CN114273974B - 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 - Google Patents
高速铣削加工中基于振动信号的刀具跳动参数在线估计法 Download PDFInfo
- Publication number
- CN114273974B CN114273974B CN202111560927.7A CN202111560927A CN114273974B CN 114273974 B CN114273974 B CN 114273974B CN 202111560927 A CN202111560927 A CN 202111560927A CN 114273974 B CN114273974 B CN 114273974B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal
- cutter
- time domain
- formula
- 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
Links
Landscapes
- Numerical Control (AREA)
Abstract
本发明公开了一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法,首先对采集获得的原始振动信号进行预处理获得时域振动信号;然后针对时域振动信号通过二次积分获得频域位移信号,再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号;最后根据时域位移信号估计得到刀具平均跳动量,以刀具平均跳动量作为刀具跳动长度,实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。本发明是在高速铣削过程中基于实时振动信号快速对刀具跳动距离做出在线估计,大大提高了刀具参数识别效率,从而准确分析高速铣削加工过程中的刀具磨损特征,提高刀具磨损预测效率,延长刀具使用寿命,提高工件的加工质量。
Description
技术领域
本发明涉及高速铣削加工中的刀具跳动参数在线估计法,更具体地说是涉及一种基于振动信号的高速铣削加工中的刀具跳动参数在线估计方法。
背景技术
高速铣削加工以高切削速度、高进给速度和高加工精度作为主要特征,具有综合效益高、市场响应速度快等能力,广泛应用于汽车行业、家用电器、航空航天生产和电子、光学、生物医学等行业。当前,以高速切削理论等方法为基础,诸多学者已经对高速铣削中的铣削过程建模和刀具特征磨损进行了大量研究和深入分析。
在高速加工过程中,刀具不可避免地会产生跳动。刀具跳动是铣削过程建模及刀具磨损特征分析的关键参数之一。刀具跳动会造成刀具不同刀齿磨损不一致,进而影响到刀具使用寿命和工件的加工质量。根据刀具跳动估计所需的数据和信息类型,当前的估计方法可分为物理理论方法和数据驱动方法。物理理论方法通过建立的机理和经验公式估计具体的刀具磨损量,其中的物理参数需要经由实验法确定。数据驱动方法是另一种更常见的方法,它在数值的基础上通过刀具磨损当前状态预测磨损的未来状态。具体地说,数据驱动方法进一步地分为人工智能(AI)方法(例如,支持向量机、人工神经网络、模糊理论和长短期记忆等)和统计方法(例如,多元线性回归、高斯混合回归和隐马尔可夫模型等)。近年来,多名学者提出了预测刀具磨损的多种混合人工智能方法。但是,上述方法需要使用大量的多层数据和冗余时间进行训练,影响了刀具磨损预测效率。
发明内容
本发明是为避免上述现有技术所存在的不足,提供一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法,依据实时振动信号,基于时间序列分析进行刀具磨损估计,从而更加准确地分析高速铣削加工过程中的刀具磨损特征,提高刀具磨损预测效率,延长刀具使用寿命,提高工件的加工质量。
本发明为实现发明目的采用如下技术方案:
本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点是:
首先对采集获得的原始振动信号AR进行预处理获得时域振动信号AP;
然后针对所述时域振动信号AP通过积分获得频域位移信号Dλ,再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号di;
最后根据所述时域位移信号估计得到刀具平均跳动量,以所述刀具平均跳动量作为刀具跳动长度,实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。
本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于:
所述对采集获得的原始振动信号进行预处理是指:利用加速度计通过监测获得原始振动信号AR,针对所述原始振动信号AR在时域内作平滑处理,以此削弱高频随机干扰信号,消除不规则趋势项。
本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于:包括如下步骤:
步骤1:原始振动信号采集和预处理:
通过采集获得原始振动信号AR,针对所述原始振动信号AR采用五点三次平滑法进行预处理,获得经预处理的时域振动信号AP;
步骤2:通过信号处理获得时域位移信号:
对所述时域振动信号AP首先进行离散傅立叶变换,获得频域振动信号Xλ,再对所述频域振动信号Xλ进行积分,获得频域位移信号Dλ;针对所述频域位移信号Dλ经离散傅立叶逆变换,获得时域位移信号di;
步骤3:根据时域位移信号估计刀具跳动参数:
依据时域位移信号di,通过非线性最小二乘法获得位移轨迹拟合曲线;
将刀具跳动位置记为(Ox,Oy),是指铣刀刀尖中心点坐(Ox,Oy);
样本的采样频率为ω,铣刀旋转一个周期的时长为T,则一个周期内的采样数为ωT;
将每个周期内的位移信号序列记为θq;
针对所述位移信号序列θq进行非线性最小二乘法求解:构造以刀具跳动位置(Ox,Oy)和刀具跳动长度r为多目标变量的多元非线性目标函数组,针对所述目标函数组采用最小二乘法进行最优化求解,获得各目标变量的最优解作为刀具跳动参数,实现高速铣削加工中基于振动信号的刀具跳动参数的估计。
本发明高速铣削加工中基于振动信号的刀具跳动参数在线估计法的特点也在于:
将原始振动信号AR中各元素依次记为离散数列{aRi};
将时域振动信号AP中各元素依次记为离散数列{aPi};
其中,i=0,1,…,(U–1);U为采样样本数;
依据式(1)获得时域振动信号AP;
式(1)中:u=2,3,…,(U–3);
对序列{aPi}进行离散傅立叶变换,获得由式(2)所表征的频域振动信号Xλ:
式(2)中,λ=0,1,…,(U–1);j为单位虚数
对频域振动信号Xλ进行积分,获得由式(3)所表征的频域位移信号Dλ:
式(3)中,ωλ=2πλΔf;Δf为频率分辨率,Δf=1/Ts,Ts为样本数据总时长;
经过离散傅立叶逆变换,获得由式(4)所表征的时域位移信号di:
式(4)中,Lλ是由式(5)所表征的带通滤波器的频率特性:
式(5)中,fu为下限截止频率,fd为上限截止频率;
则,每个周期内的位移信号序列θq如式(6)所表征:
式(6)中,
针对位移信号序列θq进行非线性最小二乘法求解,每组位移信号序列分解到x轴的分量θxq和y轴的分量θyq由式(7)所表征:
构造多目标变量的多元非线性目标函数组f(Ox,Oy,r)如式(8):
首先针对式(8)中各目标变量赋于初始值,再利用非线性最小二乘法进行求解,由此获得各目标变量的最优解。
与已有技术相比,本发明有益效果体现在:
本发明是在高速铣削过程中基于实时振动信号快速对刀具跳动距离做出在线估计,大大提高了刀具参数识别效率,从而准确分析高速铣削加工过程中的刀具磨损特征,提高刀具磨损预测效率,延长刀具使用寿命,提高工件的加工质量
附图说明
图1为本发明的刀具跳动参数估计方法流程图;
图2中(a)图为实验用三刃球头铣刀示意图;
图2中(b)图为图2中(a)图所示三刃球头铣刀动作示意图;
图3为采用五点三次平滑法对原始振动信号做预处理操作的结果示意;
图4为根据预处理后的振动信号获得时域和频域内的位移信号示意;
图5为对位移信号进行非线性最小二乘法求解获得刀具跳动长度估计结果示意。
具体实施方式
本实施例中高速铣削加工中基于振动信号的刀具跳动参数在线估计法是:
首先对采集获得的原始振动信号AR进行预处理获得时域振动信号AP;
然后针对所述时域振动信号AP通过积分获得频域位移信号Dλ,再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号di;
最后根据所述时域位移信号估计得到刀具平均跳动量,以所述刀具平均跳动量作为刀具跳动长度,实现高速铣削加工中基于振动信号的刀具跳动参数在线估计。
本实施例中高速铣削加工中基于振动信号的刀具跳动参数在线估计法包括如下步骤:
步骤1:原始振动信号采集和预处理:
利用加速度计通过监测获得原始振动信号AR,针对原始振动信号AR采用五点三次平滑法进行时域内的平滑处理,获得经时域内平滑处理的时域振动信号AP,以此削弱高频随机干扰信号,消除不规则趋势项;
步骤2:通过信号处理获得时域位移信号:
对时域振动信号AP首先进行离散傅立叶变换,获得频域振动信号Xλ,再对频域振动信号Xλ进行积分,通过一次积分获得频域速度信号Vλ,再通过二次积分获得频域位移信号Dλ;针对频域速度信号Vλ和频域位移信号Dλ经离散傅立叶逆变换,即可获得时域速度信号vi和时域位移信号di;
步骤3:根据时域位移信号估计平均刀具跳动量:
依据时域位移信号di,通过非线性最小二乘法获得位移轨迹拟合曲线;
将刀具跳动位置记为(Ox,Oy),是指铣刀刀尖中心点坐(Ox,Oy);针对立式机床,以加工起始前铣刀刀尖中心点为坐标原点,x轴平行于工件进给方向,y轴垂直于工件进给方向,建立平面坐标系XOY;则加工过程中因存在有刀具跳动,铣刀刀尖中心点坐标记为(Ox,Oy),即刀具跳动位置(Ox,Oy);Ox为铣刀刀尖中心点在坐标系XOY中的x轴坐标,Oy为铣刀刀尖中心点在坐标系XOY中的y轴坐标;
样本的采样频率为ω,铣刀旋转一个周期的时长为T,则一个周期内的采样数为ωT;
将每个周期内的位移信号序列记为θq;
针对所述位移信号序列θq进行非线性最小二乘法求解:构造以刀具跳动位置(Ox,Oy)和刀具跳动长度r为多目标变量的多元非线性目标函数组,针对所述目标函数组采用最小二乘法进行最优化求解,获得各目标变量的最优解作为刀具跳动参数,实现高速铣削加工中基于振动信号的刀具跳动参数的估计。
具体实施中,将原始振动信号AR中各元素依次记为离散数列{aRi};将时域振动信号AP中各元素依次记为离散数列{aPi};其中,i=0,1,…,(U–1);U为采样样本数;
依据式(1)获得时域振动信号AP;
式(1)中:u=2,3,…,(U–3),且各元素aPu所对应的系数相同,均为1/70×[–6 2434 24 –6];
对序列{aPi}进行离散傅立叶变换,获得由式(2)所表征的频域振动信号Xλ:
式(2)中,λ=0,1,…,(U–1);j为单位虚数
对频域振动信号Xλ进行积分,获得由式(3)所表征的频域位移信号Dλ:
式(3)中,ωλ=2πλΔf;Δf为频率分辨率,Δf=1/Ts,Ts为样本数据总时长;
经过离散傅立叶逆变换,获得由式(4)所表征的时域位移信号di:
式(4)中,Lλ是由式(5)所表征的带通滤波器的频率特性:
式(5)中,fu为下限截止频率,fd为上限截止频率;
下限截止频率fu和上限截止频率fd根据刀具铣削固有频率nN/60进行选取;以固有频率为中心选定最小闭邻域,最小闭邻域中能够包含一个完整的频域波形,将最小闭邻域的左端点值作为下限截止频率fu,将最小闭邻域的右端点值作为上限截止频率fd。
则,每个周期内的位移信号序列θq如式(6)所表征:
式(6)中,
针对位移信号序列θq进行非线性最小二乘法求解:设定位移信号的初始角度与x轴夹角为0,则每组位移信号序列分解到x轴的分量θxq和y轴的分量θyq由式(7)所表征:
构造多目标变量的多元非线性目标函数组f(Ox,Oy,r)如式(8):
首先针对式(8)中各目标变量赋于初始值,再利用非线性最小二乘法进行求解,由此获得各目标变量的最优解;
变量Ox的初始值Ox_guess、变量Oy的初始值Oy_guess,以及变量r的初始值rguess由式(9)所表征:
实验验证:
选用三刃球头铣刀连续铣削镍基高温合金Inconel 718,刀具直径为0.6mm,采样频率为50KHz。刀具和加工平台如图2a和图2b所示的。
采用本发明方法针对高速铣削加工中的刀具跳动参数基于振动信号进行在线估计,方法流程如图1所示。
图3中(a)图为采集获得的x轴原始振动信号,图3中(b)图为采集获得的y轴原始振动信号,图3中(c)图为x轴预处理后振动信号,图3中(d)为y轴预处理后振动信号。图3中(a)图和(b)图中的原始振动信号包含数据采集时混入的高频随机噪声,导致振动信号的离散数据序列在时域图中呈现许多毛刺,很不光滑;为削弱这些随机干扰信号的影响,采用五点三次平滑法对原始振动信号进行平滑处理,经过预处理之后的振动信号如图3中(c)图和(d)图所示。排除了高频成分中的噪声信号之后,时域谱中曲线的幅值均有所降低。
图4中(a)图为x轴时域位移信号,图4中(b)图为y轴时域位移信号,图4中(c)图为x轴频域位移信号,图4中(d)图为y轴频域位移信号。如图4中(a)图和(b)图可见,经过离散傅立叶变换之后,x轴和y轴的时域振动信号幅值在采样区间内基本平稳。如图4中(c)图和(d)图可见,在固有频率附近,频谱均有明显的峰值。
最终通过求解优化目标函数组获得刀具跳动参数,如图5所示,由于x轴和y轴的时域振动信号幅值在采样区间内保持稳定,刀尖中心在x-y平面图中呈现出近似圆形轨迹。采用非线性最小二乘法拟合轨迹,获得以刀具跳动长度r为半径的拟合圆。拟合圆的圆心非常接近原点(0,0),表明刀具在加工时的倾斜角度很小。
高速铣削加工时不易直接测量切削刃振动位移,即刀齿轨迹/刀具跳动量,本发明方法以振动信号为基础间接估计刀具跳动量是一种行之有效的手段,本发明方法藉助振动信号完成对刀具跳动量进行在线实时估计,有助于对高速铣削过程中刀具磨损等过程物理参数的在线监测和特征分析。
Claims (2)
1.一种高速铣削加工中基于振动信号的刀具跳动参数在线估计法,其特征是:
首先对采集获得的原始振动信号AR进行预处理获得时域振动信号AP;所述对采集获得的原始振动信号进行预处理是指:利用加速度计通过监测获得原始振动信号AR,针对所述原始振动信号AR在时域内作平滑处理,以此削弱高频随机干扰信号,消除不规则趋势项;
然后针对所述时域振动信号AP通过积分获得频域位移信号Dλ,再通过离散傅立叶逆变换将频域位移信号转换为时域位移信号di;
最后根据所述时域位移信号估计得到刀具平均跳动量,以所述刀具平均跳动量作为刀具跳动长度,实现高速铣削加工中基于振动信号的刀具跳动参数在线估计;
所述高速铣削加工中基于振动信号的刀具跳动参数在线估计法包括如下步骤:
步骤1:原始振动信号采集和预处理:
通过采集获得原始振动信号AR,针对所述原始振动信号AR采用五点三次平滑法进行预处理,获得经预处理的时域振动信号AP;
步骤2:通过信号处理获得时域位移信号:
对所述时域振动信号AP首先进行离散傅立叶变换,获得频域振动信号Xλ,再对所述频域振动信号Xλ进行积分,获得频域位移信号Dλ;针对所述频域位移信号Dλ经离散傅立叶逆变换,获得时域位移信号di;
步骤3:根据时域位移信号估计刀具跳动参数:
依据时域位移信号di,通过非线性最小二乘法获得位移轨迹拟合曲线;
将刀具跳动位置记为(Ox,Oy),是指铣刀刀尖中心点坐(Ox,Oy);
样本的采样频率为ω,铣刀旋转一个周期的时长为T,则一个周期内的采样数为ωT;
将每个周期内的位移信号序列记为θq;
针对所述位移信号序列θq进行非线性最小二乘法求解:构造以刀具跳动位置(Ox,Oy)和刀具跳动长度r为多目标变量的多元非线性目标函数组,针对所述目标函数组采用最小二乘法进行最优化求解,获得各目标变量的最优解作为刀具跳动参数,实现高速铣削加工中基于振动信号的刀具跳动参数的估计。
2.根据权利要求1所述的高速铣削加工中基于振动信号的刀具跳动参数在线估计法,其特征是:
将原始振动信号AR中各元素依次记为离散数列{aRi};
将时域振动信号AP中各元素依次记为离散数列{aPi};
其中,i=0,1,…,(U–1);U为采样样本数;
依据式(1)获得时域振动信号AP;
式(1)中:u=2,3,…,(U–3);
对序列{aPi}进行离散傅立叶变换,获得由式(2)所表征的频域振动信号Xλ:
式(2)中,λ=0,1,…,(U–1);j为单位虚数
对频域振动信号Xλ进行积分,获得由式(3)所表征的频域位移信号Dλ:
式(3)中,ωλ=2πλΔf;Δf为频率分辨率,Δf=1/Ts,Ts为样本数据总时长;
经过离散傅立叶逆变换,获得由式(4)所表征的时域位移信号di:
式(4)中,Lλ是由式(5)所表征的带通滤波器的频率特性:
式(5)中,fu为下限截止频率,fd为上限截止频率;
则,每个周期内的位移信号序列θq如式(6)所表征:
θq={d(q-1)ωT+1,d(q-1)ωT+2,…,dqωT} (6)
式(6)中,
针对位移信号序列θq进行非线性最小二乘法求解,每组位移信号序列分解到x轴的分量θxq和y轴的分量θyq由式(7)所表征:
构造多目标变量的多元非线性目标函数组f(Ox,Oy,r)如式(8):
首先针对式(8)中各目标变量赋于初始值,再利用非线性最小二乘法进行求解,由此获得各目标变量的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560927.7A CN114273974B (zh) | 2021-12-14 | 2021-12-14 | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560927.7A CN114273974B (zh) | 2021-12-14 | 2021-12-14 | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114273974A CN114273974A (zh) | 2022-04-05 |
CN114273974B true CN114273974B (zh) | 2023-07-25 |
Family
ID=80873111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111560927.7A Active CN114273974B (zh) | 2021-12-14 | 2021-12-14 | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114273974B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814268B (zh) * | 2022-04-13 | 2024-06-21 | 南京磁之汇电机有限公司 | 电机转速获取方法、装置、***与计算机可读存储介质 |
CN115647440B (zh) * | 2022-11-10 | 2023-05-12 | 哈尔滨理工大学 | 方肩铣刀主副切削刃铣削微元能耗特征参数解算方法 |
CN117270455B (zh) * | 2023-11-20 | 2024-03-15 | 成都飞机工业(集团)有限责任公司 | 一种基于数字滤波的槽腔铣削刀轨优化方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1162029B1 (de) * | 2000-05-15 | 2003-03-19 | Prometec GmbH | Verfahren und Vorrichtung zum Überwachen des Verschleisszustandes eines Werkzeuges |
CN102825504B (zh) * | 2012-09-18 | 2014-12-24 | 重庆科技学院 | 数控机床主轴状态检测方法 |
WO2015120293A1 (en) * | 2014-02-06 | 2015-08-13 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for real-time monitoring of micromilling tool wear |
CN106141815B (zh) * | 2016-07-15 | 2018-07-17 | 西安交通大学 | 一种基于ar模型的高速铣削颤振在线辨识方法 |
CN106217130B (zh) * | 2016-08-15 | 2018-06-15 | 大连理工大学 | 复杂曲面加工过程中铣刀状态在线监测与预警方法 |
US10365182B2 (en) * | 2017-07-05 | 2019-07-30 | Hiwin Technologies Corp. | Method for performing vibration detection on a machine tool |
KR102224333B1 (ko) * | 2019-04-25 | 2021-03-09 | (주)우남기공 | Cnc공작기계 스핀들주축의 런아웃 검사장치 및 검사방법 |
CN110103079B (zh) * | 2019-06-17 | 2020-10-13 | 中国科学院合肥物质科学研究院 | 一种微铣削过程中刀具磨损的在线监测方法 |
CN110253341B (zh) * | 2019-06-27 | 2020-05-05 | 中国科学院合肥物质科学研究院 | 一种微铣削加工刀具跳动参数的快速识别方法 |
CN111716150B (zh) * | 2020-06-30 | 2021-07-02 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
CN113172477B (zh) * | 2021-03-25 | 2023-03-31 | 南京晓庄学院 | 一种机器人螺旋铣孔铣刀偏心量在线测控装置及测控方法 |
-
2021
- 2021-12-14 CN CN202111560927.7A patent/CN114273974B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114273974A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114273974B (zh) | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 | |
Traini et al. | Machine learning framework for predictive maintenance in milling | |
Quintana et al. | Surface roughness monitoring application based on artificial neural networks for ball-end milling operations | |
Zhou et al. | Tool wear condition monitoring in milling process based on current sensors | |
Jemielniak et al. | Tool condition monitoring based on numerous signal features | |
CN111660141B (zh) | 一种工况无关的基于主轴驱动电流的铣刀磨损状态识别方法 | |
Herwan et al. | Cyber-physical system architecture for machining production line | |
Morala-Argüello et al. | A evaluation of surface roughness classes by computer vision using wavelet transform in the frequency domain | |
CN113741377A (zh) | 一种基于切削特征遴选的加工过程智能监控***及方法 | |
CN111721835B (zh) | 空心钻磨削砂轮状态智能监测方法 | |
Liu et al. | Online monitoring and measurements of tool wear for precision turning of stainless steel parts | |
He et al. | Soft computing techniques for surface roughness prediction in hard turning: A literature review | |
Ganovska et al. | Design of the model for the on-line control of the AWJ technology based on neural networks | |
CN110909710A (zh) | 一种基于s试件的自适应主轴性能劣化识别方法 | |
Han et al. | ESPRIT-and HMM-based real-time monitoring and suppression of machining chatter in smart CNC milling system | |
Kirchen et al. | Data-driven model development for quality prediction in forming technology | |
CN112372371A (zh) | 数控机床刀具磨损状态评估方法 | |
CN115890366A (zh) | 对轴承套圈内圆切入磨削加工早期颤振在线监测方法 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
Bakker et al. | Linear friction weld process monitoring of fixture cassette deformations using empirical mode decomposition | |
Mühlbauer et al. | Automated data labeling and anomaly detection using airborne sound analysis | |
CN113916884A (zh) | 一种硬车削工件表面质量在线预测方法 | |
JEMIELNIAK | Tool and process condition monitoring | |
CN114346762B (zh) | 一种高速铣削加工过程颤振监测方法、***及可存储介质 | |
Mehrabi et al. | Mapping theory: a new approach to design of multi-sensor monitoring of reconfigurable machining systems (RMS) |
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 |