CN108982308A - 一种基于dsp飞灰含碳量测量的实时多任务调度方法 - Google Patents

一种基于dsp飞灰含碳量测量的实时多任务调度方法 Download PDF

Info

Publication number
CN108982308A
CN108982308A CN201810366253.9A CN201810366253A CN108982308A CN 108982308 A CN108982308 A CN 108982308A CN 201810366253 A CN201810366253 A CN 201810366253A CN 108982308 A CN108982308 A CN 108982308A
Authority
CN
China
Prior art keywords
time
real
dsp
flying
measurement
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
Application number
CN201810366253.9A
Other languages
English (en)
Other versions
CN108982308B (zh
Inventor
弋英民
税莹
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.)
Xi'an Dihe Electronic Technology Co ltd
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201810366253.9A priority Critical patent/CN108982308B/zh
Publication of CN108982308A publication Critical patent/CN108982308A/zh
Application granted granted Critical
Publication of CN108982308B publication Critical patent/CN108982308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5018—Thread allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于DSP飞灰含碳量测量的实时多任务调度方法。基于DSP采用BP神经网络算法在线测量飞灰含碳量，Protothread多线程模型实现非实时任务(BP神经网络参数训练)与实时任务(飞灰含碳量在线预测)同时进行，确保多任务调度的“实时性”与“并发性”，有效避免了由于BP神经网络算法复杂、训练数据量大所造成的DSP中存储容量有限、测量实时性差的问题，从而实现飞灰含碳量的实时在线测量。

Description

一种基于DSP飞灰含碳量测量的实时多任务调度方法
技术领域
本发明属于传感器检测及数字信号处理技术领域，具体涉及一种基于DSP飞灰含碳量测量的实时多任务调度方法。
背景技术
在工业火力发电中，飞灰含碳量是影响锅炉燃烧系统的一个重要指标，实时、在线测量飞灰的含碳量有利于调整一次风量与入料煤粉比例，提高燃烧效率，提高锅炉机组运行的安全性与经济性，同时对预防环境污染具有重要意义。
目前现有的飞灰含碳量测量装置大多采用物理测量方法，包括静电法、微波法、光学反射法等，其装置均存在设备复杂、造价及维护成本高且测量精度影响因素较多等问题。而软测量法，包括BP神经网络、支持向量机、信息融合技术等，都具有预测精度高、泛化性能好、成本低等优点，具有较好的应用前景。目前对飞灰含碳量软测量方法的研究均处于离线建模、测量阶段，无实际测量的装置，且软测量方法均存在参数训练数据量大、算法复杂度高等问题。由于工业现场对于飞灰含碳量检测实时性要求较高，因此研究一种将复杂算法与多任务调度方法相结合，进而满足“并发性”、“实时性”要求的飞灰含碳量测量方法，并应用于工业处理器中，具有重要意义。
发明内容
本发明的目的在于提供一种基于DSP飞灰含碳量测量的实时多任务调度方法，以解决基于DSP采用BP神经网络算法测量飞灰含碳量中由于算法复杂、参数训练数据量大所造成的DSP存储有限、测量实时性差的问题，进而实现飞灰含碳量的实时在线测量。
为实现上述目的本发明采用以下技术方案：一种基于DSP飞灰含碳量测量的实时多任务调度方法，步骤1：采用BP神经网络算法实现飞灰含碳量的在线测量；
步骤2：将BP神经网络算法移植至DSP数字信号处理器中，进行参数在线训练、飞灰含碳量在线测量；
步骤3：采用Protothread多线程模型实现实时任务与非实时任务同时进行。
作为本发明进一步的方案，所述飞灰含碳量的在线测量方法为BP神经网络算法，记c为飞灰的含碳量，N为管道内飞灰样本的浓度，则飞灰流经管道时所产生的静电信号大小与c、N成非线性关系，基于静电传感器采集一段时间管道内飞灰所携带的静电信号序列，记为其中为该c、N下第k次采集的飞灰样本所携带的静电信号值，K为该时间段内采集信号的最大次数；求得该含碳量c、浓度N下飞灰的信号能量，记为f(c,N)，则飞灰样本的信号能量f(c,N)与c、N成非线性关系，构建输入为信号能量、浓度，输出为飞灰含碳量，隐含层层数为6的三层BP神经网络以实现飞灰含碳量的在线测量，其步骤包括以下两步：
步骤A：参数在线训练：BP神经网络参数训练包括两个过程，即正向传播与反向传播过程，输入信号(信号能量、浓度)经隐含层、输出层正向传播得到网络输出，与目标输出相比产生误差信号，进行反向传播，不断调整网络参数，直至全局误差小于可接受误差或达到最大迭代次数，训练完成，保存网络参数，得到预测函数；
步骤B：飞灰含碳量在线测量：对于未知含碳量的飞灰样本，设其含碳量为cp，DSP采集模块实时采集管道内飞灰样本浓度，记为Nq，并采集一段时间内管道中飞灰样本的交流静电信号序列求信号能量对f(cp,Nq)、Nq进行归一化处理，作为预测函数的输入值，即可通过预测函数输出未知飞灰样本的含碳量测量值cp。
作为本发明进一步的方案，所述步骤3实时任务即飞灰含碳量在线测量、非实时任务即参数在线训练。
作为本发明进一步的方案，所述步骤3采用Protothread多线程模型是一种纯C语言实现，无硬件支持，耗费内存资源小，支持阻塞操作，不使用堆栈的线程模型，其多任务调度要求及模型思想如下：
多任务调度要求：实时任务飞灰含碳量在线测量的运行时间记为T1，响应时间记为T2，非实时任务参数在线训练的运行时间记为T3(T3＞＞T2)，响应时间无要求；
模型思想：将非实时任务划分为若干步，且每步运行时间不超过T4，T4时间可视T2而定，若T2为100ms，则T4设为60ms-80ms；首先初始化2个Prototheread阻塞变量pt1、pt2以及定时器T，先执行实时任务，执行完成释放执行权限，让非实时任务执行，非实时任务每执行一步前，需检查该步的运行时间是否小于T2，一旦发现T2时间内不够执行1步时，则阻塞运行并让出执行权限给实时任务，响应时间到，即T＝T1+T2时，定时器清0，执行实时任务，直至停止操作位stop＝1。
与现有技术相比，本发明具有以下优点：本发提供一种基于DSP飞灰含碳量测量的实时多任务调度方法，解决了基于DSP采用BP神经网络算法测量飞灰含碳量中由于算法复杂、参数训练数据量大所造成的DSP存储有限、测量实时性差的问题，进而实现飞灰含碳量的实时在线测量。
附图说明
图1是本发明中Prototheread线程模型实现多任务调度流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细阐述。
一种基于DSP飞灰含碳量测量的实时多任务调度方法，步骤1：采用BP(backpropagation)神经网络算法实现飞灰含碳量的在线测量；
步骤2：将BP神经网络算法移植至DSP数字信号处理器中，进行参数在线训练、飞灰含碳量在线测量；
所述飞灰含碳量的在线测量方法为BP神经网络算法，记c为飞灰的含碳量，N为管道内飞灰样本的浓度，则飞灰流经管道时所产生的静电信号大小与c、N成非线性关系，基于静电传感器采集一段时间管道内飞灰所携带的静电信号序列，记为其中为该c、N下第k次采集的飞灰样本所携带的静电信号值，K为该时间段内采集信号的最大次数；求得该含碳量c、浓度N下飞灰的信号能量，记为f(c,N)，则飞灰样本的信号能量f(c,N)与c、N成非线性关系，构建输入为信号能量、浓度，输出为飞灰含碳量，隐含层层数为6的三层BP神经网络以实现飞灰含碳量的在线测量，其步骤包括以下两步：
步骤A：参数在线训练：BP神经网络参数训练包括两个过程，即正向传播与反向传播过程，输入信号(信号能量、浓度)经隐含层、输出层正向传播得到网络输出，与目标输出相比产生误差信号，进行反向传播，不断调整网络参数，直至全局误差小于可接受误差或达到最大迭代次数，训练完成，保存网络参数，得到预测函数；
步骤B：飞灰含碳量在线测量：对于未知含碳量的飞灰样本，设其含碳量为cp，DSP采集模块实时采集管道内飞灰样本浓度，记为Nq，并采集一段时间内管道中飞灰样本的交流静电信号序列求信号能量对f(cp,Nq)、Nq进行归一化处理，作为预测函数的输入值，即可通过预测函数输出未知飞灰样本的含碳量测量值cp。
步骤3：采用Protothread多线程模型实现实时任务(即飞灰含碳量在线测量)与非实时任务(即参数在线训练)同时进行。所述步骤3采用Protothread多线程模型是一种纯C语言实现，无硬件支持，耗费内存资源小，支持阻塞操作，不使用堆栈的线程模型，其多任务调度要求及模型思想如下：
多任务调度要求：实时任务飞灰含碳量在线测量的运行时间记为T1，响应时间记为T2，非实时任务参数在线训练的运行时间记为T3(T3＞＞T2)，响应时间无要求；
模型思想：将非实时任务划分为若干步，且每步运行时间不超过T4，T4时间可视T2而定，若T2为100ms，则T4设为60ms-80ms；首先初始化2个Prototheread阻塞变量pt1、pt2以及定时器T，先执行实时任务，执行完成释放执行权限，让非实时任务执行，非实时任务每执行一步前，需检查该步的运行时间是否小于T2，一旦发现T2时间内不够执行1步时，则阻塞运行并让出执行权限给实时任务，响应时间到，即T＝T1+T2时，定时器清0，执行实时任务，直至停止操作位stop＝1。
本发明确保多任务调度的“实时性”与“并发性”，有效避免了由于BP神经网络算法复杂、训练数据量大所造成的DSP中存储容量有限、测量实时性差的问题，从而实现飞灰含碳量的实时在线测量。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (4)

1.一种基于DSP飞灰含碳量测量的实时多任务调度方法，其特征在于：
步骤1：采用BP神经网络算法实现飞灰含碳量的在线测量；
步骤2：将BP神经网络算法移植至DSP数字信号处理器中，进行参数在线训练、飞灰含碳量在线测量；
步骤3：采用Protothread多线程模型实现实时任务与非实时任务同时进行。
2.根据权利要求1所述的一种基于DSP飞灰含碳量测量的实时多任务调度方法，其特征在于，所述飞灰含碳量的在线测量方法为BP神经网络算法，记c为飞灰的含碳量，N为管道内飞灰样本的浓度，则飞灰流经管道时所产生的静电信号大小与c、N成非线性关系，基于静电传感器采集一段时间管道内飞灰所携带的静电信号序列，记为其中为该c、N下第k次采集的飞灰样本所携带的静电信号值，K为该时间段内采集信号的最大次数；求得该含碳量c、浓度N下飞灰的信号能量，记为f(c,N)，则飞灰样本的信号能量f(c,N)与c、N成非线性关系，构建输入为信号能量、浓度，输出为飞灰含碳量，隐含层层数为6的三层BP神经网络以实现飞灰含碳量的在线测量，其步骤包括以下两步：
步骤A：参数在线训练：BP神经网络参数训练包括两个过程，即正向传播与反向传播过程，输入信号(信号能量、浓度)经隐含层、输出层正向传播得到网络输出，与目标输出相比产生误差信号，进行反向传播，不断调整网络参数，直至全局误差小于可接受误差或达到最大迭代次数，训练完成，保存网络参数，得到预测函数；
步骤B：飞灰含碳量在线测量：对于未知含碳量的飞灰样本，设其含碳量为cp，DSP采集模块实时采集管道内飞灰样本浓度，记为Nq，并采集一段时间内管道中飞灰样本的交流静电信号序列求信号能量对f(cp,Nq)、Nq进行归一化处理，作为预测函数的输入值，即可通过预测函数输出未知飞灰样本的含碳量测量值cp。
3.根据权利要求1所述的一种基于DSP飞灰含碳量测量的实时多任务调度方法，其特征在于，所述步骤3实时任务即飞灰含碳量在线测量、非实时任务即参数在线训练。
4.根据权利要求1所述的一种基于DSP飞灰含碳量测量的实时多任务调度方法，其特征在于，所述步骤3采用Protothread多线程模型是一种纯C语言实现，无硬件支持，耗费内存资源小，支持阻塞操作，不使用堆栈的线程模型，其多任务调度要求及模型思想如下：
多任务调度要求：实时任务飞灰含碳量在线测量的运行时间记为T1，响应时间记为T2，非实时任务参数在线训练的运行时间记为T3(T3＞＞T2)，响应时间无要求；
模型思想：将非实时任务划分为若干步，且每步运行时间不超过T4，T4时间可视T2而定，若T2为100ms，则T4设为60ms-80ms；首先初始化2个Prototheread阻塞变量pt1、pt2以及定时器T，先执行实时任务，执行完成释放执行权限，让非实时任务执行，非实时任务每执行一步前，需检查该步的运行时间是否小于T2，一旦发现T2时间内不够执行1步时，则阻塞运行并让出执行权限给实时任务，响应时间到，即T＝T1+T2时，定时器清0，执行实时任务，直至停止操作位stop＝1。
CN201810366253.9A 2018-04-23 2018-04-23 一种基于dsp飞灰含碳量测量的实时多任务调度方法 Active CN108982308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810366253.9A CN108982308B (zh) 2018-04-23 2018-04-23 一种基于dsp飞灰含碳量测量的实时多任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810366253.9A CN108982308B (zh) 2018-04-23 2018-04-23 一种基于dsp飞灰含碳量测量的实时多任务调度方法

Publications (2)

Publication Number Publication Date
CN108982308A true CN108982308A (zh) 2018-12-11
CN108982308B CN108982308B (zh) 2020-09-29

Family

ID=64541838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810366253.9A Active CN108982308B (zh) 2018-04-23 2018-04-23 一种基于dsp飞灰含碳量测量的实时多任务调度方法

Country Status (1)

Country Link
CN (1) CN108982308B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110525592A (zh) * 2019-07-12 2019-12-03 香港中文大学（深圳） 一种能量管理方法及装置
CN112649337A (zh) * 2020-12-21 2021-04-13 张家口市杰星电子科技有限公司 一种油烟在线监控方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0545282A (ja) * 1991-08-09 1993-02-23 Kurabo Ind Ltd 自動臨床分析システム
CN101079108A (zh) * 2007-06-29 2007-11-28 浙江工业大学 基于dsp的多通道机械数显数字煤气表自动检测装置
CN103969162A (zh) * 2014-05-09 2014-08-06 山东科技大学 一种基于数据融合的矿井煤尘浓度测量的方法及装置
CN105784556A (zh) * 2016-05-07 2016-07-20 北京工业大学 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
CN107764889A (zh) * 2017-09-27 2018-03-06 西安理工大学 一种基于信号能量法的气固两相流粉尘含碳量测量方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0545282A (ja) * 1991-08-09 1993-02-23 Kurabo Ind Ltd 自動臨床分析システム
CN101079108A (zh) * 2007-06-29 2007-11-28 浙江工业大学 基于dsp的多通道机械数显数字煤气表自动检测装置
CN103969162A (zh) * 2014-05-09 2014-08-06 山东科技大学 一种基于数据融合的矿井煤尘浓度测量的方法及装置
CN105784556A (zh) * 2016-05-07 2016-07-20 北京工业大学 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
CN107764889A (zh) * 2017-09-27 2018-03-06 西安理工大学 一种基于信号能量法的气固两相流粉尘含碳量测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔锐: "基于L-M算法优化BP神经网络的飞灰含碳量测量", 《山西电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110525592A (zh) * 2019-07-12 2019-12-03 香港中文大学（深圳） 一种能量管理方法及装置
CN112649337A (zh) * 2020-12-21 2021-04-13 张家口市杰星电子科技有限公司 一种油烟在线监控方法及装置

Also Published As

Publication number Publication date
CN108982308B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Liu et al. Regression-based online anomaly detection for smart grid data
Liu et al. Online anomaly energy consumption detection using lambda architecture
CN103226741A (zh) 城市供水管网爆管预测方法
CN104715142B (zh) 一种电站锅炉NOx排放动态软测量方法
CN101799888A (zh) 基于仿生智能蚁群算法的工业软测量方法
CN108982308A (zh) 一种基于dsp飞灰含碳量测量的实时多任务调度方法
CN105824783B (zh) 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法
Jiang et al. Research of software defect prediction model based on ACO-SVM
Xu et al. Temperature and humidity compensation for MOS gas sensor based on random forests
CN117891234A (zh) 机房运行状态的检测方法、装置、存储介质以及电子设备
CN102419593B (zh) 基于数据挖掘的传感器故障诊断方法
CN101339177A (zh) 基于神经网络的烧结矿FeO预报系统
Pengfei et al. Industrial air pollution prediction using deep neural network
CN111859783B (zh) 水压预测方法、系统、存储介质、设备、城市供水系统
Ling et al. A soft sensor based on influent mode discrimination neural network for a wastewater treatment process
Hu et al. Decision‐Level Defect Prediction Based on Double Focuses
He et al. A novel traffic flow forecasting method based on the artificial neural networks and intelligent transportation systems data mining
Fukuda et al. Random forests hydrodynamic flow classification in a vertical slot fishway using a bioinspired artificial lateral line probe
CN118499134B (zh) 一种天然气发动机燃料流量检测方法及系统
Dong et al. A Novel Memory Mechanism for Postponing the Drift of Chemical Gas Sensors
Xu et al. Adaptive control of a class of nonlinear discrete-time systems using support vector machine
Liu et al. Study on roundness error evaluation with least-squares method based on nonlinear optimization
Dong et al. Research on Green Building Assessment System Based on Fuzzy Mathematics
Cheng et al. Design and Research of Water Flow Standard Facilities Based on Field Service
Qu et al. Civil aeroengine fault diagnosis based on fuzzy least square support vector machine

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
TR01 Transfer of patent right

Effective date of registration: 20220425

Address after: 710000 401-403, block a, Xionghua science and Technology Park, No. 72, Jinye 1st Road, high tech Zone, Xi'an, Shaanxi Province

Patentee after: XI'AN DIHE ELECTRONIC TECHNOLOGY CO.,LTD.

Address before: 710048 No. 5 Jinhua South Road, Shaanxi, Xi'an

Patentee before: XI'AN University OF TECHNOLOGY

TR01 Transfer of patent right