CN111046550B - 一种基于时空特征的燃料电池电压预测系统 - Google Patents

一种基于时空特征的燃料电池电压预测系统 Download PDF

Info

Publication number
CN111046550B
CN111046550B CN201911256579.7A CN201911256579A CN111046550B CN 111046550 B CN111046550 B CN 111046550B CN 201911256579 A CN201911256579 A CN 201911256579A CN 111046550 B CN111046550 B CN 111046550B
Authority
CN
China
Prior art keywords
voltage
time
fuel cell
space
module
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
Application number
CN201911256579.7A
Other languages
English (en)
Other versions
CN111046550A (zh
Inventor
吴小娟
张铭涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911256579.7A priority Critical patent/CN111046550B/zh
Publication of CN111046550A publication Critical patent/CN111046550A/zh
Application granted granted Critical
Publication of CN111046550B publication Critical patent/CN111046550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供一种基于电压时空特征的燃料电池电压预测系统，包括局部燃料电池电压时空特征提取模块、图嵌入模块与电压预测网络；局部燃料电池电压时空特征提取模块，用于提取待预测单电池临近2r个电池在一段时内的时空特征；图嵌入模块，用于捕捉空间上距离较远但是有相似电压衰退曲线电池的特性；电压预测网络用于从局部燃料电池电压时空特征与各单电池的图嵌入特征得到未来时刻单电池的电压值。本发明充分考虑了单电池不一致性，能更准确预测各个单电池的电压衰退。

Description

一种基于时空特征的燃料电池电压预测系统
技术领域
本发明涉及燃料电池电压预测技术。
背景技术
为了提升燃料电池系统的可靠性，学术界对燃料电池预测策略有极高的关注度，对燃料电池开展了大量的电压衰退预测方法研究，包括基于模型的方法、基于数据的方法以及混合方法。基于模型的方法主要包括退化机理模型与经验退化模型，退化机理模型从燃料电池电化学机理的角度分析电池运行过程中的性能老化规律，考虑各种老化因素对燃料电池内、外部状态变量的影响，建立退化模型；经验退化模型主要是依据燃料电池的退化机制进行燃料电池电压预测，通过在燃料电池原理以及退化的电池外在特征基础上机理相关的燃料电池退化模型。然而燃料电池是一个非线性、多物理量、多尺度的系统，退化机理尚不完全清楚，因此很难得到准确的模型以描述燃料电池系统的退化。所以，基于数据的方法得到越来越多学者的关注，当前常用的方法主要包括高斯过程的状态空间算法、粒子滤波方法、长短时记忆网络、回声状态网络等。混合方法则是将基于数据和基于模型的方法相结合，包括基于模型和数据的混合方法与基于多种数据的混合方法。基于数据方法的预测精度在很大程度上取决于当前运行数据和训练数据的相似程度，若电池当前运行数据和训练数据相差较大时，则会降低预测精准度，而基于模型和数据的混合方法能够将模型和数据相结合，减轻预测精度对数据的依赖程度。基于多种数据的混合方法能够将多种不同基于数据的方法融合或加权，从而提高预测的精准度。现有的预测方法在执行的过程中，通常假设电堆与电堆、单电池与单电池之间是一致的，所以只考虑电堆与电池的平均退化，但是在实际操作中，由于流体、热和湿度在空间上分布的不均匀性、各单电池单元MEA制造和组装水平的不一致性等原因，电堆与电堆、单电池与单电池之间存在不一致性，不一致性如图1所示。
发明内容
本发明所要解决的技术问题是，提供一种在时间上考虑电压的历史数据，在空间上考虑电堆与电堆之间，电池与电池之间的相互影响的电池电压预测系统。本发明为解决上述技术问题所采用的技术方案是，一种基于电压时空特征的燃料电池电压预测系统，包括局部燃料电池电压时空特征提取模块、图嵌入模块与电压预测网络，如图2所示；
局部燃料电池电压时空特征提取模块，用于提取待预测单电池临近R个电池在一段时间内的电压数据的时空特征作为该单电池的局部燃料电池电压时空特征；
图嵌入模块，用于根据燃料电池中所有单电池的历史电压数据得到各单电池的图嵌入特征，图嵌入特征具有反映所有单电池间电压衰退曲线相似性强弱的特性；
电压预测网络，用于根据待预测单电池的局部燃料电池电压时空特征与各单电池的图嵌入特征得到未来时刻该单电池的电压值。
本发明基于时空特征的电压衰退预测研究，相对现有的燃料电池故障预测系统增加了2点考虑：
1)考虑单电池电压不仅受历史电压影响，而且还受周围单电池信息的影响，因此提出了一种基于时空特征的电压预测网络。
2)不仅考虑了周围单电池的影响，通过引用图嵌入特征考虑了空间上距离较远但有相似的电压衰退曲线的单电池的影响，同时基于时空特征及图嵌入特征来预测各单电池电压衰退趋势。
本发明的有益效果是，通过时空特征考虑了周围单电池的影响，通过图嵌入特征考虑整个燃料电池中所有有相似的电压衰退曲线单电池间的影响，充分考虑了单电池不一致性，能更准确预测各个单电池的电压衰退，从而能更准确地进行电池电压预测，为之后电池性能判断提供有效的表征。
附图说明
图1是燃料电池不一致性示意图；
图2是本发明实施流程说明图；
图3是本发明基于电压时空特征的电压预测结构图。
具体实施方式
考虑临近电池对预测影响较大，实施例采用卷积神经网络(ConvolutionalNeural Network,CNN)提取空间特征，然后通过长短时记忆网络(Long Short TermMemory,LSTM)提取时间特征。此外，为了捕捉空间上相距较远，但是有相似电压曲线的影响，设计了图嵌入模块。
燃料电池电压预测系统包括局部燃料电池电压时空特征提取模块、图嵌入模块与电压预测网络；
局部燃料电池电压时空特征提取模块，用于从所有单电池的历史电压数据中提取待预测单电池周围的R个单电池在一个时间段内的时空特征，并将局部燃料电池电压时空特征输出至电压预测网络；
基于电压时空特征的预测结构图如图3所示，包括卷积神经网络CNN、长短时记忆网络LSTM、图嵌入模块、特征组合模块和全连接层；CNN输出至LSTM，LSTM的输出与图嵌入模块的输出组合后至一个全连接层；
CNN用于从当前时刻输入的局部燃料电池电压数据提取电池的电压空间特征，将提取的电压空间特征通过全连接层组合后输出至LSTM；LSTM用于根据当前时刻的单电池的电压空间特征和上一时刻该单电池的电压时空特征得到当前时刻该单电池的电压时空特征，一方面将当前时刻单电池的电压时空特征输出至电压预测网络，另一方面将当前时刻单电池的电压时空特征进行保存，用于LSTM的下一时刻单电池的电压时空特征提取；图嵌入模块用于根据燃料电池中所有单电池的历史电压数据得到各单电池的图嵌入特征，图嵌入特征具有反映所有单电池间电压衰退曲线相似性强弱的特性，能够捕捉空间上距离较远但是有相似电压衰退曲线的单电池的特性；特征组合模块用于，用于将局部燃料电池电压时空特征提取模块的输出与图嵌入模块的输出组合输出至全连接层；全连接层的输出为该单电池的电压预测值。
基于该系统的的具体实施流程为：
(1)局部燃料电池电压时空特征提取模块从燃料电池中所有M个单电池的历史电压数据中提取当前待预测单电池周围临近的R个单电池的在一个时间段的电压数据的具体为：
已知燃料电池从t-S-1时刻到t时刻的电压X＝(Xt-S-1,...,Xi,,Xt)；
Figure BDA0002310441170000031
其中，
Figure BDA0002310441170000032
表示第m个单电池在第i时刻的电压值，单电池序号变量m∈{1,...,M}，时间段中每个时刻的序号变量i∈{t-S-1,...,t}；
为了预测下一时刻t+1第m个单电池的电压值
Figure BDA0002310441170000033
只考虑与第m个单电池临近的R个单电池对第m个电池的影响，R＝2r，当前时刻t的局部燃料电池电压数据为：
Figure BDA0002310441170000034
CNN包括多个卷积层、多个池化层、以及1个全连接层；用于从当前时刻输入的局部燃料电池电压数据提取单电池的电压空间特征的过程如下：
将第i时刻的局部燃料电池电压数据输入到第a个卷积层中，得到第a个特征图
Figure BDA0002310441170000035
Figure BDA0002310441170000036
其中，ω1,a为第a个卷积的卷积核；b1,a为第a层卷积的偏置；f1(·)为卷积层的激活函数。
将
Figure BDA0002310441170000037
输入至第a个池化层进行平均池化，得到第a个采样面
Figure BDA0002310441170000038
为：
Figure BDA0002310441170000039
其中，n为对
Figure BDA00023104411700000310
进行不重叠分块的块数的序号变量，n∈{1,...,λ}，λ表示对
Figure BDA00023104411700000311
进行不重叠分块的块数，每块大小为1×τ；b2,a为池化层的偏置；
Figure BDA00023104411700000312
为采样面
Figure BDA00023104411700000313
第p列的值；g(·)为池化层的激活函数。
将所有的第a个采样面
Figure BDA0002310441170000041
经过Reshape函数进行组合，得到池化后的下采样结果
Figure BDA0002310441170000042
Figure BDA0002310441170000043
将
Figure BDA0002310441170000044
与全连接层组合，得到空间特征
Figure BDA0002310441170000045
Figure BDA0002310441170000046
其中，ω3为全连接层的权值；b3为全连接层的偏置；f2(·)为全连接层的激活函数。
LSTM利用i时刻的空间特征
Figure BDA0002310441170000047
和i-1时刻的电压时空特征si-1通过内部函数LSTM得到时刻i的时空特征si为:
Figure BDA0002310441170000048
(2)图嵌入模块定义图G＝(V,E)，各个单电池作为图的节点，节点数V＝M，E∈(V×V)表示边的集合，图的邻接矩阵W由每条边的权值ωkj构成，即：
Figure BDA0002310441170000049
ωkj＝f3(dis(k,j))
其中，f3(·)表示映射函数；dis(k,j)为电池k电压曲线xk和电池j电压曲线xj之间的相似程度，采用皮尔逊相关性系数方法计算：
Figure BDA00023104411700000410
其中，
Figure BDA00023104411700000411
和
Figure BDA00023104411700000412
分别为电池k和电池j电压曲线的平均值；
Figure BDA00023104411700000413
和
Figure BDA00023104411700000414
分别为电池k和电池j电压曲线的标准差。dis(k,j)输出范围为[-1,1]，0表示无相关性，负值为负相关，正值为正相关。
将图G通过图嵌入方法，得到所有电池的图嵌入特征
Figure BDA00023104411700000415
Figure BDA00023104411700000416
经由全连接层，得到第m个电池的图嵌入特征
Figure BDA00023104411700000417
Figure BDA00023104411700000418
其中，GraphEmbedding(·)为图嵌入方法；ωge为该全连接层的权值；bge为该全连接层的偏置；f4(·)表示该全连接层的激活函数。
(3)全连接层进行电压预测具体为：
将时刻t第m个电池的时空特征st和图嵌入特征
Figure BDA0002310441170000051
进行组合，得到预测所需的全部特征Y为：
Figure BDA0002310441170000052
Y经由全连接层得到第m个电池t+1时刻电压预测结果
Figure BDA0002310441170000053
为：
Figure BDA0002310441170000054
其中，ωfc为该全连接层的权值；bfc为该全连接层的偏置；f5(·)表示该全连接层的激活函数。

Claims (4)

1.一种基于电压时空特征的燃料电池电压预测系统，其特征在于，包括局部燃料电池电压时空特征提取模块、图嵌入模块与电压预测网络；
局部燃料电池电压时空特征提取模块，用于提取待预测单电池临近R个电池在一段时间内的电压数据的时空特征作为该单电池的局部燃料电池电压时空特征；
图嵌入模块，用于根据燃料电池中所有单电池的历史电压数据得到各单电池的图嵌入特征，图嵌入特征具有反映所有单电池间电压衰退曲线相似性强弱的特性；
电压预测网络，用于根据待预测单电池的局部燃料电池电压时空特征与各单电池的图嵌入特征得到未来时刻该单电池的电压值。
2.如权利要求1所述系统，其特征在于，局部燃料电池电压时空特征提取模块包括卷积神经网络CNN、长短时记忆网络LSTM；CNN输出至LSTM，LSTM的输出与图嵌入模块的输出至一个全连接层；
CNN用于从提取当前时刻的待预测单电池的局部燃料电池电压空间特征，将提取的电压空间特征并输出至LSTM；
LSTM用于根据当前时刻的单电池的电压空间特征和上一时刻该单电池的电压时空特征得到当前时刻该单电池的电压时空特征，一方面将当前时刻单电池的电压时空特征输出至电压预测网络，另一方面将当前时刻单电池的电压时空特征进行保存，用于LSTM的下一时刻单电池的电压时空特征提取。
3.如权利要求2所述系统，其特征在于，局部燃料电池电压时空特征提取模块从燃料电池中所有M个单电池的历史电压数据中提取当前待预测单电池周围临近的R个单电池的在一个时间段的电压数据的具体方法为：
已知燃料电池从t-S-1时刻到t时刻的电压
Figure DEST_PATH_IMAGE001
；
Figure 293264DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第m个单电池在第i时刻的电压值，单电池序号变量
Figure 157315DEST_PATH_IMAGE004
，时间段 中每个时刻的序号变量
Figure DEST_PATH_IMAGE005
；
为了预测下一时刻t+1第m个单电池的电压值
Figure 565162DEST_PATH_IMAGE006
，只考虑与第m个单电池临近的R个单 电池对第m个电池的影响，R=2r，当前时刻t的局部燃料电池电压数据抽取电压数据为：
Figure 856466DEST_PATH_IMAGE007
。
4.如权利要求1所述系统，其特征在于，电压预测网络包含特征组合模块和全连接层；特征组合模块用于将局部燃料电池电压时空特征提取模块的输出与图嵌入模块的输出组合输出至全连接层，全连接层的输出为该单电池的电压预测值。
CN201911256579.7A 2019-12-10 2019-12-10 一种基于时空特征的燃料电池电压预测系统 Active CN111046550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911256579.7A CN111046550B (zh) 2019-12-10 2019-12-10 一种基于时空特征的燃料电池电压预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911256579.7A CN111046550B (zh) 2019-12-10 2019-12-10 一种基于时空特征的燃料电池电压预测系统

Publications (2)

Publication Number Publication Date
CN111046550A CN111046550A (zh) 2020-04-21
CN111046550B true CN111046550B (zh) 2022-07-29

Family

ID=70235357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911256579.7A Active CN111046550B (zh) 2019-12-10 2019-12-10 一种基于时空特征的燃料电池电压预测系统

Country Status (1)

Country Link
CN (1) CN111046550B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112038670B (zh) * 2020-07-31 2021-09-14 上海捷氢科技有限公司 一种质子交换膜燃料电池及其水状态监测方法和装置
CN112505568B (zh) * 2020-11-11 2022-03-15 电子科技大学 一种多电堆固体氧化物燃料电池系统寿命预测方法
CN112798967B (zh) * 2020-12-04 2022-03-15 电子科技大学 固体氧化物燃料电池长短期预测方法
CN112906969A (zh) * 2021-03-01 2021-06-04 三一重工股份有限公司 发动机故障预测方法、装置、电子设备及存储介质
CN113671386B (zh) * 2021-07-29 2023-09-26 东风汽车集团股份有限公司 一种氢燃料电池耐久性能分析方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7662097B2 (en) * 2004-09-20 2010-02-16 Resonant Medical, Inc. Radiotherapy treatment monitoring using ultrasound
JP6931870B2 (ja) * 2017-02-15 2021-09-08 国立研究開発法人理化学研究所 細胞の再プログラム化を検出するための方法及び装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954913A (zh) * 2014-05-05 2014-07-30 哈尔滨工业大学深圳研究生院 电动汽车动力电池寿命预测方法
CN109557477A (zh) * 2017-09-25 2019-04-02 郑州宇通客车股份有限公司 一种电池系统健康状态估算方法
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN110188920A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种锂电池剩余寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Optimal robust control strategy of a solid oxide fuel cell system";Xiaojuan Wu等;《Journal of Power Sources》;20180115;全文 *
"Prediction of Battery Remaining Useful Life on Board Satellites Using Logical Analysis of Data";Ayman Mahmound Ahmad等;《2019 IEEE Aerospace Conference》;20190620;全文 *
"基于深度学习的多模态故障诊断及剩余寿命预测";高育林;《中国优秀博硕士学位论文全文数据库(硕士)》;20190115;全文 *

Also Published As

Publication number Publication date
CN111046550A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111046550B (zh) 一种基于时空特征的燃料电池电压预测系统
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
Bai et al. Sequence searching with CNN features for robust and fast visual place recognition
CN108520238B (zh) 一种基于深度预测编码网络的夜视图像的场景预测方法
CN111612051A (zh) 一种基于图卷积神经网络的弱监督目标检测方法
CN111208818B (zh) 基于视觉时空特征的智能车预测控制方法
CN112766378B (zh) 一种专注细粒度识别的跨域小样本图像分类模型方法
CN112232151A (zh) 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法
CN116310425B (zh) 一种细粒度图像检索方法、系统、设备及存储介质
CN107247965A (zh) 一种基于自适应匹配和学习的失真图像处理方法及系统
CN114064627A (zh) 一种针对多重关系的知识图谱链接补全方法及系统
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN112633088A (zh) 一种基于航拍图像中光伏组件识别的电站容量估测方法
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN111429510A (zh) 基于自适应特征金字塔的花粉检测方法
CN114692956A (zh) 基于多层优化核极限学习机的充电设施负荷预测方法及系统
CN117315441A (zh) 基于改进yolox的道路井盖状态检测方法
CN116778238A (zh) 一种基于轻量型结构感知Transformer网络及VHR遥感图像变化检测方法
KR102501936B1 (ko) 차선검출장치 및 그 동작 방법
CN115063352A (zh) 一种基于多图神经网络协同学习架构的显著性物体检测装置及方法
CN115019139A (zh) 一种基于双流网络的光场显著目标检测方法
CN113033489A (zh) 基于轻量级深度学习算法的输电线路绝缘子识别定位方法
CN112733807A (zh) 一种人脸比对的图卷积神经网络训练方法及装置
CN113945569B (zh) 离子膜的故障检测方法及装置

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