CN109067289B - 一种深度学习优化的无位置传感器bldc滑模观测器控制方法 - Google Patents

一种深度学习优化的无位置传感器bldc滑模观测器控制方法 Download PDF

Info

Publication number
CN109067289B
CN109067289B CN201811060234.XA CN201811060234A CN109067289B CN 109067289 B CN109067289 B CN 109067289B CN 201811060234 A CN201811060234 A CN 201811060234A CN 109067289 B CN109067289 B CN 109067289B
Authority
CN
China
Prior art keywords
bldc
network
electromotive force
sliding mode
back electromotive
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.)
Expired - Fee Related
Application number
CN201811060234.XA
Other languages
English (en)
Other versions
CN109067289A (zh
Inventor
卢有亮
赵鹏
陈勇
谢雄
张桓源
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811060234.XA priority Critical patent/CN109067289B/zh
Publication of CN109067289A publication Critical patent/CN109067289A/zh
Application granted granted Critical
Publication of CN109067289B publication Critical patent/CN109067289B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0009—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0077—Characterised by the use of a particular software algorithm
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/12—Observer control, e.g. using Luenberger observers or Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，属于滑模观测器自适应控制领域。本发明针对滑模观测器的参数最优值不易选择，通过深度学习自适应优化滑模观测器的双曲正切系数和滑模增益参数，有效地减小了传统观测器带来的抖振现象，进而能够准确地估计线反电动势，从而更好地估计转子位置信息。当电机负载和速度变化，都有很好的自适应效果，为无位置传感器BLDC稳定运行提供了一种有效途径。

Description

一种深度学习优化的无位置传感器BLDC滑模观测器控制方法
技术领域
本发明属于滑模观测器自适应控制领域，特别涉及一种深度学习优化的无位置传感器BLDC滑模观测器控制方法。
背景技术
无位置传感器控制方法一般是利用电机的反电势信号在线估计电动机转子的位置，无位置传感器控制技术取代了机械位置传感器，减小了电机的体积，降低了系统的成本和硬件设计的复杂性，减少了对维护的需求，提高了系统的可靠性，对于电机的稳定运行具有重要意义。
对于无位置传感器反电势观测估计技术主要有卡尔曼滤波算法和滑模观测器估计方法，卡尔曼滤波是一种递归的最优估计方法，该方法的主要优点为当出现系统出现测量噪声时，可以通过其自适应能力，对系统的状态进行准确估计，但是该方法计算量大，实时性不高。滑模观测器作为一种变结构控制，具有对电机参数变化及负载扰动不敏感、动静态性能好等优点，然而由于传统滑模参数选择不当容易产生抖振现象，严重时可能损坏电机。
为了减小抖振现象，滑模观测器的优化方法有以下几种：(1)变滑模增益控制：该方法的滑模增益通过电机的转速自适应变化，自适应函数关系多采用线性近似，然而实际上电机是一个复杂的模型，自适应函数关系实际上是非线性的，采用线性进似具有一定的局限性。(2)饱和函数的准滑模控制：用饱和函数代替符号函数的准滑模观测器方法，即在边界层内采用线性控制，边界层外采用滑模控制，观测器边界层随转速自适应变化，虽然该方法对削弱抖振有一定的效果，这种方法减弱了滑模控制作为不连续控制的强鲁棒性。
发明内容
为了解决上述滑模观测器的问题，本发明提供了一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，针对滑模观测器的参数最优值不易选择，通过深度学习自适应优化滑模观测器的各项参数，有效地减小了传统滑模观测器带来的抖振现象，为无位置传感器BLDC稳定运行提供了一种有效途径。
一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，包括以下步骤：
步骤1，基于电流、线反电动势观测误差，建立无位置传感器BLDC滑模观测器的差动方程，确定待优化参数的范围；
步骤2，构建深度学习网络，将BLDC线反电动势观测误差、BLDC线反电动势观测误差的微分作为网络的输入，采用深度学习训练网络，输出优化后的参数；
步骤3，将优化后的参数输入滑模观测器更新待优化参数，实时检测线反电动势，对待优化参数进行自适应在线调整。
进一步地，所述步骤1包括以下流程：
基于电流、线反电动势观测误差，建立的无位置传感器BLDC滑模观测器的差动方程为
Figure BDA0001796890280000021
其中，
Figure BDA0001796890280000022
iab、ibc分别为BLDC的ab、bc相的相电流差；
Figure BDA0001796890280000023
分别为BLDC的ab、bc相的相电流差观测值；
Figure BDA0001796890280000024
分别为BLDC的ab、bc相的相电流观测值误差；eab、ebc分别为BLDC的ab、bc相的线反电动势；
Figure BDA0001796890280000031
分别为BLDC的ab、bc相的线反电动势观测值；
Figure BDA0001796890280000032
分别为BLDC的ab、bc相的线反电动势观测值误差；等效电感Leq＝L-M，zab、zbc分别为控制补偿函数；k1、k2、k3、k4分别为各控制补偿函数的滑模增益；
构建滑模面
Figure BDA0001796890280000033
其中，
Figure BDA0001796890280000034
为微分算子，选取为tanh(αS)切换函数，α为双曲正切系数，α＞0；α的值越大，坡度越抖，适合于高速场合，α的值越小，坡度越平缓，适合于低速场合，通过自适应调整α的值，使系统调节更灵活，减小抖振现象；
zab、zbc控制补偿函数分别为
Figure BDA0001796890280000035
Figure BDA0001796890280000036
根据Lyapunov定理，为使滑模面达到稳态，滑模增益系数k1、k2、k3、k4满足
Figure BDA0001796890280000037
根据无位置传感器BLDC的转速、相电流差、线反电动势的额定值及滑模面达到稳定的条件确定待优化参数的范围分别为
Figure BDA0001796890280000038
Figure BDA0001796890280000039
进一步地，所述步骤2包括以下流程：
步骤21，构建深信度网络(DBN)；
将BLDC线反电动势观测误差
Figure BDA00017968902800000310
和
Figure BDA00017968902800000311
BLDC线反电动势观测误差的微分
Figure BDA00017968902800000312
和
Figure BDA00017968902800000313
作为DBN网络的输入，构造3个RBM网络，每一个RBM的输出层作为下一个RBM的可见输入层；
所述DBN网络网络包括3个隐含层，每个隐含层包括8个结点，输出层为5个结点；
DBN网络深度学习训练的结果为α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4作为DBN网络的输出；
步骤22，初始化DBN网络参数；
设置学习率β，权重wij＝0.1×randn(8,3)，生成均值为0，方差为0.01的正态分布的随机数；初始化偏置ai、bj设置为0；
步骤23，采用对比散度算法，依次训练3个RBM网络，通过反向传播算法调整权值；
步骤24，判断网络误差是否小于误差阈值；
步骤25，当网络误差小于误差阈值时，输出α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4；
步骤26，当网络误差不小于误差阈值时，流程回到所述步骤23。
进一步地，所述步骤3包括以下流程：
将优化后的参数α、k1、k2、k3、k4输入滑模观测器更新待优化参数α、k1、k2、k3、k4，实时检测线反电动势，对待优化参数进行自适应在线调整。
本发明的有益效果：本发明提供了一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，采用深度学习来优化滑模观测器的双曲正切系数和滑模增益，有效地减小了传统观测器带来的抖振现象，进而能够准确地估计线反电动势，从而更好地估计转子位置信息。当电机负载和速度变化，都有很好的自适应效果，为无位置传感器BLDC稳定运行提供了一种有效途径。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的另一流程图。
图3为本发明实施例的深度学习训练网络模型图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1，本发明提供的一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，通过以下步骤实现：
步骤1，基于电流、线反电动势观测误差，建立无位置传感器BLDC滑模观测器的差动方程，确定待优化参数的范围。
本实施例中，基于电流、线反电动势观测误差，建立的无位置传感器BLDC滑模观测器的差动方程为
Figure BDA0001796890280000051
其中，
Figure BDA0001796890280000052
iab、ibc分别为BLDC的ab、bc相的相电流差；
Figure BDA0001796890280000053
分别为BLDC的ab、bc相的相电流差观测值；
Figure BDA0001796890280000059
分别为BLDC的ab、bc相的相电流观测值误差；eab、ebc分别为BLDC的ab、bc相的线反电动势；
Figure BDA0001796890280000055
分别为BLDC的ab、bc相的线反电动势观测值；
Figure BDA0001796890280000056
分别为BLDC的ab、bc相的线反电动势观测值误差；等效电感Leq＝L-M，zab、zbc分别为控制补偿函数；k1、k2、k3、k4分别为各控制补偿函数的滑模增益。
构建滑模面
Figure BDA0001796890280000057
其中，
Figure BDA0001796890280000058
为微分算子，选取为tanh(αS)切换函数，α＞0。α的值越大，坡度越抖，适合于高速场合，α的值越小，坡度越平缓，适合于低速场合，通过自适应调整α的值，使系统调节更灵活，减小抖振现象。
zab、zbc控制补偿函数分别为
Figure BDA0001796890280000061
Figure BDA0001796890280000062
根据Lyapunov定理，滑模面达到稳态的证明为
Figure BDA0001796890280000063
由于Sab和tanh(αSab)同号，当滑模面达到稳定即
Figure BDA0001796890280000064
时，
Figure BDA0001796890280000065
当
Figure BDA0001796890280000066
可通过调节阶次r来改变系统的收敛性，使得
Figure BDA0001796890280000067
eab＝k1Leqzab，
Figure BDA0001796890280000068
当k2＞0时，
Figure BDA0001796890280000069
线反电动势误差
Figure BDA00017968902800000610
收敛到0。同理对于滑模面Sbc达到稳定性时，
Figure BDA00017968902800000611
k4＞0。
综上，为使滑模面达到稳态，滑模增益系数k1、k2、k3、k4满足
Figure BDA00017968902800000612
根据无位置传感器BLDC的转速、相电流差、线反电动势的额定值及滑模面达到稳定的条件确定待优化参数的范围分别为
Figure BDA00017968902800000613
Figure BDA00017968902800000614
步骤2，构建深度学习网络，将BLDC线反电动势观测误差、BLDC线反电动势观测误差的微分作为网络的输入，采用深度学习训练网络，输出优化后的参数。
请参阅图2，步骤2通过以下流程实现：
步骤21，构建深信度网络(DBN)。
本实施例中，构建的DBN网络如图3所示。将BLDC线反电动势观测误差
Figure BDA0001796890280000071
和
Figure BDA0001796890280000072
BLDC线反电动势观测误差的微分
Figure BDA0001796890280000073
和
Figure BDA0001796890280000074
作为DBN网络的输入，DBN网络包括3个RBM网络，每一个RBM的输出层作为下一个RBM的可见输入层。
该DBN网络包括3个隐含层，每个隐含层包括8个结点，输出层为5个节点。
DBN网络深度学习训练的结果为α′、k1′、k2′、k3′、k4′，其经过反归一化数据处理后得到的α、k1、k2、k3、k4作为DBN网络的输出，计算公式为
Figure BDA0001796890280000075
步骤22，初始化DBN网络参数。
设置学习率β，权重wij＝0.1×randn(8,3)，生成均值为0，方差为0.01的正态分布的随机数；初始化偏置ai、bj设置为0。
步骤23，采用对比散度算法，依次训练3个RBM网络，通过反向传播算法调整权值。
本实施例中，深度学习的具体训练过程为：
将输入的
Figure BDA0001796890280000076
作为可视层v0、v1、v2、v3，利用对比散度算法将可视层和隐含层之间的状态进行转移，可以减少状态转移次数，降低计算复杂度，节省训练时间，各隐层的激活函数选择sigmoid函数，具体为
状态转移第一次：RBM1隐含层各神经元被激活的概率：
Figure BDA0001796890280000081
重构可视层，RBM1的隐含层作为RMB2的可视层，计算生成可视层各神经元的概率：
Figure BDA0001796890280000082
状态转移第二次，RBM2重构隐含层，重构后的可视层神经元计算隐含层神经元被激活的概率：
Figure BDA0001796890280000083
按照上述方法将状态转移三次，每一个RBM的隐含层作为下一个RBM的可视层。
训练过程中，网络的权值和阈值更新公式为
Figure BDA0001796890280000084
Figure BDA0001796890280000085
Figure BDA0001796890280000086
其中，E为求取数学期望。
将3个RBM训练好后，训练输出激活函数选用
Figure BDA0001796890280000087
通过反向传播算法进行有监督地微调权重值。
步骤24，判断网络误差
Figure BDA0001796890280000088
是否小于误差阈值ε。
本实施例中，网络进行反复训练，直到网络误差小于误差阈值为止。
步骤25，当网络误差小于误差阈值时，输出α′、k1′、k2′、k3′、k4′经过反归一化数据处理后得到的α、k1、k2、k3、k4。
本实施例中，网络输出参数α′、k1′、k2′、k3′、k4′经过反归一化数据处理，得到优化参数α、k1、k2、k3、k4。
步骤26，当网络误差不小于误差阈值时，流程回到所述步骤23。
本实施例中，若网络误差较大，则对网络继续进行训练。
步骤3，将优化后的参数α、k1、k2、k3、k4输入滑模观测器更新待优化参数α、k1、k2、k3、k4，实时检测线反电动势的观测误差，当error(t)＞ε时，通过深度学习继续训练网络，对待优化参数进行自适应在线调整。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种深度学习优化的无位置传感器BLDC滑模观测器控制方法，其特征在于，包括以下步骤：
步骤1，基于电流、线反电动势观测误差，建立无位置传感器BLDC滑模观测器的差动方程，确定待优化参数的范围；包括以下流程：
基于电流、线反电动势观测误差，建立的无位置传感器BLDC滑模观测器的差动方程为
Figure FDA0002416897650000011
其中，
Figure FDA0002416897650000012
iab、ibc分别为BLDC的ab、bc相的相电流差；
Figure FDA0002416897650000013
分别为BLDC的ab、bc相的相电流差观测值；
Figure FDA0002416897650000014
分别为BLDC的ab、bc相的相电流观测值误差；eab、ebc分别为BLDC的ab、bc相的线反电动势；
Figure FDA0002416897650000015
分别为BLDC的ab、bc相的线反电动势观测值；
Figure FDA0002416897650000016
分别为BLDC的ab、bc相的线反电动势观测值误差；等效电感Leq＝L-M，zab、zbc分别为控制补偿函数；k1、k2、k3、k4分别为各控制补偿函数的滑模增益；
构建滑模面
Figure FDA0002416897650000017
其中，
Figure FDA0002416897650000018
为微分算子，选取为tanh(αS)切换函数，α为双曲正切系数，α＞0；α的值越大，坡度越抖，适合于高速场合，α的值越小，坡度越平缓，适合于低速场合，通过自适应调整α的值，使系统调节更灵活，减小抖振现象；
zab、zbc控制补偿函数分别为
Figure FDA0002416897650000019
Figure FDA0002416897650000021
根据Lyapunov定理，为使滑模面达到稳态，滑模增益系数k1、k2、k3、k4满足
Figure FDA0002416897650000022
根据无位置传感器BLDC的转速、相电流差、线反电动势的额定值及滑模面达到稳定的条件确定待优化参数的范围分别为
Figure FDA0002416897650000023
Figure FDA0002416897650000024
步骤2，构建深度学习网络，将BLDC线反电动势观测误差、BLDC线反电动势观测误差的微分作为网络的输入，采用深度学习训练网络，输出优化后的参数；包括以下流程：
步骤21，构建深信度网络(DBN)；
将BLDC线反电动势观测值误差
Figure FDA0002416897650000025
和
Figure FDA0002416897650000026
BLDC线反电动势观测值误差的微分
Figure FDA0002416897650000027
和
Figure FDA0002416897650000028
作为DBN网络的输入，构造3个RBM网络，每一个RBM的输出层作为下一个RBM的可见输入层；
所述DBN网络包括3个隐含层，每个隐含层包括8个结点，输出层为5个结点；
DBN网络深度学习训练的结果为α′、k′1、k′2、k′3、k′4经过反归一化数据处理后得到的α、k1、k2、k3、k4作为DBN网络的输出；
步骤22，初始化DBN网络参数；
设置学习率β，权重wij＝0.1×randn(8,3)，生成均值为0，方差为0.01的正态分布的随机数；初始化偏置ai、bj设置为0；
步骤23，采用对比散度算法，依次训练3个RBM网络，通过反向传播算法调整权值；
步骤24，判断网络误差是否小于误差阈值；
步骤25，当网络误差小于误差阈值时，输出α′、k′1、k′2、k′3、k′4经过反归一化数据处理后得到的α、k1、k2、k3、k4；
步骤26，当网络误差不小于误差阈值时，流程回到所述步骤23；
步骤3，将优化后的参数α、k1、k2、k3、k4输入滑模观测器更新待优化参数α、k1、k2、k3、k4，实时检测线反电动势，对待优化参数进行自适应在线调整。
CN201811060234.XA 2018-09-12 2018-09-12 一种深度学习优化的无位置传感器bldc滑模观测器控制方法 Expired - Fee Related CN109067289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811060234.XA CN109067289B (zh) 2018-09-12 2018-09-12 一种深度学习优化的无位置传感器bldc滑模观测器控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811060234.XA CN109067289B (zh) 2018-09-12 2018-09-12 一种深度学习优化的无位置传感器bldc滑模观测器控制方法

Publications (2)

Publication Number Publication Date
CN109067289A CN109067289A (zh) 2018-12-21
CN109067289B true CN109067289B (zh) 2020-05-08

Family

ID=64761589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811060234.XA Expired - Fee Related CN109067289B (zh) 2018-09-12 2018-09-12 一种深度学习优化的无位置传感器bldc滑模观测器控制方法

Country Status (1)

Country Link
CN (1) CN109067289B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8080964B2 (en) * 2004-10-29 2011-12-20 Virginia Tech Intellectual Properties, Inc. Neural network and method for estimating regions of motor operation from information characterizing the motor
CN103956953B (zh) * 2014-05-13 2016-08-31 北京理工大学 基于滑模观测器的无刷直流电机状态估计方法
CN106787978B (zh) * 2017-02-20 2019-06-14 北京理工大学 一种无位置传感器无刷直流电机的宽速滑模观测器
US10643485B2 (en) * 2017-03-30 2020-05-05 International Business Machines Corporation Gaze based classroom notes generator
WO2019006743A1 (zh) * 2017-07-07 2019-01-10 驭势科技（北京）有限公司 一种用于控制车辆行驶的方法与设备

Also Published As

Publication number Publication date
CN109067289A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN110552961B (zh) 一种基于分数阶模型的主动磁轴承控制方法
CN110729939B (zh) 一种永磁同步电机转速环自抗扰控制器参数整定方法
JP2019003546A (ja) 多層ニューラルネットワークのニューロンの出力レベル調整方法
CN110447041B (zh) 噪声神经网络层
Esparza et al. Neural networks in virtual reference tuning
CN109884887B (zh) 一种基于自校正小波神经网络的连续回转马达控制方法
CN114326405B (zh) 一种基于误差训练的神经网络反步控制方法
Zhao et al. Neuroadaptive dynamic surface control for induction motors stochastic system based on reduced-order observer
CN109067289B (zh) 一种深度学习优化的无位置传感器bldc滑模观测器控制方法
CN111130408A (zh) 一种改进的Luenberger速度观测方法和系统
CN112564557B (zh) 一种永磁同步电机的控制方法、装置、设备及存储介质
CN112965487B (zh) 基于策略迭代的移动机器人轨迹跟踪控制方法
CN113346552A (zh) 基于积分式强化学习的自适应最优agc控制方法
CN110932629B (zh) 基于单神经元网络的惯量估计方法及其自适应调整策略
CN112054973A (zh) 一种最小均方误差稀疏水声信道估计方法
CN111241749A (zh) 一种基于储备池计算的永磁同步电动机混沌预测方法
CN113008223B (zh) 基于粒子滤波与图优化的海底地形同步定位与建图方法
CN114861364A (zh) 一种吸气式发动机进气道流场智能感知和抽吸调控方法
CN115618497A (zh) 一种基于深度强化学习的翼型优化设计方法
CN111522240B (zh) 四旋翼飞行器mtmlp-arx模型、辨识方法、系统及存储介质
Fu et al. QLABGrad: A Hyperparameter-Free and Convergence-Guaranteed Scheme for Deep Learning
Khanesar et al. Recurrent interval type-2 neuro-fuzzy control of an electro hydraulic servo system
Wouwer et al. On the use of simultaneous perturbation stochastic approximation for neural network training
Chakrabarty et al. Moving horizon estimation for digital twins using deep autoencoders
US20210383221A1 (en) Systems And Methods For Machine-Learned Models With Message Passing Protocols

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200508

Termination date: 20200912

CF01 Termination of patent right due to non-payment of annual fee