CN106249724B - 一种高炉多元铁水质量预测控制方法及系统 - Google Patents
一种高炉多元铁水质量预测控制方法及系统 Download PDFInfo
- Publication number
- CN106249724B CN106249724B CN201610825945.6A CN201610825945A CN106249724B CN 106249724 B CN106249724 B CN 106249724B CN 201610825945 A CN201610825945 A CN 201610825945A CN 106249724 B CN106249724 B CN 106249724B
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- molten iron
- output
- model
- module
- 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.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title abstract description 14
- 239000010959 steel Substances 0.000 title abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 378
- 229910052742 iron Inorganic materials 0.000 claims description 189
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 46
- 229910052710 silicon Inorganic materials 0.000 claims description 46
- 239000010703 silicon Substances 0.000 claims description 46
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 21
- 238000002347 injection Methods 0.000 claims description 21
- 239000007924 injection Substances 0.000 claims description 21
- 229910052760 oxygen Inorganic materials 0.000 claims description 21
- 239000001301 oxygen Substances 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 239000000243 solution Substances 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000036039 immunity Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 14
- 230000008859 change Effects 0.000 description 9
- 238000003723 Smelting Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 241001123248 Arma Species 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 229940034880 tencon Drugs 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- 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)
- Manufacture Of Iron (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)
Abstract
本发明提供一种高炉多元铁水质量预测控制方法及系统。该方法包括：设定高炉多元铁水质量指标期望值；获取高炉生产历史数据，建立高炉多元铁水质量预测模型；利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。该系统包括：指标设定单元、模型训练单元、跟踪计算单元、反馈控制单元。本发明可以使多元铁水质量指标准确快速的达到给定要求，具有跟踪性能好、抗干扰性强的优点，使得生产过程中能耗和成本得到降低，铁水质量进一步提高。
Description
技术领域
本发明涉及高炉冶铁过程控制技术领域，特别涉及一种高炉多元铁水质量预测控制方法及系统。
背景技术
钢铁工业在国家经济发展中具有重要地位，是国家经济水平和综合国力的重要标志。高炉炼铁作为钢铁工业的重要环节，其铁水质量的好坏直接影响整个炼钢后续工序，甚至是钢成品质量的优劣。在高炉冶炼过程中，多元铁水质量指标通常采用硅含量([Si])、铁水温度(MIT)来衡量。硅含量是评定高炉炉况稳定性和生铁质量的重要指标，也是表征高炉化学热状态及其变化的标志之一。铁水硅含量高，有利于去除磷、硫等有害元素，但是硅含量过高会使生铁过于硬脆，降低金属获得率，且易引起喷溅。铁水温度是表征高炉冶炼过程物理热状态、能量消耗和铁水质量的重要参数。铁水温度过低不仅影响高炉顺行，而且会影响后续转炉炼钢的运行性能，增加生产成本，长时间的铁水温度过低更会造成炉身粘结、炉况失常等严重后果。因此实现对高炉多元铁水质量指标的自动控制，不仅是保证铁水质量提高的关键，而且对钢铁企业的节能降耗、提高经济效益和社会效益都有很重要的意义。
目前，对高炉铁水质量的控制大多只针对单一指标，即仅对硅含量或铁水温度等进行建模与控制。如有的采用子空间辨识方法建立铁水硅含量的线性输入输出模型(ZengJ S，Gao C H，Su H Y.Data-driven predictive control for blast furnaceironmaking process，Computers and Chemical Engineering，2010，34，11，pp.1854-1862.)，有的采用线性回归的方法建立了铁水硅含量的线性ARMA预测模型(Marutiram K，Radhikrishnan V R.Predictive control of blast furnaces，Proceedings of TENCON′91.1991IEEE Region 10International Conference on EC3-Energy，Computer，Communication and Control Systems，New Delhi，India：IEEE，1991，3，488-491.)，然后基于建立的线性模型进行了线性预测控制器设计。虽然对单一铁水指标控制取得了一定的效果，但是高炉铁水生产过程中涉及的原燃料种类多而复杂，各变量间耦合性强，非线性程度较高，因而基于线性模型的线性控制方法难以对多元铁水质量指标进行有效控制。
随着高炉冶炼过程PLC与DCS等检测与控制技术的广泛应用，炼铁过程积累了大量的生产过程数据，这些数据中包含了高炉冶炼过程的各种信息。因此数据驱动建模在以高炉为代表的复杂工业系统中得到了广泛的应用。随着计算机技术的迅速发展及非线性预测控制理论的成熟，因此采用数据驱动建模的非线性预测方法进行高炉多元铁水质量指标控制，更容易使的高炉冶铁达到高质高产低耗。
发明内容
针对现有技术存在的问题，本发明提供一种高炉多元铁水质量预测控制方法及系统。
本发明的技术方案如下：
一种高炉多元铁水质量预测控制方法，包括：
步骤1、设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
步骤2、获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
步骤3、利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
步骤4、将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
所述步骤2包括：
步骤2-1、获取高炉生产历史数据，包括控制量和被控量；
控制量，包括热风温度、热风压力、富氧率、设定喷煤量；
被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
步骤2-2、对获取的高炉生产历史数据进行预处理；
步骤2-3、利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出。
所述步骤2-2包括：
步骤2-2-1、采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
步骤2-2-2、采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
步骤2-2-3、对数据进行归一化处理。
所述步骤2-3包括：
步骤2-3-1、从预处理后的数据中选取训练样本和测试样本；
步骤2-3-2、利用训练样本建立多输出最小二乘支持向量回归模型，该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量，以热风温度、热风压力、富氧率、设定喷煤量为输入变量；
步骤2-3-3、将训练样本映射到一个高维的特征空间进行线性拟合；
步骤2-3-4、以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
步骤2-3-5、利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回步骤2-3-1，否则执行步骤3。
所述步骤3包括：
步骤3-1、建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；
步骤3-2、设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
步骤3-3、以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
步骤3-4、利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
一种高炉多元铁水质量预测控制系统，包括：
指标设定单元：设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
模型训练单元：获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
跟踪计算单元：利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
反馈控制单元：将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
所述模型训练单元包括：
数据获取模块：获取高炉生产历史数据，包括控制量和被控量；控制量，包括热风温度、热风压力、富氧率、设定喷煤量；被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
预处理模块：对获取的高炉生产历史数据进行预处理；
训练模块：利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出。
所述预处理模块包括：
跳变数据剔除模块：采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
噪声干扰消除模块：采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
归一化处理模块：对数据进行归一化处理。
所述训练模块包括：
样本选取模块：从预处理后的数据中选取训练样本和测试样本；
模型训练模块：利用训练样本建立多输出最小二乘支持向量回归模型，该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量，以热风温度、热风压力、富氧率、设定喷煤量为输入变量；
线性拟合模块：将训练样本映射到一个高维的特征空间进行线性拟合；
参数寻优模块：以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
模型验证模块：利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回样本选取模块，从预处理后的数据中重新选取训练样本和测试样本；否则执行跟踪控制单元。
所述跟踪计算单元，包括：
参考轨迹模块：建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；
反馈校正模块：设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
性能指标函数模块：以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
优化求解模块：利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
有益效果：
本发明的目的是针对现有的多元铁水质量建模和控制方法的不足，提出了一种基于数据驱动的高炉多元铁水质量预测控制方法，即基于多输出最小二乘支持向量回归(M-LS-SVR)模型的高炉多元铁水质量非线性预测控制方法，可以使多元铁水质量指标准确快速的达到给定要求，有较强的抵抗外部干扰的能力，使得生产过程中能耗和成本得到降低，铁水质量进一步提高。因此在实际生产过程中具有重要意义。本发明依据高炉冶铁过程生产线上传感器测量的高炉多元铁水相关数据，结合多输出最小二乘支持向量回归理论，建立了高炉多元铁水质量(Si含量、铁水温度)与四个控制量(热风温度、热风压力、富氧率、设定喷煤量)之间的M-LS-SVR预测模型，然后用非线性预测控制理论设计了非线性预测控制器，实现对多元铁水质量的有效控制。本发明方法具有更高的建模精度，为多元铁水质量的控制奠定了基础；采用序列二次规划算法求解的预测控制器，具有更快的运算速度，适合用于实时性强的工业过程；具有跟踪性能好、抗干扰性强的优点。
附图说明
图1是本发明具体实施方式的高炉多元铁水质量预测控制方法流程图；
图2是本发明具体实施方式中步骤2的流程图；
图3是本发明具体实施方式中步骤2-2的流程图；
图4是本发明具体实施方式中步骤2-3的流程图；
图5是本发明具体实施方式中步骤3的流程图；
图6是本发明具体实施方式中高炉多元铁水质量预测控制系统框图；
图7是本发明具体实施方式中模型训练单元框图；
图8是本发明具体实施方式中预处理模块框图；
图9是本发明具体实施方式中训练模块框图；
图10是本发明具体实施方式中跟踪计算单元框图；
图11是本发明具体实施方式中最终建模效果图，其中，(a)是训练数据中硅含量的拟合效果图，(b)是训练数据中铁水温度的拟合效果图，(c)是预测的硅含量效果图，(d)是预测的铁水温度效果图；
图12是本发明具体实施方式中不同时刻下跟踪不同设定值的预测控制效果图，其中，(a)是硅含量的跟踪效果图，(b)是铁水温度的跟踪效果图，(c)是控制量热风温度的变化图，(d)是控制量热风压力的变化图，(e)是控制量富氧率的变化图，(f)是控制量设定喷煤量的变化图；
图13是本发明具体实施方式中不同时刻干扰下控制系统的抗扰动效果图，其中，(a)是硅含量的抗扰动效果图，(b)是铁水温度的抗扰动效果图，(c)是控制量热风温度的变化图，(d)是控制量热风压力的变化图，(e)是控制量富氧率的变化图，(f)是控制量设定喷煤量的变化图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
一种高炉多元铁水质量预测控制方法，如图1所示，包括：
步骤1、设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
步骤2、获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
如图2所示，所述步骤2包括：
步骤2-1、获取高炉生产历史数据，包括控制量和被控量；
控制量，包括热风温度、热风压力、富氧率、设定喷煤量；
被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
步骤2-2、对获取的高炉生产历史数据进行预处理；
如图3所示，所述步骤2-2包括：
步骤2-2-1、采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
步骤2-2-2、采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
步骤2-2-3、对数据进行归一化处理，获得270组归一化后的数据。
步骤2-3、利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出。
如图4所示，所述步骤2-3包括：
步骤2-3-1、从预处理后的270组数据中选取前200组数据作为训练样本，后70组数据作为测试样本；
步骤2-3-2、利用训练样本建立多输出最小二乘支持向量回归模型，该模型的输入数据样本集用Xi＝{u1(k)，u2(k)，u3(k)，u4(k)}表示，模型输出数据样本集用Yi＝{y1(k)，y2(k)}表示。其中i＝1，2，…，200，k为当前采样时刻，u1(k)代表k时刻的热风温度值，u2(k)代表k时刻的热风压力，u3(k)代表k时刻的富氧率，u4(k)代表k时刻的设定喷煤量，y1(k)代表k时刻的硅含量，y2(k)代表k时刻的铁水温度；
步骤2-3-3、将训练样本映射到一个高维的特征空间进行线性拟合；
根据Representer Theorem(Zhou Shuisheng.Sparse LSSVM in primal usingCholesky Factorization for large-scale problems.IEE Transactions on NeuralNetworks and Learning Systems，2016，27(4)：783--795.)，用Wj表示训练样本在高维特征空间的映射：
其中，Wj表示第j个输出的回归权值向量，j＝1，2，ri，j表示第i个样本的第j个输出的待求系数，l＝200，表示映射函数：Rj＝[r1，j，r2，j，…，r200，j]T；
步骤2-3-4、以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
其中，Yi＝[y1，y2]T，W＝[W1，W2]T，Bi＝[b1，b2]T分别为输出的权重和偏置项系数，C为单一拟合误差的惩罚系数，Φ＝[Φ1，Φ2]T为输入映射函数，ei，j为第i个训练样本的第j个输出的输出误差，C0为训练样本整体误差的惩罚系数，Ei为第i个训练样本整体拟合误差。
引入Lagrange乘子α＝[α1，α2，…，αl]T和β＝[β1，β2，…，βl]T，其Lagrange函数为：
对式(6)中的Wj，bj，Ei，ei，j，αi，βi，j分别求偏导，由KKT条件得：
其中，Dα＝diag{α1，α2，…，α200}为对角矩阵，I＝[1，1，…，1]。
引入核函数并综合式(1)和式(4)可以得到关于多输出支持最小二乘向量回归模型参数Rj和bj相关的线性方程组：
解上述线性方程组，得到未知参数Rj和bj的值。
最终求得的多输出最小二乘支持向量回归模型的表达形式为：
其中，核函数
为了使建立的高炉多元铁水质量预测模型更为精确，采用粒子群算法(ZhaoShian，Wang Lingzhi.Support Vector Regression Based on Particle SwarmOptimization for Rainfall Forecasting.2010Third International JointConference on Computational Science and Optimization，2010，2：484--487.)对高炉多元铁水质量预测模型中的参数集C、C0及σ进行寻优，可以求得最优参数集。最终利用粒子群算法得多输出最小二乘支持向量回归的最优参数为：C＝16，C0＝10.4，σ＝3.5。利用此参数建立的高炉多元铁水质量预测模型效果如图11(a)～(d)所示。
步骤2-3-5、利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回步骤2-3-1，否则执行步骤3。
步骤3、利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
如图5所示，所述步骤3包括：
步骤3-1、建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；
引入参考轨迹方程；
其中，Y(k)为k时刻高炉多元铁水质量即硅含量和铁水温度实际值，Ysp＝[0.55，1505]T为硅含量期望值和铁水温度期望值，Yr(k+j)为k+j时刻的参考轨迹值，γ为柔化系数，取γ＝0.1；P为预测时域，取P＝4；
步骤3-2、设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
由于用多输出支持向量回归建立的多元铁水质量模型预测的铁水质量值有时与系统铁水质量实际值并不完全匹配，且外界环境的干扰，也会影响铁水质量实际值，从而产生误差。因此需要对未来的误差做出预测并加以补偿的方式来反馈校正，以使多元铁水质量预测模型的预测值更加接近于系统的实际输出值；
E(k)＝Y(k)-Ym(k) (8)
Yp(k+j)＝Ym(k+j)+h×E(k) (9)
其中，代表k时刻基于多输出支持向量回归的高炉多元铁水质量预测模型预测的硅含量和铁水温度值，Yp(k+j)为校正后的k+j时刻的预测值，h＝0.3为补偿系数；
步骤3-3、以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，即最小化期望值与预测模型输出间的误差平方和，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
在每个采样时刻优化如下高炉多元铁水质量性能指标函数；
其中，P＝4为预测时域，M＝3为控制时域，P≥M，n＝2为被控量个数即高炉多元铁水质量预测模型输出个数，m＝4为控制量个数即高炉多元铁水质量预测模型输入个数，λl＝1为控制加权系数。yr，j(k+i)为k+i时刻第j个输出的参考轨迹，yp，j(k+i)为k+i时刻校正后的第j个输出预测值，ul为第l个控制量。
步骤3-4、利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
将(10)式的非线性约束优化问题即多元铁水质量预测模型的目标函数表示为：
其中，x＝[x1，x2，…，x4]为(10)式中的控制量ul，f(x)为(10)式的目标函数。
调用Matlab工具箱中的fmincon()函数，调用格式为：
[x，fopt]＝fmincon(F，x0，A，B，Aeq，Beq，xm，xM) (12)
其中，F＝f(x)为给定的目标函数，x0＝[]为初始搜索点，A＝[]，B＝[]，Aeq＝[]，Beq＝[]，xm＝[-1；-1；…；-1]，xM＝[1；1；…；1]，fopt为目标函数的最优值。
通过调用上述fmincon()函数，可以求得当前采样时刻的最优结果x，而变量x即为式(10)中的控制量ul(k)，即最优控制律ul *(k)。
步骤4、将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
一种高炉多元铁水质量预测控制系统，如图6所示，包括：
指标设定单元：设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
模型训练单元：获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
跟踪计算单元：利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
反馈控制单元：将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值。
如图7所示，所述模型训练单元包括：
数据获取模块：获取高炉生产历史数据，包括控制量和被控量；控制量，包括热风温度、热风压力、富氧率、设定喷煤量；被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
预处理模块：对获取的高炉生产历史数据进行预处理；
训练模块：利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出。
如图8所示，所述预处理模块包括：
跳变数据剔除模块：采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
噪声干扰消除模块：采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
归一化处理模块：对数据进行归一化处理。
如图9所示，所述训练模块包括：
样本选取模块：从预处理后的数据中选取训练样本和测试样本；
模型训练模块：利用训练样本建立多输出最小二乘支持向量回归模型，该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量，以热风温度、热风压力、富氧率、设定喷煤量为输入变量；
线性拟合模块：将训练样本映射到一个高维的特征空间进行线性拟合；
参数寻优模块：以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
模型验证模块：利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回样本选取模块，从预处理后的数据中重新选取训练样本和测试样本；否则执行跟踪控制单元。
如图10所示，所述跟踪计算单元，包括：
参考轨迹模块：建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；
反馈校正模块：设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
性能指标函数模块：以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
优化求解模块：利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
为了验证本发明针对高炉冶铁过程设计的高炉多元铁水质量预测控制方法及系统的控制性能，进行了跟踪和抗干扰试验，控制效果分别如图12(a)～(f)、图13(a)～(f)所示。从图中可以看出其控制效果能达到设定值，且具有一定的抗扰动性能。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种高炉多元铁水质量预测控制方法，包括：
步骤1、设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
步骤2、获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
步骤3、利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
所述步骤2包括：
步骤2-1、获取高炉生产历史数据，包括控制量和被控量；
控制量，包括热风温度、热风压力、富氧率、设定喷煤量；
被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
步骤2-2、对获取的高炉生产历史数据进行预处理；
步骤2-3、利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出；
所述步骤2-3包括：
步骤2-3-1、从预处理后的数据中选取训练样本和测试样本；
步骤2-3-2、利用训练样本建立多输出最小二乘支持向量回归模型，该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量，以热风温度、热风压力、富氧率、设定喷煤量为输入变量；
步骤2-3-3、将训练样本映射到一个高维的特征空间进行线性拟合；
步骤2-3-4、以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
步骤2-3-5、利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回步骤2-3-1，否则执行步骤3；
其特征在于，所述方法还包括：
步骤4、将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值；
所述步骤2-3-3中用Wj表示训练样本在高维特征空间的映射：
其中，Wj表示第j个输出的回归权值向量，j＝1,2，ri,j表示第i个样本的第j个输出的待求系数，表示映射函数：Rj＝[r1,j,r2,j,…,rl,j]T；
所述步骤2-3-4中的目标函数如下：
其中，Yi＝[y1,y2]T,W＝[W1,W2]T，Bi＝[b1,b2]T分别为输出的权重和偏置项系数，C为单一拟合误差的惩罚系数，Φ＝[Φ1,Φ2]T为输入映射函数，ei,j为第i个训练样本的第j个输出的输出误差，C0为训练样本整体误差的惩罚系数，Ei为第i个训练样本整体拟合误差；
引入Lagrange乘子α＝[α1，α2，…,αl]T和β＝[β1，β2，…,βl]T，其Lagrange函数为：
对式(6)中的Wj,bj,Ei,ei,j,αi,βi,j分别求偏导，由KKT条件得：
其中，Dα＝diag{α1，α2，…,α200}为对角矩阵，I＝[1,1,…,1]；
引入核函数并综合式(1)和式(4)得到关于多输出支持最小二乘向量回归模型参数Rj和bj相关的线性方程组：
解上述线性方程组，得到未知参数Rj和bj的值；
最终求得的多输出最小二乘支持向量回归模型的表达形式为：
其中，核函数
所述步骤3包括：
步骤3-1、建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；
所述参考轨迹方程；
其中，Y(k)为k时刻高炉多元铁水质量即硅含量和铁水温度实际值，Ysp为硅含量期望值和铁水温度期望值，Yr(k+j)为k+j时刻的参考轨迹值，γ为柔化系数；P为预测时域；
步骤3-2、设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
步骤3-3、以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
步骤3-4、利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
2.根据权利要求1所述的高炉多元铁水质量预测控制方法，其特征在于，所述步骤2-2包括：
步骤2-2-1、采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
步骤2-2-2、采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
步骤2-2-3、对数据进行归一化处理。
3.一种高炉多元铁水质量预测控制系统，包括：
指标设定单元：设定高炉多元铁水质量指标期望值，所述多元铁水质量指标包括硅含量、铁水温度；
模型训练单元：获取高炉生产历史数据，建立高炉多元铁水质量预测模型，该模型是以热风温度、热风压力、富氧率、设定喷煤量为输入，以高炉多元铁水质量指标为输出的多输出最小二乘支持向量回归模型；
跟踪计算单元：利用序列二次规划算法和高炉多元铁水质量预测模型，计算得到最优的高炉多元铁水质量预测模型输入即最优控制量；
所述模型训练单元包括：
数据获取模块：获取高炉生产历史数据，包括控制量和被控量；控制量，包括热风温度、热风压力、富氧率、设定喷煤量；被控量即高炉多元铁水质量指标，包括硅含量、铁水温度；
预处理模块：对获取的高炉生产历史数据进行预处理；
训练模块：利用预处理后的高炉生产历史数据建立多输出最小二乘支持向量回归模型作为高炉多元铁水质量预测模型，将预处理后的控制量作为该模型输入，预处理后的被控量作为该模型输出；
所述训练模块包括：
样本选取模块：从预处理后的数据中选取训练样本和测试样本；
模型训练模块：利用训练样本建立多输出最小二乘支持向量回归模型，该多输出最小二乘支持向量回归模型以硅含量、铁水温度为输出变量，以热风温度、热风压力、富氧率、设定喷煤量为输入变量；
线性拟合模块：将训练样本映射到一个高维的特征空间进行线性拟合；
参数寻优模块：以最小化各输出变量的回归权值向量范数、单个输出变量的拟合误差以及训练样本整体拟合误差作为构建多输出最小二乘支持向量回归模型的目标函数，通过求解此目标函数，得到多输出最小二乘支持向量回归模型；
模型验证模块：利用测试样本验证最优的高炉多元铁水质量预测模型的准确性：如果模型精度不满足要求，则返回样本选取模块，从预处理后的数据中重新选取训练样本和测试样本；否则执行跟踪控制单元；
其特征在于，所述系统还包括：
反馈控制单元：将最优控制量反馈给相应执行机构，使高炉多元铁水质量指标跟踪设定的高炉多元铁水质量指标期望值；
所述线性拟合模块中用Wj表示训练样本在高维特征空间的映射：
其中，Wj表示第j个输出的回归权值向量，j＝1,2，ri,j表示第i个样本的第j个输出的待求系数，表示映射函数：Rj＝[r1,j,r2,j,…,rl,j]T；
所述参数寻优模块中的目标函数如下：
其中，Yi＝[y1,y2]T,W＝[W1,W2]T，Bi＝[b1,b2]T分别为输出的权重和偏置项系数，C为单一拟合误差的惩罚系数，Φ＝[Φ1,Φ2]T为输入映射函数，ei,j为第i个训练样本的第j个输出的输出误差，C0为训练样本整体误差的惩罚系数，Ei为第i个训练样本整体拟合误差；
引入Lagrange乘子α＝[α1，α2，…,αl]T和β＝[β1，β2，…,βl]T，其Lagrange函数为：
对式(6)中的Wj,bj,Ei,ei,j,αi,βi,j分别求偏导，由KKT条件得：
其中，Dα＝diag{α1，α2，…,α200}为对角矩阵，I＝[1,1,…,1]；
引入核函数并综合式(1)和式(4)得到关于多输出支持最小二乘向量回归模型参数Rj和bj相关的线性方程组：
解上述线性方程组，得到未知参数Rj和bj的值；
最终求得的多输出最小二乘支持向量回归模型的表达形式为：
其中，核函数
所述跟踪计算单元，包括：
参考轨迹模块：建立参考轨迹方程，使当前时刻的硅含量和铁水温度值平滑的过渡到期望设定值；所述参考轨迹方程；
其中，Y(k)为k时刻高炉多元铁水质量即硅含量和铁水温度实际值，Ysp为硅含量期望值和铁水温度期望值，Yr(k+j)为k+j时刻的参考轨迹值，γ为柔化系数；P为预测时域；
反馈校正模块：设置反馈校正环节，使多元铁水质量预测模型的输出值更加接近于实际输出值；
性能指标函数模块：以最小化参考轨迹和反馈校正后输出的误差平方和为高炉多元铁水质量性能指标函数，使高炉系统实际输出的硅含量和铁水温度值达到期望的给定值；
优化求解模块：利用序列二次规划算法对高炉多元铁水质量性能指标函数进行优化求解，得到最优控制量。
4.根据权利要求3所述的系统，其特征在于，所述预处理模块包括：
跳变数据剔除模块：采用噪声尖峰滤波算法剔除噪声尖峰跳变数据；
噪声干扰消除模块：采用移动平均滤波算法消除对剔除噪声尖峰跳变后的数据中的高频测量噪声波动干扰；
归一化处理模块：对数据进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610825945.6A CN106249724B (zh) | 2016-09-14 | 2016-09-14 | 一种高炉多元铁水质量预测控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610825945.6A CN106249724B (zh) | 2016-09-14 | 2016-09-14 | 一种高炉多元铁水质量预测控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106249724A CN106249724A (zh) | 2016-12-21 |
| CN106249724B true CN106249724B (zh) | 2019-03-01 |
Family
ID=57599970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610825945.6A Active CN106249724B (zh) | 2016-09-14 | 2016-09-14 | 一种高炉多元铁水质量预测控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106249724B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390524B (zh) * | 2017-07-17 | 2019-05-21 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
| CN108153146B (zh) * | 2017-12-12 | 2020-10-27 | 东北大学 | 一种高炉多元铁水质量无模型自适应控制系统及方法 |
| CN109001979B (zh) * | 2018-08-24 | 2021-05-18 | 东北大学 | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 |
| CN108845501B (zh) * | 2018-09-11 | 2021-07-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
| CN109358580A (zh) * | 2018-10-19 | 2019-02-19 | 镇江宝利玛环保设备有限公司 | 聚酯化工生产智能控制方法 |
| CN109685289B (zh) * | 2019-01-21 | 2020-11-10 | 重庆电子工程职业学院 | 高炉炉况顺行预测方法、装置及系统 |
| CN109902872B (zh) * | 2019-02-28 | 2021-10-01 | 北京首钢股份有限公司 | 一种性能预测模型与产品研发相结合的方法和装置 |
| CN109858709B (zh) * | 2019-03-01 | 2022-08-19 | 联想(北京)有限公司 | 一种优化焦炭生产的方法、装置和设备 |
| CN111624954B (zh) * | 2019-03-12 | 2021-06-04 | 妙微(杭州)科技有限公司 | 一种面向流程型制造业的高级过程控制的机器学习系统 |
| CN110066895B (zh) * | 2019-04-10 | 2021-01-12 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
| CN109934421B (zh) * | 2019-04-24 | 2021-03-23 | 中南大学 | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 |
| WO2021014923A1 (ja) * | 2019-07-23 | 2021-01-28 | Ｊｆｅスチール株式会社 | プロセスの制御方法、操業ガイダンス方法、高炉の操業方法、溶銑の製造方法およびプロセスの制御装置 |
| CN110569966B (zh) * | 2019-09-09 | 2022-09-23 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1596315B (zh) * | 2002-08-29 | 2011-03-23 | 杰富意钢铁株式会社 | 无料钟高炉的原料装入方法 |
| JP4269847B2 (ja) * | 2002-08-30 | 2009-05-27 | Ｊｆｅスチール株式会社 | ベルレス高炉の原料装入方法 |
| CN104298214A (zh) * | 2014-11-03 | 2015-01-21 | 天津理工大学 | 一种高炉铁水生产过程综合优化控制方法 |
| CN104651559B (zh) * | 2015-01-30 | 2017-01-11 | 东北大学 | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 |
| CN105808929B (zh) * | 2016-03-02 | 2018-05-22 | 东北大学 | 一种高炉十字测温装置中心温度估计方法 |
| CN105608492B (zh) * | 2016-03-02 | 2018-03-20 | 东北大学 | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 |
| CN105886680B (zh) * | 2016-05-11 | 2017-12-29 | 东北大学 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
| CN105821170A (zh) * | 2016-05-11 | 2016-08-03 | 东北大学 | 一种高炉多元铁水质量指标软测量系统及方法 |
-
2016
- 2016-09-14 CN CN201610825945.6A patent/CN106249724B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106249724A (zh) | 2016-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
| CN109001979B (zh) | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 | |
| CN108153146B (zh) | 一种高炉多元铁水质量无模型自适应控制系统及方法 | |
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| CN104460319B (zh) | 多批次间歇反应过程二维多模型预测迭代学习控制方法 | |
| CN109507882B (zh) | 一种基于rbf-arx模型的快速鲁棒预测控制方法 | |
| CN109581870A (zh) | 含能材料反应釜的釜内温度动态矩阵控制方法 | |
| CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
| CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
| 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 | |
| CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
| CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| CN104765350A (zh) | 基于组合模型预测控制技术的水泥分解炉控制方法及系统 | |
| CN101763036A (zh) | 基于模糊神经网络的赖氨酸发酵过程补料预测控制系统及方法 | |
| CN105240846B (zh) | 多变量广义预测控制优化的循环流化床锅炉燃烧过程控制方法 | |
| CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
| CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
| CN109352655B (zh) | 一种基于多输出高斯过程回归的机器人变形补偿方法 | |
| CN105316613A (zh) | 一种基于变时滞偏差校正技术的锌层厚度控制方法和系统 | |
| CN112083694A (zh) | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 | |
| CN105066121B (zh) | 一种循环流化床锅炉动态床温预测系统及方法 | |
| CN107703760B (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| CN112947606A (zh) | Bp神经网络pid预测控制的锅炉液位控制系统及方法 |
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 |