CN110716499B - 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 - Google Patents
基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 Download PDFInfo
- Publication number
- CN110716499B CN110716499B CN201911043345.4A CN201911043345A CN110716499B CN 110716499 B CN110716499 B CN 110716499B CN 201911043345 A CN201911043345 A CN 201911043345A CN 110716499 B CN110716499 B CN 110716499B
- Authority
- CN
- China
- Prior art keywords
- pid
- bending machine
- numerical control
- motion
- feedforward
- 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
- 238000005452 bending Methods 0.000 title claims abstract description 54
- 230000033001 locomotion Effects 0.000 title claims abstract description 41
- 210000002569 neuron Anatomy 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000002131 composite material Substances 0.000 title abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000001360 synchronised effect Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012804 iterative process Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000006880 cross-coupling reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002411 adverse Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000002184 metal Substances 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35408—Calculate new position data from actual data to compensate for contour error
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于单神经元PID和迭代学习前馈的数控折弯机运动复合控制方法，其特征是将迭代学习和单神经元PID相结合构成复合控制器，它包括以下步骤：（1）位置信息的获取；（2）PID参数自调整与数控折弯机的初次运动控制；（3）迭代过程中数控折弯机的运动控制；（4）迭代前馈量的更新。本发明能弥补现有的PID控制器不能根据实际工况进行参数调整，适应性和快速性不足等缺点，可减小钣金折弯过程中因双缸电液比例系统模型参数的差异与时变以及折弯负载力干扰等导致系统指令跟随误差和双缸同步误差增大给生产效率和机床工况带来的不良影响，最终实现改善折弯加工工况，提高加工效率的目的。
Description
技术领域
本发明涉及一种基于单神经元PID和迭代学习前馈的数控折弯机运动控制复合方法，属于智能控制领域。
背景技术
电液同步数控折弯机依靠双缸电液比例系统的闭环检测与控制，实现双缸的同步运动与精确定位，以控制上模下压将钣金件折制成所需角度。但是由于折弯机双缸的模型参数、泄漏和死区存在差异且随油温变化，以及工作时受到板材形变负载力的干扰，这使得折弯机的控制参数选择十分困难。因此要求控制器本身应具有良好的参数自适应性和鲁棒性，来保证折弯机系统具有良好的运动同步性和定位快速性。
目前，工程上最常用的PID控制器参数一经设定，在整个工作过程中是恒定的，对折弯机实际工况的适应能力较差，难以同时保证机床运动的同步性和定位快速性。
发明内容
本发明的目的是针对现有的数控折弯机自适应控制能力效差及鲁棒性不足的问题，发明一种基于单神经元PID和迭代学习前馈的数控折弯机运动控制复合方法(ILC+SNPID)，以弥补现有的PID控制器适应能力差、鲁棒性不足的问题，通过提高指令动态跟随性和双缸同步性，达到提高加工效率和精度，改善加工工况的目的。
本发明的技术方案是：
一种基于单神经元PID(single-neuron PID，简称SNPID)和迭代学习前馈(Iterative Learning Control，简称ILC)的数控折弯机运动复合控制方法，简称ILC+SNPID算法，其特征在于它包括以下步骤：
(1)位置信息的获取；
控制器通过安装在数控折弯机上模的光栅尺采集当前位置信息进行运算；
(2)PID参数自调整与数控折弯机的初次运动控制
单神经元PID根据位置信息的误差、误差变换率以及误差变化率的一阶导数调整PID参数，实现参数根据机床实际工况的自适应变化；
将单神经元PID作为数控折弯机的闭环控制算法，控制数控折弯机的初次加工运动；
(3)迭代过程中数控折弯机的运动控制
在对同一工件进行连续加工时，从步骤(2)完成开始，控制器中的迭代学习算法会通过对上一次的运动误差进行学习生成当次运动的前馈控制量并与单神经元PID共同控制机床的当次运动；
为了提高折弯机系统的双缸同步性，将交叉耦合同步控制加入到迭代学习率中；
在进行了有限次迭代后，得到适应当前机床工况的前馈控制量并保存，与单神经元PID算法共同控制机床的后续加工，以提高机床的加工效率，改善加工工况；
(4)迭代前馈量的更新；
当折弯工况发生变化，或连续工作达到一定周期(油液升温)，清空已储存的前馈量，重复步骤(3)，使系统具有良好的工况适应性。
如上述基本设计思路，本申请提出一种基于单神经元PID和迭代学习前馈的复合控制方法(ILC+SNPID)来提高折弯机双缸系统运动的快速性、鲁棒性和同步性。
传统的PID控制具有简单的控制结构，易于工程实现，稳定性较好等优点而被广泛应用。但在实际的生产中，由于系统的双缸模型参数的固有差异，以及泄漏、死区等时变因素，导致控制参数固定的PID控制器无法很好地适应工况变化。而神经元是一种具有自主学习自适应调节功能的结构，将它与PID控制相结合形成的单神经元PID控制器(SNPID)，不需要精确的数学模型，具有鲁棒性强、响应速度快、可适应工况自主调节PID参数的特点，将其作为系统的闭环控制器，可以使系统具有抗干扰性和自适应性，保证系统稳定，实现更好的控制效果。
单神经元PID本质属于反馈控制，若要提高系统的快速性，主要依靠增大其比例系数kp，而kp过大会引起系统的震荡抖动，因此单纯的单神经元PID控制对系统快速性的提升存在瓶颈，若要进一步提高系统定位的快速性则需要引入前馈控制。
迭代学习控制(ILC)，基于数据驱动的思想，同样无须建模且能根据机床工况进行自主学习，将它作为系统的前馈补偿项，可以在系统的连续运动过程中分别得到适应于双缸各自不同的前馈补偿量，从而弥补双缸系统参数、泄漏、死区的差异带来的不良影响。
最后，将单神经元PID和迭代学习前馈相结合，形成了本发明的ILC+SNPID方法。
本发明的有益效果是：
1.通过单神经元PID作为系统闭环算法对系统实际工况进行参数调整，提高了系统的鲁棒性。
2.通过引入迭代前馈控制量，提高了系统的指令跟随能力，减少了到位时间，提高了加工效率。
3.迭代学习中引入交叉耦合控制，保证了系统运动过程中的双缸同步性。
本发明能弥补现有的PID控制器不能根据实际工况进行参数调整，适应性和快速性不足等缺点，可减小钣金折弯过程中因双缸电液比例模型参数的差异与时变以及折弯负载力干扰等导致系统指令跟随误差和双缸同步误差增大给生产效率和机床工况带来的不良影响，最终实现改善折弯加工工况，提高加工效率的目的。
附图说明
图1是本发明涉及的单神经元PID控制算法结构图。
图2是本发明涉及的进行迭代时控制系统结构图。
图3是本发明涉及的迭代了有限次后控制系统结构图。
图4是本发明涉及的实验位移对比图。
图5是本发明涉及的实验指令跟踪误差对比图。
图6是本发明涉及的实验双缸同步误差对比图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明。
如图1-6所示。
一种基于单神经元PID和迭代学习前馈的数控折弯机运动控制复合方法，包括步骤如下：
(1)位置信息的获取；
控制器通过安装在数控折弯机上模的光栅尺采集当前位置信息进行运算。
(2)PID参数自调整与数控折弯机的初次运动控制；
单神经元PID根据位置信息的误差、误差变换率以及误差变化率的一阶导数调整PID参数，实现参数根据机床实际工况的自适应变化。
将单神经元PID作为数控折弯机的闭环控制算法，控制数控折弯机的初次加工运动。
具体地，分为以下实施步骤：
步骤2.1。
分析了单神经元和增量式PID的结构，将二者融合得到单神经元PID控制器，结构如图1所示；
步骤2.2。
通过步骤(1)得到系统的当前位置，计算得到位置偏差e(t)、偏差变化率ec(t)、偏差变化率的一阶导数ecc(t)，将他们作为单神经元的三个状态输入量，表达式如下：
步骤2.3。
基于最小均方LMS原理进行权值修正，公式如下：
式中：η1＝ηp，η2＝ηi，η3＝ηd为比例、积分、微分系数学习率；w1(t)＝kp，w2(t)＝ki，w3(t)＝kd为神经元权值，分别对应于PID的比例、积分、微分系数；
步骤2.4。
利用修正后的权值进行计算，得到闭环算法的控制输出量ud(t)，控制机床的初次运动，表达式如下：
ud(t)＝ud(t-1)+Δud(t)＝ud(t-1)+K[w1(t)x1(t)+w2(t)x2(t)+w3(t)x3(t)]
式中：K为单神经元的比例系数。
(3)迭代过程中数控折弯机的运动控制；
在对同一工件进行连续加工时，从步骤(2)完成开始，采用如图2所示结构方案进行复合控制。控制器中的迭代学习算法会通过对上一次的运动误差进行学习，生成当次运动的前馈控制量并与单神经元PID共同控制机床的当次运动，最终经过有限次的迭代得到当前机床适应此种工件的前馈控制量并进行存储，指导后续加工。
为了提高折弯机系统的双缸同步性，将交叉耦合同步控制加入到迭代学习率中。
在进行了有限次迭代后，得到适应当前机床工况的前馈控制量并保存，与单神经元PID算法共同控制机床的后续加工，以提高机床的加工效率，改善加工工况。具体地，分为以下步骤：
步骤3.1。
基于开环PD型迭代学习算法，构建适合于数控折弯机电液比例双缸系统的带交叉耦合同步矫正的迭代学习率，前馈补偿量计算公式如下：
式中：
和Uk+1 L(t)、Uk+1 R(t)分别为左缸、右缸第k次和k+1次的补偿量；
分别为左缸、右缸第k次的运动误差；Ks为同步比例系数；
为左缸、右缸的当前位移。
最终得到第k次运动的总控制量计算公式为：
UL(t)＝ud L(t)+Uk L(t)
UR(t)＝ud R(t)+Uk R(t)；
式中：UL(t)和UR(t)分别为左缸和右缸总的控制量；
和
为左缸和右缸的单神经元PID闭环控制量。
步骤3.2。
采用如图2所示结构方案进行迭代控制，迭代在进行了有限次N次后，将所得前馈补偿量保存下来，分别得到适应于左右两缸的迭代前馈补偿量
和
用于后续加工过程的前馈控制，结构方案如图3所示；
(4)迭代前馈量的更新；
当折弯工况发生变化，或连续工作达到一定周期后(油液升温)，清空已储存的前馈量，重复步骤(3)，使系统具有良好的工况适应性。
实施效果：在扬力MB8-100X4200型折弯机上进行控制方法对比实验，结果如图4、图5和图6所示。实验结果表明，ILC+SNPID算法相较于PID算法，系统的最大跟踪误差和最大同步误差分别从2.1mm和0.14mm减小到0.5mm和0.055mm，而且在满足折弯精度±0.01mm前提下，ILC+SNPID算法控制完成折弯定位的周期较PID算法缩短了0.26s，提升加工效率约18％。
本发明未涉及部分与现技术相同或可采用现有技术加以实现。
Claims (4)
1.一种基于单神经元PID和迭代学习前馈的数控折弯机运动复合控制方法，其特征在于其包括以下步骤：
步骤一，位置信息的获取；
控制器通过安装在数控折弯机上模的光栅尺采集当前位置信息进行运算；
步骤二，PID参数自调整与数控折弯机的初次运动控制；
单神经元PID根据位置信息的误差、误差变换率以及误差变化率的一阶导数调整PID参数，实现参数根据机床实际工况的自适应变化；
将单神经元PID作为数控折弯机的闭环控制算法，控制数控折弯机的初次加工运动；
步骤三，迭代过程中数控折弯机的运动控制；
在对同一工件进行连续加工时，从步骤二完成开始，控制器中的迭代学习算法通过对上一次的运动误差进行学习生成本次运动的前馈控制量并与单神经元PID共同控制机床的本次运动；
为提高数控折弯机系统的双缸同步性，将交叉耦合同步控制加入到迭代学习率中；
在进行了有限次迭代后，得到适应当前机床工况的前馈控制量并保存，与单神经元PID算法共同控制机床的后续加工，以提高机床的加工效率，改善加工工况；
步骤四，迭代前馈量的更新；
当折弯工况发生变化，或连续工作达到设定加工周期或油液升温值后，清空已储存的前馈量，重复步骤三，使系统具有良好的工况适应性。
2.根据权利要求1所述的方法，其特征在于所述的步骤二包括以下步骤：
（一）控制器通过光栅尺反馈的位置信息，计算出位置误差e(t)、误差变化率e c(t)以及误差变化率的一阶导数e cc(t)，通过基于最小均方算法（LMS）的权值修正公式计算调整PID系数以实现PID参数根据实际工况的自适应调节；
（二）控制器得到调节后的PID参数，经过PID运算得到数控折弯机的控制量，控制机床的初次运动。
3.根据权利要求1所述的方法，其特征在于所述的步骤三包括以下步骤：
（一）在迭代进行过程中，将交叉耦合同步控制融入PD型学习率中，得到适应数控折弯机系统的带同步矫正的PD型学习率；
（二）采用带同步矫正的PD型学习率进行迭代学习，根据上一次运动的误差得到此次运动的前馈控制量，然后与单神经元PID算法共同控制数控折弯机的此次运动；
（三）在进行了有限次迭代后，得到适应当前数控折弯机工况的前馈控制量并保存，与单神经元PID算法共同控制机床的后续加工。
4.根据权利要求1所述的方法，其特征在于所述的步骤四包括以下步骤：
（一）在折弯工况发生变化或系统连续进行了设定周期的加工或达到设定的油液升温值后，系统自动清空已经存储的前馈补偿量，重新进行步骤三，得到适应于当前工况的前馈控制量，使算法具有良好的工况动态自适应性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043345.4A CN110716499B (zh) | 2019-10-30 | 2019-10-30 | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043345.4A CN110716499B (zh) | 2019-10-30 | 2019-10-30 | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110716499A CN110716499A (zh) | 2020-01-21 |
| CN110716499B true CN110716499B (zh) | 2022-03-08 |
Family
ID=69213483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911043345.4A Active CN110716499B (zh) | 2019-10-30 | 2019-10-30 | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110716499B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112506039A (zh) * | 2020-11-11 | 2021-03-16 | 珠海格力电器股份有限公司 | 电器设备输出的控制方法、控制装置以及电器设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009156051A (ja) * | 2007-12-25 | 2009-07-16 | Nissan Motor Co Ltd | 電制装置の制御装置 |
| CN105773623A (zh) * | 2016-04-29 | 2016-07-20 | 江南大学 | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 |
| CN110112980A (zh) * | 2019-05-13 | 2019-08-09 | 杭州电子科技大学 | 基于分数微积分的闭环迭代学习的控制方法和系统 |
| CN110221541A (zh) * | 2019-05-31 | 2019-09-10 | 固高科技(深圳)有限公司 | 伺服系统中前馈控制器的前馈系数获取装置、方法 |
| CN110376879A (zh) * | 2019-08-16 | 2019-10-25 | 哈尔滨工业大学（深圳） | 一种基于神经网络的pid型迭代学习控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7181296B2 (en) * | 2003-08-06 | 2007-02-20 | Asml Netherlands B.V. | Method of adaptive interactive learning control and a lithographic manufacturing process and apparatus employing such a method |
| US20060170382A1 (en) * | 2005-01-28 | 2006-08-03 | Nikon Corporation | Linear motor force ripple identification and compensation with iterative learning control |
| US20130116814A1 (en) * | 2011-11-07 | 2013-05-09 | Nikon Corporation | Feedforward control adjusted with iterative learning |
-
2019
- 2019-10-30 CN CN201911043345.4A patent/CN110716499B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009156051A (ja) * | 2007-12-25 | 2009-07-16 | Nissan Motor Co Ltd | 電制装置の制御装置 |
| CN105773623A (zh) * | 2016-04-29 | 2016-07-20 | 江南大学 | 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法 |
| CN110112980A (zh) * | 2019-05-13 | 2019-08-09 | 杭州电子科技大学 | 基于分数微积分的闭环迭代学习的控制方法和系统 |
| CN110221541A (zh) * | 2019-05-31 | 2019-09-10 | 固高科技(深圳)有限公司 | 伺服系统中前馈控制器的前馈系数获取装置、方法 |
| CN110376879A (zh) * | 2019-08-16 | 2019-10-25 | 哈尔滨工业大学（深圳） | 一种基于神经网络的pid型迭代学习控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 双缸电液位置伺服同步控制系统的智能控制;邓飙等;《西安交通大学学报》;20111130(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110716499A (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100562823C (zh) | 一种复杂轨迹的轮廓控制方法 | |
| CN102681489B (zh) | 多轴联动数控系统运动平稳性和轮廓加工精度控制方法 | |
| CN110032142B (zh) | 基于数控加工路径最小化修正的轮廓误差预补偿方法 | |
| CN109541940B (zh) | 基于2d模型多阶段间歇过程受限预测混杂容错控制方法 | |
| CN110989495B (zh) | 基于自适应迭代学习的误差补偿方法及数控控制系统 | |
| Moshayedi et al. | PID Tuning Method on AGV (automated guided vehicle) Industrial Robot | |
| CN115113582B (zh) | 一种面向零件轮廓误差的五轴位置环增益离线矫正方法 | |
| CN110716499B (zh) | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 | |
| CN105005265A (zh) | 一种基于曲线光滑变形的数控加工进给率规划方法 | |
| CN110703693B (zh) | 一种机床进给系统的迭代学习前馈控制方法及系统 | |
| CN110518848B (zh) | 基于单神经元与改进粒子群算法优化双电机高速高精度同步控制方法 | |
| CN113031439A (zh) | 一种双运动台精密协同控制系统及方法 | |
| CN107544255A (zh) | 一种批次过程的状态补偿模型控制方法 | |
| CN110968037A (zh) | 一种减小多轴运动系统轮廓误差的控制方法 | |
| CN112180738B (zh) | 针对非线性注塑成型异步切换过程鲁棒模糊预测控制方法 | |
| CN113485096A (zh) | 一种电液位置伺服系统反馈-前馈迭代学习方法 | |
| CN110744538B (zh) | 一种应用于石油机械的液压位置同步控制方法 | |
| CN110488600B (zh) | Lqr优化型无刷直流电机调速神经网络pid控制器 | |
| CN116125785A (zh) | 一种光刻机工件台运动控制方法 | |
| CN103611767B (zh) | 一种电液双缸折弯机滑块位置控制方法 | |
| CN115236987A (zh) | 一种基于误差跟踪的磁悬浮工作台迭代学习鲁棒控制方法 | |
| CN106647247B (zh) | 一种适用于伺服控制器的控制算法 | |
| CN112068447A (zh) | 大型装备电液系统高精度鲁棒位置控制方法 | |
| CN112068430A (zh) | 一种电液比例阀死区补偿算法及补偿系统 | |
| CN117234087A (zh) | 一种基于鲁棒自适应迭代学习反应釜控制方法 |
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 |