CN1749890A - 智能预测自适应控制器 - Google Patents
智能预测自适应控制器 Download PDFInfo
- Publication number
- CN1749890A CN1749890A CN 200510015522 CN200510015522A CN1749890A CN 1749890 A CN1749890 A CN 1749890A CN 200510015522 CN200510015522 CN 200510015522 CN 200510015522 A CN200510015522 A CN 200510015522A CN 1749890 A CN1749890 A CN 1749890A
- Authority
- CN
- China
- Prior art keywords
- control
- output
- controller
- tunnel
- program
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种嵌入式的多变量控制器,是智能型的、可以预测、自适应的控制器。由于嵌入式系统具有体积小、性能强、功耗小、可靠性高以及面向行业应用的突出特点,目前已经广泛地应用于军事国防、消费电子、网络通信、工业控制等领域。智能预测自适应控制器,包括微处理器,其特点在于它还包括:8路数字I/O接口、串行通信接口、程序和数据存储器、4路PWM输出、汉化图形显示等。智能预测自适应控制器的控制方法,要经过初始化等5个步骤。本发明的有益效果:由于实现了上述功能,智能预测控制器的三种控制算法各有各的特点,它们都是针对多输入多输出系统,进行解耦控制。系统具有体积小、速度快、性能强、功耗小、可靠性高。
Description
技术领域
本发明涉及一种嵌入式的多变量智能预测自适应控制器,可以单独使用在小型控制系统中,如电机电器控制、汽车控制、仪器控制等,还可作为大中型过程控制系统的底层控制节点,应用在工业和民用锅炉、冶金行业的加热炉、建材行业的工业窑炉等装置的燃烧系统,石油和化工装置等多变量控制系统中。
背景技术
根据IEEE(国际电气和电子工程师协会)的定义,嵌入式系统是“控制、监视或者辅助设备、机器和车间运行的装置”。这主要是从应用上加以定义的,从中可以看出嵌入式系统是软件和硬件的综合体,还可以涵盖机械等附属装置。
目前国内一个普遍被认同的定义是:以应用为中心、以计算机技术为基础,软件硬件可裁剪,适应应用系统对功能、可靠性、成本、体积、功耗严格要求的专用计算机系统。和通用计算机不同,嵌入式系统是针对具体应用的专用系统,目的就是要把一切变得更简单、更方便、更普遍、更适用;它的硬件和软件都必须高效率地设计,量体裁衣、去除冗余,力争在同样的硅片面积上实现更高的性能。嵌入式系统首先是一个计算机系统;其次它被嵌入到对象体系中,在对象体系中实现被控对象要求的数据采集、分析处理、状态显示、输出控制等功能。
由于嵌入式系统具有体积小、性能强、功耗小、可靠性高以及面向行业应用的突出特点,目前已经广泛地应用于军事国防、消费电子、网络通信、工业控制等领域。
预测控制是20世纪70年代中后期在出现的一类新型控制算法。它采用二次在线滚动优化性能指标和反馈校正的策略,具有鲁棒性强、控制效果好的特点。智能预测控制是针对复杂的受控系统,采用某种智能控制策略与典型的预测控制算法相结合构成的一类智能性预测控制系统,具有控制精度高、适用于非线性系统、自学习、自组织和鲁棒性强等特点。
将嵌入式系统与智能控制、预测控制相结合,形成体积小、性能强、功耗小、可靠性高、适应恶劣环境并且具有通用性强、鲁棒性强、控制效果好的控制器,已经成为控制器发展的重要方向之一。
美国通控集团公司在我国申请的两种多变量无模型自适应控制器专利(CN 1316070,2001-10-03)。引入了一种增强型抗滞后无模型自适应控制器来控制具有大时间滞后的过程。引入了一种带有两个设计的前馈/反馈无模型自适应控制系统来补偿可测量的扰动。
美国Honeywell公司提出的一种处理非正常事件的由神经网络控制和多变量预测控制组成的混合控制器((Cat.No.99CH36328)p.13-17vol.1,1999,2vol.(xlvi+1802)pp.)。控制器检测非正常状态,然后加以控制,如采矿中碾碎机脱出或漂移等。神经网络用于检测、分类,配置多变量预测控制器参数进行校正和稳定控制。
英国专利(GB 2283113,1995-04-26),研究模糊逻辑控制的激光加工系统中,与视频信号相关的激光片用DELTA BP机检测和排序,其相应的数据作为模糊控制器的输入变量,模糊控制器的输出用于调整激光加工的变量,如焊接速度、激光能量等。
加拿大多伦多Ryerson大学(Proceedings Joint 9th IFSA World Congress and 20th NAFIPSInternational Conference(Cat.No.01TH8569),2001,p.233-8vol.1)针对复杂的非线性、多变量系统(如电弧炉等),提出了递归模糊-神经网络预测控制。主要目的是研究自适应模糊-神经网络对电弧炉的预测能力,并与前馈模糊-神经预估器进行了比较。文章提出了逼近预测的结点和实现长期预估的递归模糊-神经网络的结构。
意大利开发的一种智能嵌入式微处理器(Pellizzari,L Elettronica Oggi,2002,311:76-9(Italian)),此装置可提供自适应模糊模型、图像界面,用于空调、家用设施的遥控和自动控制。其主要参数为8bit 30MHz 408系列,8bit 40MHz 508系列,32bit 532系列。
以上发明的共同特点是:1)基于一种智能算法或无模型自适应算法,控制对象具有针对性。2)没有采用快速算法,提高控制速度。3)没有考虑多变量之间强耦合的影响,当变量之间有较强耦合作用时,影响想控制精度。4)图形界面没有汉化图形液晶显示界面。
发明内容
本发明为克服上述已有技术的不足,结合预测控制和智能控制,采用多变量解耦算法,实现了广义预测控制、模糊预测控制和神经网络控制三种控制算法,进而开发、公开了一个完整的基于32位微处理器的嵌入式通用控制器。
本发明的技术方案:
智能预测自适应控制器,包括微处理器,其特点在于它还包括:8路数字I/O接口、串行通信接口、8路12位A\D输入、TCP/IP协议端口、总线端口、小键盘、4路12位D/A输出、程序和数据存储器、4路PWM输出、汉化图形显示;
智能预测自适应控制器的控制方法,要经过初始化等5个步骤。
本发明的有益效果:由于实现了上述功能,智能预测控制器的三种控制算法各有各的特点,它们都是针对多输入多输出系统,进行解耦控制。其中,模糊预测控制和神经网络控制对非线性系统有很好的控制效果。广义预测控制和模糊控制采用快速GPC算法,避免了求Diophantine方程和矩阵求逆运算,节省了计算量。通过在微控制器ARM7实现、运行,证明这种嵌入式控制系统有很好实时性。系统具有体积小、速度快、性能强、功耗小、可靠性高。界面友好、设定方便。
附图说明
图1为本发明硬件结构框图
图2程序和数据存储器模块
图3为串行通信接口模块
图4为LCD模块
图5为D/A转换模块
图6为CAN BUS模块
图7为本发明功能结构图
图8为控制器运行流程图
图9主任务数据流图片断
图10与MGPC算法相关的数据流图片断
图中:1.微处理器 2.8路数字I/O接口 3.串行通信接口 4.8路12位A\D输入 5.TCP/IP协议端口 6.总线端口 7.小键盘 8.4路12位D\A输出 9.程序和数据存储器 10.4路脉宽调制PWM输出 11.汉化图形显示
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
智能预测自适应控制器,包括微处理器,其特点在于它还包括:8路数字I/O接口、串行通信接口、8路12位A\D输入、TCP/IP协议端口、总线端口、小键盘、4路12位D\A输出、程序和数据存储器、4路PWM输出、汉化图形显示;
微处理器1,是基于ARM(Advanced RISC Machine--先进的精简指令结构)框架的32位微处理器,工作在66MHz,外接端口包括:
8路数字I/O接口2,用于接受和输出开关量信号;
串行通信接口3,有一个USB口、一个RS232口、一个485口,便于和上位机进行数据交换,并且联接具有USB接口的智能检测设备;
8路12位A\D输入4,用于模拟信号的采集,0~5V电压信号和4~20mA电流信号可切换;
TCP/IP协议端口5,可连接局域网;
总线端口6,CAN总线端口,可作为工业现场总线CAN网络的一个节点;
小键盘7,可用于现场进行参数设定;
4路12位D\A输出8,输出模拟信号;
程序和数据存储器9,包括8M SDRAM作为数据存储,16M非线性FLASH作为程序存储,2M线性FLASH用于操作系统;
4路PWM输出10,输出可控的脉宽调制信号;
汉化图形显示11,240*128彩色液晶+触摸屏,构成友好的人机交互界面;
智能预测自适应控制器的控制方法,其特征在于要经过下述步骤:
1)启动系统,进行初始化;
2)算法选择,在触摸屏上选择MGPC控制、FS控制或者NN控制;
3)进入选定的控制算法子程序;
4)参数设定,用触摸屏和键盘进行选定控制算法的参数设定;
5)程序运行,系统程序连续运行。
本发明的技术硬件方案如图1
本控制系统采用的处理器芯片1是采用ARM7结构的微处理器为手持设备和一般应用提供了高性价比和高性能的微控制器解决方案,工作在66MHz。外接端口包括:8路数字I/O接口2,用于接受和输出开关量信号;串行通信接口3,一个USB口,一个RS232口,一个485口,便于和上位机进行数据交换,并且联接智能检测设备。8路12位A\D输入4,用于模拟信号的采集,0~5V电压信号和4~20mA电流信号可切换;TCP/IP协议端口5,可连接局域网。CAN总线端口6,可作为工业现场总线CAN网络的一个节点。小键盘7,可用于现场进行参数设定;4路12位D\A输出8,输出模拟信号;程序和数据存储器9,包括8M SDRAM作为数据存储,16M非线性FLASH作为程序存储,2M线性FLASH用于操作系统;4路PWM输出10,输出可控的脉宽调制信号;LCD汉化图形显示11,240*128彩色液晶+触摸屏,构成友好的人机交互界面。
基于上述硬件结构本发明针对不同类型的控制对象,设计了多种可供选择的控制策略。功能结构图如图7所示。具体各功能模块说明如下:
主任务模块:用来初始化ARM核心模块和外设接口。引导微操作系统(mirco C/OS),并且提示用户进行选择应该采用的控制策略。
MGPC模块:MGPC(多变量广义预测控制)算法所使用的参数,从串口或AD转换出得到实际系统输入,并采用MGPC算法计算出响应控制量发送给被控对象,画出结果曲线。现在运行的MGPC算法采用对角解耦,多输入多输出模型就变成了单输入但输出模型。用快速算法求出控制量,不需要求解Diophantine方程及对矩阵求逆,如果直接采用单变量快速GPC算法,会导致求出的当前控制量不能反映系统耦合对控制量的影响。我们使用了一种有效的减少耦合影响的方法。进行模型辨识时,采用了递推最小二乘辨识法。
FS(模糊预测控制)控制模块:该控制器针对非线性多变量耦合系统,采用T-S模型的局部最小二乘法动态辨识对象的模型,然后根据得到的线性化模型,采用广义预测控制算法计算控制量。T-S模糊模型可以任意精度逼近定义在紧集上的非线性函数,易于表达复杂系统的动态特性,可用很少的规则以很高的精度逼近非线性系统,且结果把非线性化模型局部线性化,使系统易于控制。预测控制技术具有很强的鲁棒性和控制效果好的优点。把两者结合起来控制非线性对象是一种很好的方法。在此控制器中,T-S模型的规则中心是在控制目标最大值和最小值之间平均分布的,这样就简化了模糊规则的选取过程,也减少了用户对控制对象知识的要求;通过把其它子系统的输入加入到规则后件中,可实现对耦合系统的有效辨识和控制。使用该控制器,用户不需要对控制对象特别了解,且调节参数也少,使用T-S模型能很好的对非线性耦合系统进行辨识,使用快速递推GPC方法计算控制量,减少了在线计算量,再加上ARM快的计算速度和很高的实时性,可很好的满足工业控制的实时性要求。仿真结果表明该控制器对非线性,多变量,耦合系统有很好的控制效果。
NN(神经网络)控制模块:该控制器采用的是一种基于PID控制器的预测控制方法。使用Elman递归神经网络构造了非线性PID控制器,使其既有线性PID控制器的优点,又可对参数在线学习,使其适合在线实时控制。使用n个相同结构的非线性PID控制器,构成多变量系统的控制器。通过引入解耦目标函数,实现多输入多输出系统的解耦预测控制。其主要特点在于:Elman递归神经网络辨识多变量非线性系统,在此基础上向前预测,各输出的偏差值做相应的用递归神经网络构造的非线性PID控制器的输入值,在解耦目标函数下,实现多变量系统的解耦控制,避免了在多步预测中通常采用的链式推导法,使用直接法修改控制器参数,使计算量小,结构简单。
设定参数模块:在LCD上创建文本框,用触摸屏实现按钮窗体,通过键盘用户输入的参数,保存起来,提供接口给算法模块调用。
LCD显示模块:提供接口给算法模块,将控制器期望输出和实际系统输出结果显示在LCD上。LCD模块电路如图4所示。
通信、串口和A\D、D\A模块:提供AD和串口通信接口(收发浮点数),接受实际输出和期望输出,发送控制量。串行通信接口模块电路如图3所示,D/A转换模块电路如图5所示(A\D转换器微处理器自带)。
消息响应接口:利用扩充的实时操作系统提供的消息模式,对各种消息进行相应的响应。配合设定参数模块实现参数设定。
实施例
如图1所示多变量智能预测自适应控制器的中央处理单元是一个具有较强数据处理能力和高速运算能力的微处理器1。在实际控制器中采用了基于ARM构架的32位微处理器S3C44BOX。以该微处理器为核心构造出硬件平台。
该发明设计了控制其运行流程如图8,启动:启动系统,进行初始化;算法选择:在触摸屏上选择MGPC控制、FS控制或者NN控制;进入选定的控制算法子程序;参数设定:用触摸屏和键盘进行选定控制算法的参数设定;程序运行:系统程序连续运行。
根据功能和运行流程设计了该发明的数据流图,主任务数据流图片断如图9,与MGPC算法相关的数据流图片断如图10,在此基础上用C语言编写了全部的程序编译后固化在程序存储器中。程序和数据存储器模块电路如图2所示。
Claims (2)
1.一种智能预测自适应控制器,包括微处理器,其特征在于它还包括:8路数字I/O接口、串行通信接口、8路12位A\D输入、TCP/IP协议端口、总线端口、小键盘、4路12位D\A输出、程序和数据存储器、4路PWM输出、汉化图形显示;
微处理器(1),是基于先进的精简指令结构ARM框架的32位微处理器,工作在66MHz,外接端口包括:
8路数字I/O接口(2),用于接受和输出开关量信号;
串行通信接口(3),有一个USB口、一个RS232口、一个485口,便于和上位机进行数据交换,并且联接具有USB接口的智能检测设备;
8路12位A\D输入(4),用于模拟信号的采集,0~5V电压信号和4~20mA电流信号可切换;
TCP/IP协议端口(5),可连接局域网;
总线端口(6),CAN总线端口,可作为工业现场总线CAN网络的一个节点;
小键盘(7),可用于现场进行参数设定;
4路12位D\A输出(8),输出模拟信号;
程序和数据存储器(9),包括8M SDRAM作为数据存储,16M非线性FLASH作为程序存储,2M线性FLASH用于操作系统;
4路PWM输出(10),输出可控的脉宽调制信号;
汉化图形显示(11),240*128彩色液晶+触摸屏,构成友好的人机交互界面。
2.一种根据权利要求1所说的智能预测自适应控制器的控制方法,其特征在于要经过下述步骤:
1)启动系统,进行初始化;
2)算法选择,在触摸屏上选择MGPC控制、FS控制或者NN控制;
3)进入选定的控制算法子程序;
4)参数设定,用触摸屏和键盘进行选定控制算法的参数设定;
5)程序运行,系统程序连续运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510015522 CN1749890A (zh) | 2005-10-20 | 2005-10-20 | 智能预测自适应控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200510015522 CN1749890A (zh) | 2005-10-20 | 2005-10-20 | 智能预测自适应控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1749890A true CN1749890A (zh) | 2006-03-22 |
Family
ID=36605380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200510015522 Pending CN1749890A (zh) | 2005-10-20 | 2005-10-20 | 智能预测自适应控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1749890A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776258A (zh) * | 2008-12-08 | 2010-07-14 | 通用电气公司 | 用于控制容器中的液位的系统和方法 |
CN101825871A (zh) * | 2010-04-09 | 2010-09-08 | 哈尔滨工程大学 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
CN102298318A (zh) * | 2011-05-25 | 2011-12-28 | 中国人民解放军防化指挥工程学院 | 生物危害应急监测预测与优化控制系统 |
CN102393652A (zh) * | 2011-10-20 | 2012-03-28 | 徐州海伦哲专用车辆股份有限公司 | 高空作业车智能控制器 |
CN102393653A (zh) * | 2011-10-21 | 2012-03-28 | 深圳市通宝莱科技有限公司 | 电源管理器 |
CN102436233A (zh) * | 2011-10-20 | 2012-05-02 | 徐州海伦哲专用车辆股份有限公司 | 高空作业车人机交互装置及高空作业车人机交互方法 |
CN102520617A (zh) * | 2011-12-30 | 2012-06-27 | 杭州电子科技大学 | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 |
CN102520616A (zh) * | 2011-12-30 | 2012-06-27 | 杭州电子科技大学 | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 |
CN102589098A (zh) * | 2011-01-06 | 2012-07-18 | 苏州三星电子有限公司 | 智能式大功率柜式空调 |
CN103246201A (zh) * | 2013-05-06 | 2013-08-14 | 江苏大学 | 径向混合磁轴承的改进模糊无模型自适应控制系统及方法 |
CN103963938A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
CN101896871B (zh) * | 2007-12-14 | 2015-06-10 | Itt制造企业公司 | 多泵系统中的同步转矩平衡 |
-
2005
- 2005-10-20 CN CN 200510015522 patent/CN1749890A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101896871B (zh) * | 2007-12-14 | 2015-06-10 | Itt制造企业公司 | 多泵系统中的同步转矩平衡 |
CN101776258A (zh) * | 2008-12-08 | 2010-07-14 | 通用电气公司 | 用于控制容器中的液位的系统和方法 |
US8757105B2 (en) | 2008-12-08 | 2014-06-24 | General Electric Company | System and method for controlling liquid level in a vessel |
CN101825871A (zh) * | 2010-04-09 | 2010-09-08 | 哈尔滨工程大学 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
CN101825871B (zh) * | 2010-04-09 | 2012-09-26 | 哈尔滨工程大学 | 斜舵船舶垂荡和纵摇装置智能自适应控制方法 |
CN102589098A (zh) * | 2011-01-06 | 2012-07-18 | 苏州三星电子有限公司 | 智能式大功率柜式空调 |
CN102298318A (zh) * | 2011-05-25 | 2011-12-28 | 中国人民解放军防化指挥工程学院 | 生物危害应急监测预测与优化控制系统 |
CN102436233B (zh) * | 2011-10-20 | 2014-05-07 | 徐州海伦哲专用车辆股份有限公司 | 高空作业车人机交互装置及高空作业车人机交互方法 |
CN102393652A (zh) * | 2011-10-20 | 2012-03-28 | 徐州海伦哲专用车辆股份有限公司 | 高空作业车智能控制器 |
CN102436233A (zh) * | 2011-10-20 | 2012-05-02 | 徐州海伦哲专用车辆股份有限公司 | 高空作业车人机交互装置及高空作业车人机交互方法 |
CN102393653A (zh) * | 2011-10-21 | 2012-03-28 | 深圳市通宝莱科技有限公司 | 电源管理器 |
CN102520616B (zh) * | 2011-12-30 | 2014-04-02 | 杭州电子科技大学 | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 |
CN102520617B (zh) * | 2011-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 |
CN102520616A (zh) * | 2011-12-30 | 2012-06-27 | 杭州电子科技大学 | 炼油工业过程的部分解耦非最小化模型预测函数控制方法 |
CN102520617A (zh) * | 2011-12-30 | 2012-06-27 | 杭州电子科技大学 | 一种炼油工业过程的部分解耦非最小化模型预测控制方法 |
CN103246201A (zh) * | 2013-05-06 | 2013-08-14 | 江苏大学 | 径向混合磁轴承的改进模糊无模型自适应控制系统及方法 |
CN103246201B (zh) * | 2013-05-06 | 2015-10-28 | 江苏大学 | 径向混合磁轴承的改进模糊无模型自适应控制系统及方法 |
CN103963938A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
CN103963938B (zh) * | 2014-05-14 | 2017-01-04 | 哈尔滨工程大学 | 一种基于斜舵船舶减纵摇装置智能自适应预测控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1749890A (zh) | 智能预测自适应控制器 | |
Liu et al. | Study on deep reinforcement learning techniques for building energy consumption forecasting | |
Olabi et al. | Energy digitalization: Main categories, applications, merits, and barriers | |
CN102169326B (zh) | 基于数据挖掘的最优炉温设定值优化系统 | |
CN201667032U (zh) | 基于arm和双dsp的智能移动机器人控制装置 | |
Hunag et al. | Optimization of fed-batch fermentation using mixture of sugars to produce ethanol | |
Tai et al. | The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware | |
CN109782588A (zh) | Mimo异因子紧格式无模型控制方法 | |
CN118037136B (zh) | 基于智慧感知的低碳建筑施工管控方法及系统 | |
CN104038055B (zh) | 基于fpga的dc/dc转换器预测控制方法 | |
Yao et al. | Review on energy consumption optimization methods of typical discrete manufacturing equipment | |
Li et al. | Service-oriented energy supply method in manufacturing system for efficiency | |
CN114334025A (zh) | 一种水泥熟料煅烧环境变量的构建及验证方法 | |
CN106970543B (zh) | 一种协作机器人控制系统及方法 | |
CN102156408B (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
Liao et al. | Simulating a fuzzy level controller for flotation columns | |
CN118210835A (zh) | 一种工业过程关键参数长时预测方法 | |
Porzio et al. | Process integration in energy and carbon intensive industries through exploitation of optimization techniques and decision support | |
Drir et al. | Fuzzy logic for tracking maximum power point of photovoltaic generator | |
CN111474978A (zh) | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 | |
CN2876608Y (zh) | 中央空调系统水泵节能自动控制用的智能控制器 | |
Kamrani et al. | A multi-model adaptive control system for teleoperation via Internet | |
Moreno-Benito et al. | Facing new products demand through simultaneous structural and operational decisions in the design of the control recipe | |
Tang et al. | Optimization Design for Crank-rocker Mechanism Based on Genetic Algorithm | |
Iluyomade et al. | Smart buildings and sustainable design: Leveraging AI for energy optimization in the built environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |