CN106525426A - 一种基于互补随机共振滤波器的微弱信号增强检测方法 - Google Patents
一种基于互补随机共振滤波器的微弱信号增强检测方法 Download PDFInfo
- Publication number
- CN106525426A CN106525426A CN201611110937.XA CN201611110937A CN106525426A CN 106525426 A CN106525426 A CN 106525426A CN 201611110937 A CN201611110937 A CN 201611110937A CN 106525426 A CN106525426 A CN 106525426A
- Authority
- CN
- China
- Prior art keywords
- signal
- complementary
- bearing
- output signal
- formula
- 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
- 230000000295 complement effect Effects 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000000737 periodic effect Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 239000011159 matrix material Substances 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- FLDSMVTWEZKONL-AWEZNQCLSA-N 5,5-dimethyl-N-[(3S)-5-methyl-4-oxo-2,3-dihydro-1,5-benzoxazepin-3-yl]-1,4,7,8-tetrahydrooxepino[4,5-c]pyrazole-3-carboxamide Chemical compound CC1(CC2=C(NN=C2C(=O)N[C@@H]2C(N(C3=C(OC2)C=CC=C3)C)=O)CCO1)C FLDSMVTWEZKONL-AWEZNQCLSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000143372 Idaea ochrata Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于互补随机共振滤波器的微弱信号增强检测方法,包括:(1)将预处理得到的长度为2N点信号对半拆分成两个子信号S1(t)和S2(t),每个子信号的长度为N点;(2)构建互补随机共振滤波器;(3)计算主通道输出信号x(t)的加权谱峭度的值;(4)在6维的加权谱峭度矩阵中搜索最大值,其对应的输出信号x(t)即为互补随机共振滤波器最优滤波输出信号,对该信号做频谱分析,即可根据轴承故障特征频率判断轴承故障类型。本发明采用更先进的双通道互补随机共振滤波器,通过加权谱峭度指标自适应地调整合适的***参数,利用互补通道相位差异噪声去增强主通道的微弱周期信号,实现轴承微弱故障特征频率增强,提高轴承故障诊断的准确度。
Description
技术领域
本发明涉及微弱信号增强检测技术领域,具体涉及一种基于互补随机共振滤波器的微弱信号增强检测方法。
背景技术
轴承是旋转机械的重要核心部件,轴承状态监测和故障诊断对于保证旋转机械的安全可靠运行具有极其重要的意义。振动信号分析方法常用于轴承故障诊断中。首先在轴承座上安装传感器采集振动信号,分析信号可以获得其时域、频域、时频域等特征,进一步分析这些特征可以获知轴承的运行状态。但在实际工况下,采集的振动信号容易受到环境背景噪声、机器运行噪声、采集设备电噪声等干扰,从而使得振动信号的信噪比降低,影响故障诊断的准确度。
随机共振滤波器是一种能够利用噪声增强微弱周期信号的非线性滤波器,该类型滤波器已经被成功应用于轴承微弱特征信号提取、增强和故障诊断。对于确定的输入信号,可以通过调整合适的***参数实现最优滤波。传统的随机共振滤波器都是基于经典的一维随机共振模型,该模型是个单输入单输出的***,当输入信号的信噪比较低时,其滤波效果不够理想,不能很好地实现轴承微弱故障特征信号的检测,从而影响故障诊断的准确性,因此不适用于强噪声背景下的轴承微弱信号增强检测。
从以上分析可知,对于现有的基于随机共振滤波器的微弱信号增强检测技术而言,一维随机共振滤波器具有局限性。如何改进优化随机共振滤波器结构、提高随机共振滤波器的微弱信号增强效果、最终提高轴承故障诊断的准确度仍需要进一步探讨。
发明内容
为了解决现有技术中存在的问题,本发明目的在于提供一种基于互补随机共振滤波器的微弱信号增强检测方法,并将其用于轴承故障诊断。互补随机共振滤波器具有主通道、互补通道共两个输入通道和对应的两个输出通道,通过将输入信号对半拆分成两个子信号分别输入两个输入通道,在合适的***参数下,互补通道能够利用相位差异噪声去增强主通道的微弱周期信号,最终提高轴承故障诊断的准确度。
本发明采用的技术方案为:一种基于互补随机共振滤波器的微弱信号增强检测方法,该方法包括如下步骤:
步骤(1)、使用传感器采集轴承故障信号,对信号进行带通滤波和共振解调预处理,随后将预处理得到的长度为2N点信号对半拆分成两个子信号S1(t)和S2(t),每个子信号的长度为N点。S1(t)和S2(t)分别如下式所示:
式中A1和A2表示两个子信号的幅值,εx和εy为噪声强度值,dωx(t)和dωy(t)为独立维纳过程,f0表示两个同频率的微弱周期信号的频率,和分别为两个输入信号的相位。
步骤(2)、构建互补随机共振滤波器,如下式所示:
式中和分别为互补随机共振滤波器的主通道和互补通道变量,TR1和TR2是时间尺度变换因子,SR1和SR2是空间尺度变换因子,δ1和δ2为两个独立的耦合参数。初始化滤波器6个参数SR1,SR2,TR1,TR2,δ1和δ2的寻优范围和步增间隔。
步骤(3)、将两个子信号S1(t)和S2(t)分别输入互补随机共振滤波器的主通道和互补通道,调整6个***参数,采用四阶龙格库塔数值计算方法分别得到两个通道的输出信号x(t)和y(t),计算主通道输出信号x(t)的加权谱峭度(weighted power spectrumkurtosis,WPSK)的值。WPSK计算公式如下所示:
WPSK=|CC|×PSK
式中CC为输入信号S1(t)和滤波输出信号x(t)的相关系数,由下式计算:
式中S1[n]和x[n]分别为S1(t)和x(t)的离散形式,和分别为S1[n]和x[n]的均值。
PSK为输出信号x[n]的功率谱峭度,由下式计算:
式中px[n],n=1,2,3,…,M为x[n]通过快速傅里叶变换计算得到的功率谱;为px[n]的均值。
步骤(4)、在6维的加权谱峭度矩阵中搜索最大值,其对应的输出信号x(t)即为互补随机共振滤波器最优滤波输出信号,对该信号做频谱分析,即可根据轴承故障特征频率判断轴承故障类型。
本发明的优点和积极效果为:
(1)本发明所提供的微弱信号增强检测方法采用更先进的双通道互补随机共振滤波器,利用互补通道相位差异噪声去增强主通道的微弱周期信号,从而提高了微弱信号的增强检测效果。
(2)本发明的互补随机共振滤波器采用加权谱峭度指标自适应地调整合适的***参数,能够实现微弱周期信号频率成分的自适应增强。
(3)本发明的互补随机共振滤波器用于轴承故障诊断,能够实现轴承微弱故障特征频率自适应增强,提高故障诊断的准确度。
附图说明
图1为本发明方法实现流程图;
图2为含噪声正弦信号及其功率谱;
图3为经本发明滤波器处理含噪声正弦信号之后得到的最优输出信号及其功率谱;
图4为轴承内圈故障包络信号及其功率谱;
图5为经本发明滤波器处理轴承内圈故障信号之后得到的最优输出信号及其功率谱;
图6为轴承外圈故障包络信号及其功率谱;
图7为经本发明滤波器处理轴承外圈故障信号之后得到的最优输出信号及其功率谱。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
实施例一:
为了验证本发明提出的互补随机共振滤波器的微弱信号增强检测性能,首先对含噪声正弦信号进行分析,含噪声正弦信号的参数设置为:A1=A2=1,f0=100Hz,其波形和频谱如图2所示。从时域波形可见,正弦信号完全被噪声淹没。从频谱中可见驱动频率f0,但噪声干扰十分明显。把图2的含噪信号对半拆分成两个子信号S1(t)和S2(t)并输入互补随机共振滤波器的两个输入端,在最优参数δ1=-1.0e6,δ2=-1.0e6,SR1=1.0e4,SR2=1.0e6,TR1=1.0e-1,TR2=1.1e-1下,互补随机共振滤波器的最优输出如图3所示。从频谱中可见,高频和低频噪声都被有效地抑制从而使得f0更为明显,结果验证了本发明滤波器的有效性。
实施例二:
为进一步验证本发明在微弱信号增强检测方面的优越性,对轴承故障内圈信号进行分析。内圈故障轴承型号如表1所示:
表1 内圈故障轴承参数及故障信息
轴承内圈具有局部故障时,运动的滚子会依次通过内圈故障部位并碰撞产生冲击振动,冲击振动进一步引起机器共振,因此轴承故障信号由一系列共振频率调制的衰减冲击信号构成。另一方面,在一定转速下,两个相邻冲击信号的时间间隔(其倒数即为故障特征频率)能够反映轴承不同的故障类型。由于故障信号是调幅信号,因此共振解调技术常用于解调故障信号从而能够在解调(包络)谱中发现故障特征频率。信号经过带通滤波和包络解调后,其包络信号和包络谱如图4所示。时域的包络信号反应了冲击振动序列的轮廓,从轮廓中可见伴有明显噪声干扰的一系列的冲击脉冲。从包络谱中可以辨认出旋转频率fr和内圈故障频率fi,但其它噪声分量十分明显,从而影响轴承故障的精确诊断。随后,采用本发明提出的互补随机共振滤波器对包络信号进行处理。利用加权谱峭度作为参数调节指标得到最优的参数为δ1=8.0e6,δ2=10,SR1=9.0e5,SR2=10,TR1=1.0,TR2=1.0,和最优输出信号及频谱如图5所示。在互补随机共振滤波器的框架下,互补通道的相位差异噪声有效地增强了主通道的微弱周期信号,因此故障特征频率fi在频谱中十分突出,相比之下噪声分量则十分微弱,从而能够确认轴承存在内圈故障。
实施例三:
为了进一步验证本发明提出方法的优越性和有效性,对轴承外圈故障信号进行分析,轴承型号如表2所示:
表2 外圈故障轴承参数及故障信息
分析结果如图6和图7所示,从图6中可见,轴承外圈故障特征频率fo周围的噪声十分明显,干扰对轴承故障的精确诊断。互补随机共振滤波器的结果输出如图7所示,最优参数为:δ1=-7.9e4,δ2=1.0e9,SR1=4.0e4,SR2=1.0e7,TR1=1.0,TR2=1.0。频谱中高频和低频噪声能量降低,故障特征频率fo得到有效增强,从而能够明确判断轴承外圈存在故障。通过以上两个工程应用案例,本发明提出的互补随机共振滤波器展现出了良好的微弱信号增强检测效果,从而利于轴承故障类型的精确诊断。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明不应局限于本发明实施例和附图所公开的内容。
Claims (1)
1.一种基于互补随机共振滤波器的微弱信号增强检测方法,其特征在于:该方法包括如下步骤:
步骤(1)、使用传感器采集轴承故障信号,对信号进行带通滤波和共振解调预处理,随后将预处理得到的长度为2N点信号对半拆分成两个子信号S1(t)和S2(t),每个子信号的长度为N点,S1(t)和S2(t)分别如下式所示:
式中A1和A2表示两个子信号的幅值,εx和εy为噪声强度值,dωx(t)和dωy(t)为独立维纳过程,f0表示两个同频率的微弱周期信号的频率,和分别为两个输入信号的相位;
步骤(2)、构建互补随机共振滤波器,如下式所示:
式中和分别为互补随机共振滤波器的主通道和互补通道变量,TR1和TR2是时间尺度变换因子,SR1和SR2是空间尺度变换因子,δ1和δ2为两个独立的耦合参数,初始化滤波器6个参数SR1,SR2,TR1,TR2,δ1和δ2的寻优范围和步增间隔;
步骤(3)、将两个子信号S1(t)和S2(t)分别输入互补随机共振滤波器的主通道和互补通道,调整6个***参数,采用四阶龙格库塔数值计算方法分别得到两个通道的输出信号x(t)和y(t),计算主通道输出信号x(t)的加权谱峭度(weighted power spectrum kurtosis,WPSK)的值,WPSK计算公式如下所示:
WPSK=|CC|×PSK
式中CC为输入信号S1(t)和滤波输出信号x(t)的相关系数,由下式计算:
式中S1[n]和x[n]分别为S1(t)和x(t)的离散形式,和分别为S1[n]和x[n]的均值;
PSK为输出信号x[n]的功率谱峭度,由下式计算:
式中px[n],n=1,2,3,…,M为x[n]通过快速傅里叶变换计算得到的功率谱;为px[n]的均值;
步骤(4)、在6维的加权谱峭度矩阵中搜索最大值,其对应的输出信号x(t)即为互补随机共振滤波器最优滤波输出信号,对该信号做频谱分析,即可根据轴承故障特征频率判断轴承故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110937.XA CN106525426B (zh) | 2016-12-06 | 2016-12-06 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110937.XA CN106525426B (zh) | 2016-12-06 | 2016-12-06 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106525426A true CN106525426A (zh) | 2017-03-22 |
CN106525426B CN106525426B (zh) | 2018-02-09 |
Family
ID=58342027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611110937.XA Active CN106525426B (zh) | 2016-12-06 | 2016-12-06 | 一种基于互补随机共振滤波器的微弱信号增强检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106525426B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN109738212A (zh) * | 2019-01-24 | 2019-05-10 | 安徽大学 | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 |
CN109855874A (zh) * | 2018-12-13 | 2019-06-07 | 安徽大学 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
CN110196173A (zh) * | 2019-05-05 | 2019-09-03 | 成都大学 | 一种基于自学习的强噪声环境机器运行故障在线检测方法 |
CN111220386A (zh) * | 2019-11-18 | 2020-06-02 | 南通大学 | 一种自适应频移变尺度共振技术的轴承故障早期诊断方法 |
CN111898476A (zh) * | 2020-07-12 | 2020-11-06 | 西北工业大学 | 一种耦合随机共振的自适应线谱增强方法 |
CN113375930A (zh) * | 2021-06-11 | 2021-09-10 | 宁波大学 | 左右势阱粒子跃迁速率差异诱发共振增强机械瞬态特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
JP2006105727A (ja) * | 2004-10-04 | 2006-04-20 | Nsk Ltd | 機械装置の異常感知ユニット |
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN101539472A (zh) * | 2009-04-30 | 2009-09-23 | 北京工业大学 | 一种低速重载设备微弱故障并联随机共振检测方法 |
CN102226740A (zh) * | 2011-04-18 | 2011-10-26 | 中国计量学院 | 基于外加周期信号控制随机共振的轴承故障检测方法 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振***以及基于该***的机械故障诊断方法 |
-
2016
- 2016-12-06 CN CN201611110937.XA patent/CN106525426B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
JP2006105727A (ja) * | 2004-10-04 | 2006-04-20 | Nsk Ltd | 機械装置の異常感知ユニット |
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
CN101539472A (zh) * | 2009-04-30 | 2009-09-23 | 北京工业大学 | 一种低速重载设备微弱故障并联随机共振检测方法 |
CN102226740A (zh) * | 2011-04-18 | 2011-10-26 | 中国计量学院 | 基于外加周期信号控制随机共振的轴承故障检测方法 |
CN102778356A (zh) * | 2012-08-06 | 2012-11-14 | 西安交通大学 | 增强随机共振***以及基于该***的机械故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855874A (zh) * | 2018-12-13 | 2019-06-07 | 安徽大学 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
CN109596354A (zh) * | 2018-12-21 | 2019-04-09 | 电子科技大学 | 基于自适应共振频带识别的带通滤波方法 |
CN109738212A (zh) * | 2019-01-24 | 2019-05-10 | 安徽大学 | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 |
CN110196173A (zh) * | 2019-05-05 | 2019-09-03 | 成都大学 | 一种基于自学习的强噪声环境机器运行故障在线检测方法 |
CN111220386A (zh) * | 2019-11-18 | 2020-06-02 | 南通大学 | 一种自适应频移变尺度共振技术的轴承故障早期诊断方法 |
CN111220386B (zh) * | 2019-11-18 | 2022-06-21 | 南通大学 | 一种自适应频移变尺度共振技术的轴承故障早期诊断方法 |
CN111898476A (zh) * | 2020-07-12 | 2020-11-06 | 西北工业大学 | 一种耦合随机共振的自适应线谱增强方法 |
CN113375930A (zh) * | 2021-06-11 | 2021-09-10 | 宁波大学 | 左右势阱粒子跃迁速率差异诱发共振增强机械瞬态特征提取方法 |
CN113375930B (zh) * | 2021-06-11 | 2022-05-24 | 宁波大学 | 左右势阱粒子跃迁速率差异诱发共振增强机械瞬态特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106525426B (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106525426B (zh) | 一种基于互补随机共振滤波器的微弱信号增强检测方法 | |
CN103048137B (zh) | 一种变工况下的滚动轴承故障诊断方法 | |
CN101561314B (zh) | 随机共振-混沌微弱信号检测方法 | |
CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
Li et al. | A multi-parameter constrained potential underdamped stochastic resonance method and its application for weak fault diagnosis | |
Li et al. | Stochastic resonance in cascaded monostable systems with double feedback and its application in rolling bearing fault feature extraction | |
CN103699513B (zh) | 一种基于多尺度噪声调节的随机共振方法 | |
CN104316323B (zh) | 基于周期靶向的最优共振频带确定方法 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN106092578A (zh) | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 | |
Isham et al. | Intelligent wind turbine gearbox diagnosis using VMDEA and ELM | |
CN104408288A (zh) | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 | |
CN105825197A (zh) | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN108108672A (zh) | 一种基于线性搜索策略的随机共振电流弱信息识别方法 | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
CN107525671A (zh) | 一种风电传动链复合故障特征分离与辨识方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
Pei et al. | Bearing running state recognition method based on feature-to-noise energy ratio and improved deep residual shrinkage network | |
Jiang et al. | Differential spectral amplitude modulation and its applications in rolling bearing fault diagnosis | |
CN113033304A (zh) | 一种克服频域重叠干扰的多共振频带幅值解调分析方法 | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |