CN107247849A - 基于比例故障率模型优化机械***的维护方法及*** - Google Patents
基于比例故障率模型优化机械***的维护方法及*** Download PDFInfo
- Publication number
- CN107247849A CN107247849A CN201710486848.3A CN201710486848A CN107247849A CN 107247849 A CN107247849 A CN 107247849A CN 201710486848 A CN201710486848 A CN 201710486848A CN 107247849 A CN107247849 A CN 107247849A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mfrac
- data
- msup
- covariant
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于比例故障率模型优化机械***的维护方法,包括:建立比例故障率模型;收集数据;对收集好的数据进行分析处理:对历史寿命数据进行统计处理,得到正确的历史寿命数据;将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。本发明的方法能精确的计算出设备需要维护或者更换的时间,精确的计算出设备的维护或者更换时间,不仅能够避免不必要的经济损失和降低维护时间而且还能够延长设备的工作寿命并提高其可靠性。
Description
技术领域
本发明涉及优化机械***的维护方法,尤其涉及了一种基于比例故障率模型优化机械***的维护方法及***。
背景技术
目前,几乎所有的设备寿命都取决于初期设计和后期的使用,而且,后期的使用条件的不同导致设备的寿命的不同,这就意味着一旦设备只要投入使用,其寿命就完全取决于其工作环境和维护。可见,正确的维护对于设备寿命是机器重要的因素。而传统的基于状态的维护(CBM)是一种非常流行的维护方法,这种方法推荐时基于状态监测所得数据做出维护决策,也就是说,预防性维护是关键。所谓的预防性维护是结合设备监测的状态来建立其退化模型,最后做出最佳的维护策略,基于这种情况,对于价格昂贵的设备来说,预防性维护肯定能够满足要求。但是,这种方法并不是试用于所有机械***,许多小型机械***并没有被精确的监测和维护。
发明内容
本发明针对现有技术中现有监测方法不够成熟的缺点,提供了一种基于比例故障率模型优化机械***的维护方法。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于比例故障率模型优化机械***的维护方法,包括:
建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
收集数据:收集历史寿命数据和实时监测数据;
对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
作为一种可实施方式,所述建立比例故障率模型的具体过程为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
作为一种可实施方式,所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
作为一种可实施方式,将实时监测数据进行处理得到协变量,所述分析的具体过程为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
作为一种可实施方式,将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
一种基于比例故障率模型优化机械***的维护***,包括:
模型建立模块:用于建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
数据收集模块:用于收集数据:收集历史寿命数据和实时监测数据;
分析处理模块:用于对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
决策模块:用于将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
作为一种可实施方式,所述模型建立模块设置为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
作为一种可实施方式,所述数据收集模块设置为:所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
作为一种可实施方式,所述分析处理模块设置为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
作为一种可实施方式,所述决策模块设置为:
将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
本发明的方法能精确的计算出设备需要维护或者更换的时间,精确的计算出设备的维护或者更换时间,不仅能够避免不必要的经济损失和降低维护时间而且还能够延长设备的工作寿命并提高其可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的整体结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种基于比例故障率模型优化机械***的维护方法,包括:
S1、建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
S2、收集数据:收集历史寿命数据和实时监测数据;
S3、对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
S4、将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
更进一步地,步骤S1,所述建立比例故障率模型的具体过程为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
在步骤S2中,所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
在步骤S3内,将实时监测数据进行处理得到协变量,所述分析的具体过程为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
在步骤S4之前,将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
在步骤S4中,需要说明的是,根据维护时间来判断机械***是否需要维护或更换的具体判断过程为:倘若在测试时刻t的可靠度大于预先设定好的可靠度阈值,求得维修时间tx,此维修时间tx大于检查时间t时,则设备不需要维修或更换。
实施例2:
我们将以一台车铣符合加工中心工作台的更换时间优化来对上面所述方法进行概要说明。积累的数据包括故障诊断数据和监测数据,监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成。对每一个方向的原始振动数据进行特征提取,包括12个时域特征有均值xm,峰值xp,方根幅值xra,方根均值xrms,方差xv,标准差xstd,偏斜度xske,峭度(xk),峰值指标xc,裕度指标xma,波形指标xsha和脉冲指标xi。前四个参数指标反映时域的振动幅值和能量,其余的指标表示时域中信号时间序列的分布情况。频域中,用小波包方法分解振动信号,计算小波包能量谱,根据能量谱的特征趋势,选择特征频带[18]。我们把所有的时域和频域特征作为PHM中的协变量。本例中总共有18个历史数据,包括9个失效数据和9个截止数据,51个监测时间点。
时域和频域数据的过分充裕必然会带来信息冗余。这样,主分量分析就可以用来降维和消除数据的信息冗余。
经过数据准备和必要分析处理之后,即剔除错误数据、特征提取、主分量分析以及技术员的重要经验,我们就可以选择出重要的协变量和正确的历史数据,然后把这些数据带入PHM中进行参数估计。如表Ⅰ所示,是PHM的参数值和参数的重要程度。最后,PHM中包含了三个协变量,其表达式为
从表Ⅰ中可以看到,拟合模型的K-S拟合优度检验p值是相对较高的,说明模型的拟合是比较成功的。那么,可以直接将这些参数值以及估计值带入到可靠度函数中进行计算。
表Ⅰ PHM参数估计
假设可靠度阈值R0是0.9,也就是说机械***当前的运行可靠度理论上应该大于0.9,如(4)所示,
求解上面的不等式,如果求出的t大于检查时间,那么,不需要维护设备或者更换设备,如果求出的维修时间t小于检查时间,那么,此时就需要维护或者更换设备了。
实施例3:
实施例3是实施例1的***实施例,一种基于比例故障率模型优化机械***的维护***,如图2所示,包括:
一种基于比例故障率模型优化机械***的维护***,包括:
模型建立模块1:用于建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
数据收集模块2:用于收集数据:收集历史寿命数据和实时监测数据;
分析处理模块3:用于对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
决策模块4:用于将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
所述模型建立模块1设置为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
所述数据收集模块2设置为:所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
所述分析处理模块3设置为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
所述决策模块4设置为:
将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于比例故障率模型优化机械***的维护方法,其特征在于包括:
建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
收集数据:收集历史寿命数据和实时监测数据;
对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
2.根据权利要求1所述的基于比例故障率模型优化机械***的维护方法,其特征在于,所述建立比例故障率模型的具体过程为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>s</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>s</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mi>m</mi>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Pi;</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>=</mo>
<mi>&Pi;</mi>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mi>Z</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>&Pi;</mi>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>s</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mi>d</mi>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
3.根据权利要求1所述的基于比例故障率模型优化机械***的维护方法,其特征在于,所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
4.根据权利要求3所述的基于比例故障率模型优化机械***的维护方法,其特征在于,将实时监测数据进行处理得到协变量,所述分析的具体过程为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
5.根据权利要求4所述的基于比例故障率模型优化机械***的维护方法,其特征在于,将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
6.一种基于比例故障率模型优化机械***的维护***,其特征在于,包括:
模型建立模块:用于建立比例故障率模型:建立威布尔PHM函数以及建立可靠度函数以及极大似然函数,并通过极大似然函数估计出威布尔PHM函数中的参数;
数据收集模块:用于收集数据:收集历史寿命数据和实时监测数据;
分析处理模块:用于对收集好的数据进行分析处理:将实时监测数据进行处理得到协变量,对历史寿命数据进行统计处理,得到正确的历史寿命数据;
决策模块:用于将协变量和正确的历史寿命数据以及通过极大似然函数估计出来的威布尔PHM函数的参数分别带入建立好的可靠度函数内,得到测试时刻的可靠度并和预设可靠度阈值进行比较,求得维护时间,根据维护时间来判断机械***是否需要维护或更换。
7.根据权利要求6所述的基于比例故障率模型优化机械***的维护***,其特征在于,
所述模型建立模块设置为:
通过原始比例故障模型h(t,Z(t))=h0(t)λ(βZ(t)) (1),
其中h0(t)是确定的基本失效率,与失效时间有关,λ(βZ(t))为调整性的反映设备特征的变化的正函数,β是回归协变量系数向量,Z(t)是时间相关的协变量向量,得到现有比率故障模型即威布尔PHM:其中α>0,是形状参数,θ>0,是尺度参数,t指的是运行时间或者工作时间;
根据现有比率故障模型求出设备在测试时刻t的可靠度为
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>s</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>s</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mi>m</mi>
</msub>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>&alpha;</mi>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中m是在测试时刻t之前的监测次数,ti是测试时间点,i=1,2,…,m;公式(3)中,Z(s)的值只有在测试时间点是已知的,即在t0<t1<t2<…<tm这m个时间点处是已知的,而在每两个测试时间点之间的数值可以用常数来表示;
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>,</mo>
<mi>&theta;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Pi;</mi>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>&Pi;</mi>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>&Pi;</mi>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</msubsup>
<mfrac>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>s</mi>
<mi>&theta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&beta;</mi>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>s</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f指的是失效时间,c指的是失效时间和截止时间,通过极大似然函数估计出威布尔PHM的形状参数和尺度参数。
8.根据权利要求6所述的基于比例故障率模型优化机械***的维护***,其特征在于,
所述数据收集模块设置为:所述收集数据表示为以下数据集(Ti,Zi,δi),其中,i=1,2,…,m,表示的是m个相互独立的历史寿命数据,Ti是失效或截止时间,Zi=(Zi(t),0<t<Ti)是协变量的监测值,δi表示截止时间的指标。
9.根据权利要求8所述的基于比例故障率模型优化机械***的维护***,其特征在于,所述分析处理模块设置为:
对所述监测数据进行错误数据剔除,所述监测数据由工作台水平、竖直和垂直三个方向上振动幅值组成,对每一个方向的原始振动数据进行特征提取,得到时域数据和频域数据,将时域数据和频域数据作为协变量,对所述协变量进行主分量分析,最终得到协变量。
10.根据权利要求9所述的基于比例故障率模型优化机械***的维护***,其特征在于,所述决策模块设置为:
将协变量带入威布尔PHM函数之前,还包括拟合度检验过程,将所有协变量带入威布尔PHM函数内,得到威布尔PHM函数的拟合优度检验值,通过拟合优度检验值确定最优协变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710486848.3A CN107247849A (zh) | 2017-06-23 | 2017-06-23 | 基于比例故障率模型优化机械***的维护方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710486848.3A CN107247849A (zh) | 2017-06-23 | 2017-06-23 | 基于比例故障率模型优化机械***的维护方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107247849A true CN107247849A (zh) | 2017-10-13 |
Family
ID=60019387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710486848.3A Pending CN107247849A (zh) | 2017-06-23 | 2017-06-23 | 基于比例故障率模型优化机械***的维护方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247849A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038349A (zh) * | 2017-12-18 | 2018-05-15 | 北京航天测控技术有限公司 | 一种飞机***健康状态的维修决策方法 |
CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
CN110008498A (zh) * | 2018-01-03 | 2019-07-12 | 通用电气公司 | 促进引入已知的变化量到配套部件的集合中 |
CN111947920A (zh) * | 2020-07-28 | 2020-11-17 | 南昌龙行港口集团有限公司 | 一种基于威布尔分布的设备故障诊断方法 |
CN112507515A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于比例风险模型的换流变压器维护方法及装置 |
CN112800580A (zh) * | 2020-12-30 | 2021-05-14 | 上海电气风电集团股份有限公司 | 风电机组的备品备件的储备数量确定方法及其*** |
CN114187005A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向传动***订单的全生命周期追溯***与方法 |
CN114676602A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 一种改进的电机绝缘多应力可靠性评估方法及*** |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN103810328A (zh) * | 2014-01-16 | 2014-05-21 | 国家电网公司 | 一种基于混合模型的变压器维修决策方法 |
-
2017
- 2017-06-23 CN CN201710486848.3A patent/CN107247849A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN103810328A (zh) * | 2014-01-16 | 2014-05-21 | 国家电网公司 | 一种基于混合模型的变压器维修决策方法 |
Non-Patent Citations (2)
Title |
---|
秦峰伟: "航空发动机主轴轴承振动可靠性分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郭航: "航天器振动试验滑台***可靠性分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038349A (zh) * | 2017-12-18 | 2018-05-15 | 北京航天测控技术有限公司 | 一种飞机***健康状态的维修决策方法 |
CN110008498A (zh) * | 2018-01-03 | 2019-07-12 | 通用电气公司 | 促进引入已知的变化量到配套部件的集合中 |
CN110008498B (zh) * | 2018-01-03 | 2023-06-30 | 通用电气公司 | 用于促进选择航空发动机的部件的***、计算机可读存储介质、计算机实现方法 |
CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
CN109117566B (zh) * | 2018-08-24 | 2023-05-26 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
CN111947920A (zh) * | 2020-07-28 | 2020-11-17 | 南昌龙行港口集团有限公司 | 一种基于威布尔分布的设备故障诊断方法 |
CN112507515A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于比例风险模型的换流变压器维护方法及装置 |
CN112800580A (zh) * | 2020-12-30 | 2021-05-14 | 上海电气风电集团股份有限公司 | 风电机组的备品备件的储备数量确定方法及其*** |
CN112800580B (zh) * | 2020-12-30 | 2023-10-27 | 上海电气风电集团股份有限公司 | 风电机组的备品备件的储备数量确定方法及其*** |
CN114187005A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向传动***订单的全生命周期追溯***与方法 |
CN114676602A (zh) * | 2022-05-27 | 2022-06-28 | 浙江大学 | 一种改进的电机绝缘多应力可靠性评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247849A (zh) | 基于比例故障率模型优化机械***的维护方法及*** | |
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
TWI616827B (zh) | 排程系統及方法 | |
CN110298455A (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN105721187A (zh) | 一种业务故障诊断方法及装置 | |
CN105116870B (zh) | 空调机组的故障分析方法、装置和*** | |
CN111441864A (zh) | 发动机健康诊断方法及发动机诊断*** | |
CN113369979B (zh) | 一种基于云计算的在线监测数控车床冷却*** | |
CN116360367A (zh) | 一种工业设备物联网数据采集方法及*** | |
CN101830256B (zh) | 一种实现汽车整车总装车间均衡化生产的方法及*** | |
CN113762604B (zh) | 一种工业互联网大数据服务*** | |
CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN117032004A (zh) | 基于物联网的工业生产自动化控制平台 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN114021846A (zh) | 工业企业设备状态预警方法及*** | |
CN104133468B (zh) | 一种破碎筛分流程的故障诊断方法 | |
CN108377209A (zh) | 基于scada的设备故障检测***和检测方法 | |
JP3054039B2 (ja) | プラントの保全支援装置 | |
CN109816191A (zh) | 多工作站***的质量预测方法及其*** | |
CN110687851A (zh) | 一种终端运行监控***及方法 | |
CN115829122A (zh) | 一种电力客服工单投诉预警方法及*** | |
CN114227378B (zh) | 一种夹具状态的检测方法、装置、终端和存储介质 | |
KR20110121014A (ko) | 무역역조현황 추적 진단 및 특허기술 모니터링 시스템 및 방법 | |
CN115187026A (zh) | 一种产业风险监控方法、***和可读存储介质 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171013 |