CN115328059B - 一种间歇生产与连续生产的智能转换方法及系统 - Google Patents
一种间歇生产与连续生产的智能转换方法及系统 Download PDFInfo
- Publication number
- CN115328059B CN115328059B CN202211054288.1A CN202211054288A CN115328059B CN 115328059 B CN115328059 B CN 115328059B CN 202211054288 A CN202211054288 A CN 202211054288A CN 115328059 B CN115328059 B CN 115328059B
- Authority
- CN
- China
- Prior art keywords
- production
- load
- reaction
- line
- target
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 330
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 218
- 238000010924 continuous production Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000007788 liquid Substances 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 8
- 238000007599 discharging Methods 0.000 claims description 51
- 239000003999 initiator Substances 0.000 claims description 38
- 238000006116 polymerization reaction Methods 0.000 claims description 33
- 230000035484 reaction time Effects 0.000 claims description 24
- 238000010923 batch production Methods 0.000 claims description 17
- 230000000977 initiatory effect Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 239000002270 dispersing agent Substances 0.000 claims description 7
- 238000003756 stirring Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 239000003513 alkali Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012824 chemical production Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000012432 intermediate storage Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
本申请公开了一种间歇生产与连续生产的智能转换方法及系统。首先获取多条产线间歇生产协调时的管线压力流量数据,根据管线压力流量数据确定其他产线协调目标产线的干预进料量;通过储料槽液位评估目标产线的间歇生产存量常数;进而得到连续生产初始负荷;然后确定目标产线的间歇装置生产过程时长;进而确定反应釜在线总数;最后由目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到连续生产最佳负荷。本发明克服间歇生产的生产负荷不确定性在转换到连续生产对后续装置导致的往复波动问题,实现间歇生产转换到连续生产的智能控制,大大提升生产工艺系统的稳定性,达到减少蒸汽消耗,提升产品品质,稳定装置长周期运行的目标。
Description
技术领域
本发明涉及工业生产控制领域,特别涉及一种间歇生产与连续生产的智能转换方法及系统。
背景技术
间歇生产是精细化工、生物制药和食品饮料生产行业中主要的生产方式。在间歇控制标准SP88中,间歇过程的定义为将有限量的物质按规定的加工顺序在一个或多个加工设备中加工以获得有限量的产品的加工过程。如果需要更多的产品则必须重复整个过程。
间歇过程由多个分批操作的间歇设备单元(如反应器、加热釜)和半连续操作设备单元(如泵、换热器、过滤机等)组成。间歇生产过程又指生产过程依据事先制订的明确任务确定生产设备组成和操作条件分配设备单元的生产任务安排、协调、实施生产的过程。
连续生产是产品制造的各道工序,前后必须紧密相连的生产方式,上道工序生产出一单位的中间品需立即向下转移的生产方式。即从原材料投入生产到成品制成时止,按照工艺要求,各个工序必须顺次连续进行。如:冶金、纺织、化工等的生产。有些连续生产在时间上不宜中断,如发电、炼铁、炼钢、玻璃制品生产等,假节日一般也不停止生产。连续生产可以大幅提高生产效率,降低生产成本,但一旦其中一道工序出现故障,将导致整个流程的停产。
间歇生产与连续生产无法智能转换生产节奏的主要根源其实是间歇生产装置的负荷无法做到良好评估。目前间歇生产负荷基本判断还是以人工经验为主。当间歇生产装置具备一套完整的负荷评估机制,将其转化为类似连续生产的负荷,再结合浆料槽的缓冲负荷,那么可以让后端连续生产的负荷相对更稳定,使得挖掘产能最大化,能耗最优化提供高效评价指标。
发明内容
基于此,本申请实施例提供了一种间歇生产与连续生产的智能转换方法及系统,能够并将其转化为连续生产负荷,实现间歇生产向连续生产平稳过渡的智能控制系统,克服间歇生产的生产负荷不确定性在转换到连续生产对后续装置导致的往复波动问题,实现间歇生产转换到连续生产装置的智能化控制,大大提升生产工艺系统的稳定性,达到减少蒸汽消耗,提升产品品质,稳定装置长周期运行的目标。
第一方面,提供了一种间歇生产与连续生产的智能转换方法,该方法包括:
获取多条产线间歇生产协调时的管线压力流量数据,根据所述管线压力流量数据确定其他产线协调目标产线的干预进料量;其中,所述多条产线中包括一条目标产线和至少一条其他产线;
通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数;
基于目标产线的所述干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷;
确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长;
根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数;
根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
可选地,方法还包括:
设定产线中生产负荷波动限制阈值;
基于所述生产负荷波动限制阈值对各条产线最佳负荷进行估算;
并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
可选地,确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,包括:
设定反应釜引发速率半衰期曲线,确定引发剂浓度、反应时间与引发剂效率的对应关系;
根据引发剂效率及加入量、分散剂加入量、循环水温度、反应釜换热效率得到当前反应釜的出料时间;
遍历所述反应釜,得到各台反应釜出料时间。
可选地,根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数,包括:
判断各台反应釜的入料状态及温度压力,当引发剂作为加入反应釜物料后,引发剂仓重小于0且当前反应釜温度达到54℃-58℃,聚合釜压力达到9Mpa,反应釜搅拌电流及转速正常,则确定该反应釜为运行状态。
可选地,根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷,包括:
根据公式FT=Q/T确定目标产线当前各个反应釜涵盖生产时域运行负荷,在对各个时域运行负荷进行线性回归得到连续生产最佳负荷,其中,FT表示连续生产最佳负荷,Q表示生产负荷总量,T表示生产过程时长。
第二方面,提供了一种间歇生产与连续生产的智能转换系统,该系统包括:
获取模块,用于获取多条产线间歇生产协调时的管线压力流量数据,根据所述管线压力流量数据确定其他产线协调目标产线的干预进料量;其中,所述多条产线中包括一条目标产线和至少一条其他产线;
评估模块,用于通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数;
初始处理模块,用于基于目标产线的所述干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷;
反应釜智能出料预估模块,用于确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长;
反应釜在线总数智能判定模块,用于根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数;
反应釜装置负荷智能评估模块,用于根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
可选地,系统还包括:
间歇生产多线负荷协调模块,用于设定产线中生产负荷波动限制阈值;基于所述生产负荷波动限制阈值对各条产线最佳负荷进行估算;并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
可选地,反应釜智能出料预估模块具体包括:
设定反应釜引发速率半衰期曲线,确定引发剂浓度、反应时间与引发剂效率的对应关系;
根据引发剂效率及加入量、分散剂加入量、循环水温度、反应釜换热效率得到当前反应釜的出料时间;
遍历所述反应釜,得到各台反应釜出料时间。
可选地,反应釜在线总数智能判定模块具体包括:
判断各台反应釜的入料状态及温度压力,当引发剂作为加入反应釜物料后,引发剂仓重小于0且当前反应釜温度达到54℃-58℃,聚合釜压力达到9Mpa,反应釜搅拌电流及转速正常,则确定该反应釜为运行状态。
可选地,反应釜装置负荷智能评估模块具体包括:
根据公式FT=Q/T确定目标产线当前各个反应釜涵盖生产时域运行负荷,在对各个时域运行负荷进行线性回归得到连续生产最佳负荷,其中,FT表示连续生产最佳负荷,Q表示生产负荷总量,T表示生产过程时长。
本申请实施例提供的技术方案带来的有益效果至少包括:
(1)通过反应釜智能出料预估可以有效的将间歇生产装置的出料确定性提升,从而为后续间歇生产负荷提供有效的控制依据,避免人为经验出现的缺失和经验差异化,提升整体间歇生产过程可靠性。
(2)通过反应釜在线总数智能判定可以智能判断间歇生产装置数量,从而为当出现部分缺失或者加入后,对整体系统的负荷变化冲击减少至最小,避免人为疏忽和计算不精确的情况,提升间歇生产过程转换至连续生产过程的可靠性和智能化程度。
(3)通过反应釜装置负荷智能评估真正意义上的对当前间歇生产转换至连续生产负荷进行了模型预估,同时提供了有效可视化手段,对于生产监测及整体生产平稳性、经济性提供了重要依据,实现真正的智能生产。
(4)通过间歇生产多线负荷智能协调其实是对于间歇生产过程柔性差异过大的补偿,通过间歇生产负荷智能评估,可提前预知生产线存在的风险,并通过各生产线之间工况差异,有效的进行协调,从而使得整体工程生产平稳,智能化水平提升,实现流程工业黑灯工厂具有重要意义。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种间歇生产与连续生产的智能转换流程图;
图2为本申请实施例提供的一种间歇生产转连续生产智能转换系统示意图;
图3为本申请实施例提供的一种反应釜智能出料预估模型结构示意图;
图4为本申请实施例提供的一种反应釜在线总数智能判定模型结构示意图;
图5为本申请实施例提供的一种间歇生产多线负荷协调智能模型结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
在实际生产中,间歇生产与连续生产两者均存在各自优势,但是在部分化工生产过程中,还是存在间歇生产与连续生产相结合的形式。因为在化工生产中部分反应是链式聚合等高温高压反应过程。该部分反应过程存在反应过程非线性,反应条件为高温高压等高危环境,这种非线性特性导致了控制该类型反应过程十分困难,容易造成较大生产风险。因此在工艺设计上需要采用间歇反应,批量、降低单位反应物料量的形式来降低生产整体过程危险性,从而达到安全生产的目标。
在本发明中以基础工业中氯碱行业VCM聚合举例,其中,反应过程压力需要达9Mpa,反应采用VCM单体进行链式聚合的形式。VCM单体自身就具有极易燃易爆性质,其聚合过程反应剧烈且快速,因此需要通过加入分散剂来将VCM单体分离成小液珠,同时需要将加入至少两种不同半衰周期引发剂引导聚合反应发生,控制整个反应过程强度。作为基础工业的氯碱行业由于用量大,因此需要采用连续生产来提高生产效率。在工艺上当聚合反应结束后,转为采用汽提塔装置连续处理聚氯乙烯物料中未反应的VCM单体,再通过离心机及流化干燥床来使得生产效率最大化。
当间歇生产与连续生产工艺相结合时,由于间歇生产的相对不确定性,会造成间歇生产出料不均匀现象,导致系统负荷来回往复波动。仍以VCM聚合为例,年产20万吨生产线一般为6台110m3聚合釜,单釜反应时长为6小时,汽提装置处理量为100m3/h,因此按照理想生产条件,6台釜每间隔一小时出料,那么后端作为连续生产的汽提工段保持100m3/h的处理能力即可达到平稳生产。但由于设备检修维护、清除釜壁、釜内入料时由于VCM单体不足延迟入料等情况,造成了每一釜出料时间间隔无法达到准确的1小时。虽然在工艺设计上已采用储料槽来减缓类似不连续性,但当出料时间偏差30min以上,仍会导致汽提系统负荷被迫来回波动。
间歇生产与连续生产无法智能转换生产节奏的主要根源其实是间歇生产装置的负荷无法做到良好评估。目前间歇生产负荷基本判断还是以人工经验为主。当间歇生产装置具备一套完整的负荷评估机制,将其转化为类似连续生产的负荷,再结合浆料槽的缓冲负荷,那么可以让后端连续生产的负荷相对更稳定,使得挖掘产能最大化,能耗最优化提供高效评价指标。
综上,本发明所要解决的问题是:发明一种间歇生产负荷预估系统,并将其转化为连续生产负荷,实现间歇生产向连续生产平稳过渡的智能控制系统,克服间歇生产的生产负荷不确定性在转换到连续生产对后续装置导致的往复波动问题,实现间歇生产转换到连续生产装置的智能化控制,大大提升生产工艺系统的稳定性,达到减少蒸汽消耗,提升产品品质,稳定装置长周期运行的目标。具体地,请参考图1,其示出了本申请实施例提供的一种间歇生产与连续生产的智能转换方法的流程图,该方法可以包括以下步骤:
S1,获取多条产线间歇生产协调时的管线压力流量数据,根据管线压力流量数据确定其他产线协调目标产线的干预进料量。
其中,多条产线中包括一条目标产线和至少一条其他产线。
在本申请实施例中,为间歇生产多线负荷协调信息不明确问题或者确实出现间歇生产可能导致后端连续生产停车等情况,开发出间歇生产多线负荷协调智能模型。根据工艺设计管线布置,在合适位置安装管线压力及流量计量与采用定制信号输入模型反馈出各生产线间负荷协调程度,从而实现多线间负荷协调量信息采集,为多线负荷协调智能化提供有力支持。同时可根据各个生产线当前反应釜运行情况结合反应釜智能出料预估模型、反应釜装置负荷智能评估模型,智能提供各生产线间协调指令。
S2,通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数C。
S3,基于目标产线的干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷。
S4,确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长。
在本申请实施例中,为了解决每一釜内物料反应周期不一致特性,本发明采用引入环境温度及反应釜引发剂衰减曲线、引发剂加入量数据开发出反应釜智能出料预估模型解决系统动态特性问题。
具体地,首先查找相关资料并核实聚合釜引发速率半衰期曲线,该过程为一个与时间T、引发剂浓度C(引发)
η引发1=f(C引发,T)+ΔC
η引发2=f(C引发,T)+ΔC
其次再核实当前工艺过程特征,提取聚合釜入料完成并开始反应条件为:引发剂作为最后加入反应釜物料,加入程序执行完成且引发剂仓重小于0且当前反应釜温度达到56±2℃,聚合釜搅拌电流及转速正常,确认反应开始,进行计时,获得该反应釜时间基准点T0。
由于VCM聚合为链式聚合反应过程,通过数据采集案例库及工艺原理分析,对影响聚合过程主要因素分析,确认有引发剂效率η引发及加入量W引发、分散剂加入量W分散、循环水温度TE循环水、聚合釜换热效率η聚合四大主要因素。通过该过程进行案例库分析可得到预估出料时间T预估出料如下:
T预估出料=f(η引发1,η引发2,W引发1,W引发2,W分散,TE循环水,η聚合)+ΔC
通过对以上所有生产线釜进行模型计算可得到每一釜出料时间阵列如下(A\B\C角标为该时段聚合釜标号):
{T出料时间A,T出料时间B,T出料时间C,…,T出料时间N}
S5,根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数。
在本申请实施例中,为解决反应釜检修信号无法准确判断问题,发明反应釜在线总数智能判定模型,通过反应临界判断方案+智能预判负荷模块与入料启动智能判别方案来解决。
具体地,该模型需要准确判断一台釜是否处于运行状态,然后再依次对所有釜完成判断即可。首先需要判断入料状态及聚合釜温度压力,当引发剂作为最后加入反应釜物料,加入程序执行完成且引发剂仓重小于0且当前反应釜温度达到56±2℃,聚合釜压力达到9Mpa,聚合釜搅拌电流及转速正常,确认反应开始,那么该反应釜就处于运行状态,标记为1.可得到当前运行反应釜阵列A如下:
A={1,0,0,1,1,…,1}
当聚合釜出料后,确认出料管线压力达到0.5Mpa且持续时间超过5min,那么确认该反应釜上一阶段生产已结束,标记时间为T结束A。此时需要监视后续时间该反应釜是否正常恢复生产。
通过和工艺流程确认,当出料后,出料阶段所需时间+清洗釜所需时间汇总得到VCM聚合釜循环必要时间为T循环,当从T结束A时间点计时时间为Ta,满足Ta≥T循环时,那么证明该聚合釜已经进入等待入料阶段,无论是由于正常检修还是设备异常维护中,此时可得到如下计数阵列B:
B={0,1,0,0,0,…,0}
当Ta超出T循环循环时间过长,此时需要根据Ta及此前间歇生产在线反应釜数量A在线-1,可根据经验值得出一个最大在线等待时间函数T待,其表达式如下:
T待=f(T循环,A在线-1)+ΔC
当Ta≥T待时,那么默认该聚合釜已经退出当前生产线,得到如下计数阵列:
C={0,0,1,0,0,…,0}
通过以上A\B\C三个阵列,我们可以直观看到当前反应釜运行数量及状态标签。
S6,根据目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
通过反应釜智能出料预估模型得到每台釜出料时间阵列(A\B\C角标为该时段聚合釜标号):
{T出料时间A,T出料时间B,T出料时间C,…,T出料时间N}
然后我们可通过出料时间得出前一聚合釜和后一聚合釜时间间隔阵列如下:
{T时间间隔A,T时间间隔B,T时间间隔C,…,T时间间隔N}
此时通过多线协调负荷模块得到的每个时间间隔负荷总量阵列如下:
{Q时间间隔A,Q时间间隔B,Q时间间隔C,…,Q时间间隔N}
根据连续生产负荷FT评价公式:FT=Q/T。其中Q为生产负荷总量,T为生产过程时长。那么可得到当前各时间间隔各自连续生产负荷阵列如下:
{FTA,FTB,FTC,…,FTN}
此时对该阵列进行线性回归算法,即可得到最佳连续生产负荷FT1,将此结果直接输出到下游的汽提装置总进料设定值上即可,此时间歇生产与连续生产转换衔接完成。
本申请方法还包括:
S7,设定产线中生产负荷波动限制阈值;基于生产负荷波动限制阈值对各条产线最佳负荷进行估算;并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
具体地,通过反应釜装置负荷智能评估模型,我们可得到1#生产线各时间间隔各自连续生产负荷阵列如下(1\2\3角标为产线标号):
{FTA1,FTB1,FTC1,…,FTN1}
同样我们也可以得到2#、3#、4#等其余生产线生产负荷阵列如下:
{FTA2,FTB2,FTC2,…,FTN2}
{FTA3,FTB3,FTC3,…,FTN3}
{FTA4,FTB4,FTC4,…,FTN4}
各生产线负荷线性回归后的最佳连续生产负荷FT阵列如下:
{FT1,FT2,FT3,…,FTn}
因为各生产线负荷各不相同,有可能在1#线中,FTC1负荷远远低于最终1#线的最佳连续生产负荷FT1。若选择1#最大可接受生产负荷波动限制β,那么当
FTC1<ΙFT1-βΙ
由于还可能下一反应釜出料延迟,可能造成更大生产负荷波动。此时需要对1#线FTC1时间段的负荷进行协调。若1#线C#聚合釜出料后生产负荷理论值FTC1远远小于1#线最佳连续生产负荷FT1,那么此时需要对C#釜出料时间之前各生产线最佳负荷进行估算:
{FTA1,FTB1,FTC1}
{FTA2,FTB2,FTC2}
{FTA3,FTB3,FTC3}
{FTA4,FTB4,FTC4}
通过反应釜装置负荷智能评估模型,我们可以得到在1#线C#聚合釜出料后各生产线最佳负荷阵列如下(1\2\3角标为产线标号,C表示c#釜出料时间点):
{XC1,XC2,XC3,XC4}
取该阵列中最大数值产线作为最佳协调产线加入为3#线,那么并取3#产线B#釜出料聚合釜为最佳协调釜(即选取规则为需协调负荷反应釜的前一个出料反应釜),当B#釜出料,将该反应釜出料的一部分分配到1#线中间槽即可。而本次负荷协调总量为:
Q协调=|FT1-β|*T时间间隔C-FTC1*T时间间隔C+C
在本申请一个可选的实施例中,如图2,本方法具体包括首先通过多线协调中的相关管线压力流量等仪表+定制信号输入模块,确定其他产线协调当前控制产线干预进料量。其次通过间歇生产与连续生产衔接间的储料槽液位,评估当前间歇生产存量常数C。再次接入反应釜装置负荷智能评估模型,通过当前生产线内同类型所有反应釜反应时间、反应釜智能出料预估模型及反应釜在线总数智能判定模型,可实时得到转化为连续生产最佳负荷。最终还可以通过间歇生产多线负荷协调智能模型,给出多线协调中各生产线协调指令,实现整个生产过程的闭环控制。
其中,本技术方案共包含以下几个方面:
PART 1:反应釜智能出料预估模型,该模型是实现间歇生产转换到连续生产核心模块之一,该智能出料模型是基于工艺机理+仪表监视的智能预估模块。以VCM聚合釜为例,首先需有明确的工艺阶段识别模型,例如反应初始判定条件为釜内温度达到56±2℃,且引发剂已加入,冲洗水开且引发剂槽仓重小于仓重阈值,此时可智能判定反应釜入料已完成,反应温度达到,可进入反应阶段,反应计时开始。其次间歇生产过程中,需要将该间歇装置工艺机理中核心影响反应时间因素梳理,并进行大数据案例库收集并标记分类,结合工艺机理校正,获得精确预估出料时间模型,为转化为连续生产过程提供基础条件。但在该过程还需要结合反应釜智能出料判定模型,考虑对明确的出料信号进行智能分析+人为预估推迟时间,确认实际出料时间,避免预估时间偏差大或者现场出料管线问题造成的长时间无法出料现象。具体控制方案原理图见附图3。
PART 2:反应釜在线总数智能判定模型,该模型主要是为了解决由于反应釜长期不在线导致的间歇生产转换到连续生产造成的模型失配问题。首先还是在工艺角度上获得该类型釜从上一釜结束至下一釜的基本时间差,在此称为间歇基本时间差。当反应釜出料智能判定模型判定该反应釜出料后,那么在间歇基本时间差内,默认该反应釜为在线状态。当反应釜出料后超过间歇基本时间差值后,需将该反应釜列入等待区,在超出反应釜正常轮换出料时间间隔一定占比后,即可判定该反应釜退出在线状态,待正常入料后,重新计入在线总数中。具体控制方案原理图见附图4。
PART 3:反应釜装置负荷智能评估模型:该模型算法主要实现路线为通过将当前中间储槽及下一反应釜出料前多线协调负荷量作为当前量装置间歇初期负荷总量Q1,将此刻至下一反应釜出料预估时间作为时间长度T1,那么两者相除即可得到目前间歇系统初期负荷F1。以此类推,将下一反应釜出料时间与下下一釜出料市场作为下一釜物料时间长度T2,单釜容量为Q2,得到下一阶段理论处理负荷强度F2。依次递推,即可求成当前工况下所有时段不同负荷强度。因为每台釜各自出料时间间隔差异变化较大,当根据当前各阶段负荷添加时间权重影响因子后,进行线性回归,得到当前转化至连续生产的协调负荷,实现生产过程平稳过渡,提升整体生产线装置平稳性。
PART 4:间歇生产多线负荷协调智能模型:该模型主要实施是建立在反应釜装置负荷智能评估模型上,因为只有得到当前装置负荷模型预测,那么才可能从多条生产线中挖掘出协调需求,从而实现装置完全的智能化、无人化运行。当单条生产线预测在后续生产中出现了负荷大幅度下降的时间段,此时证明该生产线已经不具备调节能力,需要其他产线协助。此时通过多条互通产线进行负荷分析,在该阶段负荷出现前的多条产线开始进行产线整体负荷评估,然后对各条产线进行线性回归,从而得出目前多线最佳负荷,然后再确认协调釜的负荷分配方案,进行智能化实施。具体控制方案原理图见附图5。
综上可以看出,为了解决每一釜内物料反应周期不一致特性,本发明采用引入环境温度及反应釜引发剂衰减曲线、引发剂加入量数据开发出反应釜智能出料预估模型解决系统动态特性问题。
为解决反应釜检修信号无法准确判断问题,发明反应釜在线总数智能判定模型,通过反应临界判断方案+智能预判负荷模块+入料启动智能判别方案来解决。
为了解决反应釜生产节奏变化特性,发明了反应釜装置负荷智能评估模型,将整条间歇生产线负荷转化为实时连续生产负荷,从宏观上实现间歇生产与连续生产的大系统负荷协调。
为间歇生产多线负荷协调信息不明确问题或者确实出现间歇生产可能导致后端连续生产停车等情况,开发出间歇生产多线负荷协调智能模型。根据工艺设计管线布置,在合适位置安装管线压力及流量计量+采用定制信号输入模型反馈出各生产线间负荷协调程度,从而实现多线间负荷协调量信息采集,为多线负荷协调智能化提供有力支持。同时可根据各个生产线当前反应釜运行情况结合反应釜智能出料预估模型、反应釜装置负荷智能评估模型,智能提供各生产线间协调指令。
本申请实施例还提供的一种间歇生产与连续生产的智能转换系统。
系统包括:
获取模块,用于获取多条产线间歇生产协调时的管线压力流量数据,根据管线压力流量数据确定其他产线协调目标产线的干预进料量;其中,多条产线中包括一条目标产线和至少一条其他产线;
评估模块,用于通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数;
初始处理模块,用于基于目标产线的干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷;
反应釜智能出料预估模块,用于确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长;
反应釜在线总数智能判定模块,用于根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数;
反应釜装置负荷智能评估模块,用于根据目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
在本申请一个可选的实施例中,系统还包括:间歇生产多线负荷协调模块,用于设定产线中生产负荷波动限制阈值;基于生产负荷波动限制阈值对各条产线最佳负荷进行估算;并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
在本申请一个可选的实施例中,反应釜智能出料预估模块具体包括:设定反应釜引发速率半衰期曲线,确定引发剂浓度、反应时间与引发剂效率的对应关系;根据引发剂效率及加入量、分散剂加入量、循环水温度、反应釜换热效率得到当前反应釜的出料时间;遍历反应釜,得到各台反应釜出料时间。
在本申请一个可选的实施例中,反应釜在线总数智能判定模块具体包括:判断各台反应釜的入料状态及温度压力,当引发剂作为加入反应釜物料后,引发剂仓重小于0且当前反应釜温度达到54℃-58℃,聚合釜压力达到9Mpa,反应釜搅拌电流及转速正常,则确定该反应釜为运行状态。
在本申请一个可选的实施例中,反应釜装置负荷智能评估模块具体包括:根据公式FT=Q/T确定目标产线连续生产最佳负荷,其中,FT表示连续生产最佳负荷,Q表示生产负荷总量,T表示生产过程时长。
本申请实施例提供的间歇生产与连续生产的智能转换系统用于实现上述间歇生产与连续生产的智能转换方法,关于间歇生产与连续生产的智能转换系统的具体限定可以参见上文中对于间歇生产与连续生产的智能转换方法的限定,在此不再赘述。上述间歇生产与连续生产的智能转换系统中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中,也可以以软件形式存储于设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种间歇生产与连续生产的智能转换方法,其特征在于,所述方法包括:
获取多条产线间歇生产协调时的管线压力流量数据,根据所述管线压力流量数据确定其他产线协调目标产线的干预进料量;其中,所述多条产线中包括一条目标产线和至少一条其他产线;
通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数;
基于目标产线的所述干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷;
确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长;
根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数;
根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
设定产线中生产负荷波动限制阈值;
基于所述生产负荷波动限制阈值对各条产线最佳负荷进行估算;
并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
3.根据权利要求1所述的方法,其特征在于,所述确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,包括:
设定反应釜引发速率半衰期曲线,确定引发剂浓度、反应时间与引发剂效率的对应关系;
根据引发剂效率及加入量、分散剂加入量、循环水温度、反应釜换热效率得到当前反应釜的出料时间;
遍历所述反应釜,得到各台反应釜出料时间。
4.根据权利要求1所述的方法,其特征在于,所述根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数,包括:
判断各台反应釜的入料状态及温度压力,当引发剂作为加入反应釜物料后,引发剂仓重小于0且前反应釜温度达到54℃-58℃,聚合釜压力达到9Mpa,反应釜搅拌电流及转速正常,则确定该反应釜为运行状态。
5.根据权利要求1所述的方法,其特征在于,根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷,包括:
根据公式FT=Q/T确定目标产线当前各个反应釜涵盖生产时域运行负荷,在对各个时域运行负荷进行线性回归得到连续生产最佳负荷,其中,FT表示连续生产最佳负荷,Q表示生产负荷总量,T表示生产过程时长。
6.一种间歇生产与连续生产的智能转换系统,其特征在于,所述系统包括:
获取模块,用于获取多条产线间歇生产协调时的管线压力流量数据,根据所述管线压力流量数据确定其他产线协调目标产线的干预进料量;其中,所述多条产线中包括一条目标产线和至少一条其他产线;
评估模块,用于通过间歇生产与连续生产衔接间的储料槽液位,评估目标产线的间歇生产存量常数;
初始处理模块,用于基于目标产线的所述干预进料量和间歇生产存量常数得到目标产线连续生产初始负荷;
反应釜智能出料预估模块,用于确定目标产线中所有反应釜的反应时间,并根据各台反应釜的反应时间确定各台反应釜出料时间,并基于各台反应釜出料时间得到目标产线的生产过程时长;
反应釜在线总数智能判定模块,用于根据判断各台反应釜的运行状态确定目标产线中反应釜在线总数;
反应釜装置负荷智能评估模块,用于根据所述目标产线连续生产初始负荷、生产过程时长以及反应釜在线总数得到目标产线连续生产最佳负荷。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
间歇生产多线负荷协调模块,用于设定产线中生产负荷波动限制阈值;基于所述生产负荷波动限制阈值对各条产线最佳负荷进行估算;并根据估算结果给出多线协调中各生产线协调指令,实现整个生产的闭环控制。
8.根据权利要求6所述的系统,其特征在于,所述反应釜智能出料预估模块具体包括:
设定反应釜引发速率半衰期曲线,确定引发剂浓度、反应时间与引发剂效率的对应关系;
根据引发剂效率及加入量、分散剂加入量、循环水温度、反应釜换热效率得到当前反应釜的出料时间;
遍历所述反应釜,得到各台反应釜出料时间。
9.根据权利要求6所述的系统,其特征在于,所述反应釜在线总数智能判定模块具体包括:
判断各台反应釜的入料状态及温度压力,当引发剂作为加入反应釜物料后,引发剂仓重小于0且当前反应釜温度达到54℃-58℃,聚合釜压力达到9Mpa,反应釜搅拌电流及转速正常,则确定该反应釜为运行状态。
10.根据权利要求9所述的系统,其特征在于,所述反应釜装置负荷智能评估模块具体包括:
根据公式FT=Q/T确定目标产线当前各个反应釜涵盖生产时域运行负荷,在对各个时域运行负荷进行线性回归得到连续生产最佳负荷,其中,FT表示连续生产最佳负荷,Q表示生产负荷总量,T表示生产过程时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054288.1A CN115328059B (zh) | 2022-08-31 | 2022-08-31 | 一种间歇生产与连续生产的智能转换方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054288.1A CN115328059B (zh) | 2022-08-31 | 2022-08-31 | 一种间歇生产与连续生产的智能转换方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115328059A CN115328059A (zh) | 2022-11-11 |
CN115328059B true CN115328059B (zh) | 2023-08-15 |
Family
ID=83928315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211054288.1A Active CN115328059B (zh) | 2022-08-31 | 2022-08-31 | 一种间歇生产与连续生产的智能转换方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115328059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055512A (zh) * | 2023-10-10 | 2023-11-14 | 安徽中科维德数字科技有限公司 | 一种连续搅拌反应釜的智能模型控制系统及其控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02250756A (ja) * | 1989-03-24 | 1990-10-08 | Toyota Motor Corp | 混在生産ラインにおける生産順序決定方法 |
CN101235074A (zh) * | 2008-03-04 | 2008-08-06 | 胡红湘 | 一种多肽系列产品连续化生产的装置 |
CN101620416A (zh) * | 2009-06-12 | 2010-01-06 | 浙江工业大学 | 一种流程工业企业生产过程的生产调度智能优化方法 |
JP2013059797A (ja) * | 2011-09-14 | 2013-04-04 | Jfe Steel Corp | 連続熱延鋼板製造ラインにおける搬送制御方法 |
CN105192125A (zh) * | 2015-09-19 | 2015-12-30 | 岳西县弘盛农业科技有限公司 | 一种绿茶新型连续生产线 |
CN113126582A (zh) * | 2021-04-20 | 2021-07-16 | 万华化学集团股份有限公司 | 一种间歇过程生产时间控制方法、存储介质及系统 |
CN114036452A (zh) * | 2021-11-11 | 2022-02-11 | 中国电子科技集团公司第二十九研究所 | 一种应用于离散型生产线的产能评估方法 |
-
2022
- 2022-08-31 CN CN202211054288.1A patent/CN115328059B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02250756A (ja) * | 1989-03-24 | 1990-10-08 | Toyota Motor Corp | 混在生産ラインにおける生産順序決定方法 |
CN101235074A (zh) * | 2008-03-04 | 2008-08-06 | 胡红湘 | 一种多肽系列产品连续化生产的装置 |
CN101620416A (zh) * | 2009-06-12 | 2010-01-06 | 浙江工业大学 | 一种流程工业企业生产过程的生产调度智能优化方法 |
JP2013059797A (ja) * | 2011-09-14 | 2013-04-04 | Jfe Steel Corp | 連続熱延鋼板製造ラインにおける搬送制御方法 |
CN105192125A (zh) * | 2015-09-19 | 2015-12-30 | 岳西县弘盛农业科技有限公司 | 一种绿茶新型连续生产线 |
CN113126582A (zh) * | 2021-04-20 | 2021-07-16 | 万华化学集团股份有限公司 | 一种间歇过程生产时间控制方法、存储介质及系统 |
CN114036452A (zh) * | 2021-11-11 | 2022-02-11 | 中国电子科技集团公司第二十九研究所 | 一种应用于离散型生产线的产能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115328059A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115328059B (zh) | 一种间歇生产与连续生产的智能转换方法及系统 | |
CN1248074C (zh) | 过程控制系统 | |
CN104020800B (zh) | 一种染色在线反馈控制系统及其方法 | |
CN204023192U (zh) | 具有上染率在线反馈功能的染色机 | |
US5060132A (en) | Method of modeling and control for delignification of pulping | |
CN101477112A (zh) | 工业流化床气相聚乙烯装置的产品质量在线软测量方法 | |
CN109564771B (zh) | 用于操作高压乙烯聚合单元的方法和系统 | |
RU2753513C2 (ru) | Способ и система управления установкой по непрерывному производству полимера | |
CN101685302B (zh) | 利用计算机程序进行冷轧材料计算的方法 | |
Wang et al. | A fast monitoring method for multiple operating batch processes with incomplete modeling data types | |
US5032977A (en) | System for modeling and control for delignification of pulping | |
Duchesne et al. | Multivariate SPC for startups and grade transitions | |
WO2005019526A2 (en) | System and method for controlling a processor including a digester utilizing time-based assessments | |
US4978425A (en) | Method for controlling the degree of cooking in a digester | |
CN115860364A (zh) | 一种基于opc ua协议的火腿肠低温车间生产调度方法 | |
US20050136547A1 (en) | Polymer reaction and quality optimizer | |
Yabuki et al. | Industrial experiences with product quality control in semi-batch processes | |
US4990219A (en) | Apparatus for controlling the degree of cooking in a digester | |
US5032976A (en) | System for modeling and control for delignification of pulping | |
Shah et al. | LSTM-based control of cellulose degree of polymerization in a batch pulp digester | |
Singstad et al. | Multivariable non-linear control of industrial LDPE autoclave reactors | |
KR100403793B1 (ko) | 회분식 화학 공정의 통계적 공정 관리를 위한 조업사이클시간 처리방법 | |
Verma et al. | Deterministic and stochastic optimization of acid pretreatment for lignocellulosic ethanol production | |
Simeonova et al. | On-line scheduling of hybrid chemical plants with parallel production lines and shared resources: a feedback control implementation | |
Shaik et al. | Scheduling of displacement batch digesters using discrete time formulation |
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 |