CN113112038A - 智能监测与诊断分析***、装置、电子设备及存储介质 - Google Patents
智能监测与诊断分析***、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113112038A CN113112038A CN202110393414.5A CN202110393414A CN113112038A CN 113112038 A CN113112038 A CN 113112038A CN 202110393414 A CN202110393414 A CN 202110393414A CN 113112038 A CN113112038 A CN 113112038A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- monitoring
- intelligent
- historical
- repeated
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 155
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 claims abstract description 267
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000013144 data compression Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 210000000987 immune system Anatomy 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 description 18
- 230000006835 compression Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004171 remote diagnosis Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种智能监测与诊断分析***、装置、电子设备及存储介质，所述***包括：现场诊断客户机、企业级监控中心和远程智能监测与诊断、维护中心；现场诊断客户机用于对设备进行故障诊断，当诊断设备存在故障时，向企业级监控中心提交重复诊断申请；企业级监控中心根据重复诊断申请调度相应的历史诊断资源，并将历史诊断资源传输至智能监测与诊断、维护中心；智能监测与诊断、维护中心在接收历史诊断资源后对现场设备进行实时监测，得到实时监测数据，根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果，从而提高诊断现场设备故障的准确度，避免产生故障误判。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种智能监测与诊断分析***、装置、电子设备及存储介质。
背景技术
设备不断朝着复杂化、高速化、大型化和自动化的方向发展，使得因其地域和功能额分散性而产生的问题越来越多，设备的故障诊断变得越来越复杂
目前当设备发生故障时，大多是通过现场技术人员对故障数据进行分析，得出故障诊断结果，进而根据诊断结果对设备进行调整和升级。然而故障诊断技术是门综合性技术，涉及知识面广，对诊断技术人员的素质要求较高，当设备发生故障时，现场技术人员不可能做到面面俱到，而且往往在出现超出其知识范围的故障时会表现得措手无策或做出误判和误操作。
发明内容
由于现有方法存在上述问题，本申请实施例提供一种智能监测与诊断分析***、装置、电子设备及存储介质。
具体的，本申请实施例提供了以下技术方案：
第一方面，本申请实施例提供一种智能监测与诊断分析***，包括：现场诊断客户机、企业级监控中心和远程智能监测与诊断、维护中心；所述现场诊断客户机和企业级监控中心运行于局域网内，远程智能监测与诊断、维护中心运行于广域网中；
其中，所述现场诊断客户机用于对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向所述企业级监控中心提交重复诊断申请；所述企业级监控中心用于接收所述重复诊断申请，并根据所述重复诊断申请调度相应的历史诊断资源，以及，将所述历史诊断资源传输至所述智能监测与诊断、维护中心；所述智能监测与诊断、维护中心用于在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据，并根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
可选的，所述现场诊断客户机具体用于：
采集现场设备旋转机械的振动、声音和流量信号，并提取所述信号在时域和频域上的特征参数，得到现场设备的实时状态数据，进而根据所述实时状态数据对现场设备进行故障诊断。
可选的，所述历史诊断资源包括所述现场诊断客户机的历史记录信息和所述企业级监控中心的历史记录信息；
其中，所述现场诊断客户机的历史记录由所述现场诊断客户机进行数据压缩后传输至所述企业级监控中心进行存储；所述企业级监控中心的历史记录信息由所述企业级监控中心进行数据压缩后存储。
可选的，所述现场诊断客户机的历史记录信息，包括：现场设备的状态记录、报警记录和升级记录；
所述企业级监控中心的历史记录信息，包括：现场设备状态定期报表、运行档案的维护记录和升级记录。
可选的，所述现场诊断客户机和所述企业级监控中心均采用分型编码技术对历史记录信息进行数据压缩处理。
可选的，所述智能监测与诊断、维护中心根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果，包括：
所述智能监测与诊断、维护中心对所述历史诊断资源和所述实时监测数据进行分析处理，当所述实时监测数据中的流量参数稳定时，选择人工免疫***AIS的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果；当实时监测数据中各参数均处于非稳态时，选择向量机和隐马尔科夫混合模型的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果。
可选的，所述现场诊断客户机还具体用于：
在对监测点信息进行数据管理时，选取监测点编号列作为监测点表的主键，并分别对监测点表的设备编号、传感器编号、信号调理器编号和数据采集卡编号建立外键约束，以保证监测点信息的完整性。
第二方面，本申请实施例还提供了一种智能监测与诊断分析方法，包括：
对现场设备进行故障诊断，当诊断所述现场设备存在故障时，提交重复诊断申请；
根据所述重复诊断申请调度相应的历史诊断资源；在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据；
根据所述历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第二方面所述的智能监测与诊断分析方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第二方面所述的智能监测与诊断分析方法。
由上面技术方案可知，本申请实施例通过现场诊断客户机对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向企业级监控中心提交重复诊断申请，当企业级监控中心接收到重复诊断申请时，调度相应的历史诊断资源，并将历史诊断资源传输至智能监测与诊断、维护中心；智能监测与诊断、维护中心在接收历史诊断资源后对现场设备进行实时监测，得到实时监测数据，从而根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到所述现场设备的最终诊断结果。由此可见，本申请实施例在现场诊断客户机对现场设备进行故障诊断后，提交重复诊断申请至企业级监控中心，以使企业级监控中心将历史诊断资源传输至远程智能监测与诊断、维护中心，远程智能监测与诊断、维护中心对历史诊断资源中的大量数据和实时监测数据进行分析处理，得到准确的故障诊断结果，从而提高了诊断现场设备故障的准确度，避免产生故障误判。
附图说明
为了更清楚地说明本申请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的前提下，还可以根据这些图获得其他的附图。
图1是本申请实施例提供的智能监测与诊断分析***的结构示意图之一；
图2是本申请实施例提供的智能监测与诊断分析***的结构示意图之二；
图3是本申请实施例提供的现场诊断客户机的功能示意图；
图4是本申请实施例提供的企业级监控中心的功能示意图；
图5是本申请实施例提供的现场诊断客户机以监测点表为中心的一个约束关系图；
图6是本申请实施例提供的智能监测与诊断分析方法的流程图；
图7是本申请实施例的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本申请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的前提下，还可以根据这些图获得其他的附图。
图1示出了本申请实施例提供的智能监测与诊断分析***的结构示意图，图2是本申请实施例提供的另一种智能监测与诊断分析***的结构示意图，图3是本申请实施例提供的现场诊断客户机的功能示意图，图4是本申请实施例提供的企业级监控中心的功能示意图，图5是本申请实施例提供的现场诊断客户机以监测点表为中心的一个约束关系图。下面结合图1至图5对本申请实施例提供的智能监测与诊断分析***进行详细解释和说明，如图1所示，本申请实施例提供的一种智能监测与诊断分析***，包括：
现场诊断客户机、企业级监控中心和远程智能监测与诊断、维护中心；所述现场诊断客户机和企业级监控中心运行于局域网内，远程智能监测与诊断、维护中心运行于广域网中；
其中，所述现场诊断客户机用于对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向所述企业级监控中心提交重复诊断申请；所述企业级监控中心用于接收所述重复诊断申请，并根据所述重复诊断申请调度相应的历史诊断资源，以及，将所述历史诊断资源传输至所述智能监测与诊断、维护中心；所述智能监测与诊断、维护中心用于在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据，并根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
在本实施例中，需要说明的是，根据功能的不同将***分为现场诊断客户机、企业级监控中心和远程智能监测与诊断、维护中心三个部分，其中现场诊断客户机和企业级监控中心运行于局域网内，而远程智能监测与诊断、维护中心则运行于广域网中。
在本实施例中，需要说明的是，现场诊断客户机是远程诊断***的基本单位，它能独立完成设备的状态监测和故障诊断。当诊断所述现场设备存在故障时，除了向企业级监控中心提交维修申请外，还需对诊断的结果进行确认，即提交重复诊断申请至企业级监控中心。企业级监控中心接收重复诊断申请，并根据重复诊断申请调度到合适的历史诊断资源，并将历史诊断资源传输至远程智能监测与诊断、维护中心，由远程智能监测与诊断、维护中心对这些历史诊断数据进行深层次的分析，并对现场设备实时监控一段时间，得到实时监测数据。最终远程智能监测与诊断、维护中心根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到现场设备的最终诊断结果。
由上面技术方案可知，本申请实施例通过现场诊断客户机对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向企业级监控中心提交重复诊断申请，当企业级监控中心接收到重复诊断申请时，调度相应的历史诊断资源，并将历史诊断资源传输至智能监测与诊断、维护中心；智能监测与诊断、维护中心在接收历史诊断资源后对现场设备进行实时监测，得到实时监测数据，从而根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到所述现场设备的最终诊断结果。由此可见，本申请实施例在现场诊断客户机对现场设备进行故障诊断后，提交重复诊断申请至企业级监控中心，以使企业级监控中心将历史诊断资源传输至远程智能监测与诊断、维护中心，远程智能监测与诊断、维护中心对历史诊断资源中的大量数据和实时监测数据进行分析处理，得到准确的故障诊断结果，从而提高了诊断现场设备故障的准确度，避免产生故障误判。
基于上述实施例的内容，在本实施例中，所述现场诊断客户机具体用于：
采集现场设备旋转机械的振动、声音和流量信号，并提取所述信号在时域和频域上的特征参数，得到现场设备的实时状态数据，进而根据所述实时状态数据对现场设备进行故障诊断。
在本实施例中，需要说明的是，在对现场设备进行故障诊断中华，可以根据获取的物理信号和化学信号来做出诊断。常见的物理信号包括振动、声音、力、温度、光、电、磁、声发射、各种射线等，常见的化学信号包括废气烟度和成分、腐蚀等。其中，旋转机械的振动信号会随着设备运行状态的改变而改变，主要表现在时域和频域两方面。故障诊断则是把选定的信号时域和频域参数直接或经过各种特征提取方法后作为诊断***的输入，从而得出诊断结果。在诊断客户机数量较多、网络带宽有限的情况下，出于设备故障远程诊断的实时性和智能性考虑，采集到的信号不可能直接用于传输。因此，需要在诊断客户机端对所得的信号进行必要的处理，用信号的参数来代替原始信号进行传输是提高整个***实时性的有效方法之一。
在本实施例中，需要说明的是，现场诊断客户机用于对现场设备进行监测与初步故障诊断，具体的，现场诊断客户机通过不同类型的传感器采集现场设备的振动、声音和流量等信号，并提取信号在时域和频域上的特征参数，得到现场设备的实时状态数据进而根据所述实时状态数据对现场设备进行故障诊断。
基于上述实施例的内容，在本实施例中，所述历史诊断资源包括所述现场诊断客户机的历史记录信息和所述企业级监控中心的历史记录信息；
其中，所述现场诊断客户机的历史记录由所述现场诊断客户机进行数据压缩后传输至所述企业级监控中心进行存储；所述企业级监控中心的历史记录信息由所述企业级监控中心进行数据压缩后存储。
在本实施例中，需要说明的是，企业级监控中心向智能监测与诊断、维护中心传输的历史诊断资源包括所述现场诊断客户机的历史记录信息和所述企业级监控中心的历史记录信息。
在本实施例中，需要说明的是，由于现场诊断客户机从现场设备上采集到的信号经历了本地存储和远程传输的过程。而一般从现场设备上采集的数据量较大，直接在磁盘空间有限的现场诊断客户机上存储和在带宽有限的广域网上传输这些数据是很难保证有足够的历史数据以供分析，也难以保证数据传输的实时性。因此，数据的压缩是必不可少的。本申请实施例的现场诊断客户机的历史记录由所述现场诊断客户机进行数据压缩后传输至所述企业级监控中心，由企业级监控中心进行解压并存储，所述企业级监控中心的历史记录信息由所述企业级监控中心进行数据压缩后存储。
基于上述实施例的内容，在本实施例中，所述现场诊断客户机的历史记录信息，包括：现场设备的状态记录、报警记录和升级记录；
所述企业级监控中心的历史记录信息，包括：现场设备状态定期报表、运行档案的维护记录和升级记录。
在本实施例中，需要说明的是，现场诊断客户机的历史记录信息，包括现场设备的状态记录、报警记录和升级记录。根据设备的运行状态记录，可以调整设备的购置计划、使用策略和维修计划。记录现场诊断客户机对设备故障的报警，可以为智能诊断方法的改善提供依据。
在本实施例中，需要说明的是，企业级监控中心的历史记录信息，包括：现场设备状态定期报表、运行档案的维护记录和升级记录。
基于上述实施例的内容，在本实施例中，所述现场诊断客户机和所述企业级监控中心均采用分型编码技术对历史记录信息进行数据压缩处理。
在本实施例中，需要说明的是，数据压缩是指按照一定的算法对数据进行编码，以减少数据冗余和存储空间的方法。在本申请实施例中，将用于图像压缩的分形编码技术和基于分形的故障诊断技术引入到设备故障远程实时诊断***的数据压缩中，在保证诊断正确率的前提下，减少了数据存储量，从提高了***的实时性。而现有技术大多是采用有损压缩和无损压缩。其中，有损压缩是指在允许一定保真度损失的前提下压缩数据的方法，经过其压缩和解压的数据与原始数据相似但不同，一般压缩与解压缩次数越多，数据损失越严重，因此有损压缩又被称为破坏型压缩。虽然有损数据压缩会造成部分数据的丢失，但这种方法压缩比高，最高可达30:1，而且采用合适的压缩算法时，可以滤除次要信息，因此有损压缩算法在图像、视频和音频信号处理中用得较为广泛。无损压缩是利用数据的统计冗余进行压缩，可完全恢复原始数据而不引起任何失真，但压缩率比有损压缩低，一般仅为2:1到5:1。这类方法广泛用于文本数据、程序等特殊应用场合的数据压缩。但对于故障诊断而言，有损压缩和无损压缩均容易造成关键的信息丢失严重，因而这两种压缩方法很难适用于远程实时诊断的场合。
基于上述实施例的内容，在本实施例中，所述智能监测与诊断、维护中心根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果，包括：
所述智能监测与诊断、维护中心对所述历史诊断资源和所述实时监测数据进行分析处理，当所述实时监测数据中的流量参数稳定时，选择人工免疫***AIS的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果；当实时监测数据中各参数均处于非稳态时，选择向量机和隐马尔科夫混合模型的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果。
在本实施例中，需要说明的是，智能监测与诊断、维护中心需要根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果。具体的，当实时监测数据中的流量参数稳定时，选择人工免疫***AIS的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果；当实时监测数据中各参数均处于非稳态时，选择向量机和隐马尔科夫混合模型的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果。
其中，人工免疫***(AIS)就是研究借鉴、利用生物免疫***各种智能机理而发展的各类信息处理技术，计算技术及其在工程和科学中应用而产生的各种智能***的总称。它起源于1974年被美国诺贝尔奖获得者Jerne提出的免疫网络理论，并为建立有效的基于免疫原理的计算***和智能***的发展开辟了道路，加上1998年在美国召开的人工免疫***专题会议也极大地促进了这方面的研究。在研究过程中，人们发现基于AIS的故障诊断方法具有快速的异常判断能力、良好的自适应性、动平衡性以及强大的信息处理和模式识别能力，特别适用于需要快速响应和设备安全性要求较高的场合。也较适用于一些故障数据往往比较难获取、故障类型较多且经常出现混合故障的复杂机械设备监测和诊断当中。本申请实施例根据实验得出结论，基于AIS的智能诊断方法对流量稳定时的工作状态能很好地识别，当流量变化时，识别效果较差。而设备发生故障时，多数处于非稳态，虽然用基于AIS的智能诊断方法能诊断出设备发生了故障，但对故障类型的分辨能力是有限的，而在设备的故障诊断过程中，往往对故障类型更为关心，因此在***中适合将其用于产生预警。
支持向量机(Support Vector Machine，简称SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法。它具有以下特点：
(1)基于结构风险最小化(SRM，Structural Risk Minimization)原则，保证学习机器具有良好的泛化能力；
(2)巧妙地解决了算法复杂度与输入向量维数密切相关的问题；
(3)应用核技术，将输入空间中的非线性问题，通过非线性函数映射到高维特征空间中，在高维空间中构造线性判别函数；
(4)与传统统计学不同，支持向量机专门针对小样本情况，它的最优解基于已有样本信息，而不是样本数趋于无穷大时的最优解；
(5)算法最终转化为一个凸优化问题，保证了算法的全局最优性。
这种方法在很大程度上解决了模型选择与过学习问题、非线性和维数灾难问题、局部极小点等问题，因此将其引入到隐马尔科夫模型中构成混合模型后，能够弥补HMM模型只凭概率最大来做决定，存在误判的潜在危险和SVM的模式识别只依照当前时刻的信号特征进行诊断，忽视了前后时刻的关系，有可能竞争获胜的结果实际上是不可能发生的导致误判等缺陷，从而使得诊断更加准确。
基于上述实施例的内容，本实施例中，所述现场诊断客户机还具体用于：
在对监测点信息进行数据管理时，选取监测点编号列作为监测点表的主键，并分别对监测点表的设备编号、传感器编号、信号调理器编号和数据采集卡编号建立外键约束，以保证监测点信息的完整性。
在本实施例中，需要说明的是，由于现场诊断客户机会收集大量的数据，因此需要对这些数据进行有效的存储管理。本申请实施例为保证数据的完整性，通过数据库对现场诊断客户机收集的数据进行存储管理。具体的，在对监测点信息进行数据管理时，选取监测点编号列作为监测点表的主键，并分别对监测点表的设备编号、传感器编号、信号调理器编号和数据采集卡编号建立外键约束，以保证监测点信息的完整性。
在本实施例中，需要说明的是，监测点表包含了监测点编号、设备编号、传感器编号、信号调理器编号、数据采集卡编号、信号调理器的输入通道编号、传感器安装位置、传感器安装位置示意图存储路径等信息，对于监测点信息而言，传感器安装位置示意图在实际应用中是有可能存在信息缺失的，但由于有传感器安装位置这一参数，可以根据其文字描述获得传感器安装位置的信息，因而其存储路径这列是可以为空的。如果对该列进行不能为空的约束，当实际应用中根本不存在示意图时，则会导致数据库对其它信息无法记录，反而影响数据库的稳定性。对于该表的其它参数，都是描述监测点不可或缺的信息，因而不能为空，需要对这些列进行不能为空的约束，从而得到了该表允许空列的取值。若需要对监测点的信息进行管理，需要选取合适的列作为主键，根据主键的特性，在这里应选取监测点编号列作为主键。
对于监测点表，设备编号列应取设备表中设备编号列已经存在的值，因为监测点应存在于已有的设备上，因而需要在监测点表的设备编号列和设备表中设备编号列建立外键约束。监测表中传感器编号列、信号调理器编号列、数据采集卡编号列和设备编号列一样，需要建立外键约束。如图5所示，图中在表中有钥匙标识的表示该字段为为表的主键，而联线上有钥匙标识的表示对应的数据表为主键表，另一端为外键表，主键表和外键表之间的关系即为外键约束。
基于上述实施例的内容，在本实施例中，用户在访问数据库前，需要输入用户身份，管理平台对用户输入的身份进行核对和鉴别，确定用户是否具有数据库的访问权限，以及用户拥有何种权限，可以对哪些表进行何种操作。
在本实施例中，需要说明的是，以现场诊断客户机为例，数据库存储的关键信息很多，如设备的型号，监测点等信息。为防止这些信息遭到泄密、更改或破坏，需要对用户进行身份，即用户在访问数据库前，需要输入用户身份，管理平台对用户输入的身份进行核对和鉴别，确定用户是否具有数据库的访问权限，以及用户拥有何种权限，可以对哪些表进行何种操作。这种方法可以有效避不合法访问，保障了数据的安全。从数据层面上来讲，若数据库遭到黑客的攻击，将可能导致其无法根据身份对用户进行核对和鉴别，从某种意义上讲，会造成数据库的不合法访问，因而有必要采用数据加密的方法对特别重要的数据进行加密。从物理层面上来讲，数据的存储介质有可能出现损坏的情况，因此需要采用恰当的策略对数据进行备份。除了以上方法外，还可以用事务日志来记录在数据库上的所有操作，当出现误操作后，可以用事务日志对数据进行还原。本申请实施例通过对用户身份进行核对、鉴别和事务日志相结合的方法，可以从不同角度来保障数据的安全性。
基于上述实施例的内容，在本实施例中，通信协议的选择包括：
远程诊断***在运行时，需要传输大量的指令(包括报警)和设备状态历史数据，技术支持时需要提供文件下载，文本、视频、音频交流等功能。指令和设备状态等数据对完整性和实时性要求较高，而技术支持时传输的数据对完整性和实时性要求相对低一些。因而可以针对各自的特点选取合适的通信协议。
常见的网络通信协议有TCP(Transmission Control Protocol)和UDP(UserDatagram Protocol)。其中TCP是一种面向连接、可靠、基于字节流的通信协议，它采用三次握手和重传策略，使得通信具有高可靠性、能确保传输数据的正确性、不出现丢失或乱序等特点，并且它支持数据的紧急传送，因此，在本***中，可以用TCP传输各种指令、和设备状态历史数据。UDP是一种面向无连接的通信协议，存在丢失信号的可能性，但它信息包的标题很短，只有8个字节，相对于TCP的20个字节信息包的额外开销很小，***在技术支持时若采用了视频和音频的方式，将会导致传输的数据量很大，而对于视频和音频信号，允许发生部分缺失的情况，因而可以采用UDP来传输技术支持时的视频和音频信号。
基于上述实施例的内容，在本实施例中，***部署方案还包括：
现场诊断客户机部署在靠近被监测机械设备附近，以方便传感信号的检测。企业级监控中心部署在企业的管理监控部门，且与现场诊断客户机通过以太网络连接。一个企业级监控中心可以管理多个现场诊断客户机。智能监测与诊断、维护中心部署在网络上中，可以通过WEB服务器与各企业的监测中心通信，收集原始数据及***运行数据，下发智能诊断方法和配置数据，实现软件更新等功能。
基于相同的发明构思，本发明另一实施例提供了一种智能监测与诊断分析方法，包括：
步骤101：对现场设备进行故障诊断，当诊断所述现场设备存在故障时，提交重复诊断申请；
在本步骤中，需要说明的是，首先对现场设备进行故障诊断当诊断所述现场设备存在故障时，提交重复诊断申请。
步骤102：根据所述重复诊断申请调度相应的历史诊断资源；在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据；
在本步骤中，根据所述重复诊断申请调度相应的历史诊断资源，并在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据。
步骤103：根据所述历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
在本步骤中，根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到现场设备的最终诊断结果。
由上面技术方案可知，本申请实施例通过现场诊断客户机对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向企业级监控中心提交重复诊断申请，当企业级监控中心接收到重复诊断申请时，调度相应的历史诊断资源，并将历史诊断资源传输至智能监测与诊断、维护中心；智能监测与诊断、维护中心在接收历史诊断资源后对现场设备进行实时监测，得到实时监测数据，从而根据历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到所述现场设备的最终诊断结果。由此可见，本申请实施例在现场诊断客户机对现场设备进行故障诊断后，提交重复诊断申请至企业级监控中心，以使企业级监控中心将历史诊断资源传输至远程智能监测与诊断、维护中心，远程智能监测与诊断、维护中心对历史诊断资源中的大量数据和实时监测数据进行分析处理，得到准确的故障诊断结果，从而提高了诊断现场设备故障的准确度，避免产生故障误判。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图7所述电子设备的结构示意图，具体包括如下内容：处理器701、存储器702、通信接口703和通信总线704；
其中，所述处理器701、存储器702、通信接口703通过所述通信总线704完成相互间的通信；所述通信接口703用于实现各设备之间的信息传输；
所述处理器701用于调用所述存储器702中的计算机程序，所述处理器执行所述计算机程序时实现上述一种智能监测与诊断分析方法的全部步骤，例如，对现场设备进行故障诊断，当诊断所述现场设备存在故障时，提交重复诊断申请；根据所述重复诊断申请调度相应的历史诊断资源；在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据；根据所述历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述一种智能监测与诊断分析方法的全部步骤，例如，对现场设备进行故障诊断，当诊断所述现场设备存在故障时，提交重复诊断申请；根据所述重复诊断申请调度相应的历史诊断资源；在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据；根据所述历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的智能监测与诊断分析方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能监测与诊断分析***，其特征在于，包括：现场诊断客户机、企业级监控中心和远程智能监测与诊断、维护中心；所述现场诊断客户机和企业级监控中心运行于局域网内，远程智能监测与诊断、维护中心运行于广域网中；
其中，所述现场诊断客户机用于对现场设备进行故障诊断，当诊断所述现场设备存在故障时，向所述企业级监控中心提交重复诊断申请；所述企业级监控中心用于接收所述重复诊断申请，并根据所述重复诊断申请调度相应的历史诊断资源，以及，将所述历史诊断资源传输至所述智能监测与诊断、维护中心；所述智能监测与诊断、维护中心用于在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据，并根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
2.根据权利要求1所述的智能检测与诊断分析***，其特征在于，所述现场诊断客户机具体用于：
采集现场设备旋转机械的振动、声音和流量信号，并提取所述信号在时域和频域上的特征参数，得到现场设备的实时状态数据，进而根据所述实时状态数据对现场设备进行故障诊断。
3.根据权利要求1所述的智能检测与诊断分析***，其特征在于，所述历史诊断资源包括所述现场诊断客户机的历史记录信息和所述企业级监控中心的历史记录信息；
其中，所述现场诊断客户机的历史记录由所述现场诊断客户机进行数据压缩后传输至所述企业级监控中心进行存储；所述企业级监控中心的历史记录信息由所述企业级监控中心进行数据压缩后存储。
4.根据权利要求3所述的智能检测与诊断分析***，其特征在于，所述现场诊断客户机的历史记录信息，包括：现场设备的状态记录、报警记录和升级记录；
所述企业级监控中心的历史记录信息，包括：现场设备状态定期报表、运行档案的维护记录和升级记录。
5.根据权利要求3所述的智能检测与诊断分析***，其特征在于，所述现场诊断客户机和所述企业级监控中心均采用分型编码技术对历史记录信息进行数据压缩处理。
6.根据权利要求1所述的智能检测与诊断分析***，其特征在于，所述智能监测与诊断、维护中心根据所述历史诊断资源和所述实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果，包括：
所述智能监测与诊断、维护中心对所述历史诊断资源和所述实时监测数据进行分析处理，当所述实时监测数据中的流量参数稳定时，选择人工免疫***AIS的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果；当实时监测数据中各参数均处于非稳态时，选择向量机和隐马尔科夫混合模型的智能诊断方法进行重复诊断，得到现场设备的重复诊断结果。
7.根据权利要求1所述的智能检测与诊断分析***，其特征在于，所述现场诊断客户机还具体用于：
在对监测点信息进行数据管理时，选取监测点编号列作为监测点表的主键，并分别对监测点表的设备编号、传感器编号、信号调理器编号和数据采集卡编号建立外键约束，以保证监测点信息的完整性。
8.一种智能监测与诊断分析方法，其特征在于，包括：
对现场设备进行故障诊断，当诊断所述现场设备存在故障时，提交重复诊断申请；
根据所述重复诊断申请调度相应的历史诊断资源；在接收所述历史诊断资源后对所述现场设备进行实时监测，得到实时监测数据；
根据所述历史诊断资源和实时监测数据，选择相应的智能诊断方法进行重复诊断，得到重复诊断结果；所述重复诊断结果即为所述现场设备的最终诊断结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求8所述智能监测与诊断分析方法的步骤。
10.一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求8所述智能监测与诊断分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110393414.5A CN113112038B (zh) | 2021-04-13 | 2021-04-13 | 智能监测与诊断分析***、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110393414.5A CN113112038B (zh) | 2021-04-13 | 2021-04-13 | 智能监测与诊断分析***、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112038A true CN113112038A (zh) | 2021-07-13 |
| CN113112038B CN113112038B (zh) | 2024-05-28 |
Family
ID=76716374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110393414.5A Active CN113112038B (zh) | 2021-04-13 | 2021-04-13 | 智能监测与诊断分析***、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112038B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113965823A (zh) * | 2021-09-24 | 2022-01-21 | 青岛海尔科技有限公司 | 地质勘探设备管理装置及*** |
| CN114844510A (zh) * | 2022-04-12 | 2022-08-02 | 华侨大学 | 一种旋转机械振动信号的压缩方法、解压方法和传输*** |
| CN115469643A (zh) * | 2022-09-15 | 2022-12-13 | 中国核动力研究设计院 | 一种核电站旋转机械健康管理方法、***及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003114294A (ja) * | 2001-10-04 | 2003-04-18 | Toshiba Corp | 発電プラントの監視・診断・検査・保全システム |
| CN101192997A (zh) * | 2006-11-24 | 2008-06-04 | 中国科学院沈阳自动化研究所 | 分布式设备远程状态监测与故障诊断*** |
| CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断***及方法 |
| US20150012232A1 (en) * | 2013-07-05 | 2015-01-08 | Oceaneering International, Inc. | Intelligent diagnostic system and method of use |
| CN107341092A (zh) * | 2016-07-25 | 2017-11-10 | 南京燚麒智能科技有限公司 | 一种智能设备远程协同监控诊断方法 |
| CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断***及其在线诊断方法 |
| CN109635992A (zh) * | 2018-10-22 | 2019-04-16 | 成都万江港利科技股份有限公司 | 一种基于大数据的物联网设备运行分析诊断算法 |
| US20190188105A1 (en) * | 2013-07-05 | 2019-06-20 | Oceaneering International, Inc. | Intelligent Diagnostic System |
| CN110361609A (zh) * | 2019-06-05 | 2019-10-22 | 国网浙江省电力有限公司电力科学研究院 | 特高压设备监测***及方法 |
| CN112086214A (zh) * | 2020-09-23 | 2020-12-15 | 中国核动力研究设计院 | 一种核电站关键设备远程状态监视与智能诊断平台 |
| CN112116243A (zh) * | 2020-09-17 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 基于ahp和远程支持的电力设备缺陷管理*** |
| CN112196717A (zh) * | 2020-08-18 | 2021-01-08 | 华电电力科学研究院有限公司 | 一种水轮机调速器液压***状态监测与故障诊断方法 |
-
2021
- 2021-04-13 CN CN202110393414.5A patent/CN113112038B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003114294A (ja) * | 2001-10-04 | 2003-04-18 | Toshiba Corp | 発電プラントの監視・診断・検査・保全システム |
| CN101192997A (zh) * | 2006-11-24 | 2008-06-04 | 中国科学院沈阳自动化研究所 | 分布式设备远程状态监测与故障诊断*** |
| US20150012232A1 (en) * | 2013-07-05 | 2015-01-08 | Oceaneering International, Inc. | Intelligent diagnostic system and method of use |
| US20190188105A1 (en) * | 2013-07-05 | 2019-06-20 | Oceaneering International, Inc. | Intelligent Diagnostic System |
| CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断***及方法 |
| CN107341092A (zh) * | 2016-07-25 | 2017-11-10 | 南京燚麒智能科技有限公司 | 一种智能设备远程协同监控诊断方法 |
| CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断***及其在线诊断方法 |
| CN109635992A (zh) * | 2018-10-22 | 2019-04-16 | 成都万江港利科技股份有限公司 | 一种基于大数据的物联网设备运行分析诊断算法 |
| CN110361609A (zh) * | 2019-06-05 | 2019-10-22 | 国网浙江省电力有限公司电力科学研究院 | 特高压设备监测***及方法 |
| CN112196717A (zh) * | 2020-08-18 | 2021-01-08 | 华电电力科学研究院有限公司 | 一种水轮机调速器液压***状态监测与故障诊断方法 |
| CN112116243A (zh) * | 2020-09-17 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 基于ahp和远程支持的电力设备缺陷管理*** |
| CN112086214A (zh) * | 2020-09-23 | 2020-12-15 | 中国核动力研究设计院 | 一种核电站关键设备远程状态监视与智能诊断平台 |
Non-Patent Citations (1)
| Title |
|---|
| 李红芳;张清华;: "基于自适应免疫检测器的变速器轴承故障诊断研究", 机电工程, no. 11 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113965823A (zh) * | 2021-09-24 | 2022-01-21 | 青岛海尔科技有限公司 | 地质勘探设备管理装置及*** |
| CN114844510A (zh) * | 2022-04-12 | 2022-08-02 | 华侨大学 | 一种旋转机械振动信号的压缩方法、解压方法和传输*** |
| CN115469643A (zh) * | 2022-09-15 | 2022-12-13 | 中国核动力研究设计院 | 一种核电站旋转机械健康管理方法、***及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112038B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113112038B (zh) | 智能监测与诊断分析***、装置、电子设备及存储介质 | |
| CN111928888B (zh) | 一种水域污染智能监控分析方法及*** | |
| US10796242B2 (en) | Robust training technique to facilitate prognostic pattern recognition for enterprise computer systems | |
| CN112953971B (zh) | 一种网络安全流量入侵检测方法和*** | |
| CN110046297B (zh) | 运维违规操作的识别方法、装置和存储介质 | |
| CN107409134B (zh) | 法证分析方法 | |
| CN113743542B (zh) | 一种基于加密流量的网络资产识别方法与*** | |
| CN109462490B (zh) | 视频监控***及故障分析方法 | |
| CN109273045B (zh) | 存储设备在线检测方法、装置、设备及可读存储介质 | |
| CN113810489A (zh) | 一种工业互联网控制***及方法 | |
| CN113572757A (zh) | 服务器访问风险监测方法及装置 | |
| CN117255193B (zh) | 一种5g网络监控器的远程终端状态检测方法及*** | |
| CN117411810A (zh) | 一种基于边缘计算的电气物联网安全预警方法 | |
| CN116823233B (zh) | 一种基于全周期运维的用户数据处理方法及*** | |
| CN117833464A (zh) | 一种用电信息采集终端在线运行状态安全监测方法 | |
| CN116204386B (zh) | 应用服务关系自动识别及监控方法、***、介质和设备 | |
| CN111949501A (zh) | It***运行风险监控方法及装置 | |
| CN117061165A (zh) | 基于监测监控***的时空数据湖技术的安全防护*** | |
| CN113783862B (zh) | 一种边云协同过程中进行数据校验的方法及装置 | |
| CN113726779B (zh) | 规则误报测试方法、装置、电子设备及计算机存储介质 | |
| CN115484326A (zh) | 处理数据的方法、***及存储介质 | |
| Priovolos et al. | Using anomaly detection techniques for securing 5G infrastructure and applications | |
| CN113691390A (zh) | 一种云端协同的边缘节点报警***及方法 | |
| WO2021055964A1 (en) | System and method for crowd-sourced refinement of natural phenomenon for risk management and contract validation | |
| CN110661339A (zh) | 一种变电站监控主机运行状态监测方法 |
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 |