CN109239485B - 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 - Google Patents
基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 Download PDFInfo
- Publication number
- CN109239485B CN109239485B CN201810945901.6A CN201810945901A CN109239485B CN 109239485 B CN109239485 B CN 109239485B CN 201810945901 A CN201810945901 A CN 201810945901A CN 109239485 B CN109239485 B CN 109239485B
- Authority
- CN
- China
- Prior art keywords
- super capacitor
- neural network
- energy storage
- fault
- voltage
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，包括以下步骤：步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。本发明方法，工程实用性更强，准确率更高，适合不同类型的超级电容及混合储能时的超级电容故障识别。
Description
技术领域
本发明涉及城市轨道交通充电技术领域，更具体的说，涉及一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统。
背景技术
随着城市建设对交通的大力需求，城市轨道交通得到快速发展，其中作为现代有轨电车主要形式的储能有轨电车发展尤其迅速，其具备美观、运量大、节能环保、运行平稳安静等优点。
储能有轨电车是一种新型的轨道交通工具，主要采用超级电容作为车辆的动力单元。车辆可将约85％以上的制动能量转化成电能储存起来再使用，车辆运行无需要架空接触网供电，利用车站停车上下客时间补充电能。无视觉污染、无输电损耗、对沿线地下管路等设施无电腐蚀，是一种绿色、智能和环保型的轨道交通工具。
与传统电动汽车充电一样，在充电过程中需要对车载超级电容故障进行判断识别，当超级电容发生故障时，需要降低充电电流或者停止充电，以保护超级电容的安全性。与传统电动汽车充电不同的是，储能有轨电车进站时，充电装置通过充电轨对车辆超级电容进行充电，充电装置与车辆之间没有常规的CMS通信，无法直接读取到车辆超级电容故障状态。目前的解决方法是，充电装置首先进行一段时间的预测试电流充电，然后根据负载电压的变化率及充电电流，计算出超级电容的当前容值，将此计算出的容值再跟理论容值相比较，根据一定的判断算法，判断出当前超级电容的故障状态。
上述现有的故障识别方法存在明显的缺陷：一方面由于超级电容特性的多样性，超级电容包括常规的功率型超级电容，还包括最新的能量型超级电容，不同超级电容随着外界环温及化学衰竭的变化特性会有所区别；另一方面，越来越多的车辆采用超级电容加电池的混合储能方案，负载特性变得越来越复杂。当前的故障识别方法准确度不再能满足系统工作要求。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法及系统，通过该方法可以更准确的对超级电容故障进行识别，解决目前常规的故障识别方法准确度不能满足系统要求的问题。
为解决上述技术问题，本发明提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：
步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。
优选的，步骤S1中，设定时刻包括0.5s、1.5s和2.5s时刻。
优选的，步骤S1中，设定时段为0.5s到2.5s的时段。
优选的，步骤S2中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。
优选的，输出层的输出为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。
优选的，BP神经网络模型的训练在远程总控平台运行。
相应的，本发明还提供了一种基于BP神经网络的储能有轨电车超级电容故障识别系统，包括部署于每个站台内的充电装置，每个充电装置可对进站的储能有轨电车上超级电容进行充电，充电装置包括：
采集模块，用于当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流；
计算模块，用于计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
故障识别模块，用于将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。
优选的，计算模块中，设定时刻包括0.5s、1.5s和2.5s时刻，设定时段为0.5s到2.5s的时段。
优选的，故障识别模块中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。
优选的，BP神经网络模型的训练在远程总控平台运行。
与现有技术相比，本发明所达到的有益效果是：本发明提供了一种基于BP神经网络的储能有轨电车超级电容故障识别方法，取代传统基于固定算法模型识别方法，工程实用性更强，准确率更高，适合不同类型的超级电容及混合储能时的超级电容故障识别。
附图说明
图1是现有储能有轨电车充电系统示意图；
图2是现有混合储能方案的储能有轨电车充电系统示意图；
图3是超级电容充电过程示意图；
图4是本发明方法的流程示意图；
图5是BP神经网络故障识别模型图。
附图标记：1、电网电源；2、充电装置；3、充电轨；4、地轨；5、储能有轨电车；6、车载超级电容；7、DC/DC车载充电器；8、车载电池。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
现有技术中储能有轨电车充电系统，参考如图1所示，包括设置在站台的电网电源、充电装置、充电轨和地轨，以及设置在储能有轨电车上的车载超级电容，充电装置从电网电源取电分别输出至充电轨和地轨，并且此充电轨与地轨之间是断开状态，当储能有轨电车驶进站台时，车载超级电容两端分别连接充电轨和地轨，使充电装置、充电轨、车载超级电容和地轨形成通路。此时充电装置对车载超级电容进行充电，其中电流流向为充电轨进，地轨出。
对于储能有轨电车采用超级电容加电池混合储能方案，如图2所示，储能有轨电车上还设有DC/DC车载充电器和车载电池，此时充电装置2充电能量不光流向车载超级电容6，同时还通过DC/DC车载充电器7流向车载电池8，对车载电池进行充电。图中箭头方向为电流方向。
站台内的充电装置与储能有轨电车，在整个充电过程中能够采样到的只有充电电压和电流，没有其它任何通信手段读取到超级电容的故障状态。
如图3所示，现有储能有轨电车超级电容充电过程如下：1)Step-1：0A上升至1700A充电，上升时间1s；2)Step-2：1700A恒流充电，充电时间5s(也是在此阶段进行超级电容故障识别)；3)Step-3：I1恒流充电(若超级电容故障，根据故障类型采取降电流充电或停止充电)，时间15s；4)Step-4：I2恒流充电至最高电压820V；5)Step-4：820V恒压充电，恒压时间≤60s。
如图4所示，本发明的一种基于BP神经网络的储能有轨电车超级电容故障识别方法，具体包括以下实现过程：
步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
当储能有轨电车进站充电时，充电装置采集本次充电过程中Step-2阶段的电压及电流数据，对电压和电流数据进行离散化，获取各个时刻点的电压和电流数据。选取0.5s、1.5s及2.5s时刻采样电压，计算0.5s到2.5s时段内的电压差，和0.5s到2.5s时段内的充电电荷(也是电荷差，根据采集到的电压和电流计算)。
步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。
本发明实施例中选取BP神经网络来对故障类型进行识别，利用综控平台强大的数据处理及运算能力，对部署在综控平台的超级电容故障识别BP神经网络模型进行训练和学习。综控平台可连接n个站台。
BP神经网络模型结构分为3层：如图5所示，第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，为故障识别结果。本实施例中超级电容包括两箱电容，因此定义输出u为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。
训练的目的在于，通过对构建的神经网络进行训练以调整网络中各权值系数，最终使得神经网络的输入和目标输出之间建立映射关系。
综控平台的训练样本包括同一辆车在不同车站、不同时间及不同环境条件下的充电数据，也包括同一站台对不同车辆的充电数据，此充电数据即是输入层需要的5个神经元数据，从站台内的充电装置获取。故障类型从储能有轨电车上的车载超级电容管理系统处获取，现有的车载超级电容管理系统可以判断车载超级电容故障类型，故障类型数据可在线传送或线下传送至综控平台。
隐含层和输出层选用S型激活函数，其中隐含层的激活函数选用tansig，表达式如下f1(x)所示，输出层激活函数选用logsig，表达式如下f2(x)所示，训练误差目标设为1e-5。
隐含层的输入信号为：
上式中，xi为输入层第i(i＝1,2,3,4,5)个神经元的输入数据，yj in是隐含层第j(j＝1,2,3)个神经元从输入层接收到的输入信号；wij为输入层第i个神经元到隐含层第j个神经元的权重。
yj in通过激活函数f1(x)，便可得到隐含层第j个神经元的输出信号yj out为：
输出层神经元的输出信号u为：
其中，wj为隐含层第j个神经元到输出层神经元的权重，f1和f2分别表示隐含层和输出层的传递函数。
输出u为[1×4]矩阵，其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。
训练参数下发及故障识别：经过训练后的权值数据，由综控平台定期下发到各站台内充电装置，由单体充电装置控制单元对超级电容故障类型进行识别。
综上所述，本发明提出了一种实用化的基于BP神经网络的储能有轨电车超级电容故障识别方法，阐述了整个系统构架，包括：充电装置、有轨电车及综控平台，详细描述了BP神经网络故障识别模型的离线训练和学习，训练数据参数下发，以及充电装置的在线识别。
本发明的一种基于BP神经网络的储能有轨电车超级电容故障识别方法，相比传统的故障识别方法，具有以下优点：
(1)识别方法对超级电容特性适应性强，包括常规的功率型超级电容以及新型的能量型超级电容。
(2)识别方法受外界环境及化学衰减等因数影响小。
(3)识别方法适合不同的车载储能方案，特别是新型的超级电容加电池的混合储能方案。
相应的，本发明还提供了一种基于BP神经网络的储能有轨电车超级电容故障识别系统，包括部署于每个站台内的充电装置，每个充电装置可对进站的储能有轨电车上超级电容进行充电，充电装置包括：
采集模块，用于当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流；
计算模块，用于计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
故障识别模块，用于将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型。
优选的，计算模块中，设定时刻包括0.5s、1.5s和2.5s时刻，设定时段为0.5s到2.5s的时段。
优选的，故障识别模块，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。
优选的，BP神经网络模型的训练在远程总控平台运行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (4)
1.基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，包括以下步骤：
步骤S1，当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流，计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
步骤S2，将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型；
步骤S1中，设定时刻包括0.5s、1.5s和2.5s时刻；
步骤S1中，设定时段为0.5s到2.5s的时段；
步骤S2中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型；
输出层的输出为[1×4]矩阵，并定义其中：[1,0,0,0]为电容正常，[0,1,0,0]为一箱电容故障，[0,0,1,0]为两箱电容故障，[0,0,0,1]为其它电容故障。
2.根据权利要求1所述的基于BP神经网络的储能有轨电车超级电容故障识别方法，其特征是，BP神经网络模型的训练在远程总控平台运行。
3.一种基于BP神经网络的储能有轨电车超级电容故障识别系统，包括部署于每个站台内的充电装置，每个充电装置可对进站的储能有轨电车上超级电容进行充电，充电装置包括：
采集模块，用于当储能有轨电车进站对超级电容充电时，采集超级电容在第二恒流充电阶段时间内的电压和电流；
计算模块，用于计算获取超级电容在设定时刻的电压、设定时段内电压差和充电电荷；
故障识别模块，用于将获取的电压、电压差和充电电荷作为输入层的神经元，输入预设的BP神经网络模型，计算获得超级电容的故障类型；
计算模块中，设定时刻包括0.5s、1.5s和2.5s时刻，设定时段为0.5s到2.5s的时段；
故障识别模块中，BP神经网络模型结构分为3层：第1层为输入层，包括5个神经元，分别是0.5s、1.5s及2.5s时刻采样电压、0.5s到2.5s时段内的电压差和0.5s到2.5s时段内的充电电荷；第2层为隐含层，神经元为3个；第3层为输出层，神经元为1个，为故障类型。
4.根据权利要求3所述的基于BP神经网络的储能有轨电车超级电容故障识别系统，其特征是，BP神经网络模型的训练在远程总控平台运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810945901.6A CN109239485B (zh) | 2018-08-20 | 2018-08-20 | 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810945901.6A CN109239485B (zh) | 2018-08-20 | 2018-08-20 | 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109239485A CN109239485A (zh) | 2019-01-18 |
| CN109239485B true CN109239485B (zh) | 2020-10-30 |
Family
ID=65070038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810945901.6A Active CN109239485B (zh) | 2018-08-20 | 2018-08-20 | 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109239485B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109703418B (zh) * | 2019-02-13 | 2024-05-28 | 盾石磁能科技有限责任公司 | 用储能装置解决钢轨电位问题的系统和方法 |
| CN110646706B (zh) * | 2019-09-12 | 2022-06-07 | 国电南瑞科技股份有限公司 | 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及系统 |
| CN112858792B (zh) * | 2021-01-15 | 2024-07-09 | 胜达克半导体科技(上海)股份有限公司 | 一种基于测试载具板的蓄能电容失效检测方法 |
| CN113022364B (zh) * | 2021-05-06 | 2022-07-08 | 中车青岛四方车辆研究所有限公司 | 一种有轨电车充电控制方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102437596B (zh) * | 2011-09-19 | 2014-12-03 | 深圳市今朝时代新能源技术有限公司 | 一种超级电容器的充电控制方法 |
| CN104300685B (zh) * | 2013-07-15 | 2016-08-03 | 同济大学 | 一种大规模超级电容储能模块监控系统 |
| CN106004449B (zh) * | 2016-05-18 | 2018-04-17 | 江苏大学 | 一种基于超级电容soc识别故障的蓄电池保护控制方法 |
| CN106093615A (zh) * | 2016-05-26 | 2016-11-09 | 东莞理工学院 | 超级电容储能模块的健康状态估计方法 |
| CN107171594A (zh) * | 2017-06-21 | 2017-09-15 | 南京航空航天大学 | 基于柔性颤振效应的低速气流能量采集装置及方法 |
| CN207282326U (zh) * | 2017-09-16 | 2018-04-27 | 辽宁百纳电气有限公司 | 一种超级电容器模组 |
| CN207442456U (zh) * | 2017-11-07 | 2018-06-01 | 中冶南方城市建设工程技术有限公司 | 一种超级电容式有轨电车地面储能充电装置 |
-
2018
- 2018-08-20 CN CN201810945901.6A patent/CN109239485B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109239485A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109239485B (zh) | 基于bp神经网络的储能有轨电车超级电容故障识别方法及系统 | |
| CN105196888B (zh) | 一种电动汽车充电机的充电管理系统及方法 | |
| CN110957774B (zh) | 一种超级电容状态在线监测方法及装置和充电系统 | |
| CH717533B1 (de) | Intelligentes Steuerungssystem und -Verfahren mit einer globalen Echtzeit-Optimierung für einen Brennstoffzellenbus. | |
| CN107662500A (zh) | 纯电动汽车上电控制方法及纯电动汽车 | |
| CN113054751B (zh) | 基于信息交互的城轨交通车地储能系统协调优化方法 | |
| CN102412606B (zh) | 一种充电控制器及其控制方法 | |
| CN102879680A (zh) | 轨道交通车辆装备通用检测及故障诊断方法及系统 | |
| CN108284752B (zh) | 一种增程式燃料电池电动汽车动力装置及其控制方法 | |
| CN106737563B (zh) | 一种轻型轨道机器人四驱运动控制系统及其方法 | |
| CN105207303A (zh) | 一种电动汽车充电机充电系统及方法 | |
| CN201712599U (zh) | 一种电动汽车控制系统 | |
| CN109435707B (zh) | 有轨车辆的供电电路及有轨车辆 | |
| Zhang et al. | An AI based high-speed railway automatic train operation system analysis and design | |
| CN204349507U (zh) | 绿色柔性立体智能组合式充换电成套装置 | |
| Naik et al. | Smart public transportation network expansion and its interaction with the grid | |
| CN107359676A (zh) | 一种蓄电池在线充放电控制及容量核对系统和方法 | |
| Wang et al. | Power allocation strategy for urban rail HESS based on deep reinforcement learning sequential decision optimization | |
| CN102442223B (zh) | 一种基于二次优化的分布式驱动电动汽车失效控制系统 | |
| Qi | Fuzzy control strategy of pure electric vehicle based on driving intention recognition | |
| CN111660832B (zh) | 一种有轨电车冗余超级电容控制方法及控制系统 | |
| CN102419555B (zh) | 一种基于petri网的电动汽车状态模拟方法 | |
| CN109541481A (zh) | 一种新能源车用电池包的电压估算、管理方法及系统 | |
| CN110646706B (zh) | 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及系统 | |
| Jiang et al. | Online optimal energy distribution of composite power vehicles based on BP neural network velocity prediction |
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 |