CN117707089B - 一种基于物联网的生产车间异常监控系统 - Google Patents
一种基于物联网的生产车间异常监控系统 Download PDFInfo
- Publication number
- CN117707089B CN117707089B CN202311794168.XA CN202311794168A CN117707089B CN 117707089 B CN117707089 B CN 117707089B CN 202311794168 A CN202311794168 A CN 202311794168A CN 117707089 B CN117707089 B CN 117707089B
- Authority
- CN
- China
- Prior art keywords
- internet
- information
- things
- equipment
- operation information
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的生产车间异常监控系统，属于生产防控技术领域。该系统包括数据采集设备采集生产车间的不同设备的运行信息，包括：电流信息、电压信息、温度信息以及红外图像信息；物联网传输设备将设备运行信息按照预设频率上传至所述物联网监控平台；物联网监控平台实时显示上传的设备运行信息，并基于所述设备运行信息分析预测生产车间设备是否出现故障，若是，则基于预测结果进行预警提示并向所述移动终端发送预警报告。通过实时生产车间设备的监测数据进行分析预测得到生产设备发生故障结果，提高维护效率。
Description
技术领域
本发明涉及物联网数据监测技术领域，更具体的说是涉及一种基于物联网的生产车间异常监控系统。
背景技术
随着物联网技术的快速发展，越来越多的企业开始将物联网技术应用于生产车间中，以提高生产效率、降低成本并提高产品质量。
然而，传统的生产车间异常监控系统通常基于人工巡检和简单的传感器监测，无法实现实时、全面的异常监控和预警。传统的生产车间异常监控系统仅是通过阈值判断运行设备的好与坏，缺少采用智能分析技术对设备运行数据的挖掘分析和故障趋势预测，且由于生产车间的运维设备种类较多，设备较复杂，并不利于查找出引起设备运行故障的关键影响因素，使其设备维护效率较低。
发明内容
有鉴于此，本发明提供了一种基于物联网的生产车间异常监控系统，用于解决上述现有技术
为了实现上述目的，本发明提供如下技术方案：
一种基于物联网的生产车间异常监控系统，包括：数据采集设备、物联网传输设备、物联网监控平台以及移动终端；
其中，所述数据采集设备采集生产车间的不同设备的运行信息，包括：电流信息、电压信息、温度信息以及红外图像信息；
所述物联网传输设备将设备运行信息按照预设频率上传至所述物联网监控平台；
所述物联网监控平台实时显示上传的设备运行信息，并基于所述设备运行信息分析预测生产车间设备是否出现故障，若是，则进行预警提示并向所述移动终端发送预警报告。
优选的，所述数据采集设备包括：
电流传感器、电压传感器、温度传感器以及红外相机，分别采集电流信息、电压信息、温度信息以及红外图像信息。
优选的，所述物联网传输设备包括：
存储模块，将所述设备运行信息进行缓存；
频率调整模块，按照预设频率发送驱动信号，其中，所述预设频率包括：
默认上传频率：
式中，σ为时间标准差，ω为预设标准差权值，σ0为预设标准差参考值，f0为使用的上传模块标准上传频率；
当判断缓存的设备信息大于缓存总容量的百分之80％时，提高上传频率：
fb＝Wlog2(1+S/N)；
式中，W为信道使用的上传模块的最大信道带宽，S为信道内所传信号的平均功率，N为信道内部的高斯噪声功率；
上传模块，基于所述驱动信号将所述设备运行信息上传至所述物联网监测控制平台。
优选的，所述物联网监控平台包括：
显示模块，实时显示上传的设备运行信息；
预测模块，基于所述设备运行信息分析预测生产车间设备是否出现故障并生成相应的预警报告；
预警模块，当生产车间设备出现故障时，则进行预警提示并向所述移动终端发送预警报告。
优选的，所述预测模块包括：
对所述设备运行信息进行预处理，包括：获取生产车间中不同设备的历史电压信息、历史电流信息以及历史温度信息，并进行特征提取，生成频谱图特征样本数据集，获取生产车间中不同设备的历史红外图像信息，并进行特征提取，生成红外图特征样本数据集；并将所述频谱图特征样本数据集以及所述红外图特征样本数据集分别划分为训练集、测试集和预测集；
构建神经网络模型，输入训练集和测试集数据进行学习训练；
将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果。
优选的，生成的频谱图特征样本数据集的数据格式为：
α＝[(x1,y1),(x2,y2),…,(xn,yn)]；
式中，x1,x2…xn为设备运行时间，y1,y2…yn为对应运行时间的频谱图。
优选的，生成的红外图特征样本数据集的数据格式为：
β＝[(u1,w1),(u2,w2),…,(um,wm)]；
式中，u1,u2…um为设备运行时间，w1,w2…wm为对应运行时间的红外图像。
优选的，所述构建神经网络模型，输入训练集和测试集数据进行学习训练，包括：卷积层、池化层以及全连接层，其中，所述卷积层迭代提取不同层次的训练集的特征，经过所述池化层后，通过所述全连接层得到预测结果，根据所述预测结果输出计算损失函数，对神经网络模型的参数权值更新，并采用Adam算法进行优化训练，得到训练好的神经网络模型。
优选的，所述将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果，包括：
将设备运行信息进行数据清洗、小波包降噪和归一化处理：
提取设备运行信息中的电压信息、电流信息以及温度信息的频谱图特征，并得到与频谱图特征样本数据集相同数据格式的频谱图特征输入集；
提取设备运行信息中的红外图像特征，并得到与红外图特征样本数据集相同数据格式的红外图像特征输入集；
将所述频谱图特征输入集以及所述红外图像特征输入集分别输入训练好的所述神经网络模型中，得到预测结果。
优选的，所述物联网监控平台还包括：控制模块，基于预测结果控制相应的设备启停。
通过上述技术方案，本发明相对于现有技术具有以下有益效果：
1)本发明在物联网传输设备中通过不同的上传频率实现低功耗上传，且通过缓存提高了数据采集的可靠性；
2)通过对多维度数据的采集及处理，并采用深度学习构建神经网络模型，通过实时采集的频谱图特征数据、红外图像特征数据进行快速、准确、批量化地对各类监测数据的变化规律进行智能识别，尤其适合于生产车间中大量监测数据的快速批量化管理，提高设备维护效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的物联网传输设备结构示意图；
图3为本发明的物联网监控平台结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明一种基于物联网的生产车间异常监控系统作进一步说明。
请参阅图1，本发明实施例公开了一种基于物联网的生产车间异常监控系统，包括：数据采集设备、物联网传输设备、物联网监控平台以及移动终端；
其中，所述数据采集设备采集生产车间的不同设备的运行信息，包括：
电流传感器、电压传感器、温度传感器以及红外相机，分别采集电流信息、电压信息、温度信息以及红外图像信息。
具体的，物联网传输设备将设备运行信息按照预设频率上传至所述物联网监控平台，请参阅图2，物联网传输设备具体包括：
存储模块，将所述设备运行信息进行缓存；
频率调整模块，按照预设频率发送驱动信号，其中，所述预设频率包括：
默认上传频率：
式中，σ为时间标准差，ω为预设标准差权值，σ0为预设标准差参考值，f0为使用的上传模块标准上传频率；
当判断缓存的设备信息大于缓存总容量的百分之80％时，提高上传频率：
fb＝Wlog2(1+S/N)；
式中，W为信道使用的上传模块的最大信道带宽，S为信道内所传信号的平均功率，N为信道内部的高斯噪声功率；
上传模块，基于所述驱动信号将所述设备运行信息上传至所述物联网监测控制平台。
具体的，物联网监控平台实时显示上传的设备运行信息，并基于所述设备运行信息分析预测生产车间设备是否出现故障，若是，则进行预警提示并向所述移动终端发送预警报告，请参阅图3，物联网监控平台具体包括：
显示模块，实时显示上传的设备运行信息；
预测模块，基于所述设备运行信息分析预测生产车间设备是否出现故障并生成相应的预警报告；
预警模块，当生产车间设备出现故障时，则进行预警提示并向所述移动终端发送预警报告。
具体的，所述预测模块包括：
对所述设备运行信息进行预处理，包括：获取生产车间中不同设备的历史电压信息、历史电流信息以及历史温度信息，并进行特征提取，生成频谱图特征样本数据集，获取生产车间中不同设备的历史红外图像信息，并进行特征提取，生成红外图特征样本数据集；并将所述频谱图特征样本数据集以及所述红外图特征样本数据集分别划分为训练集、测试集和预测集；
构建神经网络模型，输入训练集和测试集数据进行学习训练；
将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果。
具体的，生成的频谱图特征样本数据集的数据格式为：
α＝[(x1,y1),(x2,y2),…,(xn,yn)]；
式中，x1,x2…xn为设备运行时间，y1,y2…yn为对应运行时间的频谱图。
具体的，生成的红外图特征样本数据集的数据格式为：
β＝[(u1,w1),(u2,w2),…,(um,wm)]；
式中，u1,u2…um为设备运行时间，w1,w2…wm为对应运行时间的红外图像。
具体的，构建神经网络模型，输入训练集和测试集数据进行学习训练，包括：卷积层、池化层以及全连接层，其中，通过卷积层进行特征迭代提取不同层次的特征，通过池化层减少网络参数和降低过拟合，经过三组卷积和池化后，输入一个全连接层的网络得到分类输出，根据分类输出计算损失函数，依据损失函数计算更新梯度，对网络权值进行更新后，采用Adam算法进行优化训练，得到训练好的神经网络模型。
具体的，将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果，包括：
将设备运行信息进行数据清洗、小波包降噪和归一化处理：
提取设备运行信息中的电压信息、电流信息以及温度信息的频谱图特征，并得到与频谱图特征样本数据集相同数据格式的频谱图特征输入集；
提取设备运行信息中的红外图像特征，并得到与红外图特征样本数据集相同数据格式的红外图像特征输入集；
将所述频谱图特征输入集以及所述红外图像特征输入集分别输入训练好的所述神经网络模型中，得到预测结果。
具体的，物联网监控平台还包括：控制模块，基于预测结果控制相应的设备启停。
更具体的，根据预测结果分析出影响设备运行故障的关键影响因素，并结合设备维修计划，指导开展设备的预防性维护。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于物联网的生产车间异常监控系统，其特征在于，包括：数据采集设备、物联网传输设备、物联网监控平台以及移动终端；
其中，所述数据采集设备采集生产车间的不同设备的运行信息，包括：电流信息、电压信息、温度信息以及红外图像信息；
所述物联网传输设备将设备运行信息按照预设频率上传至所述物联网监控平台；
所述物联网监控平台实时显示上传的设备运行信息，并基于所述设备运行信息分析预测生产车间设备是否出现故障，若是，则基于预测结果进行预警提示并向所述移动终端发送预警报告；
其中，所述物联网监控平台包括：
显示模块，实时显示上传的设备运行信息；
预测模块，基于所述设备运行信息分析预测生产车间设备是否出现故障并生成相应的预警报告；
预警模块，基于预测结果进行预警提示并向所述移动终端发送预警报告；
所述预测模块包括：
获取生产车间中不同设备的历史电压信息、历史电流信息以及历史温度信息，并进行特征提取，生成频谱图特征样本数据集，获取生产车间中不同设备的历史红外图像信息，并进行特征提取，生成红外图特征样本数据集；并分别将所述频谱图特征样本数据集以及所述红外图特征样本数据集划分为训练集、测试集和预测集；
构建神经网络模型，输入训练集和测试集数据进行学习训练；
将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果；
所述物联网传输设备包括：
存储模块，将所述设备运行信息进行缓存；
频率调整模块，按照预设频率发送驱动信号，其中，所述预设频率包括：
默认上传频率：
式中，为时间标准差，为预设标准差权值，为预设标准差参考值，为使用的上传模块标准上传频率；
当判断缓存的设备信息大于缓存总容量的百分之80%时，提高上传频率：
式中，为信道使用的上传模块的最大信道带宽，S为信道内所传信号的平均功率，N为信道内部的高斯噪声功率；
上传模块，基于所述驱动信号将所述设备运行信息上传至所述物联网监控平台。
2.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，所述数据采集设备包括：
电流传感器、电压传感器、温度传感器以及红外相机，分别采集电流信息、电压信息、温度信息以及红外图像信息。
3.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，生成的频谱图特征样本数据集的数据格式为：
式中，为设备运行时间，为对应运行时间的频谱图。
4.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，生成的红外图特征样本数据集的数据格式为：
式中，为设备运行时间，为对应运行时间的红外图像。
5.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，所述构建神经网络模型，输入训练集和测试集数据进行学习训练，包括：卷积层、池化层以及全连接层，其中，所述卷积层迭代提取不同层次的训练集的特征，经过所述池化层后，通过所述全连接层得到预测结果，根据所述预测结果输出计算损失函数，对神经网络模型的参数权值更新，并采用Adam算法进行优化训练，得到训练好的神经网络模型。
6.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，所述将设备运行信息进行预处理，并调用训练好的神经网络模型进行多尺度故障识别，得到预测结果，包括：
将设备运行信息进行数据清洗、小波包降噪和归一化处理：
提取设备运行信息中的电压信息、电流信息以及温度信息的频谱图特征，并得到与频谱图特征样本数据集相同数据格式的频谱图特征输入集；
提取设备运行信息中的红外图像特征，并得到与红外图特征样本数据集相同数据格式的红外图像特征输入集；
将所述频谱图特征输入集以及所述红外图像特征输入集分别输入训练好的所述神经网络模型中，得到预测结果。
7.根据权利要求1所述的一种基于物联网的生产车间异常监控系统，其特征在于，所述物联网监控平台还包括：控制模块，基于预测结果控制相应的设备启停。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311794168.XA CN117707089B (zh) | 2023-12-25 | 2023-12-25 | 一种基于物联网的生产车间异常监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311794168.XA CN117707089B (zh) | 2023-12-25 | 2023-12-25 | 一种基于物联网的生产车间异常监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117707089A CN117707089A (zh) | 2024-03-15 |
| CN117707089B true CN117707089B (zh) | 2024-12-20 |
Family
ID=90162206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311794168.XA Active CN117707089B (zh) | 2023-12-25 | 2023-12-25 | 一种基于物联网的生产车间异常监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117707089B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118587207B (zh) * | 2024-07-31 | 2024-09-27 | 青岛黑猫新材料研究院有限公司 | 一种基于物联网的炭黑母粒生产设备远程监控装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394346A (zh) * | 2014-11-24 | 2015-03-04 | 龙迅半导体科技(合肥)有限公司 | 一种时钟信号控制方法及装置 |
| CN111929542A (zh) * | 2020-07-03 | 2020-11-13 | 北京国网富达科技发展有限责任公司 | 一种电力设备诊断方法及系统 |
| CN115687447A (zh) * | 2022-10-13 | 2023-02-03 | 江苏憬知梦蓝科技有限公司 | 一种基于物联网的海洋环境监测系统及方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3686493B2 (ja) * | 1996-03-07 | 2005-08-24 | 富士通株式会社 | Ａｔｍ交換機におけるフィードバック制御方法および装置 |
| CN101924603B (zh) * | 2009-06-09 | 2014-08-20 | 华为技术有限公司 | 数据传输速率的自适应调整方法、装置及系统 |
| US10841508B2 (en) * | 2011-06-10 | 2020-11-17 | Flir Systems, Inc. | Electrical cabinet infrared monitor systems and methods |
| CN102510125B (zh) * | 2011-09-28 | 2013-11-13 | 天津科林电气有限公司 | 电力一次设备运行工况监测方法及装置 |
| CN110022261A (zh) * | 2019-05-20 | 2019-07-16 | 北京邮电大学 | 基于sctp-cmt传输协议的多路径传输方法及设备 |
| CN111523660B (zh) * | 2020-04-15 | 2024-06-21 | 南京清然能源科技有限公司 | 一种基于人工智能的音视热一体化异常检测报警方法 |
| CN114531377B (zh) * | 2022-01-19 | 2024-04-02 | 重庆川仪自动化股份有限公司 | 流程工业设备数据的流量控制方法、系统、设备及介质 |
| CN115086801A (zh) * | 2022-06-16 | 2022-09-20 | 国网重庆市电力公司电力科学研究院 | 基于携带式计算终端的穿戴式配网智能巡检系统及方法 |
-
2023
- 2023-12-25 CN CN202311794168.XA patent/CN117707089B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104394346A (zh) * | 2014-11-24 | 2015-03-04 | 龙迅半导体科技(合肥)有限公司 | 一种时钟信号控制方法及装置 |
| CN111929542A (zh) * | 2020-07-03 | 2020-11-13 | 北京国网富达科技发展有限责任公司 | 一种电力设备诊断方法及系统 |
| CN115687447A (zh) * | 2022-10-13 | 2023-02-03 | 江苏憬知梦蓝科技有限公司 | 一种基于物联网的海洋环境监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117707089A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN117707089B (zh) | 一种基于物联网的生产车间异常监控系统 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN114152442B (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
| CN118691046B (zh) | 一种基于人工智能的电力调度方法及系统 | |
| CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN1240009C (zh) | 基于网络的设备状态监控与性能退化预测方法 | |
| CN119105358B (zh) | 一种基于边云协同的工业物联网数据采集方法 | |
| Liu et al. | Failure classified method for diesel generators based long short-term memory approach | |
| CN118820879B (zh) | 一种基于多变量相关性分析的化工过程故障诊断方法 | |
| CN119202534A (zh) | 一种基于大数据的核电封闭母线智能监测模型 | |
| CN118839228A (zh) | 基于数据分析的工业流程运行监测系统 | |
| CN118133892B (zh) | 一种基于自注意力和神经微分方程的故障检测方法及系统 | |
| CN116738376B (zh) | 一种基于振动或磁场唤醒的信号采集识别方法及系统 | |
| CN110874506A (zh) | 一种低温设备故障预测的方法 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| KR102684101B1 (ko) | 지능형 ｒｐａ를 이용한 설비 이상징후 탐지 및 공구파손 예지 서비스 제공 시스템 | |
| CN113032458A (zh) | 航天器的异常确定方法及装置 | |
| CN117422441A (zh) | 一种机电设备检测维护系统 | |
| CN117390556A (zh) | 一种柴油发电机组的故障监控方法及装置 | |
| Yang et al. | Design of equipment online monitoring and fault diagnosis platform based on IoT | |
| Yang et al. | IoT-enabled intelligent fault detection and rectifier optimization in wind power generators |
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: 20241126 Address after: Poly, No. 2-1 Baisha Road, Liubei District, Liuzhou City, Guangxi Zhuang Autonomous Region, 545000 No. 1-20, 39th Floor, Poly International Center, Dajiang County Applicant after: Guangxi Qizhi Digital Technology Co.,Ltd. Country or region after: China Address before: Room 426, 4th Floor, Building 2, Hongyu Building, No. 188 Renmin West Road, Mashang Street Office, Zhangdian District, Zibo City, Shandong Province, 255022 Applicant before: Shandong Ruibo Technology Engineering Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |