CN110109345A - 刮板堆取料机取料方法、系统、电子设备及计算机介质 - Google Patents
刮板堆取料机取料方法、系统、电子设备及计算机介质 Download PDFInfo
- Publication number
- CN110109345A CN110109345A CN201910446980.0A CN201910446980A CN110109345A CN 110109345 A CN110109345 A CN 110109345A CN 201910446980 A CN201910446980 A CN 201910446980A CN 110109345 A CN110109345 A CN 110109345A
- Authority
- CN
- China
- Prior art keywords
- value
- real
- scraper plate
- time
- reclaimer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims abstract description 91
- 210000002569 neuron Anatomy 0.000 claims description 115
- 239000000463 material Substances 0.000 claims description 37
- 238000009825 accumulation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 12
- 210000005036 nerve Anatomy 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 6
- 230000035611 feeding Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000007790 scraping Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/02—Loading or unloading machines comprising essentially a conveyor for moving the loads associated with a device for picking-up the loads
- B65G65/06—Loading or unloading machines comprising essentially a conveyor for moving the loads associated with a device for picking-up the loads with endless scraping or elevating pick-up conveyors
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Conveyors (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了刮板堆取料机取料方法、系统、电子设备及计算机介质,应用于刮板堆取料机的控制装置,获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料。本申请提供的一种取料方法,与仅仅依靠刮板机电流值来对刮板堆取料机进行恒流量取料控制的现有技术相比,进行恒流量取料控制所用的变量类型多,准确性高。本申请提供的刮板堆取料机取料系统、电子设备及计算机可读存储介质也解决了相应技术问题。
Description
技术领域
本申请涉及自动取料技术领域,更具体地说,涉及刮板堆取料机取料方法、系统、电子设备及计算机介质。
背景技术
在煤炭、沙子等物料的运输过程中,需要对煤炭、沙子等物料进行取料、装车,在取料时,为了保证取料效率,一般采用刮板堆取料机进行恒流量取料,也即每次取一定量的物料。
为了实现恒流量取料,现有的一种方法是采用电子皮带秤对当前次获取的物理进行称重,得到称重结果,并将称重结果转换为刮板堆取料机的刮板机电流,采用PID(proportion-integral-differential,比例-积分-微分控制器)神经元网络模型对刮板机电流进行处理,得到对刮板堆取料机的控制结果,按照该控制结果控制刮板堆取料机进行作业,以使刮板堆取料机恒流量取料。
然而,现有的取料方法中,由于刮板堆取料机自身的机械结构及物料堆堆积形状,导致刮板堆取料机回转取料中,存在流量损失;同时,刮板堆取料机回转至物料边界时,由于回转停止时惯性关系会出现流量波动;导致采用现有的取料方法进行取料时,恒流量取料的准确性较低。
综上所述,如何提高刮板堆取料机恒流量取料的准确性是目前本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种刮板堆取料机取料方法,其能在一定程度上解决如何提高刮板堆取料机恒流量取料的准确性的技术问题。本申请还提供了一种刮板堆取料机取料系统、电子设备及计算机可读存储介质。
为了实现上述目的,本申请提供如下技术方案:
一种刮板堆取料机取料方法,应用于所述刮板堆取料机的控制装置,包括:
获取所述刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
获取预先训练好的所述PID神经元网络模型的输出结果,并根据所述输出结果控制所述刮板堆取料机进行取料;
其中,预先训练好的所述PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及所述实时刮板机电流值、所述实时大臂回转电流值、所述实时俯仰钢丝绳拉力值进行运算,得到所述输出结果;所述目标刮板电流值、所述目标大臂回转电流值、所述目标俯仰钢丝绳拉力值为预设的所述刮板堆取料机进行恒流量取料的值。
优选的,所述获取所述刮板堆取料机在当前时刻下的实时刮板机电流值,包括:
获取当前时刻下所述刮板堆取料机所取物料的重量值;
获取待取物料的堆积角值、堆比重值及水分值;
基于所述重量值、所述堆积角值、所述堆比重值及所述水分值确定所述实时刮板机电流值。
优选的,所述基于所述重量值、所述堆积角值、所述堆比重值及所述水分值确定所述实时刮板机电流值,包括:
将所述重量值、所述堆积角值、所述堆比重值及所述水分值输入至预先训练好的BP神经网络模型中;
获取所述BP神经网络模型输出的所述实时刮板电流值;
其中,所述BP神经网络模型的输入层包含4个节点,所述BP神经网络模型的隐含层包含5个节点,所述BP神经网络模型的输出层包含1个节点。
优选的,所述将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型之前,还包括:
获取训练样本集及初始的所述PID神经元网络模型;
通过粒子群算法确定初始的所述PID神经元网络模型的初始权值;
基于所述训练样本集及所述初始权值对初始的所述PID神经元网络模型进行训练,直至得到训练好的所述PID神经元网络模型。
优选的,所述粒子群算法的种群规模为30、进化次数为40、变异方法为自适应变异方法。
优选的,所述PID神经元网络模型的输入层包含三组输入层神经元组、隐含层包含三组隐含层神经元组、输出层包含三个输出层神经元节点;
其中,每个所述输入层神经元组包含两个输入层神经元节点;每个所述隐含层神经元组包含比例运算神经元节点、积分运算神经元节点、微分运算神经元节点;每个所述输入层神经元组中的所述输入层神经元节点分别与一组所述隐含层神经元组中的各个神经元节点连接,且所述输入层神经元组与所述隐含层神经元组一一对应;每个所述输出层神经元节点均与所述隐含层中的各个神经元节点连接。
优选的,所述比例运算神经元节点中的比例运算公式包括:us1(x)=nets1(x);
所述积分运算神经元节点中的积分运算公式包括:
us2(x)=nets2(x)+nets2(x-1);
所述微分运算神经元节点中的微分运算公式包括:
us3(x)=nets3(x)-nets3(x-1);
所述输出层神经元节点中的运算公式包括:
其中,s表示所述输入层神经元组的标识号,s=1,2,3;i表示所述输入层神经元节点的标识号,i=1,2;k表示所述隐含层神经元组的标识号,k=1,2,3;j表示所述隐含层神经元组中神经元节点的标识号,j=1,2,3;h表示所述输出层神经元节点的标识号,h=1,2,3;ysi(x)表示第s组所述输入层神经元组中第i个所述输入层神经元节点的输入数据;ωsij表示第s组所述输入层神经元组中第i个所述输入层神经元节点到对应的所述隐含层神经元组中第j个所述神经元节点间的权重值;ωjkh表示第k组所述隐含层神经元组中第j组所述神经元节点到第h个所述输出层神经元节点间的权重值。
一种刮板堆取料机取料系统,应用于所述刮板堆取料机的控制装置,包括:
第一获取模块,用于获取所述刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
第一输入模块,用于将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
第二获取模块,用于获取预先训练好的所述PID神经元网络模型的输出结果,并根据所述输出结果控制所述刮板堆取料机进行取料;
其中,预先训练好的所述PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及所述实时刮板机电流值、所述实时大臂回转电流值、所述实时俯仰钢丝绳拉力值进行运算,得到所述输出结果;所述目标刮板电流值、所述目标大臂回转电流值、所述目标俯仰钢丝绳拉力值为预设的所述刮板堆取料机进行恒流量取料的值。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述取料方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述刮板堆取料机取料方法的步骤。
本申请提供的一种刮板堆取料机取料方法,应用于刮板堆取料机的控制装置,获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料;其中,预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值。也即本申请提供的一种取料方法中,控制装置借助刮板堆取料机的实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值、目标刮板电流值、目标大臂回转电流值及目标俯仰钢丝绳拉力值来确定控制刮板堆取料机进行恒流量取料的输出结果,并借助输出结果控制刮板堆取料机进行恒流量取料,与仅仅依靠刮板机电流值来对刮板堆取料机进行恒流量取料控制的现有技术相比,进行恒流量取料控制所用的变量类型多,准确性高。本申请提供的一种刮板堆取料机取料系统、电子设备及计算机可读存储介质也解决了相应技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种刮板堆取料机取料方法的流程图;
图2为刮板堆取料机的取料设备的结构示意图;
图3为本申请实施例提供的一种PID神经元网络模型的结构示意图;
图4为本申请实施例提供的一种刮板堆取料机取料系统的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图;
图6为本申请实施例提供的一种电子设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在煤炭、沙子等物料的运输过程中,需要对煤炭、沙子等物料进行取料、装车,在取料时,为了保证取料效率,一般采用刮板堆取料机进行恒流量取料,也即每次取一定量的物料。为了实现恒流量取料,现有的一种方法是采用电子皮带秤对当前次获取的物理进行称重,得到称重结果,并将称重结果转换为刮板堆取料机的刮板机电流,采用PID(proportion-integral-differential,比例-积分-微分控制器)神经元网络模型对刮板机电流进行处理,得到对刮板堆取料机的控制结果,按照该控制结果控制刮板堆取料机进行作业,以使刮板堆取料机恒流量取料。然而,现有的取料方法中,由于刮板堆取料机自身的机械结构及物料堆堆积形状,导致刮板堆取料机回转取料中,存在流量损失;同时,刮板堆取料机回转至物料边界时,由于回转停止时惯性关系会出现流量波动;导致采用现有的取料方法进行取料时,恒流量取料的准确性较低。而本申请提供的一种取料方法可以提高刮板堆取料机恒流量取料的准确性。
请参阅图1,图1为本申请实施例提供的一种刮板堆取料机取料方法的流程图。
本申请实施例提供的一种刮板堆取料机取料方法,应用于刮板堆取料机的控制装置,可以包括以下步骤:
步骤S101:获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值。
这里结合附图对刮板堆取料机的结构和工作过程进行描述。请参阅图2,图2为刮板堆取料机的取料设备的结构示意图,取料设备由回转轨道1、门架钢结构2、钢丝绳上吊点3、钢丝绳4、刮板机5、刮板6、门架铰点7等组成,回转轨道控制刮板机回转动作,取料机构通过臂架与回转机构相连,刮板机一端通过门架铰点与门架相连,刮板机另一端通过钢丝绳与门架相连,拉动钢丝绳即可控制刮板机沿其与门架铰点进行俯仰运动,刮板安装在刮板机上,沿着刮板机循环往复转动,从而刮动物料向下进行取料动作。
由取料设备的结构可知,刮板堆取料机取料过程实际是取料臂位置随着物料变化精确定位的过程,而定位过程实际是刮板机运动、取料臂俯仰、回转机构协调并行工作的结果,所以实际应用中,控制装置可以先获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;具体的,可以借助检测装置来获取实时大臂回转电流值及实时俯仰钢丝绳拉力值,比如借助位置检测装置获取取料设备回转角度,进而得到大臂回转电流值;借助角度测量装置获取刮板机俯仰角度,进而得到实时俯仰钢丝绳拉力等。
步骤S102:将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型。
实际应用中,控制装置可以将获取的实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型,使得预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;而目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值,所以预先训练好的PID神经元网络模型的输出结果为控制刮板堆取料机进行恒流量取料的结果。
步骤S103:获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料;
其中,预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值。
实际应用中,在预先训练好的PID神经元网络模型得到输出结果后,控制装置便可以获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行恒流量取料。
本申请提供的一种刮板堆取料机取料方法,应用于刮板堆取料机的控制装置,获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料;其中,预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值。也即本申请提供的一种取料方法中,控制装置借助刮板堆取料机的实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值、目标刮板电流值、目标大臂回转电流值及目标俯仰钢丝绳拉力值来确定控制刮板堆取料机进行恒流量取料的输出结果,并借助输出结果控制刮板堆取料机进行恒流量取料,与仅仅依靠刮板机电流值来对刮板堆取料机进行恒流量取料控制的现有技术相比,进行恒流量取料控制所用的变量类型多,准确性高。
本申请实施例提供的一种刮板堆取料机取料方法中,由于不同的待取物料的特性不同,所以对不同的待取物料进行恒流量取料时所用的参数不同,因此为了提高进行恒流量取料的准确率,可以根据待取物料的特性来确定刮板机电流值,则控制装置在获取刮板堆取料机在当前时刻下的实时刮板机电流值时,可以获取当前时刻下刮板堆取料机所取物料的重量值;获取待取物料的堆积角值、堆比重值及水分值;基于重量值、堆积角值、堆比重值及水分值确定实时刮板机电流值。待取物料的堆积角值、堆比重值及水分值的定义、获取方式可以参阅现有技术,本申请在此不再赘述。
实际应用中,如果依靠单独的数学公式来确定刮板机电流值与重量值、堆积角值、堆比重值、水分值间的关系,可能难以确定,或者确定出的该关系并不准确,为了尽可能的保证确定出的该关系准确,控制装置基于重量值、堆积角值、堆比重值及水分值确定实时刮板机电流值时,可以将重量值、堆积角值、堆比重值及水分值输入至预先训练好的BP(backpropagation)神经网络模型中;获取BP神经网络模型输出的实时刮板电流值;其中,BP神经网络模型的输入层包含4个节点,BP神经网络模型的隐含层包含5个节点,BP神经网络模型的输出层包含1个节点。也即可以借助BP神经网络模型来确定刮板机电流值、重量值、堆积角值、堆比重值及水分值间的关系,BP神经网络模型的四个输入节点依次对应重量值、堆积角值、堆比重值、水分值,BP神经网络模型的输出节点对应刮板机电流值。应当指出,在BP神经网络模型的使用过程中,可能需要借助重量值、堆积角值、堆比重值、水分值及对应的刮板机电流值作为训练样本对BP神经网络模型进行训练,训练原理可以参阅现有技术,本申请在此不再赘述。
本申请实施例提供的一种刮板堆取料机取料方法中,控制装置将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型之前,还可以获取训练样本集及初始的PID神经元网络模型;通过粒子群算法确定初始的PID神经元网络模型的初始权值;基于训练样本集及初始权值对初始的PID神经元网络模型进行训练,直至得到训练好的PID神经元网络模型。由于粒子算法具有容易实现、精度高、收敛快等优点,所以可以借助粒子群算法来确定初始的PID神经元网络模型的初始权值,从而加快对PID神经元网络模型的训练效率。
实际应用中,本申请所应用的粒子群算法的种群规模可以为30、进化次数可以为40、变异方法可以为自适应变异方法。
请参阅图3,图3为本申请实施例提供的一种PID神经元网络模型的结构示意图。
本申请实施例提供的一种刮板堆取料机取料方法中,PID神经元网络模型的输入层可以包含三组输入层神经元组、隐含层可以包含三组隐含层神经元组、输出层可以包含三个输出层神经元节点;其中,每个输入层神经元组包含两个输入层神经元节点;每个隐含层神经元组包含比例运算神经元节点、积分运算神经元节点、微分运算神经元节点;每个输入层神经元组中的输入层神经元节点分别与一组隐含层神经元组中的各个神经元节点连接,且输入层神经元组与隐含层神经元组一一对应;每个输出层神经元节点均与隐含层中的各个神经元节点连接。
实际应用中,比例运算神经元节点中的比例运算公式可以包括:
us1(x)=nets1(x);
积分运算神经元节点中的积分运算公式可以包括:
us2(x)=nets2(x)+nets2(x-1);
微分运算神经元节点中的微分运算公式可以包括:
us3(x)=nets3(x)-nets3(x-1);
输出层神经元节点中的运算公式包括:
其中,s表示输入层神经元组的标识号,s=1,2,3;i表示输入层神经元节点的标识号,i=1,2;k表示隐含层神经元组的标识号,k=1,2,3;j表示隐含层神经元组中神经元节点的标识号,j=1,2,3;h表示输出层神经元节点的标识号,h=1,2,3;ysi(x)表示第s组输入层神经元组中第i个输入层神经元节点的输入数据;ωsij表示第s组输入层神经元组中第i个输入层神经元节点到对应的隐含层神经元组中第j个神经元节点间的权重值;ωjkh表示第k组隐含层神经元组中第j组神经元节点到第h个输出层神经元节点间的权重值。
本申请还提供了一种刮板堆取料机取料系统,其具有本申请实施例提供的一种刮板堆取料机取料方法具有的对应效果。请参阅图4,图4为本申请实施例提供的一种刮板堆取料机取料系统的结构示意图。
本申请实施例提供的一种刮板堆取料机取料系统,应用于刮板堆取料机的控制装置,可以包括:
第一获取模块101,用于获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
第一输入模块102,用于将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
第二获取模块103,用于获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料;
其中,预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值。
本申请实施例提供的一种刮板堆取料机取料系统中,第一获取模块可以包括:
第一获取单元,用于获取当前时刻下刮板堆取料机所取物料的重量值;
第二获取单元,用于获取待取物料的堆积角值、堆比重值及水分值;
第一确定子模块,用于基于重量值、堆积角值、堆比重值及水分值确定实时刮板机电流值。
本申请实施例提供的一种刮板堆取料机取料系统中,第一确定子模块可以包括:
第一输入单元,用于将重量值、堆积角值、堆比重值及水分值输入至预先训练好的BP神经网络模型中;
第三获取单元,用于获取BP神经网络模型输出的实时刮板电流值;
其中,BP神经网络模型的输入层包含4个节点,BP神经网络模型的隐含层包含5个节点,BP神经网络模型的输出层包含1个节点。
本申请实施例提供的一种刮板堆取料机取料系统中,还可以包括:
第三获取模块,用于第一输入模块将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型之前,获取训练样本集及初始的PID神经元网络模型;
第一确定模块,用于通过粒子群算法确定初始的PID神经元网络模型的初始权值;
第一训练模块,用于基于训练样本集及初始权值对初始的PID神经元网络模型进行训练,直至得到训练好的PID神经元网络模型。
本申请实施例提供的一种刮板堆取料机取料系统中,粒子群算法的种群规模可以为30、进化次数可以为40、变异方法可以为自适应变异方法。
本申请实施例提供的一种刮板堆取料机取料系统中,PID神经元网络模型的输入层可以包含三组输入层神经元组、隐含层可以包含三组隐含层神经元组、输出层可以包含三个输出层神经元节点;
其中,每个输入层神经元组包含两个输入层神经元节点;每个隐含层神经元组包含比例运算神经元节点、积分运算神经元节点、微分运算神经元节点;每个输入层神经元组中的输入层神经元节点分别与一组隐含层神经元组中的各个神经元节点连接,且输入层神经元组与隐含层神经元组一一对应;每个输出层神经元节点均与隐含层中的各个神经元节点连接。
本申请实施例提供的一种刮板堆取料机取料系统中,比例运算神经元节点中的比例运算公式可以包括:us1(x)=nets1(x);
积分运算神经元节点中的积分运算公式包括:
us2(x)=nets2(x)+nets2(x-1);
微分运算神经元节点中的微分运算公式包括:
us3(x)=nets3(x)-nets3(x-1);
输出层神经元节点中的运算公式包括:
其中,s表示输入层神经元组的标识号,s=1,2,3;i表示输入层神经元节点的标识号,i=1,2;k表示隐含层神经元组的标识号,k=1,2,3;j表示隐含层神经元组中神经元节点的标识号,j=1,2,3;h表示输出层神经元节点的标识号,h=1,2,3;ysi(x)表示第s组输入层神经元组中第i个输入层神经元节点的输入数据;ωsij表示第s组输入层神经元组中第i个输入层神经元节点到对应的隐含层神经元组中第j个神经元节点间的权重值;ωjkh表示第k组隐含层神经元组中第j组神经元节点到第h个输出层神经元节点间的权重值。
本申请还提供了一种电子设备及计算机可读存储介质,其均具有本申请实施例提供的一种取料方法具有的对应效果。请参阅图5,图5为本申请实施例提供的一种电子设备的结构示意图。
本申请实施例提供的一种电子设备,包括:存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行存储器201中存储的计算机程序时实现如下步骤:
获取刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
获取预先训练好的PID神经元网络模型的输出结果,并根据输出结果控制刮板堆取料机进行取料;
其中,预先训练好的PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及实时刮板机电流值、实时大臂回转电流值、实时俯仰钢丝绳拉力值进行运算,得到输出结果;目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值为预设的刮板堆取料机进行恒流量取料的值。
本申请实施例提供的一种电子设备,包括:存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行存储器201中存储的计算机程序时具体实现如下步骤:获取当前时刻下刮板堆取料机所取物料的重量值;获取待取物料的堆积角值、堆比重值及水分值;基于重量值、堆积角值、堆比重值及水分值确定实时刮板机电流值。
本申请实施例提供的一种电子设备,包括:存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行存储器201中存储的计算机程序时具体实现如下步骤:将重量值、堆积角值、堆比重值及水分值输入至预先训练好的BP神经网络模型中;获取BP神经网络模型输出的实时刮板电流值;其中,BP神经网络模型的输入层包含4个节点,BP神经网络模型的隐含层包含5个节点,BP神经网络模型的输出层包含1个节点。
本申请实施例提供的一种电子设备,包括:存储器201和处理器202,存储器201中存储有计算机程序,处理器202执行存储器201中存储的计算机程序时具体实现如下步骤:将实时刮板机电流值、实时大臂回转电流值及实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型之前,获取训练样本集及初始的PID神经元网络模型;通过粒子群算法确定初始的PID神经元网络模型的初始权值;基于训练样本集及初始权值对初始的PID神经元网络模型进行训练,直至得到训练好的PID神经元网络模型。
本申请实施例提供的一种电子设备中,粒子群算法的种群规模可以为30、进化次数可以为40、变异方法可以为自适应变异方法。
本申请实施例提供的一种电子设备中,PID神经元网络模型的输入层包含三组输入层神经元组、隐含层包含三组隐含层神经元组、输出层包含三个输出层神经元节点;其中,每个输入层神经元组包含两个输入层神经元节点;每个隐含层神经元组包含比例运算神经元节点、积分运算神经元节点、微分运算神经元节点;每个输入层神经元组中的输入层神经元节点分别与一组隐含层神经元组中的各个神经元节点连接,且输入层神经元组与隐含层神经元组一一对应;每个输出层神经元节点均与隐含层中的各个神经元节点连接。
本申请实施例提供的一种电子设备中,比例运算神经元节点中的比例运算公式包括:us1(x)=nets1(x);
积分运算神经元节点中的积分运算公式包括:
us2(x)=nets2(x)+nets2(x-1);
微分运算神经元节点中的微分运算公式包括:
us3(x)=nets3(x)-nets3(x-1);
输出层神经元节点中的运算公式包括:
其中,s表示输入层神经元组的标识号,s=1,2,3;i表示输入层神经元节点的标识号,i=1,2;k表示隐含层神经元组的标识号,k=1,2,3;j表示隐含层神经元组中神经元节点的标识号,j=1,2,3;h表示输出层神经元节点的标识号,h=1,2,3;ysi(x)表示第s组输入层神经元组中第i个输入层神经元节点的输入数据;ωsij表示第s组输入层神经元组中第i个输入层神经元节点到对应的隐含层神经元组中第j个神经元节点间的权重值;ωjkh表示第k组隐含层神经元组中第j组神经元节点到第h个输出层神经元节点间的权重值。
请参阅图6,本申请实施例提供的另一种电子设备中还可以包括:与处理器202连接的输入端口203,用于传输外界输入的命令至处理器202;与处理器202连接的显示单元204,用于显示处理器202的处理结果至外界;与处理器202连接的通信模块205,用于实现电子设备与外界的通信。显示单元204可以为显示面板、激光扫描使显示器等;通信模块205所采用的通信方式包括但不局限于移动高清链接技术(HML)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线连接:无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术。
本申请实施例提供的一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现如上任一实施例所描述的取料方法的步骤。
本申请所涉及的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的一种刮板堆取料机取料系统、电子设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种刮板堆取料机取料方法中对应部分的详细说明,在此不再赘述。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种刮板堆取料机取料方法,其特征在于,应用于所述刮板堆取料机的控制装置,包括:
获取所述刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
获取预先训练好的所述PID神经元网络模型的输出结果,并根据所述输出结果控制所述刮板堆取料机进行取料;
其中,预先训练好的所述PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及所述实时刮板机电流值、所述实时大臂回转电流值、所述实时俯仰钢丝绳拉力值进行运算,得到所述输出结果;所述目标刮板电流值、所述目标大臂回转电流值、所述目标俯仰钢丝绳拉力值为预设的所述刮板堆取料机进行恒流量取料的值。
2.根据权利要求1所述的方法,其特征在于,所述获取所述刮板堆取料机在当前时刻下的实时刮板机电流值,包括:
获取当前时刻下所述刮板堆取料机所取物料的重量值;
获取待取物料的堆积角值、堆比重值及水分值;
基于所述重量值、所述堆积角值、所述堆比重值及所述水分值确定所述实时刮板机电流值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述重量值、所述堆积角值、所述堆比重值及所述水分值确定所述实时刮板机电流值,包括:
将所述重量值、所述堆积角值、所述堆比重值及所述水分值输入至预先训练好的BP神经网络模型中;
获取所述BP神经网络模型输出的所述实时刮板电流值;
其中,所述BP神经网络模型的输入层包含4个节点,所述BP神经网络模型的隐含层包含5个节点,所述BP神经网络模型的输出层包含1个节点。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型之前,还包括:
获取训练样本集及初始的所述PID神经元网络模型;
通过粒子群算法确定初始的所述PID神经元网络模型的初始权值;
基于所述训练样本集及所述初始权值对初始的所述PID神经元网络模型进行训练,直至得到训练好的所述PID神经元网络模型。
5.根据权利要求4所述的方法,其特征在于,所述粒子群算法的种群规模为30、进化次数为40、变异方法为自适应变异方法。
6.根据权利要求4所述的方法,其特征在于,所述PID神经元网络模型的输入层包含三组输入层神经元组、隐含层包含三组隐含层神经元组、输出层包含三个输出层神经元节点;
其中,每个所述输入层神经元组包含两个输入层神经元节点;每个所述隐含层神经元组包含比例运算神经元节点、积分运算神经元节点、微分运算神经元节点;每个所述输入层神经元组中的所述输入层神经元节点分别与一组所述隐含层神经元组中的各个神经元节点连接,且所述输入层神经元组与所述隐含层神经元组一一对应;每个所述输出层神经元节点均与所述隐含层中的各个神经元节点连接。
7.根据权利要求6所述的方法,其特征在于,所述比例运算神经元节点中的比例运算公式包括:us1(x)=nets1(x);
所述积分运算神经元节点中的积分运算公式包括:
us2(x)=nets2(x)+nets2(x-1);
所述微分运算神经元节点中的微分运算公式包括:
us3(x)=nets3(x)-nets3(x-1);
所述输出层神经元节点中的运算公式包括:
其中,s表示所述输入层神经元组的标识号,s=1,2,3;i表示所述输入层神经元节点的标识号,i=1,2;k表示所述隐含层神经元组的标识号,k=1,2,3;j表示所述隐含层神经元组中神经元节点的标识号,j=1,2,3;h表示所述输出层神经元节点的标识号,h=1,2,3;ysi(x)表示第s组所述输入层神经元组中第i个所述输入层神经元节点的输入数据;ωsij表示第s组所述输入层神经元组中第i个所述输入层神经元节点到对应的所述隐含层神经元组中第j个所述神经元节点间的权重值;ωjkh表示第k组所述隐含层神经元组中第j组所述神经元节点到第h个所述输出层神经元节点间的权重值。
8.一种刮板堆取料机取料系统,其特征在于,应用于所述刮板堆取料机的控制装置,包括:
第一获取模块,用于获取所述刮板堆取料机在当前时刻下的实时刮板机电流值、实时大臂回转电流值和实时俯仰钢丝绳拉力值;
第一输入模块,用于将所述实时刮板机电流值、所述实时大臂回转电流值及所述实时俯仰钢丝绳拉力值输入至预先训练好的PID神经元网络模型;
第二获取模块,用于获取预先训练好的所述PID神经元网络模型的输出结果,并根据所述输出结果控制所述刮板堆取料机进行取料;
其中,预先训练好的所述PID神经元网络模型用于对预设的目标刮板电流值、目标大臂回转电流值、目标俯仰钢丝绳拉力值及所述实时刮板机电流值、所述实时大臂回转电流值、所述实时俯仰钢丝绳拉力值进行运算,得到所述输出结果;所述目标刮板电流值、所述目标大臂回转电流值、所述目标俯仰钢丝绳拉力值为预设的所述刮板堆取料机进行恒流量取料的值。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述刮板堆取料机取料方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述刮板堆取料机取料方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446980.0A CN110109345B (zh) | 2019-05-27 | 2019-05-27 | 刮板堆取料机取料方法、系统、电子设备及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910446980.0A CN110109345B (zh) | 2019-05-27 | 2019-05-27 | 刮板堆取料机取料方法、系统、电子设备及计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109345A true CN110109345A (zh) | 2019-08-09 |
CN110109345B CN110109345B (zh) | 2020-08-21 |
Family
ID=67492458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910446980.0A Active CN110109345B (zh) | 2019-05-27 | 2019-05-27 | 刮板堆取料机取料方法、系统、电子设备及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109345B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10320004A (ja) * | 1997-05-22 | 1998-12-04 | Kawasaki Steel Corp | ファジィ制御構築方法 |
JP2003261224A (ja) * | 2002-03-12 | 2003-09-16 | Mitsui Miike Mach Co Ltd | 屋内貯炭場における払出システム |
US20080264762A1 (en) * | 2007-04-25 | 2008-10-30 | Pahl Ulrich | Portal-type scraper reclaimer with bent reclaimer boom |
CN101920853A (zh) * | 2010-08-05 | 2010-12-22 | 江阴市大地机械制造有限公司 | 自动刮板堆取料机取料刮板 |
CN202754559U (zh) * | 2012-08-21 | 2013-02-27 | 江阴大地装备股份有限公司 | 半门式刮板取料机的安全控制系统 |
CN103092171A (zh) * | 2013-01-09 | 2013-05-08 | 武安市新峰水泥有限责任公司 | 水泥数字化管控系统 |
US20130341159A1 (en) * | 2012-06-04 | 2013-12-26 | Universidade De Sao Paulo - Usp | Bulk material reclaimer control system |
CN204198014U (zh) * | 2014-11-05 | 2015-03-11 | 华电重工股份有限公司 | 一种圆形料场混匀堆料机及圆形料场门式混匀堆取料机 |
CN204643203U (zh) * | 2015-05-29 | 2015-09-16 | 泰富海洋工程装备(天津)有限公司 | 一种臂式刮板堆取料机 |
CN105173771A (zh) * | 2015-09-16 | 2015-12-23 | 泰富国际工程有限公司 | 封闭料场智能控制系统及具有预均化功能的智能控制方法 |
CN108163562A (zh) * | 2017-12-13 | 2018-06-15 | 泰富重工制造有限公司 | 一种堆料装置的自动堆料的控制方法 |
-
2019
- 2019-05-27 CN CN201910446980.0A patent/CN110109345B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10320004A (ja) * | 1997-05-22 | 1998-12-04 | Kawasaki Steel Corp | ファジィ制御構築方法 |
JP2003261224A (ja) * | 2002-03-12 | 2003-09-16 | Mitsui Miike Mach Co Ltd | 屋内貯炭場における払出システム |
US20080264762A1 (en) * | 2007-04-25 | 2008-10-30 | Pahl Ulrich | Portal-type scraper reclaimer with bent reclaimer boom |
CN101920853A (zh) * | 2010-08-05 | 2010-12-22 | 江阴市大地机械制造有限公司 | 自动刮板堆取料机取料刮板 |
US20130341159A1 (en) * | 2012-06-04 | 2013-12-26 | Universidade De Sao Paulo - Usp | Bulk material reclaimer control system |
CN202754559U (zh) * | 2012-08-21 | 2013-02-27 | 江阴大地装备股份有限公司 | 半门式刮板取料机的安全控制系统 |
CN103092171A (zh) * | 2013-01-09 | 2013-05-08 | 武安市新峰水泥有限责任公司 | 水泥数字化管控系统 |
CN204198014U (zh) * | 2014-11-05 | 2015-03-11 | 华电重工股份有限公司 | 一种圆形料场混匀堆料机及圆形料场门式混匀堆取料机 |
CN204643203U (zh) * | 2015-05-29 | 2015-09-16 | 泰富海洋工程装备(天津)有限公司 | 一种臂式刮板堆取料机 |
CN105173771A (zh) * | 2015-09-16 | 2015-12-23 | 泰富国际工程有限公司 | 封闭料场智能控制系统及具有预均化功能的智能控制方法 |
CN108163562A (zh) * | 2017-12-13 | 2018-06-15 | 泰富重工制造有限公司 | 一种堆料装置的自动堆料的控制方法 |
Non-Patent Citations (2)
Title |
---|
周晋妮,等: "堆取料机作业多目标优化方法及应用", 《PROCEEDINGS OF 31ST CHINESE CONTROL CONFERENCE》 * |
程晗文: "基于PLC控制的半门架式刮板取料机系统设计", 《仪器仪表用户》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109345B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788249B (zh) | 一种交通流量预测方法、预测模型生成方法及装置 | |
CN111164425B (zh) | 用于三维打印的监测系统 | |
CN105353789B (zh) | 连续振动信号时间历程复现控制方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
CN109579956A (zh) | 一种智能养猪限位测重方法、装置、电子设备及存储介质 | |
CN115876655B (zh) | 一种受限空间涉爆粉尘全过程监测系统及方法 | |
CN100470418C (zh) | 基于盲源信号分析的聚丙烯熔融指数软测量仪表及方法 | |
CN106502162A (zh) | 一种基于便捷式机械臂的自动控制理论实验教学系统 | |
CN109664298A (zh) | 机器人动力学参数辨识方法、装置、终端设备及存储介质 | |
CN102620939A (zh) | 一种发动机扭矩预测方法和装置 | |
JP2019098419A (ja) | 粉体、粒体又は流体の取り出し動作を学習する機械学習方法およびロボット機械学習制御装置 | |
CN110091331A (zh) | 基于机械手的物体抓取方法、装置、设备以及存储介质 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN110109345A (zh) | 刮板堆取料机取料方法、系统、电子设备及计算机介质 | |
CN104978452B (zh) | 一种模拟预测颗粒物料悬浮速度的方法 | |
CN108038087B (zh) | 水肥灌溉决策方法、装置和系统、计算机可读存储介质 | |
CN113886928A (zh) | 一种建筑力学模拟系统 | |
CN107478155A (zh) | 产品检测方法、装置及系统 | |
CN104280100B (zh) | 码头物料自动计量方法 | |
CN206003401U (zh) | 单摆测重力加速度实验装置 | |
CN106094915B (zh) | 能量注入式虚拟质量共振柱控制系统及控制方法 | |
CN108920737A (zh) | 一种水动力模型的粒子滤波同化方法、装置和计算设备 | |
CN114908814A (zh) | 一种水泥土搅拌桩搅拌室内均匀性评价方法 | |
CN103499923A (zh) | 一种结构amd主动控制器 |
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 |