CN112056292B - 随机环境风影响下的基于降阶模型的施药控制系统及方法 - Google Patents
随机环境风影响下的基于降阶模型的施药控制系统及方法 Download PDFInfo
- Publication number
- CN112056292B CN112056292B CN202010782238.XA CN202010782238A CN112056292B CN 112056292 B CN112056292 B CN 112056292B CN 202010782238 A CN202010782238 A CN 202010782238A CN 112056292 B CN112056292 B CN 112056292B
- Authority
- CN
- China
- Prior art keywords
- pesticide application
- order model
- reduced order
- wind speed
- model
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Zoology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Software Systems (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Catching Or Destruction (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种随机环境风影响下的基于降阶模型的施药控制系统及方法,所述方法包括以下几个步骤:1、对无人机工况范围内的样本点设计滤波的高斯白噪声信号模拟环境风速信号,并通过高精度的CFD方法计算得到雾滴的沉积分布;2、采用深度学习中的时间序列预测方法,将上述CFD的输入输出信号作为样本建立系统的高效降阶模型;3、在验证降阶模型有效性的基础上,采用降阶模型代替CFD方法,可实现对雾滴沉积分布的实时高效预测;4、结合降阶模型与控制算法调节系统的喷嘴角度与施药压力,以实现系统的自动对靶变量施药控制。本发明可以设计主动控制算法控制施药系统喷嘴角度与施药压力的作动,使雾滴向靶向区域沉积以抑制雾滴的漂移。
Description
技术领域
本发明涉及精准农业技术领域,具体的讲是一种随机环境风影响下的基于降阶模型的施药控制系统及方法。
背景技术
我国是世界上受病虫害最为严重的国家之一,通过植保作业可以有效预防和治理病虫害,是保障我国粮食安全与提高农产品品质和产量的重要手段。传统的地面植保作业器械存在作业效率低下、农药用量大等缺点。采用植保无人机的航空施药作业能大幅提高作业速度并降低农药使用量,且具有不受作物长势限制及可适期作业等优点。但环境中不可控的随机风场与旋翼下洗流场、作物之间相互耦合作用使得轻质量小粒径雾滴易向非靶区运动并沉积,导致雾滴漂移并造成雾滴在作业田块与作物局部分布不均等问题,同时对非靶向区域也造成环境污染。
目前防止或减弱雾滴漂移的方法主要包括设置合理的飞行速度与作业高度,改善喷嘴的防漂移性能等,但是对随机环境风影响下雾滴飘移的抑制作用有限。
发明内容
本发明要解决的技术问题是针对以上不足,提供一种随机环境风影响下的基于降阶模型的施药控制系统及方法。
随机环境风影响下的基于降阶模型的施药控制方法,包括以下步骤:
步骤1、根据作物生长特性及植保作业需求,确定植保无人机的工作范围,包括l个植保无人机的作业高度、m个喷嘴角度和n个施药压力,将l个植保无人机的作业高度、m个喷嘴角度和n个施药压力数据离散为系统的样本空间,采用拉丁超立方方法选取样本空间的样本点;
步骤2、在每个样本点附加同一个随机环境风速度信号作为输入信号,利用高精度的CFD计算方法得到雾滴的沉积分布,作为施药系统的输出信号;
步骤3、建立施药系统的时间序列预测降阶模型,将步骤2中的输入信号和输出信号作为训练样本数据,对施药系统的高效降阶模型进行训练,得到最终降阶模型;
步骤4、将另一组未经训练过的样本点测试集,且每个样本点测试集具有与步骤2不同变化规律的随机环境风速信号作为样本点测试集输入信号,测试集中的每个样本点均包括一组作业高度、喷嘴角度和施药压力信息,且作业高度、喷嘴角度和施药压力均位于步骤1的样本空间范围内,将样本点测试集输入信号分别采用CFD方法与最终降阶模型计算得到雾滴分布响应;
步骤5、通过对比CFD与最终降阶模型的计算结果以验证降阶模型的有效性,判断最终降阶模型是否满足工程计算精度,若不能满足工程计算精度,则重复上述步骤1-步骤3,改变步骤1中的样本空间和步骤4中的样本点测试集,得到新的最终降阶模型,若能够满足工程计算精度,则输出最终降阶模型;
步骤6、根据植保作业任务需求,选择合适的作业高度,通过地面风速监测装置以及无人机机载风速监测装置实时测量环境风速信息,将步骤5中的作业高度以及实时风速信息输入至步骤5中输出的最终降阶模型,计算出不同喷嘴角度和不同施药压力下施药系统的雾滴的沉积分布效果,根据植保施药需求计算出最佳雾滴的沉积分布效果对应的最佳喷嘴角度与最佳施药压力;
步骤7、按照作业高度、最佳喷嘴角度和最佳施药压力进行精准施药。
进一步的,所述步骤2中,随机环境风速信号为滤波的连续变化的高斯白噪声信号。
进一步的,所述步骤3中,基于系统辨识理论,采用结合递归算法的回归模型或深度学习中的RNN方法建立施药系统的时间序列预测模型。
随机环境风影响下的基于降阶模型的施药控制系统,包括以下模块:包括样本空间模块、施药系统降阶模型建立模块、降阶模型及CFD调试模块、喷药参数计算模块和施药控制模块,所述样本空间模块用于根据作物生长特性及植保作业需求,确定植保无人机的工作范围,包括l个植保无人机的作业高度、m个喷嘴角度和n个施药压力,将l个植保无人机的作业高度、m个喷嘴角度和n个施药压力离散为系统的样本空间,采用拉丁超立方方法选取样本空间的样本点;
施药系统降阶模型建立模块用于在每个样本点附加同一个随机环境风速度信号作为输入信号,利用高精度的CFD计算方法得到雾滴的沉积分布,作为施药系统的输出信号;建立施药系统的时间序列预测降阶模型,将步骤2中的输入信号和输出信号作为训练样本数据,对施药系统的高效降阶模型进行训练,得到最终降阶模型;通过对比CFD与最终降阶模型的计算结果以验证降阶模型的有效性,判断最终降阶模型是否满足工程计算精度,若不能满足工程计算精度,则重复上述步骤1-步骤3,改变步骤1中的样本空间和步骤4中的样本点测试集,得到新的最终降阶模型,若能够满足工程计算精度,则输出最终降阶模型;
降阶模型及CFD调试模块用于将另一组未经训练过的样本点测试集,且每个样本点测试集具有与步骤2不同变化规律的随机环境风速信号作为样本点测试集输入信号,测试集中的每个样本点均包括一组作业高度、喷嘴角度和施药压力信息,且作业高度、喷嘴角度和施药压力均位于步骤1的样本空间范围内,将样本点测试集输入信号分别采用CFD方法与降阶模型计算得到雾滴分布响应;
喷药参数计算模块用于根据植保作业任务需求,选择合适的作业高度,通过地面风速监测装置以及无人机机载风速监测装置实时测量环境风速信息,将步骤5中的作业高度以及实时风速信息输入至步骤5中的最终降阶模型,计算出不同喷嘴角度和不同施药压力下施药系统的雾滴的沉积分布效果,根据植保施药需求计算出最佳雾滴的沉积分布效果对应的最佳喷嘴角度与最佳施药压力;
施药控制模块用于按照作业高度、最佳喷嘴角度和最佳施药压力进行精准施药。
为解决以上技术问题,本发明采用以下技术方案:
本发明采用以上技术方案后,与现有技术相比,具有以下优点:
1、本发明提出利用降阶模型高效准确地预测雾滴的分布规律。本发明创新性地利用机载风速仪与降阶模型方法预测雾滴在强耦合气动效应与复杂物理边界条件下的漂移与沉积规律。降阶模型在保证计算精度的前提下,可有效降低计算耗时。
2、本发明提出基于代理模型的自动对靶控制策略。相对于不同风速下的无差别施药,基于降阶模型方法变量施药控制方法可有效抑制环境风速对雾滴飘移的影响,使环境风影响下施药系统反馈调节更高效准确,进而提高农药的利用率并降低农药对环境的污染,是实现精准农业的有效手段。
下面结合附图和实施例对本发明进行详细说明。
附图说明
图1为本发明中CFD计算方法的示意图。
图2为本发明中的随机风速的示意图。
图3为本发明中搭建降阶模型的示意图。
图4为本发明中的利用降阶模型实现雾滴漂移抑制的控制原理示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明是一种基于监测随机侧风信号通过降阶模型和变量施药控制方法抑制雾滴的漂移,包括:风速监测装置、变量施药控制系统,以及调节喷嘴角度和调节喷药压力组成的变量施药执行装置。
为保证获取风速信息的准确性,所述的侧风监测装置包括地面监测装置以及机载监测装置,其中机载监测装置安装在无人机飞行方向的前、后、左、右四个方位,用于测量不同方向的风速,并降低旋翼流场对风速测量的干扰。
所述的风速测量装置通过无线信号将所测得的风速信号返回至地面决策系统。
随机环境风影响下的基于降阶模型的施药控制方法,包括以下步骤:
步骤1、考虑不同作业高度,喷嘴角度,施药压力下随机环境风的影响。作业高度、喷嘴角度、施药压力采用离散信号,环境风速采用滤波的连续变化的高斯白噪声信号,将上述变量作为输入,采用高精度的CFD方法离线计算得到雾滴的沉积分布作为施药系统的输出,如图1所示。
在步骤1中,l个作业高度、m个喷嘴角度以及n个施药压力组成样本空间,并采用拉丁超立方方法优化样本空间。在样本空间的每个样本点采用步骤1中的随机风速信息作为CFD的输入信号。
步骤1中的随机风速信号在时域和频域的一定幅值范围内具有随机特性,其幅值范围可根据工程需求进行调整,其速度变化范围记为[Vmin,Vmax],其频率变化范围记为[fmin,fmax]。该信号能够很好地表达环境风速的随机特征,并能够有效覆盖常值风速、正弦风速以及随机风速的信号特征,其示例如图2所示。
步骤2、将步骤1的多变量输入、输出信号作为训练样本,采用深度学习等算法得到高精度的降阶模型。
步骤3、在步骤1中相同样本空间取值范围内,将不同随机风速作为测试集输入,分别通过CFD方法和降阶模型计算得到输出。
步骤3中的作业高度、喷嘴角度、施药压力需要在步骤1的样本空间范围内选取,但可以不同于样本点。步骤3中的风速信号需保证在时域与频域的范围选取上满足V∈[Vmin,Vmax]以f∈[fmin,fmax],但其变化规律可以不同。
步骤4、对比步骤3中通过CFD方法和降阶模型得到的输出,当两者误差满足工程需求时,则代表降阶模型有效;否则重复步骤1-3,输出新的降阶模型并进行对比,直至降阶模型满足精度要求,如图3所示。
给定作业工况,采用降阶模型代替高精度的CFD方法预测雾滴的沉积分布情况。
采用步骤4中得到的降阶模型预测系统输出所需的时间比CFD方法可降低3-4个数量级以上,即降阶模型在保证计算精度的前提下,可有效降低预测输出的耗时。
当无人机系统的作业高度、喷嘴角度、施药压力、环境风速的变化范围确定后,只需要对施药系统进行一次降阶模型的建模。
步骤5、根据植保作业任务需求,选择合适的作业高度。通过地面风速监测装置以及无人机机载风速监测装置实时测量环境风速信息,并通过无线设备将风速信息实时在线传递至地面的计算机系统。
步骤6、将步骤5中的作业高度以及实时风速信息传递至降阶系统,高效准确地计算出不同喷嘴角度和不同喷雾压力下施药系统的输出。
步骤7、地面控制系统根据步骤6中得到的输出以及雾滴分布需求,实时作动调节喷嘴角度以及喷雾压力,以达到理想的雾滴分布效果,进而实现雾滴漂移的抑制与控制。控制原理图如图4所示。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (3)
1.随机环境风影响下的基于降阶模型的施药控制方法,其特征在于,包括以下步骤:
步骤1、根据作物生长特性及植保作业需求,确定植保无人机的工作范围,包括l个植保无人机的作业高度、m个喷嘴角度和n个施药压力,将l个植保无人机的作业高度、m个喷嘴角度和n个施药压力数据离散为系统的样本空间,采用拉丁超立方方法选取样本空间的样本点;
步骤2、在每个样本点附加同一个随机环境风速度信号作为输入信号,利用高精度的CFD计算方法得到雾滴的沉积分布,作为施药系统的输出信号;
步骤3、建立施药系统的时间序列预测降阶模型,将步骤2中的输入信号和输出信号作为训练样本数据,对施药系统的高效降阶模型进行训练,得到最终降阶模型;所述步骤3中,基于系统辨识理论,采用结合递归算法的回归模型或深度学习中的RNN方法建立施药系统的时间序列预测模型;
步骤4、将另一组未经训练过的样本点测试集,且每个样本点测试集具有与步骤2不同变化规律的随机环境风速信号作为样本点测试集输入信号,测试集中的每个样本点均包括一组作业高度、喷嘴角度和施药压力信息,且作业高度、喷嘴角度和施药压力均位于步骤1的样本空间范围内,将样本点测试集输入信号分别采用CFD方法与最终降阶模型计算得到雾滴分布响应;
步骤5、通过对比CFD与最终降阶模型的计算结果以验证降阶模型的有效性,判断最终降阶模型是否满足工程计算精度,若不能满足工程计算精度,则重复上述步骤1-步骤3,改变步骤1中的样本空间和步骤4中的样本点测试集,得到新的最终降阶模型,若能够满足工程计算精度,则输出最终降阶模型;
步骤6、根据植保作业任务需求,选择合适的作业高度,通过地面风速监测装置以及无人机机载风速监测装置实时测量环境风速信息,将步骤5中的作业高度以及实时风速信息输入至步骤5中输出的最终降阶模型,计算出不同喷嘴角度和不同施药压力下施药系统的雾滴的沉积分布效果,根据植保施药需求计算出最佳雾滴的沉积分布效果对应的最佳喷嘴角度与最佳施药压力;
步骤7、按照作业高度、最佳喷嘴角度和最佳施药压力进行精准施药。
2.根据权利要1所述的随机环境风影响下的基于降阶模型的施药控制方法,其特征在于,所述步骤2中,随机环境风速信号为滤波的连续变化的高斯白噪声信号。
3.随机环境风影响下的基于降阶模型的施药控制系统,其特征在于,包括以下模块:包括样本空间模块、施药系统降阶模型建立模块、降阶模型及CFD调试模块、喷药参数计算模块和施药控制模块,所述样本空间模块用于根据作物生长特性及植保作业需求,确定植保无人机的工作范围,包括l个植保无人机的作业高度、m个喷嘴角度和n个施药压力,将l个植保无人机的作业高度、m个喷嘴角度和n个施药压力离散为系统的样本空间,采用拉丁超立方方法选取样本空间的样本点;
施药系统降阶模型建立模块用于在每个样本点附加同一个随机环境风速度信号作为输入信号,利用高精度的CFD计算方法得到雾滴的沉积分布,作为施药系统的输出信号;建立施药系统的时间序列预测降阶模型,将步骤2中的输入信号和输出信号作为训练样本数据,对施药系统的高效降阶模型进行训练,得到最终降阶模型;通过对比CFD与最终降阶模型的计算结果以验证降阶模型的有效性,判断最终降阶模型是否满足工程计算精度,若不能满足工程计算精度,则重复步骤1-步骤3,改变步骤1中的样本空间和步骤4中的样本点测试集,得到新的最终降阶模型,若能够满足工程计算精度,则输出最终降阶模型;
降阶模型及CFD调试模块用于将另一组未经训练过的样本点测试集,且每个样本点测试集具有与步骤2不同变化规律的随机环境风速信号作为样本点测试集输入信号,测试集中的每个样本点均包括一组作业高度、喷嘴角度和施药压力信息,且作业高度、喷嘴角度和施药压力均位于步骤1的样本空间范围内,将样本点测试集输入信号分别采用CFD方法与降阶模型计算得到雾滴分布响应;
喷药参数计算模块用于根据植保作业任务需求,选择合适的作业高度,通过地面风速监测装置以及无人机机载风速监测装置实时测量环境风速信息,将步骤5中的作业高度以及实时风速信息输入至步骤5中的最终降阶模型,计算出不同喷嘴角度和不同施药压力下施药系统的雾滴的沉积分布效果,根据植保施药需求计算出最佳雾滴的沉积分布效果对应的最佳喷嘴角度与最佳施药压力;
施药控制模块用于按照作业高度、最佳喷嘴角度和最佳施药压力进行精准施药。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782238.XA CN112056292B (zh) | 2020-08-06 | 2020-08-06 | 随机环境风影响下的基于降阶模型的施药控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782238.XA CN112056292B (zh) | 2020-08-06 | 2020-08-06 | 随机环境风影响下的基于降阶模型的施药控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112056292A CN112056292A (zh) | 2020-12-11 |
CN112056292B true CN112056292B (zh) | 2022-05-24 |
Family
ID=73657271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010782238.XA Active CN112056292B (zh) | 2020-08-06 | 2020-08-06 | 随机环境风影响下的基于降阶模型的施药控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112056292B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7640797B2 (en) * | 2005-03-17 | 2010-01-05 | Mississippi State University | Method and system for increasing safety in chemical application from an aircraft |
CN102564790A (zh) * | 2011-12-29 | 2012-07-11 | 北京农业智能装备技术研究中心 | 变量喷雾的雾量空间分布的测量装置及方法 |
CN102890734A (zh) * | 2012-09-18 | 2013-01-23 | 天津空中代码工程应用软件开发有限公司 | 飞行模拟器中建立飞行结冰降阶模型的方法 |
CN105539851B (zh) * | 2015-12-09 | 2017-06-20 | 华南农业大学 | 基于无线传感网的无人机农药精准喷施作业系统及方法 |
CN107145692B (zh) * | 2017-06-22 | 2020-03-10 | 山东农业大学 | 一种基于cfd和作物孔隙率相似性的施药雾滴沉积预测方法 |
MX2019000955A (es) * | 2018-01-24 | 2019-11-28 | Carrier Corp | Inyeccion de agentes, vaporizacion y calculador de dispersion. |
-
2020
- 2020-08-06 CN CN202010782238.XA patent/CN112056292B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112056292A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105539851B (zh) | 基于无线传感网的无人机农药精准喷施作业系统及方法 | |
CN109122633A (zh) | 神经网络决策的植保无人机精准变量喷雾装置和控制方法 | |
CN105173085B (zh) | 无人机变量施药自动控制系统及方法 | |
Yongjun et al. | Modelling operation parameters of UAV on spray effects at different growth stages of corns | |
CN109857141A (zh) | 植保无人机喷洒方法和系统 | |
CN110956132B (zh) | 一种基于无人机协同智能构建草害防治模型的方法 | |
Baetens et al. | A validated 2-D diffusion–advection model for prediction of drift from ground boom sprayers | |
CN102613161A (zh) | 喷杆喷雾机控制系统及喷雾补偿控制方法 | |
CN102289714B (zh) | 一种基于行为模型的小型无人旋翼机自主起降控制方法 | |
Weicai et al. | Optimization and test for spraying parameters of cotton defoliant sprayer | |
CN106094532A (zh) | 一种农用无人机喷施系统自动调节装置及调节方法 | |
CN113887085A (zh) | 基于雾滴沉积模型的植保无人机喷洒质量评价方法 | |
CN111736629B (zh) | 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 | |
Chen et al. | Determining application volume of unmanned aerial spraying systems for cotton defoliation using remote sensing images | |
Zhang et al. | Parameters optimization of crop protection UAS based on the first industry standard of China | |
CN112056292B (zh) | 随机环境风影响下的基于降阶模型的施药控制系统及方法 | |
Guo et al. | Spraying coverage path planning for agriculture unmanned aerial vehicles | |
Dou et al. | Field variation characteristics of sprayer boom height using a newly designed boom height detection system | |
CN102968664B (zh) | 一种移动机器人变量施药智能决策方法和系统 | |
Nan et al. | Low-volume precision spray for plant pest control using profile variable rate spraying and ultrasonic detection | |
Yang et al. | Research status and trends of downwash airflow of spray UAVs in agriculture | |
CN113485470A (zh) | 一种变量喷雾控制方法、装置及系统 | |
CN106697291A (zh) | 一种智能化无人机农药喷洒装置 | |
CN116636518A (zh) | 无人机施药控制方法及系统 | |
Womac et al. | Status of spray penetration and deposition in dense field crop canopies |
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 |