Nothing Special   »   [go: up one dir, main page]

CN110441063B - 一种监测诊断大型高速转子轴裂纹的方法 - Google Patents

一种监测诊断大型高速转子轴裂纹的方法 Download PDF

Info

Publication number
CN110441063B
CN110441063B CN201910507988.3A CN201910507988A CN110441063B CN 110441063 B CN110441063 B CN 110441063B CN 201910507988 A CN201910507988 A CN 201910507988A CN 110441063 B CN110441063 B CN 110441063B
Authority
CN
China
Prior art keywords
trend
monitoring
rotor shaft
fast
frequency
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
CN201910507988.3A
Other languages
English (en)
Other versions
CN110441063A (zh
Inventor
祝思宁
王慧
王牮
董玉华
冯坤
江志农
李竟榕
王平
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910507988.3A priority Critical patent/CN110441063B/zh
Publication of CN110441063A publication Critical patent/CN110441063A/zh
Application granted granted Critical
Publication of CN110441063B publication Critical patent/CN110441063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种监测诊断大型高速转子轴裂纹的方法，采集和分离轴位移总信号中的快变量信号，对于监测诊断大型高速转动机组转子轴的裂纹开裂过程非常有效。根据高速转动机组转子正常平稳运行状态下的采集的转子轴位移时域信号，将总信号中的慢变直流量部分与快变交量部分分离，监测轴向振动快变量信号的谐波向量线性加权和的趋势数据变化，和一倍频变化趋势；通过监测谐波向量线性加权和Y(Af)的趋势来表征裂纹风险。得到数据信息后，通过手工或者自动分析即可监测分析大型高速转子轴裂纹的扩展过程，使问题得到及时处理避免发生重大设备事故。本发明可用于航空、航海、石化、核电冶金、电力、有色等过程工业的所有具备轴向动态振动监测条件的大型高速转动设备转子轴裂纹扩展过程的监测分析。

Description

一种监测诊断大型高速转子轴裂纹的方法
技术领域
本发明属于设备健康状态监测应用技术领域，更具体地，涉及一种大型高速旋转机组正 常运行中无损、无需停机情况下监测分析转子轴裂纹开裂过程的技术。
背景技术
大型高速旋转机组运行中，转子的主轴出现裂纹及发生断裂是非常令人担忧的故障，在 转子设计、制造加工、安装、运行中不可避免地会产生生成裂纹的条件。如何在大型高速旋 转机组运行中有效监测与诊断出主轴出现裂纹及裂纹扩展过程，避免运行中大型高速旋转机 组主轴的突然断裂，是生产管理者和设备状态监测人员都十分关注的问题。
中国专利200910082560.5公开了一种大型汽轮发电机组转子裂纹故障实时诊断方法，通 过采集汽轮机组转子轴振动信号，该方法对振动数据进行必要的计算分析判断。实时计算存 储转子两侧轴振动基频振动幅值和二倍频振动幅值，并实时进行轴振基频振动幅值实时验证, 判断转子任何一侧的轴振基频振动的振幅是否大于振动幅值阈值。结合最小二乘法及积差相 关系数计算方法，对轴振基频振动数据进行轴振基频振动幅值渐增性验证及轴振二倍频振动 幅值渐增性验证等实时定量计算分析。在定量计算分析基础上，结合各项验证结果，自动实 时在线诊断机组是否发生转子裂纹故障。
目前世界业界传统检测和监测诊断大型高速旋转转子轴裂纹的方法：一是在设备停机过 程中，用无损检测的方法检测轴上的裂纹，如有裂纹即对转子进行更换或修复，这种方法不 适合运行中的实时监测；二是通过FEM数值仿真进行疲劳寿命估算，这种方法的实际效果受 到具体转轴材料质地等具体因素影响很大，实际还是建立在无损检测基础上；三是通过监测 转子在启停机过程中转子径向振动信号幅值和相位的变化，通常是对比启停机过程中而非正 常运行过程中转子径向振动振幅与相位参数的变化，因而对于石油化工等连续生产行业设备， 常常2、3年左右时间均不停机的转子受到限制。也就是对于长期连续运行的、基于振动信号 分析的、大型高速旋转机组转子轴裂纹的实时监测诊断和预报还没有有效的技术。
发明内容
经过多年的对往复式压缩机、离心式压缩机、汽轮机等转动设备转子轴断裂前期振动状 态监测、各类振动信号分析对比可知，采用不同的监测方式、采用不同的传感器信号对监测 诊断转子轴的裂纹发展趋势的效果有很大区别，有的监测结果是在转子轴断裂数天前没有明 显异常，通过多年的实践和研究发现利用电涡流位移传感器，采集和分离轴位移总信号中的 快变量信号，对于监测诊断大型高速转动机组转子轴的裂纹开裂过程非常有效。传统的电涡 流位移传感器采集的转子轴位移信号，基本是用来监测转子的轴位移(轴向平均位置，慢变 量)变化，在轴位移值超过停机报警值时，触发停机连锁，起到保护机组的作用，在这个过 程中监测保护系统，利用的是电涡流位移传感器，采集到轴位移信号的总量，所关注的是推 力轴瓦的磨损状态，而其中的位移振动信号快变量，多年来在监测诊断过程中没有被重视和 利用，经过多年的实际应用证明，这部分位移振动信号快变量可以有效地用于监测诊断大型 高速转动机组转子轴断裂过程，特别适合不具备经常启停机的常年连续生产运行的大型高速 转动机组转子轴裂纹监测诊断和预报。本方法用简单的几何相似理论，避开纯电子的放大器 系统在放大裂纹信号时会放大噪声的弊端，也就是本技术方法巧妙成功地采用简单可靠的机 械、几何相似放大技术原理，完全避免了电子高倍放大过程中电磁干扰问题。另一个优势是， 不必增加昂贵的专用监测硬件系统，而是利用大型关键机组出厂前多数已经预先安装的振动 保护表的轴位移传感器信号，明显地降低了监测转子轴裂纹的成本。
为实现上述目的，本发明采用的技术方案为一种监测诊断大型高速转子轴裂纹的方法， 该方法包括如下步骤：
根据高速转动机组转子正常平稳运行状态下的采集的转子轴位移时域信号，将总信号中 的慢变直流量部分与快变交量部分分离，监测轴向振动快变量信号的谐波向量线性加权和的 趋势数据变化，和一倍频变化趋势；
对于有限序列转子轴位移时域振动信号x(t)，其中包含快变量和慢变量，即 x(t)＝x(t)fast+x(t)slow，将快变量x(t)fast分离出来后，做傅里叶变换得到频域幅值谱信号
Figure BDA0002092471870000021
k＝0,1,2,3，...N-1，式中：x(i)为时域振动信号x(t)的第i个离 散点；k是频域幅值谱中的横坐标频率向量；N是进行傅里叶变换的点数。从频域幅值谱上， 提取1X、2X、2X到10X倍频成分幅值的矢量和的模，即
Figure BDA0002092471870000022
式中
Figure BDA0002092471870000023
等1倍频、2倍频等成分矢量形式的幅值。通过监测谐波向量线性加权和Y(Af) 的趋势来表征裂纹风险。
得到这些数据信息后，通过手工或者自动分析即可监测分析大型高速转子轴裂纹的扩展 过程，使问题得到及时处理避免发生重大设备事故。
当采用自动分析时，首先进行趋势滤波消除趋势上的随机干扰，获得准确的发展趋势， 步骤如下：
l1趋势滤波算法是在H-P滤波基础上进行改进得新型滤波方法。这种趋势估计是通过最小 化加权目标函数实现的，加权目标函数如下：
Figure BDA0002092471870000031
式中：yt，t＝1,…,n，是一个标准时间序列，设其由一个基本趋势st及一个随机变量zt组 成；st-1及st+1分别表示st的前后点；λ是一个非负参数用来控制s的平滑性和平衡余项的大小；
将上式写成矩阵形式：
Figure BDA0002092471870000032
其中：y＝(y1,y2,…,yn)∈Rn,s＝(s1,s2…sn)∈Rn，Rn表示n维的实数向量，||u||1＝∑i|ui| 表示向量u的l1范数，D∈R(n-2)×n是一个二阶差分矩阵：
Figure BDA0002092471870000033
加权目标函数对s来说是一个严格的凸函数，所以只有一个最小值，用slt表示，因此slt就 是滤波后的最后趋势。
文献[4]指出，l1趋势滤波求解问题可以等同于对正则化l1最小二乘求解问题，
Figure BDA0002092471870000034
其中：θ＝(θ1,…θn)∈Rn是变量，M是下三角矩阵：
Figure BDA0002092471870000035
通过最小二乘法求得此问题结果θlt，则l1趋势滤波结果slt＝Mθlt。应用l1趋势滤波技术 能够估计出机械设备突发性故障特征趋势。
本发明还提供了上述方法的用途，上述方法可用于航空、航海、石化、核电冶金、电力、 有色等过程工业的所有具备轴向动态振动监测条件的大型高速转动设备转子轴裂纹扩展过程 的监测分析。
总体而言，本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：
(1)填补了国内外基于振动信号分析的、长期连续运行的大型高速旋转机组转子轴裂纹 的实时有效监测分析和预报技术的空白，解决了一个世界性的难题；
(2)避免大型关键机组的重大损坏，避免转子断裂造成恶性事故和人员伤亡、设施损坏、 环境污染等。
附图说明
图1用于证明本发明技术监测分析灵敏度示意图；
图2用于证明本发明技术监测分析灵敏度示意图；
图3用于证明本发明技术监测分析灵敏度示意图；
图4用于证明本发明技术监测分析灵敏度示意图；
图5是本发明实例插图；
图6是本发明实例插图；
图7是本发明实例插图；
图8是本发明主要流程框图；
本方法技术监测诊断灵敏度的证明(与横向振动监测相比较)
在转子轴的横向裂纹开裂过程中，在彻底全部断裂之前，必定经过一个裂纹由浅入深的 裂纹扩展过程，以转子轴横截面彻底断开之前的，裂纹深度占直径1/3状态为例；(通过研 究和观察了大量转子轴断裂案例，发现多数转子轴裂纹深度都是扩展超过1/2直径后，发生 因强度不够的脆断，在此之前裂纹扩展相对较缓慢)。
b裂纹宽度＝40um轴颈150mm；裂纹距离测量轴位移振动信号的测量盘1200mm；c＝50mm； 测量盘直径180mm；传感器中心距离轴心的位置70mm
尖劈状裂纹顶角为A，那么A/2＝tan-1(A/2)＝0.02291831°
tan(A/2)＝(b/2)/c＝20/50000＝0.0004；a＝(tan(A/2))(b/2)＝0.0004X20＝0.008um
f＝tan(A/2)x1200000＝480um；g＝(tan(A/2))X480＝0.192um
g/a＝0.192/0.008＝24；g.＝Tan(A/2)X70mm＝28um
g.+g＝28+0.192＝28.192um；(g.+g)/a＝28.192/0.008＝3524倍
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。
实施例：
一台驱动离心压缩机组的汽轮机，设计工作转速6500转/分，一阶临界转速：4020转/ 分，多块可倾滑动轴瓦，迷宫密封，入口蒸汽压力：3.8MPa，出口蒸汽压力：0.008MPa，振动报警值38微米峰峰值，振动停机值65微米峰峰值。
该机组某年5月29日轴向位移传感器所测快变信号振动幅值开始增大，当时谐波向量线 性加权和Y(Af)的幅值63微米，3天后增大到165微米，轴断裂后停机前轴向动态振幅增大 到396微米。由于在机组轴承座上所安装的测量径向振动的两支涡流传感器，多数是与过轴 中心线的铅垂或水平面夹角45度安装的，由于传感器所处的具体位置，所以检测不到转子轴 横向裂纹转到底部开、顶部合的状态，即裂纹最大与最小张开位移时对应的振动幅值，因为 传感器越是靠近转子轴的侧面，检测到转子横向裂纹开合引起横向振动的响应越小，而测到 的信号又容易同其他引起振动的因素混淆，而轴向位移传感器多是在推力盘附近安装了两支， 由于靠近轴头位置，容易测到裂纹开合所引起的倍频振动幅值的变化。所以在关注转子径向 振动的同时，特别关注转子轴向位移振动信号中，快变量振动幅值的变化，事实上转子径向 振动确实没有明显变化。
转子轴向快变量振动幅值的变化趋势振动趋势图如图5，转子裂纹发展时间历程中，对 应的3个不同时间的轴向快变量振动信号幅值频谱图如6。
从图中5的上图中可以看到，在6月1日之前的34天中，转子同一局部位置的径向振动 幅值，基本没有增大和变化,说明机组在转速和负荷变化不大的条件下,转子裂纹生成及发展对 径向振动的振幅影响不免明显；再看同一部位转子轴向快变量振动信号,见图5中的下图，轴 向位移快变量信号Y(Af)幅值，即轴向位移传感器所测的快变量信号谐波分离幅值加权和,在 5月27日到6月1日仅仅4天的时间里，就从62微米-峰峰值，增大到165微米-峰峰值，在 轴断之前振幅突然增大到382微米-峰峰值，对应在这个过程中的快变量振动信号的1倍频值 也随通频振幅同步增大，例如：5月27日16点55分，通频62微米-峰峰值时对应的1倍频 幅值46微米，5月30日20点19分，通频107微米-峰峰值对应的1倍频幅值90.6微米，即 5月27日16点55分通频62微米-峰峰值对应的1倍频46微米，6月1日0点33分轴断前， 通频382微米-峰峰值对应的1倍频333微米，其他分量中，仅2倍频变化较大，轴向快变量 振动2倍频在此期间，由16微米增加到88微米，其他分量变化不明显，见图6。
这说明在机组运行状态下，转速和负荷变化较小的条件下，相对于径向振动信号振幅值， 对于转子靠近推力盘的强度较低部位的主轴横向裂纹，轴向快变量振动的幅值表现得更加敏 感，特别是在转子推力盘侧存在疲劳源的状态下，而且不必引进相位信号，需要的信息量较 少。在转子轴向快变量振动幅值明显增大的5天之后，机组振动过大停机，停机过程中，断 轴之前，轴向快变量谐波分离幅值加权和振幅Y(Af)达到382微米，解体检查转子靠近推力 盘一侧轴断裂，转子断裂的照片见下图7；
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。
[1]J.Alvarez-Ramirez,E.Rodriguez,J.Carlos Echeverría.Detrendingfluctuation analysis based on moving average filtering[J].Physica A:Statistical Mechanics and its Applications. 2005,354:199-219
[2]J.W.Taylor.Exponential smoothing with a damped multiplicativetrend[J].International Journal of Forecasting.2003,19(4):715-725
[3]R.J.Hodrick,E.C.Prescott.Postwar U.S.Business Cycles:An EmpiricalInvestigation[J]. Social Science Electronic Publishing.1997,29(1):1-16
[4]S.-J.Kim,K.Koh,S.Boyd.L1 Trend Filtering[J].SIAM Review.2009,51(2):339-360
[5]Z.Chen,P.Ivanov,K.Hu.Effect of nonstationarities on detrendedfluctuation analysis[J]. Phys Rev E Stat Nonlin Soft Matter Phys.2002,65(4 Pt1):041107

Claims (2)

1.一种监测诊断大型高速转子轴裂纹的方法，其特征在于：该方法包括如下步骤，
根据高速转动机组转子正常平稳运行状态下的采集的转子轴位移时域信号，将总信号中的慢变直流量部分与快变交量部分分离，监测轴向振动快变量信号的谐波向量线性加权和的趋势数据变化和一倍频变化趋势；
对于有限序列转子轴位移时域振动信号x(t)，其中包含快变量和慢变量，即x(t)＝x(t)fast+x(t)slow，将快变量x(t)fast分离出来后，做傅里叶变换得到频域幅值谱信号
Figure FDA0002965020000000011
k＝0,1,2,3，...N-1，式中：x(i)为时域振动信号x(t)的第i个离散点；k是频域幅值谱中的横坐标频率向量；N是进行傅里叶变换的点数；从频域幅值谱上，提取1X、2X、3X到10X倍频成分幅值的矢量和的模，即
Figure FDA0002965020000000012
式中
Figure FDA0002965020000000013
为1倍频、2倍频等频率成分；通过监测谐波向量线性加权和Y(Af)的趋势来表征裂纹风险；
得到这些数据信息后，通过手工或者自动分析即可监测分析大型高速转子轴裂纹的扩展过程，使问题得到及时处理避免发生重大设备事故。
2.根据权利要求1所述的一种监测诊断大型高速转子轴裂纹的方法，其特征在于：当采用自动分析时，首先进行趋势滤波消除趋势上的随机干扰，获得准确的发展趋势，步骤如下：
l1趋势滤波算法是在H-P滤波基础上进行改进得滤波方法；这种趋势估计是通过最小化加权目标函数实现的，加权目标函数如下：
Figure FDA0002965020000000014
式中：yt，t＝1,…,n，是一个标准时间序列，设其由一个基本趋势st及一个随机变量zt组成，st-1及st+1分别表示st的前后点；λ是一个非负参数用来控制s的平滑性和平衡余项的大小；
将上式写成矩阵形式：
Figure FDA0002965020000000015
其中：y＝(y1,y2,…,yn)∈Rn,s＝(s1,s2…sn)∈Rn，Rn表示n维的实数向量；||u||1＝∑i|ui|表示向量u的l1范数，D∈R(n-2)×n是一个二阶差分矩阵：
Figure FDA0002965020000000021
加权目标函数对s来说是一个严格的凸函数，所以只有一个最小值，用slt表示，因此slt就是滤波后的最后趋势；
l1趋势滤波求解问题等同于对正则化l1最小二乘求解问题，
Figure FDA0002965020000000022
其中：θ＝(θ1,…θn)∈Rn是变量，M是下三角矩阵：
Figure FDA0002965020000000023
通过最小二乘法求得此问题结果θlt，则l1趋势滤波结果slt＝Mθlt；应用l1趋势滤波技术能够估计出机械设备突发性故障特征趋势。
CN201910507988.3A 2019-06-12 2019-06-12 一种监测诊断大型高速转子轴裂纹的方法 Active CN110441063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910507988.3A CN110441063B (zh) 2019-06-12 2019-06-12 一种监测诊断大型高速转子轴裂纹的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910507988.3A CN110441063B (zh) 2019-06-12 2019-06-12 一种监测诊断大型高速转子轴裂纹的方法

Publications (2)

Publication Number Publication Date
CN110441063A CN110441063A (zh) 2019-11-12
CN110441063B true CN110441063B (zh) 2021-04-27

Family

ID=68429146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910507988.3A Active CN110441063B (zh) 2019-06-12 2019-06-12 一种监测诊断大型高速转子轴裂纹的方法

Country Status (1)

Country Link
CN (1) CN110441063B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113187715B (zh) * 2021-05-26 2022-12-13 西安热工研究院有限公司 一种超临界二氧化碳压缩机振动智能诊断的矩阵分析方法
CN114111881A (zh) * 2021-09-16 2022-03-01 北京泓慧国际能源技术发展有限公司 飞轮转子运动状态的监测系统、方法及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2057347C3 (de) * 1970-11-21 1975-03-20 Aviatest Gmbh, 4000 Duesseldorf Vorrichtung zur Prüfung umlaufender Werkstücke bezüglich ihres Verhaltens bei unterschiedlichen Drehzahlen und Drehmomenten
CN1091901C (zh) * 1997-01-31 2002-10-02 浙江大学 大型旋转机组在线状态监测与故障诊断系统
KR20090011119A (ko) * 2007-07-25 2009-02-02 현대자동차주식회사 차량 급 발진 시 진동 저감 장치
CN101532911B (zh) * 2009-04-24 2011-05-11 华北电力大学 大型汽轮发电机组转子裂纹故障实时诊断方法
CN104330257B (zh) * 2014-11-26 2018-05-29 天津工业大学 一种行星齿轮传动系统故障诊断方法
CN107748734B (zh) * 2017-10-31 2021-08-27 电子科技大学 一种解析-经验模态分解方法
CN108656114B (zh) * 2018-05-16 2021-04-13 中国矿业大学 柔性机械臂的控制方法

Also Published As

Publication number Publication date
CN110441063A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
Liu et al. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings
JP3321487B2 (ja) 機器／設備診断方法およびシステム
Lahdelma et al. Signal processing and feature extraction by using real order derivatives and generalised norms. Part 2: Applications
Amarnath et al. Exploiting sound signals for fault diagnosis of bearings using decision tree
TWI282850B (en) Method and apparatus for assessing remaining life of rolling bearing
Monkova et al. Condition monitoring of Kaplan turbine bearings using vibro-diagnostics
Honarvar et al. New statistical moments for diagnostics of rolling element bearings
CN102966526B (zh) 基于轴向振动分析的压缩机低频流体激振类故障诊断方法
CN110441063B (zh) 一种监测诊断大型高速转子轴裂纹的方法
Ali et al. Observations of changes in acoustic emission parameters for varying corrosion defect in reciprocating compressor valves
CN115539139A (zh) 一种汽轮机安全性的监测方法
Hamomd et al. Vibration based centrifugal pump fault diagnosis based on modulation signal bispectrum analysis
Liu et al. A review of current condition monitoring and fault diagnosis methods for low-speed and heavy-load slewing bearings
Lu et al. Condition monitoring and fault diagnostics of wind turbines
Zhang et al. Generalized transmissibility damage indicator with application to wind turbine component condition monitoring
Rajapaksha et al. Acoustic analysis based condition monitoring of induction motors: A review
Mendel et al. Rolling element bearing fault diagnosis in rotating machines of oil extraction rigs
Chandra et al. Fault diagnosis of a double-row spherical roller bearing for induction motor using vibration monitoring technique
Dubaish et al. State-of-the-art review into signal processing and artificial intelligence-based approaches applied in gearbox defect diagnosis
Shrivastava et al. Vibration signature analysis for ball bearing of three phase induction motor
Gregg et al. Feature selection for monitoring erosive cavitation on a hydroturbine
Lim et al. Motor fault detection method for vibration signal using FFT residuals
Al-Obaidi et al. Acoustic emission parameters evaluation in machinery condition monitoring by using the concept of multivariate analysis
Zhong et al. Research of condition monitoring and fault diagnosis techniques for wind turbine gearbox
Bind et al. Fault Analysis of An Induction Motors Using AI and ML: An Efficient Way

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