CN114879769A - 一种船舱湿度控制方法及装置 - Google Patents
一种船舱湿度控制方法及装置 Download PDFInfo
- Publication number
- CN114879769A CN114879769A CN202210608603.4A CN202210608603A CN114879769A CN 114879769 A CN114879769 A CN 114879769A CN 202210608603 A CN202210608603 A CN 202210608603A CN 114879769 A CN114879769 A CN 114879769A
- Authority
- CN
- China
- Prior art keywords
- cabin humidity
- cabin
- humidity
- variable
- factor
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D22/00—Control of humidity
- G05D22/02—Control of humidity characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种船舱湿度控制方法及装置。通过获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。通过可调整的变量因素,能够实现船舱内湿度实现动态调整,达到动态调整船舱内湿度的目的。本申请能够将船舱湿度控制在合适的范围内,保证特涂施工作业的质量并减少环境湿度异常对施工工人健康的损害。本申请能够实现减少我国船舶行业的电能浪费。
Description
技术领域
本申请涉及人工智能技术领域,特别是一种船舱湿度控制方法及装置。
背景技术
随着人工智能技术的不断发展,该技术在各个领域得到关注和使用,各领域针对不同的应用场景,基于人工智能技术开发了对应的智能系统来帮助人们提升工作效率。提高制造过程的效率和降低系统设施的整体能耗中较为关键的一环是精准控制施工环境,如船舱内空气湿度。在施工时湿度过高可能引起涂漆表面结露,在有露水的表面进行特涂会引起材质的锈蚀以及降低涂层的结合力。在施工期间船舱内空气过于干燥会造成工人身体不适以及过度除湿造成的电能浪费。因此,如何有效控制船舱内部湿度变化显得尤为重要。
近些年来关于提高船舶制造业的效率以及降低整体能耗的研究主要集中在船舶特涂工艺施工环境和船舶特涂工艺的优化这两大方面。
但国内的研究在船舱湿度方面,在能源领域将机器学习应用于特涂工艺施工环境的预测与控制的研究非常匮乏,属于国内的空白领域。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种船舱湿度控制方法及装置,包括:
一种船舱湿度控制方法,所述方法用于通过标准船舱湿度确定影响船舱湿度的变量因素标准值,包括:
获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
优选地,所述依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集的步骤,包括:
依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值;
依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成目标因素数据集。
优选地,所述依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型的步骤,包括:
依据所述目标因素数据集中的每个目标因素的位置和速度生成粒子群;
依据所述粒子群中每个目标因素的与所述实时船舱湿度的接近程度生成每个粒子的适应度值;
依据所述粒子群和所述每个粒子的适应度值构建粒子群寻优算法模型。
优选地,所述依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值的步骤,包括:
依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型;
依据所述回归模型确定所述可调整变量因素中的每种可调整变量因素相对应的影响船舱湿度的重要值。
优选地,所述依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型的步骤,包括:
依据所述可调整变量因素生成不存在多重共线性的变量因素数据集和存在多重共线性的变量因素数据集;
依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型。
优选地,所述依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型的步骤,包括:
依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立一元回归模型;
依据所述一元回归模型建立所述回归模型。
优选地,所述依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值的步骤,包括:
将所述标准船舱湿度带入所述粒子群寻优算法模型生成所述变量因素的位置和速度;
依据所述变量因素的位置和速度和所述标准船舱湿度生成所述变量因素标准值。
为实现本申请还包括一种船舱湿度控制装置,所述装置用于通过标准船舱湿度确定影响船舱湿度的变量因素标准值,包括:
数据获取模块,用于获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
目标因素数据集模块,用于依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
粒子群寻优算法模型模块,用于依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
变量因素标准值模块,用于变量因素标准值依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
为实现本申请还包括一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现所述的船舱湿度控制方法。
为实现本申请还包括一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述的船舱湿度控制方法。
本申请具有以下优点:
在本申请的实施例中,通过获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。通过可调整的变量因素,能够实现船舱内湿度实现动态调整,能够根据当前周围环境自动调节压缩机的功率,冷凝器的温度,达到动态调整船舱内湿度的目的。本申请的目的在于减少人工手动调节除湿机挡位而造成的人力成本。应用了本发明的除湿机可以根据当下舱室内外湿度自动调整挡位,实现船舱内湿度的动态调节,极大地减少了设备操作员的工作量和人工成本,只需少量人工根据同样来自本发明的预测模型得出的挡位报告定期进行挡位巡查即可。本申请的目的在于降低除湿机的维修及更换成本、延长其使用寿命。应用了本申请的除湿机不会出现由于长时间处于高档位、大功率输出状态而导致的设备加速老化的情况。减少此类情况发生,从而降低了除湿机的维修次数和更换成本,并延长其使用寿命。本申请能够将船舱湿度控制在合适的范围内,保证特涂施工作业的质量并减少环境湿度异常对施工工人健康的损害。本申请能够实现减少我国船舶行业的电能浪费。应用了本申请的除湿机会减少甚至避免由于档位过高造成过度除湿造成的能耗浪费情况的出现,达到节能减排的效果。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种船舱湿度控制方法的步骤流程图;
图2是本申请一实施例提供的一种船舱湿度控制方法的随机森林中单个决策树的训练过程;
图3是本申请一实施例提供的一种船舱湿度控制方法的随机森林分类流程图;
图4是本申请一实施例提供的一种船舱湿度控制方法的粒子群优化算法的更新迭代过程示意图;
图5是本申请一实施例提供的一种船舱湿度控制方法的LSTM基本结构的示意图;
图6是本申请一实施例提供的一种船舱湿度控制方法的步骤流程图;
图7是本申请一实施例提供的一种船舱湿度控制方法的实施例的步骤流程图;
图8是本申请一实施例提供的一种船舱湿度控制装置的结构框图;
图9是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例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作出创造性劳动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。
需要说明的是,在本发明任一实施例中用于确定能耗最低的船舶舱室特涂方案。
参照图1,示出了本申请一实施例提供的一种船舱湿度控制方法,所述方法包括:
S110、获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
S120、依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
S130、依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
S140、依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
在本申请的实施例中,通过获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。通过可调整的变量因素,能够实现船舱内湿度实现动态调整,能够根据当前周围环境自动调节压缩机的功率,冷凝器的温度,达到动态调整船舱内湿度的目的。本申请的目的在于减少人工手动调节除湿机挡位而造成的人力成本。应用了本发明的除湿机可以根据当下舱室内外湿度自动调整挡位,实现船舱内湿度的动态调节,极大地减少了设备操作员的工作量和人工成本,只需少量人工根据同样来自本发明的预测模型得出的挡位报告定期进行挡位巡查即可。本申请的目的在于降低除湿机的维修及更换成本、延长其使用寿命。应用了本申请的除湿机不会出现由于长时间处于高档位、大功率输出状态而导致的设备加速老化的情况。减少此类情况发生,从而降低了除湿机的维修次数和更换成本,并延长其使用寿命。本申请能够将船舱湿度控制在合适的范围内,保证特涂施工作业的质量并减少环境湿度异常对施工工人健康的损害。本申请能够实现减少我国船舶行业的电能浪费。应用了本发明的除湿机会减少甚至避免由于档位过高造成过度除湿造成的能耗浪费情况的出现,达到节能减排的效果。
下面,将对本示例性实施例中一种船舱湿度控制方法作进一步地说明。
如所述步骤S110所述获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素。
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;”的具体过程。
在一具体实施例中,任选一个舱室,将防爆温湿度传感器置于舱室内部。将除湿机的风管与该舱室的风口相连,便于进行正常的特涂工序。舱室进行正常的工序,依次记录十个工序下防爆温湿度传感器的数据。分析并确定船舱内外部所有可能影响船舱湿度的变量。深入船厂进行考察,找出并记录船舱内外部所有对船舱湿度有影响的变量,最终确定变量为:舱内温度,舱外温度、特涂工序、施工人数、舱室面积、舱室容积、除湿机功率,除湿机档位。
在一具体实施例中,获取舱内温度,舱外温度、特涂工序、施工人数、舱室面积、舱室容积、除湿机功率,除湿机档位的数据。
如所述步骤S120所述依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集。
在本发明一实施例中,可以结合下列描述进一步说明步骤S120所述“依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集”的具体过程。
如下列步骤所述,依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值;依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成目标因素数据集。
在本发明一实施例中,可以结合下列描述进一步说明步骤“依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值”的具体过程。
如下列步骤所述,依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型;依据所述回归模型确定所述可调整变量因素中的每种可调整变量因素相对应的影响船舱湿度的重要值。
在本发明一实施例中,可以结合下列描述进一步说明步骤“依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型”的具体过程。
如下列步骤所述,依据所述可调整变量因素生成不存在多重共线性的变量因素数据集和存在多重共线性的变量因素数据集;依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型。
作为一种示例,依据所述可调整变量因素和所述船舱湿度生成一元回归模型,依据所述一元回归模型和所述可调整变量生成二元回归模型,依据所述二元回归模型生成所述回归模型。
建立船舱湿度与变量子集间二元回归模型。将上一步回归系数的F检验统计量最大的值对应的变量与剩余变量组合和船舱湿度建立二元回归模型。
需要说明的是,本申请到建立回归模型的步骤采用的是向前法,向前法是将变量逐个引入模型,每引入一个解释变量后都要进行F检验,并对已经选入的解释变量逐个进行F检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除,以确保每次引入新的变量之前回归方程中只包含显著性变量。这是一个反复的过程,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止,以保证最后所得到的解释变量集是最优的。
需要说明的是,与向前法相关的还有向后法,与向前法正好相反,它事先将全部自变量选入回归模型,任何逐个剔除对残差平方和贡献较小的自变量。开始时先拟合包含所有自变量的回归方程,并预先指定留在回归方程中而不被剔除的自变量的假设检验标准。然后按自变量对应变量Y的贡献大小从小到大进行检验,对无统计学意义的自变量依次剔除。每剔除一个自变量,都要重新计算并检验尚未被剔除自变量对应变量Y的贡献并决定是否剔除对模型贡献最小的自变量。重复上述过程,直到回归方程中的自变量均符合留在方程中的给定标准,没有自变量可被剔除为止。在整个过程中只考虑剔除自变量,自变量一旦被剔除,则不再考虑引入回归方程。
如所述步骤S120所述依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集。
在本发明一实施例中,可以结合下列描述进一步说明步骤S120所述“依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集”的具体过程。
如下列步骤所述,依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成目标因素数据集。
作为一种示例,依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成重要因素集,将所述重要因素集中的每种可调整变量因素分别加上时间维度生成目标因素数据集。
在一具体实施例中,依此方法重复进行,每次从未引入回归模型的自变量中选取一个,直到经检验没有变量引入为止,最终确定逐步回归后的变量。将变量的重要性进行排序。将去除多重共线性的变量建立随机森林模型进行重要性排序,选择重要性前五的变量与时间这一维度这六个变量为最终变量。
需要说明的是,随机森林是以k个决策树{h(X,θk),k=1,2,...k}为基本分类器,进行集成学习后得到的一个组合分类器。当输入待分类样本时,随机森林输出的分类结果由每个决策树的分类结果简单投票决定。这里的 {θk,k=1,2,...k}是一个随机变量序列,它是由随机森林的两大随机化思想决定的:
(1)Bagging(Bootstrap aggregating,引导聚集算法)思想:从原样本集X中有放回地随机抽取k个与原样本集同样大小的训练样本集 {Tk,k=1,2,...k},每个训练样本集T构造一个对应的决策树。
(2)特征子空间思想:在对决策树每个节点进行分裂时,从全部属性中等概率随机抽取一个属性子集(通常取log2(M)+1个属性,M为特征总数),再从这个子集中选择一个最优属性来分裂节点。
训练随机森林的过程就是训练各个决策树的过程,由于各个决策树的训练是相互独立的,因此随机森林的训练可以通过并行处理来实现,这将大大提高生成模型的效率。随机森林中第k个决策树h(X,θk)的训练过程如图2所示。
将以同样的方式训练得到K个决策树组合起来,就可以得到一个随机森林。当输入待分类的样本时,随机森林输出的分类结果由每个决策树的输出结果进行简单投票(即取众数)决定。随机森林分类流程如图3所示。
随机森林算法可以在分类的基础上进行回归分析,通过将样本分类的结果进行一定的运算可以获得各个特征重要性特征的重要性表示特征对预测结果影响程度,某一特征重要性越大,表明该特征对预测结果的影响越大,重要性越小,表明该特征对预测结果越小。随机森林算法中某一特征的重要性,是该特征在内部所有决策树重要性的平均值,而在决策树中,计算某一个特征的重要性可以采用以下方法,某一节点k的重要性为:
nk=ωk*Gk-ωleft*Gleft-ωright*Gright
其中,ωk,ωleft,ωright分别为节点k以及其左右节点中训练样本与总训练样本数目的比例,Gk,Gleft,Gright分别为节点k以及其左右子节点的不纯度。知道每一个节点的重要性之后,即通过公式得出某一特征的重要性:
为了使所有特征的重要性加起来等于1,需要对每一个特征重要性进行归一化处理,如下式:
如所述步骤S130所述依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型。
在本发明一实施例中,可以结合下列描述进一步说明步骤S130所述“依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;”的具体过程。
如下列步骤所述,依据所述目标因素数据集中的每个目标因素的位置和速度生成粒子群;依据所述粒子群中每个目标因素的与所述实时船舱湿度的接近程度生成每个粒子的适应度值;依据所述粒子群和所述每个粒子的适应度值构建粒子群寻优算法模型。
在一具体实施例中,随机分配每个粒子的位置和速度来生成粒子群。在设定的参数范围内,设置模型的各个参数如粒子群规模和最大迭代次数等,记录每个粒子和粒子群的最优位置mi(i=1,2,...n)和ni(i=1,2,...n),每个粒子视为一个个体,具有位置特征和速度特征,如下所示:
计算粒子的适应度值。适应度是用来衡量每个粒子接近最优解的程度,由适应度函数算出适应度值,根据适应度值来判断该粒子的位置和速度是否需要更新,让粒子一步步逼近全局最优解。
寻找每个粒子和粒子群的最优位置。对每个粒子,将其适应度值与该粒子所经过的最优位置mi适应度值进行比较,若较好,则将其作为当前该粒子的最优位置mi。然后将其适应度值与整个粒子群所经历的最优位置ni的适应度值进行比较,若较好,则将其作为当前的ni。
更新粒子的位置和速度。在t+Δt时刻,根据如下公式更新粒子的位置和速度。
xi(t+Δt)=xi(t)+Δt*vi(t+Δt)
vi(t+Δt)=pvi(t)+b1r1(mi-xi)+b2r2(ni-xi)
上式中b1,b2为加速常数,r1,r2为区间[0,1]间生成的随机数,p为惯性因子,其更新方式p(t)=pmax-(pmax-pmin)*(σ/σmax),mi和ni表示第i个粒子和粒子群的历史最优位置,σ表示当前更新的次数,σmax表示最大的迭代次数。
需要说明的是,粒子群算法(PSO)是基于对鸟群觅食行为的研究和模拟而提出来的模拟群体智能的优化算法。鸟类在捕食的过程中,最简单有效地策略就是搜索当前距离食物最近的鸟周围,因此,在最优化问题中该算法发挥了重要的作用,粒子群算法中不考虑粒子的质量和体积,粒子通过速度和位置这两个信息的更新,不断向最优化目标趋近,这是粒子群算法的核心。整个过程中,粒子跟踪个体和群体的历史最优位置。如图4所示。
粒子在k时刻的位置为:
粒子i在k时刻的速度:
其中,ω表示惯性权重,越大代表加强算法的全局搜索能力,较小时加强局部搜索能力;表示k次迭代时粒子i当前位置的d维矢量;表示k 次迭代时粒子i飞行速度第d维矢量;ld,ud表示粒子搜索空间的下限与上限;Vmin,Vmax表示粒子速度的最小与最大值;表示粒子i个体最优位置;表示种群最优位置;c1、c2表示加速系数,用于调整粒子自身经验与社会经验;r1、r2表示随机数,范围为[0,1]。
通常粒子的更新包括三个部分:惯性保持,按当前的速度和方向惯性飞行;自我认知,粒子受到自身历史最好位置的影响,回到自身历史最好位置;社会认知,粒子受到群体最优位置的影响,向最优位置靠拢。因此,没有第一部分,粒子将只能向当前最优位置和全局最优粒子位置靠拢,成为局部算法,若没有第二部分,则容易陷入全局最优解,缺少第三部分时,粒子则各自向自身最优位置靠拢而陷入自身最优解。
需说明的是,LSTM(Long Short-Term Memory,长短期记忆人工神经网络),LSTM是基于循环神经网络模型(RNN)而设计的,是一种特殊的 RNN模型,规避了梯度消失和梯度爆炸的问题,学习的速度相对更快,性能更优。LSTM模型主要由三个逻辑门控制,分别是输入门、遗忘门以及输出门,具体如图5所示,网络层之间相互关联,某一层的输出会作为后面层的输入,前一层的输出也会作为后一层的输入,首位相连直到最后完成学习。
LSTM模型常用来预测时间序列数据,但是近在各种预测研究问题中得到很好的使用,是目前应用比较广泛的学习深度学习模型。对于较小量的数据集能够有很好的学习能力,预测误差较小,相比较其他神经网络,不仅训练速度较快,而且规避了梯度消失和爆炸问题。
如所述步骤S140所述依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
在本发明一实施例中,可以结合下列描述进一步说明步骤S140所述“依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。”的具体过程。
如下列步骤所述,将所述标准船舱湿度带入所述粒子群寻优算法模型生成所述变量因素的位置和速度;依据所述变量因素的位置和速度和所述标准船舱湿度生成所述变量因素标准值。
在一具体实施例中,迭代寻优并进行个体极值和群体极值更新。每次迭代后判断是否达到最大迭代次数或小于最小适应值的条件。若符合条件则终止算法,得到最优解;若不符合条件,则返回模型。最终得到每个变量因素的最优取值,即变量因素标准值。
在一具体实施例中,步骤1:任选一个舱室,将防爆温湿度传感器置于舱室内部。步骤2:将除湿机的风管与该舱室的风口相连,便于进行正常的特涂工序。步骤3:舱室进行正常的工序,依次记录十个工序下防爆温湿度传感器的数据。步骤4:分析并确定船舱内外部所有可能影响船舱湿度的变量。深入船厂进行考察,找出并记录船舱内外部所有对船舱湿度有影响的变量,最终确定变量为:舱内温度,舱外温度、特涂工序、施工人数、舱室面积、舱室容积、除湿机功率,除湿机档位。步骤5:记录并测量船舱内外部所有变量的数据。步骤6:统一数据维度。将船舱的湿度数据与变量数据的时间维度进行统一。步骤7:统计友联船厂的特涂专家对于不同工序下船舱湿度的要求,由专家给出一个合理的标准。步骤8:对所有可能影响舱室湿度的变量使用逐步回归算法(向前法)筛选出不存在多重共线性的变量集。步骤9:在上一步得出的变量集中,使用随机森林算法筛选出影响舱内湿度的重要特征变量并确定为最终变量。步骤10:将变量数据与船舱湿度建立粒子群优化算法模型对舱内湿度的影响变量进行最佳取值范围搜索。步骤11:找出在标准船舱湿度下,变量的最优取值范围,根据最优取值范围实现自动调整可控变量的值进而调整舱内湿度。步骤12:将船舱湿度控制部分的自变量剔除除湿机档位后加上船舱湿度数据视为新的自变量集,此时的因变量为除湿机的档位。步骤13:将新的自变量集与除湿机档位建立LSTM模型对不同工序下的除湿机的档位进行预测,并提交分析报告。步骤14:将分析报告提交给施工队,施工队根据分析报告定期巡查除湿机自动调整的档位,具体图6和图7所示。
在一具体实施例中,首先收集所有可能的变量,对这些变量运用逐步回归(向前法)挑选出不存在多重共线性的变量集,其次运用随机森林算法对变量集中的变量进行排序,选择重要性前五的变量加上时间这一维度为最终变量。
对这些变量的实时数据与船舱湿度数据建立粒子群寻优算法模型(训练模型),之后将船厂给出的标准船舱湿度代入这个模型,给出除时间这一变量之外其他变量的最优取值范围,根据最优取值范围调整变量的取值。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图8,示出了本申请一实施例提供的一种船舱湿度控制装置;
具体包括:
数据获取模块810:用于获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
目标因素数据集模块820:用于依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
粒子群寻优算法模型模块830:用于依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
变量因素标准值模块840:用于变量因素标准值依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
在本发明一实施例中,所述目标因素数据集模块820,包括:
影响船舱湿度的重要值子模块:用于依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值;
目标因素数据集子模块:用于依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成目标因素数据集。
在本发明一实施例中,所述影响船舱湿度的重要值子模块,包括:
回归模型子模块:用于依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型;
生成重要值子模块:用于依据所述回归模型确定所述可调整变量因素中的每种可调整变量因素相对应的影响船舱湿度的重要值。
在本发明一实施例中,所述回归模型子模块,包括
变量因素数据集生成子模块:用于依据所述可调整变量因素生成不存在多重共线性的变量因素数据集和存在多重共线性的变量因素数据集;
回归模型建立子模块:用于依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型。
在本发明一实施例中,所述回归模型建立子模块,包括:
一元模型子模块:用于依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立一元回归模型;
回归子模块:用于依据所述一元回归模型建立所述回归模型。
在本发明一实施例中,所述粒子群寻优算法模型模块830,包括:
粒子群子模块:用于依据所述目标因素数据集中的每个目标因素的位置和速度生成粒子群;
适应度值子模块:用于依据所述粒子群中每个目标因素的与所述实时船舱湿度的接近程度生成每个粒子的适应度值;
粒子群寻优算法模型子模块:用于依据所述粒子群和所述每个粒子的适应度值构建粒子群寻优算法模型。
在本发明一实施例中,所述变量因素标准值模块840,包括:
位置和速度子模块:用于将所述标准船舱湿度带入所述粒子群寻优算法模型生成所述变量因素的位置和速度;
标准值子模块:用于依据所述变量因素的位置和速度和所述标准船舱湿度生成所述变量因素标准值。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤,本具体实施例仅做简单描述,其余方案参考上述具体实施例描述即可。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图9,示出了本申请的船舱湿度控制方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,内存28,连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/ 或公共网络(例如因特网)通信。如图9所示,网络适配器20通过总线18 与计算机设备12的其他模块通信。应当明白,尽管图9中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的船舱湿度控制方法。
也即,上述处理单元16执行上述程序时实现:获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
在本申请实施例中,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的船舱湿度控制方法。
也即,给程序被处理器执行时实现:获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种船舱湿度控制方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种船舱湿度控制方法,所述方法用于通过标准船舱湿度确定影响船舱湿度的变量因素标准值,其特征在于,包括:
获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
2.根据权利要求1所述的船舱湿度控制方法,其特征在于,所述依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集的步骤,包括:
依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值;
依据所述每种可调整变量因素相对应的影响船舱湿度的重要值生成目标因素数据集。
3.根据权利要求1所述的船舱湿度控制方法,其特征在于,所述依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型的步骤,包括:
依据所述目标因素数据集中的每个目标因素的位置和速度生成粒子群;
依据所述粒子群中每个目标因素的与所述实时船舱湿度的接近程度生成每个粒子的适应度值;
依据所述粒子群和所述每个粒子的适应度值构建粒子群寻优算法模型。
4.根据权利要求2所述的船舱湿度控制方法,其特征在于,所述依据所述可调整变量因素中的每种可调整变量因素分别生成相对应的影响船舱湿度的重要值的步骤,包括:
依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型;
依据所述回归模型确定所述可调整变量因素中的每种可调整变量因素相对应的影响船舱湿度的重要值。
5.根据权利要求4所述的船舱湿度控制方法,其特征在于,所述依据所述可调整变量因素中的每种可调整变量因素与船舱湿度的回归模型的步骤,包括:
依据所述可调整变量因素生成不存在多重共线性的变量因素数据集和存在多重共线性的变量因素数据集;
依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型。
6.根据权利要求5所述的船舱湿度控制方法,其特征在于,所述依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立回归模型的步骤,包括:
依据所述存在多重共线性的变量因素数据集终端的每种可调整因素与所述船舱湿度建立一元回归模型;
依据所述一元回归模型建立所述回归模型。
7.根据权利要求1所述的船舱湿度控制方法,其特征在于,所述依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值的步骤,包括:
将所述标准船舱湿度带入所述粒子群寻优算法模型生成所述变量因素的位置和速度;
依据所述变量因素的位置和速度和所述标准船舱湿度生成所述变量因素标准值。
8.一种船舱湿度控制装置,所述装置用于通过标准船舱湿度确定影响船舱湿度的变量因素标准值,其特征在于,包括:
数据获取模块,用于获取影响船舱湿度的可调整变量因素、实时船舱湿度和标准船舱湿度;其中,所述可调整变量因素包括至少五种可调整因素;
目标因素数据集模块,用于依据所述可调整变量因素与船舱湿度的关联度确定目标因素数据集;
粒子群寻优算法模型模块,用于依据所述目标因素数据集和所述实时船舱湿度构建粒子群寻优算法模型;
变量因素标准值模块,用于变量因素标准值依据所述粒子群寻优算法模型和所述标准船舱湿度生成变量因素标准值。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的船舱湿度控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的船舱湿度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608603.4A CN114879769B (zh) | 2022-05-31 | 2022-05-31 | 一种船舱湿度控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608603.4A CN114879769B (zh) | 2022-05-31 | 2022-05-31 | 一种船舱湿度控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114879769A true CN114879769A (zh) | 2022-08-09 |
CN114879769B CN114879769B (zh) | 2023-03-14 |
Family
ID=82680328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210608603.4A Active CN114879769B (zh) | 2022-05-31 | 2022-05-31 | 一种船舱湿度控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879769B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012057195A (ja) * | 2010-09-06 | 2012-03-22 | Nippon Steel Corp | 溶鋼温度管理方法、装置及びプログラム |
US20140222228A1 (en) * | 2011-09-20 | 2014-08-07 | Hitachi, Ltd. | Forecast System and Method of Electric Power Demand |
US20150149136A1 (en) * | 2012-06-01 | 2015-05-28 | Abb Technology, Ag | Method and system for evaluation of ship performance |
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN107037728A (zh) * | 2017-03-22 | 2017-08-11 | 安徽农业大学 | 基于多目标灰色粒子群算法的温室环境优化控制方法 |
CN113086087A (zh) * | 2021-03-15 | 2021-07-09 | 王苗苗 | 一种船舶储物箱及工作方法 |
CN113269365A (zh) * | 2021-06-02 | 2021-08-17 | 西安建筑科技大学 | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
CN113468794A (zh) * | 2020-12-29 | 2021-10-01 | 重庆大学 | 一种小型密闭空间温湿度预测及反向优化方法 |
CN114036813A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种粒子群bp神经网络pid控制的温室温湿度方法 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
-
2022
- 2022-05-31 CN CN202210608603.4A patent/CN114879769B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012057195A (ja) * | 2010-09-06 | 2012-03-22 | Nippon Steel Corp | 溶鋼温度管理方法、装置及びプログラム |
US20140222228A1 (en) * | 2011-09-20 | 2014-08-07 | Hitachi, Ltd. | Forecast System and Method of Electric Power Demand |
US20150149136A1 (en) * | 2012-06-01 | 2015-05-28 | Abb Technology, Ag | Method and system for evaluation of ship performance |
CN105353611A (zh) * | 2015-10-27 | 2016-02-24 | 广州中国科学院沈阳自动化研究所分所 | 面向冷藏集装箱船的制冷功率平衡控制方法及其控制系统 |
CN107037728A (zh) * | 2017-03-22 | 2017-08-11 | 安徽农业大学 | 基于多目标灰色粒子群算法的温室环境优化控制方法 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
CN113468794A (zh) * | 2020-12-29 | 2021-10-01 | 重庆大学 | 一种小型密闭空间温湿度预测及反向优化方法 |
CN113086087A (zh) * | 2021-03-15 | 2021-07-09 | 王苗苗 | 一种船舶储物箱及工作方法 |
CN113269365A (zh) * | 2021-06-02 | 2021-08-17 | 西安建筑科技大学 | 一种基于麻雀优化算法的短期空调负荷预测方法及系统 |
CN114036813A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种粒子群bp神经网络pid控制的温室温湿度方法 |
CN114180023A (zh) * | 2021-12-08 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于负荷预测算法的多能源船舶控制管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114879769B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
CN112633317A (zh) | 基于注意力机制的cnn-lstm风机故障预测方法及系统 | |
Deng et al. | Research on edge intelligent recognition method oriented to transmission line insulator fault detection | |
CN113887801A (zh) | 建筑冷负荷预测方法、系统、设备及可读存储介质 | |
CN109740481B (zh) | 基于跳跃连接的cnn与lstm结合的房颤信号分类系统 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN110705794A (zh) | 一种基于支持向量机算法预测窗户状态的方法 | |
CN114936708A (zh) | 基于边云协同任务卸载的故障诊断优化方法及电子设备 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN113935557A (zh) | 一种基于深度学习的相同模式能耗大数据预测方法 | |
CN114879769B (zh) | 一种船舱湿度控制方法及装置 | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN116384814A (zh) | 基于机器学习对多因素影响下机场跑道容量的评估方法 | |
CN113496324A (zh) | 喷涂质量预测方法、装置、电子设备以及存储介质 | |
CN112836432A (zh) | 基于迁移学习的室内颗粒悬浮物浓度预测方法 | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 | |
Hu et al. | The early warning model of dust concentration in smart construction sites based on long short term memory network | |
CN116151128B (zh) | 一种装备体系贡献率评估方法 | |
CN118035517A (zh) | 一种基于云端源数据的数据分类方法及系统 | |
CN116385963A (zh) | 配电设备异常检测方法、装置、电子设备及存储介质 | |
Liu | Big Data Analytics for PV Systems Real-Time Monitoring |
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 |