CN108693084A - 产生源分析装置以及产生源分析系统 - Google Patents
产生源分析装置以及产生源分析系统 Download PDFInfo
- Publication number
- CN108693084A CN108693084A CN201810117262.4A CN201810117262A CN108693084A CN 108693084 A CN108693084 A CN 108693084A CN 201810117262 A CN201810117262 A CN 201810117262A CN 108693084 A CN108693084 A CN 108693084A
- Authority
- CN
- China
- Prior art keywords
- generating source
- correlation
- ingredient
- analytical equipment
- candidate
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 94
- 239000004615 ingredient Substances 0.000 claims abstract description 170
- 238000005259 measurement Methods 0.000 claims description 38
- 239000000284 extract Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000007599 discharging Methods 0.000 description 12
- 239000002245 particle Substances 0.000 description 12
- 239000002243 precursor Substances 0.000 description 12
- 239000011164 primary particle Substances 0.000 description 11
- 229910002651 NO3 Inorganic materials 0.000 description 8
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 8
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000003738 black carbon Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0272—Investigating particle size or size distribution with screening; with classification by filtering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0032—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array using two or more different physical functioning modes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种能高精度地分析与产生源有关的信息的分析装置。提供一种产生源分析装置，包括：对多个测定对象成分各自的浓度获取测定地点处的时间序列的测定值的测定值获取部；对于至少一组测定对象成分计算时间序列的测定值的相关值的相关计算部；以及基于相关计算部算出的相关值来对与至少一个测定对象成分的产生源有关的信息进行分析的产生源分析部。
Description
技术领域
本发明涉及产生源分析装置以及产生源分析系统。
背景技术
以往，已知使用受体模型对大气中的微粒状物质(PM2.5)等对象物质从哪个产生源产生进行分析的方法(例如参照非专利文献1)。
非专利文献1：“Positive Matrix Factorization(PMF)5.0Fundamentals and UserGuide”、2014年4月、EPA
发明内容
发明所要解决的技术问题
在以往使用受体模型的分析方法中，若产生源的候补数比某一测定地点、测定时刻下测定到的测定成分的项目数多，则无法进行充分的分析。具体而言，在以往的分析方法中，将某一测定地点、某一测定时刻下的各个测定成分的浓度假定为各个产生源排放的该成分的浓度乘以该产生源的贡献度得到的结果的总和，并按照每一成分生成公式。然后，将产生源的贡献度设为未知数来求解联立方程式。然而，若产生源的候补数(即未知数)多于测定到的成分的种类，则无法求解联立方程式。因此，期待一种以不同于以往的分析方法的观点对产生源进行分析的方法。
用于解决技术问题的技术手段
本发明的第一方式中，提供对与产生源有关的信息进行分析的产生源分析装置。产生源分析装置可以包括针对多个测定对象成分各自的浓度获取测定地点处的时间序列的测定值的测定值获取部。产生源分析装置可以包括针对至少一组测定对象成分计算时间序列的测定值的相关值的相关计算部。产生源分析装置可以包括基于相关计算部计算出的相关值对与至少一个测定对象成分的产生源有关的信息进行分析的产生源分析部。
产生源分析部可以提取排放了至少一个测定对象成分的产生源的候补。产生源分析装置可以包括对多个产生源分别记录排放的测定对象成分的概况的产生源数据库。产生源分析部可以从产生源数据库提取同时排放相关值超过相关基准值的测定对象成分的组的产生源作为产生源的候补。产生源数据库可以进一步记录表示各个产生源与测定地点之间的距离的信息。
产生源分析部可以针对提取出的产生源的各个候补计算对测定值的贡献比率。产生源分析部可以进一步基于各个测定对象成分的单独的测定值来提取产生源的候补。产生源分析部可以基于各个测定对象成分的单独的测定值来对产生源的候补进行首次提取，并基于相关计算部算出的相关值来对通过首次提取而提取出的候补进行二次提取以提取产生源的候补。
产生源分析部可以进一步基于相关值超过相关基准值的期间的长度来提取产生源的候补。相关计算部可以基于相关值的变动来提取产生源的候补。产生源分析部可以进一步基于气象数据来提取产生源的候补。
产生源分析部可以基于相关值对推定为从某个产生源同时排放的两个以上的测定对象成分的组合进行分析。相关计算部可以针对各个测定对象成分的时间序列的测定值提取预先确定的频率以上的变动成分来计算相关值。
本发明的第二方式中，提供一种产生源分析系统，包括第一方式的产生源分析装置、以及对测定地点处的多个测定对象成分各自的浓度进行测定的一个以上的测定装置。产生源分析装置与各个测定装置可以经由通信网络相连。
上述发明的内容并未列举出本发明的所有特征。这些特征组的变形也能够成为发明。
附图说明
图1是表示本发明的一个实施方式的产生源分析装置100的一个例子的框图。
图2是表示各测定对象成分的、时间序列的浓度测定值的一个例子的图。
图3是表示产生源数据库40所存储的产生源概况的一个例子的图。
图4是表示显示部50所提示的信息的一个例子的图。
图5是表示显示部50所提示的信息的其它例子的图。
图6是表示生成根据距离等修正后的产生源的概况的处理的一个例子的流程图。
图7是表示产生源数据库40所记录的产生源概况的其它例子的图。
图8是表示产生源分析装置100的动作例的流程图。
图9是表示产生源分析装置100的其它构成例的图。
图10是表示产生源的候补的提取方法的其它例子的图。
图11是表示产生源的候补的提取方法的其它例子的图。
图12是表示本发明的一个实施方式的产生源分析系统500的结构例的图。
具体实施方式
以下，利用发明的实施方式来对本发明进行说明，但以下实施方式并不限制权利要求的范围所涉及的发明。并且，实施方式中所说明的特征的所有组合对于发明的解决手段未必是必须的。
图1是表示本发明的一个实施方式的产生源分析装置100的一个例子的框图。产生源分析装置100基于规定的测定地点的多个测定对象成分各自的浓度对与测定对象成分的产生源有关的信息进行分析。测定对象成分例如是硫酸盐、硝酸盐、黑碳等微粒状物质。此外，测定对象成分的浓度例如是质量浓度(g/m3)。本说明书中，有时将质量浓度简称为浓度。产生源是例如工厂、发电站、汽车等那样排放微粒状物质、作为微粒状物质的源头的前驱体气体的设备。
产生源分析装置100具备测定值获取部10以及信息处理部12。信息处理部12具有相关计算部20以及产生源分析部30。信息处理部12也可以是具有CPU等运算装置以及存储器的计算机。运算装置可以根据存储在存储器中的程序来动作，起到相关计算部20以及产生源分析部30的作用。计算机也可以具有对运算装置中的运算结果等进行存储的存储器。
测定值获取部10对于多个测定对象成分各自的浓度获取测定地点处的时间序列的测定值。测定值获取部10也可以获取由外部的测定装置测定到的测定值。此外，也可以由测定值获取部10测定各个测定对象成分的浓度。
时间序列的测定值指至少两次在不同的时刻测定到测定值。测定时刻可以是恒定间隔，也可以是不定间隔。作为一个例子，测定值获取部10获取以1个小时以下的时间间隔测定到的测定值。各个测定对象成分的测定时刻可以相同，也可以不同。此外，各个测定对象成分的测定间隔可以相同，也可以不同。
相关计算部20对于至少一组测定对象成分计算时间序列的测定值的相关值。本例的相关计算部20对于多个测定对象成分的所有组合计算测定值的相关值。该组合不仅包含两个测定对象成分的组合，也包含三个以上的测定对象成分的组合。例如在由测定值获取部10获取到测定值的测定对象成分为成分a、b、c这3个的情况下，相关计算部20计算相关值(a、b)、相关值(a、c)、相关值(b、c)、相关值(a、b、c)这4个相关值。本说明书中，将相关值(x、y)设为成分x以及成分y的测定值的相关值。此外，本说明书中，有时将测定对象成分简称为成分。
产生源分析部30基于相关计算部20计算出的相关值对与至少一个测定对象成分的产生源有关的信息进行分析。本例的产生源分析部30提取排放了至少一个测定对象成分的产生源的候补。产生源分析部30也可以提取产生源的多个候补。
本例的产生源分析装置100还具备产生源数据库40。产生源数据库40对多个产生源分别记录排放的测定对象成分的概况。测定对象成分的概况包含各产生源排放的测定对象成分的种类的信息。例如产生源数据库40对多个产生源分别记录表示排放多个测定对象成分中的任一个的概况。
产生源分析部30从产生源数据库提取同时排放相关值超过相关基准值的测定对象成分的组中所包含的所有测定对象成分的产生源作为产生源的候补。例如在成分a以及b的相关值超过相关基准值的情况下，产生源分析部30提取同时排放成分a以及b的产生源作为成分a以及b的产生源的候补。
由此，能通过使用测定值的相关值来提取产生源的候补。此外，由于能分别组合测定对象成分来计算相关值，因此能计算种类比测定对象成分的种类数多的相关值。因此，能更恰当地提取产生源的候补。
例如在测定对象成分为成分a、b、c这3个的情况下，根据上述4个相关值，能检测出以下多种模式：成分a、b、c全部具有相关而变动的情况；仅成分a、b具有相关而变动的情况；仅成分a、c具有相关而变动的情况；仅成分b、c具有相关而变动的情况；所有成分均不具有相关的情况。产生源分析部30基于产生源数据库40的概况提取对应这些模式的产生源。产生源分析部30也可以按照每个测定对象成分提取产生源的候补。
本例的产生源分析装置100还具备显示部50。显示部50对产生源分析部30提取出的产生源的候补进行显示。显示部50也可以按照每个测定对象成分显示产生源的候补。
图2是表示各测定对象成分中、时间序列的浓度测定值的一个例子的图。图2中，横轴表示测定时刻，纵轴表示测定到的质量浓度。图2的例子中，示出3个成分a、b、c的浓度测定值。
相关计算部20对预先确定的时刻范围的数据计算相关值。通过在时刻方向上以1个时刻为单位将时刻范围逐个错开，并在各个时刻位置计算相关值，从而能计算时间序列的相关值。时刻范围的中心时刻可以设为与该相关值相对应的时刻。时刻范围例如是1天左右。测定对象物质因人类的活动而排放的情况较多，因而浓度变动的周期以1天为单位的情况较多。因此，通过将时刻范围设定为1天，从而能恰当地判定浓度变动的相关。
2个成分a、b的相关值r例如利用下式来计算。
【数学式1】
另外，成分a在时刻i的浓度设为ai，浓度ai的算术平均用在a的上方标记了横条的符号来表示，成分b在时刻i的浓度设为bi，浓度bi的算术平均用在b的上方标记了横条的符号来表示。此外，n对应于时刻范围的长度。
图2所示的例子中，在期间T1，成分a、b、c表现出同样的变动方式。因此，在期间T1，相关值(a、b、c)变高，并超过相关基准值。该情况下，产生源分析部30提取同时排放成分a、b、c的产生源作为期间T1内的产生源的候补。期间T1内，相关值(a、b)、相关值(a、c)、相关值(b、c)也变高并超过相关基准值的情况下，产生源分析部30也可以提取同时排放成分a、b的产生源、同时排放成分a、c的产生源、以及同时排放成分b、c的产生源作为候补。
此外，期间T2内，成分b、c表现出同样的变动方式。此外，成分a表现出与成分b、c不同的变动方式。因此，在期间T2，相关值(b、c)变高，并超过相关基准值。此外，相关值(a、b)、相关值(a、c)未超过相关基准值。该情况下，产生源分析部30提取同时排放成分b、c且未排放成分a的产生源作为候补。产生源分析部30也可以提取排放成分a、且未排放成分b、c的产生源作为候补。即，在存在与其它所有成分的相关值小于相关基准值的成分的情况下，也可以提取仅排放该成分的产生源作为候补。
此外，期间T3内，成分a、b、c分别表现出不同的变动方式。因此，期间T3内，所有相关值均未超过相关基准值。该情况下，产生源分析部30提取分别单独排放成分a、b、c的产生源作为候补。
由此，能基于各个测定对象成分的相关值提取产生源的候补。图2的例子中示出了测定对象成分的种类为3个的例子，但测定对象成分的种类也可以是2个，也可以是4个以上。
另外，相关计算部20可以对各个测定对象成分的时间序列的测定值提取预先确定的频率以上的变动成分来计算相关值。各个测定对象成分的测定值包含大致一定的基础成分、以及随着时间变动的变动成分。
在相对于测定地点的非常大的范围内存在的多数的产生源的贡献结果是能推定产生了大致一定的基础成分。因此，比较难根据基础成分来确定特定的产生源的贡献。通过去除基础成分并基于变动成分计算相关值，从而能更高精度地提取产生源的候补。
图3是表示产生源数据库40所存储的产生源概况的一个例子的图。产生源数据库40对于船舶、重油锅炉等每个产生源，将硫酸盐、硝酸盐等测定对象成分是否被排放对应起来进行存储。产生源数据库40也可以进一步存储表示各个测定对象成分的排放量的信息。图3中，用0(－)、小、大这3个等级表示各个测定对象成分的排放量。另外，也可以将排放量并非严格为0g但排放量在规定值以下的情况设为排放量0。
本例的产生源分析部30基于相关计算部20算出的相关值、与产生源数据库40所存储的产生源概况来提取各个测定对象成分的产生源的候补。
例如，在硫酸盐与硝酸盐的相关值高于相关基准值且黑碳与其它成分的相关值低于相关基准值的情况下，产生源分析部30提取同时排放硫酸盐和硝酸盐并且不同时排放黑碳的大规模固定烟源作为硫酸盐以及硝酸盐的产生源的候补。大规模固定烟源例如是工厂。
产生源分析部30在规定的成分之间的相关值高于相关基准值的情况下，也可以提取多个与该成分相对应的产生源的候补。例如在硝酸盐以及黑碳的相关值高于相关基准值且其它成分之间的相关值低于相关基准值的情况下，产生源分析部30提取汽车和建设机械作为产生源的候补。
图4是表示显示部50所提示的信息的一个例子的图。本例的产生源分析部30在每个规定间隔的时刻提取规定的测定地点处的产生源的候补。显示部50以时间序列对产生源分析部30提取出的产生源的候补进行显示。显示部50也可以按照每个测定对象成分显示产生源的候补。
产生源分析部30也可以进一步对提取出的各个候补分别计算成为该成分的产生源的概率。产生源分析部30也可以基于产生源的各成分的排放量计算该概率。例如产生源分析部30可以在排放相关值高于基准相关值的成分组合的产生源存在多个的情况下，将排放量更大的产生源的概率设为更高。优选为根据表示从测定地点到产生源的距离的信息来对产生源的各成分的排放量进行修正。例如，该距离越大，将产生源的各成分的排放量修正为越小。
图5是表示显示部50所提示的信息的其它例子的图。本例的产生源分析部30基于相关值对推定为从任一个产生源同时排放的两个以上的测定对象成分的组合进行分析。例如，在某一时刻，硫酸盐与硝酸盐的相关值超过相关基准值的情况下，产生源分析部30判断为在该时刻存在正同时排放硫酸盐和硝酸盐的产生源。
产生源分析部30在每个规定间隔的时刻提示在一个以上的产生源中推定为被同时排放的测定对象成分的组合。显示部50以时间序列对产生源分析部30提取出的测定对象成分的组合进行显示。
产生源分析部30也可以进一步对提取出的测定对象成分的各个组合计算存在对应的产生源的概率。例如，成分间的相关值越高，产生源分析部30可以将存在对应的产生源的概率计算得更高。此外，成分间的相关值越高，也可以将存在离测定地点较近的产生源的概率计算得较高。
图6是表示生成根据距离等修正后的产生源的概况的处理的一个例子的流程图。可以由信息处理部12进行该处理。图6中对成分a的处理进行说明，但对于其它成分也同样。信息处理部12获取各个产生源的成分a的初级粒子的平均排放量(S200)。初级粒子指以粒子的状态从产生源排放的粒子。平均排放量是例如以一天为单位等的、规定期间内的平均排放量。
此外，信息处理部12获取各个产生源的成分a的前驱体气体的平均排放量(S208)。前驱体气体是以气体状态从产生源排放、并能在大气中转换为成分a的粒子的气体。
信息处理部12获取与产生源的状态变动有关的信息(S204)。与产生源的状态变动有关的信息例如是以时间序列表示工厂的作业状态的信息等的、对来自产生源的成分a的初级粒子以及前驱体气体的排放量造成影响的信息。信息处理部12基于成分a的初级粒子的平均排放量的信息以及产生源的状态变动的信息来计算各时刻的成分a的初级粒子的净排放量(S202)。此外，基于成分a的前驱体气体的平均排放量的信息以及产生源的状态变动的信息来计算各时刻的成分a的前驱体气体的净排放量(S210)。
信息处理部12基于成分a的前驱体气体的净排放量计算从前驱体气体转换来的粒子的量(S212)。信息处理部12也可以获取气象数据等、对从气体到粒子的转换率造成影响的信息(S214)。信息处理部12也可以进一步基于该信息计算转换出的粒子量。例如，气象数据中包含该地区的气温、降雨量、风速等。
信息处理部12根据该产生源与测定地点的距离对成分a的初级粒子的净排放量进行修正，来计算到达测定地点的成分a的初级粒子的量(S206)。信息处理部12也可以使用修正系数，该修正系数使得该距离越大，到达测定地点的成分a的初级粒子的量越小。
信息处理部12根据该产生源与测定地点的距离对从前驱体气体转换来的粒子的量进行修正，来计算到达测定地点的来源于前驱体气体的粒子的量(S216)。信息处理部12也可以使用修正系数，该修正系数使得该距离越大，到达测定地点的成分a的粒子的量越小。S216中使用的修正系数可以与S206中使用的修正系数相同，也可以不同。也可以考虑初级粒子比前驱体气体更容易到达远处这一点，使S216中的修正系数的、粒子量相对于距离的衰减率大于S206中的修正系数。
信息处理部12计算S206中算出的初级粒子量与S216中算出的粒子量的和(S218)。S218中算出的粒子量对应于从该产生源排放的成分a对测定地点处成分a的浓度产生贡献的概率。信息处理部12可以将S218中算出的粒子量用作为图3所示的各成分的排放量。
图7是表示产生源数据库40所记录的产生源概况的其它例子的图。本例的产生源数据库40对表示各个产生源与测定地点的距离的信息进行记录。本例中的该信息是各个产生源的位置信息。位置信息可以是表示经度以及纬度的信息，也可以是其它信息。在汽车等那样、多个个体成为产生源的情况下，也可以不登录该产生源的位置信息。该情况下，测定地点与产生源的距离信息可以使用按照产生源的每个种类预先设定的基准值。距离的该基准值可以是0。
本例的测定值获取部10与各成分的浓度测定值相匹配地获取测定地点的位置信息。产生源分析部30可以基于测定地点的位置信息以及各个产生源的位置信息来计算测定地点与产生源的距离。产生源分析部30也可以将算出的距离信息用于图6所示的S206以及S216的处理。通过这种结构，产生源分析装置100能将测定地点与各产生源的距离考虑在内来生成产生源概况，从而提取产生源的候补。
图8是表示产生源分析装置100的动作例的流程图。测定值获取部10获取规定的测定地点处的各测定对象成分的测定值、以及测定地点的位置信息(S302)。接着，相关计算部20对测定对象成分的各个组合计算相关值(S304)。
接着，产生源分析部30从产生源数据库40获取产生源概况(S306)。产生源概况包含各产生源中各成分的初级粒子以及前驱体气体的排放量、各产生源的位置信息、以及表示各产生源的状态变动的信息等。
产生源分析部30通过图6所示的处理方法对各产生源处的各成分的排放量进行修正(S308)。产生源分析部30基于修正后的各成分的排放量提取排放了在该测定地点测定到的各成分的产生源的候补(S310)。例如，在成分a、b的测定值之间的相关值超过相关基准值的情况下，产生源分析部30提取利用距离等进行了修正的成分a、b的排出量均为基准值以上的产生源作为候补。
另外，产生源分析部30也可以进一步基于各个测定对象成分的单独测定值来提取产生源的候补。例如，在任一个测定对象成分的单独测定值低于规定的浓度基准值的情况下，将该成分的排放量在规定的排放基准值以上的产生源从候补中去除。该成分的排放量优选为图6所示的例子那样，根据测定地点与各产生源的距离进行修正。
例如在成分a的测定值低于规定的浓度基准值的情况下，产生源分析部30将利用距离进行了修正的成分a的排放量在规定的排放基准值以上的产生源从候补中去除。作为一个例子，在成分a的测定值大致为零的情况下，产生源分析部30将利用距离等进行了修正的成分a的排放量在规定的排放基准值以上的产生源去除。
产生源分析部30也可以基于各个测定对象成分的单独测定值来首次提取产生源的候补。首次提取如上所述，可以是将规定的产生源从候补中去除的处理。产生源分析部30基于相关计算部20算出的相关值从首次提取出的候补中二次提取产生源的候补。通过这种处理，能以更高的精度提取产生源的候补。
产生源分析部30对提取出的产生源的各个候补计算对于在测定地点测定到的微粒的浓度的贡献比率(S312)。例如，产生源分析部30对于通过距离等修正后的排放量越大的产生源，将对于该测定地点的贡献比率计算得越大。S312中，对于提取出的产生源的候补，可以使用CMB(Chemical Mass Balance：化学质量平衡)法或者PMF(Positive MatrixFactorizaition：正矩阵分解)法等公知的方法计算贡献比率。
通过这种处理，能基于各成分的测定值的相关值来提取产生源的候补。此外，能将产生源与测定地点的距离等考虑在内来提取产生源的候补，或者计算贡献比率。
图9是表示产生源分析装置100的其它构成例的图。本例的产生源分析装置100从外部获取气象数据，用于产生源候补的提取或者贡献比率的计算。其它结构与图1至图8中的说明的任一方式的产生源分析装置100相同。
信息处理部12可以在图6所示的处理中使用气象数据。此外，在其它例子中，可以在特定的气象条件的情况下，使显示部50显示难以提取产生源的候补这一意思。例如，在风速为规定值以上的情况，风向的变动频度在一定频度以上的情况，降雨量在一定量以上等那样、设想产生源处的各成分的排放、与测定地点处的各成分的浓度的相关变得非常小的气象条件的情况下，相关计算部20不计算包含满足该气象条件的时刻的时刻范围内的相关值。此外，产生源分析部30部提取满足该气象条件的时刻下的产生源候补。通过这种动作，能提高产生源候补的可靠性。
图10是表示产生源的候补的提取方法的其它例子的图。本例的产生源分析部30进一步基于相关值的时间序列数据来提取产生源的候补。作为一个例子，产生源分析部30在成分间的相关值持续超过规定的相关基准值th的期间在规定的期间基准值以上的情况下，判定同时排放该成分的组合的产生源距离测定地点在规定的距离以内。
对于从与测定地点隔开规定距离以上的产生源排放的成分，由于风向等条件，其到达测定地点的比率会大幅变动。与此相对，在测定地点附近存在产生源的情况，即使风向等条件变动，从该产生源排放的成分到达测定地点的比率的变动也较小。因此，在测定地点附近存在产生源的情况下，该产生源同时排放的成分间的相关值持续为较高的值。产生源分析部30在相关值持续超过规定的相关基准值th的期间在规定的期间基准值以上的情况下，可以从距离测定地点在规定距离以内的产生源中提取候补。
在其它例子中，产生源分析部30也可以基于风向等气象条件的变动来提取产生源的候补。作为一个例子，产生源分析部30在风向变动的前后、相关值的变动少于基准变动量的情况下，排放与该相关值对应的成分的组合，并将与测定地点的距离在规定的距离内的产生源提取为候补。产生源分析部30也可以将在风向变动的前后、相关值持续地在基准相关值th以上作为条件。
另一方面，在风向变动的前后、相关值的变动大于基准变动量的情况下，即使是排放与该相关值对应的成分的组合的产生源，产生源分析部30也将与测定地点的距离在规定的距离内的产生源从候补中去除。产生源分析部30也可以将在风向变动的前后、相关值跨越基准相关值th作为条件。该情况下，在相关值在基准相关值th以上的期间，可以判定在迎风方向上存在排放与该相关值相对应的成分的组合的产生源。此外，在相关值小于基准相关值th的期间，可以判定在迎风方向上不存在排放与该相关值相对应的成分的组合的产生源。
在图10的例子中，成分a、b的相关值持续在相关基准值th以上，因此，产生源分析部30判定为排放成分a、b的产生源与测定地点在规定的距离以内。成分b、c的相关值在风向变化的时刻会大幅变动，因此，产生源分析部30判定为排放成分b、c的产生源距离测定地点不在规定的距离以内。此外，在风向变化前的期间，判定为排放成分b、c的产生源在迎风方向上位于比规定的距离更远的位置。
图11是表示产生源的候补的提取方法的其它例子的图。本例的产生源分析部30基于相关值的变动来提取产生源的候补。作为一个例子，产生源分析部30基于相关值的变动的斜率ΔC/Δt来计算与作为候补提取的产生源与测定地点的距离范围。相关值变动的斜率是相关值跨越相关基准值th时的斜率。
例如，产生源分析部30可以对于越大(越陡峭)的相关值的斜率，提取与测定地点的距离越近的产生源作为候补。作为一个例子，在任一个产生源正在排放成分a的初级粒子以及成分b的前驱体气体的情况下，与成分a到达测定地点的时刻相比，成分b到达的时刻有所延迟。与测定地点的距离越大，延迟时间越大，则相关值的斜率越小。
图12是表示本发明的一个实施方式的产生源分析系统500的结构的图。产生源分析系统500包括产生源分析装置100。产生源分析装置100是图1至图11中说明的任一方式的产生源分析装置100。
产生源分析系统500包括一个或多个测定装置514。各个测定装置514的规定的测定地点对各个测定对象成分的质量浓度进行测定。产生源分析装置100从测定装置514获取测定地点的位置信息以及测定结果。产生源分析装置100在各个测定地点提取产生源的候补。
本例的产生源分析系统500中，产生源分析装置100与各个测定装置514经由通信网络510相连。作为一个例子，通信网络510为互联网。
本例的产生源分析系统500中，一个或多个终端512与产生源分析装置100经由通信网络510相连。终端512是用户的计算机终端等。终端512对产生源分析装置100指定任意测定地点以及时刻，来请求产生源的候补。产生源分析装置100根据该请求，将针对该测定地点提取出的产生源的候补通知给终端512。
终端512也可以进一步指定成分。该情况下，产生源分析装置100将与所指定的成分相对应的产生源的候补通知给终端512。利用这种结构，即使各个终端512不具有测定值获取部10、信息处理部12以及产生源数据库40，只要访问产生源分析装置100，则能获取任意的测定地点以及时刻的产生源候补的信息。此外，由于一个产生源分析装置100中能储存多个测定地点的测定结果，因此也能进行使用了多个测定地点的测定结果的产生源的分析。
以上利用实施方式对本发明进行了说明，但本发明的技术范围并不限定于上述实施方式所记载的范围。能够在上述实施方式的基础上进行各种变更或改进，这对本领域技术人员而言是显而易见的。由权利要求范围的记载可以明确，施加了这种变更或改进的方式也包含在本发明的技术范围内。
请注意，对于权利要求书、说明书以及附图中所示的装置、系统、程序、以及方法中的动作、工序、步骤以及阶段等个处理的执行顺序，只要没有特意明示为“之前”、在“…之前”等，或者在后续的处理中使用之前处理的输出，则能以任意的顺序实现。”关于权利要求书、说明书、以及附图中的动作流程，为便于说明而使用了“首先”、“接着”等，但并不意味着必须以该顺序来实施。
本发明的各种实施方式可以参照流程图以及框图来记载，这里，框可以表示(1)执行操作的工艺的阶段或者(2)具有执行操作的功能的装置的部分。特定的阶段以及部分可以利用专用电路、与储存在计算机可读取介质上的计算机可读取命令一起提供的可编程电路、以及/或者与储存在计算机可读取介质上的计算机可读取命令一起提供的处理器来安装。专用电路可以包含数字以及/或者模拟硬件电路，也可以包含集成电路(IC)以及/或者分立电路。可编程电路可以包含可再构成的硬件电路，该可再构成的硬件电路包含逻辑与(AND)、逻辑或(OR)、逻辑异或(XOR)、逻辑与非(NAND)、逻辑或非(NOR)以及其它逻辑操作、触发器、寄存器、现场可编程门阵列
(FPGA)、可编程逻辑阵列(PLA)等那样的存储器要素等。
计算机可读取介质可以包含能储存由合适的器件执行的命令的任意有形的器件，其结果，具有储存在其中的命令的计算机可读取介质包括如下产品，该产品包含为了生成用于执行由流程图或框图指定的操作的单元而可以执行的命令。作为计算机可读取介质的例子，可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读取介质的其它例子，也可以包含软盘(注册商标)磁盘、软盘、硬盘、随机存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、光盘只读存储器(CD-ROM)、数字多功能磁盘(DVD)、蓝光(RTM)光盘、记忆棒、集成电路卡等。
计算机可读取命令可以包含汇编命令、指令集架构(ISA)命令、机器命令、机器依赖命令、微码、固件命令、状态设定数据、或者利用Smalltalk、JAVA(注册商标)、C++那样的面向对象的编程语言、以及包含“C”编程语言或者同样的编程语言那样现有的程序编程语言的、一个或多个编程语言的任意组合描述的源代码或者对象代码中的任一种。
计算机可读取命令经由本地或本地区域网络(LAN)、互联网等那样的广域网(WAN)被提供给通用计算机、特殊目的的计算机、或者其它可编程的数据处理装置的处理器或可编程电路，为了产生用于执行由流程图或框图指定的操作的单元，执行计算机可读取命令。作为处理器的例子，包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
标号说明
10 测定值获取部，
12 信息处理部，
20 相关计算部，
30 产生源分析部，
40 产生源数据库，
50 显示部，
100 产生源分析装置，
500 产生源分析系统，
510 通信网络，
512 终端，
514 测定装置。
Claims (14)
1.一种产生源分析装置，其特征在于，包括：
测定值获取部，该测定值获取部针对多个测定对象成分各自的浓度获取测定地点处的时间序列的测定值；
相关计算部，该相关计算部针对至少一组测定对象成分计算时间序列的测定值的相关值；以及
产生源分析部，该产生源分析部基于所述相关计算部计算出的相关值对与至少一个测定对象成分的产生源有关的信息进行分析。
2.如权利要求1所述的产生源分析装置，其特征在于，
所述产生源分析部提取排放了所述至少一个测定对象成分的产生源的候补。
3.如权利要求2所述的产生源分析装置，其特征在于，
还包括产生源数据库，该产生源数据库对多个产生源分别记录排放的测定对象成分的概况，
所述产生源分析部从所述产生源数据库中提取排放相关值超过了相关基准值的所述测定对象成分的组的产生源作为所述产生源的候补。
4.如权利要求3所述的产生源分析装置，其特征在于，
所述产生源数据库进一步记录表示各个所述产生源与所述测定地点之间的距离的信息。
5.如权利要求2至4的任一项所述的产生源分析装置，其特征在于，
所述产生源分析部针对提取出的产生源的各个候补计算对所述测定值的贡献比率。
6.如权利要求2至4的任一项所述的产生源分析装置，其特征在于，
所述产生源分析部还基于各个测定对象成分的单独的测定值来提取所述产生源的候补。
7.如权利要求6所述的产生源分析装置，其特征在于，
所述产生源分析部基于各个测定对象成分的单独的测定值来对所述产生源的候补进行首次提取，并基于所述相关计算部算出的所述相关值对通过首次提取而提取出的候补进行二次提取以提取产生源的候补。
8.如权利要求3所述的产生源分析装置，其特征在于，
所述产生源分析部进一步基于所述相关值超过所述相关基准值的期间的长度来提取所述产生源的候补。
9.如权利要求2至8的任一项所述的产生源分析装置，其特征在于，
所述相关计算部基于所述相关值的变动提取所述产生源的候补。
10.如权利要求2至9的任一项所述的产生源分析装置，其特征在于，
所述产生源分析部进一步基于气象数据提取所述产生源的候补。
11.如权利要求1所述的产生源分析装置，其特征在于，
所述产生源分析部基于所述相关值对从某个所述产生源排放的两个以上的所述测定对象成分的组合进行分析。
12.如权利要求1至11的任一项所述的产生源分析装置，其特征在于，
所述相关计算部针对各个所述测定对象成分的时间序列的测定值提取预先确定的频率以上的变动成分，来计算所述相关值。
13.一种产生源分析系统，其特征在于，包括：
权利要求1至12的任一项所述的产生源分析装置；以及
对所述测定地点处的多个测定对象成分各自的浓度进行测定的一个以上的测定装置。
14.如权利要求13所述的产生源分析系统，其特征在于，
所述产生源分析装置与各个所述测定装置经由通信网络相连。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017076035A JP6870442B2 (ja) | 2017-04-06 | 2017-04-06 | 発生源分析装置および発生源分析システム |
| JP2017-076035 | 2017-04-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108693084A true CN108693084A (zh) | 2018-10-23 |
| CN108693084B CN108693084B (zh) | 2022-07-19 |
Family
ID=63711155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810117262.4A Active CN108693084B (zh) | 2017-04-06 | 2018-02-06 | 产生源分析装置以及产生源分析系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11022534B2 (zh) |
| JP (1) | JP6870442B2 (zh) |
| CN (1) | CN108693084B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102895B (zh) * | 2020-05-27 | 2024-01-26 | 北京师范大学 | 一种耦合迁移转化过程的道路沉积物多环芳烃源解析方法 |
| CN113127805B (zh) * | 2021-03-29 | 2023-12-22 | 中国地质大学（武汉） | 河流断面污染源贡献率计算方法、装置、设备及存储介质 |
| WO2023100854A1 (ja) * | 2021-12-03 | 2023-06-08 | 株式会社堀場製作所 | 分析システム、サーバ、分析方法、及びプログラム |
| CN115791537B (zh) * | 2022-11-25 | 2023-08-18 | 暨南大学 | 基于同位素的颗粒物在线源解析方法、系统、设备及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003196574A (ja) * | 2001-12-26 | 2003-07-11 | Mitsubishi Heavy Ind Ltd | 拡散物質の拡散状況予測方法及び拡散状況予測システム |
| CN101419208A (zh) * | 2008-11-29 | 2009-04-29 | 太原理工大学 | 一种解决空气颗粒物来源解析中遇到的共线性问题的方法 |
| US20100194574A1 (en) * | 2009-01-30 | 2010-08-05 | David James Monk | Particle detection system and method of detecting particles |
| CN102770073A (zh) * | 2010-02-26 | 2012-11-07 | 爱科来株式会社 | 分析装置、分析方法以及分析系统 |
| CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
| CN105469224A (zh) * | 2016-01-06 | 2016-04-06 | 天津工业大学 | 一种恶臭污染源关键致臭物质的识别方法 |
| CN105631203A (zh) * | 2015-12-27 | 2016-06-01 | 北华航天工业学院 | 识别土壤中重金属污染源的方法 |
| CN106018195A (zh) * | 2016-05-23 | 2016-10-12 | 太原理工大学 | 一种估算环境空气细颗粒物二次有机碳浓度的方法 |
| CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
| CN106228007A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 突发事件污染源追溯方法 |
| CN106324204A (zh) * | 2016-11-02 | 2017-01-11 | 扬州大学 | 城市大气pm2.5主要污染源的确定方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002116050A (ja) * | 2000-10-11 | 2002-04-19 | Horiba Ltd | 可搬型測定装置および測定システム |
| JP5813538B2 (ja) * | 2012-03-08 | 2015-11-17 | 株式会社東芝 | 情報処理装置及び放出点推定方法 |
| JP2014052245A (ja) * | 2012-09-06 | 2014-03-20 | Azbil Corp | 物質発生源特定システム及び物質発生源特定方法 |
| WO2015021428A1 (en) * | 2013-08-09 | 2015-02-12 | Cnry Inc. | System and methods for monitoring an environment |
| CN106030570B (zh) * | 2014-12-23 | 2020-09-29 | 微软技术许可有限责任公司 | 显现数据集间的关系 |
| JP6540064B2 (ja) * | 2015-02-05 | 2019-07-10 | 日本製鉄株式会社 | 微粒子サンプリング方法および微粒子分析方法 |
| JP6672996B2 (ja) * | 2016-04-28 | 2020-03-25 | 富士電機株式会社 | 発生源分析装置および発生源分析方法 |
-
2017
- 2017-04-06 JP JP2017076035A patent/JP6870442B2/ja active Active
-
2018
- 2018-02-06 CN CN201810117262.4A patent/CN108693084B/zh active Active
- 2018-02-22 US US15/901,899 patent/US11022534B2/en active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003196574A (ja) * | 2001-12-26 | 2003-07-11 | Mitsubishi Heavy Ind Ltd | 拡散物質の拡散状況予測方法及び拡散状況予測システム |
| CN101419208A (zh) * | 2008-11-29 | 2009-04-29 | 太原理工大学 | 一种解决空气颗粒物来源解析中遇到的共线性问题的方法 |
| US20100194574A1 (en) * | 2009-01-30 | 2010-08-05 | David James Monk | Particle detection system and method of detecting particles |
| CN102770073A (zh) * | 2010-02-26 | 2012-11-07 | 爱科来株式会社 | 分析装置、分析方法以及分析系统 |
| CN102967689A (zh) * | 2012-11-22 | 2013-03-13 | 天津大学 | 基于相关系数的污染源辨识方法及其监测布点方法 |
| CN103698255A (zh) * | 2013-12-26 | 2014-04-02 | 中国环境科学研究院 | 一种大气颗粒物来源实时解析方法 |
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN105631203A (zh) * | 2015-12-27 | 2016-06-01 | 北华航天工业学院 | 识别土壤中重金属污染源的方法 |
| CN105469224A (zh) * | 2016-01-06 | 2016-04-06 | 天津工业大学 | 一种恶臭污染源关键致臭物质的识别方法 |
| CN106018195A (zh) * | 2016-05-23 | 2016-10-12 | 太原理工大学 | 一种估算环境空气细颗粒物二次有机碳浓度的方法 |
| CN106092834A (zh) * | 2016-06-07 | 2016-11-09 | 中国科学院大气物理研究所 | 大气细颗粒物在线源解析系统及方法 |
| CN106228007A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 突发事件污染源追溯方法 |
| CN106324204A (zh) * | 2016-11-02 | 2017-01-11 | 扬州大学 | 城市大气pm2.5主要污染源的确定方法 |
| CN106548442A (zh) * | 2016-11-10 | 2017-03-29 | 湖南省环境保护科学研究院 | 一种大气污染物排放源清单精细化动态管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 洪纲等: "空气细颗粒物(PM2.5)的污染特征及其来源解析研究进展", 《河北工业科技》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108693084B (zh) | 2022-07-19 |
| JP2018179615A (ja) | 2018-11-15 |
| US20180292302A1 (en) | 2018-10-11 |
| US11022534B2 (en) | 2021-06-01 |
| JP6870442B2 (ja) | 2021-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paatero et al. | Methods for estimating uncertainty in factor analytic solutions | |
| CN108693084A (zh) | 产生源分析装置以及产生源分析系统 | |
| Torabi et al. | A hybrid machine learning approach for daily prediction of solar radiation | |
| Baker et al. | Variational data assimilation for atmospheric CO2 | |
| Alvarado‐Serrano et al. | Ecological niche models in phylogeographic studies: applications, advances and precautions | |
| US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
| Harms et al. | Validating LES-based flow and dispersion models | |
| KR102516588B1 (ko) | 인공지능모델을 이용한 위성이미지 분석을 통해 미세먼지농도 측정값 및 추정값을 제공하는 측정 장치, 방법 및 프로그램 | |
| Bhoi et al. | IoT-EMS: An internet of things based environment monitoring system in volunteer computing environment | |
| Massmann | Identification of factors influencing hydrologic model performance using a top‐down approach in a large number of US catchments | |
| Cheema et al. | Infinite mixture models for operational modal analysis: An automated and principled approach | |
| CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
| Fischer et al. | Generation of spatio-temporally high resolved datasets for the validation of LES-models simulating flow and dispersion phenomena within the lower atmospheric boundary layer | |
| CN111160667A (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
| Coughlin et al. | Prospects for searches for long-duration gravitational-waves without time slides | |
| Bae et al. | Development and evaluation of an expression for polydisperse particle scavenging coefficient for the below-cloud scavenging as a function of rain intensity using the moment method | |
| CN102906851A (zh) | 分析质谱的方法、计算机程序及系统 | |
| Worden et al. | Genetic optimisation of a neural damage locator | |
| Cornford et al. | Modelling frontal discontinuities in wind fields | |
| Patel et al. | CNN based Variation and Prediction Analysis of 2m Air Temperature for Different Zones of the Indian Region | |
| CN111461163B (zh) | 城市内部pm2.5浓度模拟和人口暴露度评估方法和装置 | |
| US20120203471A1 (en) | Generation source estimation apparatus and method of diffusion material | |
| Stadler et al. | Simulation-Based Parameter Identification for Accuracy Definitions in Virtual Environment Models for Validation of Automated Driving | |
| CN104516858A (zh) | 一种非线性动力学行为分析的相图矩阵方法 | |
| Harmening et al. | Terrestrial laserscanning-modeling of correlations and surface deformations |
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 |