CN105446292A - 一种基于变量时段分解的间歇过程无模型摄动优化方法 - Google Patents
一种基于变量时段分解的间歇过程无模型摄动优化方法 Download PDFInfo
- Publication number
- CN105446292A CN105446292A CN201510825037.2A CN201510825037A CN105446292A CN 105446292 A CN105446292 A CN 105446292A CN 201510825037 A CN201510825037 A CN 201510825037A CN 105446292 A CN105446292 A CN 105446292A
- Authority
- CN
- China
- Prior art keywords
- variable
- data
- perturbation
- batch
- free
- 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 51
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 230000008569 process Effects 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 title abstract description 3
- 238000010923 batch production Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000000540 analysis of variance Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000002425 crystallisation Methods 0.000 description 7
- 230000008025 crystallization Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于变量时段分解的间歇过程无模型摄动优化方法,包括采集实际运行数据,在全局过程主元分析的基础上,依照各个时间段内操作条件对最终质量指标的灵敏度,对整个过程做时间轴上的元素变量划分并构造成一系列数据子集。分别对这些数据子集做方差分析,形成在各个子集上的摄动优化作用量,最后综合成为全局优化策略。本方法完全基于间歇过程的正常操作数据形成优化策略,不需要过程本身机理的先验知识和模型,具有对一般间歇过程优化问题的通用性和有效性,对实际生产过程具有指导意义。
Description
技术领域
本发明属于化工流程制造业领域,涉及一种针对间歇过程的操作轨线变量时段分解的无模型摄动优化方法,适用于包括间歇反应器、间歇精馏塔、间歇干燥、间歇发酵,间歇结晶以及其它采用间歇方式操作的过程和系统的操作轨线优化。
背景技术
随着激烈的市场竞争和对多品种、多规格、高附加值产品的需求,间歇生产方式逐渐成为企业生存的关键。一方面,尽管人们在过程控制领域的研究已经取得了众多成果,但大多集中在连续工业过程领域中,间歇过程的自动化水平仍然处于比较低级的阶段;另一方面,间歇过程的特殊操作方式也使得大部分现有方法难以直接应用。因此,在间歇生产过程中推行有效的优化与控制方法,以获得更满意的产品质量已成为间歇生产过程的普遍需求。寻找最优操作状态或轨迹,并控制过程在最优操作条件下运行,是产品质量控制研究领域的重要研究和亟待解决的问题。
然而,间歇生产过程的开/停车、产品和原料的切换、进料的变化以及批量生产过程,是一个一直在“进行中”的动态过程。另外,间歇过程的优化面对的一般是非线性、多目标、机理复杂的优化问题。由于间歇过程的机理模型很难得到,因而基于数据驱动的优化方法凸显出其必要性和重要性。尽管在间歇过程数据驱动的优化方面,已经取得了一系列研究成果,但目前仍缺乏适合工业应用的有效方法。因此提出一个能解决实际工业问题的间歇过程优化策略和框架,可以提高过程效率,降低能耗,提高经济效益,直接地促进间歇过程优化技术的工业化应用。
发明内容
本发明提出的方法,将待优化轨线在时间轴上进行划分,通过方差分析建立摄动优化策略。完全基于生产过程的操作数据,不需要过程机理的先验知识和机理模型,对一般间歇过程优化问题具有通用性和有效性。
本发明为实现上述目的,采用如下技术方案:
本发明数据收集和计算步骤如下:
步骤一:针对操作完整的间歇过程,按批次收集待优化变量和最终质量或产率指标。数据的收集时间间隔可以是等时间间隔或非等时间间隔,要保证在一个时间间隔内,过程的待优化变量没有显著变化,或其变化不会对最终质量或产率指标有显著影响。一般要求30-50组有效数据。
步骤二:对所采集的数据,按批次操作轨线为变量进行主元分析并在主元模式图中剔除奇异点,使得所有数据点在一个可信度之内。
步骤三:将剔除奇异点后的剩余批次操作曲线在时间轴上进行等间隔划分或不等间隔划分。
步骤四:将每一个间隔所包含的各批次数据表达为一个连续变量,这些变量被称为分解后的时段变量。时段变量的值由待优化变量在一个特定时间区间的各个批次数据所组成。
步骤五:将步骤四中所对应的每个批次质量或收率指标,称为指标变量。指标变量的值是由各个批次最终质量或收率形成的连续变量。
步骤六:将步骤四和步骤五中形成的时段变量和指标变量进行合并,形成时段变量和指标变量的联合变量数据矩阵。
步骤七:对上述联合变量矩阵做主元分析,形成主元载荷图。
步骤八:对步骤七中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类。一般可以分为正作用,反作用及无(微)作用三类。
步骤九:按上述划分的不同类别,分别计算出各个时段变量的均值和标准差。按以下摄动法建立各时段变量的优化策略:
J(i)=M(i)+sign(i)×3σ(i)
此处的J(i),M(i)和σ(i)分别是第i个时段变量的优化目标值,均值和标准差;sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号。如图5分类图上,夹角小于90度时为+1,夹角大于90度时为-1,夹角为90度时为0。
步骤十:将步骤九中所得各时段的优化目标值,按时段顺序i=1,2,…N排列,组合成一条针对整个批次过程的新优化变量曲线。
步骤十一:一般地需要将上述优化曲线进行数字滤波,使得新的优化曲线比较光滑,易于跟踪控制。
本发明方法首先采集实际运行数据,在全局过程主元分析的基础上,依照各个时间段内操作条件对最终质量指标的灵敏度,对整个过程做时间轴上的元素变量划分并构造成一系列数据子集。分别对这些数据子集做方差分析,形成在各个子集上的摄动优化作用量,最后综合成为全局优化策略。本方法完全基于间歇过程的正常操作数据形成优化策略,不需要过程本身机理的先验知识和模型,具有对一般间歇过程优化问题的通用性和有效性,对实际生产过程具有指导意义。
附图说明
图1一个间歇过程的温度操作曲线示例
图2一个间歇过程温度为优化变量的主元模式图
图3时段变量的构成
图4时段变量和指标变量主元载荷图
图5时段变量对指标变量作用分类图
图6一个结晶过程的优化温度曲线和原始温度曲线比较
图7实施步骤框图
图8滑动平均滤波处理后的优化曲线与滤波前优化曲线的比较
图9指标变量优化策略生成计算
图10一个间歇结晶过程的优化结果
具体实施方式
以下以一个间歇结晶过程为例,说明具体实施方式。这个示例不构成对本发明方法的范围限制。
本发明分为三个部分。第一部分为数据收集和预处理。第二部分是联合变量数据矩阵的构造。第三部分是摄动优化策略的计算。
本发明实施步骤框图如图7所示,具体实施步骤和算法如下:
步骤1:针对操作完整的间歇结晶过程,温度是与产品收率密切相关的待优化变量,按批次收集50组温度变量以及最终收率指标数据。数据的收集时间间隔为1分钟。图1是一个间歇结晶过程的温度曲线数据收集示例,为清晰起见,图中仅画出2个批次的温度曲线。
步骤2:对所采集的50批次的温度数据,按批次操作温度为变量进行主元分析并在主元模式图中剔除奇异点,使得所有数据点在一个可信度之内。图2是一个间歇过程温度为优化变量的主元模式图,图2右边有一个批次的数据与整体数据模式差距太大,应剔除这个批次的温度数据。
步骤3:将剩余49个批次的温度数据在时间轴上等间隔划分为300个时段,以此构成300个时段变量C1,C2…C300。为清晰起见,图3给出了C40到C70的时段变量。
步骤4:将步骤3所对应的每个批次的收率指标数据形成所述的指标变量Q。
步骤5:将步骤3以及步骤4中形成的300个时段变量C1,C2…C300和一个指标变量Q进行合并,生成49×301维的联合数据矩阵L。
步骤6:对上述联合矩阵L做主元分析,形成主元载荷图。为清晰起见,图4给出了C36到C6025个时段变量和指标变量Q合并产生的主元载荷图示例。
步骤7:对步骤6中的主元载荷图按时段变量对指标变量的作用方向和大小进行分类。图5是一个分类示例,从图5可以看出C154、C155、C156以及C273对指标变量Q的作用最大,其中C154、C155、C156是反作用,C273是正作用。而与指标变量Q夹角90度左右方向的C66、C111等对指标变量Q几乎不起作用。
步骤8:分别计算出每一个时段变量的均值和标准差。例如对指标变量Q起反作用的C154的均值为134.58摄氏度,标准差为6.08摄氏度。
步骤9:按以下摄动量计算公式获取第i个时段变量的优化目标值:
J(i)=M(i)+sign(i)×3σ(i)
此处的J(i),M(i)和σ(i)分别是第i个时段变量的优化目标值,均值和标准差;sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号。如图5分类图上,夹角小于90度时为+1,夹角大于90度时为-1,夹角为90度时为0。
步骤10:将步骤9中所得各时段的优化目标值,按时段顺序i=1,2,…300组合成一个新的优化指标变量曲线。图9是优化变量曲线的生成计算。图中画出了在C225到C240之间,每一时段变量的均值和三倍标准差区间。根据各个时段变量对指标变量Q的作用方向,可以生成不同的优化策略曲线。
步骤11:将上述优化曲线进行滑动平均滤波,使得滤波后的优化曲线比较光滑,便于后期的跟踪控制设计。图6是优化的温度曲线和原始温度曲线的比较,图8是滤波前后的优化曲线比较。从图8中可以看出经过滤波后的优化曲线更加平滑,便于跟踪控制器的实施。
为说明本发明方法的有效性,图10是一个间歇结晶过程的优化结果示例。图中用50组实际生产数据作为优化的驱动数据,施加优化策略后,收率从88.64%增加到91.53%。
Claims (6)
1.一种基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于该方法包括以下步骤:
步骤一:针对操作完整的间歇过程,收集多个批次的待优化变量和最终质量或产率指标数据;
步骤二:对步骤一中所收集的数据,按批次为变量进行主元分析并在主元模式图中剔除奇异点,使得所有数据点在一个可信度之内;
步骤三:对步骤二中剔除奇异点后的剩余批次数据构造时段变量和联合变量矩阵;
步骤四:对步骤三中的联合变量矩阵进行分析,找出各时段变量对指标变量的作用方向,同时计算各时段变量的均值和方差;
步骤五:利用以下摄动量计算公式获取各时段的优化目标值
J(i)=M(i)+sign(i)×3σ(i)
此处的J(i),M(i)和σ(i)分别是第i个时段变量的优化目标值,均值和标准差;
sign(i)是第i个时段变量和指标变量所形成的夹角余弦符号;
步骤六:将步骤五中所得各时段的初始优化目标值,按时段顺序i=1,2,…N依次
排列,组合成一条针对整个批次过程的优化策略。
2.根据权利要求1所述的基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于:所述步骤一中数据的收集时间间隔可以是等时间间隔或非等时间间隔,要保证在一个时间间隔内,过程的待优化变量没有显著变化,或不会对最终质量或产率指标有显著影响。
3.根据权利要求1所述的基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于:所述步骤三的具体步骤为:
a)将剔除奇异点后的剩余批次操作曲线在时间轴上进行等间隔划分或不等间隔划分;
b)将a)中划分好的每个时间间隔所包含的各批次数据表达为时段变量;
c)将b)中所对应的每个批次质量或收率指标,称为指标变量;
d)将b)和c)中形成的时段变量和指标变量进行合并,形成联合变量数据矩阵。
4.根据权利要求1所述的基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于:所述步骤四中时段变量对指标变量的作用方向一般可以分为正作用,反作用及无(微)作用三类。
5.根据权利要求1所述的基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于:所述步骤五中夹角余弦符号sign(i)的取值为:夹角小于90度时sign(i)=+1,夹角大于90度时sign(i)=-1,夹角为90度时sign(i)=0。
6.根据权利要求1所述的基于变量时段分解的间歇过程无模型摄动优化方法,其特征在于:所述步骤六中获得的优化策略,一般需要对其进行数字滤波,使得新的优化曲线比较光滑,易于跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510825037.2A CN105446292B (zh) | 2015-11-24 | 2015-11-24 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510825037.2A CN105446292B (zh) | 2015-11-24 | 2015-11-24 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105446292A true CN105446292A (zh) | 2016-03-30 |
CN105446292B CN105446292B (zh) | 2018-01-09 |
Family
ID=55556614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510825037.2A Active CN105446292B (zh) | 2015-11-24 | 2015-11-24 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105446292B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646452A (zh) * | 2017-02-24 | 2017-05-10 | 西北工业大学 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
CN110109430A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种间歇式啤酒发酵装置优化控制系统 |
CN114200834A (zh) * | 2021-11-30 | 2022-03-18 | 辽宁石油化工大学 | 丢包环境下批次过程无模型离轨策略最优跟踪控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0658833A1 (de) * | 1993-11-23 | 1995-06-21 | Siemens Aktiengesellschaft | Vorrichtung zur Führung eines technischen Prozesses, welche aus On-line- und Off-line-Prozessmesswerten Sollwerteinstellungen für die optimale Prozessführung in Form von klassifizierten, komprimierter Zuordnungsmesswertesätzen automatisch generiert |
EP1535637A1 (en) * | 2003-11-28 | 2005-06-01 | Woo Young Medical Co., Ltd. | Automatic dose infusion apparatus |
KR20110101761A (ko) * | 2010-03-09 | 2011-09-16 | 삼성모바일디스플레이주식회사 | 반도체 생산 공정에서 임계 치수 제어 방법 및 이를 지원하는 반도체 제조 라인 |
CN103777627A (zh) * | 2014-01-24 | 2014-05-07 | 浙江大学 | 一种基于少量批次的批次过程在线监测方法 |
CN103942422A (zh) * | 2014-04-09 | 2014-07-23 | 大连理工大学 | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 |
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
-
2015
- 2015-11-24 CN CN201510825037.2A patent/CN105446292B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0658833A1 (de) * | 1993-11-23 | 1995-06-21 | Siemens Aktiengesellschaft | Vorrichtung zur Führung eines technischen Prozesses, welche aus On-line- und Off-line-Prozessmesswerten Sollwerteinstellungen für die optimale Prozessführung in Form von klassifizierten, komprimierter Zuordnungsmesswertesätzen automatisch generiert |
EP1535637A1 (en) * | 2003-11-28 | 2005-06-01 | Woo Young Medical Co., Ltd. | Automatic dose infusion apparatus |
KR20110101761A (ko) * | 2010-03-09 | 2011-09-16 | 삼성모바일디스플레이주식회사 | 반도체 생산 공정에서 임계 치수 제어 방법 및 이를 지원하는 반도체 제조 라인 |
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
CN103777627A (zh) * | 2014-01-24 | 2014-05-07 | 浙江大学 | 一种基于少量批次的批次过程在线监测方法 |
CN103942422A (zh) * | 2014-04-09 | 2014-07-23 | 大连理工大学 | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646452A (zh) * | 2017-02-24 | 2017-05-10 | 西北工业大学 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
CN106646452B (zh) * | 2017-02-24 | 2019-04-02 | 西北工业大学 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
CN110109430A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种间歇式啤酒发酵装置优化控制系统 |
CN114200834A (zh) * | 2021-11-30 | 2022-03-18 | 辽宁石油化工大学 | 丢包环境下批次过程无模型离轨策略最优跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105446292B (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373098A (zh) | 一种基于变量时段分解的间歇过程无模型在线滚动优化方法 | |
CN107942667B (zh) | 基于时变时滞和干扰的注塑过程混杂2d跟踪控制方法 | |
CN105446292A (zh) | 一种基于变量时段分解的间歇过程无模型摄动优化方法 | |
CN105353607B (zh) | 一种由数据差异驱动的间歇过程自学习动态优化方法 | |
CN108564206A (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN110426956A (zh) | 一种基于过程迁移模型的间歇过程最优补偿控制策略 | |
CN104134003A (zh) | 基于知识与数据共同驱动的作物单产量预测方法 | |
CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
CN111222707B (zh) | 一种基于时间序列突变误差校正的风速预测方法 | |
CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
CN108828945B (zh) | 一种流程工业过程预测优化控制方法 | |
CN105159247A (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
CN104281134A (zh) | 基于人机交互的原矿选别过程多生产指标优化系统及方法 | |
CN103839129A (zh) | 一种针对电解铝厂计划调度过程的控制方法 | |
CN105759604B (zh) | 一种双核伺服驱动系统及伺服电机在线建模方法 | |
CN104811106A (zh) | 直流电机闭环控制的方法和系统 | |
CN103439964A (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
Cai et al. | Globally exponentially attractive set and synchronization of a novel three-dimensional chaotic finance system | |
CN110737959A (zh) | 用于增材制造中多机床选用与结构拓扑优化同步设计方法 | |
Feng et al. | Further results on sufficient LMI conditions for H∞ static output feedback control of discrete-time systems | |
CN103048926A (zh) | 一种生物发酵过程在线神经网络逆控制器及其构造方法 | |
CN104950847A (zh) | 碱液浓缩生产工艺中强制循环蒸发控制过程的自优化被控变量的计算方法 | |
Chen et al. | An Improved Twin Support Vector Regression Machine Based on Adjusted Cosine Similarity for Load Prediction | |
Gong et al. | Overview of a few key issues for optimal operation of parallel pumping stations | |
Li et al. | H∞ fusion filter design in multi-sensor fusion system with state time-delays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |