CN113434567A - 一种用于预警列车驱动设备早期故障特征的方法及*** - Google Patents

一种用于预警列车驱动设备早期故障特征的方法及*** Download PDF

Info

Publication number
CN113434567A
CN113434567A CN202110550875.9A CN202110550875A CN113434567A CN 113434567 A CN113434567 A CN 113434567A CN 202110550875 A CN202110550875 A CN 202110550875A CN 113434567 A CN113434567 A CN 113434567A
Authority
CN
China
Prior art keywords
fault information
data
peak value
time sequence
dimensional time
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
Application number
CN202110550875.9A
Other languages
English (en)
Inventor
何善宝
王涛
公延飞
刘云超
解迎刚
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.)
Anhui Sine Space Science and Technology Co.,Ltd.
Original Assignee
Guangdong Zhongfa Xingtong Technology Co ltd
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 Guangdong Zhongfa Xingtong Technology Co ltd filed Critical Guangdong Zhongfa Xingtong Technology Co ltd
Priority to CN202110550875.9A priority Critical patent/CN113434567A/zh
Publication of CN113434567A publication Critical patent/CN113434567A/zh
Pending legal-status Critical Current

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种用于预警列车驱动设备早期故障特征的方法及***，属于物联网技术领域。本发明方法，包括：采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。本发明提高了列车运行过程中的驱动设备的安全性能，并降低了列车运行时的安全风险。

Description

一种用于预警列车驱动设备早期故障特征的方法及***
技术领域
本发明涉及物联网技术领域，并且更具体地，涉及一种用于预警列车驱动设备早期故障特征的方法及***。
背景技术
近年来，我国的轨道高速列车与高速铁路发展迅猛，已超越世界其他国家的总和。商业运行的高速列车正常运行时速在350-420km/h之间，甚至更高。在列车超高速运行下，列车驱动设备的运行的稳定性是列车安全的重要保障之一，在列车的驱动设备上安全各种传感器采集驱动设备的运行信息，例如驱动轴温度检测传感器。然后针对这些信息进行分析，可获得驱动设备的健康状况并对一些早期故障进行预警。因此，本发明的内容对列车安全运行具有重要的意义。
然而，检测的驱动轴温度数据是一种一维时序数据，其包含的信息量较少，因此分析其中包含的具有早期故障特征的信息具有一定挑战。
发明内容
针对上述问题，本发明提出了一种用于预警列车驱动设备早期故障特征的方法，包括：
采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；
针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；
针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。
可选的，一维时序数据为采集的列车的车轴温度数据，且车轴温度数据附有时间戳。
可选的，峰值集合中的每个元素以时间戳的顺序排列。
可选的，相似度的计算，具体为，将故障信息与多组一维时序数据，转换为一维曲线数据，对两条对应的一维曲线数据进行相似度的比较，公式如下：
Figure BDA0003072025380000021
其中，β(j)为两条对应的一维曲线数据的相似度的值，x(i)为任意时刻的一组一维时序数据，sj(i)为故障信息模型的任一故障信息，N为故障信息模型中故障信息个数，m为故障信息模型总数；
所述故障信息为一维时序数据。
可选的，方法还包括：
判断β(j)是否大于预设阈值，若大于，则确定列车驱动设备发生故障的概率较小，若小于，则判断采集的多组一维时序数据中峰值的温度数据，若温度数据较高，则发生的概率较大。
本发明还提出了一种用于预警列车驱动设备早期故障特征的***，包括：
采集单元，采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；
计算单元，针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；
预警单元，针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。
可选的，一维时序数据为采集的列车的车轴温度数据，且车轴温度数据附有时间戳。
可选的，峰值集合中的每个元素以时间戳的顺序排列。
可选的，相似度的计算，具体为，将故障信息与多组一维时序数据，转换为一维曲线数据，对两条对应的一维曲线数据进行相似度的比较，公式如下：
Figure BDA0003072025380000031
其中，β(j)为两条对应的一维曲线数据的相似度的值，x(i)为任意时刻的一组一维时序数据，sj(i)为故障信息模型的任一故障信息，N为故障信息模型中故障信息个数，m为故障信息模型总数；
所述故障信息为一维时序数据。
可选的，预警单元还用于：
判断β(j)是否大于预设阈值，若大于，则确定列车驱动设备发生故障的概率较小，若小于，则判断采集的多组一维时序数据中峰值的温度数据，若温度数据较高，则发生的概率较大。
本发明提高了列车运行过程中的驱动设备的安全性能，并降低了列车运行时的安全风险。
附图说明
图1为本发明方法的流程图；
图2为本发明***的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
下面结合实施例及附图对本发明进行进一步的说明：
本发明方法提供了一种用于预警列车驱动设备早期故障特征的方法，如图1所示，包括：
步骤1：输入传感器网采集高速行驶列车驱动设备的相关数据，这些数据都是一维时序数据，例如温度传感器采集列的车轴温度数据并附有时间戳。
步骤2：针对i时刻的数据x(i)，逐次与其前n个时刻和后n个时刻的数据进行比较运算。
步骤3：判断x(i)是否满足条件：
max{x(i-n),x(i-n+1),…,x(i),…,x(i+n)}＝x(i)
如果是进入步骤4，如果否返回步骤2，执行i+1时刻数据x(i+1)的判断。
步骤4：数据x(i)按时间戳次序加入峰值数据集Y＝{y(1),…,y(j),…}中，其中y(j)＝[x(i),t(i)]。
步骤5：提取故障1,2，…,m的特征数据集模型及其峰值数据，基于特征模型的峰值数据和步骤4中的数据集Y计算模型与实测数据的偏移量。
步骤6：基于两组数据集的偏移量，将故障1,2，…,m的特征数据集模型与实测数据进行对齐计算。
步骤7：数据对齐后，基于下面公式计算两条一维数据曲线的相似度，相似度计算公式：
Figure BDA0003072025380000051
其中β(j)为两条一维曲线的相似度，s为特征数据集模型数据，N为模型数据集中数据个数，m为故障模型数总数。
步骤8：判断β(i)是否大于对应的故障阈值η(i)，若是，则设备针对故障i后期发生的概率较小，判断针对该故障设备正常；若否，则设备针对故障i后期发生的概率较高，进入步骤9。
步骤9：基于步骤7计算的实时测量数据与故障特征模型数据的相似性以及实测峰值温度大小，计算分析某类故障发生的概率，如果峰值温度较高，且与故障特征数据曲线相似度较高，则驱动设备发生该故障的概率较高，否则较低。
步骤10：汇总可能发生的故障的类型，并进行预警。
存储设备为普通的数据存储磁盘，可存储建立好的故障模型，并支持可扩展。
计算设备为常用的计算模块(如：CPU)，用来完成方法中的各类计算。
这种列车驱动设备早期故障特征识别方法可以满足驱动设备早期故障实时检测分析的技术要求，可以识别并预警高速轨道列车的早期故障，且该方法的可靠性高。
本发明还提出了一种用于预警列车驱动设备早期故障特征的***200，如图2所示，包括：
采集单元201，采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；
计算单元202，针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；
预警单元203，针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。
其中，一维时序数据为采集的列车的车轴温度数据，且车轴温度数据附有时间戳。
其中，峰值集合中的每个元素以时间戳的顺序排列。
其中，相似度的计算，具体为，将故障信息与多组一维时序数据，转换为一维曲线数据，对两条对应的一维曲线数据进行相似度的比较，公式如下：
Figure BDA0003072025380000061
其中，β(j)为两条对应的一维曲线数据的相似度的值，x(i)为任意时刻的一组一维时序数据，sj(i)为故障信息模型的任一故障信息，N为故障信息模型中故障信息个数，m为故障信息模型总数；
所述故障信息为一维时序数据。
其中，预警单元还用于：
判断β(j)是否大于预设阈值，若大于，则确定列车驱动设备发生故障的概率较小，若小于，则判断采集的多组一维时序数据中峰值的温度数据，若温度数据较高，则发生的概率较大。
本发明提高了列车运行过程中的驱动设备的安全性能，并降低了列车运行时的安全风险。
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、***、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。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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，则可对这些实施例作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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于预警列车驱动设备早期故障特征的方法，所述方法包括：
采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；
针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；
针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。
2.根据权利要求1所述的方法，所述一维时序数据为采集的列车的车轴温度数据，且车轴温度数据附有时间戳。
3.根据权利要求1所述的方法，所述峰值集合中的每个元素以时间戳的顺序排列。
4.根据权利要求1所述的方法，所述相似度的计算，具体为，将故障信息与多组一维时序数据，转换为一维曲线数据，对两条对应的一维曲线数据进行相似度的比较，公式如下：
Figure FDA0003072025370000011
其中，β(j)为两条对应的一维曲线数据的相似度的值，x(i)为任意时刻的一组一维时序数据，sj(i)为故障信息模型的任一故障信息，N为故障信息模型中故障信息个数，m为故障信息模型总数；
所述故障信息为一维时序数据。
5.根据权利要求1所述的方法，所述方法还包括：
判断β(j)是否大于预设阈值，若大于，则确定列车驱动设备发生故障的概率较小，若小于，则判断采集的多组一维时序数据中峰值的温度数据，若温度数据较高，则发生的概率较大。
6.一种用于预警列车驱动设备早期故障特征的***，所述***包括：
采集单元，采集列车驱动设备的多组一维时序数据，确定每一组一维时序数据的峰值，并建立峰值集合；
计算单元，针对故障信息模型，提取故障信息模型中故障信息的峰值，建立故障信息的峰值集合，计算峰值集合与故障信息的峰值集合的偏移量，根据偏移量，对故障信息模型的故障信息与多组一维时序数据进行对齐计算；
预警单元，针对对齐后的故障信息与多组一维时序数据，进行相似度的计算，根据相似度的值对列车驱动设备的早期故障进行预警。
7.根据权利要求6所述的***，所述一维时序数据为采集的列车的车轴温度数据，且车轴温度数据附有时间戳。
8.根据权利要求6所述的***，所述峰值集合中的每个元素以时间戳的顺序排列。
9.根据权利要求6所述的***，所述相似度的计算，具体为，将故障信息与多组一维时序数据，转换为一维曲线数据，对两条对应的一维曲线数据进行相似度的比较，公式如下：
Figure FDA0003072025370000021
其中，β(j)为两条对应的一维曲线数据的相似度的值，x(i)为任意时刻的一组一维时序数据，sj(i)为故障信息模型的任一故障信息，N为故障信息模型中故障信息个数，m为故障信息模型总数；
所述故障信息为一维时序数据。
10.根据权利要求6所述的***，所述预警单元还用于：
判断β(j)是否大于预设阈值，若大于，则确定列车驱动设备发生故障的概率较小，若小于，则判断采集的多组一维时序数据中峰值的温度数据，若温度数据较高，则发生的概率较大。
CN202110550875.9A 2021-05-18 2021-05-18 一种用于预警列车驱动设备早期故障特征的方法及*** Pending CN113434567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110550875.9A CN113434567A (zh) 2021-05-18 2021-05-18 一种用于预警列车驱动设备早期故障特征的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110550875.9A CN113434567A (zh) 2021-05-18 2021-05-18 一种用于预警列车驱动设备早期故障特征的方法及***

Publications (1)

Publication Number Publication Date
CN113434567A true CN113434567A (zh) 2021-09-24

Family

ID=77802646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110550875.9A Pending CN113434567A (zh) 2021-05-18 2021-05-18 一种用于预警列车驱动设备早期故障特征的方法及***

Country Status (1)

Country Link
CN (1) CN113434567A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543907A (zh) * 2019-08-29 2019-12-06 交控科技股份有限公司 一种基于微机监测功率曲线的故障分类方法
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN110955226A (zh) * 2019-11-22 2020-04-03 深圳市通用互联科技有限责任公司 设备故障预测方法、装置、计算机设备和存储介质
CN111324637A (zh) * 2020-02-05 2020-06-23 北京工业大数据创新中心有限公司 一种工业时序数据的故障征兆搜索方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN110543907A (zh) * 2019-08-29 2019-12-06 交控科技股份有限公司 一种基于微机监测功率曲线的故障分类方法
CN110955226A (zh) * 2019-11-22 2020-04-03 深圳市通用互联科技有限责任公司 设备故障预测方法、装置、计算机设备和存储介质
CN111324637A (zh) * 2020-02-05 2020-06-23 北京工业大数据创新中心有限公司 一种工业时序数据的故障征兆搜索方法及***

Similar Documents

Publication Publication Date Title
CN110602045A (zh) 一种基于特征融合和机器学习的恶意网页识别方法
CN103262048A (zh) 操作管理装置、操作管理方法及其程序
CN103473459A (zh) 一种多***大数据的处理及融合方法
CN113269042B (zh) 基于行驶车辆违章识别的智能交通管理方法及***
CN106651731A (zh) 基于历史数据的通信铁塔待解决问题集生成方法及***
CN117394337A (zh) 一种电网负荷预警方法及其***
CN116187285A (zh) 遥测数据处理方法、装置、设备及存储介质
CN112882899B (zh) 一种日志异常检测方法及装置
CN105335446A (zh) 一种基于词矢量的短文本分类模型生成方法与分类方法
CN113434567A (zh) 一种用于预警列车驱动设备早期故障特征的方法及***
CN115114124A (zh) 主机风险的评估方法及评估装置
CN112181792A (zh) 一种时序数据异常标注的方法、***及相关组件
CN114416417A (zh) ***异常监测方法、装置、设备及存储介质
CN114155914B (zh) 基于宏基因组拼接错误的检测校正***
CN113656287B (zh) 软件实例故障的预测方法、装置、电子设备及存储介质
CN113407520A (zh) 一种基于机器学习的电力网络安全数据清洗***及方法
CA2793952C (en) Extracting data related to clinical diagnostic instruments
CN114662856A (zh) 一种大型轧机状态跟踪方法和***
CN115938540B (zh) 一种基于云平台的情景互动儿童康复训练***
CN114726749B (zh) 数据异常检测模型获取方法、装置、设备及介质
CN117057955B (zh) 一种基于大数据的桥梁形变智能监测***
CN113434566A (zh) 一种提取一维时序检测数据中异常形状特征的方法及***
CN116484830B (zh) 基于大数据的互联网广告智能监测***
CN114064400B (zh) 一种it设备运维感知监控***
CN117726079B (zh) 基于机电一体化的自动化环形产线优化方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220407

Address after: Room 102-117, building 1, yard 5, Yongfeng Road, Haidian District, Beijing 100094

Applicant after: Beijing sine Space Technology Co.,Ltd.

Address before: 528225 R & D workshop 803, building 12, Lihe technology industry center, No. 99, Taoyuan East Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Applicant before: Guangdong Zhongfa Xingtong Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230712

Address after: A4, Floor 2, Building A4, Phase I, Zhong'an Chuanggu Science Park, No. 900, Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000

Applicant after: Anhui Sine Space Science and Technology Co.,Ltd.

Address before: Room 102-117, building 1, yard 5, Yongfeng Road, Haidian District, Beijing 100094

Applicant before: Beijing sine Space Technology Co.,Ltd.