CN108549228B - 一种基于交叉评估的多变量dmc系统模型失配通道定位方法 - Google Patents

一种基于交叉评估的多变量dmc系统模型失配通道定位方法 Download PDF

Info

Publication number
CN108549228B
CN108549228B CN201810351386.9A CN201810351386A CN108549228B CN 108549228 B CN108549228 B CN 108549228B CN 201810351386 A CN201810351386 A CN 201810351386A CN 108549228 B CN108549228 B CN 108549228B
Authority
CN
China
Prior art keywords
model
mismatch
output
channel
input
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
Application number
CN201810351386.9A
Other languages
English (en)
Other versions
CN108549228A (zh
Inventor
李丽娟
宋健全
叶景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201810351386.9A priority Critical patent/CN108549228B/zh
Publication of CN108549228A publication Critical patent/CN108549228A/zh
Application granted granted Critical
Publication of CN108549228B publication Critical patent/CN108549228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

针对多变量DMC系统中无法确定失配子模型位置的问题,本发明公开了一种基于交叉评估的多变量DMC系统模型失配通道定位方法,包括步骤:S101:针对每个输出,采用模型性能指标(MQI)进行横向通道定位;S102:针对每个输入,采用偏相关性分析方法(IDPR)进行失配模型的纵向通道定位;S103:将S101与S102得到的结果结合交叉评估,实现失配模型位置的精确定位。本发明诊断指标容易得到,对失配模型定位精确。

Description

一种基于交叉评估的多变量DMC系统模型失配通道定位方法
技术领域
本发明涉及化工过程预测控制系统中失配模型位置诊断,属于预测控制系统性能评估领域。
背景技术
预测控制技术在化工过程先进控制中具有广泛的应用,工业预测控制系统运行一段时间后会出现性能下降需要维护的情况,先进控制系统性能维护需要耗费大量的人力和财力,有时甚至需要停车维护。对预测控制系统性能进行评估能够给出是否需要维护以及具体维护位置的指导结论,可以节省巨额维护费用,因此预测控制系统性能评估具有重要的研究价值。
预测控制系统性能下降的重要原因之一就是由于设备特性改变、催化剂老化等原因导致的预测模型失配。如何利用工业运行数据评估模型是否存在失配,并针对多变量系统定位到精确失配位置对系统维护具有非常重要的意义。文献中提出了各种模型性能评估的方法,利用过程变量的各种统计特性对模型失配情况进行诊断,给出了预测模型是否存在失配的结论。
但是,工业过程多为多输入多输出系统,包含多个预测模型,判断出模型失配存在并不意味着所有的通道预测模型都发生了失配,对具体失配通道位置进行精确定位能够帮助维护人员精准地找到需要维护的失配子模型,具有重要的应用价值。
鉴于此,本发明公开了一种基于交叉评估的多变量DMC系统预测模型失配通道定位方法,通过模型质量指标(MQI)定位出失配子模型所在的横向通道,通过输入变量与干扰量的综合模型评估指标定位出失配子模型所在的纵向通道,结合纵向与横向通道指标,交叉判断精确定位出失配子模型位置。
发明内容
本发明所要解决的技术问题在于,提供一种基于交叉评估的多变量DMC系统预测模型失配通道定位方法,该发明诊断指标容易得到,对失配模型定位精确。
为了解决上述技术问题,本发明提供了一种基于交叉评估的多变量DMC系统模型失配通道定位方法,包括步骤:
S101:针对每一个系统输出计算模型性能指标,对失配模型进行横向通道诊断;
S102:针对每个输入,采用偏相关性分析方法计算其与加权综合扰动之间的相关性指标,实现失配模型的纵向通道诊断;
将S101与S102得到的结果结合,失配通道横纵向有交叉的位置即存在模型失配,从而实现失配通道的精确定位。
进一步的,所述S101具体包括步骤:
S1011:假定针对第l个输出yl(k),采集系统实际闭环输入u(k)和输出yl(k),扰动输入为el o(k),时间窗为p,M、N为设定的输出和输入数据长度,定义:
yp(k)=[y(k) y(k-1) … y(k-p)]
Figure GSB0000190997650000021
rp(k)=[r(k) r(k-1) … r(k-p)]
Figure GSB0000190997650000022
Figure GSB0000190997650000023
Figure GSB0000190997650000024
Figure GSB0000190997650000025
计算出干扰输入
Figure GSB0000190997650000026
S1012:根据DMC的预测模型系数计算相应模型预测输出ylm(k),然后进一步计算模型预测误差el(k);
S1013:利用S1011与S1012计算得到的el o(k)和el(k),采用下式计算模型质量指标ηl
Figure GSB0000190997650000027
其中Ql(k)为预测控制器中第l个输出对应的权重系数,如果ηl大于等于设定门槛值,则说明与第l个输出相关的预测模型横向通道不存在失配。反之,如果ηl小于门槛值,则该横向通道存在模型失配;
S1014:针对所有的输出变量y,重复步骤S1011至S1013,得到每个横向通道是否存在模型失配的结论。
进一步的,所述S102具体包括步骤:
S1021:采集系统实际闭环输入u(k)和输出y(k)。针对第i个输入,假设与之相关的输出有m个,即y1(k)~ym(k),通过步骤S1011的方法估计出与yj(k)对应的扰动量
Figure GSB0000190997650000028
再通过式:
Figure GSB0000190997650000029
估计出对应的扰动量dj(k),其中q-1为后退算子。逐个计算出所有的d1(k)~dm(k)。
S1022:对d1(k)~dm(k)进行主元分析;
假定数据长度为n,d1(k)~dm(k)构成一个n*m阶的数据矩阵,
Figure GSB0000190997650000031
对D进行标准化处理,得到数据矩阵;
Figure GSB0000190997650000032
建立标准化数据向量的协方差矩阵R:
Figure GSB0000190997650000033
其中rij(i,j=1,2,...,m)为矩阵Z的第i列和第j列的相关系数,m为变量个数,rij=rji,其计算公式为:
Figure GSB0000190997650000034
其中
Figure GSB0000190997650000035
分别为矩阵Z第i列和第j列的均值。
解特征方程|λI-R|=0,得到按绝对值大小排列的特征值λ1,λ2,...,λm,以及相应的m*1维单位特征向量ti(i=1,2,…,m)。
定义前k个主元的累计贡献率:
Figure GSB0000190997650000036
根据贡献率大小取前k个主元,得到与ui相关的扰动量数据矩阵:
W=Zt1+Zt2+…+Ztk
S1023:对输入ui进行标准化处理,假定处理后的数据向量为Ui,计算Ui与W的相关系数
Figure GSB0000190997650000037
Figure GSB0000190997650000038
如果小于预先设定的门槛值,则ui对应的第i个纵向通道判断为存在模型失配,反之,如果大于预先设定的门槛值,则ui对应的第i个纵向通道不存在模型失配;
S1024:针对每个输入u,重复S1021至S1023,得到每个纵向通道是否存在模型失配的结论。
附图说明
图1是Wood-Berry塔示意图;
图2-1是模型精确时系统y1的实际输出与预测输出;
图2-2是模型精确时系统y2的实际输出与预测输出;
图2-3是案例二子模型失配时系统y1的实际输出与预测输出;
图2-4是案例二子模型失配时系统y2的实际输出与预测输出;
图2-5是案例三子模型失配时系统y1的实际输出与预测输出;
图2-6是案例三子模型失配时系统y2的实际输出与预测输出
具体实施方式
验证本发明的效果,对本发明进行仿真验证。针对一个两输入两输出的Wood-Berry精馏塔采用本发明进行仿真实验。它是甲烷和水发生反应过程的精馏塔模型,是模型预测控制领域的经典实验仿真系统。传递函数矩阵为:
Figure GSB0000190997650000041
其中,u1代表塔顶回流量,u2代表再沸器的蒸汽流量,都是该过程的输入变量(操作变量),单位lb/min,y1和y2分别代表塔顶甲醇浓度和甲醇馏出物浓度,是该过程的输出变量(被控变量),单位mol%,w是进料流量。两个输出变量设定值分别为
Figure GSB0000190997650000042
Figure GSB0000190997650000043
转换为离散传递函数矩阵则可表示为:
Figure GSB0000190997650000044
干扰传递函数为:
Figure GSB0000190997650000045
设计预测控制系统时,预测时域和控制时域分别设定为100和10,Q和R为单位矩阵,采样周期为1s,干扰为满足N(0,0.02)的高斯白噪声。实验中设置了几种不同的预测模型情况,分别用发明方法进行模型失配诊断。
模型精确情况:当模型没有失配时,系统运行了500s后,如图2-1与图2-2所示,图2-1 是模型没有失配时y1的实际输出与预测输出,图2-2是模型没有失配时y2的实际输出与预测输出。图中黑色虚线表示设定值,蓝色实线表示系统实际输出,红色点画线表示基于过程模型而获得的预测输出。由图可以看出,系统运行稳定,系统输出与预测输出图形走势相似,说明此时的预测值较准确,没有发生模型失配的预测控制系统性能表现良好,此时的模型性能指标MQI、输入变量与干扰量的综合模型评估指标(简称IDPR)如表1。其中,MQI1为横向通道一的模型质量指标,MQI2为横向通道二的模型质量指标,IDPR1为纵向通道一的综合模型评估指标,IDPR2为纵向通道二的综合模型评估指标。当指标接近1时,说明模型精确,由表1看出,此时模型精确。
表1 模型精确时的MQI与IDPR
Figure GSB0000190997650000051
(2,2)通道子模型失配情况:
采用的预测模型(2,2)通道发生失配,即:
Figure GSB0000190997650000052
系统运行了500s后的输出如图2-3与图2-4所示,图2-3是y1的实际输出与预测输出,图2-4是y2的实际输出与预测输出。图中黑色虚线表示设定值,蓝色实线表示系统实际输出,红色点画线表示基于过程模型而获得的预测输出。由图可以看出,y1的系统输出与预测输出图形走势相似,y2的系统输出与预测输出图形走势相距较远,说明此时系统的预测控制系统性能下降,模型发生失配。此时的模型性能指标和输入变量与干扰量的综合模型评估指标(简称IDPR)如表2。其中,MQI1为横向通道一的模型质量指标,MQI2为横向通道二的模型质量指标,IDPR1为纵向通道一的综合模型评估指标,IDPR2为纵向通道二的综合模型评估指标。假定MQI门槛值设定为0.8,IDPR门槛值设为0.5。由表2看出,此时MQI2低于0.8, IDPR2低于0.5,说明横向通道二与纵向通道二对应的子模型失配,这与实际情况相符,表明此时可以精确定位失配子模型的具体位置。
表2 模型失配时的MQI与IDPR
Figure GSB0000190997650000053
(2,1)通道子模型失配情况:
采用的预测模型(2,1)通道发生失配,即
Figure GSB0000190997650000061
系统运行了500s后输出曲线如图2-5与图2-6所示,图2-5是y1的实际输出与预测输出,图2-6是y2的实际输出与预测输出。图中黑色虚线表示设定值,蓝色实线表示系统实际输出,红色点画线表示基于过程模型而获得的预测输出。由图可以看出,y1的系统输出与预测输出图形走势相似,y2的系统输出与预测输出图形走势相距较远,说明此时系统的预测控制系统性能下降,模型发生失配。此时的模型性能指标和输入变量与干扰量的综合模型评估指标如表3。其中,MQI1为横向通道一的模型质量指标,MQI2为横向通道二的模型质量指标,IDPR1为纵向通道一的综合模型评估指标,IDPR2为纵向通道二的综合模型评估指标。假定MQI门槛值设定为0.8,IDPR门槛值设为0.5。由表3看出,此时MQI2低于0.8,IDPR1低于0.5,说明横向通道二与纵向通道一对应的子模型失配,与实际情况相符,表明可以用该方法定位失配子模型的具体位置。
表3 模型失配时的MQI与IDPR
Figure GSB0000190997650000062

Claims (1)

1.一种基于交叉评估的多变量DMC系统预测模型失配通道定位方法,其特征在于,包括步骤:
S101:针对每一个系统输出计算模型性能指标,对失配模型进行横向通道诊断;
其中所述S101具体包括步骤:.
S1011:假定针对第l个输出yl(k),采集系统实际闭环输入u(k)和输出yl(k),扰动输入为el o(k),时间窗为p,M、N为设定的输出和输入数据长度,定义:
yp(k)=[y(k) y(k-1) … y(k-p)]
Figure FSB0000190997640000011
rp(k)=[r(k) r(k-1) … r(k-p)]
Figure FSB0000190997640000012
Figure FSB0000190997640000013
Figure FSB0000190997640000014
Figure FSB0000190997640000015
计算出干扰输入
Figure FSB0000190997640000016
S1012:根据DMC的预测模型系数计算相应模型预测输出ylm(k),然后进一步计算模型预测误差el(k);
S1013:利用S1011与S1012计算得到的el o(k)和el(k),采用下式计算模型质量指标ηl
Figure FSB0000190997640000017
其中Ql(k)为预测控制器中第l个输出对应的权重系数,如果ηl大于等于设定门槛值,则说明与第l个输出相关的预测模型横向通道不存在失配,反之,如果ηl小于门槛值,则该横向通道存在模型失配;
S1014:针对所有的输出变量y,重复步骤S1011至S1013,得到每个横向通道是否存在模型失配的结论;
S102:针对每个输入,采用偏相关性分析方法计算其与加权综合扰动之间的相关性指标,实现失配模型的纵向通道诊断;
S103:将S101与S102得到的结果结合,失配通道横纵向有交叉的位置即存在模型失配,从而实现失配通道的精确定位;
其中所述S102具体包括步骤:
S1021:采集系统实际闭环输入u(k)和输出y(k),针对第i个输入,假设与之相关的输出有m个,即y1(k)~ym(k),通过步骤S1011的方法估计出与yj(k)对应的扰动量
Figure FSB0000190997640000018
再通过式:
Figure FSB0000190997640000021
估计出对应的扰动量dj(k),其中q-1为后退算子,逐个计算出所有的d1(k)~dm(k);
S1022:对d1(k)~dm(k)进行主元分析;
假定数据长度为n,d1(k)~dm(k)构成一个n*m阶的数据矩阵,
Figure FSB0000190997640000022
对D进行标准化处理,得到数据矩阵:
Figure FSB0000190997640000023
建立标准化数据向量的协方差矩阵R:
Figure FSB0000190997640000024
其中rij,i,j=1,2,...,m为矩阵Z的第i列和第j列的相关系数,m为变量个数,rij=rji,其计算公式为:
Figure FSB0000190997640000025
其中
Figure FSB0000190997640000026
分别为矩阵Z第i列和第j列的均值,解特征方程|λI-R|=0,得到按绝对值大小排列的特征值λ1,λ2,...,λm,以及相应的m*1维单位特征向量ti,i=1,2,…,m,
定义前k个主元的累计贡献率:
Figure FSB0000190997640000027
根据贡献率大小取前k个主元,得到与ui相关的扰动量数据矩阵:
W=Zt1+Zt2+…+Ztk
S1023:对输入ui进行标准化处理,假定处理后的数据向量为Ui,计算Ui与W的相关系数
Figure FSB0000190997640000028
Figure FSB0000190997640000031
如果小于预先设定的门槛值,则ui对应的第i个纵向通道判断为存在模型失配,反之,如果大于预先设定的门槛值,则ui对应的第i个纵向通道不存在模型失配;
S1024:针对每个输入u,重复S1021至S1023,得到每个纵向通道是否存在模型失配的结论。
CN201810351386.9A 2018-04-18 2018-04-18 一种基于交叉评估的多变量dmc系统模型失配通道定位方法 Active CN108549228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810351386.9A CN108549228B (zh) 2018-04-18 2018-04-18 一种基于交叉评估的多变量dmc系统模型失配通道定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810351386.9A CN108549228B (zh) 2018-04-18 2018-04-18 一种基于交叉评估的多变量dmc系统模型失配通道定位方法

Publications (2)

Publication Number Publication Date
CN108549228A CN108549228A (zh) 2018-09-18
CN108549228B true CN108549228B (zh) 2021-02-02

Family

ID=63515502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810351386.9A Active CN108549228B (zh) 2018-04-18 2018-04-18 一种基于交叉评估的多变量dmc系统模型失配通道定位方法

Country Status (1)

Country Link
CN (1) CN108549228B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2394313A (en) * 2002-09-11 2004-04-21 Fisher Rosemount Systems Inc Integrated model predictive control and optimization within a process control system
CN101140458A (zh) * 2006-09-06 2008-03-12 费舍-柔斯芒特系统股份有限公司 以多变量统计分析及在线过程仿真为基础的过程设备监控
EP1538319B1 (en) * 2003-12-05 2009-04-29 General Electric Company Apparatus for model predictive control of aircraft gas turbine engines
CN102183699A (zh) * 2011-01-30 2011-09-14 浙江大学 化工过程多变量预测控制系统模型失配检测与定位方法
CN103293953A (zh) * 2008-01-31 2013-09-11 费希尔-罗斯蒙特系统公司 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器
CN103324091A (zh) * 2013-06-03 2013-09-25 上海交通大学 一种零阶接近有界的非线性多变量系统的多模型自适应控制器及控制方法
CN103425048A (zh) * 2013-05-22 2013-12-04 上海交通大学 一种基于动态优化的多模型广义预测控制系统及其控制方法
CN104698976A (zh) * 2014-12-23 2015-06-10 南京工业大学 一种预测控制模型性能下降的深度诊断方法
CN104932488A (zh) * 2015-06-30 2015-09-23 南京工业大学 一种模型预测控制性能评估与诊断方法
CN107615186A (zh) * 2015-08-13 2018-01-19 华为技术有限公司 模型预测控制的方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2394313A (en) * 2002-09-11 2004-04-21 Fisher Rosemount Systems Inc Integrated model predictive control and optimization within a process control system
CN1490690A (zh) * 2002-09-11 2004-04-21 ����-��˹â��ϵͳ�ɷ����޹�˾ 在过程控制系统中的集成模型预测控制和最佳化
EP1538319B1 (en) * 2003-12-05 2009-04-29 General Electric Company Apparatus for model predictive control of aircraft gas turbine engines
CN101140458A (zh) * 2006-09-06 2008-03-12 费舍-柔斯芒特系统股份有限公司 以多变量统计分析及在线过程仿真为基础的过程设备监控
CN103293953A (zh) * 2008-01-31 2013-09-11 费希尔-罗斯蒙特系统公司 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器
CN102183699A (zh) * 2011-01-30 2011-09-14 浙江大学 化工过程多变量预测控制系统模型失配检测与定位方法
CN103425048A (zh) * 2013-05-22 2013-12-04 上海交通大学 一种基于动态优化的多模型广义预测控制系统及其控制方法
CN103324091A (zh) * 2013-06-03 2013-09-25 上海交通大学 一种零阶接近有界的非线性多变量系统的多模型自适应控制器及控制方法
CN104698976A (zh) * 2014-12-23 2015-06-10 南京工业大学 一种预测控制模型性能下降的深度诊断方法
CN104932488A (zh) * 2015-06-30 2015-09-23 南京工业大学 一种模型预测控制性能评估与诊断方法
CN107615186A (zh) * 2015-08-13 2018-01-19 华为技术有限公司 模型预测控制的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
2010 8th World Congress on Intelligent Control and Automation;Yuhong Wang;《2010 8th World Congress on Intelligent Control and Automation》;20100823;第3795-3800页 *
多变量预测控制系统模型失配评价方法研究;梁腾伟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080915;第40-49页 *
预测控制模型失配的系统诊断算法;张晓晓;《计算机工程与设计》;20171031;第2729-2734页 *

Also Published As

Publication number Publication date
CN108549228A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
CN104932488B (zh) 一种模型预测控制性能评估与诊断方法
Harris et al. Performance assessment of multivariable feedback controllers
US20070112531A1 (en) Apparatus and method for identifying informative data in a process control environment
US20070112442A1 (en) Apparatus and method for analyzing model quality in a process control environment
CN104392390A (zh) 一种基于topsis模型的智能变电站二次设备评估方法
CN108375965B (zh) 一种基于多变量块交叉相关性剔除的非高斯过程监测方法
CN104698976A (zh) 一种预测控制模型性能下降的深度诊断方法
CN114363195A (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN107274009A (zh) 一种基于相关性的时间序列数据多步预测方法和系统
CN108022004A (zh) 一种多模型加权组合电力负荷预报的自适应权重训练方法
CN102299766B (zh) 目标状态估计的通讯信号降维与量化的联合优化方法
CN111435469B (zh) 一种梯级电站中下游电站入库流量的预测方法
Souza et al. Variable and time-lag selection using empirical data
CN108549228B (zh) 一种基于交叉评估的多变量dmc系统模型失配通道定位方法
Ueda et al. An effective approach to detect the source (s) of out-of-control signals in productive processes by vector error correction (VEC) residual and Hotelling’s T2 decomposition techniques
CN110532629A (zh) 一种多模态退化过程的剩余寿命预测方法
CN114861759B (zh) 一种线性动态系统模型的分布式训练方法
CN104156767A (zh) 遗传算法优化的批次过程的线性二次容错控制方法
CN111324852B (zh) 基于状态滤波和参数估计的cstr反应器时延系统的方法
CN113534860B (zh) 双容水箱液位系统动态特性建模方法、系统及存储介质
KR20170143065A (ko) 선박 설계 전산 해석 처리 방법 및 전산 해석 처리 시스템
CN203217277U (zh) 槽式反应器基于在线支持向量机的非线性模型预测控制器
CN110569562B (zh) 基于轨迹跟踪及误差修正的短期电力负荷预测方法及系统
Ratchagit et al. The m-delay Autoregressive Model with Application

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