CN105425796A - 一种风力发电场巡检车 - Google Patents
一种风力发电场巡检车 Download PDFInfo
- Publication number
- CN105425796A CN105425796A CN201510862902.0A CN201510862902A CN105425796A CN 105425796 A CN105425796 A CN 105425796A CN 201510862902 A CN201510862902 A CN 201510862902A CN 105425796 A CN105425796 A CN 105425796A
- Authority
- CN
- China
- Prior art keywords
- inspection car
- module
- node
- destination
- sigma
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 65
- 238000010248 power generation Methods 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000011664 signaling Effects 0.000 claims description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 235000013619 trace mineral Nutrition 0.000 claims description 3
- 239000011573 trace mineral Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种风力发电场巡检车,包括车体和安装在车体上的巡检仪,巡检仪包括信号模块、处理模块和输出模块,本发明采用优化的路径算法,考虑了巡检车运行过程中的各种成本因素,寻优效果好、求解效率高、性能稳定,增强了全局搜索能力,能最大限度地节省巡检车的运行成本,能起到很好的节能效果。
Description
技术领域
本发明涉及风力发电领域,具体涉及一种风力发电场巡检车。
背景技术
风力发电是一种新兴的发电方式,是国家近年来大力提倡的无污染新能源。风力发电厂的巡检,是风力发电场日常工作的一个重要部分,由于风力发电场的巡检范围广、路线长,越来越多的风力发电场采用巡检车进行巡检。
同时,风力发电站的设备有着不同的设备状态,包括检修、运行、备用以及其他一些特殊的情况,巡检员往往需要根据设备的不同状态而改变每轮次的巡检目的地和路线,因此,如何根据巡检员的目的地的不同,在巡检车上自动生成最节省巡检车运行成本的路线以达到节能省时的目的是一个亟需解决的问题。
发明内容
针对上述问题,本发明提供一种风力发电场巡检车。
本发明的目的采用以下技术方案来实现:
一种风力发电场巡检车,包括车体和安装在车体上的巡检仪,其特征是,巡检仪包括信号模块、处理模块和输出模块;
信号模块,用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间;
处理模块,用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径,具体包括:
建模模块:
其中,minS为巡检过程中的最低成本;m为当前巡检车的总数;U为目的地数量;b0为单位距离碳排放成本;ω0为碳排放系数;Ф0为空载时单位距离燃料消耗量;fij为目的地i(i=1,2,…,U)到目的地j(j=1,2,…,U)之间的距离;c为巡检车的载重量;H为巡检车的最大载重量;Ф*为满载时单位距离燃料消耗量;
T1为巡检车提前到达损失系数,为于时刻G提前到达目的地i时的成本损失;T2为巡检车迟到损失系数,为延迟至时刻O到达目的地i时的成本损失;提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况,T1、T2根据目的地的设备具体情况人为设定;
概率模块:假设共有R个节点,γij(t)表示t时刻节点i与节点j之间的跟踪素强度,γij(0)=K(K为数值较小的常数),巡检车在运动过程中根据跟踪素强度选择转移方向,则巡检车k(k=1,2,...,m)从节点i转移到节点j的概率为:
其中,g∈Ak;Ak={0,1,...,R-1}-Bk表示巡检车k下一步允许选择的点的集合,随时间呈动态变化,Bk(k=1,2,...,m)为第k辆巡检车的禁忌表,用来记录巡检车k已服务过的点;为启发式因子,表示t时刻由节点i到节点j的期望程度,一般取ψ为信息启发式因子,μ为期望启发因子;α(i,j)为下一个目的地的时间度;为下一个目的地的时间度相对重要性;
更新模块:引入优化变量Xij(t),其满足Xij(t+1)=σX(t)[1-Xij(t)],其中σ为控制变量,得出优化的跟踪素更新规则:
γij(t=1)=(1-ζ)γij(t)+Δγij(t)+чXij(t)
其中,
Fk为第k辆巡检车在本次循环中所走路径长度,I为跟踪素强度的常数,表示在本次循环中第k辆巡检车在路径(i,j)上留下的跟踪素强度;ζ为跟踪素全局挥发因子,ζ∈[0,1],且ζ为根据如下公式动态调整的参数:其中ζmin是人为设定的最小值;Δγij(t)表示本次循环中所有巡检车在路径(i,j)上留下的跟踪素强度的总和;ч为可调节系数;
初始模块:令迭代次数DD=0,进行参数初始化,调整各路径跟踪素;产生一个范围为[0,1]的随机数p,若p<给定常数p0,按照下式选择下一个节点j: 其中l∈Ak;否则根据概率模块中的概率公式选择下一个节点j,将j加入数组Bk中,重复直至所有的节点任务完成,得到模拟算法的初始集Si;
最优解模块:从当前的初始集中生成一组新的可行解Sj,目标值变化量ΔS=Sj-Si,若ΔS<0,则接受新的可行解Sj为最优解;否则考虑偏差的影响:r=exp(-ΔS/N(t)),其中N为随时间变化的量,若r>1,则接受Sj为最优解,否则不接受新的可行解,最优解仍为Si;
选择模块:当前最优解小于某一特定值时,进行跟踪素更新;如果本轮列表Bk中无数据更新,则产生一个[0,1]范围的随机数u,若e1+e2+,...,ei-1<u<e1+e2+,...,ei,则选择概率为ei的候选巡检车作为下一个目标节点;
输出模块:用于输出计算出的最优路径,令迭代次数DD=DD+1,若DD<DDmax,根据跟踪素更新规则,按照公式N(t+1)=N(t).v进行清空Bk列表,其中v∈[0,1],回到初始模块,重新产生随机数p;若DD=DDmax,则输出最优解作为最优路径。
本发明的有益效果为:本发明采用优化的路径算法,考虑了巡检车运行过程中的各种成本因素,寻优效果好、求解效率高、性能稳定,增强了全局搜索能力,能最大限度地节省巡检车的运行成本,能起到很好的节能效果。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1本发明的结构框图。
附图标记:信号模块-11;建模模块-21;概率模块-22;更新模块-23;初始模块-24;最优解模块-25;选择模块-26;输出模块-31。
具体实施方式
结合以下实施例对本发明作进一步描述。
如图1所示的一种风力发电场巡检车,包括车体和安装在车体上的巡检仪,巡检仪包括信号模块11、处理模块和输出模块31;
信号模块11,用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间;
处理模块,用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径,具体包括:
建模模块21:
其中,minS为巡检过程中的最低成本;m为当前巡检车的总数;U为目的地数量;b0为单位距离碳排放成本;ω0为碳排放系数;Ф0为空载时单位距离燃料消耗量;fij为目的地i(i=1,2,…,U)到目的地j(j=1,2,…,U)之间的距离;c为巡检车的载重量;H为巡检车的最大载重量;Ф*为满载时单位距离燃料消耗量;
T1为巡检车提前到达损失系数,为于时刻G提前到达目的地i时的成本损失;T2为巡检车迟到损失系数,为延迟至时刻O到达目的地i时的成本损失;提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况,T1、T2根据目的地的设备具体情况人为设定,考虑了包括设备的重要程度,不同气候和工况的影响等因素;
概率模块22:假设共有R个节点,γij(t)表示t时刻节点i与节点j之间的跟踪素强度,γij(0)=K(K为数值较小的常数),巡检车在运动过程中根据跟踪素强度选择转移方向,则巡检车k(k=1,2,...,m)从节点i转移到节点j的概率为:
其中,g∈Ak;Ak={0,1,...,R-1}-Bk表示巡检车k下一步允许选择的点的集合,随时间呈动态变化,Bk(k=1,2,...,m)为第k辆巡检车的禁忌表,用来记录巡检车k已服务过的点;为启发式因子,表示t时刻由节点i到节点j的期望程度,一般取ψ为信息启发式因子,μ为期望启发因子;α(i,j)为下一个目的地的时间度;为下一个目的地的时间度相对重要性;
更新模块23:引入优化变量Xij(t),其满足Xij(t+1)=σX(t)[1-Xij(t)],其中σ为控制变量,得出优化的跟踪素更新规则:
γij(t+1)=(1-ζ)γij(t)+Δγij(t)+чXij(t)
其中,
Fk为第k辆巡检车在本次循环中所走路径长度,I为跟踪素强度的常数,表示在本次循环中第k辆巡检车在路径(i,j)上留下的跟踪素强度;ζ为跟踪素全局挥发因子,ζ∈[0,1],且ζ为根据如下公式动态调整的参数:其中ζmin是人为设定的最小值;Δγij(t)表示本次循环中所有巡检车在路径(i,j)上留下的跟踪素强度的总和;ч为可调节系数;
初始模块24:令迭代次数DD=0,进行参数初始化,调整各路径跟踪素;产生一个范围为[0,1]的随机数p,若p<给定常数p0,按照下式选择下一个节点j:其中l∈Ak;否则根据概率模块中的概率公式选择下一个节点j,将j加入数组Bk中,重复直至所有的节点任务完成,得到模拟算法的初始集Si;
最优解模块25:从当前的初始集中生成一组新的可行解Sj,目标值变化量ΔS=Sj-Si,若ΔS<0,则接受新的可行解Sj为最优解;否则考虑偏差的影响:r=exp(-ΔS/N(t)),其中N为随时间变化的量,若r>1,则接受Sj为最优解,否则不接受新的可行解,最优解仍为Si;
选择模块26:当前最优解小于某一特定值时,进行跟踪素更新;如果本轮列表Bk中无数据更新,则产生一个[0,1]范围的随机数u,若e1+e2+,...,ei-1<u<e1+e2+,...,ei,则选择概率为ei的候选巡检车作为下一个目标节点;
输出模块31:用于输出计算出的最优路径,令迭代次数DD=DD+1,若DD<DDmax,根据跟踪素更新规则,按照公式N(t+1)=N(t).v进行清空Bk列表,其中v∈[0,1],回到初始模块24,重新产生随机数p;若DD=DDmax,则输出最优解作为最优路径。
本发明的有益效果为:本发明采用优化的路径算法,考虑了巡检车运行过程中的各种成本因素,寻优效果好、求解效率高、性能稳定,增强了全局搜索能力,能最大限度地节省巡检车的运行成本,能起到很好的节能效果。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (1)
1.一种风力发电场巡检车,包括车体和安装在车体上的巡检仪,其特征是,巡检仪包括信号模块、处理模块和输出模块;
信号模块,用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间;
处理模块,用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径,具体包括:
建模模块:
其中,minS为巡检过程中的最低成本;m为当前巡检车的总数;U为目的地数量;b0为单位距离碳排放成本;ω0为碳排放系数;Ф0为空载时单位距离燃料消耗量;fij为目的地i(i=1,2,…,U)到目的地j(j=1,2,…,U)之间的距离;c为巡检车的载重量;H为巡检车的最大载重量;Ф*为满载时单位距离燃料消耗量;
T1为巡检车提前到达损失系数,为于时刻G提前到达目的地i时的成本损失;T2为巡检车迟到损失系数,为延迟至时刻O到达目的地i时的成本损失;提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况,T1、T2根据目的地的设备具体情况人为设定;
概率模块:假设共有R个节点,γij(t)表示t时刻节点i与节点j之间的跟踪素强度,γij(0)=K(K为数值较小的常数),巡检车在运动过程中根据跟踪素强度选择转移方向,则巡检车k(k=1,2,...,m)从节点i转移到节点j的概率为:
其中,g∈Ak;Ak={0,1,…,R-1}-Bk表示巡检车k下一步允许选择的点的集合,随时间呈动态变化,Bk(k=1,2,…,m)为第k辆巡检车的禁忌表,用来记录巡检车k已服务过的点;为启发式因子,表示t时刻由节点i到节点j的期望程度,一般取ψ为信息启发式因子,μ为期望启发因子;α(i,j)为下一个目的地的时间度;为下一个目的地的时间度相对重要性;
更新模块:引入优化变量Xij(t),其满足Xij(t+1)=σX(t)[1-Xij(t)],其中σ为控制变量,得出优化的跟踪素更新规则:
γij(t+1)=(1-ζ)γij(t)+Δγij(t)+чXij(t)
其中,
Fk为第k辆巡检车在本次循环中所走路径长度,I为跟踪素强度的常数,表示在本次循环中第k辆巡检车在路径(i,j)上留下的跟踪素强度;ζ为跟踪素全局挥发因子,ζ∈[0,1],且ζ为根据如下公式动态调整的参数:其中ζmin是人为设定的最小值;Δγij(t)表示本次循环中所有巡检车在路径(i,j)上留下的跟踪素强度的总和;ч为可调节系数;
初始模块:令迭代次数DD=0,进行参数初始化,调整各路径跟踪素;产生一个范围为[0,1]的随机数p,若p<给定常数p0,按照下式选择下一个节点j: 其中l∈Ak;否则根据概率模块中的概率公式选择下一个节点j,将j加入数组Bk中,重复直至所有的节点任务完成,得到模拟算法的初始集Si;
最优解模块:从当前的初始集中生成一组新的可行解Sj,目标值变化量ΔS=Sj-Si,若ΔS<0,则接受新的可行解Sj为最优解;否则考虑偏差的影响:r=exp(-ΔS/N(t)),其中N为随时间变化的量,若r>1,则接受Sj为最优解,否则不接受新的可行解,最优解仍为Si;
选择模块:当前最优解小于某一特定值时,进行跟踪素更新;如果本轮列表Bk中无数据更新,则产生一个[0,1]范围的随机数u,若e1+e2+,…,ei-1<u<e1+e2+,…,ei,则选择概率为ei的候选巡检车作为下一个目标节点;
输出模块:用于输出计算出的最优路径,令迭代次数DD=DD+1,若DD<DDmax,根据跟踪素更新规则,按照公式N(t+1)=N(t).v进行清空Bk列表,其中v∈[0,1],回到初始模块,重新产生随机数p;若DD=DDmax,则输出最优解作为最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510862902.0A CN105425796A (zh) | 2015-12-01 | 2015-12-01 | 一种风力发电场巡检车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510862902.0A CN105425796A (zh) | 2015-12-01 | 2015-12-01 | 一种风力发电场巡检车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105425796A true CN105425796A (zh) | 2016-03-23 |
Family
ID=55504065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510862902.0A Pending CN105425796A (zh) | 2015-12-01 | 2015-12-01 | 一种风力发电场巡检车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105425796A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976643A (zh) * | 2016-06-15 | 2016-09-28 | 江苏金风科技有限公司 | 海上风电场的运维控制方法、装置及海上风电系统 |
CN113727022A (zh) * | 2021-08-30 | 2021-11-30 | 杭州申昊科技股份有限公司 | 巡检图像的采集方法及装置、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
CN102278996A (zh) * | 2011-04-29 | 2011-12-14 | 西南交通大学 | 一种大规模多目标智能移动路径选择的蚁群优化处理方法 |
CN102289712A (zh) * | 2011-08-10 | 2011-12-21 | 天津商业大学 | 基于鱼群蚁群算法的时间最短应急物流路径的优化方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
US20140171118A1 (en) * | 2012-12-14 | 2014-06-19 | Apple Inc. | Location fingerprinting |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN104992242A (zh) * | 2015-07-01 | 2015-10-21 | 广东工业大学 | 一种求解带软时间窗物流运输车辆路径问题的方法 |
-
2015
- 2015-12-01 CN CN201510862902.0A patent/CN105425796A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
CN102278996A (zh) * | 2011-04-29 | 2011-12-14 | 西南交通大学 | 一种大规模多目标智能移动路径选择的蚁群优化处理方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
CN102289712A (zh) * | 2011-08-10 | 2011-12-21 | 天津商业大学 | 基于鱼群蚁群算法的时间最短应急物流路径的优化方法 |
US20140171118A1 (en) * | 2012-12-14 | 2014-06-19 | Apple Inc. | Location fingerprinting |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN104992242A (zh) * | 2015-07-01 | 2015-10-21 | 广东工业大学 | 一种求解带软时间窗物流运输车辆路径问题的方法 |
Non-Patent Citations (11)
Title |
---|
刘志斌 等: "《最优化方法及应用案例》", 30 November 2013 * |
寇伟 等: "《计算机算法设计与分析》", 30 April 2015, 中国水利水电出版社 * |
张立毅 等: "混沌扰动模拟退火蚁群算法低碳物流路径优化", 《HTTP://WWW.CNKI.NET/KCMS/DETAIL/11.2127.TP.20150819.1615.015.HTML》 * |
李亚女 等: "蚁群算法中挥发系数与迭代次数和最优路径长度关系研究", 《科学技术与工程》 * |
李琳 等: "B2C环境下带预约时间的车辆路径问题及多目标优化蚁群算法", 《控制理论与应用》 * |
杨善林 等: "《制造工程管理中的优化理论与方法》", 30 June 2012 * |
温正: "《精通MATLAB智能算法》", 31 May 2015, 清华大学出版社 * |
王会颖 等: "基于蚁群算法求解最大团问题", 《计算机应用与软件》 * |
许瑞: "基于蚁群优化算法的批调度问题研究", 《中国博士学位论文全文数据库经济与管理科学辑》 * |
陈宝文: "蚁群优化算法在车辆路径问题中的应用研究", 《万方数据知识服务平台》 * |
黄震 等: "一种带时间窗车辆路径问题的混合蚁群算法", 《中山大学学报( 自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976643A (zh) * | 2016-06-15 | 2016-09-28 | 江苏金风科技有限公司 | 海上风电场的运维控制方法、装置及海上风电系统 |
CN105976643B (zh) * | 2016-06-15 | 2018-09-14 | 江苏金风科技有限公司 | 海上风电场的运维控制方法、装置及海上风电系统 |
CN113727022A (zh) * | 2021-08-30 | 2021-11-30 | 杭州申昊科技股份有限公司 | 巡检图像的采集方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Combining solar energy harvesting with wireless charging for hybrid wireless sensor networks | |
CN109489676B (zh) | 一种计及电网信息与充电站信息的电动汽车充电导航方法 | |
CN111178619B (zh) | 一种考虑分布式电源和充电站联合规划的多目标优化方法 | |
US10320203B2 (en) | Adaptive charging algorithms for a network of electric vehicles | |
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
CN109495945A (zh) | 一种WSNs中基于聚类分簇的协同充电方法 | |
KR101859799B1 (ko) | 태양광 어레이 재구성 방법 및 차량용 태양광 시스템 | |
CN105425796A (zh) | 一种风力发电场巡检车 | |
CN110429667B (zh) | 基于布谷鸟搜索的光热光伏打捆发电系统容量配置方法 | |
CN105444774A (zh) | 一种地质采样车 | |
CN105571601A (zh) | 一种远距离电力设备巡逻车 | |
CN105512757A (zh) | 一种水利发电站点检系统 | |
CN116582086A (zh) | 一种光伏电站清洁度的诊断方法 | |
CN105427399A (zh) | 一种建筑物多点巡检系统 | |
CN105550764A (zh) | 一种户外广告点巡查系统 | |
CN116432968A (zh) | 一种电力系统的储能规划方法及设备 | |
CN105302144A (zh) | 一种变电站智能巡查车 | |
CN106934501B (zh) | 基于组合反向粒子群优化的机器人巡检路径规划方法 | |
Huang et al. | ACO-based path planning scheme in RWSN | |
CN105269576A (zh) | 一种智能巡查机器人 | |
CN105427000A (zh) | 一种输电铁塔巡查系统 | |
CN105279583A (zh) | 一种快递包裹收取系统 | |
CN105510081A (zh) | 一种污水取样车 | |
CN105488745A (zh) | 一种动物园饲料投放车 | |
CN105554240A (zh) | 一种智能手机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C41 | Transfer of patent application or patent right or utility model | ||
CB03 | Change of inventor or designer information |
Inventor after: Lin Yanping Inventor before: Hu Lichun |
|
COR | Change of bibliographic data | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160318 Address after: Gulou road Zhenhai District 315200 Zhejiang city of Ningbo province No. 32 Applicant after: Lin Yanping Address before: Gulou road Zhenhai District 315200 Zhejiang city of Ningbo province No. 32 Applicant before: Hu Lichun |
|
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |
|
RJ01 | Rejection of invention patent application after publication |