CN117895839B - 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 - Google Patents
磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 Download PDFInfo
- Publication number
- CN117895839B CN117895839B CN202410024593.9A CN202410024593A CN117895839B CN 117895839 B CN117895839 B CN 117895839B CN 202410024593 A CN202410024593 A CN 202410024593A CN 117895839 B CN117895839 B CN 117895839B
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- flux switching
- neural network
- radial basis
- basis function
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 53
- 230000004907 flux Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 241000254158 Lampyridae Species 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/0014—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
- H02P21/18—Estimation of position or speed
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Control Of Electric Motors In General (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本发明公开了一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，涉及电力传动控制设备技术领域，本发明的径向基函数神经网络萤火虫算法可以利用神经网络的映射特性观测转子位移，结合工况参数更新机制，实时调整并行控制器的参数，实现高精度的位移控制和速度检测，具有较好的全局最优解和高质量局部解的快速求解能力，从而实现磁通切换型无轴承永磁记忆电机不同给定转速和位移的高精度控制。
Description
技术领域
本发明涉及电力传动控制设备技术领域，特别是一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法。
背景技术
随着工业领域对于电机的需求量越来越大，性能要求也越来越高。将记忆电机的概念运用到磁通切换型无轴承永磁电机设计中，是一种新型的无轴承永磁记忆电机。磁通切换型无轴承永磁记忆电机因其结构简单、实用性强等优点被广泛应用于储能电源、航空航天等领域。通过运用径向基函数神经网络萤火虫算法，可以使得磁通切换型无轴承永磁记忆电机在启动时能够快速平稳地达到给定转速和位移，超调量和稳态误差小，转矩脉动小、响应迅速，突加或者突减负载时，速度和位移变化量小且能快速回归平稳运行。
由于磁通切换型无轴承永磁记忆电机的复杂性，其精确数学模型通常很难获得，而传统的径向基神经网络方法对磁通切换型无轴承永磁记忆电机的数学模型精确性要求较高，并且在工况状态变化时，不能对转子位移速度做出实时快速反应，经检索国内外相关专利和文献，尚无针对磁通切换型无轴承永磁记忆电机位移速度并行控制的方法。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，本发明采用径向基函数神经网络萤火虫算法代替传统径向基神经网络算法，其精度更高，稳定性更好，计算速度更快，结构参数依赖性更小，对于磁通切换型无轴承永磁记忆这样非线性特性比较突出的控制对象，可以明显看出径向基函数神经网络萤火虫算法的优势，通过解决全局最优解和高质量局部解，从而实现磁通切换型无轴承永磁记忆电机不同给定转速和位移的高精度控制。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，
对磁通切换型无轴承永磁记忆电机建模，确定设计变量，设计变量包括磁通切换型无轴承永磁记忆电机转子位移和速度；
采用任意两只萤火虫xpi和xv j，xpi和xv j分别表示磁通切换型无轴承永磁记忆电机转子位移和速度的输入量；
将xpi和xvj之间的距离ri,j作为第i个激励函数φi(x)；
径向基函数神经网络的输出层有j个神经元，隐藏层中的神经元通过设置位移、速度映射层加权因子wij、连接到输出层中任一神经元；将计算出的φi(x)传递至输出层中的第j个神经元yj；同时在径向基函数神经网络中加入第j个偏移参数βj、径向基函数神经网络输出第i个矢量函数o(xi)；
在训练径向基函数神经网络时，求出第j个神经元的均方误差当作基准最小值、并结合o(xi)得出径向基函数神经网络的均方误差MSE；
明确萤火虫算法的结构形式u，结合u组成隐含层的转子位移、速度映射层的映射函数f(tpi)和f(tvi)；
找出代表磁通切换型无轴承永磁记忆电机转子位移和速度的输入量的任意两只萤火虫、使得f(tpi)与f(tvi)之和最大。
作为本发明所述的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法进一步优化方案，位移速度并行控制方法具体如下：
对磁通切换型无轴承永磁记忆电机建模，确定影响转子位移和速度因素的设计变量，设计变量包括磁通切换型无轴承永磁记忆电机转子位移和速度；
采用任意两只萤火虫xpi和xvj，xpi和xvj分别表示磁通切换型无轴承永磁记忆电机转子位移和速度的输入量，xpi,k和xvj,k分别为xpi和xvj的第k个离散量，xpi和xvj之间的距离ri,j表示为下式：
其中，k、c均为整数，c为离散量总数，N为数据样本点；
采用式(1)作为第i个激励函数φi(x)；
φi(x)＝-αi·||x-Ci||2 (2)
其中，αi为第i个扩展函数，αi影响所训练神经元效率，Ci为第i个神经元的中心坐标矢量，x为径向基函数神经网络各项权值，i＝1，2，…，n；j＝1，2，…，m；n为输入量维数，m为模糊分割数；
径向基函数神经网络输出层有j个神经元，隐藏层中的神经元通过设置位移、速度映射层加权因子wij，连接到输出层中任一神经元；将公式(2)的计算所得φi(x)传递至输出层中的第j个神经元yj；同时径向基函数神经网络中加入第j个偏移参数βj并输出第i个矢量函数o(xi)；
其中，为第j个神经元的均方误差；
在训练径向基函数神经网络时，求出当作基准最小值得出径向基函数神经网络的均方误差MSE；
其中，t为迭代次数，tmax为最大迭代次数，α0为常数，d(xi)为第i个预期输出矢量；
径向基函数神经网络的性能取决于映射层的神经元数量影响，结合萤火虫算法来训练径向基函数神经网络前，需明确萤火虫算法的结构形式u；
u＝(w1,w2,...,wn,α1,Δ2,...,αn,C1,C2,...,Cn,β1,β2,...,βm) (6)
其中，wi是第i个前件网络参数；
结合式(6)，组成隐含层的转子位移、速度映射层的映射函数f(tpi)和f(tvi)，分别表示为
其中，bpj和bvj分别为转子位移和速度高斯基函数的标准偏差；X为隐藏层输出矢量；Cpi和Cvi分别为f(tpi)和f(tvi)的中心矢量集；exp(·)为径向基函数指数形式；
找出代表磁通切换型无轴承永磁记忆电机转子位移和速度的输入量的任意两只萤火虫、使得f(tpi)与f(tvi)之和最大。
作为本发明所述的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法进一步优化方案，数据样本点N是指构建磁通切换型无轴承永磁记忆电机的闭环控制系统来获取径向基函数神经网络萤火虫算法训练所需的样本。
作为本发明所述的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法进一步优化方案，利用仿真软件完成磁通切换型无轴承永磁记忆电机的建模工作。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)径向基函数神经网络萤火虫算法相比传统的径向基神经网络和萤火虫算法，额外引入了速度子网络,利用了控制对象更多的输出信息，能够有效提升观测性能，具有更好的非线性逼近能力与自修正调节参数的机制能力；
(2)径向基函数神经网络萤火虫算法克服了传统径向基神经网络和萤火虫算法执行器损耗、系统不稳定和响应速度低的问题，结合参数更新机制，可以实时调整并行控制器的参数，实现高精度的转子位移控制。在具有强非线性的磁通切换型无轴承永磁记忆电机模型中，径向基函数神经网络萤火虫算法具有非线性趋近能力和数值稳定性更佳的优势，此方法可以优化完整的位移速度并行控制器参数更新策略，对提高电机的综合性能具有重要意义。
附图说明
图1是控制系统框图。
图2是本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
萤火虫算法是一种高级启发式算法，是一种基于群体搜索的随机最佳化算法，已经得到了研究人员的重视。在本发明中以径向基函数神经网络萤火虫算法求解磁通切换型无轴承永磁记忆电机转子位移和速度并行控制的问题，在求解当中，由于萤火虫算法具有计算回应快，设置参数少等有点，能精确且快速求取整个系统真正最优影响因素，另一方面，由于径向基函数神经网络通过自构式反馈在线修正网络的拓扑结构和内部权值参数，解决网络神经元个数难以确定的问题。对于在求解信息和影响因素较少的问题具有一定的优势，因此结合这两种方法的优点来进行磁通切换型无轴承永磁记忆电机的转子位移和速度优化目标之间关系具有较高的计算效率。
如图2所示，首先利用仿真软件完成磁通切换型无轴承永磁记忆电机的建模工作，确定影响转子位移和速度因素的设计变量，设计变量包括磁通切换型无轴承永磁记忆电机转子位移和速度；
采用任意两只萤火虫xpi和xvj，xpi和xvj分别表示磁通切换型无轴承永磁记忆电机转子位移和速度的输入量，xpi,k和xvj,k分别为xpi和xvj的第k个离散量，xpi和xvj之间的距离ri,j表示为下式：
其中，k、c均为整数，c为离散量总数，N为数据样本点；
采用式(1)作为第i个激励函数φi(x)；
φi(x)＝-αi·||x-Ci||2 (2)
其中，αi为第i个扩展函数，αi影响所训练神经元效率，Ci为第i个神经元的中心坐标矢量，x为径向基函数神经网络各项权值，i＝1，2，…，n；j＝1，2，…，m；n为输入量维数，m为模糊分割数。
径向基函数神经网络输出层有j个神经元，隐藏层中的神经元通过设置位移、速度映射层加权因子wij，连接到输出层中任一神经元；将公式(2)的计算所得φi(x)传递至输出层中的第j个神经元yj；同时径向基函数神经网络中加入第j个偏移参数βj并输出第i个矢量函数o(xi)；
其中，为第j个神经元的均方误差；
在训练径向基函数神经网络时，求出当作基准最小值得出径向基函数神经网络的均方误差MSE；
其中，t为迭代次数，tmax为最大迭代次数，α0为常数，d(xi)为第i个预期输出矢量；
径向基函数神经网络的性能取决于映射层的神经元数量影响，结合萤火虫算法来训练径向基函数神经网络前，需明确萤火虫算法的结构形式u；
u＝(w1,w2,...,wn,α1,α2,...,αn,C1,C2,...,Cn,β1,β2,...,βm) (6)
其中，wi是第i个前件网络参数；
结合式(6)，组成隐含层的转子位移、速度映射层的映射函数f(tpi)和f(tvi)，分别表示为
其中，bpj和bvj分别为转子位移和速度高斯基函数的标准偏差；X为隐藏层输出矢量；Cpi和Cvi分别为f(tpi)和f(tvi)的中心矢量集；exp(·)为径向基函数指数形式。
通过此训练方法找出为任意两只萤火虫，即表示磁通切换型无轴承永磁记忆电机转子位移和速度输入量的xpi及xvj的最佳萤火虫所在位置，使得f(tpi)与f(tvi)之和最大。
数据样本点N是指构建磁通切换型无轴承永磁记忆电机的闭环控制系统来获取径向基函数神经网络萤火虫算法训练所需的样本。
图1中含有的采样信号包括位移信号xa、ya、za、xb、yb、ω，其中xa、xb分别表示转子在x轴方向的左边径向位移和右边径向位移，ya和yb分别表示转子在y轴方向的左边径向位移和右边径向位移，za为转子在z轴方向的轴向位移，角速度信号为ω；分别表示转子在x轴方向的左边径向角速度和右边径向角速度，分别表示转子在y轴方向的左边径向角速度和右边径向角速度，为转子在z轴方向的轴向角速度，S-1表示将逆变换，iBd和iBq分别是悬浮力绕组d轴和q轴电流分量、iMd和iMq分别为转矩绕组d轴和q轴电流分量；iax、iay和iaz为x轴、y轴、z轴的控制电流。径向基函数神经网络萤火虫算法克服了传统径向基神经网络和萤火虫算法执行器损耗、系统不稳定和响应速度低的问题，结合参数更新机制，可以实时调整并行控制器的参数，实现高精度的转子位移控制。在具有强非线性的磁通切换型无轴承永磁记忆电机模型中，径向基函数神经网络萤火虫算法具有非线性趋近能力和数值稳定性更佳的优势，此方法可以优化完整的位移速度并行控制器参数更新策略，对提高电机的综合性能具有重要意义。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。
Claims (3)
1.一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，其特征在于，
对磁通切换型无轴承永磁记忆电机建模，确定影响转子位移和速度因素的设计变量，设计变量包括磁通切换型无轴承永磁记忆电机转子位移和速度；
采用任意两只萤火虫和，和分别表示磁通切换型无轴承永磁记忆电机转子位移和速度的输入量，和分别为和的第k个离散量，和之间的距离ri，j表示为下式：
其中，k、c均为整数，c为离散量总数，N为数据样本点的个数；
确定第i个激励函数
其中，αi为第i个扩展函数，αi影响所训练神经元效率，Ci为第i个神经元的中心坐标矢量，为径向基函数神经网络各项权值，i＝1，2，…，n；j＝1，2，…，m；n为输入量维数，m为模糊分割数；
径向基函数神经网络输出层有j个神经元，隐藏层中的神经元通过设置位移、速度映射层加权因子wij，连接到输出层中任一神经元；将公式(2)的计算所得传递至输出层中的第j个神经元yj；同时径向基函数神经网络中加入第j个偏移参数βj并输出第i个矢量函数
其中，为第j个神经元的均方误差；
在训练径向基函数神经网络时，求出 当作基准最小值得出径向基函数神经网络的均方误差MSE；
其中，t为迭代次数，tmax为最大迭代次数，α0为常数，为第i个预期输出矢量；
径向基函数神经网络的性能取决于映射层的神经元数量影响，结合萤火虫算法来训练径向基函数神经网络前，需明确萤火虫算法的结构形式u；
u＝(w1,w2,…,wn,α1,α2,…,αn,C1,C2,…,Cn,β1,β2,…,βm) (6)
其中，wi是第i个前件网络参数；
结合式(6)，组成隐含层的转子位移、速度映射层的映射函数f(tpi)和f(tvi)，分别表示为
其中，bpj和bvj分别为转子位移和速度高斯基函数的标准偏差；X为隐藏层输出矢量；Cpi和Cvi分别为f(tpi)和f(tvi)的中心矢量集；exp(·)为径向基函数指数形式；
找出代表磁通切换型无轴承永磁记忆电机转子位移和速度的输入量的任意两只萤火虫、使得f(tpi)与f(tvi)之和最大。
2.根据权利要求1所述的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，其特征在于，数据样本点是指构建磁通切换型无轴承永磁记忆电机的闭环控制系统来获取径向基函数神经网络萤火虫算法训练所需的样本。
3.根据权利要求1所述的一种磁通切换型无轴承永磁记忆电机的位移速度并行控制方法，其特征在于，利用仿真软件完成磁通切换型无轴承永磁记忆电机的建模工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410024593.9A CN117895839B (zh) | 2024-01-08 | 2024-01-08 | 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410024593.9A CN117895839B (zh) | 2024-01-08 | 2024-01-08 | 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117895839A CN117895839A (zh) | 2024-04-16 |
| CN117895839B true CN117895839B (zh) | 2024-06-25 |
Family
ID=90648316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410024593.9A Active CN117895839B (zh) | 2024-01-08 | 2024-01-08 | 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117895839B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108284442B (zh) * | 2017-01-24 | 2021-01-26 | 中国北方车辆研究所 | 一种基于模糊神经网络的机械臂柔性关节控制方法 |
| CN111245318B (zh) * | 2020-01-18 | 2021-11-02 | 浙江大学 | 无轴承永磁同步电机径向力精确补偿解耦控制方法 |
| CN113364362B (zh) * | 2021-06-30 | 2023-03-24 | 青岛恒星智能装备有限公司 | 一种基于萤火虫优化的感应电机转速估计方法 |
-
2024
- 2024-01-08 CN CN202410024593.9A patent/CN117895839B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Field-oriented Controlled Permanent Magnet Synchronous Motor Drive with Dynamic-parameter Speed Controller Based on Generalized Regression Neural Network;Yung-Chang Luo et al;《Sensors and Materials》;20210609;第33卷(第6期);第1945-1955页 * |
| 基于改进萤火虫算法的永磁同步电机多模态优化设计;夏斌 等;《电机与控制学报》;20230601;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117895839A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101917150B (zh) | 永磁同步电机模糊神经网络广义逆鲁棒控制器及构造方法 | |
| CN109617485B (zh) | 一种基于Tabu和DOB的永磁直线电机推力波动复合抑制方法 | |
| CN106849793A (zh) | 一种电动汽车用永磁同步电机模糊神经网络控制系统 | |
| CN112731805B (zh) | 一种基于风速估计的风力发电机最大功率跟踪无传感器鲁棒控制方法 | |
| CN110131312B (zh) | 五自由度交流主动磁轴承自抗扰解耦控制器及构造方法 | |
| CN111106772B (zh) | 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | |
| CN106597840B (zh) | 一种基于产生式规则推理的pid参数整定方法 | |
| CN111290263B (zh) | 一种改进的基于rbfnn及bas的pid最优化控制算法 | |
| CN114063444B (zh) | 一种基于rbf神经网络的分数阶pid控制器的参数整定方法 | |
| CN112564557A (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN112468033B (zh) | 永磁同步电机最大功率控制电流轨迹搜索方法及在线控制方法 | |
| CN116938066A (zh) | 一种基于蜣螂优化算法的永磁同步电机参数辨识的方法 | |
| CN117895839B (zh) | 磁通切换型无轴承永磁记忆电机的位移速度并行控制方法 | |
| CN113346810B (zh) | 速度和电流双闭环模糊控制的pmsm无传感器控制方法 | |
| CN117879419A (zh) | 一种永磁同步电机的改进型无位置传感器控制方法 | |
| CN112468034A (zh) | 永磁同步电机弱磁区效率最优控制电流轨迹搜索方法及在线控制方法 | |
| CN118117925A (zh) | 一种永磁辅助式无轴承同步磁阻电机解耦控制器构造方法 | |
| CN117254725A (zh) | 一种基于粒子群模糊pid与深度补偿的永磁同步电机位置控制方法 | |
| CN108155836B (zh) | 基于全局在线启发式动态规划永磁同步电机矢量控制方法 | |
| CN113343592B (zh) | 一种新能源飞机的永磁同步电机dqn智能控制方法 | |
| CN110932609B (zh) | 一种多电机伺服系统自适应递推控制方法和系统 | |
| CN114696700A (zh) | 在线整定永磁同步电动机自抗扰控制器参数的神经网络 | |
| Shi et al. | Design of servo control system for medical centrifuge based on fuzzy neural network | |
| Li et al. | Vector control of permanent magnet synchronous linear motor based on improved bp neural network | |
| Liu et al. | Research on Incremental Adaptive Fuzzy PID Algorithm for Permanent Magnet Synchronous Motor System |
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 |