CN111323220A - 风力发电机齿轮箱故障诊断方法及*** - Google Patents

风力发电机齿轮箱故障诊断方法及*** Download PDF

Info

Publication number
CN111323220A
CN111323220A CN202010134735.9A CN202010134735A CN111323220A CN 111323220 A CN111323220 A CN 111323220A CN 202010134735 A CN202010134735 A CN 202010134735A CN 111323220 A CN111323220 A CN 111323220A
Authority
CN
China
Prior art keywords
denoising
signal
particle
encoder
stacking
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
Application number
CN202010134735.9A
Other languages
English (en)
Other versions
CN111323220B (zh
Inventor
何怡刚
鲁力
何鎏璐
时国龙
张朝龙
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010134735.9A priority Critical patent/CN111323220B/zh
Publication of CN111323220A publication Critical patent/CN111323220A/zh
Priority to US17/123,070 priority patent/US20210270244A1/en
Application granted granted Critical
Publication of CN111323220B publication Critical patent/CN111323220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D15/00—Transmission of mechanical power
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/304—Acceleration sensors
    • B60Y2400/3044—Vibration sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
    • F16H2057/012—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance of gearings
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance
    • F16H2057/018—Detection of mechanical transmission failures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F16H2061/1208—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures with diagnostic check cycles; Monitoring of failures
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法及***，属于故障诊断领域，通过将已经采集到的风力发电机齿轮箱处在不同工作状态中的原始振动信号进行预处理后的信号作为训练数据，将训练数据输入堆叠去噪自编码器中，同时引入量子粒子群优化算法对其进行结构与参数的优化，然后将预处理过后的测试信号输入到训练完成的堆叠去噪自编码器中，以提取隐含在原始振动信号中的高维故障特征，最后将提取出的故障特征输入最小二乘支持向量机进行故障分类，由此完成对齿轮箱故障诊断。本发明能够有效辨别出故障类型，为发现齿轮箱故障所在位置，并进行维护提供了有力依据，保证了设备稳定可靠的运行。

Description

风力发电机齿轮箱故障诊断方法及***
技术领域
本发明属于故障诊断领域，更具体地，涉及一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法及***。
背景技术
近年来，风力发电取得了很大的进展，但与传统的发电***如煤炭、天然气等相比，由于运行维护成本相对较高，风电项目的维护策略需要更多的主动性。因此，有必要通过状态监测、诊断、预测和健康管理来降低风电机组的维护成本。而在齿轮箱故障中大多数是齿轮故障。同时，齿轮箱故障通常带来的维护操作十分复杂，其拆装、运输以及维修成本也十分高昂。因此，为了保证风电机组的正常运行，对风力发电机齿轮箱故障进行研究至关重要。
公开号CN104792520A公开了一种风力发电机组齿轮箱故障诊断方法，提出一种基于局部均值分解和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，通过对原始振动信号分解后重构，对重构后的信号进行分析。由于风力发电机齿轮箱工况十分复杂，对原始信号进行分解会导致高维特征丢失，无法取得理想的故障诊断效果。公开号CN108256556A公开了一种基于深度信念网络的风力发电机组齿轮箱故障诊断方法，直接构建齿轮箱工作状况的波形图数据库，将原始信号输入训练后的深度信念网络，再将产生的波形图与数据库中的不同工作状态的波形图进行对比。此方法中根据经验构造的深度结构，无法取得最好的特征提取表现，会极大影响故障诊断效果。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法及***，由此解决现有诊断方式诊断效果不理想的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法，包括：
(1)分别获取各故障情况下的若干组原始振动信号，对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据；
(2)由所述训练数据对若干个去噪自编码器进行无监督训练；
(3)将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
(4)采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过所述优化后的堆叠去噪自编码器进行故障诊断。
优选地，步骤(2)包括：
(2.1)对所述训练数据中的频谱信号进行随机映射得到各映射信号；
(2.2)在各所述映射信号中加入零掩蔽噪声得到被噪声污染的信号，将各所述被噪声污染的信号映射到隐藏层中；
(2.3)所述隐藏层利用解码器重建得到各重建信号，根据各所述重建信号及各所述频谱信号，通过求平方重构误差的最小值得到去噪自编码器的最优参数。
优选地，通过求
Figure BDA0002396941640000021
的最小值得到去噪自编码器的最优参数{θf,θg}，其中，θf是参数集{W1,b1}，θg是参数集{W2,b2}，X2表示频谱信号，X5表示重建信号，且X5＝σ(W2h+b2)，h表示隐藏层，且h＝σ(W1X4+b1)，σ是实现非线性确定性映射的sigmoid函数，W1是隐藏层映射变换后的权重，b1是隐藏层映射后的偏移量，X4是被噪声污染的信号，W2表示重建后的权重，b2表示重建后的偏移量，
Figure BDA0002396941640000031
表示第i个频谱信号，
Figure BDA0002396941640000032
表示第i个重建信号，n是所述训练数据中的频谱信号的数量。
优选地，在步骤(4)之前，所述方法还包括：
利用无监督训练过程中得到的各去噪自编码器的最优参数，对所述堆叠去噪自编码器参数进行初始化，然后利用随机梯度下降方法更新所述堆叠去噪自编码器的权值。
优选地，步骤(4)包括：
(4.1)将所述堆叠去噪自编码器学习率与隐藏层数映射为粒子位置；
(4.2)由种群中每个粒子的适应度值，得到每个粒子的最优个***置和种群的全局最优位置；
(4.3)由各粒子的最优个***置得到对应粒子的全局最优位置，由各粒子的全局最优位置，更新粒子位置；
(4.4)重复执行步骤(4.1)～步骤(4.3)，直到满足迭代停止条件，将最终得到的种群全局最优位置作为所述堆叠去噪自编码器的学习率与隐藏层数。
优选地，由
Figure BDA0002396941640000033
得到种群中每个粒子的适应度值fitness(Nh,lr)，其中，lr为堆叠去噪自编码器的学习率，Nh为堆叠去噪自编码器的隐藏层数，M是种群大小，xi是堆叠去噪自编码器的学习率和隐藏层数的实际值，yi是堆叠去噪自编码器的学习率和隐藏层数的预测值。
优选地，步骤(4.3)包括：由
Figure BDA0002396941640000041
更新粒子位置，其中，mbest是所有个体的全局最优位置，mbestj是j维的最优当前位置的中心，Pi是第i个粒子的最优当前位置，Pij是第i个粒子在j维上的最优位置，Pgj是第g个粒子在j维上的最优位置，
Figure BDA0002396941640000043
表示可计算的介于Pij和Pgj之间的随机位置，
Figure BDA0002396941640000042
α是控制系数，t表示迭代次数，xij(t)表示迭代至t代时第i个粒子在j维上的位置。
优选地，所述通过所述优化后的堆叠去噪自编码器进行故障诊断，包括：
获取待诊断的风力发电机齿轮箱的目标振动信号，对所述目标振动信号进行傅里叶变换及归一化处理后得到目标频谱信号；
由所述堆叠去噪自编码器提取故障特征信号，由最小二乘支持向量机对所述故障特征信号进行识别得到故障类型。
按照本发明的另一方面，提供了一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断***，包括：
数据处理模块，用于分别获取各故障情况下的若干组原始振动信号，对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据；
第一训练模块，用于由所述训练数据对若干个去噪自编码器进行无监督训练；
堆叠去噪自编码器构建模块，用于将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
第二训练模块，用于采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过所述优化后的堆叠去噪自编码器进行故障诊断。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述任一所述的基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：通过已采集的齿轮箱故障信号构造出堆叠去噪自编码器，因为其构造过程中使用的信号来自本齿轮箱，通过优化后该堆叠去噪自编码器能够有效提取出本齿轮箱信号中的故障特征，这些提取出的故障特征包含原始振动信号的高维信息，将特征信号输入最小二乘支持向量机中能够有效辨别出故障类型，为发现齿轮箱故障所在位置，并进行维护提供了有力依据，保证了设备稳定可靠的运行。
附图说明
图1是本发明实施例提供的一种基于堆叠去噪自编码器的齿轮箱故障诊断方法的流程示意图；
图2是本发明实施例提供的一种堆叠去噪自编码器的特征提取效果图；
图3是本发明实施例提供的一种单个去噪自编码器的结构示意图；
图4是本发明实施例提供的一种堆叠去噪自编码器的结构示意图；
图5是本发明实施例提供的一种***结构示意图。
具体实施方式
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说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不必用于描述特定的顺序或先后次序。
如图1所示是本发明实施例提供的一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法，包括如下步骤：
S1：通过加速度传感器采集不同故障情况下的原始振动信号X，对原始振动信号X做傅里叶变换获得频谱信号X1，再对频谱信号X1通过归一化方法得到归一化后的频谱信号X2；归一化公式如下：
Figure BDA0002396941640000061
其中，xnorm是归一化后的值，xmin、xmax分别是频谱信号X1中的最小值与最大值；
S2：构建堆叠去噪自编码器结构；
如图3所示，首先，对单个去噪自编码器进行无监督训练，在单个去噪自编码器中，归一化后的频谱信号X2经过随机映射得到X3；映射公式如下：
X3＝qD(X3|X2) (2)
其中，D表示原始数据集。
在映射后的信号X3中加入零掩蔽噪声得到被噪声污染的信号X4，然后将被噪声污染的信号X4映射到隐藏层h中；隐藏层h表示如下：
h＝f(X4,θf)＝σ(W1X4+b1) (3)
其中，θf是参数集{W1,b1}，W1是隐藏层映射的权重矩阵，b1是隐藏层映射的偏移向量，σ是实现非线性确定性映射的sigmoid函数，其公式为：
Figure BDA0002396941640000062
然后，隐藏层h利用解码器重建得到重建数据X5，其表达式为：
X5＝g(h,θg)＝σ(W2h+b2) (5)
其中，θg是参数集{W2,b2}，W2表示重建时的权重矩阵，b2表示重建时的偏移向量，通过求平方重构误差的最小值得到最优的参数集{θf,θg}，求平方重构误差最小值的公式如下：
Figure BDA0002396941640000071
其中，n是归一化后的频谱信号X2的数量；
如图4所示，在单个去噪自编码器训练完成后，将所有隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
利用无监督训练过程中得到的相应参数对堆叠去噪自编码器参数进行初始化，然后采用反向传播算法对参数的标注信息进行有监督微调，即利用随机梯度下降方法更新权值；初始的堆叠去噪自编码器结构并不能达到对齿轮箱故障特征提取的最优效果，在此处引入量子粒子群优化算法可以得到特征提取效果更优的堆叠去噪自编码器结构，其中，参数的标注信息指对单个去噪自编码器逐步训练过程中，获取的对应单个去噪自编码器的相应参数集{θf,θg}；
其中，量子粒子群优化算法中粒子的迭代寻优公式如下：
Figure BDA0002396941640000072
其中，mbest和mbestj分别是所有个体和j维的最优当前位置的中心，Pi第i个粒子的最优当前位置，Pij和Pgj分别是第i个粒子和第g个粒子在j维上的最优位置，
Figure BDA0002396941640000073
表示可计算的介于Pij和Pgj之间的随机位置，
Figure BDA0002396941640000074
Figure BDA0002396941640000075
t表示迭代次数，xij(t)表示迭代至t代时第i个粒子在j维上的位置，α是控制系数，其计算公式为：
α＝0.5+0.5×(tmax-t)/tmax (8)
其中，tmax是最大迭代次数，t表示迭代次数。
迭代寻优步骤如下：
1)初始化量子粒子群优化算法，包括：粒子位置和优化范围、压缩扩展因子和迭代次数，而需要优化的堆叠去噪自编码器学习率lr与隐藏层数Nh则映射为粒子位置；
2)计算种群中每个粒子的适应度函数，得到每个粒子的最优个***置和种群的全局最优位置；适应度函数公式如下：
Figure BDA0002396941640000081
其中，M是种群大小，xi是堆叠去噪自编码器的学习率和隐藏层数的实际值，yi是由公式(7)得到的堆叠去噪自编码器的学习率和隐藏层数的预测值，优化目标是得到fitness(Nh,lr)的最小值；
3)计算种群中所有粒子的个***置的最优平均值，即粒子全局最优位置，然后由公式(7)更新粒子位置；
4)重复量子粒子群优化算法迭代过程1)到3)，直到满足迭代停止条件，输出的优化结果是堆叠去噪自编码器学习率lr与隐藏层数Nh；
至此，得到了由不同故障状态下的原始齿轮箱振动信号确定的堆叠去噪自编码器结构；先将预处理后的齿轮箱振动信号输入该结构中的单层去噪自编码器进行无监督训练，得到能够有效提取齿轮箱信号故障特征的去噪自编码器；再将单个去噪自编码器堆叠并加入逻辑回归层形成深层结构，利用无监督训练过程中得到的相应参数对深层结构参数进行初始化，然后做有监督的反向微调过程；最后引入量子粒子群优化算法，对初始的堆叠去噪自编码器结构进行学习率和隐藏层数的优化，得到针对齿轮箱振动信号特征提取效果优异的堆叠去噪自编码器；
步骤3：对当前输入的齿轮箱振动信号进行故障诊断；
采集若干组原始振动信号后，分别对其做傅里叶变换以及归一化的预处理；将预处理后的信号输入已优化的堆叠去噪自编码器中，对每个信号提取出能够表明其故障类型的特征；最后将提取出的故障特征输入最小二乘支持向量机进行故障分类，诊断出当前信号的状态；
在本发明实施例中，可以采用高斯径向基函数作为核函数的最小二乘支持向量机，核函数公式为：
Figure BDA0002396941640000091
其中，σ是核参数，xi，xj分别表示第i,j次采样值；最小二乘支持向量机决策函数公式如下：
Figure BDA0002396941640000092
其中，αi是拉格朗日乘子，yi是代表类别的-1或1，β是补偿参数，l表示采样数；
与现有技术相比，本发明的优势在于：通过已采集的齿轮箱故障信号构造出堆叠去噪自编码器，因为其构造过程中使用的信号来自本齿轮箱，通过优化后该堆叠去噪自编码器能够有效提取出本齿轮箱信号中的故障特征，这些提取出的故障特征包含原始振动信号的高维信息，将特征信号输入最小二乘支持向量机中能够有效辨别出故障类型，为发现齿轮箱故障所在并维护提供了有力依据，保证了设备稳定可靠的运行。
如图5所示是本发明实施例提供的一种***结构示意图，包括：
数据处理模块201，用于分别获取各故障情况下的若干组原始振动信号，对各原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由频谱信号组成训练数据；
第一训练模块202，用于由训练数据对若干个去噪自编码器进行无监督训练；
堆叠去噪自编码器构建模块203，用于将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
第二训练模块204，用于采用量子粒子群优化方法对堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过优化后的堆叠去噪自编码器进行故障诊断。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
在本发明的另一实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现如上述实施例的基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法。
实验结果分析
由于客观条件的限制，很难短时间内收集大量的故障数据用于研究，本实施例中采用的风力发电机齿轮箱故障数据来源于电机拖动的行星齿轮箱故障模拟***，该***由电机、平行轴齿轮箱、行星齿轮、低速轴承、高速轴承和磁力制动器组成，可以模拟若干种不同的齿轮箱故障情况。如图2所示，齿轮箱故障模拟***模拟了四种工况(正常、太阳轮故障、行星轮故障、齿圈故障)，对四种已知类型的信号进行数据采集。其中，采样频率为8000Hz，每种故障类型各采50组数据，取其中的20组作为训练数据，剩余30组则用作测试数据。
对80组训练数据做傅里叶变换后，利用式(1)进行归一化处理。再将处理后的训练数据输入单个去噪自编码器中，利用式(2)～式(6)进行无监督训练。堆叠出初始的堆叠去噪自编码器结构并初始化量子粒子群优化算法，利用式(7)～式(9)对堆叠去噪自编码器结构做有监督的训练优化，并采用t-SNE非线性降维算法将提取出的高维特征降至二维，以验证堆叠去噪自编码器的特征提取效果，单次特征提取结果如图2所示。
完成堆叠去噪自编码器结构优化后，将120组测试数据做傅里叶变换并做归一化处理，再将处理后的数据输入堆叠去噪自编码器中提取出故障特征，最后将故障特征信号输入最小二乘支持向量机中识别故障类型，求出正确诊断的样本数占总样本数的百分比，即可得到本发明方法的诊断精度。诊断结果如表1所示。
表1齿轮箱不同工况下的故障诊断结果
齿轮状态 测试样本数 正确分类数 错误分类数 正确率
正常 30 30 0 100％
太阳轮故障 30 29 1 96.67％
行星轮故障 30 29 1 96.67％
齿圈故障 30 28 2 93.33％
总计 120 116 4 96.67％
由表1可以看出，在齿轮箱的四种不同工作状态下，最低诊断正确率达到93.33％，总计的平均诊断正确率达到96.67％，说明本发明提出的基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法取得了较好的诊断效果，为风力发电机齿轮箱故障诊断提供了一种新的思路和方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法，其特征在于，包括：
(1)分别获取各故障情况下的若干组原始振动信号，对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据；
(2)由所述训练数据对若干个去噪自编码器进行无监督训练；
(3)将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
(4)采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过所述优化后的堆叠去噪自编码器进行故障诊断。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
(2.1)对所述训练数据中的频谱信号进行随机映射得到各映射信号；
(2.2)在各所述映射信号中加入零掩蔽噪声得到被噪声污染的信号，将各所述被噪声污染的信号映射到隐藏层中；
(2.3)所述隐藏层利用解码器重建得到各重建信号，根据各所述重建信号及各所述频谱信号，通过求平方重构误差的最小值得到去噪自编码器的最优参数。
3.根据权利要求2所述的方法，其特征在于，通过求
Figure FDA0002396941630000011
的最小值得到去噪自编码器的最优参数{θf,θg}，其中，θf是参数集{W1,b1}，θg是参数集{W2,b2}，X2表示频谱信号，X5表示重建信号，且X5＝σ(W2h+b2)，h表示隐藏层，且h＝σ(W1X4+b1)，σ是实现非线性确定性映射的sigmoid函数，W1是隐藏层映射时的权重，b1是隐藏层映射时的偏移量，X4是被噪声污染的信号，W2表示重建时的权重，b2表示重建时的偏移量，
Figure FDA0002396941630000021
表示第i个频谱信号，
Figure FDA0002396941630000022
表示第i个重建信号，n是所述训练数据中的频谱信号的数量。
4.根据权利要求1至3任意一项所述的方法，其特征在于，在步骤(4)之前，所述方法还包括：
利用无监督训练过程中得到的各去噪自编码器的最优参数，对所述堆叠去噪自编码器参数进行初始化，然后利用随机梯度下降方法更新所述堆叠去噪自编码器的权值。
5.根据权利要求4所述的方法，其特征在于，步骤(4)包括：
(4.1)将所述堆叠去噪自编码器学习率与隐藏层数映射为粒子位置；
(4.2)由种群中每个粒子的适应度值，得到每个粒子的最优个***置和种群的全局最优位置；
(4.3)由各粒子的最优个***置得到对应粒子的全局最优位置，由各粒子的全局最优位置，更新粒子位置；
(4.4)重复执行步骤(4.1)～步骤(4.3)，直到满足迭代停止条件，将最终得到的种群全局最优位置作为所述堆叠去噪自编码器的学习率与隐藏层数。
6.根据权利要求5所述的方法，其特征在于，由
Figure FDA0002396941630000023
得到种群中每个粒子的适应度值fitness(Nh,lr)，其中，lr为堆叠去噪自编码器的学习率，Nh为堆叠去噪自编码器的隐藏层数，M是种群大小，xi是堆叠去噪自编码器的学习率和隐藏层数的实际值，yi是堆叠去噪自编码器的学习率和隐藏层数的预测值。
7.根据权利要求5所述的方法，其特征在于，步骤(4.3)包括：由
Figure FDA0002396941630000031
更新粒子位置，其中，mbest是所有个体的全局最优位置，mbestj是j维的最优当前位置的中心，Pi是第i个粒子的最优当前位置，Pij是第i个粒子在j维上的最优位置，Pgj是第g个粒子在j维上的最优位置，
Figure FDA0002396941630000033
表示可计算的介于Pij和Pgj之间的随机位置，
Figure FDA0002396941630000032
α是控制系数，t表示迭代次数，xij(t)表示迭代至t代时第i个粒子在j维上的位置。
8.根据权利要求1所述的方法，其特征在于，所述通过所述优化后的堆叠去噪自编码器进行故障诊断，包括：
获取待诊断的风力发电机齿轮箱的目标振动信号，对所述目标振动信号进行傅里叶变换及归一化处理后得到目标频谱信号；
由所述堆叠去噪自编码器提取故障特征信号，由最小二乘支持向量机对所述故障特征信号进行识别得到故障类型。
9.一种基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断***，其特征在于，包括：
数据处理模块，用于分别获取各故障情况下的若干组原始振动信号，对各所述原始振动信号进行傅里叶变换及归一化处理后得到各原始振动信号对应的频谱信号，由所有频谱信号组成训练数据；
第一训练模块，用于由所述训练数据对若干个去噪自编码器进行无监督训练；
堆叠去噪自编码器构建模块，用于将训练完成后的各去噪自编码器的隐藏层堆叠在一起，再加入逻辑回归层，形成堆叠去噪自编码器；
第二训练模块，用于采用量子粒子群优化方法对所述堆叠去噪自编码器做有监督的训练优化得到优化后的堆叠去噪自编码器，以通过所述优化后的堆叠去噪自编码器进行故障诊断。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现如权利要求1至8任一所述的基于堆叠去噪自编码器的风力发电机齿轮箱故障诊断方法。
CN202010134735.9A 2020-03-02 2020-03-02 风力发电机齿轮箱故障诊断方法及*** Active CN111323220B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010134735.9A CN111323220B (zh) 2020-03-02 2020-03-02 风力发电机齿轮箱故障诊断方法及***
US17/123,070 US20210270244A1 (en) 2020-03-02 2020-12-15 Method and system for fault diagnosis of gearbox of wind turbine generator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134735.9A CN111323220B (zh) 2020-03-02 2020-03-02 风力发电机齿轮箱故障诊断方法及***

Publications (2)

Publication Number Publication Date
CN111323220A true CN111323220A (zh) 2020-06-23
CN111323220B CN111323220B (zh) 2021-08-10

Family

ID=71168256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134735.9A Active CN111323220B (zh) 2020-03-02 2020-03-02 风力发电机齿轮箱故障诊断方法及***

Country Status (2)

Country Link
US (1) US20210270244A1 (zh)
CN (1) CN111323220B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113776818A (zh) * 2021-08-10 2021-12-10 中国长江三峡集团有限公司 基于Park变换的海上风电机组齿轮***故障诊断方法
CN113807524A (zh) * 2021-08-12 2021-12-17 上海工程技术大学 量子差分进化算法优化svm的滚动轴承故障诊断方法
CN115587294A (zh) * 2022-12-08 2023-01-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
CN116595449A (zh) * 2023-06-06 2023-08-15 西安科技大学 基于改进ssa优化支持向量机的异步电机故障诊断方法
CN117609692A (zh) * 2023-11-14 2024-02-27 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置
CN117620838A (zh) * 2024-01-25 2024-03-01 湖南科技大学 凸轮轴非圆轮廓高速磨削颤振在线监测方法及***
CN118051860A (zh) * 2024-04-15 2024-05-17 西安瓦力机电科技有限公司 一种智能化高精度齿轮减速机监控与诊断***

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627268A (zh) * 2021-07-15 2021-11-09 安标国家矿用产品安全标志中心有限公司 模型训练方法、矿井提升机用减速器故障检测方法和装置
CN114046228B (zh) * 2021-10-26 2023-11-07 华能(浙江)能源开发有限公司清洁能源分公司 一种风电机组异常诊断方法及***
CN114117682B (zh) * 2021-12-03 2022-06-03 湖南师范大学 齿轮箱的故障识别方法、装置、设备及存储介质
CN114417704A (zh) * 2021-12-23 2022-04-29 中国大唐集团新能源科学技术研究院有限公司 一种基于改进栈式自编码的风电机组发电机健康评估方法
EP4209846A1 (en) * 2022-01-10 2023-07-12 ASML Netherlands B.V. Hierarchical anomaly detection and data representation method to identify system level degradation
CN114611233B (zh) * 2022-03-08 2022-11-11 湖南第一师范学院 一种旋转机械故障不平衡数据生成方法及计算机设备
US11499621B1 (en) * 2022-03-18 2022-11-15 Metis Design Corporation Systems and methods for in-situ monitoring of gearbox
CN114894468B (zh) * 2022-04-07 2023-01-03 大连理工大学 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法
CN115014748B (zh) * 2022-05-31 2023-05-23 南京林业大学 一种用于籽棉分选喷阀的故障诊断方法
CN117890104A (zh) * 2022-10-08 2024-04-16 中国航发商用航空发动机有限责任公司 齿轮箱的故障诊断方法、***、设备及介质
CN115358280B (zh) * 2022-10-19 2023-03-24 深圳市信润富联数字科技有限公司 轴承信号故障诊断方法、装置、设备及存储介质
CN115493836B (zh) * 2022-11-15 2023-04-14 北谷电子有限公司 机械故障诊断方法及***
CN115628910B (zh) * 2022-12-22 2023-03-17 广东技术师范大学 一种基于迁移学习的嵌入式轴承故障诊断装置及设备
CN116007938B (zh) * 2023-02-08 2023-09-29 淮阴工学院 一种轴承劣化分析和故障诊断方法及***
CN115828087B (zh) * 2023-02-21 2023-05-09 山东大学 一种用于机械设备故障诊断的信号特征提取方法及***
CN116067489B (zh) * 2023-03-07 2023-09-22 国能大渡河检修安装有限公司 水电站辅助设备的监测***、方法、电子设备及存储介质
CN116465624B (zh) * 2023-05-12 2024-06-11 淮阴工学院 基于hngo优化kelm的齿轮箱故障诊断方法
CN117216689B (zh) * 2023-11-08 2024-02-27 山东辰智电子科技有限公司 一种基于城市水利数据的地下管道排放预警***
CN117454314B (zh) * 2023-12-19 2024-03-05 深圳航天科创泛在电气有限公司 风力机组件运行状态预测方法、装置、设备及存储介质
CN117740381B (zh) * 2024-01-22 2024-06-28 中国矿业大学 一种低速重载工况下的轴承故障诊断方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124212A (zh) * 2016-06-16 2016-11-16 燕山大学 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
US20170132509A1 (en) * 2015-11-06 2017-05-11 Adobe Systems Incorporated Item recommendations via deep collaborative filtering
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN107199506A (zh) * 2017-06-05 2017-09-26 苏州微著设备诊断技术有限公司 一种基于栈式自编码器和支持向量机的磨削颤振检测方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
US20180024968A1 (en) * 2016-07-22 2018-01-25 Xerox Corporation System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN107957551A (zh) * 2017-12-12 2018-04-24 南京信息工程大学 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法
CN108363382A (zh) * 2018-02-09 2018-08-03 哈尔滨工业大学（威海） 一种复杂装备故障诊断方法及***
CN108398268A (zh) * 2018-03-15 2018-08-14 哈尔滨工业大学 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN110751108A (zh) * 2019-10-23 2020-02-04 武汉理工大学 一种地铁分布式振动信号相似度确定方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170132509A1 (en) * 2015-11-06 2017-05-11 Adobe Systems Incorporated Item recommendations via deep collaborative filtering
CN106124212A (zh) * 2016-06-16 2016-11-16 燕山大学 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
US20180024968A1 (en) * 2016-07-22 2018-01-25 Xerox Corporation System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN107316046A (zh) * 2017-03-09 2017-11-03 河北工业大学 一种基于增量补偿动态自适应增强的故障诊断方法
CN107199506A (zh) * 2017-06-05 2017-09-26 苏州微著设备诊断技术有限公司 一种基于栈式自编码器和支持向量机的磨削颤振检测方法
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN107957551A (zh) * 2017-12-12 2018-04-24 南京信息工程大学 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法
CN108363382A (zh) * 2018-02-09 2018-08-03 哈尔滨工业大学（威海） 一种复杂装备故障诊断方法及***
CN108398268A (zh) * 2018-03-15 2018-08-14 哈尔滨工业大学 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN110751108A (zh) * 2019-10-23 2020-02-04 武汉理工大学 一种地铁分布式振动信号相似度确定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN LU: "Fault diagnosis of rotary machinery components using a stacked denoising autoencoder-based health state identification", 《SIGNAL PROCESSING》 *
侯文擎: "基于改进堆叠降噪自编码网络的轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
张庆磊，张枫: "基于 SDAE － SVM 的压力机轴承故障诊断方法", 《数字制造科学》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113776818B (zh) * 2021-08-10 2022-10-04 中国长江三峡集团有限公司 基于Park变换的海上风电机组齿轮***故障诊断方法
CN113776818A (zh) * 2021-08-10 2021-12-10 中国长江三峡集团有限公司 基于Park变换的海上风电机组齿轮***故障诊断方法
CN113807524B (zh) * 2021-08-12 2023-07-25 上海工程技术大学 量子差分进化算法优化svm的滚动轴承故障诊断方法
CN113807524A (zh) * 2021-08-12 2021-12-17 上海工程技术大学 量子差分进化算法优化svm的滚动轴承故障诊断方法
CN113530850B (zh) * 2021-08-26 2022-10-18 江苏科技大学 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN115587294A (zh) * 2022-12-08 2023-01-10 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
CN116595449A (zh) * 2023-06-06 2023-08-15 西安科技大学 基于改进ssa优化支持向量机的异步电机故障诊断方法
CN116595449B (zh) * 2023-06-06 2023-12-12 西安科技大学 基于改进ssa优化支持向量机的异步电机故障诊断方法
CN117609692A (zh) * 2023-11-14 2024-02-27 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置
CN117609692B (zh) * 2023-11-14 2024-04-30 中节能风力发电股份有限公司 一种风力发电机组齿轮箱平行级故障诊断方法及装置
CN117620838A (zh) * 2024-01-25 2024-03-01 湖南科技大学 凸轮轴非圆轮廓高速磨削颤振在线监测方法及***
CN117620838B (zh) * 2024-01-25 2024-06-04 湖南科技大学 凸轮轴非圆轮廓高速磨削颤振在线监测方法及***
CN118051860A (zh) * 2024-04-15 2024-05-17 西安瓦力机电科技有限公司 一种智能化高精度齿轮减速机监控与诊断***

Also Published As

Publication number Publication date
CN111323220B (zh) 2021-08-10
US20210270244A1 (en) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111323220B (zh) 风力发电机齿轮箱故障诊断方法及***
Saufi et al. Gearbox fault diagnosis using a deep learning model with limited data sample
Wang et al. An intelligent diagnosis scheme based on generative adversarial learning deep neural networks and its application to planetary gearbox fault pattern recognition
Zhu et al. Acoustic signal-based fault detection of hydraulic piston pump using a particle swarm optimization enhancement CNN
CN106682688B (zh) 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
Pu et al. Fault diagnosis for wind turbine gearboxes by using deep enhanced fusion network
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Gao et al. Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network
CN110657984A (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN110067696B (zh) 一种风电机组载荷确定方法、装置、设备及可读存储介质
CN114169110B (zh) 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法
Zhang et al. A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample
CN112541511A (zh) 基于卷积神经网络的多通道时间序列数据故障诊断方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
Huang et al. Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115163424A (zh) 基于神经网络的风电机组齿轮箱油温故障检测方法和***
Xu et al. Deep dynamic adaptation network: a deep transfer learning framework for rolling bearing fault diagnosis under variable working conditions

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