CN113779865B - 蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 - Google Patents
蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 Download PDFInfo
- Publication number
- CN113779865B CN113779865B CN202110910349.9A CN202110910349A CN113779865B CN 113779865 B CN113779865 B CN 113779865B CN 202110910349 A CN202110910349 A CN 202110910349A CN 113779865 B CN113779865 B CN 113779865B
- Authority
- CN
- China
- Prior art keywords
- thermal cracking
- steam thermal
- model
- data
- new
- 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
- 238000000034 method Methods 0.000 title claims abstract description 185
- 238000004227 thermal cracking Methods 0.000 title claims abstract description 171
- 230000008569 process Effects 0.000 title claims abstract description 146
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 89
- 235000012907 honey Nutrition 0.000 claims description 84
- 238000004519 manufacturing process Methods 0.000 claims description 66
- 241000257303 Hymenoptera Species 0.000 claims description 33
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 25
- 239000005977 Ethylene Substances 0.000 claims description 25
- 238000004230 steam cracking Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 239000002994 raw material Substances 0.000 claims description 20
- 230000001419 dependent effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000000704 physical effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 abstract description 10
- 238000013508 migration Methods 0.000 abstract description 10
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000000197 pyrolysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009835 boiling Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 108010040933 progressin Proteins 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本申请属于蒸汽热裂解技术领域，具体而言，涉及一种蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质。本公开方法获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；构建初始蒸汽热裂解模型；采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。本公开的蒸汽热裂解过程的建模方法，使用智能优化过程对关键的节点参数进行调整，在保持预测模型的专家知识、过程机理和函数形式不变的前提下，进行模型的迁移应用，使其适应新炼厂的工业数据集，实现高效快速的建模过程。
Description
技术领域
本申请属于蒸汽热裂解技术领域，具体而言，涉及一种蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质。
背景技术
我国的石油化工工业正在逐步进行数字化、智能化转型，新型智能炼厂随着产业变革的浪潮进入快速建设阶段。例如中国石化集团从2012年起，在镇海炼化、燕山石化、茂名石化、九江石化4家企业开启了智能工厂的试点改造。各个炼厂配备的分散控制系统和在线检测仪器针对炼油、化工中的多种生产过程提供大量的数据集。利用这些数据集进行精确地建模预测，将帮助工程师和决策者深入认识生产过程，并进一步实现过程的提质增效。
对于实际的蒸汽热裂解工业过程，高质量模型的建立需要结合大量的专家知识，进行输入数据到输出数据的精确、可靠、可解释性的转化。面对不同乙烯厂的模型需求，如果对于每台裂解炉都从数据集出发，利用专家知识进行建模，将面临计算复杂，时间消耗高等问题。
发明内容
有鉴于此，本公开提出了涉及一种蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质，以解决已有技术中的技术问题。
根据本公开的第一方面，提出蒸汽热裂解过程的建模方法，包括：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
可选地，所述获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型，包括：
设定蒸汽热裂解产物的种类和蒸汽热裂解产物的含量为因变量，设定蒸汽热裂解原料的物理性质和生产操作条件为自变量；从历史记录中获取蒸汽热裂解过程中的自变量和因变量，对数据进行预处理；根据自变量中的数据，分别建立关于自变量的多个基函数，得到基函数的集合；采用多元自适应样条回归模型，利用基函数集合对多元自适应样条回归模型进行训练，得到一个用于预测因变量的多元自适应样条回归模型；实时获取蒸汽热裂解过程中的生产操作条件作为自变量，将自变量输入多元自适应样条回归模型中，输出得到蒸汽热裂解过程的因变量预测值。
可选地，所述采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集，包括：
(1)获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
(2)分别对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
(3)分别对步骤(2)得到的数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
可选地，构建初始蒸汽热裂解模型，包括：
(1)将新数据集中的蒸汽热裂解原料的物理性质和生产操作条件输入所述多元自适应样条回归模型中，输出得到蒸汽热裂解产物的种类和蒸汽热裂解产物的含量的预测值，计算该预测值与新数据集中的相应实际值之间差值的绝对值；
(2)将所述绝对值作为训练误差，将训练误差作为初始蒸汽热裂解模型的优化目标，将多元自适应样条回归模型中基函数的具体样本点取值和函数截距的上限和下限作为初始蒸汽热裂解模型的约束条件，构建得到初始蒸汽热裂解模型。
可选地，采用人工蜂群算法，求解所述初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型，包括：
(1)设定人工蜂群算法的超参数；
(2)初始化蜜源解；
(3)在优化空间内随机生成初始化蜜源解；
(4)在搜索阶段，每个蜜源解吸引一个雇佣蜂，雇佣蜂在蜜源解附近进行搜索，得到第l代时雇佣蜂搜索到的新蜜源解；
(5)将所有雇佣蜂寻找到的蜜源解，带入初始蒸汽热裂解模型的目标函数中，计算得到与每个雇佣蜂相对应的目标函数值；
(6)根据所有雇佣蜂对应的目标函数值，为雇佣蜂分配相应的跟随蜂，每个跟随蜂根据相应雇佣蜂的信息寻找新的蜜源解；
(7)将每个跟随蜂寻找到的蜜源解，带入新的蒸汽热裂解过程优化模型的目标函数中，计算得到每个跟随蜂相对应的目标函数值；
(8)使用贪婪策略，将与雇佣蜂对应的目标函数值与跟随蜂相对应的目标函数值进行比较，选择其中目标函数值较大的者为目标函数值；
(9)遍历第l代种群，重复步骤(7)和步骤(8)，将第l代蜜源解组成记为相应的目标函数值记为/>
(10)收敛判断：设定一个目标函数的阈值，重复步骤(4)～步骤(10)直到满足：蜜源解的值小于设定的目标函数阈值，或种群进化的次数大于最大迭代次数L，终止迭代，将蜜源解中最小的目标函数值zmin和相对应的蜜源解为Xmin作为蒸汽热裂解过程优化模型的最优解；
(11)将得到的最优解Xmin带入到多元自适应样条模型公式中，得到基于新数据集的蒸汽热裂解过程的新模型。
可选地，所述采用人工蜂群算法，求解初始蒸汽热裂解模型，还包括：
当蜜源解经过连续T代种群进化后，相应目标函数值zm依然没有提升，则丢弃此蜜源，并将与此蜜源对应的雇佣蜂变为侦察蜂。
根据本公开的实施例，通过获取蒸汽热裂解过程已有的模型和新数据集中若干变量的相应的若干组生产数据，使用人工蜂群算法进行模型参数的智能优化，在新乙烯厂的数据集上进行已有模型的迁移应用。本公开的蒸汽热裂解过程的建模方法，由于参数智能优化过程保持预测模型的专家知识、过程机理和函数形式不变，得到的新模型具有快速、准确、可靠、机理保真的特点。此外，高效的建模方法为后续的蒸汽热裂解过程控制优化提供可行性，为进一步提高装置操作水平和生产效益给予理论支持。
根据本公开的第二方面，提出蒸汽热裂解过程的建模装置，包括：
模型获取模块，用于获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
数据采集模块，用于采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
模型构建模块，用于构建新的蒸汽热裂解过程优化模型；
模型求解模块，用于采用人工蜂群算法，求解所述蒸汽热裂解过程优化模型，得到蒸汽热裂解新模型。
可选地，所述数据采集模块，包括：
数据采集子模块，用于获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
第一数据处理模块，用于对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
第二数据处理模块，用于对清洗数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
根据本公开的第三方面，提出一种电子设备，包括：
存储器，用于存储处理器可执行的程序；
处理器，用于被配置执行：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
根据本公开的第四方面，提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
本公开提出的蒸汽热裂解过程的建模方法在已有的其他乙烯厂蒸汽热裂解预测模型的基础上，使用智能优化过程对关键的节点参数进行调整，在保持预测模型的专家知识、过程机理和函数形式不变的前提下，进行模型的迁移应用，使其适应新炼厂的工业数据集，实现高效快速的建模过程。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本公开一个实施例中示出的蒸汽热裂解过程的建模方法的流程图。
图2是根据本公开一个实施例中示出的蒸汽热裂解过程的建模方法中蒸汽热裂解过程模型迁移过程的示意图。
图3是根据本公开一个实施例中示出蒸汽热裂解过程模型迁移过程智能优化收敛效果图。
图4是根据本公开一个实施例中示出的蒸汽热裂解过程的建模装置的结构框图。
图5是根据本公开一个实施例中示出的蒸汽热裂解过程的建模装置中的数据采集模块的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1是根据本公开一个实施例示出的蒸汽热裂解过程的建模方法的流程图。本实施例的蒸汽热裂解过程的建模方法，可以适用于用户设备，例如手机、平板电脑等。
如图1所示，蒸汽热裂解过程的建模方法，包括以下步骤：
在步骤1中，获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
在一个实施例中，获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型，包括：
设定蒸汽热裂解产物的种类和蒸汽热裂解产物的含量为因变量，设定蒸汽热裂解原料的物理性质和生产操作条件为自变量；从历史记录中获取蒸汽热裂解过程中的自变量和因变量，对数据进行预处理；根据自变量中的数据，分别建立关于自变量的多个基函数，得到基函数的集合；采用多元自适应样条回归模型，利用基函数集合对多元自适应样条回归模型进行训练，得到一个用于预测因变量的多元自适应样条回归模型；实时获取蒸汽热裂解过程中的生产操作条件作为自变量，将自变量输入多元自适应样条回归模型中，输出得到蒸汽热裂解过程的因变量预测值。详细内容可以参见专利申请号为2021102545972，发明名称为一种蒸汽热裂解过程的预测方法的中国专利申请。
在步骤2中，采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
在一个实施例中，建立新数据集，包括：
(1)获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
(2)分别对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
(3)分别对步骤(2)得到的数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
在步骤3中，构建初始蒸汽热裂解模型；
在一个实施例中，构建初始蒸汽热裂解模型的步骤包括：
(1)将新数据集中的蒸汽热裂解原料的物理性质和生产操作条件输入所述多元自适应样条回归模型中，输出得到蒸汽热裂解产物的种类和蒸汽热裂解产物的含量的预测值，计算该预测值与新数据集中的相应实际值之间差值的绝对值；
(2)将所述绝对值作为训练误差，将训练误差作为初始蒸汽热裂解模型的优化目标，将多元自适应样条回归模型中基函数的具体样本点取值和函数截距的上限和下限作为初始蒸汽热裂解模型的约束条件，构建得到初始蒸汽热裂解模型。
在步骤4中，采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
在一个实施例中，求解所述初始蒸汽热裂解模型的步骤如下：
(1)设定人工蜂群算法的超参数，所述超参数为：蜜蜂数量为2×SN，其中包含SN个雇佣蜂和SN个跟随蜂，优化变量维度D，蜜源丢弃阈值T，最大迭代次数L；
(2)初始化蜜源解为j＝1,2,…,SN；
(3)在优化空间内随机生成初始化蜜源解其表达式如下：
其中，d是优化变量的分量，d＝1,2,…,D，θ1是一组在[0,1]之间均匀分布的随机数，是优化变量的上限和下限取值；
(4)在搜索阶段，每个蜜源解吸引一个雇佣蜂，雇佣蜂在蜜源解附近进行搜索，得到第l代时雇佣蜂搜索到的新蜜源解在种群进化到第l代时(l＝1,2,…,L),雇佣蜂搜索到的新蜜源解计算公式为：
其中是第l代中雇佣蜂对应的蜜源解，/>是第l-1代中的蜜源解，/>是第l-1代中与/>不同的一个随机蜜源解,/>是一组[-1,1]均匀分布的随机数；
(5)将所有雇佣蜂寻找到的蜜源解带入初始蒸汽热裂解模型的目标函数z中，计算得到与每个雇佣蜂相对应的目标函数值/>
(6)根据所有雇佣蜂对应的目标函数值为雇佣蜂分配相应的跟随蜂；
每个雇佣蜂分配到跟随蜂的概率为：
每个跟随蜂根据相应雇佣蜂的信息寻找新的蜜源解表达式如下：
其中，是一组[-1,1]均匀分布的随机数,/>是与/>不同的一个随机雇佣蜂对应的蜜源解。
(7)将每个跟随蜂寻找到的蜜源解带入新的蒸汽热裂解过程优化模型的目标函数z中，计算得到每个跟随蜂相对应的目标函数值为/>
丢弃目标函数值不再提升的蜜源，将雇佣蜂变为侦察蜂；若某个蜜源解Xm(m＝1,2,…,SN)经过连续T次种群进化后，对应的目标函数值zm依然没有提升，则丢弃此蜜源，与此蜜源对应的雇佣蜂变为侦察蜂，侦察蜂在整个优化空间中进行随机搜索，当种群进化到第g代时，其找到的蜜源解公式为：
其中是第g代中转化为雇佣蜂的个体对应的蜜源解，/>是一组[0,1]均匀分布的随机数。
(8)使用贪婪策略，将与雇佣蜂对应的目标函数值与跟随蜂相对应的目标函数值/>进行比较，选择其中目标函数值较大的者为目标函数值/>具体地，若/>则将种群中第j个蜜蜂个体最终的蜜源解变量值为/>对应的目标函数值为/>若/>则将种群中第j个蜜蜂个体最终的蜜源解变量值为/>对应的目标函数值为/>
(9)记录第l代的种群信息；在完成对整个种群的蜜源解选择后，遍历第l代种群，重复步骤(7)和步骤(8)，将第l代蜜源解组成记为相应的目标函数值记为/>
(10)收敛判断：设定一个目标函数的阈值，重复步骤(4)～步骤(10)直到满足：进化过程中蜜源解的值小于设定的目标函数阈值，或种群进化的次数大于最大迭代次数L，终止迭代，将蜜源解中最小的目标函数值zmin和相对应的蜜源解为Xmin作为蒸汽热裂解过程优化模型的最优解；
(11)将得到的最优解Xmin带入到多元自适应样条模型公式中，得到基于新数据集的蒸汽热裂解过程的新模型。实时获取新乙烯厂中蒸汽热裂解过程的变量，输入到新模型中进行计算，输出得到蒸汽热裂解过程产物分布数据的预测值，实现在不同数据集间模型的迁移应用。
根据本公开实施例示出的蒸汽热裂解过程的建模方法，通过获取蒸汽热裂解过程已有的模型和新数据集中若干变量的相应的若干组生产数据，使用人工蜂群算法进行模型参数的智能优化，在新乙烯厂的数据集上进行已有模型的迁移应用。本方法涉及的模型迁移过程，由于参数智能优化过程保持预测模型的专家知识、过程机理和函数形式不变，得到的新模型具有快速、准确、可靠、机理保真的特点。此外，高效的建模方法为后续的蒸汽热裂解过程控制优化提供可行性，为进一步提高装置操作水平和生产效益给予理论支持。
以下以乙烯厂蒸汽热裂解过程为例，并结合图1详细介绍本公开的蒸汽热裂解模型的建模方法，具体包括以下步骤：
(1)获取已有的蒸汽热裂解过程的多元自适应样条回归模型：
在本公开的一个实施例中，已有的原乙烯厂蒸汽热裂解过程的多元自适应样条回归模型，其公式形式为：
其中是裂解气中的乙烯含量，P,I,VABP,SL，FFR,COT，DSRATIO，CIP分别为经过Z-score标准化后的石脑油进料正构烷烃质量百分比、异构烷烃质量百分比、体积平均沸点、恩氏蒸馏曲线斜率、进料流量、反应器出口温度、水蒸气与原料油气比例、反应器进口压力的变量值。形如max(0,P+I+0.58)的函数，为多元自适应样条回归模型中的基函数，代表P+I+0.58的值与0之间的最大值，0.58为基函数的具体样本点取值。
(2)获取新乙烯厂中采集的蒸汽热裂解产物分布数据、原料性质和生产操作条件数据，建立新数据集；
具体地，获取新乙烯厂蒸汽热裂解过程中若干组实际生产数据的数据集，对所述若干组生产数据进行数据清洗，如果一组所述生产数据中存在缺失变量，则删除该组生产数据；如果一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据。进一步对数据进行变量筛选，变量计算，Z-score标准化，共得到包含以P,I,VABP,SL,FFR,COT,DSRATIO,CIP做自变量，做因变量的n组数据。
(3)将原乙烯厂蒸汽热裂解过程的多元自适应样条回归模型中基函数的具体样本点取值和函数截距设为新变量，将新数据集上的预测误差设为优化目标，构建初始蒸汽热裂解模型；
将步骤(1)实施例中公式的基函数的具体样本点取值设为新变量，对于新数据集中的第i组数据(i＝1,2,…,n)，裂解气中的乙烯含量的预测值公式为：
其中x0,x1,…,x12是初始蒸汽热裂解模型中与基函数内的常数取值相关的变量，是第i组数据预测得到的裂解气中的乙烯含量的值，Pi,Ii,VABPi,SLi,FFRi,COTi,DSRATIOi,CIPi是第i组数据中石脑油进料正构烷烃质量百分比、异构烷烃质量百分比、体积平均沸点、恩氏蒸馏曲线斜率、进料流量、反应器出口温度、水蒸汽进料比例、反应器进口压力的数据取值。
进一步地，初始蒸汽热裂解模型的目标函数的表达式如下：
满足：
其中z是优化目标函数，代表整个新数据集上，预测模型的绝对误差之和，数据集上yi是第i组数据中裂解气中的乙烯含量的实际值，是优化变量的上下界取值。
(4)使用人工蜂群算法对步骤(3)中的初始蒸汽热裂解模型进行求解，包括以下步骤：
(4-1)设定人工蜂群算法的超参数，包括蜜蜂数量2×SN(含SN个雇佣蜂和SN个跟随蜂)、优化变量维度D(在本发明的一个实施例中，D＝13)、蜜源丢弃阈值T，最大迭代次数L。
(4-2)初始化蜜源解(j＝1,2,…,SN)。
具体地，初始化蜜源解在优化空间内随机生成，表达式如下：
其中d是优化变量的分量，d＝1,2,…,D，θ1是一组[0,1]均匀分布的随机数。
(4-3)在搜索阶段，每个蜜源解会吸引一个雇佣蜂，雇佣蜂会在蜜源解附近进行搜索，在种群进化到第l代时(l＝1,2,…,L),雇佣蜂搜索到的新蜜源解计算公式为：
其中是第l代中雇佣蜂对应的蜜源解，/>是第l-1代中的蜜源解，/>是第l-1代中与/>不同的一个随机蜜源解,/>是一组[-1,1]均匀分布的随机数。
根据每个雇佣蜂寻找到的蜜源解带入步骤(3)中优化问题的目标函数z中，记每个雇佣蜂对应的目标函数值为/>
(4-3)根据每个雇佣蜂对应的目标函数值为雇佣蜂分配相应的跟随蜂。
每个雇佣蜂分配到跟随蜂的概率为：
每个跟随蜂个体会根据对应的雇佣蜂提供的信息寻找新的蜜源解其表达式如下：
其中是一组[-1,1]均匀分布的随机数,/>是与/>不同的一个随机雇佣蜂对应的蜜源解。
根据每个跟随蜂寻找到的蜜源解带入步骤(3)中优化问题的目标函数z中，记每个跟随蜂对应的目标函数值为/>
(4-4)使用贪婪策略对雇佣蜂和跟随蜂对应的蜜源解进行选择。具体地，记录比较每个雇佣蜂对应的目标函数值与相应的跟随蜂对应的目标函数值/>若/>则将种群中第j个蜜蜂个体最终的蜜源解变量值为/>对应的目标函数值为/>若/>则将种群中第j个蜜蜂个体最终的蜜源解变量值为/>对应的目标函数值为/>
在完成对整个种群的蜜源解选择后，记第l代最终的蜜源解组成为对应的目标函数值为/>
(4-5)若某个蜜源解Xm(m＝1,2,…,SN)经过连续T次种群进化后，对应的目标函数值zm依然没有提升，则丢弃此蜜源，与此蜜源对应的雇佣蜂变为侦察蜂，侦察蜂在整个优化空间中进行随机搜索，当种群进化到第g代时，其找到的蜜源解公式为：
其中是第g代中转化为雇佣蜂的个体对应的蜜源解，/>是一组[0,1]均匀分布的随机数。
(4-6)设定一个目标函数的阈值，重复步骤(4-2)到(4-5)的搜索过程。若智能优化过程中某个蜜源解的值小于设定的目标函数的阈值，或种群进化的次数最大迭代次数L，则终止迭代，确认进化过程中所有蜜源解中目标函数最小的一个，记该蜜源解为Xmin,对应的目标函数值为zmin,即为优化问题的最优解。
(5)将得到的蜜源解Xmin带入到步骤(3)中的初始蒸汽热裂解模型中，即可得到基于新数据集上的初始蒸汽热裂解模型。实时获取新乙烯厂中蒸汽热裂解过程的变量组P+I,P/I,VABP,SL,FFR,COT,DSRATIO,CIP，输入到新模型中进行计算，输出得到蒸汽热裂解过程裂解气中的乙烯含量的预测值，实现在不同数据集间模型的迁移应用。
在本公开的一个实施例中，选择因变量为裂解气中的乙烯，含量为因变量，得到的最终建立的多元自适应回归模型为：
预测模型在测试集上的平均误差为0.61％，即对裂解气中乙烯含量的预测偏差在±0.61％以内，符合工业实际应用的要求。建模过程的总体耗时，包括自动生成新的模型公式，对公式中的参数使用人工蜂群算法进行优化，总耗时约15.6秒，实现在新数据集上的高效快速建模。使用人工蜂群算法进行智能优化过程的目标函数收敛趋势如图3所示。
本公开的以上实施例在已有的其他乙烯厂蒸汽热裂解预测模型的基础上，使用智能优化过程对关键的节点参数进行调整，在保持预测模型的专家知识、过程机理和函数形式不变的前提下，进行模型的迁移应用，使其适应新炼厂的工业数据集，实现高效快速的建模过程。
与上述蒸汽热裂解过程的建模方法相对应地，本公开还提出了一种蒸汽热裂解过程的建模装置，其结构如图4所示，包括：
模型获取模块，用于获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
数据采集模块，用于采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
模型构建模块，用于构建初始蒸汽热裂解模型；
模型求解模块，用于采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
可选地，所述数据采集模块，其结构如图5所示，包括：
数据采集子模块，用于获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
第一数据处理模块，用于对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
第二数据处理模块，用于对清洗数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
本公开的实施例还提出了一种电子设备，包括：
存储器，用于存储处理器可执行的程序；
处理器，用于被配置为执行：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
本公开的实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型。
需要说明的是，计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
以上所述仅为本发明的较佳实施例，对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。
Claims (9)
1.一种蒸汽热裂解过程的建模方法，其特征在于，包括：
获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
构建初始蒸汽热裂解模型；
采用人工蜂群算法，求解初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型；
构建初始蒸汽热裂解模型，包括：
(1)将新数据集中的蒸汽热裂解原料的物理性质和生产操作条件输入所述多元自适应样条回归模型中，输出得到蒸汽热裂解产物的种类和蒸汽热裂解产物的含量的预测值，计算该预测值与新数据集中的相应实际值之间差值的绝对值；
(2)将所述绝对值作为训练误差，将训练误差作为初始蒸汽热裂解模型的优化目标，将多元自适应样条回归模型中基函数的具体样本点取值和函数截距的上限和下限作为初始蒸汽热裂解模型的约束条件，构建得到初始蒸汽热裂解模型。
2.根据权利要求1所述的蒸汽热裂解过程的建模方法，其特征在于，所述获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型，包括：
设定蒸汽热裂解产物的种类和蒸汽热裂解产物的含量为因变量，设定蒸汽热裂解原料的物理性质和生产操作条件为自变量；从历史记录中获取蒸汽热裂解过程中的自变量和因变量，对数据进行预处理；根据自变量中的数据，分别建立关于自变量的多个基函数，得到基函数的集合；采用多元自适应样条回归模型，利用基函数集合对多元自适应样条回归模型进行训练，得到一个用于预测因变量的多元自适应样条回归模型；实时获取蒸汽热裂解过程中的生产操作条件作为自变量，将自变量输入多元自适应样条回归模型中，输出得到蒸汽热裂解过程的因变量预测值。
3.根据权利要求1所述的蒸汽热裂解过程的建模方法，其特征在于，采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集，包括：
(1)获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
(2)分别对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
(3)分别对步骤(2)得到的数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
4.根据权利要求1所述的蒸汽热裂解过程的建模方法，其特征在于，采用人工蜂群算法，求解所述初始蒸汽热裂解模型，得到基于新数据集的蒸汽热裂解模型，包括：
(1)设定人工蜂群算法的超参数；
(2)初始化蜜源解；
(3)在优化空间内随机生成初始化蜜源解；
(4)每个蜜源解吸引一个雇佣蜂，雇佣蜂在蜜源解附近进行搜索，得到第l代时雇佣蜂搜索到的新蜜源解；
(5)将所有雇佣蜂寻找到的蜜源解，带入初始蒸汽热裂解模型的目标函数中，计算得到与每个雇佣蜂相对应的目标函数值；
(6)根据所有雇佣蜂对应的目标函数值，为雇佣蜂分配相应的跟随蜂，每个跟随蜂根据相应雇佣蜂的信息寻找新的蜜源解；
(7)将每个跟随蜂寻找到的蜜源解带入初始蒸汽热裂解模型的目标函数中，计算得到每个跟随蜂相对应的目标函数值；
(8)使用贪婪策略，将与雇佣蜂对应的目标函数值与跟随蜂相对应的目标函数值进行比较，选择其中目标函数值较大的者为目标函数值；
(9)遍历第l代种群，重复步骤(7)和步骤(8)，得到蜜源解和相应的目标函数值；
(10)收敛判断：设定一个目标函数的阈值，重复步骤(4)～步骤(10)直到满足：蜜源解的值小于设定的目标函数阈值，或种群进化的次数大于最大迭代次数，终止迭代，将蜜源解中最小的目标函数值和相对应的蜜源解为作为蒸汽热裂解过程优化模型的最优解；
(11)将得到的最优解带入到多元自适应样条模型公式中，得到基于新数据集的蒸汽热裂解过程的新模型。
5.根据权利要求1的蒸汽热裂解过程的建模方法，其特征在于，所述采用人工蜂群算法，求解初始蒸汽热裂解模型，还包括：
当蜜源解经过连续T代种群进化后，相应目标函数值z m依然没有提升，则丢弃此蜜源，并将与此蜜源对应的雇佣蜂变为侦察蜂。
6.一种蒸汽热裂解过程的建模装置，其特征在于，包括：
模型获取模块，用于获取已有工艺的蒸汽热裂解过程的多元自适应样条回归模型；
数据采集模块，用于采集新工艺中蒸汽热裂解产物的工艺参数，建立新数据集；
模型构建模块，用于构建新的蒸汽热裂解过程优化模型；
模型求解模块，用于采用人工蜂群算法，求解所述蒸汽热裂解过程优化模型，得到蒸汽热裂解新模型
所述模型构建模块还用于：(1)将新数据集中的蒸汽热裂解原料的物理性质和生产操作条件输入所述多元自适应样条回归模型中，输出得到蒸汽热裂解产物的种类和蒸汽热裂解产物的含量的预测值，计算该预测值与新数据集中的相应实际值之间差值的绝对值；
(2)将所述绝对值作为训练误差，将训练误差作为初始蒸汽热裂解模型的优化目标，将多元自适应样条回归模型中基函数的具体样本点取值和函数截距的上限和下限作为初始蒸汽热裂解模型的约束条件，构建得到初始蒸汽热裂解模型。
7.根据权利要求6所述的蒸汽热裂解过程的建模装置，其特征在于，所述数据采集模块，包括：
数据采集子模块，用于获取新乙烯厂蒸汽热裂解过程工艺中的蒸汽热裂解产物的工艺参数，所述工艺参数包括分布数据、原料性质数据和生产操作条件数据；
第一数据处理模块，用于对所述数据集中的生产数据进行数据清洗，若一组所述生产数据中存在缺失变量，则删除该组生产数据，若一组所述生产数据中的变量偏离整体的数据分布，则删除该组生产数据；
第二数据处理模块，用于对清洗数据进行变量筛选、变量计算和Z-score标准化，得到以原料性质数据和生产操作条件数据为自变量、产物分布数据为因变量的n组新数据，n组新数据形成一个新数据集。
8.一种电子设备，其特征在于，包括：
存储器，用于存储处理器可执行的程序；
处理器，用于被配置为执行权利要求1-5的任一项所述的蒸汽热裂解过程的建模方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序用于使所述计算机执行权利要求1-5的任一项所述的蒸汽热裂解过程的建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110910349.9A CN113779865B (zh) | 2021-08-09 | 2021-08-09 | 蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110910349.9A CN113779865B (zh) | 2021-08-09 | 2021-08-09 | 蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779865A CN113779865A (zh) | 2021-12-10 |
| CN113779865B true CN113779865B (zh) | 2024-04-02 |
Family
ID=78837189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110910349.9A Active CN113779865B (zh) | 2021-08-09 | 2021-08-09 | 蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779865B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102053595A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种乙烯装置中控制裂解炉裂解深度的方法 |
| CN103087750A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种石脑油工业裂解炉价值最大化模型的构建方法 |
| CN103310123A (zh) * | 2013-07-10 | 2013-09-18 | 华东理工大学 | 用于工业乙烯蒸汽裂解炉设计验证和优化的耦合建模方法 |
| CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
| CN103524284A (zh) * | 2013-10-14 | 2014-01-22 | 中国石油化工股份有限公司 | 一种乙烯裂解原料配置的预测和优化方法 |
| CN103713604A (zh) * | 2013-12-26 | 2014-04-09 | 东北大学 | 一种基于数据驱动的工业裂解炉实时操作优化与控制方法 |
| RU2015134134A (ru) * | 2013-01-14 | 2017-02-16 | Сименс Акциенгезелльшафт | Способ определения размещения устройств защиты в энергораспределительной сети |
| CN109858707A (zh) * | 2019-01-30 | 2019-06-07 | 广东石油化工学院 | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 |
| CN113035287A (zh) * | 2021-03-09 | 2021-06-25 | 清华大学 | 一种蒸汽热裂解过程的预测方法 |
-
2021
- 2021-08-09 CN CN202110910349.9A patent/CN113779865B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102053595A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种乙烯装置中控制裂解炉裂解深度的方法 |
| CN103087750A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种石脑油工业裂解炉价值最大化模型的构建方法 |
| RU2015134134A (ru) * | 2013-01-14 | 2017-02-16 | Сименс Акциенгезелльшафт | Способ определения размещения устройств защиты в энергораспределительной сети |
| CN103310123A (zh) * | 2013-07-10 | 2013-09-18 | 华东理工大学 | 用于工业乙烯蒸汽裂解炉设计验证和优化的耦合建模方法 |
| CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
| CN103524284A (zh) * | 2013-10-14 | 2014-01-22 | 中国石油化工股份有限公司 | 一种乙烯裂解原料配置的预测和优化方法 |
| CN103713604A (zh) * | 2013-12-26 | 2014-04-09 | 东北大学 | 一种基于数据驱动的工业裂解炉实时操作优化与控制方法 |
| CN109858707A (zh) * | 2019-01-30 | 2019-06-07 | 广东石油化工学院 | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 |
| CN113035287A (zh) * | 2021-03-09 | 2021-06-25 | 清华大学 | 一种蒸汽热裂解过程的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779865A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Multi‐layer feature selection incorporating weighted score‐based expert knowledge toward modeling materials with targeted properties | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| Yuzgec et al. | Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process | |
| Zhou et al. | A hybrid differential evolution algorithm with estimation of distribution algorithm for reentrant hybrid flow shop scheduling problem | |
| CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
| EP1654692A1 (en) | Method and apparatus for automated feature selection | |
| CN112749849A (zh) | 连续催化重整工艺过程关键参数的集成学习在线预测方法 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN112162860A (zh) | 基于if-emd-lstm的cpu负载趋势预测方法 | |
| CN111914382B (zh) | 一种基于代理模型的常减压装置的约束进化优化方法 | |
| CN113779865B (zh) | 蒸汽热裂解过程的建模方法、装置、电子设备及其可读存储介质 | |
| CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
| CN112016241A (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
| CN116487057A (zh) | 一种基于医疗物联网数据分析的新型群智能优化算法 | |
| CN111949640A (zh) | 基于工业大数据的智能调参方法及系统 | |
| Wang et al. | A new input variable selection method for soft sensor based on stacked auto-encoders | |
| CN113035287B (zh) | 一种蒸汽热裂解过程的预测方法 | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
| US20230297837A1 (en) | Method for automated determination of a model compression technique for compression of an artificial intelligence-based model | |
| CN114971258A (zh) | 基于焦炭质量预测的工业流程优化方法及系统 | |
| CN114926075A (zh) | 基于工时预测的机械零件生产调度方法 | |
| JP4230890B2 (ja) | モデル同定装置，モデル同定プログラム及びモデル同定装置の動作方法 | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
| CN112342050A (zh) | 一种优化催化裂化装置轻油收率的方法、装置及存储介质 |
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 |