CN106873577B - 应用于南极大口径望远镜控制***的故障诊断方法 - Google Patents
应用于南极大口径望远镜控制***的故障诊断方法 Download PDFInfo
- Publication number
- CN106873577B CN106873577B CN201710190599.3A CN201710190599A CN106873577B CN 106873577 B CN106873577 B CN 106873577B CN 201710190599 A CN201710190599 A CN 201710190599A CN 106873577 B CN106873577 B CN 106873577B
- Authority
- CN
- China
- Prior art keywords
- telescope
- output
- control system
- sensor
- sample
- 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
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/24—Coupling light guides
- G02B6/26—Optical coupling means
- G02B6/262—Optical details of coupling light into, or out of, or between fibre ends, e.g. special fibre end shapes or associated optical elements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0207—Details of measuring devices
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B23/00—Telescopes, e.g. binoculars; Periscopes; Instruments for viewing the inside of hollow bodies; Viewfinders; Optical aiming or sighting devices
- G02B23/12—Telescopes, e.g. binoculars; Periscopes; Instruments for viewing the inside of hollow bodies; Viewfinders; Optical aiming or sighting devices with means for image conversion or intensification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Astronomy & Astrophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Telescopes (AREA)
- Optical Couplings Of Light Guides (AREA)
Abstract
应用于南极大口径望远镜控制***的故障诊断方法:(1).根据望远镜控制***的参数利用Matlab中的Simulink仿真工具建立简化数学模型;(2).对控制***分别注入不同类型的故障,为后期训练神经网络提供充足的不同类型故障的数据;(3).在控制***不同故障状态下分别采集上述的执行器输出和传感器输出的数据;(4).根据输入的样本特征和输出的样本特征选取输入层,隐含层,输出层的个数;对BP神经网络进行训练,并通过检验样本数据验证神经网络的检验结果。本发明能够准确诊断出南极望远镜的故障,为后期的故障解决的方案提供充足的依据,提高***的稳定性,本方法实现简单,有较好的应用价值。
Description
技术领域
本发明涉及一种天文望远镜控制***的故障诊断方法,具体涉及一种应用于南极大口径望远镜控制***的故障诊断方法,该方法可以准确诊断出南极天文望远镜的故障,有利于后期解决方案的实施。
本发明是国家自然科学基金面上项目“南极大口径望远镜潜隐故障预警及无缝智能自愈策略的研究”的成果。
背景技术
天文望远镜控制***的故障诊断,其核心功能是实现故障的分类,有利于后期故障解决方案的实施。传统望远镜通常采用频谱分析的方法来实现控制***的故障诊断,有效地提取信号的频率特征,但适用于频率较高的场合。
近年来,南极内陆正在成为开展天文科学研究的重要台址。其中海拔高达4093米的南极冰穹A(Dome A)是地球上进行天文观测的最佳站址之一。首先,南极的极夜现象提供了连续数月不间断观测的可能。其次,该地区大气稀薄,风速极低,视宁度极佳,有效降低了大气湍流造成的望远镜成像模糊、抖动等。此外,该地区几乎不受人工光源的影响,观测质量较高。中国在2011~2012年第28次南极科考期间,成功安装第一台全自动的南极巡天望远镜 (AST3-1),在2016~2017年第33次南极科考期间,完成了第二台南极巡天望远镜(AST3-2)和能源支撑平台PLATO-A的维护,更新了AST3运控数据***和天文台址监测自动气象站。
虽然南极拥有极佳的观测条件,但在高寒、低气压的条件下,对电子元件、***和器件的正常使用都是一种严峻的考验,导致南极望远镜会出现不同程度和不同类型的故障,如执行器故障、控制器故障、传感器故障等,导致望远镜不能正常工作。能够准确诊断出南极天文望远镜的故障,有利于后期解决方案的实施。
发明内容
本发明的目的是针对频谱分析法诊断故障的不足,提供一种应用于南极大口径望远镜控制***故障诊断的方法,该方法能够准确诊断出某类故障,有利于后期故障解决方案的实施,提高***的可靠性。
完成上述发明任务的技术方案是:一种应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,步骤如下:
(1).根据望远镜控制***的参数,利用Matlab中的Simulink仿真工具建立简化数学模型;
(2).由于是仿真实验,因此需对控制***分别注入不同类型的故障,为后期训练神经网络提供充足的不同类型故障的数据;
(3).在控制***不同故障状态下,分别采集上述的执行器输出和传感器输出的数据;
(4).根据输入的样本特征和输出的样本特征选取输入层,隐含层,输出层的个数。对BP 神经网络进行训练,并通过检验样本数据验证神经网络的检验结果。
其中,所述步骤(2)中给控制***注入不同类型的故障。其中包括望远镜执行器恒偏差故障:即望远镜执行器的输出值与正常情况下的输出值存在固定的偏差。执行器恒偏差的表达式为:
uiout(t)=uiin(t)+Δi (1)
其中,Δi为常数,i=1,2,3…,m。
望远镜执行器恒增益故障:即望远镜执行器的输出以一定的速率偏离其正常的输出值。执行器恒增益的表达式为:
uiout(t)=αiuiin(t) (2)
其中,αi为执行器恒增益变化的比例系数。
望远镜执行器卡死故障:即执行器输出一直处于一个固定值。执行器卡死表达式为:
uiout(t)=γi (3)
其中,γi为常数。
望远镜传感器恒偏差故障:即望远镜传感器的输出信号与正常情况下的输出信号存在固定的偏差。传感器恒偏差的表达式为:
yiout(t)=yiin(t)+Δi (4)
其中Δi为常数,i=1,2,3…,n
望远镜传感器恒增益故障:即望远镜传感器的输出信号以一定的速率偏离其正常的输出值。传感器恒增益的表达式为:
yiout(t)=βiyiin(t) (5)
其中,βi为传感器恒增益变化的比例系数。
望远镜传感器卡死故障:即望远镜传感器的输出信号一直处于一个固定值。传感器卡死的表达式为:
yiout(t)=γi (6)
其中,γi为常值。
所述步骤(3)中,在控制***不同故障状态下,分别采集上述的执行器输出和传感器输出的数据,由于神经元激励函数的饱和特性,因此输入样本值应保留在[0,1]之间,则对样本的输入、输出均进行最大值归一化处理,采用如下方法进行归一化处理。输入样本Xk,设原始训练样本的最大值为ximax,xik为第i个输入样本的值,得到归一化处理后的样本数据为:
输出样本Yk,设原始输出样本的最大值为ymax,则归一化处理后的样本数据表达式为:
所述步骤(4)中,根据输入的样本特征和输出的样本特征选取输入层,隐含层,输出层的个数。对BP神经网络进行训练,并通过检验样本数据验证神经网络的检验结果。
本发明是国家自然科学基金面上项目“南极大口径望远镜潜隐故障预警及无缝智能自愈策略的研究”的成果。现有技术中研究望远镜故障诊断的方法主要是频谱分析的方法,而本发明中是基于神经网络的诊断方法。其优点是不受高低频率的限制,能够准确诊断出南极望远镜的故障,为后期的故障解决的方案提供充足的依据,提高***的稳定性,本方法实现简单,对南极大口径望远镜控制***的故障诊断有较好的应用价值。
附图说明
图1望远镜控制***Simulink仿真图;
图2望远镜执行器恒偏差设置仿真图;
图3望远镜执行器恒增益设置仿真图;
图4望远镜执行器卡死设置仿真图;
图5望远镜传感器恒偏差设置仿真图;
图6望远镜传感器恒增益设置仿真图;
图7望远镜传感器卡死设置仿真图;
图8训练网络层图;
图9 BP网络训练结果图;
图10测试样本的结果值和误差值的对比图。
具体实施方式
实施例1,南极大口径望远镜控制***的故障诊断方法。
下面将结合附图和具体实施例对本发明做进一步的说明。
根据望远镜控制***的参数,利用Simulink仿真工具建立数学模型,如图1所示。
对控制***注入望远镜执行器恒偏差故障、恒增益故障、卡死故障,分别如图2、图3、图4所示。也对控制***注入望远镜传感器恒偏差故障、恒增益故障、卡死故障,分别如图5、图6、图7所示。
在数据采集过程中,人为地在t=150s时刻给南极望远镜控制***分别增加执行器故障和传感器故障,并在t=150s,155s,160s,170s,180s,190s,200s时采集执行输出和传感器输出,得到如下表1、表2、表3、表4、表5、表6的数据,对数据进行归一化处理,得到如下表7、表8、表9、表10、表11、表12的数据。同时采集测试样本的数据,如表13所示,对其进行归一化处理,得到表14的数据。
表1在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒偏差故障数据
。
表2在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒增益故障数据
。
表3在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒卡死故障数据
。
表4在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒偏差故障数据
。
表5在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒增益故障数据
。
表6在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器卡死故障数据
。
表7在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒偏差归一化数据
。
表8在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒增益归一化数据
。
表9在t=150s,155s,160s,170s,180s,190s,200s时刻采集的执行器卡死归一化数据
。
表10在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒偏差归一化数据
。
表11在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒增益归一化数据
。
表12在t=150s,155s,160s,170s,180s,190s,200s时刻采集的传感器卡死归一化数据
。
表13在t=150s,155s,160s,170s,180s,190s,200s时采集的检验样本数据
。
表14在t=150s,155s,160s,170s,180s,190s,200s时检验样本归一化处理后的数据
所述步骤(2)-步骤(4)中,根据采集样本,选取神经网络的输入层节点为14,分别代表每个输入样本的14个特征量,输出节点为6,分别代表6种故障类型。选取训练次数为50000,训练目标为0.0001,学***方和小于0.0001,得到如图8所示的训练网络层图,图9为BP网络训练结果图以及图10测试样本的结果值和误差值的对比图,结果表明该BP神经网络能完成故障的分类。
Claims (5)
1.一种应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,步骤如下:
(1).根据望远镜控制***的参数,利用Matlab中的Simulink仿真工具建立简化数学模型;
(2).由于是仿真实验,因此需对控制***分别注入不同类型的故障,为后期训练神经网络提供充足的不同类型故障的数据;
(3).在控制***不同故障状态下,分别采集执行器输出和传感器输出的数据;
(4).根据输入的样本特征和输出的样本特征选取输入层,隐含层,输出层的个数;对BP神经网络进行训练,并通过检验样本数据验证神经网络的检验结果;
所述步骤(2)中给控制***注入不同类型的故障,其中包括望远镜执行器恒偏差故障:即望远镜执行器的输出值与正常情况下的输出值存在固定的偏差;执行器恒偏差的表达式为:
uiout(t)=uiin(t)+△i (1)
其中,△i为常数,i=1,2,3…,m;
望远镜执行器恒增益故障:即望远镜执行器的输出以一定的速率偏离其正常的输出值;执行器恒增益的表达式为:
uiout(t)=αiuiin(t) (2)
其中,αi为执行器恒增益变化的比例系数;
望远镜执行器卡死故障:即执行器输出一直处于一个固定值;执行器卡死表达式为:
uiout(t)=γi (3)
其中,γi为常数;
望远镜传感器恒偏差故障:即望远镜传感器的输出信号与正常情况下的输出信号存在固定的偏差;传感器恒偏差的表达式为:
yiout(t)=yiin(t)+△i (4)
其中△i为常数,i=1,2,3…,n;
望远镜传感器恒增益故障:即望远镜传感器的输出信号以一定的速率偏离其正常的输出值;传感器恒增益的表达式为:
yiout(t)=βiyiin(t) (5)
其中,βi为传感器恒增益变化的比例系数;
望远镜传感器卡死故障:即望远镜传感器的输出信号一直处于一个固定值;传感器卡死的表达式为:
yiout(t)=γi (6)
其中,γi为常值。
2.根据权利要求1所述的应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,所述步骤(3)中,在控制***不同故障状态下,分别采集上述的执行器输出和传感器输出的数据,由于神经元激励函数的饱和特性,因此输入样本值应保留在[0,1]之间,则对样本的输入、输出均进行最大值归一化处理,采用如下方法进行归一化处理;输入样本Xk,设原始训练样本的最大值为ximax,xik为第i个输入样本的值,得到归一化处理后的样本数据为:
输出样本Yk,设原始输出样本的最大值为ymax,则归一化处理后的样本数据表达式为:
3.根据权利要求1所述的应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,所述步骤(4)中,根据输入的样本特征和输出的样本特征选取输入层,隐含层,输出层的个数;对BP神经网络进行训练,并通过检验样本数据验证神经网络的检验结果。
4.根据权利要求1-3之一所述的应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,在数据采集过程中,人为地在t=150s时刻给南极望远镜控制***分别增加执行器故障和传感器故障,并在t=150s,155s,160s,170s,180s,190s,200s时采集执行输出和传感器输出,得到数据;对数据进行归一化处理;同时采集测试样本的数据,对其进行归一化处理。
5.根据权利要求4所述的应用于南极大口径望远镜控制***的故障诊断方法,其特征在于,所述步骤(2)-步骤(4)中,根据采集样本,选取神经网络的输入层节点为14,分别代表每个输入样本的14个特征量,输出节点为6,分别代表6种故障类型;选取训练次数为50000,训练目标为0.0001,学***方和小于0.0001,得到训练网络层图、BP网络训练结果图以及测试样本的结果值和误差值的对比图,结果表明该BP神经网络能完成故障的分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710169686 | 2017-03-21 | ||
CN2017101696860 | 2017-03-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106873577A CN106873577A (zh) | 2017-06-20 |
CN106873577B true CN106873577B (zh) | 2019-04-05 |
Family
ID=59159326
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710190599.3A Active CN106873577B (zh) | 2017-03-21 | 2017-03-28 | 应用于南极大口径望远镜控制***的故障诊断方法 |
CN201710235079.XA Active CN107092055B (zh) | 2017-03-21 | 2017-04-12 | 天文望远镜星光、定标光耦合装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710235079.XA Active CN107092055B (zh) | 2017-03-21 | 2017-04-12 | 天文望远镜星光、定标光耦合装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106873577B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873577B (zh) * | 2017-03-21 | 2019-04-05 | 中国科学院国家天文台南京天文光学技术研究所 | 应用于南极大口径望远镜控制***的故障诊断方法 |
CN107991900B (zh) * | 2017-11-30 | 2021-05-25 | 中国科学院国家天文台南京天文光学技术研究所 | 半实物仿真平台上的南极望远镜潜隐故障模拟和自愈方法 |
CN108709719B (zh) * | 2018-06-29 | 2024-05-17 | 中国科学院国家天文台 | 一种用于快速建立高精度视轴基准的装调工具 |
CN111983768B (zh) * | 2020-08-21 | 2022-03-01 | 中国科学院国家天文台南京天文光学技术研究所 | 用于天文光谱仪的精密调节兼高稳定的镜筒结构 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
CN106873577A (zh) * | 2017-03-21 | 2017-06-20 | 中国科学院国家天文台南京天文光学技术研究所 | 应用于南极大口径望远镜控制***的故障诊断方法 |
CN105353255B (zh) * | 2015-11-27 | 2018-07-31 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002050594A1 (fr) * | 2000-12-20 | 2002-06-27 | The Furukawa Electric Co., Ltd. | Dispositif et procede de fabrication de cable de fibres optiques couvert de tube metallique |
CN101750752A (zh) * | 2010-01-13 | 2010-06-23 | 黄燕平 | 一种光纤准直器 |
CN102323219A (zh) * | 2011-05-30 | 2012-01-18 | 中国科学院合肥物质科学研究院 | 基于自然天体光源的便携式大气污染成分日夜遥测装置 |
CN103926000B (zh) * | 2014-05-06 | 2016-03-02 | 中山大学 | 一种图像光谱探测装置 |
JP2017123500A (ja) * | 2014-05-21 | 2017-07-13 | 三菱電機株式会社 | 光空間通信装置 |
CN105425821B (zh) * | 2015-10-26 | 2018-02-06 | 中国工程物理研究院激光聚变研究中心 | 诊断设备准直装置及方法 |
-
2017
- 2017-03-28 CN CN201710190599.3A patent/CN106873577B/zh active Active
- 2017-04-12 CN CN201710235079.XA patent/CN107092055B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
CN105353255B (zh) * | 2015-11-27 | 2018-07-31 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN106873577A (zh) * | 2017-03-21 | 2017-06-20 | 中国科学院国家天文台南京天文光学技术研究所 | 应用于南极大口径望远镜控制***的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
《基于BP神经网络的汽车ABS***故障诊断》;李洪东;《中国优秀硕士学位论文全文数据库 信息科技辑》;20081015(第10期);第13页-第18页,第40页-第42页,第47页-第48页 * |
《大型望远镜控制***中的故障处理***的设计》;罗明诚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315(第3期);正文第26页-第27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107092055A (zh) | 2017-08-25 |
CN107092055B (zh) | 2019-05-10 |
CN106873577A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873577B (zh) | 应用于南极大口径望远镜控制***的故障诊断方法 | |
CN100538276C (zh) | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 | |
CN109802430A (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN107862331A (zh) | 一种基于时间序列及cnn的不安全行为识别方法及*** | |
CN112070234B (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
CN104777418B (zh) | 一种基于深度波尔兹曼机的模拟电路故障诊断方法 | |
CN109063569A (zh) | 一种基于遥感影像的语义级变化检测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN102495919B (zh) | 一种生态***碳交换影响因素提取方法及*** | |
CN111833202A (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN109883645A (zh) | 浮式风机模型试验浮体运动的等效模拟方法与设备 | |
CN111582555B (zh) | 基于地基云图图像特征的光伏功率预测方法 | |
CN110222714B (zh) | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 | |
CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
CN107895378A (zh) | 目标检测方法和装置、存储介质、电子设备 | |
CN109583344A (zh) | 一种基于深度学习的电力设备红外图像处理方法 | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
Zgraggen et al. | Physics informed deep learning for tracker fault detection in photovoltaic power plants | |
CN111931738B (zh) | 用于遥感影像的神经网络模型预训练方法、装置 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
CN106295175B (zh) | 基于svd算法的台站气象数据缺值填充方法 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN115796040A (zh) | 一种基于小样本的设施温室温度预测方法 | |
CN113671564A (zh) | 基于narx动态神经网络的微地震有效事件自动拾取方法 |
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 |