CN114492168A - 一种动系统下大坝安全监测数据粗差识别方法 - Google Patents
一种动系统下大坝安全监测数据粗差识别方法 Download PDFInfo
- Publication number
- CN114492168A CN114492168A CN202111623626.4A CN202111623626A CN114492168A CN 114492168 A CN114492168 A CN 114492168A CN 202111623626 A CN202111623626 A CN 202111623626A CN 114492168 A CN114492168 A CN 114492168A
- Authority
- CN
- China
- Prior art keywords
- water
- water filling
- state
- data
- monitoring 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 63
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 14
- 238000007599 discharging Methods 0.000 claims abstract description 14
- 239000010959 steel Substances 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 230000035882 stress Effects 0.000 description 5
- 230000001550 time effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002277 temperature effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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]
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及动系统下大坝安全监测数据粗差识别方法,包括:分别人工选取两种运行状态下,钢板计测值变化规律性正常的数据序列,记充水状态下测值序列及记放水状态下测值序列,并对数据进行归一化处理;对充水状态下健康的监测数据,利用支持向量机方法,构建综合核函数;建立样本训练集和测试集,构建充水监控模型;对放水状态下健康的监测数据,利用支持向量机方法,选择合适的核函数;建立样本训练集和测试集,构建放水监控模型;设置状态转换开关,实现充水状态调用充水监控模型、放水状态调用放水监控模型;根据拉以达准则识别粗差。本发明能够实现大坝安全监测数据粗差识别。
Description
技术领域
本发明涉及大坝安全监测数据处理技术领域,尤其涉及一种动系统下大坝安全监测数据粗差识别方法。
背景技术
水电站大坝安全监测的主要目的是了解大坝坝体及基础的实际工作状况,尽早发现异常现象并进行必要的处理以确保大坝安全运行,大坝安全监测数据在整理整编、分析、归档前,均需对监测数据的准确性和可靠性进行评判,以保证监测数据能够有效反映大坝运行状况。
传统的大坝安全监测数据粗差识别方法有:
①逻辑判别法。测值超过仪器量程或监测物理量测值超出逻辑合理范围,则存在粗差。
②过程线法。通过绘制观测量与时间之间的关系曲线来直接判断测值是否存在异常点的方法。
③统计判别法。将相同工况下的测值作为样本数据,采用统计方法计算观测数据系列的统计特征值,根据一定准则找出异常值。常用的统计判别法使用的准则有:拉依达准则、罗曼诺夫准则、格拉布斯准则、狄克松准则等。
④最小二乘监控模型判别法。在假设监测数据服从正态分布的情况下,利用最小二乘法,计算其方差S,再通过拉以达准则判别。
上述传统方法的弊端有以下几方面:(1)方法①和②多依赖工程经验,处理大量数据不现实;(2)方法③没有结合实际工程中的环境量影响因素,检验成果可能不符合工程实际;(3)方法④监控模型对非线性影响因素(时效因素)的拟合效果一般;(4)以上方法不适用监测物理量受运行工况影响的动系统下的监测点。
发明内容
本发明的目的是提供一种动系统下大坝安全监测数据粗差识别方法,以解决上述技术问题。
本发明提供了一种动系统下大坝安全监测数据粗差识别方法,包括蜗壳周围布设钢板计测值粗差识别,所述蜗壳周围布设钢板计测值粗差识别包括如下步骤:
(2)对充水状态下健康的监测数据,利用支持向量机方法,构建综合核函数,综合核函数表达式如下:
①在基础优化目标的情况下,增加惩罚项,优化函数为:
S.t. gi(ω,b)=1-yi(ωTXi 1+b)-ξi≤0,ξi≥0,i=1,2...,n
其中,ξi为松弛变量,C为惩罚因子;
S.t. λi≥0μi≥0
其中λi和μi为Lagrange乘子,ω、b和ξi是主问题参数;
③对上述对偶问题中w、b和ξi求偏导数,并令偏导数为0;
C=λi+μi
④将过程③所得结果带入Lagrange函数中,得到Lagrange乘子;
⑤将Lagrange乘子带入过程③中等式,求得ω和b,最终求得超平面方程表达式ωTx+b=0,令y=ωTx+b即为充水状态下监控模型;
⑥根据以上SVM理论,编制程序分别形成:SVMtrain[x,y,K(xi,xj),C]和SVMpredict[x,y,SVMtrain]函数;其中:x,y为归一化后数据,K(xi,xj)为综合核函数,C为惩罚函数的惩罚力度;
(4)对放水状态下健康的监测数据,同充水状态一致,选择综合核函数;
(6)设置状态转换开关,实现充水状态调用充水监控模型、放水状态调用放水监控模型;
则yi含有粗差,予以处理。
借由上述方案,通过动系统下大坝安全监测数据粗差识别方法,能够实现大坝安全监测数据粗差识别,具体包括如下技术效果:
1、本发明基于SVM方法的基础数学理论能摆脱传统依赖工程经验判别监测数据粗差的短板。
2、本发明能考虑影响监测物理量的环境量因素变化对测值变化的影响,基于SVM方法可以自由引入环境量影响因素,且模型鲁棒性强,除考虑常规意义下,上游水位、温度、时间效应外,还可根据情况,增加降雨、下游水位、渗流量、裂缝开合度等多种影响因素。
3、本发明基于SVM方法能较好地描述非线性变化物理量的数学特性,如常规影响因素中的时间效应,能更准确拟合监测物理量测值过程线,更准确找出测值序列中粗差。
4、本发明通过设置模型转换开关,能实现动系统下监测数据的粗差识别。此项技术效果通过设置模型转换开关实现。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明一实施例中某电厂蜗壳周围钢板计测值变化过程线数据;
图2是本发明一实施例中某电厂蜗壳周围钢板计测值数据粗差识别方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例提供了一种动系统下大坝安全监测数据粗差识别方法,该方法可快速有效判别动系统下大坝安全监测数据测量粗差,动系统是相对静系统提出的概念。静系统是指:监测部位测值变化与系统运行工况无关的系统,如:大坝表面位移测量、大坝内部应力测量、挡水坝段渗透压力测量、边坡位移测量等。动系统是指:监测部位测值变化与系统运行工况有关的系统,如:蜗壳充放水时周围监测仪器测量、船闸开闸关闸时周围监测仪器测量、厂房发电与不发电时周围监测仪器测量等。本方法适用于所有动系统下大坝安全监测数据粗差识别,同时关闭开关也适用于静系统下大坝安全监测数据粗差识别。
本实施例以蜗壳周围布设钢板计测值粗差识别为例,介绍动系统下该方法的实现。参图1、图2所示,一种动系统下大坝安全监测数据粗差识别方法,包括如下步骤:
(2)对充水状态下健康的监测数据,利用支持向量机(svm)方法,构建综合核函数;
具体的,SVM方法本质是找到一个最佳分类面或最优超平面(高维),使得不同样本数据间隔最大。对于非线性问题,可以通过一个非线性映射φ将低维非线性问题映射到高维甚至无穷维空间,使其变为线性问题,从而进行分类或回归。根据泛函分析相关理论,只要在存在一种核函数K(xi,xj)满足Mercer条件,就可以将低维非线性问题映射到高维使其线性化,并且此过程不需要知道非线性映射φ的具体形式。核函数选取在SVM方法中至关重要。常用的核函数有:
(1)线性核函数:
K(xi,xj)=xi·xj
(2)多项式核函数
K(xi,xj)=[(xi·xj)+1]q
(3)RBF核函数
(4)sigmoid核函数
一般情况下,在不知道数据的先验分布的情况下,通常使用交叉验证的方法,来尝试不同的核函数在升维过程中对原始数据线性化效果,误差最小的即为效果最好的核函数。本发明中为使核函数选取能适用于多种不同数据类型,将拟合效果明显的核函数线性组合组成综合核函数,在保证能将原始数据较好地线性化前提下,使其适用性更加广泛。根据Mercer定理,核函数在Hilbert空间有较好地数学性质,具有线性可加性。因此综合核函数表达式如下:
①SVM方法目标是找一个最佳分类面或最优超平面(高维),高效划分2类或多类特性样本,为能考虑部分样本点不满足约束条件的情况下,样本划分仍能实现,在基础优化目标的情况下,增加惩罚项。优化函数为:
S.t. gi(ω,b)=1-yi(ωTXi 1+b)-ξi≤0,ξi≥0,i=1,2...,n
其中,ξi为松弛变量,C为惩罚因子。
②构造Lagrange函数,并将其转换为对偶问题。
S.t. λi≥0μi≥0
其中λi和μi为Lagrange乘子,ω、b和ξi是主问题参数
③对上述对偶问题中w、b和ξi求偏导数,并令偏导数为0;
C=λi+μi
④将过程③所得结果带入Lagrange函数中,得到Lagrange乘子;
⑤将Lagrange乘子带入过程③中等式,求得W和b,最终求得超平面方程表达式ωTx+b=0,令y=ωTx+b即为充水状态下监控模型。
⑥根据以上SVM理论,编制程序分别形成:SVMtrain[x,y,K(xi,xj),C]和SVMpredict[x,y,SVMtrain]函数。其中:x,y为归一化后数据,K(xi,xj)为综合核函数,C为惩罚函数的惩罚力度。
(4)对放水状态下健康的监测数据,同充水状态一致,选择综合核函数;
(6)设置状态转换开关,实现充水状态调用充水监控模型、放水状态调用放水监控模型;
则yi含有粗差,予以处理。
该动系统下大坝安全监测数据粗差识别方法,能够实现大坝安全监测数据粗差识别,具体包括如下技术效果:
1、本发明基于SVM方法的基础数学理论能摆脱传统依赖工程经验判别监测数据粗差的短板。
2、本发明能考虑影响监测物理量的环境量因素变化对测值变化的影响,基于SVM方法可以自由引入环境量影响因素,且模型鲁棒性强,除考虑常规意义下,上游水位、温度、时间效应外,还可根据情况,增加降雨、下游水位、渗流量、裂缝开合度等多种影响因素。
3、本发明基于SVM方法能较好地描述非线性变化物理量的数学特性,如常规影响因素中的时间效应,能更准确拟合监测物理量测值过程线,更准确找出测值序列中粗差。
4、本发明通过设置模型转换开关,能实现动系统下监测数据的粗差识别。此项技术效果通过设置模型转换开关实现。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (1)
1.一种动系统下大坝安全监测数据粗差识别方法,其特征在于,包括蜗壳周围布设钢板计测值粗差识别,所述蜗壳周围布设钢板计测值粗差识别包括如下步骤:
(2)对充水状态下健康的监测数据,利用支持向量机方法,构建综合核函数,综合核函数表达式如下:
①在基础优化目标的情况下,增加惩罚项,优化函数为:
S.t.gi(ω,b)=1-yi(ωTXi 1+b)-ξi≤0,ξi≥0,i=1,2...,n
其中,ξi为松弛变量,C为惩罚因子;
②构造Lagrange函数,并将其转换为对偶问题
S.t.λi≥0μi≥0
其中λi和μi为Lagrange乘子,ω、b和ξi是主问题参数;
③对上述对偶问题中w、b和ξi求偏导数,并令偏导数为0;
C=λi+μi
⑤将Lagrange乘子带入过程③中等式,求得ω和b,最终求得超平面方程表达式ωTx+b=0,令y=ωTx+b即为充水状态下监控模型;
⑥根据以上SVM理论,编制程序分别形成:SVMtrain[x,y,K(xi,xj),C]和SVMpredict[x,y,SVMtrain]函数;其中:x,y为归一化后数据,K(xi,xj)为综合核函数,C为惩罚函数的惩罚力度;
(4)对放水状态下健康的监测数据,同充水状态一致,选择综合核函数;
(6)设置状态转换开关,实现充水状态调用充水监控模型、放水状态调用放水监控模型;
则yi含有粗差,予以处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623626.4A CN114492168B (zh) | 2021-12-28 | 一种动系统下大坝安全监测数据粗差识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623626.4A CN114492168B (zh) | 2021-12-28 | 一种动系统下大坝安全监测数据粗差识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492168A true CN114492168A (zh) | 2022-05-13 |
CN114492168B CN114492168B (zh) | 2024-05-10 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140068436A (ko) * | 2012-11-28 | 2014-06-09 | 한국지질자원연구원 | 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법 |
CN108319664A (zh) * | 2018-01-17 | 2018-07-24 | 国电南瑞科技股份有限公司 | 一种大坝及工程安全监测数据粗差识别方法及系统 |
CN109974873A (zh) * | 2019-04-03 | 2019-07-05 | 清华大学 | 一种移动平均的温度监测方法 |
CN111222095A (zh) * | 2019-12-19 | 2020-06-02 | 国网电力科学研究院有限公司 | 一种大坝变形监测中的粗差判别方法、装置及系统 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111651708A (zh) * | 2020-05-29 | 2020-09-11 | 四川大学 | 一种大坝安全监测数据异常识别的预警阈值设置方法 |
CN113108764A (zh) * | 2021-04-15 | 2021-07-13 | 中国水利水电科学研究院 | 一种溃坝过程安全监测、预警与影响评估方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140068436A (ko) * | 2012-11-28 | 2014-06-09 | 한국지질자원연구원 | 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법 |
CN108319664A (zh) * | 2018-01-17 | 2018-07-24 | 国电南瑞科技股份有限公司 | 一种大坝及工程安全监测数据粗差识别方法及系统 |
CN109974873A (zh) * | 2019-04-03 | 2019-07-05 | 清华大学 | 一种移动平均的温度监测方法 |
CN111222095A (zh) * | 2019-12-19 | 2020-06-02 | 国网电力科学研究院有限公司 | 一种大坝变形监测中的粗差判别方法、装置及系统 |
CN111508216A (zh) * | 2020-04-28 | 2020-08-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
CN111651708A (zh) * | 2020-05-29 | 2020-09-11 | 四川大学 | 一种大坝安全监测数据异常识别的预警阈值设置方法 |
CN113108764A (zh) * | 2021-04-15 | 2021-07-13 | 中国水利水电科学研究院 | 一种溃坝过程安全监测、预警与影响评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
CN112287608A (zh) | 一种基于模糊综合评价的大坝安全预测系统及方法 | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN111080009B (zh) | 基于时间序列的数据预测及补全方法、装置、介质和设备 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
KR100829706B1 (ko) | 고분자 제품의 물성 예측 방법 | |
CN110728038A (zh) | 基于回归分析的大坝监测方法 | |
CN114492168A (zh) | 一种动系统下大坝安全监测数据粗差识别方法 | |
CN110486350A (zh) | 电液伺服阀故障诊断方法及装置、存储介质和电子设备 | |
Song et al. | A time-discrete and zero-adjusted gamma process model with application to degradation analysis | |
CN114492168B (zh) | 一种动系统下大坝安全监测数据粗差识别方法 | |
CN107561452A (zh) | 一种蓄电池组健康度的评估方法 | |
CN104598361A (zh) | 一种性能监控方法和装置 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
CN110261050A (zh) | 一种基于阀杆扭矩变化蝶阀密封性能监测装置和监测方法 | |
CN113326610B (zh) | 一种基于油高软测量预测的加油站油罐泄漏检测预警方法 | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
CN112464848B (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
CN211927202U (zh) | 一种sf6电气设备中气体泄漏在线检测装置 | |
CN113742814B (zh) | 大坝安全预警方法、装置、计算机设备和存储介质 | |
CN115876681B (zh) | 一种用于密封垫的安全度评估方法及测试装置 | |
CN113128098B (zh) | 基于de-lof的混凝土坝奇异值检测方法和设备 | |
CN208269974U (zh) | 具备启闭性状辨识功能的水工钢闸门 |
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 |