CN108762221B - 含有不可控事件的自动制造系统的无死锁控制方法 - Google Patents
含有不可控事件的自动制造系统的无死锁控制方法 Download PDFInfo
- Publication number
- CN108762221B CN108762221B CN201810747062.7A CN201810747062A CN108762221B CN 108762221 B CN108762221 B CN 108762221B CN 201810747062 A CN201810747062 A CN 201810747062A CN 108762221 B CN108762221 B CN 108762221B
- Authority
- CN
- China
- Prior art keywords
- manufacturing system
- state
- uncontrollable
- automatic manufacturing
- step size
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007704 transition Effects 0.000 claims abstract description 74
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000001338 necrotic effect Effects 0.000 claims description 5
- 230000017074 necrotic cell death Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 238000013508 migration Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multi Processors (AREA)
Abstract
含有不可控事件的自动制造系统的无死锁控制方法,通过部分可控全可观的自动制造系统的可行步长在线生成算法,得到含有不可控事件的自动制造系统可行步长;再通过部分可控全可观的自动制造系统的最优步长在线生成算法,得到含有不可控事件的自动制造系统最优步长;通过部分可控全可观的自动制造系统的死锁避免算法,从当前状态以含有不可控事件的自动制造系统最优步长进行预测,避免死锁。本发明采用边预测、边控制的实时在线运行方针,不需要提前设计控制器。根据在当前状态下预测到的状态进行分析判断,根据判断的结果及时地反馈给控制器,控制器做出恰当的控制决策,来决定在当前状态下需要发射那个变迁,从而避免在加工过程中出现死锁状态。
Description
技术领域
本发明属于自动制造系统技术领域,涉及含有不可控事件的自动制造系统的无死锁控制方法。
背景技术
制造业水平是一个国家工业化程度的一个重要标志,制造产业也是一个国家经济尤其是像中国这样的人口密集的发展中国家稳定发展的重要根基。在过去的数十年里,随着信息技术、自动化技术和计算机技术的广泛应用,传统的制造系统逐渐转变为自动制造系统,从而极大地降低制造成本、提高产品质量并且确保生产安全。由于自动制造系统中的死锁能够直接导致部分或整个系统运行的停顿,降低生产率,甚至在某些情况下,可能造成重大的经济损失。因此死锁问题得到了许多研究者的关注。
在过去的数十年里,有很多研究者研究了含有不可控事件的自动制造系统的各种死锁避免策略,但是还是存在一些缺陷,具体体现在:1.传统的死锁避免方案往往是基于全局信息的,不可避免地需要列举所有的可达状态,从而导致状态爆炸问题,从而对于复杂的系统难以进行无死锁的控制。2.大部分的控制方法是离线的计算机制,相对保守且具有很强的约束性,不能充分的利用资源,降低了生产的效率。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种含有不可控事件的自动制造系统的无死锁控制方法。
为实现上述目的,本发明所采用的技术方案是:
含有不可控事件的自动制造系统的无死锁控制方法,包括以下步骤:
步骤一:通过部分可控全可观的自动制造系统的可行步长在线生成算法,得到含有不可控事件的自动制造系统可行步长Sufs;
步骤二:在含有不可控事件的自动制造系统可行步长Sufs基础上,通过部分可控全可观的自动制造系统的最优步长在线生成算法,得到含有不可控事件的自动制造系统最优步长Suop;
步骤三:通过部分可控全可观的自动制造系统的死锁避免算法,从当前状态以含有不可控事件的自动制造系统最优步长Suop进行预测,避免死锁。
本发明进一步的改进在于,步骤一的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC;
2.初始化:令当前状态M=M0,初始步长stepsize=1,给一个时间T0;
3.从当前状态M,以初始步长stepsize预测,得到当面状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q;
5.2.2.1若当前状态M∈Mgood:
5.2.2.2若M∈MCR:
6.若程序运行的时间T<T0则更新当前状态M,即M=M*,回到步骤2重新执行,否则令Sufs=stepsize,输出含有不可控事件的自动制造系统可行步长Sufs。
本发明进一步的改进在于,步骤二的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC,步骤一中的时间T0及含有不可控事件的自动制造系统可行步长Sufs;
2.初始化:令当前状态M=M0,stepsize=1;
4.若含有不可控事件的自动制造系统可行步长Sufs≤2则含有不可控事件的自动制造系统最优步长Suop=Sufs,则输出含有不可控事件的自动制造系统最优步长Suop,结束;
5.若含有不可控事件的自动制造系统可行步长Sufs>2:
5.1.3输出含有不可控事件的自动制造系统最优步长Suop,结束;
本发明进一步的改进在于,步骤三的具体过程如下:
1.输入PN的初始状态M0,不可控变迁集合TUC及步骤二的输出的含有不可控事件的自动制造系统最优步长Suop;
2.初始化:令当前状态M=M0,stepsize=Suop;
3.从当前状态M,以初始步长stepsize预测,得到在当前状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q;
5.1若M∈Mgood:
5.2若M∈MCR
6.更新当前状态M即M=M*,回到步骤3重新执行。
与现有的技术相比,本发明具有有益的效果为:
1.本发明的死锁避免方法不需要检测全局信息,只需要关注当前状态预测的局部信息,避免了穷举所有的状态,从而计算和存储复杂度大大地简化。
2.本发明采用边预测、边控制的实时在线运行方针,不需要提前设计控制器。根据在当前状态下预测到的状态进行分析判断,根据判断的结果及时地反馈给控制器。控制器做出恰当的控制决策,来决定在当前状态下需要发射那个变迁,从而避免在加工过程中出现死锁状态,导致生产线停滞,造成巨大的损失。
3.本发明的方法是根据算法随机发射变迁的性质从而极大地改善系统的许可性,使系统的许可性尽可能的达到最大。
附图说明
图1是S4R模型示意图。
图2是S4R模型的部分状态示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
定义1:Petri网(PN)的结构是由4要元描述的一有向图:
PNS=(P,T,I,O)
此处:
(1)P={p1,…,pn}是库所的有限集合,n>0为库所的个数;
(3)I:P×T→N是输入函数,它定义了从P到T的有向弧的权的集合,这里N={0,1,…}为非整数集;
(4)O:T×P→N是输出函数,它定义了从T到P的有向弧的重复数或权的集合,
在表示PN结构的有向图中,库所以圆表示;变迁以长方形或粗实线段表示;若从库所p到变迁t的输入函数取值为非负整数w,记为I(p,t)=w;则用从p到t的一有向弧并旁注w表示;从变迁t到库所p的输出函数取值为非负整数w,记为O(t,p)=w;则用从t到p的一有向弧并旁注w表示。
定义2:标识(状态)PN为一5要元:
PN={PNS,m}
此处:
(1)PNS={P,T,I,O}为PN结构,它由定义1确定。
(2)m:P→N为标识PN的标识,它为一列向量,其第i个元素表示第i个库所中的托肯的数目。特别地,m0为初始标识,表示系统的初始状态。
定义3:可控变迁与可观变迁
(1)可控变迁:系统在运行的时候可以人为的控制变迁的发射,通俗的说就是可以让该变迁发射也可以不让该变迁发射,这样的变迁则称为可控变迁。当然,不可控变迁与之相反。
(2)可观变迁:变迁的是否发射,是能看到的,这样的变迁称其为可观变迁。
本发明包括以下步骤:
步骤一:通过部分可控全可观的自动制造系统的可行步长在线生成算法,得到含有不可控事件的自动制造系统可行步长Sufs;
步骤一的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC;
2.初始化:令当前状态M=M0,初始步长stepsize=1,给一个时间T0;
3.从当前状态M,以初始步长stepsize预测,得到当面状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q;
4.若在当前状态M下可以使能的变迁集合(当然在初始状态Ten不可能为空,如果初始状态下Ten为空说明网已经死锁了),则令stepsize=stepsize*2,更新初始步长stepsize,回到步骤2重新执行;
5.2.1若临界状态集合
5.2.2.1若当前状态M∈Mgood:
5.2.2.2若M∈MCR:
6.若程序运行的时间T<T0则更新当前状态M即M=M*,回到步骤2重新执行,否则令Sufs=stepsize,输出含有不可控事件的自动制造系统可行步长Sufs。
步骤二:在含有不可控事件的自动制造系统可行步长Sufs基础上,通过部分可控全可观的自动制造系统的最优步长在线生成算法,得到含有不可控事件的自动制造系统最优步长Suop;
步骤二的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC,步骤一中的时间T0及步骤一中的含有不可控事件的自动制造系统可行步长Sufs。
2.初始化:令当前状态M=M0,stepsize=1;
4.若含有不可控事件的自动制造系统可行步长Sufs≤2则含有不可控事件的自动制造系统最优步长Suop=Sufs,则输出含有不可控事件的自动制造系统最优步长Suop,结束。
5.若含有不可控事件的自动制造系统可行步长Sufs>2:
5.1.3输出含有不可控事件的自动制造系统最优步长Suop,结束。
步骤三:通过部分可控全可观的自动制造系统的死锁避免算法,从当前状态以以含有不可控事件的自动制造系统最优步长Suop进行预测,避免死锁;
步骤三的具体过程如下:
1.输入PN的初始状态M0,不可控变迁集合TUC及步骤二的输出的含有不可控事件的自动制造系统最优步长Suop。
2.初始化:令当前状态M=M0,stepsize=Suop;
3.从当前状态M,以初始步长stepsize预测,得到在当前状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q。
5.1若M∈Mgood:
5.2若M∈MCR
6.更新当前状态M即M=M*,回到步骤3重新执行。
参见图1,下面根据S4R模型及该模型的部分状态来对以上步骤进行详细说明:
(1)部分可控全可观的自动制造系统的可行步长在线生成算法可行与最优步长在线生成算法:
如图2所示,假设TUC={t1}不可控但是可观,其他的所有变迁均可控可观,假设系统当前状态为14,以stepsize为1进行预测,预测到的状态为Q={22,24,25},Q里无死锁状态即并且在状态14,不存在可以使能的变迁Tuc为当前状态下可以使能的不可控的变迁集合,则随机选择一个变迁t∈TEN进行发射,这里假设发射t2则到达25;从状态25再次以步长stepsize=1进行预测,预测到状态Q′={38,39,40,41},Q里无死锁状态,但在状态25,这时随机选择一个变迁t∈Tuc进行发射,当然这里发射的是变迁t1,然后到达状态41;按照上面的可行步长的在线生成算法进行得到整个系统的可行步长。然后根据最优步长算法得到最优步长Suop。
(2)无死锁控制
根据最优的步长Suop初始状态M0进行预测。假设最优步长为6,当前状态为14,可以预测出死锁状态集合MDE={76,78,82}和含有不可控的变迁的临界状态集合MCR={41},坏死状态集合MCR={22,24},因此在状态14,会控制让变迁t2发射,从而到达状态25,而在状态25下含有不可控的变迁t1,则让t1发射,这时到达状态41,状态41下可以使能的变迁集合TEN={t6,t5,t2},该集合不包含不可控的变迁,由于预测到状态57,58为坏死状态则此状态下发射变迁t6到达55状态,同理55状态下可发射的变迁有t5和t3,而t5的发射会走到坏死状态68,从而发射t3,根据上面的考虑不可控变迁的死锁避免算法,一步一步走,对于以其他的当前状态和步长预测的时候,同样的按照考虑不可控变迁的死锁避免算法一步一步执行从而避免死锁。
本发明中符号说明:
PN Petri网;
stepsize 预测步长;
Sfs 可行步长;
M0 初始状态;
M 当前状态;
Ten 在当前状态M下可以使能的变迁集合;
Mdead 死锁状态
Q 预测到的可达状态集合
MCR 临界状态集合;
TUC 不可控变迁集合;
Tuc 在当前状态M可以使能的不可控的变迁集合;
T0 时间,由系统本身决定;
t 变迁;
Sufs 含有不可控事件的自动制造系统可行步长;
Sfs 全可控全可观事件的自动制造系统的可行步长;
Suop 含有不可控事件的自动制造系统最优步长;
Mgood 可达的好状态。
Claims (1)
1.含有不可控事件的自动制造系统的无死锁控制方法,其特征在于,包括以下步骤:
步骤一:对于含有不可控事件的自动制造系统,通过部分可控全可观的自动制造系统的可行步长在线生成算法,得到含有不可控事件的自动制造系统可行步长Sufs;
步骤二:在含有不可控事件的自动制造系统可行步长Sufs基础上,通过部分可控全可观的自动制造系统的最优步长在线生成算法,得到含有不可控事件的自动制造系统最优步长Suop;
步骤三:通过部分可控全可观的自动制造系统的死锁避免算法,从当前状态以含有不可控事件的自动制造系统最优步长Suop进行预测,避免死锁;
步骤一的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC;
2.初始化:令当前状态M=M0,初始步长stepsize=1,给一个时间T0;
3.从当前状态M,以初始步长stepsize预测,得到当面状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q;
5.2.2.1若当前状态M∈Mgood:
5.2.2.2若M∈MCR:
6.若程序运行的时间T<T0则更新当前状态M即M=M*,回到步骤2重新执行,否则令Sufs=stepsize,输出含有不可控事件的自动制造系统可行步长Sufs;
步骤二的具体过程如下:
1.输入PN的初始状态M0以及初始步长stepsize,不可控变迁集合TUC,步骤一中的时间T0及含有不可控事件的自动制造系统可行步长Sufs;
2.初始化:令当前状态M=M0,stepsize=1;
4.若含有不可控事件的自动制造系统可行步长Sufs≤2则含有不可控事件的自动制造系统最优步长Suop=Sufs,则输出含有不可控事件的自动制造系统最优步长Suop,结束;
5.若含有不可控事件的自动制造系统可行步长Sufs>2:
5.1.3输出含有不可控事件的自动制造系统最优步长Suop,结束;
步骤三的具体过程如下:
1.输入PN的初始状态M0,不可控变迁集合TUC及步骤二的输出的含有不可控事件的自动制造系统最优步长Suop;
2.初始化:令当前状态M=M0,stepsize=Suop;
3.从当前状态M,以初始步长stepsize预测,得到在当前状态M下可以使能的变迁集合Ten及预测到的可达状态集合Q;
5.1若M∈Mgood:
5.2若M∈MCR
6.更新当前状态M,即M=M*,回到步骤3重新执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810747062.7A CN108762221B (zh) | 2018-07-09 | 2018-07-09 | 含有不可控事件的自动制造系统的无死锁控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810747062.7A CN108762221B (zh) | 2018-07-09 | 2018-07-09 | 含有不可控事件的自动制造系统的无死锁控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108762221A CN108762221A (zh) | 2018-11-06 |
CN108762221B true CN108762221B (zh) | 2021-05-11 |
Family
ID=63972944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810747062.7A Active CN108762221B (zh) | 2018-07-09 | 2018-07-09 | 含有不可控事件的自动制造系统的无死锁控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108762221B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857083B (zh) * | 2019-01-11 | 2021-03-26 | 西安电子科技大学 | 一种基于Petri网的含有不可观事件的无死锁控制方法 |
CN109739196B (zh) * | 2019-01-11 | 2021-07-13 | 西安电子科技大学 | 含有不可观与不可控事件的自动制造系统无死锁控制方法 |
CN110308700B (zh) * | 2019-05-11 | 2021-09-24 | 西安电子科技大学 | 一种存在不可控行为的加工路径规划方法 |
CN110320798B (zh) * | 2019-05-21 | 2021-09-24 | 西安电子科技大学 | 一种基于安全网的控制器结构简化及行为优化方法 |
CN110568826B (zh) * | 2019-08-03 | 2022-03-29 | 西安电子科技大学 | 基于不可控事件的自动制造系统最大许可行为控制方法 |
CN110727249B (zh) * | 2019-08-26 | 2022-10-04 | 西安电子科技大学 | 基于不可观事件自动制造系统最大许可行为信息控制方法 |
CN113359650B (zh) * | 2021-07-02 | 2022-04-05 | 河北大学 | 含有不可控事件自动制造系统的控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10121792C2 (de) * | 2000-05-26 | 2003-09-25 | Ibm | Universelle Ladeadresse/Wertevorhersageschema |
EP2816560A1 (en) * | 2009-10-19 | 2014-12-24 | Telefonaktiebolaget L M Ericsson (PUBL) | Method and background estimator for voice activity detection |
CN103077615B (zh) * | 2012-12-20 | 2015-03-25 | 长沙理工大学 | 一种优化信号交叉口排队长度的在线学习方法 |
CN105022377B (zh) * | 2015-07-22 | 2018-02-02 | 西安电子科技大学 | 一种基于Petri网的自动制造系统的控制方法 |
CN106200575B (zh) * | 2016-07-07 | 2018-07-20 | 西安电子科技大学 | 一种基于Petri网的自动制造系统的稳健性控制方法 |
CN107092736B (zh) * | 2017-04-10 | 2021-05-04 | 南京理工大学 | 一种车间制造系统Petri网模型的PLC硬件实现方法 |
-
2018
- 2018-07-09 CN CN201810747062.7A patent/CN108762221B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108762221A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108762221B (zh) | 含有不可控事件的自动制造系统的无死锁控制方法 | |
Han et al. | Multi-objective migrating birds optimization algorithm for stochastic lot-streaming flow shop scheduling with blocking | |
JP7257436B2 (ja) | 強化学習モデルを構築するための方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN101630380A (zh) | 基于多种群进化机制的作业车间调度方法 | |
CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
CN112036633A (zh) | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 | |
CN110110402B (zh) | 基于二叉决策图的资源分配系统可达状态的快速求解方法 | |
CN112036573B (zh) | 一种基于中等规模有噪声量子计算机的量子位交互拓扑结构及其映射方法 | |
Li et al. | Bottleneck identification and alleviation in a blocked serial production line with discrete event simulation: A case study. | |
Li et al. | A two-stage ensemble of differential evolution variants for numerical optimization | |
CN112306859B (zh) | 一种改进的软件自适应测试方法 | |
CN110675088B (zh) | 一种数字孪生系统复杂任务高效划分方法 | |
CN115034634A (zh) | 一种基于贪婪算法的相控阵雷达资源调度管理方法 | |
CN112307654B (zh) | 基于混合可靠性模型与神经网络响应面的pma可靠性优化方法 | |
CN110059378B (zh) | 一种基于GPU并行计算的自动制造系统Petri网状态生成方法 | |
CN111563043B (zh) | 一种并发程序测试噪声注入优化方法 | |
CN109358954B (zh) | 一种基于MaxSAT最优解的过载实时系统可抢占式调度方法 | |
Jiang et al. | An optimized resource scheduling strategy for Hadoop speculative execution based on non-cooperative game schemes | |
Jiang et al. | Multivariate Molten Iron Quality Modeling Based on Improved Incremental Random Vector Functional-link Networks | |
CN109443108B (zh) | 一种用于导弹打击移动目标的序贯实验设计方法 | |
Kumar et al. | Optimization of Scheduling Problems: A genetic algorithm survey | |
CN111274030B (zh) | 一种面向应用特征的高效多处理器片上系统设计空间开采方法 | |
Li et al. | The flow amounts prediction of BFG with an improved PSO-BP algorithm | |
CN117492371B (zh) | 有源电力滤波器模型预测控制的优化方法、系统和设备 |
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 |