WO2023029382A1 - 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 - Google Patents
一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 Download PDFInfo
- Publication number
- WO2023029382A1 WO2023029382A1 PCT/CN2022/075862 CN2022075862W WO2023029382A1 WO 2023029382 A1 WO2023029382 A1 WO 2023029382A1 CN 2022075862 W CN2022075862 W CN 2022075862W WO 2023029382 A1 WO2023029382 A1 WO 2023029382A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- signal
- equipment
- sample
- data
- variance
- Prior art date
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims abstract description 25
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,首先将采集到的旋转机械设备振动信号数据按照时间顺序以等时间间隔进行分组,然后对这些数据进行压缩转换,利用转化后的数据求取新定义的函数并以此获得设备的性能退化指标。通过判断利用该指标计算出的EWMA统计量的整体趋势得到设备一定处于正常状态下的数据,再利用这些正常状态下的数据构造EWMA的控制限。将计算出设备性能退化指标转换成EWMA统计量并将其与控制限进行比较,如果统计量不在中心线来回波动或者超出控制限就认为监测状态失控。轴承作为旋转机械中的典型零部件,使用了一组公开的轴承全寿命试验的振动信号数据验证了该发明的实用性和通用性。
Description
本发明属于旋转机械设备的状态监测领域,具体涉及一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。
在工业设备领域,旋转机械通常构成了各类机械设备的主体或者是其他关键部位,它的稳定可靠是整个设备安全运行的保障。一旦旋转机械及其典型的零部件在工作过程中发生故障,很可能对整机的运行造成重大影响,产生较大的经济损失甚至是重大事故。所以,开展旋转机械设备的状态监测及早期故障预警具有重要的工程意义。
在旋转机械设备的状态监测领域,较常见的监测方法有振动分析法,温度分析法,声发射法等。其中,由于振动信号具有明确的物理意义,对于不同部位,不同程度的故障由较为直观的表现,所以振动分析法是目前较为普遍的监测方法。
信号的特征提取一直是设备状态监测的关键步骤,一个良好的特征指标应该能够准确清楚地表征设备的退化过程,只有基于这种良好的特征指标才能得到准确的状态监测结果。时域特征提取技术是一种常见的特征提取方法,其结果比较直观且便于理解。传统的时域统计特征可以分为均方根值等有量纲统计量和峭度值等无量纲统计量,不同类型的特征指标对不同类型的故障信号敏感程度不同。比如,均方根值对不断发展的磨损故障较为敏感,峭度值对冲击类故障敏感。考虑到旋转机械中轴承及齿轮等典型零部件的故障信号为周期性的脉冲信号,虽然峭度值等指标也对周期性的脉冲较为敏感,但是当环境噪声的干扰较大且设备仅发生微弱故障时,这些传统的时域指标就无法很好地显示出设备的性能退化状态了。所以,针对这一问题,本专利提出了一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。
统计过程控制是一种基于控制图对目标参数进行定量分析的方法,是现代质量管理的重要方法之一。该方法的实施主要包含两个步骤:一是基于初始过程产生的数据进行控制限的求取,从而绘制出控制限;二是基于绘制完成的控制限对后续过程进行监控。然而传统的Shewhart控制图只强调利用当前的数据来判断 样本是否受控,并没有考虑历史数据的相互影响。而旋转机械设备的故障发生是一个长时间的微小变化,所以针对这一个问题,本专利采样指数加权滑动平均控制图(EWMA)来对统计指标进行监测,该控制图不仅考虑到了历史数据的不同影响,同时对于微小位移更加敏感。
发明内容
鉴于上述,本发明提供一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。本发明的目的是实现对强噪声干扰下的旋转机械设备进行退化特征提取并对该设备的运行状态进行监测。
为实现上述目的,本发明提供以下技术手段:
一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,包括:
步骤S1,对采集到的旋转机械设备全寿命振动信号数据按照时间顺序以等时间间隔分组,每一组数据依次命名为样本1,样本2,样本3…样本s,每一个样本中记录的数据均记为y(t)。
步骤S2,对每一个样本数据都进行压缩转换,构造新的周期信号g
T(t)。
步骤S3,对每一个样本的数据都利用原信号y(t)和新构造的周信号f
T(t)来定义两个信号e(t)和r(t):
步骤S4,基于构造的信号e(t)和r(t)计算相关函数W(T)
其中:T是新周期压缩函数选取的周期,m为信号分割的片段数。
步骤S7,以横轴为样本序号,纵轴为EWMA统计量绘制全样本趋势图,然后根据该图判断设备处于正常状态的样本数。
步骤S8,根据正常状态状态下的设备数据按照如下公式依次计算控制图的控制上限(UCL)、中心线(CL)及控制下限(LCL):
步骤S9,利用求得的控制上下限和中心线对全数据进行监测,绘制出完整的控制图。随后按照控制图的判断准则对其分析,得出设备的完整运行状态。
进一步,通过计算步骤S4所定义的函数W(T)的方差来分析其性能。
鉴于旋转机械设备在正常情况下采集到的振动信号为周围的环境噪声,故障时采集到的振动信号则是被环境噪声淹没的周期信号,所以此处以含有未知周期T
0的信号x(t)和服从正态分布N(0,σ
2)的强高斯白噪声信号∈(t)相加的方式模拟采集的设备振动信号y(t)。
最终可计算得到函数W(T)在设备正常情况下的方差为:
在设备故障情况下的方差为:
其中,m为信号分割的片段数,且
N为以T为周期的一段信号所包含的样本点数,σ是强高斯白噪声的标准差,P
x(Γ)代表的是周期信号x(t)的平均能量,
上述不等式当且仅当
时出现等于的情况。
根据计算可以发现函数W(T)具有以下性质:
1)当设备处于正常状况时,W(T)的函数值会在均值附近稳定波动,且因为 方差中分母的存在,所以设备周围的环境噪声将无法主导该函数值的波动状态;
2)当设备发生故障时,W(T)的函数值会在T等于未知周期T
0的整数倍时出现峰值,且该峰值会随着设备故障程度的增加而上升。
1)在设备处于正常状态时,该性能退化指标的值保持稳定。
2)在设备发生故障后,该性能退化指标的值会超过设备处于正常状态下的稳定值。
3)随着故障程度的增加,该性能退化指标会比设备处于正常状态下的稳定值偏移更多。
基于上述技术方案,本发明具有以下有益的技术效果;
1)即使旋转机械设备处于一个嘈杂的工作环境,环境噪声的干扰较大,所提出的机械设备性能退化特征提取方法也依然可以提取出表现良好的性能退化指标。
2)利用EWMA(指数加权滑动平均)控制图可以有效地检测出被测量的微小变化,从而快速准确地进行设备的状态监测并进一步的做出故障预警。
图1为本发明一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法的流程示意图。
图2为实施例中轴承性能退化指标的完整趋势图。
图3为实施例中的EWMA控制图。
图4为实施例中EWMA控制图的细节展示图。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明,本发明是通过以下技术方案实现的。
轴承作为旋转机械中的典型零部件,实施例便以此为目标对象。
数据来源于美国辛辛那提大学智能设备维护中心所做轴承的全寿命试验,该试验按照时间顺序记录下了轴承从正常运行至故障的所有数据。此处的实施例选取试验2所记录的运行数据,该数据一共包含了984个数据文件,以每10分钟采集1次振动信号的方式记录了轴承从2004年2月12日10时32分39秒-2004年2月19日6时22分39秒的完整数据。如图1所示,本实施例一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,包括如下步骤:
S1,将该数据按照保存的文件序号进行分组处理,因此可以得到984组数据。
S2,分别对984组数据进行压缩转换构造以T为周期的新函数g
T(t),其中
S3,利用求出的新函数g
T(t)分别求出984组数据对应的函数e(t)及r(t),其中,e(t)=g
T(t)+y(t),0≤t<Γ,r(t)=g
T(t)-y(t),0≤t<Γ。
S4,基于不同组的信号e(t)和r(t)计算各组的相关函数W(T),并将W(T)求平均值后作为表征设备运行状态的统计指标,记为w
*。并把第i个样本计算出的统计指标记为
其中,i=1,2,…,984。
S6,如图2所示,绘制出完整的EWMA统计指标趋势图。可以发现,虚线框(a)中EWMA统计量的起始部分超出了控制限,这部分可以理解成被测实验台刚启动造成的实验台振动引起的现象;EWMA统计量的中间部分都保持稳定,但无法合适地判断出轴承的微弱故障起始点,所以尽可能取数据的前半部分认为是轴承的正常状态下的数据,此处认为虚线框(b)圈住的第80-250组所记录的是轴承处于正常运行状态下的数据;虚线框(d)圈住的这几组数据记录的是轴承故障明显时的数据。
S7,绘制监测用EWMA控制图,其结果如图3所示,可以明显地发现有轴承性能退化指标超出了控制限,这就表明在测试的最后轴承发生了故障,该结果与实验结果一致。
如图4所示为EWMA控制图的细节展示,其中:起始点超出控制限可以理解成被测实验台刚启动造成的实验台振动,并非轴承发生异常;样本序号为547和581的EWMA统计量超出了控制上限;从样本序号650开始,计算出的EWMA统计量频繁超出控制限。那么根据只有当统计数据在中心线上下来回波动且不超过控制限,整个监测过程才处于受控状态这一判断准则可以得出:轴承在2004年2月16日5时32分39秒(第547个样本)开始就出现了故障的预兆,从2004年2月16日22时42分39秒(第650个样本)开始轴承故障逐渐明显。
综上,本发明一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法可以有效地提取出旋转机械设备的性能退化指标并完成状态监测的功能,是一种可以运用到工业应用中的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
- 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,其特征在于,包括以下步骤:步骤S1:对一组旋转机械设备的全寿命振动信号数据按照时间顺序以等时间间隔分组,每一组数据依次命名为样本1,样本2,样本3…样本s,每一个样本中记录的数据均记为y(t),其中s表示样本的序号的最后一位;步骤S2:对每一个样本数据都进行压缩转换,构造新的周期信号g T(t)步骤S3:对于每一个样本数据都利用原信号y(t)和新构造的周期信号g T(t)来定义两个信号e(t)和r(t):步骤S4:基于构造的信号e(t)和r(t)计算相关函数W(T)步骤S7:以横轴为样本序号,纵轴为EWMA统计量绘制全样本数据图,然后根据该图形判断设备处于正常状态的样本数,最后根据这些正常状态状态下的数据按照如下公式计算控制图的控制上限UCL,控制下限LCL及中心线CL:CL=μ 0步骤S8:利用求得的控制上下限和中心线对EWMA统计量进行监测,绘制出完整的控制图。随后按照控制图的判断准则对其分析即可以得出设备的完整运行状态。
- 根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,其特征在于,步骤S4中所定义的函数W(T)在设备正常和故障状态下的方差不一致;一般在正常情况下采集到的旋转机械设备振动信号为周围的环境噪声,故障时采集到的则是被环境噪声淹没的周期信号,所以此处以含有未知周期T 0的信号x(t)和服从正态分布N(0,σ 2)的强高斯白噪声信号ε(t)相加的方式模拟采集的旋转机械设备振动信号y(t);那么在设备正常的情况下,W(T)的方差为:其中,m为信号分割的片段数,且 N为以T为周期的一段信号所 包含的样本点数,σ是环境噪声的标准差;所以当设备的工作环境确定后,σ固定,mN固定,那么函数W(T)的方差也就固定不变;同时,由于分母的存在,环境噪声的方差σ 2将无法再主导函数W(T)方差;在轴承发生故障后,W(T)的方差为:
- 根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,其特征在于,取λ为0.4。
- 根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法,其特征在于,L取3。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111046673.7 | 2021-09-06 | ||
CN202111046673.7A CN113654651B (zh) | 2021-09-06 | 2021-09-06 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023029382A1 true WO2023029382A1 (zh) | 2023-03-09 |
Family
ID=78493634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2022/075862 WO2023029382A1 (zh) | 2021-09-06 | 2022-02-10 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113654651B (zh) |
WO (1) | WO2023029382A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654651B (zh) * | 2021-09-06 | 2022-12-27 | 江苏大学 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
JP2012163439A (ja) * | 2011-02-07 | 2012-08-30 | Toshiba Corp | 回転機振動監視システムおよび監視方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
WO2017145222A1 (ja) * | 2016-02-22 | 2017-08-31 | 株式会社日立製作所 | 軸受劣化診断装置、軸受劣化診断方法及び軸受劣化診断システム |
CN108444704A (zh) * | 2018-03-30 | 2018-08-24 | 华中科技大学 | 一种滚动轴承早期故障诊断方法 |
CN108507782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 一种强背景噪声下周期信号隐周期的检测方法 |
CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
CN113654651A (zh) * | 2021-09-06 | 2021-11-16 | 江苏大学 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
-
2021
- 2021-09-06 CN CN202111046673.7A patent/CN113654651B/zh active Active
-
2022
- 2022-02-10 WO PCT/CN2022/075862 patent/WO2023029382A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012163439A (ja) * | 2011-02-07 | 2012-08-30 | Toshiba Corp | 回転機振動監視システムおよび監視方法 |
CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
WO2017145222A1 (ja) * | 2016-02-22 | 2017-08-31 | 株式会社日立製作所 | 軸受劣化診断装置、軸受劣化診断方法及び軸受劣化診断システム |
CN108507782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 一种强背景噪声下周期信号隐周期的检测方法 |
CN108444704A (zh) * | 2018-03-30 | 2018-08-24 | 华中科技大学 | 一种滚动轴承早期故障诊断方法 |
CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
CN113654651A (zh) * | 2021-09-06 | 2021-11-16 | 江苏大学 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113654651B (zh) | 2022-12-27 |
CN113654651A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN112596495B (zh) | 一种基于知识图谱的工业设备故障诊断方法及系统 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
JP5101396B2 (ja) | 健全性診断方法及びプログラム並びに風車の健全性診断装置 | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
TWI649152B (zh) | 刀具狀態檢測系統及方法 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN114664063A (zh) | 一种基于通用指标趋势分析的设备分级报警方法 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN115238753B (zh) | 一种基于局部离群因子的自适应shm数据清洗方法 | |
CN112857806B (zh) | 一种基于移动窗口时域特征提取的轴承故障检测方法 | |
CN113032915B (zh) | 一种制造装备主轴轴承健康状态评估方法及装置 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN109033031B (zh) | 一种基于高维随机矩阵的轴承状态检测方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
Lu et al. | Application research of highly accelerated life test on civil aircraft airborne equipment | |
Hui et al. | Bearing early fault identification and condition monitoring based on dynamic difference index | |
CN117993895A (zh) | 电网设备全生命周期管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
WWE | Wipo information: entry into national phase |
Ref document number: 17920053 Country of ref document: US |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22862533 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |