CN116911048B - 一种大型船舶任务系统数字孪生模型构建方法 - Google Patents
一种大型船舶任务系统数字孪生模型构建方法 Download PDFInfo
- Publication number
- CN116911048B CN116911048B CN202310929116.2A CN202310929116A CN116911048B CN 116911048 B CN116911048 B CN 116911048B CN 202310929116 A CN202310929116 A CN 202310929116A CN 116911048 B CN116911048 B CN 116911048B
- Authority
- CN
- China
- Prior art keywords
- data
- ship
- model
- task system
- ship task
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 100
- 238000013499 data model Methods 0.000 claims abstract description 43
- 230000003993 interaction Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 63
- 230000033001 locomotion Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000007726 management method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 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
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种大型船舶任务系统数字孪生模型构建方法,包括:描述船舶任务系统的物理实体参数,通过物理实体参数构建船舶任务系统实体模型;通过数据采集设备采集船舶任务系统的实时数据和历史数据,通过实时数据和历史数据构建船舶任务系统孪生数据模型;通过舰载数据通信方法结合指定数据格式构建船舶任务系统连接交互模型,通过船舶任务系统连接交互模型进行船舶任务系统实体模型和船舶任务系统孪生数据模型之间的动态连接和数据交互。通过构建船舶任务系统的实体模型、孪生数据模型和连接交互模型,将船舶任务系统的物理实体参数、动态运行数据以及实时状态数据同时描述在一个船舶任务系统数字孪生模型,提高船舶任务决策的效率和安全性。
Description
技术领域
本发明涉及船舶任务决策技术领域,尤其涉及一种大型船舶任务系统数字孪生模型构建方法。
背景技术
随着航运事业的迅猛发展,水域上的船舶管理会更加复杂。同时,船舶管理影响着船舶航行安全、水域环境、人员安全等多个方面,专业化的船舶管理可以最大限度的提高资源使用效率,降低成本,确保船员安全,提高服务质量等。船舶的任务系统升级改进周期长,数据采办效率待提升,任务系统软件对于有效发挥任务能力至关重要。当前的软件采办仍沿用20世纪90年代的方法,软件研发被划分为需求开发、方案分析、技术开发、工程与制造开发生产部署和使用保障等阶段,只有完成本阶段任务并满足下一阶段标准后才能继续推进。
中国专利CN116029215A《船舶任务执行模型训练与船舶任务执行方法及相关设备》公开了一种船舶任务执行模型训练与船舶任务执行方法及相关设备,通过船舶任务执行模型根据监测船舶对应的船舶特征,获得监测船舶的预测类别与预测到港时间。然而上述专利执行船舶任务时需要依次完成各阶段的任务,才能推进整个船舶任务执行,缺乏有效的连续分析手段,多方位预测未来船舶平台性能和海洋环境情况。
发明内容
有鉴于此,本发明提出了一种大型船舶任务系统数字孪生模型构建方法,通过构建船舶任务系统的实体模型、孪生数据模型以及实体模型和孪生数据模型之间的连接交互关系,将船舶任务系统各个平台任务系统的部署效率提高,通过物理实体和虚拟空间二者的结合,解决了目前船舶任务执行效率偏低,且缺乏有效的连续分析手段的问题。
本发明的技术方案是这样实现的:本发明提供了一种大型船舶任务系统数字孪生模型构建方法,包括以下步骤:
S1,描述船舶任务系统的物理实体参数,通过物理实体参数构建船舶任务系统实体模型;
S2,通过数据采集设备采集船舶任务系统的实时数据和历史数据,通过实时数据和历史数据构建船舶任务系统孪生数据模型;
S3,通过舰载数据通信方法结合指定数据格式构建船舶任务系统连接交互模型,通过船舶任务系统连接交互模型进行船舶任务系统实体模型和船舶任务系统孪生数据模型之间的动态连接和数据交互。
优选的,步骤S1包括以下步骤:
S11,根据船舶任务过程涉及的静态物理属性,进行对象属性参数初始化;
S12,根据船舶任务过程涉及的动态物理属性,构建孪生系统模型;
S13,根据静态物理属性之外的物理实体参数,构建船舶航行运动学模型、雷达扫描器运动学模型和声呐基阵动力学模型;
S14,描述物理实体的虚拟可视化属性,建立组件库管理实体模型,存放所述虚拟可视化属性。
优选的,所述静态物理属性包括船舶重量、排水量、吃水深度、航行速度、材质以及任务支援系统的初始反应时间、双波段雷达的最大探测范围、拖曳阵列声纳的最大搜索深度。
优选的,所述船舶航行运动学模型考虑船舶受到攻击、外界作用力、海浪速度以及船舶航向、航速的影响而产生的摇摆,通过谱分析法进行各种异构影响要素之间不规则函数关系的分析,建立船舶任务过程中摇荡运动的运动谱与异构要素谱之间的关系:
所述雷达扫描器运动学模型构建过程为:通过建立地面、横滚组件固连、方位组件固连和俯仰组件固连四套坐标系以及三个转角来表示这四套坐标系之间的相对位置,通过简化扫描器结构建立扫描器CAE模型,结合实际运动情况设置约束条件,并通过控制俯仰、方位、横滚方向的最大角速度和角加速度在规定范围内为驱动条件,建立三个运动方向的6个驱动方程,得到雷达扫描器运动学模型:
其中,ω俯仰(t),ω方位(t)和ω横滚(t)为三个运动方向的角速度,α俯仰(t),α方位(t)和α横滚(t)为三个运动方向的角速度,d为弧度单位,time为船舶任务执行时间;
所述声呐基阵动力学模型构建过程为:建立惯性坐标系、首向坐标系、舰体坐标系和声呐基阵坐标系,结合声呐基阵原理结构建立外框架坐标系、中框架标系和内框架坐标系以及外框架坐标系、中框架标系和内框架坐标系之间的变换矩阵,建立各框架的速度、角速度、惯量阵和动量矩间的变换关系,然后运用刚体动量定理和动量矩定理建立声呐基阵内框架、内-中框架组合体及内-中-外框架组合体的三自由度矢量形式的旋转运动方程,得到声呐基阵动力学模型:
其中L为各框架的动量矩,t为时间,Ω为各框架的角速度,U为各框架的速度,H为各框架的转矩。
优选的,步骤S2包括以下步骤:
S21,使用数据采集设备实时采集船舶任务系统的实时数据和历史数据,由实时数据和历史数据组成船舶任务系统孪生数据;
S22,对船舶任务系统孪生数据进行动态统一建模,得到船舶任务状态数据统一本体模型;
S23,完成动态统一建模后,通过数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行集成化管理;
S24,集成化管理完成后,对船舶任务系统孪生数据进行动态分析,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息。
优选的,所述动态统一建模过程为:采用基于本体的船舶任务过程数据统一建模技术,通过定义船舶任务状态数据的规范概念,采用RDP形式化系统概述、XML形式化语法分析和RDF形式化语义分析,建立数据信息之间的属性关联,描述概念属性的约束关系,建立包括船舶结构本体、船舶子系统本体和船舶航行过程本体的船舶任务状态数据统一本体模型。
优选的,所述集成化管理过程为:
采用数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行检测,发现其中存在的不一致以及错误,剔除或修正错误数据,对数据缺失值进行填补;
取数据集为A(B1,...,Bn),Bi(i∈[1,n])为子系统,n为子系统的数量,子系统的数据特征分布为Bi(bi1,bi2,...,bim),m为特征的数量;
对数据集A(B1,...,Bn)中的缺失数据选择同一列的其他已知数据进行填补,得到数据集A′;
使用数据集A′训练关系模型,根据训练得到的关系模型对数据集进行插补过程为:
其中,Pr(b′ij=l|ci;α)为关系模型,i为第i个子系统,j为第i个子系统的第j个特征,b′ij为待插补数据,D为待插补数据的插补类别总数,d为第d个插补类别,d′为第d′个插补类别,αd是一个维度为m-1的向量,m为特征总数,ci为待插补数据b′ij对应的一行已知数据ci=(b′i1,...,b′i,j-1,b′ij,...,b′m),α1=0,α=(α2,...,αL)为后验概率,α通过Pr(b′ij=l|ci;α)训练得到;
待插补数据的插补值计算公式为:
其中,f为在(0,1)区间中抽取的随机值,f>gid时,E(f>gid)的值为1,否则E(f>gid)的值为0;
α*为后验概率α=(α2,...,αL)中选择的随机值;
当所有待插补数据位置都进行插补后,完成第一轮插补得到新的数据集,重复插补过程直到迭代次数达到结束条件,迭代次数设定为5-20轮,当前后两轮迭代的数据集不存在差异时提前结束,结束后输出插补结果;
采用基于K均值的聚类算法对数据进行去噪,通过文件相似性比较算法去除重复冗杂的文件数据,采用MySQL或Oracle数据库存储集成化管理后的数据。
优选的,所述动态分析过程为:通过主成分分析、线性判别、无监督聚类将船舶任务过程中的多种多维运行数据降低到低维,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息,获取面向任务过程的船舶任务系统的相关知识,构建并丰富任务知识库。
优选的,步骤S3包括以下步骤:
S31,根据船舶任务系统现有数据链路和数据交互接口,采用OPCUA协议以及数据预留接口进行船舶任务系统实体模型与船舶任务系统孪生数据模型之间的连接交互,得到船舶任务系统连接交互模型;
S32,通过数据采集设备获取物理实体的运动数据,通过OPCUA协议传输给船舶任务系统孪生数据模型,通过船舶任务系统孪生数据模型的数据接口传送给物理实体,将采集到的船舶任务系统物理实体参数通过OPCUA协议传输至船舶任务系统实体模型,更新船舶任务系统实体模型。
优选的,更新船舶任务系统实体模型之后,还包括以下步骤:将船舶任务系统实体模型的仿真分析数据转化为控制指令传输至船舶任务系统孪生数据模型,进行船舶任务系统实体模型和船舶任务系统孪生数据模型的双向实时异步互传和交互控制,将船舶任务系统实体模型产生的仿真分析数据及相关数据动态存储到船舶任务系统孪生数据模型中,实时读取船舶任务系统孪生数据模型的融合数据、关联数据、生命周期数据,进行动态仿真驱动,完成船舶任务系统实体模型参数与船舶任务系统孪生数据模型参数之间的互相读取和使用。
本发明的一种大型船舶任务系统数字孪生模型构建方法相对于现有技术具有以下有益效果:
(1)通过构建船舶任务系统的实体模型、孪生数据模型和连接交互模型,将船舶任务系统的物理实体参数、动态运行数据以及实时状态数据同时描述在一个船舶任务系统数字孪生模型,提高船舶任务决策的效率和安全性;
(2)通过描述物理实体参数,进行对象参数初始化,构建船舶航行运动学模型、雷达扫描器运动学模型和声呐基阵动力学模型,结合组件库实现船舶任务系统实体模型的自动更新;
(3)通过构建孪生数据模型,汇聚船舶任务系统海量多元异构的实时数据、历史数据和仿真运行数据,对这些数据进行动态统一建模、集成化管理和动态分析,获取船舶任务过程中的主要信息或与任务目标相关性更高的信息;
(4)通过对船舶任务系统各子系统中的缺失数据集进行插补,防止最终的数据分析结果出现错误,相比于忽略和删除缺失数据,对缺失数据进行插补具有更好的矫正能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种大型船舶任务系统数字孪生模型构建方法流程图;
图2为本发明的一种大型船舶任务系统数字孪生模型构建方法的集成化管理过程示意图;
图3为本发明的一种大型船舶任务系统数字孪生模型构建方法的动态分析过程示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
提供一种大型船舶任务系统数字孪生模型构建方法,如图1所示,包括以下步骤:
S1,描述船舶任务系统的物理实体参数,通过物理实体参数构建船舶任务系统实体模型;
S2,通过数据采集设备采集船舶任务系统的实时数据和历史数据,通过实时数据和历史数据构建船舶任务系统孪生数据模型;
S3,通过舰载数据通信方法结合指定数据格式构建船舶任务系统连接交互模型,通过船舶任务系统连接交互模型进行船舶任务系统实体模型和船舶任务系统孪生数据模型之间的动态连接和数据交互。
应说明的是:数字孪生技术是通过结合物理模型、传感器实时数据以及所有历史数据,构建物理实体的镜像数字模型,持续动态反映、分析、预测物理实体全寿期的运行状态,主要包含物理空间、虚拟空间、两个空间之间的连接三大要素。其中,物理空间是实际存在的虚拟空间包含物理空间的所有信息,两者之间的连接是指物理空间向虚拟空间输入数据及虚拟空间向物理空间反馈信息。数字孪生的主要特点如下,一是实时性,数字孪生体和物理实体之间能实现动态数据的近实时或实时交互;二是双向性,物理实体向数字孪生体输入数据,同时数字孪生体也会向物理实体反馈信息,并对物理实体的行为进行及时调整;三是全寿期数字孪生体将贯穿产品的设计、开发、制造、维护以及报废的整个生命周期。
船舶的任务系统升级改进周期长,数据采办效率待提升,任务系统软件对于有效发挥任务能力至关重要。当前的软件采办仍沿用20世纪90年代的方法,软件研发被划分为需求开发、方案分析、技术开发、工程与制造开发生产部署和使用保障等阶段,只有完成本阶段任务并满足下一阶段标准后才能继续推进。导致系统升级缓慢,实装系统包括多个版本,任务能力参差不齐。
步骤S1包括以下步骤:
S11,根据船舶任务过程涉及的静态物理属性,进行对象属性参数初始化;
S12,根据船舶任务过程涉及的动态物理属性,构建孪生系统模型;
S13,根据静态物理属性之外的物理实体参数,构建船舶航行运动学模型、雷达扫描器运动学模型、声呐基阵动力学模型;
S14,描述物理实体的虚拟可视化属性,建立组件库管理实体模型,存放所述虚拟可视化属性。
应说明的是:实体模型需描述船舶任务系统物理实体的几何参数、物理属性、运行模式、人机交互、信息流程、接口关系等要素。在实体模型构建方面,可以分为两个部分,其一是根据船舶任务过程涉及的静态物理属性,进行对象属性参数初始化:其二是基于船舶任务过程涉及的动态物理属性,构建相应孪生系统模型。从船舶整体来看,静态物理属性参数包括船舶重量、排水量、吃水深度、航行速度、材质等:从船舶任务系统来看,静态物理属性参数包括警戒探测系统的探测范围、指挥控制以及任务支援系统的初始反应时间等:从船舶任务系统单元来看,静态物理属性参数包括双波段雷达的最大探测距离、拖拽阵列声呐的最大搜索深度等。物理对象重量和材质等静态物理属性参数可以初始设定,通过船舶任务系统信息交互协议、数据采集卡、组态软件等方式读取船舶航行速度、任务支援子系统的反应时间、声呐探测目标距离等动态参数,并通过实时自动更新的方式实现实体模型的构建与更新。对于船舶任务过程静态物理属性之外的实体模型参数,包括船舶航行运动学模型、雷达扫描器运动学模型、声呐基阵动力学模型等,则需要单独构建。
所述静态物理属性包括船舶重量、排水量、吃水深度、航行速度、材质以及任务支援系统的初始反应时间、双波段雷达的最大探测范围、拖曳阵列声纳的最大搜索深度。
所述船舶航行运动学模型考虑船舶受到攻击、外界作用力、海浪速度以及船舶航向、航速的影响而产生的摇摆,通过谱分析法进行各种异构影响要素之间不规则函数关系的分析,建立船舶任务过程中摇荡运动的运动谱与异构要素谱之间的关系;
应说明的是:船舶摇摆运动可用刚体在空间运动的6个自由度来描述基于横摇、纵摇、首摇,横荡、纵荡、垂荡等6种基本运动方式的耦合形成更复杂的运动来调整船舶的位置和姿态,并通过在大地坐标系中改变船舶的坐标以驱动船舶的航行。
所述雷达扫描器运动学模型构建过程为:通过建立地面、横滚组件固连、方位组件固连和俯仰组件固连四套坐标系以及三个转角来表示这四套坐标系之间的相对位置,通过简化扫描器结构建立扫描器CAE模型,结合实际运动情况设置约束条件,并通过控制俯仰、方位、横滚方向的最大角速度和角加速度在规定范围内为驱动条件,建立三个运动方向的6个驱动方程,得到雷达扫描器运动学模型:
其中,ω俯仰(t),ω方位(t)和ω横滚(t)为三个运动方向的角速度,α俯仰(t),α方位(t)和α横滚(t)为三个运动方向的角速度,d为弧度单位,time为船舶任务执行时间;
应说明的是:基于船舶任务过程的探测目标设定约束条件,以键入角速度、角加速度的方式建立驱动方程并通过改变各方向上的角速度和角加速度以驱动双波段雷达、敌我识别雷达和电子侦察等警戒探测扫描器的运作。最后,通过配置文件、文本文件、XML文件、CSV文件等实现实体模型的存储与管理。船舶任务系统数字孪生系统通过读取文件中存储的实体模型参数,当某些模型参数被更新后则覆盖原有的模型存储文件,实现实体模型参数的实时更新。此外,可以通过覆写实体模型存储文件的方式直接实现实体模型的新增、删除和修改。
所述声呐基阵动力学模型构建过程为:建立惯性坐标系、首向坐标系、舰体坐标系和声呐基阵坐标系,结合声呐基阵原理结构建立外框架坐标系、中框架标系和内框架坐标系以及外框架坐标系、中框架标系和内框架坐标系之间的变换矩阵,建立各框架的速度、角速度、惯量阵和动量矩间的变换关系,然后运用刚体动量定理和动量矩定理建立声呐基阵内框架、内-中框架组合体及内-中-外框架组合体的三自由度矢量形式的旋转运动方程,得到声呐基阵动力学模型:
其中L为各框架的动量矩,t为时间,Ω为各框架的角速度,U为各框架的速度,H为各框架的转矩;
应说明的是:基于船舶任务过程中的水下目标设定各框架间的约束关系,结合建立的框架间惯量阵和动力矩变换关系建立旋转运动方程并通过改变各轴框架的速度和角速度以驱动舰载声呐、拖拽阵列声呐等水声传感探测识别设备的运作。
应说明的是:基于雷达扫描器、电子侦察等警戒探测设备探测到的目标信息形成任务需求,建立面向任务需求的总传递矩阵。
步骤S2包括以下步骤:
S21,使用数据采集设备实时采集船舶任务系统的实时数据和历史数据,由实时数据和历史数据组成船舶任务系统孪生数据;
S22,对船舶任务系统孪生数据进行动态统一建模,得到船舶任务状态数据统一本体模型;
S23,完成动态统一建模后,通过数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行集成化管理;
S24,集成化管理完成后,对船舶任务系统孪生数据进行动态分析,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息。
应说明的是:对实时数据和历史数据进行分析和梳理,对实时数据和历史数据进行动态统一,描述建模集成化管理和动态分析,存储数据通常反映实体系统的历史状态,状态监测仅能表明其当前的实时状态。缺乏有效的连续分析手段,通过将历史数据、物理模型和机器学习技术结合,多方位预测未来船舶平台性能(包括航行情况、发动机运行状态、材料疲劳损伤、燃油消耗等)和海洋环境情况,为决策者提供平台性能最优化的方案,并实现预测性维修,从而提高船舶任务效能及应对威胁的能力。
所述动态统一建模过程为:采用基于本体的船舶任务过程数据统一建模技术,通过定义船舶任务状态数据的规范概念,采用RDP形式化系统概述、XML形式化语法分析和RDF形式化语义分析,建立数据信息之间的属性关联,描述概念属性的约束关系,建立包括船舶结构本体、船舶子系统本体和船舶航行过程本体的船舶任务状态数据统一本体模型。
应说明的是:统一模型的粒度可按船舶任务过程各阶段进行具体划分,根据不同的本体模型可对数据进行描述。在此基础上,通过聚类分析、关联规则分析、特征分析与变化偏差分析等数据挖掘方法分析不同船舶任务子系统运行之间的映射关系、关联属性、逻辑约束和公理规则,提取不同船舶任务子系统概念属性中存在或潜在的继承关系、从属关系、整体-部分关系、数值关系等各类描述关系,构建概念属性的层次和关联结构,建立面向船舶任务过程的具有明确认知语义、可扩展的孪生数据统一描述框架。
所述集成化管理过程为:
采用数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行检测,发现其中存在的不一致以及错误,剔除或修正错误数据,对数据缺失值进行填补;
取数据集为A(B1,...,Bn),Bi(i∈[1,n])为子系统,n为子系统的数量,子系统的数据特征分布为Bi(bi1,bi2,...,bim),m为特征的数量;
对数据集A(B1,...,Bn)中的缺失数据选择同一列的其他已知数据进行填补,得到数据集A′;
使用数据集A′训练关系模型,根据训练得到的关系模型对数据集进行插补过程为:
其中,Pr(b′ij=l|ci;α)为关系模型,i为第i个子系统,j为第i个子系统的第j个特征,b′ij为待插补数据,D为待插补数据的插补类别总数,d为第d个插补类别,d′为第d′个插补类别,αd是一个维度为m-1的向量,m为特征总数,ci为待插补数据b′ij对应的一行已知数据ci=(b′i1,...,b′i,j-1,b′ij,...,b′m),α1=0,α=(α2,...,αL)为后验概率,α通过Pr(b′ij=l|ci;α)训练得到;
待插补数据的插补值计算公式为:
其中,f为在(0,1)区间中抽取的随机值,f>gid时,E(f>gid)的值为1,否则E(f>gid)的值为0;
α*为后验概率α=(α2,...,αL)中选择的随机值;
当所有待插补数据位置都进行插补后,完成第一轮插补得到新的数据集,重复插补过程直到迭代次数达到结束条件,迭代次数设定为5-20轮,当前后两轮迭代的数据集不存在差异时提前结束,结束后输出插补结果;
采用基于K均值的聚类算法对数据进行去噪,通过文件相似性比较算法去除重复冗杂的文件数据,采用MySQL或Oracle数据库存储集成化管理后的数据。
应说明的是:如图2所示,是本发明的一种大型船舶任务系统数字孪生模型构建方法的集成化管理示意图,针对多源异构任务过程大数据主要涉及的实时性结构化数据、非实时性结构化数、半结构化及非结构化数据,提出基于Hadoop+Hbase的混合大数据分布式存储方案,主要通过关系型数据库和非关系型数据库进行数据存储。其中,采用关系型数据库存储对实时性要求较高的结构化数据,负责与上层业务中的实时性业务交互,非关系型数据库主要用于存储结构化非实时性数据和非结构化、半结构化数据,负责与上层业务中非实时性业务交互。首先,通过Hbase存储结构化数据。其中采用MySQL关系型数据库存储实时性结构化数据,当MySQL数据库中的数据量超过阈值后,可将50%的数据迁移到基于Hadoop的Hbase分布式数据库中,因此,HBase存储的主要是预处理之后的非实时性结构化数据和MySQL数据库中迁移过来的结构化数据,Hbase的物理存储方式按RowKey的顺序,至上而下分割为多个Hregion,当某个Region数据量增加到一定阀值的时候,自动拆分为两个,当数据量不断增大,HRegion数据随之增多,超出现有RegionServer存储容量后,可以通过增加硬件设备的方式,任意延伸表的长度,达到扩充容量目的。其次,通过Hbase和HDFS存储任务过程涉及的半结构化和非结构化数据。HDFS是Hadoop平台提供的分布式文件系统,支持存储GB级到TB级的单个文件,还支持在一个文件系统中存储高达数千万级的文件数量。因此,可将任务过程涉及的日志文件、船舶任务系统规范数据的文本类文件、图片类文件、音视频文件进行统一存储管理。
船舶任务系统的各个子系统所包含的数据量大且多为离散值,当其中数据缺失时,对于船舶任务系统数据分析结果会造成较大的影响,因此集成化管理过程对数据的处理是必不可失的,然而一般的缺失数据、缺失值处理方法精度较低,如加权均值填充法,而加权均值填充法更适用于正态分布的数据集;因此我们采用多重插补模型来对缺失数据进行插补处理,可以有效的矫正缺失值。
所述动态分析过程为:通过主成分分析、线性判别、无监督聚类将船舶任务过程中的多种多维运行数据降低到低维,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息,获取面向任务过程的船舶任务系统的相关知识,构建并丰富任务知识库。
应说明的是:如图3所示,是本发明的的一种大型船舶任务系统数字孪生模型构建方法的动态分析示意图,在孪生数据动态分析方面,围绕船舶任务过程中的各种运行数据,包括雷达传感器组、电子侦察组、水声传感器组和航空探测等警戒探测系统的多维度探测数据(海量多样、高速、精确等维度,如双波段雷达的探测数据包括目标的距离、方位和俯仰值而拖拽阵列声呐的探测数据包括目标的距离、材质和采集图像的分辨率等),指挥控制系统涵盖的复杂任务数据,通过主成分分析、线性判别、无监督聚类、独立成分分析等特征抽取方法将上述多维数据或相关的特征降低到低维,以获取船舶任务过程中各类异构船舶任务系统的主要信息或生成与任务目标和任务相关性更高的信息。同时,针对船舶任务系统的海量非结构化、半结构化、结构化数据,采用基于模板的方法、监督学习、半监督学习、包装器归纳、RDB2RDF映射等知识获取方法并遵循知识获取的简化、速度、容量和深度四大原则,快速高效地获取面向任务过程的船舶任务系统相关知识,构建和丰富任务知识库,以应对瞬息万变的任务环境。
步骤S3包括以下步骤:
S31,根据船舶任务系统现有数据链路和数据交互接口,采用OPCUA协议以及数据预留接口进行船舶任务系统实体模型与船舶任务系统孪生数据模型之间的连接交互,得到船舶任务系统连接交互模型;
S32,通过数据采集设备获取物理实体的运动数据,通过OPCUA协议传输给船舶任务系统孪生数据模型,通过船舶任务系统孪生数据模型的数据接口传送给物理实体,将采集到的船舶任务系统物理实体参数通过OPCUA协议传输至船舶任务系统实体模型,更新船舶任务系统实体模型。
将船舶任务系统实体模型的仿真分析数据转化为控制指令传输至船舶任务系统孪生数据模型,进行船舶任务系统实体模型和船舶任务系统孪生数据模型的双向实时异步互传和交互控制,将船舶任务系统实体模型产生的仿真分析数据及相关数据动态存储到船舶任务系统孪生数据模型中,实时读取船舶任务系统孪生数据模型的融合数据、关联数据、生命周期数据,进行动态仿真驱动,完成船舶任务系统实体模型参数与船舶任务系统孪生数据模型参数之间的互相读取和使用。
应说明的是:OPCUA服务器置于船舶任务系统,与船舶任务系统现有数据链路层和数据交互接口连接,利用数据采集设备获取物理实体实时的运动数据,将其通过OPCUA协议传输给孪生数据模型,船舶任务系统数字孪生运行生成的指令数据通过孪生数据模型预先定义的数据接口传送给船舶任务系统物理实体。将采集到的船舶任务系统物理实体数据(尺寸坐标、探测范围、任务范围等)通过OPCUA协议传输至实体模型,更新实体模型,实体模型仿真分析数据转化为控制指令下达,实现船舶任务系统和船舶任务系统数字孪生的数据双向实时异步互传和交互控制。船舶任务系统数字孪生模型作为OPCUA客户端,基于JDBC、ODBC等数据库接口,一方面,将实体模型产生的仿真及相关数据动态存储到孪生数据模型中,另一方面实时读取孪生数据模型的融合数据、关联数据、生命周期数据等实现动态仿真驱动。基于虚拟I/0接口,保证实体模型、数据模型的有效联通,从而实现实体模型参数-孪生数据模型参数之间的互相读取和使用。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种大型船舶任务系统数字孪生模型构建方法,其特征在于,包括以下步骤:
S1,描述船舶任务系统的物理实体参数,通过物理实体参数构建船舶任务系统实体模型;
步骤S1包括以下步骤:
S11,根据船舶任务过程涉及的静态物理属性,进行对象属性参数初始化;
S12,根据船舶任务过程涉及的动态物理属性,构建孪生系统模型;
S13,根据静态物理属性之外的物理实体参数,构建船舶航行运动学模型、雷达扫描器运动学模型和声呐基阵动力学模型;
S14,描述物理实体的虚拟可视化属性,建立组件库管理实体模型,存放所述虚拟可视化属性;
所述静态物理属性包括船舶重量、排水量、吃水深度、航行速度、材质以及任务支援系统的初始反应时间、双波段雷达的最大探测范围、拖曳阵列声纳的最大搜索深度;
S2,通过数据采集设备采集船舶任务系统的实时数据和历史数据,通过实时数据和历史数据构建船舶任务系统孪生数据模型;
S3,通过舰载数据通信方法结合指定数据格式构建船舶任务系统连接交互模型,通过船舶任务系统连接交互模型进行船舶任务系统实体模型和船舶任务系统孪生数据模型之间的动态连接和数据交互;
步骤S3包括以下步骤:
S31,根据船舶任务系统现有数据链路和数据交互接口,采用OPC UA协议以及数据预留接口进行船舶任务系统实体模型与船舶任务系统孪生数据模型之间的连接交互,得到船舶任务系统连接交互模型;
S32,通过数据采集设备获取物理实体的运动数据,通过OPC UA协议传输给船舶任务系统孪生数据模型,通过船舶任务系统孪生数据模型的数据接口传送给物理实体,将采集到的船舶任务系统物理实体参数通过OPC UA协议传输至船舶任务系统实体模型,更新船舶任务系统实体模型;
将船舶任务系统实体模型的仿真分析数据转化为控制指令传输至船舶任务系统孪生数据模型,进行船舶任务系统实体模型和船舶任务系统孪生数据模型的双向实时异步互传和交互控制,将船舶任务系统实体模型产生的仿真分析数据及相关数据动态存储到船舶任务系统孪生数据模型中,实时读取船舶任务系统孪生数据模型的融合数据、关联数据、生命周期数据,进行动态仿真驱动,完成船舶任务系统实体模型参数与船舶任务系统孪生数据模型参数之间的互相读取和使用。
2.如权利要求1所述的一种大型船舶任务系统数字孪生模型构建方法,其特征在于,所述船舶航行运动学模型考虑船舶受到攻击、外界作用力、海浪速度以及船舶航向、航速的影响而产生的摇摆,通过谱分析法进行各种异构影响要素之间不规则函数关系的分析,建立船舶任务过程中摇荡运动的运动谱与异构要素谱之间的关系:
所述雷达扫描器运动学模型构建过程为:通过建立地面、横滚组件固连、方位组件固连和俯仰组件固连四套坐标系以及三个转角来表示这四套坐标系之间的相对位置,通过简化扫描器结构建立扫描器CAE模型,结合实际运动情况设置约束条件,并通过控制俯仰、方位、横滚方向的最大角速度和角加速度在规定范围内为驱动条件,建立三个运动方向的6个驱动方程,得到雷达扫描器运动学模型:
控制最大角速度
控制最大角加速度
其中,ω俯仰(t),ω方位(t)和ω横滚(t)为三个运动方向的角速度,α俯仰(t),α方位(t)和ω横滚(t)为三个运动方向的角速度,d为弧度单位,time为船舶任务执行时间;
所述声呐基阵动力学模型构建过程为:建立惯性坐标系、首向坐标系、舰体坐标系和声呐基阵坐标系,结合声呐基阵原理结构建立外框架坐标系、中框架标系和内框架坐标系以及外框架坐标系、中框架标系和内框架坐标系之间的变换矩阵,建立各框架的速度、角速度、惯量阵和动量矩间的变换关系,然后运用刚体动量定理和动量矩定理建立声呐基阵内框架、内-中框架组合体及内-中-外框架组合体的三自由度矢量形式的旋转运动方程,得到声呐基阵动力学模型:
其中L为各框架的动量矩,t为时间,Ω为各框架的角速度,U为各框架的速度,H为各框架的转矩。
3.如权利要求1所述的一种大型船舶任务系统数字孪生模型构建方法,其特征在于,步骤S2包括以下步骤:
S21,使用数据采集设备实时采集船舶任务系统的实时数据和历史数据,由实时数据和历史数据组成船舶任务系统孪生数据;
S22,对船舶任务系统孪生数据进行动态统一建模,得到船舶任务状态数据统一本体模型;
S23,完成动态统一建模后,通过数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行集成化管理;
S24,集成化管理完成后,对船舶任务系统孪生数据进行动态分析,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息。
4.如权利要求3所述的一种大型船舶任务系统数字孪生模型构建方法,其特征在于,所述动态统一建模过程为:采用基于本体的船舶任务过程数据统一建模技术,通过定义船舶任务状态数据的规范概念,采用RDP形式化系统概述、XML形式化语法分析和RDF形式化语义分析,建立数据信息之间的属性关联,描述概念属性的约束关系,建立包括船舶结构本体、船舶子系统本体和船舶航行过程本体的船舶任务状态数据统一本体模型。
5.如权利要求3所述的一种大型船舶任务系统数字孪生模型构建方法,其特征在于,所述集成化管理过程为:
采用数据填补、数据去噪、数据去冗余和数据清洗对船舶任务系统孪生数据进行检测,发现其中存在的不一致以及错误,剔除或修正错误数据,对数据缺失值进行填补;
取数据集为A(B1,...,Bn),Bi(i∈[1,n])为子系统,n为子系统的数量,子系统的数据特征分布为Bi(bi1,bi2,...,bim),m为特征的数量;
对数据集A(B1,...,Bn)中的缺失数据选择同一列的其他已知数据进行填补,得到数据集A′;
使用数据集A′训练关系模型,根据训练得到的关系模型对数据集进行插补过程为:
其中,Pr(b′ij=l|ci;α)为关系模型,i为第i个子系统,j为第i个子系统的第j个特征,b′ij为待插补数据,D为待插补数据的插补类别总数,d为第d个插补类别,d′为第d′个插补类别,αd是一个维度为m-1的向量,m为特征总数,ci为待插补数据b′ij对应的一行已知数据
ci=(b′i1,...,b′i,j-1,b′ij,...,b′m),α1=0,
α=(α2,...,αL)为后验概率,α通过Pr(b′ij=l|ci;α)训练得到;
待插补数据的插补值计算公式为:
其中,f为在(0,1)区间中抽取的随机值,f>gid时,E(f>gid)的值为1,否则E(f>gid)的值为0;
α*为后验概率α=(α2,...,αL)中选择的随机值;
当所有待插补数据位置都进行插补后,完成第一轮插补得到新的数据集,重复插补过程直到迭代次数达到结束条件,迭代次数设定为5-20轮,当前后两轮迭代的数据集不存在差异时提前结束,结束后输出插补结果;
采用基于K均值的聚类算法对数据进行去噪,通过文件相似性比较算法去除重复冗杂的文件数据,采用MySQL或Oracle数据库存储集成化管理后的数据。
6.如权利要求3所述的一种大型船舶任务系统数字孪生模型构建方法,其特征在于,所述动态分析过程为:通过主成分分析、线性判别、无监督聚类将船舶任务过程中的多种多维运行数据降低到低维,获取船舶任务过程中船舶任务系统的主要信息,生成与任务目标和船舶任务相关性更高的信息,获取面向任务过程的船舶任务系统的相关知识,构建并丰富任务知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929116.2A CN116911048B (zh) | 2023-07-27 | 2023-07-27 | 一种大型船舶任务系统数字孪生模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310929116.2A CN116911048B (zh) | 2023-07-27 | 2023-07-27 | 一种大型船舶任务系统数字孪生模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911048A CN116911048A (zh) | 2023-10-20 |
CN116911048B true CN116911048B (zh) | 2024-03-22 |
Family
ID=88359985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310929116.2A Active CN116911048B (zh) | 2023-07-27 | 2023-07-27 | 一种大型船舶任务系统数字孪生模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911048B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117971356B (zh) * | 2024-03-29 | 2024-06-14 | 苏州元脑智能科技有限公司 | 基于半监督学习的异构加速方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177263A (zh) * | 2021-05-08 | 2021-07-27 | 大连海事大学 | 一种船舶设备数字孪生体建立方法及系统 |
WO2021160686A1 (en) * | 2020-02-10 | 2021-08-19 | Deeplife | Generative digital twin of complex systems |
CN113886973A (zh) * | 2021-10-25 | 2022-01-04 | 江苏远望仪器集团有限公司 | 基于虚实映射的船舶航速处理方法、装置及处理设备 |
CN114936257A (zh) * | 2022-06-13 | 2022-08-23 | 武汉理工大学 | 面向船舶运行数字孪生体的孪生数据集成化管理方法 |
CN116109071A (zh) * | 2022-12-19 | 2023-05-12 | 湖州市港航管理中心 | 港口船舶信息交互系统、方法及电子设备 |
-
2023
- 2023-07-27 CN CN202310929116.2A patent/CN116911048B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021160686A1 (en) * | 2020-02-10 | 2021-08-19 | Deeplife | Generative digital twin of complex systems |
CN113177263A (zh) * | 2021-05-08 | 2021-07-27 | 大连海事大学 | 一种船舶设备数字孪生体建立方法及系统 |
CN113886973A (zh) * | 2021-10-25 | 2022-01-04 | 江苏远望仪器集团有限公司 | 基于虚实映射的船舶航速处理方法、装置及处理设备 |
CN114936257A (zh) * | 2022-06-13 | 2022-08-23 | 武汉理工大学 | 面向船舶运行数字孪生体的孪生数据集成化管理方法 |
CN116109071A (zh) * | 2022-12-19 | 2023-05-12 | 湖州市港航管理中心 | 港口船舶信息交互系统、方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116911048A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110943B (zh) | 一种基于大数据的船队能效综合智能优化管理系统和优化方法 | |
US11836596B2 (en) | Neural networks with relational memory | |
CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
CN107677279A (zh) | 一种定位建图的方法及系统 | |
CN116911048B (zh) | 一种大型船舶任务系统数字孪生模型构建方法 | |
CN113051830B (zh) | 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 | |
CN111636891B (zh) | 盾构姿态实时预测系统和预测模型的构建方法 | |
CN114201920A (zh) | 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 | |
CN112100800B (zh) | 面向地缘环境的时空信息智能分析体系架构设计方法 | |
CN113110455B (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
US11846942B2 (en) | System for monitoring the landing zone of an electric vertical takeoff and landing aircraft | |
Li et al. | Laplacian mesh transformer: Dual attention and topology aware network for 3D mesh classification and segmentation | |
Ridella et al. | Plastic algorithm for adaptive vector quantisation | |
US20220067532A1 (en) | Method to Train Model | |
CN112596659B (zh) | 一种基于智能语音和图像处理的绘画方法和装置 | |
Xia et al. | Hybrid feature adaptive fusion network for multivariate time series classification with application in AUV fault detection | |
CN115293236A (zh) | 一种基于混合聚类的电力设备并行故障诊断方法及装置 | |
CN113902971A (zh) | 基于多尺度融合轻量化深度学习卷积网络的目标检测方法 | |
Ouyang et al. | Fast 3D point cloud target tracking based on polar-voxel encoding | |
EP4057222A1 (en) | Machine-learning for 3d segmentation | |
CN117058401B (zh) | 复杂环境感知的高精度点云分类自适应下采样方法及装置 | |
CN116665189B (zh) | 基于多模态的自动驾驶任务处理方法及系统 | |
CN117170406B (zh) | 一种基于分层规划的无人机快速自主搜寻方法 | |
Wang et al. | Intelligent situation awareness based on the fractal dimension and multidimensional reconstruction | |
CN115617033B (zh) | 一种船舶的编队方法、系统、装置及存储介质 |
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 |