CN109388850B - 一种垂直农场营养液有效度的软测量方法 - Google Patents

一种垂直农场营养液有效度的软测量方法 Download PDF

Info

Publication number
CN109388850B
CN109388850B CN201811027269.3A CN201811027269A CN109388850B CN 109388850 B CN109388850 B CN 109388850B CN 201811027269 A CN201811027269 A CN 201811027269A CN 109388850 B CN109388850 B CN 109388850B
Authority
CN
China
Prior art keywords
layer
nutrient solution
model
data
ion concentration
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
Application number
CN201811027269.3A
Other languages
English (en)
Other versions
CN109388850A (zh
Inventor
胡文金
王晓刚
李开术
雷笪
陈永康
石胜兵
刘遥
宋乐鹏
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.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and 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 Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201811027269.3A priority Critical patent/CN109388850B/zh
Publication of CN109388850A publication Critical patent/CN109388850A/zh
Application granted granted Critical
Publication of CN109388850B publication Critical patent/CN109388850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Hydroponics (AREA)

Abstract

本发明提供一种垂直农场营养液有效度的软测量方法，包括以下步骤：获取现场设备的运行数据，作为样本数据，其中3/4作为训练数据，1/4作为测试数据；根据训练数据，建立营养液离子浓度软测量模型；将测试数据输入已建立的检测模型，验证模型效果；利用获得的离子浓度软测量模型，动态更新软测量模型的输入数据，动态获取营养液离子浓度的测量值，并计算得出垂直农场中营养液的有效度。本发明能够提供一种节省检测成本、降低检测难度、提高检测精度的软测量方法，使之可以检测垂直农场的营养液中重要组分的浓度并判定营养液有效程度，有利于工作人员对垂直农场中营养液的管理。

Description

一种垂直农场营养液有效度的软测量方法
技术领域
本发明涉及垂直农场技术领域，具体涉及一种营养液组分的软测量方法。
背景技术
随着人们生活水平的提升以及环境和保健意识的增强，越来越多的人开始追求高效、绿色、便捷且安全的生活，其中，绿色的无公害蔬菜占据着重要地位。市面上已出现多种不同的绿色、健康、无污染蔬菜的生产工艺，垂直农场就是其中的典型代表，具有良好的应用前景。垂直农场的核心就是在人工构筑的多层建筑空间内通过模拟和创造蔬菜的生长环境。而要模拟蔬菜的生长环境就需要对光照强度、二氧化碳浓度、无土营养液浓度配比等诸多工艺参数进行控制。其中，除营养液的有效成分外，都比较容易实现在线监测。营养液促进蔬菜的生长，在其过程中，不仅要检测营养液的电导率、pH值和温度等参数，更为重要的是要检测对蔬菜生长有着重要作用的营养液各离子浓度。现有垂直农场营养液有效度的测量存在两类主要的问题：①目前生产过程中，很多的参数很难或者无法直接进行在线测量，要解决这个问题，就得研究新的测量仪表和传感器，然而此种方式受到材料、工艺和成本等诸多因素的影响，难以取得有效的成果。②受到现有在线检测技术的制约，有相当一部分垂直农场在生产过程中，没有在线监测营养液的组分变化，而是采取定期更换营养液的做法，这种做法存在过度更换或者更换不及时两种现象。前者，营养液中的有效成分并未完全吸收，造成极大的浪费；后者，营养液中有效组分缺失，导致蔬菜生长缓慢，直接影响生产效率。两类主要问题制约了垂直农场的良性发展。
发明内容
鉴于上述问题，本发明的目的是提供一种垂直农场营养液有效度的软测量方法，以解决上述背景技术中指出的问题。
软测量以待测的又难以测量的变量作为主导变量，以比较容易测量或可以测量的变量作为辅助变量，通过建立辅助变量与主导变量的数学模型来间接实现主导变量的测量。
本发明提供一种垂直农场营养液有效度的软测量方法，包括：
确定软测量的主导变量和辅助变量。将影响营养液中需要检测的离子作为主导变量，影响各个离子的浓度的所有因素作为辅助变量，包括pH值、电导率和温度等。
针对现有技术的不足，本发明的目的在于解决或部分解决现有的垂直农场营养液重要组分检测成本高、难度大、精度低、检测数据判定复杂的问题。提供一种能够节省检测成本、降低检测难度、提高检测精度的软测量方法，使之可以检测垂直农场的营养液中重要组分的浓度并判定营养液有效程度。
本发明解决其技术问题所采用的技术方案是：
(1)虽然营养液组分的检测较为复杂，但其中仍有一些参数可以采用较为简单的方法检测得到。因此，根据这些参数与不同离子之间所存在的映射关系，选取其中的易测参数作为辅助变量进行检测，也就是结合营养液中组分的变化规律，遵循辅助变量与主导变量之间的定量关系，就可以间接得到难以直接测量的重要离子组分的浓度，来实现垂直农场中重要组分的检测。
(2)实际中，有很多可以影响到离子浓度测量的辅助变量，若将所有辅助变量都作为输入变量，则会使软测量模型过于复杂，为此，需要对所有辅助变量进行分析，剔除其中解释能力较弱的辅助变量，从而获得精简的软测量模型，提高模型训练和检测的效率。通过对此方法的应用，最终，选择营养液的电导率EC、pH值、循环速度V和温度T这些参数为辅助变量，即输入变量；选择
Figure GDA0003967130940000021
Figure GDA0003967130940000022
K+、Ca2+和Cl-这些离子成分为主导变量，即输出变量。
(3)实际检测过程中，营养液的组分状态时随着时间不断地改变，尤其是重要组分随着时间大幅度变化时，这要求建立的模型具有在线更新能力。就需要使用实时测量数据来实现动态更新，从而实现软测量模型的在线更新。这样通过模型的动态演化，可以提高模型精度，从而追踪系统的动态特性。
(4)借助软测量模型最终计算出的相关离子浓度等参数，选取其中对垂直农场中蔬菜的生产影响较大的参数，并赋予这些辅助变量不同的权值，最后通过计算，得到一个范围在0～100％的营养液有效度的计算值。之后，工作人员只需要设定某一作物的有效度阈值，借助这个计算值即可判定是否需要对营养液进行更换。
本发明可以获得垂直农场营养液中重要组分的浓度在线值，计算机获得检测结果后，将其显示在监控画面上，操作人员可以根据所种植作物对营养液组分浓度要求的不同，适时添加合适浓度的营养液以满足作物生长的需求。
一种所述的垂直农场营养液重要组分的软测量方法包括以下步骤：
(1)获取N组现场设备的运行数据，作为样本数据，其中3/4作为训练数据，1/4作为测试数据；
(2)根据所得训练数据，以及选取的辅助变量和主导变量，建立营养液离子浓度软测量模型；
(3)将测试数据输入已经训练好的营养液离子浓度检测模型，进行模型测量效果的验证。
(4)根据模型所得的检测数据，计算垂直农场中营养液的有效度。
进一步的，步骤(1)中的样本数据包括营养液的电导率EC、pH值、温度等辅助变量和主导变量数据，例如，如果选择选择
Figure GDA0003967130940000031
等成分为主导变量，则需要选择的辅助变量为营养液的电导率EC、pH值、循环速度和温度等等。
进一步的，步骤(2)中软测量模型的建立具体包括以下步骤：
(21)对采集得到的训练数据进行预处理，获得基本特征向量；
(22)所得基本特征向量进行特征提取和降维；
(23)将提取的有效特征输入下一阶段的模型，进行模型训练；
进一步的，步骤(22)中对基本特征向量提取和降维的过程是由n-1个图1显示的结构堆叠在一起而组成图2除去最后一层的结构，因此，要求出每一层的模型参数，就需要对第n层之前进行逐层训练，其逐层训练算法采用如下步骤：
首先，参考图1，设定算法中的未知参数。设z是输入数据，h是隐含层向量，v是可见层向量。
(221)随机初始化模型参数θ0＝(b0,c0,ω0)，并设定迭代次数step；其中，θ＝(b,c,ω)表示模型参数，ω是可见层与隐含层之间的权值矩阵，b是输入层的偏置向量，c是输出层的偏置向量。
(222)将输入数据z赋值给可见层向量v0；其中，输入数据包括有营养液不同时刻下的电导率EC、pH值、循环速度V和温度T。表示为向量模式，即z＝(EC,pH,V,T)。
(223)基于模型参数θ＝(b,c,ω)需要不断更新、提取的要求，通过式(1)、(2)和(3)分别计算h0，v1，h1的状态值；
Figure GDA0003967130940000032
进一步的，通过该式(1)，求出的是隐含层中每个节点的激活概率，接着，就可以从条件分布P1(h0|z,θ0)中抽取出h0∈{0,1}。
Figure GDA0003967130940000033
进一步的，通过该式(2)，求出的是可见层中每个节点的激活概率，接着，就可以从条件分布P2(v1|h0,θ0)中抽取出v1∈{0,1}。
Figure GDA0003967130940000034
进一步的，通过该式(3)，求出的是隐含层中每个节点的激活概率，接着，就可以从条件分布P3(h1|v1,θ0)中抽取出h1∈{0,1}。
其中，激活函数
Figure GDA0003967130940000035
(224)利用式(4)进行模型参数θ的更新，即权值ω和偏置向量b，c的更新；
Figure GDA0003967130940000041
其中，ε是学习速率，用来表示学习速度的快慢。
(225)依照以上步骤，进行训练，即不断地更新模型参数θ＝(b,c,ω)，直到达到迭代次数step。当达到迭代次数step时，在这一层中，对模型参数θ＝(ω,b,c)的更新就完成了，可以进入到下一层的训练当中，直到训练完n-1层时，对基本特征向量进行特征提取和降维的工作就完成了。
进一步的，步骤(23)中的模型训练的主要目的是为了得出该层的隐含层与输出层之间的连接权值矩阵，包括以下步骤：
首先，设置该层的未知参数，其中，β为隐含层和输出层之间的连接权值矩阵；σ(x)为隐含层的激活函数，α为输入层和隐含层之间的连接权值矩阵，d为隐含层的偏置向量。O表示软测量模型最终输出的离子浓度，T表示步骤(1)中样本序列的实际离子成分的浓度。
(231)将前n-1层的最终输出m，输入到第n层，则该层输出表示为：
Figure GDA0003967130940000042
(232)式(5)所标示的输出O为运算输出，模型训练目的就是要是运算输出与实际输出T近似相等，即，
Figure GDA0003967130940000043
近似表示为：
Hβ＝T   (6)
其中，表示H为隐含层的输出矩阵。
(233)由公式(6)求解连接权值，解得：
Figure GDA0003967130940000044
至此，隐含层和输出层之间的连接权值矩阵就可以得到，营养液离子参数软测量模型最后一层的模型训练就完成了。
进一步的，步骤(3)中营养液离子浓度软测量模型的验证过程包括以下步骤：
(31)将新的样本(xm,ym)中的xm输入所建立的模型中，得到的模型测量值
Figure GDA0003967130940000045
(32)计算实际输出与理想输出的误差
Figure GDA0003967130940000046
(33)如果误差e大于检测误差e0阈值，则继续动态更新营养液离子浓度软测量模型。
进一步的，步骤(4)中，垂直农场中营养液的有效度是按照不同离子成分在作物生长过程中所起到高低不同的贡献度来计算的。其中，单个离子的贡献度计算式为：
Figure GDA0003967130940000051
其中，
Figure GDA0003967130940000052
表示某一离子的初始测量值，
Figure GDA0003967130940000053
表示某一离子的实时测量值，x-表示某一离子，
Figure GDA0003967130940000054
表示某一离子的消耗程度，
Figure GDA0003967130940000055
表示某一离子的贡献度。
根据单个离子贡献度的数据，计算垂直农场中营养液的有效度K的计算式为：
Figure GDA0003967130940000056
本发明的有益效果是：
(1)软测量系统由实时数据驱动，能够根据实时数据不断地更新模型，具有数据容易获取，额外的硬件投入小并且具有模型预测精度高自适应强等优点。
(2)采用基于深度学习的软测量方法来检测垂直农场的营养液中重要组分的浓度，可以挖掘出实验中各数据间存在的隐藏关系，从而进一步提高检测精度。
(3)动态更新在线软测量预测模型，可以追踪系统的动态特性，提高在线软测量的精度；
附图说明
图1为模型前层的单位结构；
图2为营养液离子参数软测量模型结构图；
图3为本发明的软测量实现过程；
图4为模型数据动态更新过程。
具体实施方式
下面对本发明的实时例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
步骤1，选取垂直农场中番茄的营养液成分检测数据作为样本，只列出部分数据如下：
表1现场营养液数据
Figure GDA0003967130940000061
步骤2：根据得到的营养液数据，选取pH值、电导率和温度等作为辅助变量，将
Figure GDA0003967130940000062
K+、Ca2+、
Figure GDA0003967130940000063
作为主导变量，结合特征提取方法DBN和机器学习方法ELM建立深度学习在线软测量检测模型；
步骤3：将测试数据输入已经训练好的DBN-ELM模型，进行模型测量效果的验证。只列出对蔬菜生长影响较大的2个离子的部分对比数据如下：
表2测试数据与预测数据的对比
Figure GDA0003967130940000064
由表中数据，可以看到误差e的范围在0.03～0.07之间，可以根据设定的误差阈值e0，以决定接下来是否需要动态更新所属的深度学习在线软测量检测模型。
步骤4：按照式(8)和(9)，计算时刻m时预测数据的营养液有效度，
Figure GDA0003967130940000065
得出K＝27.21％，根据垂直农场中工作人员的设置，可确定此时是否低于所设定的阈值，以决定是否需要对营养液进行更换。

Claims (1)

1.一种垂直农场营养液有效度的软测量方法，其特征在于，包括以下步骤：
(1)获取N组现场设备的运行数据，作为样本数据，其中，3/4作为训练数据，1/4作为测试数据；
(2)根据所得训练数据，以及选取的辅助变量和主导变量，结合特征提取方法DBN和机器学习方法ELM建立营养液离子浓度检测模型；
(3)将测试数据输入已经训练好的营养液离子浓度检测模型，进行模型测量效果的验证；
(4)根据模型所得的检测数据，计算垂直农场中营养液的有效度；
所述步骤(2)中建立营养液离子浓度检测模型的具体过程为：
(21)逐层更新营养液离子浓度检测模型的前n-1层的模型参数θ；
(22)更新营养液离子浓度检测模型的第n层连接权值矩阵β；
所述步骤(21)中逐层更新前n-1层的模型参数θ的具体过程为：
(211)设定算法中的未知参数；设z是输入数据，h是隐含层向量，v是可见层向量；
(212)随机初始化模型参数θ0＝(b0,c0,ω0)，并设定迭代次数step；其中，θ＝(b,c,ω)表示模型参数，其中，ω是可见层与隐含层之间的权值矩阵，b是输入层的偏置向量，c是输出层的偏置向量；
(213)将输入数据z赋值给可见层向量v；其中，输入数据包括有营养液不同时刻下的电导率EC、pH值、循环速度V和温度T；表示为向量模式，即z＝(EC,pH,V,T)；
(214)基于模型参数θ＝(b,c,ω)需要不断更新、提取的要求，通过以下式子分别计算h0，v1，h1的状态值；
Figure FDA0004060066160000011
通过该式，求出的是隐含层中每个节点的激活概率，接着，就从条件分布P1(h0|z,θ0)中抽取出h0∈{0,1}；
Figure FDA0004060066160000012
通过该式，求出的是可见层中每个节点的激活概率，接着，就从条件分布P2(v1|h0,θ0)中抽取出v1∈{0,1}；
Figure FDA0004060066160000013
通过该式，求出的是隐含层中每个节点的激活概率，接着，就从条件分布P3(h1|v1,θ0)中抽取出h1∈{0,1}；
其中，激活函数
Figure FDA0004060066160000014
(215)在得到h0，v1，h1的状态值后，利用以下式子进行模型参数θ的更新，即权值ω和偏置向量b，c的更新；
Figure FDA0004060066160000021
其中，ε是学习速率，用来表示学习速度的快慢；
(216)依照以上步骤，进行训练，即不断地更新模型参数θ＝(b,c,ω)，直到达到迭代次数step；当达到迭代次数step时，在这一层中，对模型参数θ＝(b,c,ω)的更新就完成了，进入到下一层的训练当中，直到训练完n-1层；
所述步骤(22)中更新第n层连接权值矩阵β的具体过程为：
(221)设置该层的未知参数，其中，β为隐含层和输出层之间的连接权值矩阵；σ(x)为隐含层的激活函数，α为输入层和隐含层之间的连接权值矩阵，d为隐含层的偏置向量；O表示软测量模型最终输出的离子浓度，T表示训练数据的实际离子的浓度；
(222)将前n-1层的最终输出m，输入到第n层，则该层输出表示为：
Figure FDA0004060066160000022
(223)式(5)所标示的输出O为运算输出，模型训练目的就是要使运算输出与实际输出T近似相等，即，
Figure FDA0004060066160000023
近似表示为：
Hβ＝T (6)
其中，H表示为隐含层的输出矩阵；
(224)由公式(6)求解连接权值，解得：
Figure FDA0004060066160000024
至此，隐含层和输出层之间的连接权值矩阵就得到，营养液离子浓度软测量模型最后一层的模型训练就完成了；
所述步骤(4)计算营养液的有效度的具体过程为：
(41)垂直农场中营养液的有效度是按照不同离子成分在作物生长过程中所起到高低不同的贡献度来计算的；其中，单个离子浓度的贡献度计算式为：
Figure FDA0004060066160000031
Figure FDA0004060066160000032
其中，
Figure FDA0004060066160000033
表示某一离子的初始测量值，
Figure FDA0004060066160000034
表示某一离子浓度的实时测量值，x-表示某一离子，
Figure FDA0004060066160000035
表示某一离子的消耗程度，
Figure FDA0004060066160000036
表示某一离子浓度的贡献度；
(42)根据单个离子浓度贡献度的数据，计算垂直农场中营养液的有效度K的计算式为：
Figure FDA0004060066160000037
(43)依据计算得到的有效度K和某一作物的有效度阈值K0，当K＜K0时，则需要对营养液进行更换。
CN201811027269.3A 2018-09-04 2018-09-04 一种垂直农场营养液有效度的软测量方法 Active CN109388850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811027269.3A CN109388850B (zh) 2018-09-04 2018-09-04 一种垂直农场营养液有效度的软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811027269.3A CN109388850B (zh) 2018-09-04 2018-09-04 一种垂直农场营养液有效度的软测量方法

Publications (2)

Publication Number Publication Date
CN109388850A CN109388850A (zh) 2019-02-26
CN109388850B true CN109388850B (zh) 2023-04-07

Family

ID=65418627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811027269.3A Active CN109388850B (zh) 2018-09-04 2018-09-04 一种垂直农场营养液有效度的软测量方法

Country Status (1)

Country Link
CN (1) CN109388850B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506590A (zh) * 2017-08-26 2017-12-22 郑州大学 一种基于改进深度信念网络的心血管疾病预测模型

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506590A (zh) * 2017-08-26 2017-12-22 郑州大学 一种基于改进深度信念网络的心血管疾病预测模型

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于DBN-ELM的球磨机料位软测量方法研究》;康岩;《仪表技术与传感器》;20150430(第4期);73-92页 *
《基于SVM的营养液离子浓度检测的数据融合研究》;陈锋;《计算机仿真》;20151130(第11期);同上 *
陈锋.《基于SVM的营养液离子浓度检测的数据融合研究》.《计算机仿真》.2015,(第11期), *

Also Published As

Publication number Publication date
CN109388850A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
Liu et al. Grassland dynamics in responses to climate variation and human activities in China from 2000 to 2013
CN103218669A (zh) 一种智能的活鱼养殖水质综合预测方法
US10918014B2 (en) Fertilization precision control method for water and fertilizer integrated equipment and control system thereof
CN109115992A (zh) 一种农田土壤健康评价系统
Ting et al. Universality of an improved photosynthesis prediction model based on PSO-SVM at all growth stages of tomato
CN106952170A (zh) 一种基于随机森林的县域耕地自然质量评价方法
CN112685950A (zh) 一种海洋时序观测数据的异常检测方法、系统和设备
CN110309609A (zh) 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法
WO2023151072A1 (zh) 砂堵预测方法、装置、设备及存储介质
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN103868957B (zh) 一种评价打叶复烤工序片烟感官品质稳定性的方法
CN107578100A (zh) 一种基于过程参数的结果反馈方法及装置
CN109388850B (zh) 一种垂直农场营养液有效度的软测量方法
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
Li et al. Determining optimal CO2 concentration of greenhouse tomato based on PSO-SVM
CN108470184A (zh) 食材识别方法、识别装置及家电设备
CN113449789B (zh) 基于大数据的全光谱水质监测设备监测水质的质控方法
Barnes et al. An AI approach to determining the time of emergence of climate change
CN114154686A (zh) 一种基于集成学习的大坝变形预测方法
Yang et al. Real-time optimized prediction model for dissolved oxygen in crab aquaculture ponds using back propagation neural network
CN109284478A (zh) 一种估计对数正态型单元可靠性参数的方法
CN115716217B (zh) 主轴偏摆异常的检测方法、装置以及存储介质
Ma et al. Application of Deep Convolution Neural Network in Automatic Classification of Land Use
CN104239698B (zh) 固体火箭发动机振动畸变信号的时间序列修正方法
CN103440537A (zh) 基于样本相似性排序建模实时评估系统状态的方法

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