CN110533082B - 一种基于双模型协同预测的烧结混合加水控制方法 - Google Patents
一种基于双模型协同预测的烧结混合加水控制方法 Download PDFInfo
- Publication number
- CN110533082B CN110533082B CN201910732165.0A CN201910732165A CN110533082B CN 110533082 B CN110533082 B CN 110533082B CN 201910732165 A CN201910732165 A CN 201910732165A CN 110533082 B CN110533082 B CN 110533082B
- Authority
- CN
- China
- Prior art keywords
- water
- water adding
- amount
- moisture content
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及烧结混合加水控制技术领域,提供一种基于双模型协同预测的烧结混合加水控制方法。首先采集烧结混合加水过程的历史数据,构成历史数据集;然后,对历史数据集进行预处理;接着将各原料下料量作为输入、加水量作为输出,构建并训练基于卷积神经网络的加水量回归预测模型;然后将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出,构建并训练基于卷积神经网络的水分含量分类预测模型;最后基于双模型协同预测进行加水量控制:实时预测本次加水量和本次水分含量类别,根据本次水分含量类别预测值调节下一次加水量。本发明能够提高加水量预测和控制的准确性,使得混合料水分含量稳定在最佳范围且预测控制效率高。
Description
技术领域
本发明涉及烧结混合加水控制技术领域,特别是涉及一种基于双模型协同预测的烧结混合加水控制方法。
背景技术
烧结工艺是钢铁生产的一道重要工序,对钢铁的生产质量有着很重要的影响。烧结工艺的最终目的是为高炉生产提供符合工艺要求的烧结矿。目前,大部分烧结厂通过采用烧结混合工艺将含铁矿粉、各种熔剂、燃料等粉粒状物料加水混合,然后在烧结机上点火燃烧,由一系列的物理化学反应生成具有透气性良好的块状产品。
混合过程的加水量是烧结混合过程关键的控制参数,一般对加水量控制的目标是保持混合料中的水分稳定在一个利于烧结的值,普遍认为混合料水分含量为7%左右时是最佳值,波动范围不能太大,通常为±0.5%以内。混合料水分含量不仅对抽风烧结过程具有重要影响,而且是烧结矿化学和物理性能的关键影响因素,当混合料含水量过低时,混合料的造粒指数会变差,混合料的透气性和导热性也会变差;当混合料的含水量过高时,混合料将非常潮湿,这将阻碍混合料的流动,透气性会更差。在这两种情况下,烧结矿的质量都不能满足我们的要求。
对于加水控制而言,由于其具有较大的滞后性,所以大部分工厂还都采用人工前馈加水的方式,工人根据具体的下料量估计出加水量。为了减少其大滞后的影响,现有技术中多采用前馈预测控制对加水量进行预测控制。然而,现有的前馈预测控制加水量的方法,一方面前馈预测的准确性不高,另一方面未对前馈预测进行修正,导致使用得到的加水量预测值控制加水量后混合料水分含量不能满足工艺要求,且预测控制的效率低下。
发明内容
针对现有技术存在的问题,本发明提供一种基于双模型协同预测的烧结混合加水控制方法,能够提高加水量预测和控制的准确性,使得混合料水分含量稳定在最佳范围,且预测控制效率高。
本发明的技术方案为:
一种基于双模型协同预测的烧结混合加水控制方法,其特征在于,包括下述步骤:
步骤1:采集烧结混合加水过程的历史数据,构成历史数据集;所述历史数据包括下料过程的各原料下料量、混料过程的加水量、混合完成后的混合料水分含量;
步骤2:对历史数据集进行预处理;
步骤3:构建并训练加水量回归预测模型:
步骤3.1:将各原料下料量作为输入、加水量作为输出,构建基于卷积神经网络的加水量回归预测模型;
步骤3.2:选取历史数据集中各原料下料量、加水量的历史数据构成第一训练集,对加水量回归预测模型进行训练;
步骤4:构建并训练水分含量分类预测模型:
步骤4.1:构建混合料水分含量的历史数据集A到水分含量类别集B的映射f:A→B,得到混合料水分含量x∈A对应的水分含量类别为y=f(x);
步骤4.2:将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出,构建基于卷积神经网络的水分含量分类预测模型;
步骤4.3:选取历史数据集中各原料下料量、加水量、混合料水分含量的历史数据并计算混合料水分含量对应的水分含量类别,构成第二训练集,对水分含量分类预测模型进行训练;
步骤5:基于双模型协同预测进行加水量控制:
步骤5.1:实时采集烧结混合加水过程的各原料下料量数据;
步骤5.2:将实时采集的各原料下料量输入到训练后的加水量回归预测模型中,输出本次加水量预测值;
所述预处理包括数据清洗、消除数据延迟、数据规范化。
所述加水量回归预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
所述水分含量分类预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
所述步骤4.1中,混合料水分含量x∈A对应的水分含量类别y=f(x)为
本发明的有益效果为:
(1)本发明基于卷积神经网络构建加水量回归预测模型,能够根据各原料下料量准确预测加水量,提高加水量预测的准确性;
(2)本发明基于卷积神经网络构建水分含量分类预测模型,能够根据各原料下料量和加水量准确预测水分含量类别,提高水分含量类别预测的准确性;
(3)本发明协同加水量回归预测模型与水分含量分类预测模型,能够根据各原料下料量和加水量预测值准确预测水分含量类别,并根据水分含量类别预测值对下一次加水量进行调节,提高了加水量控制的精度,使得混合料水分含量稳定在最佳范围,从而稳定烧结工况,改善烧结混合料的造粒指数、透气性及导热性,提高烧结生产效率,提高烧结矿的质量和产量。
附图说明
图1为具体实施方式中烧结工艺的流程图。
图2为烧结加水混合过程的时间延迟示意图。
图3为具体实施方式中本发明基于卷积神经网络的加水量回归预测模型的结构示意图。
图4为具体实施方式中本发明基于卷积神经网络的加水量回归预测模型的预测结果图。
图5为具体实施方式中本发明基于卷积神经网络的水分含量分类预测模型的预测结果图。
图6为本发明基于双模型协同预测进行加水量控制的流程图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
本发明基于双模型协同预测对烧结混合加水进行控制。本实施例中,烧结工艺如图1所示,整个烧结过程是将各种原料,包括含铁矿粉、熔剂、燃料等粉粒状物料,按一定比例配成混合料,通过传送皮带将混合原料传送到混合机,经过混合机的加水混合制粒作用形成用于烧结的混合料,再经过布料机的布料以及烧结机的烧结作用就可以形成烧结矿。其中,在混合制粒过程的出料口处设有水分仪用于检测混合料的水分含量。如图2所示,在烧结加水混合过程中存在时间延迟:从图2可以看出,以加水点为基准点,从物料配料完成到加水点期间就有几分钟的延迟,之后在加水点根据物料信息加水完成后,经过一次混合机加水混合完成后在出料口处才可以检测到混合料的水分,图中时间b和c之和大约为十分钟,所以这一系列的过程完成后已经有大约十分钟的延迟,这是对于传统控制的一大难点。
本发明的一种基于双模型协同预测的烧结混合加水控制方法,其特征在于,包括下述步骤:
步骤1:采集烧结混合加水过程的历史数据,构成历史数据集;所述历史数据包括下料过程的各原料下料量、混料过程的加水量、混合完成后的混合料水分含量。
步骤2:对历史数据集进行预处理。
本实施例中,所述预处理包括数据清洗、消除数据延迟、数据规范化。
步骤3:构建并训练加水量回归预测模型:
步骤3.1:将各原料下料量作为输入、加水量作为输出,构建基于卷积神经网络(Convolutional Neural Networks,CNN)的加水量回归预测模型;
步骤3.2:选取历史数据集中各原料下料量、加水量的历史数据构成第一训练集,对加水量回归预测模型进行训练。
如图3所示,本实施例中,所述加水量回归预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
本实施例中,选取历史数据集中10000组各原料下料量、加水量的历史数据,将10000组数据按9:1比例划分为第一训练集和第一测试集,设置加水量回归预测模型中学习率为0.001、损失函数为均方误差(MSE)、同时在损失函数中加入L2正则化项、随机失活比例为0.7、激活函数为ReLU、优化函数为梯度下降算法、batch size设置为32、迭代次数为3000次,用第一训练集对加水量回归预测模型进行训练。本实施例中,用第一测试集对加水量回归预测模型进行测试,得到加水量的部分预测结果如图4所示。由图4可以看出,本发明基于卷积神经网络的加水量回归预测模型对加水量的预测值接近真实值,提高了加水量预测的准确性。
步骤4:构建并训练水分含量分类预测模型:
步骤4.1:构建混合料水分含量的历史数据集A到水分含量类别集B的映射f:A→B,得到混合料水分含量x∈A对应的水分含量类别为y=f(x);
步骤4.2:将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出,构建基于卷积神经网络的水分含量分类预测模型;
步骤4.3:选取历史数据集中各原料下料量、加水量、混合料水分含量的历史数据并计算混合料水分含量对应的水分含量类别,构成第二训练集,对水分含量分类预测模型进行训练。
本实施例中,所述水分含量分类预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
本实施例中,如表1所示,根据水分含量检测值范围确定相应的水分含量类别。其中,水分含量类别3为目标类别,每个水分含量类别对应一个相对于目标类别的加水状态。水分含量类别的数目、每个水分含量类别对应的水分含量检测值范围及目标类别均可以根据烧结工艺的实际需求进行设置。所述步骤4.1中,混合料水分含量x∈A对应的水分含量类别y=f(x)为
表1
本实施例中,选取历史数据集中10000组各原料下料量、加水量、混合料水分含量的历史数据,将10000组数据按9:1比例划分为第二训练集和第二测试集,设置水分含量分类预测模型中学习率为0.001、损失函数为均方误差(MSE)、同时在损失函数中加入L2正则化项、随机失活比例为0.7、激活函数为ReLU、优化函数为梯度下降算法、batch size设置为32、迭代次数为3000次,用第二训练集对水分含量分类预测模型进行训练。本实施例中,用第二测试集对水分含量分类预测模型进行测试,得到水分含量类别的部分预测结果如图5所示。由图5可以看出,本发明基于卷积神经网络的水分含量分类预测模型对水分含量类别的预测值接近实际值,提高了水分含量类别预测的准确性。
步骤5:如图6所示,基于双模型协同预测进行加水量控制:
步骤5.1:实时采集烧结混合加水过程的各原料下料量数据;
步骤5.2:将实时采集的各原料下料量输入到训练后的加水量回归预测模型中,输出本次加水量预测值;
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (6)
1.一种基于双模型协同预测的烧结混合加水控制方法,其特征在于,包括下述步骤:
步骤1:采集烧结混合加水过程的历史数据,构成历史数据集;所述历史数据包括下料过程的各原料下料量、混料过程的加水量、混合完成后的混合料水分含量;
步骤2:对历史数据集进行预处理;
步骤3:构建并训练加水量回归预测模型:
步骤3.1:将各原料下料量作为输入、加水量作为输出,构建基于卷积神经网络的加水量回归预测模型;
步骤3.2:选取历史数据集中各原料下料量、加水量的历史数据构成第一训练集,对加水量回归预测模型进行训练;
步骤4:构建并训练水分含量分类预测模型:
步骤4.1:构建混合料水分含量的历史数据集A到水分含量类别集B的映射f:A→B,得到混合料水分含量x∈A对应的水分含量类别为y=f(x);
步骤4.2:将各原料下料量及加水量作为输入、混合料水分含量对应的水分含量类别作为输出,构建基于卷积神经网络的水分含量分类预测模型;
步骤4.3:选取历史数据集中各原料下料量、加水量、混合料水分含量的历史数据并计算混合料水分含量对应的水分含量类别,构成第二训练集,对水分含量分类预测模型进行训练;
步骤5:基于双模型协同预测进行加水量控制:
步骤5.1:实时采集烧结混合加水过程的各原料下料量数据;
步骤5.2:将实时采集的各原料下料量输入到训练后的加水量回归预测模型中,输出本次加水量预测值;
2.根据权利要求1所述的基于双模型协同预测的烧结混合加水控制方法,其特征在于,所述预处理包括数据清洗、消除数据延迟、数据规范化。
3.根据权利要求2所述的基于双模型协同预测的烧结混合加水控制方法,其特征在于,所述加水量回归预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
4.根据权利要求3所述的基于双模型协同预测的烧结混合加水控制方法,其特征在于,所述水分含量分类预测模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层、输出层,所述第一卷积层、第二卷积层、第三卷积层的卷积核大小均为3×3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910732165.0A CN110533082B (zh) | 2019-08-09 | 2019-08-09 | 一种基于双模型协同预测的烧结混合加水控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910732165.0A CN110533082B (zh) | 2019-08-09 | 2019-08-09 | 一种基于双模型协同预测的烧结混合加水控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533082A CN110533082A (zh) | 2019-12-03 |
CN110533082B true CN110533082B (zh) | 2022-02-01 |
Family
ID=68661352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910732165.0A Active CN110533082B (zh) | 2019-08-09 | 2019-08-09 | 一种基于双模型协同预测的烧结混合加水控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533082B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986491A (zh) * | 2019-12-16 | 2021-06-18 | 上海梅山钢铁股份有限公司 | 一种基于反馈自适应预测模型的混合料水分检测值修正方法 |
CN112001478B (zh) * | 2020-05-11 | 2023-04-11 | 蓝卓数字科技有限公司 | 一种基于机器学习双模型的橡胶下料量预测方法 |
CN112021626B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
CN113238478B (zh) * | 2021-05-14 | 2022-07-19 | 武汉工程大学 | 一种烧结混合料水分的前馈与闭环复合控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000248321A (ja) * | 1999-02-26 | 2000-09-12 | Nkk Corp | 焼結原料の水分制御方法 |
CN101364087A (zh) * | 2008-09-18 | 2009-02-11 | 中冶长天国际工程有限责任公司 | 一种烧结混合加水控制方法及系统 |
CN101477378A (zh) * | 2008-12-26 | 2009-07-08 | 首钢总公司 | 一种烧结生产用混合料的水分控制方法 |
CN101782771A (zh) * | 2010-03-17 | 2010-07-21 | 东华大学 | 基于免疫神经网络的纺丝工艺智能优化设计方法 |
CN101866188A (zh) * | 2010-05-27 | 2010-10-20 | 重庆大学 | 一种烧结混合料水分自动控制系统 |
CN102298316A (zh) * | 2011-04-27 | 2011-12-28 | 中南大学 | 有效抑制原料流量波动的烧结制粒水分控制参数整定方法 |
CN103667681A (zh) * | 2012-09-19 | 2014-03-26 | 宝山钢铁股份有限公司 | 一种铁矿粉制粒方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
-
2019
- 2019-08-09 CN CN201910732165.0A patent/CN110533082B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000248321A (ja) * | 1999-02-26 | 2000-09-12 | Nkk Corp | 焼結原料の水分制御方法 |
CN101364087A (zh) * | 2008-09-18 | 2009-02-11 | 中冶长天国际工程有限责任公司 | 一种烧结混合加水控制方法及系统 |
CN101477378A (zh) * | 2008-12-26 | 2009-07-08 | 首钢总公司 | 一种烧结生产用混合料的水分控制方法 |
CN101782771A (zh) * | 2010-03-17 | 2010-07-21 | 东华大学 | 基于免疫神经网络的纺丝工艺智能优化设计方法 |
CN101866188A (zh) * | 2010-05-27 | 2010-10-20 | 重庆大学 | 一种烧结混合料水分自动控制系统 |
CN102298316A (zh) * | 2011-04-27 | 2011-12-28 | 中南大学 | 有效抑制原料流量波动的烧结制粒水分控制参数整定方法 |
CN103667681A (zh) * | 2012-09-19 | 2014-03-26 | 宝山钢铁股份有限公司 | 一种铁矿粉制粒方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
Non-Patent Citations (4)
Title |
---|
《Intelligent control for moisture of sinter mixture based on ABPM artificial neural network》;Guo Li等;《2008 7th World Congress on Intelligent Control and Automation》;20081231;第8676-8680页 * |
《基于回归理论的烧结混合料加水参数估计》;吴岳明等;《燕山大学学报》;20190531;第43卷(第3期);第238-243页 * |
《神经网络PID在烧结混合料水分控制中的应用》;刘伟东;《仪器仪表与分析监测》;20120331(第3期);第1-3页 * |
《神经网络在烧结混合料水分控制中的应用》;孙乐等;《大连轻工业学院学报》;20030930;第22卷(第3期);第211-213页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533082A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533082B (zh) | 一种基于双模型协同预测的烧结混合加水控制方法 | |
CN109583118B (zh) | 一种烧结配比计算及烧结矿成本优化方法 | |
CN105087910B (zh) | 一种球团造球控制方法及装置 | |
CN103697699B (zh) | 烧结终点控制方法及系统 | |
CN102997671B (zh) | 一种烧结台车风箱风量控制方法及系统 | |
CN106636616B (zh) | 一种基于风箱废气温度的烧结矿成品率预测方法 | |
CN108672025B (zh) | 一种钢球磨煤制粉系统的多工况最优解耦控制方法 | |
CN101916070A (zh) | 基于RSLogix5000的烧结混合料水分PID控制方法及装置 | |
CN110246547B (zh) | 一种烧结过程配矿优化方法 | |
CN103031435A (zh) | 烧结终点位置控制方法及系统 | |
CN101555546B (zh) | 一种烧结原料的配比调整方法 | |
CN114216349B (zh) | 一种基于编码解码网络的烧结终点预报方法 | |
CN111308894A (zh) | 一种烧结过程耦合配矿及控制过程的参数调节方法 | |
CN107703743B (zh) | 烧结矿碱度自动控制方法 | |
CN103033050B (zh) | 烧结系统主抽风机变频控制方法及系统 | |
CN113457540B (zh) | 一种用于烧结混合料的智能控水系统及方法 | |
CN102156486A (zh) | 一种烧结生产中混合料加水控制方法 | |
CN103033049A (zh) | 烧结机主抽风机负压控制方法及系统 | |
CN104328276A (zh) | 一种烧结过程中固体燃料的控制方法、装置及系统 | |
CN109654897B (zh) | 一种提高碳效的烧结终点智能控制方法 | |
CN105046357A (zh) | 一种烧结系统中返矿仓物料平衡控制模型 | |
CN103017529A (zh) | 烧结机主抽风机风量控制方法及系统 | |
Agrawal et al. | Improving the burdening practice by optimization of raw flux calculation in blast furnace burden | |
CN206330430U (zh) | 一种烧结机点火炉燃烧优化控制系统 | |
CN114842918A (zh) | 一种基于机器学习的烧结混合料自动加水方法 |
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 |