CN117572917A - 一种用于温度智能控制器的数据融合方法及系统 - Google Patents
一种用于温度智能控制器的数据融合方法及系统 Download PDFInfo
- Publication number
- CN117572917A CN117572917A CN202410063980.3A CN202410063980A CN117572917A CN 117572917 A CN117572917 A CN 117572917A CN 202410063980 A CN202410063980 A CN 202410063980A CN 117572917 A CN117572917 A CN 117572917A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- distribution
- adjusted
- reference data
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000001105 regulatory effect Effects 0.000 claims description 136
- 238000009826 distribution Methods 0.000 claims description 120
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 238000010586 diagram Methods 0.000 claims description 32
- 238000005315 distribution function Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及数据融合技术领域,具体涉及一种用于温度智能控制器的数据融合方法及系统。本发明通过对每个调节数据的历史数据分析,在当前待调节时间点下,根据调节数据和温度数据的关联关系获得调节数据的线性关系权重;根据调节数据与温度数据对应待调节温度区间中,其他调节数据与温度数据的关联程度获得调节数据在调节时的干扰系数;通过待调节时间点下待调节数据点的邻域波动情况获得调节数据的波动误差值,最终根据待调节温度量、线性关系权重、干扰系数和波动误差值获得调节数据的调节量,根据调节量进行整体调控。本发明通过数据融合,整体分析多调节数据与温度数据间的关系,实现温度的精确调控。
Description
技术领域
本发明涉及数据融合技术领域,具体涉及一种用于温度智能控制器的数据融合方法及系统。
背景技术
智能温度控制器,是采用微分先行的控制算法,带有外给定和阀位控制功能。已被广泛应用在我们的日常生活和生产中,包括智能建筑、恒温车间、大中型粮仓等生产行业,可与各类传感器、变送器配合使用,实现对温度、压力、液位、容量、速度等物理量的测量显示,并配合各种执行器对电加热设备和电磁、电动阀进行PID调节和控制、报警控制、数据采集等功能。但温度调节的精确与否和其他各个传感器数据源息息相关,受到多方面影响导致仅调节温度并不能达到理想的调节值,如何高效地整合、分析多维非线性数据,获取影响关系得到更好的温度调节效果是亟待解决的问题。
在现有的通过数据融合调控温度数据等相关技术中,对于多传感器数据的融合分析过于单一,且没有对于多传感器数据间的关联性进行全面分析,使最终调控结果可靠性不强,调控数据误差较大。
发明内容
为了解决现有技术中对于多传感器数据的融合分析过于单一,且没有对于多传感器数据间的关联性进行全面分析的技术问题,本发明的目的在于提供一种用于温度智能控制器的数据融合方法及系统,所采用的技术方案具体如下:
本发明提供了一种用于温度智能控制器的数据融合方法,所述方法包括:
获取待调节时间点前预设时间段上的温度数据和至少两组调节数据,任选一组调节数据作为参考数据;根据温度数据和参考数据在预设时间段上的数据值构建散点图,通过所述散点图中数据点的分布位置获得分布聚簇;
获取所述散点图中待调节时间点下的待调节数据点,将所述待调节数据点所处的所述分布聚簇记为待调节分布聚簇;根据所述待调节分布聚簇中参考数据与温度数据的关联程度,获得参考数据的线性关系权重;
根据参考数据的所述待调节分布聚簇确定待调节温度区间;在待调节温度区间中,根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度,通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数;
根据所述待调节数据点在所述散点图中预设局部范围内的数据波动情况,获得参考数据的波动误差值;根据待调节时间点下的待调节温度量,通过参考数据的所述线性关系权重、所述干扰系数和所述波动误差值获得参考数据的调节量;根据调节量对所述待调节时间点对应的调节数据进行调控。
进一步地,所述根据所述待调节分布聚簇中参考数据与温度数据的关联程度,获得参考数据的线性关系权重,包括:
获得待调节分布聚簇中每个数据点在预设邻域范围内的邻域密度,根据待调节分布聚簇中所有数据点的邻域密度拟合待调节分布聚簇的高斯分布函数;
将负相关并归一化的所述高斯分布函数的均方差作为线性集中度;计算待调节数据点在高斯分布函数中的分布概率作为线性程度;
通过所述线性程度和所述线性集中度确定参考数据的线性关系权重,所述线性程度和所述线性集中度均与线性关系权重呈正相关关系。
进一步地,所述计算待调节数据点在高斯分布函数中的分布概率作为线性程度,包括:
在待调节分布聚簇内,将待调节数据点的邻域密度与最小邻域密度在所述高斯分布函数中的定积分作为概率分布面积;将最大邻域密度和最小邻域密度在所述高斯分布函数中的定积分作为整体分布面积,将所述概率分布面积与所述整体分布面积的比值作为待调节数据点的分布概率,所述分布概率记为线性程度。
进一步地,所述根据参考数据的所述待调节分布聚簇确定待调节温度区间,包括:
确定每个所述调节数据与所述温度数据的单高斯模型,其中每个单高斯模型中的单峰对应一个分布聚簇;根据所有所述调节数据的单高斯模型获得所述温度数据的混合高斯模型;根据参考数据的所述待调节分布聚簇确定对应单高斯模型的参考单峰,在所述混合高斯模型中所述参考单峰对应温度数据范围为待调节温度区间。
进一步地,所述根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度,包括:
在所述混合高斯模型的所述待调节温度区间中,获得除参考数据外其他调节数据对应的单高斯模型区域,计算每个其他调节数据的所述单高斯模型区域组成为混合高斯模型的后验概率,将每个所述后验概率作为对应每个其他调节数据对参考数据的影响程度。
进一步地,所述通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数,包括:
将每个其他调节数据的所述线性关系权重与所述影响程度相乘,获得每个其他调节数据的单项干扰系数,将所有所述单项干扰系数的平均值作为参考数据的干扰系数。
进一步地,所述参考数据的波动误差值的获取方法包括:
计算在预设局部范围内所述待调节数据点与其他数据点的距离,将所有距离的均方差作为参考数据的波动误差值。
进一步地,所述通过所述散点图中数据点的分布位置获得分布聚簇,包括:
采用均值漂移算法,通过预设圆形窗口进行聚类获得分布聚簇。
进一步地,所述参考数据的调节量的获取方法包括:
确定所述待调节分布聚簇的中心点,并获取所述中心点对应的参考数据值和温度数据值,将所述参考数据值与温度数据值的比值作为最大线性系数;计算所述最大线性系数与所述线性关系权重的乘积,将所述干扰系数与所述乘积的比值作为线性系数;将所述待调节温度量与所述线性系数的乘积加上所述波动误差值,获得参考数据的调节数据量;
确定参考数据与温度数据的反馈关系,当参考数据与温度数据呈负反馈关系时,所述调节数据量与参考数据的调节量呈负相关关系;当参考数据与温度数据呈正反馈关系时,所述调节数据量与参考数据的调节量呈正相关关系。
本发明提供了一种用于温度智能控制器的数据融合系统,包括存储器和处理器;所述处理器执行所述存储器存储的计算程序,以实现如上述一种用于温度智能控制器的数据融合方法。
本发明具有如下有益效果:
本发明通过参考数据与温度数据在散点图中位置分布情况,分布参考数据与温度数据的关联性,获得线性关系权重,通过线性关系权重反映两组数据在一定范围内线性关系的强弱。并进一步通过其他调节数据在同样待调节温度区间内与温度数据间的关联程度,获得其他数据的影响程度,综合分析了其他数据对于参考数据与温度数据间关联关系的影响,使两组数据的相关性分析更可靠。最终通过待调节数据点局部范围内数据波动的影响获得波动误差值,进一步优化两组数据的线性关系,使最终调节量的获取更精确。最终根据线性关系权重、干扰系数和波动误差值获得参考数据的调节量,反映参考数据所需调节量与待调节温度量之间的关系,综合多指标更全面融合分析多传感器数据与温度数据间的关系,获得更可靠、更精确的调节结果,实现更好的温度控制。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于温度智能控制器的数据融合方法流程图;
图2为本发明一个实施例所提供的一种参考数据与温度数据的散点图;
图3为本发明一个实施例所提供的一种调节数据与温度数据的所有单高斯模型分布示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于温度智能控制器的数据融合方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于温度智能控制器的数据融合方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于温度智能控制器的数据融合方法流程图,该方法包括以下步骤:
S1:获取待调节时间点前预设时间段上的温度数据和至少两组调节数据,任选一组调节数据作为参考数据;根据温度数据和参考数据在预设时间段上的数据值构建散点图,通过散点图中数据点的分布位置获得分布聚簇。
温度智能控制器是一种用于控制温度的设备,由于温度智能控制器的应用场所不同,需要协同工作的传感器类型也是不同的,以大型粮仓中的温度智能控制器为例,对于性能良好的粮仓,储藏粮食的粮仓或装具需要具有良好的密封、隔热和防潮性能,因此需要能获取温度、湿度和空气流速等数据的传感器。由于在温度进行调节时,易受其他因素的影响,使调节结果并不理想,例如,在调高温度后,会产生水分蒸发的热量,而由于空气流速较大可能会使热量流失,导致温度调节并不能达到理想状态。
因此本发明分析多个传感器的数据与温度数据的关联,通过数据融合综合调控多项数据,更好的实现温度控制。为了方便分析多传感器数据与温度数据间的关系,获取多个类型传感器的历史数据,所有历史数据均为时序上的数据,即每个时刻对应多个类型传感器数据。需要说明的是,传感器的数据获取为本领域技术人员熟知的技术手段,在此不做赘述,且具体传感器的安置与选择,可根据具体的实施情况进行调整,对此不做限制。
在本发明中,待调节时间点,为温度需要进行调节的时间点,获取在待调节时间点前预设时间段上温度数据与调节数据的历史数据。调节数据为多类型传感器获得的数据,例如湿度和空气流动速度等,由于温度数据通常受多种因素的影响,为了更准确的判断温度数据的变化,获取至少两组调节数据进行分析。在本发明实施例中,预设时间段可设置为一天,需尽可能获取所有情况下的温度数据与调节数据的数据值,以便更好的分析温度数据与调节数据的关系,具体时间段的选取可根据需求进行调整,在此不做限定。
由于整体调节数据与温度数据之间的关系是非线性的,以非线性关系很难分析温度与其他调节数据的关联关系,但非线性关系中存在多组线性关系的组合,即单组调节数据可与温度数据在一定区间内具有线性关系。为了进一步方便分析每组调节数据与温度数据的关系,选取任意一组调节数据作为参考数据进行分析,除参考数据之外的调节数据为其他调节数据。
温度数据和参考数据在时序上是同步获取的,对于每个时刻,均可获得一个温度数据值和一个参考数据值,为了更精确的分析温度数据和参考数据的关系,根据温度数据和参考数据在预设时间段上的数据值构建散点图,请参阅图2,其出示了本发明一个实施例所提供的一种参考数据与温度数据的散点图,图2中以参考数据为横轴,温度数据为纵轴构建散点图。通过散点图中数据点的位置分布可以清晰的反映温度数据和参考数据的线性关系强弱,即在散点图中若存在某个位置的叠加数据点越多,且周围数据越集中,代表参考数据与温度数据线性关系越强。需要说明的是,散点图的构建方法为本领域技术人员熟知的技术手段,在此不做赘述。
进一步,通过散点图中数据点的聚集情况分析参考数据和温度数据的线性关系强弱情况,在本发明实施例中,采用均值漂移算法,通过预设圆形窗口进行聚类,获得至少一个分布聚簇,由于均值漂移是一种爬山算法,通过预设滑动窗口中的密度分布,逐步向更高密度区域移动,直至收敛,因此可获得多个分布聚簇和每个分布聚簇对应的中心点,中心点即滑动窗口为最高密度区域时滑动窗口的中心数据点,预设圆形窗口的半径为5,具体数值实施者可根据具体情况进行调整,在此不做限制。
在本发明其他实施例中,也可选用其他聚类算法,如DBSCAN聚类等,并计算局部区域密度最大的点作为中心点,在此不做限制。需要说明的是,均值漂移或DBSCAN聚类等聚类算法均为本领域技术人员熟知的技术手段,在此不做赘述。
通过分布聚簇可以反映出在一定区间内,温度数据和参考数据之间线性关系的强弱。举例而言,在一个温度数据值上,分布的参考数据较多且集中时,表明当温度数据变为该值时,参考数据通常在一个极小的固定范围浮动,则说明此处温度数据和参考数据的线性关系是较强的,因此后续可根据分布聚簇分析温度数据和调节数据间的关系。需要说明的是,因为分布聚簇反映一定范围内温度数据与其他调节数据的线性关系,当温度数据与其他调节数据仅存在一个范围内有线性关系,则获得的分布聚簇仅存在一个,当温度数据与其他调节数据存在多个范围对应多个不同的线性关系时,则获得多个分布聚簇,如图2中可以看出,散点图存在3个分布聚簇,则参考数据与温度数据在不同的数据范围内存在三种不同的线性关系。
S2:获取散点图中待调节时间点下的待调节数据点,将待调节数据点所处的分布聚簇记为待调节分布聚簇;根据待调节分布聚簇中待调节数据点与温度数据的关联程度,获得参考数据的线性关系权重。
根据S1可获得参考数据与温度数据的多个分布聚簇,每个分布聚簇反映的线性关系并不相同,在本发明中主要针对待调节时间点的温度数据进行调节,因此获取散点图中待调节时间点下的待调节数据点,将待调节数据点所处的分布聚簇记为待调节分布聚簇,此时根据待调节分布聚簇中参考数据与温度数据的关联程度,可获得参考数据的线性关系权重。
优选地,考虑到待调节分布聚簇中聚簇的中心密度区域为线性关系最强的数据分布区域,在中心周围的局部密度是逐渐稀疏的,根据这一分布特征与高斯分布极为相似,因此可根据分布聚簇中数据点的邻域密度拟合高斯分布函数,更好的表征温度数据和参考数据的关联关系。在本发明其他实施例中,也可采用直方图的形式反映温度数据与参考数据之间的关系,但其表征效果不如高斯分布函数,因此在此不做赘述。
获得待调节分布聚簇中每个数据点在预设邻域范围内的邻域密度,通过数据点的邻域密度大小反映线性关系的强弱,当数据点为分布聚簇的中心点时,邻域密度最大,表征的线性关系最强,当数据点距离中心点越远时,邻域密度越小,表征的线性关系越弱,在本发明实施例中,预设邻域范围为以数据点为中心,5为半径的圆形区域范围,需要说明的是,本发明中的半径5是指将散点图中数据点间的欧式范数为5的大小作为固定半径,在其他实施例中也可采用数据值的范围大小作为区域大小,在此不做限制。
获取待调节分布聚簇中所有数据点邻域密度的均值及均方差,通过所有数据点的邻域密度拟合高斯分布函数,在本发明实施例中,拟合高斯分布函数的具体公式为:
式中,表示为待调节分布聚簇的高斯分布函数,/>表示为第/>个数据点的邻域密度,/>表示为所有数据点邻域密度的均方差,/>表示为所有数据点邻域密度的均值,/>表示为圆周率,/>表示为以自然常数为底的指数函数。需要说明的是,高斯分布函数公式的运用为本领域技术人员熟知的技术手段,因此具体公式的意义不再赘述。
对于高斯分布函数而言,当均方差越大说明高斯分布函数曲线越平缓,当均方差越小说明高斯分布函数曲线越陡,曲线越陡说明分布聚簇中的线性关系越集中,此时刻对应的参考数据与温度数据的关联程度越大,参考数据协同调节温度数据的权重也应越大。因此将负相关映射并归一化的高斯分布函数的均方差作为线性集中度。
进一步根据待调节数据点在分布聚簇的分布位置调整线性集中度,获得线性关系权重,当待调节数据点在分布聚簇中的位置越集中,那么待调节数据点代表的参考数据和温度数据的线性关系越强,需要越大的权重,在本发明实施例中,计算待调节数据点在高斯分布函数中的分布概率作为线性程度,通过线性程度反映此时刻参考数据和温度数据间相对线性关系的强弱,具体线性程度的获取方法包括:
在待调节分布聚簇内,将待调节数据点的邻域密度与最小邻域密度在高斯分布函数中的定积分作为概率分布面积;将最大邻域密度和最小邻域密度在高斯分布函数中的定积分作为整体分布面积,将概率分布面积与整体分布面积的比值作为待调节数据点的分布概率,分布概率记为线性程度。通过定积分表示概率分布,代表任意变量数据在该区间的概率,在本发明实施例中,为了后续计算的准确性,具体分布概率的表达式为:
式中,表示为待调节时间点/>对应待调节数据点的分布概率,/>表示为待调节分布聚簇的高斯分布函数,/>表示为待调节数据点/>的邻域密度,/>表示为最小邻域密度,表示为最大邻域密度。
其中,表示为高斯分布函数中最小邻域密度与待调节数据点邻域密度之间的定积分,即为概率分布面积。/>表示为高斯分布函数中最小邻域密度和最大邻域密度之间的定积分,即为整体分布面积。通过面积比反映待调节数据点的分布概率,即线性程度,当线性程度越大,说明待调节数据点在待调节分布聚簇中越靠近密度集中区域,此时参考数据和温度数据的线性关系越强。需要说明的是,高斯分布函数定积分的计算为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明另一个实施例中,也可直接将归一化的概率分布面积作为分布概率,当概率分布面积越大说明分布概率越大,此时的待调节数据点位置对应线性关系越强。
通过线性程度和线性集中度综合分析参考数据和温度数据在待调节时间点下的线性关系权重,线性程度和线性集中度均与线性关系权重呈正相关关系,在本发明实施例中,将归一化的线性程度与线性集中度相乘获得线性关系权重,线性关系权重的具体表达式为:
式中,表示为待调节时间点/>对应待调节数据点的线性关系权重;/>表示为待调节分布聚类/>对应高斯分布函数的均方差,即线性集中度;/>表示为待调节时间点/>对应待调节数据点的分布概率,即线性程度;/>表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
通过乘积的形式综合分析线性程度和线性集中度,当线性程度越大,线性集中度越大,说明参考数据与温度数据的线性相关性越强,因此线性关系权重越大。在本发明另一个实施例中,也可采用相加运算反映出线性程度和线性集中度均与线性关系权重的正相关关系。在本发明其他实施例中,可选用其他基础数学运算反映出线性程度和线性集中度均与线性关系权重的正相关关系。
至此,完成对参考数据和温度数据的关联性分析,获得参考数据对应的线性关系权重。
S3:根据参考数据的待调节分布聚簇确定待调节温度区间,在待调节温度区间中,根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度,通过所有其他调节数据的线性关系权重和影响程度获得参考数据的干扰系数。
由于参考数据的线性关系权重仅仅考虑到了参考数据与温度数据间的相互影响,但是在实际调控中,温度会受多种因素影响,仅通过一种调节数据进行调控时也会受到其他相关调节数据的影响,例如,在综合湿度数据对温度进行协同调控时,由于空气流速的变化,使湿度的调节也会受到空气流速的影响。因此本发明考虑到其他调节数据对参考数据调控的影响,通过多组调节数据与温度的关联程度获得其他调节数据的干扰程度。
在本发明一个实施例中,优选采用混合高斯模型可以更清晰明确的放映多组调节数据与温度数据间的关系,根据参考数据的待调节分布聚簇确定温度区间,在温度区域中通过混合高斯模型分析其他调节数据对温度的影响程度。在本发明其他实施例中,也可直接根据不同数据散点图的重合分布程度,反映其他调节数据的影响程度,在此不做赘述。
根据优选采用混合高斯模型方法,首先确定每个调节数据与温度数据的单高斯模型,每个单高斯模型中的单峰在散点图中反映为一个分布聚簇,根据所有调节数据的单高斯模型获得温度数据的混合高斯模型。需要说明的是,混合高斯模型的获取为本领域技术人员熟知的技术手段,在此不做赘述。
根据参考数据对应的待调节分布聚簇可确定参考数据在单高斯模型中对应的参考单峰,在混合高斯模型中,参考单峰对应温度数据范围为待调节温度区间。请参阅图3,其出示了本发明一个实施例所提供的一种调节数据与温度数据的所有单高斯模型分布示意图。图3为未进行混合的多单高斯模型示意图,其中加粗实线表征参考数据对应的单高斯模型,其中对应中间单峰即为参考单峰,参考单峰对应的温度数据区域为待调节温度区域,其余曲线均为其他调节数据对应的单高斯模型,其中阴影部分,为其他调节数据在待调节温度区间中重合的区域,反映出此时其他调节数据对参考数据的调节是有影响的。
在混合高斯模型的待调节温度区间中,获得除参考数据外其他调节数据对应的单高斯模型区域,若在待调节温度区间中存在其他调节数据的单高斯模型区域,则说明当调节参考数据时,对应该其他调节数据也会出现一定的变化影响,因此需要计算有重合部分的其他调节数据的情况。若在待调节温度区间中不存在其他调节数据的单高斯模型区域时,说明在该待调节温度区间内其他调节数据不会对参考数据的调节产生影响,即在协同调节参考数据时,其他调节数据并未产生变化,也即其他调节数据在该待调节温度区间中没有分布聚簇,表示此时其他调节数据与温度数据没有线性关系,因此不会产生干扰。
进一步可根据在待调节温度区间中具有单高斯模型区域的调节数据进行分析,根据待调节温度区间中每个其他调节数据与温度数据的关联程度,获得每个其他调节数据的影响程度,在本发明一个实施例中,影响程度的获取具体为:计算每个其他调节数据的单高斯模型区域组成为混合高斯模型的后验概率,将每个后验概率作为对应每个其他调节数据对参考数据的影响程度。通过待调节温度区间中每个单高斯模型区域组成为混合高斯模型对应区域的后验概率反映其他调节数据与温度数据间的关联程度,当其他调节数据与温度的关联关系越大,即线性关系越强则对应后验概率也越大,说明其他数据的影响程度越强。需要说明的是,后验概率是指事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小,具体后验概率的计算为本领域技术人员熟知的技术手段,在此不做赘述。
在本发明的另一实施例中,也可采用计算对应待调节温度区间中其他调节数据对应单高斯模型区域的面积作为其他数据的影响程度,当面积越大,说明其他数据与温度数据的关联程度更强,影响干扰程度更大。
为了更准确计算每个其他调节数据的干扰程度,计算每个其他调节数据在待调节时间点的线性关系权重,进一步表征其他调节数据与温度数据的关联程度,通过线性关系权重和影响程度的综合分析,将每个其他调节数据对应的线性关系权重和和影响程度相乘,获得每个其他调节数据的单项干扰系数,将所有单项干扰系数的平均值作为参考数据的干扰系数,在本发明实施例中,具体干扰系数的表达式为:
式中,表示为参考数据的干扰系数,/>表示为调节数据的总数量,/>表示为在待调节时间点/>时第/>组调节数据对应的线性关系权重,/>表示为在待调节时间点/>时第/>组调节数据对应的后验概率。
其中,表示为在待调节时间点/>时第/>组调节数据的单项干扰系数,表示为对所有其他调节数据均获取单项干扰系数,并求均值作为干扰系数,当干扰系数越大,说明参考数据受影响越严重,此时需要更大的调节程度来消除影响。需要说明的是,若存在其他调节数据在待调节时间点对应待调节温度区间中,对参考数据并没有影响时,可将其对应单项干扰系数作为零进行计算。
至此,完成对在待调节时间点其他调节数据与温度数据的关联关系分析,获得参考数据的干扰系数。
S4:根据待调节数据点在散点图中预设局部范围内的数据波动情况,获得参考数据的波动误差值;根据待调节时间点下预设待调节温度量,通过参考数据的线性关系权重、干扰系数和波动误差值获得参考数据的调节量;根据调节量对待调节时间点对应的调节数据进行调控。
由于调节温度时,同步调节其他多个数据的目的是为了避免室内热量循环稳态受到影响,温度调节量达不到理想效果,而同步调节多个数据时,尽管已经获取了不同调节数据与温度之间的线性关系强弱以及调节某一数据时其他调节数据可能对调节量造成干扰的可能性,但仍无法完全消除多数据相互之间的影响,因此设置误差量的目的在于根据历史先验知识对此类不确定因素进行补偿。
对于参考数据而言,通过对散点图中数据点的分布位置分析,可以得到参考数据与温度数据之间的线性关系强弱,通过对其他调节数据在单高峰模型中的重合程度分析,可以得到其他调节数据对参考数据的干扰影响。进一步考虑到实际调节中数据的不稳定性,即数据点具有一定的误差范围,体现在散点图中数据点的邻域波动情况。
在本发明实施例中,以待调节数据点在散点图中的位置为中心,预设局部范围内的其他数据点为波动数据点,获得由待调节数据点到每个波动数据点的距离向量,通过距离向量的模长反映待调节数据点到每个波动数据点的距离,其中,预设局部范围设置为5,具体数值实施者可根据实际情况自行调整,在此不做限制。在本发明其他实施例中,也可直接采用两点间欧式距离作为待调节数据点到每个波动数据点的距离,在此不做限制。需要说明的是,向量模长的获取和欧式距离的计算均为本领域技术人员熟知的技术手段,在此不做赘述。
本发明将所有距离的均方差作为参考数据的波动误差值,具体为:获得所有距离的平均值,根据平均值计算均方差作为参考数据的波动误差值,通过局部数据点距离的均方差作为误差值,对调节量进行修正,提高调节量的精确性,在本发明实施例中,具体的计算公式为:
式中,表示为距离的平均值,/>表示为距离的均方差,即波动误差值,/>表示为待调节时间点/>时对应待调节数据点的局部波动数据点总数量,/>表示为有待调节数据点/>到第/>个波动数据点的距离向量,/>代表距离向量的模长。
通过距离的均方差获得参考数据的波动误差值,使参考数据在协同调节温度数据时,能够更精确的实现自调节,减少对温度的影响。
至此,完成对待调节数据点分布位置的邻域数据波动情况的分析,获得参考数据的波动误差值。进一步可以通过参考数据的线性关系权重、干扰系数和波动误差值获得参考数据的调节数据量。
优选地,在待调节时间点下,可根据待调节数据点所在待调节分布聚簇的中心点,确定中心点对应的参考数据值和温度数据值,将参考数据值与温度数据值的比值作为最大线性系数,通过最大线性系数反映在此温度范围中参考数据与温度数据的最强线性关系。根据待调节时间点下参考数据与温度数据的关联关系获得线性关系权重,计算最大线性系数与线性关系权重的乘积,并考虑到其他调节数据干扰带来的调节减益效果,将参考数据的干扰系数与乘积的比值作为线性系数,通过线性系数可以具体反映在一定范围内温度数据的变化与参考数据变化的关系。
将待调节温度量与线性系数的乘积加上波动误差值获得参考数据所需调节的调节数据量。此时的调节数据量为参考数据所需的调节数量,进一步为了确定调节数据量对参考数据的调节效果,需要获取参考数据与温度数据的反馈关系。
需要说明的是,当调节数据与温度数据存在数据间的变动关系时,便已经可以确定调节数据与温度数据间存在反馈关系,且调节数据与温度数据的具体反馈关系是通过经验常识已经确定的,举例而言,当温度上升时,空气流速需下降才能保证温度不会流失,此时因为温度与空气流速存在变动关系,所以存在反馈关系,且根据经验可知温度与空气流速之间的变化为负反馈关系,空气流速的调节量为负,此时调节数据量与调节量呈负相关关系。同理当参考数据与温度数据为正反馈关系时,调节数据量与调节量呈正相关关系。在本发明实施例中,为了计算的准确性,参考数据的调节数据量的表达式为:
式中,表示为参考数据/>的调节数据量,/>表示为波动误差值,/>表示为参考数据的干扰系数,/>表示为待调节时间点/>对应待调节数据点的线性关系权重,/>表示为待调节温度量,/>表示为待调节分布聚簇的中心点/>对应的温度数据值,/>表示为待调节分布聚簇的中心点/>对应的参考数据值。
其中,表示为最大线性系数,/>表示为线性系数,即最大线性系数通过加权并排除其他调节数据的干扰影响,得到的真实线性系数。/>为待调节温度量,此时的待调节温度量为实际调控中温度所需的调节数据量,在实际场景中根据实际温度调控需求设置,此处仅用作自变量来反映待调节温度量与调节数据量的关系。
在本发明实施例中,当参考数据与温度数据为正反馈关系时,调节数据量与调节量呈正相关,此时调节量等于调节数据量,在进行调控时可直接根据待调节时间点出调节数据与调节量相加,使调节数据与温度数据的数据变化呈一致状态,即待调节温度量为负时,参考数据的调节数据量为负,调节量也为负,待调节温度量为正时,参考数据的调节数据量为正,调节量也为正。当参考数据与温度数据为负反馈关系时,调节数据量与调节量呈负相关,此时调节量等于调节数据量的负数,在进行调控时也将待调节时间点的调节数据与调节量相加,使调节数据与温度数据的数据变化呈相反的状态,即待调节温度量为负时,参考数据的调节数据量为负,调节量为正,待调节温度量为正时,参考数据的调节数据量为正,调节量为负。通过反馈关系,可以反映待调节温度量与调节数据的调节量之间的变化关系。
根据待调节时间点下的待调节温度量可获得所有调节数据的调节数据量,并根据温度数据与每个调节数据的反馈关系,确定每个调节数据的调节量,使各个传感器到根据调节量调节数据,即对各自数据与调节量相加达到所需的调节后数据,根据所有调节量完成整体的协同调控,从多个维度同时调节,保证温度不会出现二次变化,使温度调节效果更精确。
综上,本发明通过对每个调节数据的历史数据分析,在当前待调节时间点下,根据调节数据和温度数据的关联关系,获得调节数据的线性关系权重,进一步根据调节数据与温度数据在一定范围内的变化中,受其他调节数据与温度数据的关联关系影响,获得调节数据在调节时的干扰系数,通过待调节时间点下待调节数据点的邻域波动情况获得调节数据的波动误差值,最终根据待调节温度量,通过调节数据的线性关系权重、干扰系数和波动误差值获得调节数据的调节量,获得所有调节数据的调节量,完成整体调控。本发明通过数据融合,整体分析多调节数据与温度数据间的关系,实现温度的精确调控。
本发明提供了一种用于温度智能控制器的数据融合系统,包括存储器和处理器,处理器执行存储器存储的计算机程序,以实现如上述的一种用于温度只能控制器的数据融合方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种用于温度智能控制器的数据融合方法,其特征在于,所述方法包括:
获取待调节时间点前预设时间段上的温度数据和至少两组调节数据,任选一组调节数据作为参考数据;根据温度数据和参考数据在预设时间段上的数据值构建散点图,通过所述散点图中数据点的分布位置获得分布聚簇;
获取所述散点图中待调节时间点下的待调节数据点,将所述待调节数据点所处的所述分布聚簇记为待调节分布聚簇;根据所述待调节分布聚簇中参考数据与温度数据的关联程度,获得参考数据的线性关系权重;
根据参考数据的所述待调节分布聚簇确定待调节温度区间;在待调节温度区间中,根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度,通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数;
根据所述待调节数据点在所述散点图中预设局部范围内的数据波动情况,获得参考数据的波动误差值;根据待调节时间点下的待调节温度量,通过参考数据的所述线性关系权重、所述干扰系数和所述波动误差值获得参考数据的调节量;根据调节量对所述待调节时间点对应的调节数据进行调控。
2.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述根据所述待调节分布聚簇中参考数据与温度数据的关联程度,获得参考数据的线性关系权重,包括:
获得待调节分布聚簇中每个数据点在预设邻域范围内的邻域密度,根据待调节分布聚簇中所有数据点的邻域密度拟合待调节分布聚簇的高斯分布函数;
将负相关并归一化的所述高斯分布函数的均方差作为线性集中度;计算待调节数据点在高斯分布函数中的分布概率作为线性程度;
通过所述线性程度和所述线性集中度确定参考数据的线性关系权重,所述线性程度和所述线性集中度均与线性关系权重呈正相关关系。
3.根据权利要求2所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述计算待调节数据点在高斯分布函数中的分布概率作为线性程度,包括:
在待调节分布聚簇内,将待调节数据点的邻域密度与最小邻域密度在所述高斯分布函数中的定积分作为概率分布面积;将最大邻域密度和最小邻域密度在所述高斯分布函数中的定积分作为整体分布面积,将所述概率分布面积与所述整体分布面积的比值作为待调节数据点的分布概率,所述分布概率记为线性程度。
4.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述根据参考数据的所述待调节分布聚簇确定待调节温度区间,包括:
确定每个所述调节数据与所述温度数据的单高斯模型,其中每个单高斯模型中的单峰对应一个分布聚簇;根据所有所述调节数据的单高斯模型获得所述温度数据的混合高斯模型;根据参考数据的所述待调节分布聚簇确定对应单高斯模型的参考单峰,在所述混合高斯模型中所述参考单峰对应温度数据范围为待调节温度区间。
5.根据权利要求4所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度,包括:
在所述混合高斯模型的所述待调节温度区间中,获得除参考数据外其他调节数据对应的单高斯模型区域,计算每个其他调节数据的所述单高斯模型区域组成为混合高斯模型的后验概率,将每个所述后验概率作为对应每个其他调节数据对参考数据的影响程度。
6.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数,包括:
将每个其他调节数据的所述线性关系权重与所述影响程度相乘,获得每个其他调节数据的单项干扰系数,将所有所述单项干扰系数的平均值作为参考数据的干扰系数。
7.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述参考数据的波动误差值的获取方法包括:
计算在预设局部范围内所述待调节数据点与其他数据点的距离,将所有距离的均方差作为参考数据的波动误差值。
8.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述通过所述散点图中数据点的分布位置获得分布聚簇,包括:
采用均值漂移算法,通过预设圆形窗口进行聚类获得分布聚簇。
9.根据权利要求1所述的一种用于温度智能控制器的数据融合方法,其特征在于,所述参考数据的调节量的获取方法包括:
确定所述待调节分布聚簇的中心点,并获取所述中心点对应的参考数据值和温度数据值,将所述参考数据值与温度数据值的比值作为最大线性系数;计算所述最大线性系数与所述线性关系权重的乘积,将所述干扰系数与所述乘积的比值作为线性系数;将所述待调节温度量与所述线性系数的乘积加上所述波动误差值,获得参考数据的调节数据量;
确定参考数据与温度数据的反馈关系,当参考数据与温度数据呈负反馈关系时,所述调节数据量与参考数据的调节量呈负相关关系;当参考数据与温度数据呈正反馈关系时,所述调节数据量与参考数据的调节量呈正相关关系。
10.一种用于温度智能控制器的数据融合系统,包括存储器和处理器;其特征在于,所述处理器执行所述存储器存储的计算程序,以实现如权利要求1-9任一项所述一种用于温度智能控制器的数据融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063980.3A CN117572917B (zh) | 2024-01-17 | 2024-01-17 | 一种用于温度智能控制器的数据融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063980.3A CN117572917B (zh) | 2024-01-17 | 2024-01-17 | 一种用于温度智能控制器的数据融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572917A true CN117572917A (zh) | 2024-02-20 |
CN117572917B CN117572917B (zh) | 2024-04-09 |
Family
ID=89890496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410063980.3A Active CN117572917B (zh) | 2024-01-17 | 2024-01-17 | 一种用于温度智能控制器的数据融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572917B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118228140A (zh) * | 2024-05-14 | 2024-06-21 | 中山大学 | 基于多模态的排水管网溢流预警智能分析方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
WO2010086108A1 (de) * | 2009-01-27 | 2010-08-05 | Volkswagen Aktiengesellschaft | Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs |
CN106303901A (zh) * | 2015-05-18 | 2017-01-04 | 郑州大学 | 一种无线传感网中基于协同过滤的可靠数据融合优化方法 |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN112968931A (zh) * | 2021-01-29 | 2021-06-15 | 长沙青络科技有限公司 | 一种基于多传感器的农作物环境温度数据融合系统及方法 |
CN115900898A (zh) * | 2022-12-05 | 2023-04-04 | 合肥工业大学 | 一种内嵌旋涡发生体的永磁式钠流量计的信号模型建立与测量准确度评估 |
CN116204566A (zh) * | 2023-04-28 | 2023-06-02 | 深圳市欣冠精密技术有限公司 | 一种数字化工厂监控大数据处理系统 |
CN116740809A (zh) * | 2023-06-05 | 2023-09-12 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
-
2024
- 2024-01-17 CN CN202410063980.3A patent/CN117572917B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090169102A1 (en) * | 2007-11-29 | 2009-07-02 | Chao Zhang | Multi-scale multi-camera adaptive fusion with contrast normalization |
WO2010086108A1 (de) * | 2009-01-27 | 2010-08-05 | Volkswagen Aktiengesellschaft | Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs |
CN106303901A (zh) * | 2015-05-18 | 2017-01-04 | 郑州大学 | 一种无线传感网中基于协同过滤的可靠数据融合优化方法 |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110689485A (zh) * | 2019-10-14 | 2020-01-14 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种应用于大型压力容器红外无损检测的sift图像拼接方法 |
CN112968931A (zh) * | 2021-01-29 | 2021-06-15 | 长沙青络科技有限公司 | 一种基于多传感器的农作物环境温度数据融合系统及方法 |
CN115900898A (zh) * | 2022-12-05 | 2023-04-04 | 合肥工业大学 | 一种内嵌旋涡发生体的永磁式钠流量计的信号模型建立与测量准确度评估 |
CN116204566A (zh) * | 2023-04-28 | 2023-06-02 | 深圳市欣冠精密技术有限公司 | 一种数字化工厂监控大数据处理系统 |
CN116740809A (zh) * | 2023-06-05 | 2023-09-12 | 嘉兴米兰映像家具有限公司 | 一种基于用户姿态的智能沙发控制方法 |
Non-Patent Citations (3)
Title |
---|
张勇等: "基于邻域相关性的面向聚类数据扰动方法", 计算机研究与发展, no. 3, 15 September 2011 (2011-09-15), pages 88 - 94 * |
覃凤婷等: "基于稀疏子空间的局部异常值检测算法", 计算机工程与应用, no. 19, 31 December 2020 (2020-12-31), pages 157 - 164 * |
邱保志等: "基于残差分析的混合属性数据聚类算法", 自动化学报, no. 07, 31 December 2020 (2020-12-31), pages 122 - 134 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118228140A (zh) * | 2024-05-14 | 2024-06-21 | 中山大学 | 基于多模态的排水管网溢流预警智能分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117572917B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117572917B (zh) | 一种用于温度智能控制器的数据融合方法及系统 | |
CN105929683B (zh) | 一种微分可调pid控制器参数工程整定模型及方法 | |
CN102032640A (zh) | 工业环境高精度空调的模糊pid控制方法及装置 | |
US11989008B2 (en) | Methods and Internet of Things systems for regulating rated outlet pressures of gate station compressors for smart gas | |
CN108537683A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
CN107657681A (zh) | 生产设备参数调整方法及装置、计算机装置及可读存储器 | |
CN113075881B (zh) | 一种pid控制器的参数调节方法、装置及电子设备 | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
CN117608232B (zh) | 一种工业燃气流量自动控制方法与智慧燃气物联网系统 | |
CN116680661B (zh) | 基于多维数据的燃气自动调压柜压力监测方法 | |
CN112749810A (zh) | 模型训练方法、控制参数确定方法及装置 | |
CN113031670A (zh) | 一种基于大数据的仓库湿度自动控制系统 | |
CN111967181A (zh) | 一种基于apso-elm和模糊逻辑的灌溉时间计算方法 | |
CN104949283A (zh) | 一种控制风量的风阀调节方法及系统 | |
CN112180733A (zh) | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 | |
CN117666364B (zh) | 一种智能化无刷电机测试与调节方法及系统 | |
CN116202192B (zh) | 一种机房温度远程控制方法及系统 | |
CN117951631B (zh) | 一种智能恒温恒压冷却水循环系统 | |
CN117968230B (zh) | 一种机房空调冷氟泵智能监控方法及系统 | |
CN108445749A (zh) | 一种应用于高阶滑模控制器的参数整定方法 | |
CN118209773B (zh) | 一种矿用交流变频器电压检测校正方法 | |
CN114321722B (zh) | 蒸汽管网的压力平衡方法、装置、存储介质以及处理器 | |
CN110531715B (zh) | Lpcvd工艺生产环境的控制方法及系统 | |
CN118391784A (zh) | 一种高品质绿色建筑工程服务智能管理方法 | |
CN113915736A (zh) | 一种新风负荷预测方法、控制装置和系统 |
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 |