CN1174298C - 用于识别或预先计算随时间变化工业过程的过程参数的方法和装置 - Google Patents

用于识别或预先计算随时间变化工业过程的过程参数的方法和装置 Download PDF

Info

Publication number
CN1174298C
CN1174298C CNB971986428A CN97198642A CN1174298C CN 1174298 C CN1174298 C CN 1174298C CN B971986428 A CNB971986428 A CN B971986428A CN 97198642 A CN97198642 A CN 97198642A CN 1174298 C CN1174298 C CN 1174298C
Authority
CN
China
Prior art keywords
time
model
parameter
discern
advance
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.)
Expired - Lifetime
Application number
CNB971986428A
Other languages
English (en)
Other versions
CN1233331A (zh
Inventor
Ei
E·布勒瑟
�ķ�Ʒ�
O·格拉姆科夫
M·施朗
G·瑟尔格
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.)
The German Co., Ltd of primary metal science and technology
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN1233331A publication Critical patent/CN1233331A/zh
Application granted granted Critical
Publication of CN1174298C publication Critical patent/CN1174298C/zh
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于识别或预先计算工业过程，特别在具有快速度化过程参数的或影响过程的干扰参数的原料工厂中的过程参数的方法和装置，其中，借助于依赖于来自过程测量值的过程模型确定被识别的过程参数，并且其中，该过程模型包括至少一个不随时间变化或一个主要不随时间变化的过程模型，其代表一个时间上平均的过程模型，和至少一个随时间变化的过程模型，对其用至少一个干扰参数或者一个过程参数变化的时间常数进行调节。

Description

用于识别或预先计算随时间变化工业 过程的过程参数的方法和装置
技术领域
本发明涉及一种用于识别或预先计算随时间变化工业过程的过程参数的方法和装置，象例如德国专利公开说明书DE 44 16 364A1对其公开的那样。
背景技术
在工业过程的调整和控制中，特别在原料工业工厂中，象诸如钢厂，经常有必要预先查明确定的过程参数或者识别，也就是确定不能直接测量的过程参数。在这里，值得想往的也是识别过程参数，其虽然在技术上是可测量的，但是该测量是有花费的，而且是昂贵的。
按模型为依据识别过程参数已经公知。其中，将输入参数或者对被识别参数相关的输入参数引入一个一般来说简化的过程模型，但是该公知方法通常在原料工业工厂中出现了问题。对于原料工业工厂，尤其是钢厂明显问题是，识别时的差错或者识别时的精确度缺陷产生废品导致高消耗。特别是由此造成了在原料工业工厂中，特别在钢厂部分干扰快速变化，以致于当在为适应新输入参数过程模型建立所需的时间里，材料生产出现质量缺陷。这个问题尤其涉及轧钢轧机，其中，通过例如一条新的轧带轧制，该轧带由一种新材料组成或者具有与前面轧带不同的厚度，会使运行状态急剧变化。
发明内容
本发明的任务是提供一种方法或者装置，该方法或者该装置能够使得识别或者预先查明的过程参数快速适应于变化的相应于过程的运行状态。
按照本发明该任务是通过这样完成的，即，一种干扰量干扰量用于识别或者预先计算原料工业工厂的工业过程的过程参数的方法，所述的工业过程具有变化的过程参数或者对过程有影响的干扰量，其中，借助于过程模型并依赖于来自过程的测量值确定要识别的过程参数，并且，该过程模型包括：至少一个不随时间变化或者一个主要不随时间变化的过程模型，其表示了所述过程的一个时间上平均的映象；和至少一个随时间变化的过程模型，对该随时间变化的过程模型用干扰量或过程参数变化的至少一个时间常数进行调节。这识别或者预先查明时间变量过程的过程参数的方法证实是特别有利的。在这里，将干扰量解释成过程参数的变化量以及完全象事实上过程参数变化量一样用变化模型参数把它模型化。
在本发明的一种优先的结构中，把每一个与被识别过程参数变化有关系的重要过程常数列入随时间变化模型，把其在相应的时间常数上调整。通过每个重要时间常数这样模型化有可能使得过程模型追随每个重要过程参数的变化。在这里，这优先方式也使在过程快速变化，例如由干扰引起的变化时，也有可能过程模型快速跟随。
在本发明的另一种优先的结构中，时间变量模型的调整通过随时间变化模型的在线采用以一个时间常数、一个关系到被识别或者预先计算的过程参数的变化的过程变化量或者干扰量的方式实现的。其中，优先的方式是将在线采用周期用该时间常数调整。在这里，使随时间变化过程模型作为神经网络，这方法证实是特别有利的。
适应或者跟踪过程，在轧钢厂最快的模型证实是特别有效的，也就是，该模型根据每根轧带，尤其是根据每根带有新的特性的轧带经历通常的调节适应周期。再者，在轧钢厂应用一个不随时间变化的和两个随时间变化的模型证实也是有益的。
根据本发明的用于识别或者预先计算具有变化过程参数的工业过程的过程参数的装置，包括：一个依赖于来自该工业过程的测量值而确定所述过程参数的过程模型，该过程模型包括至少一个主要不随时间变化的过程模型，该不随时间变化的过程模型代表了所述工业过程的一个时间上平均的映象；和至少一个随时间变化的过程模型，对该随时间变化的过程模型用干扰量或者一个工业过程参数变化的至少一个时间常数进行调节。
附图说明
其他优点和本发明细节根据附图由下文实施例说明中给出。各附图展示：
图1展示按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法；
图2展示可选择设置的按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法；
图3展示可选择设置的按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法；
图4展示可选择设置的按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法。
具体实施方式
图1展示按本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法。在这里，将来自过程X0，X1，X2，...，Xn的过程状态信息或者测量值输入一个过程模型。来自过程X0，X1，X2，...，Xn的过程状态参数或者测量值可以是不同的或者相同的数值。此外，这些参数可以是多维的，即包括多个过程状态参数。过程模型包含一个不随时间变化的或者实质上是不随时间变化的过程基本模型1，其是将工业过程以长时间的平均得出的模型。不随时间变化或者实质上不随时间变化基本模型的输入或者输出参数是参数X0或者y0。标记2、3和4表示随时间变化的模型，借助于他们可从输入值X1，X2，...，Xn计算出校正参数y1，y2，...，yn。其中，以不同的过程时间常数调整随时间变化模型2，3和4，以致于他们为过程的不同动态部分提供校正值y1，y2，...，yn以便修正值y0，该值由不随时间变化或者主要不随时间变化的基本模型提供。借助于结合元件5，6和7把校正值y1，y2，...，yn与值y0结合，以致于在最后的结合元件7的输出端输出过程参数y，其不仅包括有过程的静态部分，也包括有过程的随时间变化部分，这部分在随时间变化模型2、3和4中涉及。同样地，和值X0，X1，X2，...，Xn一样，诸如y0，y1，y2，...yn的y值可以是多维的或者是标量。当y0，y1，y2，...yn是标量时，其在这里证实是非常有利的。如果要识别更多的过程参数y，那么优先方式是通过使用不同的模型分离开，也就是对于每一个过程参数y使用一个按照图1的模型。按照过程参数y优化，特别是随时间变化模型可用这个方式。
对于结合元件5，6和7，尤其适合乘法和加法。
该不随时间变化的或者主要不随时间变化的基本模型1，或者该随时间变化的模型可以是分析模型、神经网络或者混合型模型，即分析模型和神经网络的结合件。但是，将随时间变化模型2，3和4构建成神经网络已证实是非常有利的。
使随时间变化的局部模型2、3和4，尤其在线时，适应于实际的发生过程。这种适应在图1中没有展示。进一步，使不随时间变化的或者主要不随时间变化的基本模型在已知时间间隔中适应实际的发生过程也已证实是有利的。
图2展示了对图1可选择设置的按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法。象在按图1的方法中一样，借助于一个不随时间变化的或者一个主要不随时间变化基本模型8，随时间变化的模型9、10和11以及结合单元12，13和14确定一个过程参数y。与图1的方法相对照，除了把值X1，X2，...，Xn外，还要把不随时间变化或者主要不随时间变化的基本模型8的输出值以及校正值y1，y2，...yn-1输入不随时间变化的模型9，10和11。另一方面，这里能有两种可选择的设置。根据第一种选择，仅仅把前者模型的输出值输入一个随时间变化的模型2、3和4。就是说，随时间变化模型9的输入参数是X1和y0，而随时间变化的模型10的输入参数X2和y1，等等。根据第二种选择，象图2所描述的，除了输入量X1，X2，...，Xn外还把校正值y0，y1，y2，...，yn-1作为输入量输入随时间变化的模型9，10和11。
图3展示对图2可选择设置的按照本发明用于识别或者预计算不随时间变化过程的过程参数y的方法。也借助于不随时间变化或者主要不随时间变化的基本模型15，借助于随时间变化的模型16、17、18以及借助于结合单元19、20、21识别过程参数y。与在图2中描述的方法相对照，输入随时间变化模型17和18的不是校正值y1，y2，...，yn-1，而是校正的中间值y0，1，y1，2，...，yn-2，n-1。此外，对图2的阐述对图3也有效，而对图1的阐述对图2和3也有效。
图4展示了另一种可选择的按照本发明用于识别或者预先计算随时间变化工业过程的过程参数的方法。其中，把来自过程的过程状态信息或者测量值输入不随时间变化或者主要不随时间变化的过程模型22。这确定了中间值u0，将该值输入随时间变化的模型23。该随时间变化的模型23确定对在其中模型化的过程动态部分校正的中间值u1，该值又被输入到另一个随时间变化的局部模型24。它确定对在其中模型化的过程动态部分校正的中间值u2，等等，最终，最后的局部模型25输出值y作为被识别的参数y，其包括来自随时变化的模型23，24和25的动态部分。
根据图1至4按照本发明可选择的方法不仅适用于过程参数的识别，即确定，还特别完全适用于对它的预测。

Claims (17)

1.用于识别或者预先计算原料工业工厂的工业过程的过程参数的方法，所述的工业过程具有变化的过程参数或者对过程有影响的干扰量，其中，借助于过程模型并依赖于来自过程的测量值确定要识别的过程参数，并且，该过程模型包括：至少一个不随时间变化或者一个主要不随时间变化的过程模型(1，8，15，22)，其表示了所述过程的一个时间上平均的映象；和至少一个随时间变化的过程模型(2，9，16，23)，对该随时间变化的过程模型用干扰量或过程参数变化的至少一个时间常数进行调节。
2.按照权利要求1的用于识别或者预先计算过程参数的方法，其特征在于，干扰量或者过程参数变化的每个重要时间常数被分配一个随时间变化的过程模型(2，9，16，23)，并且将其用相应的时间常数进行调节。
3.按照权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，通过随时间变化的过程模型(2，9，16，23)的在线适应来实现所述的用干扰量或者过程参数变化的时间常数调节随时间变化的模型，其中在线适应的周期用该时间常数进行调节。
4.按照权利要求2的用于识别或者预先计算过程参数的方法，其特征在于，该不随时间变化或者主要不随时间变化的过程模型(1，8，15，22)和随时间变化的过程模型(2，9，16，23)是一种分析型的模型、一种神经网络或一个混合型的，即包括分析型模型和神经网络的模型。
5.按照权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，该不随时间变化或者主要不随时间变化的过程模型(1，8，15，22)通过在线训练使之适应实际发生过程。
6.按照权利要求5的用于识别或者预先计算过程参数的方法，其特征在于，随时间变化的过程模型(2，9，16，23)也通过在线训练使之适应实际发生过程。
7.按照权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，将借助于不随时间变化或者主要不随时间变化的过程模型(1，8，15，22)或者随时间变化的过程模型(2，9，16，23)识别的过程参数输入到一个基于神经网络的信息处理装置，其根据精确适应改善该过程参数，其中，将基于神经网络的信息处理在线地适应实际发生过程。
8.按照权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，将借助于不随时间变化或主要不随时间变化的过程模型(1，8，15，22)或者随时间变化的过程模型(2，9，16，23)识别的过程参数与一个校正项进行逻辑连接，其中，利用一个基于神经网络的信息处理装置并依赖于来自过程的测量值来形成所述的校正项，并且其中，该基于神经网络的信息处理在线地与所述的过程相适应。
9.按照权利要求8的用于识别或者预先计算过程参数的方法，其特征在于，所述的逻辑连接是加或乘。
10.按照上述权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，借助于不随时间变化或主要不随时间变化的过程模型(1，8，15，22)或者随时间变化的过程模型(2，9，16，23)对该过程参数进行预测。
11.按照上述权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，借助于最优化方法使该不随时间变化或主要不随时间变化的过程模型(1，8，15，22)适应于发生的过程。
12.按照上述权利要求1或2的用于识别或者预先计算过程参数的方法，其特征在于，借助于发生的算法或者演变对策使该不随时间变化或主要不随时间变化的过程模型(1，8，15，22)适应于过程特性。
13.按照权利要求5的用于识别或者预先计算过程参数的方法，其特征在于，用于干扰量或者过程参数变化的较短时间常数模型化的模型比具有干扰量或者过程参数变化的较长时间常数的模型更时常地适合或者适应实际发生过程。
14.按照权利要求13的用于识别或者预先计算过程参数的方法，其特征在于，用于干扰量或者过程参数变化的较短时间常数模型化的模型比具有干扰量或者过程参数变化的较长时间常数的模型要利用更短的数据组来适合或者适应实际发生过程。
15.按照权利要求13的用于识别或者预先计算过程参数的方法，其特征在于，在用于干扰量或者过程参数变化的较慢时间常数模型化的模型进行成功地适应后，将用于模型化干扰量或者过程参数变化的较快时间常数的模型适应于所述的发生过程。
16.用于识别或者预先计算具有变化过程参数的工业过程的过程参数的装置，包括：
一个依赖于来自该工业过程的测量值而确定所述过程参数的过程模型，该过程模型包括至少一个主要不随时间变化的过程模型(1，8，15，22)，该不随时间变化的过程模型代表了所述工业过程的一个时间上平均的映象，和
至少一个随时间变化的过程模型(2，9，16，23)，对该随时间变化的过程模型用干扰量或者一个工业过程参数变化的至少一个时间常数进行调节。
17.按照权利要求16的用于识别或者预先计算具有变化过程参数的工业过程的过程参数的装置，其特征在于，所述的工业过程涉及原料工业工厂。
CNB971986428A 1996-10-08 1997-10-07 用于识别或预先计算随时间变化工业过程的过程参数的方法和装置 Expired - Lifetime CN1174298C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19641431.8 1996-10-08
DE19641431A DE19641431A1 (de) 1996-10-08 1996-10-08 Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses

Publications (2)

Publication Number Publication Date
CN1233331A CN1233331A (zh) 1999-10-27
CN1174298C true CN1174298C (zh) 2004-11-03

Family

ID=7808151

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB971986428A Expired - Lifetime CN1174298C (zh) 1996-10-08 1997-10-07 用于识别或预先计算随时间变化工业过程的过程参数的方法和装置

Country Status (6)

Country Link
US (1) US6473658B1 (zh)
KR (1) KR100499165B1 (zh)
CN (1) CN1174298C (zh)
DE (2) DE19641431A1 (zh)
RU (1) RU2200341C2 (zh)
WO (1) WO1998015882A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8311673B2 (en) * 1996-05-06 2012-11-13 Rockwell Automation Technologies, Inc. Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization
DE19728979A1 (de) * 1997-07-07 1998-09-10 Siemens Ag Verfahren und Einrichtung zur Steuerung bzw. Voreinstellung eines Walzgerüstes
DE19731980A1 (de) * 1997-07-24 1999-01-28 Siemens Ag Verfahren zur Steuerung und Voreinstellung eines Walzgerüstes oder einer Walzstraße zum Walzen eines Walzbandes
AT410407B (de) * 1998-02-18 2003-04-25 Siemens Ag Verfahren und einrichtung zur bestimmung eines zwischenprofils eines metallbandes
FR2783292B1 (fr) 1998-07-28 2000-11-24 Valeo Embrayage a friction portant le rotor d'une machine electrique, notamment pour vehicule automobile
US6553270B1 (en) * 1999-06-30 2003-04-22 Kimberly-Clark Worldwide, Inc. Proactive control of a process after the beginning of a destabilizing event
US6587737B2 (en) * 2000-09-14 2003-07-01 Sulzer Makert And Technology Ag Method for the monitoring of a plant
CN100410825C (zh) * 2004-04-22 2008-08-13 横河电机株式会社 工厂运转支持系统
US7848910B2 (en) * 2004-07-22 2010-12-07 Avl List Gmbh Method for analyzing the behavior of complex systems, especially internal combustion engines
WO2007087729A1 (en) * 2006-02-03 2007-08-09 Recherche 2000 Inc. Intelligent monitoring system and method for building predictive models and detecting anomalies
DE102007025447A1 (de) 2006-10-09 2008-04-17 Siemens Ag Verfahren zur Steuerung und/oder Regelung eines industriellen Prozesses
WO2011129805A1 (en) * 2010-04-12 2011-10-20 Siemens Aktiengesellschaft Method for computer-aided closed-loop and/or open-loop control of a technical system
RU2488455C2 (ru) * 2010-12-07 2013-07-27 Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Способ прокатки металлической заготовки
EP2479630A1 (de) * 2011-01-25 2012-07-25 Siemens Aktiengesellschaft Verfahren zur kollisionsfreien Überführung einer Anlage aus einem Scheinausmodus in einen Betriebsmodus
EP3324254A1 (de) * 2016-11-17 2018-05-23 Siemens Aktiengesellschaft Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4663703A (en) 1985-10-02 1987-05-05 Westinghouse Electric Corp. Predictive model reference adaptive controller
US5043863A (en) * 1987-03-30 1991-08-27 The Foxboro Company Multivariable adaptive feedforward controller
JPH04308901A (ja) * 1991-04-05 1992-10-30 Nec Corp 状態推定器と磁気ディスク装置の位置決め制御回路
US5402333A (en) * 1992-06-15 1995-03-28 E. I. Du Pont De Nemours & Co., Inc. System and method for improving model product property estimates
DE4416364B4 (de) 1993-05-17 2004-10-28 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses
JP3370783B2 (ja) * 1994-06-27 2003-01-27 マツダ株式会社 機器の制御装置および制御方法
WO1996007126A1 (de) * 1994-08-29 1996-03-07 Siemens Aktiengesellschaft Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung
DE19508474A1 (de) * 1995-03-09 1996-09-19 Siemens Ag Intelligentes Rechner-Leitsystem
US5933345A (en) * 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points

Also Published As

Publication number Publication date
KR20000048928A (ko) 2000-07-25
US6473658B1 (en) 2002-10-29
DE19781103D2 (de) 1999-09-09
CN1233331A (zh) 1999-10-27
KR100499165B1 (ko) 2005-07-04
RU2200341C2 (ru) 2003-03-10
WO1998015882A1 (de) 1998-04-16
DE19781103B4 (de) 2013-02-21
DE19641431A1 (de) 1998-04-16

Similar Documents

Publication Publication Date Title
CN1174298C (zh) 用于识别或预先计算随时间变化工业过程的过程参数的方法和装置
US3694636A (en) Digital computer process control with operational learning procedure
US6901300B2 (en) Adaptation of advanced process control blocks in response to variable process delay
Seki et al. Optimal multivariable looper control for hot strip finishing mill
DE4338615B4 (de) Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
EP2340469B1 (de) Vorrichtung und verfahren zur steuerung einer bearbeitungsanlage
CN101825870B (zh) 一种控制水处理絮凝剂投放量的方法及系统
CN1194825C (zh) 轧制金属带的方法
DE102004026979A1 (de) Vielfacheingabe- /Vielfachausgabe-Steuer-/Regelblöcke mit nichtlinearen Vorhersagefähigkeiten
CN102814340B (zh) 热轧带钢宽度控制模型智能学习系统及自学习方法
Saraev et al. Mathematical models of the development of industrial enterprises, with the effect of lagging internal and external investments
JPH07191711A (ja) 調節されるシステム内のプロセスに指令を与えるための方法および装置
CN110193427B (zh) 一种铜浮选流程石灰添加量的自动控制方法
EP1488863B1 (de) System und Verfahren zur optimierenden Regelung der Dickenqualität in einem Walzprozess
CN1452732A (zh) 用于综合生产线自适应控制的方法和系统
Singh Statistical process control (SPC) guide line
JP7140073B2 (ja) 学習モデル生成方法、データベース構築方法、ミルセットアップ設定方法、圧延材の製造方法、処理対象の製造方法、及び学習モデル生成装置
KR100498151B1 (ko) 산업프로세스의미리공지되지않은파라미터를사전계산하기위한방법
Navaretti et al. When vintage technology makes sense: matching imports to skills
CN114616525A (zh) 用于监测过程的方法和系统
CN102483622A (zh) 智能装置以及补偿机床冲头凹陷的方法
DE102004003753A1 (de) Verfahren zur Stabilisierung von technischen Prozessen
JP2828870B2 (ja) 組立品の特性調整方法
WO2024052559A1 (de) Verfahren zur unterstützung eines prozesswechsels, computerprogrammprodukt sowie system
RO125366B1 (ro) Metoda de conducere dimensionala la fabricarea unor piese din tablă subțire, prin deformare plastică

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20160206

Address after: Erlangen, Germany

Patentee after: The German Co., Ltd of primary metal science and technology

Address before: Munich, Germany

Patentee before: Siemens AG

CX01 Expiry of patent term
CX01 Expiry of patent term

Granted publication date: 20041103