CN109360120B - 一种基于卷积神经网络的电潜泵井工况智能诊断方法 - Google Patents
一种基于卷积神经网络的电潜泵井工况智能诊断方法 Download PDFInfo
- Publication number
- CN109360120B CN109360120B CN201811226477.6A CN201811226477A CN109360120B CN 109360120 B CN109360120 B CN 109360120B CN 201811226477 A CN201811226477 A CN 201811226477A CN 109360120 B CN109360120 B CN 109360120B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- diagnosis
- working condition
- submersible pump
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002787 reinforcement Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 239000003129 oil well Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000012916 structural analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及一种基于卷积神经网络的电潜泵井工况智能诊断方法，具有如下步骤：a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统；b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用搭建好的卷积神经网络诊断工况；c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。本发明基于当前图像智能识别领域，构建一种基于卷积神经网络的电潜泵井工况智能诊断方法，以解决传统电流卡片分析法受主观因素影响，容易造成误判，提取故障特征损失大量有效的信息，增加判断误差的问题，以此避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响。
Description
技术领域
本发明涉及石油与天然气设备故障诊断技术领域，尤其是一种基于卷积神经网络的电潜泵井工况智能诊断方法。
背景技术
在石油开采的过程中，电潜泵采油法是目前应用比较广泛的一种采油方式。电潜泵故障诊断方法包括：电泵井憋压法诊断、电泵井生产宏观控制图、基于振动信号分析的诊断方法、基于故障树分析法等。上述方法缺点：1)经验人员对从主观判断电潜泵井故障，进而得到诊断结果，诊断结果受经验影响，准确率难以保证；2)通过提取故障特征判断潜泵井故障，进而得到诊断结果，提取特征过程损失了有效信息，诊断误差过大。
发明内容
本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于卷积神经网络的电潜泵井工况智能诊断方法，以解决传统电流卡片分析法受主观因素影响，容易造成误判，提取故障特征损失大量有效的信息，增加判断误差的问题，以此避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响。
本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的电潜泵井工况智能诊断方法，具有如下步骤：
a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，可诊断工况包括：气体影响、泵抽空、过载、含杂质、供液不足、泵轴断以及电机故障；
b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用搭建好的卷积神经网络诊断工况；
c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。
具体说，步骤a中，所述的智能诊断系统的建立过程包括：1)、对采集的电流卡片按照诊断工况所述故障进行分析诊断归类，构建基于所述故障工况下的电流卡片集，并对电流卡片集合进行标准化处理，其中标准化处理包括但不限于对图片的尺寸和图片中电流曲线的颜色、尺寸统一标准；2)、利用电流卡片对电潜泵井工况诊断问题的特点，基于卷积神经网络相关原理搭建相应的网络构架；3)、利用电流卡片样本集合训练卷积神经网络构架；4)、测试神经网络故障诊断准确度，达到实际应用要求；
步骤b中，所述卷积神经网络诊断工况的建立过程包括：1)、从油田生产现场采集电潜泵井电流卡片并制作样本集；2)、根据基于卷积神经网络搭建的架构分析得到图像属于各个故障的概率；3)、对油井实时采集的电流卡片进行分析诊断，将诊断结果推送给工作人员，找出发生故障的油井。
步骤c中，所述卷积神经网络的强化学习与更新包括：1)、工作人员根据实际的故障类型对比卷积神经网络诊断结果论证诊断结论的正确性；2)、修正错误的诊断结果；3)、将进行修正过的诊断结果同类故障卡片和对应故障电流卡片共同构建成新的电流卡片样本集合；4)、将更新后的电流卡片样本集合再次训练卷积神经网络；5)、通过强化学习过程之后，更新卷积神经网络智能诊断方法。
本发明的有益效果是：本发明通过对电流卡片直接进行识别诊断，避免了特征提取过程中丢失的大量有用信息，卷积神经网络可以智能高效地识别输入的电流卡片图像，增加了电潜泵工况故障识别的准确率，减少了误差；同时基于强化学习的过程，可以有效提高卷积神经网络智能诊断方法的稳定性，在反复的工况诊断和不断的强化学习中，提高工况识别的准确率，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明所述工况智能诊断系统的流程图。
图2是本发明中所述卷积神经网络的结构图。
图3电流卡片受气体影响半小时后的故障样图。
图2中：S1.输入层 S2.卷积层 S3.池化层 S4.全连接层 S5.全连接层 S6.输出层
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1、图2所示，一种基于卷积神经网络的电潜泵井工况智能诊断方法，包括以下步骤：
步骤a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，其中智能诊断工况主要包括：气体影响、气锁、泵抽空、过载、含杂质、供液不足、泵轴断、电机故障等。
其中，工况智能诊断系统的建立过程包括：
1)、从电潜泵井生产现场获取电流卡片图集；
2)、对电流卡片图集进行预处理，其中预处理包括但不限于去除无效图集、对图片的尺寸和图片中电流曲线的颜色、尺寸等统一标准；
3)、将预处理后的图像输入卷积神经网络中，依次经过卷积计算、池化计算、全连接层设计、隐含层设计，通过激活函数得到图像属于各个故障的概率；
4)、根据图像属于各个类别故障的概率，得出图像分类结果，最后输出图像分类结果。
神经网络程序搭建过程包括以下步骤：
1)、搭建前馈神经网络，包括：卷积核大小、卷积核个数，全连接层神经元数量，设置权重、偏置的计算方式，池化层计算方式，激活函数设计，全连接层设计；
2)、搭建反馈神经网络，包括：定义学习率、学习衰减率、迭代次数、滑动平均衰减率；
3)、测试神经网络，输入测试数据集，打印故障识别准确率，提示更正错误诊断结果，加强学习，更新神经网络诊断方法；
步骤b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用电潜泵井工况智能诊断方法诊断工况。
所述卷积神经网络诊断工况的建立过程包括：
1)、从油田生产现场采集电潜泵井电流卡片并制作样本集；
2)、根据基于卷积神经网络搭建的架构分析得到图像属于各个故障的概率；
3)、对油井实时采集的电流卡片进行分析诊断，将诊断结果推送给工作人员，找出发生故障的油井。
步骤c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。
上述卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络方法，其过程包括：
1)、工作人员根据实际的故障类型对比卷积神经网络诊断结果论证诊断结论的正确性；
2)、修正错误的诊断结果；
3)将进行修正过的诊断结果同类故障卡片和对应故障电流卡片共同构建成新的电流卡片样本集合；
4)、将更新后的电流卡片样本集合再次训练卷积神经网络方法；
5)、通过强化学习过程之后，更新卷积神经网络智能诊断方法。
举例说明实施步骤：
1)、从生产现场采集到电潜泵井原始电流卡片300张；
2)、将采集到的有效电流卡片按已知故障类型进行分类和电流卡片图集标准化处理使得图集的尺寸和电流曲线格式统一；
3)、将已分类的数据集每类取2/3做训练数据集既200张做训练数据集，1/3做测试数据集既100张做测试数据集；
4)、设计前馈神经网络，获取图片尺寸为32×32，其中32、32分别是图像的宽和高，随后将32×32的图像输入到卷积神经网络中的第一个卷积层,所使用的卷积核大小为5×5，步长为1，得到输出结果为f(1)＝((32-5+1)×(32-5+1)＝28×28的图像，然后再将输入到池化层，滑动窗口大小为2×2，步长为2，采用最大值的池化方式，得到输出结果池化后的f(2)＝(28/2)×(28/2)＝14×14的图像，再次对图像进行第二层卷积处理，卷积核大小为5×5，步长为1，得到输出结果为f(3)＝((14-5+1)×(14-5+1)＝10×10，然后再将输入到池化层，滑动窗口大小为2×2，步长为2，采用最大值的池化方式，得到输出结果池化后的f(4)＝((32-12)/4)×((32-12)/4)＝5×5的图像,将f(4)输入到卷积神经网络中的全连接层，全连接层有512个神经元，隐含层有7个神经元，经过计算得到输出结果f(5)，最后将f(5)输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率f(i)，其中i＝1,2,…。4)设计反馈神经网络，设定一次输入神经网络10张图片，初始学习率设定为0.005，学习率衰减率设定为0.99，训练轮数5000轮，滑动平均衰减率为0.99，引入前向传播过程，定义损失函数为正则化的交叉熵与softmax共同作用，定义指数衰减学习率，以梯度下降算法对网络进行训练，打印损失下降的过程；
5)、设计测试程序，将测试数据集输入神经网络，测试训练准确度，打印模型识别准确率，当准确率达到要求数值时即可停止训练；
6)、图3为现场到的一张采集电流卡片，输入电流卡片到上述神经网络，得到预测诊断结果为气体影响，与真实故障结果一致。
7)、若有错误诊断结果，修正后重新输入到神经网络强化学习，更新卷积神经网络诊断系统；
比较以往的电潜泵井故障分析方法，本发明的优点在于：
1.对电流卡片直接进行识别诊断，避免了特征提取过程中丢失的大量有用信息，卷积神经网络可以智能高效地识别输入的电流卡片图像，增加了电潜泵工况故障识别的准确率，减少了误差；
2.基于强化学习的过程，可以有效提高卷积神经网络智能诊断方法的稳定性，在反复的工况诊断和不断的强化学习中，提高工况识别的准确率，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (1)
1.一种基于卷积神经网络的电潜泵井工况智能诊断方法，其特征是：具有如下步骤：
a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，可诊断工况包括：气体影响、泵抽空、过载、含杂质、供液不足、泵轴断以及电机故障，所述的智能诊断系统的建立过程包括：
1)、从电潜泵井生产现场获取电流卡片图集，对采集的电流卡片按照诊断工况所述故障进行分析诊断归类，构建基于所述故障工况下的电流卡片集；
2)、对电流卡片集合进行标准化处理，其中标准化处理包括但不限于对图片的尺寸和图片中电流曲线的颜色、尺寸统一标准；
3)、利用电流卡片对电潜泵井工况诊断问题的特点，将标准化处理后的图像输入卷积神经网络中，依次经过卷积计算、池化计算、全连接层设计、隐含层设计，通过激活函数得到图像属于各个故障的概率；
4)、利用电流卡片样本集合训练卷积神经网络构架，根据图像属于各个类别故障的概率，得出图像分类结果，最后输出图像分类结果；
5)、测试神经网络故障诊断准确度，达到实际应用要求；
b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用搭建好的卷积神经网络诊断工况，所述卷积神经网络诊断工况的建立过程包括：
1)、从油田生产现场采集电潜泵井电流卡片并制作样本集；
2)、根据基于卷积神经网络搭建的架构分析得到图像属于各个故障的概率；
3)、对油井实时采集的电流卡片进行分析诊断，将诊断结果推送给工作人员，找出发生故障的油井；
c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法，所述卷积神经网络的强化学习与更新包括：
1)、工作人员根据实际的故障类型对比卷积神经网络诊断结果论证诊断结论的正确性；
2)、修正错误的诊断结果；
3)、将进行修正过的诊断结果同类故障卡片和对应故障电流卡片共同构建成新的电流卡片样本集合；
4)、将更新后的电流卡片样本集合再次训练卷积神经网络；
5)、通过强化学习过程之后，更新卷积神经网络智能诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226477.6A CN109360120B (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226477.6A CN109360120B (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109360120A CN109360120A (zh) | 2019-02-19 |
| CN109360120B true CN109360120B (zh) | 2022-03-22 |
Family
ID=65346042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811226477.6A Active CN109360120B (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109360120B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110284875A (zh) * | 2019-06-13 | 2019-09-27 | 中国石油化工股份有限公司 | 一种基于电流参数的电潜泵井工况诊断方法和装置 |
| CN110596586B (zh) * | 2019-08-14 | 2021-12-10 | 河海大学常州校区 | 一种基于Alexnet算法的电机电流波形分析方法 |
| CN110598326A (zh) * | 2019-09-16 | 2019-12-20 | 西南石油大学 | 一种基于人工智能的试井解释方法 |
| CN112576492A (zh) * | 2020-12-09 | 2021-03-30 | 中国石油天然气集团有限公司 | 一种电潜泵生产井故障智能诊断方法 |
| CN114718861A (zh) * | 2021-01-04 | 2022-07-08 | 中国石油化工股份有限公司 | 基于深度学习的螺杆泵井工况智能诊断方法 |
| CN113569495B (zh) * | 2021-09-26 | 2021-11-26 | 中国石油大学(华东) | 一种电潜泵井故障危害性预测方法 |
| CN116256589B (zh) * | 2023-05-15 | 2023-08-04 | 南京研控科技有限公司 | 电泵井的智能诊断方法、装置、存储介质及服务器 |
| CN117539155A (zh) * | 2024-01-09 | 2024-02-09 | 深圳市威诺达工业技术有限公司 | 一种电潜泵的优化控制方法 |
| CN118364415B (zh) * | 2024-06-20 | 2024-09-24 | 山东海纳智能装备科技股份有限公司 | 用于矿用永磁同步电机的故障诊断方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
-
2018
- 2018-10-22 CN CN201811226477.6A patent/CN109360120B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 电潜泵抽油井工况诊断分析方法综述;王辉等;《石油工程技术》;20130331;第62-64页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109360120A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109360120B (zh) | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 | |
| CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN111639430A (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
| CN110514924A (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
| CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
| CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
| CN111666982A (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
| DE112021006211T5 (de) | System und Verfahren zur Voraussage von Ausfällen | |
| CN111899225A (zh) | 基于多尺度金字塔结构的核电管道缺陷检测方法 | |
| CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
| WO2023197617A1 (zh) | 基于多维传感数据的工业系统生产异常检测与诊断方法 | |
| CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
| CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
| CN109444604A (zh) | 一种基于卷积神经网络的dc/dc变换器故障诊断方法 | |
| CN116186946A (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
| WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 | |
| CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN117493797A (zh) | 一种物联网设备的故障预测方法及装置、电子设备、存储介质 | |
| CN117633690A (zh) | 一种基于数据驱动的旋转机械健康状态监测方法及设备 |
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 |