CN114878651B - 基于大数据的凝结水水质恶化预警系统及方法 - Google Patents
基于大数据的凝结水水质恶化预警系统及方法 Download PDFInfo
- Publication number
- CN114878651B CN114878651B CN202210542620.2A CN202210542620A CN114878651B CN 114878651 B CN114878651 B CN 114878651B CN 202210542620 A CN202210542620 A CN 202210542620A CN 114878651 B CN114878651 B CN 114878651B
- Authority
- CN
- China
- Prior art keywords
- circuit
- early warning
- condensate
- deterioration
- water quality
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 230000006866 deterioration Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015556 catabolic process Effects 0.000 claims abstract description 24
- 238000006731 degradation reaction Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 9
- 239000001257 hydrogen Substances 0.000 claims description 9
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 229910052708 sodium Inorganic materials 0.000 claims description 5
- 239000011734 sodium Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000005494 condensation Effects 0.000 description 7
- 238000009833 condensation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 150000003385 sodium Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提出一种基于大数据的凝结水水质恶化预警系统及方法,该系统包括预警装置和分析装置;预警装置用于获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;分析装置包括判断逻辑电路,分析装置用于在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号,并将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。根据本公开的系统,解决了现有技术中凝结水水质恶化检测不准确的问题。
Description
技术领域
本公开涉及火力发电厂凝结水水质分析领域,尤其涉及一种基于大数据的凝结水水质恶化预警系统及方法。
背景技术
随着我国的电力建设与发展,大容量高参数的机组如雨后春笋般的逐渐出现在我国的电力板块中,而在火力发电厂的汽水大循环过程中,随着机组蒸汽参数等级的逐渐升高,对汽水品质的要求也愈来愈高。因此,机组某些设备的微小恶化,尤其是凝汽器的微小恶化都会对汽水品质产生不良的影响,在现有技术中,由于后续有精处理系统,电厂专业工程师通常很难发现微小的恶化情况,使得凝结水水质恶化检测不准确,且只有当恶化情况趋于严重能够直接观测到时方能够发现并进行情况分析及处理,此时往往恶化情况已经持续了很久的时间,轻微的情况下会降低精处理系统的制水周期,增加机组的酸碱废水排放和能耗,严重时会对机组的设备安全和管道腐蚀防垢产生不可逆的恶劣影响。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本公开提供了一种基于大数据的凝结水水质恶化预警系统及方法,主要目的在于解决现有技术中凝结水水质恶化检测不准确的问题。
根据本公开的第一方面实施例,提供了一种基于大数据的凝结水水质恶化预警系统,包括预警装置和分析装置;
所述预警装置,用于获取凝结水系统运行时的水质数据模拟量信号,将所述水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;
所述分析装置包括判断逻辑电路,所述分析装置用于在根据所述预警结果确定所述凝结水系统发生恶化时,获取所述凝结水系统运行时的机组负荷模拟量信号,并将所述预警结果、所述机组负荷模拟量信号和所述水质数据模拟量信号输入所述判断逻辑电路,输出水质恶化结果。
在本公开的一个实施例中,所述凝结水系统运行时的水质数据模拟量信号包括凝结水泵出口电导值模拟量信号、凝结水泵出口氢导值模拟量信号和凝结水泵出口钠值模拟量信号。
在本公开的一个实施例中,所述判断逻辑电路包括输入模块、判断模块和输出模块;所述输入模块包括多个输入单元,所述判断模块包括多个延时电路、多个与电路和多个比较电路;所述输出模块包括多个输出单元。
在本公开的一个实施例中,所述输入模块包括获取所述机组负荷模拟量信号的第一输入单元(S001)、获取所述预警结果的第二输入单元(S002),获取所述凝结水泵出口电导值模拟量信号的第三输入单元(S003)、获取凝结水泵出口氢导值模拟量信号的第四输入单元(S004)和获取凝结水泵出口钠值模拟量信号的第五输入单元(S005),所述输出模块包括输出水质恶化结果的第一输出单元(S025)和输出恶化原因的第二输出单元(S026)。
在本公开的一个实施例中,所述判断模块包括第一比较大于电路(S006)、第二比较大于电路(S007)、第一比较小于电路(S008)、第三比较大于电路(S009)、第二比较小于电路(S010)、第四比较大于电路(S011)、第三比较小于电路(S012)、第一延时电路(S013)、第二延时电路(S014)、第三延时电路(S015)、第四延时电路(S016)、第五延时电路(S017)、第六延时电路(S018)、第七延时电路(S019)、第一与电路(S020)、第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第五与电路(S024)。
在本公开的一个实施例中,所述第一比较大于电路(S006)同时与第一输入单元(S001)、第一延时电路(S013)连接,第一与电路(S020)同时与第一延时电路(S013)、第二输入单元(S002)和第五与电路(S024)连接;第三输入单元(S003)同时与第二比较大于电路(S007)、第一比较小于电路(S008)连接,第二延时电路(S014)同时与第二比较大于电路(S007)、第二与电路(S021)连接,第三延时电路(S015)同时与第一比较小于电路(S008)、第二与电路(S021)连接;第四输入单元(S004)同时与第三比较大于电路(S009)、第二比较小于电路(S010)连接,第四延时电路(S016)同时与第三比较大于电路(S009)、第三与电路(S022)连接,第五延时电路(S017)同时与第二比较小于电路(S010)、第三与电路(S022)连接;第五输入单元(S005)同时与第四比较大于电路(S011)、第三比较小于电路(S012)连接,第六延时电路(S018)同时与第四比较大于电路(S011)、第四与电路(S023)连接,第七延时电路(S019)同时与第三比较小于电路(S012)、第四与电路(S023);第五与电路(S024)同时与第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第一输出单元(S025)连接;第一输出单元(S025)与第二输出单元(S026)连接。
在本公开的一个实施例中,所述凝结水系统恶化预警模型采用神经网络、自编码器、遗传算法中的至少一种算法。
根据本公开的第二方面实施例,提供了一种基于大数据的凝结水水质恶化预警方法,所述基于大数据的凝结水水质恶化预警方法采用第一方面实施例所述的基于大数据的凝结水水质恶化预警系统进行水质恶化预警,包括:
获取凝结水系统运行时的水质数据模拟量信号,将所述水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;
在根据所述预警结果确定所述凝结水系统发生恶化时,获取所述凝结水系统运行时的机组负荷模拟量信号;
将所述预警结果、所述机组负荷模拟量信号和所述水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。
在本公开的一个实施例中,所述训练好的凝结水系统恶化预警模型利用凝结水系统恶化特征集训练得到。
在本公开的一个实施例中,所述凝结水系统恶化特征集的获得方法包括:获取大数据平台的凝结水系统恶化数据集,并对所述凝结水系统恶化数据集进行特征工程处理,以获得凝结水系统恶化特征集。
在本公开一个或多个实施例中,预警装置用于获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;分析装置包括判断逻辑电路,分析装置用于在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号,并将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。在这种情况下,利用训练好的凝结水系统恶化预警模型对凝结水系统运行时的水质数据模拟量信号进行分析,然后利用判断逻辑电路对预警结果、机组负荷模拟量信号和水质数据模拟量信号进行分析,输出水质恶化结果,解决了现有技术中凝结水水质恶化检测不准确的问题。
本公开附加的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,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1示出本公开实施例提供的一种基于大数据的凝结水水质恶化预警系统框图;
图2示出本公开实施例提供的判断逻辑电路的框图;
图3示出本公开实施例提供的判断逻辑电路的电路图;
图4示出本公开实施例提供的一种基于大数据的凝结水水质恶化预警方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。还应当理解,本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
在第一个实施例中,图1示出本公开实施例提供的一种基于大数据的凝结水水质恶化预警系统框图。本公开中基于大数据的凝结水水质恶化预警系统可以简称为预警系统。如图1所示,该基于大数据的凝结水水质恶化预警系统10包括预警装置11和分析装置12。
在本实施例中,预警装置11,用于获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果。
在本实施例中,凝结水系统运行时的水质数据模拟量信号包括凝结水泵出口电导值模拟量信号、凝结水泵出口氢导值模拟量信号和凝结水泵出口钠值模拟量信号。
在一些实施例中,凝结水系统运行时的水质数据模拟量信号可以是预警装置11实时获取的。由此,能够便于后续及时进行水质分析,避免水质分析不及时对机组的设备安全和管道产生不可逆的恶劣影响。
在本实施例中,预警结果可以分为凝结水系统正常和凝结水系统恶化。其中凝结水系统正常可以输出数字0,凝结水系统恶化可以输出数字1。预警结果也可以称为模型凝结水系统恶化计算结果。若预警结果为凝结水系统恶化,则表明凝结水系统恶化现象发生。
在本实施例中,训练好的凝结水系统恶化预警模型利用凝结水系统恶化特征集训练得到。其中,凝结水系统恶化特征集的获得方法包括:获取大数据平台的凝结水系统恶化数据集,并对凝结水系统恶化数据集进行特征工程处理,以获得凝结水系统恶化特征集。
在本实施例中,凝结水系统恶化数据集包含凝结水系统恶化的所有相关数据工况(即凝结水系统全工况运行信息)。也即凝结水系统恶化数据集包括各种工况下的凝结水系统恶化测点信息的相关历史参数。例如凝结水系统恶化数据集包括凝结水系统正常工况和凝结水系统恶化工况时的凝结水泵出口电导值模拟量信号、凝结水泵出口氢导值模拟量信号和凝结水泵出口钠值模拟量信号,以及对应的系统结果。系统结果例如包括凝结水系统正常和凝结水系统恶化。
在一些实施例中,大数据平台的凝结水系统恶化数据集还可以结合凝结水系统恶化专家知识库的数据。
在一些实施例中,凝结水系统恶化数据集是由大数据平台中将凝结水系统恶化测点信息的相关历史参数(即历史运行数据)以文件形式导出后得到的。例如以燃煤机组A的凝结水系统为例,由大数据平台中将凝结水系统恶化测点信息的1年运行数据以文件形式导出后得到凝结水系统恶化数据集。
在一些实施例中,为了防止机组启停阶段的历史数据对正常数据造成干扰,可以根据机组负荷大小筛除凝结水系统恶化数据集中机组停运阶段数据。例如可以将所获取数据(凝结水系统恶化数据集)中机组负荷小于5MW的历史数据进行剔除,同时剔除不正常运行数据。
在一些实施例中,可以利用计算机软件对凝结水系统恶化数据集进行特征工程处理,以获得凝结水系统恶化特征集。计算机软件包含但不限于Python、C++、JAVA等。
在本实施例中,凝结水系统恶化特征集可以分为训练集、验证集和测试集。例如凝结水系统恶化特征集为2019年11月1日至2021年11月的数据集,其中以2019年11月1日至2021年3月31日的数据作为凝结水系统恶化预警模型(即数理模型)的训练数据,其中训练数据中前20%时间段内的数据作为验证集,后80%时间段内的数据作为训练集。2021年4月1月至2021年11月的数据作为测试集。在训练凝结水系统恶化预警模型时,每一条训练数据可以由时间以2分钟为间隔将两小时内的数据序列化得到。通过数理模型所预测的整体结构趋势与真实结构趋势在2021年4月1月至2021年11月的测试集上的验证结果,进行预警防抖动判断后,凝结水系统恶化预警模型输出预警结果。
在一些实施例中,在利用凝结水系统恶化特征集训练凝结水系统恶化预警模型之前,还可以将凝结水系统恶化特征集中具有不同量纲单位的参数数据进行归一化处理,使各参数指标处于同一数量级,以便于进行综合对比评价。归一化处理方式例如为鲁棒归一化方法(RobustScaler)。另外,还可以用凝结水系统恶化特征集中前98%时间段内的数据作为标准对训练集和测试集做归一化处理。
在本实施例中,凝结水系统恶化预警模型采用神经网络、自编码器、遗传算法中的至少一种算法。
在一些实施例中,凝结水系统恶化预警模型采用自编码器算法,自编码器算法即为自编码器模型,自编码器模型包括输入层、中间层和输出层,中间层的结构例如可以为512-256-128-64-128-256-512,则自编码器模型的结构可以为input(输入层)-512-256-128-64-128-256-512-output(输出层)。
图2示出本公开实施例提供的判断逻辑电路的框图。
在本实施例中,分析装置12包括判断逻辑电路。分析装置12用于在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号,并将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。
在本实施例中,如图2所示,判断逻辑电路包括输入模块121、判断模块122和输出模块123,输入模块121用于获取预警结果、机组负荷模拟量信号和水质数据模拟量信号。判断模块122用于对输入模块121获取的信号进行处理以确定水质恶化结果。输出模块123用于输出水质恶化结果。水质恶化结果包括水质异常(即发生水质恶化)和水质正常。水质异常输出数字1,水质正常输出数字0。
在本实施例中,输入模块121包括多个输入单元,判断模块122包括多个延时电路(TON)、多个与电路(AND)和多个比较电路,多个比较电路包括多个比较小于电路(LT)和多个比较大于电路(GT);输出模块123包括多个输出单元。各输入单元可以用符号DI或AI表示。各输出单元可以用符号DO表示。
图3示出本公开实施例提供的判断逻辑电路的电路图。如图3所示,在本实施例中,输入模块121包括获取机组负荷模拟量信号的第一输入单元(S001)、获取预警结果的第二输入单元(S002),获取凝结水泵出口电导值模拟量信号的第三输入单元(S003)、获取凝结水泵出口氢导值模拟量信号的第四输入单元(S004)和获取凝结水泵出口钠值模拟量信号的第五输入单元(S005),输出模块123包括输出水质恶化结果的第一输出单元(S025)和输出恶化原因的第二输出单元(S026)。
如图3所示,在本实施例中,判断模块122包括第一比较大于电路(S006)、第二比较大于电路(S007)、第一比较小于电路(S008)、第三比较大于电路(S009)、第二比较小于电路(S010)、第四比较大于电路(S011)、第三比较小于电路(S012)、第一延时电路(S013)、第二延时电路(S014)、第三延时电路(S015)、第四延时电路(S016)、第五延时电路(S017)、第六延时电路(S018)、第七延时电路(S019)、第一与电路(S020)、第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第五与电路(S024)。其中,第一比较大于电路(S006)的一个输入端(即输入端2)获取第一预设波动速率K1,第一预设波动速率K1例如为5mm/min,第二比较大于电路(S007)的一个输入端(即输入端2)获取第二预设波动速率K3,第二预设波动速率K3例如为3mm/min,第一比较小于电路(S008)的一个输入端(即输入端2)获取第三预设波动速率K4,第三预设波动速率K4例如为9mm/min,第三比较大于电路(S009)的一个输入端(即输入端2)获取第四预设波动速率K5,第四预设波动速率K5例如为0mm/min,第二比较小于电路(S010)的一个输入端(即输入端2)获取第五预设波动速率K6,第五预设波动速率K6例如为0.2mm/min,第四比较大于电路(S011)的一个输入端(即输入端2)获取第六预设波动速率K7,第六预设波动速率K7例如为0mm/min,第三比较小于电路(S012)的一个输入端(即输入端2)获取第七预设波动速率K8,第七预设波动速率K8例如为5mm/min。第一延时电路(S013)、第二延时电路(S014)、第三延时电路(S015)、第四延时电路(S016)、第五延时电路(S017)、第六延时电路(S018)、第七延时电路(S019)的一个输入端(即各延时电路的输入端2)分别获取预设时间K2,预设时间K2例如为10s。
在本实施例中,第一比较大于电路(S006)同时与第一输入单元(S001)、第一延时电路(S013)连接,第一与电路(S020)同时与第一延时电路(S013)、第二输入单元(S002)和第五与电路(S024)连接;第三输入单元(S003)同时与第二比较大于电路(S007)、第一比较小于电路(S008)连接,第二延时电路(S014)同时与第二比较大于电路(S007)、第二与电路(S021)连接,第三延时电路(S015)同时与第一比较小于电路(S008)、第二与电路(S021)连接;第四输入单元(S004)同时与第三比较大于电路(S009)、第二比较小于电路(S010)连接,第四延时电路(S016)同时与第三比较大于电路(S009)、第三与电路(S022)连接,第五延时电路(S017)同时与第二比较小于电路(S010)、第三与电路(S022)连接;第五输入单元(S005)同时与第四比较大于电路(S011)、第三比较小于电路(S012)连接,第六延时电路(S018)同时与第四比较大于电路(S011)、第四与电路(S023)连接,第七延时电路(S019)同时与第三比较小于电路(S012)、第四与电路(S023);第五与电路(S024)同时与第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第一输出单元(S025)连接;第一输出单元(S025)与第二输出单元(S026)连接。
具体地,如图3所示,第一输入单元(S001)的输出端与第一比较大于电路(S006)的输入端1相连接,第一比较大于电路(S006)的输入端2获取第一预设波动速率K1(例如5mm/min),第一比较大于电路(S006)的输出端与第一延时电路(S013)的输入端1相连接,第一延时电路(S013)的输入端2获取预设时间K2,第一延时电路(S013)的输出端与第二输入单元(S002)的输出端均与第一与电路(S020)的输入端相连接;
第三输入单元(S003)的输出端与第二比较大于电路(S007)的输入端1相连接,第二比较大于电路(S007)的输入端2获取第二预设波动速率K3(例如3mm/min),第三输入单元(S003)的输出端与第一比较小于电路(S008)的输入端1相连接,第一比较小于电路(S008)的输入端2获取第三预设波动速率K4(例如9mm/min),第二比较大于电路(S007)的输出端与第二延时电路(S014)的输入端1相连接,第一比较小于电路(S008)的输出端与第三延时电路(S015)的输入端1相连接,第二延时电路(S014)的输出端与第三延时电路(S015)的输出端均与第二与电路(S021)的输入端相连接;
第四输入单元(S004)的输出端与第三比较大于电路(S009)的输入端1相连接,第三比较大于电路(S009)的输入端2获取第四预设波动速率K5(例如0mm/min),第四输入单元(S004)的输出端与第二比较小于电路(S010)的输入端1相连接,第二比较小于电路(S010)的输入端2获取第五预设波动速率K6(例如0.2mm/min),第三比较大于电路(S009)的输出端与第四延时电路(S016)的输入端1相连接,第二比较小于电路(S010)的输出端与第五延时电路(S017)的输入端1相连接,第四延时电路(S016)的输出端与第五延时电路(S017)的输出端均与第三与电路(S022)的输入端相连接;
第五输入单元(S005)的输出端与第四比较大于电路(S011)的输入端1相连接,第四比较大于电路(S011)的输入端2获取第六预设波动速率K7(例如0mm/min),第五输入单元(S005)的输出端与第三比较小于电路(S012)的输入端1相连接,第三比较小于电路(S012)的输入端2获取第七预设波动速率K8(例如5mm/min),第四比较大于电路(S011)的输出端与第六延时电路(S018)的输入端1相连接,第三比较小于电路(S012)的输出端与第七延时电路(S019)的输入端1相连接,第六延时电路(S018)的输出端与第七延时电路(S019)的输出端均与第四与电路(S023)的输入端相连接;
第一与电路(S020)的输出端、第二与电路(S021)的输出端、第三与电路(S022)的输出端、第四与电路(S023)的输出端与第五与电路(S024)的输入端相连接,第五与电路(S024)的输出端与第一输出单元(S025)的输入端相连接,第一输出单元(S025)的输出端与第二输出单元(S026)相连接。
具体地,判断逻辑电路输出的水质恶化结果为水质异常的具体过程如下:
若预警结果为1时,通过第一输入单元(S001)获取机组负荷模拟量信号,通过第二输入单元(S002)获取预警结果,通过第三输入单元(S003)获取凝结水泵出口电导值模拟量信号,通过第四输入单元(S004)获取凝结水泵出口氢导值模拟量信号,通过第五输入单元(S005)获取凝结水泵出口钠值模拟量信号;
若机组负荷模拟量信号大于第一预设波动速率K1(例如5mm/min),则第一比较大于电路(S006)的输出信号为1,凝结水泵出口电导值模拟量信号大于第二预设波动速率K3(例如3mm/min)且小于第三预设波动速率K4(例如9mm/min),则第二比较大于电路(S007)和第一比较小于电路(S008)的输出信号分别为1,凝结水泵出口氢导值模拟量信号大于第四预设波动速率K5(例如0mm/min)且小于第五预设波动速率K6(例如0.2mm/min),则第三比较大于电路(S009)和第二比较小于电路(S010)的输出信号分别为1,凝结水泵出口钠值模拟量信号大于第六预设波动速率K7(例如0mm/min)且小于第七预设波动速率K8(例如5mm/min),则第四比较大于电路(S011)和第三比较小于电路(S012)的输出信号分别为1;
第一比较大于电路(S006)、第二比较大于电路(S007)、第一比较小于电路(S008)、第三比较大于电路(S009)、第二比较小于电路(S010)、第四比较大于电路(S011)、第三比较小于电路(S012)分别与对应的第一延时电路(S013)、第二延时电路(S014)、第三延时电路(S015)、第四延时电路(S016)、第五延时电路(S017)、第六延时电路(S018)、第七延时电路(S019)连接,表示各比较电路输出维持预设时间(例如10s),若各比较电路输出信号为1且维持预设时间,则各延时电路输出信号为1;
若各延时电路输出信号为1,则各与电路的输出信号为1,此时第一输出单元(S025)的输出信号为1,则表示水质恶化结果为水质异常,若第一输出单元(S025)的输出信号为1,则第二输出单元(S026)输出恶化原因,恶化原因例如为凝结水水质异常,请检查系统密封情况。
在一些实施例中,分析装置输出水质恶化结果后,基于大数据的凝结水水质恶化预警系统10还可以发出凝结水系统恶化预警提醒,预警提醒方式包括但不行于灯光预警、声音预警。
在一些实施例中,基于大数据的凝结水水质恶化预警系统10在发出凝结水系统恶化预警的同时,还可以通过上位机或者移动客户端(APP)推送凝结水系统恶化原因和调整方案信息至运行人员。
在本公开实施例的基于大数据的凝结水水质恶化预警系统,预警装置用于获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;分析装置包括判断逻辑电路,分析装置用于在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号,并将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。在这种情况下,利用训练好的凝结水系统恶化预警模型对凝结水系统运行时的水质数据模拟量信号进行初步预警,然后利用判断逻辑电路对预警结果、机组负荷模拟量信号和水质数据模拟量信号进行分析,输出水质恶化结果,解决了现有技术中凝结水水质恶化检测不准确的问题。另外在机组运行过程中,对实时获取的水质数据模拟量信号和机组负荷模拟量信号进行预警分析,当凝结水系统出现水质恶化迹象时,本公开的方法能够在水质恶化早期及时发现,并根据凝结水系统出水水质各参数对水质恶化原因进行分析,最终向运行人员报警并根据水质恶化原因给出处理建议,本公开的方法通过大数据计算和学习,可更早、更准确的发现水质恶化迹象并及时分析异常原因,与人为判断相比,该预警方法具有更加准确、提前的优点。
下述为本公开方法实施例,对于本公开方法实施例中未披露的细节,请参照本公开系统实施例。本公开的方法实施例提出了一种基于大数据的凝结水水质恶化预警方法。该基于大数据的凝结水水质恶化预警方法采用上述系统实施例的基于大数据的凝结水水质恶化预警系统进行水质恶化预警。本公开的基于大数据的凝结水水质恶化预警方法可以简称为预警方法。
图4示出本公开实施例提供的一种基于大数据的凝结水水质恶化预警方法的流程图。
如图4所示,该基于大数据的凝结水水质恶化预警方法,包括:
S101,获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;
S102,在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号;
S103,将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。
在步骤S101中,训练好的凝结水系统恶化预警模型利用凝结水系统恶化特征集训练得到。凝结水系统恶化特征集的获得方法包括:获取大数据平台的凝结水系统恶化数据集,并对凝结水系统恶化数据集进行特征工程处理,以获得凝结水系统恶化特征集。具体可以参照上述系统实施例中的相关描述,此处不在赘述。
在步骤S101中,凝结水系统恶化预警模型采用神经网络、自编码器、遗传算法中的至少一种算法。具体可以参照上述系统实施例中的相关描述,此处不在赘述。
在步骤S103中,判断逻辑电路的内容具体可以参照上述系统实施例中的相关描述,此处不在赘述。
需要说明的是,前述对基于大数据的凝结水水质恶化预警系统实施例的解释说明也适用于该实施例的基于大数据的凝结水水质恶化预警方法,此处不在赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在本公开的基于大数据的凝结水水质恶化预警方法中,获取凝结水系统运行时的水质数据模拟量信号,将水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;在根据预警结果确定凝结水系统发生恶化时,获取凝结水系统运行时的机组负荷模拟量信号;将预警结果、机组负荷模拟量信号和水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。在这种情况下,利用训练好的凝结水系统恶化预警模型对凝结水系统运行时的水质数据模拟量信号进行初步预警,然后利用判断逻辑电路对预警结果、机组负荷模拟量信号和水质数据模拟量信号进行分析,输出水质恶化结果,解决了现有技术中凝结水水质恶化检测不准确的问题。另外在机组运行过程中,对实时获取的水质数据模拟量信号和机组负荷模拟量信号进行预警分析,当凝结水系统出现水质恶化迹象时,本公开的方法能够在水质恶化早期及时发现,并根据凝结水系统出水水质各参数对水质恶化原因进行分析,最终向运行人员报警并根据水质恶化原因给出处理建议,本公开的方法通过大数据计算和学习,可更早、更准确的发现水质恶化迹象并及时分析异常原因,与人为判断相比,该预警方法具有更加准确、提前的优点。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (5)
1.一种基于大数据的凝结水水质恶化预警系统,其特征在于,包括预警装置和分析装置;
所述预警装置,用于获取凝结水系统运行时的水质数据模拟量信号,将所述水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;
所述分析装置包括判断逻辑电路,所述分析装置用于在根据所述预警结果确定所述凝结水系统发生恶化时,获取所述凝结水系统运行时的机组负荷模拟量信号,并将所述预警结果、所述机组负荷模拟量信号和所述水质数据模拟量信号输入所述判断逻辑电路,输出水质恶化结果;
所述凝结水系统运行时的水质数据模拟量信号包括凝结水泵出口电导值模拟量信号、凝结水泵出口氢导值模拟量信号和凝结水泵出口钠值模拟量信号;
所述判断逻辑电路包括输入模块、判断模块和输出模块;所述输入模块包括多个输入单元,所述判断模块包括多个延时电路、多个与电路和多个比较电路;所述输出模块包括多个输出单元;
所述输入模块包括获取所述机组负荷模拟量信号的第一输入单元(S001)、获取所述预警结果的第二输入单元(S002),获取所述凝结水泵出口电导值模拟量信号的第三输入单元(S003)、获取凝结水泵出口氢导值模拟量信号的第四输入单元(S004)和获取凝结水泵出口钠值模拟量信号的第五输入单元(S005),所述输出模块包括输出水质恶化结果的第一输出单元(S025)和输出恶化原因的第二输出单元(S026);
所述判断模块包括第一比较大于电路(S006)、第二比较大于电路(S007)、第一比较小于电路(S008)、第三比较大于电路(S009)、第二比较小于电路(S010)、第四比较大于电路(S011)、第三比较小于电路(S012)、第一延时电路(S013)、第二延时电路(S014)、第三延时电路(S015)、第四延时电路(S016)、第五延时电路(S017)、第六延时电路(S018)、第七延时电路(S019)、第一与电路(S020)、第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第五与电路(S024);
所述第一比较大于电路(S006)同时与第一输入单元(S001)、第一延时电路(S013)连接,第一与电路(S020)同时与第一延时电路(S013)、第二输入单元(S002)和第五与电路(S024)连接;第三输入单元(S003)同时与第二比较大于电路(S007)、第一比较小于电路(S008)连接,第二延时电路(S014)同时与第二比较大于电路(S007)、第二与电路(S021)连接,第三延时电路(S015)同时与第一比较小于电路(S008)、第二与电路(S021)连接;第四输入单元(S004)同时与第三比较大于电路(S009)、第二比较小于电路(S010)连接,第四延时电路(S016)同时与第三比较大于电路(S009)、第三与电路(S022)连接,第五延时电路(S017)同时与第二比较小于电路(S010)、第三与电路(S022)连接;第五输入单元(S005)同时与第四比较大于电路(S011)、第三比较小于电路(S012)连接,第六延时电路(S018)同时与第四比较大于电路(S011)、第四与电路(S023)连接,第七延时电路(S019)同时与第三比较小于电路(S012)、第四与电路(S023);第五与电路(S024)同时与第二与电路(S021)、第三与电路(S022)、第四与电路(S023)和第一输出单元(S025)连接;第一输出单元(S025)与第二输出单元(S026)连接。
2.如权利要求1所述的基于大数据的凝结水水质恶化预警系统,其特征在于,所述凝结水系统恶化预警模型采用神经网络、自编码器、遗传算法中的至少一种算法。
3.一种基于大数据的凝结水水质恶化预警方法,其特征在于,所述基于大数据的凝结水水质恶化预警方法采用如权利要求1-2中任意一项所述的基于大数据的凝结水水质恶化预警系统进行水质恶化预警,其包括:
获取凝结水系统运行时的水质数据模拟量信号,将所述水质数据模拟量信号输入至训练好的凝结水系统恶化预警模型,获得预警结果;
在根据所述预警结果确定所述凝结水系统发生恶化时,获取所述凝结水系统运行时的机组负荷模拟量信号;
将所述预警结果、所述机组负荷模拟量信号和所述水质数据模拟量信号输入判断逻辑电路,输出水质恶化结果。
4.如权利要求3所述的基于大数据的凝结水水质恶化预警方法,其特征在于,所述训练好的凝结水系统恶化预警模型利用凝结水系统恶化特征集训练得到。
5.如权利要求4所述的基于大数据的凝结水水质恶化预警方法,其特征在于,所述凝结水系统恶化特征集的获得方法包括:
获取大数据平台的凝结水系统恶化数据集,并对所述凝结水系统恶化数据集进行特征工程处理,以获得凝结水系统恶化特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542620.2A CN114878651B (zh) | 2022-05-18 | 2022-05-18 | 基于大数据的凝结水水质恶化预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542620.2A CN114878651B (zh) | 2022-05-18 | 2022-05-18 | 基于大数据的凝结水水质恶化预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114878651A CN114878651A (zh) | 2022-08-09 |
CN114878651B true CN114878651B (zh) | 2024-03-08 |
Family
ID=82675651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210542620.2A Active CN114878651B (zh) | 2022-05-18 | 2022-05-18 | 基于大数据的凝结水水质恶化预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114878651B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050005827A (ko) * | 2003-07-07 | 2005-01-15 | 주식회사 드림바이오스 | 웹기반 원격무인 중소규모 하폐수처리장 시설감시 제어용수질측정 및 공정최적관리를 위한 의사결정시스템이결합된 일체형 통합시스템 |
CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
CN103605344A (zh) * | 2013-11-20 | 2014-02-26 | 柳州市欧博科技有限公司 | 一种城市供水安全预警及应急处理方法 |
CN103630653A (zh) * | 2013-11-20 | 2014-03-12 | 柳州市欧博科技有限公司 | 一种城市供水水质自动监测系统 |
CN107609742A (zh) * | 2017-08-14 | 2018-01-19 | 环境保护部华南环境科学研究所 | 一种水环境预警综合管理平台 |
CN109459550A (zh) * | 2018-12-20 | 2019-03-12 | 苏州科技城医院 | 基于无线网络传输的水质实时监测分析系统 |
CN109523144A (zh) * | 2018-10-25 | 2019-03-26 | 国科创(北京)信息技术有限公司 | 一种流域水环境业务化运行管理系统及方法 |
CN109558973A (zh) * | 2018-11-15 | 2019-04-02 | 深圳市环境科学研究院 | 一种水质与水生态一体化预警系统、控制设备和存储介质 |
CN211825989U (zh) * | 2019-07-15 | 2020-10-30 | 浙江创韵环境科技有限公司 | 一种生态浮岛水质监测系统 |
WO2021120775A1 (zh) * | 2019-12-19 | 2021-06-24 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
CN114386658A (zh) * | 2021-12-03 | 2022-04-22 | 天健创新(北京)监测仪表股份有限公司 | 湖库水质监测预警方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102245922B1 (ko) * | 2018-11-30 | 2021-04-30 | 두산중공업 주식회사 | CFD(Computational Fluid Dynamics) 해석 이상 징후 예측 시스템 및 방법 |
-
2022
- 2022-05-18 CN CN202210542620.2A patent/CN114878651B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050005827A (ko) * | 2003-07-07 | 2005-01-15 | 주식회사 드림바이오스 | 웹기반 원격무인 중소규모 하폐수처리장 시설감시 제어용수질측정 및 공정최적관리를 위한 의사결정시스템이결합된 일체형 통합시스템 |
CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
CN103605344A (zh) * | 2013-11-20 | 2014-02-26 | 柳州市欧博科技有限公司 | 一种城市供水安全预警及应急处理方法 |
CN103630653A (zh) * | 2013-11-20 | 2014-03-12 | 柳州市欧博科技有限公司 | 一种城市供水水质自动监测系统 |
CN107609742A (zh) * | 2017-08-14 | 2018-01-19 | 环境保护部华南环境科学研究所 | 一种水环境预警综合管理平台 |
CN109523144A (zh) * | 2018-10-25 | 2019-03-26 | 国科创(北京)信息技术有限公司 | 一种流域水环境业务化运行管理系统及方法 |
CN109558973A (zh) * | 2018-11-15 | 2019-04-02 | 深圳市环境科学研究院 | 一种水质与水生态一体化预警系统、控制设备和存储介质 |
CN109459550A (zh) * | 2018-12-20 | 2019-03-12 | 苏州科技城医院 | 基于无线网络传输的水质实时监测分析系统 |
CN211825989U (zh) * | 2019-07-15 | 2020-10-30 | 浙江创韵环境科技有限公司 | 一种生态浮岛水质监测系统 |
WO2021120775A1 (zh) * | 2019-12-19 | 2021-06-24 | 中国银联股份有限公司 | 一种数据异常检测方法与装置 |
CN114386658A (zh) * | 2021-12-03 | 2022-04-22 | 天健创新(北京)监测仪表股份有限公司 | 湖库水质监测预警方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114878651A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
CN104965787A (zh) | 一种基于三支决策的两阶段软件缺陷预测方法 | |
CN105069030A (zh) | 单病种的住院费用估计判定方法 | |
CN111722058A (zh) | 基于知识图谱的电力信息系统故障检测方法、装置及介质 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN114565065B (zh) | 一种水文序列数据异常值检测方法 | |
CN114878651B (zh) | 基于大数据的凝结水水质恶化预警系统及方法 | |
CN113242213B (zh) | 一种电力通信骨干网节点脆弱性诊断方法 | |
CN108376553B (zh) | 一种视频服务器的磁盘的监控方法及系统 | |
CN112949697A (zh) | 一种管道异常的确认方法、装置及计算机可读存储介质 | |
CN110765486B (zh) | 一种资产故障识别方法 | |
CN110061867B (zh) | 基于故障源告警强度的通信网告警分析方法及系统 | |
CN116070958A (zh) | 归因分析方法、装置、电子设备和存储介质 | |
CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
CN115511374A (zh) | 一种工艺指标相关性计算方法、装置、设备及存储介质 | |
CN115801538A (zh) | 场站服务器应用资产深度识别方法、系统及设备 | |
CN113868119A (zh) | 一种基于物联网的嵌入式软件测试系统及方法 | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN110555543B (zh) | 一种风电场预测的不确定度分析方法及系统 | |
CN112070283A (zh) | 一种基于机器学习的服务器运行健康度预测方法及系统 | |
CN112685610B (zh) | 虚假注册账号识别方法及相关装置 | |
CN115001997B (zh) | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 | |
CN116506205B (zh) | 一种智慧医疗平台的数据处理方法及系统 |
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 |