CN111027146B - 一种车辆载荷动态实时计算方法 - Google Patents
一种车辆载荷动态实时计算方法 Download PDFInfo
- Publication number
- CN111027146B CN111027146B CN201911392989.4A CN201911392989A CN111027146B CN 111027146 B CN111027146 B CN 111027146B CN 201911392989 A CN201911392989 A CN 201911392989A CN 111027146 B CN111027146 B CN 111027146B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- network model
- vehicle
- training
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000000586 desensitisation Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种车辆载荷动态实时计算方法，首先通过传感器实时采集汽车动力系统数据，建立起整车动力学理论模型；引入深度神经网络模型，利用大数据降低传感器噪声和环境噪声的影响，过滤干扰因素，获得神经网络模型；大数据，包括若干汽车的全生命周期时间序列数据；接着在云端通过GPU集群训练神经网络模型，并经过测试优化后实现边缘的部署；最后通过车载模块实时采集传感器数据，同步输入到训练好的神经网络模型，计算动态的车辆载重数据。本发明实现商用车辆载荷数据的实时监控，能有效杜绝超载现象，具有良好的社会效益，同时本发明位纯软件方案，经济性相对传统的定点检查站和改装车辆方案有压倒性优势。
Description
技术领域
本发明属于汽车载荷测量技术领域，涉及一种车辆载荷动态实时计算方法，具体涉及一种通过深度学习神经网络，结合现代物联网技术，在线实时估算汽车载荷，实现车辆载重的间接测量方法。
背景技术
商用车行业面临大面积超载的现状和检测手段缺乏的矛盾，现有直接测量手段通过人工限超站定点检测，车辆加装重量传感器等，成本高，人工操作随意性大，不灵活，不方便，不能全面覆盖，没有实时性。
发明内容
为了解决上述技术问题，本发明提供了一种车辆载荷动态实时计算方法，通过采集车辆动力系统参数和车辆动力学指标，通过深度神经网络方法，实现对车辆载荷的动态实时计算，有效的降低检测成本，并通过物联网技术实现对所有车辆的完全覆盖，能全面覆盖所有符合国家标准的商用车。
本发明所采用的技术方案是：一种车辆载荷动态实时计算方法，其特征在于，包括以下步骤：
步骤1：通过传感器实时采集汽车动力系统数据，建立起整车动力学理论模型；
整车动力学理论模型为：
m＝F/a；
其中，F为整车受到的作用力，m为整车质量，a为加速度；F为动力与阻力之差；其中，动力包括电机扭力、发动机扭力、传动比，阻力包括风阻、地面摩擦力、重力分力、传动系统摩擦力；
步骤2：考虑到整车动力学理论模型受到噪声影响，引入深度神经网络模型，利用大数据降低传感器噪声和环境噪声的影响，过滤干扰因素，获得神经网络模型；所述大数据，包括若干汽车的全生命周期时间序列数据；
步骤3：云端训练所述神经网络模型；
在云端通过GPU集群训练所述神经网络模型，并经过测试优化后实现边缘的部署；
步骤4：终端推理；
通过车载模块实时采集传感器数据，同步输入到训练好的神经网络模型，计算动态的车辆载重数据。
相对于现有技术，本发明具有以下有益效果：
(1)全自动实现，不需要人工操作，避免了人工介入的随意性，杜绝人工干预带来的灰色空间；
(2)不设固定检测点，实现全时域覆盖；
(3)本发明适用于新能源汽车，混动车和燃油车，对符合国家标准的车型，实现全覆盖；
(4)本发明涉及到的车辆输入数据由现有标准传感器采集、上传，不需要增加任何硬件
(5)采用AI大数据方法，算法迭代，新的算法会通过云端部署，测量进度会不断提高。
本发明通过现代物联网平台和先进的深度学习神经网络技术，实现商用车辆载荷数据的实时监控。相对传统的专设超限检查站或者车辆加装载重传感器，能实现对车辆载荷的全时全域监控，能有效杜绝超载现象，通过最新的AI技术用于车辆载荷检测，推动新技术的落地，具有良好的社会效益，同时本发明位纯软件方案，经济性相对传统的定点检查站和改装车辆方案有压倒性优势。
附图说明
图1为本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明以车辆动力载荷模型为基础，通过传感器实时采集汽车动力电机电压电流扭矩转速数据，结合车辆档位和传动比关系，跟汽车运动数据建立数学模型，并通过大数据建模和深度神经网络消除传感器噪声和路面摩擦力差异等环境噪声，过滤干扰因素。在云端通过GPU集群训练模型，并实现正在边缘的部署。实现实时监控任意车辆的载荷数据，对超载相关危险情况提前预警，并通过云端报警甚至限制动力输出方式避免危险。
请见图1，本发明提供的一种车辆载荷动态实时计算方法，包括以下步骤：
步骤1：通过传感器实时采集汽车动力系统数据，建立起整车动力学理论模型；
整车动力学理论模型为：
m＝F/a；
其中，F为整车受到的作用力，m为整车质量，a为加速度；F为动力与阻力之差；其中，动力包括电机扭力、发动机扭力、传动比，阻力包括风阻、地面摩擦力、重力分力、传动系统摩擦力；
其中，电机扭力为正作用力，通过电动车减速器传到到轮胎(电动汽车通常不设变速箱，相对燃油车传动简单)，动力参数可以相对精确的动态测量。
地面摩擦力为负作用力，汽车轮胎跟地面摩擦产生的阻力，跟路面情况、轮胎，载重量相关，摩擦力跟速度相关，受一定的环境噪声影响。
风阻为负作用力，汽车行驶时受到的空气阻力，跟风阻系数和速度相关，风阻系数由汽车外形决定，特定的车型为不变量，速度可以动态测量。
重力分力为重力在运动方向的分力，跟坡度相关，可以通过角度传感器测量，或者GPS定位和高精度地图间接得到。
动态速度变化可以通过GPS准确测量。
上述数据具体到汽车传感器上，可以体现在汽车电机驱动器输入电压，输入电流，电机扭矩，电机转速，环境温度，传动比，电机效率曲线，铜损铁损，汽车速度，加速度，还有动力电池系统成百上千节电池的电压温度等数据，参数非常庞大。
实际工程化过程中，上述数据具体到成可准确测量的发动机扭矩，转速，电机电压、电流、电机扭矩、电机转速、电池单体电压、电池电控电机温度、挡位、传动比、速度、加速度、风阻系数和无法简单测量的整车震动，风速，传动系统阻力，电机铜损铁损，路面阻力，坡度。传统的工程化采用简化模型方法(如忽略传动系统阻力、路面颠簸震动等)，会导致间接测量精度无法接受。本方案测量所有可能的影响数据，通过神经网络处理海量输入和复杂模型(权重W和偏置b)，用神经网络求解各个因素权重得出最优解，而不通过简化模型来求解。
步骤2：考虑到整车动力学理论模型受到噪声影响，引入深度神经网络模型，利用大数据降低传感器噪声和环境噪声的影响，过滤干扰因素，获得神经网络模型；大数据，包括若干汽车的全生命周期时间序列数据；
本实施例中，为整车动力学理论模型中各个变量赋予权重，并通过深度神经网络，处理连续输入的时序数据，求解各个变量权重得出最优解，获得神经网络模型。
本方案采用循环深度神经网络处理时序数据，用于处理连续输入的时序数据。基础的神经网络只在层与层之间建立了权连接，RNN在不同时序对应层的神经元之间也建立的权连接。通过时序间神经元的连接，消除了瞬态数据毛刺的影响。
步骤3：云端训练神经网络模型；
在云端通过GPU集群训练神经网络模型，并经过测试优化后实现边缘的部署；
具体实现包括以下子步骤：
步骤3.1：采集训练数据集；
人工标注若干组不同载重量汽车，进行不同路况，不同环境下的路测，通过传感器实时采集预设测试周期的汽车动力系统数据；以汽车载重量作为标签，汽车动力系统数据作为输入；汽车动力系统数据按预设比例分为训练集和验证集，脱敏清洗后作为神经网络模型的输入；
步骤3.2：训练神经网络模型；
在云端通过GPU集群上进行训练，将标注好的训练集作为输入，计算神经网络模型输出和人工标注数据偏差，通过反向传播纠正权重数据；经过一定循环数量的反复训练，用验证集评判神经网络模型精度，在神经网络模型达到一定精度后停止训练，得到训练好的神经网络模型；
步骤3.3：边缘部署；
将训练好的神经网络模型部署在车载模块上。
步骤4：终端推理；
通过车载模块实时采集传感器数据，同步输入到训练好的神经网络模型，计算动态的车辆载重数据；对超载相关危险情况提前预警，并通过限制动力输出方式避免危险。
本发明传感器数据直接来自国标GB/T 32960.3-2016；按照国标GB/T32960.3-2016：电动汽车远程服务与管理系统技术规范(规范实际覆盖了电动，氢能源，燃油和混动)，要求商用车按照最低频率每10秒上传一帧实时信息上报数据，包括整车数据、驱动电机数据、燃料电池数据、发动机数据、车辆位置数据、极值数据、报警数据、海量尚未被充分挖掘的数据。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种车辆载荷动态实时计算方法，其特征在于，包括以下步骤：
步骤1：通过传感器实时采集汽车动力系统数据，建立起整车动力学理论模型；
整车动力学理论模型为：
m＝F/a；
其中，F为整车受到的作用力，m为整车质量，a为加速度；F为动力与阻力之差；其中，动力包括电机扭力、发动机扭力、传动比，阻力包括风阻、地面摩擦力、重力分力、传动系统摩擦力；
步骤2：考虑到整车动力学理论模型受到噪声影响，引入深度神经网络模型，利用大数据降低传感器噪声和环境噪声的影响，过滤干扰因素，获得神经网络模型；所述大数据，包括若干汽车的全生命周期时间序列数据；
采用循环深度神经网络处理时序数据，用于处理连续输入的时序数据；基础的神经网络只在层与层之间建立了权连接，RNN在不同时序对应层的神经元之间也建立的权连接；通过时序间神经元的连接，消除了瞬态数据毛刺的影响；
步骤3：云端训练所述神经网络模型；
在云端通过GPU集群训练所述神经网络模型，并经过测试优化后实现边缘的部署；
步骤3的具体实现包括以下子步骤：
步骤3.1：采集训练数据集；
人工标注若干组不同载重量汽车，进行不同路况，不同环境下的路测，通过传感器实时采集预设测试周期的汽车动力系统数据；以汽车载重量作为标签，汽车动力系统数据作为输入；所述汽车动力系统数据按预设比例分为训练集和验证集，脱敏清洗后作为神经网络模型的输入；
步骤3.2：训练神经网络模型；
在云端通过GPU集群上进行训练，将标注好的训练集作为输入，计算神经网络模型输出和人工标注数据偏差，通过反向传播纠正权重数据；经过一定循环数量的反复训练，用验证集评判神经网络模型精度，在神经网络模型达到一定精度后停止训练，得到训练好的神经网络模型；
步骤3.3：边缘部署；
将训练好的神经网络模型部署在车载模块上；
步骤4：终端推理；
通过车载模块实时采集传感器数据，同步输入到训练好的神经网络模型，计算动态的车辆载重数据。
2.根据权利要求1所述的车辆载荷动态实时计算方法，其特征在于：步骤2中，为整车动力学理论模型中各个变量赋予权重，并通过深度神经网络，处理连续输入的时序数据，求解各个变量权重得出最优解，获得神经网络模型。
3.根据权利要求1-2任意一项所述的车辆载荷动态实时计算方法，其特征在于：步骤4中，对超载相关危险情况提前预警，并通过限制动力输出方式避免危险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911392989.4A CN111027146B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆载荷动态实时计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911392989.4A CN111027146B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆载荷动态实时计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027146A CN111027146A (zh) | 2020-04-17 |
| CN111027146B true CN111027146B (zh) | 2023-11-24 |
Family
ID=70195879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911392989.4A Active CN111027146B (zh) | 2019-12-30 | 2019-12-30 | 一种车辆载荷动态实时计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027146B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158141B (zh) * | 2021-04-07 | 2023-02-28 | 北京理工大学 | 基于大数据的新能源汽车超载检测方法 |
| CN113984175A (zh) * | 2021-10-26 | 2022-01-28 | 东北大学秦皇岛分校 | 基于人工神经网络的车载重标定方法及云服务系统 |
| CN116910627B (zh) * | 2023-09-11 | 2023-11-17 | 四川大学 | 一种提高电动汽车电驱系统效率的方法、系统及存储介质 |
| CN118082891B (zh) * | 2024-04-26 | 2024-06-18 | 广汽埃安新能源汽车股份有限公司 | 一种挡位优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0535786A2 (en) * | 1991-10-03 | 1993-04-07 | AT&T Corp. | Training system for neural networks |
| CN105808798A (zh) * | 2014-12-30 | 2016-07-27 | 南车株洲电力机车研究所有限公司 | 一种无轨自导向汽车列车的协同仿真系统 |
| CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
| CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
| CN110509916A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于深度神经网络的车身姿态稳定方法和系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9235799B2 (en) * | 2011-11-26 | 2016-01-12 | Microsoft Technology Licensing, Llc | Discriminative pretraining of deep neural networks |
| US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
| US20180260703A1 (en) * | 2016-11-22 | 2018-09-13 | Massachusetts Institute Of Technology | Systems and methods for training neural networks |
| US11176447B2 (en) * | 2018-06-19 | 2021-11-16 | Hong Kong Applied Science and Technology Research Institute Company Limited | Semiconductor device modeling using input pre-processing and transformed targets for training a deep neural network |
-
2019
- 2019-12-30 CN CN201911392989.4A patent/CN111027146B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0535786A2 (en) * | 1991-10-03 | 1993-04-07 | AT&T Corp. | Training system for neural networks |
| CN105808798A (zh) * | 2014-12-30 | 2016-07-27 | 南车株洲电力机车研究所有限公司 | 一种无轨自导向汽车列车的协同仿真系统 |
| CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
| CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
| CN110509916A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于深度神经网络的车身姿态稳定方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027146A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027146B (zh) | 一种车辆载荷动态实时计算方法 | |
| CN106908075B (zh) | 大数据采集与处理系统及基于其电动汽车续航估计方法 | |
| CN107544031B (zh) | 一种模拟双电混合电动汽车行驶动力性能评价方法和装置 | |
| LU500570B1 (en) | Method for vehicle load weight prediction, system, electronic equipment, and medium thereof | |
| CN105631163A (zh) | 一种电动汽车动力电池能量消耗硬件在线仿真方法及装置 | |
| CN111833604B (zh) | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 | |
| CN106647275B (zh) | 一种新能源汽车的远程监控系统 | |
| CN105128853A (zh) | 一种用于计算增程式混合动力汽车续驶里程的系统 | |
| US10054643B2 (en) | Method and apparatus for isolating root cause of low state of charge of a DC power source | |
| CN112051076A (zh) | 新能源汽车动力总成路谱加载试验方法 | |
| TWI806670B (zh) | 一種電動汽車質量的動態計算方法及裝置 | |
| CN113642242A (zh) | 一种基于数字孪生的智能公交车交通仿真平台 | |
| CN102410936A (zh) | 一种电动汽车整车经济性测试系统及其测试方法 | |
| CN111179465B (zh) | 一种汽车油耗预测方法 | |
| CN114662954A (zh) | 车辆性能评估系统 | |
| CN111198032A (zh) | 汽车质量实时估算方法 | |
| KR101792177B1 (ko) | 내연 기관에 의해 생성되는 토크를 추정하는 방법 | |
| CN111579037A (zh) | 一种检测车辆超载的方法和系统 | |
| CN111896264B (zh) | 增程器用发动机的试验工况生成方法、装置及电子设备 | |
| CN115079663A (zh) | 一种基于数字孪生技术的车辆动力系统的监控方法及装置 | |
| Adermann et al. | Experimental study of energy consumption variation in recurring driving trips | |
| CN104614986B (zh) | 基于工况自学习的混合动力总成优化标定实验系统及方法 | |
| CN117109941A (zh) | 车辆测试方法、装置、电子设备及存储介质 | |
| CN110789396A (zh) | 电池组荷电状态数据检测方法、装置、介质、终端及汽车 | |
| Witaszek | Modeling of fuel consumption using artificial neural networks |
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 | ||
| CP03 | Change of name, title or address |
Address after: 1028, Zhonghe Building, 2002 Shennan Middle Road, Fuqiang Community, Huaqiang North Street, Futian District, Shenzhen City, Guangdong Province, 518031 Patentee after: Ground Rail Green Technology (Shenzhen) Co.,Ltd. Country or region after: China Address before: 1028, Zhonghe Building, 2002 Shennan Middle Road, Fuqiang Community, Huaqiang North Street, Futian District, Shenzhen City, Guangdong Province, 518031 Patentee before: Xingfeng Technology (Shenzhen) Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |