CN110107231A - 一种自适应神经网络自动猫道及其控制方法 - Google Patents
一种自适应神经网络自动猫道及其控制方法 Download PDFInfo
- Publication number
- CN110107231A CN110107231A CN201910488544.XA CN201910488544A CN110107231A CN 110107231 A CN110107231 A CN 110107231A CN 201910488544 A CN201910488544 A CN 201910488544A CN 110107231 A CN110107231 A CN 110107231A
- Authority
- CN
- China
- Prior art keywords
- displacement sensor
- neural network
- cat road
- angular displacement
- control device
- 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.)
- Granted
Links
- 241000282326 Felis catus Species 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000005553 drilling Methods 0.000 claims abstract description 16
- 238000013519 translation Methods 0.000 claims abstract description 16
- 230000005484 gravity Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005381 potential energy Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005428 wave function Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B19/00—Handling rods, casings, tubes or the like outside the borehole, e.g. in the derrick; Apparatus for feeding the rods or cables
- E21B19/14—Racks, ramps, troughs or bins, for holding the lengths of rod singly or connected; Handling between storage place and borehole
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Mechanical Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于自适应神经网络自动猫道及其控制方法，自动猫道包括检测车架平移系统位置的第一位移传感器、检测提升滑车位置的第二位移传感器、检测车架平移系统与撑杆组件角度的第一角位移传感器、检测举升系统与撑杆组件之间角度的第二角位移传感器、检测举升系统与坡道之间角度的第三角位移传感器、在举升系统底部有检测钻具质量的重力传感器以及对驱动装置进行控制的驱动控制器；六个传感器负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。动力猫道定位快、时间精准、反应及时；其控制方法抗干扰性和自学能力强，能快速准确的估计并补偿模型的不定性项。
Description
技术领域
本发明涉及一种基于智能误差补偿的动力猫道及其控制方法，其误差补偿算法主要是利用小波基神经网络控制算法。
背景技术
在现代利用自动猫道进行大规模钻采任务的时候，由于钻具输送机构在运移钻具过程中存在非线性强迫振动且难以控制以及冲击震动较强等问题；这就会导致机构发生弹性变形，影响整机稳定性和安全性、严重时会导致整机侧翻，造成人员伤亡，因此限制了在工程上的应用，钻具的上下钻台作业成为阻碍钻井装备整体自动化水平提高的瓶颈。
因此我们一方面要通过选用各种阻尼材料，研究材料的最佳引入方案、配置位置以及结构形式；另一方面研究适用于变载荷的主动控制方案。
发明内容
本发明的主要内容是针对现有技术不足之处，提出一种基于自适应神经网络的动力猫道的控制方法。动力猫道各关节各力臂在运动过程中利用小波基神经网络控制算法计算和补偿外届干扰，并建立力臂在理想条件下的动力学模型；根据控制系统存在的不确定项d，设计自适应神经网络控制器修正上述动力学模型；从而对猫道力臂进行负反馈控制,控制器根据机器运动的实况来不断改变驱动装置的动力来抵消猫道力臂在举升钻具过程中存在的误差。
本发明之一种自适应神经网络自动猫道，包括平台、在平台移动的车架平移系统、撑杆组件、撑杆液压缸、坡道、提升滑车、举升系统、检测车架平移系统位置的第一位移传感器、检测提升滑车位置的第二位移传感器、检测车架平移系统与撑杆组件角度的第一角位移传感器、检测举升系统与撑杆组件之间角度的第二角位移传感器、检测举升系统与坡道之间角度的第三角位移传感器、在举升系统底部有检测钻具质量的重力传感器以及对驱动装置进行控制的驱动控制器；第一位移传感器、第二位移传感器、第一角位移传感器、第二角位移传感器、第三角位移传感器和重力传感器负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。
一种自适应神经网络的自动猫道的控制方法，该方法是：
动力猫道各关节各力臂在运动过程中利用小波基神经网络控制算法计算和补偿外届干扰，并建立力臂在理想条件下的动力学模型；根据控制系统存在的不确定项d，设计自适应神经网络控制器修正上述动力学模型；从而对猫道力臂进行负反馈控制，驱动控制器根据机器运动的实况来不断改变驱动装置的动力来抵消猫道力臂在举升钻具过程中存在的误差。
所述的小波基神经网络控制算法中，对于自动猫道，在考虑其外界干扰的情况下其动力学模型表示为：
式中：D(q)为猫道的3×1阶正定惯性矩阵，为3×1阶离心力和哥氏力矢量G(q)为3×1阶重力矢量，和q分别是3×1阶加速度、速度、位置矢量，τ为3×1阶控制输入力矩，d为3×1阶外界干扰。
所述的小波基神经网络控制算法表示为：
τL＝KW[y1y2y3]T
上述公式为FWNN函数，其中x和τ分别为网络的输入和输出矢量，隶属度函数为母小波函数为ψ(x)，cij、ωij分别为伸缩和平移系数。
与现有技术相比，本发明的有益效果：
1.有效的消除了机械臂在运动过程中出现的不确定项和干扰。
2.可以实现不同载荷钻具的输送。
3.减小了钻具运输过程中的非线性扰动。
4.本发明以快速、准确运送钻杆为目标，对自动猫道机械臂的控制方式进行研究，实现钻杆多载荷的快速运输。本发明具有较好的抗干扰性和自学习能力，并且能够快速准确地估计并且补偿不确定项d。
附图说明
图1、图2、图3和图4为猫道的结构示意图。
图5为猫道结构简图。
图6为猫道机械臂控制框图。
图7为小波基模糊神经网络控制原理图。
具体实施方式
如图1至图4所示，一种自适应神经网络自动猫道，包括平台1、在平台移动的车架平移系统2、撑杆组件3、撑杆液压缸4、坡道5、提升滑车8、举升系统6、检测车架平移系统位置的第一位移传感器9、检测提升滑车位置的第二位移传感器7、检测车架平移系统与撑杆组件角度的第一角位移传感器10、检测举升系统与撑杆组件之间角度的第二角位移传感器12、检测举升系统与坡道之间角度的第三角位移传感器13、在举升系统底部有检测钻具质量的重力传感器11以及对驱动装置进行控制的驱动控制器；第一位移传感器9、第二位移传感器7、第一角位移传感器10、第二角位移传感器12、第三角位移传感器13和重力传感器11负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。
如图5所示，对于猫道的机械臂，在考虑外界干扰的情况下其动力学模型可以通过拉格朗日方程来构建；首先推导出猫道在理想情况下各机械臂的动能和势能E1、U1、E2、U2、E3、U3，然后计算出三个机械臂质心的速度向量θ1、θ2、θ3。代入拉格朗日方程求得机械臂的动力方程：
式中qr是第r个广义坐标，E为系统动能，U为系统势能，τ为对r个广义坐标的广义力。
该问题为三自由度的动力学研究，由于势能函数U与广义速度无关，即
所以上式可以写成：其中L是朗格朗日算子，
L＝E1+E2+E3-U1-U2-U3。
然后将上式整理得：
式中：D(q)为猫道的3×1阶正定惯性矩阵，为3×1阶离心力和哥氏力矢量G(q)为3×1阶重力矢量，和q分别是3×1阶加速度、速度、位置矢量，τ为3×1阶控制输入力矩，d为3×1阶外界干扰。
图6中θ1d、θ2d、θ3d是机械臂关节绞的期望运动轨迹；是相应的期望速度。跟踪误差的论域e1、e2、e3、经过量化因子KC1、KC2、KC3的作用转化为小波基模糊神经网络(FWNN)的输入论域 y1、y2、y3是(FWNN)网络的输出；Kw＝[kw1kw2kw3]∈R3×2为输出因子kui组成的矩阵，该因子将FWNN网络的输出论域转化实际输出论域得到机械臂关节绞控制力矩如下式表达τL＝KW[y1y2y3]T,式中矩阵KW值之间相对大小亦反应了机械臂关节绞之间的耦合作用。
FWNN的结构图如图7所示，共有4层。
第一层：为输入层，该层的各个节点与输入层连接，并传递到第二层。
第二层：每个节点表示一个模糊语言词集值，计算各输入分量的语言词集的隶属度函数隶属度函数采用小波基函数，其母波函数如式：
各语言词集上定义的隶属度函数就是通过平移和伸缩母小波函数得来的。即，对于第i个输入第j个词集Aij，其小波隶属度函数可定义为：
式中，Cij和ωij分别为伸缩和平移系数。为简化网络结构，每个输入Xi，在本文仅定义三个模糊语言词集{P,Z,N}＝{正，零，}。
第三层：该层用于计算条规则的适用度，一个节点代表一条模糊规则。这里采用所示乘法计算本层输出：
第四层：实现的是去模糊化的过程，根据上式计算FWNN的输出，式中Wij为网络权值，表示各模糊规则输出对应的语言词集的中心值。
机械臂子系统共需要两个关节角度控制器，为此采用三个FWNN子网。子网1的网络权值、伸缩系数以及平移系数分别标记为W1,ω1,c1；子网2的网络权值、伸缩系数以及平移系数分别标记为W2,ω2,c2；子网3的网络权值、伸缩系数以及平移系数分别标记为W3,ω3,c3。机械臂子系统控制力矩τ为跟踪误差ei和跟踪误差率e.i、输出因子矩阵KW、子网1、子网2和子网3的网络权值、伸缩系数及平移系数的函数。为此，首先利用反向传播算法(BP)算法在线学习参数kui,在线学习的算法如下式：
其中ei为第i个关节的跟踪轨迹误差，学习算法如下
其中，下标k＝1,2；i＝1,2,3；j＝1,2,3；η1、η2、η3、η4为参数学习率。
通过小波基神经网络算法不断修正理想情况与实际情况下机械臂的偏差(θi-θid)，使机械臂运动轨迹尽可能的与目标轨迹相接近。借助小波基神经算法的鲁棒性可以弥补猫道机械臂惯性参数不确定以及系统存在的不确定项d带来的传动误差，保证猫道机械臂完成期望的运动轨迹的渐进跟踪，保证保证系统的控制精度和稳定性。
Claims (4)
1.一种自适应神经网络自动猫道，其特征在于：包括平台(1)、在平台移动的车架平移系统(2)、撑杆组件(3)、撑杆液压缸(4)、坡道(5)、提升滑车(8)、举升系统(6)、检测车架平移系统位置的第一位移传感器(9)、检测提升滑车位置的第二位移传感器(7)、检测车架平移系统与撑杆组件角度的第一角位移传感器(10)、检测举升系统与撑杆组件之间角度的第二角位移传感器(12)、检测举升系统与坡道之间角度的第三角位移传感器(13)、在举升系统底部有检测钻具质量的重力传感器(11)以及对驱动装置进行控制的驱动控制器；第一位移传感器(9)、第二位移传感器(7、第一角位移传感器(10、第二角位移传感器(12)、第三角位移传感器(13和重力传感器(11)负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。
2.权利要求1所述一种自适应神经网络自动猫道的控制方法，其特征在于：该方法是：动力猫道各关节各力臂在运动过程中利用小波基神经网络控制算法计算和补偿外届干扰，并建立力臂在理想条件下的动力学模型；根据控制系统存在的不确定项d，设计自适应神经网络控制器修正上述动力学模型；从而对猫道力臂进行负反馈控制，驱动控制器根据机器运动的实况来不断改变驱动装置的动力来抵消猫道力臂在举升钻具过程中存在的误差。
3.根据权利要求1所述的一种自适应神经网络自动猫道的控制方法，其特征在于：所述的小波基神经网络控制算法中，对于自动猫道，在考虑其外界干扰的情况下其动力学模型表示为：
式中：D(q)为猫道的3×1阶正定惯性矩阵，为3×1阶离心力和哥氏力矢量G(q)为3×1阶重力矢量，和q分别是3×1阶加速度、速度、位置矢量，τ为3×1阶控制输入力矩，d为3×1阶外界干扰。
4.根据权利要求1所述的一种自适应神经网络自动猫道的控制方法，其特征在于：所述的小波基神经网络控制算法表示为：
τL＝KW[y1y2y3]T
上述公式为FWNN函数，其中x和τ分别为网络的输入和输出矢量，隶属度函数为μAij(x)，母小波函数为ψ(x)，cij、ωij分别为伸缩和平移系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910488544.XA CN110107231B (zh) | 2019-06-06 | 2019-06-06 | 一种自适应神经网络自动猫道及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910488544.XA CN110107231B (zh) | 2019-06-06 | 2019-06-06 | 一种自适应神经网络自动猫道及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110107231A true CN110107231A (zh) | 2019-08-09 |
| CN110107231B CN110107231B (zh) | 2024-03-29 |
Family
ID=67494029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910488544.XA Active CN110107231B (zh) | 2019-06-06 | 2019-06-06 | 一种自适应神经网络自动猫道及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110107231B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102926685A (zh) * | 2012-11-23 | 2013-02-13 | 吉林大学 | 深井钻机全液压自动钻具输运装置 |
| CN103615205A (zh) * | 2013-12-11 | 2014-03-05 | 东营胜利慧岩石油装备有限公司 | 变角装置 |
| CN203769680U (zh) * | 2014-03-19 | 2014-08-13 | 中石化石油工程机械有限公司第四机械厂 | 一种新型自动猫道装置 |
| CN105114015A (zh) * | 2015-10-12 | 2015-12-02 | 中国石油大学(华东) | 举升式液压动力猫道系统 |
| CN105156043A (zh) * | 2015-09-28 | 2015-12-16 | 重庆大江工业有限责任公司 | 一种地面钻具自动移送系统及方法 |
| CN108104807A (zh) * | 2017-12-16 | 2018-06-01 | 中国石油大学(华东) | 一种海洋油气资源勘探系统及其使用方法 |
| CN108316870A (zh) * | 2018-04-26 | 2018-07-24 | 兰州兰石集团有限公司 | 猫道机钻具上下钻台面自动控制系统 |
| CN108764475A (zh) * | 2018-08-01 | 2018-11-06 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
| CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
| CN108818541A (zh) * | 2018-09-11 | 2018-11-16 | 闽江学院 | 一种柔性关节机器人的自适应神经网络跟踪控制方法 |
| CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
| CN209942765U (zh) * | 2019-06-06 | 2020-01-14 | 吉林大学 | 一种自适应神经网络自动猫道 |
-
2019
- 2019-06-06 CN CN201910488544.XA patent/CN110107231B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102926685A (zh) * | 2012-11-23 | 2013-02-13 | 吉林大学 | 深井钻机全液压自动钻具输运装置 |
| CN103615205A (zh) * | 2013-12-11 | 2014-03-05 | 东营胜利慧岩石油装备有限公司 | 变角装置 |
| CN203769680U (zh) * | 2014-03-19 | 2014-08-13 | 中石化石油工程机械有限公司第四机械厂 | 一种新型自动猫道装置 |
| CN105156043A (zh) * | 2015-09-28 | 2015-12-16 | 重庆大江工业有限责任公司 | 一种地面钻具自动移送系统及方法 |
| CN105114015A (zh) * | 2015-10-12 | 2015-12-02 | 中国石油大学(华东) | 举升式液压动力猫道系统 |
| CN108104807A (zh) * | 2017-12-16 | 2018-06-01 | 中国石油大学(华东) | 一种海洋油气资源勘探系统及其使用方法 |
| CN108316870A (zh) * | 2018-04-26 | 2018-07-24 | 兰州兰石集团有限公司 | 猫道机钻具上下钻台面自动控制系统 |
| CN108942924A (zh) * | 2018-06-25 | 2018-12-07 | 南京理工大学 | 基于多层神经网络的模型不确定性机械臂运动控制方法 |
| CN108789417A (zh) * | 2018-07-30 | 2018-11-13 | 长春工业大学 | 基于自适应动态规划的可重构机械臂保代价分散控制方法 |
| CN108764475A (zh) * | 2018-08-01 | 2018-11-06 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
| CN108818541A (zh) * | 2018-09-11 | 2018-11-16 | 闽江学院 | 一种柔性关节机器人的自适应神经网络跟踪控制方法 |
| CN209942765U (zh) * | 2019-06-06 | 2020-01-14 | 吉林大学 | 一种自适应神经网络自动猫道 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110107231B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109676607B (zh) | 一种无力矩传感的零重力控制方法 | |
| CN111185907B (zh) | 一种作业型飞行机器人抓取后的位姿稳定控制方法 | |
| CN109782601B (zh) | 一种协调机械臂自适应神经网络同步鲁棒控制器设计方法 | |
| CN105772917B (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
| CN106044567B (zh) | 桥式吊车局部饱和自适应控制器、控制系统及控制方法 | |
| CN104493826A (zh) | 结合神经网络控制的重载机器人位置控制器 | |
| CN114942593B (zh) | 一种基于干扰观测器补偿的机械臂自适应滑模控制方法 | |
| CN113427483A (zh) | 一种基于强化学习的双机器人力/位多元数据驱动方法 | |
| CN112091829B (zh) | 一种喷砂除锈并联机器人补偿摩擦力突变模糊自适应滑模控制方法 | |
| CN111730594A (zh) | 一种模块化机器人面向外部碰撞的分散控制方法及系统 | |
| CN114347018A (zh) | 一种基于小波神经网络的机械臂扰动补偿方法 | |
| CN114952849B (zh) | 一种基于强化学习与动力学前馈融合的机器人轨迹跟踪控制器设计方法 | |
| CN108829126A (zh) | 一种考虑通讯延时的auv集群协调控制方法 | |
| Chen et al. | Nonlinear vibration suppression control of underactuated shipboard rotary cranes with spherical pendulum and persistent ship roll disturbances | |
| Xu et al. | Reinforcement learning compensated coordination control of multiple mobile manipulators for tight cooperation | |
| KR101232584B1 (ko) | 이동 로봇의 제어 장치 및 그 방법 | |
| CN110253573A (zh) | 一种基于串并联估计模型的柔性机械臂系统模糊控制方法 | |
| CN110107231A (zh) | 一种自适应神经网络自动猫道及其控制方法 | |
| CN209942765U (zh) | 一种自适应神经网络自动猫道 | |
| Quan et al. | Agv motion balance and motion regulation under complex conditions | |
| CN117301064A (zh) | 一种基于固定时间收敛的双臂机器人安全协同控制方法 | |
| Ding et al. | Trajectory tracking control of underactuated tendon‐driven truss‐like manipulator based on type‐1 and interval type‐2 fuzzy logic approach | |
| Chen et al. | Cooperative transportation by multiple mobile manipulators using adaptive NN control | |
| CN115639751A (zh) | 混联平台迟滞响应的主动补偿方法 | |
| Liang et al. | Dynamics modeling and analysis for unmanned quadrotor transportation systems with double-pendulum swing effects |
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 |