CN116611349B - 基于神经网络的滚筒烘丝工艺参数优化方法及系统 - Google Patents
基于神经网络的滚筒烘丝工艺参数优化方法及系统 Download PDFInfo
- Publication number
- CN116611349B CN116611349B CN202310879691.6A CN202310879691A CN116611349B CN 116611349 B CN116611349 B CN 116611349B CN 202310879691 A CN202310879691 A CN 202310879691A CN 116611349 B CN116611349 B CN 116611349B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- drying
- data
- evaluation model
- 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
- 238000001035 drying Methods 0.000 title claims abstract description 167
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 241000208125 Nicotiana Species 0.000 claims abstract description 111
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 111
- 238000013210 evaluation model Methods 0.000 claims abstract description 92
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000011112 process operation Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000009877 rendering Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000002036 drum drying Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000007943 implant Substances 0.000 claims description 5
- 230000007480 spreading Effects 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于神经网络的滚筒烘丝工艺参数优化方法及系统,该方法通过建立表达能力较强的、具有残差结构的卷积神经网络,通过残差结构将卷烟叶丝干燥的输入数据分解成低维表示,则该卷积神经网络能够在不对原参数造成损失的情况下更好地处理大规模数据和复杂数据;而评估模型能够根据叶组配方以及叶丝干燥工序中的工艺操作参数,预测烘丝出口端的出料水分与出料温度,能够在加快训练速度的同时节约模型测试成本,同时使得模型更好的掌握数据之间的规律,从而能够有效输出滚筒烘丝工艺参数的优化方案,按照滚筒烘丝工艺参数的优化方案对叶丝进行烘丝处理,能够有效保证叶丝以及所制作卷烟的质量。
Description
技术领域
本发明涉及人工智能深度学习技术领域,具体涉及一种基于神经网络的滚筒烘丝工艺参数优化方法及系统。
背景技术
叶丝含水率是卷烟工业企业中对叶丝质量评价的关键指标,生产中烘丝机通过控制滚筒温度、热风温度、热风速度等工艺参数对叶丝进行干燥加热,使得叶丝含水率符合卷烟工艺规范要求,提高叶丝的填充能力和耐加工性,提升卷烟感官评吸质量。
虽然每一品牌卷烟生产前都会进行大量工艺测试、广泛的感官评吸,确定各个生产线各项工艺参数,特别是关键工序参数,最终形成一套标准的工艺技术要求,然而由于叶组配方经常变化、生产环境的变化、烘丝入口水分波动以及现有滚筒烘丝机PID控制反馈不及时,容易存在烘丝过程开始阶段烘丝温度超调现象和烘丝机内叶丝量过少导致叶丝过干。
而现有卷烟烘丝工艺主要依据现场工作人员进行调控,由于人工操作经验的差异性,加之叶丝干燥过程是一个包含物理、化学等多场多学科耦合的复杂工艺过程,其各项工艺参数与叶丝含水率之间的关系非常复杂,传统方法难以确定其函数关系,导致对生产开始阶段和结束阶段烘丝温度控制不稳定,造成叶丝含水率批次间波动比较大,无法保证卷烟质量。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于神经网络的滚筒烘丝工艺参数优化方法及系统,旨在解决现有技术中卷烟烘丝依靠人工调控,导致叶丝含水率批次间波动较大,无法有效保证卷烟质量的技术问题。
本发明的第一方面在于提供一种基于神经网络的滚筒烘丝工艺参数优化方法,所述方法包括:
将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集;
构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练;
将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型;
将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染;
定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境。
根据上述技术方案的一方面,将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集的步骤,包括:
将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集;
对所述数据集中数据异常值与数据缺失值进行数据清洗;
对所述数据集进行标准化处理,以预设比例将所述数据集划分训练集与测试集。
根据上述技术方案的一方面,基于神经网络的滚筒烘丝工艺参数优化方法对所述数据集进行归一化处理的步骤中,数据归一化公式为:
式中,为标准化后的数据集参数数值,/>为原始的数据集参数数值,/>、/>分别为收集到的所有原始数据集参数数值的平均值与方差。
根据上述技术方案的一方面,构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测的步骤,包括:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
根据上述技术方案的一方面,构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练的步骤,包括:
通过Pytorch框架构建多层全连接神经网络,将其作为评估神经网络,得到评估模型;
通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口含水率的数据规律;
根据所述数据集对所述评估模型进行训练。
根据上述技术方案的一方面,将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型的步骤,包括:
将所述主神经的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行MSE损失计算;
采用MSE Loss函数计算出料水分、温度与目标出料水分与目标温度之间的差值,不断向后传播,通过梯度下降算法对所述评估模型进行优化,以更新残差卷积神经网络的权重系数;
其中MSE损失的计算式为:
式中,为输出数值的维度,/>为处于第/>模型的预测值,/>为处于第/>维度的真实值。
根据上述技术方案的一方面,所述方法还包括:
在对所述主神经网络模型进行训练的过程中,将所述评估模型的参数冻结处理。
根据上述技术方案的一方面,将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染的步骤,包括:
将所述主神经网络模型部署于滚筒烘丝设备上;
调用卷烟车间主控系统的API将模型的输入输出数据植入源系统中;
通过Python中的Matplotlib框架对输出数据以柱状图、饼状图形式进行实时渲染,以得到可视化的输出数据。
本发明的第二方面在于提供一种基于神经网络的滚筒烘丝工艺参数优化系统,所述系统包括:
数据获取模块,用于将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集;
第一模型构建模块,用于构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
第二神经构建模块,用于构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练;
模型优化模块,用于将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型;
数据渲染模块,用于将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染;
模型更新模块,用于定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境;
其中,第一模型构建模块具体用于:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
本发明的第三方面在于提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案当中所述方法的步骤。
与现有技术相比,采用本发明所示的基于神经网络的滚筒烘丝工艺参数优化方法及系统,有益效果在于:
本发明通过建立表达能力较强的、具有残差结构的卷积神经网络,通过残差结构将卷烟叶丝干燥的输入数据分解成低维表示,则该卷积神经网络能够在不对原参数造成损失的情况下更好地处理大规模数据和复杂数据;而评估模型能够根据叶组配方以及叶丝干燥工序中的工艺操作参数,预测烘丝出口端的出料水分与出料温度,能够在加快训练速度的同时节约模型测试成本,同时使得模型更好的掌握数据之间的规律,从而能够有效输出滚筒烘丝工艺参数的优化方案,按照滚筒烘丝工艺参数的优化方案对叶丝进行烘丝处理,能够有效保证叶丝以及所制作卷烟的质量。
附图说明
本发明的上述与/或附加的方面与优点从结合下面附图对实施例的描述中将变得明显与容易理解,其中:
图1为本发明第一实施例当中所示基于神经网络的滚筒烘丝工艺参数优化方法的流程示意图;
图2为本发明第二实施例当中所示基于神经网络的滚筒烘丝工艺参数优化系统的结构框图。
具体实施方式
为使本发明的目的、特征与优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,本发明的第一实施例提供了一种基于神经网络的滚筒烘丝工艺参数优化方法,所述方法用于卷烟生产的烘丝设备中以对叶丝进行烘干处理,从而保证叶丝的含水率满足预设标准,以保证卷烟口感,所述方法包括步骤S10-S60:
步骤S10,将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集。
其中,将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集的步骤,包括:
将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集;
对所述数据集中数据异常值与数据缺失值进行数据清洗;
对所述数据集进行标准化处理,以预设比例将所述数据集划分训练集与测试集。
进一步的,对所述数据集进行归一化处理的步骤中,数据归一化公式为:
式中,为标准化后的数据集参数数值,/>为原始的数据集参数数值,/>、/>分别为收集到的所有原始数据集参数数值的平均值与方差。其中,对数据集进行归一化可加快网络训练收敛速度,使网络对多维度参数平等对待,防止在训练过程中出现/>值,即未定义或不可表示的值,进而挖掘出其内部规律,消除范围较大的特征值给梯度更新所带来的影响。
在本实施例当中,在通过本实施例所示方法进行烘丝工艺参数优化时,首先需要获取所需生产卷烟批次的叶组配方以及叶丝干燥工序中的工艺操作参数,构建得到数据集,其中,叶组配方中包括多种烟叶的种类及配比含量,而工艺操作参数即叶丝干燥过程中所需控制的条件变量,包括温度、热风流量、以及烘干时间等。
具体而言,将卷烟车间所需生产香烟批次的全部叶组配方以及叶丝干燥工序中的工艺操作参数及进行汇总,搭建得到专业数据集,对数据集中的数据异常值、缺失值进行数据清洗,随后对数据集进行标准化处理,以8:2的比例划分为训练集和测试集。并设定300维度的向量来表示叶组配方的信息,其中300维度表示卷烟车间生产的单批次香烟中具有300中不同的物料,每一维度的数值表示这个维度对应的物料品种的加料重量,由于车间生产线投料量固定为2000kg,故需要对数据集进行归一化处理,使得其每个维度的值均处于0-1之间,进而便于模型训练,并最终输出一个18维度的工艺参数向量,18个维度分别为SIROX蒸汽流量、SIROX蒸汽辊转速、回潮机水分增加、启动阶段干燥1区加热除水预加载因子、启动阶段干燥2区加热除水预加载因子、SIROX出料温度、烘丝机热风温度、区1筒温度预热额定值、区2筒温度预热额定值、除水标准工作点、烘丝机热风含水量设定、滚筒一区工作温度、热风风速、干燥机区1筒温度干燥因子、滚筒二区工作温度、干燥机区2筒温度干燥因子、烘丝机滚筒转速以及烘丝机出料负压。
另外,标签值也存在于特征值类似的数据缺失情况,故仍会采取数据清洗后对数据集进行归一化处理。
以SIROX蒸汽流量与出口温度为例,在同一卷烟品牌的不同叶组配方下进行预处理后的情况如表1:
表1
步骤S20,构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
其中,构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测的步骤,包括:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
在本实施例当中,采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络作为主神经网络,通过卷积神经网络中的卷积核,使得模型高效自主学习数据集中的相关信息,同时网络中使用残差块 (residual block)来替代传统的卷积神经网络中的卷积层和池化层,从而避免了由于层数增加而导致的梯度消失和梯度爆炸问题。并结合现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
步骤S30,构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练。
其中,构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练的步骤,包括:
通过Pytorch框架构建多层全连接神经网络,将其作为评估神经网络,得到评估模型;
通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口含水率的数据规律;
根据所述数据集对所述评估模型进行训练。
步骤S40,将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型。
其中,将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型的步骤,包括:
将所述主神经的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行MSE损失计算;
采用MSE Loss函数计算出料水分、温度与目标出料水分与目标温度之间的差值,不断向后传播,通过梯度下降算法对所述评估模型进行优化,以更新残差卷积神经网络的权重系数;
其中MSE损失的计算式为:
式中,为输出数值的维度,/>为处于第/>模型的预测值,/>为处于第/>维度的真实值。
在本实施例当中,通过将数据集导入评估模型中,对评估模型进行训练,该评估模型的输入为叶组配方以及叶丝干燥工序中的工艺操作参数,该评估模型的输出为烘丝出口端的出料水分与出料温度,进而计算在叶组配方以及工艺操作参数中对出料水分与温度之间的相关性,最终将其视为一个黑盒用于映射这四者之间的关系。
其中,使用MSE损失函数计算与真实标签的差距,通过使用随机梯度下降(SGD)算法不断优化网络模型。
步骤S50,将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染。
其中,将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染的步骤,包括:
将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染的步骤,包括:
将所述主神经网络模型部署于滚筒烘丝设备上;
调用卷烟车间主控系统的API将模型的输入输出数据植入源系统中;
通过Python中的Matplotlib框架对输出数据以柱状图、饼状图形式进行实时渲染,以得到可视化的输出数据。
在本实施例当中,将叶组配方向量、进料流量、SIROX进料水分、出料水分、出料温度作为输入投入到该残差卷积神经网络中,将其输出的工艺操作参数的数值导入至评估模型中,评估模型将根据工艺操作参数以及当前流水线的叶组配方,预测经过滚筒烘丝工艺之后的出料水分以及温度,并采用MSE Loss函数计算这两者与目标出料水分与温度之间的差距,进而不断向后传播,通过随机梯度下降(SGD)算法不断优化网络模型,更新残差卷积神经网络的权重,同时为了不去调整评估模型的参数,在主神经网络训练的过程中,将评估模型参数进行冻结,从其最前一层往后更新。
在具体运用时,将已训练好的主神经网络模型部署到滚筒烘丝设备上,同时通过调用卷烟车间主控系统的API将模型的输入输出数据植入原系统中,通过使用Python中流行的Matplotlib框架对输出数据以柱状图或饼状图等形式进行实时渲染,以可视化的形式进行输出数据呈现,便于工作人员了解烘丝参数。
具体而言,本实施例所示的将输入输出数据植入原系统,指的是待模型训练完毕后,将神经网络部署到滚筒烘丝设备中,并实时根据当前批次叶组配方以及滚筒烘丝非可操作数对滚筒烘丝设备的SIROX蒸汽流量、SIROX蒸汽辊转速、回潮机水分增加、启动阶段干燥1区加热除水预加载因子、启动阶段干燥2区加热除水预加载因子、SIROX出料温度、烘丝机热风温度、区1筒温度预热额定值、区2筒温度预热额定值、除水标准工作点、烘丝机热风含水量设定、滚筒一区工作温度、热风风速、干燥机区1筒温度干燥因子、滚筒二区工作温度、干燥机区2筒温度干燥因子、烘丝机滚筒转速以及烘丝机出料负压共18个参数提出优化方案,通过设计相关UGUI向操作人员进行可视化页面呈现,则操作人员可结合生产工艺手册以及自身生产经验对模型输出的工艺参数数值建议进行使用或调整。
同时本实施例通过接入卷烟车间总控数据台的数据接口,将模型产生的数据实时传入到总控显示屏中,并以圆饼图、折线图以及热力图等形式进行呈现,进而将算法植入到原总控系统中,对原总控系统进行再升级。
步骤S60,定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境。
在本实施例当中,定期对主神经网络进行再训练,指的是在模型投入使用一段时间后,可能会引入新的叶组配方或对原先的出丝温度与湿度数值进行调整,此时为了防止模型优化效果降低,需要结合新的数据对原数据集进行更新,并对模型再训练,微调模型参数,保证模型能够实时适应全新的卷烟烘丝环境。
与现有技术相比,采用本实施例当中所示的基于神经网络的滚筒烘丝工艺参数优化方法,有益效果在于:
本发明通过建立表达能力较强的、具有残差结构的卷积神经网络,通过残差结构将卷烟叶丝干燥的输入数据分解成低维表示,则该卷积神经网络能够在不对原参数造成损失的情况下更好地处理大规模数据和复杂数据;而评估模型能够根据叶组配方以及叶丝干燥工序中的工艺操作参数,预测烘丝出口端的出料水分与出料温度,能够在加快训练速度的同时节约模型测试成本,同时使得模型更好的掌握数据之间的规律,从而能够有效输出滚筒烘丝工艺参数的优化方案,按照滚筒烘丝工艺参数的优化方案对叶丝进行烘丝处理,能够有效保证叶丝以及所制作卷烟的质量。
实施例二
请参阅图2,本发明的第二实施例提供了一种基于神经网络的滚筒烘丝工艺参数优化系统,所述系统包括:数据获取模块10、第一模型构建模块20、第二神经构建模块30、模型优化模块40、数据渲染模块50与模型更新模块60。
数据获取模块10,用于将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集。
第一模型构建模块20,用于构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
第二神经构建模块30,用于构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练。
模型优化模块40,用于将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型。
数据渲染模块50,用于将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染。
模型更新模块60,用于定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境;
其中,第一模型构建模块20具体用于:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测。
与现有技术相比,采用本实施例当中所示的基于神经网络的滚筒烘丝工艺参数优化系统,有益效果在于:
本发明通过建立表达能力较强的、具有残差结构的卷积神经网络,通过残差结构将卷烟叶丝干燥的输入数据分解成低维表示,则该卷积神经网络能够在不对原参数造成损失的情况下更好地处理大规模数据和复杂数据;而评估模型能够根据叶组配方以及叶丝干燥工序中的工艺操作参数,预测烘丝出口端的出料水分与出料温度,能够在加快训练速度的同时节约模型测试成本,同时使得模型更好的掌握数据之间的规律,从而能够有效输出滚筒烘丝工艺参数的优化方案,按照滚筒烘丝工艺参数的优化方案对叶丝进行烘丝处理,能够有效保证叶丝以及所制作卷烟的质量。
实施例三
本发明的第三实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例当中所述方法的步骤。
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体与详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形与改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,所述方法包括:
将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集;
构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练;
将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型;
将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染;
定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境;
其中,构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测的步骤,包括:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
其中,将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型的步骤,包括:
将所述主神经的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行MSE损失计算;
采用MSE Loss函数计算出料水分、温度与目标出料水分与目标温度之间的差值,不断向后传播,通过梯度下降算法对所述评估模型进行优化,以更新残差卷积神经网络的权重系数;
其中MSE损失的计算式为:
式中,为输出数值的维度,/>为处于第/>模型的预测值,/>为处于第/>维度的真实值。
2.根据权利要求1所述的基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集的步骤,包括:
将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集;
对所述数据集中数据异常值与数据缺失值进行数据清洗;
对所述数据集进行标准化处理,以预设比例将所述数据集划分训练集与测试集。
3.根据权利要求1所述的基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,对所述数据集进行归一化处理的步骤中,数据归一化公式为:
式中,为标准化后的数据集参数数值,/>为原始的数据集参数数值,/>、/>分别为收集到的所有原始数据集参数数值的平均值与方差。
4.根据权利要求1所述的基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练的步骤,包括:
通过Pytorch框架构建多层全连接神经网络,将其作为评估神经网络,得到评估模型;
通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口含水率的数据规律;
根据所述数据集对所述评估模型进行训练。
5.根据权利要求1所述的基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,所述方法还包括:
在对所述主神经网络模型进行训练的过程中,将所述评估模型的参数冻结处理。
6.根据权利要求1-5任一项所述的基于神经网络的滚筒烘丝工艺参数优化方法,其特征在于,将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染的步骤,包括:
将所述主神经网络模型部署于滚筒烘丝设备上;
调用卷烟车间主控系统的API将模型的输入输出数据植入源系统中;
通过Python中的Matplotlib框架对输出数据以柱状图、饼状图形式进行实时渲染,以得到可视化的输出数据。
7.一种基于神经网络的滚筒烘丝工艺参数优化系统,其特征在于,所述系统包括:
数据获取模块,用于将所需生产卷烟批次的叶组配方与叶丝干燥工序中的工艺操作参数进行汇总以得到数据集,对所述数据集中的数据异常值、数据缺失值进行数据清洗,以及对所述数据集进行归一化处理,划分训练集与测试集;
第一模型构建模块,用于构建带有残差结构的卷积神经网络作为主神经网络,得到主神经网络模型,结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
第二神经构建模块,用于构建多层全连接神经网络作为评估神经网络,得到评估模型,通过所述评估模型分析当前烘丝干燥设备的操作参数以及生产线的叶组配方与烘丝干燥出口端含水率的数据规律,并通过所述数据集对所述评估模型进行训练;
模型优化模块,用于将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型;
数据渲染模块,用于将所述主神经网络模型部署于滚筒烘丝设备上,并获取卷烟车间主控系统的API将模型的输入输出数据植入原系统中,与预设表达形式对输出数据进行实时渲染;
模型更新模块,用于定期对所述主神经网络模型进行再训练,在卷烟烘丝过程中调整模型参数,并在部署环境中收集新的经验数据,以使所述主神经网络模型实时适应新的卷烟烘丝环境;
其中,第一模型构建模块具体用于:
采用Pytorch人工智能框架搭建带有残差结构的卷积神经网络,将其作为主神经网络,得到主神经网络模型;
通过卷积神经网络中的卷积核,使模型自主学习所述数据集中的参数信息;
结合烘丝干燥现场采集到的环境参数对滚筒烘丝工艺参数进行预测;
其中,将所述主神经网络的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行损失计算,并通过梯度下降算法优化所述评估模型的步骤,包括:
将所述主神经的预测输出输入到所述评估模型中,结合所述评估模型的预测输出与真实值进行MSE损失计算;
采用MSE Loss函数计算出料水分、温度与目标出料水分与目标温度之间的差值,不断向后传播,通过梯度下降算法对所述评估模型进行优化,以更新残差卷积神经网络的权重系数;
其中MSE损失的计算式为:
式中,为输出数值的维度,/>为处于第/>模型的预测值,/>为处于第/>维度的真实值。
8.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879691.6A CN116611349B (zh) | 2023-07-18 | 2023-07-18 | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879691.6A CN116611349B (zh) | 2023-07-18 | 2023-07-18 | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611349A CN116611349A (zh) | 2023-08-18 |
CN116611349B true CN116611349B (zh) | 2023-10-10 |
Family
ID=87680416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879691.6A Active CN116611349B (zh) | 2023-07-18 | 2023-07-18 | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611349B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117781661B (zh) * | 2024-02-27 | 2024-05-14 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114722873A (zh) * | 2022-04-14 | 2022-07-08 | 湘潭大学 | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 |
CN116361454A (zh) * | 2023-02-16 | 2023-06-30 | 桂林电子科技大学 | 一种基于Bloom分类法的课程教学案例自动评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220209885A1 (en) * | 2020-12-24 | 2022-06-30 | Viettel Group | Method and apparatus for adaptive anti-jamming communications based on deep double-q reinforcement learning |
-
2023
- 2023-07-18 CN CN202310879691.6A patent/CN116611349B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034388A (zh) * | 2018-07-27 | 2018-12-18 | 湖北中烟工业有限责任公司 | 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
CN114722873A (zh) * | 2022-04-14 | 2022-07-08 | 湘潭大学 | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 |
CN116361454A (zh) * | 2023-02-16 | 2023-06-30 | 桂林电子科技大学 | 一种基于Bloom分类法的课程教学案例自动评估方法 |
Non-Patent Citations (1)
Title |
---|
制丝烘丝工序关键工艺参数批间稳定性控制分析;刘炳军;李江;邱琳;谢玲玲;陆雪云;;大众科技(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116611349A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN116611349B (zh) | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 | |
CN113017132A (zh) | 一种基于烘丝机工艺参数预测的烟丝质量优化的方法 | |
CN108652066A (zh) | 松散回潮工序的加水方法及预测该工序加水量的装置 | |
EP1543394B1 (de) | Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage | |
CN111144667A (zh) | 一种基于梯度提升树的烟草回潮机出料含水率预测方法 | |
CN111887460A (zh) | 烟草烘丝水分和温度控制预测系统及方法 | |
EP3537237A1 (de) | System zur tabakaufbereitung für die tabak verarbeitende industrie, und verfahren zum betrieb einer vorrichtung | |
CN102147613A (zh) | 一种对烟叶复烤机水分、温度的模型预测控制方法及系统 | |
CN114115393A (zh) | 一种制丝线薄板烘丝机出口水分和温度的控制方法 | |
CN115251445B (zh) | 一种松散回潮机出口烟叶含水率的控制方法 | |
CN110946313A (zh) | 一种叶丝干燥工序的出口含水率的控制方法及系统 | |
CN105996106A (zh) | 一种基于气流干燥的烟丝质量控制方法及系统 | |
EP3104240A1 (de) | Einrichtung und verfahren zur optimierung eines arbeitspunktes für den betrieb einer anlage | |
CN110876481B (zh) | 一种烟草烘丝参数的控制方法和装置 | |
CN117743772A (zh) | 基于人工智能模型的卫生纸干燥参数优化方法及系统 | |
CN116449779A (zh) | 基于Actor-Critic结构的汽车车身喷涂用环境数据分析方法 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
CN115329823A (zh) | 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置 | |
CN117131987A (zh) | 一种基于深度q网络的松散回潮工序加水量实时预测方法 | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN106072743A (zh) | 一种基于梗丝干燥的梗丝质量控制方法及系统 | |
CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 |
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 |