CN111256873A - 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法 - Google Patents

基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法 Download PDF

Info

Publication number
CN111256873A
CN111256873A CN202010122073.3A CN202010122073A CN111256873A CN 111256873 A CN111256873 A CN 111256873A CN 202010122073 A CN202010122073 A CN 202010122073A CN 111256873 A CN111256873 A CN 111256873A
Authority
CN
China
Prior art keywords
temperature
optical fiber
kalman filtering
value
curve
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
Application number
CN202010122073.3A
Other languages
English (en)
Other versions
CN111256873B (zh
Inventor
刘恒
万生鹏
谭超
董德壮
肖登
尹玺
熊新中
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202010122073.3A priority Critical patent/CN111256873B/zh
Publication of CN111256873A publication Critical patent/CN111256873A/zh
Application granted granted Critical
Publication of CN111256873B publication Critical patent/CN111256873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
    • G01K11/324—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres using Raman scattering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)

Abstract

本发明公开了一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，激光器发出光脉冲，光脉冲通过波分复用器进入传感光纤，当温度变化时，光纤中的后向拉曼散射信号会跟着变化，之后经过波分复用器分离为斯托克斯光和反斯托克斯光，然后经过光电探测器转换为电信号，被采集卡采集到，将采集到的每个点的数据通过卡尔曼滤波进行处理，将所有采样点汇集到一起，可以得到一条温度随距离实时变化的曲线，对曲线进行迭代学习算法处理，进而可以得到下一时刻温度曲线，从而实现对温度的实时监测和预测。本发明能够使分布式光纤测温系统测得的温度值更接近真实值，并且能够实现对下一时刻的温度预测。

Description

基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法
技术领域
本发明涉及分布式光纤测温技术领域，具体涉及一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法。
背景技术
分布式光纤测温系统具有广阔的应用前景，可用于电缆温度和载流量监测、桥梁和隧道的监测、航空航天工业温度监测、油气管道的监测等，对保障工业生产安全和人民生活安全具有重要意义。
现有的分布式光纤测温系统温度精度和分辨率普遍不高，虽然能够实现实时监测，但是稳定性不强，在实际应用中有缺陷。而基于卡尔曼滤波和迭代学习的分布式光纤温度实时监测和预测方法，不仅可以使测得的温度更接近真实值，提高精度和分辨率，而且还能对温度进行预测。
发明内容
本发明所要解决的问题是：提供一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，能够使分布式光纤测温系统测得的温度值更接近真实值，并且能够实现对下一时刻的温度预测。
本发明为解决上述问题所提供的技术方案为：一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，所述方法包括以下步骤，
(1)、光脉冲进入传感光纤，反射回来的斯托克斯光信号和反斯托克斯光信号进入光电探测器转换为电信号，然后被采集卡采集；
(2)、对采集到的数据进行卡尔曼滤波处理；
(3)、把所有经过卡尔曼滤波处理后的采样点汇集在一起，可以解调出温度随沿光纤变化的曲线；
Figure BDA0002393263960000011
其中，T0为参考温度；h为普朗克常数；kB为玻尔兹曼常量；Δv为拉曼频移量，与光纤材料有关；Uas(T)、Us(T)分别为该温度下反斯托克斯光、斯托克斯光转换后的电压；
(4)、对曲线进行迭代学习算法处理，学习律如下
Ti(t)＝Ti-1(t-1)+L(ei(t))
其中，Ti(t)为第i次迭代t时刻的温度，t∈[0,ts]，ts为光脉冲往返时间，i为迭代次数，L(ei(t))是关于跟踪误差ei(t)的函数；
ei(t)＝Td(t)-Ti(t)
Td(t)为实际测得的温度；对得到的温度曲线进行不断的迭代，这样就实现可以对温度的预测。
优选的，所述步骤(2)中卡尔曼滤波处理包括预测过程与更新过程；所述预测过程如下：
(2.1)设定卡尔曼滤波的初值X(0)，为首次采得光纤上某点的数据；
(2.2)根据U(k|k-1)＝AU(k-1|k-1)+W(k)对k＝1,2,3…n时来预测下一个状态；
其中，U(k|k-1)为根据k-1时刻进行预测的k时刻的结果，U(k-1|k-1)为k-1时刻最优结果，W(k)为系统工作过程中的随机噪声，以高斯白噪声为主，主要是由光电探测器产生；A为系统状态转移矩阵，是已知量，与所处环境温度变化快慢有关，根据上一个状态与当前状态的关系来确定；
(2.3)设定协方差矩阵初值P(0)，可设置为零矩阵；
根据P(k|k-1)＝AP(k-1|k-1)AT+Q来预测k＝1,2,3…n时协方差矩阵；
其中，P(k|k-1)为U(k|k-1)状态对应的协方差矩阵，P(k-1|k-1)为U(k-1|k-1)状态对应的协方差矩阵，Q为系统测量过程中的随机噪声，由采集卡产生；
所述更新过程如下：
当k时刻的实测值Z(k)到达之后，用它去修正k时刻的状态预测值U(k|k-1)，因此新的信息为Z(k)-H(k)U(k|k-1)
其中，H(k)为测量矩阵，矩阵中元素代表k时刻能否测得需要的数据，如果可以测到，该元素的值为1，否则为0；
则采样数据的最优估算值就可以通过预测值和实测值得到，为U(k|k)＝AU(k|k-1)+Kg(k)[Z(k)-H(k)U(k|k-1)]
其中，Kg(k)为卡尔曼增益
Kg(k)＝P(k|k-1)H′(k)/H(k)P(k|k-1)H′(k)+R(k))
其中，R(k)为一维随机数；
为了使卡尔曼滤波器不断进行工作，需要对协方差矩阵进行更新，如下
P(k|k)＝(1-Kg(k)H(k))P(k|k-1)。
与现有技术相比，本发明的优点是：本发明能够实时监测温度变化的同时，还可以对下一时刻温度进行预测，对灾害发生有一定的预防作用；卡尔曼滤波和迭代学习算法简单，可以由计算机执行，节省硬件资源。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的分布式光纤测温的系统结构图。
图2是本发明的基于卡尔曼滤波和迭代学习的算法流程图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，所述方法包括以下步骤，
(1)、光脉冲进入传感光纤，反射回来的斯托克斯光信号和反斯托克斯光信号进入光电探测器转换为电信号，然后被采集卡采集；
(2)、对采集到的数据进行卡尔曼滤波处理；卡尔曼滤波处理包括预测过程与更新过程；所述预测过程如下：
(2.1)设定卡尔曼滤波的初值X(0)，为首次采得光纤上某点的数据；
(2.2)根据U(k|k-1)＝AU(k-1|k-1)+W(k)对k＝1,2,3…n时来预测下一个状态；
其中，U(k|k-1)为根据k-1时刻进行预测的k时刻的结果，U(k-1|k-1)为k-1时刻最优结果，W(k)为系统工作过程中的随机噪声，以高斯白噪声为主，主要是由光电探测器产生；A为系统状态转移矩阵，是已知量，与所处环境温度变化快慢有关，根据上一个状态与当前状态的关系来确定；
(2.3)设定协方差矩阵初值P(0)，可设置为零矩阵；
根据P(k|k-1)＝AP(k-1|k-1)AT+Q来预测k＝1,2,3…n时协方差矩阵；
其中，P(k|k-1)为U(k|k-1)状态对应的协方差矩阵，P(k-1|k-1)为U(k-1|k-1)状态对应的协方差矩阵，Q为系统测量过程中的随机噪声，由采集卡产生；
所述更新过程如下：
当k时刻的实测值Z(k)到达之后，用它去修正k时刻的状态预测值U(k|k-1)，因此新的信息为Z(k)-H(k)U(k|k-1)
其中，H(k)为测量矩阵，矩阵中元素代表k时刻能否测得需要的数据，如果可以测到，该元素的值为1，否则为0；
则采样数据的最优估算值就可以通过预测值和实测值得到，为U(k|k)＝AU(k|k-1)+Kg(k)[Z(k)-H(k)U(k|k-1)]
其中，Kg(k)为卡尔曼增益
Kg(k)＝P(k|k-1)H′(k)/H(k)P(k|k-1)H′(k)+R(k))
其中，R(k)为一维随机数；
为了使卡尔曼滤波器不断进行工作，需要对协方差矩阵进行更新，如下
P(k|k)＝(1-Kg(k)H(k))P(k|k-1)。
(3)、把所有经过卡尔曼滤波处理后的采样点汇集在一起，可以解调出温度随沿光纤变化的曲线；
Figure BDA0002393263960000041
其中，T0为参考温度；h为普朗克常数；kB为玻尔兹曼常量；Δv为拉曼频移量，与光纤材料有关；Uas(T)、Us(T)分别为该温度下反斯托克斯光、斯托克斯光转换后的电压；
(4)、对曲线进行迭代学习算法处理，学习律如下
Ti(t)＝Ti-1(t-1)+L(ei(t))
其中，Ti(t)为第i次迭代t时刻的温度，t∈[0,ts]，ts为光脉冲往返时间，i为迭代次数，L(ei(t))是关于跟踪误差ei(t)的函数；
ei(t)＝Td(t)-Ti(t)
Td(t)为实际测得的温度；对得到的温度曲线进行不断的迭代，这样就实现可以对温度的预测。
本发明是这样来工作和实施的，如图1所示，激光器发出光脉冲，光脉冲通过波分复用器进入传感光纤，而传感光纤能够感知温度信息，当温度变化时，光纤中的后向拉曼散射信号会跟着变化，之后经过波分复用器分离为斯托克斯光和反斯托克斯光，然后经过光电探测器转换为电信号，被采集卡采集到，将采集到的每个点的数据通过卡尔曼滤波进行处理，可以得到随时间变化的介于预测值和测量值之间的最接近真实值的数据，将所有采样点汇集到一起，可以得到一条温度随距离实时变化的曲线，对曲线进行迭代学习算法处理，进而可以得到下一时刻温度曲线，从而实现对温度的实时监测和预测。
以上仅就本发明的最佳实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明保护范围内。

Claims (2)

1.一种基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，其特征在于：所述方法包括以下步骤，
(1)、光脉冲进入传感光纤，反射回来的斯托克斯光信号和反斯托克斯光信号进入光电探测器转换为电信号，然后被采集卡采集；
(2)、对采集到的数据进行卡尔曼滤波处理；
(3)、把所有经过卡尔曼滤波处理后的采样点汇集在一起，可以解调出温度随沿光纤变化的曲线；
Figure FDA0002393263950000011
其中，T0为参考温度；h为普朗克常数；kB为玻尔兹曼常量；Δv为拉曼频移量，与光纤材料有关；Uas(T)、Us(T)分别为该温度下反斯托克斯光、斯托克斯光转换后的电压；
(4)、对曲线进行迭代学习算法处理，学习律如下
Ti(t)＝Ti-1(t-1)+L(ei(t))
其中，Ti(t)为第i次迭代t时刻的温度，t∈[0,ts]，ts为光脉冲往返时间，i为迭代次数，L(ei(t))是关于跟踪误差ei(t)的函数；
ei(t)＝Td(t)-Ti(t)
Td(t)为实际测得的温度；对得到的温度曲线进行不断的迭代，这样就实现可以对温度的预测。
2.根据权利要求1所述的基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法，其特征在于：所述步骤(2)中卡尔曼滤波处理包括预测过程与更新过程；所述预测过程如下：
(2.1)设定卡尔曼滤波的初值X(0)，为首次采得光纤上某点的数据；
(2.2)根据U(k|k-1)＝AU(k-1|k-1)+W(k)对k＝1,2,3…n时来预测下一个状态；
其中，U(k|k-1)为根据k-1时刻进行预测的k时刻的结果，U(k-1|k-1)为k-1时刻最优结果，W(k)为系统工作过程中的随机噪声，以高斯白噪声为主，主要是由光电探测器产生；A为系统状态转移矩阵，是已知量，与所处环境温度变化快慢有关，根据上一个状态与当前状态的关系来确定；
(2.3)设定协方差矩阵初值P(0)，可设置为零矩阵；
根据P(k|k-1)＝AP(k-1|k-1)AT+Q来预测k＝1,2,3…n时协方差矩阵；
其中，P(k|k-1)为U(k|k-1)状态对应的协方差矩阵，P(k-1|k-1)为U(k-1|k-1)状态对应的协方差矩阵，Q为系统测量过程中的随机噪声，由采集卡产生；
所述更新过程如下：
当k时刻的实测值Z(k)到达之后，用它去修正k时刻的状态预测值U(k|k-1)，因此新的信息为Z(k)-H(k)U(k|k-1)
其中，H(k)为测量矩阵，矩阵中元素代表k时刻能否测得需要的数据，如果可以测到，该元素的值为1，否则为0；
则采样数据的最优估算值就可以通过预测值和实测值得到，为
U(k|k)＝AU(k|k-1)+Kg(k)[Z(k)-H(k)U(k|k-1)]
其中，Kg(k)为卡尔曼增益
Kg(k)＝P(k|k-1)H′(k)/H(k)P(k|k-1)H′(k)+R(k))
其中，R(k)为一维随机数；
为了使卡尔曼滤波器不断进行工作，需要对协方差矩阵进行更新，如下
P(k|k)＝(1-Kg(k)H(k))P(k|k-1)。
CN202010122073.3A 2020-02-27 2020-02-27 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法 Active CN111256873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010122073.3A CN111256873B (zh) 2020-02-27 2020-02-27 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010122073.3A CN111256873B (zh) 2020-02-27 2020-02-27 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法

Publications (2)

Publication Number Publication Date
CN111256873A true CN111256873A (zh) 2020-06-09
CN111256873B CN111256873B (zh) 2021-05-25

Family

ID=70943637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010122073.3A Active CN111256873B (zh) 2020-02-27 2020-02-27 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法

Country Status (1)

Country Link
CN (1) CN111256873B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111982182A (zh) * 2020-08-31 2020-11-24 国网河北省电力有限公司信息通信分公司 多参量光纤传感测量方法
CN113958312A (zh) * 2021-08-02 2022-01-21 重庆双标石油工程技术服务有限公司 用于油气井信息采集的分布式光纤测温系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216426A (zh) * 2008-01-16 2008-07-09 浙江大学 基于扩展卡尔曼滤波理论的气体状态定量分析仪
CN104236749A (zh) * 2013-06-05 2014-12-24 天津泺佳科技有限公司 利用光纤测量电缆温度的测量方法
CN106487358A (zh) * 2016-09-30 2017-03-08 西南大学 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法
CN106813805A (zh) * 2017-02-22 2017-06-09 太原理工大学 面向拉曼测温仪的智能温度预警方法
CN107462347A (zh) * 2017-08-04 2017-12-12 北京卫星环境工程研究所 高精度光纤光栅传感器的波长温度自适应分段拟合方法
CN108414113A (zh) * 2018-03-15 2018-08-17 山东微感光电子有限公司 用多点温度离散系数预测光纤温度的火灾报警系统及方法
US10209138B2 (en) * 2015-06-30 2019-02-19 Aiq Dienstleistungen Ug (Haftungsbeschränkt) Filtering distributed sensing data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216426A (zh) * 2008-01-16 2008-07-09 浙江大学 基于扩展卡尔曼滤波理论的气体状态定量分析仪
CN104236749A (zh) * 2013-06-05 2014-12-24 天津泺佳科技有限公司 利用光纤测量电缆温度的测量方法
US10209138B2 (en) * 2015-06-30 2019-02-19 Aiq Dienstleistungen Ug (Haftungsbeschränkt) Filtering distributed sensing data
CN106487358A (zh) * 2016-09-30 2017-03-08 西南大学 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法
CN106813805A (zh) * 2017-02-22 2017-06-09 太原理工大学 面向拉曼测温仪的智能温度预警方法
CN107462347A (zh) * 2017-08-04 2017-12-12 北京卫星环境工程研究所 高精度光纤光栅传感器的波长温度自适应分段拟合方法
CN108414113A (zh) * 2018-03-15 2018-08-17 山东微感光电子有限公司 用多点温度离散系数预测光纤温度的火灾报警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李健: "面向光纤拉曼传感系统的新型温度解调方法及超前预警模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111982182A (zh) * 2020-08-31 2020-11-24 国网河北省电力有限公司信息通信分公司 多参量光纤传感测量方法
CN113958312A (zh) * 2021-08-02 2022-01-21 重庆双标石油工程技术服务有限公司 用于油气井信息采集的分布式光纤测温系统

Also Published As

Publication number Publication date
CN111256873B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
KR101829560B1 (ko) 칼만 필터를 기반으로 하는 용량 예측 방법, 시스템 및 컴퓨터 장치
CN111256873B (zh) 基于卡尔曼滤波和迭代学习的分布式光纤温度预测方法
EP3926582A1 (en) Model generating apparatus, method, and program, and prediction apparatus
CN110807562B (zh) 一种区域性桥梁风险预测方法及系统
US10460251B2 (en) Cross-domain time series data conversion apparatus, methods, and systems
US11550051B2 (en) Apparatus and method for estimating rainfall of hail and rain using dual-polarization weather radar
CN107194068B (zh) 页岩气压裂过程井下异常工况实时预测预警方法及装置
CN110596693B (zh) 一种迭代更新的多传感器gmphd自适应融合方法
CN111127523B (zh) 基于量测迭代更新的多传感器gmphd自适应融合方法
CN114282709A (zh) 基于数字孪生的结构件疲劳裂纹扩展预测方法
CN116628616B (zh) 一种大功率充电能源的数据处理方法及系统
CN116985183B (zh) 一种近红外光谱分析仪质量监测管理方法及系统
CN114859351A (zh) 一种基于神经网络的地表形变场异常检测的方法
CN114152327B (zh) 一种基于光腔衰荡技术的振动探测方法
CN111181634A (zh) 一种分布式光纤振动信号快速定位方法
CN112329272B (zh) 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法
CN111289142B (zh) 一种分布式光纤拉曼测温系统信号自适应干扰抵消方法
CN106679911B (zh) 一种基于多尺度数据融合理论的梁型结构损伤识别方法
CN112968931A (zh) 一种基于多传感器的农作物环境温度数据融合系统及方法
CN111121827B (zh) 一种基于卡尔曼滤波的tmr磁编码器系统
CN113340210B (zh) 一种基于拉曼后向散射的光纤位移传感方法
CN111723427B (zh) 一种基于递归特征分解的桥梁结构损伤定位方法
CN117647392B (zh) 一种基于数据分析的井下钻井仪器报废监测预警系统
Zhang et al. Noise identification and analysis in MEMS sensors using an optimized variable step Allan variance
RU59822U1 (ru) Пирометр

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