CN113343569B - 应用于注塑过程的滑动窗口循环神经网络二维建模方法 - Google Patents

应用于注塑过程的滑动窗口循环神经网络二维建模方法 Download PDF

Info

Publication number
CN113343569B
CN113343569B CN202110625947.1A CN202110625947A CN113343569B CN 113343569 B CN113343569 B CN 113343569B CN 202110625947 A CN202110625947 A CN 202110625947A CN 113343569 B CN113343569 B CN 113343569B
Authority
CN
China
Prior art keywords
injection molding
molding process
batch
neural network
data
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
CN202110625947.1A
Other languages
English (en)
Other versions
CN113343569A (zh
Inventor
马乐乐
孔小兵
刘向杰
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110625947.1A priority Critical patent/CN113343569B/zh
Publication of CN113343569A publication Critical patent/CN113343569A/zh
Application granted granted Critical
Publication of CN113343569B publication Critical patent/CN113343569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明涉及一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，涉及塑料加工技术领域，包括，步骤a，设定一个非线性特性且难以通过机理或实验建模方法获取的注塑过程；步骤b，将第k‑1至第k‑n批次的运行数据按照迭代顺序进行首尾相接，并获得首尾相接后的重组数据；步骤c，采用循环神经网络对注塑过程的非线性特性进行辨识，并建立注塑过程的二维循环神经网络预测模型；步骤d，建立网络结构参数和权重参数沿注塑过程生产批次的更新方程；步骤e，基于第k‑1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵；步骤f，进入第k+1批次，重复步骤b到步骤e。本发明所述方法有效提高了注塑机注射速度的控制精度。

Description

应用于注塑过程的滑动窗口循环神经网络二维建模方法
技术领域
本发明涉及塑料加工技术领域，尤其涉及一种应用于注塑过程的滑动窗口循环神经网络二维建模方法。
背景技术
注塑机又名注射成型机或注射机，它是将热塑性塑料或热固性料利用塑料成型模具制成各种形状的塑料制品的主要成型设备。注塑机是塑料加工业中使用量最大的加工机械，不仅有大量的产品可用注塑机直接生产，而且还是组成注拉吹工艺的关键设备。注射系统是注塑机最主要的组成部分之一，其作用是，在注塑料机的一个循环中，能在规定的时间内将一定数量的塑料加热塑化后，在一定的压力和速度下，通过螺杆将熔融塑料注入模具型腔中，注射结束后，对注射到模腔中的熔料保持定型。注射成型的基本要求是塑化、注射和成型。塑化是实现和保证成型制品质量的前提，而为满足成型的要求，注射必须保证有足够的压力和速度。
随着塑料加工业规模和复杂性的日益增长，注塑过程呈现出越来越强的非线性特性，难以通过机理或实验建模方法获得其精确模型，严重影响了其注射速度控制的精度，为制造高精细化塑料产品带来了困难。数据驱动建模方法可以利用注塑机重复运行产生的大量过程数据挖掘其内在的非线性特征，获得注塑过程的精确神经网络模型。然而，注塑过程各批次产生的运行数据具有不连续、不等长和高相似的特点，需要设计具有针对性的神经网络结构和训练方法实现其高精度建模。
发明内容
为此，本发明提供一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，用以克服现有技术中无法获取注塑过程的精确模型导致的注塑机注射速度控制精度低的问题。
为实现上述目的，本发明提供一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，包括：
步骤a，设定一个非线性特性且难以通过机理或实验建模方法获取的注塑过程，所述注塑过程沿批次产生大量运行数据，所述运行数据可用于数据驱动建模；
步骤b，设定某一生产批次为第k批次，滑动窗口长度为n，将第k-1至第k-n批次的运行数据按照迭代顺序进行首尾相接，并获得首尾相接后的重组数据；
步骤c，基于滑动窗口内的所述重组数据，采用循环神经网络对注塑过程的非线性特性进行辨识，设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，将未来误差数据作为网络输出，并建立注塑过程的二维循环神经网络预测模型；
步骤d，采用适用于小批量数据建模的扩展卡尔曼滤波方法训练循环神经网络，并建立网络结构参数和权重参数沿注塑过程生产批次的更新方程；
步骤e，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵；
步骤f，注塑过程进入第k+1批次，重复步骤b到步骤e。
进一步地，所述步骤a中，所述注塑过程具有强非线性，无法通过机理或实验方法获得所述注塑过程的精确模型。
进一步地，所述步骤a中，在进行数据驱动建模时，设置以当前批次为基准的滑动窗口，采用前n个批次的历史数据进行数据驱动建模。
进一步地，所述步骤b中，在数据重组时，将滑动窗口内的不等长数据进行重组，按照迭代先后顺序首尾相连，形成可用于神经网络建模的连续数据组。
进一步地，所述步骤c中，对所述注塑过程的非线性特性进行辨识时，定义注塑系统状态变量为x，设定x＝[x1x2 x3]T＝[PhvzZ]T，输入变量为u＝qh，其中，x1代表第一个状态变量，x2代表第二个状态变量，x3代表第三个状态变量，T代表转置，Ph为液压压力，vz为注射速度，Z为螺旋位移，qh为液体流率；设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，其中，
式中，为循环神经网络在第k批次t时刻的网络输入，/>为注塑过程在第k批次t时刻的跟踪误差向量，Δuk(t)为注塑过程在第k批次t时刻的控制输入向量；
将未来误差数据作为网络输出，其中，
式中，为循环神经网络在第k批次t时刻的网络输出；
基于重组训练数据建立注塑过程的二维循环神经网络预测模型。
进一步地，所述步骤d中，所述更新方程为，
Wk+1＝Wk-KkEk
Kk＝PkJFk(RNk+JFk TPkJFk)-1
Pk+1＝QNk+(1-KkJFk T)Pk
式中，Wk为第k批次的网络权重矩阵，Wk+1为第k+1批次的网络权重矩阵，Kk为第k批次的卡尔曼滤波器增益，Pk为第k批次的建模误差协方差矩阵，QNk和RNk分别代表第k批次的过程噪声和测量噪声，JFk为第k批次的网络输出向量对网络权重矩阵Wk依次求偏导得到的雅可比矩阵，Ek代表第k批次的建模误差。
进一步地，所述步骤e中，在进行计算时采用扩展卡尔曼滤波训练的更新方程进行计算。
与现有技术相比，本发明的有益效果在于，本发明所述方法通过将注塑机重复运行产生的不连续、不等长、高相似数据在选定长度的滑动窗口内进行重组，形成可用于神经网络建模的连续数据组，在保证数据质量的同时，避免由于存储和计算过多相似历史数据造成的资源浪费，提高了神经网络建模的精度，从而提高了注塑机注射速度的控制精度。
尤其，通过采用循环神经网络对注塑过程的非线性特性进行辨识，进一步提高了神经网络建模精度，进一步提高了注塑机注射速度的控制精度。
尤其，通过采用基于扩展卡尔曼滤波器的训练方法建立注塑过程的二维循环神经网络预测模型，避免了网络训练的过拟合现象，提高了神经网络建模精度，从而进一步提高了注塑机注射速度的控制精度。
尤其，通过建立网络参数沿注塑机生产批次的更新方程，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵，避免对过程数据的重复多次辨识，降低在线计算负担，进一步提高了神经网络建模精度，进一步提高了注塑机注射速度的控制精度。
附图说明
图1为本实施例的注塑机模型示意图；
图2为本实施例应用于注塑过程的滑动窗口循环神经网络二维建模方法的流程示意图；
图3为本实施例的滑动窗口循环神经网络二维建模示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为本实施例的注塑机模型示意图，包括：
螺杆7，其用以破碎加入空腔内的粒状或粉状塑料，所述空腔的上方端口与料斗3的下端口连接，所述料斗3用以向所述空腔内加入塑料，所述空腔外部设置有注射缸6，所述注射缸6用以通入压力油以增加熔料注入时的压力，所述注射缸6的前端设置有喷嘴1，所述喷嘴1用以向模具5中注入熔融后的熔料，所述注射缸6的外表面设置有加热器2，所述加热器2用以将加入空腔内的塑料进行熔融以形成熔料，所述螺杆7远离所述喷嘴1的一端连接有旋转电机4，所述旋转电机4用以带动所述螺杆7进行旋转推进，所述旋转电机4和所述注射缸6与动力系统8连接，所述动力系统8用以推动机器进行合膜及推动注射座前移，各部件通过无线与控制单元9连接，所述控制单元9用以控制整个工作过程。
所述注塑机的工作原理为，首先将粒状或粉状塑料加入所述料斗3内，再通过所述螺杆7的旋转和机筒外壁所述加热器2加热使塑料成为熔融状态，然后所述动力系统8推动机器进行合模并推动注射座前移，使所述喷嘴1贴紧模具的浇口道，接着向所述注射缸6内通入压力油，所述旋转电机4驱动所述螺杆7向前推进，从而以预设的压力和预设的速度将熔料注入预设温度的所述模具5内，经过预设时间的压力保持和冷却，使熔料在所述模具5内固化成型，整个注射过程均由所述控制单元9进行控制。
请参阅图2-3所示，本发明提供一种应用于注塑过程的滑动窗口循环神经网络二维建模方法，包括：
步骤a，设定一个非线性特性且难以通过机理或实验建模方法获取的注塑过程，所述注塑过程沿批次产生大量运行数据，所述运行数据可用于数据驱动建模；
步骤b，设定某一生产批次为第k批次，滑动窗口长度为n，将第k-1至第k-n批次的运行数据按照迭代顺序进行首尾相接，并获得首尾相接后的重组数据；
步骤c，基于滑动窗口内的所述重组数据，采用循环神经网络对注塑过程的非线性特性进行辨识；定义注塑系统的状态变量为x，设定x＝[x1 x2 x3]T＝[Ph vz Z]T，输入变量为u＝qh，其中，x1代表第一个状态变量，x2代表第二个状态变量，x3代表第三个状态变量，T代表转置，Ph为液压压力，vz为注射速度，Z为螺旋位移，qh为液体流率；设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，其中，
式中，为循环神经网络在第k批次t时刻的网络输入，/>为注塑过程在第k批次t时刻的跟踪误差向量，Δuk(t)为注塑过程在第k批次t时刻的控制输入向量；
将未来误差数据作为网络输出，其中，
式中，为循环神经网络在第k批次t时刻的网络输出；
基于重组训练数据建立注塑过程的二维循环神经网络预测模型；
步骤d，采用适用于小批量数据建模的扩展卡尔曼滤波方法训练循环神经网络，并建立网络结构参数和权重参数沿注塑过程生产批次的更新方程，其中，
Wk+1＝Wk-KkEk
Kk＝PkJFk(RNk+JFk TPkJFk)-1
Pk+1＝QNk+(1-KkJFk T)Pk
式中，Wk为第k批次的网络权重矩阵，Wk+1为第k+1批次的网络权重矩阵，Kk为第k批次的卡尔曼滤波器增益，Pk为第k批次的建模误差协方差矩阵，QNk和RNk分别代表第k批次的过程噪声和测量噪声，JFk为第k批次的网络输出向量对网络权重矩阵Wk依次求偏导得到的雅可比矩阵，Ek代表第k批次的建模误差；
步骤e，根据扩展卡尔曼滤波训练的更新方程，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵；
步骤f，注塑过程进入第k+1批次，重复步骤b到步骤e；
在每个批次开始前都需要进行步骤b到e的建模得到当前批次的控制模型，所以步骤b到步骤e需要跟随批次k不断重复，也就是说，每次重复完成获得的是当前批次的控制模型，下一批次再重复步骤b到e获得下一批次的控制模型。
具体而言，本实施例通过建立网络参数沿注塑机生产批次的更新方程，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵，避免对过程数据的重复多次辨识，降低在线计算负担，进一步提高了神经网络建模精度，进一步提高了注塑机注射速度的控制精度。
具体而言，本实施例所采用的建模数据包含100个生产批次，采样间隔为0.25s，各批次的数据长度属于区间[68，92]，建模滑动窗口长度设定为3，在Mat lab环境下运行滑动窗口循环神经网络二维模型训练程序，并与传统机理建模、阶跃响应建模、BP神经网络建模方法进行对比，验证其在提高注塑过程建模精度、减小建模计算负担、降低存储占用率方面的有效性。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (5)

1.应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，包括，
步骤a，设定一个非线性特性且难以通过机理或实验建模方法获取的注塑过程，所述注塑过程沿批次产生大量运行数据，所述运行数据可用于数据驱动建模；
步骤b，设定某一生产批次为第k批次，滑动窗口长度为n，将第k-1至第k-n批次的运行数据按照迭代顺序进行首尾相接，并获得首尾相接后的重组数据；
步骤c，基于滑动窗口内的所述重组数据，采用循环神经网络对注塑过程的非线性特性进行辨识，设置注塑系统输入迭代变化量和历史误差数据为网络输入，将未来误差数据作为网络输出，并建立注塑过程的二维循环神经网络预测模型；
步骤d，采用适用于小批量数据建模的扩展卡尔曼滤波方法训练循环神经网络，并建立网络结构参数和权重参数沿注塑过程生产批次的更新方程；
步骤e，基于第k-1批次的训练结果利用新的滑动窗口数据计算得到第k批次的循环神经网络参数矩阵；
步骤f，注塑过程进入第k+1批次，重复步骤b到步骤e；
所述步骤c中，对所述注塑过程的非线性特性进行辨识时，定义注塑系统状态变量为x，设定x＝[x1x2 x3]T＝[PhvzZ]T，输入变量为u＝qh，其中，x1代表第一个状态变量，x2代表第二个状态变量，x3代表第三个状态变量，T代表转置，Ph为液压压力，vz为注射速度，Z为螺旋位移，qh为液体流率；设置所述注塑系统输入迭代变化量和历史误差数据为网络输入，其中，
式中，为循环神经网络在第k批次t时刻的网络输入，/>为注塑过程在第k批次t时刻的跟踪误差向量，Δuk(t)为注塑过程在第k批次t时刻的控制输入向量；
将未来误差数据作为网络输出，其中，
式中，为循环神经网络在第k批次t时刻的网络输出；
基于重组训练数据建立注塑过程的二维循环神经网络预测模型；
所述步骤d中，所述更新方程为，
Wk+1＝Wk-KkEk
Kk＝PkJFk(RNk+JFk TPkJFk)-1
Pk+1＝QNk+(1-KkJFk T)Pk
式中，Wk为第k批次的网络权重矩阵，Wk+1为第k+1批次的网络权重矩阵，Kk为第k批次的卡尔曼滤波器增益，Pk为第k批次的建模误差协方差矩阵，QNk和RNk分别代表第k批次的过程噪声和测量噪声，JFk为第k批次的网络输出向量对网络权重矩阵Wk依次求偏导得到的雅可比矩阵，Ek代表第k批次的建模误差。
2.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤a中，所述注塑过程具有强非线性，无法通过机理或实验方法获得所述注塑过程的精确模型。
3.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤a中，在进行数据驱动建模时，设置以当前批次为基准的滑动窗口，采用前n个批次的历史数据进行数据驱动建模。
4.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤b中，在数据重组时，将滑动窗口内的不等长数据进行重组，按照迭代先后顺序首尾相连，形成可用于神经网络建模的连续数据组。
5.根据权利要求1所述的应用于注塑过程的滑动窗口循环神经网络二维建模方法，其特征在于，所述步骤e中，在进行计算时采用扩展卡尔曼滤波训练的更新方程进行计算。
CN202110625947.1A 2021-06-04 2021-06-04 应用于注塑过程的滑动窗口循环神经网络二维建模方法 Active CN113343569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110625947.1A CN113343569B (zh) 2021-06-04 2021-06-04 应用于注塑过程的滑动窗口循环神经网络二维建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110625947.1A CN113343569B (zh) 2021-06-04 2021-06-04 应用于注塑过程的滑动窗口循环神经网络二维建模方法

Publications (2)

Publication Number Publication Date
CN113343569A CN113343569A (zh) 2021-09-03
CN113343569B true CN113343569B (zh) 2023-10-20

Family

ID=77474038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110625947.1A Active CN113343569B (zh) 2021-06-04 2021-06-04 应用于注塑过程的滑动窗口循环神经网络二维建模方法

Country Status (1)

Country Link
CN (1) CN113343569B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991877A (zh) * 2017-12-20 2018-05-04 东南大学 一种基于循环神经网络的动态模型辨识方法及系统
CN111688103A (zh) * 2020-06-18 2020-09-22 诺兰特新材料(北京)有限公司 用于自动化生产密封件的系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991877A (zh) * 2017-12-20 2018-05-04 东南大学 一种基于循环神经网络的动态模型辨识方法及系统
CN111688103A (zh) * 2020-06-18 2020-09-22 诺兰特新材料(北京)有限公司 用于自动化生产密封件的系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于模腔压力的注塑过程注射速度设定曲线优化;李闯;王福利;刘阳;常玉清;;化工学报(第05期);97-102 *
间歇过程滑动窗口子时段PCA建模和在线监测;郭小萍, 陆宁云, 高福荣, 王福利;控制与决策(第09期);76-79 *

Also Published As

Publication number Publication date
CN113343569A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
US11642823B2 (en) Systems and approaches for autotuning an injection molding machine
Yang et al. Adaptive control of the filling velocity of thermoplastics injection molding
CN102672924B (zh) 注射成型机的合模力设定方法
CN103901773B (zh) 一种针对输入时滞的2d混杂控制器设计方法
CN108724664A (zh) 注射成型时再现注射成型件品质的方法和注射成型设备
CN105607591A (zh) 一种控制器异步切换的间歇过程最小运行时间控制方法
CN104589606B (zh) 一种注塑成型过程在线监控方法
CN113343569B (zh) 应用于注塑过程的滑动窗口循环神经网络二维建模方法
EP3710223B1 (de) Verfahren zur steuerung einer maschine zur verarbeitung von kunststoffen
JP4481287B2 (ja) 射出成形条件の解析方法
CN107942669A (zh) 批次注塑过程的受限滚动时域混杂跟踪控制方法
Huang et al. Neural-network-based predictive learning control of ram velocity in injection molding
CN206633366U (zh) 一种注塑制品缺陷自愈调控装置
US6845289B2 (en) Hybrid model and method for determining manufacturing properties of an injection-molded part
CN113352570B (zh) 基于迭代学习模型预测控制的注塑机注射速度控制方法
Marhöfer et al. Validation of precision powder injection molding process simulations using a spiral test geometry
Munankar et al. Simulation for optimum gate location in plastic injection moulding for spanner
CN112277275A (zh) 一种塑料制品的模具加工方法及装置
Drugain et al. Comparative Aspects of the Temporal Characteristics of the Production of Various Plastic Products
Todorov et al. Enhanced Efficiency in Two-Component Injection Molding Product for Automotive Applications
CN112677438B (zh) 基于注塑成型和调机数据特征分段构造与筛选方法及系统
CN218615094U (zh) 一种多功能一体化的注塑模具生产用注塑机
Kumar et al. Validation & Analysis of Injection Moulding Processparameters for Plastic Industry
CN106863731A (zh) 一种注塑制品缺陷自愈调控装置及方法
Dubay et al. An experimental comparison of cooling time for cylindrical plastic components using heat conduction models in the non‐conservative and conservative forms

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