CN117030635A - 一种基于多指标测定的硫酸铝的质量分析方法 - Google Patents

一种基于多指标测定的硫酸铝的质量分析方法 Download PDF

Info

Publication number
CN117030635A
CN117030635A CN202311296731.0A CN202311296731A CN117030635A CN 117030635 A CN117030635 A CN 117030635A CN 202311296731 A CN202311296731 A CN 202311296731A CN 117030635 A CN117030635 A CN 117030635A
Authority
CN
China
Prior art keywords
aluminum sulfate
virtual
dimensional data
sample
quality
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.)
Granted
Application number
CN202311296731.0A
Other languages
English (en)
Other versions
CN117030635B (zh
Inventor
樊红伟
刘建
石靖博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zigong Fengxiang Chemical Co ltd
Original Assignee
Zigong Fengxiang Chemical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zigong Fengxiang Chemical Co ltd filed Critical Zigong Fengxiang Chemical Co ltd
Priority to CN202311296731.0A priority Critical patent/CN117030635B/zh
Publication of CN117030635A publication Critical patent/CN117030635A/zh
Application granted granted Critical
Publication of CN117030635B publication Critical patent/CN117030635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/29—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using visual detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/3103—Atomic absorption analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/2055—Analysing diffraction patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/96—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation using ion-exchange
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/16—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using titration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
    • G01N9/02—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by measuring weight of a known volume
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Graphics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及硫酸铝测定分析领域，具体为一种基于多指标测定的硫酸铝的质量分析方法，该方法包括以下步骤：获取硫酸铝样本；对硫酸铝样本进行多指标的测定；对硫酸铝的质量等级进行输出；构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置，区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内。本发明从多个维度对硫酸铝质量进行评价，测试结果能够全面反映样品质量；采用神经网络技术建立质量评价模型，可以快速自动判断质量等级，使用虚拟三维模型结合增强现实技术，直观展示不同质量水平的硫酸铝。

Description

一种基于多指标测定的硫酸铝的质量分析方法
技术领域
本发明涉及硫酸铝测定分析领域，尤其涉及一种基于多指标测定的硫酸铝的质量分析方法。
背景技术
硫酸铝是一种重要的无机化工产品，广泛应用于水处理、造纸、医药等行业。近年来，测定硫酸铝的方法得到快速发展。例如利用电感耦合等离子体质谱仪（ICP-MS）测定硫酸铝中20多种杂质元素的含量，实现了对产品质量的快速评价。又如，结合傅里叶变换红外光谱技术（FTIR）、激光粒度分析技术、电感耦合等离子体发射光谱技术（ICP-OES）等多种分析技术，可以快速获得样品的化学成分、粒度分布、微量杂质元素等信息，从多参数的角度评价硫酸铝的质量水平。
近年来多指标联合检测的思路日趋成熟，基于多指标联合测定评价硫酸铝质量的技术路线，可实现对产品质量的快速和准确判断，是硫酸铝质量分析技术发展的重要方向。
而现有专利对硫酸铝的质量分析中，主要是以测定氧化铝含量为主要指标，测定的方法一般为化学滴定分析方法。但是现有专利技术的不足包括：现有的硫酸铝的质量分析中测试指标单一，大多仅关注个别指标，无法全面反映样本质量，数据处理效率低下，无法快速自动判别质量等级。同时结果表达不直观，不利于指导生产过程控制或者相关的教学中。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
有鉴于此，本申请实施例的目的是提供一种基于多指标测定的硫酸铝的质量分析方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于多指标测定的硫酸铝的质量分析方法，该方法包括以下步骤：
S1、获取硫酸铝样本，并对硫酸铝样本进行粉碎及均匀化，且对硫酸铝样本进行稀释；
S2、对硫酸铝样本进行物理性质、化学性质、结构性质及热性质的测定；
S3、基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出；
S4、构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置，区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内。
优先地，所述对硫酸铝样本进行物理性质、化学性质、结构性质及热性质的测定包括以下步骤：
S21、对硫酸铝样本进行物理性质测定；
S22、对硫酸铝样本进行化学性质测定；
S23、对硫酸铝样本进行结构性质测定；
S24、对硫酸铝样本进行热性质测定。
优先地，所述对硫酸铝样本进行物理性质测定包括以下步骤：
S211、对硫酸铝样本的颜色及外观进行获取；
S212、对硫酸铝样本的密度及比重进行测量；
S213、对硫酸铝样本的溶解度进行测量。
优先地，所述对硫酸铝样本进行化学性质测定包括以下步骤：
S221、通过滴定法获取硫酸铝的浓度；
S222、通过光谱法测定金属铝的含量；
S223、使用离子色谱法测定硫酸根的含量。
优先地，所述对硫酸铝样本进行结构性质测定包括以下步骤：
S231、通过X射线衍射法确定硫酸铝样本的晶体结构；
S232、通过红外光谱法分析硫酸铝样本的功能团。
优先地，所述对硫酸铝样本进行热性质测定包括以下步骤：
S241、通过差示扫描量热法测定硫酸铝样本的熔点及玻璃转变温度；
S242、通过热重分析测定硫酸铝样本的热稳定性及分解温度。
优先地，所述基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出包括以下步骤：
S31、确定输入和输出变量：将硫酸铝样本的质量特征作为输入变量，并将硫酸铝的质量等级作为输出变量；
S32、建立模糊规则和隶属度函数：根据先验知识或专家经验，建立若干模糊规则，并使用模糊规则描述输入变量和输出变量之间的关系，且定义每个输入变量和输出变量的隶属度函数；
S33、构建神经网络结构：基于输入变量的个数、输出变量的个数及模糊规则的条数，对神经网络结构进行构建；
S34、训练和测试神经网络模型：根据已有的硫酸铝数据集训练神经网络模型，并通过最小二乘法及梯度下降法来更新参数集合，且使用硫酸铝测试集对神经网络模型的预测准确率和泛化能力进行测试，并评估神经网络模型的效果，若效果合格，确定神经网络模型；
S35、等级输出：通过将新的硫酸铝样本的质量特征输入神经网络模型中，并输出硫酸铝的质量等级。
优先地，所述对神经网络结构进行构建包括以下步骤：
将神经网络结构分为五层；
通过第一层对输入变量进行模糊化，并根据隶属度函数定义每一个输入变量集合的隶属度：式中，/>表示输入变量X i 在第j个隶属度函数/>的输出；X i 表示第i个输入变量的值；
位于第二层通过模糊规则的作用，将输出节点的输出值为隶属度的乘积，用于表示模糊规则的触发强度；
通过第三层将模糊规则的触发强度进行归一化；
通过第四层将归一化后的触发强度乘以相应的线性函数，得到输出节点的输出值：式中，/>表示第k条模糊规则对应的第四层输出值；/>表示第k条模糊规则的触发强度；/>表示第k条模糊规则中第n个输入变量的权重；/>表示第n个输入变量的值；/>表示第k条模糊规则的偏置项；
通过第五层将所有输出节点的输出值进行求和，得到最终总输出。
优先地，所述构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置包括以下步骤：
对硫酸铝测量仪器进行模型的构建，得到若干虚拟三维数据模型；
通过摄像机获取真实环境中的图像，并捕捉真实环境中的标记及视觉特征，且根据标记及视觉特征的位置和姿态计算虚拟三维数据模型的投影变换矩阵；
将虚拟三维数据模型的空间坐标变换到图像坐标，实现虚拟三维数据模型与真实环境的融合；
将虚拟三维数据模型的三维空间点的坐标变换到计算机的二维屏幕坐标，并与控制设备选择的目标点进行匹配，获取目标点的三维坐标，同时将目标点的三维坐标显示在虚拟三维数据模型上；
获取两个虚拟三维数据模型的三维坐标；
计算两个虚拟三维数据模型之间的距离：式中，x 1，y 1，z 1和x 2，y 2，z 2分别为两个虚拟三维数据模型的三维坐标；对每个虚拟三维数据模型选择一个缓冲区的半径及形状；
将缓冲区显示在对应的虚拟三维数据模型上。
优先地，所述区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内包括以下步骤：
对不同的硫酸铝样本进行编号，用于区分硫酸铝样本；
使用控制设备点击虚拟三维数据模型，并从数据库中获取该虚拟三维数据模型的属性信息，并将属性信息显示在对应的虚拟三维数据模型上；
选择编号，将对应的硫酸铝样本的测定结果显示在虚拟三维数据模型上。
本发明的实施例包括以下有益效果：
本发明提供的一种基于多指标测定的硫酸铝的质量分析方法，测试指标全面系统，可以从多个维度对硫酸铝质量进行评价，综合考虑了硫酸铝的物理性质、化学性质、结构性质和热性质，测试结果能够全面反映样品质量。且硫酸铝样本的测定结果的数据处理智能高效，采用神经网络技术建立质量评价模型，可以快速自动判断质量等级，提高分析效率。同时结果表达直观可视化，使用虚拟三维模型结合增强现实技术，直观展示不同质量水平的硫酸铝，有利于用户理解和应用。
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是根据本发明实施例的基于多指标测定的硫酸铝的质量分析方法的流程图。
实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
根据本发明的实施例，提供了一种基于多指标测定的硫酸铝的质量分析方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于多指标测定的硫酸铝的质量分析方法，该方法包括以下步骤：
S1、获取硫酸铝样本，并对硫酸铝样本进行粉碎及均匀化，且对硫酸铝样本进行适当的稀释。
S2、对硫酸铝样本进行多指标（物理性质、化学性质、结构性质及热性质）的测定。
在进一步的实施例中，所述对硫酸铝样本进行多指标的测定包括以下步骤：
S21、对硫酸铝样本进行物理性质测定；
S22、对硫酸铝样本进行化学性质测定；
S23、对硫酸铝样本进行结构性质测定；
S24、对硫酸铝样本进行热性质测定。
在本实施例中，所述对硫酸铝样本进行物理性质测定包括以下步骤：
S211、对硫酸铝样本的颜色及外观进行获取；颜色是物质吸收、反射或透射光线的结果，可以提供关于物质的某些特性的信息。外观包括样本的形状、质地、表面光泽等特征。通过观察硫酸铝样本的颜色和外观，可以初步了解其外观特征，例如颜色是否均匀、是否存在杂质等。
S212、对硫酸铝样本的密度及比重进行测量；通过测量样品的质量和体积，可以计算出硫酸铝样本的密度和比重。密度和比重可以提供关于硫酸铝样本物质的紧密程度和重量特征的信息。
S213、对硫酸铝样本的溶解度进行测量。通过将硫酸铝样本加入适当的溶剂中，搅拌或加热，使其溶解，并通过测量溶解后的溶液中硫酸铝的浓度来计算溶解度。溶解度可以提供关于硫酸铝样本在特定条件下溶解性质的信息，包括溶解速率和溶解度的大小。
在本实施例中，所述对硫酸铝样本进行化学性质测定包括以下步骤：
S221、通过滴定法获取硫酸铝的浓度；测定时，使用一种已知浓度的标准溶液（通常是酸溶液）滴定硫酸铝溶液，直到溶液中存在大量的酸或碱的指示剂发生颜色变化。通过记录消耗的标准溶液体积以及反应方程式，可以计算出硫酸铝的浓度。
S222、通过光谱法（如原子吸收光谱法）测定金属铝的含量；光谱法是一种通过物质对特定波长的光的吸收或发射进行测量的分析方法。
S223、使用离子色谱法测定硫酸根的含量。离子色谱法利用离子交换柱分离不同离子，并通过测量吸收或导电性来定量分析。通过样品中硫酸根离子的峰面积或峰高度，可以计算出硫酸根的含量。
在本实施例中，所述对硫酸铝样本进行结构性质测定包括以下步骤：
S231、通过X射线衍射法确定硫酸铝样本的晶体结构；X射线通过样品后，会发生衍射现象，形成衍射图样。通过分析衍射图样中的衍射峰的位置、强度和形状，可以推断出样品的晶体结构和晶胞参数，从而确定硫酸铝的结构性质。
S232、通过红外光谱法分析硫酸铝样本的功能团。通过分析红外光谱图中的吸收峰的位置和强度，可以推断出样品中的功能团（如羟基、羧基等），从而了解硫酸铝的分子结构和功能性质。
在本实施例中，所述对硫酸铝样本进行热性质测定包括以下步骤：
S241、通过差示扫描量热法测定硫酸铝样本的熔点及玻璃转变温度等；差示扫描量热法通过同时测量样本和参比样本的温度差异，来记录样本在升温或降温过程中吸热或放热的情况。通过分析差示扫描量热法曲线中的热峰，可以确定硫酸铝样本的熔点、玻璃转变温度等热性质。
S242、通过热重分析测定硫酸铝样本的热稳定性及分解温度。热重分析通过连续测量样本在升温过程中的质量变化情况，来记录样本的热分解或失重情况。通过分析热重分析曲线中的失重峰，可以确定硫酸铝样本的热稳定性和分解温度。
S3、基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出。
在进一步的实施例中，所述基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出包括以下步骤：
S31、确定输入和输出变量：将硫酸铝样本的质量特征作为输入变量，并将硫酸铝的质量等级作为输出变量；其中，质量特征为硫酸铝样本的物理性质、化学性质、结构性质及热性质的测定结果。
S32、建立模糊规则和隶属度函数：根据先验知识或专家经验，建立若干模糊规则（模糊规则是指根据先验知识或专家经验，建立的描述输入变量和输出变量之间关系的逻辑语句，例如，如果硫酸铝样本的溶解度较高且金属铝含量较低，则硫酸铝的质量等级为优），并使用模糊规则描述输入变量和输出变量之间的关系，且定义每个输入变量和输出变量的隶属度函数；隶属度函数的作用是将输入或输出值从精确的数值转换为模糊的概念，从而实现输入的模糊化和输出的反模糊化，提高模型的适应性和灵活性。
S33、构建神经网络结构：基于输入变量的个数、输出变量的个数及模糊规则的条数，对神经网络结构进行构建；
S34、训练和测试神经网络模型：根据已有的硫酸铝数据集训练神经网络模型，并通过最小二乘法及梯度下降法来更新参数集合，使网络的误差平方和最小，且使用硫酸铝测试集对神经网络模型的预测准确率和泛化能力进行测试，并评估神经网络模型的效果，若效果合格，确定神经网络模型；
S35、等级输出：通过将新的硫酸铝样本的质量特征输入神经网络模型中，并输出硫酸铝的质量等级。
需要说明的是，该神经网络模型结构的输入层中假如硫酸铝样本的质量特征有Q个，那么输入层应有Q个神经元，隐含层的神经元数量位于输入层和输出层神经元数量之间。激活函数采用softmax函数。学习率是用于梯度下降法的参数，值从0.001到0.1不等，需要根据训练数据的具体情况进行调整。
在本实施例中，所述对神经网络结构进行构建包括以下步骤：
将神经网络结构分为五层；
通过第一层对输入变量进行模糊化，并根据隶属度函数定义每一个输入变量集合的隶属度：式中，/>表示输入变量X i 在第j个隶属度函数/>的输出；X i 表示第i个输入变量的值；位于第二层通过模糊规则的作用，将输出节点的输出值为隶属度的乘积，用于表示模糊规则的触发强度；
通过第三层将模糊规则的触发强度进行归一化；
通过第四层将归一化后的触发强度乘以相应的线性函数，得到输出节点的输出值：式中，/>表示第k条模糊规则对应的第四层输出值；/>表示第k条模糊规则的触发强度；/>表示第k条模糊规则中第n个输入变量的权重；/>表示第n个输入变量的值；/>表示第k条模糊规则的偏置项；通过第五层将所有输出节点的输出值进行求和，得到最终总输出。
例如，硫酸铝样本的质量特征中如果有两个输入变量a和b，分别划分为三个模糊集合：低、中、高。
有四条模糊规则：
如果a是低且b是低，则c是优；
如果a是低且b是高，则c是良；
如果a是高且b是低，则c是合格；
如果a是高且b是高，则c是不合格。
假设有一组输入数据（a=0.1，b=0.9），计算每条模糊规则的触发强度
假设使用以下线性函数来表示每条模糊规则：
那么可以计算出第四层的输出节点的输出值为归一化后的触发强度乘以相应的线性函数：
最后我们可以计算出单输出层的输出值为总的系统输出：
总输出=O1+O2+O3+O4=0.1。
这样就得到了输入数据对应的硫酸铝质量等级为0.1，根据反模糊化的方法，将其转换为一个具体的等级，例如，优、良、合格、不合格。
S4、构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置，区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内。
在进一步的实施例中，所述构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置包括以下步骤：
对硫酸铝测量仪器进行模型的构建，得到若干虚拟三维数据模型；
通过摄像机获取真实环境中的图像，并捕捉真实环境中的标记及视觉特征，且根据标记及视觉特征的位置和姿态计算虚拟三维数据模型的投影变换矩阵；
需要说明的是，标记是指预先设定的具有特殊形状或编码的图案，如二维码、棋盘格等。视觉特征是指真实环境中自然存在的具有明显边缘或角点的物体，如桌子、门窗等。摄像机根据标记或视觉特征的形状和大小，计算出它们在图像中的位置和姿态。位置是指标记或视觉特征在图像中的坐标，姿态是指标记或视觉特征相对于摄像机的旋转和平移。可以使用一些常用的算法，如基于模板匹配、基于角点检测、基于边缘检测等。
将虚拟三维数据模型的空间坐标变换到图像坐标，实现虚拟三维数据模型与真实环境的融合；
需要说明的是，摄像机根据标记或视觉特征在图像中的位置和姿态，以及摄像机的内参和外参，计算出虚拟三维数据模型的投影变换矩阵。投影变换矩阵是一个4x4的矩阵，它可以将虚拟三维数据模型的空间坐标变换到图像坐标，从而实现虚拟三维对象与真实环境的融合。可以使用一些常用的算法，如基于单应性矩阵、基于极线几何等。
将虚拟三维数据模型的三维空间点的坐标变换到计算机的二维屏幕坐标，并与控制设备（例如鼠标等）选择的目标点进行匹配，获取目标点的三维坐标，同时将目标点的三维坐标显示在虚拟三维数据模型上；
获取两个虚拟三维数据模型的三维坐标；
计算两个虚拟三维数据模型之间的距离：式中，x 1，y 1，z 1和x 2，y 2，z 2分别为两个虚拟三维数据模型的三维坐标；
构建虚拟三维数据模型的缓冲区：对每个虚拟三维数据模型选择一个缓冲区的半径及形状；将缓冲区显示在对应的虚拟三维数据模型上。
在本实施例中，所述区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内包括以下步骤：
对不同的硫酸铝样本进行编号，用于区分硫酸铝样本；
使用控制设备点击虚拟三维数据模型，并从数据库中获取该虚拟三维数据模型的属性信息，并将属性信息显示在对应的虚拟三维数据模型上；
选择编号，将对应的硫酸铝样本的测定结果显示在虚拟三维数据模型上。
综上所述，本发明提供的一种基于多指标测定的硫酸铝的质量分析方法，测试指标全面系统，可以从多个维度对硫酸铝质量进行评价，综合考虑了硫酸铝的物理性质、化学性质、结构性质和热性质，测试结果能够全面反映样品质量。且硫酸铝样本的测定结果的数据处理智能高效，采用神经网络技术建立质量评价模型，可以快速自动判断质量等级，提高分析效率。同时结果表达直观可视化，使用虚拟三维模型结合增强现实技术，直观展示不同质量水平的硫酸铝，有利于用户理解和应用。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能充电模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述仅为本发明的较佳实施例而已，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)

1.一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，该方法包括以下步骤：
S1、获取硫酸铝样本，并对硫酸铝样本进行粉碎及均匀化，且对硫酸铝样本进行稀释；
S2、对硫酸铝样本进行物理性质、化学性质、结构性质及热性质的测定；
S3、基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出；
S4、构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置，区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内。
2.根据权利要求1所述的一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，所述对硫酸铝样本进行物理性质、化学性质、结构性质及热性质的测定包括以下步骤：
S21、对硫酸铝样本进行物理性质测定；所述对硫酸铝样本进行物理性质测定包括以下步骤：
S211、对硫酸铝样本的颜色及外观进行获取；
S212、对硫酸铝样本的密度及比重进行测量；
S213、对硫酸铝样本的溶解度进行测量；
S22、对硫酸铝样本进行化学性质测定；所述对硫酸铝样本进行化学性质测定包括以下步骤：
S221、通过滴定法获取硫酸铝的浓度；
S222、通过光谱法测定金属铝的含量；
S223、使用离子色谱法测定硫酸根的含量；
S23、对硫酸铝样本进行结构性质测定；所述对硫酸铝样本进行结构性质测定包括以下步骤：
S231、通过X射线衍射法确定硫酸铝样本的晶体结构；
S232、通过红外光谱法分析硫酸铝样本的功能团；
S24、对硫酸铝样本进行热性质测定；所述对硫酸铝样本进行热性质测定包括以下步骤：
S241、通过差示扫描量热法测定硫酸铝样本的熔点及玻璃转变温度；
S242、通过热重分析测定硫酸铝样本的热稳定性及分解温度。
3.根据权利要求1所述的一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，所述基于神经网络及硫酸铝样本的测定结果，对硫酸铝的质量等级进行输出包括以下步骤：
S31、确定输入和输出变量：将硫酸铝样本的质量特征作为输入变量，并将硫酸铝的质量等级作为输出变量；
S32、建立模糊规则和隶属度函数：根据先验知识或专家经验，建立若干模糊规则，并使用模糊规则描述输入变量和输出变量之间的关系，且定义每个输入变量和输出变量的隶属度函数；
S33、构建神经网络结构：基于输入变量的个数、输出变量的个数及模糊规则的条数，对神经网络结构进行构建；
S34、训练和测试神经网络模型：根据已有的硫酸铝数据集训练神经网络模型，并通过最小二乘法及梯度下降法来更新参数集合，且使用硫酸铝测试集对神经网络模型的预测准确率和泛化能力进行测试，并评估神经网络模型的效果，若效果合格，确定神经网络模型；
S35、等级输出：通过将新的硫酸铝样本的质量特征输入神经网络模型中，并输出硫酸铝的质量等级。
4.根据权利要求3所述的一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，所述对神经网络结构进行构建包括以下步骤：
将神经网络结构分为五层；
通过第一层对输入变量进行模糊化，并根据隶属度函数定义每一个输入变量集合的隶属度：式中，/>表示输入变量X i 在第j个隶属度函数/>的输出；
X i 表示第i个输入变量的值；
位于第二层通过模糊规则的作用，将输出节点的输出值为隶属度的乘积，用于表示模糊规则的触发强度；
通过第三层将模糊规则的触发强度进行归一化；
通过第四层将归一化后的触发强度乘以相应的线性函数，得到输出节点的输出值：式中，/>表示第k条模糊规则对应的第四层输出值；
表示第k条模糊规则的触发强度；
表示第k条模糊规则中第n个输入变量的权重；
表示第n个输入变量的值；
表示第k条模糊规则的偏置项；
通过第五层将所有输出节点的输出值进行求和，得到最终总输出。
5.根据权利要求4所述的一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，所述构建若干硫酸铝测量仪器的虚拟三维数据模型，并使用增强现实技术将虚拟三维数据模型与真实环境融合，同时对虚拟三维数据模型的参数进行配置包括以下步骤：
对硫酸铝测量仪器进行模型的构建，得到若干虚拟三维数据模型；
通过摄像机获取真实环境中的图像，并捕捉真实环境中的标记及视觉特征，且根据标记及视觉特征的位置和姿态计算虚拟三维数据模型的投影变换矩阵；
将虚拟三维数据模型的空间坐标变换到图像坐标，实现虚拟三维数据模型与真实环境的融合；
将虚拟三维数据模型的三维空间点的坐标变换到计算机的二维屏幕坐标，并与控制设备选择的目标点进行匹配，获取目标点的三维坐标，同时将目标点的三维坐标显示在虚拟三维数据模型上；
获取两个虚拟三维数据模型的三维坐标；
计算两个虚拟三维数据模型之间的距离：式中，x 1，y 1，z 1和x 2，y 2，z 2分别为两个虚拟三维数据模型的三维坐标；
对每个虚拟三维数据模型选择一个缓冲区的半径及形状；
将缓冲区显示在对应的虚拟三维数据模型上。
6.根据权利要求5所述的一种基于多指标测定的硫酸铝的质量分析方法，其特征在于，所述区分不同硫酸铝样本，并将不同的硫酸铝样本的测定结果显示在对应的虚拟三维数据模型内包括以下步骤：
对不同的硫酸铝样本进行编号，用于区分硫酸铝样本；
使用控制设备点击虚拟三维数据模型，并从数据库中获取该虚拟三维数据模型的属性信息，并将属性信息显示在对应的虚拟三维数据模型上；
选择编号，将对应的硫酸铝样本的测定结果显示在虚拟三维数据模型上。
CN202311296731.0A 2023-10-09 2023-10-09 一种基于多指标测定的硫酸铝的质量分析方法 Active CN117030635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311296731.0A CN117030635B (zh) 2023-10-09 2023-10-09 一种基于多指标测定的硫酸铝的质量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311296731.0A CN117030635B (zh) 2023-10-09 2023-10-09 一种基于多指标测定的硫酸铝的质量分析方法

Publications (2)

Publication Number Publication Date
CN117030635A true CN117030635A (zh) 2023-11-10
CN117030635B CN117030635B (zh) 2023-12-15

Family

ID=88641619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311296731.0A Active CN117030635B (zh) 2023-10-09 2023-10-09 一种基于多指标测定的硫酸铝的质量分析方法

Country Status (1)

Country Link
CN (1) CN117030635B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH85225A (de) * 1918-07-25 1920-06-01 Goldschmidt Ag Th Verfahren zur Herstellung fester Stoffe von bestimmtem Dispersitätsgrad.
JPS58204085A (ja) * 1982-05-21 1983-11-28 Hitachi Ltd 蓄熱材料
CN101458258A (zh) * 2007-12-14 2009-06-17 朱勇强 一种硫酸铝的质量分析方法
CN101475218A (zh) * 2008-01-04 2009-07-08 中国科学院过程工程研究所 一种用氢氧化铬直接制备颜料级氧化铬绿的方法
US7892541B1 (en) * 1999-09-30 2011-02-22 Tumor Biology Investment Group, Inc. Soluble epidermal growth factor receptor isoforms
CN102167359A (zh) * 2010-11-30 2011-08-31 王嘉兴 用矾泥水解滤液制备氯化钾联产氯化铝和氯化铁的方法
EP2450104A1 (en) * 2009-06-30 2012-05-09 JX Nippon Oil & Energy Corporation Catalyst for producing monocyclic aromatic hydrocarbons, and method for producing monocyclic aromatic hydrocarbons
CN102492544A (zh) * 2011-12-07 2012-06-13 湖北福星生物科技有限公司 干法制取dha微藻油的方法
CN104801720A (zh) * 2015-03-23 2015-07-29 湖北大学 一种半金属哈斯勒合金Co2FeAl纳米线的制备方法及其用途
CN106290314A (zh) * 2016-08-02 2017-01-04 内蒙古包钢钢联股份有限公司 稀土合金中铌含量的测定方法
CN106530403A (zh) * 2016-11-04 2017-03-22 大连文森特软件科技有限公司 一种基于增强现实技术的汽车零部件质检系统
CN107525801A (zh) * 2017-07-17 2017-12-29 贵州金洋检测工程有限公司 一种空气中甲醛含量测定方法
CN208061261U (zh) * 2018-04-09 2018-11-06 夏飞 一种基于增强现实技术的手持式阅览设备
US20180321497A1 (en) * 2017-05-05 2018-11-08 Quanta Computer Inc. Virtual Reality Device And Its Virtual Reality Support Device
CN110705920A (zh) * 2019-11-04 2020-01-17 江苏海事职业技术学院 一种大数据环境下多隐层bp网络预测水泥强度方法
CN110809750A (zh) * 2017-06-15 2020-02-18 微软技术许可有限责任公司 在保持物理性质的同时虚拟地表示空间和对象
CN111950854A (zh) * 2020-07-14 2020-11-17 包头钢铁（集团）有限责任公司 一种基于多层神经网络的焦炭质量指标预测方法
CN112999099A (zh) * 2017-08-10 2021-06-22 苏州魁星新材料科技有限公司 一种含纳米硫组合物及其用途、含硫产品
EP4148707A1 (en) * 2020-05-08 2023-03-15 Sumitomo Pharma Co., Ltd. Three-dimensional cognitive ability evaluation system

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH85225A (de) * 1918-07-25 1920-06-01 Goldschmidt Ag Th Verfahren zur Herstellung fester Stoffe von bestimmtem Dispersitätsgrad.
JPS58204085A (ja) * 1982-05-21 1983-11-28 Hitachi Ltd 蓄熱材料
US7892541B1 (en) * 1999-09-30 2011-02-22 Tumor Biology Investment Group, Inc. Soluble epidermal growth factor receptor isoforms
CN101458258A (zh) * 2007-12-14 2009-06-17 朱勇强 一种硫酸铝的质量分析方法
CN101475218A (zh) * 2008-01-04 2009-07-08 中国科学院过程工程研究所 一种用氢氧化铬直接制备颜料级氧化铬绿的方法
EP2450104A1 (en) * 2009-06-30 2012-05-09 JX Nippon Oil & Energy Corporation Catalyst for producing monocyclic aromatic hydrocarbons, and method for producing monocyclic aromatic hydrocarbons
CN102167359A (zh) * 2010-11-30 2011-08-31 王嘉兴 用矾泥水解滤液制备氯化钾联产氯化铝和氯化铁的方法
CN102492544A (zh) * 2011-12-07 2012-06-13 湖北福星生物科技有限公司 干法制取dha微藻油的方法
CN104801720A (zh) * 2015-03-23 2015-07-29 湖北大学 一种半金属哈斯勒合金Co2FeAl纳米线的制备方法及其用途
CN106290314A (zh) * 2016-08-02 2017-01-04 内蒙古包钢钢联股份有限公司 稀土合金中铌含量的测定方法
CN106530403A (zh) * 2016-11-04 2017-03-22 大连文森特软件科技有限公司 一种基于增强现实技术的汽车零部件质检系统
US20180321497A1 (en) * 2017-05-05 2018-11-08 Quanta Computer Inc. Virtual Reality Device And Its Virtual Reality Support Device
CN110809750A (zh) * 2017-06-15 2020-02-18 微软技术许可有限责任公司 在保持物理性质的同时虚拟地表示空间和对象
CN107525801A (zh) * 2017-07-17 2017-12-29 贵州金洋检测工程有限公司 一种空气中甲醛含量测定方法
CN112999099A (zh) * 2017-08-10 2021-06-22 苏州魁星新材料科技有限公司 一种含纳米硫组合物及其用途、含硫产品
CN208061261U (zh) * 2018-04-09 2018-11-06 夏飞 一种基于增强现实技术的手持式阅览设备
CN110705920A (zh) * 2019-11-04 2020-01-17 江苏海事职业技术学院 一种大数据环境下多隐层bp网络预测水泥强度方法
EP4148707A1 (en) * 2020-05-08 2023-03-15 Sumitomo Pharma Co., Ltd. Three-dimensional cognitive ability evaluation system
CN111950854A (zh) * 2020-07-14 2020-11-17 包头钢铁（集团）有限责任公司 一种基于多层神经网络的焦炭质量指标预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNLING WANG 等: "Comparison of Three Aluminum Coagulants for Phosphorus Removal", 《JOURNAL OF WATER RESOURCE AND PROTECTION》, no. 6, pages 902 - 908 *
崔璐;强西怀;田小云;李玉;许伟;李成涛;: "Granofin Easy F-90与硫酸铝结合鞣制研究", 中国皮革, no. 06, pages 18 - 23 *
李青;刘思洁;方赤光;: "食品中铝含量及其危害研究进展", 食品安全质量检测学报, no. 01, pages 14 - 19 *

Also Published As

Publication number Publication date
CN117030635B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN112446591B (zh) 一种用于学生综合能力评价的零样本评价方法
CN107844770A (zh) 一种基于视频的电熔镁炉异常工况自动识别系统
CN108875794A (zh) 一种基于迁移学习的图像能见度检测方法
CN111915746B (zh) 一种基于弱标注的三维点云目标检测方法及标注工具
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN110309842A (zh) 基于卷积神经网络的物体检测方法及装置
CN110097091A (zh) 训练与推理数据分布不一致条件下的图像细粒度识别方法
CN108932357A (zh) 一种大气颗粒物的微物理特性到光学散射特性的计算方法
CN110503137A (zh) 基于交叉融合的遥感影像时空融合基础图像对的确定方法
Coquelin et al. Towards the use of deep generative models for the characterization in size of aggregated TiO2 nanoparticles measured by Scanning Electron Microscopy (SEM)
JPWO2019077955A1 (ja) スペクトル分析装置およびスペクトル分析方法
CN109684910A (zh) 一种网络检测输电线路地表环境变化的方法及系统
CN117030635B (zh) 一种基于多指标测定的硫酸铝的质量分析方法
CN107437091A (zh) 多层限制玻尔兹曼机的sar图像正负类变化检测方法
Fisher-Gewirtzman et al. The spatial openness index: An automated model for three-dimensional visual analysis of urban environments
CN110390124A (zh) 确定物体形状的方法和设备、制造计算装置的方法
Li et al. Research status and development trend of image camouflage effect evaluation
Liu et al. Sensor layout strategy for source term estimation of external pollution sources in urban neighbourhoods
CN115358529A (zh) 基于计算机视觉和模糊推理的施工安全评估方法
Ren et al. Hyper-Spectral Estimation Model of Soil Organic Matter Based on Generalized Greyness of Grey Number.
CN116297620B (zh) 一种核磁共振仪用磁变量测量方法及系统
CN111476454A (zh) 一种使用云模型的复杂水上交通情景危险度评价方法
Abrukov et al. Artificial neural networks and inverse problems of optical diagnostics
Roos-Hoefgeest et al. Simulation of Laser Profilometer Measurements in the Presence of Speckle Using Perlin Noise
CN116911164B (zh) 基于目标与背景分离散射数据的复合散射获取方法及装置

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