CN102033978A - 一种淬透性预报及生产窄淬透性带钢的方法 - Google Patents
一种淬透性预报及生产窄淬透性带钢的方法 Download PDFInfo
- Publication number
- CN102033978A CN102033978A CN 201010287677 CN201010287677A CN102033978A CN 102033978 A CN102033978 A CN 102033978A CN 201010287677 CN201010287677 CN 201010287677 CN 201010287677 A CN201010287677 A CN 201010287677A CN 102033978 A CN102033978 A CN 102033978A
- Authority
- CN
- China
- Prior art keywords
- steel
- quenching
- value
- hardenability
- increment
- 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
Images
Landscapes
- Treatment Of Steel In Its Molten State (AREA)
Abstract
一种淬透性预报及生产窄淬透性带钢的方法,主要针对有淬透性要求且以Jominy值评价末端淬火硬度的钢种,包括齿轮钢、调质钢、弹簧钢和轴承钢。本发明将BP(Back Propagation)人工神经网络模型和增量算法结合,以化学成分对参考炉次的成分增量作为输入,以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出,建立基于增量神经网络的淬透性预报模型;根据增量神经网络模型的端淬预测值与端淬目标值的差值,由成分规则库给出各元素成分调整量,并按合金加料模型计算的合金加入量进行加料,实现钢水精炼过程中的化学成分在线微调和窄淬透性带控制。应用本发明,可生产出淬透性带宽为4HRC的端淬钢。
Description
技术领域
本发明涉及一种淬透性预报及生产窄淬透性带钢的方法,适用于有淬透性要求且以Jominy值评价末端淬火硬度的钢种,包括齿轮钢、调质钢、弹簧钢和轴承钢。
背景技术
近几年,端淬钢的应用领域(如齿轮和轴承工业等)向着高速、重载、精密和低噪音的技术方向发展,要求端淬钢具有更高的加工精度和尺寸稳定性。为了实现这一目的,对高品质端淬钢的基本要求是提高钢材淬透性的稳定性与控制精度,减少其热处理后的回弹量。实践证明,端淬钢的淬透性带宽越窄,热处理后的回弹量越小,尺寸精度越高。通常高品质端淬钢的基本要求是淬透性带宽≤6HRC,国际先进水平达到淬透性带宽≤4HRC。
缩小淬透性带宽的措施主要包括:1)严格控制钢材化学成分,实现窄成分控制;2)对淬透性进行在线预报与调整,确保控制精度和淬透性稳定。
中国专利申请号90103405.3公开了“一种生产窄淬透性带钢的方法”,该方法采用复杂的非线性代数式预报钢的端淬硬度值,在不进行和进行成分微调情况下,能分别生产出淬透性带宽在8HRC和6HRC以内的端淬钢。但其端淬值预测模型不能消除化学成分分析和硬度测试过程中存在的系统误差,且涉及的模型参数众多,不便于进行参数修正,难以满足高品质端淬钢窄淬透性带的控制要求。
日本国专利申请号2004-294246公开了有淬透性要求钢材末端淬火Jominy值的预测及钢水成分调节方法,该方法选取一个参考成分及对应的端淬值为比较基础,采用成分增量模型预测端淬值,并根据预测结果调节熔炼钢水成分。尽管该方法能在一定程度上消除化学成分分析和硬度测试的系统误差,但选择的参考炉次过少,选择不当易引起较大的端淬值预测误差;且模型过于简化,将化学成分与端淬值间复杂的非线性关系,简化为简单的线性增量模型,会降低模型预报精度。
淬透性预报是进行化学成分微调、实现窄淬透性带控制的基础。因此,提高淬透性预报模型的预报精度和准确率至关重要。人工神经网络(ANN-ArtificialNeural Network)模型因其良好的非线性映射能力、容错性、鲁棒性和自学习能力,被广泛应用于组织性能预报领域,并取得较好效果;目前最常用的ANN模型是BP(Back Propagation)模型,即误差反向传播模型。增量模型因其在一定程度上能消除化学成分分析、检测和计量参量的系统误差,在氧气转炉炼钢静态控制模型上得到广泛应用;目前最常用的是基于多个参考炉次的增量模型。
发明内容
本发明的目的是提供一种淬透性预报及生产窄淬透性带钢的方法,解决了常规淬透性预报与控制方法的控制精度低、难以满足高品质端淬钢窄淬透性带控制要求的问题。淬透性预报和精炼成分在线微调,适用于有淬透性要求且以Jominy值评价末端淬火硬度的钢种,包括齿轮钢、调质钢、弹簧钢和轴承钢。
本发明的技术解决方案是:将BP(Back Propagation)人工神经网络模型和增量算法结合,以化学成分对参考炉次的成分增量作为输入,以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出,建立基于增量神经网络的淬透性预报模型;根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值,由成分规则库给出各元素成分调整量,并按合金加料模型计算的合金加入量进行加料,实现钢水精炼过程中的化学成分在线微调和控制窄淬透性带。
增量神经网络采用3~4层结构,中间隐含层和输出层神经元处理函数分别采用Sigmoid函数和线性函数;选取当前炉次之前的4~6个历史炉次作为参考炉次;以各参考炉次对应的端淬预测值的算术平均值作为当前炉次的端淬预测值。
本发明的发明思路是:
1)建立基于增量神经网络的淬透性预报模型,以有效消除化学成分分析和硬度检测过程中存在的系统偏差,简化化学成分和端淬硬度的复杂非线性映射函数关系,提高端淬硬度值的预报精度。
2)建立成分调整规则库和合金加料模型,根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值,由规则库给出各元素成分调整量,并按合金加料模型计算的合金加入量进行加料,以实现钢水精炼成分的在线微调。
3)将端淬值预测与精炼钢水成分调整反复交替进行,直至端淬预测值与端淬目标值偏差绝对值小于等于2HRC,实现窄淬透性带端淬钢稳定生产。
本发明的技术效果:通过建立基于增量神经网络的淬透性预报模型,并以该模型指导钢水精炼过程中的化学成分微调,能稳定生产带宽为4HRC的窄淬透性带端淬钢。
附图说明:
图1是本发明一种淬透性预报及生产窄淬透性带钢的方法的增量神经网络淬透性预报模型结构图。
图2是本发明一种淬透性预报及生产窄淬透性带钢的方法的基于增量神经网络的淬透性预报模型的预报精度。
图3是本发明一种淬透性预报及生产窄淬透性带钢的方法的成分调整原则图。
图4是本发明的一种淬透性预报及生产窄淬透性带钢的方法的基于增量神经网络模型的淬透性预报与成分微调控制流程。
实施例
以齿轮钢20CrMnTiH的窄淬透性带控制为例。国标GB/T5216-2004规定其端淬值范围:J9值为30~42HRC,J15值为22~35HRC。当客户按照J9和J15值的中限4HRC范围进行订货时,即J9值为34~38HRC,J15值为27~31HRC,需按如下方式实现窄淬透性钢的生产。
附表说明:
表1是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH各元素对J9和J15值的影响系数。
表2是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH的目标成分及控制精度范围。
表3是本发明一种淬透性预报及生产窄淬透性带钢的方法的20CrMnTiH的合金化加料计算模型。
表3中ΔC、ΔSi和ΔCr为要求的各元素成分调整量,%;Wi为各种合金料吨钢加入量,kg/t。下标CPowder代表增碳剂,HCFeMn为高碳锰铁,MCFeMn为中碳锰铁,FeCr为碳素铬铁,FeTi为钛铁,FeSi为硅铁。
1.目标成分的设计
分析主要合金元素C、Si、Mn、Cr和Ti对J9和J15值的影响,确立各元素对J9和J15值的影响系数,如表1所示。为保证J9值和J15值的淬透性带宽同时达到≤4HRC要求,将与J9/36HRC和J15/29HRC对应的成分作为目标成分,根据每种合金元素对淬透性的贡献确定各元素的控制精度范围,如表2所示。
2.化学成分的精确控制
为达到20CrMnTiH的设计目标成分,提高成分控制精度,采取以下技术措施:
1)稳定转炉或电炉装入制度,减小出钢量波动;
2)完善钢水和合金称量系统,提高计量精度;
3)降低精炼炉渣和钢水含氧量,稳定元素收得率,要求加钛铁前的氧活度a[O]≤7×10-6;
4)建立精炼过程合金化加料计算机控制模型,如表3所示,提高成分控制的稳定性和精确性(表3中仅给出了碳粉、铬铁和硅铁合金加料方程)。
3.淬透性预报模型的建立与预测
成分调整是以淬透性预报为基础,基于增量神经网络的淬透性预报模型结构如图1所示。其结构和使用描述如下:
1)模型的建立:人工神经网络模型采用BP模型,该模型设计为三层网络结构,分输入层、隐含层和输出层,以C、Si、Mn、Cr和Ti元素对参考炉次的成分增量(ΔC、ΔSi、ΔMn、ΔCr和ΔTi)为网络输入,输入层节点数为5;以J9值和J15值对参考炉次的增量(ΔJ9和ΔJ15)为网络输出,输出层节点数为2,输出层的神经元处理函数采用线性函数;隐含层节点数为10,其神经元采用Sigmoid函数。
2)模型的训练:基于增量神经网络的淬透性预报模型建立后,利用历史炉次数据,构建500个增量样本,随机抽取300个样本对网络进行训练,另外200个样本作为检验样本,检验网络训练效果。图2为检验样本J9和J15的预测值与实测值的比较,可见,基于增量神经网络的淬透性预报模型的预报精度很高,J9和J15值预测精度为±2.0HRC时,模型的命中率分别达到99.5%和98.4%。
3)模型的预测:选取当前炉次之前的6个历史炉次作为参考炉次,以当前炉次精炼钢水的当前成分与各参考炉次的成品成分增量分别作为BP神经网络模型的输入,得到与各参考炉次对应的当前炉次精炼钢水的当前成分的6个J9预测值和6个J15预测值。对6个J9预测值和6个J15预测值分别进行算术平均,得到与当前炉次精炼钢水的当前成分对应的J9和J15的预测值。
式(1)和(2)中,J9pre和J15pre分别为与当前炉次当前成分对应的J9和J15预测值,HRC;和分别为以第i炉为参考炉时,当前炉次当前成分对应的J9和J15预测值,HRC;i为参考炉次标号,取值为1~6;和分别为第i个参考炉次的实测J9和J15值,HRC;和分别为以第i炉为参考炉时,当前炉次当前成分对应的J9和J15预测值与第i个参考炉次的实测值的差值,HRC。
4.成分调整规则库的建立
当增量神经网络模型预测的J9和J15值与控制目标值的差值的绝对值大于2HRC时,需对精炼成分进行微调。成分调整应遵循一定的规则,首先对J9和J15预测值与控制目标值的差值情况进行分类,对每一类情况建立相应的成分调整规则,最终形成一个完整的成分调整规则库。以此规则库为基础进行化学成分的微调。对20CrMnTiH齿轮钢而言,因钛是活泼金属元素,易氧化,只能在钢水完全脱氧后加入;且与其他元素增加淬透性不同,Ti元素降低淬透性。因此,成分调整规则库建立的总原则是:1)通常情况下,固定钢水目标钛含量(0.07%),主要调整C、Si、Mn和Cr元素含量;2)根据C、Si、Mn和Cr的当前成分和Ti目标成分预测的J9和J15值超过窄淬透性带控制上限时,应调整钢水中Ti元素含量。图3是对精炼到站钢水,其J9和J15预测值低于控制目标范围下限时,给出的一组成分调整规则。此规则以硅含量和钛含量控制目标成分是定值为前提。
5.窄淬透性带的在线控制
精炼过程中20CrMnTiH淬透性控制流程如图4所示,具体步骤如下:
1)根据精炼到站钢水成分启动增量神经网络淬透性预报模型,预报当前成分下的J9和J15值;
2)如果J9和J15预测值没有落入36±2HRC和/或29±2HRC范围,根据J9和J15的预测值与目标值的差值,由成分调整规则库给出各元素成分的调整量,并由合金加料模型计算各种合金加入量;
3)按照合金加入量的计算值进行加料,对精炼钢水成分进行调整;
4)根据调整后的实际钢水成分,采用增量神经网络模型预报J9和J15值;
5)比较J9和J15预测值和目标值,当J9和J15预测值分别落入36±2HRC和29±2HRC范围,且当前成分已满足国标GB/T5216-2004要求,当前炉次实现窄淬透性带控制,满足当前客户要求,钢水出站;否则,按照步骤2)、3)和4)反复执行,直至钢水成分和窄淬透性带控制均满足要求为止。
6)如果针对当前客户的窄淬透性带控制失败,应根据实际淬透性带的分布进行改判或寻找其他客户;
6.预测模型的自学习
1)参考炉次的更新:在参考炉炉次总数为6炉的情况下,选取近期成分控制合理且淬透性控制精度高的炉次作为新的参考炉,部分或完全替代以前的参考炉次,以提升参考炉次信息的参考价值;
2)神经网络模型的自学习:每隔2天,选取近期500炉数据样本对网络重新进行训练,以确保模型的适应性和预报准确性。
采用齿轮钢20CrMnTiH淬透性在线预报和在线控制后,成品钢材取样检测J9和J15值,其在36±2HRC和29±2HRC范围的比例均达到94%以上。
表1
元素 | C | Si | Mn | Cr | Ti |
J9 | 66.89 | 33.32 | 10.9 | 14.46 | -33.74 |
J15 | 43.46 | 24.33 | 5.23 | 4.23 | -30.35 |
表2
元素 | C | Si | Mn | Cr | Ti |
目标成分/% | 0.20 | 0.26 | 0.93 | 1.08 | 0.07 |
控制精度/% | ±0.01 | ±0.02 | ±0.02 | ±0.03 | ±0.01 |
表3
元素 | 控制对象 | 控制方程 |
C | 增碳剂 | WCPowder=(1000ΔC-7.4WHCFeMn-4.2WFeCr-3.2WMCFeMn-4.6WFeTi)/61 |
Si | 硅铁 | WFeSi=(1000ΔS-63)/67 |
Cr | 碳素铬铁 | WFeCr=1000ΔCr/54 |
Claims (2)
1.一种淬透性预报及生产窄淬透性带钢的方法,其特征在于,将人工神经网络模型和增量算法结合,以化学成分对参考炉次的成分增量作为输入,以Jominy末端淬火硬度对参考炉次的端淬值增量作为输出,建立基于增量神经网络的淬透性预报模型;根据增量神经网络淬透性预报模型的端淬预测值与端淬目标值的差值,由成分规则库给出各元素成分调整量,并按合金加料模型计算的合金加入量进行加料,实现钢水精炼过程中的化学成分在线微调和控制窄淬透性带。
2.如权利要求1所述的一种淬透性预报及生产窄淬透性带钢的方法,其特征在于:增量神经网络采用3~4层结构,中间隐含层和输出层神经元处理函数分别采用Sigmoid函数和线性函数;选取当前炉次之前的4~6个历史炉次作为参考炉次;以各参考炉次对应的端淬预测值的算术平均值作为当前炉次的端淬预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010287677XA CN102033978B (zh) | 2010-09-19 | 2010-09-19 | 一种淬透性预报及生产窄淬透性带钢的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010287677XA CN102033978B (zh) | 2010-09-19 | 2010-09-19 | 一种淬透性预报及生产窄淬透性带钢的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102033978A true CN102033978A (zh) | 2011-04-27 |
CN102033978B CN102033978B (zh) | 2012-07-25 |
Family
ID=43886865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010287677XA Active CN102033978B (zh) | 2010-09-19 | 2010-09-19 | 一种淬透性预报及生产窄淬透性带钢的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102033978B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
CN103060517A (zh) * | 2013-01-28 | 2013-04-24 | 山西太钢不锈钢股份有限公司 | 一种lf炉精炼过程钢水合金成分预测方法 |
CN103364298A (zh) * | 2013-07-12 | 2013-10-23 | 抚顺特殊钢股份有限公司 | 大型模块淬透性预测方法 |
CN103679268A (zh) * | 2012-09-14 | 2014-03-26 | 宝钢不锈钢有限公司 | 高炉炉渣粘度预报方法 |
CN104532103A (zh) * | 2014-12-19 | 2015-04-22 | 天津钢铁集团有限公司 | 一种保淬透性齿轮钢的成分控制方法 |
CN108193029A (zh) * | 2017-12-26 | 2018-06-22 | 钢铁研究总院 | 一种齿轮钢窄淬透性带宽的控制方法 |
CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
CN110287451A (zh) * | 2019-06-28 | 2019-09-27 | 安徽工业大学 | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 |
CN113094897A (zh) * | 2021-04-07 | 2021-07-09 | 南京工业大学 | 一种汽车用钢淬透性预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1074244A (zh) * | 1991-12-03 | 1993-07-14 | 普拉塞尔技术有限公司 | 在钢的精炼中使用神经网络将熔融金属脱碳的方法 |
CN1588346A (zh) * | 2004-08-30 | 2005-03-02 | 邢台钢铁有限责任公司 | 利用人工神经网络技术预测转炉终点的方法 |
CN101289731A (zh) * | 2008-05-09 | 2008-10-22 | 莱芜钢铁股份有限公司 | CrMnTi系窄淬透性带齿轮钢及其制造方法 |
-
2010
- 2010-09-19 CN CN201010287677XA patent/CN102033978B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1074244A (zh) * | 1991-12-03 | 1993-07-14 | 普拉塞尔技术有限公司 | 在钢的精炼中使用神经网络将熔融金属脱碳的方法 |
CN1588346A (zh) * | 2004-08-30 | 2005-03-02 | 邢台钢铁有限责任公司 | 利用人工神经网络技术预测转炉终点的方法 |
CN101289731A (zh) * | 2008-05-09 | 2008-10-22 | 莱芜钢铁股份有限公司 | CrMnTi系窄淬透性带齿轮钢及其制造方法 |
Non-Patent Citations (1)
Title |
---|
《炼钢》 20010831 左秀荣等 基于人工神经网络预报性能的齿轮钢LF-VD过程钢水成分微调 全文 1-2 第17卷, 第4期 2 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567576A (zh) * | 2011-12-13 | 2012-07-11 | 北京交通大学 | 一种轮重减载率的预测方法 |
CN103679268A (zh) * | 2012-09-14 | 2014-03-26 | 宝钢不锈钢有限公司 | 高炉炉渣粘度预报方法 |
CN103060517A (zh) * | 2013-01-28 | 2013-04-24 | 山西太钢不锈钢股份有限公司 | 一种lf炉精炼过程钢水合金成分预测方法 |
CN103364298A (zh) * | 2013-07-12 | 2013-10-23 | 抚顺特殊钢股份有限公司 | 大型模块淬透性预测方法 |
CN104532103A (zh) * | 2014-12-19 | 2015-04-22 | 天津钢铁集团有限公司 | 一种保淬透性齿轮钢的成分控制方法 |
CN104532103B (zh) * | 2014-12-19 | 2017-02-01 | 天津钢铁集团有限公司 | 一种保淬透性齿轮钢的成分控制方法 |
CN108193029A (zh) * | 2017-12-26 | 2018-06-22 | 钢铁研究总院 | 一种齿轮钢窄淬透性带宽的控制方法 |
CN108193029B (zh) * | 2017-12-26 | 2019-05-31 | 钢铁研究总院 | 一种齿轮钢窄淬透性带宽的控制方法 |
CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
CN110287451A (zh) * | 2019-06-28 | 2019-09-27 | 安徽工业大学 | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 |
CN110287451B (zh) * | 2019-06-28 | 2022-09-13 | 安徽工业大学 | 一种人工神经网络钢的淬透性预测方法及其预测模型建立方法 |
CN113094897A (zh) * | 2021-04-07 | 2021-07-09 | 南京工业大学 | 一种汽车用钢淬透性预测方法 |
CN113094897B (zh) * | 2021-04-07 | 2023-10-20 | 南京工业大学 | 一种汽车用钢淬透性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102033978B (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102033978B (zh) | 一种淬透性预报及生产窄淬透性带钢的方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
CN101694571B (zh) | 汽油在线调合方法 | |
CN101881981A (zh) | 一种rh钢水温度、成分闭环控制系统 | |
Wu et al. | An energy efficient decision-making strategy of burden distribution for blast furnace | |
CN103382514B (zh) | 一种在线预测rh精炼过程中钢水成分的系统及方法 | |
CN108845501B (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
CN102766728B (zh) | 钢包精炼炉精炼过程钢水硫含量实时预测的方法及装置 | |
CN110991916A (zh) | 一种铸坯质量判定系统和方法 | |
CN113192568B (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
US10274975B2 (en) | Method and apparatus for controlling acid concentration for pickling in cold rolling | |
CN102663498B (zh) | 一种9%Cr马氏体耐热钢焊缝金属Ac1点的预测方法 | |
CN103399492A (zh) | 一种固体氧化物燃料电池电压快速非线性预测控制方法 | |
CN103060517A (zh) | 一种lf炉精炼过程钢水合金成分预测方法 | |
CN106503413B (zh) | 一种精确计算铁水脱硫用镁粉量的方法 | |
Tian et al. | A new AdaBoost. IR soft sensor method for robust operation optimization of ladle furnace refining | |
CN106637026A (zh) | 一种镀锌过程气刀压力实时优化控制方法及系统 | |
CN102109837A (zh) | 钢铁企业焦炉煤气柜位预测平衡方法 | |
Logunova et al. | Empirical model of residual element content in steel when three component burden is used in the process of steel production in electric arc furnace | |
Jiang et al. | Nonlinear combined forecasting model based on fuzzy adaptive variable weight and its application | |
CN113430333B (zh) | 一种钢包精炼炉智能化稳定冶炼控制的方法 | |
An et al. | Two-level data-based adjustment of controller parameters for weighing process of ladle furnace |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100041 Shijingshan Road, Shijingshan District, Shijingshan District, Beijing Patentee after: Shougang Group Co. Ltd. Address before: 100041 Shijingshan Road, Shijingshan District, Shijingshan District, Beijing Patentee before: Capital Iron & Steel General Company |
|
CP01 | Change in the name or title of a patent holder |