CN116954058B - 一种锅炉NOx浓度预测与智能控制方法及系统 - Google Patents
一种锅炉NOx浓度预测与智能控制方法及系统 Download PDFInfo
- Publication number
- CN116954058B CN116954058B CN202310866104.XA CN202310866104A CN116954058B CN 116954058 B CN116954058 B CN 116954058B CN 202310866104 A CN202310866104 A CN 202310866104A CN 116954058 B CN116954058 B CN 116954058B
- Authority
- CN
- China
- Prior art keywords
- nox
- concentration
- nox concentration
- value
- boiler
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000002485 combustion reaction Methods 0.000 claims abstract description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 17
- 230000001276 controlling effect Effects 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 230000019637 foraging behavior Effects 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 239000003638 chemical reducing agent Substances 0.000 claims description 7
- 230000006854 communication Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 4
- VDRGNAMREYBIHA-UHFFFAOYSA-N 2c-e Chemical compound CCC1=CC(OC)=C(CCN)C=C1OC VDRGNAMREYBIHA-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000007175 bidirectional communication Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/02—Regulating fuel supply conjointly with air supply
- F23N1/022—Regulating fuel supply conjointly with air supply using electronic means
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Regulation And Control Of Combustion (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种锅炉NOx浓度预测与智能控制方法及系统，首先，获取锅炉排放的历史NOx浓度数据和辅助变量数据，并使用拉依达准则进行数据清洗；其次，利用最大信息系数筛选与NOx排放浓度相关性较强的辅助变量；然后，建立基于FCGRU‑CNN的NOx预测模型，通过改进后的人工蜂鸟算法IAHA优化FCGRU‑CNN模型的学习率、隐藏层数和隐藏层节点数，得到与实测值误差最小的NOx浓度预测值；最后，计算NOx浓度预测值与设定值的偏差和NOx浓度测量值与设定值的偏差，通过权重因子进行加权组合，利用偏差组合专家控制器在线调整PID控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，使系统NOx浓度输出值接近预期设定值。本发明可以实现锅炉燃烧出口NOx浓度的精准预测和智能控制。
Description
技术领域
本发明属于锅炉燃烧优化控制技术领域，具体涉及一种锅炉NOx浓度预测与智能控制方法及系统。
背景技术
在工业生产和能源利用过程中，锅炉广泛应用于蒸汽发生、热水供应等领域。然而，锅炉燃烧过程中会产生一些有害气体，其中包括NOx，这对环境和人类健康都具有重要影响，准确预测和控制锅炉NOx排放浓度已经成为一个重要的研究内容。
锅炉燃烧是一个典型的多输入、大滞后、非线性与强耦合的系统，在锅炉燃烧过程中，影响锅炉排放的NOx浓度受到机组负荷、配风方式等多种因素影响，各因素之间存在着复杂的耦合关系，难以通过传统的机理模型进行计算；随着大量生产数据的积累和数据驱动技术的发展，神经网络、深度学习等数据驱动算法在非线性工业过程建模问题中取得了良好的应用效果。目前已有许多NOx浓度预测模型，常用的预测模型有LSSVM、ELM、DBN等，但传统做法大都忽略了锅炉运行参数和环境因素之间的复杂关系，使得预测精度有限。
常规PID控制无法适应锅炉运行参数和环境条件的动态变化，导致对锅炉输出NOx浓度控制控制效果不佳；当前需要采用控制性能更好PID算法实现对NOx浓度设定曲线的跟踪控制。
发明内容
发明目的：针对现有技术存在的问题，本发明提供一种锅炉NOx浓度预测与智能控制方法及系统，实现了锅炉燃烧出口NOx浓度的精准预测和智能控制。
技术方案：本发明提出一种锅炉NOx浓度预测与智能控制方法，具体包括以下步骤：
(1)预先获取锅炉排放的历史NOx浓度数据和辅助变量数据；
(2)使用拉依达准则对步骤(1)获取的数据进行数据清洗；
(3)利用最大信息系数MIC筛选与NOx排放浓度相关性较强的辅助变量；将筛选后的辅助变量和NOx浓度变量作为输入数据，并划分为训练集、验证集测试集；
(4)建立基于FCGRU-CNN的NOx预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的NOx浓度进行预测；
(5)利用改进后的人工蜂鸟算法IAHA优化基于FCGRU-CNN的NOx预测模型的超参数，得到与实测值相比误差最小的NOx浓度预测值；所述IAHA是在原AHA算法基础上采用Bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原AHA算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
(6)计算步骤(5)IAHA算法优化后得到的NOx浓度预测值与设定值的偏差和NOx浓度实测值与设定值的偏差，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整PID控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出NOx浓度的智能控制。
进一步地，步骤(1)所述的辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。
进一步地，所述步骤(2)实现过程如下：
计算标准差σ：
式中，n是观测总次数，ε为第ε次观测次数，Λ是观测值；
定义拉依达准则判别依据：
式中，Rn是残差，是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。
进一步地，所述步骤(3)实现过程如下：
(31)构建辅助变量样本集；计算输出变量NOx浓度Y与待选辅助变量X的最大信息系数MIC(X；Y)；
式中，B为构建m×n网格数量的最大上限，f(x,y)为联合概率密度函数；
(32)求得MIC值最大时的待选辅助变量Xa；定义评价函数：
式中：I(Y；Xa)表示输出变量NOx浓度Y与待选辅助变量Xa的相关程度；MIC(Y,Xa)为输出变量NOx浓度Y与待选辅助变量Xa的最大信息系数；MIC(Xa,Xb)为待选辅助变量Xa与已选辅助变量Xb之间的最大信息系数；N为筛选出的辅助变量样本集；
(33)定义相关性判别关系式为：
式中，η为相关性的阈值；I(Y；Xa)小于ηI(Y；Y)时，表明待选辅助变量Xa与输出变量Y不相关；
通过在待选辅助变量样本集中去除MIC值最大的待选辅助变量Xa，用上述相关性判别关系式判别剩余待选辅助变量X与输出变量NOx浓度Y的相关性；
(34)当剩余待选辅助变量均与输出变量NOx浓度Y不相关时，输出待选辅助变量样本集；最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量NOx浓度相关性较强的辅助变量。
进一步地，步骤(4)所述的建立FCGRU-CNN的NOx预测模型的过程如下：
(41)建立FCGRU层提取输入数据间的局部和全局信息；
先将Ik和通过全连接层转化为嵌入/>和/>再把/>和/>放入带有全连接的GRU中生成局部隐藏状态/>该过程表示为：
其中，Ik为k时刻输入，为上一时刻隐藏状态，g为局部参数，FC为全连接层；
通过全连接层整合Hk和生成全局的隐藏状态/>
其中，表示特征拼接操作，Hk为候选隐藏状态；/>包含的NOx浓度局部和全局信息；
(42)通过CNN提取FCGRU层输出数据的时空特征；
利用卷积层进行卷积运算：
其中，Fρ,θ为卷积得到的时空特征图第ρ行第θ列的特征值，Ψ为通道数，w0和δ0分别为卷积核的宽度和高度，表示时空类图第/>个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置；/>为第/>个通道下卷积核第w行第δ列的权重；/>表示第/>个通道下的偏置，f(·)是非线性激活函数ReLU；
(43)平均池化运算avgpooling：
其中，Ορ,θ为平均池化后输出的NOx浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；F(i·s+m),(j·s+n)表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长；
(45)通过全连接层输出NOx浓度预测结果。
进一步地，步骤(5)所述的利用改进后的人工蜂鸟算法IAHA优化基于FCGRU-CNN的NOx预测模型的超参数过程如下：
(51)设置IAHA算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表；
(52)对原AHA算法的种群初始化做出改进，利用Bernoulli映射初始化AHA算法的种群；
其中，β是映射参数，β∈(0,1)，zγ+1为γ+1个种群的位置；
(53)定义目标函数为NOx浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值；
(54)定义三种飞行技能，包括全向、对角和轴向飞行；
(55)蜂鸟的位置更新；通过不同位置更新方法搜寻FCGRU-CNN模型最优超参数，使得NOx浓度预测值和实际值的偏差值降低；
(56)通过算法迭代不断更新当前解，并同步更新全局最优解；
(57)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出FCGRU-CNN预测模型的最优超参数。
进一步地，步骤(6)所述的对锅炉输出NOx浓度的智能控制的过程如下：
计算NOx浓度预测值与设定值的偏差e2和NOx浓度测量值与设定值的偏差e1；
其中，C为NOx浓度测量值，C0为NOx浓度设定值，为NOx浓度预测值；
利用权重因子对偏差进行加权组合；
e＝αe1+(1-α)e2 (15)
其中，α为权重因子；
利用偏差组合专家控制器在线调整PID控制器系数；通过当前NOx浓度的组合偏差及偏差变化率，得到PID参数的增量系数，对PID参数进行在线整定，最后根据NOx浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整PID控制器比例、积分和微分系数；
利用PID控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制。
进一步地，步骤(5)所述的超参数包括学习率、隐藏层数和隐藏层节点数。
进一步地，所述步骤(55)实现过程如下：
(551)蜂鸟的引导觅食行为位置更新方式；
其中，Γi(t+1)是在第t+1次迭代时第i个食物源的位置；Γj,tar(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，D为方向向量；
(552)蜂鸟的区域性觅食行为位置更新方式；
其中，b为服从标准正态分布的区域性觅食因子；
(553)引入高斯随机游走策略代替原AHA算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
其中，表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数；/>为第t代种群中的最优个体，τ表示步长。
基于相同的发明构思，本发明还提供一种锅炉NOx浓度预测与智能控制系统，包括单元设备层、嵌入式控制层和决策应用层；
所述单元设备层包括NOx浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过Modbus通讯协议实现与嵌入式控制层的通信；
所述嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出NOx浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制；
所述的决策应用层通过5G或WIFI实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对NOx浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。
有益效果：与现有技术相比，本发明的有益效果：
1、本发明提出FCGRU-CNN的NOx预测模型，先通过FCGRU层提取输入数据间的局部和全局信息，再利用CNN提取FCGRU层输出数据的时空特征，最后通过全连接层输出NOx浓度预测结果；相比于传统的NOx浓度预测模型，能提高锅炉NOx浓度的预测精度；
2、本发明提出一种融合多种改进策略的人工蜂鸟算法，采用Bernoulli映射初始化策略，Bernoulli映射的遍历均匀性和收敛速度适合作为种群初始化，能获得比随机数更好的寻优效果；引入的高斯随机游走策略能对整个种群中的所有个体进行扰动，使其跳出局部最优；使用改进后的人工蜂鸟算法IAHA优化FCGRU-CNN预测模型的学习率、隐藏层数和隐藏层节点数，能防止过拟合，提升模型的泛化能力；
3、本发明提出采用偏差组合专家控制器控制NOx浓度，相比于普通PID控制器具有自适应调整的能力，可以根据实时的偏差情况动态调整控制器的系数；通过控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的快速性、稳定性、高精度控制。
附图说明
图1是IAHA算法优化基于FCGRU-CNN的NOx预测模型流程图；
图2是锅炉NOx浓度控制图；
图3是锅炉NOx浓度预测与智能控制系统示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出了一种锅炉NOx浓度预测与智能控制方法，具体包括以下步骤：
步骤1：获取锅炉排放的历史NOx浓度数据和辅助变量数据。
辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。
步骤2：使用拉依达准则对步骤1获取的数据进行数据清洗；具体步骤如下：
计算标准差σ：
式中，n是观测总次数，ε为第ε次观测次数，Λ是观测值。
定义拉依达准则判别依据：
式中，Rn是残差，是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。
步骤3：利用最大信息系数MIC筛选与NOx排放浓度相关性较强的辅助变量；将筛选后的辅助变量和NOx浓度变量作为输入数据，并按照6：2：2划分为训练集、验证集和测试集，具体步骤如下：
(3.1)NOx浓度与许多辅助变量有关，如果输入辅助变量过多，会造成数据冗余而影响预测精度，需要对辅助变量进行筛选。
构建辅助变量样本集；计算输出变量NOx浓度Y与待选辅助变量X的最大信息系数MIC(X；Y)；
其中，B为构建m×n网格数量的最大上限，f(x,y)为联合概率密度函数；
(3.2)求得MIC值最大时的待选辅助变量Xa，即为特征选择后的输入变量；定义评价函数：
其中，I(Y；Xa)表示输出变量NOx浓度Y与待选辅助变量Xa的相关程度；MIC(Y,Xa)为输出变量NOx浓度Y与待选辅助变量Xa的最大信息系数；MIC(Xa,Xb)为待选辅助变量Xa与已选辅助变量Xb之间的最大信息系数；N为筛选出的辅助变量样本集。
(3.3)定义相关性判别关系式为：
式中，η为相关性的阈值；I(Y；Xa)小于ηI(Y；Y)时，表明待选辅助变量Xa与输出变量Y不相关；
通过在待选辅助变量样本集中去除MIC值最大的待选辅助变量Xa，用上述相关性判别关系式判别剩余待选辅助变量X与输出变量NOx浓度Y的相关性。
(3.4)当剩余待选辅助变量均与输出变量NOx浓度Y不相关时，输出待选辅助变量样本集。最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量NOx浓度相关性较强的辅助变量。
步骤4：建立基于FCGRU-CNN的NOx预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的NOx浓度进行预测；具体步骤如下：
(4.1)建立FCGRU层提取输入数据间的局部和全局信息。
先将Ik和通过全连接层转化为嵌入/>和/>再把/>和/>放入带有全连接的GRU中生成局部隐藏状态/>该过程表示为：
其中，It为t时刻输入，为上一时刻隐藏状态，g为局部参数。
通过全连接层整合Ht和生成全局的隐藏状态/>
其中，表示特征拼接操作，Ht为候选隐藏状态；/>包含的NOx浓度局部和全局信息。
(4.2)通过CNN提取FCGRU层输出数据的时空特征。
利用卷积层进行卷积运算：
其中，Fρ,θ为卷积得到的时空特征图第ρ行第θ列的特征值，Ψ为通道数，w0和δ0分别为卷积核的宽度和高度，表示时空类图第/>个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置；/>为第/>个通道下卷积核第w行第δ列的权重；/>表示第/>个通道下的偏置，f(·)是非线性激活函数ReLU。
(4.3)平均池化运算avgpooling：
其中，Ορ,θ为平均池化后输出的NOx浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；F(i·s+m),(j·s+n)表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长.
(4.4)通过全连接层输出NOx浓度预测结果。
步骤5：利用改进后的人工蜂鸟算法(IAHA)优化基于FCGRU-CNN的NOx预测模型的学习率、隐藏层数和隐藏层节点数，提升模型的泛化能力；如图1所示，IAHA算法是在原AHA算法基础上采用Bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原AHA算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；具体步骤如下：
(5.1)设置IAHA算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表。
(5.2)对原AHA算法的种群初始化做出改进，利用Bernoulli映射初始化AHA算法的种群；
其中，zγ+1为γ+1个种群的位置，β是映射参数，β∈(0,1)；设置β为0.518，z0为0.326。
(5.3)定义目标函数为NOx浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值。
(5.4)定义三种飞行技能，包括全向、对角和轴向飞行。
(5.5)蜂鸟的位置更新；通过不同位置更新方法搜寻FCGRU-CNN模型最优超参数，使得NOx浓度预测值和实际值的偏差值降低。
蜂鸟的引导觅食行为位置更新方式；
其中，Xi(t+1)是在第t+1次迭代时第i个食物源的位置；Xj,tar(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，D为方向向量。
蜂鸟的区域性觅食行为位置更新方式；
其中，b为服从标准正态分布的区域性觅食因子。
引入高斯随机游走策略代替原AHA算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优。
其中，表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数；/>为第t代种群中的最优个体，τ表示步长。
(5.6)通过算法迭代不断更新当前解，并同步更新全局最优解。
(5.7)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出预测模型的最优超参数。
步骤6：计算NOx浓度预测值与设定值的偏差和NOx浓度实测值与设定值的偏差，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整PID控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出NOx浓度的智能控制。如图2所示。具体步骤如下：
(6.1)计算NOx浓度预测值与设定值的偏差e2和NOx浓度测量值与设定值的偏差e1；
其中，C为NOx浓度测量值，C0为NOx浓度设定值，为NOx浓度预测值。
(6.2)利用权重因子对偏差进行加权组合；
e＝αe1+(1-α)e2 (15)
其中，α为权重因子。
(6.3)利用偏差组合专家控制器在线调整PID控制器系数。
通过当前NOx浓度的组合偏差及偏差变化率，得到PID参数的增量系数，对PID参数进行在线整定，最后根据NOx浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整PID控制器比例、积分和微分系数。
(6.4)利用PID控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制。
基于相同的发明构思，本发明还提出一种锅炉NOx浓度预测与控制系统，如图3所示，包括单元设备层、嵌入式控制层和决策应用层。
单元设备层包括NOx浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过Modbus通讯协议实现与嵌入式控制层的通信；
嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出NOx浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制；
决策应用层通过5G/WIFI实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对NOx浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。
至此，已经结合附图所示的具体实验过程描述了本发明的技术方案，但是本发明的保护范围不局限于这些具体实施方式。在不偏离本发明原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种锅炉NOx浓度预测与智能控制方法，其特征在于，包括如下步骤：
(1)预先获取锅炉排放的历史NOx浓度数据和辅助变量数据；
(2)使用拉依达准则对步骤(1)获取的数据进行数据清洗；
(3)利用最大信息系数MIC筛选与历史NOx浓度相关性较强的辅助变量；将筛选后的辅助变量和NOx浓度变量作为输入数据，并划分为训练集、验证集测试集；
(4)建立基于FCGRU-CNN的NOx预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的NOx浓度进行预测；
(5)利用改进后的人工蜂鸟算法IAHA优化基于FCGRU-CNN的NOx预测模型的超参数，得到与实测值相比误差最小的NOx浓度预测值；所述IAHA是在原AHA算法基础上采用Bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原AHA算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
(6)计算步骤(5)IAHA算法优化后得到的NOx浓度预测值与设定值的偏差e2以及NOx浓度实测值与设定值的偏差e1，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整PID控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出NOx浓度的智能控制。
2.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(1)所述的辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。
3.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(2)实现过程如下：
计算标准差σ：
式中，n是观测总次数，ε为第ε次观测次数，Λ(ε)是观测值；
定义拉依达准则判别依据：
式中，Rn是残差，是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。
4.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(3)实现过程如下：
(31)构建辅助变量样本集；计算输出变量NOx浓度Y与待选辅助变量X的最大信息系数MIC(X；Y)；
式中，B为构建m×n网格数量的最大上限，f(x,y)为联合概率密度函数；
(32)求得MIC值最大时的待选辅助变量Xa；定义评价函数：
式中：I(Y；Xa)表示输出变量NOx浓度Y与待选辅助变量Xa的相关程度；MIC(Y,Xa)为输出变量NOx浓度Y与待选辅助变量Xa的最大信息系数；MIC(Xa,Xb)为待选辅助变量Xa与已选辅助变量Xb之间的最大信息系数；N为筛选出的辅助变量样本集；
(33)定义相关性判别关系式为：
式中，η为相关性的阈值；I(Y；Xa)小于ηI(Y；Y)时，表明待选辅助变量Xa与输出变量Y不相关；
通过在待选辅助变量样本集中去除MIC值最大的待选辅助变量Xa，用上述相关性判别关系式判别剩余待选辅助变量X与输出变量NOx浓度Y的相关性；
(34)当剩余待选辅助变量均与输出变量NOx浓度Y不相关时，输出待选辅助变量样本集；最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量NOx浓度相关性较强的辅助变量。
5.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(4)所述的建立FCGRU-CNN的NOx预测模型的过程如下：
(41)建立FCGRU层提取输入数据间的局部和全局信息；
先将Ik和通过全连接层转化为嵌入/>和/>再把/>和/>放入带有全连接的GRU中生成局部隐藏状态/>该过程表示为：
其中，Ik为k时刻输入，为上一时刻隐藏状态，g为局部参数，FC为全连接层；
通过全连接层整合Hk和生成全局的隐藏状态/>
其中，表示特征拼接操作，Hk为候选隐藏状态；/>为包含NOx浓度局部和全局信息的隐藏状态；
(42)通过CNN提取FCGRU层输出数据的时空特征；
利用卷积层进行卷积运算：
其中，Fρ,θ为卷积得到的时空特征图第ρ行第θ列的特征值，Ψ为通道数，w0和δ0分别为卷积核的宽度和高度，表示时空类图第/>个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置；/>为第/>个通道下卷积核第w行第δ列的权重；/>表示第/>个通道下的偏置，f(·)是非线性激活函数ReLU；
(43)平均池化运算avgpooling：
其中，Ορ,θ为平均池化后输出的NOx浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；F(ρ·s+m),(θ·s+n)表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长；
(44)通过全连接层输出NOx浓度预测结果。
6.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(5)所述的利用改进后的人工蜂鸟算法IAHA优化基于FCGRU-CNN的NOx预测模型的超参数过程如下：
(51)设置IAHA算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表；
(52)对原AHA算法的种群初始化做出改进，利用Bernoulli映射初始化AHA算法的种群；
其中，β是映射参数，β∈(0,1)，zγ+1为γ+1个种群的位置；
(53)定义目标函数为NOx浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值；
(54)定义三种飞行技能，包括全向、对角和轴向飞行；
(55)蜂鸟的位置更新；通过不同位置更新方法搜寻FCGRU-CNN模型最优超参数，使得NOx浓度预测值和实际值的偏差值降低；
(56)通过算法迭代不断更新当前解，并同步更新全局最优解；
(57)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出FCGRU-CNN预测模型的最优超参数。
7.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(6)所述的对锅炉输出NOx浓度的智能控制的过程如下：
计算NOx浓度预测值与设定值的偏差e2以及NOx浓度测量值与设定值的偏差e1；
其中，C为NOx浓度测量值，C0为NOx浓度设定值，为NOx浓度预测值；
利用权重因子对偏差进行加权组合；
e＝αe1+(1-α)e2 (15)
其中，α为权重因子；
利用偏差组合专家控制器在线调整PID控制器系数；通过当前NOx浓度的组合偏差及偏差变化率，得到PID参数的增量系数，对PID参数进行在线整定，最后根据NOx浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整PID控制器比例、积分和微分系数；
利用PID控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制。
8.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(5)所述的超参数包括学习率、隐藏层数和隐藏层节点数。
9.根据权利要求6所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(55)实现过程如下：
(551)蜂鸟的引导觅食行为位置更新方式；
其中，Γi(t+1)是在第t+1次迭代时第i个食物源的位置；Γj,tar(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，D为方向向量；
(552)蜂鸟的区域性觅食行为位置更新方式；
其中，b为服从标准正态分布的区域性觅食因子；
(553)引入高斯随机游走策略代替原AHA算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
其中，表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数；/>为第t代种群中的最优个体，τ表示步长。
10.一种采用如权利要求1-9任一所述方法的锅炉NOx浓度预测与智能控制系统，包括单元设备层、嵌入式控制层和决策应用层；
所述单元设备层包括NOx浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过Modbus通讯协议实现与嵌入式控制层的通信；
所述嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出NOx浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制；
所述的决策应用层通过5G或WIFI实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对NOx浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866104.XA CN116954058B (zh) | 2023-07-13 | 2023-07-13 | 一种锅炉NOx浓度预测与智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866104.XA CN116954058B (zh) | 2023-07-13 | 2023-07-13 | 一种锅炉NOx浓度预测与智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116954058A CN116954058A (zh) | 2023-10-27 |
| CN116954058B true CN116954058B (zh) | 2024-02-23 |
Family
ID=88459688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310866104.XA Active CN116954058B (zh) | 2023-07-13 | 2023-07-13 | 一种锅炉NOx浓度预测与智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116954058B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
| CN113217922A (zh) * | 2021-02-25 | 2021-08-06 | 华南理工大学 | 一种垃圾焚烧NOx源头产生量预测方法与系统 |
| CN115685743A (zh) * | 2022-09-07 | 2023-02-03 | 兖矿能源集团股份有限公司 | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2831666B1 (fr) * | 2001-10-25 | 2004-03-12 | Air Liquide | Capteur logiciel nox en sortie des cheminees des fours utilisant l'air enrichi en oxygene ou de l'oxygene pur comme comburant |
| US8244505B2 (en) * | 2009-11-05 | 2012-08-14 | General Electric Company | Predicting NOx emissions |
| CN113919448B (zh) * | 2021-12-14 | 2022-04-01 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
-
2023
- 2023-07-13 CN CN202310866104.XA patent/CN116954058B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
| CN113217922A (zh) * | 2021-02-25 | 2021-08-06 | 华南理工大学 | 一种垃圾焚烧NOx源头产生量预测方法与系统 |
| CN115685743A (zh) * | 2022-09-07 | 2023-02-03 | 兖矿能源集团股份有限公司 | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进最优觅食算法的锅炉NO_x排放预测研究;牛培峰 等;计量学报;第41卷(第07期);第879-884页 * |
| 基于改进花授粉算法和极限学习机的锅炉NO_x排放优化;牛培峰 等;动力工程学报;第38卷(第10期);第782-787页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116954058A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Salgado et al. | Greenhouse climate hierarchical fuzzy modelling | |
| Coelho et al. | Greenhouse air temperature predictive control using the particle swarm optimisation algorithm | |
| CN111474965B (zh) | 基于模糊神经网络的串联输水渠道水位预测与控制方法 | |
| CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
| Su et al. | Parameter self-tuning pid control for greenhouse climate control problem | |
| CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
| CN101315544A (zh) | 一种温室智能控制方法 | |
| CN114322199B (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
| CN115983131B (zh) | 一种水产品生长含氧量调控方法及装置 | |
| CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
| CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
| CN111931418A (zh) | 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法 | |
| CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN116842856B (zh) | 一种基于深度强化学习的工业过程优化方法 | |
| CN115034126A (zh) | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| González Pérez et al. | Neural networks-based models for greenhouse climate control | |
| Hu et al. | An AI framework integrating physics-informed neural network with predictive control for energy-efficient food production in the built environment | |
| CN116954058B (zh) | 一种锅炉NOx浓度预测与智能控制方法及系统 | |
| CN117252292A (zh) | 基于Aqua Crop模型与优化LSTM算法的作物灌溉需水量预测方法 | |
| Zhang et al. | Fuzzy PID control system optimization and verification for oxygen-supplying management in live fish waterless transportation | |
| Zhu et al. | Soft sensor model based on improved Elman neural network with variable data preprocessing and its application | |
| Coelho et al. | Greenhouse air temperature control using the particle swarm optimisation algorithm | |
| Lachouri et al. | Greenhouse climate modeling using fuzzy neural network machine learning technique | |
| CN114861364A (zh) | 一种吸气式发动机进气道流场智能感知和抽吸调控方法 |
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 |