CN111896029A - 一种基于组合算法的mems陀螺随机误差补偿方法 - Google Patents
一种基于组合算法的mems陀螺随机误差补偿方法 Download PDFInfo
- Publication number
- CN111896029A CN111896029A CN202010747389.1A CN202010747389A CN111896029A CN 111896029 A CN111896029 A CN 111896029A CN 202010747389 A CN202010747389 A CN 202010747389A CN 111896029 A CN111896029 A CN 111896029A
- Authority
- CN
- China
- Prior art keywords
- random error
- data
- time
- value
- error
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006880 cross-coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Gyroscopes (AREA)
Abstract
一种基于组合算法的MEMS陀螺随机误差补偿方法,包括以下步骤:步骤1:采样MEMS陀螺连续时间输出的角速率数据作为原始输出数据;步骤2:选取部分采样数据,转换为样本数据;从中选取训练样本和验证样本,设置极限学习机算法参数;步骤3:以训练样本作为极限学习机随机误差模型的输入,进行模型学习;步骤4:以验证样本对步骤3得到的极限学习机随机误差模型进行改进验证;步骤5:判断模型输出值与验证样本真实值的均方根误差RMSE是否满足要求;步骤6:建立基于上述随机误差模型的极大后验卡尔曼滤波,并对陀螺‑漂移数据进行滤波;本发明具有误差模型非线性、滤波噪声自适应的优点,可适用于MEMS单轴或多轴陀螺动静态系统的随机误差补偿。
Description
技术领域
本发明属于MEMS传感器技术领域,特别涉及一种基于组合算法的MEMS陀螺随机误差补偿方法。
背景技术
MEMS陀螺是一种能够敏感载体角速度的传感器,具有体积小、重量轻、成本低、可靠性高、功耗低等优点,目前被广泛应用于航空、航天、航海、兵器、汽车、环境监控等领域。作为惯性导航领域的重要组成部分,MEMS陀螺的精度直接影响整个导航系统的性能,因此提高MEMS陀螺的精度至关重要。
MEMS陀螺测量误差主要来自加工误差、自身结构和外界干扰。依据MEMS陀螺误差产生机理,分析可知MEMS陀螺的漂移误差主要由确定性漂移误差和非确定性随机漂移误差组成。确定性漂移误差有零偏误差、刻度因子误差、温度敏感误差、交叉耦合误差。对于确定性漂移误差可以通过标定实验,从而建立正确的数学模型来消除;而对于非确定性随机漂移误差一般不能通过补偿消除。目前,针对MEMS陀螺随机漂移误差修正技术,通常是在陀螺输出误差数据的基础上,分析其统计规律,建立随机漂移误差数学模型,最后通过滤波对误差进行修正。
目前,常用于陀螺随机漂移误差建模的方法有Allan方差、时间序列、灰色模型法、神经网络和支持向量机等。常用于陀螺随机漂移误差滤波或者降噪主要有维纳滤波、卡尔曼滤波、小波分析、粒子滤波等方法。上述所提出的误差建模及滤波方法各有优劣,并没有一种普遍适用的修正技术。在MEMS陀螺随机漂移误差修正中,目前最常采用的建模与滤波方法是AR模型与卡尔曼滤波,即要求误差模型为线性,系统噪声和量测噪声为高斯白噪声,而实际工程应用中不仅误差模型具有弱非线性,同时滤波中高斯白噪声的设定也很难满足要求,因此传统的基于AR模型与卡尔曼滤波方法存在自身难以克服的非线性与噪声估计不准确而造成随机误差补偿效果不理想的缺陷。
发明内容
为满足弱非线性建模,避免算法出现过拟合、陷入局部极小问题,以及需要对数据预处理与高斯白噪声设定等过程,本发明的目的在于提供一种基于组合算法的MEMS陀螺随机误差补偿方法,通过极限学习机算法建立随机误差模型,根据自适应卡尔曼滤波算法,计算实际模型的系统噪声和量测噪声,大大降低MEMS陀螺随机误差,同时提高了其补偿方法的适用范围。
为了实现上述目的,本发明采用的技术方案为:
一种基于组合算法的MEMS陀螺随机误差补偿方法,包括以下步骤:
步骤1:基于旋转试验台,采样MEMS陀螺连续时间输出的角速率数据作为原始输出数据;
步骤2:选取部分采样数据,转换为样本数据;从中选取训练样本和验证样本,设置极限学习机算法参数;
步骤3:以训练样本作为极限学习机随机误差模型的输入,进行模型学习;
步骤4:以验证样本对步骤3得到的极限学习机随机误差模型进行改进验证;
步骤5:判断模型输出值与验证样本真实值的均方根误差RMSE是否满足要求;若满足误差要求,则结束;否则,增加一个隐层节点且转向步骤3。
步骤6:建立基于上述随机误差模型的极大后验卡尔曼滤波,并对陀螺-漂移数据进行滤波。
所述步骤3的极限学习机MEMS陀螺随机误差模型的学习流程包括下列步骤:
所述步骤4极限学习机随机误差模型的验证流程包括下列步骤:
所述步骤6建立基于上述随机误差模型的极大后验卡尔曼滤波对陀螺漂移数据进行滤波流程包括下列步骤:
步骤6.1:建立离散卡尔曼滤波的状态方程与量测方程;
状态方程:Xk=ELM(Xk-1)+Wk-1
量测方程:Zk=Xk+Vk
式中,ELM是随机误差模型函数,Xk是k时刻系统状态,Zk是k时刻量测值,Wk是系统噪声向量,Vk是量测噪声向量;
步骤6.2:采用极大后验估计方法计算系统噪声与量测噪声;
步骤6.3:确定滤波流程与初值,对漂移数据进行滤波;
本发明可用于MEMS单轴或多轴陀螺的随机误差补偿系统。首先在角速率测量标定系统时采集数据,并使用样本数据建立基于极限学习机的随机误差模型,其中极限学习机算法的隐层节点数根据均方根误差方法进行确定;然后基于建立的随机误差弱非线性模型,设计了极大后验自适应卡尔曼滤波器,利用预测残差与量测残差进行实时估计系统噪声和量测噪声的均值和协方差;最后对陀螺漂移数据进行自适应滤波,该MEMS陀螺随机误差补偿方法与传统方法相比具有误差模型非线性、滤波噪声自适应的优点,且可用于MEMS陀螺动静态系统的随机误差补偿。
附图说明
图1为本发明的MEMS陀螺随机误差补偿方法流程图。
图2为本发明的MEMS陀螺随机误差滤波器的设计流程图。
具体实施方式
以下结合附图对本发明的实施作详细说明。
参照图1,一种基于组合算法的MEMS陀螺随机误差补偿方法,包括以下步骤:
步骤1:将MEMS陀螺固定于水平旋转试验台上,启动通电约半小时后,将试验台静止或按照一定的角速度进行旋转,取MEMS陀螺连续2小时的采样角速率数据(采样频率为50Hz~100Hz)作为原始输出数据;
步骤2:选取采样数据的前30分钟数据(ω1,…,ωN),转换为样本数据[(ω1,ω2),(ω2,ω3),…,(ωN-1,ωN)],并将前20分钟数据为训练样本,后10分钟的数据作为验证样本;设置极限学习机的输入层、隐层、输出层节点数分别为1、1、1,隐层节点的激励函数f(X)=sin(X);
步骤3:以训练样本数据作为极限学习机随机误差模型的输入,进行模型学习,包括下列步骤:
步骤4:用验证样本数据对步骤3得到的极限学习MEMS陀螺随机误差模型ELM进行验证;,包括下列步骤:
步骤5:判断模型预测值与验证样本真实值的均方根误差RMSE是否满足要求;若满足误差要求,则转步骤6;否则,增加一个隐层节点且转向步骤3。
步骤6:建立基于上述随机误差模型的极大后验卡尔曼滤波,并对陀螺漂移数据进行滤波。
参见图2,MEMS陀螺随机误差滤波器的设计流程图包括下列步骤:
步骤6.1:建立离散卡尔曼滤波的状态方程与量测方程;
状态方程:Xk=ELM(Xk-1)+Wk-1
量测方程:Zk=Xk+Vk
式中,ELM是随机误差模型函数,Xk是k时刻系统状态,Zk是k时刻观察值,Wk是系统噪声向量,Vk是量测噪声向量;
步骤6.2:采用极大后验估计方法计算系统噪声与量测噪声;
步骤6.3:确定滤波流程与初值,对漂移数据进行滤波;
Claims (4)
1.一种基于组合算法的MEMS陀螺随机误差补偿方法,其特征在于,包括以下步骤:
步骤1:基于旋转试验台,采样MEMS陀螺连续时间输出的角速率数据作为原始输出数据;
步骤2:选取部分采样数据,转换为样本数据;从中选取训练样本和验证样本,设置极限学习机算法参数;
步骤3:以训练样本作为极限学习机随机误差模型的输入,进行模型学习;
步骤4:以验证样本对步骤3得到的极限学习机随机误差模型进行验证;
步骤5:判断模型输出值与验证样本实际值的均方根误差RMSE是否满足要求;若满足误差要求,则结束;否则,增加一个隐层节点且转向步骤3;
步骤6:建立基于上述随机误差模型的极大后验卡尔曼滤波,并对陀螺漂移数据进行滤波。
4.根据权利要求1所述的一种基于组合算法的MEMS陀螺随机误差补偿方法,其特征在于,所述步骤6的建立基于随机误差模型的极大后验自适应卡尔曼滤波的流程包括下列步骤:
步骤6.1:建立离散卡尔曼滤波的状态方程与量测方程;
状态方程:Xk=ELM(Xk-1)+Wk-1
量测方程:Zk=Xk+Vk
式中,ELM是随机误差模型函数,Xk是k时刻系统状态,Zk是k时刻量测值,Wk是系统噪声向量,Vk是量测噪声向量;
步骤6.2:采用极大后验估计方法计算系统噪声与量测噪声;
步骤6.3:确定滤波流程与初值,对漂移数据进行滤波;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747389.1A CN111896029A (zh) | 2020-07-29 | 2020-07-29 | 一种基于组合算法的mems陀螺随机误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747389.1A CN111896029A (zh) | 2020-07-29 | 2020-07-29 | 一种基于组合算法的mems陀螺随机误差补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111896029A true CN111896029A (zh) | 2020-11-06 |
Family
ID=73183370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747389.1A Pending CN111896029A (zh) | 2020-07-29 | 2020-07-29 | 一种基于组合算法的mems陀螺随机误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896029A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电系统陀螺随机噪声的处理方法及处理装置 |
CN112747732A (zh) * | 2020-12-01 | 2021-05-04 | 上海航天控制技术研究所 | 一种陀螺角速率随机游走和速率斜坡系数的计算方法 |
CN113091740A (zh) * | 2021-03-22 | 2021-07-09 | 浙江兆晟科技股份有限公司 | 一种基于深度学习的稳定云台陀螺仪漂移实时修正方法 |
CN113203429A (zh) * | 2021-04-02 | 2021-08-03 | 同济大学 | 一种陀螺仪温度漂移误差的在线估计及补偿方法 |
CN115342835A (zh) * | 2022-08-12 | 2022-11-15 | 中南大学 | 基于深度神经网络的陀螺仪误差标定方法 |
CN116007661A (zh) * | 2023-02-21 | 2023-04-25 | 河海大学 | 一种基于改进ar模型和平滑滤波的陀螺误差抑制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987355A (zh) * | 2006-12-22 | 2007-06-27 | 北京航空航天大学 | 一种基于自适应扩展卡尔曼滤波的地球卫星自主天文导航方法 |
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
-
2020
- 2020-07-29 CN CN202010747389.1A patent/CN111896029A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987355A (zh) * | 2006-12-22 | 2007-06-27 | 北京航空航天大学 | 一种基于自适应扩展卡尔曼滤波的地球卫星自主天文导航方法 |
CN104101344A (zh) * | 2014-07-11 | 2014-10-15 | 哈尔滨工程大学 | 基于粒子群小波网络的mems陀螺随机误差补偿方法 |
WO2018014602A1 (zh) * | 2016-07-19 | 2018-01-25 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
Non-Patent Citations (7)
Title |
---|
傅惠民;吴云章;娄泰山;: "自适应增量Kalman滤波方法", 航空动力学报, no. 06 * |
孔俊;李士进;朱跃龙;: "集成极限学习机的中小河流洪水预报方法研究", 水文, no. 01 * |
张伯源等: "改进的卡尔曼滤波在MEMS 陀螺仪信号处理的应用", 《信号与系统》 * |
张伯源等: "改进的卡尔曼滤波在MEMS 陀螺仪信号处理的应用", 《信号与系统》, vol. 25, no. 3, 31 March 2019 (2019-03-31), pages 18 - 24 * |
徐建新;岳敏骐;: "基于特征选择和极限学习机的发动机性能预测", 中国民航大学学报, no. 01 * |
杨辉等: "改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用", 《传感技术学报》 * |
杨辉等: "改进小波阈值法与极限学习机在MEMS陀螺误差补偿中的应用", 《传感技术学报》, vol. 31, no. 10, 31 October 2018 (2018-10-31), pages 1535 - 1538 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112577478A (zh) * | 2020-11-11 | 2021-03-30 | 北京信息科技大学 | 微机电系统陀螺随机噪声的处理方法及处理装置 |
CN112747732A (zh) * | 2020-12-01 | 2021-05-04 | 上海航天控制技术研究所 | 一种陀螺角速率随机游走和速率斜坡系数的计算方法 |
CN113091740A (zh) * | 2021-03-22 | 2021-07-09 | 浙江兆晟科技股份有限公司 | 一种基于深度学习的稳定云台陀螺仪漂移实时修正方法 |
CN113203429A (zh) * | 2021-04-02 | 2021-08-03 | 同济大学 | 一种陀螺仪温度漂移误差的在线估计及补偿方法 |
CN113203429B (zh) * | 2021-04-02 | 2022-11-18 | 同济大学 | 一种陀螺仪温度漂移误差的在线估计及补偿方法 |
CN115342835A (zh) * | 2022-08-12 | 2022-11-15 | 中南大学 | 基于深度神经网络的陀螺仪误差标定方法 |
CN115342835B (zh) * | 2022-08-12 | 2024-07-19 | 中南大学 | 基于深度神经网络的陀螺仪误差标定方法 |
CN116007661A (zh) * | 2023-02-21 | 2023-04-25 | 河海大学 | 一种基于改进ar模型和平滑滤波的陀螺误差抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
CN109974714B (zh) | 一种Sage-Husa自适应无迹卡尔曼滤波姿态数据融合方法 | |
Narasimhappa et al. | A modified Sage-Husa adaptive Kalman filter for denoising Fiber Optic Gyroscope signal | |
CN111238535B (zh) | 一种基于因子图的imu误差在线标定方法 | |
CN101105126B (zh) | 基于微石英角速率传感器的随钻方位测量误差补偿方法 | |
CN110375772B (zh) | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN111561930A (zh) | 一种车载mems陀螺仪随机漂移误差的抑制方法 | |
Chauhan et al. | Review of aerodynamic parameter estimation techniques | |
CN105550457B (zh) | 动态演化模型校正方法及系统 | |
CN113074753A (zh) | 一种星敏感器陀螺联合定姿方法、联合定姿系统及应用 | |
Cao et al. | A temperature compensation approach for dual-mass MEMS gyroscope based on PE-LCD and ANFIS | |
Yan et al. | An adaptive nonlinear filter for integrated navigation systems using deep neural networks | |
CN113175926B (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
CN112729348B (zh) | 一种用于imu系统的姿态自适应校正方法 | |
Engelsman et al. | A learning-based approach for bias elimination in low-cost gyroscopes | |
Chen et al. | Multi-frequency data fusion for attitude estimation based on multi-layer perception and cubature kalman filter | |
Zhong et al. | A new drone accelerometer calibration method | |
CN108050997B (zh) | 一种基于容积卡尔曼的光纤陀螺滤波方法 | |
Xing et al. | Offline calibration for MEMS gyroscope G-sensitivity error coefficients based on the newton iteration and least square methods | |
Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
CN110440779B (zh) | 一种高动态mems谐振式陀螺仪力平衡控制方法 | |
CN101118160A (zh) | 低精度压电陀螺零偏实时估计补偿方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |