CN114089715A - 冷水机组数字孪生模型构建方法、装置、终端及存储介质 - Google Patents

冷水机组数字孪生模型构建方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN114089715A
CN114089715A CN202111191296.6A CN202111191296A CN114089715A CN 114089715 A CN114089715 A CN 114089715A CN 202111191296 A CN202111191296 A CN 202111191296A CN 114089715 A CN114089715 A CN 114089715A
Authority
CN
China
Prior art keywords
model
water chilling
chilling unit
digital twin
constructing
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.)
Granted
Application number
CN202111191296.6A
Other languages
English (en)
Other versions
CN114089715B (zh
Inventor
骆伟超
桂卫华
陈志文
阳春华
蒋朝辉
唐鹏
任浩
曹婷
张超波
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202111191296.6A priority Critical patent/CN114089715B/zh
Publication of CN114089715A publication Critical patent/CN114089715A/zh
Application granted granted Critical
Publication of CN114089715B publication Critical patent/CN114089715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了冷水机组数字孪生模型构建方法、装置、终端及存储介质，方法包括：基于冷水机组在多领域的数据，构建冷水机组的数字孪生模型族，其中，数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型；根据冷水机组的监测数据提取冷水机组的运行特征；根据运行特征以及数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对数字孪生模型族中的模型进行在线递推辨识，对数字孪生模型族中模型的参数进行实时更新以实现虚实同步。本发明从多领域进行冷水机组建模，并在其运行过程中根据实际监测数据对模型的参数进行实时更新，可以真实可靠地描述实际运行机理和特性，并实现数字化模型与冷水机组的虚实一致性同步。

Description

冷水机组数字孪生模型构建方法、装置、终端及存储介质
技术领域
本发明涉及冷水机组维护技术领域，特别涉及冷水机组数字孪生模型构建方法、装置、终端及存储介质。
背景技术
冷水机组是公共建筑的核心供冷和主要能耗设备，冷水机组主要包括压缩机、蒸发器、冷凝器和膨胀阀以及功能辅助部件；其工作过程是机械、电气、控制、流体和热力学等耦合组成的相变系统，且存在较大的时滞特性。由于上述复杂特性的存在，冷水机组精确的数字化模型欠缺，导致冷水机组的维护人员对其机理认识不清，维护不及时的冷水机组常带故障运行或欠优化运行。
现有的冷水机组建模方法多是在单一领域进行模型构建，未能真实可靠地描述冷水机组的实际运行机理和特性，并且未考虑冷水机组运行过程中的工况变化和性能衰减，现有方法构建的数字化模型难与冷水机组保持虚实的一致性同步，造成冷水机组的能耗优化和故障预测诊断的精度不断下降。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种冷水机组数字孪生模型构建方法、装置、终端及存储介质，旨在解决现有技术中冷水机组的数字化模型高保真度低和与冷水机组虚实同步性差的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种冷水机组数字孪生模型构建方法，所述方法包括：
基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型；
根据所述冷水机组的现场监测数据提取所述冷水机组的运行特征；
根据所述运行特征以及所述数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对所述数字孪生模型族中的模型进行在线递推辨识，对所述数字孪生模型族中的模型参数进行实时更新以实现虚实同步。
所述的冷水机组数字孪生模型构建方法，其中，所述数字孪生模型族中还包括原理框图模型，其中，所述原理框图模型用于实现多个物理领域的耦合。
所述的冷水机组数字孪生模型构建方法，其中，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
获取所述冷水机组的几何尺寸参数，根据所述几何尺寸参数构建所述三维几何模型。所述的冷水机组数字孪生模型构建方法，其中，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
根据所述冷水机组零部件的材料特性的先验知识进行失效机理分析，构建所述性能退化模型。
所述的冷水机组数字孪生模型构建方法，其中，所述性能退化模型包括反应论模型、应力强度失效模型和累积损伤模型；其中，所述反应论模型是基于所述冷水机组的部件材料的氧化腐蚀的先验知识构建的，所述应力强度失效模型是基于所述冷水机组的应力分布和强度分布的先验知识构建的，所述累积损伤模型是基于所述冷水机组的部件损伤和退化先验知识构建的。
所述的冷水机组数字孪生模型构建方法，其中，所述反应论模型满足公式：
D＝g(η)＝x(t)
Figure BDA0003301303410000031
其中D为冷水机组零部件的性能参数，η为表征所述冷水机组的性能的特征参数，g()为所述冷水机组的性能关于特征参数的函数，x()为所述冷水机组的性能关于时间的函数，k为常数，表征性能退化的速率；
所述应力强度失效模型满足公式：
F＝P{w＜s}
Figure BDA0003301303410000032
其中F为应力强度失效的概率，P{}为概率函数，w为应力强度，s为需要的应力，fs(s)为应力的分布，fw(w)为强度的分布；
所述累积损伤模型满足公式：
D＝∑kiti＝g(ηT)
其中k为所述冷水机组的性能退化的速率，t为退化时间，i为不同的时刻；η为冷水机组退化特征参数，ηT表示η随时间变化；g()为冷水机组性能关于特征参数的函数。
所述的冷水机组数字孪生模型构建方法，其中，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
通过流体场和热力场的分析，构建机理仿真的有限元模型，实现对冷水机组内部运行机理的数值仿真和可视化。
所述的冷水机组数字孪生模型构建方法，其中，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
基于多领域建模语言构建所述冷水机组的原理框图模型，用于实现多个物理领域的耦合。
所述的冷水机组数字孪生模型构建方法，其中，所述根据所述冷水机组的监测数据提取所述冷水机组的运行特征，包括：
对所述冷水机组的监测数据进行预处理，并在时域和频域进行特征提取，得到中间特征；
根据所述中间特征与所述冷水机组的性能指标之间的相关性对所述中间特征进行选择，得到所述运行特征；
其中，所述预处理包括趋势项消除处理和平滑降噪处理。
所述的冷水机组数字孪生模型构建方法，其中，所述对所述冷水机组的监测数据进行预处理，包括：
对所述冷水机组的监测数据进行拟合，实现趋势项消除；
其中，对所述冷水机组的监测数据进行拟合的公式为：
Figure BDA0003301303410000041
其中，
Figure BDA0003301303410000042
表示第i个监测数据的拟合值，ti表示第i个监测数据的采样时刻，A＝[dn,dn-1,...d0]T，A＝(T0 TT0)-1T0 TX，
Figure BDA0003301303410000043
X为所述冷水机组的监测数据，X＝(x1,x2,...,xm)，n为常数。
所述的冷水机组数字孪生模型构建方法，其中，所述对所述冷水机组的监测数据进行预处理，包括：
根据公式
Figure BDA0003301303410000044
对所述冷水机组的监测数据进行平滑降噪；
其中，N为常数，x′i为平滑降噪后的第i个监测数据，xi为平滑降噪前的第i个监测数据，m为监测数据的数量，h为平滑处理的加权因子，且h 满足
Figure BDA0003301303410000045
所述的冷水机组数字孪生模型构建方法，其中，所述采用递推极大似然方法对所述数字孪生模型族中的模型进行在线递推辨识，对所述数字孪生模型族中模型的参数进行实时更新以实现虚实同步，包括：
求解目标函数得到所述数字孪生模型族参数的极大似然估计值，将所述数字孪生模型族的参数修改为极大似然估计值；
所述目标函数为：
Figure BDA0003301303410000051
其中，v(K)为数字孪生模型的噪声采样序列，v(K)满足 A(z-1)y(K)＝B(z-1)u(K)+C(z-1)v(K)，
Figure BDA0003301303410000054
z为z变换的参数，y(K)、u(K)分别是模型的输出和输入的数据采样序列，K为序列中数据的序号，θ＝[a1,...,ap,b0,...,bp,c1,...,cp]T，为模型参数，
Figure BDA0003301303410000053
为参数θ的极大似然估计值，p、q为常数。
本发明的第二方面，提供一种冷水机组数字孪生模型构建装置，所述装置包括：
模型构建模块，所述模型构建模块用于基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型；
特征提取模块，所述特征提取模块用于根据所述冷水机组的监测数据提取所述冷水机组的运行特征；
虚实同步模块，所述虚实同步模块用于根据所述运行特征以及所述数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对所述数字孪生模型族中的模型进行在线递推辨识，对所述数字孪生模型族中模型的参数进行实时更新以实现虚实同步。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的冷水机组数字孪生模型构建方法的步骤。
本发明的第四方面，提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的冷水机组数字孪生模型构建方法的步骤。
与现有技术相比，本发明提供了一种冷水机组数字孪生模型构建方法、装置、终端及存储介质。本发明提供的冷水机组数字孪生模型构建方法基于冷水机组在多领域的数据构建包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型在内的数字孪生模型族，并根据冷水机组的运行特征以及数字孪生模型族内各个模型的输出，对数字孪生模型族中的模型进行辨识来实现模型参数的实时更新，本发明从多领域进行冷水机组建模，并且在冷水机组的运行过程中根据现场监测数据对模型的参数进行实时更新，可以真实可靠地描述实际运行机理和特性，并实现数字化模型与冷水机组的虚实一致性同步。
附图说明
图1为本发明提供的冷水机组数字孪生模型构建方法的实施例的流程图；
图2为本发明提供的冷水机组数字孪生模型构建方法的实施例中冷水机组虚实同步的原理框图；
图3为本发明提供的冷水机组数字孪生模型构建方法的实施例中多领域的冷水机组孪生模型族的构建过程示意图；
图4为本发明提供的冷水机组数字孪生模型构建方法的实施例中冷水机组的三维几何模型的构建过程示意图；
图5为本发明提供的冷水机组数字孪生模型构建方法的实施例中冷水机组的性能退化模型构建过程示意图；
图6为本发明提供的冷水机组数字孪生模型构建方法的实施例中原理框图模型构建过程示意图；
图7为本发明提供的冷水机组数字孪生模型构建方法的实施例中机理仿真模型的构建过程示意图；
图8为本发明提供的冷水机组数字孪生模型构建方法的实施例中虚实同步模型进行虚实同步映射的示意图；
图9为本发明提供的冷水机组数字孪生模型构建方法的实施例中数字孪生模型在时间尺度的示意图；
图10为本发明提供的冷水机组数字孪生模型构建装置的原理示意图；
图11为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所表示的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，所述冷水机组数字孪生模型构建方法的一个实施例中，包括步骤：
S100、基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型。
具体地，所述冷水机组在多领域的数据包括冷水机组在机械领域、控制领域、流体领域和热力学领域的数据，包括实际运行数据、经验公式和经验参数等。在本实施例中，根据所述冷水机组在多领域的数据，构建多个模型。如图2所示，首先根据所述冷水机组的先验知识构建模型，再根据冷水机组的实际运行数据对构建的模型进行辨识，更新模型的参数，以使得所述冷水机组的数字模型的输出与所述冷水机组的实际运行情况一致，提升数字模型对所述冷水机组的运行状态预测(例如故障预测，能耗预测等)的结果精度。
所述三维几何模型用于对所述冷水机组的物理参数实现可视化，所述性能退化模型用于预测所述冷水机组的性能退化情况，所述机理仿真模型用于对所述冷水机组的零部件的工作状态进行仿真并可视化，所述原理框图模型用于实现多个物理领域的耦合建模。在本实施例中，利用开源的建模软件实现所述冷水机组的数字孪生模型族中的模型的构建。具体地，如图3所示，可以采用FreeCAD构建所述三维几何模型，所述性能退化模型可以采用通用的编程语言Python实现，所述机理仿真模型采用OpenFoam 和ParaView实现，所述原理框图模型采用OpenModelica实现。最终将 OpenModelica编译器、OpenFoam和ParaView二次开发成FreeCAD中的Addon 扩展组件，实现在统一平台的集成，形成所述冷水机组多领域、空间多尺度的所述数字孪生模型族。
具体地，所述三维几何模型是获取所述冷水机组的几何尺寸参数，根据所述几何尺寸参数构建的，即所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
获取所述冷水机组的几何尺寸参数，根据所述几何尺寸参数构建所述三维几何模型。
所述三维几何模型可以采用边界表示法(Boundary Representation， BRep)和构造实体几何法(Constructive Solid Geometry，CSG)混合建模的。在关键零部件构建完成后，依据装配约束关系(同轴线、面重合、面平行等) 实现冷水机组子系统和系统的装配。如图4所示，基于FreeCAD构造的三维几何模型，主要包括管壳式的蒸发器、管壳式的冷凝器、压缩机、膨胀阀和一些管道等。将关键零部件装配构成冷水机组系统模型，多台冷水机组、分水器、集水器和冷水管道共同构成冷源系统的三维几何模型。
所述冷水机组的性能退化模型是根据所述冷水机组零部件的材料特征的先验知识失效机理分析构建的，即所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
根据所述冷水机组零部件的材料特性的先验知识进行失效机理分析，构建所述性能退化模型。
具体地，如图5所示，所述性能退化模型包括反应论模型、应力强度失效模型和累积损伤模型，其中，所述反应论模型是基于所述冷水机组的部件材料的氧化腐蚀的先验知识构建的，所述应力强度失效模型是基于所述冷水机组的应力分布和强度分布的先验知识构建的，所述累积损伤模型是基于所述冷水机组的部件损伤和退化的先验知识构建的。
在所述冷水机组的运行过程中，机组的零部件如冷凝器的钢管会发生氧化、腐蚀等反应造成泄漏，为了预测零部件的材料的氧化腐蚀情况，根据先验知识进行氧化和腐蚀失效机理，构建所述反应论模型，所述反应论模型满足公式：
D＝g(η)＝x(t)
Figure BDA0003301303410000091
其中D为冷水机组零部件的性能参数，η为表征所述冷水机组的性能的特征参数，g()为所述冷水机组的性能关于特征参数的函数，x()为所述冷水机组的性能关于时间的函数，k为常数，表征性能退化的速率。
在所述冷水机组的运行过程中，需要的应力超过供应的强度，产生应力强度失效，根据先验知识确定应力分布和强度分布的关系，构建所述应力强度失效模型，从而对应力强度失效进行预测，具体地，所述应力强度失效模型满足公式：
F＝P{w＜s}
Figure BDA0003301303410000101
其中F为应力强度失效的概率，P{}为概率函数，w为应力强度，s为需要的应力，fs(s)为应力的分布，fw(w)为强度的分布。
在所述冷水机组的运行过程中，所述冷水机组的零部件例如压缩机的叶片受到应力就产生一定程度的损伤或退化，损伤和退化不断积累从而造成破坏失效，在本实施例中，根据先验知识进行损伤累积的分析，认为所述冷水机组的特征参数取决于退化率和退化时间的乘积，即所述累积损伤模型满足公式：
D＝∑kiti＝g(ηT)
其中k为所述冷水机组的性能退化的速率，t为退化时间，i为不同的时刻；η为冷水机组退化特征参数，ηT表示η随时间变化；g()为冷水机组性能关于特征参数的函数。
如图5所示，在构建出所述性能退化模型时，可以设计冷水机组恒定应力和步进应力的加速退化试验，对构建的所述性能退化模型进行测试，验证构建的模型的有效性。
所述机理仿真模型用于对所述冷水机组的零部件的工作状态进行模拟仿真并后处理可视化，所述基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
通过流体场和热力场的分析，构建机理仿真的有限元模型，实现对冷水机组内部运行机理的数值仿真和可视化。
对所述冷水机组的预设零部件进行网格划分和边界条件设定和数值仿真；针对不同零部件的机理特性，采用多种求解器进行仿真和求解。所述机理仿真模型中的后处理用于对热力场和流场仿真的结果进行可视化。
如图7所示，在所述机理仿真模型的构建过程中，采用OpenFoam开源软件，基于有限元方法对所述冷水机组的部分或全部零部件(例如冷水机组的关键零部件，包括蒸发器换热管、冷凝器换热管、压缩机管道等)的网格划分、边界条件设定，并采用多种仿真求解器进行模拟，所述仿真求解器是可压缩、两相流和具有热交换的求解器，对于所述仿真求解器的仿真结果，通过ParaView软件实现仿真结果的后处理和可视化。图7中示出的是对蒸发器换热管的阻塞仿真、管道层流仿真和管道厚度对换热影响的仿真。
在所述冷水机组的所述三维几何模型、性能退化模型和机理仿真模型的基础上，采用多领域建模语言Modelica和开发环境OpenModelica构建所述冷水机组的原理框图模型，实现机械、控制、流体和热力学多个物理领域的耦合，如图6所示，机械部分将所述三维几何模型转化为STL格式文件，导入到OpenModelica的库文件中，从OpenModelica的库文件中选择相应的原理元件，包括控制中的电阻、电容、受控电路等元件，流体中的阀、两相流、管路等元件，构建的所述原理框图模型中压缩机主要包括一个受控流速源模型和传感器组件，蒸发器和冷凝器采用库文件中的 ConsiderPipe和EvaporatorPipe组件进行构建，控制器采用库文件中的受控流速模型进行构建，组件间通过接口集成和耦合实现冷水机组整机系统的多领域建模。
如图8所示，为了实现构建的数字孪生模型族中的模型的虚实一致性，对所述冷水机组多工况下场景数据进行分析挖掘，并对数字孪生模型进行辨识验证。分析挖掘可以包括工况分析，分析所述冷水机组的工况具体是确定工况敏感参数，包括冷却水供水和回水温度、冷冻水供水和回水温度，通过敏感参数的指数加权移动平均与预设阈值的比较结果，判断冷水机组的工况状态。分析挖掘还包括所述冷水机组的运行特征的分析提取，具体地，所述冷水机组的运行特征是对所述冷水机组的监测数据进行分析提取得到的。
S200、根据所述冷水机组的监测数据提取所述冷水机组的运行特征。
所述根据所述冷水机组的监测数据提取所述冷水机组的运行数据，包括：
对所述冷水机组的监测数据进行预处理，并在时域和频域进行特征提取，得到中间特征；
根据所述中间特征与所述冷水机组的性能指标之间的相关性对所述中间特征进行选择，得到所述运行特征；
其中，所述预处理包括趋势项消除处理和平滑降噪处理。
所述冷水机组的监测数据可以是通过设置在所述冷水机组上的传感器采集得到，具体地，在采集到所述监测数据之后，可以先对所述监测数据进行数值变换和缺失值补充等处理，之后再进行所述预处理。
趋势项消除处理用于消除传感器信号因为温度变化原因产生的零点漂移，可采用基于多项式最小二乘法曲线拟合的方式实现，具体地，所述对所述冷水机组的监测数据进行预处理，包括：
对所述冷水机组的监测数据进行拟合，实现趋势项消除；
其中，对所述冷水机组的监测数据进行拟合的公式为：
Figure BDA0003301303410000121
其中，
Figure BDA0003301303410000122
表示第i个监测数据的拟合值，ti表示第i个监测数据的采样时刻，A＝[dn,dn-1,...d0]T，A＝(T0 TT0)-1T0 TX，
Figure BDA0003301303410000123
X为所述冷水机组的监测数据，X＝(x1,x2,...,xm)，n为常数。
具体地，在本实施例中，设所述冷水机组传感器采集的某一项数据为 X＝(x1,x2,...,xm)，假定对采样数据的拟合值为：
Figure BDA0003301303410000131
那么，为了尽可能的拟合采样数据，需要满足误差的平方和
Figure BDA0003301303410000132
最小，即满足其最小二乘法的解。求出A＝[dn,dn-1,...d0]T即可得到曲线的拟合方程，A满足：A＝[dn,dn-1,...d0]T，其中，
Figure BDA0003301303410000133
这样计算即可求得A，得到时间序列数据的拟合方程。
平滑降噪可以通过公式：
Figure BDA0003301303410000134
实现，其中，N为常数， x′i为平滑降噪后的第i个监测数据，xi为平滑降噪前的第i个监测数据，m为监测数据的数量，h为平滑处理的加权因子，且h满足
Figure BDA0003301303410000139
一般做五点平均加权。
对所述监测数据进行平滑降噪处理可以是在对所述监测数据进行趋势项消除处理之前或之后。
对预处理后的监测数据进行特征提取主要从时域和频域进行。
在时域提取的特征为有效值Xrms、峰值Xmax、歪度α和峭度β。具体地，设经过趋势项消除处理和平滑降噪处理之后的第i个数据的结果值为
Figure BDA0003301303410000136
M 为采集的数据的个数，在时域根据其时域幅值波形进行分析，提取特征的计算公式如下：
Figure BDA0003301303410000137
Figure BDA0003301303410000138
Figure BDA0003301303410000141
Figure BDA0003301303410000142
频域特征的提取采用傅里叶变换将时域信号转换为频域信号进行分析，设所述冷水机组采集的数据的信号为(x0,x1,x2,...,xM-1)，其频谱计算的傅里叶变换为：
Figure BDA0003301303410000143
Figure BDA0003301303410000144
其中，j表示复数。
为了减少计算量，采用一系列的迭代运算来减少运算量，即采用快速傅里叶变换算法进行计算。
在进行特征提取后，对特征进行选择，特征选择部分采用标准相关系数通过计算变量的均值、协方差和方差等来表述两信号的相关性，具体地，所提取的特征X与所述冷水机组性能指标Y之间的相关性计算公式为：
Figure BDA0003301303410000145
其中，
Figure BDA0003301303410000146
和
Figure BDA0003301303410000147
为变量的平均值，
Figure BDA0003301303410000148
表示变量的协方差，
Figure BDA0003301303410000149
和
Figure BDA00033013034100001410
分别表示变量的方差，Q表示变量的数据个数。
选择出冷水机组有效特征后，在MySQL中搭建传感器采集数据库存储历史数据，搭建有效特征数据库，存储分析挖掘和筛选出的特征，用于冷水机组数字孪生多领域、多尺度模型的在线辨识和验证。虚实同步模块用于对所述冷水机组数字孪生模型族中的其他模型的参数进行更新，实现虚实同步，具体地，如图9所示，在时间尺度，构建基于主线和多分支技术的分布式冷水机组数字孪生模型版本控制系统，主分支负责数字孪生模型的最新更新和同步，并且其更新同步过程与冷水机组的生命周期保持一致；不同的分支包括可视化、数据分析、节能优化和故障预测诊断。不同的分支来自主分支的特定版本，在此基础上进行相应模型的更新和验证，最后汇总合并实现总体主分支的持续更新。最终形成冷水机组时间维度的多尺度数字孪生模型。
冷水机组的数字孪生辨识和验证中，针对公共建筑中央空调的节能优化，存在多种应用需求场景，主要分为三维可视化、运行监测、故障预测诊断和智能决策分析。不同的应用需求需要的模型类型和细粒程度不同，因此以不同的应用需求为导向，制定可变的模型参数选取准则。构建的候选模型族主要分为三维几何模型、性能退化模型、机理仿真模型和原理框图模型。根据不同的应用需求从一系列候选模型中选定模型的种类，并根据是否线性、时变、噪声和模型阶次确定数字孪生模型的结构。
所述冷水机组的数字孪生模型族中的模型多是非线性系统，同时为了实现数字孪生与机组的虚实同步，采用递推极大似然的方法实现模型在线辨识，即每过特定周期(如10s)就递推计算一次参数估计值，根据辨识结果实现数字孪生模型的校验。如果校验结果满足要求，则完成了冷水机组虚实同步映射的数字孪生模型；如果校验结果不满足则重新进行模型结构的选取和模型参数的辨识，从而递推地实现面向应用需求的冷水机组数字孪生模型。即本实施例提供的冷水机组数字孪生模型构建方法，还包括步骤：
S300、通过采用递推极大似然方法对所述数字孪生模型族中的模型进行辨识，对所述数字孪生模型族的参数进行实时更新以实现虚实同步。
所述采用递推极大似然方法对所述数字孪生模型族中的模型进行辨识，对所述数字孪生模型族的参数进行实时更新，包括：
求解目标函数得到所述数字孪生模型族参数的极大似然估计值，将所述数字孪生模型族的参数修改为极大似然估计值；
所述目标函数为：
Figure BDA0003301303410000161
其中，v(K)为数字孪生模型的噪声采样序列，v(K)满足 A(z-1)y(K)＝B(z-1)u(K)+C(z-1)v(K)，
Figure BDA0003301303410000165
z为z变换的参数，y(K)、u(K)分别是模型的输出和输入的数据采样序列，K为序列中数据的序号，θ＝[a1,...,ap,b0,...,bp,c1,...,cp]T，为模型参数，
Figure BDA0003301303410000163
为参数θ的极大似然估计值，p、q为常数。
具体地，递推极大似然的在线辨识流程如下：
设定冷水机组多尺度模型中某一层次的离散系统输入、输出和噪声采样序列u(K)、y(K)和v(K)之间的关系表述为如下的n阶线性差分方程为：
y(K)+a1y(K-1)+...+apy(K-p) ＝b0u(K)+b1u(K-1)+...+bpu(K-p)+c0v(K)+c1v(K-1)+...+cpv(K-p)
则上式经过z变换之后，可以表示为：
A(z-1)y(K)＝B(z-1)u(K)+C(z-1)v(K)
其中y(K)、u(K)是系统的输出、输入，u(K)可以为所述冷水机组的运行特征，y(K)是模型根据输入输出的所述冷水机组的状态预测结果，v(K)是噪声信号，且经过z变换之后的上式中A(z-1)、B(z-1)、C(z-1)分别为：
Figure BDA0003301303410000164
模型的参数为θ＝[a1,...,an,b0,...,bn,c1,...,cn]T，噪声越小，说明模型的输出越准确，则参数θ的极大似然估计
Figure BDA0003301303410000171
为
Figure BDA0003301303410000172
通过对上式的求解和取极值，即可得到冷水机组数字孪生模型在线递推的极大似然参数估计。
通过前面的说明不难看出，本实施例提供的冷水机组数字孪生模型构建方法，通过上述从机械、控制、流体和热力学多领域，以及从三维几何、性能退化机理仿真和原理框图多尺度构建冷水机组的数字孪生模型；并通过基于递推的极大似然辨识解决模型的在线验证，可以实现冷水机组多领域、多尺度数字孪生模型的构建和虚实同步映射。构建的数字孪生模型为可以满足中央空调冷水机组三维可视化、运行监测、故障预测诊断和智能决策分析的多层次需求，从而实现公共建筑的节能优化。
综上所述，本实施例提供一种冷水机组数字孪生模型构建方法，基于冷水机组在多领域的数据构建包括三维几何模型、性能退化模型、机理仿真模型和原理框图在内的数字孪生模型族，并根据冷水机组的运行特征以及数字孪生模型族内各个模型的输出，对数字孪生模型族中的模型进行辨识来实现模型参数的实时更新，本发明在多领域进行建模，并且在冷水机组的运行过程中根据冷水机组的实际监测数据对模型的参数进行实时更新，可以使得冷水机组的数字化模型与冷水机组保持虚实一致性同步。
应该理解的是，虽然本发明说明书附图中给出的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例二
基于上述实施例，本发明还相应提供了一种冷水机组数字孪生模型构建装置，如图10所示，所述装置包括：
模型构建模块，所述模型构建模块用于基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型，具体如实施例一中所述；
特征提取模块，所述特征提取模块用于根据所述冷水机组的监测数据提取所述冷水机组的运行特征，具体如实施例一中所述；
虚实同步模块，所述虚实同步模块用于根据所述运行特征以及所述数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对所述数字孪生模型族中的模型进行辨识，对所述数字孪生模型族的参数进行实时更新，具体如实施例一中所述。
实施例三
基于上述实施例，本发明还相应提供了一种终端，如图11所示，所述终端包括处理器10以及存储器20。图11仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有冷水机组数字孪生模型构建程序30，该冷水机组数字孪生模型构建程序30可被处理器10所执行，从而实现本申请中冷水机组数字孪生模型构建方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他芯片，用于运行所述存储器20 中存储的程序代码或处理数据，例如执行所述冷水机组数字孪生模型构建方法等。
实施例四
本发明还提供一种存储介质，其中，该存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的冷水机组数字孪生模型构建方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种冷水机组数字孪生模型构建方法，其特征在于，所述方法包括：
基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型；
根据所述冷水机组的现场监测数据提取所述冷水机组的运行特征；
根据所述运行特征以及所述数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对所述数字孪生模型族中的模型进行辨识，对所述数字孪生模型族的参数进行实时更新以实现虚实同步。
2.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
获取所述冷水机组的几何尺寸参数，根据所述几何尺寸参数构建所述三维几何模型。
3.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
根据所述冷水机组零部件的材料特性的先验知识进行失效机理分析，构建所述性能退化模型。
4.根据权利要求3所述的冷水机组数字孪生模型构建方法，其特征在于，所述性能退化模型包括反应论模型、应力强度失效模型和累积损伤模型；其中，所述反应论模型是基于所述冷水机组的部件材料的氧化腐蚀的先验知识构建的，所述应力强度失效模型是基于所述冷水机组的应力分布和强度分布的先验知识构建的，所述累积损伤模型是基于所述冷水机组的部件损伤和退化先验知识构建的。
5.根据权利要求4所述的冷水机组数字孪生模型构建方法，其特征在于，所述反应论模型满足公式：
D＝g(η)＝x(t)
Figure FDA0003301303400000021
其中D为冷水机组零部件的性能参数，η为表征所述冷水机组的性能的特征参数，g()为所述冷水机组的性能关于特征参数的函数，x()为所述冷水机组的性能关于时间的函数，k为常数，表征性能退化的速率；
所述应力强度失效模型满足公式：
F＝P{w＜s}
Figure FDA0003301303400000022
其中F为应力强度失效的概率，P{}为概率函数，w为应力强度，s为需要的应力，fs(s)为应力的分布，fw(w)为强度的分布；
所述累积损伤模型满足公式：
D＝∑kiti＝g(ηT)
其中k为所述冷水机组的性能退化的速率，t为退化时间，i为不同的时刻；η为冷水机组退化特征参数，ηT表示η随时间变化；g()为冷水机组性能关于特征参数的函数。
6.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
通过流体场和热力场的分析，构建机理仿真的有限元模型，实现对冷水机组内部运行机理的数值仿真和可视化。
7.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述基于所述冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，包括：
基于多领域建模语言构建所述冷水机组的原理框图模型，用于实现多个物理领域的耦合。
8.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述根据所述冷水机组的现场监测数据提取所述冷水机组的运行特征，包括：
对所述冷水机组的监测数据进行预处理，并在时域和频域进行特征提取，得到中间特征；
根据所述中间特征与所述冷水机组的性能指标之间的相关性对所述中间特征进行选择，得到所述运行特征；
其中，所述预处理包括趋势项消除处理和平滑降噪处理。
9.根据权利要求8所述的冷水机组数字孪生模型构建方法，其特征在于，所述对所述冷水机组的现场监测数据进行预处理，包括：
对所述冷水机组的监测数据进行拟合，实现趋势项消除；
其中，对所述冷水机组的监测数据进行拟合的公式为：
Figure FDA0003301303400000031
其中，
Figure FDA0003301303400000032
表示第i个监测数据的拟合值，ti表示第i个监测数据的采样时刻，A＝[dn,dn-1,...d0]T，
Figure FDA0003301303400000033
X为所述冷水机组的监测数据，X＝(x1,x2,...,xm)，n为常数。
10.根据权利要求8所述的冷水机组数字孪生模型构建方法，其特征在于，所述对所述冷水机组的现场监测数据进行预处理，包括：
根据公式
Figure FDA0003301303400000034
对所述冷水机组的监测数据进行平滑降噪；
其中，N为常数，x′i为平滑降噪后的第i个监测数据，xi为平滑降噪前的第i个监测数据，m为监测数据的数量，h为平滑处理的加权因子，且h满足
Figure FDA0003301303400000041
11.根据权利要求1所述的冷水机组数字孪生模型构建方法，其特征在于，所述通过采用递推极大似然方法对所述数字孪生模型族中的模型进行在线递推辨识，对所述数字孪生模型族中模型的参数进行实时更新以实现虚实同步，包括：
求解目标函数得到所述数字孪生模型族参数的极大似然估计值，将所述数字孪生模型族的参数修改为极大似然估计值；
所述目标函数为：
Figure FDA0003301303400000042
其中，v(K)为数字孪生模型的噪声采样序列，v(K)满足A(z-1)y(K)＝B(z-1)u(K)+C(z-1)v(K)，
Figure FDA0003301303400000043
z为z变换的参数，y(K)、u(K)分别是模型的输出和输入的数据采样序列，K为序列中数据的序号，θ＝[a1,...,ap,b0,...,bp,c1,...,cp]T，为模型参数，
Figure FDA0003301303400000044
为参数θ的极大似然估计值，p、q为常数。
12.一种冷水机组数字孪生模型构建装置，其特征在于，所述冷水机组数字孪生模型构建装置包括：
模型构建模块，所述模型构建模块用于基于冷水机组在多领域的数据，构建所述冷水机组的数字孪生模型族，其中，所述数字孪生模型族中包括三维几何模型、性能退化模型、机理仿真模型和原理框图模型；
特征提取模块，所述特征提取模块用于根据所述冷水机组的现场监测数据提取所述冷水机组的运行特征；
虚实同步模块，所述虚实同步模块用于根据所述运行特征以及所述数字孪生模型族中各个模型的输出，通过采用递推极大似然方法对所述数字孪生模型族中的模型进行在线递推辨识，对所述数字孪生模型族的参数进行实时更新以实现虚实同步。
13.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-11任一项所述的冷水机组数字孪生模型构建方法的步骤。
14.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-11任一项所述的冷水机组数字孪生模型构建方法的步骤。
CN202111191296.6A 2021-10-13 2021-10-13 冷水机组数字孪生模型构建方法、装置、终端及存储介质 Active CN114089715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111191296.6A CN114089715B (zh) 2021-10-13 2021-10-13 冷水机组数字孪生模型构建方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111191296.6A CN114089715B (zh) 2021-10-13 2021-10-13 冷水机组数字孪生模型构建方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN114089715A true CN114089715A (zh) 2022-02-25
CN114089715B CN114089715B (zh) 2023-07-14

Family

ID=80296774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111191296.6A Active CN114089715B (zh) 2021-10-13 2021-10-13 冷水机组数字孪生模型构建方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN114089715B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756042A (zh) * 2023-07-25 2023-09-15 上海朗晖慧科技术有限公司 一种基于数字孪生技术的数据一体化管理系统及方法
CN117112091A (zh) * 2023-07-17 2023-11-24 邵阳汇通信息科技有限公司 基于数字孪生的水情及大坝安全监测系统及模型解耦方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800531A (zh) * 2019-01-31 2019-05-24 山东大学 一种机电装备数字孪生模型一致性保持方法
CN112417619A (zh) * 2020-11-23 2021-02-26 江苏大学 一种基于数字孪生的泵机组优化运行调节系统及方法
CN113011010A (zh) * 2021-03-01 2021-06-22 常州英集动力科技有限公司 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统
CN113221280A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生的滚动轴承建模与模型更新方法及系统
CN113392501A (zh) * 2021-05-11 2021-09-14 中钢集团马鞍山矿山研究总院股份有限公司 一种矿井数字孪生模型及其构建方法
CN113485156A (zh) * 2021-06-17 2021-10-08 国家电网有限公司 一种变压器数字孪生云平台及其实现方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800531A (zh) * 2019-01-31 2019-05-24 山东大学 一种机电装备数字孪生模型一致性保持方法
CN112417619A (zh) * 2020-11-23 2021-02-26 江苏大学 一种基于数字孪生的泵机组优化运行调节系统及方法
CN113011010A (zh) * 2021-03-01 2021-06-22 常州英集动力科技有限公司 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统
CN113392501A (zh) * 2021-05-11 2021-09-14 中钢集团马鞍山矿山研究总院股份有限公司 一种矿井数字孪生模型及其构建方法
CN113221280A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生的滚动轴承建模与模型更新方法及系统
CN113485156A (zh) * 2021-06-17 2021-10-08 国家电网有限公司 一种变压器数字孪生云平台及其实现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王春晓等: "基于Modelica的数控机床多领域建模与虚拟调试" *
骆伟超: "基于Digital Twin的数控机床预测性维护关键技术研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117112091A (zh) * 2023-07-17 2023-11-24 邵阳汇通信息科技有限公司 基于数字孪生的水情及大坝安全监测系统及模型解耦方法
CN117112091B (zh) * 2023-07-17 2024-02-13 邵阳汇通信息科技有限公司 基于数字孪生的水情及大坝安全监测系统及模型解耦方法
CN116756042A (zh) * 2023-07-25 2023-09-15 上海朗晖慧科技术有限公司 一种基于数字孪生技术的数据一体化管理系统及方法

Also Published As

Publication number Publication date
CN114089715B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Bonvini et al. Robust on-line fault detection diagnosis for HVAC components based on nonlinear state estimation techniques
CN114089715B (zh) 冷水机组数字孪生模型构建方法、装置、终端及存储介质
US10521490B2 (en) Equipment maintenance management system and equipment maintenance management method
Wang et al. An improved ARIMA model for precipitation simulations
CN105593864B (zh) 用于维护设备的分析设备退化
Arpaia et al. Fault detection on fluid machinery using Hidden Markov Models
Gao et al. Fault detection and diagnosis method for cooling dehumidifier based on LS-SVM NARX model
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
Ochilov et al. Differential method for forecasting labor resources based on correlation models
Zhang et al. Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm
Bect et al. Identification of abnormal events by data monitoring: Application to complex systems
Preis et al. Online hydraulic state prediction for water distribution systems
CN111443602B (zh) 一种基于隐马尔可夫的阀门健康度估计与寿命预测方法
EP4057095B1 (en) Analysis apparatus, analysis method and program
JP2009076036A (ja) プロセスの状態予測方法
Adedotun et al. Modelling and forecasting climate time series with state-space model
JP2020177571A (ja) 異常予兆診断装置、異常予兆診断方法及び異常予兆診断プログラム
Booysen et al. A simplified methodology for baseline model evaluation and comparison
KR20180115448A (ko) 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
Xu et al. An improved regularized particle filter for remaining useful life prediction in nuclear plant electric gate valves
Qi et al. Remaining useful life prediction of rolling element bearings based on unscented Kalman filter
Reddy et al. Information content of incoming data during field monitoring: Application to chiller modeling (RP-1139)
Huang et al. Trajectory Similarity Matching and Remaining Useful Life Prediction Based on Dynamic Time Warping
Niu Analyzing and Predicting Temperature Data in Baoji: A SARIMA Model Approach

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