CN116452199A - 基于区块链的vcu控制算法优化方法和程序产品 - Google Patents
基于区块链的vcu控制算法优化方法和程序产品 Download PDFInfo
- Publication number
- CN116452199A CN116452199A CN202310712458.9A CN202310712458A CN116452199A CN 116452199 A CN116452199 A CN 116452199A CN 202310712458 A CN202310712458 A CN 202310712458A CN 116452199 A CN116452199 A CN 116452199A
- Authority
- CN
- China
- Prior art keywords
- control algorithm
- vcu control
- intelligent contract
- contract
- vcu
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005457 optimization Methods 0.000 title abstract description 60
- 238000012549 training Methods 0.000 claims description 50
- 238000013135 deep learning Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/223—Payment schemes or models based on the use of peer-to-peer networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于区块链的VCU控制算法优化方法和程序产品，方法包括：生成初始状态下的VCU控制算法，将VCU控制算法编译为智能合约，将智能合约存储于区块链，智能合约根据预设规则，自动执行智能合约中的VCU控制算法；基于历史交易数据，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。本发明无需依赖于专家经验、数据量和计算资源，能够实现动态优化和全局最优。
Description
技术领域
本发明涉及车辆子系统的联合控制技术领域，尤其涉及一种基于区块链的VCU控制算法优化方法、设备、介质和程序产品。
背景技术
区块链技术是一种利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的技术保证数据传输和访问控制的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式。
VCU（Vehicle Control Unit，车辆控制系统）负责整车各个子系统之间的信息交换和协调控制，是汽车智能化、网络化和电气化的重要支撑。VCU控制算法是VCU功能实现的关键技术之一，主要包括整车状态估计算法、整车能量管理算法、整车故障诊断与安全保护算法等。VCU控制算法的优化目标是提高汽车的性能、安全性、舒适性和经济性。VCU控制算法优化方法主要有经验法、数学模型法、智能优化法等。
基于模糊逻辑的VCU控制算法优化方法利用模糊逻辑理论建立VCU控制模型，通过设定模糊规则和隶属函数，实现对整车状态和能量管理的模糊推理和控制。
基于神经网络的VCU控制算法优化方法利用神经网络技术建立VCU控制模型，通过训练神经网络来学习整车状态和能量管理的非线性关系，实现对整车的自适应控制。
基于遗传算法的VCU控制算法优化方法利用遗传算法的全局搜索能力和自适应性，对VCU控制参数进行优化，实现对整车性能的改善。
本申请发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：
基于模糊逻辑的VCU控制算法优化方法的模糊规则和隶属函数的设定依赖于专家经验，缺乏理论依据，且难以考虑多种因素的综合影响，而且模糊逻辑控制器的结构和参数难以在线调整，不利于实现动态优化。
基于神经网络的VCU控制算法优化方法的神经网络训练需要大量的数据和计算资源，且训练过程难以监控和解释，而且神经网络控制器的结构和参数难以确定，且容易陷入局部最优解。
基于遗传算法的VCU控制算法优化方法的遗传算法需要设置合理的编码方式、交叉概率、变异概率等参数，否则会影响收敛速度和精度，而且遗传算法容易受到初始种群的影响，且难以保证全局最优解。
综上，现有的VCU控制算法优化方法依赖于专家经验、数据量和计算资源，难以实现动态优化和全局最优。
发明内容
本发明实施例提供一种基于区块链的VCU控制算法优化方法、设备、介质和程序产品，解决了现有的VCU控制算法优化方法依赖于专家经验、数据量和计算资源，难以实现动态优化和全局最优的技术问题。
本发明实施例一方面提供了一种基于区块链的VCU控制算法优化方法，所述方法包括：生成初始状态下的VCU控制算法，将所述VCU控制算法编译为智能合约，将所述智能合约存储于区块链，所述智能合约根据预设规则，自动执行所述智能合约中的VCU控制算法；基于历史交易数据，所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略，自我优化所述智能合约中的VCU控制算法。
可选的，在所述将所述智能合约存储于区块链之后，所述方法还包括：将所述智能合约广播给所有的参与节点；所述参与节点验证所述智能合约是否正确；当所述智能合约正确时，存储所述智能合约。
可选的，在所述自我优化所述智能合约中的VCU控制算法之后，所述方法还包括：将自我优化后的智能合约广播给所有的参与节点；所述参与节点验证所述自我优化后的智能合约是否正确；当所述自我优化后的智能合约正确时，将原有的所述智能合约替换为所述自我优化后的智能合约。
可选的，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之前，所述方法还包括：基于输入数据，所述智能合约中的VCU控制算法生成输出数据；基于所述输入数据和所述输出数据，生成实时交易数据。
可选的，在所述生成实时交易数据之后，所述方法还包括：深度学习算法分析所述实时交易数据，生成第一预测结果；将所述第一预测结果反馈给所述智能合约，实时调整所述智能合约中的VCU控制算法。
可选的，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：将所述历史交易数据作为训练数据，通过深度学习算法对所述智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果；将所述训练结果反馈给所述智能合约，动态优化所述智能合约中的VCU控制算法。
可选的，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：深度学习算法分析所述历史交易数据，生成第二预测结果；将所述第二预测结果反馈给所述智能合约，调整所述智能合约中的VCU控制算法。
另一方面，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于区块链的VCU控制算法优化方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于区块链的VCU控制算法优化方法的步骤。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现基于区块链的VCU控制算法优化方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种基于区块链的VCU控制算法优化方法，所述方法包括：生成初始状态下的VCU控制算法，将所述VCU控制算法编译为智能合约，将所述智能合约存储于区块链，所述智能合约根据预设规则，自动执行所述智能合约中的VCU控制算法；基于历史交易数据，所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略，自我优化所述智能合约中的VCU控制算法。本发明可以根据区块链的历史交易数据自动更新智能合约中的VCU控制算法的参数并调整智能合约中VCU控制算法的策略，无需依赖于专家经验、数据量和计算资源，能够自我优化智能合约中的VCU控制算法。同时，利用区块链的去中心化、不可篡改和高效性等优势，保证VCU控制算法的安全性和可靠性，以及动态优化和全局最优的能力。另外，智能合约根据预设规则，自动执行智能合约中的VCU控制算法，无需人为干预，提高运行效率。
进一步，在所述将所述智能合约存储于区块链之后，所述方法还包括：将所述智能合约广播给所有的参与节点；所述参与节点验证所述智能合约是否正确；当所述智能合约正确时，存储所述智能合约。智能合约可以由多个节点共同验证，保证安全性。
再进一步，在所述自我优化所述智能合约中的VCU控制算法之后，所述方法还包括：将自我优化后的智能合约广播给所有的参与节点；所述参与节点验证所述自我优化后的智能合约是否正确；当所述自我优化后的智能合约正确时，将原有的所述智能合约替换为所述自我优化后的智能合约。智能合约可以由多个节点共同维护，保证可靠性。
又进一步，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之前，所述方法还包括：基于输入数据，所述智能合约中的VCU控制算法生成输出数据；基于所述输入数据和所述输出数据，生成实时交易数据。实时交易数据可以作为VCU控制算法的输入和输出，反映整车状态和能量管理的实时情况。输入数据可以包含整车状态信息、用户需求信息、环境信息等，输出数据可以包含整车各部件之间的协调控制信号、整车能量管理策略等。
更进一步，在所述生成实时交易数据之后，所述方法还包括：深度学习算法分析所述实时交易数据，生成第一预测结果；将所述第一预测结果反馈给所述智能合约，实时调整所述智能合约中的VCU控制算法。利用深度学习算法对实时交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的实时监控和调整。
还进一步，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：将所述历史交易数据作为训练数据，通过深度学习算法对所述智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果；将所述训练结果反馈给所述智能合约，动态优化所述智能合约中的VCU控制算法。历史交易数据可以作为VCU控制算法的训练和测试的数据，通过深度学习算法对VCU控制模型进行训练和优化，可以提高VCU控制模型的精度和自适应性能，将训练结果反馈给区块链上的智能合约，实现VCU控制算法的动态优化。
再进一步，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：深度学习算法分析所述历史交易数据，生成第二预测结果；将所述第二预测结果反馈给所述智能合约，调整所述智能合约中的VCU控制算法。利用深度学习算法对历史交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的自我学习和自我优化。
附图说明
图1为本发明一实施例中基于区块链的VCU控制算法优化方法的流程图；
图2为本发明一实施例中区块链和深度学习算法的协同处理示意图；
图3为本发明一实施例中区块链和深度学习算法的交互示意图。
具体实施方式
本发明实施例提供一种基于区块链的VCU控制算法优化方法、设备、介质和程序产品，解决了现有的VCU控制算法优化方法依赖于专家经验、数据量和计算资源，难以实现动态优化和全局最优的技术问题。
本发明一实施例的技术方案为解决上述的问题，总体思路如下：
一种基于区块链的VCU控制算法优化方法，方法包括：生成初始状态下的VCU控制算法，将VCU控制算法编译为智能合约，将智能合约存储于区块链，智能合约根据预设规则，自动执行智能合约中的VCU控制算法；基于历史交易数据，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。本发明可以根据区块链的历史交易数据自动更新智能合约中的VCU控制算法的参数并调整智能合约中VCU控制算法的策略，无需依赖于专家经验、数据量和计算资源，能够自我优化智能合约中的VCU控制算法。同时，利用区块链的去中心化、不可篡改和高效性等优势，保证VCU控制算法的安全性和可靠性，以及动态优化和全局最优的能力。另外，智能合约根据预设规则，自动执行智能合约中的VCU控制算法，无需人为干预，提高运行效率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。显然，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请同时参考图1和图2，对本发明实施例中基于区块链的VCU控制算法优化方法进行详细的描述。
步骤101：生成初始状态下的VCU控制算法，将VCU控制算法编译为智能合约，将智能合约存储于区块链，智能合约根据预设规则，自动执行智能合约中的VCU控制算法；
步骤102：基于历史交易数据，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。
当整车系统启动时，开始执行步骤101：生成初始状态下的VCU控制算法，将VCU控制算法编译为智能合约，将智能合约存储于区块链，智能合约根据预设规则，自动执行智能合约中的VCU控制算法。
步骤101在具体实施过程中，例如：在初始化阶段中，服务器端利用深度学习算法生成一个初始状态下的VCU控制算法，并将VCU控制算法编译为一个智能合约，智能合约包含了VCU控制算法所需的参数、策略、预设规则、条件等信息。其中，VCU控制算法包括整车状态估计算法、整车能量管理算法、整车故障诊断与安全保护算法等。服务器端将智能合约部署到区块链网络中。通过区块链的智能合约执行机制，根据预设规则，自动执行智能合约中的VCU控制算法，无需人为干预。
其中，可以根据实际应用需求，选择不同类型或规模的区块链网络，例如公有链、联盟链或私有链，以适应不同场景或需求下的VCU控制算法优化方法，提高在不同区块链网络下的应用范围和适应性。优选的，在企业级的VCU控制算法中使用私有链。
其中，可以根据实际应用需求，选择不同类型或结构的智能合约，例如基于以太坊、超级账本或EOS等平台或框架开发的智能合约，以实现不同功能或性能的VCU控制算法优化方法，以提高在不同智能合约平台或框架下的开发灵活性和兼容性。
其中，可以根据实际应用需求，选择不同类型或模式的深度学习算法，例如监督学习、无监督学习或强化学习等，以实现不同目标或效果的VCU控制算法优化方法，在不同深度学习算法下具有不同的训练方法和优化手段。
在获得智能合约中的VCU控制算法之后，开始执行步骤102：基于历史交易数据，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。
步骤102在具体实施过程中，例如：在区块链技术中，交易是指在区块链网络中传输的数据单元，可以包含任何类型的信息。交易数据是指交易中包含的信息，例如输入数据、输出数据、时间戳、签名等。区块链上的交易数据可以包括电池电量、电机转速、车速、加速度、温度、故障码等信息，能够反映整车状态和能量管理的实时情况。在学习阶段中，服务器端分析历史交易中的历史交易数据，生成分析结果。基于分析结果，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。
为了由多个节点共同验证智能合约，保证安全性，在步骤101的将智能合约存储于区块链之后，方法还包括：将智能合约广播给所有的参与节点；参与节点验证智能合约是否正确；当智能合约正确时，存储智能合约。
在具体实施过程中，例如：服务器端将智能合约部署到区块链网络中，并广播给所有的参与节点。参与节点在收到智能合约之后，验证智能合约是否正确，生成验证结果。当验证结果表明智能合约正确时，将智能合约存储于本地。
为了可以由多个节点共同维护智能合约，保证可靠性，在步骤102的自我优化智能合约中的VCU控制算法之后，方法还包括：将自我优化后的智能合约广播给所有的参与节点；参与节点验证自我优化后的智能合约是否正确；当自我优化后的智能合约正确时，将原有的智能合约替换为自我优化后的智能合约。
在具体实施过程中，例如：服务器端将自我优化后的智能合约广播给所有的参与节点。参与节点在收到自我优化后的智能合约之后，验证自我优化后的智能合约是否正确，生成验证结果。当验证结果表明自我优化后的智能合约正确时，将原有的智能合约替换为自我优化后的智能合约，进行智能合约更新。
为了生成反映整车状态和能量管理实时情况的实时交易数据，在步骤102的智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之前，方法还包括：基于输入数据，智能合约中的VCU控制算法生成输出数据；基于输入数据和输出数据，生成实时交易数据。
在具体实施过程中，例如：在执行阶段，服务器端获得输入数据，输入数据可以包含整车状态信息、用户需求信息、环境信息等。基于输入数据，服务器端调用智能合约中的VCU控制算法，VCU控制算法生成输出数据，输出数据可以包含整车各部件之间的协调控制信号、整车能量管理策略等。服务器端将输出数据发送给相应的接收端，并将输入数据和输出数据打包成一个交易，交易中包含实时交易数据，并广播给所有参与节点。参与节点接收到交易后，验证交易是否正确，生成交易验证结果。当交易验证结果表明交易正确时，将交易打包到一个新区块中，并通过共识机制将新区块添加到区块链上。
为了利用深度学习算法对实时交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的实时监控和调整。在生成实时交易数据之后，方法还包括：深度学习算法分析实时交易数据，生成第一预测结果；将第一预测结果反馈给智能合约，实时调整智能合约中的VCU控制算法。
在具体实施过程中，例如：在监控阶段，服务器端根据区块链上存储的实时交易数据，对整车系统进行实时监控和调整。在生成实时交易数据之后，服务器端调用深度学习算法分析实时交易数据，生成第一预测结果。服务器端将第一预测结果反馈给智能合约，实时调整智能合约中的VCU控制算法。
为了可以将历史交易数据可以作为VCU控制算法的训练和测试的数据，通过深度学习算法对VCU控制模型进行训练和优化，可以提高VCU控制模型的精度和自适应性能，将训练结果反馈给区块链上的智能合约，实现VCU控制算法的动态优化。在步骤102的智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之后，还包括：将历史交易数据作为训练数据，通过深度学习算法对智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果；将训练结果反馈给智能合约，动态优化智能合约中的VCU控制算法。
在具体实施过程中，例如：服务器端根据区块链上存储的历史交易数据，对智能合约中的VCU控制算法进行自我学习和优化，将历史交易数据作为训练数据，分为训练集和测试集，训练集用于训练VCU控制算法对应的VCU控制模型，测试集用于测试VCU控制算法对应的VCU控制模型。基于训练数据，通过深度学习算法对智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果。将训练结果反馈给智能合约，动态优化智能合约中的VCU控制算法。
为了利用深度学习算法对历史交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的自我学习和自我优化。在智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之后，还包括：深度学习算法分析历史交易数据，生成第二预测结果；将第二预测结果反馈给智能合约，调整智能合约中的VCU控制算法。
在具体实施过程中，例如：服务器端调用深度学习算法分析历史交易数据，生成第二预测结果。服务器端将第二预测结果反馈给智能合约，调整智能合约中的VCU控制算法。
其中，本发明采用的深度学习算法是一种基于神经网络的深度强化学习算法，具体为DQN（Deep Q-Network, 深度Q网络）算法。DQN算法是一种结合了深度神经网络和Q学习的强化学习算法，可以有效地解决高维度和复杂的决策问题。DQN算法的主要思想是使用一个深度神经网络来近似Q函数，即状态-动作值函数，该函数表示在给定状态下执行某个动作所能获得的长期回报。DQN算法通过不断地与环境交互，收集状态、动作和奖励的数据，并利用这些数据来训练神经网络，更新Q函数的参数，从而实现对最优策略的学习。
本发明中，DQN算法应用于VCU控制模型的训练和优化，具体实现如下：
状态空间：本发明中，状态空间是由区块链上的交易数据构成的，包括输入数据和输出数据。输入数据是指反映整车状态和能量管理需求的数据，例如车速、电池电量、电机转速、电机温度、驾驶模式等。输出数据是指VCU控制算法生成的数据，例如电机控制信号、电池控制信号、制动控制信号等。这些数据可以作为VCU控制模型的输入和输出，反映VCU控制算法的运行效果。
动作空间：本发明中，动作空间是由VCU控制算法中可调节的参数和策略构成的，例如电机转矩、电池功率、制动力度、能量分配比例等。这些参数和策略可以影响VCU控制算法的运行效率和性能。
奖励函数：本发明中，奖励函数是由VCU控制算法的目标函数构成的，例如最大化整车能量效率、最小化整车能量消耗、最大化整车安全性等。奖励函数可以根据不同的场景和需求进行设定和调整，以实现不同目标或效果的VCU控制算法优化方法。
神经网络结构：本发明中，神经网络结构是由多层全连接层组成的，具体为输入层、隐藏层和输出层。输入层接收状态空间中的数据作为输入；隐藏层对输入数据进行非线性变换和特征提取；输出层输出动作空间中每个动作对应的Q值。神经网络结构可以根据不同的问题规模和复杂度进行设计和调整。
本发明中，DQN算法的训练过程如下：
初始化：初始化神经网络的参数，并设置一个经验回放池（Experience ReplayPool），用于存储历史交易数据。
交互：根据当前状态选择一个动作，并执行该动作；观察执行该动作后的新状态和奖励；将当前状态、动作、奖励和新状态组成一个四元组，存储到经验回放池中。
学习：从经验回放池中随机抽取一批四元组，作为训练数据；利用神经网络计算每个四元组中的动作的Q值，并利用贝尔曼方程（Bellman Equation）计算每个四元组中的目标Q值；利用均方误差（Mean Squared Error）作为损失函数，利用梯度下降法（GradientDescent）更新神经网络的参数，使得Q值逼近目标Q值。
重复：重复交互和学习的过程，直到达到预设的终止条件或收敛条件。
本发明中，DQN算法的优点如下：
可以有效地处理高维度和复杂的状态空间和动作空间，提高VCU控制模型的泛化能力和自适应能力。
可以利用深度神经网络自动地提取状态空间中的特征，无需人为地设计特征工程，降低了人工成本和专业要求。
可以利用经验回放机制，打破数据之间的时间相关性，提高数据的利用效率和学习稳定性。
可以利用区块链技术实时地获取交易数据作为训练数据，并将训练结果反馈给区块链上的智能合约，实现VCU控制算法的动态优化。
本发明中，DQN算法的应用示例如下：
假设本发明应用于一辆新能源汽车，该汽车具有电机、电池、制动等部件，以及VCU控制单元。VCU控制单元负责根据整车状态和能量管理需求，生成电机控制信号、电池控制信号和制动控制信号，并将这些信号发送给相应的部件。VCU控制单元还负责将这些信号和整车状态数据编码为交易数据，并通过区块链技术与其他汽车或基础设施进行通信和交易。
在本发明中，VCU控制单元中存储有一个智能合约，该智能合约实现了VCU控制算法。该智能合约可以根据预设的规则和条件，自动化地执行VCU控制算法，并通过记录和分析区块链上的交易数据，实现VCU控制算法的自我学习和优化。该智能合约还可以结合DQN算法对VCU控制模型进行训练和优化，并结合区块链技术进行实时监控和调整。
具体来说，在汽车运行过程中，智能合约会根据输入数据（例如车速、电池电量、电机转速、电机温度、驾驶模式等）生成输出数据（例如电机控制信号、电池控制信号、制动控制信号等），并将这些数据编码为交易数据。这些交易数据会被广播到区块链上，并被其他节点验证和存储。同时，智能合约也会从区块链上获取实时交易数据和历史交易数据，作为DQN算法的输入和训练数据。
DQN算法会根据实时交易数据，分析当前状态和动作的Q值，并根据贪婪策略（Greedy Policy）或ε-贪婪策略（ε-Greedy Policy）选择最优动作或随机动作，并将该动作反馈给智能合约，实时调整VCU控制算法的参数和策略。DQN算法还会根据历史交易数据，对VCU控制模型进行训练和优化，并将训练结果反馈给智能合约，动态优化VCU控制算法。
通过这样的过程，DQN算法可以不断地更新和调整VCU控制算法的参数和策略，使其适应不同的环境和需求，提高整车的运行效率和安全性。
根据以上内容可知，本发明实施例中的交易数据包括历史交易数据和实时交易数据，主要有三个方面的作用：
（1）交易数据可以作为VCU控制算法的输入和输出。
（2）交易数据可以作为VCU控制算法的自我优化依据。
（3）交易数据可以作为VCU控制算法的训练和测试的数据。
如图3所示，本发明实施例中基于区块链的VCU控制算法优化方法使用基于区块链和深度学习的混合算法。基于区块链和深度学习的混合算法包括以下功能模块：
（1）数据处理模块：负责接收、预处理、特征提取、分析和预测输入数据，以及生成输出数据。
（2）交易生成模块：负责将输入数据和输出数据打包成一个交易，并广播给所有参与节点。
（3）交易验证模块：负责接收并验证其他节点发送过来的交易，并将交易打包到新区块中。
（4）区块链维护模块：负责通过共识机制将新区块添加到区块链上，并获取历史交易数据和实时交易数据。
（5）算法训练模块：负责根据历史交易数据对VCU控制模型进行训练和优化，并更新智能合约。
（6）算法调整模块：负责根据实时交易数据对智能合约中的规则和条件进行调整。
基于区块链和深度学习的混合算法的功能模块之间通过以下方式交互：
（1）数据处理模块与交易生成模块通过打包函数进行交互；
（2）交易生成模块与交易验证模块通过广播函数进行交互；
（3）交易验证模块与区块链维护模块通过打包函数进行交互；
（4）区块链维护模块与算法训练模块和算法调整模块通过获取函数进行交互；
（5）算法训练模块与数据处理模块、交易生成模块、交易验证模块、区块链维护模块通过更新函数进行交互；
（6）算法调整模块与数据处理模块、交易生成模块、交易验证模块、区块链维护模块通过更新函数进行交互。
本发明另一实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现基于区块链的VCU控制算法优化方法的步骤。
本发明另一实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于区块链的VCU控制算法优化方法的步骤。
本发明另一实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现基于区块链的VCU控制算法优化方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种基于区块链的VCU控制算法优化方法，方法包括：生成初始状态下的VCU控制算法，将VCU控制算法编译为智能合约，将智能合约存储于区块链，智能合约根据预设规则，自动执行智能合约中的VCU控制算法；基于历史交易数据，智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略，自我优化智能合约中的VCU控制算法。本发明可以根据区块链的历史交易数据自动更新智能合约中的VCU控制算法的参数并调整智能合约中VCU控制算法的策略，无需依赖于专家经验、数据量和计算资源，能够自我优化智能合约中的VCU控制算法。同时，利用区块链的去中心化、不可篡改和高效性等优势，保证VCU控制算法的安全性和可靠性，以及动态优化和全局最优的能力。另外，智能合约根据预设规则，自动执行智能合约中的VCU控制算法，无需人为干预，提高运行效率。
进一步，在将智能合约存储于区块链之后，方法还包括：将智能合约广播给所有的参与节点；参与节点验证智能合约是否正确；当智能合约正确时，存储智能合约。智能合约可以由多个节点共同验证，保证安全性。
再进一步，在自我优化智能合约中的VCU控制算法之后，方法还包括：将自我优化后的智能合约广播给所有的参与节点；参与节点验证自我优化后的智能合约是否正确；当自我优化后的智能合约正确时，将原有的智能合约替换为自我优化后的智能合约。智能合约可以由多个节点共同维护，保证可靠性。
又进一步，在智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之前，方法还包括：基于输入数据，智能合约中的VCU控制算法生成输出数据；基于输入数据和输出数据，生成实时交易数据。实时交易数据可以作为VCU控制算法的输入和输出，反映整车状态和能量管理的实时情况。输入数据可以包含整车状态信息、用户需求信息、环境信息等，输出数据可以包含整车各部件之间的协调控制信号、整车能量管理策略等。
更进一步，在生成实时交易数据之后，方法还包括：深度学习算法分析实时交易数据，生成第一预测结果；将第一预测结果反馈给智能合约，实时调整智能合约中的VCU控制算法。利用深度学习算法对实时交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的实时监控和调整。
还进一步，在智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之后，还包括：将历史交易数据作为训练数据，通过深度学习算法对智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果；将训练结果反馈给智能合约，动态优化智能合约中的VCU控制算法。历史交易数据可以作为VCU控制算法的训练和测试的数据，通过深度学习算法对VCU控制模型进行训练和优化，可以提高VCU控制模型的精度和自适应性能，将训练结果反馈给区块链上的智能合约，实现VCU控制算法的动态优化。
再进一步，在智能合约更新智能合约中的VCU控制算法的参数并调整智能合约中的VCU控制算法的策略之后，还包括：深度学习算法分析历史交易数据，生成第二预测结果；将第二预测结果反馈给智能合约，调整智能合约中的VCU控制算法。利用深度学习算法对历史交易数据进行分析和预测，并将预测结果反馈给区块链上的智能合约，智能合约根据预测结果，可以不断更新和调整VCU控制算法的参数和策略，实现VCU控制算法的自我学习和自我优化。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于区块链的VCU控制算法优化方法，其特征在于，所述方法包括：
生成初始状态下的VCU控制算法，将所述VCU控制算法编译为智能合约，将所述智能合约存储于区块链，所述智能合约根据预设规则，自动执行所述智能合约中的VCU控制算法；
基于历史交易数据，所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略，自我优化所述智能合约中的VCU控制算法。
2.如权利要求1所述的方法，其特征在于，在所述将所述智能合约存储于区块链之后，所述方法还包括：
将所述智能合约广播给所有的参与节点；
所述参与节点验证所述智能合约是否正确；
当所述智能合约正确时，存储所述智能合约。
3.如权利要求2所述的方法，其特征在于，在所述自我优化所述智能合约中的VCU控制算法之后，所述方法还包括：
将自我优化后的智能合约广播给所有的参与节点；
所述参与节点验证所述自我优化后的智能合约是否正确；
当所述自我优化后的智能合约正确时，将原有的所述智能合约替换为所述自我优化后的智能合约。
4.如权利要求1所述的方法，其特征在于，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之前，所述方法还包括：
基于输入数据，所述智能合约中的VCU控制算法生成输出数据；
基于所述输入数据和所述输出数据，生成实时交易数据。
5.如权利要求4所述的方法，其特征在于，在所述生成实时交易数据之后，所述方法还包括：
深度学习算法分析所述实时交易数据，生成第一预测结果；
将所述第一预测结果反馈给所述智能合约，实时调整所述智能合约中的VCU控制算法。
6.如权利要求1所述的方法，其特征在于，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：
将所述历史交易数据作为训练数据，通过深度学习算法对所述智能合约中的VCU控制算法对应的VCU控制模型进行训练，生成训练结果；
将所述训练结果反馈给所述智能合约，动态优化所述智能合约中的VCU控制算法。
7.如权利要求1所述的方法，其特征在于，在所述智能合约更新所述智能合约中的VCU控制算法的参数并调整所述智能合约中的VCU控制算法的策略之后，还包括：
深度学习算法分析所述历史交易数据，生成第二预测结果；
将所述第二预测结果反馈给所述智能合约，调整所述智能合约中的VCU控制算法。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712458.9A CN116452199A (zh) | 2023-06-16 | 2023-06-16 | 基于区块链的vcu控制算法优化方法和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310712458.9A CN116452199A (zh) | 2023-06-16 | 2023-06-16 | 基于区块链的vcu控制算法优化方法和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452199A true CN116452199A (zh) | 2023-07-18 |
Family
ID=87122310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310712458.9A Pending CN116452199A (zh) | 2023-06-16 | 2023-06-16 | 基于区块链的vcu控制算法优化方法和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452199A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116865940A (zh) * | 2023-07-19 | 2023-10-10 | 东方空间技术(山东)有限公司 | 一种天馈增益控制方法、计算设备及存储介质 |
| CN116865940B (zh) * | 2023-07-19 | 2024-06-21 | 东方空间技术(山东)有限公司 | 一种天馈增益控制方法、计算设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359978A (zh) * | 2018-10-08 | 2019-02-19 | 全链通有限公司 | 基于区块链网络的智能合约交易方法和系统 |
| US20190188655A1 (en) * | 2017-12-19 | 2019-06-20 | International Business Machines Corporation | Dynamic blockchain transactional policy management |
| CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理系统、租赁及运维方法 |
| US20200394470A1 (en) * | 2019-06-12 | 2020-12-17 | International Business Machines Corporation | Efficient verification of maching learning applications |
| CN113570039A (zh) * | 2021-07-22 | 2021-10-29 | 同济大学 | 一种基于强化学习的优化共识的区块链系统 |
| CN113837753A (zh) * | 2021-07-26 | 2021-12-24 | 三峡大学 | 一种基于区块链合约范式的智能合约模板设计方法 |
| CN115248929A (zh) * | 2022-07-25 | 2022-10-28 | 浙江英集动力科技有限公司 | 基于区块链的多热源联网供热协同优化调度系统及方法 |
-
2023
- 2023-06-16 CN CN202310712458.9A patent/CN116452199A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188655A1 (en) * | 2017-12-19 | 2019-06-20 | International Business Machines Corporation | Dynamic blockchain transactional policy management |
| CN109359978A (zh) * | 2018-10-08 | 2019-02-19 | 全链通有限公司 | 基于区块链网络的智能合约交易方法和系统 |
| US20200394470A1 (en) * | 2019-06-12 | 2020-12-17 | International Business Machines Corporation | Efficient verification of maching learning applications |
| CN111369329A (zh) * | 2020-03-31 | 2020-07-03 | 中国科学院自动化研究所 | 基于区块链的电动汽车电池管理系统、租赁及运维方法 |
| CN113570039A (zh) * | 2021-07-22 | 2021-10-29 | 同济大学 | 一种基于强化学习的优化共识的区块链系统 |
| CN113837753A (zh) * | 2021-07-26 | 2021-12-24 | 三峡大学 | 一种基于区块链合约范式的智能合约模板设计方法 |
| CN115248929A (zh) * | 2022-07-25 | 2022-10-28 | 浙江英集动力科技有限公司 | 基于区块链的多热源联网供热协同优化调度系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 赵宏: "深度学习基础教程", 机械工业出版社, pages: 113 - 114 * |
| 郭庆军;李慧民;赛云秀;: "非线性约束优化的算法分析", 计算机工程与应用, no. 19 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116865940A (zh) * | 2023-07-19 | 2023-10-10 | 东方空间技术(山东)有限公司 | 一种天馈增益控制方法、计算设备及存储介质 |
| CN116865940B (zh) * | 2023-07-19 | 2024-06-21 | 东方空间技术(山东)有限公司 | 一种天馈增益控制方法、计算设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112186799B (zh) | 基于深度强化学习的分布式能源系统自治控制方法及系统 | |
| CN111934335B (zh) | 一种基于深度强化学习的集群电动汽车充电行为优化方法 | |
| US10601316B2 (en) | Using battery DC characteristics to control power output | |
| Sharma et al. | Reserve constrained multi-area economic dispatch employing differential evolution with time-varying mutation | |
| Dimeas et al. | Agent based control for microgrids | |
| CN108321795B (zh) | 基于深度确定性策略算法的发电机组启停配置方法及系统 | |
| CN112117760A (zh) | 基于双q值网络深度强化学习的微电网能量调度方法 | |
| CN113515884A (zh) | 分散式电动汽车实时优化调度方法、系统、终端及介质 | |
| Sonnenschein et al. | Decentralized control of units in smart grids for the support of renewable energy supply | |
| Ruelens et al. | Demand side management of electric vehicles with uncertainty on arrival and departure times | |
| Abo‐Elyousr et al. | Optimal scheduling of DG and EV parking lots simultaneously with demand response based on self‐adjusted PSO and K‐means clustering | |
| Hu et al. | Short-term hydropower generation scheduling using an improved cloud adaptive quantum-inspired binary social spider optimization algorithm | |
| US20220215486A1 (en) | Optimization controller for distributed energy resources | |
| Liu et al. | Multi-agent quantum-inspired deep reinforcement learning for real-time distributed generation control of 100% renewable energy systems | |
| CN114567560A (zh) | 基于生成对抗模仿学习的边缘节点动态资源分配方法 | |
| Shang et al. | FedPT-V2G: Security enhanced federated transformer learning for real-time V2G dispatch with non-IID data | |
| CN113225759A (zh) | 一种面向于5g智能电网的网络切片安全与决策管理方法 | |
| CN116452199A (zh) | 基于区块链的vcu控制算法优化方法和程序产品 | |
| CN116843500A (zh) | 充电站规划方法、神经网络模型训练方法、装置和设备 | |
| JP2020108330A (ja) | 車両の動作方法 | |
| CN115800322A (zh) | 一种调频方法 | |
| CN113555876A (zh) | 基于人工智能的线路潮流调控方法及系统 | |
| Chen et al. | Blockchain Enabled Intelligence of Federated Systems (BELIEFS): An attack-tolerant trustable distributed intelligence paradigm | |
| Samanta et al. | Energy management in hybrid electric vehicles using optimized radial basis function neural network | |
| Tarle et al. | A world model based reinforcement learning architecture for autonomous power system control |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230718 |