CN101504443A - 一种锂离子电池放电容量的预测方法 - Google Patents
一种锂离子电池放电容量的预测方法 Download PDFInfo
- Publication number
- CN101504443A CN101504443A CNA2008100653411A CN200810065341A CN101504443A CN 101504443 A CN101504443 A CN 101504443A CN A2008100653411 A CNA2008100653411 A CN A2008100653411A CN 200810065341 A CN200810065341 A CN 200810065341A CN 101504443 A CN101504443 A CN 101504443A
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- discharge capacity
- lithium ion
- battery
- 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
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种利用BP神经网络，以部分放电过程预测锂离子电池放电容量的方法。将锂离子电池至少前10min恒流放电过程的路端电压作为输入，用BP神经网络模型输出电池放电容量。该方法解决了传统工业方法测试周期长，能耗大的技术问题，也克服了实验室方法步骤复杂，不适合大规模工业生产的缺点，同时保证平均预测误差为～2.0％，小于工业生产中允许的～5％的误差范围。
Description
技术领域
本发明涉及一种锂离子电池容量的预测方法，尤其是一种利用前馈神经网络预测锂离子电池放电容量的方法。
背景技术
锂离子电池以其优异的性能在通讯、电子、汽车等领域得到了越来越广泛的应用。然而，目前国内生产的锂离子电池由于工艺、电池材料等方面的限制造成电池的实际容量与额定容量并不相同，而且，即使同批生产的同型号的电池，也会出现电化学特性不一致的缺陷。因此，为了保证电池的品质，出厂前必须对每一块电池进行放电容量、内阻的分选。目前传统的容量检测方法是将电池按照IEC标准以恒流恒压充满电，然后恒流放电至终止电压，恒定电流与放电时间的乘积就代表该电池的放电容量。
然而，上述传统方法的恒流放电时间长，分容过程能耗高。另外，即使同型号电池实际放电容量也会有差别，引起完成检测的时间差距较大，降低了设备的利用率。
前馈神经网络是人工神经网络的一种，也叫BP神经网络，在电池容量预测领域应用广泛。“锂离子电池容量快速预测的新方法”(于智龙王伟力，电源技术，2007.9，vol.31，No.9，P744～746)在分析了锂离子电池开路电压和内阻与电池容量关系的基础上，通过部分放电，运用人工神经网络预测锂离子电池放电容量。对不同使用情况下的锂离子电池恒流恒压充满电后，以电池在10％、20％、30％额定容量的放电状态下的开路电压、内阻作为人工神经网络的输入，最终的放电容量作为输出，构成神经网络的训练样本对，从而利用人工神经网络预测电池的放电容量，误差在3％左右。神经网络的模型如图1所示。这种方法由于要测试不同放电状态下的电池的开路电压和内阻，所以步骤较繁锁，适合实验室研究，不适合大规模工业生产的应用。
发明内容
为了解决现有技术的上述问题，本发明提供一种利用BP神经网络模型，用锂离子电池至少前10min恒流放电过程的路端电压作为BP神经网络的输入，电池放电容量为输出预测锂离子放电容量的方法。该方法包括如下步骤：
(1)在待测电池中随机抽取至少20支电池，测试这些电池至少前10min恒流放电过程的路端电压
(2)将步骤(1)得到的路端电压作为前馈神经网络的训练样本的输入，训练前馈神经网络，输出电池放电容量
(3)将余下的电池至少前10min恒流放电过程的路端电压作为输入，用步骤(2)训练好的前馈神经网络输出电池放电容量
本发明所述的BP神经网络的模型如图2所示。
本发明中使用的锂离子电池是BYD公司生产的SL412454软包装锂离子电池和LP053450ARUL锂钴电池。
上述步骤中，电池至少前10min恒流放电过程的路端电压是指恒流放电过程的至少前10min内电池放出不同电量时所对应的一系列路端电压。
上述步骤中的锂离子电池为同型号的没有经过充放电的锂离子电池。一方面，选取这样的电池作为测试样本，可以排除电池内阻对BP网络输出结果的影响；另一方面，由于电池放电过程中的路端电压或开路电压与电池放电容量有较好的相关性，而工业生产中，路端电压的测试较开路电压方便，所以选择路端电压为BP网络的输入端。现有技术中，用BP神经网络预测电池容量时，输入端可以有很多种选择，而发明人通过大量实验发现，用随机抽取的至少25支电池的至少前10min，优选至少前15min恒流放电过程的路端电压作为BP网络训练样本的输入，才能保证在操作步骤大大减少，能耗显著降低的情况下，使预测误差满足工业生产的要求。
恒流放电测试时间越长，电性能检测柜记录的放电过程的路端电压值就越多，BP网络输入端数据覆盖范围越大，预测结果就越准确，此为本领域公知常识。所以，待测电池数量较多，而抽取的样本电池数量相对较少时，可以通过适当延长恒流放电测试时间来保证预测精度。
上述步骤中，使用电性能检测柜对电池进行充放电控制，并自动进行数据记录和采集。本发明中使用的蓝奇BK3512L检测柜自动采集恒流放电至少前10min的至少30个路端电压数据。
用MATLAB软件中的BP神经网络拟合路端电压U与放电容量C的函数关系，从而输出电池放电容量C。
BP神经网络模型可以有多种选择，其优选模型为：
隐含层神经元传递函数tansig；
输出层神经元传递函数logsig；
训练函数trainlm；
隐含层神经元数15；
训练步数net.trainParam.epochs＝10～5500；
训练目标net.trainParam.goal＝0.005～0.02
更优选：
隐含层神经元传递函数tansig；
输出层神经元传递函数logsig；
训练函数trainlm；
隐含层神经元数15；
训练步数net.trainParam.epochs＝5000；
训练目标net.trainParam.goal＝0.01；
网络初始化net＝init(net)
附图说明
图1：现有技术中的BP神经网络模型
图2：本发明中的BP神经网络模型
图3-1：按照实施例1的方法的预测放电容量
图3-2：按照实施例1的方法的预测误差
图4-1：按照实施例2的方法的预测放电容量
图4-2：按照实施例2的方法的预测误差
具体实施方式
用蓝奇BK3512L检测柜对某一型号的锂离子电池进行充放电测试，并自动记录恒流放电过程的至少前10min的路端电压，将这一系列路端电压数值作为输入，训练BP神经网络输出电池放电容量。
下列实施例将进一步详细说明本发明。
实施例1
随机抽取68支BYD生产的SL412454软包装锂离子电池，其额定容量为520mAh(1C电流为520mA)，先用蓝奇BK3512L检测柜按照传统方法对电池进行首次充放电实验，即T＝30℃下先恒流0.5C，终止电压4.2V，再恒压4.2V，终止电流0.02C充电，然后恒流0.2C终止电压2.75V放电，测试并计算这些电池的放电容量，记为实测容量。然后将所有68支电池按照上述方法充满电后，随机抽取其中26支电池，T＝30℃下0.5C放电，用蓝奇BK3512L检测柜记录前15min放电过程的一系列路端电压数据，并将其作为输入，训练MATLAB软件中的BP神经网络，输出预测容量，直到预测值与实测值之间的误差在～5％，认为此时的BP网络模型达到最佳，将最佳BP网络模型输出的放电容量记为预测容量。然后将其余42支电池0.5C放电过程的前15min的一系列路端电压作待测样本的输入，用所述最佳BP神经网络模型输出这42支电池的放电容量。本发明所述的最佳BP神经网络模型如下：
●网络初始化net＝init(net)
●隐含层神经元数：15
●隐含层神经元传递函数：tansig
输出层神经元传递函数：logsig
训练函数：trainlm
●训练步数：5000步(net.trainParam.epochs＝5000)；
●训练目标：0.01(net.trainParam.goal＝0.01)；
表1为实施例1的部分实验数据：
表1
| 编号 | 实测容量(mAh) | 预测容量(mAh) | 误差容量(mAh) | 误差百分率(％) |
| 1 | 540.94 | 519.84 | 21.10 | 3.90 |
| 2 | 521.28 | 518.12 | 3.16 | 0.61 |
| 3 | 523.37 | 519.21 | 4.16 | 0.79 |
| 4 | 541.18 | 519.75 | 21.43 | 3.96 |
| 5 | 523.72 | 507.78 | 15.94 | 3.04 |
| 6 | 528.73 | 519.47 | 9.26 | 1.75 |
| 7 | 531.36 | 513.12 | 18.24 | 3.43 |
| 8 | 534.26 | 519.59 | 14.67 | 2.75 |
| 9 | 524.33 | 518.50 | 5.83 | 1.11 |
| 10 | 528.41 | 518.75 | 9.66 | 1.83 |
| 11 | 526.56 | 518.90 | 7.66 | 1.45 |
| 12 | 517.76 | 517.74 | 0.02 | 0.0046 |
| 13 | 519.97 | 517.78 | 2.19 | 0.42 |
| 14 | 515.61 | 516.16 | 0.55 | 0.11 |
| 15 | 517.46 | 517.91 | 0.45 | 0.09 |
| 16 | 520.30 | 517.28 | 3.02 | 0.58 |
| 17 | 526.21 | 517.75 | 8.46 | 1.61 |
| 18 | 522.17 | 518.01 | 4.16 | 0.80 |
| 19 | 524.33 | 518.50 | 5.83 | 1.11 |
| 20 | 528.41 | 518.75 | 9.67 | 1.83 |
| 21 | 523.99 | 517.83 | 6.16 | 1.18 |
| 22 | 512.96 | 514.79 | 1.83 | 0.36 |
| 23 | 511.96 | 514.35 | 2.39 | 0.47 |
| 24 | 517.76 | 517.74 | 0.02 | 0.0046 |
| 25 | 519.97 | 517.78 | 2.19 | 0.42 |
| 26 | 515.61 | 516.16 | 0.55 | 0.11 |
| 27 | 513.33 | 513.92 | 0.59 | 0.11 |
| 28 | 522.29 | 504.25 | 18.04 | 3.45 |
| 29 | 525.80 | 514.34 | 11.46 | 2.18 |
| 30 | 529.57 | 516.05 | 13.52 | 2.55 |
| 31 | 420.29 | 432.97 | 12.68 | 3.02 |
| 32 | 523.57 | 519.11 | 4.46 | 0.85 |
| 33 | 528.15 | 517.99 | 10.16 | 1.92 |
| 34 | 524.20 | 518.75 | 5.45 | 1.04 |
| 35 | 530.24 | 519.44 | 10.80 | 2.04 |
| 36 | 520.08 | 511.53 | 8.55 | 1.64 |
| 37 | 527.34 | 518.78 | 8.56 | 1.62 |
| 38 | 526.97 | 518.91 | 8.06 | 1.53 |
| 39 | 522.58 | 519.14 | 3.44 | 0.66 |
| 40 | 520.76 | 519.07 | 1.69 | 0.32 |
| 41 | 531.14 | 518.19 | 12.95 | 2.44 |
| 42 | 525.58 | 518.77 | 6.811 | 1.30 |
该表中的误差为相对误差，误差容量和误差百分率的计算方法是：
误差容量＝｜实测容量-预测容量｜………………………………(1)
误差比率＝(｜实测容量-预测容量｜/实测容量)…………………(2)
误差百分率＝(｜实测容量-预测容量｜/实测容量)×％……………(3)
结合该表1和图3-2，发现平均预测误差百分率为1.44％，最大预测误差为3.90％，满足工业生产的需要的同时，相对传统方法测试时间缩短约105min，能耗也大大降低。
实施例2
随机抽取197支BYD生产的LP053450ARUL锂钴电池，其额定容量为700mAh(1C电流为700mA)。用传统方法测试这些电池的放电容量，记为实测容量。测试方法为先0.3C恒流，终止电压4.2V，再4.2V恒压，终止电流0.02C充电，然后0.5C恒流，终止电压2.75V放电。然后随机抽取其中58支电池，T＝30℃下1C电流放电，用蓝奇BK3512L检测柜记录放电过程的前10min的一系列路端电压作为输入，训练MATLAB软件中的BP神经网络，输出预测容量，直到预测值与实测值之间的误差在～5％，认为此时的BP网络模型达到最佳，将最佳BP网络模型输出的放电容量记为预测容量。然后将其余139支电池1C放电过程的前10min的一系列路端电压作待测样本的输入端，用所述最佳BP神经网络模型输出这139支电池的放电容量。所述最佳BP神经网络模型与实施例1相同。
表2为实施例2的部分实验数据：
表2
该表中误差容量与误差百分率的计算方法与表1中相同。
结合该表2和图4-2，发现平均预测误差为2．03％，最大预测误差为4．48％，满足工业生产的需要的同时，相对传统方法测试时间缩短约50min，能耗也大大降低。
Claims (5)
1.一种用前馈神经网络预测锂离子电池放电容量的方法，包括如下步骤：
(1)在待测电池中随机抽取至少20支电池，测试这些电池至少前10min恒流放电过程的路端电压；
(2)将步骤(1)得到的路端电压作为前馈神经网络的训练样本的输入，训练前馈神经网络，输出电池放电容量；
(3)将余下部分电池的至少前10min恒流放电过程的路端电压作为输入，用步骤(2)训练好的前馈神经网络输出电池放电容量，并将输出值作为预测的锂离子电池放电容量。
2.根据权利要求1的方法，用电池至少前15min恒流放电过程的路端电压作为前馈神经网络的输入。
3.根据权利要求1的方法，所述恒流放电电流为0.2～1C。
4.根据权利要求1的方法，所述前馈神经网络模型为：
隐含层神经元数为15；
隐含层神经元传递函数为tansig；
输出层神经元传递函数为logsig；
训练函数为trainlm；
训练步数10～5500；
训练目标0.005～0.02。
5.根据权利要求1的方法，所述前馈神经网络模型为：
隐含层神经元数为15；
隐含层神经元传递函数为tansig；
输出层神经元传递函数为logsig；
训练函数为trainlm；
训练步数5000；
训练目标0.01；
网络初始化net＝init(net)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100653411A CN101504443B (zh) | 2008-02-05 | 2008-02-05 | 一种锂离子电池放电容量的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100653411A CN101504443B (zh) | 2008-02-05 | 2008-02-05 | 一种锂离子电池放电容量的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101504443A true CN101504443A (zh) | 2009-08-12 |
| CN101504443B CN101504443B (zh) | 2012-03-07 |
Family
ID=40976742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008100653411A Expired - Fee Related CN101504443B (zh) | 2008-02-05 | 2008-02-05 | 一种锂离子电池放电容量的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101504443B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102269799A (zh) * | 2011-04-29 | 2011-12-07 | 海能达通信股份有限公司 | 一种检测二次电池容量的方法及*** |
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
| CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
| CN103345592A (zh) * | 2013-07-25 | 2013-10-09 | 哈尔滨工业大学 | 一种应用于空间锂离子电池的基于gpr的截止电压的预测方法 |
| CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
| CN104035039A (zh) * | 2014-05-30 | 2014-09-10 | 深圳市普禄科智能检测设备有限公司 | 一种快速预估蓄电池容量的装置及方法 |
| CN107092733A (zh) * | 2017-04-06 | 2017-08-25 | 汕头大学 | 基于自动神经网络搜索的锂离子电池机械强度预测方法 |
| EP3351953A1 (en) * | 2017-01-18 | 2018-07-25 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| CN108656992A (zh) * | 2018-05-10 | 2018-10-16 | 中南大学 | 一种极端暴雨环境下无人驾驶车辆电源智慧预测方法及装置 |
| CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
| CN109683094A (zh) * | 2018-12-19 | 2019-04-26 | 武汉新能源研究院有限公司 | 一种锂离子电池的快速分选方法及其分选装置 |
| CN110728360A (zh) * | 2019-10-12 | 2020-01-24 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
| CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理***、二次电池的容量推定方法、电池组及其制造方法 |
| CN111164822A (zh) * | 2017-07-25 | 2020-05-15 | 株式会社半导体能源研究所 | 蓄电***、电子设备及车辆以及推测方法 |
-
2008
- 2008-02-05 CN CN2008100653411A patent/CN101504443B/zh not_active Expired - Fee Related
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102269799B (zh) * | 2011-04-29 | 2013-09-04 | 海能达通信股份有限公司 | 一种检测二次电池容量的方法及*** |
| CN102269799A (zh) * | 2011-04-29 | 2011-12-07 | 海能达通信股份有限公司 | 一种检测二次电池容量的方法及*** |
| CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
| CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
| CN103345592A (zh) * | 2013-07-25 | 2013-10-09 | 哈尔滨工业大学 | 一种应用于空间锂离子电池的基于gpr的截止电压的预测方法 |
| CN103345592B (zh) * | 2013-07-25 | 2016-06-22 | 哈尔滨工业大学 | 一种应用于空间锂离子电池的基于高斯过程回归算法的截止电压的预测方法 |
| CN103941191A (zh) * | 2014-03-26 | 2014-07-23 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
| CN103941191B (zh) * | 2014-03-26 | 2016-05-04 | 海博瑞恩电子科技无锡有限公司 | 一种储能装置综合管理的方法及储能装置 |
| CN104035039A (zh) * | 2014-05-30 | 2014-09-10 | 深圳市普禄科智能检测设备有限公司 | 一种快速预估蓄电池容量的装置及方法 |
| CN104035039B (zh) * | 2014-05-30 | 2016-10-05 | 深圳市普禄科智能检测设备有限公司 | 一种快速预估蓄电池容量的装置及方法 |
| US10746804B2 (en) | 2017-01-18 | 2020-08-18 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| EP3351953A1 (en) * | 2017-01-18 | 2018-07-25 | Samsung Electronics Co., Ltd. | Battery management method and apparatus |
| CN107092733A (zh) * | 2017-04-06 | 2017-08-25 | 汕头大学 | 基于自动神经网络搜索的锂离子电池机械强度预测方法 |
| CN111164822A (zh) * | 2017-07-25 | 2020-05-15 | 株式会社半导体能源研究所 | 蓄电***、电子设备及车辆以及推测方法 |
| CN108656992B (zh) * | 2018-05-10 | 2020-05-22 | 中南大学 | 一种极端暴雨环境下无人驾驶车辆电源智慧预测方法及装置 |
| CN108656992A (zh) * | 2018-05-10 | 2018-10-16 | 中南大学 | 一种极端暴雨环境下无人驾驶车辆电源智慧预测方法及装置 |
| CN109001640A (zh) * | 2018-06-29 | 2018-12-14 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
| CN110780202A (zh) * | 2018-07-30 | 2020-02-11 | 丰田自动车株式会社 | 电池信息处理***、二次电池的容量推定方法、电池组及其制造方法 |
| CN109683094A (zh) * | 2018-12-19 | 2019-04-26 | 武汉新能源研究院有限公司 | 一种锂离子电池的快速分选方法及其分选装置 |
| CN110728360A (zh) * | 2019-10-12 | 2020-01-24 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101504443B (zh) | 2012-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
| CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
| CN113369176B (zh) | 一种退役电池再利用的分选方法及*** | |
| CN109782190B (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
| CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
| CN111239629B (zh) | 一种退役锂电池的梯次利用状态区间划分方法 | |
| CN111880099A (zh) | 一种储能电站站内电池单体寿命预测方法及*** | |
| CN110031771A (zh) | 一种描述电池一致性的方法 | |
| CN104502844A (zh) | 一种基于交流阻抗的动力锂电池劣化程度诊断方法 | |
| CN111036575A (zh) | 一种基于温度变化分析的锂离子电池分选方法 | |
| CN111077457A (zh) | 一种梯次利用磷酸铁锂电池加速衰减的评价方法及装置 | |
| CN111790645B (zh) | 一种梯次利用动力电池分选方法 | |
| CN110988699A (zh) | 一种梯次利用锂电池储能单元的状态诊断方法及装置 | |
| CN110850323A (zh) | 一种退役三元锂电池加速衰减的评价方法及装置 | |
| CN102967831B (zh) | 一种铅酸蓄电池性能在线检测***及检测方法 | |
| CN106707179A (zh) | 一种电池的容量预测方法及装置 | |
| CN113369287A (zh) | 一种退役电池模组再利用的分选方法及*** | |
| CN111366864A (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
| CN115121507A (zh) | 一种低测试成本的退役动力电池分选方法 | |
| Ma et al. | State of health estimation of retired battery for echelon utilization based on charging curve | |
| CN109856562A (zh) | 基于自适应“i-u-r”法的锂电池梯次利用检测方法 | |
| CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
| CN206558637U (zh) | 一种锂离子电池自放电筛选装置 | |
| Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
| Tian et al. | Consistency evaluation of electric vehicle battery pack: multi-feature information fusion approach |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yong Inventor after: Wu Guanglin Inventor after: Shen Xi Inventor after: Chen Xishan Inventor after: Zhu Yongzhi Inventor after: Chang Le Inventor after: Gu Shuaiqi Inventor before: Wang Yong Inventor before: Wu Guanglin Inventor before: Shen Xi |
|
| CB03 | Change of inventor or designer information | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170512 Address after: Changge City, Henan province 461500 Weiwu Road, No. 16 Patentee after: HENAN SENYUAN HEAVY INDUSTRY CO., LTD. Address before: Longgang District of Shenzhen City, Guangdong province 518118 Ping Wang Ping Road No. 3001 Patentee before: Biyadi Co., Ltd. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120307 Termination date: 20200205 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |