CN117166873B - 用于移动门窗的智能控制方法及系统 - Google Patents
用于移动门窗的智能控制方法及系统 Download PDFInfo
- Publication number
- CN117166873B CN117166873B CN202311097531.2A CN202311097531A CN117166873B CN 117166873 B CN117166873 B CN 117166873B CN 202311097531 A CN202311097531 A CN 202311097531A CN 117166873 B CN117166873 B CN 117166873B
- Authority
- CN
- China
- Prior art keywords
- indoor
- outdoor temperature
- time sequence
- training
- vector
- 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 37
- 239000013598 vector Substances 0.000 claims abstract description 208
- 238000011217 control strategy Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 75
- 238000005457 optimization Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012300 Sequence Analysis Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
一种用于移动门窗的智能控制方法及系统,其获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内‑室外温度对比时序特征向量;以及,基于所述上下文室内‑室外温度对比时序特征向量,确定窗户开启角度的控制策略。这样,可以有效利用自然环境的温度差异,减少空调或其他温控设备的使用。
Description
技术领域
本申请涉及智能化控制技术领域,并且更具体地,涉及一种用于移动门窗的智能控制方法及系统。
背景技术
随着智能家居的发展,移动门窗的智能控制成为了一个热门的研究方向。传统的移动门窗控制方法通常设置定时开关来控制移动门窗的开启与闭合,但这种方法不能根据室内外环境的变化灵活地调节窗户的开启程度,既浪费了能源,又影响了居住者的舒适感。
因此,期待一种优化的用于移动门窗的智能控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于移动门窗的智能控制方法及系统,其获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及,基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略。这样,可以有效利用自然环境的温度差异,减少空调或其他温控设备的使用。
第一方面,提供了一种用于移动门窗的智能控制方法,其包括:
获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;
对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及
基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略。
第二方面,提供了一种用于移动门窗的智能控制系统,其包括:
数据获取模块,用于获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;
特征提取模块,用于对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及
控制策略确定模块,用于基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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为根据本申请实施例的用于移动门窗的智能控制方法的流程图。
图2为根据本申请实施例的用于移动门窗的智能控制方法的架构示意图。
图3为根据本申请实施例的用于移动门窗的智能控制方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的用于移动门窗的智能控制系统的框图。
图5为根据本申请实施例的用于移动门窗的智能控制方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
智能家居是指利用先进的信息技术和通信技术,将家庭中的各种设备、设施和系统进行互联互通,实现自动化、智能化控制和管理的家居系统。通过智能家居技术,居住者可以更方便、舒适地控制和管理家庭设备,提高生活品质和居住安全。
智能家居系统包括以下几个方面的功能和设备:
家庭自动化控制:通过智能家居中心或智能手机等终端设备,居住者可以远程控制家庭中的各种设备,如灯光、空调、取暖系统、窗帘、门锁等。通过预设场景,可以实现一键控制,如离家模式、回家模式、睡眠模式等。
安全监控系统:智能家居可以集成安全监控系统,包括视频监控、入侵报警、烟雾报警、漏水检测等功能。居住者可以通过手机或电脑随时查看家中的监控画面,并接收报警信息。
环境控制:智能家居可以实现对室内环境的智能控制,如温度、湿度、空气质量等。居住者可以通过智能设备调节室内温度、湿度,或者通过智能窗帘控制室内光线的亮度。
能源管理:智能家居系统可以监测和管理家庭的能源消耗,通过智能电表和电器设备的联动控制,实现能源的节约和管理。
娱乐与多媒体:智能家居可以集成家庭娱乐系统,包括音频、视频、影音设备的联动控制。居住者可以通过智能设备控制音乐、电视、影院等娱乐设备。
智能家居的优势包括提高生活便利性和舒适度、节约能源、提高居住安全等。随着物联网技术的发展,智能家居将越来越普及,并且不断涌现出更多创新的应用和解决方案,为人们的生活带来更多便利和智能化体验。
随着智能家居的发展,移动门窗的智能控制成为了一个热门的研究方向。移动门窗是一种可以开启和关闭的门窗系统,可以通过滑动、摇摆或折叠等方式进行操作,通常由框架、玻璃或其他透明材料以及移动机制组成。
移动门窗包括:滑动门窗,通过滑轨系统实现开启和关闭,可以水平滑动或折叠,通常由大面积的玻璃板组成,提供良好的采光效果;摇摆门窗通过铰链或旋转机制实现开启和关闭,可以向内或向外摇摆,适用于较小的门窗,常见于家庭、办公室和商业场所;折叠门窗由多个可折叠的面板组成,可以沿着轨道折叠并堆叠在一侧,适用于需要大开口的场合,如阳台、露台和室内外空间的分隔;推拉门窗通过推拉机制实现开启和关闭,可以沿着滑轨平行移动,常见于室内外的过渡区域,如门廊、阳台和花园。
其中,移动门窗通常采用大面积的玻璃板,可以提供充足的自然采光,并扩大室内的视野。与传统的开启方式相比,移动门窗可以更有效地利用空间,尤其是滑动门窗和折叠门窗可以减少开启时的占用空间。移动门窗可以创造室内外的无缝连接,使室内空间与户外环境相互融合,增加舒适感和开放感。通过调节移动门窗的开启程度,可以实现良好的通风效果,并根据需要调节室内的温度和湿度。移动门窗的设计多样,可以根据个人喜好和建筑风格选择不同的款式和材质,提升建筑的美观度和装饰效果。
应可以理解,传统的移动门窗控制方法通常是通过人工操作或简单的机械装置进行的。例如,手动操作,这是最基本的控制方式,使用者通过手动推拉、摇摆或折叠门窗来开启或关闭它们,这需要人工参与,可能会有一定的努力和时间成本。
开关控制,在一些情况下,门窗可能配备了简单的开关装置,如按钮或拉杆。使用者可以通过按下按钮或拉动拉杆来控制门窗的开闭状态,这种方法依然需要人工操作,但相对于手动操作来说更加方便。
传统遥控器,一些较高级的移动门窗系统可能配备了遥控器,使用者可以通过按下遥控器上的按钮来控制门窗的开启和关闭,这种方法提供了一定的便利性,但仍然需要手动操作遥控器。
时钟定时器,在一些特定情况下,门窗的开闭可以通过时钟定时器进行控制。使用者可以设置特定的时间点,门窗会在预定的时间自动开启或关闭,这种方法适用于一些固定的时间需求,如每天早晨开启窗帘等。
但是,传统的移动门窗需要人工进行开启和关闭操作,这对于老年人、身体不便或行动不便的人来说可能是一个困难,此外,需要频繁地手动操作门窗可能会增加用户的工作量和不便。传统的移动门窗控制方法通常缺乏智能化的功能和自动化的控制策略,无法根据室内外的环境变化自动调节门窗的开启程度,导致能源的浪费和室内舒适度的下降。传统的控制方法通常只能实现门窗的开启和关闭功能,无法实现更多的智能化功能,例如,无法根据天气情况自动调节门窗的开启程度,无法与其他智能家居设备进行联动。传统的控制方法可能存在安全隐患,例如门窗未及时关闭导致的安全漏洞,此外,手动操作门窗可能不够方便,特别是当门窗较大或数量较多时。
因此,在本申请中,提供一种优化的用于移动门窗的智能控制方案。
图1为根据本申请实施例的用于移动门窗的智能控制方法的流程图。图2为根据本申请实施例的用于移动门窗的智能控制方法的架构示意图。如图1和图2所示,所述用于移动门窗的智能控制方法,包括:110,获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;120,对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及,130,基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略。
在所述步骤110中,安装温度传感器并将其与智能系统进行连接,确保传感器能够准确地采集室内和室外的温度数据,并将数据传输到智能系统中。通过获取预定时间段内多个时间点的室内和室外温度值,可以获得关于环境温度变化的数据,这些数据将用于后续步骤中的特征提取和控制策略制定,以实现智能化的门窗控制。
在所述步骤120中,对采集到的室内和室外温度数据进行处理和分析,提取特征以获得上下文室内-室外温度对比时序特征向量。特征提取方法包括统计特征(如平均值、最大值、最小值等)和时序特征(如温度变化率、温度波动性等)。通过对温度数据进行特征提取,可以从中提取出有用的信息,如室内外温度的差异、温度的变化趋势等,这些特征将为后续的控制策略制定提供基础,帮助智能系统更好地理解环境温度变化。
在所述步骤130中,根据特征向量中的信息,制定合适的控制策略来确定窗户的开启角度,这可能涉及到温度阈值的设定、开启角度的调整算法等。通过基于上下文室内-室外温度对比时序特征向量制定控制策略,可以实现智能化的门窗控制,通过合理地调整窗户的开启角度,可以实现室内外温度的有效调节,提高室内的舒适度,并节约能源消耗。
通过使用温度传感器采集数据、特征提取和控制策略制定,智能控制方法可以实现对移动门窗的智能化、自动化、安全性和便利性的提升。
具体地,在所述步骤110中,获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值。针对上述技术问题,本申请的技术构思为通过室内和室外温度时序对比模式特征来智能地控制窗户的开启程度。应可以理解,通过根据室内外温度对比模式来控制窗户的开启程度,可以有效利用自然环境的温度差异,减少空调或其他温控设备的使用。此外,通过室内和室外温度时序对比模式特征来进行对于窗户的开启程度的控制可以不受固定时间或固定温度阈值的限制,可以灵活地调整窗户的开启角度,以实现最佳的室内舒适度和能源效益。
基于此,在本申请的技术方案中,首先,获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值。通过获取室内和室外温度值,智能系统可以了解当前的环境温度情况,这些数据是制定合理的窗户开启角度控制策略的基础。通过对室内和室外温度值进行对比,可以获得上下文温度的变化情况。例如,室内温度高于室外温度可能表示需要通风降温,而室内温度低于室外温度可能表示需要保温,上下文温度对比信息将用于决定窗户开启角度的控制策略。基于室内外温度对比的时序特征向量,智能系统可以分析温度变化的趋势和模式,根据预设的控制策略,例如设定温度范围或根据时间段设定开启角度,智能系统可以确定合适的窗户开启角度,以实现舒适度和能效的平衡。
通过获取温度传感器采集的室内外温度数据,智能系统可以根据温度的变化情况和设定的控制策略,确定合适的窗户开启角度,以提高室内舒适度并实现能源的有效利用。
具体地,在所述步骤120中,对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量。图3为根据本申请实施例的用于移动门窗的智能控制方法中步骤120的子步骤的流程图。如图3所示,对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量,包括:121,对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量;122,对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量;以及,123,提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量。
首先,对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量。数据预处理是为了清洗和准备温度数据,使其适合后续的时序分析,通过数据预处理,可以去除异常值、填补缺失值、平滑数据等,确保数据的质量和连续性,得到的室内-室外温度对比局部时序输入向量将作为时序分析的输入。
然后,对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量。通过对室内-室外温度对比局部时序输入向量进行时序分析,可以提取出温度变化的趋势、周期性等特征。例如,可以使用滑动窗口或时间序列分析方法来捕捉温度的变化模式,得到的室内-室外温度对比局部时序特征向量将包含更丰富的温度变化信息。
接着,提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量。在多个室内-室外温度对比局部时序特征向量的基础上,进一步提取它们之间的关联特征。这可以包括统计特征、频域特征、相关性分析等方法。通过提取关联特征,可以捕捉到室内-室外温度对比的更高级别的模式和趋势,从而得到上下文室内-室外温度对比时序特征向量。
通过数据预处理、时序分析和关联特征提取,可以从多个预定时间点的室内外温度数据中提取出丰富的时序特征。这些特征将构成上下文室内-室外温度对比时序特征向量,为后续的窗户开启角度控制策略提供更全面和准确的信息。这有助于提高智能控制系统对环境变化的理解和响应能力。
在本申请的一个实施例中,对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量,包括:将所述多个预定时间点的室内温度值和室外温度值分别按照时间维度排列为室内温度时序输入向量和室外温度时序输入向量;计算所述室内温度时序输入向量和所述室外温度时序输入向量之间的按位置差值以得到室内-室外温度对比时序输入向量;以及,对所述室内-室外温度对比时序输入向量进行向量切分以得到所述多个室内-室外温度对比局部时序输入向量。
接着,对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量。
在本申请的一个具体示例中,对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量的编码过程,包括:先将所述多个预定时间点的室内温度值和室外温度值分别按照时间维度排列为室内温度时序输入向量和室外温度时序输入向量;随后,计算所述室内温度时序输入向量和所述室外温度时序输入向量之间的按位置差值以得到室内-室外温度对比时序输入向量;再对所述室内-室外温度对比时序输入向量进行向量切分以得到多个室内-室外温度对比局部时序输入向量。也就是,先将室内温度值和室外温度值的离散时序分布转化为结构化的向量表示,以便于计算机的读取与处理;随后以作差的方式简单直观地表征室内与室外的温度差异;再以向量切分的方式,在一定程度上凸显局部的时序特征与微小的变化细节。
然后,对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量。也就是,通过时序分析来描述室外与室外温度差异的变化模式,揭示它们之中所蕴含的动态时序变化规律。
在本申请的一个具体示例中,对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量的编码过程,包括:将所述多个室内-室外温度对比局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到多个室内-室外温度对比局部时序特征向量。
一维卷积层可以有效地从时序数据中提取特征,通过应用一维卷积操作,可以捕捉到不同时间尺度上的温度变化模式,有助于从局部时序输入向量中提取出更具代表性和区分度的特征。一维卷积层可以通过卷积核的滑动窗口操作对输入向量进行卷积运算,从而将输入向量的维度降低,有助于减少数据的复杂性和冗余性,提取出更紧凑和有信息量的特征表示。一维卷积层的滑动窗口操作可以捕捉到相邻时间点之间的关联性,通过对局部时序输入向量进行卷积操作,可以建模温度变化的上下文信息,包括温度的趋势、周期性等,有助于提取出更全局和长程的特征,进一步提升特征的表达能力。一维卷积层通常与非线性激活函数结合使用,如ReLU、sigmoid等,这可以引入非线性建模能力,使得特征提取器可以对温度变化的非线性模式进行建模,有助于更准确地捕捉温度变化的复杂性和非线性关系。
通过基于一维卷积层的时序特征提取器,可以从多个室内-室外温度对比局部时序输入向量中提取出更具代表性、有区分度和信息量的特征。这有助于提高窗户开启角度控制策略的准确性和智能化水平,进一步改善室内舒适度和能源效率。
考虑到所述多个室内-室外温度对比局部时序特征向量是将各个室内-室外温度对比局部时序输入向量通过时序特征提取器进行特征提取得到的,彼此之间缺乏充分的特征交互,忽视了各个室内-室外温度对比局部时序特征向量之间的依赖关系与关联特征。因此,在本申请的技术方案中,期待提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量。
在本申请的一个具体示例中,提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量的编码过程,包括:将所述多个室内-室外温度对比局部时序特征向量通过基于LSTM模型的序列编码器以得到上下文室内-室外温度对比时序特征向量。
LSTM(长短期记忆)模型是一种适用于时序数据建模的循环神经网络模型。相比于传统的一维卷积层,LSTM能够更好地处理长期依赖关系,通过LSTM模型,可以捕捉到室内-室外温度对比特征之间的长期依赖关系,包括温度变化的趋势、周期性等。
LSTM模型通过内部的记忆单元和门控机制,能够有效地整合历史时序信息。通过将多个室内-室外温度对比局部时序特征向量输入LSTM模型,可以利用记忆单元来存储和更新历史信息,并通过门控机制控制信息的流动,有助于将过去的温度对比特征整合到当前的上下文特征中,提高特征的全局性和连续性。
通过基于LSTM模型的序列编码器,可以将多个室内-室外温度对比局部时序特征向量整合为上下文室内-室外温度对比时序特征向量,有助于提高特征的全局性、连续性和代表性,为窗户开启角度控制策略提供更准确和全面的信息,进一步提升智能控制系统的性能和效果。
具体地,在所述步骤130中,基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略,包括:将所述上下文室内-室外温度对比时序特征向量通过分类器以得到分类结果,所述分类结果用于表示增大窗户开启角度、减小窗户开启角度或保持窗户开启角度;以及,将所述分类结果作为所述窗户开启角度的控制策略。
继而,将所述上下文室内-室外温度对比时序特征向量通过分类器以得到分类结果,所述分类结果用于表示增大窗户开启角度、减小窗户开启角度或保持窗户开启角度。
在本申请的一个实施例中,所述用于移动门窗的智能控制方法,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由温度传感器采集的预定时间段内多个预定时间点的训练室内温度值和训练室外温度值,以及,增大窗户开启角度、减小窗户开启角度或保持窗户开启角度的真实值;将所述多个预定时间点的训练室内温度值和训练室外温度值分别按照时间维度排列为训练室内温度时序输入向量和训练室外温度时序输入向量;计算所述训练室内温度时序输入向量和所述训练室外温度时序输入向量之间的按位置差值以得到训练室内-室外温度对比时序输入向量;对所述训练室内-室外温度对比时序输入向量进行向量切分以得到多个训练室内-室外温度对比局部时序输入向量;将所述多个训练室内-室外温度对比局部时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练室内-室外温度对比局部时序特征向量;将所述多个训练室内-室外温度对比局部时序特征向量通过所述基于LSTM模型的序列编码器以得到训练上下文室内-室外温度对比时序特征向量;将所述训练上下文室内-室外温度对比时序特征向量通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代。
在本申请的技术方案中,将所述多个室内-室外温度对比局部时序输入向量分别通过基于一维卷积层的时序特征提取器时,所述时序特征提取器的一维卷积核会提取室内-室外温度对比差值在一维卷积核尺度下的局部时序关联特征,由此使得所述多个室内-室外温度对比局部时序特征向量在其特征值粒度下具有遵循局部时序上下文关联特征分布的超分辨率表达特性。而将所述多个室内-室外温度对比局部时序特征向量通过基于LSTM模型的序列编码器时,所述上下文室内-室外温度对比时序特征向量进一步表达各个室内-室外温度对比局部时序特征向量的近程-远程双向全局上下文关联特征,由此使得所述上下文室内-室外温度对比时序特征向量除了所述多个室内-室外温度对比局部时序特征向量的特征值粒度的局部时序上下文关联特征表达维度之外,还具有所述多个室内-室外温度对比局部时序特征向量的向量间近程-远程双向全局上下文关联特征表达维度,也就是,所述上下文室内-室外温度对比时序特征向量具有多维度上下文下的超分辨率表达特性,这会影响其通过分类器进行分类时的训练效率。
因此,在将所述上下文室内-室外温度对比时序特征向量通过分类器进行分类器的训练时,在每次迭代中,对所述上下文室内-室外温度对比时序特征向量,例如记为Vc,进行权重空间的细粒度密度预测搜索优化,表示为:以如下优化公式对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代;其中,所述优化公式为:
其中,M1和M2分别是上次和本次迭代的权重矩阵,Vc是所述上下文室内-室外温度对比时序特征向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,V′c表示迭代后的所述上下文室内-室外温度对比时序特征向量,/>表示矩阵乘法,/>表示矩阵加法,⊙表示按位置点乘,min(·)表示最小值。
这里,针对所述上下文室内-室外温度对比时序特征向量在多维度上下文下的超分辨率表达特性,所述权重空间的细粒度密度预测搜索优化可以通过所述上下文室内-室外温度对比时序特征向量的投影的向量空间的前馈序列化映射,在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时,降低权重搜索空间内的所述上下文室内-室外温度对比时序特征向量的表示的总序列复杂性(overall sequentialcomplexity),从而提升分类器的训练效率。
综上,基于本申请实施例的用于移动门窗的智能控制方法100被阐明,其通过室内和室外温度时序对比模式特征来智能地控制窗户的开启程度。应可以理解,通过根据室内外温度对比模式来控制窗户的开启程度,可以有效利用自然环境的温度差异,减少空调或其他温控设备的使用。此外,通过室内和室外温度时序对比模式特征来进行对于窗户的开启程度的控制可以不受固定时间或固定温度阈值的限制,可以灵活地调整窗户的开启角度,以实现最佳的室内舒适度和能源效益。
在本申请的一个实施例中,图4为根据本申请实施例的用于移动门窗的智能控制系统的框图。如图4所示,根据本申请实施例的用于移动门窗的智能控制系统200,包括:数据获取模块210,用于获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;特征提取模块220,用于对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及,控制策略确定模块230,用于基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略。
具体地,在所述用于移动门窗的智能控制系统中,所述特征提取模块,包括:数据预处理单元,用于对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量;时序分析单元,用于对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量;以及,关联特征提取单元,用于提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量。
这里,本领域技术人员可以理解,上述用于移动门窗的智能控制系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于移动门窗的智能控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的用于移动门窗的智能控制系统200可以实现在各种终端设备中,例如用于移动门窗的智能控制的服务器等。在一个示例中,根据本申请实施例的用于移动门窗的智能控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于移动门窗的智能控制系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该用于移动门窗的智能控制系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于移动门窗的智能控制系统200与该终端设备也可以是分立的设备,并且用于移动门窗的智能控制系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的用于移动门窗的智能控制方法的场景示意图。如图5所示,在该应用场景中,首先,获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值(例如,如图5中所示意的C1)和室外温度值(例如,如图5中所示意的C2);然后,将获取的室内温度值和室外温度值输入至部署有用于移动门窗的智能控制算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于用于移动门窗的智能控制算法对所述室内温度值和所述室外温度值进行处理,以确定窗户开启角度的控制策略。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (2)
1.一种用于移动门窗的智能控制方法,其特征在于,包括:
获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;
对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及
基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略;
对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量,包括:
对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量;
对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量;以及
提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量;
对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量,包括:
将所述多个预定时间点的室内温度值和室外温度值分别按照时间维度排列为室内温度时序输入向量和室外温度时序输入向量;
计算所述室内温度时序输入向量和所述室外温度时序输入向量之间的按位置差值以得到室内-室外温度对比时序输入向量;以及
对所述室内-室外温度对比时序输入向量进行向量切分以得到所述多个室内-室外温度对比局部时序输入向量;
对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量,包括:
将所述多个室内-室外温度对比局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个室内-室外温度对比局部时序特征向量;
提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量,包括:
将所述多个室内-室外温度对比局部时序特征向量通过基于LSTM模型的序列编码器以得到所述上下文室内-室外温度对比时序特征向量;
基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略,包括:
将所述上下文室内-室外温度对比时序特征向量通过分类器以得到分类结果,所述分类结果用于表示增大窗户开启角度、减小窗户开启角度或保持窗户开启角度;以及
将所述分类结果作为所述窗户开启角度的控制策略;
还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由温度传感器采集的预定时间段内多个预定时间点的训练室内温度值和训练室外温度值,以及,增大窗户开启角度、减小窗户开启角度或保持窗户开启角度的真实值;
将所述多个预定时间点的训练室内温度值和训练室外温度值分别按照时间维度排列为训练室内温度时序输入向量和训练室外温度时序输入向量;
计算所述训练室内温度时序输入向量和所述训练室外温度时序输入向量之间的按位置差值以得到训练室内-室外温度对比时序输入向量;
对所述训练室内-室外温度对比时序输入向量进行向量切分以得到多个训练室内-室外温度对比局部时序输入向量;
将所述多个训练室内-室外温度对比局部时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练室内-室外温度对比局部时序特征向量;
将所述多个训练室内-室外温度对比局部时序特征向量通过所述基于LSTM模型的序列编码器以得到训练上下文室内-室外温度对比时序特征向量;
将所述训练上下文室内-室外温度对比时序特征向量通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代;
在所述训练的每一轮迭代中,对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代,包括:以如下优化公式对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代;
其中,所述优化公式为:
;
其中,和/>分别是上次和本次迭代的权重矩阵,/>是所述上下文室内-室外温度对比时序特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置向量,/>表示迭代后的所述上下文室内-室外温度对比时序特征向量,/>表示矩阵乘法,/>表示矩阵加法,表示按位置点乘,/>表示最小值。
2.一种用于移动门窗的智能控制系统,其特征在于,包括:
数据获取模块,用于获取由温度传感器采集的预定时间段内多个预定时间点的室内温度值和室外温度值;
特征提取模块,用于对所述多个预定时间点的室内温度值和室外温度值进行特征提取以得到上下文室内-室外温度对比时序特征向量;以及
控制策略确定模块,用于基于所述上下文室内-室外温度对比时序特征向量,确定窗户开启角度的控制策略;
所述特征提取模块,包括:
数据预处理单元,用于对所述多个预定时间点的室内温度值和室外温度值进行数据预处理以得到多个室内-室外温度对比局部时序输入向量;
时序分析单元,用于对所述多个室内-室外温度对比局部时序输入向量进行时序分析以得到多个室内-室外温度对比局部时序特征向量;以及
关联特征提取单元,用于提取所述多个室内-室外温度对比局部时序特征向量间的关联特征以得到所述上下文室内-室外温度对比时序特征向量;
数据预处理单元,包括:
将所述多个预定时间点的室内温度值和室外温度值分别按照时间维度排列为室内温度时序输入向量和室外温度时序输入向量;
计算所述室内温度时序输入向量和所述室外温度时序输入向量之间的按位置差值以得到室内-室外温度对比时序输入向量;以及
对所述室内-室外温度对比时序输入向量进行向量切分以得到所述多个室内-室外温度对比局部时序输入向量;
时序分析单元,包括:
将所述多个室内-室外温度对比局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个室内-室外温度对比局部时序特征向量;
关联特征提取单元,包括:
将所述多个室内-室外温度对比局部时序特征向量通过基于LSTM模型的序列编码器以得到所述上下文室内-室外温度对比时序特征向量;
控制策略确定模块,包括:
将所述上下文室内-室外温度对比时序特征向量通过分类器以得到分类结果,所述分类结果用于表示增大窗户开启角度、减小窗户开启角度或保持窗户开启角度;以及
将所述分类结果作为所述窗户开启角度的控制策略;
所述系统还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由温度传感器采集的预定时间段内多个预定时间点的训练室内温度值和训练室外温度值,以及,增大窗户开启角度、减小窗户开启角度或保持窗户开启角度的真实值;
将所述多个预定时间点的训练室内温度值和训练室外温度值分别按照时间维度排列为训练室内温度时序输入向量和训练室外温度时序输入向量;
计算所述训练室内温度时序输入向量和所述训练室外温度时序输入向量之间的按位置差值以得到训练室内-室外温度对比时序输入向量;
对所述训练室内-室外温度对比时序输入向量进行向量切分以得到多个训练室内-室外温度对比局部时序输入向量;
将所述多个训练室内-室外温度对比局部时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练室内-室外温度对比局部时序特征向量;
将所述多个训练室内-室外温度对比局部时序特征向量通过所述基于LSTM模型的序列编码器以得到训练上下文室内-室外温度对比时序特征向量;
将所述训练上下文室内-室外温度对比时序特征向量通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于LSTM模型的序列编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代;
在所述训练的每一轮迭代中,对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代,包括:以如下优化公式对所述上下文室内-室外温度对比时序特征向量进行权重空间的细粒度密度预测搜索优化迭代;
其中,所述优化公式为:
;
其中,和/>分别是上次和本次迭代的权重矩阵,/>是所述上下文室内-室外温度对比时序特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置向量,/>表示迭代后的所述上下文室内-室外温度对比时序特征向量,/>表示矩阵乘法,/>表示矩阵加法,/>表示按位置点乘,/>表示最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311097531.2A CN117166873B (zh) | 2023-08-28 | 2023-08-28 | 用于移动门窗的智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311097531.2A CN117166873B (zh) | 2023-08-28 | 2023-08-28 | 用于移动门窗的智能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117166873A CN117166873A (zh) | 2023-12-05 |
CN117166873B true CN117166873B (zh) | 2024-03-22 |
Family
ID=88946197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311097531.2A Active CN117166873B (zh) | 2023-08-28 | 2023-08-28 | 用于移动门窗的智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117166873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117555249B (zh) * | 2023-12-29 | 2024-05-14 | 广东福临门世家智能家居有限公司 | 智能家居的门窗控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109236105A (zh) * | 2018-08-09 | 2019-01-18 | 韩丽汀 | 一种智能通风电动窗系统及其控制方法 |
CN113359486A (zh) * | 2021-04-01 | 2021-09-07 | 中国地质大学(武汉) | 一种基于神经网络算法调控的智能窗户系统及调节方法 |
CN114444811A (zh) * | 2022-02-14 | 2022-05-06 | 重庆邮电大学 | 一种基于注意力机制的铝电解混频数据过热度预测方法 |
CN114607229A (zh) * | 2022-03-28 | 2022-06-10 | 安徽景诺铝业有限公司 | 基于室内环境监测的智能门窗控制系统 |
CN115076946A (zh) * | 2022-05-23 | 2022-09-20 | 青岛海尔空调器有限总公司 | 空调器与智能窗户的互联控制方法与装置 |
CN115392369A (zh) * | 2022-08-24 | 2022-11-25 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气质量预测系统及其预测方法 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116146077A (zh) * | 2023-03-07 | 2023-05-23 | 广东好太太智能家居有限公司 | 一种智能窗户系统控制方法、智能窗户系统及计算机设备 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
CN116641125A (zh) * | 2023-06-19 | 2023-08-25 | 赣州市光华有色金属有限公司 | 钨镧丝的智能加工设备及其方法 |
-
2023
- 2023-08-28 CN CN202311097531.2A patent/CN117166873B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109236105A (zh) * | 2018-08-09 | 2019-01-18 | 韩丽汀 | 一种智能通风电动窗系统及其控制方法 |
CN113359486A (zh) * | 2021-04-01 | 2021-09-07 | 中国地质大学(武汉) | 一种基于神经网络算法调控的智能窗户系统及调节方法 |
CN114444811A (zh) * | 2022-02-14 | 2022-05-06 | 重庆邮电大学 | 一种基于注意力机制的铝电解混频数据过热度预测方法 |
CN114607229A (zh) * | 2022-03-28 | 2022-06-10 | 安徽景诺铝业有限公司 | 基于室内环境监测的智能门窗控制系统 |
CN115076946A (zh) * | 2022-05-23 | 2022-09-20 | 青岛海尔空调器有限总公司 | 空调器与智能窗户的互联控制方法与装置 |
CN115392369A (zh) * | 2022-08-24 | 2022-11-25 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气质量预测系统及其预测方法 |
CN116146077A (zh) * | 2023-03-07 | 2023-05-23 | 广东好太太智能家居有限公司 | 一种智能窗户系统控制方法、智能窗户系统及计算机设备 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制系统及其方法 |
CN116641125A (zh) * | 2023-06-19 | 2023-08-25 | 赣州市光华有色金属有限公司 | 钨镧丝的智能加工设备及其方法 |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
Non-Patent Citations (1)
Title |
---|
基于 CNN-LSTM 的时序 数据故障诊断方法研究;唐颖川;《工程科技Ⅱ辑》;20230131(2023年第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117166873A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117166873B (zh) | 用于移动门窗的智能控制方法及系统 | |
Mozer | The neural network house: An environment hat adapts to its inhabitants | |
US11252378B1 (en) | Batteryless doorbell with rectified power delivery | |
US10803719B1 (en) | Batteryless doorbell with energy harvesters | |
CN107479393A (zh) | 一种基于大数据的智能家居系统 | |
US11165954B1 (en) | Scene-aware custom tuned video surveillance detection system | |
CN111119651A (zh) | 智能窗户控制方法、装置、计算机设备和存储介质 | |
US10791607B1 (en) | Configuring and controlling light emitters | |
US10777057B1 (en) | Premises security system with audio simulating occupancy | |
CN113110085A (zh) | 一种基于大数据的智能家居管理系统 | |
US20230196106A1 (en) | Training image classifiers | |
CN113359486A (zh) | 一种基于神经网络算法调控的智能窗户系统及调节方法 | |
CN117762032B (zh) | 基于场景适应和人工智能的智能设备控制系统及方法 | |
US10943442B1 (en) | Customized notifications based on device characteristics | |
US11501618B1 (en) | Security device with user-configurable motion detection settings | |
US11412189B1 (en) | Batteryless doorbell with multi-load power delivery | |
CN110107188A (zh) | 一种智能窗系统 | |
CN113050481B (zh) | 一种微加热高效除雾智能家居的控制装置及其控制系统 | |
Tushar et al. | Iot for green building management | |
Liu et al. | Bluetooth based smart home control and air monitoring system | |
CN108536033A (zh) | 一种智能家居控制方法 | |
Zhang et al. | A review of occupant behavior models in residential building: Sensing, modeling, and prediction | |
US11343551B1 (en) | Bandwidth estimation for video streams | |
CN205862184U (zh) | 一种智能窗系统 | |
Remagnino et al. | Ambient intelligence: a gentle introduction |
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 |