CN109840594A - 公路隧道洞外光环境监测方法及系统 - Google Patents
公路隧道洞外光环境监测方法及系统 Download PDFInfo
- Publication number
- CN109840594A CN109840594A CN201910227074.1A CN201910227074A CN109840594A CN 109840594 A CN109840594 A CN 109840594A CN 201910227074 A CN201910227074 A CN 201910227074A CN 109840594 A CN109840594 A CN 109840594A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- brightness
- time cycle
- average value
- portal
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005286 illumination Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 2
- 241001643392 Cyclea Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供一种公路隧道洞外光环境监测方法，包括步骤：S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；S2：构建和训练神经网络；S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；S4：根据预测得到的下一周期的隧道洞口光亮度，调整隧道照明数量；本发明通过对公路隧道洞外光环境的长期监测，建立隧道光照模型，然后输出最佳隧道照明策略反馈隧道照明控制系统，从而实现公路隧道最优照明策略。
Description
技术领域
本发明涉及公路隧道监测领域，具体涉及一种公路隧道洞外光环境监测方法及系统。
背景技术
目前，公路隧道洞外光环境监测主要通过隧道机电监控平台通过采集洞内、洞外传感器数据，采集后的数据仅作为平台显示用，并未进行数据分析与处理，不能对公路隧道照明起到控制作用，导致公路隧道照明控制依然采用传统的逻辑开关或无级调节法分时段进行照明控制，这种控制方法存在投资成本高、电能损耗大的问题。
因此，需要提出一种的公路隧道洞外光环境监测方法及系统。
发明内容
有鉴于此，本发明的目的是提供一种公路隧道洞外光环境监测方法及系统，通过对公路隧道洞外光环境的长期监测，建立隧道光照模型，然后输出最佳隧道照明策略反馈隧道照明控制系统，从而实现公路隧道最优照明策略。
本发明提供一种公路隧道洞外光环境监测方法，包括步骤：
S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；
S2：构建和训练神经网络；
S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；
S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。
进一步，所述步骤S4中调整隧道照明数量的计算公式为：
其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。
进一步，所述步骤S1具体包括：
在隧道洞口设置若干光亮度传感器和光照度传感器；
连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N；
将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。
进一步，所述步骤S2具体包括：
S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；
S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；
S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；
S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27；
S25：判断是否达到最大迭代次数，若否，则进入步骤S26；若是，则进入步骤S27；
S26：根据当前迭代的误差，对线性神经网络的权重进行调整，返回步骤S22；
S27：结束对线性神经网络的训练，得到训练后的神经网络。
进一步，所述当前迭代的误差的计算公式为：
其中，ek为第k次迭代的误差；表示第k次迭代输出的预测数据，表示预测的第N个时间周期的隧道洞口光亮度平均值；Δxi+1为实际第i+1个时间周期相对于第i个时间周期的隧道洞口光亮度平均值的增量， 表示采集得到的第j个时间周期的隧道洞口光亮度平均值，表示采集得到的第j+1个时间周期的隧道洞口光亮度平均值。
进一步，所述步骤S26中线性神经网络的权重进行调整的公式为：
Δwj＝λekΔxj+1 (2-2)
其中，Δwj表示当前迭代第j个权重的调整增量，在下一次迭代中，神经网络第j个权重的调整为当前迭代中第j个权重与当前迭代第j个权重的调整增量之和。
进一步，10s≤一个时间周期≤30s；240≤N≤480。
相应地，本发明还提供一种公路隧道洞外光环境监测系统，包括光照度采集模块、光亮度采集模块、数据处理模块和照明策略执行模块；
所述光照度采集模块包括若干设置于隧道洞口的光照度传感器，所述光照度传感器与数据处理模块通信连接，用于将采集到的光照度数据传输给数据处理模块；
所述光亮度采集模块包括若干设置于隧道洞口的光亮度传感器，所述光亮度采集模块与数据处理模块通信连接，用于将采集到的光亮度数据传输给数据处理模块；
所述数据处理模块，用于计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值构建和训练神经网络，预测得到下一个时间周期的隧道洞口光亮度，计算调整隧道照明数量；
所述照明策略执行模块与数据处理模块连接，用于根据调整隧道照明数量调整隧道照明数量。
本发明的有益效果：本发明采集公路隧道洞外光环境数据进行采集与分析，通过建立神经网络模型自适应调整隧道照明数量，与传统照明控制相比，显著的降低了隧道照明电能损耗，减少了系统运营成本。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的结构示意图；
图2为本发明的控制示意图。
具体实施方式
如图1所示，本发明提供一种公路隧道洞外光环境监测方法，包括步骤：
S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；
S2：构建和训练神经网络；
S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；
S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。通过上述方法，采集公路隧道洞外光环境数据进行采集与分析，通过建立神经网络模型自适应调整隧道照明数量，实现自动控制隧道照明情况，与传统照明控制相比，显著的降低了隧道照明电能损耗，减少了系统运营成本。本实施例中，每个时间周期为10s。
所述步骤S4中调整隧道照明数量的计算公式为：
其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。例如，采集到运行当天第200个时间周期的的隧道洞口光亮度平均值为90cd/m2，照明数量为9个，预测得到第201个时间周期的隧道洞口光亮度平均值为100cd/m2，则第201个时间周期将照明数量调整为10个。
所述步骤S1具体包括：
在隧道洞口设置若干光亮度传感器和光照度传感器；
连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N。此处，所述每个时间周期的隧道洞口光亮度平均值由该时间周期内各个光亮度传感器采集到各光亮度数据求加权平均得到，所述每个时间周期的隧道洞外路面光照度平均值由各个光照度传感器采集到各光照度数据求加权平均得到。
将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。
所述步骤S2具体包括：
S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；
S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；
S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；
S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27；
S25：判断是否达到最大迭代次数，若否，则进入步骤S26；若是，则进入步骤S27；
S26：根据当前迭代的误差，对线性神经网络的权重进行调整，返回步骤S22；
S27：结束对线性神经网络的训练，得到训练后的神经网络。本实施例中，用步骤S1得到的训练样本迭代学习，得到最终训练完成的神经网络，采用的训练数据是当前时间周期的前N个时间周期的实际采集的数据，并自适应向后滑动，以与每日光照规律相适应。
所述当前迭代的误差的计算公式为：
其中，ek为第k次迭代的误差；表示第k次迭代输出的预测数据，表示预测的第N个时间周期的隧道洞口光亮度平均值；Δxi+1为实际第i+1个时间周期相对于第i个时间周期的隧道洞口光亮度平均值的增量， 表示采集得到的第j个时间周期的隧道洞口光亮度平均值，表示采集得到的第j+1个时间周期的隧道洞口光亮度平均值。
所述步骤S26中线性神经网络的权重进行调整的公式为：
Δwj＝λekΔxj+1 (2-2)
其中，Δwj表示当前迭代第j个权重的调整增量，在下一次迭代中，神经网络第j个权重的调整为当前迭代中第j个权重与当前迭代第j个权重的调整增量之和。
10s≤一个时间周期≤30s；240≤N≤480。本实施例中，一个时间周期为10s，N＝240。
相应地，如图2所示，本发明还提供一种公路隧道洞外环境监测系统，包括光照度采集模块、光亮度采集模块、数据处理模块和照明策略执行模块；
所述光照度采集模块包括若干设置于隧道洞口的光照度传感器，所述光照度传感器与数据处理模块通信连接，用于将采集到的光照度数据传输给数据处理模块；
所述光亮度采集模块包括若干设置于隧道洞口的光亮度传感器，所述光亮度采集模块与数据处理模块通信连接，用于将采集到的光亮度数据传输给数据处理模块；
所述数据处理模块，用于计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值构建和训练神经网络，预测得到下一个时间周期的隧道洞口光亮度，计算调整隧道照明数量；
所述照明策略执行模块与数据处理模块连接，用于根据调整隧道照明数量调整隧道照明数量。本实施例中，数据处理模块与照明执行模块无线通信连接，可以将数据处理模块设置在远程统一调度的机房或者云平台内，方便对一个片区的隧道洞口进行统一管理和监测；也可以在隧道就近端设置单独的数据处理模块，数据处理模块通过无线通信模块经2G/3G/4G网络将洞外光环境监测实时数据及照明策略实时发送云平台，实现远程监控和调度；数据处理模块可以是主机、单片机或其他类型的处理器，优选STM32系列的单片机。
本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“前”、“后”、“内”、“外”、“垂直”、“平行”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种公路隧道洞外光环境监测方法，其特征在于：包括步骤：
S1：实时采集隧道洞口光亮度和隧道洞外路面光照度，获取训练样本；
S2：构建和训练神经网络；
S3：将当前时刻采集到的隧道洞口光亮度带入神经网络，预测得到下一个时间周期的隧道洞口光亮度；
S4：根据预测得到的下一个时间周期的隧道洞口光亮度，调整隧道照明数量。
2.根据权利要求1所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S4中调整隧道照明数量的计算公式为：
其中，pi+1和pi分别为第i个和第i+1个时间周期的隧道照明数量，为实际采集到的第i个时间周期隧道洞口光亮度平均值，为预测得到的第i+1个时间周期隧道洞口光亮度平均值。
3.根据权利要求1所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S1具体包括：
在隧道洞口设置若干光亮度传感器和光照度传感器；
连续采集N个时间周期的隧道洞外路面光照度和隧道洞口光亮度；并计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值其中，表示第i个时间周期的隧道洞口光亮度平均值；第i个时间周期的隧道洞外路面光照度平均值；i＝1，2，3，……，N；
将前N-1个时间周期的隧道洞外路面光照度平均值和隧道洞口光亮度平均值作为第i次神经网络训练迭代的输入层数据，将第N个时间周期的隧道洞外路面光照度平均值作为神经网络训练迭代期望输出数据，得到训练样本。
4.根据权利要求3所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S2具体包括：
S21：构建线性神经网络；初始化线性神经网络算法的学习率为λ，初始化误差阈值e0，初始化最大迭代次数T；
S22：向线性神经网络中输入输入层数据，输出当前迭代的预测数据；
S23：根据当前迭代的预测数据和期望输出数据计算当前迭代的误差；
S24：判断当前迭代的误差是否小于误差阈值e0，若否，则进入步骤S25；若是，进入步骤S27；
S25：判断是否达到最大迭代次数，若否，则进入步骤S26；若是，则进入步骤S27；
S26：根据当前迭代的误差，对线性神经网络的权重进行调整，返回步骤S22；
S27：结束对线性神经网络的训练，得到训练后的神经网络。
5.根据权利要求4所述公路隧道洞外光环境监测方法，其特征在于：所述当前迭代的误差的计算公式为：
其中，ek为第k次迭代的误差；表示第k次迭代输出的预测数据，表示预测的第N个时间周期的隧道洞口光亮度平均值；Δxi+1为实际第i+1个时间周期相对于第i个时间周期的隧道洞口光亮度平均值的增量， 表示采集得到的第j个时间周期的隧道洞口光亮度平均值，表示采集得到的第j+1个时间周期的隧道洞口光亮度平均值。
6.根据权利要求4所述公路隧道洞外光环境监测方法，其特征在于：所述步骤S26中线性神经网络的权重进行调整的公式为：
Δwj＝λekΔxj+1 (2-2)
其中，Δwj表示当前迭代第j个权重的调整增量，在下一次迭代中，神经网络第j个权重的调整为当前迭代中第j个权重与当前迭代第j个权重的调整增量之和。
7.根据权利要求3-6中任一项所述公路隧道洞外光环境监测方法，其特征在于：10s≤一个时间周期≤30s；240≤N≤480。
8.一种公路隧道洞外光环境监测系统，其特征在于：包括光照度采集模块、光亮度采集模块、数据处理模块和照明策略执行模块；
所述光照度采集模块包括若干设置于隧道洞口的光照度传感器，所述光照度传感器与数据处理模块通信连接，用于将采集到的光照度数据传输给数据处理模块；
所述光亮度采集模块包括若干设置于隧道洞口的光亮度传感器，所述光亮度采集模块与数据处理模块通信连接，用于将采集到的光亮度数据传输给数据处理模块；
所述数据处理模块，用于计算每个时间周期的隧道洞口光亮度平均值和隧道洞外路面光照度平均值构建和训练神经网络，预测得到下一个时间周期的隧道洞口光亮度，计算调整隧道照明数量；
所述照明策略执行模块与数据处理模块连接，用于根据调整隧道照明数量调整隧道照明数量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811236532X | 2018-10-23 | ||
| CN201811236532 | 2018-10-23 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109840594A true CN109840594A (zh) | 2019-06-04 |
Family
ID=66886161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910227074.1A Pending CN109840594A (zh) | 2018-10-23 | 2019-03-25 | 公路隧道洞外光环境监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109840594A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313466A (zh) * | 2021-06-01 | 2021-08-27 | 梁波 | 一种基于表征信息的公路隧道光环境构建系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101437343A (zh) * | 2008-12-18 | 2009-05-20 | 重庆交通科研设计院 | 一种公路隧道照明模糊控制方法 |
| CN102595679A (zh) * | 2011-01-07 | 2012-07-18 | 华东交通大学 | 一种公路隧道照明节能智能控制系统 |
| CN103400111A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
| CN104470139A (zh) * | 2014-12-11 | 2015-03-25 | 大连海事大学 | 一种隧道照明闭环反馈控制方法和控制系统 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| CN107124790A (zh) * | 2017-05-11 | 2017-09-01 | 河海大学 | 一种基于神经网络的隧道照明节能模糊控制系统 |
-
2019
- 2019-03-25 CN CN201910227074.1A patent/CN109840594A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101437343A (zh) * | 2008-12-18 | 2009-05-20 | 重庆交通科研设计院 | 一种公路隧道照明模糊控制方法 |
| CN102595679A (zh) * | 2011-01-07 | 2012-07-18 | 华东交通大学 | 一种公路隧道照明节能智能控制系统 |
| CN103400111A (zh) * | 2013-07-10 | 2013-11-20 | 重庆大学 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
| CN104470139A (zh) * | 2014-12-11 | 2015-03-25 | 大连海事大学 | 一种隧道照明闭环反馈控制方法和控制系统 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| CN107124790A (zh) * | 2017-05-11 | 2017-09-01 | 河海大学 | 一种基于神经网络的隧道照明节能模糊控制系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113313466A (zh) * | 2021-06-01 | 2021-08-27 | 梁波 | 一种基于表征信息的公路隧道光环境构建系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108240679B (zh) | 一种基于建筑供暖负荷预测的供热方法、装置和系统 | |
| CN103505847B (zh) | 一种基于数据监测实现运动指导的跑步健身系统 | |
| CN103957629B (zh) | 一种基于zigbee的云控智能照明系统 | |
| CN107655159B (zh) | 一种基于人群密度感知模型的空调节能控制方法及系统 | |
| CN108419339B (zh) | 基于LoRa技术的多功能LED智能路灯系统 | |
| CN106507536A (zh) | 一种依托环境数据分时段模糊控制路灯的照明系统和方法 | |
| CN102123545B (zh) | 一种基于rfid和可拓关联函数的园区景观智能照明控制方法 | |
| CN105282947B (zh) | 一种基于监控图像的隧道照明节能智慧控制系统 | |
| CN103984300B (zh) | 一种抽油机变频节能方法 | |
| CN109699111B (zh) | 一种智能照明装置及照明控制方法 | |
| CN105910225A (zh) | 一种基于人员信息检测的空调负荷控制系统及方法 | |
| CN101052147A (zh) | 大田作物病虫害智能预警系统 | |
| CN207219101U (zh) | 一种色温实时调节照明系统 | |
| CN115802559B (zh) | 一种智慧照明控制方法、装置、计算机设备及存储介质 | |
| CN106572581A (zh) | 一种基于区域控制器的公路隧道灯具控制及能耗监控系统 | |
| CN107549106A (zh) | 一种鸡的生长信息监控和喂料的方法及系统 | |
| CN204116944U (zh) | 一种室内亮度控制系统 | |
| CN102004029A (zh) | 光源参数测试方法以及用于测试光源参数的设备 | |
| CN110332686A (zh) | 一种楼宇能耗控制节能系统及其方法 | |
| CN109840594A (zh) | 公路隧道洞外光环境监测方法及系统 | |
| CN112093025A (zh) | 一种变风量布风器风阀的控制系统及其控制方法 | |
| CN113535233B (zh) | 用于暖通云边协同的人工智能系统 | |
| CN204423100U (zh) | 一种金针菇选拔菌株生长环境控制系统 | |
| CN106155128B (zh) | 一种可调控博物馆展柜恒湿系统 | |
| CN111885772A (zh) | 一种隧道照明智能控制方法、设备、存储介质和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190604 |