CN113406520B - 针对现实新能源汽车的电池健康状态估计方法 - Google Patents

针对现实新能源汽车的电池健康状态估计方法 Download PDF

Info

Publication number
CN113406520B
CN113406520B CN202110560243.0A CN202110560243A CN113406520B CN 113406520 B CN113406520 B CN 113406520B CN 202110560243 A CN202110560243 A CN 202110560243A CN 113406520 B CN113406520 B CN 113406520B
Authority
CN
China
Prior art keywords
icp
battery
charging
curve
soh
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
CN202110560243.0A
Other languages
English (en)
Other versions
CN113406520A (zh
Inventor
王震坡
佘承其
刘鹏
张照生
林倪
武烨
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110560243.0A priority Critical patent/CN113406520B/zh
Publication of CN113406520A publication Critical patent/CN113406520A/zh
Priority to PCT/CN2021/129523 priority patent/WO2022242058A1/zh
Application granted granted Critical
Publication of CN113406520B publication Critical patent/CN113406520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明提供了一种针对现实新能源汽车的电池健康状态估计方法，通过将现有的、容易得到的单体层面SOH预测方程，和海量实车大数据计算得到的包级别容量增量IC值有机结合，有效地解决了现有动力电池SOH估计中对电池包健康状态无法测量，估计结果无法满足精度要求的技术问题，避免了对电池包进行大量循环老化试验、标定与数据处理所带来的人力、物力消耗。

Description

针对现实新能源汽车的电池健康状态估计方法
技术领域
本发明属于新能源汽车大数据技术领域，具体涉及利用新能源汽车的大数据对动力电池健康状态进行检测的方法。
背景技术
动力电池作为新能源汽车动力系统中的核心组成部分，其健康状态对于车辆的行驶性能、安全性等多个方面都具有重要影响，因此动力电池SOH估计也是当前新能源汽车领域的热点问题之一。目前，动力电池常使用电池包的组成形式，由于现实条件的限制，电池包在实际运行中的真实SOH难以通过测量方式较为直接地得到，日常的充放电行为不能满足试验标定的需要，而即使执行标定也存在工作量巨大、效率较低的问题。现有技术主要集中于在试验环境对组成电池包的单体进行诸如循环老化等的操作，比如利用容量增量(Incremental capacity，IC)方法进行电池SOH的预估，通过单体的SOH预测结果间接反映电池包的SOH。然而，由于试验环境对车辆真实工况的模拟不甚完善，不同材料、结构电池之间的性能指标差异使得试验结果不能相互参考，为尽可能全面的覆盖各类工况以及扩充数据量，在利用上述的IC方法以及其他适合方法时，仍然无法克服工作量大与效率低的问题。
发明内容
新能源汽车相对于传统燃油车辆在车载数据收集与处理方面具有显著的优势，如果能较好地加以利用能够有效解决依赖海量数据的现有技术效率问题。有鉴于此，本发明提供了一种针对现实新能源汽车的电池健康状态估计方法，具体包括以下步骤：
步骤1、从车载大数据平台所收集的新能源汽车实车数据中筛选出电流恒定、电流相同、充电时间大于预定值的充电片段，记录片段中的充电电压、充电电流、充电时间等数据，并计算每两帧数据之间的充电容量；
步骤2、对步骤1中筛选的每个充电片段计算容量增量IC曲线以及曲线峰值ICPP；
步骤3、对车辆电池包中的电池单体建立等效电路模型，并根据电池包中单体的成组形式计算得到电池包的等效IC曲线峰值ICPC；
步骤4、基于已知材料和/或结构电池单体的经验数据，建立电池单体IC曲线峰值与电池单体SOH之间的模型关系并拟合模型参数；
步骤5、将步骤3中得到的等效IC曲线峰值ICPC代入步骤4中的模型关系，最终得到与整个充电片段对应的完整电池包SOH。
进一步地，所述步骤1中计算每两帧数据之间的充电容量具体基于安时积分法实现：
Q＝I×t
其中，Q为充电容量，I为电流，t为充电时间。
进一步地，所述步骤2中计算容量增量IC曲线具体基于以下公式得到：
IC＝dQ/dU＝(Qt-Qt-1)/(Ut-Ut-1)
其中，Q表示充电容量，U表示充电电压，d为微分符号，t为充电时间；对筛选出的每一个充电片段，均利用该公式得到IC曲线，以充电电压为横坐标，IC值为纵坐标，绘制IC曲线，同时提取高电压区间IC曲线峰值ICP。
进一步地，所述步骤3中针对电池单体具体建立一阶等效电路模型，其公式如下：
U＝E+IR
其中，U表示单体电池端电压，E表示单体电池电动势，I表示单体充电电流，R表示单体电池内阻。
进一步地，针对单体的不同成组形式，电池包的等效IC曲线峰值ICPC分别为：
1)由N个单体串联组成的电池包，其ICPc＝N×ICPp；
2)由M个单体并联组成的电池包，其ICPc＝ICPp/M；
3)由N个单体先串联成模组、再由M个模组并联/由M个单体先并联成模组、再由N个模组串联组成的电池包，其ICPc＝N×ICPp/M。
进一步地，所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立一次多项式模型关系：
SOH＝f(ICPc)＝A×ICPc+B
其中，A、B分别为待拟合的模型参数，f表示函数。
进一步地，所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立二次多项式模型关系：
SOH＝f(ICPc)＝C×ICPc 2+D×ICPc+E
其中，C、D、E分别为待拟合的模型参数，f表示函数。
进一步地，所述步骤4中的经验数据具体通过对相同材料和/或结构的电池单体进行循环老化试验得到。
上述本发明所提供的方法，通过将现有的、容易得到的单体层面SOH预测方程，和海量实车大数据计算得到的包级别容量增量IC有机结合，有效地解决了现有动力电池SOH估计中对电池包状态无法测量，估计结果无法满足精度要求的技术问题，避免了对单体进行大量循环老化试验、标定与数据处理所带来的人力、物力消耗。相对于现有技术，本发明具有诸多预料不到的有益效果。
附图说明
图1为本发明所提供方法的总体流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的针对现实新能源汽车的电池健康状态估计方法，如图1所示，具体包括以下步骤：
步骤1、从车载大数据平台所收集的新能源汽车实车数据中筛选出电流恒定、电流相同、充电时间大于预定值的充电片段，记录片段中的充电电压、充电电流、充电时间等数据，并计算每两帧数据之间的充电容量；
步骤2、对步骤1中筛选的每个充电片段计算容量增量IC曲线以及曲线峰值ICPP；
步骤3、对车辆电池包中的电池单体建立等效电路模型，并根据电池包中单体的成组形式计算得到电池包的等效IC曲线峰值ICPC；
步骤4、基于已知材料和/或结构电池单体的经验数据，建立电池单体IC曲线峰值与电池单体SOH之间的模型关系并拟合模型参数；
步骤5、将步骤3中利用实车大数据计算得到的等效IC曲线峰值ICPC，代入步骤4中利用同类型单体经验数据拟合得到的模型关系，最终得到与整个充电片段对应的完整电池包SOH。
在本发明的一个优选实施方式中，所述步骤1中计算每两帧数据之间的充电容量具体基于安时积分法实现：
Q＝I×t
其中，Q为充电容量，I为电流，t为充电时间。
在本发明的一个优选实施方式中，所述步骤2中计算容量增量IC曲线具体基于以下公式得到：
IC＝dQ/dU＝(Qt-Qt-1)/(Ut-Ut-1)
其中，Q表示充电容量，U表示充电电压，d为微分符号，t为充电时间；对筛选出的每一个充电片段，均利用该公式得到IC曲线，以充电电压为横坐标，IC值为纵坐标，绘制IC曲线，同时提取高电压区间IC曲线峰值ICP。众多研究表明，锂离子电池高电压区间ICP的下降与电池容量衰退具有紧密的相关性。
所述步骤3中针对电池单体具体建立一阶等效电路模型，其公式如下：
U＝E+IR
其中，U表示单体电池端电压，E表示单体电池电动势，I表示单体充电电流，R表示单体电池内阻。
针对单体的不同成组形式，电池包的等效IC曲线峰值ICPC分别为：
1)对于N个单体串联组成电池包，根据基尔霍夫定律，串联电路电流I相同，采集的端电压数据UT＝NU，则得N串单体的电池包等效ICPc：ICPc＝N×ICPp；
2)同理，对于M个单体并联组成的电池包，根据基尔霍夫定律，并联电路端电压U相同，因为并联电路电池容量为单体电池的M倍，如采用相同的充电倍率，则此时电池包的电流也应为单体M倍，即Ip＝MI，则M个单体并联电池包等效ICPc：ICPc＝ICPp/M；
3)如果电池包是N串M并(单体先并联成模组，模组再串联成包)或M并N串(单体先串联成模组，模组再并联成包)结构，则可以分布计算，先计算单体成组后的等效ICP，再将模组看做单体，计算模组成组后的等效ICP。电池包等效ICP的最终表达式均为：ICPc＝N×ICPp/M。
在本发明的一个优选实施方式中，所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立一次多项式模型关系：
SOH＝f(ICPc)＝A×ICPc+B
其中，A、B分别为待拟合的模型参数，f表示函数。
在本发明的一个优选实施方式中，所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立二次多项式模型关系：
SOH＝f(ICPc)＝C×ICPc 2+D×ICPc+E
其中，C、D、E分别为待拟合的模型参数，f表示函数。
在本发明的一个优选实施方式中，对于现成的经验数据不甚完善、不足以拟合出较好的模型关系的情况，可通过对相同材料和/或结构的电池单体进行循环老化试验，来对拟合过程所需的数据进行补充和完善。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.针对现实新能源汽车的电池健康状态估计方法，其特征在于：具体包括以下步骤：
步骤1、从车载大数据平台所收集的新能源汽车实车数据中筛选出电流恒定、电流相同、充电时间大于预定值的充电片段，记录片段中的充电电压、充电电流、充电时间数据，并计算每两帧数据之间的充电容量；
步骤2、对步骤1中筛选的每个充电片段计算容量增量IC曲线以及电池包曲线峰值ICPP，且避免进行循环老化试验、标定与数据处理；
步骤3、对车辆电池包中的电池单体建立等效电路模型，并根据电池包中单体的成组形式计算得到电池包的等效IC曲线峰值ICPC；
步骤4、基于已知材料和/或结构电池单体的经验数据，建立电池单体IC曲线峰值与电池单体SOH之间的模型关系并拟合模型参数；
步骤5、将步骤3中得到的等效IC曲线峰值ICPC代入步骤4中的模型关系，最终得到与整个充电片段对应的完整电池包SOH；对于所述经验数据不足以拟合模型关系的情况，通过对相同材料和/或结构的电池单体进行循环老化试验，来对拟合过程所需的数据进行补充和完善。
2.如权利要求1所述的方法，其特征在于：所述步骤1中计算每两帧数据之间的充电容量具体基于安时积分法实现：
Q＝I×t
其中，Q为充电容量，I为电流，t为充电时间。
3.如权利要求1所述的方法，其特征在于：所述步骤2中计算容量增量IC曲线具体基于以下公式得到：
IC＝dQ/dU＝(Qt-Qt-1)/(Ut-Ut-1)
其中，Q表示充电容量，U表示充电电压，d为微分符号，t为充电时间；对筛选出的每一个充电片段，均利用该公式得到IC曲线，以充电电压为横坐标，IC值为纵坐标，绘制IC曲线，同时提取高电压区间IC曲线峰值ICP。
4.如权利要求1所述的方法，其特征在于：所述步骤3中针对电池单体具体建立一阶等效电路模型，其公式如下：
U＝E+IR
其中，U表示单体电池端电压，E表示单体电池电动势，I表示单体充电电流，R表示单体电池内阻。
5.如权利要求1所述的方法，其特征在于：步骤3中针对单体的不同成组形式，电池包的等效IC曲线峰值ICPC分别为：
1)由N个单体串联组成的电池包，其ICPc＝N×ICPp；
2)由M个单体并联组成的电池包，其ICPc＝ICPp/M；
3)由N个单体先串联成模组、再由M个模组并联/由M个单体先并联成模组、再由N个模组串联组成的电池包，其ICPc＝N×ICPp/M。
6.如权利要求1所述的方法，其特征在于：所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立一次多项式模型关系：
SOH＝f(ICPc)＝A×ICPc+B
其中，A、B分别为待拟合的模型参数，f表示函数。
7.如权利要求1所述的方法，其特征在于：所述步骤4中具体在电池单体IC曲线峰值与电池单体SOH之间建立二次多项式模型关系：
SOH＝f(ICPc)＝C×ICPc 2+D×ICPc+E
其中，C、D、E分别为待拟合的模型参数，f表示函数。
CN202110560243.0A 2021-05-21 2021-05-21 针对现实新能源汽车的电池健康状态估计方法 Active CN113406520B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110560243.0A CN113406520B (zh) 2021-05-21 2021-05-21 针对现实新能源汽车的电池健康状态估计方法
PCT/CN2021/129523 WO2022242058A1 (zh) 2021-05-21 2021-11-09 针对现实新能源汽车的电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110560243.0A CN113406520B (zh) 2021-05-21 2021-05-21 针对现实新能源汽车的电池健康状态估计方法

Publications (2)

Publication Number Publication Date
CN113406520A CN113406520A (zh) 2021-09-17
CN113406520B true CN113406520B (zh) 2022-11-15

Family

ID=77679194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110560243.0A Active CN113406520B (zh) 2021-05-21 2021-05-21 针对现实新能源汽车的电池健康状态估计方法

Country Status (2)

Country Link
CN (1) CN113406520B (zh)
WO (1) WO2022242058A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406520B (zh) * 2021-05-21 2022-11-15 北京理工大学 针对现实新能源汽车的电池健康状态估计方法
CN113687240A (zh) * 2021-09-24 2021-11-23 重庆云宸新能源科技有限公司 一种基于大数据驱动的动力电池soh估算方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6652743B2 (ja) * 2016-01-19 2020-02-26 日立化成株式会社 電池状態推定方法および装置
CN108445406B (zh) * 2018-03-13 2021-05-25 桂林电子科技大学 一种动力电池健康状态估计方法
CN109061514B (zh) * 2018-09-30 2020-11-06 北京理工大学 一种基于大数据的动力电池衰退情况分析方法及系统
CN109932663A (zh) * 2019-03-07 2019-06-25 清华四川能源互联网研究院 电池健康状态评估方法、装置、存储介质及电子装置
CN110031777B (zh) * 2019-04-29 2021-03-23 上海玫克生储能科技有限公司 一种快速得到电池包中所有单体电池阻值的方法
CN110068774B (zh) * 2019-05-06 2021-08-06 清华四川能源互联网研究院 锂电池健康状态的估计方法、装置及存储介质
CN110058178A (zh) * 2019-05-14 2019-07-26 郑州大学 一种锂电池健康状态检测方法和系统
WO2020251854A1 (en) * 2019-06-14 2020-12-17 Cummins Inc. Methods and devices for determining battery state of health using incremental capacity analysis and support vector regression
FR3101429B1 (fr) * 2019-10-01 2021-09-24 Powerup Procédé de détermination de l'état de santé d'une batterie lithium-ion.
CN111398833B (zh) * 2020-03-13 2021-08-31 浙江大学 一种电池健康状态评估方法
CN111323719A (zh) * 2020-03-18 2020-06-23 北京理工大学 一种电动汽车动力电池组健康状态在线确定方法和系统
CN111948546A (zh) * 2020-08-07 2020-11-17 国网陕西省电力公司汉中供电公司 一种锂电池健康度评估方法及系统
CN113406520B (zh) * 2021-05-21 2022-11-15 北京理工大学 针对现实新能源汽车的电池健康状态估计方法

Also Published As

Publication number Publication date
CN113406520A (zh) 2021-09-17
WO2022242058A1 (zh) 2022-11-24

Similar Documents

Publication Publication Date Title
CN109031145B (zh) 一种考虑不一致性的串并联电池组模型及实现方法
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
CN111398833B (zh) 一种电池健康状态评估方法
CN102590751B (zh) 动力电池包一致性评估方法和装置
Zhou et al. A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN107861075B (zh) 一种确定动力电池sop的方法
Lu et al. A method of cell-to-cell variation evaluation for battery packs in electric vehicles with charging cloud data
CN108732510B (zh) 基于内部特征的锂离子电池一致性筛选分组方法
CN113406520B (zh) 针对现实新能源汽车的电池健康状态估计方法
CN112083336B (zh) 一种锂离子电池组电化学模型参数获取方法
CN111537885B (zh) 一种串联电池组的多时间尺度短路电阻估计方法
Huang et al. State of health estimation of lithium-ion batteries based on the regional frequency
CN106772081A (zh) 基于扩展等效电路模型的电池极限充放电电流估计方法
CN111366864B (zh) 一种基于固定压升区间的电池soh在线估计方法
Kharisma et al. Modeling and simulation of lithium-ion battery pack using modified battery cell model
CN110850322B (zh) 一种基于小波信号分解的电池相对健康状态估计方法
CN114636948A (zh) 一种储能系统寿命评估方法、装置、电子设备及存储介质
Sepasi et al. SOC estimation for aged lithium-ion batteries using model adaptive extended Kalman filter
CN111257770A (zh) 一种电池包功率估算方法
CN108461838B (zh) 一种电池内阻及容量的快速筛选方法
CN107255786B (zh) 一种磷酸铁锂电池loc模型
Li et al. Evaluation and analysis of circuit model for lithium batteries
Lyu et al. Research on the Performance Evaluation of Lithiumion Battery Cascade Utilization Based on Impedance Spectrum
CN112114260A (zh) 一种锂离子电池单体过充电稳定性的测试及评价方法

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