FR3130028A1 - Procédé de diagnostic automatique d'une pièce - Google Patents
Procédé de diagnostic automatique d'une pièce Download PDFInfo
- Publication number
- FR3130028A1 FR3130028A1 FR2112840A FR2112840A FR3130028A1 FR 3130028 A1 FR3130028 A1 FR 3130028A1 FR 2112840 A FR2112840 A FR 2112840A FR 2112840 A FR2112840 A FR 2112840A FR 3130028 A1 FR3130028 A1 FR 3130028A1
- Authority
- FR
- France
- Prior art keywords
- diagram
- signal
- rotating machine
- sub
- class
- 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
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 238000010586 diagram Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 9
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 235000012830 plain croissants Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Procédé de diagnostic automatique d'une pièce Un aspect de l’invention concerne un procédé de diagnostic automatique d'une pièce d’une machine tournante réalisé à partir d'un signal temporel généré par la machine tournante, comportant les étapes suivantes : Construction d'un diagramme à partir du signal, comprenant les sous-étapes suivantes :Découpage du signal en une pluralité de sous-signaux ;Pour chaque sous-signal, calcul de la transformée de Fourier du sous-signal pour obtenir une énergie vibratoire par fréquence ;Construction du diagramme, le diagramme étant une matrice présentant une pluralité de lignes correspondant chacune à une vitesse de rotation de la machine tournante, et une pluralité de colonnes correspondant chacune à une fréquence de la transformée de Fourier divisée par une vitesse de rotation de la machine tournante, la matrice comprenant pour chaque ligne et chaque colonne, l’énergie vibratoire correspondante ;Entraînement supervisé d’un réseau de neurones artificiels pour le rendre capable de fournir à partir d'un diagramme, une classe de fonctionnement comprise dans un ensemble de classes de fonctionnement comportant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le réseau de neurones artificiels étant entraîné sur une base de données d'entraînement comportant des diagrammes d’entraînement chacun associé à une classe de fonctionnement ;Utilisation sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.
Description
DOMAINE TECHNIQUE DE L’INVENTION
Le domaine technique de l’invention est celui du diagnostic de pièces et plus particulièrement celui du diagnostic automatique de pièces.
La présente invention concerne un procédé de diagnostic automatique d'une pièce d'une machine tournante à partir d'un signal temporel non stationnaire généré par la machine tournante. La présente invention concerne également un calculateur, un produit-programme d’ordinateur et un support d’enregistrement
ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTION
Dans de nombreux secteurs industriels, le diagnostic de systèmes, par exemple de machines tournantes, est primordial afin de connaître leur état de fonctionnement ou de santé et ainsi planifier des opérations de maintenance de manière à minimiser leur indisponibilité.
Le diagnostic d’un système est classiquement réalisé par analyse de signaux physiques générés par le système, pouvant être mesurés par des capteurs, par exemple électriques, magnétiques, thermiques, acoustiques ou encore vibratoires.
En particulier, l’analyse de signaux vibratoires est couramment utilisée pour déterminer l'état de fonctionnement de composants de machines tournantes, par exemple de leurs roulements : lors des phases de production ou de maintenance, des signaux vibratoires haute fréquence sont ainsi acquis lorsque la machine tournante est en fonctionnement, afin de détecter des signaux faibles caractéristiques d’endommagements des roulements, appelés signatures, et ainsi prévenir une défaillance de la machine tournante.
Aujourd’hui, les signaux vibratoires acquis sont analysés en calculant des indicateurs statistiques à partir des signaux vibratoires dans le domaine des ordres d’un régime de rotation. Les indicateurs statistiques calculés sont ensuite comparés à des indicateurs statistiques représentatifs d’une population de machines tournantes sans endommagement, les seuils de détection d’un endommagement, c’est-à-dire les valeurs d’écart considérés comme synonyme d’endommagement, étant déterminés empiriquement et subjectivement par des experts. Ainsi, le diagnostic n’est pas fiable puisqu’il peut varier d'un expert à l'autre et nécessite l’intervention de spécialistes.
Il existe donc un besoin de diagnostiquer de manière fiable une pièce d’un système, et plus particulièrement d'une machine tournante, en limitant le nombre d’interventions humaines.
L’invention offre une solution aux problèmes évoqués précédemment, en permettant de fournir un diagnostic fiable et automatique d’une pièce d'une machine tournante.
Un premier aspect de l’invention concerne un procédé de diagnostic automatique d'une pièce d'une machine tournante réalisé à partir d'un signal temporel non stationnaire généré par la machine tournante lors d’au moins une phase pendant laquelle une vitesse de rotation de la machine tournante varie en fonction du temps, le procédé comportant les étapes suivantes :
- Construction d'un diagramme à partir du signal, comprenant les sous-étapes suivantes :
- Découpage du signal en une pluralité de sous-signaux, chaque sous-signal correspondant à un intervalle temporel associé à au moins une vitesse de rotation de la machine tournante et étant quasi-stationnaire sur l’intervalle temporel ;
- Pour chaque sous-signal, calcul de la transformée de Fourier du sous-signal afin d'obtenir une énergie vibratoire pour chaque fréquence de la transformée de Fourier du sous-signal ;
- Construction du diagramme, le diagramme étant une matrice présentant une pluralité de lignes correspondant chacune à une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, et une pluralité de colonnes correspondant chacune à une fréquence de la transformée de Fourier divisée par une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, la matrice comprenant pour chaque ligne et chaque colonne, l’énergie vibratoire du sous-signal correspondant à la vitesse de rotation de la machine tournante de la ligne pour la fréquence de la transformée de Fourier de la colonne ;
- Entraînement supervisé d’un réseau de neurones artificiels pour obtenir un réseau de neurones artificiels entraîné capable de fournir à partir d'un diagramme, une classe de fonctionnement comprise dans un ensemble de classes de fonctionnement comportant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le réseau de neurones artificiels étant entraîné sur une base de données d'entraînement comportant une pluralité de diagrammes d’entraînement, chaque diagramme d’entraînement étant construit à partir d’un signal temporel non stationnaire généré par une machine tournante d’entraînement et étant associé à une classe de fonctionnement parmi l’ensemble de classes de fonctionnement ;
- Utilisation sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.
Grâce à l’invention, le diagnostic d'une pièce d’une machine tournante est automatisé, puisqu’une fois les classes de fonctionnement de la base de données d’entraînement obtenues, aucune intervention humaine n’est nécessaire. Pour cela, la construction d'un diagramme représentant l’énergie vibratoire du signal temporel en fonction de la fréquence et de la vitesse de rotation de la machine tournante permet d'obtenir une image qui peut être fournie à un réseau de neurones artificiels spécialisé dans le traitement d'images, pour détecter dans le diagramme, des signatures synonymes d'endommagements et ainsi de déterminer une classe de fonctionnement pour la pièce, c'est-à-dire de déterminer si la pièce est défectueuse ou non. Le signal temporel est traité pour différentes vitesses de rotation car la manifestation d’un endommagement peut se faire sur une partie seulement des vitesses de rotation prises par la machine tournante.
Dans le cadre des expérimentations décrites plus loin pour le diagnostic d’un roulement de moteur d’aéronef, le réseau de neurones artificiels entraîné fournit des résultats précis à 96.25% avec un taux de détection des moteurs défectueux de 95% et un taux de fausses alarmes de 2.5% et base sa décision sur les zones du diagramme correspondant aux signatures classiquement utilisées par les experts pour poser leur diagnostic. Le diagnostic fourni par le procédé selon l’invention peut donc être considéré comme fiable.
Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé selon l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles :
- le signal est un signal vibratoire.
- la pièce est un roulement compris dans la machine tournante.
- la machine tournante est un moteur.
- l'étape de construction du diagramme comporte une sous-étape d’application d'une échelle logarithmique au diagramme construit ;
- l'étape de construction du diagramme comporte une sous-étape d’application de réduction de la taille du diagramme construit d'un facteur prédéterminé.
- le procédé selon l’invention comporte une étape de construction de la base de données d'entraînement, comportant les sous-étapes suivantes :
- Pour chaque signal temporel non stationnaire généré par une machine tournante d’entraînement, construction d’un diagramme initial à partir du signal ;
- Pour chaque diagramme initial construit, normalisation standard du diagramme initial construit pour obtenir un diagramme d’entraînement.
- le réseau de neurones artificiels est un réseau de neurones artificiels convolutif.
Un deuxième aspect de l'invention concerne un calculateur configuré pour mettre en œuvre les étapes du procédé selon l’invention.
Un troisième aspect de l’invention concerne un produit-programme d’ordinateur comprenant des instructions qui, quand le programme est exécuté sur un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.
Un quatrième aspect de l'invention concerne un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.
L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.
BREVE DESCRIPTION DES FIGURES
Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.
- La
- La
- La
- La
- La
Claims (10)
- Procédé (100) de diagnostic automatique d'une pièce d’une machine tournante réalisé à partir d'un signal temporel non stationnaire généré par la machine tournante lors d’au moins une phase pendant laquelle une vitesse de rotation de la machine tournante varie en fonction du temps, le procédé étant caractérisé en ce qu'il comporte les étapes suivantes :
- Construction (101) d'un diagramme à partir du signal, comprenant les sous-étapes suivantes :
- Découpage (1011) du signal en une pluralité de sous-signaux, chaque sous-signal correspondant à un intervalle temporel associé à au moins une vitesse de rotation de la machine tournante et étant quasi-stationnaire sur l’intervalle temporel ;
- Pour chaque sous-signal, calcul (1012) de la transformée de Fourier du sous-signal afin d'obtenir une énergie vibratoire pour chaque fréquence de la transformée de Fourier du sous-signal;
- Construction (1013) du diagramme, le diagramme étant une matrice présentant une pluralité de lignes correspondant chacune à une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, et une pluralité de colonnes correspondant chacune à une fréquence de la transformée de Fourier divisée par une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, la matrice comprenant pour chaque ligne et chaque colonne, l’énergie vibratoire du sous-signal correspondant à la vitesse de rotation de la machine tournante de la ligne pour la fréquence de la transformée de Fourier de la colonne ;
- Entraînement (103) supervisé d’un réseau de neurones artificiels pour obtenir un réseau de neurones artificiels entraîné capable de fournir à partir d'un diagramme, une classe de fonctionnement comprise dans un ensemble de classes de fonctionnement comportant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le réseau de neurones artificiels étant entraîné sur une base de données d'entraînement comportant une pluralité de diagrammes d’entraînement, chaque diagramme d’entraînement étant construit à partir d’un signal temporel non stationnaire généré par une machine tournante d’entraînement et étant associé à une classe de fonctionnement parmi l’ensemble de classes de fonctionnement ;
- Utilisation (104) sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.
- Construction (101) d'un diagramme à partir du signal, comprenant les sous-étapes suivantes :
- Procédé (100) selon la revendication précédente selon lequel le signal est un signal vibratoire.
- Procédé (100) selon l’une quelconque des revendications précédentes selon lequel la pièce est un roulement compris dans la machine tournante.
- Procédé (100) selon la revendication précédente selon lequel la machine tournante est un moteur.
- Procédé (100) selon l'une quelconque des revendications précédentes, dans lequel l’étape (101) de construction du diagramme comporte une sous-étape (1014) d’application d'une échelle logarithmique au diagramme construit.
- Procédé (100) selon l'une quelconque des revendications précédentes, dans lequel l’étape (101) de construction du diagramme comporte une sous-étape (1015) de réduction de la taille du diagramme construit d'un facteur prédéterminé.
- Procédé selon l'une quelconques des revendications précédentes comprenant une étape (102) de construction de la base de données d'entraînement, comportant les sous-étapes suivantes :
- Pour chaque signal temporel non stationnaire généré par une machine tournante d’entraînement, construction (1021) d’un diagramme initial à partir du signal ;
- Pour chaque diagramme initial construit, normalisation standard (1022) du diagramme initial construit pour obtenir un diagramme d’entraînement.
- Calculateur configuré pour mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications précédentes.
- Produit-programme d’ordinateur comprenant des instructions qui, quand le programme est exécuté sur un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications 1 à 7.
- Support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications 1 à 7.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2112840A FR3130028B1 (fr) | 2021-12-02 | 2021-12-02 | Procédé de diagnostic automatique d'une pièce |
PCT/FR2022/052216 WO2023099849A1 (fr) | 2021-12-02 | 2022-12-01 | Procédé de diagnostic automatique d'une pièce |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2112840 | 2021-12-02 | ||
FR2112840A FR3130028B1 (fr) | 2021-12-02 | 2021-12-02 | Procédé de diagnostic automatique d'une pièce |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3130028A1 true FR3130028A1 (fr) | 2023-06-09 |
FR3130028B1 FR3130028B1 (fr) | 2023-12-22 |
Family
ID=84689025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2112840A Active FR3130028B1 (fr) | 2021-12-02 | 2021-12-02 | Procédé de diagnostic automatique d'une pièce |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3130028B1 (fr) |
WO (1) | WO2023099849A1 (fr) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846B (zh) * | 2015-04-10 | 2017-03-22 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7040668B2 (ja) * | 2018-08-30 | 2022-03-23 | 日本電気株式会社 | 異常検出装置、方法、プログラム |
CN113627375A (zh) * | 2021-08-16 | 2021-11-09 | 北京信息科技大学 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
-
2021
- 2021-12-02 FR FR2112840A patent/FR3130028B1/fr active Active
-
2022
- 2022-12-01 WO PCT/FR2022/052216 patent/WO2023099849A1/fr unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104819846B (zh) * | 2015-04-10 | 2017-03-22 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
CN111256965A (zh) * | 2020-01-20 | 2020-06-09 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023099849A1 (fr) | 2023-06-08 |
FR3130028B1 (fr) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10422774B2 (en) | System and method for detecting abnormality of rotating machines | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
JP5067121B2 (ja) | 転がり軸受の異常判定方法及び異常判定装置 | |
KR102015417B1 (ko) | 딥러닝 기반 회전체 결함 예측 진단 장치 | |
EP3534232B1 (fr) | Procédé et appareil de surveillance de sécurité pour un système de commande industriel | |
WO2015086959A1 (fr) | Procédé et dispositif de détection de défauts mécaniques dans une machine tournante a régime variable | |
CN111426498B (zh) | 一种监测设备运行状态的边缘处理方法 | |
Medjaher et al. | Feature extraction and evaluation for Health Assessment and Failure prognostics. | |
Inturi et al. | Bearing fault severity analysis on a multi-stage gearbox subjected to fluctuating speeds | |
JP2002090267A (ja) | 異常診断方法 | |
FR3025886B1 (fr) | Systeme et procede de controle de pieces | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
FR3130028A1 (fr) | Procédé de diagnostic automatique d'une pièce | |
EP3593101B1 (fr) | Procédé de détection d'un defaut d'un capteur de vibration, dispositif et programme d'ordinateur associés | |
CN109934136A (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
Gelman et al. | Novel adaptation of the spectral kurtosis for vibration diagnosis of gearboxes in non-stationary conditions | |
JP2004020484A (ja) | 異常監視装置および異常監視プログラム | |
JP2003130724A (ja) | 評価装置 | |
Li et al. | Bearing Intelligent Fault Diagnosis Under Complex Working Condition Based on SK-ES-CNN | |
Srividya et al. | Automated diagnosis of rolling element bearing defects using time-domain features and neural networks | |
Satija et al. | Development of rolling bearing health diagnosis and prediction system using MEMS accelerometer vibration sensing module | |
JP3776343B2 (ja) | 異常監視装置 | |
FR3003986A1 (fr) | Procede de detection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif. | |
Zhang et al. | Bearing health assessment based on Hilbert transform envelope analysis and cluster analysis | |
Sharma et al. | Bearing Fault Classification using Acoustic Features and Artificial Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20230609 |
|
PLFP | Fee payment |
Year of fee payment: 3 |