CN117804112B - 冷热源系统Ai能源效率管理系统 - Google Patents
冷热源系统Ai能源效率管理系统 Download PDFInfo
- Publication number
- CN117804112B CN117804112B CN202410224065.8A CN202410224065A CN117804112B CN 117804112 B CN117804112 B CN 117804112B CN 202410224065 A CN202410224065 A CN 202410224065A CN 117804112 B CN117804112 B CN 117804112B
- Authority
- CN
- China
- Prior art keywords
- time
- refrigerator
- compressor
- real
- temperature
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 239000000498 cooling water Substances 0.000 claims description 76
- 238000007906 compression Methods 0.000 claims description 49
- 230000006835 compression Effects 0.000 claims description 45
- 238000007726 management method Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000007667 floating Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000013144 data compression Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 18
- 238000005057 refrigeration Methods 0.000 abstract description 16
- 238000005299 abrasion Methods 0.000 abstract description 5
- 230000002195 synergetic effect Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract 2
- 238000000034 method Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 238000005265 energy consumption Methods 0.000 description 9
- 238000001816 cooling Methods 0.000 description 7
- 239000003507 refrigerant Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明公开了冷热源系统Ai能源效率管理系统,涉及能源效率管理技术领域,包括信息采集模块、信息预处理与异常量化模块、算法分析模块、智能优化和调整模块、影响分析模块以及提示模块;信息采集模块,实时采集制冷机运行相关的数据。本发明通过信息采集模块、异常感知模块和智能优化调整模块的协同作用,系统能够实时采集、分析制冷机的关键性能数据,并通过异常检测算法识别潜在的低效率运行问题,一旦系统检测到低效率运行的异常情况,智能优化调整模块会生成实时运行效率曲线和标准运行效率曲线,为运维人员提供了全面的性能分析,使其能够迅速响应并采取措施以避免潜在的设备过度负荷和磨损,同时确保制冷机的制冷效果。
Description
技术领域
本发明涉及能源效率管理技术领域,具体涉及冷热源系统Ai能源效率管理系统。
背景技术
冷热源系统Ai能源效率管理是指利用人工智能(AI)技术来优化和管理冷热源系统中能源的使用,以提高系统的能源效率。这一概念涵盖了多个方面,包括传感器技术的应用、数据分析和预测算法的开发以及智能控制系统的实施。
首先,通过安装各种传感器,系统可以实时监测和收集关于能源使用、环境条件和设备性能的数据。然后,AI算法通过对这些数据进行分析和学习,能够预测系统运行的最佳模式,并自动调整各个组件的工作参数,以最大程度地减少能源浪费和提高整个系统的运行效率。这种智能化的管理方法有助于降低能源成本、减少环境影响,并提高系统的可持续性。
其次,冷热源系统Ai能源效率管理还包括对系统的整体优化和智能控制。通过综合考虑不同设备之间的协同工作,AI系统可以制定最佳的能源分配策略,以确保整个系统在满足需求的同时最大程度地减少能源浪费。智能控制系统可以根据外部环境条件、用能需求和能源价格等因素进行实时调整,以实现最佳的节能效果。这种综合的管理方式不仅提高了冷热源系统的能源利用效率,还有助于实现可持续能源管理的目标。
冷热源系统Ai能源效率管理系统通常会对制冷机进行精确的能源效率管理。制冷机在冷热源系统中占据关键地位,其高效运行直接影响整个系统的性能和能源利用。通过利用人工智能技术,系统可以实时监测制冷机的运行状态、环境条件和用能需求,并利用先进的算法进行优化调整。这种智能化管理使得制冷机能够在最佳效能范围内运行,从而降低能源浪费,提高系统的整体能源效率。
现有技术存在以下不足:
冷热源系统Ai能源效率管理系统对制冷机进行能源效率管理时,若制冷机出现低效率运行但是Ai能源效率管理系统未能智能化感知,长时间的低效率运行可能引起制冷机的过度负荷和磨损,加速设备寿命的缩短,这将增加维修和更换设备的成本,同时降低整个系统的可靠性,其次,制冷机低效率运行会导致制冷效果下降,温度控制不稳定,影响系统的整体性能,对于对稳定温度和湿度要求较高的应用,如实验室和医疗设备房间,这可能引发设备损坏或产品质量问题。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是提供冷热源系统Ai能源效率管理系统,通过信息采集模块、异常感知模块和智能优化调整模块的协同作用,系统能够实时采集、分析制冷机的关键性能数据,并通过异常检测算法识别潜在的低效率运行问题,一旦系统检测到低效率运行的异常情况,智能优化调整模块会生成实时运行效率曲线和标准运行效率曲线,为运维人员提供了全面的性能分析,使其能够迅速响应并采取措施以避免潜在的设备过度负荷和磨损,同时确保制冷机的制冷效果,以解决上述背景技术中的问题。
为了实现上述目的,本发明提供如下技术方案:冷热源系统Ai能源效率管理系统,包括信息采集模块、信息预处理与异常量化模块、算法分析模块、智能优化和调整模块、影响分析模块以及提示模块;
信息采集模块,实时采集制冷机运行相关的数据,其中,制冷机运行相关的数据包括热力学数据和运行性能数据;
信息预处理与异常量化模块,将采集到的制冷机运行相关的数据先进行预处理,确保输入到管理系统的数据准确可靠,再对热力学数据和运行性能数据进行异常量化处理;
算法分析模块,基于异常检测算法,实时监测制冷机的运行状态,通过对采集的数据进行分析,使系统检测到潜在的低效率运行问题;
智能优化和调整模块,一旦检测到低效率运行异常隐患情况,通过管理系统生成实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线对运行效率进行综合分析;
影响分析模块,通过对制冷机运行效率进行分析,判断异常隐患是否对制冷机运行效率造成影响。
优选的,制冷机运行相关的热力学数据包括压缩机排气温度、压缩机吸气温度以及压缩机压缩比,制冷机运行相关的运行性能数据包括冷却水温度,对获取到的压缩机排气温度、压缩机吸气温度、压缩机压缩比以及冷却水温度进行预处理后,通过对压缩机排气温度、压缩机吸气温度处理后生成压缩机排吸气增量隐患,通过对压缩机压缩比处理后生成压缩比浮动隐患,通过对冷却水温度处理后生成冷却水温度差异隐患。
优选的,压缩机排吸气增量隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时的实时压缩机排气温度和实时压缩机吸气温度,实时压缩机排气温度和实时压缩机吸气温度按照时间序列分别用函数和进行表示;
将制冷机运行时在固定时长窗口内获取的实时压缩机排气温度和实时压缩机吸气温度分别与压缩机正常工作排气温度上限值和压缩机正常工作吸气温度上限值进行比对参考,计算压缩机排吸气增量隐患,计算的表达式为:,式中,/>表示压缩机排吸气增量隐患,/>表示制冷机运行时在固定时长窗口内实时压缩机排气温度超过压缩机正常工作排气温度上限值的时段,/>,/>表示制冷机运行时在固定时长窗口内实时压缩机吸气温度超过压缩机正常工作吸气温度上限值的时段,/>表示压缩机正常工作排气温度上限值,/>表示压缩机正常工作吸气温度上限值。
优选的,压缩比浮动隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时在不同时刻的实时压缩机压缩比,并将实时压缩机压缩比标定为,y表示制冷机运行时在固定时长窗口内不同时刻的实时压缩机压缩比的编号,y=1、2、3、4、……、n,n为正整数;
通过制冷机运行时在固定时长窗口内获取的实时压缩机压缩比计算压缩比浮动隐患,计算的表达式为:,式中,/>表示压缩比浮动隐患,n表示制冷机运行时在固定时长窗口内获取的实时压缩机压缩比的总数量。
优选的,冷却水温度差异隐患获取的逻辑如下:
获取制冷机不同位置的实际冷却水温度,并将实际冷却水温度标定为,x表示制冷机不同位置的实际冷却水温度的编号,x=1、2、3、4、……、m,m为正整数;
通过制冷机不同位置的实际冷却水温度计算冷却水温度标准差,计算的表达式为:,式中,/>表示冷却水温度标准差,;
在固定时长窗口内,获取制冷机运行时在不同时刻的实时冷却水温度标准差,将获取的实时冷却水温度标准差建立数据集合,再将数据集合内的实时冷却水温度标准差按照顺序排序,筛选出实时冷却水温度标准差最大值,并将实时冷却水温度标准差最大值标定为;
计算冷却水温度差异隐患,计算的表达式为:,式中,/>表示冷却水温度差异隐患。
优选的,将热力学数据和运行性能数据进行异常量化处理生成的压缩机排吸气增量隐患、压缩比浮动隐患/>、冷却水温度差异隐患/>进行公式化分析,生成运行效率指数/>,依据的公式为:/>,式中,/>分别为压缩机排吸气增量隐患/>、压缩比浮动隐患/>、冷却水温度差异隐患/>的预设比例系数,且/>均大于0。
优选的,将制冷机运行时在固定时长窗口内生成的运行效率指数与预先设定的运行效率指数参考阈值进行比对分析,比对分析的结果如下:
若运行效率指数小于等于运行效率指数参考阈值,则生成隐患信号;
若运行效率指数大于运行效率指数参考阈值,则生成正常信号。
优选的,当制冷机运行时在固定时长窗口内生成隐患信号时,通过管理系统生成对应时长窗口内的实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线综合分析生成效率指数,生成的逻辑如下:
将实时运行效率曲线和标准运行效率曲线按照相同的时间点进行划分,将实时运行效率和标准运行效率按照时间序列分别用函数和/>进行表示;
计算效率指数,计算的表达式为:,式中,/>表示效率指数,/>表示制冷机生成隐患信号时对应时长窗口内实时运行效率超过标准运行效率的时段,,/>表示制冷机运行时在生成隐患信号时对应时长窗口内实时运行效率低于标准运行效率的时段,/>。
优选的,将制冷机生成隐患信号时对应时长窗口内生成的效率指数与预先设定的效率指数参考阈值进行比对分析,比对分析的结果如下:
若效率指数大于等于效率指数参考阈值,则通过影响分析模块生成高效信号,并将信号传递至提示模块,不通过提示模块发出提示;
若效率指数小效率指数参考阈值,则通过影响分析模块生成低效信号,并将信号传递至提示模块,通过提示模块发出提示,通知相关人员知晓。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过信息采集模块、异常感知模块和智能优化调整模块的协同作用,系统能够实时采集、分析制冷机的关键性能数据,并通过异常检测算法识别潜在的低效率运行问题,一旦系统检测到低效率运行的异常情况,智能优化调整模块会生成实时运行效率曲线和标准运行效率曲线,为运维人员提供了全面的性能分析,使其能够迅速响应并采取措施以避免潜在的设备过度负荷和磨损,同时确保制冷机的制冷效果;
本发明引入了智能优化和调整模块,通过管理系统生成实时运行效率曲线和标准运行效率曲线,实时运行效率曲线反映了制冷机在实际运行中的效率变化,而标准运行效率曲线则代表了理论上的最佳性能水平,通过对比这两条曲线,系统能够综合分析制冷机在出现异常隐患下的运行效率,及时发现和解决低效率运行异常隐患,这有助于保持制冷机的高效运行,避免制冷效果下降,确保对温度和湿度要求较高的应用,如实验室和医疗设备房间,不受低效率运行的影响,防止设备损坏或产品质量问题的发生,因此,系统的智能优化和调整模块为整个冷热源系统提供了实时的性能监测和优化管理,提高了系统的整体性能和稳定性。
附图说明
为了更清楚地说明本申请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的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明冷热源系统Ai能源效率管理系统的模块示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
本发明提供了如图1所示的冷热源系统Ai能源效率管理系统,包括信息采集模块、信息预处理与异常量化模块、算法分析模块、智能优化和调整模块、影响分析模块以及提示模块;
信息采集模块,实时采集制冷机运行相关的数据,其中,制冷机运行相关的数据包括热力学数据和运行性能数据;
制冷机运行相关的热力学数据包括压缩机排气温度、压缩机吸气温度以及压缩机压缩比,制冷机运行相关的运行性能数据包括冷却水温度;
信息预处理与异常量化模块,将采集到的制冷机运行相关的数据先进行预处理,确保输入到管理系统的数据准确可靠,再对热力学数据和运行性能数据进行异常量化处理;
预处理是在采集到的传感器数据输入到管理系统之前,对数据进行一系列操作,以消除噪声、处理异常值,并确保数据的准确可靠性。以下是一些常见的预处理过程及其作用:
数据清洗(Data Cleaning):
作用:识别并纠正数据中的错误或缺失值,确保数据的完整性和一致性。
操作:删除重复数据、填充缺失值、修复数据格式错误等。
异常值检测和处理(Outlier Detection and Handling):
作用:识别和处理可能由于测量错误或系统故障引起的异常值,以防止异常值对分析和决策产生不良影响。
操作:使用统计方法或机器学习算法检测异常值,并根据情况进行修正、替换或删除。
数据平滑(Data Smoothing):
作用:降低数据中的噪声,使数据变得更加平稳,便于后续分析和建模。
操作:使用滑动平均、指数平滑等技术对数据进行平滑处理,以减少数据的波动性。
数据标准化(Data Standardization):
作用:将不同传感器数据的单位和尺度统一,避免由于量纲不同引起的分析误差。
操作:使用标准化或归一化技术,将数据缩放到相同的范围或分布。
时间对齐(Time Alignment):
作用:在时间序列数据中,确保不同传感器的数据在时间上对齐,使其可以有效比较和分析。
操作:对数据进行时间戳的同步,使其在同一时间点上对应相同的观测时刻。
滤波处理(Filtering):
作用:过滤高频噪声,提取数据中的主要趋势和特征。
操作:使用数字滤波器(如低通滤波器)对数据进行滤波处理,去除高频噪声。
数据采样和降维(Sampling and Dimensionality Reduction):
作用:对于高频数据,降低采样频率或降维,减少数据存储和处理的负担,同时保留数据的关键信息。
操作:通过抽样或降维技术,减少数据量,保留主要的数据特征。
采集的制冷机运行相关数据进行预处理后,再对热力学数据和运行性能数据进行异常量化处理,处理的过程如下:
通过对压缩机排气温度、压缩机吸气温度处理后生成压缩机排吸气增量隐患,通过对压缩机压缩比处理后生成压缩比浮动隐患,通过对冷却水温度处理后生成冷却水温度差异隐患。
制冷机的压缩机排气温度过高和压缩机吸气温度过高都可能导致制冷机低效率运行,主要原因如下:
降低热交换效率:过高的压缩机排气温度意味着压缩机在将制冷剂压缩时产生了更多的热量。如果冷凝器无法有效散发这些额外的热量,将导致冷凝过程不充分,降低了热交换效率,使整个制冷系统的性能下降。
影响制冷剂蒸发:过高的压缩机吸气温度可能表明在吸气过程中受到了外部热源的影响,导致制冷剂在蒸发器中不能充分吸收热量。这将导致蒸发效率的下降,使制冷过程的效率受到损害。
增加系统功耗:过高的排气温度和吸气温度都会增加制冷机的功耗。高排气温度需要更多的电能来完成压缩过程,而高吸气温度可能导致压缩机需要更多功率来推动制冷剂的循环。
降低系统效率:高排气温度和吸气温度通常与制冷机的压缩比升高相关。压缩比过高可能导致压缩机在工作时过度劳累,效率下降。这将影响整个系统的性能和能源效率。
因此,对制冷机的压缩机排气温度和压缩机吸气温度进行实时监测,可智能化感知压缩机排气温度和压缩机吸气温度过高可能导致制冷机低效率运行的隐患问题。
压缩机排吸气增量隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时的实时压缩机排气温度和实时压缩机吸气温度,实时压缩机排气温度和实时压缩机吸气温度按照时间序列分别用函数和进行表示;
需要说明的是,在制冷机的关键位置安装相应的温度传感器,以测量排气温度和吸气温度,这些传感器可以是温度传感器,例如热电偶或热敏电阻,能够实时监测并传递温度数据;
将制冷机运行时在固定时长窗口内获取的实时压缩机排气温度和实时压缩机吸气温度分别与压缩机正常工作排气温度上限值和压缩机正常工作吸气温度上限值进行比对参考,计算压缩机排吸气增量隐患,计算的表达式为:,式中,/>表示压缩机排吸气增量隐患,/>表示制冷机运行时在固定时长窗口内实时压缩机排气温度超过压缩机正常工作排气温度上限值的时段,/>,/>表示制冷机运行时在固定时长窗口内实时压缩机吸气温度超过压缩机正常工作吸气温度上限值的时段,/>表示压缩机正常工作排气温度上限值,/>表示压缩机正常工作吸气温度上限值;
需要说明的是,制冷机的制造商通常会提供详细的技术文档,其中包括有关设备性能、工作参数以及正常运行条件的信息,在这些文档中,可以找到压缩机正常工作排气温度范围和压缩机正常工作吸气温度范围,进而可获得压缩机正常工作排气温度上限值和压缩机正常工作吸气温度上限值。
由压缩机排吸气增量隐患的计算表达式可知,制冷机运行时在固定时长窗口内生成的压缩机排吸气增量隐患的表现值越大,表明制冷机低效率运行的隐患越大,反之则表明制冷机低效率运行的隐患越小。
压缩比是压缩机入口和出口压力的比值,制冷机的压缩机浮动较大可能导致制冷机低效率运行,主要原因如下:
能耗波动:压缩机浮动较大可能导致制冷机在不同负荷下的能耗波动。当负荷较小时,压缩机可能会在低效率范围内运行,而在高负荷时可能会在高效率范围内运行。这种波动会导致系统整体的能耗效率下降。
部分负载效率降低:压缩机浮动较大可能导致在部分负载条件下工作时,压缩机效率下降。制冷系统通常在变化的负荷下运行,如果在这些变化中压缩机不能维持相对较高的效率,将导致低效率运行。
过热度波动:压缩机浮动可能导致制冷剂在排气过程中的过热度波动。不稳定的过热度会影响冷凝器的热交换效果,降低整个制冷系统的性能。
制冷效果不稳定:压缩机浮动可能导致制冷效果的不稳定性,特别是在变化的工作条件下。这会导致温度控制不准确,影响冷却系统的整体性能。
能耗波动:压缩机浮动较大可能导致制冷机在不同负荷下的能耗波动。当负荷较小时,压缩机可能会在低效率范围内运行,而在高负荷时可能会在高效率范围内运行。这种波动会导致系统整体的能耗效率下降。
因此,对制冷机的压缩机压缩比进行实时监测,可智能化感知压缩机压缩比过高可能导致制冷机低效率运行的隐患问题。
压缩比浮动隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时在不同时刻的实时压缩机压缩比,并将实时压缩机压缩比标定为,y表示制冷机运行时在固定时长窗口内不同时刻的实时压缩机压缩比的编号,y=1、2、3、4、……、n,n为正整数;
需要说明是,在制冷机的关键位置安装压缩机压缩比传感器,这些传感器可以是压力传感器,用于测量吸气和排气压力,或者温度传感器,用于测量吸气和排气温度,通过这些传感器测量的压力和温度数据,可以计算实时的压缩机压缩比;
通过制冷机运行时在固定时长窗口内获取的实时压缩机压缩比计算压缩比浮动隐患,计算的表达式为:,式中,/>表示压缩比浮动隐患,n表示制冷机运行时在固定时长窗口内获取的实时压缩机压缩比的总数量。
由压缩比浮动隐患的计算表达式可知,制冷机运行时在固定时长窗口内生成的压缩比浮动隐患的表现值越大,表明制冷机低效率运行的隐患越大,反之则表明制冷机低效率运行的隐患越小。
制冷机不同位置的冷却水温度差异较大可能导致制冷机低效率运行,主要原因如下:
冷却效率下降:不同位置的冷却水温度差异较大会导致冷却效率下降。如果某一位置的冷却水温度过高,冷却效果会减弱,使得制冷机的冷却性能下降,降低整个系统的能效。
压缩机工作负荷增加:较大的冷却水温差可能使得制冷机的压缩机在努力调整以适应不同冷却水温度的工作条件。这可能导致压缩机工作负荷增加,效率下降,耗能增加。
蒸发效果不佳:高温冷却水可能导致蒸发器中的制冷剂蒸发效果不佳。如果蒸发过程受到影响,制冷效果会减弱,制冷机需要更多的能量来完成相同的制冷任务,从而导致低效率运行。
冷凝效果受损:冷却水温度差异较大可能影响冷凝器的冷却效果。如果某一位置的冷却水温度过低或过高,可能导致冷凝器的性能受损,使得冷却过程不再有效,制冷效果下降。
系统不稳定:冷却水温度差异大可能导致整个系统的运行不稳定。不同部位的温度差异可能使得系统在不同条件下工作,使得控制系统难以维持恒定的性能,进而导致低效率运行。
因此,对制冷机不同位置的冷却水温度进行实时监测,可智能化感知制冷机不同位置的冷却水温度较大可能导致制冷机低效率运行的隐患问题。
冷却水温度差异隐患获取的逻辑如下:
获取制冷机不同位置的实际冷却水温度,并将实际冷却水温度标定为,x表示制冷机不同位置的实际冷却水温度的编号,x=1、2、3、4、……、m,m为正整数;
需要说明的是,首先,制冷机不同位置在此不做具体的限定,但是获取冷却水温度的获取点应该均匀分布,这样可以减小冷却水温度获取的误差,提高后续计算的准确性,其次,在制冷系统的不同位置安装温度传感器,这些传感器可以是温度测量设备,例如热电偶或热敏电阻,这些传感器将实时测量冷却水的温度,并将数据传输到数据采集系统或监控系统中;
通过制冷机不同位置的实际冷却水温度计算冷却水温度标准差,计算的表达式为:,式中,/>表示冷却水温度标准差,;
在固定时长窗口内,获取制冷机运行时在不同时刻的实时冷却水温度标准差,将获取的实时冷却水温度标准差建立数据集合,再将数据集合内的实时冷却水温度标准差按照顺序排序,筛选出实时冷却水温度标准差最大值,并将实时冷却水温度标准差最大值标定为;
计算冷却水温度差异隐患,计算的表达式为:,式中,/>表示冷却水温度差异隐患。
由冷却水温度差异隐患的计算表达式可知,制冷机运行时在固定时长窗口内生成的冷却水温度差异隐患的表现值越大,表明制冷机低效率运行的隐患越大,反之则表明制冷机低效率运行的隐患越小。
算法分析模块,基于异常检测算法,实时监测制冷机的运行状态,通过对采集的数据进行分析,使系统检测到潜在的低效率运行问题;
将热力学数据和运行性能数据进行异常量化处理生成的压缩机排吸气增量隐患、压缩比浮动隐患/>、冷却水温度差异隐患/>进行公式化分析,生成运行效率指数/>,依据的公式为:/>,式中,/>分别为压缩机排吸气增量隐患/>、压缩比浮动隐患/>、冷却水温度差异隐患/>的预设比例系数,且/>均大于0。
由计算公式可知,制冷机运行时在固定时长窗口内生成的压缩机排吸气增量隐患越大、压缩比浮动隐患越大、冷却水温度差异隐患越大,即制冷机运行时在固定时长窗口内生成的运行效率指数的表现值越小,表明制冷机低效率运行的隐患越大,反之则表明制冷机低效率运行的隐患越小。
将制冷机运行时在固定时长窗口内生成的运行效率指数与预先设定的运行效率指数参考阈值进行比对分析,比对分析的结果如下:
若运行效率指数小于等于运行效率指数参考阈值,则生成隐患信号,当制冷机运行时在固定时长窗口内生成隐患信号时,则表明制冷机可能正在低效率运行;
若运行效率指数大于运行效率指数参考阈值,则生成正常信号,当制冷机运行时在固定时长窗口内生成正常信号时,则表明制冷机可能正在高效率运行。
智能优化和调整模块,一旦检测到低效率运行异常隐患情况,通过管理系统生成实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线对运行效率进行综合分析;
当制冷机运行时在固定时长窗口内生成隐患信号时,通过管理系统生成对应时长窗口内的实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线综合分析生成效率指数,生成的逻辑如下:
将实时运行效率曲线和标准运行效率曲线按照相同的时间点进行划分,将实时运行效率和标准运行效率按照时间序列分别用函数和/>进行表示;
计算效率指数,计算的表达式为:,式中,/>表示效率指数,/>表示制冷机生成隐患信号时对应时长窗口内实时运行效率超过标准运行效率的时段,,/>表示制冷机运行时在生成隐患信号时对应时长窗口内实时运行效率低于标准运行效率的时段,/>;
由效率指数的计算表达式可知,效率指数反映了制冷机生成隐患信号时对应时长窗口内的运行效率情况,效率指数的表现值越大,表明制冷机生成隐患信号时对应时长窗口内的运行效率越高,反之则表明制冷机生成隐患信号时对应时长窗口内的运行效率越低。
实时运行效率曲线指的是制冷机在实际运行中的效率变化曲线,通过在运行过程中实时监测关键性能参数,如制冷剂温度、压缩机工作状态等,生成的图形,这曲线反映了制冷机在不同工况下的效率表现,允许系统操作者实时了解制冷机的性能。
标准运行效率曲线则是基于制冷机设计规格和制造商提供的性能数据,理论上反映了在理想条件下制冷机应有的效率曲线,这条曲线是在设计时确定的,通常代表了制冷机在最佳工作状态下的性能水平。
影响分析模块,通过对制冷机运行效率进行分析,判断异常隐患是否对制冷机运行效率造成影响;
将制冷机生成隐患信号时对应时长窗口内生成的效率指数与预先设定的效率指数参考阈值进行比对分析,比对分析的结果如下:
若效率指数大于等于效率指数参考阈值,则通过影响分析模块生成高效信号,并将信号传递至提示模块,不通过提示模块发出提示,当制冷机生成隐患信号时对应时长窗口内再次生成高效信号,则表明制冷机在生成隐患信号对应的时长窗口运行效率较高,通过此方式可排除非影响性效率带来的干扰(可能是一些其他因素的干扰);
若效率指数小效率指数参考阈值,则通过影响分析模块生成低效信号,并将信号传递至提示模块,通过提示模块发出提示,当制冷机生成隐患信号时对应时长窗口内再次生成低效信号,则表明制冷机在生成隐患信号对应的时长窗口运行效率较低,表明制冷机的运行效率确实受到了异常隐患的影响,此时发出提示通知相关人员知晓该情况,并采取相关措施。
本发明通过信息采集模块、异常感知模块和智能优化调整模块的协同作用,系统能够实时采集、分析制冷机的关键性能数据,并通过异常检测算法识别潜在的低效率运行问题,一旦系统检测到低效率运行的异常情况,智能优化调整模块会生成实时运行效率曲线和标准运行效率曲线,为运维人员提供了全面的性能分析,使其能够迅速响应并采取措施以避免潜在的设备过度负荷和磨损,同时确保制冷机的制冷效果;
本发明引入了智能优化和调整模块,通过管理系统生成实时运行效率曲线和标准运行效率曲线,实时运行效率曲线反映了制冷机在实际运行中的效率变化,而标准运行效率曲线则代表了理论上的最佳性能水平,通过对比这两条曲线,系统能够综合分析制冷机在出现异常隐患下的运行效率,及时发现和解决低效率运行异常隐患,这有助于保持制冷机的高效运行,避免制冷效果下降,确保对温度和湿度要求较高的应用,如实验室和医疗设备房间,不受低效率运行的影响,防止设备损坏或产品质量问题的发生,因此,系统的智能优化和调整模块为整个冷热源系统提供了实时的性能监测和优化管理,提高了系统的整体性能和稳定性。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
需要说明的是,在本文中,如若存在第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (1)
1.冷热源系统Ai能源效率管理系统,其特征在于,包括信息采集模块、信息预处理与异常量化模块、算法分析模块、智能优化和调整模块、影响分析模块以及提示模块;
信息采集模块,实时采集制冷机运行相关的数据,其中,制冷机运行相关的数据包括热力学数据和运行性能数据;
制冷机运行相关的热力学数据包括压缩机排气温度、压缩机吸气温度以及压缩机压缩比,制冷机运行相关的运行性能数据包括冷却水温度;
信息预处理与异常量化模块,将采集到的制冷机运行相关的数据先进行预处理,确保输入到管理系统的数据准确可靠,再对热力学数据和运行性能数据进行异常量化处理;
对获取到的压缩机排气温度、压缩机吸气温度、压缩机压缩比以及冷却水温度进行预处理后,通过对压缩机排气温度、压缩机吸气温度处理后生成压缩机排吸气增量隐患,通过对压缩机压缩比处理后生成压缩比浮动隐患,通过对冷却水温度处理后生成冷却水温度差异隐患;
压缩机排吸气增量隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时的实时压缩机排气温度和实时压缩机吸气温度,实时压缩机排气温度和实时压缩机吸气温度按照时间序列分别用函数和进行表示;
将制冷机运行时在固定时长窗口内获取的实时压缩机排气温度和实时压缩机吸气温度分别与压缩机正常工作排气温度上限值和压缩机正常工作吸气温度上限值进行比对参考,计算压缩机排吸气增量隐患,计算的表达式为:,式中,/>表示压缩机排吸气增量隐患,/>表示制冷机运行时在固定时长窗口内实时压缩机排气温度超过压缩机正常工作排气温度上限值的时段,/>,/>表示制冷机运行时在固定时长窗口内实时压缩机吸气温度超过压缩机正常工作吸气温度上限值的时段,/>表示压缩机正常工作排气温度上限值,/>表示压缩机正常工作吸气温度上限值;
压缩比浮动隐患获取的逻辑如下:
在固定时长窗口内,获取制冷机运行时在不同时刻的实时压缩机压缩比,并将实时压缩机压缩比标定为,y表示制冷机运行时在固定时长窗口内不同时刻的实时压缩机压缩比的编号,y=1、2、3、4、……、n,n为正整数;
通过制冷机运行时在固定时长窗口内获取的实时压缩机压缩比计算压缩比浮动隐患,计算的表达式为:
,式中,/>表示压缩比浮动隐患,n表示制冷机运行时在固定时长窗口内获取的实时压缩机压缩比的总数量;
冷却水温度差异隐患获取的逻辑如下:
获取制冷机不同位置的实际冷却水温度,并将实际冷却水温度标定为,x表示制冷机不同位置的实际冷却水温度的编号,x=1、2、3、4、……、m,m为正整数;
通过制冷机不同位置的实际冷却水温度计算冷却水温度标准差,计算的表达式为:,式中,/>表示冷却水温度标准差,/>;
在固定时长窗口内,获取制冷机运行时在不同时刻的实时冷却水温度标准差,将获取的实时冷却水温度标准差建立数据集合,再将数据集合内的实时冷却水温度标准差按照顺序排序,筛选出实时冷却水温度标准差最大值,并将实时冷却水温度标准差最大值标定为;
计算冷却水温度差异隐患,计算的表达式为:,式中,/>表示冷却水温度差异隐患;
算法分析模块,基于异常检测算法,实时监测制冷机的运行状态,通过对采集的数据进行分析,使系统检测到潜在的低效率运行问题;
将热力学数据和运行性能数据进行异常量化处理生成的压缩机排吸气增量隐患、压缩比浮动隐患/>、冷却水温度差异隐患/>进行公式化分析,生成运行效率指数/>,依据的公式为:
,式中,/>分别为压缩机排吸气增量隐患/>、压缩比浮动隐患/>、冷却水温度差异隐患/>的预设比例系数,且/>均大于0;
将制冷机运行时在固定时长窗口内生成的运行效率指数与预先设定的运行效率指数参考阈值进行比对分析,比对分析的结果如下:
若运行效率指数小于等于运行效率指数参考阈值,则生成隐患信号;
若运行效率指数大于运行效率指数参考阈值,则生成正常信号;
智能优化和调整模块,一旦检测到低效率运行异常隐患情况,通过管理系统生成实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线对运行效率进行综合分析;
当制冷机运行时在固定时长窗口内生成隐患信号时,通过管理系统生成对应时长窗口内的实时运行效率曲线和标准运行效率曲线,通过实时运行效率曲线和标准运行效率曲线综合分析生成效率指数,生成的逻辑如下:
将实时运行效率曲线和标准运行效率曲线按照相同的时间点进行划分,将实时运行效率和标准运行效率按照时间序列分别用函数和/>进行表示;
计算效率指数,计算的表达式为:
,式中,/>表示效率指数,表示制冷机生成隐患信号时对应时长窗口内实时运行效率超过标准运行效率的时段,/>,/>表示制冷机运行时在生成隐患信号时对应时长窗口内实时运行效率低于标准运行效率的时段,/>;
影响分析模块,通过对制冷机运行效率进行分析,判断异常隐患是否对制冷机运行效率造成影响;
将制冷机生成隐患信号时对应时长窗口内生成的效率指数与预先设定的效率指数参考阈值进行比对分析,比对分析的结果如下:
若效率指数大于等于效率指数参考阈值,则通过影响分析模块生成高效信号,并将信号传递至提示模块,不通过提示模块发出提示;
若效率指数小于效率指数参考阈值,则通过影响分析模块生成低效信号,并将信号传递至提示模块,通过提示模块发出提示,通知相关人员知晓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224065.8A CN117804112B (zh) | 2024-02-29 | 2024-02-29 | 冷热源系统Ai能源效率管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224065.8A CN117804112B (zh) | 2024-02-29 | 2024-02-29 | 冷热源系统Ai能源效率管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117804112A CN117804112A (zh) | 2024-04-02 |
CN117804112B true CN117804112B (zh) | 2024-05-07 |
Family
ID=90426996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224065.8A Active CN117804112B (zh) | 2024-02-29 | 2024-02-29 | 冷热源系统Ai能源效率管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117804112B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005291702A (ja) * | 2005-07-07 | 2005-10-20 | Mitsubishi Electric Corp | 冷凍サイクル監視システム |
CN106123199A (zh) * | 2016-02-19 | 2016-11-16 | 广东工业大学 | 以水冷式机组为冷源的空调系统运行能耗的基准能耗法 |
CN108981073A (zh) * | 2018-07-09 | 2018-12-11 | 珠海格力电器股份有限公司 | 一种机组控制方法、控制装置及控制系统 |
CN110906497A (zh) * | 2019-11-04 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种中央空调的控制系统及中央空调 |
CN113028588A (zh) * | 2021-03-31 | 2021-06-25 | 四川虹美智能科技有限公司 | 压缩机的故障保护方法和系统 |
WO2022068307A1 (zh) * | 2020-12-31 | 2022-04-07 | 青岛海尔空调电子有限公司 | 水冷热泵机组及其控制方法 |
CN117118807A (zh) * | 2023-10-09 | 2023-11-24 | 北京九建科技有限公司 | 一种基于人工智能的数据分析方法及系统 |
WO2024001638A1 (zh) * | 2022-06-30 | 2024-01-04 | 青岛海尔智慧电器设备有限公司 | 压缩机控制方法、装置、介质及压缩机 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI364519B (en) * | 2009-07-30 | 2012-05-21 | Chunghwa Telecom Co Ltd | Function detection method |
-
2024
- 2024-02-29 CN CN202410224065.8A patent/CN117804112B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005291702A (ja) * | 2005-07-07 | 2005-10-20 | Mitsubishi Electric Corp | 冷凍サイクル監視システム |
CN106123199A (zh) * | 2016-02-19 | 2016-11-16 | 广东工业大学 | 以水冷式机组为冷源的空调系统运行能耗的基准能耗法 |
CN108981073A (zh) * | 2018-07-09 | 2018-12-11 | 珠海格力电器股份有限公司 | 一种机组控制方法、控制装置及控制系统 |
CN110906497A (zh) * | 2019-11-04 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种中央空调的控制系统及中央空调 |
WO2022068307A1 (zh) * | 2020-12-31 | 2022-04-07 | 青岛海尔空调电子有限公司 | 水冷热泵机组及其控制方法 |
CN113028588A (zh) * | 2021-03-31 | 2021-06-25 | 四川虹美智能科技有限公司 | 压缩机的故障保护方法和系统 |
WO2024001638A1 (zh) * | 2022-06-30 | 2024-01-04 | 青岛海尔智慧电器设备有限公司 | 压缩机控制方法、装置、介质及压缩机 |
CN117118807A (zh) * | 2023-10-09 | 2023-11-24 | 北京九建科技有限公司 | 一种基于人工智能的数据分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117804112A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2499435B1 (en) | Refrigerant leak detection system and method | |
US6799951B2 (en) | Compressor degradation detection system | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
WO2006026267A2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
CN117708748B (zh) | 一种用于离心风机的运行监测系统及方法 | |
CN114893936B (zh) | 制冰系统进出水控制系统与控制方法 | |
CN109269027B (zh) | 一种自动寻优的空调制冷控制方法、系统及装置 | |
WO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
JP2010243092A (ja) | 冷凍機の劣化検出方法およびシステム | |
CN117459073B (zh) | 一种热泵系统运行数据的智能管理方法 | |
EP2420751B1 (en) | Air conditioning system diagnostic device | |
CN116821796A (zh) | 基于可靠在线数据自适应的冷水机组故障诊断方法 | |
CN116345700A (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
CN117804112B (zh) | 冷热源系统Ai能源效率管理系统 | |
CN111788598B (zh) | 利用高楼能量管理系统数据的能量效率分析系统 | |
CN113934191A (zh) | 一种冷水机组故障诊断系统 | |
TW202142815A (zh) | 冷卻系統的監控方法及其監控裝置 | |
JP2007026134A (ja) | 異常判定装置 | |
CN113899093B (zh) | 螺杆式制冷压缩机回油故障的辨识和预判方法 | |
CN116068304A (zh) | 能效评估方法、装置、系统、设备及存储介质 | |
CN112595137B (zh) | 凝汽器性能在线监测和分析的方法及计算机专家系统 | |
CN117869278B (zh) | 一种空气压缩机组的节能控制方法及系统 | |
CN117128162B (zh) | 智慧能源空压站节能控制系统及控制方法 | |
CN110736239B (zh) | 空调中润滑油余量的确定方法及装置 | |
CN115355729B (zh) | 一种凝汽器与真空系统气体混合物和不凝结气体在线监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |