CN108197391A - 一种高炉一氧化碳利用率预测模型的建立方法 - Google Patents
一种高炉一氧化碳利用率预测模型的建立方法 Download PDFInfo
- Publication number
- CN108197391A CN108197391A CN201810010425.9A CN201810010425A CN108197391A CN 108197391 A CN108197391 A CN 108197391A CN 201810010425 A CN201810010425 A CN 201810010425A CN 108197391 A CN108197391 A CN 108197391A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- utilization rate
- carbon monoxide
- factor
- fuzzy
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高炉一氧化碳利用率预测模型的建立方法,主要包括以下内容:获取影响高炉一氧化碳利用率的可测因素;获取上述可测因素影响高炉一氧化碳利用率的具体滞后时间;利用无监督聚类方法获得T‑S模糊的前件;在对应的特征映射空间上计算双支持向量机超平面,最终获得高炉一氧化碳利用率预测模型。本发明方法具有设计合理、准确度高等优点。
Description
技术领域
本发明涉及钢铁冶炼和高炉技术领域,尤其是一种高炉一氧化碳利用率预测方法。
背景技术
高炉冶炼过程作为钢铁生产过程的上游工序,其二氧化碳的直接和相关排放占钢铁工业总排放量的90%,能耗则占钢铁工业总能耗的70%。所以,高炉冶炼是钢铁工业实现节能减排的主要潜力所在。高炉一氧化碳利用率是衡量高炉炼铁过程中气固相还原反应的关键参数,高炉的稳定顺行以及能耗高低也与之息息相关。高炉一氧化碳利用率不仅可以间接反应高炉冶炼进程和碳素还原利用率,而且还能直接影响吨铁能耗和高炉能量利用,能很好地评估高炉能源利用的好坏。因此,高炉一氧化碳利用率的准确预测可以为高炉现场优化操作提供指引,对降低高炉能耗指标具有重要的意义和应用价值。
然而,对于高温高压下的高炉冶炼过程,其内部不仅涉及温度场、流场,以及气、液、固三相流体力学作用形成的多相多场严重耦合,而且涉及复杂的多时空尺度,具有非均一、非稳态、非平衡、强非线性等特征。因此,目前还无法准确的对高炉一氧化碳利用率进行预测。
发明内容
本发明目的在于提供一种高炉一氧化碳利用率预测模型的建立方法,用以解决现有技术中存在的无法准确对高炉一氧化碳利用率进行预测的问题。
为实现上述目的,采用了以下技术方案:本发明所述方法包括以下步骤:
步骤1,获取影响高炉一氧化碳利用率的可测因素;
步骤2,获取上述可测因素影响高炉一氧化碳利用率的具体滞后时间;
步骤3,利用无监督聚类方法获得T-S模糊的前件;
步骤4,在对应的特征映射空间上计算双支持向量机超平面,最终获得高炉一氧化碳利用率预测模型。
进一步的,步骤1中,影响高炉一氧化碳利用率的可测因素具体选择热风温度、热风压力、冷风流量、送风比、标准风速、富氧流量、富氧率、半小时喷煤量、顶压、炉腹煤气量、炉腹煤气指数、透气性、阻力系数、炉顶温度14个变量。
进一步的,步骤2中,利用最大信息系数法计算14个变量不同错位的时间序列和高炉煤气利用率时间序列的相关程度;最大信息系数计算公式如下:
其中I*(D,nx,ny)=maxGI(D|G),I(·)为互信息函数,D|G为有序对D作用在网格G上的概率分布,nx和ny分别为x轴和y轴上的分段数,并且有B(n)=n0.6,其中n为数据点个数;
选择相关程度阈值q,对于相关程度大于阈值q的错位时间序列作为最终确定的时间序列,这些确定下的时间序列的错位时间即为对应的影响高炉一氧化碳利用率可测因素的滞后时间。
进一步的,步骤3中,利用无监督聚类方法对包含模型输入输出的样本数据集进行分簇,簇的个数R作为模糊规则的个数,第i个簇的中心为ci=(x1,i,x2,i,...,xd,i),第i个簇的方差为σi=(σ1,i,σ2,i,...,σd,i),其中i=1,2,...,R,d为模型输入个数,从而得到T-S模糊规则前件,其中第i个模糊规则表示如下:
如果并且并且
那么yi=ωi0+ωi1x1+...+ωidxd
其中由如下模糊关系函数描述:
利用加权去模糊化原理,T-S模糊模型的输出如下
其中φi(x)为对于输入x的第i个模糊规则的点火强度,其计算公式如下:
其中μi定义如下:
进一步的,步骤4中,给出如下两个式子,
ψ(x)=[φ1(x)[1xT],φ2(x)[1xT],...,φR(x)[1xT]]T,
其中,wi=[ωi0,ωi1,...,ωid,],那么对于输入x,T-S模糊模型的输出可表示为y(x)=ψ(x)TW;映射函数ψ:x→ψ(x)将输入原空间x映射到特征空间,在特征空间定义两个超平面gup(x)=ψ(x)TW1,gdown(x)=ψ(x)TW2,所述两个超平面对应两个ε不敏感参数ε1和ε2,为了增强模型的泛化能力,求解两个超平面中的W1和W2,给出如下两个约束优化目标函数:
ξi≥0
i∈I
κi≥0
i∈I
其中ξi和κi是表示第i个样本点是否进入ε1(ε2)不敏感区域的松弛变量,λ1和λ2是对应的正则化参数,I表示所有样本的集合;
以上两个优化问题都为二次规划问题,其求解过程类似,这里对第一个优化问题进行说明。首先将第一个优化问题转化成拉格朗日形式如下:
其中,α和β是分别由αi(i∈I)和βi(i∈I)组成的拉格朗日乘子;由K.K.T条件可得如下:
λ1-αi-βi=0,i∈I
yi-W1 Tψ(xi)≥ε1-ξi,ξi≥0,i∈I
αi≥0,βi≥0,i∈I
并且有
再根据K.K.T.条件可得如下乌尔夫对偶
s.t.0≤αi≤λ1,i∈I
求解以上乌尔夫对偶可得αi≥0,i∈I,也就可得到W1,同理可计算得到W2,那么根据所获得的两个超平面可得基于双支持向量机的T-S模糊模型如下:
其即为最终获得的高炉一氧化碳利用率预测模型。
一种高炉一氧化碳利用率预测模型的建立装置,影响高炉一氧化碳利用率的可测因素获取单元,用于获取影响高炉一氧化碳利用率的可测因素;影响高炉一氧化碳利用率可测因素的滞后时间获取单元,用于获取影响高炉一氧化碳利用率可测因素的具体滞后时间;T-S模糊模型的前件获取单元,用于获取T-S模糊模型的前件;基于双支持向量机的T-S模糊模型获取单元,用于获取基于双支持向量机的T-S模糊模型。
工作过程大致如下:
在高炉冶炼的过程中,获取影响高炉一氧化碳利用率的可测因素,包括热风温度、热风压力、冷风流量、送风比、标准风速、富氧流量、富氧率、半小时喷煤量、顶压、炉腹煤气量、炉腹煤气指数、透气性、阻力系数、炉顶温度14个变量,再利用最大信息系数法计算14个变量不同错位的时间序列和高炉煤气利用率时间序列的相关程度,选择相关程度阈值q,对于相关程度大于阈值q的错位时间序列作为最终确定的时间序列,这些确定下的时间序列的错位时间即为对应的影响高炉一氧化碳利用率可测因素的滞后时间,进一步利用无监督聚类方法获得T-S模糊的前件,再在特征映射空间上基于双支持向量机原理获得最终的高炉一氧化碳利用率预测模型。
与现有技术相比,本发明方法具有如下优点:设计合理、简单易行,能提高高炉一氧化碳利用率预测的准确性。
附图说明
图1为本发明实施例中高炉煤气利用率与一个影响因素不同滞后时间的相关性计算示意图;
图2为本发明实施例提供的高炉一氧化碳利用率预测模型建立方法的流程图;图3为本发明实施例中提供的高炉一氧化碳利用率预测模型建立装置的结构示意图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示为高炉一氧化利用率与一个影响因素不同滞后时间的相关性计算示意图,
101为高炉一氧化碳利用率时间序列,表示为X1={x1(t),x1(t-1),...,x1(t-n)};
102为这个影响因素滞后1个采样时间所对应的时间序列,表示为
103为这个影响因素滞后2个采样时间所对应的时间序列,表示为利用最大信息系数法计算X1与的相关性,即得到高炉一氧化利用率与这个影响因素滞后1个采样时间的相关性,同理,利用最大信息系数法计算X1与的相关性,即得到高炉一氧化利用率与这个影响因素滞后2个采样时间的相关性。利用最大信息系数法计算高炉一氧化利用率与不同影响因素滞后不同采样时间的相关性过程与以上原理类似。
如图2所示,其为高炉一氧化碳利用率预测模型建立方法的流程图,包括:
步骤201,确定影响高炉一氧化碳利用率的可测因素。具体包括热风温度、热风压力、冷风流量、送风比、标准风速、富氧流量、富氧率、半小时喷煤量、顶压、炉腹煤气量、炉腹煤气指数、透气性、阻力系数、炉顶温度14个变量;
步骤202,确定影响高炉一氧化碳利用率可测因素的滞后时间。具体过程是利用最大信息系数法计算14个变量不同错位的时间序列和高炉煤气利用率时间序列的相关程度,再选择相关程度阈值q,对于相关程度大于阈值q的错位时间序列作为最终确定的时间序列,这些确定下的时间序列的错位时间即为对应的影响高炉一氧化碳利用率可测因素的滞后时间;
步骤203,获取T-S模糊模型的前件。具体过程是利用无监督聚类方法对包含模型输入输出的样本数据集进行分簇,簇的个数R作为模糊规则的个数,第i个簇的中心为ci=(x1,i,x2,i,...,xd,i),第i个簇的方差为σi=(σ1,i,σ2,i,...,σd,i),其中i=1,2,...,R,d为模型输入个数,从而得到T-S模糊规则前件,其中,第i个模糊规则表示如下:
如果并且并且
那么yi=ωi0+ωi1x1+...+ωidxd
其中由如下模糊关系函数描述:
利用加权去模糊化原理,T-S模糊模型的输出如下
其中φi(x)为对于输入x的第i个模糊规则的点火强度,其计算公式如下:
其中μi定义如下:
步骤204,获得基于双支持向量机的T-S模糊模型。具体过程是首先作如下两个定义
ψ(x)=[φ1(x)[1xT],φ2(x)[1xT],...,φR(x)[1xT]]T,
其中,wi=[ωi0,ωi1,...,ωid,],那么对于输入x,T-S模糊模型的输出可表示为y(x)=ψ(x)TW。映射函数ψ:x→ψ(x)将输入原空间x映射到特征空间,这里在特征空间定义两个超平面gup(x)=ψ(x)TW1,gdown(x)=ψ(x)TW2,这两个超平面对应两个ε不敏感参数ε1和ε2,为了增强模型的泛化能力,这里对于求解两个超平面中的W1和W2,给出如下两个约束优化目标函数:
s.t.yi-W1 Tψ(xi)≥ε1-ξi
ξi≥0
i∈I
κi≥0
i∈I
其中ξi和κi是表示第i个样本点是否进入ε1(ε2)不敏感区域的松弛变量,λ1和λ2是对应的正则化参数,I表示所有样本的集合。
以上两个优化问题都为二次规划问题,其求解过程类似,这里对第一个优化问题进行说明。首先将第一个优化问题转化成拉格朗日形式如下:
其中,α和β是分别由αi(i∈I)和βi(i∈I)组成的拉格朗日乘子。由K.K.T条件可得如下:
λ1-αi-βi=0,i∈I
yi-W1 Tψ(xi)≥ε1-ξi,ξi≥0,i∈I
αi≥0,βi≥0,i∈I
并且有
再根据K.K.T.条件可得如下乌尔夫对偶
s.t.0≤αi≤λ1,i∈I
求解以上乌尔夫对偶可得αi≥0,i∈I,也就可得到W1,同理可计算得到W2,那么根据所获得的两个超平面可得基于双支持向量机的T-S模糊模型如下:
为了实现本发明所述的方法,还提供了一种模型建立装置,如图3所示,具体包括:可测因素获取单元301、滞后时间获取单元302、前件获取单元303、T-S模糊模型获取单元304;利用可测因素获取单元获取影响高炉一氧化碳利用率的可测因素;利用滞后时间获取单元获取影响高炉一氧化碳利用率可测因素的具体滞后时间;利用前件获取单元获取T-S模糊模型的前件;利用T-S模糊模型获取单元获取基于双支持向量机的T-S模糊模型。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种高炉一氧化碳利用率预测模型的建立方法,其特征在于,所述方法包括以下步骤:
步骤1,获取影响高炉一氧化碳利用率的可测因素;
步骤2,获取上述可测因素影响高炉一氧化碳利用率的具体滞后时间;
步骤3,利用无监督聚类方法获得T-S模糊的前件;
步骤4,在对应的特征映射空间上计算双支持向量机超平面,最终获得高炉一氧化碳利用率预测模型。
2.根据权利要求1所述的一种高炉一氧化碳利用率预测模型的建立方法,其特征在于:步骤1中,影响高炉一氧化碳利用率的可测因素具体选择热风温度、热风压力、冷风流量、送风比、标准风速、富氧流量、富氧率、半小时喷煤量、顶压、炉腹煤气量、炉腹煤气指数、透气性、阻力系数、炉顶温度14个变量。
3.根据权利要求1所述的一种高炉一氧化碳利用率预测模型的建立方法,其特征在于:步骤2中,利用最大信息系数法计算14个变量不同错位的时间序列和高炉煤气利用率时间序列的相关程度;最大信息系数计算公式如下:
其中I*(D,nx,ny)=maxGI(D|G),I(·)为互信息函数,D|G为有序对D作用在网格G上的概率分布,nx和ny分别为x轴和y轴上的分段数,并且有B(n)=n0.6,其中n为数据点个数;
选择相关程度阈值q,对于相关程度大于阈值q的错位时间序列作为最终确定的时间序列,这些确定下的时间序列的错位时间即为对应的影响高炉一氧化碳利用率可测因素的滞后时间。
4.根据权利要求1所述的一种高炉一氧化碳利用率预测模型的建立方法,其特征在于:步骤3中,利用无监督聚类方法对包含模型输入输出的样本数据集进行分簇,簇的个数R作为模糊规则的个数,第i个簇的中心为ci=(x1,i,x2,i,...,xd,i),第i个簇的方差为σi=(σ1,i,σ2,i,...,σd,i),其中i=1,2,...,R,d为模型输入个数,从而得到T-S模糊规则前件,其中第i个模糊规则表示如下:
如果并且并且
那么yi=ωi0+ωi1x1+...+ωidxd
其中由如下模糊关系函数描述:
利用加权去模糊化原理,T-S模糊模型的输出如下
其中φi(x)为对于输入x的第i个模糊规则的点火强度,其计算公式如下:
其中μi定义如下:
5.根据权利要求1所述的一种高炉一氧化碳利用率预测模型的建立方法,其特征在于:步骤4中,给出如下两个式子,
ψ(x)=[φ1(x)[1xT],φ2(x)[1xT],...,φR(x)[1xT]]T,
其中,wi=[ωi0,ωi1,...,ωid,],那么对于输入x,T-S模糊模型的输出可表示为y(x)=ψ(x)TW;映射函数ψ:x→ψ(x)将输入原空间x映射到特征空间,在特征空间定义两个超平面gup(x)=ψ(x)TW1,gdown(x)=ψ(x)TW2,所述两个超平面对应两个ε不敏感参数ε1和ε2,为了增强模型的泛化能力,求解两个超平面中的W1和W2,给出如下两个约束优化目标函数:
s.t.yi-W1 Tψ(xi)≥ε1-ξi
ξi≥0
i∈I
κi≥0
i∈I
其中ξi和κi是表示第i个样本点是否进入ε1(ε2)不敏感区域的松弛变量,λ1和λ2是对应的正则化参数,I表示所有样本的集合;
将优化问题转化成拉格朗日形式如下:
其中,α和β是分别由αi(i∈I)和βi(i∈I)组成的拉格朗日乘子;由K.K.T条件可得如下:
λ1-αi-βi=0,i∈I
yi-W1 Tψ(xi)≥ε1-ξi,ξi≥0,i∈I
αi≥0,βi≥0,i∈I
并且有
再根据K.K.T.条件可得如下乌尔夫对偶
s.t.0≤αi≤λ1,i∈I
求解以上乌尔夫对偶可得αi≥0,i∈I,也就可得到W1,同理可计算得到W2,那么根据所获得的两个超平面可得基于双支持向量机的T-S模糊模型如下:
其即为最终获得的高炉一氧化碳利用率预测模型。
6.根据权利要求1所述方法的一种高炉一氧化碳利用率预测模型的建立装置,其特征在于:影响高炉一氧化碳利用率的可测因素获取单元,用于获取影响高炉一氧化碳利用率的可测因素;影响高炉一氧化碳利用率可测因素的滞后时间获取单元,用于获取影响高炉一氧化碳利用率可测因素的具体滞后时间;T-S模糊模型的前件获取单元,用于获取T-S模糊模型的前件;基于双支持向量机的T-S模糊模型获取单元,用于获取基于双支持向量机的T-S模糊模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010425.9A CN108197391A (zh) | 2018-01-05 | 2018-01-05 | 一种高炉一氧化碳利用率预测模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010425.9A CN108197391A (zh) | 2018-01-05 | 2018-01-05 | 一种高炉一氧化碳利用率预测模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197391A true CN108197391A (zh) | 2018-06-22 |
Family
ID=62588457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810010425.9A Pending CN108197391A (zh) | 2018-01-05 | 2018-01-05 | 一种高炉一氧化碳利用率预测模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197391A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245690A (zh) * | 2019-05-23 | 2019-09-17 | 中国地质大学(武汉) | 一种基于模糊聚类的高炉炉况识别方法与*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020088475A (ko) * | 2001-05-17 | 2002-11-29 | 주식회사 포스코 | 일산화탄소 가스 이용률 제어를 위한 대립광 내외진장입방법 |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN104537228A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于残差熵和分层双支持向量机的指标预报方法及应用 |
-
2018
- 2018-01-05 CN CN201810010425.9A patent/CN108197391A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020088475A (ko) * | 2001-05-17 | 2002-11-29 | 주식회사 포스코 | 일산화탄소 가스 이용률 제어를 위한 대립광 내외진장입방법 |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN104537228A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于残差熵和分层双支持向量机的指标预报方法及应用 |
Non-Patent Citations (5)
Title |
---|
VOLKAN USLAN ET AL.: "Support vector-based Takagi-Sugeno fuzzy system for the prediction of binding affinity of peptides", 《2013 35TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
卢振兴: "非平行超平面分类和回归机研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
安剑奇等: "基于改进支持向量机的高炉一氧化碳利用率预测方法", 《化工学报》 * |
樊嵘等: "统计相关性分析方法研究进展", 《数学建模及其应用》 * |
阮秀凯: "《现代无线通信***盲处理技术新进展:基于智能算法》", 31 January 2015, 复旦大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245690A (zh) * | 2019-05-23 | 2019-09-17 | 中国地质大学(武汉) | 一种基于模糊聚类的高炉炉况识别方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
CN105608492B (zh) | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 | |
Fang et al. | Soft sensors based on adaptive stacked polymorphic model for silicon content prediction in ironmaking process | |
CN102031319B (zh) | 一种高炉铁水含硅量的预报方法 | |
CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制***及方法 | |
CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
CN105821170A (zh) | 一种高炉多元铁水质量指标软测量***及方法 | |
CN105574297A (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
CN101463407A (zh) | 一种转炉炼钢石灰加入量计算方法 | |
CN102925602B (zh) | 高炉操作炉型维护方法 | |
Han et al. | Hybrid intelligent control of BOF oxygen volume and coolant addition | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
CN107808221A (zh) | 基于案例匹配的高炉布料参数决策方法 | |
Cardoso et al. | Prediction of silicon content in the hot metal using Bayesian networks and probabilistic reasoning | |
CN108197391A (zh) | 一种高炉一氧化碳利用率预测模型的建立方法 | |
CN110502781A (zh) | 一种基于先验知识的铁合金生产配料优化方法 | |
CN111047103A (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
Li et al. | A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression | |
CN109934421A (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
CN100583136C (zh) | 一种高炉炼铁专家***决策合成方法 | |
CN113517037A (zh) | 一种数据与知识融合的烧结矿FeO预测方法及*** | |
CN103160629B (zh) | 一种预报高炉趋热的方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180622 |