CN110837566B - 一种针对cnc机床故障诊断的知识图谱的动态构建方法 - Google Patents

一种针对cnc机床故障诊断的知识图谱的动态构建方法 Download PDF

Info

Publication number
CN110837566B
CN110837566B CN201911116876.1A CN201911116876A CN110837566B CN 110837566 B CN110837566 B CN 110837566B CN 201911116876 A CN201911116876 A CN 201911116876A CN 110837566 B CN110837566 B CN 110837566B
Authority
CN
China
Prior art keywords
users
user
case
cases
knowledge graph
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.)
Active
Application number
CN201911116876.1A
Other languages
English (en)
Other versions
CN110837566A (zh
Inventor
褚明
许祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201911116876.1A priority Critical patent/CN110837566B/zh
Publication of CN110837566A publication Critical patent/CN110837566A/zh
Application granted granted Critical
Publication of CN110837566B publication Critical patent/CN110837566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实例提供了一种针对CNC机床故障诊断的知识图谱的动态构建方法，包括：从结构性数据和非结构性数据提取实体及建立实体之间的关系，建立知识图谱中针对案例的部分；从用户对于案例评价中获得用户之间的相似性信息，建立知识图谱中用户与用户之间的关系属性。因为机床故障主要发生在生产环节，更多的依赖于经验，因此在原有的案例信息上增加一层用户之间的关系信息，通过用户之间的相似度来更好的进行推荐对应的案例来提高诊断的准确率。根据本发明专利提供的技术方案，可以提高在使用本知识图谱时的可靠性。

Description

一种针对CNC机床故障诊断的知识图谱的动态构建方法
技术领域
本发明涉及故障诊断领域，主要涉及一种针对CNC机床故障诊断的知识图谱的动态构建方法。
背景技术
CNC***融合了先进的计算机技术、微电子技术、伺服控制技术和自动控制技术，使数控机床表现出机电液一体化特征，数控机床操作能力提高的同时，其故障率比普通机床的故障率高的多，维修难度也随之增加。在实际的生产加工过程中，CNC***可能会出现各种各样的故障问题，一般地，相关的维修工程师需要大量的案例经验、相关知识的积累以及快速发现问题、解决问题的能力和实践经验，这无形之中给维修工作增加了一定的难度以及维修过程中所损耗的时间。
机械故障诊断领域目前在知识的表示和获取方面依然存在很大的不足之处，对于故障诊断的推理策略方面也有很大的进步空间，大多数目前的研究还缺乏有效的学习机制，一个实用的故障诊断***除了具备完善的故障识别方法，其在知识库中还应该包含足够丰富、准确、有效的知识，所以这就要求我们的***还需要一定的学习能力。因此，将知识图谱这一工具在故障诊断领域进行应用，并在知识图谱中引入了除案例外的用户数据信息，以提高故障诊断的准确率。
发明内容
本发明实例提供了一种针对CNC机床故障诊断的知识图谱的动态构建方法，通过采用知识图谱的理念、深度学习和相似度算法，实现了CNC机床诊断案例的知识图谱的构建方法，同时提供了一种针对构建好的知识图谱进行搜索的方法，利用该构建方法建立的知识图谱，可以实现CNC机床故障诊断的案例存储、用户数据存储以及故障诊断推理等功能。
本发明公开了一种针对CNC机床故障诊断的知识图谱的动态构建方法，具体步骤为：
步骤1)案例实体抽取：本步骤是故障案例的第一种构建方法，将目前存在的非结构化的案例数据，通过实体抽取和知识融合建立实体、关系、实体之间的三元组结构，为构建完整的机床故障诊断知识图谱构建基础。其中实体类型包括案例的报警信息、机床信息、CNC***型号、案例关键部件点、案例现象描述、案例解决方案等实体信息，每一个案例基本包含以上各实体的所有信息，同时经过抽取之后，根据案例条目建立起已经抽取出的新实体或者与已经存在的实体之间的对应关系。
步骤2)案例补充：此部分案例是为了对步骤1)已经初步建立的知识图谱继续完善，将用户自行添加的案例或者已经存在的结构化案例数据，通过分类、程序化添加或者批量导入的方式直接建立三元组数据结构，这部分数据为知识图谱的丰富和完善提供保障，弥补了之间单一构建方式的不足。
步骤3)案例融合：将步骤1)和步骤2)所得到的三元组结构进行融合，形成完整的知识图谱的案例部分的数据，同时，去除重复的实体，以减少不必要的空间开销，完成机床故障诊断知识图谱在故障案例部分的初步构建。
步骤4)用户评分添加：此步骤将用户的信息添加至图谱中，同时，将用户对于案例的评价信息添加到以上步骤构建出的知识图谱中，完成用户对案例的评分关系的属性添加。
步骤5)计算用户间相似性：根据用户之间对共有案例的评价与其对案例的评价状况计算用户之间的相似性，完成用户之间关系的维护。
步骤6)动态维护知识图谱：根据在实际使用中知识图谱内案例的更新和用户对于案例的反馈，定期修正用户之间的相似度信息及案例的有关信息。
步骤7)针对图谱的搜索方法：通过针对问题与现象的匹配程度以及使用用户与其他用户的相似度进行匹配，综合返回对应的案例，其解决方案，并根据用户的反馈进行更新。
本发明提出了针对CNC机床故障诊断的知识图谱的动态构建方法和步骤，利用知识图谱能很好的利用案例之间的相互关系，以对CNC机床故障进行存储和推理，此外，还加入了用户与用户之间、用户与案例之间的关系来协同对故障信息进行诊断推理。同时，本发明也提出了针对该知识图谱的检索方法。
本发明的第一方面，公开了针对CNC机床故障诊断的知识图谱的动态构建方法和步骤。
本发明的第二方面，公开了一种针对CNC机床故障诊断的知识图谱的用户之间的信息相似度的计算方式，以协助用于案例推理和诊断。
本发明的第三方面，公开了CNC机床故障诊断的知识图谱的检索方法，以实现对于该知识图谱的应用，通过采用案例匹配和用户匹配两个角度，综合帮助用户进行案例推理和分析。
附图说明
图1是本发明的流程示意图；
图2是案例实体抽取的流程示意图；
图3是用于实体抽取的深度学习模型示意图；
图4是故障诊断知识图谱的一个局部示意图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
如图1所示，本发明的具体流程如下：
案例实体抽取：将目前存在的非结构化的案例数据，进行实体抽取。其过程如图2所示，首先需要对案例进行数据清洗，然后对之后的数据进行分词，根据实体类型的不同，对于有规律的实体进行普通词性标记，对于无规律的采用词典词性标记的方法，之后根据标记好词性的数据进行BIO标记，即实体的开始标记为B，其余部分标记为I，非实体部分标记为O，将标记完后的数据采用BiLSTM-CRF深度学习模型进行训练，其模型如图3所示，经过训练的模型经过测试集的验证，有5802个标记、359个词汇，其可以达到准确率91.71％，选用训练出比较好的模型之后便可以使用该模型进行实体抽取任务。通过实体抽取和知识融合为我们的案例建立其对应知识图谱的案例部分，其中实体类型包括案例的报警信息、机床信息、CNC***型号、案例关键部件点、案例现象描述、案例解决方案等实体信息，每一个案例基本包含以上各实体的所有信息，同时经过抽取之后，根据案例条目建立起已经抽取出的新实体或者与已经存在的实体之间的对应关系。
案例补充：此部分案例是为了对先前初步建立的知识图谱继续完善，将用户自行添加的案例或者已经存在的结构化案例数据，根据不用的数据类型采用不同的方式添加到知识图谱中。将用户单条或者多条的案例采用填写的程序化添加的方式进行导入，对于结构化的表格数据采用批量导入的程序化方式导入。
案例融合：将实体抽取和案例补充所得到的三元组结构进行融合，形成完整的知识图谱的案例部分的数据。这个过程中，需要合并重复的实体，以减少不必要的空间开销，还需要完善实体和实体之间的关系信息，将知识图谱案例部分残缺的信息补充完整。
用户评分添加：此步骤将用户的信息添加至图谱中，同时，将用户对于案例的评价信息添加到以上步骤构建出的知识图谱中，完成用户对案例的评分关系的属性添加。
计算用户间相似性：根据用户之间对共有案例的评价与其对案例的评价状况计算用户之间的相似性，完成用户之间关系的维护。根据以下公式计算出用户之间的评分差异：
D(u,v)＝|Cu-Cv|
其中，u表示用户u，v表示用户v，Cu表示用户u和用户v所共同评分案例中用户u的评分集合，Cv表示用户u和用户v所共同评分案例中用户v的评分集合；
根据案例的评分差异计算出用户之间的信息熵，之后根据差异值通过用户之间案例的交并集之比对信息熵的结果进行修正，得到最终的用户之间的相似度，其公式如下：
Figure GDA0003559397000000031
式中，di表示对应案例i的两用户之间的差异，N表示对应用户所评价案例的数量。
动态维护知识图谱：根据在实际使用中知识图谱内案例的更新和用户对于案例的反馈，通过定时任务，修正用户之间的相似度信息及案例的有关信息。
针对图谱的搜索方法：通过针对问题与现象的匹配程度以及使用用户与其他用户的相似度进行匹配，综合返回对应的案例，其解决方案，并根据用户的反馈进行更新。根据实体从知识图谱中从如下公式中计算出问题与案例之间的相似度：
Figure GDA0003559397000000032
其中，集合I表示从用户输入问题所提取出的实体的对应集合(i1,i2,…,in1)，集合D表示机床诊断知识图谱中的案例所包含的实体集合(d1,d2,…,dn2)；
然后，利用所述计算出的用户之间的相似度，根据以下公式对案例之间的相似度sim(I,D)进行修正:
Figure GDA0003559397000000041
其中，Si表示与用户i之间的相似度，ri表示用户i对此案例的评分，σ表示用户相似度修正系数。
通过以上步骤，最终可以构建出一个针对CNC机床的故障诊断知识图谱，并实现其搜索方面的应用，图4为本发明所构建出知识图谱的一个局部示范
通过，采用本知识图谱，可以在原有案例的内容信息上，增加用户相似纬度，以在可能性同样的案例推荐中更好的为用户推荐可能性更高的案例，并动态对知识图谱进行更新，以实现数据的自我优化。

Claims (4)

1.针对CNC机床故障诊断的知识图谱的动态构建方法，其特征在于，具体步骤如下：
1)案例实体抽取：对于故障案例的第一种构建方法：将目前存在的非结构化的案例数据，通过实体抽取和知识融合建立实体、关系、实体之间的三元组结构，为构建完整的机床故障诊断知识图谱构建基础；
2)案例补充：对于故障案例的第二种构建方法：将用户自行添加的案例或者已经存在的结构化案例数据，通过分类的方式直接建立三元组数据结构，这部分数据为知识图谱的丰富和完善提供保障；
3)案例融合：将步骤1)和步骤2)所得到的三元组结构进行融合，完成机床故障诊断知识图谱在故障案例部分的初步构建；
4)用户评分添加：将用户对于案例的评价信息添加到已构建的知识图谱中，完成用户对案例的评分关系的属性添加；
5)计算用户间相似性：根据用户之间对共有案例的评价与其对案例的评价状况计算用户之间的相似性，完成用户之间关系的维护；
6)动态维护知识图谱：根据在实际使用中知识图谱内案例的更新和用户对于案例的反馈，定期修正用户之间的相似度信息及案例的有关信息；
7)针对图谱的搜索方法：通过针对问题与现象的匹配程度以及使用用户与其他用户的相似度进行匹配，综合返回对应的案例，其解决方案，并根据用户的反馈进行更新。
2.根据权利要求1中所述的方法，其特征在于，所述步骤1)包括：对于非结构化案例数据进行分词、词性标注、基于故障词典标注以及BIO标注，根据标注的数据采用Bi-LSTM-CRF模型进行数据训练，最后采用综合性能最优的模型放入***中使用。
3.根据权利要求1中所述的方法，其特征在于，所述步骤5)包括：通过用户之间对案例之间的评分关系计算出用户之间的相似度数据，包括：
根据以下公式计算出用户之间的评分差异：
D(u,v)＝|Cu-Cv|
其中，u表示用户u，v表示用户v，Cu表示用户u和用户v所共同评分案例中用户u的评分集合，Cv表示用户u和用户v所共同评分案例中用户v的评分集合；
根据案例的评分差异计算出用户之间的信息熵，之后根据差异值通过用户之间案例的交并集之比对信息熵的结果进行修正，得到最终的用户之间的相似度，其公式如下：
Figure FDA0003559396990000011
式中，di表示对应案例i的两用户之间的差异，N表示对应用户所评价案例的数量。
4.根据权利要求3中所述的方法，其特征在于，所述步骤7)包括：利用实体抽取获取用户问题中的对应实体，根据实体从知识图谱中从如下公式中计算出问题与案例之间的相似度：
Figure FDA0003559396990000021
其中，集合I表示从用户输入问题所提取出的实体的对应集合(i1,i2,…,in1)，集合D表示机床诊断知识图谱中的案例所包含的实体集合(d1,d2,…,dn2)；
然后，利用所述计算出的用户之间的相似度，根据以下公式对案例之间的相似度sim(I,D)进行修正：
Figure FDA0003559396990000022
其中，Si表示与用户i之间的相似度，ri表示用户i对此案例的评分，σ表示用户相似度修正系数。
CN201911116876.1A 2019-11-15 2019-11-15 一种针对cnc机床故障诊断的知识图谱的动态构建方法 Active CN110837566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911116876.1A CN110837566B (zh) 2019-11-15 2019-11-15 一种针对cnc机床故障诊断的知识图谱的动态构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911116876.1A CN110837566B (zh) 2019-11-15 2019-11-15 一种针对cnc机床故障诊断的知识图谱的动态构建方法

Publications (2)

Publication Number Publication Date
CN110837566A CN110837566A (zh) 2020-02-25
CN110837566B true CN110837566B (zh) 2022-05-13

Family

ID=69575034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911116876.1A Active CN110837566B (zh) 2019-11-15 2019-11-15 一种针对cnc机床故障诊断的知识图谱的动态构建方法

Country Status (1)

Country Link
CN (1) CN110837566B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400505A (zh) * 2020-03-13 2020-07-10 国家电网有限公司 一种用电信息采集***匹配故障消缺方案的方法及***
CN111738445B (zh) * 2020-05-26 2023-05-23 山东大学 一种支持产品快速创新的设计知识融合推理方法
CN116360388B (zh) * 2023-01-18 2023-09-08 北京控制工程研究所 基于图神经网络的性能-故障关系图谱的推理方法和装置
CN116933528B (zh) * 2023-07-21 2024-07-02 南京航空航天大学 基于案例知识图谱的进气管道辅助设计方法和***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102765643A (zh) * 2012-05-31 2012-11-07 天津大学 基于数据驱动的电梯故障诊断与预警方法
CN107783973A (zh) * 2016-08-24 2018-03-09 慧科讯业有限公司 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和***
CN108509483A (zh) * 2018-01-31 2018-09-07 北京化工大学 基于知识图谱的机械故障诊断知识库构建方法
CN110008288A (zh) * 2019-02-19 2019-07-12 武汉烽火技术服务有限公司 用于网络故障分析的知识图谱库的构建方法及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102765643A (zh) * 2012-05-31 2012-11-07 天津大学 基于数据驱动的电梯故障诊断与预警方法
CN107783973A (zh) * 2016-08-24 2018-03-09 慧科讯业有限公司 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和***
CN108509483A (zh) * 2018-01-31 2018-09-07 北京化工大学 基于知识图谱的机械故障诊断知识库构建方法
CN110008288A (zh) * 2019-02-19 2019-07-12 武汉烽火技术服务有限公司 用于网络故障分析的知识图谱库的构建方法及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Optimization of a Dynamic Fault Diagnosis Model Based on Machine Learning";Shigang Zhang等;《IEEE Access》;20181025;第65065-65077页 *
"基于知识图谱的故障智能诊断手段研究";刘绪忠 等;《山东通信技术》;20190615;第18-20页 *

Also Published As

Publication number Publication date
CN110837566A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN110837566B (zh) 一种针对cnc机床故障诊断的知识图谱的动态构建方法
CN109902171B (zh) 基于分层知识图谱注意力模型的文本关系抽取方法及***
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN110880019B (zh) 通过无监督域适应训练目标域分类模型的方法
CN108334638B (zh) 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法
CN112307153B (zh) 一种产业知识库自动构建方法、装置及存储介质
CN104881685B (zh) 基于捷径深度神经网络的视频分类方法
CN111914550B (zh) 一种面向限定领域的知识图谱更新方法及***
CN111709244A (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
US20220327398A1 (en) Technology maturity judgment method and system based on science and technology data
CN109063983B (zh) 一种基于社交媒体数据的自然灾害损失实时评估方法
CN111984790B (zh) 一种实体关系抽取方法
CN116719917A (zh) 一种大模型与外部知识相结合的知识问答***、方法及储存介质
CN109508864A (zh) 一种基于xgboost的企业违约风险模型的建立方法
CN113641733B (zh) 一种河道断面流量实时智能推求方法
CN117334271B (zh) 一种基于指定属性生成分子的方法
CN117093260A (zh) 一种基于决策树分类算法的融合模型网站结构解析方法
CN117313262A (zh) 一种机械零部件铣削策略智能推荐方法
CN113886992B (zh) 一种基于多保真度数据的数字孪生建模方法
CN112416920B (zh) 一种面向mes的数据清洗方法及***
CN115391519A (zh) 一种基于nlp技术的企业自动打标签模型生成方法、***、设备以及存储介质
CN114254199A (zh) 基于二分图投影和node2vec的课程推荐方法
CN113468995A (zh) 一种基于密度等级感知的人群计数方法
CN114492156A (zh) 基于大数据的学生成绩预测方法、***、计算机及介质
CN111898961A (zh) 一种适用于同类电力设备台账数据相同字段的查错方法

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
GR01 Patent grant
GR01 Patent grant