CN107193210B - 一种非线性***的自适应学习预设性能控制方法 - Google Patents
一种非线性***的自适应学习预设性能控制方法 Download PDFInfo
- Publication number
- CN107193210B CN107193210B CN201710318682.4A CN201710318682A CN107193210B CN 107193210 B CN107193210 B CN 107193210B CN 201710318682 A CN201710318682 A CN 201710318682A CN 107193210 B CN107193210 B CN 107193210B
- Authority
- CN
- China
- Prior art keywords
- layer
- control
- performance
- preset performance
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000013641 positive control Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 10
- 230000001052 transient effect Effects 0.000 abstract description 5
- 238000011217 control strategy Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003864 performance function Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种非线性***的自适应学习预设性能控制方法,先建立Euler‑Lagrange动力学***模型,然后对所述动力学***模型进行预设性能控制,设计标称预设性能控制器,最后基于自适应动态规划,设计基于学习的自适应控制器。本发明在不需要***确切的动力学模型基础上,仅依赖于***的输入/输出数据,设计出一种低复杂度的鲁棒自适应控制器,使得受控的Euler‑Lagrange***的瞬态与稳态性能能够得到先验设计,同时又可避免传统基于数据学习控制严重依赖初始允许控制策略的缺点。
Description
技术领域
本发明属于非线性***的自适应控制技术领域,具体涉及一种非线性***的自适应学习预设性能控制方法。
背景技术
很多实际工程***(如航天器、空间机器人等)都可以写成Euler-Lagrange形式,因此对 Euler-Lagrange***的鲁棒控制一直是控制领域研究的热点。现有针对Euler-Lagrange***的控制方法主要有滑模控制、预测模型控制、控制等。但是这些提及的控制方法都严重依赖于Euler-Lagrange***的动力学模型。由于***的不确定性以及外界环境的干扰,精确的 Euler-Lagrange***模型往往难以获得,为了实现对带有未知非线性的Euler-Lagrange***的鲁棒控制,基于神经网络和模糊***的自适应控制方法不断被提出,虽然这些自适应控制能够很好的实现对Euler-Lagrange***的鲁棒控制,但是由于在控制过程中采用神经网络或者模糊***对未知非线性***的逼近,带来模型近似误差问题,以及设计的自适应控制律只在神经网络或者模糊近似器所在的紧集合上有效问题。因此,如何克服这些问题是Euler-Lagrange***控制领域值得深究的研究方向。
近年来,随着人工智能理论和技术的不断发展,基于数据学习的自适应控制被提出。该自适应方法仅依赖于***的输入输出数据,有效地克服了基于***动力学模型控制方法的局限性。但是基于数据学习的自适应控制方法却严重依赖于初始允许控制策略,并以此来为后续的学习控制律提供可靠的稳定状态序列,这对于实际带有未知的非线性Euler-Lagrange***来说,具有应用上的不可扩展性。而如何结合基于数据学习的自适应控制的优点来实现对带有未知非线性的Euler-Lagrange***的低复杂度鲁棒控制是值得深究的课题。
除此之外,现有针对Euler-Lagrange***的瞬态与稳态性能多依赖于繁复的后验调参,难以先验设计。因此如何实现对不确定Euler-Lagrange控制***的瞬态与稳态性能的先验设计也是值得考虑的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种非线性***的自适应学习预设性能控制方法,针对不确定Euler-Lagrange非线性***控制问题。
本发明采用以下技术方案:
一种非线性***的自适应学习预设性能控制方法,包括以下步骤:
S1、建立Euler-Lagrange动力学***模型;
S2、对所述动力学***模型进行预设性能控制,设计标称预设性能控制器;
其中,r为广义位置,v为速度,M-1(r)为正定对称转动惯量,C(r,v)为科里奥利矩阵, g(r)为重力矢量,τ为控制力矩,d为外界未知有界干扰。
进一步的,步骤S2中,所述标称预设性能控制器为:
进一步的,定义所述动力学***模型的预设性能为:
进一步的,定义流形如下:
s=ev+βer
其中,s=[s1,...,sn]T∈Rn为滤波误差,β∈Rn×n为待设计正定对角矩阵,ev=v-vd为广义速度误差,er=r-rd∈Rn为广义位置误差,vd为广义期望速度,rd为期望位置。
其中:s为滤波误差,τc∈Rn自适应学习补偿控制项,Q,R分别为正定矩阵。
进一步的,步骤S3中,最优的补偿控制输入在评价网络待优化的长时间性能为:
三层神经网络对执行层相应补偿控制近似为:
其中,τc,i为第i维补偿控制输入,i=1,...,n,ωc1,k=[ωc1,k1,...,ωc1,k2n]T为输入层与隐藏层的权重参数,为隐藏层与输出层之间的权重参数,φc,k为神经网络激活函数, Nc为评价层隐藏层节点个数。
进一步的,步骤S3中,对于输入层与隐藏层以及隐藏层与输出层之间的权重参数可以利用梯度下降法实现更新。
进一步的,所述基于学习的自适应预设性能控制器τ为:
其中,τp,i为标称预设性能控制输入,τc,i为补偿控制输入,ki为正的控制增益,ξi为伴随变量,γ s,i为预设性能的下界增益,为预设性能的上界增益,为执行网络第一层神经网络权重,φa,k为执行网络中隐藏层激活函数,为神经网络的输入信号。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种非线性***的自适应学习预设性能控制方法,通过建立Euler-Lagrange动力学***模型,并对所述动力学***模型进行预设性能控制,设计标称预设性能控制器,然后基于自适应动态规划,设计基于学习的自适应控制器,在不需要Euler-Lagrange***模型信息基础上,仅依赖于***的输入/输出数据,就可以实现对受控Euler-Lagrange***的鲁棒自适应控制,并且***对未知不确定性以及外界干扰具有较强的鲁棒性以及自适应性,受控Euler-Lagrange ***的瞬态与稳态性能可以实现先验的设计。
进一步的,在只需要不确定Euler-Lagrange***的输入输出数据基础上,基于自适应动态规划方法,形成自适应补偿控制律,能够增强标称预设性能控制器对未知不确定性以及外界干扰的鲁棒性以及自适应性。
综上所述,本发明在不需要***确切的动力学模型基础上,仅依赖于***的输入/输出数据,设计出一种低复杂度的鲁棒自适应控制器,使得受控的Euler-Lagrange***的瞬态与稳态性能能够得到先验设计,同时又可避免传统基于数据学习控制严重依赖初始允许控制策略的缺点。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为地面小车第一维流形响应图;
图2为地面小车第二维流形响应图;
图3为地面小车第三维流形响应图;
图4为地面小车***输出追踪图;
图5为地面小车三维控制输入示意图;
图6为地面小车二维轨迹追踪图。
具体实施方式
本发明公开了一种不确定Euler-Lagrange非线性***的自适应学习预设性能控制方法,针对不确定Euler-Lagrange非线性***控制问题,提出一种仅依赖***输入/输出信息的低复杂度鲁棒自适应控制方法,实现对不确定Euler-Lagrange***的鲁棒追踪控制,并且避开传统基于模型控制方法设计复杂度高以及传统基于数据学习控制方法严重依赖初始允许控制策略等缺点。
具体步骤如下:
S1、Euler-Lagrange动力学***描述
本发明针对Euler-Lagrange的***模型为:
其中,q=[q1,...,qn]T∈Rn为广义坐标向量,n为***维数,T是向量转置,Rn为n维欧几里得空间,M(q)∈Rn×n为正定对称转动惯量;为科里奥利矩阵;g(q)为重力矢量;τ,d∈Rn为控制力矩以及外界未知有界干扰。
其中,r,v∈Rn为广义位置与速度。
S2、标称预设性能控制器
针对***模型(2),定义流形如下:
s=ev+βer (3)
其中,s=[s1,…,sn]T∈Rn为滤波误差,β∈Rn×n为待设计正定对角矩阵,ev=v-vd为广义速度误差,er=r-rd∈Rn为广义位置误差,vd为广义期望速度,rd为期望位置。
为了实现对***模型(2)的预设性能控制,定义预设性能如下:
S3、基于学习的自适应控制器设计
为了增强步骤S2设计的标称预设性能控制器对未知干扰以及不确定性的鲁棒性与自适应性,基于自适应动态规划(Adaptive Dynamic Programming-ADP),设计基于学习的自适应控制器。
在ADP中,通常基于神经网络设计评价-执行动作网络,分别对增强性能信号以及控制序列进行近似最优求解。
首先针对评价网络,定义增强性能信号为:
对于评价网络,待优化的长时间性能:
则最优的补偿控制输入在优化式(7)得到,即:
对于式(8)的贝尔曼最优性问题,难以得到解析的解,因此采用3层神经网络进行近似,即:
其中,ωc1,k=[ωc1,k1,...,ωc1,k2n]T为输入层与隐藏层的权重参数,为隐藏层与输出层之间的权重参数,φc,k为神经网络激活函数(可以用线性激活函数、S型函数等), Nc为评价层隐藏层节点个数。
对于输入层与隐藏层以及隐藏层与输出层之间的权重参数可以利用梯度下降法实现更新。
对于执行层,相应的补偿控制用3层神经网络近似为:
其中,τc,i(i=1,...,n)为第i维补偿控制输入,其他参数含义类同式(9)。
通过迭代求解式(9)与(10),最终实现稳定的在线学习补偿控制器的计算。
基于式(5)与式(10)的计算,可以得到基于学习的自适应预设性能控制器τ为:
其中,τp,i为标称预设性能控制输入,τc,i为补偿控制输入,ki为正的控制增益,ξi为伴随变量,γ s,i为预设性能的下界增益,为预设性能的上界增益,为执行网络第一层神经网络权重,φa,k为执行网络中隐藏层激活函数,为神经网络的输入信号。
实施例
以地面小车定点追踪控制为仿真对象,其中仿真实验中三个预设性能函数的12个参数ρs,10,ρs,20,ρs,30,ρs,1∞,ρs,2∞,ρs,3∞,κs,1,κs,2,κs,3,,分别取为 6,35,3,0.05,0.1,0.05,0.02,0.02,0.05;控制增益k1,k2,k3分别取600,800,200;流形参数β=diag{1,1,2}。
地面小车的各项参数为:惯性矩阵M=diag{M1,M2,M3},其中 M1=500kg,M2=1000kg,M3=700kgm2,科里奥利矩阵C为:
评价-执行层的隐藏层节点个数都为10,且输入层与隐藏层,以及隐藏层与输出层的权重参数初始值在[-0.3,0.3],[-0.2,0.2]区间上任意取。
折扣参数因子为0.95,评价-执行网络训练的容许误差为10-5,单次训练的周期为300步。
在仿真过程中加入的外界干扰力矩d为:
其中,t为当前时刻。
图1至图3表明小车预设的性能在设计的控制律下得到的有效保证,图4表明小车的三维输出(横侧向位置极其偏航角)在设计的控制器下快速收敛到期望的位置,其中,y1,y2,y3分别为横向、纵向位置以及偏航角度,图5表明小车的三个控制通道的输入满足控制饱和约束,因此仿真的结果验证了理论方法的正确性。
请参阅图6,通过对小车平面位置追踪的跟踪控制,仿真结果验证了理论的正确性,并表明在不需要知道小车具体动力学模型信息基础上,仅依赖于小车的输入/输出信息即可实现对小车的鲁棒自适应控制,显示了该方法相比于传统基于模型控制方法的简单有效性。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种非线性***的自适应学习预设性能控制方法,其特征在于,包括以下步骤:
其中,r为广义位置,v为速度,M-1(r)为正定对称转动惯量,C(r,v)为科里奥利矩阵,g(r)为重力矢量,τ为控制力矩,d为外界未知有界干扰;
S2、对所述动力学***模型进行预设性能控制,设计标称预设性能控制器,所述标称预设性能控制器为:
其中:τp,i为第i维预设性能控制输入,ki为待设计的正的控制增益,为统一误差,或(-1,κs,i),κ为正的常量,ξs,i为正的伴随参量,即 γ s,i为预设性能的下界增益,定义所述动力学***模型的预设性能为:
s=ev+βer
其中,s=[s1,…,sn]T∈Rn为滤波误差,β∈Rn×n为待设计正定对角矩阵,ev=v-vd为广义速度误差,er=r-rd∈Rn为广义位置误差,vd为广义期望速度,rd为期望位置;
S3、针对评价网络,基于自适应动态规划,定义增强性能信号采用三层神经网络对最优的补偿控制输入进行近似,采用三层神经网络对执行层补偿控制进行近似,最终实现基于学习的自适应预设性能控制器,所述增强性能信号为:
其中:s为滤波误差,τc∈Rn自适应学习补偿控制项,Q,R分别为正定矩阵;最优的补偿控制输入在评价网络待优化的长时间性能为:
三层神经网络对执行层相应补偿控制近似为:
其中,τc,i为第i维补偿控制输入,i=1,...,n,ωa1,k=[ωa1,k1,...,ωa1,k2n]T为输入层与隐藏层的权重参数,为隐藏层与输出层之间的权重参数,Na为评价层隐藏层节点个数,为神经网络的输入信号,对于输入层与隐藏层以及隐藏层与输出层之间的权重参数可以利用梯度下降法实现更新,所述基于学习的自适应预设性能控制器为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710318682.4A CN107193210B (zh) | 2017-05-08 | 2017-05-08 | 一种非线性***的自适应学习预设性能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710318682.4A CN107193210B (zh) | 2017-05-08 | 2017-05-08 | 一种非线性***的自适应学习预设性能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107193210A CN107193210A (zh) | 2017-09-22 |
CN107193210B true CN107193210B (zh) | 2020-10-16 |
Family
ID=59873774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710318682.4A Active CN107193210B (zh) | 2017-05-08 | 2017-05-08 | 一种非线性***的自适应学习预设性能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107193210B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108235347A (zh) * | 2017-12-21 | 2018-06-29 | 北京科技大学 | 一种无线传感器网络能耗控制方法 |
CN108536006A (zh) * | 2018-02-24 | 2018-09-14 | 江苏经贸职业技术学院 | 一种非线性***的直接学习控制方法 |
CN109164702B (zh) * | 2018-07-26 | 2021-09-14 | 西北工业大学 | 一种自适应多变量广义超螺旋方法 |
CN110888323A (zh) * | 2019-11-26 | 2020-03-17 | 大连理工大学 | 一种用于切换***智能优化的控制方法 |
CN111596545B (zh) * | 2020-04-27 | 2022-03-11 | 江苏建筑职业技术学院 | 一种多输入多输出机械***自适应容错预设性能控制方法 |
CN111590561B (zh) * | 2020-04-27 | 2021-11-16 | 江苏建筑职业技术学院 | 一种分布式机械臂***鲁棒预设性能控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217899A (zh) * | 2013-01-30 | 2013-07-24 | 中国科学院自动化研究所 | 基于数据的q函数自适应动态规划方法 |
CN104460321A (zh) * | 2014-12-15 | 2015-03-25 | 南京理工大学 | 一种含磁滞补偿的液压马达预设性能跟踪控制方法 |
CN104614993A (zh) * | 2015-01-15 | 2015-05-13 | 河海大学常州校区 | 微陀螺仪自适应滑模预设性能控制方法 |
CN105843037A (zh) * | 2016-04-11 | 2016-08-10 | 中国科学院自动化研究所 | 基于q学习的智能楼宇温度控制方法 |
CN106227043A (zh) * | 2016-09-09 | 2016-12-14 | 中国科学院自动化研究所 | 自适应最优控制方法 |
-
2017
- 2017-05-08 CN CN201710318682.4A patent/CN107193210B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217899A (zh) * | 2013-01-30 | 2013-07-24 | 中国科学院自动化研究所 | 基于数据的q函数自适应动态规划方法 |
CN104460321A (zh) * | 2014-12-15 | 2015-03-25 | 南京理工大学 | 一种含磁滞补偿的液压马达预设性能跟踪控制方法 |
CN104614993A (zh) * | 2015-01-15 | 2015-05-13 | 河海大学常州校区 | 微陀螺仪自适应滑模预设性能控制方法 |
CN105843037A (zh) * | 2016-04-11 | 2016-08-10 | 中国科学院自动化研究所 | 基于q学习的智能楼宇温度控制方法 |
CN106227043A (zh) * | 2016-09-09 | 2016-12-14 | 中国科学院自动化研究所 | 自适应最优控制方法 |
Non-Patent Citations (3)
Title |
---|
A Simplified Adaptive Neural Network Prescribed Performance Controller for Uncertain MIMO Feedback Linearizable Systems;Achilles Theodorakopoulos.etc;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20140529;第589 - 600页 * |
Adaptive Dynamic Output Feedback Neural Network Control of Uncertain MIMO Nonlinear Systems with Prescribed Performance;Artemis K. Kostarigka.etc;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20111215;第138-149页 * |
基于数据的ADP离线值迭代算法和在线Q学习算法研究;周显俊;《中国优秀硕士学位论文全文数据库》;20130215;参见第1.1-1.3.1节、第2.2-2.4节、第2.8节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107193210A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193210B (zh) | 一种非线性***的自适应学习预设性能控制方法 | |
Yu et al. | Adaptive fuzzy control of nonlinear systems with unknown dead zones based on command filtering | |
Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
Liu et al. | Distributed adaptive fixed-time robust platoon control for fully heterogeneous vehicles | |
Chen et al. | Globally stable adaptive backstepping neural network control for uncertain strict-feedback systems with tracking accuracy known a priori | |
Yang et al. | Adaptive neural prescribed performance tracking control for near space vehicles with input nonlinearity | |
Pan et al. | Adaptive fuzzy control with guaranteed convergence of optimal approximation error | |
CN104865829B (zh) | 多机器人***分布式自适应神经网络连续跟踪控制方法 | |
Hua et al. | Neural network observer-based networked control for a class of nonlinear systems | |
CN112904728A (zh) | 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法 | |
Shen et al. | Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints | |
CN113110048B (zh) | 采用hosm观测器的非线性***输出反馈自适应控制***和方法 | |
Jia et al. | Optimization of control parameters based on genetic algorithms for spacecraft attitude tracking with input constraints | |
Jin et al. | Physical-informed neural network for MPC-based trajectory tracking of vehicles with noise considered | |
CN110262247A (zh) | 多机器人***的分布式命令滤波模糊控制方法 | |
Li et al. | Command filter-based adaptive fuzzy finite-time output feedback control of nonlinear electrohydraulic servo system | |
Li et al. | Global finite-time control for coordinated path following of multiple underactuated unmanned surface vehicles along one curve under directed topologies | |
CN112904718A (zh) | 一种基于Hammerstein模型的磁流变阻尼器控制***及方法 | |
Mu et al. | Formation control strategy for underactuated unmanned surface vehicles subject to unknown dynamics and external disturbances with input saturation | |
Li et al. | Learning-observer-based adaptive tracking control of multiagent systems using compensation mechanism | |
CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 | |
Chen et al. | Adaptive optimal consensus control of multiagent systems with unknown dynamics and disturbances via reinforcement learning | |
Wang et al. | Observer-based fixed-time adaptive fuzzy control for SbW systems with prescribed performance | |
Cui et al. | Adaptive consensus tracking control for multiple autonomous underwater vehicles with uncertain parameters | |
Xia et al. | Distributed adaptive cooperative control via command filters for multi-agent systems including input unmodeled dynamics and sensor faults |
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 |