CN114166773A - 一种基于粒子群优化-支持向量机的NOx测量方法 - Google Patents

一种基于粒子群优化-支持向量机的NOx测量方法 Download PDF

Info

Publication number
CN114166773A
CN114166773A CN202111490916.6A CN202111490916A CN114166773A CN 114166773 A CN114166773 A CN 114166773A CN 202111490916 A CN202111490916 A CN 202111490916A CN 114166773 A CN114166773 A CN 114166773A
Authority
CN
China
Prior art keywords
mat
measurement
concentration
temperature
gas
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
CN202111490916.6A
Other languages
English (en)
Other versions
CN114166773B (zh
Inventor
邓勤
刘国庆
惠立锋
吴付祥
赵政
晏丹
焦敏
程丽
王宇廷
李征真
李彦筑
罗小博
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.)
CCTEG Chongqing Research Institute Co Ltd
Original Assignee
CCTEG Chongqing Research Institute Co Ltd
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 CCTEG Chongqing Research Institute Co Ltd filed Critical CCTEG Chongqing Research Institute Co Ltd
Priority to CN202111490916.6A priority Critical patent/CN114166773B/zh
Publication of CN114166773A publication Critical patent/CN114166773A/zh
Application granted granted Critical
Publication of CN114166773B publication Critical patent/CN114166773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Immunology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于粒子群优化‑支持向量机的NOx测量方法，属于气体检测技术领域。该方法包括以下步骤：S1：利用PSO‑SVM算法建立对温度及压强不敏感的NOx浓度预测模型；S2：将待测NOx通入光程为L的光谱检测室，以氙灯为光源对其进行紫外光谱检测，记录当前光程池中温度及压强；计算NOx气体在测量波段内的吸收光谱，通过高阶多项式拟合得到光谱低频部分，计算NOx气体在测量波段的差分吸光度；放入NOx浓度预测模型中，得到待测浓度值C。解决了NOx浓度测量过程中存在的测量精度低、测量误差高、容易受环境温度、气压影响的问题；本发明的方法宽量程，高精度，环境适应性强，对温度、压强不敏感。

Description

一种基于粒子群优化-支持向量机的NOx测量方法
技术领域
本发明属于气体检测技术领域，涉及一种基于粒子群优化-支持向量机PSO-SVM的NOx测量方法。
背景技术
机动车尾气的排放已经成为空气污染的主要来源之一，机动车排放的尾气中污染物主要有CO、CO2、HC(C4H6)、NOX四种气体，机动车排放的NOx超90％。NOx是造成酸雨、臭氧空洞、光化学烟雾等环境问题的主要原因之一，由于氮氧化物治理难度较大，国家需要从源头上控制相关气体的排放。近年来，各地区提高了对机动车尾气排放控制的要求，然而要保障这类政策的执行，需进一步提高汽车尾气中主要污染物的测量精度。
目前，对机动车尾气中NOx的检测方法大多数是利用光学遥感分析法，在获测量光线在尾气中透过率后，利用燃烧方程来推算尾气中各种组分气体浓度，测量精度相对较低，测量误差大多为10％，且测量结果受温度、气压影响很大。
发明内容
有鉴于此，本发明的目的在于提供一种基于粒子群优化-支持向量机的NOx测量方法。为达到上述目的，本发明提供如下技术方案：
一种基于粒子群优化-支持向量机的NOx测量方法，该方法包括以下步骤：
S1：利用PSO-SVM算法建立对温度及压强不敏感的NOx浓度预测模型；
S2：将待测NOx通入光程为L的光谱检测室，以氙灯为光源对其进行紫外光谱检测，根据浓度预测模型，光谱测量波段范围为202nm～228nm，记录测量波段内的入射光谱I0(λ)，并获取待测气体吸收光谱I(λ)，记录当前光程池中温度T及压强P；
利用高阶多项式拟合算法计算NOx气体吸收光谱的慢变部分I'(λ)；
计算NOx气体在测量波段内的差分吸光度
Figure BDA0003399303780000011
将整个测量波段内的I(λ),OD(λ),T,P放入NOx浓度预测模型中，得到待测浓度值C。
可选的，所述S1具体为：
S11：构建光谱数据集：
光谱测量波段范围为202nm-228nm；
根据实际室外气温情况设定气体测量环境温度范围：
T＝[253.13k，258.13k，263.13k，268.13k，273.13k，278.13k，283.13k，288.13k，293.13k，298.13k，303.13k，308.13k，313.13k，318.13k，323.13k]；
环境压强范围：
P＝[0.9Pa,0.95pa,1pa,1.05pa,1.1pa]；
对设定的温度及压强进行逐一组合，得到75种环境条件E1,E2,...E75，在选定的一种环境条件Es下，s＝1,2,...,75，配置N个气体浓度C1,C2,...,CN，对每个浓度Ci均进行K次测试，i＝1,2,...,N通过实验，得到Ci对应的特征数据集：Matij，j＝1,2,...K；
Matij＝[MatIij,MatODij,Es]T
其中，MatIij＝[Iij(λ1),Iij(λ2),...,Iij(λn)]，MatODij＝[ODij(λ1),ODij(λ2),...,ODij(λn)]；
S12：利用数据集训练得到模型
对于每个已知浓度Ci，其对应的特征数据集Matij由S11得到，将Matij作为训练参数，Ci作为训练结果，利用基于粒子群优化的支持向量机PSO-SVM算法进行训练，得到适用于浓度预测的最佳模型参数，建立基于PSO-SVM的NOx浓度预测模型。
本发明的有益效果在于：解决了NOx浓度测量过程中存在的测量精度低、测量误差高、容易受环境温度、气压影响的问题；本发明的方法宽量程，测量浓度下限可达10ppm；高精度，相对误差可控制在±5％以内；环境适应性强，对温度、压强不敏感。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图；
图2为本发明中获取训练数据集流程图；
图3为本发明中利用数据集训练得到模型流程图；
图4为未知浓度NO气体吸收光谱I(λ)；
图5为未知浓度NO气体差分吸光度OD。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1～图5所示，为一种基于粒子群优化-支持向量机的NOx测量方法。
S1：利用PSO-SVM算法建立对温度及压强不敏感的NOx浓度预测模型PSO-SVM-Predict-Model；
S2：将待测NOx通入光程为L的光谱检测室，以氙灯为光源对其进行紫外光谱检测，根据浓度预测模型，光谱测量波段范围为202nm-228nm，记录测量波段内的入射光谱I0(λ)，并获取待测气体吸收光谱I(λ)，记录当前光程池中温度T及压强P；
利用高阶多项式拟合算法计算得到吸收光谱的慢变部分I'(λ)
计算NOx气体在测量波段内差分吸光度
Figure BDA0003399303780000031
将整个测量波段内的I(λ),OD(λ),T,P放入浓度预测模型PSO-SVM-NOx-Predict-Model中，得到待测浓度值C。
如何利用PSO-SVM算法训练得到汽车尾气NOx浓度预测模型。
S11：构建光谱数据集：
光谱测量波段范围为202nm-228nm。
根据实际室外气温情况设定气体测量环境温度范围：T＝[253.13k，258.13k，263.13k，268.13k，273.13k，278.13k，283.13k，288.13k，293.13k，298.13k，303.13k，308.13k，313.13k，318.13k，323.13k]，环境压强范围：P＝[0.9Pa,0.95pa,1pa,1.05pa,1.1pa]
对设定的温度及压强进行逐一组合，得到75种环境条件E1,E2,...E75，在选定的一种环境条件Es(s＝1,2,...,75)下，配置N个气体浓度C1,C2,...,CN，对每个浓度Ci(i＝1,2,...,N)均进行K次测试，通过实验，得到Ci对应的特征数据集：Matij(j＝1,2,...K)，Matij＝[MatIij,MatODij,MatODfij,Es]T，其中，MatIij＝[Iij(λ1),Iij(λ2),...,Iij(λn)]，MatODij＝[ODij(λ1),ODij(λ2),...,ODij(λn)]；
S12：利用数据集训练得到模型
对于每个已知浓度Ci，其对应的特征数据集Matij已由步骤S11得到，将Matij作为训练参数，Ci作为训练结果，利用基于粒子群优化的支持向量机(PSO-SVM)算法进行训练，得到适用于浓度预测的最佳模型参数，建立基于PSO-SVM的NOx浓度预测模型PSO-SVM-NOx-Predict-Model。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于粒子群优化-支持向量机的NOx测量方法，其特征在于：该方法包括以下步骤：
S1：利用PSO-SVM算法建立对温度及压强不敏感的NOx浓度预测模型；
S2：将待测NOx通入光程为L的光谱检测室，以氙灯为光源对其进行紫外光谱检测，根据浓度预测模型，光谱测量波段范围为202nm～228nm，记录测量波段内的入射光谱I0(λ)，并获取待测气体吸收光谱I(λ)，记录当前光程池中温度T及压强P；
利用高阶多项式拟合算法得到吸收光谱I(λ)的低频部分I'(λ)，计算NOx气体在测量波段内差分吸光度
Figure FDA0003399303770000011
将整个测量波段内的I(λ),OD(λ),T,P放入NOx浓度预测模型中，得到待测浓度值C。
2.根据权利要求1所述的一种基于粒子群优化-支持向量机的NOx测量方法，其特征在于：所述S1具体为：
S11：构建光谱数据集：
光谱测量波段范围为202nm-228nm；
根据实际室外气温情况设定气体测量环境温度范围：
T＝[253.13k，258.13k，263.13k，268.13k，273.13k，278.13k，283.13k，288.13k，293.13k，298.13k，303.13k，308.13k，313.13k，318.13k，323.13k]；
环境压强范围：
P＝[0.9Pa,0.95pa,1pa,1.05pa,1.1pa]；
对设定的温度及压强进行逐一组合，得到75种环境条件E1,E2,...E75，在选定的一种环境条件Es下，s＝1,2,...,75，配置N个气体浓度C1,C2,...,CN，对每个浓度Ci均进行K次测试，i＝1,2,...,N通过实验，得到Ci对应的特征数据集：Matij，j＝1,2,...K；
Matij＝[MatIij,MatODij,Es]T
其中，MatIij＝[Iij(λ1),Iij(λ2),...,Iij(λn)]，MatODij＝[ODij(λ1),ODij(λ2),...,ODij(λn)]；
S12：利用数据集训练得到模型
对于每个已知浓度Ci，其对应的特征数据集Matij由S11得到，将Matij作为训练参数，Ci作为训练结果，利用基于粒子群优化的支持向量机PSO-SVM算法进行训练，得到适用于浓度预测的最佳模型参数，建立基于PSO-SVM的NOx浓度预测模型。
CN202111490916.6A 2021-12-08 2021-12-08 一种基于粒子群优化-支持向量机的NOx测量方法 Active CN114166773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111490916.6A CN114166773B (zh) 2021-12-08 2021-12-08 一种基于粒子群优化-支持向量机的NOx测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111490916.6A CN114166773B (zh) 2021-12-08 2021-12-08 一种基于粒子群优化-支持向量机的NOx测量方法

Publications (2)

Publication Number Publication Date
CN114166773A true CN114166773A (zh) 2022-03-11
CN114166773B CN114166773B (zh) 2023-07-25

Family

ID=80484540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111490916.6A Active CN114166773B (zh) 2021-12-08 2021-12-08 一种基于粒子群优化-支持向量机的NOx测量方法

Country Status (1)

Country Link
CN (1) CN114166773B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015136A (zh) * 2022-04-13 2022-09-06 中煤科工集团重庆研究院有限公司 一种基于主成分优化的气体浓度检测方法
CN115146526A (zh) * 2022-04-22 2022-10-04 中煤科工集团重庆研究院有限公司 一种非平稳过程粉尘浓度预测方法
CN116087131A (zh) * 2023-04-11 2023-05-09 南京科力赛克安防科技有限公司 一种紫外差分气体分析仪的数据处理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608285A (zh) * 2012-02-21 2012-07-25 南京工业大学 基于支持向量机的有机混合物燃爆特性预测方法
CN105548072A (zh) * 2015-12-04 2016-05-04 东南大学 一种同时测量高温气体二维瞬态温度场和浓度场的方法
CN106442368A (zh) * 2016-07-22 2017-02-22 天津理工大学 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法
CN107271392A (zh) * 2017-06-12 2017-10-20 重庆大学 一种基于气体差分吸收截面特征测量低浓度so2的方法
CN111912803A (zh) * 2019-11-28 2020-11-10 南开大学 一种高炉烟气中微量氮氧化物监测的紫外光谱检测方法及装置
CN112394266A (zh) * 2020-11-23 2021-02-23 国家电网有限公司 一种基于神经网络的输电线路绝缘子污秽等级判定方法
US20210172868A1 (en) * 2019-12-06 2021-06-10 Industrial Technology Research Institute Gas absorption spectrum measuring system and measuring method thereof
CN113156452A (zh) * 2021-04-07 2021-07-23 中国空间技术研究院 一种星载差分吸收激光雷达co2廓线探测最优波段确定方法
CN113705100A (zh) * 2021-08-31 2021-11-26 哈尔滨理工大学 一种基于温度调制检测与pso-svm算法相结合的气体检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608285A (zh) * 2012-02-21 2012-07-25 南京工业大学 基于支持向量机的有机混合物燃爆特性预测方法
CN105548072A (zh) * 2015-12-04 2016-05-04 东南大学 一种同时测量高温气体二维瞬态温度场和浓度场的方法
CN106442368A (zh) * 2016-07-22 2017-02-22 天津理工大学 基于emd的二氧化硫紫外差分吸收光谱降噪重构方法
CN107271392A (zh) * 2017-06-12 2017-10-20 重庆大学 一种基于气体差分吸收截面特征测量低浓度so2的方法
CN111912803A (zh) * 2019-11-28 2020-11-10 南开大学 一种高炉烟气中微量氮氧化物监测的紫外光谱检测方法及装置
US20210172868A1 (en) * 2019-12-06 2021-06-10 Industrial Technology Research Institute Gas absorption spectrum measuring system and measuring method thereof
CN112394266A (zh) * 2020-11-23 2021-02-23 国家电网有限公司 一种基于神经网络的输电线路绝缘子污秽等级判定方法
CN113156452A (zh) * 2021-04-07 2021-07-23 中国空间技术研究院 一种星载差分吸收激光雷达co2廓线探测最优波段确定方法
CN113705100A (zh) * 2021-08-31 2021-11-26 哈尔滨理工大学 一种基于温度调制检测与pso-svm算法相结合的气体检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张豹等: "基于ＤＯＡＳ及统计量的低浓度ＳＯ２测量方法", 《光子学报》, vol. 47, no. 2, pages 0230001 *
杜京义;殷聪;王伟峰;蔡驰;王立春;: "基于TDLAS的痕量CO浓度检测系统及温压补偿", 光学技术, no. 01 *
杨婷;卢文科;左锋;: "基于PSO-LSSVM模型的扩散硅压力传感器的温度补偿", 仪表技术与传感器, no. 12 *
潘云等: "TDLAS 一氧化碳浓度检测系统误差分配", 《光学 精密工程》, vol. 29, no. 7 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015136A (zh) * 2022-04-13 2022-09-06 中煤科工集团重庆研究院有限公司 一种基于主成分优化的气体浓度检测方法
CN115146526A (zh) * 2022-04-22 2022-10-04 中煤科工集团重庆研究院有限公司 一种非平稳过程粉尘浓度预测方法
CN116087131A (zh) * 2023-04-11 2023-05-09 南京科力赛克安防科技有限公司 一种紫外差分气体分析仪的数据处理方法及系统

Also Published As

Publication number Publication date
CN114166773B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN114166773A (zh) 一种基于粒子群优化-支持向量机的NOx测量方法
Kleffmann et al. Intercomparison of the DOAS and LOPAP techniques for the detection of nitrous acid (HONO)
CN206208752U (zh) 基于可调谐激光器的机动车尾气遥感检测系统
Blanco-Donado et al. Source identification and global implications of black carbon
Lan et al. VCSEL-based atmospheric trace gas sensor using first harmonic detection
CN102798609A (zh) 基于量子级联激光器的汽车尾气遥感检测系统和方法
US11692933B2 (en) Systems and methods of ambient gas sensing in a vehicle
Turpin et al. Intercomparison of photoacoustic and thermal-optical methods for the measurement of atmospheric elemental carbon
CN201269854Y (zh) 机动车尾气光学传感器
Fattah et al. Multi-sensor system and internet of things (IoT) technologies for air pollution monitoring
CN117969436A (zh) 一种监测低浓度no与so2的方法
CN113916810A (zh) 多组分气体浓度分析方法
CN109781648A (zh) 一种机动车尾气遥感检测系统
Sha et al. A smartphone-interfaced, low-cost colorimetry biosensor for selective detection of bronchiectasis via an artificial neural network
CN105136682A (zh) 一种燃油中芳烃含量快速、准确测定的新方法
CN108333143A (zh) 一种基于可调谐激光吸收光谱的水汽浓度测量修正方法
CN108872093B (zh) 基于被动遥感的o4吸收校正及气溶胶消光廓线反演方法
Liu et al. A Detection Method for Low Concentrations of SO₂ and NO
Baldini et al. Reversible and selective detection of NO2 by means of optical fibres
CN113945531B (zh) 一种双通道成像气体定量检测方法
CN111912805B (zh) 一种高炉烟气中微量硫化氢监测的紫外光谱检测方法及装置
EP4033242A1 (en) A device and a method for complete carbonaceous aerosol analysis in real time
CN111912804B (zh) 一种高炉烟气中微量二氧化硫监测的紫外光谱检测方法及装置
CN115015136B (zh) 一种基于主成分优化的气体浓度检测方法
de França et al. Evaluation of diesel exhaust fluid (DEF) using near-infrared spectroscopy and multivariate calibration

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