断报告、从所述电梯(440)接收的错误信号。
25.根据权利要求16至24中任一项所述的计算系统(300),其中,通过生成预定义类型的多个表示,从描述所述电梯(440)的至少一个故障的校准合成数据(128)生成所述训练数据集。
26.根据权利要求25所述的计算系统(300),其中,所述计算系统(300)配置为通过应用频域、时域中的至少一个作为所述预定义类型来生成所述表示。
27.根据权利要求16至26中任一项所述的计算系统(300),其中,所述计算系统(300)配置为生成卷积神经网络CNN作为用于评估所述电梯(440)的状况的机器学习模型(315)。
28.一种电梯(440),包括用于执行根据权利要求1生成的机器学习模型(315)的计算系统,所述机器学习模型(315)用于评估所述电梯(440)的状况。
29.一种包括指令的计算机程序,当所述程序由计算机执行时,所述指令使所述计算机执行根据权利要求1至12中任一项所述的方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118159482A true CN118159482A (zh) | 2024-06-07 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106409120B (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
JP6569927B1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
Medjaher et al. | Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data | |
KR101880353B1 (ko) | 엘리베이터의 고장 예측 시스템 | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
JP5043839B2 (ja) | 予知保全用インテリジェント状態監視及び障害診断システム | |
JP2008517386A (ja) | 異常検出の方法およびシステム | |
KR20190005771A (ko) | 엘리베이터 센서 시스템 교정 | |
JP7308717B2 (ja) | ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム | |
EP2923311A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
CN113779838B (zh) | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 | |
González et al. | Model-based condition monitoring of guiding rails in electro-mechanical systems | |
KR20180130614A (ko) | 엘리베이터의 부품 수명 예측 시스템 | |
JPWO2018159169A1 (ja) | 劣化診断システム追加学習方法 | |
AU2020343526A1 (en) | Sensor-agnostic mechanical machine fault identification | |
de Calle et al. | Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments | |
WO2023066484A1 (en) | Maintenance of elevator system | |
Lee et al. | Infotronics technologies and predictive tools for next-generation maintenance systems | |
CN118159482A (zh) | 电梯系统维护 | |
WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
KR102358486B1 (ko) | 승강장 안전문 고장 진단 및 예측 장치 | |
Dixon et al. | Application of condition monitoring to an electromechanical actuator: a parameter estimation based approach | |
CN114266013B (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |