CN104330972A - 一种基于模型自适应的综合预测迭代学习控制方法 - Google Patents
一种基于模型自适应的综合预测迭代学习控制方法 Download PDFInfo
- Publication number
- CN104330972A CN104330972A CN201410601343.3A CN201410601343A CN104330972A CN 104330972 A CN104330972 A CN 104330972A CN 201410601343 A CN201410601343 A CN 201410601343A CN 104330972 A CN104330972 A CN 104330972A
- Authority
- CN
- China
- Prior art keywords
- data
- batch
- centerdot
- model
- iterative learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000006978 adaptation Effects 0.000 title claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000010923 batch production Methods 0.000 claims abstract description 27
- 238000009776 industrial production Methods 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 201000004792 malaria Diseases 0.000 claims description 3
- 238000003754 machining Methods 0.000 abstract 4
- 239000000047 product Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000004886 process control Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于模型自适应综合预测迭代学习控制方法,属于间歇式生产加工过程的产品质量跟踪控制技术领域。该方法对于大多数批次加工制造生产过程,针对该生产过程带有随机噪声情况和收敛速度较慢的情况,适用于间歇式生产加工过程的产品质量跟踪控制。本发明利用提出的基于模型自适应的综合预测迭代学习控制算法,可以在一定程度上克服间歇过程模型误差问题,加快算法的收敛速度,应用范围很广。本方法可以克服由现实环境和加工手段给生产过程带来的噪声。本方法构思巧妙,简单实用,可广泛应用于工业生产线间歇生产过程的高精度控制。
Description
技术领域
本发明涉及一种基于模型自适应综合预测迭代学习控制方法,尤其针对该生产过程带有随机噪声情况和收敛速度较慢的情况,属于间歇式生产加工过程的产品质量跟踪控制技术领域。
背景技术
间歇式生产过程(Batch Process)是一种生产按批次进行操作,并且批次之间存在一定的间歇时间的生产方式。它广泛存在于国民生产如生物制品、药品生产、精细化工、半导体集成电路等各个领域,在小批量、多品种和高附加值的工业产品中占据主导地位。为了确保产品的高质量及其质量的稳定性和,过程控制显得尤为重要。然而一方面,间歇过程通常具有不连续性、非稳态性、强非线性和时变性等特点,建立间歇过程的精确模型非常困难,传统的控制方法一般并不能起到良好的效果;另一方面,在间歇过程生产中配方不变时,生产过程基本上是重复运行的,在每个批次运行周期内控制变量和产品质量都是沿着一定的操作变化轨迹运行,具有较强的重复性。此外,在实际的生产过程中,由于现实环境和加工手段不可避免的给生产过程带来干扰或噪声,在精度要求较高的产品加工中,过程噪声可能给最终的产品质量带来严重的影响。
迭代学习控制(Iterative Learning Control,ILC)非常适合于这一类具有周期性、重复运行特性的生产过程的控制,其思想出发点是对于在有限时间区间上重复执行相同控制任务的***,其性能可以通过对以往重复过程的学习来得到改善。迭代学习控制算法期望利用前一个或多个批次的信息来更新下一批次的输入轨迹,使得输出轨迹尽快地收敛于期望的目标轨迹。
对于大多数的间歇被控过程,对象具体知识的取得并非易事,有时甚至是不可能的,如:间歇过程的运行批次有限使得输入输出数据有限;处于初始若干批次重复运行阶段,数据相关度较高;过程具有较强的非线性,无法用线性过程拟合;建模成本较高等,在这些情况下不可能建立精确的***模型或是建立的模型有较大的偏差。同时由于间歇过程的本身有可能在多次重复运行的过程中运行状态发生变化或者由于外部干扰给使得模型在运行过程中发生改变。从而给控制算法的参数选择带来困扰,因此单纯的迭代学习控制算法难以直接使用,或者使用效果不佳,经过多个批次依然难以达到预期的控制目的。
此外,即使能获得相比较为精确的过程模型,若在被控过程存在干扰或噪声,迭代学习控制效果可能由于控制算法在批次上积分作用变差从而达不到预期目的。大多数当前的迭代学习算法都假设过程噪声不存在进而讨论算法性质,但是在实际生产过程中,过程噪声往往难以避免,在一定过程噪声的情况下如何设计过程控制算法来保证间歇过程产品质量有待解决。
模型预测控制(Model Predictive Control,MPC)是一种反馈先进控制算法,基于过程模型和以往的***输入预测将来***的输出,并在此基础上通过优化方法修正当前的输入。模型预测控制对于过程模型不确定性和存在过程噪声的被控过程有较好的控制效果。因此在迭代学习控制方法中结合模型预测控制是一条解决上述问题的理所当然的途径。
总体而言,在参数无法选择导致传统迭代学习算法收敛速度较慢或是存在过程噪声的情况下,如何设计恰当的整合迭代学习控制方法是一个非常值得研究的问题。
发明内容
本发明的目的是提供一种基于模型自适应的综合预测迭代学习控制方法,该方法针对间歇过程收敛较慢或过程中存在噪声的问题,能够很好控制间歇过程最终产品质量。该方法计算简单,计算耗时较少,具有较好的推广性。
本发明提出的基于模型自适应的综合预测迭代学习控制方法,方法包括以下步骤:
1)与实际生产过程相结合,设置一个批次生产的数据采集和存储环节,该环节可以利用生产企业现有的工业控制计算机、PLC等设备;
2)根据采集到的生产历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立生产过程的简单数学模型;
3)数据采集环节采集得到工业生产线中产品加工的输入输出数据,并根据目标跟踪轨迹计算跟踪误差曲线;
4)依据步骤3)得到的跟踪误差,采用综合预测迭代学习控制算法计算下一批次的实时控制量;
5)在新的批次开始时,根据新的运行数据自适应地更新生产过程的模型;
6)在每个新的采样点,实施步骤4),实现对输出目标轨迹的有效跟踪。
上述控制方法中的所述步骤2)中,建立生产过程的数学模型方法如下:
①根据历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立过程数学模型:
假定某时刻输入样本集U=(u1,u2,...,um)T∈Rm,表示m个监测传感器在某个时刻的历史数据,m表示监测传感器的个数,Rm表示m维列向量;uj表示在样本U中,第j个传感器数据的单个样本数据值,j=1,2,...,m;该时刻的输出样本集为Y=(y1,y2,...,yn)T∈Rn,表示n个监测传感器在某个时刻的历史数据,n表示监测传感器的个数,Rn表示n维列向量;yj表示在样本Y中,第j个传感器数据的单个样本数据值,j=1,2,...,n,假设采取N组历史数据,得到的输入数据总样本集如下:Qu={U1,...,Um},输入数据总样本集为:Qy={Y1,...,Ym},分别求得输入输出数据集的均值和方差,按照设定的数据限剔除不符合要求的样本点,最终得到总的样本集Q,在数据处理过程中,数据预处理的关键在于不合理数据的剔除和数据的归一化处理;
②建立数学模型。假定过程模型能用以下的离散方程表示:
y(t)+a1·y(t-1)+...+ap·y(t-p)=b1·u(t-1)+...+bq·u(t-q)+v(t) (1)
将数据样本集Q中的数据分别代入离散方程的两端,采用最小二乘等适当方法取得离散方程中参数的近似值并找到离散方程的状态空间实现,以此作为间歇过程的数学模型,其得到的近似状态空间模型为:
考虑到间歇过程的重复性质,记k为批次方向,则间歇过程的状态空间模型可以表述为:
假定一个批次中采样点为N个,令第k个批次的输入输出轨迹分别为Uk=[uk(0),uk(1),...,uk(N-1)]T、Yk=[yk(1),yk(2),...,yk(N)]T,可得过程的离散模型为:
Yk=GUk+dk (4)
其中:
由此得到生产过程的数学模型。
上述控制方法的步骤4)中,采用综合预测迭代学习控制算法计算下一批次的控制量方法如下:
①取控制律为:
其中为迭代学习控制量,为预测控制量,综合预测迭代学习控制算法目的旨在找到使得下个批次间歇过程的输出更接近目标轨迹;
②根据***的离散模型,***的预测输出为:
其中:
则跟踪误差可以由下式估计:
③引入模型预测控制考虑以下准则函数:
④由上式计算解析解可得控制律为:
其中: 在每个时间点t,应用解析解的第一项作为当前的输入修正量。
在每个批次内,随着时间t的变化,控制律的详细算法流程如下:
①根据***的近似模型,选择迭代学习律及其控制参数;
②在新的批次开始时,根据新的批次运行数据自适应更新***模型,计算迭代学习控制量,并设定时间t=1;
③在每个批次中的时刻t,实时计算预测控制修正量;
④如果t<N,令t=t+1并返回③,否则令k=k+1,返回②。
本发明提出的基于模型自适应的综合预测迭代学习控制方法,由于采取以上技术方案,具有以下优点:
1、本发明利用提出的基于模型自适应的综合预测迭代学习控制算法,可以在一定程度上克服间歇过程模型误差问题,加快算法的收敛速度,应用范围很广。
2、本方法可以克服由现实环境和加工手段给生产过程带来的噪声。本方法构思巧妙,简单实用,可广泛应用于工业生产线间歇生产过程的高精度控制。
具体实施方式
本发明提出的自适应整合预测迭代学习控制方法,包括以下步骤:
1)与实际生产过程相结合,设置一个批次生产的数据采集和存储环节,该环节可以利用生产企业现有的工业控制计算机、PLC等设备;
2)根据采集到的生产历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立生产过程的简单数学模型;
3)数据采集环节采集得到工业生产线中产品加工的输入输出数据,并根据目标跟踪轨迹计算跟踪误差曲线;
4)依据步骤3)得到的跟踪误差,采用综合预测迭代学习控制算法计算下一批次的实时控制量;
5)在新的批次开始时,根据新的运行数据自适应地更新生产过程的模型;
6)在每个新的采样点,实施步骤4),实现对输出目标轨迹的有效跟踪。
所述步骤2)中,建立生产过程的数学模型方法如下:
①根据历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立过程数学模型。
假定某时刻输入样本集U=(u1,u2,...,um)T∈Rm,表示m个监测传感器在某个时刻的历史数据,m表示监测传感器的个数,Rm表示m维列向量;uj表示在样本U中,第j个传感器数据的单个样本数据值,j=1,2,...,m;该时刻的输出样本集为Y=(y1,y2,...,yn)T∈Rn,表示n个监测传感器在某个时刻的历史数据,n表示监测传感器的个数,Rn表示n维列向量;yj表示在样本Y中,第j个传感器数据的单个样本数据值,j=1,2,...,n。假设采取N组历史数据,得到的输入数据总样本集如下:Qu={U1,...,Um},输入数据总样本集为:Qy={Y1,...,Ym}。分别求得输入输出数据集的均值和方差,按照设定的数据限剔除不符合要求的样本点。最终得到总的样本集Q。在数据处理过程中,数据预处理的关键在于不合理数据的剔除和数据的归一化处理。
②建立数学模型。假定过程模型能用以下的离散方程表示:
y(t)+a1·y(t-1)+...+ap·y(t-p)=b1·u(t-1)+...+bq·u(t-q)+v(t) (1)
将数据样本集Q中的数据分别代入离散方程的两端,采用最小二乘等适当方法取得离散方程中参数的近似值并找到离散方程的状态空间实现,以此作为间歇过程的数学模型,其得到的近似状态空间模型为:
考虑到间歇过程的重复性质,记k为批次方向,则间歇过程的状态空间模型可以表述为:
假定一个批次中采样点为N个,令第k个批次的输入输出轨迹分别为Uk=[uk(0),uk(1),...,uk(N-1)]T、Yk=[yk(1),yk(2),...,yk(N)]T,可得过程的离散模型为:
Yk=GUk+dk (4)
其中:
由此得到生产过程的数学模型。
所述步骤4)中,采用综合预测迭代学习控制算法计算下一批次的控制量方法如下:
①取控制律为:
其中为迭代学习控制量,为预测控制量。综合预测迭代学习控制算法目的旨在找到使得下个批次间歇过程的输出更接近目标轨迹。
②根据***的离散模型,***的预测输出为:
其中:
则跟踪误差可以由下式估计:
③引入模型预测控制考虑以下准则函数:
④由上式计算解析解可得控制律为:
其中: 在每个时间点t,应用解析解的第一项作为当前的输入修正量。
在每个批次内,随着时间t的变化,控制律的详细算法流程如下:
①根据***的近似模型,选择迭代学习律及其控制参数;
②在新的批次开始时,根据新的批次运行数据自适应更新***模型,计算迭代学习控制量,并设定时间t=1;
③在每个批次中的时刻t,实时计算预测控制修正量;
④如果t<N,令t=t+1并返回③,否则令k=k+1,返回②。
在步骤4)中,关键在于各个控制参数的选取、控制算法,以及在批次开始前采用自适应的方法对模型进行修正。
Claims (4)
1.一种基于模型自适应的综合预测迭代学习控制方法,其特征在于该方法包括以下步骤:
1)与实际生产过程相结合,设置一个批次生产的数据采集和存储环节,该环节可以利用生产企业现有的工业控制计算机、PLC等设备;
2)根据采集到的生产历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立生产过程的简单数学模型;
3)数据采集环节采集得到工业生产线中产品加工的输入输出数据,并根据目标跟踪轨迹计算跟踪误差曲线;
4)依据步骤3)得到的跟踪误差,采用综合预测迭代学习控制算法计算下一批次的实时控制量;
5)在新的批次开始时,根据新的运行数据自适应地更新生产过程的模型;
6)在每个新的采样点,实施步骤4),实现对输出目标轨迹的有效跟踪。
2.如权利要求1所述的一种基于模型自适应的综合预测迭代学习控制方法,其特征在于:所述步骤2)中,建立生产过程的数学模型方法如下:
①根据历史数据库中以往的生产过程数据,在进行数据预处理后采用适当的方法建立过程数学模型:
假定某时刻输入样本集U=(u1,u2,...,um)T∈Rm,表示m个监测传感器在某个时刻的历史数据,m表示监测传感器的个数,Rm表示m维列向量;uj表示在样本U中,第j个传感器数据的单个样本数据值,j=1,2,...,m;该时刻的输出样本集为Y=(y1,y2,...,yn)T∈Rn,表示n个监测传感器在某个时刻的历史数据,n表示监测传感器的个数,Rn表示n维列向量;yj表示在样本Y中,第j个传感器数据的单个样本数据值,j=1,2,...,n,假设采取N组历史数据,得到的输入数据总样本集如下:Qu={U1,...,Um},输入数据总样本集为:Qy={Y1,...,Ym},分别求得输入输出数据集的均值和方差,按照设定的数据限剔除不符合要求的样本点。最终得到总的样本集Q,在数据处理过程中,数据预处理的关键在于不合理数据的剔除和数据的归一化处理;
②建立数学模型。假定过程模型能用以下的离散方程表示:
y(t)+a1·y(t-1)+...+ap·y(t-p)=b1·u(t-1)+...+bq·u(t-q)+v(t) (1)
将数据样本集Q中的数据分别代入离散方程的两端,采用最小二乘等适当方法取得离散方程中参数的近似值并找到离散方程的状态空间实现,以此作为间歇过程的数学模型,其得到的近似状态空间模型为:
考虑到间歇过程的重复性质,记k为批次方向,则间歇过程的状态空间模型可以表述为:
假定一个批次中采样点为N个,令第k个批次的输入输出轨迹分别为Uk=[uk(0),uk(1),...,uk(N-1)]T、Yk=[yk(1),yk(2),...,yk(N)]T,可得过程的离散模型为:
Yk=GUk+dk (4)
其中:
由此得到生产过程的数学模型。
3.如权利要求1所述的基于模型自适应的综合预测迭代学习控制方法,其特征在于:所述步骤4)中,采用综合预测迭代学习控制算法计算下一批次的控制量方法如下:
①取控制律为:
(6)
其中为迭代学习控制量,为预测控制量,综合预测迭代学习控制算法目的旨在找到使得下个批次间歇过程的输出更接近目标轨迹;
②根据***的离散模型,***的预测输出为:
其中:
(8)
则跟踪误差可以由下式估计:
③引入模型预测控制考虑以下准则函数:
④由上式计算解析解可得控制律为:
其中: 在每个时间点t,应用解析解的第一项作为当前的输入修正量。
4.如权利要求3所述的基于模型自适应的综合预测迭代学习控制方法,其特征在于:在每个批次内,随着时间t的变化,控制律的详细算法流程如下:
①根据***的近似模型,选择迭代学习律及其控制参数;
②在新的批次开始时,根据新的批次运行数据自适应更新***模型,计算迭代学习控制量,并设定时间t=1;
③在每个批次中的时刻t,实时计算预测控制修正量;
④如果t<N,令t=t+1并返回③,否则令k=k+1,返回②。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601343.3A CN104330972A (zh) | 2014-10-30 | 2014-10-30 | 一种基于模型自适应的综合预测迭代学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601343.3A CN104330972A (zh) | 2014-10-30 | 2014-10-30 | 一种基于模型自适应的综合预测迭代学习控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104330972A true CN104330972A (zh) | 2015-02-04 |
Family
ID=52405719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410601343.3A Pending CN104330972A (zh) | 2014-10-30 | 2014-10-30 | 一种基于模型自适应的综合预测迭代学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104330972A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159071A (zh) * | 2015-08-14 | 2015-12-16 | 浙江大学 | 一种迭代学习策略下工业模型预测控制***的经济性能评估方法 |
CN106325072A (zh) * | 2016-10-12 | 2017-01-11 | 浙江理工大学 | 一种直线伺服***机械残余振动控制方法 |
CN106933105A (zh) * | 2017-04-24 | 2017-07-07 | 清华大学 | 受限条件下的轨迹更新综合预测迭代学习控制算法 |
CN107045286A (zh) * | 2017-04-28 | 2017-08-15 | 青岛科技大学 | 基于知识增强和重复学习的高效率自适应控制方法 |
CN107991874A (zh) * | 2017-12-13 | 2018-05-04 | 杭州电子科技大学 | 一种针对多阶段间歇工业过程的多模型控制方法 |
CN108536008A (zh) * | 2018-03-07 | 2018-09-14 | 江苏经贸职业技术学院 | 一种多输入多输出非线性***的迭代学习控制方法 |
-
2014
- 2014-10-30 CN CN201410601343.3A patent/CN104330972A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159071A (zh) * | 2015-08-14 | 2015-12-16 | 浙江大学 | 一种迭代学习策略下工业模型预测控制***的经济性能评估方法 |
CN106325072A (zh) * | 2016-10-12 | 2017-01-11 | 浙江理工大学 | 一种直线伺服***机械残余振动控制方法 |
CN106325072B (zh) * | 2016-10-12 | 2019-04-26 | 浙江理工大学 | 一种直线伺服***机械残余振动控制方法 |
CN106933105A (zh) * | 2017-04-24 | 2017-07-07 | 清华大学 | 受限条件下的轨迹更新综合预测迭代学习控制算法 |
CN106933105B (zh) * | 2017-04-24 | 2019-07-26 | 清华大学 | 受限条件下的轨迹更新综合预测迭代学习控制算法 |
CN107045286A (zh) * | 2017-04-28 | 2017-08-15 | 青岛科技大学 | 基于知识增强和重复学习的高效率自适应控制方法 |
CN107991874A (zh) * | 2017-12-13 | 2018-05-04 | 杭州电子科技大学 | 一种针对多阶段间歇工业过程的多模型控制方法 |
CN108536008A (zh) * | 2018-03-07 | 2018-09-14 | 江苏经贸职业技术学院 | 一种多输入多输出非线性***的迭代学习控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104317269A (zh) | 一种基于2d理论的综合预测迭代学习控制方法 | |
CN104330972A (zh) | 一种基于模型自适应的综合预测迭代学习控制方法 | |
CN107451102A (zh) | 一种改进自训练算法的半监督高斯过程回归软测量建模方法 | |
CN108920863B (zh) | 一种机器人伺服***能耗估计模型的建立方法 | |
CN104699894A (zh) | 基于实时学习的高斯过程回归多模型融合建模方法 | |
CN105487376B (zh) | 一种基于数据驱动单网络结构的最优控制方法 | |
CN107403196A (zh) | 基于谱聚类分析的即时学习建模方法 | |
CN101763083A (zh) | 一种有效的控制变量参数化的工业过程动态优化***及方法 | |
CN106933105A (zh) | 受限条件下的轨迹更新综合预测迭代学习控制算法 | |
CN104199993B (zh) | 一种针对间歇过程的二维动态卡尔曼滤波器设计方法 | |
CN105700358B (zh) | 一种带漂移干扰的模型预测控制器的建模质量监控方法 | |
CN109240090A (zh) | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 | |
CA2718911A1 (en) | Method of multi-dimensional nonlinear control | |
CN113609719B (zh) | 一种高强钛管数控弯曲滞后回弹补偿控制的研究方法 | |
CN107832543A (zh) | 一种减小复杂机械***动态响应误差的设计方法 | |
CN113130014A (zh) | 一种基于多分支神经网络的稀土萃取模拟方法及*** | |
CN101763086A (zh) | 一种高效的工业过程动态优化***及方法 | |
CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN104156767B (zh) | 遗传算法优化的批次过程的线性二次容错控制方法 | |
CN104298213A (zh) | 一种基于参考批次的指数时变增益型迭代学习控制算法 | |
Luo et al. | Data-based fault-tolerant control of the semiconductor manufacturing process based on k-nearest neighbor nonparametric regression | |
CN109884893B (zh) | 一种多工序变量间动态时滞估计方法 | |
CN105488590A (zh) | 一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法 | |
CN103064286A (zh) | 一种工业过程的控制方法与设备 | |
CN109992907A (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150204 |
|
WD01 | Invention patent application deemed withdrawn after publication |