CN109299155A - 一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法 - Google Patents
一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法 Download PDFInfo
- Publication number
- CN109299155A CN109299155A CN201810952849.7A CN201810952849A CN109299155A CN 109299155 A CN109299155 A CN 109299155A CN 201810952849 A CN201810952849 A CN 201810952849A CN 109299155 A CN109299155 A CN 109299155A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- fault diagnosis
- big
- big data
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于大数据的城市轨道交通信号设备故障诊断***及其方法，包括以下步骤：通过数据接口和数据导入模块获取城市轨道交通集中监测***实时获取的设备运行数据，并发送给数据存储模块；数据存储模块接收设备的实时数据，存储到Hadoop平台的分布式数据存储仓库中；数据预处理模块从数据存储模块中调取相应的数据，进行空缺值处理、噪声处理、数据转换，并发送给数据分析模块，以便于数据的进一步分析；数据分析模块利用大数据平台及数据分析技术进行状态数据分析，得到诊断结果，将结果传输给用户并做出相应的警告或给出相应的建议；用户可以通过用户访问模块查看相应设备的实时和历史数据、图像记录，调取相关的故障诊断和数据分析结果。
Description
技术领域
本发明涉及城市轨道交通信号设备的故障诊断领域，具体涉及一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法。
背景技术
安全，是城市轨道交通***运营的基础，而信号***是城市轨道交通***安全运营的核心保障。信号设备不仅是影响轨道交通***的正常运行的关键，它的故障甚至会对人身和财产安全造成损害，因此信号设备的实时监测和故障诊断对轨道交通***的安全运营具有重要意义。信号集中监测是维护轨道交通信号设备的主要方式。它能实现信号设备运行历史数据的调取查看，并对重要设备或可能产生重大影响的故障进行报警。随着轨道交通***复杂程度不断增加，对于信号***及设备的监控管理需求也不断提高。
目前轨道交通的设备维修机制分为故障维修、计划维修、视情维修。故障维修是指在设备出现故障后有针对性的进行的维修工作，缺点是滞后性较强。计划维修的基本原则是按照提前制定的计划按时对设备进行维保工作。视情维修则需要考察设备的实际情况和工作状态对有需要的设备进行检查和维护。现行的维护检修策略虽然很大程度上保证了设施设备的安全可靠，但这种定时定量的方式也会造成一定程度上的浪费和滞后，很难使设施设备的使用最大化。
近年来，大数据行业高速发展，并且已经在经济市场、医疗领域、智能交通、互联网等行业发挥了重要作用，其优势在于能够实现对种类繁多的海量数据进行存储和处理，且速度快、效率高。城市轨道交通信号设备运行的每时每刻都在产生数据，数据量大、类型多样，利用大数据平台和数据分析方法，对轨道交通数据进行深入分析挖掘，可以使这些数据得到充分利用，发挥大数据的优势，对轨道交通信号设备进行及时的故障诊断和全面监管，保障行车安全，提高运行效率。
发明内容
为了达到上述目的，本发明的技术方案是：一种基于大数据的城市轨道交通信号设备故障诊断方法，可实现对轨道交通信号设备的实时监测和故障诊断，提高设备维护管理水平，保障运营安全。包括以下步骤：
步骤1、通过数据接口和数据导入模块获取城市轨道交通集中监测***实时获取的设备运行数据：开关量、电源屏电压、轨道电压、道岔表示电压、道岔表示电流、电源对地漏流、移频信号等，并发送给数据存储模块。
步骤2、数据存储模块接收设备的实时数据，存储到Hadoop平台的分布式数据存储仓库中。
步骤3、数据预处理模块从数据存储模块中调取相应的数据，进行空缺值处理、噪声处理、数据转换，并发送给数据分析模块，以便于数据的进一步分析。
步骤4、数据分析模块利用大数据平台及数据分析技术进行状态数据分析，得到诊断结果，将结果传输给用户并做出相应的警告或给出相应的建议。
步骤5、用户可以通过用户访问模块查看相应设备的实时和历史数据、图像记录，调取相关的故障诊断和数据分析结果。
进一步的，所述步骤3具体包括以下步骤：
步骤3-1：空缺值的处理：当一个元组的多个属性值空缺时，忽略该元组；当元组仅有少数属性值缺少时，对空缺值进行填补；填补的方式包括人工填补、全局常量、所属属性下的平均值，或对该属性下的数据应用推导工具，通过对其他数值的分析来得到可能的填充值；
步骤3-2：噪声数据的处理：利用分箱的方法，将数据平均分入几个箱中，对每个箱子里的数值进行转换，转换为箱中所有数值的平均值、中值或者边界值；
步骤3-3：数据转换：对原始数据进行重新分类、编码；进行聚类、平滑处理，是指适用于不同的挖掘算法；对数据进行归约处理，利用小波变换和主成分分析，从而得到可以保持原有数据完整性的相对较小的数据集，以便于进一步的数据分析。
进一步的，所述步骤4将大数据平台的分布式计算MapReduce模型与数据分析算法相结合，其中，MapReduce的工作流程包括：
步骤4-1：把集中的数据分割后发送给集群中的各个节点分别进行处理；
步骤4-2：集群中的节点把运行的结果周期性的更新汇报给JobTracker；
步骤4-3：假设在预设时间内，JobTracker未接收到来自TaskTracker的心跳信息，那么就默认为该DataNode的TaskTracker失效，JobTracker会把分配给该个节点的数据发送给别的节点。
进一步的，所述步骤4中的数据分析模块采用Apriori算法，基于宽度优先，逐层迭代思想的关联算法，通过不断的迭代，最终从k项候选集中推出k+1项集。其步骤包括：
步骤4-4.设Lk是k项频繁项集，Ck是k项候选集；用Lk来产生Lk+1为例；
步骤4-5.求频繁1项集L1，用集合I作为候选集C1，扫描数据集D，求得C1的支持度，找出其中大于最小支持度min_support的元素作为频繁1项集L1；
步骤4-6.逐步扫描数据集D，从而获得候选项集Ck的支持度，并找出其中大于最小支持度min_support的元素作为频繁k项集Lk；
步骤4-7.根据频繁k(k>＝1)项集Lk来产生k+1项候选集Ck+1；
步骤4-8.重复迭代执行步骤S3和步骤S4，直到不能找出k+1项候选集。
本发明还提供一种基于大数据的城市轨道交通信号设备故障诊断***，用于城市轨道交通信号设备的故障诊断和数据分析，包括：
数据导入模块，用于将集中监测***得到的设备实时运行数据导入到大数据平台做进一步处理；
数据存储模块，用于存储大量的设备实时监控数据；
数据预处理模块，实施接收设备数据，对数据进行预处理和转换，以便于下一步的数据分析，并将处理后数据传送至数据分析模块；
数据分析模块，基于大数据分布式平台，利用数据处理算法对设备数据进行分析处理及设备状态预测；
用户访问模块，为用户提供实时监控设备数据变化情况的窗口，将数据分析和故障诊断结果发送给用户，并做出相应的报警或给出相应的建议。
进一步的，数据导入模块将轨道交通集中监测***得到的设备实时数据(包括开关量、电源屏电压、轨道电压、道岔表示电压、道岔表示电流、电源对地漏流、移频信号等)，利用数据导入工具Sqoop将数据从传统数据库导入到Hadoop大数据平台的分布式数据仓库中。
进一步的，数据存储模块将得到的设备数据存储在Hadoop集群中。本发明采用HBase对数据进行存储。HBase的表被分成很多歌HRegion，之后将划分好的表保存到HRegion服务器群中。一旦表的大小超过设定值，HBase自动将表分为不同的区域，且每个区域都会有所在行的一个子集，由主键进行区分。从物理上看，一张表分为多个HRegion，每个字表都存储在适当的地方。每个Region会有一个唯一的RegionID，所有的HRegion标识符最后都是：表名字+开始主键+唯一ID。
进一步的，数据预处理模块对收集到的数据进行空缺值处理、噪声处理、数据转换，并对有效数据进行分类整理。
空缺值的处理方法有：1.忽略，当一个元组的多个属性值空缺时，忽略该元组；2.填补，当元组仅有少数属性值缺少时，对空缺值进行填补。填补的方式包括人工填补、全局常量、所属属性下的平均值，或对该属性下的数据应用推导工具，通过对其他数值的分析来得到可能的填充值。
噪声数据的处理方法有：1.分箱，将数据平均分入几个箱中，对每个箱子里的数值进行转换，转换为箱中所有数值的平均值、中值或者边界值；2.聚类，在消除噪声的同时，发现孤立点；3.回归分析。
数据转换的方法有：1.对原始数据重新分类、编码、定义变量和修改变量；2.数据的代数运算，改变变量之间的非线性关系，使之便于模型求解；3.数据的汇总和泛化；4.加权处理，使样本更具有代表性或是强调某些数据的重要性。
进一步的，数据分析模块将大数据平台的分布式计算MapReduce模型与数据分析算法相结合，利用数据分析算法对数据进行建模，实现设备的故障诊断和数据分析，利用大数据平台进行分布式计算，充分发挥海量数据的优势，实现快速高效的数据处理。
进一步的，数据分析模块采用Apriori算法，基于宽度优先，逐层迭代思想的关联算法，通过不断的迭代，最终从k项候选集中推出k+1项集。
进一步的，用户访问模块基于平台化***，为用户提供设备原始数据的查看接口，依据所述数据分析模块的分析结果，将故障诊断信息发送到用户平台，并做出相应的报警或给出相应的建议。
本发明的有益效果为：利用大数据平台和数据分析方法，对轨道交通数据进行深入分析挖掘，可以使这些数据得到充分利用，发挥大数据的优势，对轨道交通信号设备进行及时的故障诊断和全面监管，保障行车安全，提高运行效率。
附图说明
图1是本发明基于大数据的城市轨道交通信号设备故障诊断***的结构示意图
图2是本发明Sqoop数据导入模块的流程图
图3是本发明数据预处理模块的流程图
图4是本发明分布式计算体系MapReduce架构示意图
图5本发明Apriori算法的流程图
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
如图1所示，本发明提供一种基于大数据的城市轨道交通信号设备故障诊断***，用于城市轨道交通信号设备的故障诊断和数据分析，包括数据导入模块、数据存储模块、数据预处理模块、数据分析模块、用户访问模块。
轨道交通信号集中监测***得到的设备实时运行数据，主要包括开关量、模拟量和移频信号，通过数据导入模块导入到数据存储模块中。并将数据按照数据类型、设备类型经过一定的分类后分别交给不同的预处理模块，针对性的进行空缺值处理、噪声处理、数据转换，并对有效数据进行分类整理，为后续的数据分析做准备。将处理后的数据传送至数据分析模块，基于大数据分布式平台，利用数据处理算法对设备数据进行分析处理及设备状态预测。最后，用户访问模块为用户提供实时监控设备数据变化情况的窗口，将数据分析和故障诊断结果发送给用户，并做出相应的报警或给出相应的建议。
如图3所示，数据预处理模块从数据存储模块中调取相应的数据，进行空缺值处理、噪声处理、数据转换，并发送给数据分析模块，以便于数据的进一步分析。
S1.空缺值的处理：当一个元组的多个属性值空缺时，忽略该元组；当元组仅有少数属性值缺少时，对空缺值进行填补。填补的方式包括人工填补、全局常量、所属属性下的平均值，或对该属性下的数据应用推导工具，通过对其他数值的分析来得到可能的填充值。
S2.噪声数据的处理：利用分箱的方法，将数据平均分入几个箱中，对每个箱子里的数值进行转换，转换为箱中所有数值的平均值、中值或者边界值。
S3.数据转换：对原始数据进行重新分类、编码；进行聚类、平滑处理，是指适用于不同的挖掘算法；对数据进行归约处理，利用小波变换和主成分分析，从而得到可以保持原有数据完整性的相对较小的数据集，以便于进一步的数据分析。
如图4所示，分布式计算软件架构MapReduce首先把集中的数据分割后发送给集群中的各个节点分别进行处理；然后集群中的节点把运行的结果周期性的更新汇报给JobTracker。假设在预设时间内，JobTracker未接收到来自TaskTracker的心跳信息，那么就默认为该DataNode的TaskTracker失效，JobTracker会把分配给该个节点的数据发送给别的节点。
如图5所示，数据分析模块采用Apriori算法，基于宽度优先，逐层迭代思想的关联算法，通过不断的迭代，最终从k项候选集中推出k+1项集。
该算法主要有两个处理步骤：连接和剪枝。设Lk是k项频繁项集，Ck是k项候选集。用Lk来产生Lk+1为例，Apriori算法的实现步骤为：
1：求频繁1项集L1，用集合I作为候选集C1，扫描数据集D，求得C1的支持度，找出其中大于最小支持度min_support的元素作为频繁1项集L1；
逐步扫描数据集D，从而获得候选项集Ck的支持度，并找出其中大于最小支持度
min_support的元素作为频繁k项集Lk；
根据频繁k(k>＝1)项集Lk来产生k+1项候选集Ck+1；
重复迭代执行步骤(2)和步骤(3)，直到不能找出k+1项候选集。
综上所述，本发明提供的基于大数据的城市轨道交通信号设备故障诊断***及其方法，通过对轨道交通信号设备产生的大量数据进行处理分析、建模计算，能够有效的对设备的运行状态和故障情况进行全面分析，提供实时快速的故障诊断，为保障轨道交通行车安全提供技术性的支持。
虽然说明书中对本发明的实施方式进行了说明，但这些实施方式只是作为提示，不应限定本发明的保护范围。在不脱离本发明宗旨的范围内进行各种省略、置换和变更均应包含在本发明的保护范围内。
Claims (11)
1.一种基于大数据的城市轨道交通信号设备故障诊断方法，其特征在于，包括以下步骤：
步骤1、通过数据接口和数据导入模块获取城市轨道交通集中监测***实时获取的设备运行数据：开关量、电源屏电压、轨道电压、道岔表示电压、道岔表示电流、电源对地漏流、移频信号等，并发送给数据存储模块；
步骤2、数据存储模块接收设备的实时数据，存储到Hadoop平台的分布式数据存储仓库中；
步骤3、数据预处理模块从数据存储模块中调取相应的数据，进行空缺值处理、噪声处理、数据转换，并发送给数据分析模块，以便于数据的进一步分析；
步骤4、数据分析模块利用大数据平台及数据分析技术进行状态数据分析，得到诊断结果，将结果传输给用户并做出相应的警告或给出相应的建议；
步骤5、通过用户访问模块查看相应设备的实时和历史数据、图像记录，调取相关的故障诊断和数据分析结果。
2.根据权利要求1所述的基于大数据的轨道交通信号设备故障诊断方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3-1：空缺值的处理：当一个元组的多个属性值空缺时，忽略该元组；当元组仅有少数属性值缺少时，对空缺值进行填补；填补的方式包括人工填补、全局常量、所属属性下的平均值，或对该属性下的数据应用推导工具，通过对其他数值的分析来得到可能的填充值；
步骤3-2：噪声数据的处理：利用分箱的方法，将数据平均分入几个箱中，对每个箱子里的数值进行转换，转换为箱中所有数值的平均值、中值或者边界值；
步骤3-3：数据转换：对原始数据进行重新分类、编码；进行聚类、平滑处理，是指适用于不同的挖掘算法；对数据进行归约处理，利用小波变换和主成分分析，从而得到可以保持原有数据完整性的相对较小的数据集，以便于进一步的数据分析。
3.根据权利要求1所述的基于大数据的轨道交通信号设备故障诊断方法，其特征在于，所述步骤4将大数据平台的分布式计算MapReduce模型与数据分析算法相结合，其中，MapReduce的工作流程包括：
步骤4-1：把集中的数据分割后发送给集群中的各个节点分别进行处理；
步骤4-2：集群中的节点把运行的结果周期性的更新汇报给JobTracker；
步骤4-3：假设在预设时间内，JobTracker未接收到来自TaskTracker的心跳信息，那么就默认为该DataNode的TaskTracker失效，JobTracker会把分配给该个节点的数据发送给别的节点。
4.根据权利要求1所述的基于大数据的轨道交通信号设备故障诊断方法，其特征在于，所述步骤4中的数据分析模块采用Apriori算法，具体步骤包括：
步骤4-4.设Lk是k项频繁项集，Ck是k项候选集；用Lk来产生Lk+1为例；
步骤4-5.求频繁1项集L1，用集合I作为候选集C1，扫描数据集D，求得C1的支持度，找出其中大于最小支持度min_support的元素作为频繁1项集L1；
步骤4-6.逐步扫描数据集D，从而获得候选项集Ck的支持度，并找出其中大于最小支持度min_support的元素作为频繁k项集Lk；
步骤4-7.根据频繁k(k>＝1)项集Lk来产生k+1项候选集Ck+1；
步骤4-8.重复迭代执行步骤S3和步骤S4，直到不能找出k+1项候选集。
5.一种基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，包括：数据导入模块、数据存储模块，数据预处理模块，数据分析模块和用户访问模块。
6.根据权利要求5所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述数据导入模块将轨道交通集中监测***得到的设备实时数据利用数据导入工具Sqoop将数据从传统数据库导入到Hadoop大数据平台的分布式数据仓库中。
7.根据权利要求5所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述数据存储模块将得到的设备数据存储在Hadoop集群中。
8.根据权利要求5所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述数据预处理模块对收集到的数据进行空缺值处理、噪声处理、数据转换，并对有效数据进行分类整理。
9.根据权利要求5所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述数据分析模块将大数据平台的分布式计算MapReduce模型与数据分析算法相结合，利用数据分析算法对数据进行建模，利用大数据平台进行分布式计算。
10.根据权利要求5所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述数据分析模块采用Apriori算法，基于宽度优先，逐层迭代思想的关联算法，通过不断的迭代，最终从k项候选集中推出k+1项集，具体步骤如下：
连接和剪枝；设Lk是k项频繁项集，Ck是k项候选集；用Lk来产生Lk+1为例，Apriori算法的实现步骤为：
(1)求频繁1项集L1，用集合I作为候选集C1，扫描数据集D，求得C1的支持度，找出其中大于最小支持度min_support的元素作为频繁1项集L1；
(2)逐步扫描数据集D，从而获得候选项集Ck的支持度，并找出其中大于最小支持度min_support的元素作为频繁k项集Lk；
(3)根据频繁k(k>＝1)项集Lk来产生k+1项候选集Ck+1；
(4)重复迭代执行步骤(2)和步骤(3)，直到不能找出k+1项候选集。
11.根据权利要求1所述的基于大数据的城市轨道交通信号设备故障诊断***，其特征在于，所述用户访问模块基于平台化***，为用户提供设备原始数据的查看接口，依据所述数据分析模块的分析结果，将故障诊断信息发送到用户平台，并做出相应的报警或给出相应的建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952849.7A CN109299155A (zh) | 2018-08-21 | 2018-08-21 | 一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952849.7A CN109299155A (zh) | 2018-08-21 | 2018-08-21 | 一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109299155A true CN109299155A (zh) | 2019-02-01 |
Family
ID=65165259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810952849.7A Pending CN109299155A (zh) | 2018-08-21 | 2018-08-21 | 一种基于大数据的城市轨道交通信号设备故障诊断***及其诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109299155A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682187A (zh) * | 2011-03-14 | 2012-09-19 | 卡斯柯信号有限公司 | 一种用于轨道交通设备的智能故障诊断方法 |
| CN103338261A (zh) * | 2013-07-04 | 2013-10-02 | 北京泰乐德信息技术有限公司 | 一种轨道交通监测数据的存储和处理方法及*** |
| CN106997400A (zh) * | 2017-05-25 | 2017-08-01 | 南京多伦科技股份有限公司 | 一种基于云服务的交通设备运维监测和数据分析*** |
-
2018
- 2018-08-21 CN CN201810952849.7A patent/CN109299155A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682187A (zh) * | 2011-03-14 | 2012-09-19 | 卡斯柯信号有限公司 | 一种用于轨道交通设备的智能故障诊断方法 |
| CN103338261A (zh) * | 2013-07-04 | 2013-10-02 | 北京泰乐德信息技术有限公司 | 一种轨道交通监测数据的存储和处理方法及*** |
| CN106997400A (zh) * | 2017-05-25 | 2017-08-01 | 南京多伦科技股份有限公司 | 一种基于云服务的交通设备运维监测和数据分析*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN107256219B (zh) | 应用于自动列车控制***海量日志的大数据融合分析方法 | |
| CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
| CN104077552B (zh) | 一种基于云计算的轨道交通信号综合运维方法及*** | |
| CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
| CN109948169A (zh) | 一种铁路货车故障预测与健康管理*** | |
| CN105354614B (zh) | 一种基于大数据的电网信息运维主动预警方法 | |
| CN104299659B (zh) | 核电站运行状态监控方法、装置及*** | |
| CN106354118A (zh) | 一种基于故障树的列车故障诊断***及方法 | |
| CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控***及方法 | |
| CN107529667A (zh) | 混合现实核电站仿真和分析*** | |
| CN110488150A (zh) | 一种基于多算法融合的故障智能诊断方法 | |
| CN107908175A (zh) | 一种电力***现场智能化运维*** | |
| CN110069551A (zh) | 基于Spark的医疗设备运维信息挖掘分析***及其使用方法 | |
| CN112990656B (zh) | 一种it设备监测数据的健康评价***及健康评价方法 | |
| CN105225007A (zh) | 一种基于gabp神经网络的扇区运行性能综合检测方法及*** | |
| CN108830335A (zh) | 光伏电站故障预警方法及*** | |
| CN108446396A (zh) | 一种基于改进型cim模型的电力数据处理方法 | |
| CN112576312B (zh) | 智能化综采工作面电液控支架数据收集及处理方法 | |
| CN105572492A (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
| CN108647860A (zh) | 基于OpenStack的电力设备状态监测与评估云平台 | |
| CN113191631B (zh) | 铁路工务设备单元综合画像预警方法和*** | |
| CN114138870A (zh) | 基于动态电流采集的供电臂列车负荷特征获取方法 | |
| CN110361609A (zh) | 特高压设备监测***及方法 | |
| CN113659712A (zh) | 一种电力设备大数据标签运行平台及方法 |
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: 20190201 |