CN107477772A - 基于室内监测数据的住宅新风系统控制方法 - Google Patents
基于室内监测数据的住宅新风系统控制方法 Download PDFInfo
- Publication number
- CN107477772A CN107477772A CN201710599110.8A CN201710599110A CN107477772A CN 107477772 A CN107477772 A CN 107477772A CN 201710599110 A CN201710599110 A CN 201710599110A CN 107477772 A CN107477772 A CN 107477772A
- Authority
- CN
- China
- Prior art keywords
- vmc
- user
- behavior
- data
- time series
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000011217 control strategy Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims abstract description 4
- 230000001276 controlling effect Effects 0.000 claims description 24
- 230000007935 neutral effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 6
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000013618 particulate matter Substances 0.000 claims description 6
- 239000012855 volatile organic compound Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001953 sensory effect Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 208000033157 Hepatic cystic hamartoma Diseases 0.000 description 40
- 208000016457 liver mesenchymal hamartoma Diseases 0.000 description 40
- 230000006399 behavior Effects 0.000 description 30
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
- Ventilation (AREA)
Abstract
本发明涉及室内空气更新控制技术领域,为提出一种新的住宅新风系统控制方法,这种方法能够使自身的控制行为更加接近于用户的生活习惯。因而每个用户都能获得适合自己的独有的“个性化”新风系统控制策略。本发明采用的技术方案是,基于室内监测数据的住宅新风系统控制方法,步骤如下:a)收集室内空气参数时间序列和用户行为时间序列数据;b)室内空气参数时间序列数据由新风系统房间中安装的室内环境监测设备定时检测获取;c)用户行为时间序列数据由对应的行为传感器或其他电子记录装置获得;d)特征矩阵指对时间序列数据进行再处理;e)实时获取室内空气参数检测值。本发明主要应用于室内空气更新控制场合。
Description
技术领域
本发明涉及室内空气更新控制技术领域,具体讲,涉及基于室内监测数据的住宅新风系统控制方法。
背景技术
新风系统控制最常用的控制方法有定时控制和传感反馈控制。定时控制是指由设备或用户预先设定时间,通过内部时钟定时开关或调节工况;传感反馈控制是指通过传感器检测某些特定指标(如温湿度、某些物质的浓度等),判断是否超过设定的阈值并输出反馈信号,控制新风系统的开关和运行工况。在实际的使用中会发现这两种控制方法较为机械,其矛盾在于,它一方面切实地进行了新风系统的调控,保持了室内的舒适;另一方面这些调控行为会打扰用户的生活,甚至反过来对用户的生活舒适度造成二次伤害。如,系统起停和调节中引入的温差较大的新风和产生的噪声常会引发用户不适。
发明内容
为克服现有技术的不足,本发明旨在提出一种新的住宅新风系统控制方法,这种方法能够赋予控制器或相关元件对用户日常行为的“学习”能力,使自身的控制行为更加接近于用户的生活习惯。因而每个用户都能获得适合自己的独有的“个性化”新风系统控制策略。本发明采用的技术方案是,基于室内监测数据的住宅新风系统控制方法,步骤如下:
a)收集室内空气参数时间序列和用户行为时间序列数据,从中提取出特征矩阵,使用神经网络训练出用户的行为模型,以该行为模型作为新风系统控制策略的一部分;
b)室内空气参数时间序列数据由新风系统房间中安装的室内环境监测设备定时检测获取,这些空气参数包括温度、湿度、二氧化碳浓度、甲醛浓度、可挥发性有机化合物(TVOC)浓度、可入肺颗粒物PM2.5浓度;
c)用户行为时间序列数据由对应的行为传感器或其他电子记录装置获得,用户行为可以是用户手动开关或调节新风系统的行为,也可以是用户对相关于新风系统的设备或装置发生的行为,包括开启门、窗行为;
d)特征矩阵指对时间序列数据进行再处理,从中提取得到的能够表征某些时间点的“特征”的数据组成的矩阵,用于直接输入神经网络进行训练,这些特征是某个时间点室内空气的特征,或其于一段时间内的斜率或变化率;抑或是某个时间点本身的某些特征,包括相对于一天的时刻值,或距离某次事件发生的时间;
e)实时获取室内空气参数检测值,输入神经网络控制模型中之后,控制模型将进行运算并输出相应的控制信号,控制设备或装置发生的相关行为。
神经网络指人工神经网络ANN,包括前向神经网络、反向传播神经网络、卷积神经网络和递归神经网络。
在一个实例中具体步骤是:
1)首先在用户房间中安装新风系统、室内环境监测系统和新风系统控制设备,调试并确保能够正常工作;
2)用户正常使用新风系统中风机,但此时用户需手动开关或调节新风机组的工况;
3)第一阶段中,新风系统控制设备对用户的手动控制行为进行日志记录,以获得用户行为时间序列数据;
4)第一阶段中,室内环境监测系统全天候运行,每隔1分钟记录下当前室内空气参数的检测结果,参数包括室内温度、湿度、二氧化碳浓度、甲醛浓度、总可挥发性有机化合物TVOC浓度和可入肺颗粒物PM2.5浓度;
5)收集约1-2个月的数据后,对数据进行处理,提取得到特征矩阵,并输入神经网络进行训练:首先从室内环境监测系统和新风系统控制设备中读取收集到的数据,并对数据进行异常检测和排除,得到时间序列数据,之后,从时间序列数据中提取样本即特征向量组成特征矩阵,输入神经网络进行监督学习,最终得到用户行为模型;样本分为“开启/增大”、“关闭/减小”和“保持不变”三类,
6)行为模型直接作为控制模型,控制模型写入新风系统控制设备。此时开始,进入第二阶段,本发明提出的控制策略开始启用,用户可以同时使用控制模型提供的自动控制和与第一阶段相同的手动控制。
7)在第二阶段中,室内环境监测系统需与新风系统控制设备联网,实时获取室内空气参数检测值,输入控制模型中,之后,控制模型将进行运算并输出相应的控制信号,控制新风系统的开关或工况调节;
8)在第二阶段中,室内环境监测系统和新风系统控制设备仍保持数据收集功能,并定期重复控制模型的训练和写入步骤,以适应不断变化的用户习惯。
既可以将三类样本一起输入神经网络得到一个模型,也可以将其分为“是否开启/增强”和“是否关闭/减小”的两类分别输入神经网络,得到两个分工模型;以上的这些步骤可内置于新风系统控制设备中,也可在云端进行。
控制模型是可以与定时控制、传感反馈控制或PID控制结合,组成复杂的控制模型。
本发明的特点及有益效果是:
本发明提出一种新的住宅新风系统控制方法,这种方法能够赋予控制器或相关元件对用户日常行为的“学习”能力,使自身的控制行为更加接近于用户的生活习惯。因而每个用户都能获得适合自己的独有的“个性化”新风系统控制策略。
附图说明:
图1控制系统流程图。
具体实施方式
本方法使用随时间变化的室内空气检测数据和门窗开闭数据,生成用于住宅新风系统的控制信号,控制新风系统的运行。本方法属于建筑新风系统控制领域。
本发明采取的技术方案是:
f)收集室内空气参数时间序列和用户行为时间序列数据,从中提取出特征矩阵,使用神经网络训练出用户的行为模型,以该行为模型作为新风系统控制策略的一部分。
g)室内空气参数时间序列数据可由新风系统房间中安装的室内环境监测设备定时检测获取。这些空气参数可以是温度、湿度、二氧化碳浓度、甲醛浓度、可挥发性有机化合物(TVOC)浓度、可入肺颗粒物(PM2.5)浓度等。
h)用户行为时间序列数据由对应的行为传感器或其他电子记录装置获得。用户行为可以是用户手动开关或调节新风系统的行为,也可以是用户对相关于新风系统的设备或装置发生的行为,如开启门、窗等行为。
i)特征矩阵指对时间序列数据进行再处理,从中提取得到的能够表征某些时间点的“特征”的数据组成的矩阵,可用于直接输入神经网络进行训练。这些特征可以是某个时间点室内空气的特征,如前述提到的6种空气参数的实时值,或其于一段时间内的斜率或变化率;也可以是某个时间点本身的某些特征,如相对于一天的时刻值,或距离某次事件发生的时间等。
j)神经网络指人工神经网络(ANN)技术,包括但不限于前向神经网络、反向传播神经网络、卷积神经网络和递归神经网络等。
下面参照附图详细介绍本发明的示例性实施例。附图和具体实施例不对本发明进行限定。
附图1示出了本发明实施例控制系统的基本逻辑结构。
本实施例由新风机组、室内环境监测系统、新风系统控制设备组成。
工作过程如下:
1.首先在用户房间中安装新风系统、室内环境监测系统和新风系统控制设备,调试并确保能够正常工作。
2.用户正常使用新风机,但此时本发明中控制策略尚不能使用,用户需手动开关或调节新风机组的工况。此为第一阶段。
3.第一阶段中,新风系统控制设备对用户的手动控制行为进行日志记录,以获得用户行为时间序列数据。
4.第一阶段中,室内环境监测系统全天候运行,每隔1分钟记录下当前室内空气参数的检测结果,参数包括室内温度、湿度、二氧化碳浓度、甲醛浓度、总可挥发性有机化合物(TVOC)浓度和可入肺颗粒物(PM2.5)浓度等。
5.收集约1-2个月的数据后,对数据进行处理,提取得到特征矩阵,并输入神经网络进行训练,如附图1所示。首先从室内环境监测系统和新风系统控制设备中读取收集到的数据,并对数据进行异常检测和排除,得到较为可靠的时间序列数据。之后,从时间序列数据中提取样本即特征向量组成特征矩阵,输入神经网络进行监督学习,最终得到用户行为模型。样本分为“开启/增大”、“关闭/减小”和“保持不变”三类,所以既可以将三类样本一起输入神经网络得到一个模型,也可以将其分为“是否开启/增强”和“是否关闭/减小”的两类分别输入神经网络,得到两个分工模型。以上的这些步骤可内置于新风系统控制设备中,也可在云端进行。
6.行为模型可直接作为控制模型,也可以与传统的定时控制、传感反馈控制或PID控制等结合,组成复杂的控制模型。控制模型写入新风系统控制设备。此时开始,进入第二阶段,本发明提出的控制策略开始启用,用户可以同时使用控制模型提供的自动控制和与第一阶段相同的手动控制。
7.在第二阶段中,室内环境监测系统需与新风系统控制设备联网,实时获取室内空气参数检测值,输入控制模型中。之后,控制模型将进行运算并输出相应的控制信号,控制新风系统的开关或工况调节。
8.在第二阶段中,室内环境监测系统和新风系统控制设备仍保持数据收集功能,并定期重复控制模型的训练和写入步骤,以适应不断变化的用户习惯。
(二)参考文献
潘亚梅,黄虎,常煊宇,等.一种智能新风系统.中国专利(CN201220002503.9)
李秉樵.一种新风系统及其换气控制方法和装置.申请号(CN201510374258.2)。
Claims (5)
1.一种基于室内监测数据的住宅新风系统控制方法,其特征是,步骤如下:
a)收集室内空气参数时间序列和用户行为时间序列数据,从中提取出特征矩阵,使用神经网络训练出用户的行为模型,以该行为模型作为新风系统控制策略的一部分;
b)室内空气参数时间序列数据由新风系统房间中安装的室内环境监测设备定时检测获取,这些空气参数包括温度、湿度、二氧化碳浓度、甲醛浓度、可挥发性有机化合物(TVOC)浓度、可入肺颗粒物PM2.5浓度;
c)用户行为时间序列数据由对应的行为传感器或其他电子记录装置获得,用户行为可以是用户手动开关或调节新风系统的行为,也可以是用户对相关于新风系统的设备或装置发生的行为,包括开启门、窗行为;
d)特征矩阵指对时间序列数据进行再处理,从中提取得到的能够表征某些时间点的“特征”的数据组成的矩阵,用于直接输入神经网络进行训练,这些特征是某个时间点室内空气的特征,或其于一段时间内的斜率或变化率;抑或是某个时间点本身的某些特征,包括相对于一天的时刻值,或距离某次事件发生的时间;
e)实时获取室内空气参数检测值,输入神经网络控制模型中之后,控制模型将进行运算并输出相应的控制信号,控制设备或装置发生的相关行为。
2.如权利要求1所述的基于室内监测数据的住宅新风系统控制方法,其特征是,神经网络指人工神经网络ANN,包括前向神经网络、反向传播神经网络、卷积神经网络和递归神经网络,为其中一种。
3.如权利要求1所述的基于室内监测数据的住宅新风系统控制方法,其特征是,在一个实例中具体步骤是:
1)首先在用户房间中安装新风系统、室内环境监测系统和新风系统控制设备,调试并确保能够正常工作;
2)用户正常使用新风系统中风机,但此时用户需手动开关或调节新风机组的工况;
3)第一阶段中,新风系统控制设备对用户的手动控制行为进行日志记录,以获得用户行为时间序列数据;
4)第一阶段中,室内环境监测系统全天候运行,每隔1分钟记录下当前室内空气参数的检测结果,参数包括室内温度、湿度、二氧化碳浓度、甲醛浓度、总可挥发性有机化合物TVOC浓度和可入肺颗粒物PM2.5浓度;
5)收集约1-2个月的数据后,对数据进行处理,提取得到特征矩阵,并输入神经网络进行训练:首先从室内环境监测系统和新风系统控制设备中读取收集到的数据,并对数据进行异常检测和排除,得到时间序列数据,之后,从时间序列数据中提取样本即特征向量组成特征矩阵,输入神经网络进行监督学习,最终得到用户行为模型;样本分为“开启/增大”、“关闭/减小”和“保持不变”三类,
6)行为模型直接作为控制模型,控制模型写入新风系统控制设备。此时开始,进入第二阶段,本发明提出的控制策略开始启用,用户可以同时使用控制模型提供的自动控制和与第一阶段相同的手动控制。
7)在第二阶段中,室内环境监测系统需与新风系统控制设备联网,实时获取室内空气参数检测值,输入控制模型中,之后,控制模型将进行运算并输出相应的控制信号,控制新风系统的开关或工况调节;
8)在第二阶段中,室内环境监测系统和新风系统控制设备仍保持数据收集功能,并定期重复控制模型的训练和写入步骤,以适应不断变化的用户习惯。
4.如权利要求1所述的基于室内监测数据的住宅新风系统控制方法,其特征是,既可以将三类样本一起输入神经网络得到一个模型,也可以将其分为“是否开启/增强”和“是否关闭/减小”的两类分别输入神经网络,得到两个分工模型;以上的这些步骤可内置于新风系统控制设备中,也可在云端进行。
5.如权利要求1所述的基于室内监测数据的住宅新风系统控制方法,其特征是,控制模型是可以与定时控制、传感反馈控制或PID控制结合,组成复杂的控制模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599110.8A CN107477772A (zh) | 2017-07-21 | 2017-07-21 | 基于室内监测数据的住宅新风系统控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599110.8A CN107477772A (zh) | 2017-07-21 | 2017-07-21 | 基于室内监测数据的住宅新风系统控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107477772A true CN107477772A (zh) | 2017-12-15 |
Family
ID=60595144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710599110.8A Pending CN107477772A (zh) | 2017-07-21 | 2017-07-21 | 基于室内监测数据的住宅新风系统控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107477772A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916800A (zh) * | 2019-04-04 | 2019-06-21 | 南通大学 | 一种测量房间颗粒物渗透系数的方法及系统 |
WO2020056812A1 (zh) * | 2018-09-21 | 2020-03-26 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及系统 |
CN112585411A (zh) * | 2018-08-27 | 2021-03-30 | 三菱电机株式会社 | 控制系统、空调机以及控制方法 |
CN113028610A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130233933A1 (en) * | 2012-01-10 | 2013-09-12 | La Crosse Technology, Ltd. | Humidity Monitoring And Adjustment System |
CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其系统 |
CN104374053A (zh) * | 2014-11-25 | 2015-02-25 | 珠海格力电器股份有限公司 | 一种智能控制方法、装置及系统 |
US20170023934A1 (en) * | 2015-07-24 | 2017-01-26 | Carrier Corporation | System and method of monitoring performance of an hvac unit |
CN106706036A (zh) * | 2016-12-20 | 2017-05-24 | 天津大学 | 基于物联网技术的室内环境与能耗的长期在线监测方法 |
CN106895551A (zh) * | 2017-02-13 | 2017-06-27 | 同济大学 | 一种封闭室内的空气品质和温度智能调节系统及使用方法 |
-
2017
- 2017-07-21 CN CN201710599110.8A patent/CN107477772A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130233933A1 (en) * | 2012-01-10 | 2013-09-12 | La Crosse Technology, Ltd. | Humidity Monitoring And Adjustment System |
CN104133427A (zh) * | 2013-05-03 | 2014-11-05 | 于庆广 | 智能家居控制方法及其系统 |
CN104374053A (zh) * | 2014-11-25 | 2015-02-25 | 珠海格力电器股份有限公司 | 一种智能控制方法、装置及系统 |
US20170023934A1 (en) * | 2015-07-24 | 2017-01-26 | Carrier Corporation | System and method of monitoring performance of an hvac unit |
CN106706036A (zh) * | 2016-12-20 | 2017-05-24 | 天津大学 | 基于物联网技术的室内环境与能耗的长期在线监测方法 |
CN106895551A (zh) * | 2017-02-13 | 2017-06-27 | 同济大学 | 一种封闭室内的空气品质和温度智能调节系统及使用方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112585411A (zh) * | 2018-08-27 | 2021-03-30 | 三菱电机株式会社 | 控制系统、空调机以及控制方法 |
CN112585411B (zh) * | 2018-08-27 | 2022-03-15 | 三菱电机株式会社 | 控制系统、空调机以及控制方法 |
WO2020056812A1 (zh) * | 2018-09-21 | 2020-03-26 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及系统 |
CN109916800A (zh) * | 2019-04-04 | 2019-06-21 | 南通大学 | 一种测量房间颗粒物渗透系数的方法及系统 |
CN109916800B (zh) * | 2019-04-04 | 2022-01-11 | 南通大学 | 一种测量房间颗粒物渗透系数的方法及系统 |
CN113028610A (zh) * | 2021-04-12 | 2021-06-25 | 北京信息科技大学 | 中央空调动态负荷全局优化与节能控制的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298487B (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN107477772A (zh) | 基于室内监测数据的住宅新风系统控制方法 | |
KR102380397B1 (ko) | IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법 | |
CN111103220B (zh) | 一种对大气污染物浓度的预测调控方法及系统 | |
CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
CN105157157A (zh) | 一种新风系统及其换气控制方法和装置 | |
US20060229739A1 (en) | Device control method and device control system | |
CN100501608C (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
CN108844185A (zh) | 一种基于不同人群热舒适需求的室内环境综合调控系统 | |
CN111486554B (zh) | 一种基于在线学习的空调温度无感化控制方法 | |
CN106499656B (zh) | 一种风扇风速智能控制方法 | |
Spindler et al. | Naturally ventilated and mixed-mode buildings—Part I: Thermal modeling | |
Lachhab et al. | Monitoring and controlling buildings indoor air quality using WSN-based technologies | |
CN105117770A (zh) | 基于改进型模糊神经网络的表冷器控制方法 | |
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
Yang et al. | Optimum operating performance based online fault-tolerant control strategy for sensor faults in air conditioning systems | |
CN115907366A (zh) | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 | |
CN115272675A (zh) | 一种基于多传感器信息融合的能源管理系统以及方法 | |
Chao et al. | Fuzzy logic controller design for staged heating and ventilating systems | |
CN111649465A (zh) | 一种空调设备自动控制方法及系统 | |
CN117348648A (zh) | 一种羊舍环境自动控制方法及其装置 | |
CN1651613A (zh) | 一种碳素阳极焙烧生产系统的控制方法 | |
CN111367163A (zh) | 养殖场环境智能控制器及其应用 | |
CN116951780A (zh) | 一种智能中央热水器管理方法和系统 | |
CN207065822U (zh) | 一种卫生间通风系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |