CN103593493A - 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 - Google Patents
一种基于集成梯度数据elm-pls方法的减径管质量预报方法 Download PDFInfo
- Publication number
- CN103593493A CN103593493A CN201310259351.XA CN201310259351A CN103593493A CN 103593493 A CN103593493 A CN 103593493A CN 201310259351 A CN201310259351 A CN 201310259351A CN 103593493 A CN103593493 A CN 103593493A
- Authority
- CN
- China
- Prior art keywords
- model
- elm
- pls
- data
- modeling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 31
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 66
- 239000010959 steel Substances 0.000 claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005096 rolling process Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002386 leaching Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000012956 testing procedure Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000005242 forging Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 238000003801 milling Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000009785 tube rolling Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 208000002193 Pain Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910000658 steel phase Inorganic materials 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000005239 tubule Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
Abstract
针对无缝钢管减径生产中衡量减径管管质量好坏的横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题,考虑其时变、非线性、快速间歇、数据梯形分布等的生产特点,提出了基于集成梯度数据ELM-PLS方法的减径管质量预报模型。介绍了集成梯度数据ELM-PLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容,并将建立的预报模型用于减径管质量预报中。实验和仿真表明,基于集成梯度数据ELM-PLS预报方法模型有效地提高了减径钢管质量预报精度,为减径钢管生产质量控制提供了模型依据,并且其维护费用低、实时性好、可靠性及精度高。
Description
技术领域
本发明涉及一种减径管质量在线预报方法,实时性好,可靠性和精度高。
背景技术
无缝钢管被广泛应用于汽车、航空、石油、化工、建筑、锅炉和军工等各个部门,在国民经济中具有很重要的地位,故被人们称为工业的血管。随着经济的快速发展,无缝钢管的使用领域在不断扩大,对产品质量的要求也越来越高。无缝钢管的生产工序主要有穿孔、轧管和减径。穿孔和轧管时受顶杆刚度的限制,对于直径在70毫米以下的无缝钢管很难在轧管机组上获得。即使是直径大于70毫米的小型热轧无缝钢管也不希望采用小管坯轧管来生产,因为这样将使机组的生产能力大幅度下降。因此,对于小直径钢管应采用减径方式来生产才合理。由于减径工艺的采用,可用大直径管坯穿孔、轧管,而在减径机组上实现较大的减径,得到小直径的长管子。这是增加产量、扩大品种、减小消耗的有效工艺措施。世界各国越来越趋向于在钢管延伸工序上采用生产效率最高的连轧工艺生产单一规格荒管,而在减径工序通过改变工艺,来得到不同规格的成品管。
因为张减机是钢管热轧生产的最后一道变形设备,对钢管质量影响很大,壁厚偏差是衡量钢管质量的重要指标。然而钢管减径过程机理模型欠缺,其质量监测需通过技术人员定期抽查来完成,检验结果严重滞后。因此建立具有足够精确性的钢管减径壁厚预测模型,具有重要的理论和经济意义。Macrea等学者建立了减径机的机理模型,对减径过程张力、速度、壁厚等指标进行分析,但机理模型的各种约束较多,适合个别生产机组,模型通用性较差。于辉等学者利用有限元软件模拟了无缝钢管减径生产过程,对减径后钢管的尺寸、壁厚等关键指标进行了预测,用于指导减径生产工艺参数的设定,取得了一定的实际效果。但由于有限元软件的限制,其预测精度并不高,更适合于新规格产品的开发,而不是钢管质量的在线实时控制。
发明内容
本发明的目的,是提供一种减径管质量预报方法,能快速准确减径管质量,从而降低废品率,提高生产效益,该方法模型维护费用低,实时性好,精度高。
针对管坯穿孔过程的复杂性,可将其分为咬钢、稳定轧制和抛钢三个子时段。本发明人提出了基于集成梯度数据ELM-PLS方法来建立减径管质量预报模型。在每个子时段选取相关过程变量的平均值作为输入变量。该方法避免了传统MPLS方法模型结构复杂、冗余数据多、计算负荷大的缺点,易于实现减径管质量的在线建模与预报。实验表明,基于集成梯度数据ELM-PLS方法模型比传统的MPLS模型具有更高的回归和预报精度,为减径管质量的提高提供了测量依据。
在建模前,先对生产时段进行划分
钢管减径过程,实质上是空心体无芯棒连续轧制过程。如图1所示,从钢管头部进入第一架到尾部离开最后一架可分为三个阶段。
(1) 咬钢阶段:从管头进入第1机架到管头进最后1机架为咬钢阶段。如图1所示是从钢管头部进入1号轧机开始,到钢管头部遇到12号轧机为止。钢管头部由 点运动到点,钢管尾部由点运动到点。此时管头逐渐通过各机架,其速度随延伸系数的增加而加大。在此阶段,依据钢管的前进步进增加各轧机的影响变量。
(2) 稳定轧制阶段:从管子头部进入最后1机架到管尾还未离开第1机架,此时整个机组都在轧制一支钢管,轧制负荷及速度都是稳定的,叫稳定阶段。如图1所示是从钢管头部遇到12号轧机开始,到钢管尾部遇到1号轧机为止。钢管头部由点运动到点,钢管尾部由点运动到点。在稳定轧制阶段,各轧机变量对钢管都有影响。
(3) 抛钢阶段:从管尾离开第1机架到离开最后1机架。如图1所示是从钢管尾部遇到1号轧机开始,到钢管尾部遇到12号轧机为止。钢管头部由点运动到点,钢管尾部由点运动到点。此阶段同时参与轧制这支钢管的机架数逐渐减少,一直到最后1架进行单机轧制,整支钢管被轧制完毕,然后钢管被抛出机架。在抛钢阶段,依据钢管的前进步进减少各轧机的影响变量。
然后对影响毛管质量的因素分析
(1)荒管加热温度的影响
荒管的加热温度的高低会带来金属变形抗力的变化,进而造成轧制力和平均张力系数的变化。荒管的加热温度越高,则金属的变形抗力越低,轧制力越小,钢管的外径波动也就越小。另外,荒管的加热温度是钢管直径的函数,并且二者存在着明显的正相关关系。荒管的加热温度越高,金属受热膨胀后,钢管的热外径越大。
(2)轧制速度的影响
对于轧制速度对荒管减径时金属横向不均匀变形的影响,学者普遍认为是通过摩擦因素来起作用的。当轧制速度越低,摩擦力也越大,因此对减小钢管的壁厚不均也就越有利。
(3)荒管质量的影响
荒管在减径时,由于其内表面没有芯棒支撑,荒管壁厚的控制比较困难,荒管的管壁会随着轧制工艺条件的变化而处于“自由”变化状态。并且,荒管的壁厚不均会“遗传”到减径后的成品钢管上。所以,提高荒管的壁厚均匀性是确保成品钢管壁厚精度的重要条件。
(4)张力的影响
采用张力减径机实施荒管减径时,由于张力的存在,荒管在发生直径减小的同时壁厚减薄,在稳定的张力条件下,金属的横向变形较小,有利于钢管壁厚精度的提高。但因荒管的头部在依次进入各个减径辊机架和荒管的尾端依次离开各个减径辊机架之时,机架之间不能建立起张力,或张力发生波动,因而势必会产生钢管的纵向壁厚不均。
质量预报模型输出为减径管质量,衡量减径管质量的量化指标为横纵向壁厚不均。钢管横向壁厚不均是最大壁厚偏差与名义壁厚之比,其计算公式如下式所示。
(1)
——钢管的最小壁厚;
——钢管的名义壁厚。
钢管纵向壁厚不均的大小由毛管前端壁厚的平均值与后端壁厚的平均值之差来确定,其计算公式如下式所示。
(2)
基于对影响减径管质量因素的上述分析,为实现减径生产的无缝钢管质量的预报,采用下述技术方案:
生产数据的梯形预处理
本发明在对减径过程各时段分析的基础上,确定了建模所需的各时段过程变量,依据变量采集建模数据后,需要对建模数据进行预处理。对建模数据做批次处理、时段划分、均值处理以及二维展开。在获得的三维数据的基础上,将过程数据按生产操作时段的不同,将其分段处理。本发明先将减径管的生产过程划分为咬钢子时段、稳定轧制子时段和抛钢子时段。然后依据轧辊加入的顺序细划咬钢和抛钢阶段,将咬钢阶段细划成11个子时段,同理将抛钢阶段也细划成11个子时段,确定建模所需的各时段过程变量后,对每个过程变量在该时段取其平均值,实际数据处理如图2所示。
预报模型建立
在进行建模的生产数据进行梯度处理后,将PLS、ELM建模方法结合,并采用集成技术进行多模型集成,最后得到集成梯度数据ELM-PLS模型。
(1) 非线性PLS方法
(a)外部关系模型:
(b)内部关系模型:
(2)ELM算法
传统的前馈神经网络(如BP网络)在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大.针对上述问题,HUANG等人提出了一种单隐层前馈神经网络的新算法---ELM.
这里,
称为神经网络的隐含层输出矩阵,第列表示与输入相关的第个隐含层节点的输出向量,第行表示与输入相关的隐含层输出向量。通常情况下,隐含层节点数通常比训练样本数小的多,,这样隐含层输出矩阵并非方阵,从而不存在,使得.因此,需要找到使得
其等价于最小化代价函数:
由式(11)得输出权值为:
ELM算法可以归纳为下面三个步骤:
(a)随机产生隐含层节点参数;
(3)基于集成梯度数据ELM-PLS的建模方法
集成梯度数据ELM-PLS建模方法与线性PLS方法不同之处在于建立多个有效模型以提高模型精度,同时采用ELM建立内部非线性模型. 集成梯度数据ELM-PLS方法保留了线性外部模型,如式(4),通过PLS提取过程的特征信息,消除了数据的共线性,并降低了输入变量的维数,然后采用ELM建立输入得分向量矩阵和输出得分向量之间的非线性内部模型,提高内部模型的非线性处理能力。这样,集成梯度数据ELM-PLS同时具有集成模型、PLS模型和ELM模型的优点,即集成模型的泛化能力强,PLS模型的鲁棒性、特征提取等特性和ELM模型的快速非线性处理能力。
集成梯度数据ELM-PLS方法建模与测试步骤如下:
(5)步骤(1)~(4)为其中一组模型的建模方法,集成梯度数据ELM-PLS建模方法需利用相同建模数据重复建立10组模型,各模型的区别在于使用不同的ELM输入层到隐层权值。重复步骤(1)~(4)求得每组模型隐含层至输出层间的权值,确定所有模型参数,最后使用10组数据的平均值作为最后输出质量。
减径管质量建模实验
取某钢厂无缝钢管减径机组2012年10月的70根减径管生产数据,荒管直径152.5mm,壁厚6mm,减径到直径73.03mm,壁厚5.51mm。共12个机架。将数据分成两组:前45根用来建立质量预报模型,后25根用来测试模型,检验其对减径管质量的预估精度。将45根减径管的生产数据展开,得到二维数据阵X(45,30062)。其中,数据采集周期为20ms,咬钢阶段采集时间为2.5s,稳定轧制阶段采集时间为13s,抛钢阶段采集时间为1.2s。针对上述数据作图2所示的处理得到数据阵X(45,147),采用集成梯度数据ELM-PLS方法建立质量预报模型,建模流程如图3所示。利用同样方法采集25根减径管生产数据Xnew(25,147),进行质量预报检验。为了与传统间歇过程质量预报模型相比校,对先前建模的45根减径管生产数据,选取影响减径管质量1至12号减径机电机转速、电流和力矩,荒管加热温度和荒管质量精度误差共39个变量作为输入变量。数据采集周期为20ms,采集时间16.7s。在实验建模中对数据阵X(45,30062)用传统MPLS方法建立质量预报模型。同样方法整理25根减径管生产数据形成检验数据阵Xn(25, 30062)进行质量预报检验。图4和图5为两种预报模型的检验数据预报结果。
由图4和图5可见,在各段的横向和纵向壁厚误差预测结果中,基于集成梯度数据ELM-PLS方法模型的横向和纵向壁厚误差预报精度为97.4%和95.2%,传统MPLS方法模型预测精度为90.8%和90.3%。由此可见集成梯度数据ELM-PLS方法模型较传统MPLS方法模型有更高的预报精度。
本发明的优点在于:
(1)该方法根据减径过程特性,将过程划分成具有不同变量影响的咬钢子时段、稳定轧制子时段和抛钢子时段三个子时段,并利用各子时段变量均值建立集成梯度数据ELM-PLS方法模型,使得模型精度提高了6.5%。
(2)该方法克服了了传统和改进间歇过程质量预报方法模型结构复杂、计算负荷大的缺点,解决了多时段间歇生产中模型对变量小幅波动不敏感问题,易于实现减径管质量的在线建模与预报。
仿真和实验验证了基于集成梯度数据ELM-PLS建模方法在减径管质量预报中的可行性和有效性。
附图说明
图1 是减径管时间与位移关系图.
图2 是减径管时间与变量关系图.
图3是减径管质量预报模型框图.
图4是横向壁厚误差预报比较结果图.
图5是纵向壁厚误差预报比较结果图。
Claims (2)
1.一种基于集成梯度数据ELM-PLS方法的减径管质量预报方法其特征是:本发明在对减径过程各时段分析的基础上,确定了建模所需的各时段过程变量,依据变量采集建模数据后,需要对建模数据进行预处理.对建模数据做批次处理、时段划分、均值处理以及二维展开,在获得的三维数据的基础上,将过程数据按生产操作时段的不同,将其分段处理.本发明先将减径管的生产过程划分为咬钢子时段、稳定轧制子时段和抛钢子时段,然后依据轧辊加入的顺序细划咬钢和抛钢阶段,将咬钢阶段细划成11个子时段,同理将抛钢阶段也细划成11个子时段,确定建模所需的各时段过程变量后,对每个过程变量在该时段取其平均值,对过程变量数据处理后,应用集成梯度数据ELM-PLS方法进行建模,本发明的集成梯度数据ELM-PLS建模方法与线性PLS方法不同之处在于采用ELM建立内部非线性模型,集成梯度数据ELM-PLS方法保留了线性外部模型,如式(4),通过PLS提取过程的特征信息,消除了数据的共线性,并降低了输入变量的维数,然后采用ELM建立输入得分向量矩阵和输出得分向量 之间的非线性内部模型,提高内部模型的非线性处理能力,这样,集成梯度数据ELM-PLS同时具有集成模型、PLS模型和ELM模型的优点,即集成模型的泛化能力强,PLS模型的鲁棒性、特征提取等特性和ELM模型的快速非线性处理能力。
2.集成梯度数据ELM-PLS方法建模与测试步骤如下:
(5)步骤(1)~(4)为其中一组模型的建模方法,集成梯度数据ELM-PLS建模方法需利用相同建模数据重复建立10组模型,各模型的区别在于使用不同的ELM输入层到隐层权值. 最后使用10组数据的平均值作为最后输出质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310259351.XA CN103593493B (zh) | 2013-06-26 | 2013-06-26 | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310259351.XA CN103593493B (zh) | 2013-06-26 | 2013-06-26 | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103593493A true CN103593493A (zh) | 2014-02-19 |
CN103593493B CN103593493B (zh) | 2017-02-08 |
Family
ID=50083634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310259351.XA Expired - Fee Related CN103593493B (zh) | 2013-06-26 | 2013-06-26 | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103593493B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886159A (zh) * | 2014-04-03 | 2014-06-25 | 东北大学 | 无缝钢管斜轧穿孔过程的deform有限元建模 |
CN104050380A (zh) * | 2014-06-26 | 2014-09-17 | 东北大学 | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 |
CN112732700A (zh) * | 2021-01-25 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012117995A (ja) * | 2010-12-03 | 2012-06-21 | Jfe Steel Corp | 冷間成形角形鋼管の変形状態評価方法 |
-
2013
- 2013-06-26 CN CN201310259351.XA patent/CN103593493B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012117995A (ja) * | 2010-12-03 | 2012-06-21 | Jfe Steel Corp | 冷間成形角形鋼管の変形状態評価方法 |
Non-Patent Citations (2)
Title |
---|
唐奡: "基于OS-ELM-RPLS的间歇过程软测量建模与迭代控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
肖冬: "无缝钢管生产过程质量预报及关键参数优化控制", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886159A (zh) * | 2014-04-03 | 2014-06-25 | 东北大学 | 无缝钢管斜轧穿孔过程的deform有限元建模 |
CN104050380A (zh) * | 2014-06-26 | 2014-09-17 | 东北大学 | 一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法 |
CN112732700A (zh) * | 2021-01-25 | 2021-04-30 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
CN112732700B (zh) * | 2021-01-25 | 2023-03-14 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢生产数据切片方法、系统、介质及电子终端 |
Also Published As
Publication number | Publication date |
---|---|
CN103593493B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
WO2023130666A1 (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN103722022B (zh) | 一种轧制过程中摩擦系数模型优化系统及方法 | |
CN103226741A (zh) | 城市供水管网爆管预测方法 | |
CN109558677A (zh) | 一种基于数据驱动的热轧板凸度预测方法 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN105929812A (zh) | 带钢热连轧质量的故障诊断方法及装置 | |
CN103593550A (zh) | 一种基于集成均值子时段rpls-os-elm的荒管质量建模与预报方法 | |
CN104451118B (zh) | 一种适合于连续退火过程的带钢板形逐段演变预报方法 | |
CN102426439A (zh) | 一种基于数据驱动的荒管质量预报与控制方法 | |
CN103593493A (zh) | 一种基于集成梯度数据elm-pls方法的减径管质量预报方法 | |
CN104632188A (zh) | 一种单油井产量的预测方法及装置 | |
CN103279596B (zh) | 一种基于数值模拟的可变速度控制温挤压方法 | |
CN114742209A (zh) | 一种短时交通流预测方法及系统 | |
Tian et al. | An outliers detection method of time series data for soft sensor modeling | |
Yang et al. | Transfer learning-based crashworthiness prediction for the composite structure of a subway vehicle | |
CN103886159A (zh) | 无缝钢管斜轧穿孔过程的deform有限元建模 | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN106990768A (zh) | 基于Limited‑DTW的MKPCA间歇过程故障监测方法 | |
Cao et al. | Variable speed rolling force prediction with theoretical and data-driven models | |
CN116822146B (zh) | 一种基于多层感知机的柔性防护系统智能快速计算方法 | |
CN102213961B (zh) | 一种毛管质量预报与控制方法 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN102830430A (zh) | 一种层位速度建模方法 | |
Müller et al. | Prediction of the load-displacement and local buckling behavior of hollow structural sections using Deep Neural Networks (DNN) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 |