CN111814272B - 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 - Google Patents
一种基于机器学习的涡轮气动-动态响应智能优化设计方法 Download PDFInfo
- Publication number
- CN111814272B CN111814272B CN202010647225.1A CN202010647225A CN111814272B CN 111814272 B CN111814272 B CN 111814272B CN 202010647225 A CN202010647225 A CN 202010647225A CN 111814272 B CN111814272 B CN 111814272B
- Authority
- CN
- China
- Prior art keywords
- turbine
- design
- performance
- optimization
- dynamic
- 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
- 238000013461 design Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 230000004044 response Effects 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 6
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了一种基于机器学习的涡轮气动性能‑动态响应智能优化设计方法，主要步骤如下：(1)获得涡轮的几何参数，气动性能和动态过程中转速超调量数据集；(2)基于机器学习数据降维方法提取涡轮设计变量主因素，采用智能学习算法形成训练样本和测试样本集，构建涡轮性能预测模型；(3)基于性能预测模型、经主因素筛选后变量以及多目标加权优化函数，进行涡轮优化设计；(4)获得多目标最优化方案，形成涡轮设计准则函数关系式。本发明同时考虑涡轮的气动性能和动态调节特性，并采用机器学习方法开展优化设计，不但可以获得涡轮最优设计结果，还能够获得性能与几何变量之间的函数关系式，最终为同类新涡轮的设计提供设计准则。
Description
技术领域
本发明属于流体机械中的涡轮优化设计技术领域，涉及一种涡轮优化算法，具体地说是一种基于机器学习的涡轮气动性能-动态响应智能智能优化设计方法。
背景技术
涡轮是各类能源系统的主要做功部件，常运行在频繁调节、工况多变的工况下，并被要求高效率运行。而在常见的涡轮优化设计中，主要是考虑涡轮的气动性能、结构强度、耐热性等特定方面的优化设计，而对于涡轮的动态调节性能(转速超调量、动态调节时间)关注较少，对用同时考虑气动性能、结构和动态调节特性的优化更少。现有技术中，如专利“基于粒子群的航空发动机高压涡轮盘优化设计系统及方法”(CN106777517B)，以及“基于超椭圆曲线的带辐板涡轮盘内腔形状优化设计方法”(CN103310046A)等主要是针对涡轮轮盘结构进行的优化设计；而专利“一种基于MATLAB的增压器涡轮叶轮设计优化方法”(CN107729699A)主要是针对涡轮流场及气动性能的优化设计；专利“涡轮机装置的优化的涡轮机级以及设计方法”(CN101094971A)主要是针对涡轮的耐热性进行优化设计。
本发明不但同时考虑了涡轮的气动性能、结构强度，还进一步考虑了涡轮的动态调节特性(转速超调量、动态调节时间)，使涡轮在频繁调节过程中高效、安全运行。此外，本发明还采用机器学习方法开展优化设计，不但能够有效减少优化变量数，获得最优设计结果，还能够提取性能与变量之间的函数关系式，最终提出设计准则，为后续同类新涡轮的设计提供参考。
发明内容
本发明所要解决的技术问题：为克服现有技术的上述缺陷和不足，本发明旨在提供一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，通过同时考虑涡轮的气动性能和动态调节特性，保证涡轮在频繁调节过程中高效、安全运行。此外，本发明采用机器学习方法开展优化设计，不但能够有效减少优化变量数，获得最优设计结果，还能够获得性能与几何变量之间的函数关系式，并为后续同类新涡轮的设计提供设计准则。
本发明为解决其技术问题所采用的技术解决方案为：
一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，所述智能优化设计方法至少包括以下步骤：
SS1.对涡轮进行全参数建模，根据运行工况，采用抽样算法，获得涡轮的几何参数、气动性能参数、动态过程中转速超调量Δn，构成样本数据集；
SS2.采用基于机器学习的数据降维方法，对步骤SS1中的样本数据集进行分析处理，提取涡轮设计变量主因素；
SS3.基于步骤SS2中提取的涡轮设计变量主因素，继续采用抽样方法，进一步形成训练样本和测试样本集，采用人工神经网络算法对样本进行进一步训练和分析，构建涡轮设计变量-气动性能-转速超调量的涡轮性能预测模型；
SS4.基于步骤SS2中提取的涡轮设计变量主因素，采用抽样方法形成样本数据库，根据实际需要通过加权方式构成多目标优化函数；
SS5.结合步骤SS3中的涡轮性能预测模型，采用优化模型，完成涡轮优化设计方案；
SS6.基于步骤SS3获得的涡轮性能预测模型以及步骤SS4获得的涡轮优化设计方案，构成涡轮设计准则函数关系式。
优选地，步骤SS1中，所述几何参数至少包括涡轮外径D2、静叶出口气流角α1、动叶出口气流角β2、叶片高度l；所述气动性能参数至少包括涡轮效率η、涡轮功率W。
优选地，步骤SS1中，所述动态过程中转速超调量的求解计算方法，包括但不限于：集中参数连续系统模型、连续时间系统模型等。
优选地，步骤SS2中，所述数据降维方法，包括但不限于：主成分分析算法(PCA)、LDA(Linear Discriminant Analysis)算法、局部线性嵌入(LLE)算法。
优选地，步骤SS3中，所述人工神经网络算法，包括但不限于ART网络、LVQ网络、Kohonen网络Hopfield网络。
优选地，步骤SS3中，所述涡轮性能预测模型，包括但不限于：
式中，D2表示涡轮外径，α1表示静叶出口气流角，β2表示动叶出口气流角，l表示叶片高度，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，treg表示涡轮动态调节时间，fi为第i个性能指标函数关系式。
优选地，步骤SS4中，所述多目标优化函数，包括但不限于涡轮的气动性能(效率、功率等)及其动态响应过程中的超调量(转速、响应时间等)：
式中，I表示加权多目标优化函数，wi表示第i个性能指标的权值，i＝1,2,3,4…，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，treg表示涡轮动态调节时间。
优选地，步骤SS5中，所述优化模型为：
其中，为涡轮优化过程中流量，/>为涡轮的设计流量；σ为涡轮优化过程中的应力，σmaterial为涡轮材料许用应力。
本发明的基于机器学习算法的涡轮气动-动态响应智能优化设计方法，所述涡轮包括但不限于轴流式、径流式、混流式单级或多级结构，涡轮个数、结构尺寸等随实际运行需求确定。涡轮的工作介质包括但不限于空气、氮气、氧气、二氧化碳、天然气、氨气、氟利昂或水蒸气等。涡轮的应用领域包括但不限于压缩空气储能系统、交通工具引擎涡轮增压器、中低温余热发电装置、可再生能源发电装置、化工过程膨胀机、火箭发动机涡轮泵等。
本发明的基于机器学习算法的涡轮气动-动态响应智能优化设计方法，同时考虑涡轮的气动性能和动态调节特性，保证涡轮在频繁调节过程中高效、安全运行。此外，采用智能机器学习方法开展优化设计，不但可以获得涡轮最优设计结果，还能够获得性能与几何变量之间的函数关系式，最终为同类新涡轮的设计提供设计准则。
本发明与现有技术相比的优点在于：(1)把涡轮的气动性能和动态调节特性相智能，能够更好的保证涡轮在动态调节过程中具有更高的效率和做功能力。(2)采用机器学习方法，不但能够通过数据降维方法，准确发现影响涡轮气动性能和动态调节特性主要因素，还能够获得涡轮气动性能和动态调节特性与涡轮设计变量之间的函数关系式，构建涡轮设计准则。
附图说明
图1为本发明的一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法；
具体实施方式
下面结合附图，对本发明的一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法。
(1)借助CAE软件对涡轮进行全三维、全参数建模，采用超拉丁抽样算法，获得涡轮的几何参数(涡轮外径D2，静叶出口气流角α1，动叶出口气流角β2，叶片高度l)，气动性能参数(涡轮效率η，涡轮功率W)和动态过程中转速超调量Δn，构成样本数据集；
(2)采用基于机器学习中的主成分分析(PCA)方法实现数据降维，对步骤(1)中的样本数据集进行分析处理，提取涡轮设计变量主因素；
(3)基于步骤(2)中的涡轮设计变量主因素，采用超拉丁抽样方法，进一步形成训练样本和测试样本集，采用BP神经网络方法进行样本进一步训练和分析，构建涡轮设计变量-气动性能-转速超调量的性能预测模型，如下式所示：
(4)基于步骤(2)中的涡轮设计变量主因素，采用抽样方法形成样本数据库，根据实际需要通过加权方式构成多目标优化函数，如下式所示：
(5)结合步骤(3)中的涡轮性能预测模型，采用合适的优化算法，完成涡轮优化设计。其中优化模型为：
其中，为涡轮优化过程中流量，/>为涡轮的设计流量；σ为涡轮优化过程中的应力，σmaterial为涡轮材料许用应力。
(6)基于步骤(3)获得的涡轮性能预测模型以及步骤(4)获得的优化设计方案，构成涡轮设计准则函数关系式。
通过上述实施例，完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明，但应知道，本发明并不限于所公开的实施例，任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (1)
1.一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，所述智能优化设计方法至少包括以下步骤：
SS1.对涡轮进行全参数建模，根据运行工况，采用抽样算法，获得涡轮的几何参数、气动性能参数、动态过程中转速超调量Δn，构成样本数据集，其中，所述几何参数至少包括涡轮外径D2、静叶出口气流角α1、动叶出口气流角β2、叶片高度l，所述气动性能参数至少包括涡轮效率η、涡轮功率W，所述动态过程中转速超调量Δn的求解计算方法为基于集中参数连续系统模型或连续时间系统模型的求解计算方法；
SS2.采用基于机器学习的数据降维方法，对步骤SS1中的样本数据集进行分析处理，提取涡轮设计变量主因素，其中，所述数据降维方法为主成分分析算法、LDA算法或局部线性嵌入算法；
SS3.基于步骤SS2中提取的涡轮设计变量主因素，继续采用抽样方法，进一步形成训练样本和测试样本集，采用人工神经网络算法对样本进行进一步训练和分析，构建涡轮设计变量-气动性能-转速超调量的涡轮性能预测模型，所述涡轮性能预测模型如下：
式中，D2表示涡轮外径，α1表示静叶出口气流角，β2表示动叶出口气流角，l表示叶片高度，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，treg表示涡轮动态调节时间，fi为第i个性能指标函数关系式；
SS4.基于步骤SS2中提取的涡轮设计变量主因素，采用抽样方法形成样本数据库，根据实际需要通过加权方式构成多目标优化函数，所述多目标优化函数为关于涡轮的气动性能及其动态响应过程中的超调量Δn的优化函数：
式中，I表示加权多目标优化函数，wi表示第i个性能指标的权值，i＝1,2,3,4…，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，treg表示涡轮动态调节时间；
SS5.结合步骤SS3中的涡轮性能预测模型，采用优化模型，完成涡轮优化设计方案，所述优化模型为：
其中，为涡轮优化过程中流量，/>为涡轮的设计流量；σ为涡轮优化过程中的应力，σmaterial为涡轮材料许用应力；
SS6.基于步骤SS3获得的涡轮性能预测模型以及步骤SS4获得的涡轮优化设计方案，构成涡轮设计准则函数关系式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010647225.1A CN111814272B (zh) | 2020-07-07 | 2020-07-07 | 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010647225.1A CN111814272B (zh) | 2020-07-07 | 2020-07-07 | 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814272A CN111814272A (zh) | 2020-10-23 |
| CN111814272B true CN111814272B (zh) | 2024-04-19 |
Family
ID=72841888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010647225.1A Active CN111814272B (zh) | 2020-07-07 | 2020-07-07 | 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814272B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765899B (zh) * | 2021-02-02 | 2022-11-25 | 西北工业大学 | 基于贝叶斯分类器链的涡轴发动机多目标性能预测方法 |
| CN113051835A (zh) * | 2021-04-14 | 2021-06-29 | 中国科学院工程热物理研究所 | 一种基于机器学习的叶轮机械非稳态流场高效预测方法 |
| CN114154275B (zh) * | 2022-02-10 | 2022-04-12 | 北京航空航天大学 | 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011076969A1 (de) * | 2011-06-06 | 2012-12-06 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems |
| CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
| CN107194118A (zh) * | 2017-06-19 | 2017-09-22 | 南京航空航天大学 | 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法 |
| CN107676273A (zh) * | 2017-09-25 | 2018-02-09 | 江苏大学 | 一种低振高效离心泵叶轮数值优化方法 |
| CN109989835A (zh) * | 2019-04-09 | 2019-07-09 | 南京航空航天大学 | 微型燃气轮机容错控制系统及其控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11193387B2 (en) * | 2017-07-11 | 2021-12-07 | General Electric Company | Performance and life optimizing control system for a turbine engine |
-
2020
- 2020-07-07 CN CN202010647225.1A patent/CN111814272B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011076969A1 (de) * | 2011-06-06 | 2012-12-06 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems |
| CN105160059A (zh) * | 2015-07-11 | 2015-12-16 | 西安工业大学 | 一种基于bp和ga的叶片加工切削用量优化选择方法 |
| CN107194118A (zh) * | 2017-06-19 | 2017-09-22 | 南京航空航天大学 | 一种涡轮叶片扇形孔气膜冷却结构气动‑热协同优化方法 |
| CN107676273A (zh) * | 2017-09-25 | 2018-02-09 | 江苏大学 | 一种低振高效离心泵叶轮数值优化方法 |
| CN109989835A (zh) * | 2019-04-09 | 2019-07-09 | 南京航空航天大学 | 微型燃气轮机容错控制系统及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111814272A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814272B (zh) | 一种基于机器学习的涡轮气动-动态响应智能优化设计方法 | |
| CN111062124B (zh) | 一种超临界二氧化碳压缩机试验的相似模化方法 | |
| CN110929357A (zh) | 一种高性能舰船燃机压气机气动设计方法 | |
| CN109598081B (zh) | 基于数据降维及多二维流面的径流式透平气动优化方法 | |
| CN111486116B (zh) | 一种低比转速离心鼓风机三元流叶轮设计方法及系统 | |
| CN108153998A (zh) | 离心鼓风机叶轮的全三维气动优化设计方法 | |
| CN111859563B (zh) | 一种超临界二氧化碳透平试验的相似模化方法 | |
| Yue et al. | Design and optimization of tandem arranged cascade in a transonic compressor | |
| Chelabi et al. | Analysis of the threedimensional accelerating flow in a mixed turbine rotor | |
| CN112115576A (zh) | 一种轴流压缩机缩尺过程多变效率修正方法和系统 | |
| Noronha et al. | Design and analysis of micro horizontal axis wind turbine using MATLAB and QBlade | |
| CN114880909A (zh) | 一种基于机器学习的涡轮动态过程流固耦合方法 | |
| Moradtabrizi et al. | Aerodynamic optimization of a 5 Megawatt wind turbine blade | |
| CN110863861A (zh) | 提高汽轮机通流效率的多级小焓降叶片气动设计方法 | |
| CN111553033B (zh) | 基于应变能法的重型燃机拉杆转子模型等效约化处理方法 | |
| CN113742861A (zh) | 一种适用于风力发电机风洞试验的叶片模型优化设计方法 | |
| Liu et al. | Current development and prospect of turbine in otec | |
| Batu et al. | Comparative study of the effect of chord length computation methods in design of wind turbine blade | |
| CN108266234A (zh) | 一种工业汽轮机高效转鼓级静叶片 | |
| Stojkovski et al. | Optimization of guide vanes for variable speed Francis turbines–Human controlled vs. automated approach | |
| Schaffrath et al. | Multi operating point aerodynamic optimization of a radial compressor impeller for an application in high temperature heat pump | |
| Chen et al. | Research on Optimization of the Design (Inverse) Issue of S2 Surface of Axial Compressor Based on Genetic Algorithm | |
| Song et al. | Aerodynamic Design and Performance Assessment of a Centripetal-Flow Fan | |
| Umale et al. | Design and Analysis of Horizontal Axis Wind Turbine (HAWT) | |
| CN117744699A (zh) | 核电二回路控制系统运行状态在线监测方法 |
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 |