CN108537323A - 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 - Google Patents
一种基于人工神经网络的铝电解电容器卷芯直径计算方法 Download PDFInfo
- Publication number
- CN108537323A CN108537323A CN201810286676.XA CN201810286676A CN108537323A CN 108537323 A CN108537323 A CN 108537323A CN 201810286676 A CN201810286676 A CN 201810286676A CN 108537323 A CN108537323 A CN 108537323A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vector
- core diameter
- area
- thickness
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fixed Capacitors And Capacitor Manufacturing Machines (AREA)
Abstract
本发明公开了一种基于人工神经网络的铝电解电容器卷芯直径计算方法,包括以下步骤:第一步:输入向量、输出向量、权重向量和神经网络模型定义;第二步:变量归一化;第三步:训练神经网络的样本定义;第四步:利用第三步的样本训练神经网络;第五步保存训练好的网络和权值w;本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法,其提出的计算方法计算精确度远远高于现有计算方法,与理论值非常接近,解决了铝电解电容器卷芯直径计算问题。
Description
技术领域
本发明涉及大数据分析和利用人工智能(人工神经网络)精准测算领域,特别涉及一种基于人工神经网络的铝电解电容器卷芯直径计算方法。
背景技术
电容器的核心部件主要是铝壳和卷芯,卷芯直径Dj最佳值应该等于铝壳直径Dl的85%~90%。在这种情况下,电容器卷芯和铝壳之间会有一定的空隙,用于存储、分解电容器使用过程中产生的气体(氯气,氢气),如果卷芯直径Dj大于铝壳直径Dl的90%,电容器在使用过程中内部压力会变大,极易造成内爆、腐蚀和短路,严重影响电容器寿命,甚至无法入壳;如果卷芯直径Dj小于铝壳直径Dl的80%,电容器的内部的空隙会变得很大,在使用过程中会存储过多的气体,增大气体之间的接触面积和发生化学反应的概率,引起电容器爆炸,除此之外,还会导致材料的浪费,加大了生产成本。
而影响卷芯直径的因素(变量)定义有:1.阳极箔厚度(x1)、2.阳极箔面积(x2)、3.阴极箔厚度(x3)、4.阴极箔面积(x4)、5.电解纸厚度(x5)6.电解纸面积(x6)、7.导箔条厚度(x7)、8.导箔条面积(x8)、9.电胶带厚度(x9)、10.电胶带面积(x10)、11.卷芯直径(x11)、12.电解液密度(x12)、13.含浸充分程度(x13)、14.现场温度(x14)、15.现场湿度(x15)、16.铆卷设备使用年限(x16)、17.卷绕拉力(x17);
现有的方法及存在的问题:根据电容器的容量和设计原则,计算出铝电解电容器中材料的体积,再加上卷针的体积,求出卷芯的体积,根据卷芯的体积和高度,求出卷芯直径,卷芯高度为h。
阳极箔体积:x1*x2
阴极箔体积:x3*x4
电解纸张体积x5*x6*2(电解纸有两层)
导箔条体积:x7*x8
电胶带体积:x9*x10
卷针体积:(D为卷针直径)
卷芯直径
现有的计算方法存在的问题是未考虑以下因素:
(1)电解液密度(x12)对卷芯直径的影响。在铝电解电容器制作过程中,先把阳极箔,阴极箔,电解纸,导条,电胶带卷绕在卷针上,形成芯包,芯包经过电解液浸泡后,才形成卷芯。电解液的浸泡会对卷芯的构成物质的体积产生一定的影响,因此也会对卷芯体积构成一定的影响,这个影响的大小跟电解液的密度有一定的关系。
(2)含浸充分程度(x13)。含浸越充分,卷芯吸入的电解液越多,在电解液密度相同的情况下,浸泡越充分,卷芯“涨”的越厉害。
(3)现场温度(x14)。因为材料的热胀冷缩,现场温度对卷芯直径也有较为明显的影响。
(4)现场湿度(x15)。现场湿度会影响电解纸的含水量,空气中的水分也会跟芯包中的阳极箔、阴极箔产生一定的物理、化学反应,影响卷芯各构成材料的体积,进而影响卷芯直径。
(5)铆卷设备使用年限(x16)。生产实践显示,铆卷设备的使用年限会影响铆卷的精度,年限越久精度越差,整个卷芯的直径会受到一定程度的影响。
(6)卷绕拉力(x17)。在铆卷过程中,卷绕拉力设置的越大,卷芯材料之间的挤压越明显,卷芯“越小”,反之越大。鉴于这6种影响卷芯直径的因素很难用线性的数据公式表示,故引入人工神经网络解决精确计算卷芯直径问题。在电容器铝壳直径Dl与高度H已知的情况下,卷芯的高度h(h=H-5,单位:mm)也是已知的。但是卷芯的直径因为受到多种因素的影响,利用现有的方法、技术很难精确求出来,因此本发明专利提供了一种精准求得铝电解电容器卷芯直径的方法。
发明内容
本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法,可以解决背景技术中所指出的问题。
一种基于人工神经网络的铝电解电容器卷芯直径计算方法,包括以下步骤:
第一步:输入向量、输出向量、权重向量和神经网络模型定义:
1)定义神经网络的输入向量x’=(x1,x2,x3,...,x17),x1~x17。
x1:阳极箔厚度
x2:阳极箔面积
x3:阴极箔厚度
x4:阴极箔面积
x5:电解纸厚度
x6:电解纸面积
x7:导箔条厚度
x8:导箔条面积
x9:电胶带厚度
x10:电胶带面积
x11:卷芯直径
x12:电解液密度
x13:含浸充分程度
x14:现场温度
x15:现场湿度
x16:铆卷设备使用年限
x17:卷绕拉力
2)输出向量定义:定义网络的输出y向量为卷芯直径值;
3)权重向量W=(w1,w2,…,w17),不妨初始化权值向量w1=w2=…,=w17=1
4)定义人工神经网络的输入为向量x={x1,x2,...x17},其中x1:阳极箔厚度,x2:阳极箔面积,x3:阴极箔厚度,x4:阴极箔面积,x5:电解纸厚度,x6:电解纸面积,x7:导箔条厚度,x8:导箔条面积,x9:电胶带厚度,x10:电胶带面积,x11:卷芯直径,x12:电解液密度,x13:含浸充分程度,x14:现场温度,x15:现场湿度,x16:铆卷设备使用年限,x17:卷绕拉力;
定义神经网络的权重值为向量W=(w1,w2,…,w17),其中wi为第i个输入的权重,i=1,2,3...17;
定义输出为y,y即为卷芯直径;
定义的神经网络模型为:
其中θ为阈值,这里取θ=0.8*Dl,Dl为铝壳直径。
第二步:变量归一化:
为了消除量纲的影响,将第一步的变量进行预处理,把数据映射到区间[qs,qe],qs,qe分别为区间的上下限,向量x’映射到区间[qs,qe]上变换成向量x,转换方法见公式一,设定qs=0.8*Dl,qe=0.9*Dl,Dl为铝壳直径;
公式一:
其中x’=[1,17],qe,qs分别为映射区间的上下限值,Min(x’),Max(x’)分别为向量x的最小值,最大值;
第三步:训练神经网络的样本定义
训练集里的第k个样本yk定义为yk=(xk,aimk),其中xk=xi k,i=[1,17],k为训练样本个数;aimk为第k个训练的目标输出;
第四步:利用第三步的样本训练神经网络,重复以下过程,直至训练完成:
Step1:输入向量xk
Step2:计算
其中k=1,2,3...,t.t为样本数量,i=1,2,3...17
C,V分别为电容器的设计容量和电压。
Setp3:比较并更新权值向量w
其中C,V分别为电容器的设计容量和设计电压;
第五步:保存训练好的网络和权值向量w,用户输入新的待计算数据xd时,通过网络输出yd即为卷芯直径的精确值。
本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法,其提出的计算方法计算精确度远远高于现有计算方法,与理论值非常接近,解决了铝电解电容器卷芯直径计算问题。
附图说明
图1为理论值、现有卷芯直径计算方法和本发明提出的卷芯直径计算方法比较;
图2-1至图2-6为人工神经网络训练数据。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
本发明实施例提供的一种基于人工神经网络的铝电解电容器卷芯直径计算方法,包括以下步骤:
第一步:输入向量、输出向量、权重向量和神经网络模型定义:
1)定义神经网络的输入向量x’=(x1,x2,x3,...,x17),x1~x17。
x1:阳极箔厚度
x2:阳极箔面积
x3:阴极箔厚度
x4:阴极箔面积
x5:电解纸厚度
x6:电解纸面积
x7:导箔条厚度
x8:导箔条面积
x9:电胶带厚度
x10:电胶带面积
x11:卷芯直径
x12:电解液密度
x13:含浸充分程度
x14:现场温度
x15:现场湿度
x16:铆卷设备使用年限
x17:卷绕拉力
2)输出向量定义:定义网络的输出y向量为卷芯直径值;
3)权重向量W=(w1,w2,…,w17),不妨初始化权值向量w1=w2=…,=w17=1
4)定义人工神经网络的输入为向量x={x1,x2,...x17},其中x1:阳极箔厚度,x2:阳极箔面积,x3:阴极箔厚度,x4:阴极箔面积,x5:电解纸厚度,x6:电解纸面积,x7:导箔条厚度,x8:导箔条面积,x9:电胶带厚度,x10:电胶带面积,x11:卷芯直径,x12:电解液密度,x13:含浸充分程度,x14:现场温度,x15:现场湿度,x16:铆卷设备使用年限,x17:卷绕拉力;
定义神经网络的权重值为向量W=(w1,w2,…,w17),其中wi为第i个输入的权重,i=1,2,3...17;
定义输出为y,y即为卷芯直径;
定义的神经网络模型为:
其中θ为阈值,这里取θ=0.8*Dl,Dl为铝壳直径。
第二步:变量归一化:
为了消除量纲的影响,将第一步的变量进行预处理,把数据映射到区间[qs,qe],qs,qe分别为区间的上下限,向量x’映射到区间[qs,qe]上变换成向量x,转换方法见公式一,设定qs=0.8*Dl,qe=0.9*Dl,Dl为铝壳直径;
公式一:
其中x’=[1,17],qe,qs分别为映射区间的上下限值,Min(x’),Max(x’)分别为向量x的最小值,最大值;
第三步:训练神经网络的样本定义
训练集里的第k个样本yk定义为yk=(xk,aimk),其中xk=xi k,i=[1,17],k为训练样本个数;aimk为第k个训练的目标输出;
第四步:利用第三步的样本训练神经网络,重复以下过程,直至训练完成:
Step1:输入向量xk
Step2:计算
其中k=1,2,3...,t.t为样本数量,i=1,2,3...17
C,V分别为电容器的设计容量和电压。
Setp3:比较并更新权值向量w
其中C,V分别为电容器的设计容量和设计电压;
第五步:保存训练好的网络和权值向量w,用户输入新的待计算数据xd时,通过网络输出yd即为卷芯直径的精确值。
案例一:
(1)电容器型号(以HE2E102K30X050BGQBIC为例)确定后,训练人工神经网络的数据由工厂生产的历史数据获得,也可以由人工测量获得,数据见图2-1至图2-6;对于某一种型号的电容器,采集的训练数据不得少于200条。
(2)在(1)的基础上,按照本发明提供的方法第一步~第五步,即可完成对人工神经网络的训练。
(3)利用(2)训练好的神经网络,把需要求卷芯直径的业务数据x1~x17作为输入,则神经网络的输出即为当前卷芯直径的精确值。
(4)经过工程验证,本发明专利所阐述的方法能够将卷芯直径的精度提高80%~95%,如图1所示,本发明提出的计算方法计算精确度远远高于现有(传统)计算方法,与理论值(真实值)非常接近,解决了铝电解电容器卷芯直径计算问题。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (2)
1.一种基于人工神经网络的铝电解电容器卷芯直径计算方法,其特征在于,包括以下步骤:
第一步:输入向量、输出向量、权重向量和神经网络模型定义:
1)定义神经网络的输入向量x’=(x1,x2,x3,...,x17),x1~x17。
x1:阳极箔厚度
x2:阳极箔面积
x3:阴极箔厚度
x4:阴极箔面积
x5:电解纸厚度
x6:电解纸面积
x7:导箔条厚度
x8:导箔条面积
x9:电胶带厚度
x10:电胶带面积
x11:卷芯直径
x12:电解液密度
x13:含浸充分程度
x14:现场温度
x15:现场湿度
x16:铆卷设备使用年限
x17:卷绕拉力
2)输出向量定义:定义网络的输出y向量为卷芯直径值;
3)权重向量W=(w1,w2,…,w17),初始化权值向量w1=w2=…,=w17=1
4)定义人工神经网络的输入为向量x={x1,x2,...x17};
定义神经网络的权重值为向量W=(w1,w2,…,w17);
定义输出为y,y为卷芯直径;
定义的神经网络模型为:
其中θ为阈值,这里取θ=0.8*Dl;Dl为铝壳直径;
第二步:变量归一化:
为了消除量纲的影响,将第一步的变量进行预处理,把数据映射到区间[qs,qe],qs,qe分别为区间的上下限,向量x’映射到区间[qs,qe]上变换成向量x,转换方法见公式一,设定qs=0.8*Dl;qe=0.9*Dl;Dl为铝壳直径;
公式一:
其中x’=[1,17],qe,qs分别为映射区间的上下限值,Min(x’),Max(x’)分别为向量x的最小值,最大值;
第三步:训练神经网络的样本定义
训练集里的第k个样本yk定义为yk=(xk,aimk),其中xk=xi k,i=[1,17],k为训练样本个数;aimk为第k个训练的目标输出;
第四步:利用第三步的样本训练神经网络,重复以下过程,直至训练完成:
Step1:输入向量xk
Step2:计算
其中k=1,2,3...,t.t为样本数量,i=1,2,3...17
C,V分别为电容器的设计容量和电压;
Setp3:比较并更新权值向量w
其中C,V分别为电容器的设计容量和设计电压;
第五步:保存训练好的网络和权值向量w,用户输入新的待计算数据xd时,通过网络输出yd即为卷芯直径的精确值。
2.根据权利要求1所述的一种基于人工神经网络的铝电解电容器卷芯直径计算方法,其特征在于,所述定义人工神经网络的输入为向量x={x1,x2,...x17},其中x1:阳极箔厚度,x2:阳极箔面积,x3:阴极箔厚度,x4:阴极箔面积,x5:电解纸厚度,x6:电解纸面积,x7:导箔条厚度,x8:导箔条面积,x9:电胶带厚度,x10:电胶带面积,x11:卷芯直径,x12:电解液密度,x13:含浸充分程度,x14:现场温度,x15:现场湿度,x16:铆卷设备使用年限,x17:卷绕拉力;
所述定义神经网络的权重值为向量W=(w1,w2,…,w17),其中wi为第i个输入的权重,i=1,2,3...17。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286676.XA CN108537323B (zh) | 2018-03-30 | 2018-03-30 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286676.XA CN108537323B (zh) | 2018-03-30 | 2018-03-30 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537323A true CN108537323A (zh) | 2018-09-14 |
CN108537323B CN108537323B (zh) | 2022-04-19 |
Family
ID=63482914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810286676.XA Active CN108537323B (zh) | 2018-03-30 | 2018-03-30 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537323B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963824A (zh) * | 2006-11-17 | 2007-05-16 | 东华大学 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
CN105069504A (zh) * | 2015-07-27 | 2015-11-18 | 西北农林科技大学 | 基于单片机的bp神经网络苹果霉心病判别模型及其建立方法 |
CN105261484A (zh) * | 2015-10-16 | 2016-01-20 | 广西师范大学 | 以导电聚合物作为阴极材料的卷绕型电解-电化学混合电容器及其制备方法 |
BR102012031953A2 (pt) * | 2012-12-14 | 2016-03-08 | Univ Estadual Paulista Julio D | método para determinação da viabilidade e qualidade de embriões |
CN205482810U (zh) * | 2015-12-30 | 2016-08-17 | 山东精工电子科技有限公司 | 一种超级电容器辊压极片自动测厚装置 |
CN106600595A (zh) * | 2016-12-21 | 2017-04-26 | 厦门可睿特信息科技有限公司 | 一种基于人工智能算法的人体特征尺寸自动测量方法 |
CN107742151A (zh) * | 2017-08-30 | 2018-02-27 | 电子科技大学 | 一种中医脉象的神经网络模型训练方法 |
-
2018
- 2018-03-30 CN CN201810286676.XA patent/CN108537323B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963824A (zh) * | 2006-11-17 | 2007-05-16 | 东华大学 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
CN102654482A (zh) * | 2012-03-14 | 2012-09-05 | 重庆理工大学 | 电阻点焊熔核形核动态质量无损检测方法 |
BR102012031953A2 (pt) * | 2012-12-14 | 2016-03-08 | Univ Estadual Paulista Julio D | método para determinação da viabilidade e qualidade de embriões |
CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
CN105069504A (zh) * | 2015-07-27 | 2015-11-18 | 西北农林科技大学 | 基于单片机的bp神经网络苹果霉心病判别模型及其建立方法 |
CN105261484A (zh) * | 2015-10-16 | 2016-01-20 | 广西师范大学 | 以导电聚合物作为阴极材料的卷绕型电解-电化学混合电容器及其制备方法 |
CN205482810U (zh) * | 2015-12-30 | 2016-08-17 | 山东精工电子科技有限公司 | 一种超级电容器辊压极片自动测厚装置 |
CN106600595A (zh) * | 2016-12-21 | 2017-04-26 | 厦门可睿特信息科技有限公司 | 一种基于人工智能算法的人体特征尺寸自动测量方法 |
CN107742151A (zh) * | 2017-08-30 | 2018-02-27 | 电子科技大学 | 一种中医脉象的神经网络模型训练方法 |
Non-Patent Citations (5)
Title |
---|
FABRI ´ZZIO ALPHONSUS A. M. N. SOARES 等: "Recursive diameter prediction for calculating merchantable volume of eucalyptus clones using Multilayer Perceptron", 《NEURAL COMPUTING AND APPLICATIONS》 * |
NAJMEH KETABCHI 等: "Preparation and optimization of chitosan/polyethylene oxide nanofiber diameter using artificial neural networks", 《NEURAL COMPUTING AND APPLICATIONS》 * |
薛海涛 等: "基于人工神经网络的点焊熔核直径预测", 《2007 船舶焊接国际论坛论文集》 * |
黄家荣 等: "基于人工神经网络的林分直径分布预测", 《北京林业大学学报》 * |
黄家荣 等: "毛白杨农田防护林带直径分布预测", 《西北林学院学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537323B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1862729B (zh) | 高比容阴极箔的固体电解电容器及其制备方法 | |
Pech et al. | Influence of the configuration in planar interdigitated electrochemical micro-capacitors | |
CA2315087C (en) | Capacitor with dual electric layer | |
CN109950451A (zh) | 一种隔离膜,其制备方法及含有该隔离膜的电化学装置 | |
CN110537093A (zh) | 电极性能评价系统和电极性能评价方法 | |
CN110224182A (zh) | 一种锂离子电池预锂化的方法 | |
CN112467081B (zh) | 高负载多层分级纳米结构自支撑钛酸锂电极及其制备方法 | |
Li et al. | One‐step synthesis of alpha‐MnS nanosheets for supercapacitor electrode materials | |
CN108648913A (zh) | 一种固态铝电解电容器 | |
CN102130326A (zh) | 一种高容量官能团化炭素层状电极及制备方法 | |
CN108537323A (zh) | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 | |
CN108110342B (zh) | 一种锂电池隔膜与电解液匹配性检测装置及方法 | |
CN104240954B (zh) | 一种铝电解电容器的制备方法 | |
CN208860938U (zh) | 一种三电极体系电化学测试装置 | |
CN111060579A (zh) | 一种洗烘一体机氧传感器 | |
CN204011074U (zh) | 一种阶梯方阻电容器 | |
CN118071205A (zh) | 一种锂电负极材料用原料同性焦的自适应控制系统 | |
JP6178967B2 (ja) | 粉体試料の交流インピーダンス測定方法 | |
CN103337372B (zh) | 一种适用于交流电路的固体电解质铝电解电容器及其制造方法 | |
CN207265201U (zh) | 一种金属空气电池模具 | |
CN211697635U (zh) | 一种洗烘一体机氧传感器 | |
CN104538181B (zh) | 一种钽电容器被膜的密致方法 | |
CN107245144A (zh) | 一种磷烯‑导电高分子复合材料的制备方法 | |
CN203312043U (zh) | 一种适用于交流电路的固体电解质铝电解电容器 | |
CN109408865B (zh) | 一种非固态铝电解电容等效电路模型及参数辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |