CN105930936B - 一种生产流通过程中食品所含微生物的生长预测方法 - Google Patents
一种生产流通过程中食品所含微生物的生长预测方法 Download PDFInfo
- Publication number
- CN105930936B CN105930936B CN201610289218.2A CN201610289218A CN105930936B CN 105930936 B CN105930936 B CN 105930936B CN 201610289218 A CN201610289218 A CN 201610289218A CN 105930936 B CN105930936 B CN 105930936B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- food
- variable
- input
- output variable
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Abstract
本发明提供一种生产流通过程中食品所含微生物的生长预测方法,所述方法包括:(1)确定所研究的食品产品及需要预测的微生物危害对象(2)获取试验数据;(3)确定预测模型的输入、输出变量;(4)为输入、输出变量选择模糊子集和隶属度函数;(5)将输入、输出变量分别与其对应的模糊集合置换,形成模糊集合在变量上的隶属度函数;(6)采用“取大‑取小”模糊推理算法;(7)建立输入、输出变量的模糊关系矩阵;(8)重心法解模糊方法进行解模糊;(9)得到微生物数量的预测值。本方法便于在生产流通过程之中及时发现和控制危害,减小危害范围,降低了损失,节约了成本,提高了企业预防和控制食品生产流通过程中微生物风险的能力。
Description
技术领域
本发明属于预测微生物学技术领域,尤其涉及一种生产流通过程中食品所含微生物的生长预测方法。
背景技术
食品安全风险主要来自物理性、化学性与生物性等三种性质的危害,其中生物性危害占食品供应中危害的95%以上,是食品安全最显著的危害。食品在生产、加工、运输、储存、销售过程中,很容易被微生物污染。只要温度适宜,微生物就会生长繁殖,破坏食品中的蛋白质等营养成分,使食品腐败或变得不安全。因此,微生物危害的预防和控制,成为食品企业进行风险管理的重要任务。
目前,实验室中进行的微生物接种生长试验,得到了微生物在固定条件下随时间生长的大量数据。但实际生产流通过程中,食品中的微生物同时受到温度、处理或存储时长、pH值、水分活度等多种因素的影响,甚至食品本身的品类对微生物的生长亦有不同程度的作用。近年来预测微生物学开始普遍应用到食品工业中,用于预测微生物存活和生长,成为食品生产中用于评价、控制和保障食品安全的有利工具。预测微生物学通过建立数学模型来定量描述和预测特定环境条件下微生物的生长和消亡,目前预测模型一般可分为三级:初级模型描述微生物数量随时间的变化规律;二级模型用于描述环境因素对一级模型中动力学参数的影响;三级模型结合以上两种模型建立可兼容的专家系统或开发决策系统软件,用于计算环境中微生物数量的变化规律。环境因素之间的耦合关系,给模型的建立造成了很大困难。大多数试验所建立的二级模型认为各环境因素之间是相互独立的,彼此之间不受影响。考虑的环境因素越多,二级模型的模拟效果与生产流通期间微生物的生长真实情况越接近,但是多一个参数会使建模过程变得复杂很多,误差也大。
因此,提供一种能够定量预测在生产流通过程中食品所含微生物的生长变化的方法,即通过数据采集技术来获得食品生产流通过程中各种影响因素的数据,采用新技术直接建立食品中微生物数量在生产流通过程中的变化模型,帮助企业直观的判断生产流通条件是否满足产品的安全要求,提前预防和控制微生物危害导致的风险,是十分必要的。
发明内容
本发明的目的在于克服现有微生物生长预测模型建立过程中存在的缺陷,提供一种基于数据的微生物生长预测方法,该种方法将微生物初始数量及环境因素与微生物数量之间的关系描述为模糊关系矩阵,利用矩阵的半张量积运算得出模糊关系矩阵模型。在获得微生物初始数量和影响因素数据后,通过模糊关系矩阵运算,能快速预测微生物的数量变化。
为实现上述目的,本发明给出以下技术方案:
一种生产流通过程中食品所含微生物的生长预测方法,其特征在于:包括以下步骤:
(1)确定所研究的食品产品及需要预测的微生物危害对象,梳理食品的生产流通流程,了解影响微生物动态生长的环境因素;2)获取试验数据或实际检测历史记录;(3)确定预测模型的输入变量与输出变量;(4)为输入变量与输出变量分别选择合适的模糊子集和隶属度函数;(5)将输入变量、输出变量分别与其对应的模糊集合置换,形成模糊集合在变量上的隶属度函数;(6)定义“与”为取小,“或”为取大,采用“取大-取小”模糊推理算法;(7)建立输入变量与输出变量的模糊关系矩阵;(8)选用重心法解模糊方法进行解模糊;(9)得到微生物数量的预测值。
可选地,所述步骤(2)中的试验数据或检测历史记录包括食品中微生物的初始数量nos、环境因素xm、流程过程中食品微生物数量nop和流程结束时食品中微生物的数量noo。
可选地,所述步骤(3)中的输入变量包括环境因素xm、流程过程中检测时间点距初始时间点的时长δp。
可选地,所述食品中微生物的初始数量nos是δp=0时nop的值。
可选地,所述步骤(3)中的输出变量为在各时间点检测到的食品中微生物的数量no。
可选地,所述步骤(4)是这样实现的:
(41)记第m个输入变量的论域Exm,输出变量的论域为均为有序集;
(42)记第m个输入变量的模糊子集个数为sm,模糊集合为Am={Am1,Am2,...,Amk,...,AmSm},k=1.2,...,Sm;输出变量的模糊子集个数为so,模糊集合为B={B1,B2,...,BSo};
(43)输入变量xm的论域中的元素xmj(论域中的第j个元素,j=1,2,…;j∈Z+)在模糊子集Amk上的隶属度为输出变量no的论域中的元素noj(论域中的第j个元素,j=1,2,…;j∈Z+)在模糊子集Br(r=1,2,…,so)上的隶属度为
可选地,所述步骤(5)是这样实现的:
(51)将输入变量的模糊集合Am和输出变量的模糊集合B分别记作论域,论域分别记作模糊集合;
(52)元素Amk在模糊子集xmj上的隶属度为元素Br在模糊子集noj上的隶属度为
可选地,所述步骤(5)中的
可选地,所述步骤(7)是这样实现的:
(71)将获取的数据分别进行模糊化,第i组(i=1,2,…,N;i∈Z+正整数)数据转化为列向量表示形式:
(72)第i组数据的输入变量与输出变量的关系矩阵可以表示为:
第i组数据的输入关系矩阵:
第i组数据的输出关系矩阵:
(73)第i组数据的模糊关系矩阵为:
(74)得到每组数据的模糊关系矩阵后,总的模糊关系矩阵可表示为:
(75)微生物生长预测模型的输入向量记为RIn,则输出向量ROut可表示为:
可选地,所述步骤(8)中重心法解模糊方法的公式为
本发明的有益效果在于,
1)本发明提供了一种定量预测在生产流通过程中食品所含微生物的生长变化的方法,可给出经过生产流通或其中某个、某几个操作处理环节后,食品中微生物的数量,适用于食品的生产、加工、储存、运输及销售过程,通过建立影响微生物动态生长的环境因素与微生物数量变化的模糊关系矩阵,预测微生物在生产流通后的数量,辅助企业控制食品生产流通过程中的微生物危害。
2)本发明公开了食品中微生物生长预测模型的建立方法,避开了各环境因素之间的关系解耦,能定量预测食品中微生物含量的生长变化。便于在生产流通过程之中及时发现和控制危害,减小危害范围,降低了损失,节约了成本,提高了企业预防和控制食品生产流通过程中微生物风险的能力。
此外,本发明方法原理可靠,步骤简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
图1是本发明提供的一种生产流通过程中食品所含微生物的生长预测方法的预测模型建立流程图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述,以下实施例是对本发明的解释,而本发明并不局限于以下实施方式。
如图1所示,本发明提供的一种生产流通过程中食品所含微生物的生长预测方法,其特征在于:包括以下步骤:
1)确定所研究的食品产品及需要预测的微生物危害对象,梳理食品的生产流通流程,了解影响微生物动态生长的环境因素;
2)获取试验数据或实际检测历史记录,包括流程开始时食品中微生物的初始数量nos、流程中的环境因素xm数据、流程过程中的微生物数量nop检测数据,流程结束时食品中微生物的数量noo,并统一将在各时间点检测到的食品中微生物的数量用符号no表示;
3)在每一条数据记录中,将流程中的环境因素xm(m=1,2,…,M。M是影响微生物动态生长的环境因素的个数,例如考虑温度tp,pH值hp,NaCl浓度sp 3个环境因素,则M=3,m=1,2,3)、流程过程中检测时间点距初始时间点的时长δp作为输入变量,将在各时间点检测到的食品中微生物的数量no作为输出变量,流程开始时食品中微生物的初始数量nos是δp=0时no的值;
4)根据输入、输出变量的取值范围(即论域),分别为每个变量选择合适的模糊子集和隶属度函数,其中第m个输入变量的论域为输出变量的论域为是有限的有序集;记第m个输入变量的模糊子集个数为sm,模糊集合为Am={Am1,Am2,...,Amk,...,AmSm},k=1.2,...,Sm;输入变量xm的论域中的元素xmj(论域中的第j个元素,j=1,2,…;j∈Z+正整数)在模糊子集Amk上的隶属度为输出变量的模糊子集个数为so,模糊集合为B={B1,B2,...,BSo},输出变量no的论域中的元素noj(论域中的第j个元素,j=1,2,…;j∈Z+正整数)在模糊子集Br(r=1,2,…,So)上的隶属度为
5)将输入输出变量的模糊集合Am和B分别看作论域,论域看做模糊集合,则元素Amk在模糊子集xmj上的隶属度为元素Br在模糊子集noj上的隶属度为
6)确定采用的模糊推理机制,包括模糊命题连接词“与”和“或”的具体形式、定义模糊推理算子的具体形式;在本发明中,定义“与”为取小,“或”为取大,采用“取大-取小”模糊推理算法。
7)利用输入、输出数据对,通过矩阵的半张量积运算,建立输入变量与输出变量的模糊关系矩阵,步骤为:
①将获取的数据分别进行模糊化,第i组(i=1,2,…,N;i∈Z+正整数)数据转化为列向量表示形式:
其中,是第i组数据的第m个输入变量的值,是第i组数据的输出变量的值;
②第i组数据的输入、输出关系矩阵可以表示为:
第i组数据的输入关系矩阵:
第i组数据的输出关系矩阵:
其中代表半张量积运算,例如的计算过程为:
是s1行1列的列向量,是s2行1列的列向量,根据半张量积运算的条件1×q=s1,q=s1,则其中Xs是布尔乘积,Iq是q行q列的单位矩阵;
③第i组数据的模糊关系矩阵为:
④得到每组数据的模糊关系矩阵后,总的模糊关系矩阵可表示为:
i=1,2,…,N;i∈Z+正整数;
⑤微生物生长预测模型的输入向量记为RIn,则输出向量ROut可表示为:
8)选用合适的解模糊方法,进行解模糊,在本发明中,建立的模型只有单个输出变量,选用重心法解模糊方法进行解模糊;
9)将模糊量转换为精确值输出,得到微生物数量的预测值。
下面利用本发明提供的方法,结合汉堡用猪肉的斩切过程,建立猪肉中李斯特氏菌的生长预测模型。
步骤一:确定所研究的食品产品及需要预测的微生物危害对象,梳理食品的生产流通流程,了解影响微生物动态生长的环境因素。
本步骤中,确定所研究食品产品为汉堡用猪肉,需要预测的微生物危害对象为李斯特氏菌,影响李斯特氏菌动态声场的环境因素包括温度、pH值以及NaCl浓度。
步骤二:获取试验数据或实际检测历史记录。
本步骤中,从ComBase数据库获取猪肉中李斯特氏菌生长试验数据,设定环境因素的取值范围为:温度tp∈[0,40℃],pH值hp∈[4.5,7.5],NaCl浓度sp∈[1%,3.5%]。某固定条件下猪肉中李斯特氏菌随时间生长的检测数据如表1所示。
表1固定条件下猪肉中的李斯特氏菌生长试验数据
注:固定条件包括温度6℃、pH值6.3、NaCl浓度1%。
考虑温度、pH值、NaCl浓度等环境因素,整理数据库文件,得到包含N条记录的数据集,如表2所示。
表2输入输出数据集
步骤三:确定预测模型的输入变量与输出变量;
本步骤中,在每一条数据记录中,将流程中的3个环境因素温度tp,pH值hp,NaCl浓度sp、流程过程中检测时间点距初始时间点的时长δp作为输入变量,将在各时间点检测到的食品中微生物的浓度作为输出变量no,流程开始时食品中微生物的初始浓度是δp=0时no的值。微生物浓度与环境因素的模糊关系模型可表示为no=fuzzy(tp,hp,sp,δp);
步骤四:为输入变量与输出变量分别选择合适的模糊子集和隶属度函数。
本步骤中,根据输入变量、输出变量的取值范围,以及生产流通过程中对环境因素的处理习惯和经验知识,每个变量的模糊子集均选择三个:低、中、高,隶属度函数均选择为三角形隶属度函数。
步骤五:将输入变量、输出变量分别与其对应的模糊集合置换,形成模糊集合在变量上的隶属度函数
步骤六:在微生物生长预测模型中,定义“与”为取小,“或”为取大,采用“取大-取小”模糊推理算法。
步骤七:建立输入变量与输出变量的模糊关系矩阵。
本步骤中,利用输入、输出数据对,通过矩阵的半张量积运算,建立输入变量与输出变量的模糊关系矩阵,步骤如下:
①将获取的数据分别进行模糊化,第i组数据转化为列向量表示形式:
其中,是第i组数据的温度值,是第i组数据的pH值,是第i组数据的NaCl浓度值,是测量第i组数据距试验开始时刻的时长,是第i组数据的微生物浓度值。
②第i组数据的输入、输出关系矩阵可以表示为:
输入关系矩阵:
输出关系矩阵:
③第i组数据的模糊关系矩阵为:
④得到每组数据的模糊关系矩阵后,总的模糊关系矩阵可表示为:
⑤模型的输入向量记为RIn,则输出向量ROut可表示为:
步骤八:选用重心法解模糊方法,进行解模糊,将模糊量转换为精确微生物浓度值输出。重心法解模糊方法的公式为:
步骤九:得到微生物数量的预测值。
当然,上述说明并非对本发明的限制,本发明也不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也属于本发明的保护范围。
Claims (3)
1.一种生产流通过程中食品所含微生物的生长预测方法,其特征在于:包括以下步骤:
(1)确定所研究的食品产品及需要预测的微生物危害对象,梳理食品的生产流通流程,了解影响微生物动态生长的环境因素;
(2)获取食品中微生物的初始数量nos、环境因素xm、流程过程中食品微生物数量nop和流程结束时食品中微生物的数量noo;
(3)确定预测模型的输入变量与输出变量,输入变量包括环境因素xm、流程过程中检测时间点距初始时间点的时长δp,所述输出变量为在各时间点检测到的食品中微生物的数量no;
(4)为输入变量与输出变量分别选择合适的模糊子集和隶属度函数;
(5)将输入变量、输出变量分别与其对应的模糊集合置换,形成模糊集合在变量上的隶属度函数;
(6)定义“与”为取小,“或”为取大,采用“取大-取小”模糊推理算法;
(7)建立输入变量与输出变量的模糊关系矩阵;
(8)选用重心法解模糊方法进行解模糊;
(9)得到微生物数量的预测值;
所述步骤(4)包括:
(41)记第m个输入变量的论域输出变量的论域为均为有序集;
(42)记第m个输入变量的模糊子集个数为sm,模糊集合为Am={Am1,Am2,...,Amk,...,AmSm},k=1.2,...,sm;输出变量的模糊子集个数为so,模糊集合为B={B1,B2,...,BSo};
(43)输入变量xm的论域中的元素xmj在模糊子集Amk上的隶属度为所述j为论域中的第j个元素,j=1,2,…;j∈Z+;输出变量no的论域中的元素noj在模糊子集Br(r=1,2,…,so)上的隶属度为所述j为论域中的第j个元素,j=1,2,…;j∈Z+;
所述步骤(5)为:
(51)将输入变量的模糊集合Am和输出变量的模糊集合B分别记作论域,论域分别记作模糊集合;
(52)元素Amk在模糊子集xmj上的隶属度为元素Br在模糊子集noj上的隶属度为
所述步骤(5)中的
所述步骤(7)是这样实现的:
(71)将获取的数据分别进行模糊化,第i组(i=1,2,…,N;i∈Z+正整数)数据转化为列向量表示形式:
(72)第i组数据的输入变量与输出变量的关系矩阵表示为:第i组数据的输入关系矩阵:第i组数据的输出关系矩阵:
(73)第i组数据的模糊关系矩阵为:
(74)得到每组数据的模糊关系矩阵后,总的模糊关系矩阵表示为:
(75)微生物生长预测模型的输入向量记为RIn,则输出向量ROut表示为:
2.如权利要求1所述的一种生产流通过程中食品所含微生物的生长预测方法,其特征在于:所述食品中微生物的初始数量nos是δp=0时nop的值。
3.如权利要求1所述的一种生产流通过程中食品所含微生物的生长预测方法,其特征在于:所述步骤(8)中重心法解模糊方法的公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289218.2A CN105930936B (zh) | 2016-05-04 | 2016-05-04 | 一种生产流通过程中食品所含微生物的生长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289218.2A CN105930936B (zh) | 2016-05-04 | 2016-05-04 | 一种生产流通过程中食品所含微生物的生长预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930936A CN105930936A (zh) | 2016-09-07 |
CN105930936B true CN105930936B (zh) | 2019-11-12 |
Family
ID=56835253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289218.2A Expired - Fee Related CN105930936B (zh) | 2016-05-04 | 2016-05-04 | 一种生产流通过程中食品所含微生物的生长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930936B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069022B (zh) * | 2018-01-22 | 2022-02-22 | 佛山市黛富妮家饰用品有限公司 | 预测过敏原含量超目标方法与生医电子装置 |
CN110956365B (zh) * | 2019-11-11 | 2020-07-17 | 北京工商大学 | 基于混杂贝叶斯网络的小麦粉供应链的菌落总数动态风险评估方法 |
CN114291417A (zh) * | 2021-12-31 | 2022-04-08 | 成都市食品检验研究院 | 一种微生物及生物毒素追溯系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768711A (zh) * | 2012-03-13 | 2012-11-07 | 山东省射频识别应用工程技术研究中心有限公司 | 一种肉制品加工过程微生物风险评估方法 |
CN104136624A (zh) * | 2012-03-02 | 2014-11-05 | 株式会社明治 | 预测微生物数的增殖的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351199A1 (en) * | 2013-05-24 | 2014-11-27 | Connectloud, Inc. | Method and apparatus for dynamically predicting workload growth based on heuristic data |
-
2016
- 2016-05-04 CN CN201610289218.2A patent/CN105930936B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104136624A (zh) * | 2012-03-02 | 2014-11-05 | 株式会社明治 | 预测微生物数的增殖的方法 |
CN102768711A (zh) * | 2012-03-13 | 2012-11-07 | 山东省射频识别应用工程技术研究中心有限公司 | 一种肉制品加工过程微生物风险评估方法 |
Non-Patent Citations (1)
Title |
---|
《模糊系统建模方法及其在微生物发酵中的应用》;周頔等;《计算机工程与设计》;20141116;第35卷(第11期);第3974-3979页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105930936A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raptodimos et al. | Using artificial neural network-self-organising map for data clustering of marine engine condition monitoring applications | |
CN105302096B (zh) | 一种工厂智能调度方法 | |
CN105930936B (zh) | 一种生产流通过程中食品所含微生物的生长预测方法 | |
CN102063550A (zh) | 机器智能参与设计决策的冷挤压件智能设计系统 | |
CN106843172A (zh) | 基于jy‑kpls的复杂工业过程在线质量预测方法 | |
CN106228184A (zh) | 一种基于优化极限学习机的高炉故障检测系统及方法 | |
CN104361420A (zh) | 规模养殖场猪蓝耳病风险评估体系软件开发及运行平台 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN109508498A (zh) | 基于bp人工神经网络的橡胶减振器配方设计系统及方法 | |
Zhu et al. | The generalized predictive control of bacteria concentration in marine lysozyme fermentation process | |
Ran | Construction and optimization of inventory management system via cloud-edge collaborative computing in supply chain environment in the Internet of Things era | |
CN103488089B (zh) | 自适应的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN107944066A (zh) | 一种基于大数据的余热锅炉节能潜力分析方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
Zhou et al. | Double-tank liquid level control based on genetic algorithm | |
Li et al. | Research on neural network quality prediction model based on genetic algorithm | |
CN103472727B (zh) | 群智加权的农药焚烧炉有害物排放达标控制系统及方法 | |
Shen | Prediction Algorithm of Labor Employment Capacity and Structure Based on Improved Genetic Algorithm | |
CN103488090B (zh) | 群智机器学习的焚烧炉有害物排放达标控制系统及方法 | |
CN103472729A (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 | |
Bowen et al. | Energy Consumption Prediction Model of Wastewater Treatment Plant Based on Stochastic Configuration Networks | |
Hu et al. | The soft measure model of dissolved oxygen based on RBF network in ponds | |
Wang et al. | KERNEL PRINCIPAL COMPONENT ANALYSIS: RADIAL BASIS FUNCTION NEURAL NETWORKS–BASED SOFT-SENSOR MODELING OF POLYMERIZING PROCESS OPTIMIZED BY CULTURAL DIFFERENTIAL EVOLUTION ALGORITHM | |
Liu et al. | A bibliometric review of progress and trends in food factory design research | |
Lu et al. | Reliability evaluation of cryogenic shut-off valve based on weibull segmented model |
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 | ||
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: 20191112 |