CN112013203B - 一种基于drnn神经网络管网检测*** - Google Patents
一种基于drnn神经网络管网检测*** Download PDFInfo
- Publication number
- CN112013203B CN112013203B CN202010694962.7A CN202010694962A CN112013203B CN 112013203 B CN112013203 B CN 112013203B CN 202010694962 A CN202010694962 A CN 202010694962A CN 112013203 B CN112013203 B CN 112013203B
- Authority
- CN
- China
- Prior art keywords
- neural network
- displacement
- pipe
- standard
- driving
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 160
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000006073 displacement reaction Methods 0.000 claims abstract description 139
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 74
- 238000012843 least square support vector machine Methods 0.000 claims description 47
- BJQHLKABXJIVAM-UHFFFAOYSA-N bis(2-ethylhexyl) phthalate Chemical compound CCCCC(CC)COC(=O)C1=CC=CC=C1C(=O)OCC(CC)CCCC BJQHLKABXJIVAM-UHFFFAOYSA-N 0.000 claims description 39
- 230000005540 biological transmission Effects 0.000 claims description 37
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000012795 verification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 11
- 239000002131 composite material Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 239000000428 dust Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000010963 304 stainless steel Substances 0.000 description 2
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
- F16L55/26—Pigs or moles, i.e. devices movable in a pipe or conduit with or without self-contained propulsion means
- F16L55/28—Constructional aspects
- F16L55/30—Constructional aspects of the propulsion means, e.g. towed by cables
- F16L55/32—Constructional aspects of the propulsion means, e.g. towed by cables being self-contained
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
- F16L55/26—Pigs or moles, i.e. devices movable in a pipe or conduit with or without self-contained propulsion means
- F16L55/28—Constructional aspects
- F16L55/40—Constructional aspects of the body
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L2101/00—Uses or applications of pigs or moles
- F16L2101/30—Inspecting, measuring or testing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及液压管应用领域，公开一种基于DRNN神经网络管网检测***，其特征在于：主体管的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头(3)和固定连接头(4)；输送管与主体管的中部连通，标准器通过输送机构输送至输送管(2)内，且标准器的探头朝下位于主体管与输送管的衔接处，用于控制标准器位移的标准器位移控制***包括标准器位移调节平台和MSP430单片机中的智能控制器。本发明能平稳地将标准器传送到检定位置，能有效避免标准器的探头触碰到输送管内壁引起参数变化，能够灵活调节标准器放置位置，减少人为操作引的标准器波动导致的测量结果不准确的情况。
Description
技术领域
本发明涉及液压管应用领域，具体涉及一种基于DRNN神经网络管网检测***。
背景技术
在现如今的管道行业中，想要测量管道内的液体压力度，通常会在安装管道时在管道的需要测量段预留测量段管道，需要测量时，将测量段管道取下来，安装上检测***在该部位进行检测，通常情况下，检测***中的标准器需要人工通过检测***上的一个标准器输送管道伸入到待测管道内检定位置进行检测，人工将标准器***标准器输送管时，难免会发生手部抖动，使得标准器的底部探头贴合在标准器输送管的内壁，或者标准器的底部探头与待检测管道内的水流之间相对抖动影响测量准确性。
目前，在计量检定活动中或者实验中，人员对实验结果的要求比较高，但目前市场上的检测***，人为操作下的标准器放置会产生很多不规范的问题，从而导致测量不精确或者参数与实际值不一致等问题。
发明内容
发明目的：为了解决上述问题，本发明要解决的技术问题是提供一种基于DRNN神经网络管网检测***，能平稳地将标准器传送到达检定位置，在传送过程中也能有效避免标准器的检测探头触碰到输送管内壁引起的参数变化，还可以很方便地调节标准器放置位置，减少人为操作引的标准器波动导致的测量结果不准确的情况；针对标准器位移调节的非线性、大滞后和大惯性原因，在一种管道检测***中设计了一种智能化标准器位移控制***，以满足标准器在管道检测中位移精确度的要求。本发明有效解决了现有标准器位移调节不精确的缺陷，通过在一种管道检测***中设计一种智能化标准器位移控制***，提高标准器位移的快速响应、控制精度和鲁棒性，使标准器位移迅速到达***设定值，来满足管道检测***对标准器位移精确度控制的需要。
技术方案：本发明提供了一种基于DRNN神经网络管网检测***，包括主体管、输送管、安装在所述输送管管口处的输送机构以及用于控制标准器位移的智能化标准器位移控制***，所述主体管的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头和固定连接头；所述输送管与所述主体管的中部连通，固定有标准器位移传感器的标准器通过所述输送机构输送至所述输送管内，且所述标准器的探头朝下位于所述主体管与所述输送管的衔接处；所述智能化标准器位移控制***，包括标准器位移调节平台和MSP430单片机中的智能化标准器位移控制器，所述标准器位移调节平台由MSP430单片机、L298电机驱动电路、所述输送机构和所述标准器位移传感器组成；所述MSP430单片机中的智能化标准器位移控制器由参数自调整模糊调节器、DRNN神经网络调节器、NARX神经网络融合调节器、时间序列DRNN神经网络预测器、时间序列最小二乘支持向量机(LS-SVM)预测器和小波神经网络融合器组成。
优选地，在所述MSP430单片机中的智能化标准器位移控制器中，所述参数自调整模糊调节器和所述DRNN神经网络调节器相并联，所述参数自调整模糊调节器和所述DRNN神经网络调节器的输出作为所述NARX神经网络融合控制器的输入，所述NARX神经网络融合控制器的输出作为所述L298电机驱动电路的输入，所述L298电机驱动电路的输出作为所述输送机构中驱动电机的输入；所述标准器位移传感器的输出分别作为所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机(LS-SVM)预测器的输入，所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机(LS-SVM)预测器的输出分别作为所述小波神经网络融合器的输入，所述小波神经网络融合器的输出值作为所述智能化标准器位移控制***的标准器位移反馈值，所述智能化标准器位移控制***的标准器位移给定值和所述小波神经网络融合器输出值的误差和误差变化率分别作为所述参数自调整模糊调节器和所述DRNN神经网络调节器的输入。MSP430单片机中的智能化标准器位移控制器实现对标准器位移进行智能化精确控制调节，NARX神经网络融合控制器实现对参数自调整模糊调节器输出值与DRNN神经网络调节器输出值融合和对标准器位移的再一次预测控制，小波神经网络融合器实现对时间序列DRNN神经网络预测器输出和时间序列最小二乘支持向量机(LS-SVM)预测器输出值融合和对标准器位移量的再一次精确预测；NARX神经网络融合控制器的输出调节标准器位移的控制值，参数自调整模糊调节器、DRNN神经网络调节器和NARX神经网络融合控制器构成对标准器位移的复合控制；时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器分别对标准器位移进行预测，小波神经网络融合器实现对时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输出值进行融合，时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器和小波神经网络融合器构成标准器位移的复合预测，智能化标准器位移控制***提高标准器位移控制的鲁棒性、快速性和精确性。
优选地，在所述标准器位移调节平台中，所述MSP430单片机中的智能化标准器位移控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，所述L298电机驱动电路作为所述输送机构中所述驱动电机的输入，所述输送机构驱动标准器移动，所述标准器位移传感器测量标准器移动量，所述标准器位移传感器的输出分别作为所述MSP430单片机中的智能化标准器位移控制器的所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机(LS-SVM)预测器的输入。
优选地，所述输送机构包括壳体、驱动电机、主动齿、从动齿、主动环形传输带、从动环形传输带以及若干主动传输带定位轴和从动传输带定位轴；所述壳体固定在所述输送管的管口处，所述驱动电机的输出轴与所述主动齿的主动轴固定连接，所述主动轴与所述从动齿的从动轴相互平行且转动连接在所述壳体内，所述主动齿与所述从动齿啮合；各所述主动传输带定位轴和各所述从动传输带定位轴分别沿所述输送管的内壁两侧上下依次平行安装；所述主动环形传送带的一端套在所述主动轴上，中部和末端分别套在各所述主动传输带定位轴上；所述从动形传送带的一端套在所述从动轴上，中部和末端分别套在各所述从动传输带定位轴上。需要将标准器传输到输送管内时，先将标准器的检测探头朝下从壳体上的标准器入口塞入主动环形传输带与从动环形传输带之间，驱动主动齿顺时针转动时，主动轴顺时针转动，带动主动环形传输带顺时针转动，进而各主动传输带定位轴顺时针转动；而从动齿与主动齿啮合，从而从动齿逆时针转动，从动轴逆时针转动，带动从动环形传输带逆时针转动，进而各从动传输带定位轴逆时针转动；主动传输带与从动传输带反方向旋转即能够实现将标准器从输送管的上方输送到下方；若输送的位置太低则可以通过反向方驱动主动齿将标准器上移调整位置；这样的输送机构能够使得标准器能够平稳地传送至并定位在输送管与主体管的衔接处进行测量，减少人为操作引起的标准器波动，在传送过程中也能有效避免标准器的检测探头触碰到输送管内壁引起的参数变化。
优选地，各所述主动传输带定位轴、各所述从动传输带定位轴、所述主动轴以及所述从动轴之间均相互平行设置。
优选地，所述主动环形传输带与所述从动环形传输带之间的间距略小于待传输标准器的最小宽度。这样设计能够保证标准器能够被夹在主动环形传输带与从动环形传输带之间，实现稳定传输。
进一步地，所述壳体的顶部安装有防尘盖，所述防尘盖与所述壳体的顶部开口通过滑槽滑动连接。防尘盖打开时，能够将标准器从壳体上部开口投入到主动环形传输带与从动环形传输带之间，进而实现对标准器的传送；在不进行检测时，将防尘盖关闭防止灰尘进入到输送管内。
工作原理：当需要对待测管道内的液体液压进行检测时，首先将检测部位预留的管道拆卸下来，将本管网检测***的固定连接头与待检测管道的检测部一侧螺纹连接，然后将活动连接头与待检测管道的检测部另一侧螺纹连接，然后将标准器放在输送机构内，通过标准器位移控制***控制输送机构将标准器的检测探头朝下输送至检测探头到达主体管与输送管的衔接处停止输送，此处即为检测点。在整个检测过程中，标准器都不会晃动颤抖，能够更加准确地测量出待检测管道内的液压。
有益效果：本发明与现有技术相比，具有以下明显优点：
一、本发明所采用NARX神经网络融合调节器的输入包括了参数自调整模糊调节器和DRNN神经网络调节器一段时间的输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的参数自调整模糊调节器和DRNN神经网络调节器输出历史信息参与标准器位移的控制,对于一个合适的反馈时间长度,NARX神经网络融合调节器得到了很好的效果,本专利的NARX神经网络融合调节器模式提供了一种有效的标准器预测控制方法。
二、本发明所采用的NARX神经网络融合调节器是一种能够有效对标准器位移的非线性、非平稳时间序列进行预测控制的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对标准器时间序列的预测控制精度。与传统的预测控制模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的标准器实验数据的实际对比，本专利验证了NARX神经网络融合调节器对标准器时间序列预测控制的可行性。同时，实验结果也证明了NARX神经网络融合调节器在非平稳时间序列预测控制中比传统预测控制模型表现更加优异。
三、本发明利用NARX神经网络融合调节器建立标准器预测控制器，由于通过引入延时模块及输出反馈建立NARX神经网络融合调节器模型的动态递归网络，它将参数自调整模糊调节器和DRNN神经网络调节器的输出作为输入和NARX神经网络融合调节器输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络融合调节器的输入不仅包括原始参数自调整模糊调节器和DRNN神经网络调节器的输出数据，还包含经过训练后的NARX神经网络融合调节器输出数据，NARX神经网络融合调节器的泛化能力得到提高，使其在非线性标准器时间序列预测控制中较传统的静态神经网络控制具有更好的预测控制精度和自适应能力。
四、本发明采用时间序列最小二乘支持向量机(LS-SVM)预测器预测标准器位移，利用了标准器位移变化的小样本及非线性数据优越的预测性能进行标准器位移预测，通过原始标准器位移时间序列变量进行标准器位移数据高精度预测。
五、本发明采用参数自调整模糊控制器作为标准器位移的控制器，该模糊控制器的参数根据标准器位移的设定值与标准器位移预测值的误差e和误差变化率e’对进行自调整，该模糊控制器对标准器位移控制的鲁棒性强、适应性高和速度快。
六、时间序列DRNN神经网络预测器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映标准器位移动态变化性能，可以更加精确预测标准器位移实际值，时间序列DRNN神经网络标准器位移预测器为10-21-1的3层网络结构，其隐层为回归层，输出层为标准器位移预测值。
七、本发明标准器位移作为被控对象具有非线性、时滞和时变性的特性，参数自调整模糊控制器、DRNN神经网络调节器和NARX神经网络融合控制器，结合神经网络和模糊控制器控制器的优点，参数自调整模糊控制器根据***标准器位移设定值与标准器位移预测值的误差和误差变化来自动调整模糊控制器参数，该智能复合控制器具有很强的自适应性能，提高***的响应速度，能够适应诸多扰动因素影响，具有良好的鲁棒性。
八、本发明涉及神经网络控制、模糊控制、复合控制、复合预测控制技术，设计了智能化标准器位移控制器，该控制***具有动态性能好、稳态精度高、鲁棒性较强的智能化标准器位移控制器，克服了单纯PID控制对大惯性、大延迟对象调节品质差和抗干扰性弱的缺点，将该控制***用于标准器位移的控制具有较强的动态跟踪性能和抗干扰能力以及良好的动静态性能指标。与原有的常规控制相比该控制***的控制品质、响应速度和稳定性能都明显提高，标准器位移的控制精度高、抗干扰能力强和稳定性能好，具有较好的应用和推广价值。
附图说明
图1和图2为实施方式1和2中基于DRNN神经网络管网检测***的立体结构示意图；
图3和图4为实施方式1中基于DRNN神经网络管网检测***的部分结构剖视立体图；
图5为智能化标准器位移控制***的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的说明。
本实施方式提供了一种基于DRNN神经网络管网检测***，如图1至4所示，主要由主体管1、输送管2以及安装在输送管2管口处的输送机构以及用于控制标准器位移的标准器位移控制***组成，主体管1的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头3(该活动连接头3为市售的型号为ShBd的304不锈钢内外丝直通连接头，直接购买回来之后连接在主体管1的一端)和固定连接头4(该固定连接头4为市售的型号为304不锈钢管道的螺母移动转换活接内丝的连接头，直接购买回来之后连接在主体管1的另一端)；输送管2的底端与主体管1的中部连通，固定有标准器位移传感器的标准器通过输送机构输送至输送管2内，且标准器的探头朝下位于主体管1与输送管2的衔接处。
上述输送机构主要由壳体5、驱动电机16，主动齿6、从动齿7、主动环形传输带8、从动环形传输带9以及若干主动传输带定位轴10和从动传输带定位轴11组成；壳体5固定在输送管2的管口处，主动齿6的主动轴12与从动齿7的从动13轴均与相互平行且转动连接在壳体5内，主动齿6与从动齿7啮合，驱动电机16与主动齿6的主动轴12固定连接且位于壳体5外部；各主动传输带定位轴10和各从动传输带定位轴11分别沿输送管2的内壁两侧上下依次平行安装；主动环形传送带8的一端套在主动轴12上，中部和末端分别套在各主动传输带定位轴10上；从动形传送带9的一端套在从动轴13上，中部和末端分别套在各从动传输带定位轴11上。主动环形传输带8与从动环形传输带9之间的间距略小于待传输标准器的最小宽度。壳体5的顶部安装有防尘盖18，防尘盖18与壳体5的顶部开口通过滑槽19滑动连接。
如图5所示，上述智能化标准器位移控制***，包括标准器位移调节平台和MSP430单片机中的智能化标准器位移控制器，所述标准器位移调节平台由MSP430单片机、L298电机驱动电路、所述输送机构和所述标准器位移传感器组成；所述MSP430单片机中的智能化标准器位移控制器由参数自调整模糊调节器、DRNN神经网络调节器、NARX神经网络融合调节器、时间序列DRNN神经网络预测器、时间序列最小二乘支持向量机(LS-SVM)预测器和小波神经网络融合器组成。
在上述标准器位移调节平台中，MSP430单片机中的智能化标准器位移控制器的NARX神经网络融合控制器输出作为L298电机驱动电路的输入，L298电机驱动电路作为输送机构中驱动电机16的输入，输送机构驱动标准器移动，标准器位移传感器测量标准器移动量，标准器位移传感器的输出分别作为MSP430单片机中的智能化标准器位移控制器的时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输入。
在上述MSP430单片机中的智能化标准器位移控制器中，参数自调整模糊调节器和DRNN神经网络调节器相并联，参数自调整模糊调节器和DRNN神经网络调节器的输出作为NARX神经网络融合控制器的输入，NARX神经网络融合控制器的输出作为L298电机驱动电路的输入，L298电机驱动电路的输出作为输送机构中驱动电机16的输入；标准器位移传感器的输出分别作为时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输入，时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输出分别作为小波神经网络融合器的输入，小波神经网络融合器的输出值作为智能化标准器位移控制***的标准器位移反馈值，智能化标准器位移控制***的标准器位移给定值和小波神经网络融合器输出值的误差和误差变化率分别作为参数自调整模糊调节器和DRNN神经网络调节器的输入。
本实施方式中的基于DRNN神经网络管网检测***的工作原理如下：
需要将标准器传输到输送管2内进行测量时，先沿滑槽19打开防尘盖18，然后将标准器的检测探头朝下从壳体5顶部开口塞入主动环形传输带8与从动环形传输带9之间，通过MSP430单片机中的智能控制器控制驱动电机16运行，进而驱动电机16驱动主动齿6顺时针转动时，主动轴12顺时针转动，带动主动环形传输带8顺时针转动，进而各主动传输带定位轴10顺时针转动；而从动齿7与主动齿6啮合，从而从动齿7逆时针转动，从动轴13逆时针转动，带动从动环形传输带9逆时针转动，进而各从动传输带定位轴11逆时针转动；主动环形传输带8与从动环形传输带9反方向旋转即能够实现将标准器从输送管2的管口输送到输送管2与主体管1的衔接处；在输送过程中，标准器位移传感器测量标准器的移动量，当标准器位移传感器测量到的移动量达到预设值后，智能控制器则控制驱动电机16停止运转。当检测结束后，则通过MSP430单片机中的智能控制器控制驱动电机16反向运转，反向驱动主动齿6将标准器上移至壳体5顶部开口处取出即可。
上述智能化标准器位移控制器总体功能的设计如下：
(1)参数自调整模糊控制器设计
本发明专利参数自调整模糊控制器作为标准器位移的预测控制器,它与DRNN神经网络调节器并联，实现对标准器位移的复合控制,它由模糊控制和积分作用两部分并联组成。其模糊控制规则为uf＝k0×f(e,e’)，式中：uf为参数自调整模糊控制器的输出；k0为输出系数；f(e,e’)为自适应控制规则函数，模糊控制规则为f(e,e’)＝α×e+(1-α)e’，式中：α为自适应修正因子，0≤α≤1；α的大小反映了标准器位移的设定值与标准器位移复合预测值的误差e和误差变化率e’对参数自调整模糊控制器输出影响的程度。通过对e及e’在标准器位移控制的不同阶段所起作用分析可知，二者在不同控制阶段对参数自调整模糊控制器的影响是不同的。在初期阶段，如果标准器的e与e’异号，则起始误差比较大，这时应选取较大的α值，以便尽快消除标准器位移误差的存在。因此，应加大误差在参数自调整模糊控制规则中的权重；在中期阶段，标准器位移误差减小，智能化标准器位移控制***的上升速度加快，为减小智能化标准器位移控制***的超调，应突出对标准器位移误差变化的控制作用，应选取较小的α值；当标准器响应接近期望值时，由于此时标准器位移误差及其变化都较小，二者可取相同的权重。在实际实现过程中，α值的选取是通过查表程序获得的，本专利的参数自调整模糊控制器的输入模糊变量为标准器位移的设定值与标准器位移复合预测值的误差e和误差变化率e’，输出量为参数自调整模糊控制器的预测控制量，它们的基本论域为[-2，2]，量化论域为[-3，3]，故量化因子为k1＝1.5；根据对应误差查表的情况如下：
其中α0,α1,α2,α3∈[0,1]，一般来说α0＜α1＜α2＜α3，这样有利于满足标准器位移控制***在不同工况下对修正因子的不同要求。
(2)、DRNN神经网络调节器设计
DRNN神经网络调节器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映标准器位移动态变化性能，可以更加精确调节标准器位移大小，每个DRNN网络2-7-1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)是标准器位移的误差和误差变化率为DRNN神经网络调节器输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)是标准器位移控制量为DRNN神经网络调节器的输出。则DRNN网络调节器的输出为：
(3)、NARX神经网络融合控制器设计
NARX神经网络融合控制器的输入分别是DRNN神经网络调节器和参数自调整模糊控制器的输出，NARX神经网络融合控制器实现对DRNN神经网络调节器和参数自调整模糊控制器的输出控制量进行融合，进一步提高标准器位移控制量的精确度。NARX神经网络融合控制器(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络，NARX神经网络融合控制器是一个有着DRNN神经网络调节器和参数自调整模糊控制器输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络融合控制器是非线性动态***中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX神经网络融合控制器主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络融合控制器的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量DRNN神经网络调节器和参数自调整模糊控制器的延迟阶数。NARX神经网络融合控制器包括输入层、输出层、隐层和时延层。其中DRNN神经网络调节器和参数自调整模糊控制器通过时延层传递给隐层，隐层对DRNN神经网络调节器和参数自调整模糊控制器输出的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的NARX神经网络融合控制器输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络融合控制器具有非线性映射能力、良好的鲁棒性和自适应性等特点。x(t)表示NARX神经网络的外部输入，即DRNN神经网络调节器和参数自调整模糊控制器输出值；m表示外部输入的延迟阶数；y(t)是NARX神经网络的输出，即下一时段的NARX神经网络融合控制器的输出控制量；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，NARX神经网络融合控制器的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (4)
(4)时间序列最小二乘支持向量机(LS-SVM)预测器设计
时间序列最小二乘支持向量机(LS-SVM)预测器具有较强的泛化能力和全局能力，克服了其他机器学***方和误差损失函数代替标准支持向量机的不敏感损失函数，同时实现了将标准SVM算法中的不等式约束转化为等约束。因此，时间序列最小二乘支持向量机(LS-SVM)预测器将二次规划问题化简为求解线性方程组，明显降低了求解的复杂性，提高了计算速度。设最小二乘支持向量机(LS-SVM)预测值数据训练样本集D＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分别为输入和输出样本数据，n为样本数，它可以将输入样本从原空间映射到高维特征空间。引入拉格朗日方程，将带约束条件的优化问题转化为无约束条件的优化问题，可得到时间序列最小二乘支持向量机(LS-SVM)预测器的线性回归方程如下：
在求解过程中，为了避免求解复杂的非线性映射函数，引入了径向基核函数(radial basis function，RBF)替代高维空间中的点积运算，可以大大减少计算量，而且RBF核函数容易实现SVM的优化过程，因为它的每个基函数的中心与支持向量一一对应，且这些支持向量和权值都可以通过算法得到。因此，时间序列最小二乘支持向量机(LS-SVM)预测器输出为：
时间序列最小二乘支持向量机(LS-SVM)预测器输出是标准器位移预测值，每个中间节点对应一个支持向量，输入为x1,x2,…xn为标准器位移时间序列历史数据，αi为网络权重。
(5)、时间序列DRNN神经网络预测器设计
时间序列DRNN神经网络预测器是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映标准器位移动态变化性能，可以更加精确预测标准器位移大小，时间序列DRNN神经网络预测器是12-25-1的3层网络结构，其隐层为回归层。在本发明时间序列DRNN神经网络预测器中，设I＝[I1(t),I2(t),…,In(t)]是一段时间12个不同时刻标准器位移连续值为时间序列DRNN神经网络输入向量，其中Ii(t)为标准器位移预测模型DRNN神经网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)是标准器位移预测值为DRNN神经网络的输出。则DRNN网络预测模型的输出为：
(6)、小波神经网络融合器设计
小波神经网络融合器的输入为时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输出值，小波神经网络融合器实现对时间序列DRNN神经网络预测器和时间序列最小二乘支持向量机(LS-SVM)预测器的输出值进行高精确融合，提高标准器位移融合精确度，小波神经网络融合器的输出值作为智能化标准器位移控制***的反馈预测值，实现智能化标准器位移控制器的预测控制。小波神经网络融合器基于小波神经网络WNN(Wavelet Neural Networks)理论基础构建的标准器位移预测融合模型,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络融合预测模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络融合器的输入为时间序列最小二乘支持向量机(LS-SVM)预测器和时间序列DRNN神经网络预测器的输出信号可以表示为一维向量xi(i＝1,2,…,n)，输出信号是标准器位移预测融合值表示为yk(k＝1,2,…,m)，小波神经网络融合器输出层融合值的计算公式为：
公式中ωij输入层i节点和隐含层j节点间的连接权值，
为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络融合器的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络融合器输出不断逼近标准器位移的期望输出。
上述实施方式只为说明本发明专利的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明专利的内容并据以实施，并不能以此限制本发明专利的保护范围。凡根据本发明专利精神实质所做的等效变换或修饰，都应涵盖在本发明本发明专利的保护范围之内。
Claims (6)
1.一种基于DRNN神经网络管网检测***，其特征在于：包括主体管（1）、输送管（2）、安装在所述输送管（2）管口处的输送机构以及用于控制标准器位移的智能化标准器位移控制***，所述主体管（1）的两端分别连接有能够与待检测管道的检测部两侧螺纹连接的活动连接头（3）和固定连接头（4）；所述输送管（2）与所述主体管（1）的中部连通，固定有标准器位移传感器的标准器通过所述输送机构输送至所述输送管（2）内，且所述标准器的探头朝下位于所述主体管（1）与所述输送管（2）的衔接处；所述智能化标准器位移控制***，包括标准器位移调节平台和MSP430单片机中的智能化标准器位移控制器，所述标准器位移调节平台由MSP430单片机、L298电机驱动电路、所述输送机构和所述标准器位移传感器组成；所述MSP430单片机中的智能化标准器位移控制器由参数自调整模糊调节器、DRNN神经网络调节器、NARX神经网络融合调节器、时间序列DRNN神经网络预测器、时间序列最小二乘支持向量机预测器和小波神经网络融合器组成；
在所述MSP430单片机中的智能化标准器位移控制器中，所述参数自调整模糊调节器和所述 DRNN神经网络调节器相并联，所述参数自调整模糊调节器和所述 DRNN神经网络调节器的输出作为所述NARX神经网络融合调节器的输入，所述NARX神经网络融合控制器的输出作为所述L298电机驱动电路的输入，所述L298电机驱动电路的输出作为所述输送机构中驱动电机（16）的输入；所述标准器位移传感器的输出分别作为所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机预测器的输入，所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机预测器的输出分别作为所述小波神经网络融合器的输入，所述小波神经网络融合器的输出值作为所述智能化标准器位移控制***的标准器位移反馈值，所述智能化标准器位移控制***的标准器位移给定值和所述小波神经网络融合器输出值的误差和误差变化率分别作为所述参数自调整模糊调节器和所述DRNN神经网络调节器的输入。
2.根据权利要求1所述的基于DRNN神经网络管网检测***，其特征在于：在所述标准器位移调节平台中，所述MSP430单片机中的智能化标准器位移控制器的NARX神经网络融合调节器输出作为L298电机驱动电路的输入，所述L298电机驱动电路作为所述输送机构中驱动电机的输入，所述输送机构驱动标准器移动，所述标准器位移传感器测量标准器移动量，所述标准器位移传感器的输出分别作为所述MSP430单片机中的智能化标准器位移控制器的所述时间序列DRNN神经网络预测器和所述时间序列最小二乘支持向量机预测器的输入。
3.根据权利要求1或2所述的一种基于DRNN神经网络管网检测***，其特征在于：所述输送机构包括壳体（5）、驱动电机（16）、主动齿（6）、从动齿（7）、主动环形传输带（8）、从动环形传输带（9）以及若干主动传输带定位轴（10）和从动传输带定位轴（11）；所述壳体（5）固定在所述输送管（2）的管口处，所述驱动电机的输出轴与所述主动齿（6）的主动轴（12）固定连接，所述主动轴（12）与所述从动齿（7）的从动轴（13）相互平行且转动连接在所述壳体（5）内，所述主动齿（6）与所述从动齿（7）啮合；各所述主动传输带定位轴（10）和各所述从动传输带定位轴（11）分别沿所述输送管（2）的内壁两侧上下依次平行安装；所述主动环形传输带（8）的一端套在所述主动轴（12）上，中部和末端分别套在各所述主动传输带定位轴（10）上；所述从动环 形传输带（9）的一端套在所述从动轴（13）上，中部和末端分别套在各所述从动传输带定位轴（11）上。
4.根据权利要求3所述的一种基于DRNN神经网络管网检测***，其特征在于：各所述主动传输带定位轴（10）、各所述从动传输带定位轴（11）、所述主动轴（12）以及所述从动轴（13）之间均相互平行设置。
5.根据权利要求3所述的一种基于DRNN神经网络管网检测***，其特征在于：所述主动环形传输带（8）与所述从动环形传输带（9）之间的间距略小于待传输标准器的最小宽度。
6.根据权利要求3所述的一种基于DRNN神经网络管网检测***，其特征在于：所述壳体（5）的顶部安装有防尘盖（18），所述防尘盖（18）与所述壳体（5）的顶部开口通过滑槽（19）滑动连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694962.7A CN112013203B (zh) | 2020-07-18 | 2020-07-18 | 一种基于drnn神经网络管网检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010694962.7A CN112013203B (zh) | 2020-07-18 | 2020-07-18 | 一种基于drnn神经网络管网检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112013203A CN112013203A (zh) | 2020-12-01 |
| CN112013203B true CN112013203B (zh) | 2021-09-24 |
Family
ID=73499264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010694962.7A Active CN112013203B (zh) | 2020-07-18 | 2020-07-18 | 一种基于drnn神经网络管网检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112013203B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839881B (zh) * | 2022-06-17 | 2023-06-30 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69323943D1 (de) * | 1992-09-10 | 1999-04-22 | Deere & Co | Regler für eine Maschine, besonders für einen Mähdrescher mit einem neuronalen Netz arbeitet |
| CN1273516A (zh) * | 1997-08-28 | 2000-11-15 | 特性计算公司 | 从数字***x射线照片中自动检测成簇的微钙化的方法和*** |
| CN102445597A (zh) * | 2010-10-14 | 2012-05-09 | 刘一峰 | 一种谐波检测装置 |
| CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制*** |
| CN103486134A (zh) * | 2013-09-27 | 2014-01-01 | 江苏大学 | 一种交流混合磁轴承解耦控制器的构造方法 |
| CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测*** |
| CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
| CN110186454A (zh) * | 2019-06-12 | 2019-08-30 | 海南大学 | 一种水下巡检设备及其姿态传感器的滤波方法 |
| CN209856616U (zh) * | 2019-01-25 | 2019-12-27 | 河南理工大学 | 一种支撑自锁式管道探测机器人行走机构 |
| WO2020212644A1 (en) * | 2019-04-18 | 2020-10-22 | Tampere University Foundation Sr | A home automation system |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100444063C (zh) * | 2004-12-14 | 2008-12-17 | 株式会社东芝 | 雨水排水支援***和支援方法 |
| CN101886743B (zh) * | 2010-06-30 | 2012-10-17 | 东北大学 | 一种定位海底管道机器人方法及装置 |
| CN103615663B (zh) * | 2013-11-11 | 2015-10-07 | 江苏师范大学 | 管道内况检测机器人 |
| CN104191429B (zh) * | 2014-07-28 | 2016-04-27 | 南京航空航天大学 | 一种腱驱动机械手位置和腱张力的混合控制方法及控制装置 |
| CN105204343B (zh) * | 2015-10-13 | 2018-05-15 | 淮阴工学院 | 具有输出约束和死区输入的纳米机电***backstepping控制方法 |
| US10443873B1 (en) * | 2016-02-03 | 2019-10-15 | Alarm.Com Incorporated | Energy reduction |
| CN105856238B (zh) * | 2016-06-12 | 2018-11-16 | 江苏若博机器人科技有限公司 | 四核六轴无线传输履带式快速天然气管道机器人控制*** |
| JP6685404B2 (ja) * | 2016-08-18 | 2020-04-22 | 株式会社日立産機システム | 配管ネットワーク漏れ検知システム、及びそれに用いる漏れ検知装置、漏れ検知方法 |
| CN106683222A (zh) * | 2016-12-12 | 2017-05-17 | 中国人民解放军装甲兵技术学院 | 一种用于工程车辆技术性能检测装置及检测方法 |
| WO2018112833A1 (en) * | 2016-12-22 | 2018-06-28 | Intel Corporation | Efficient transferring of human experiences to robots and other autonomous machines |
-
2020
- 2020-07-18 CN CN202010694962.7A patent/CN112013203B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69323943D1 (de) * | 1992-09-10 | 1999-04-22 | Deere & Co | Regler für eine Maschine, besonders für einen Mähdrescher mit einem neuronalen Netz arbeitet |
| CN1273516A (zh) * | 1997-08-28 | 2000-11-15 | 特性计算公司 | 从数字***x射线照片中自动检测成簇的微钙化的方法和*** |
| CN102445597A (zh) * | 2010-10-14 | 2012-05-09 | 刘一峰 | 一种谐波检测装置 |
| CN103376742A (zh) * | 2012-04-24 | 2013-10-30 | 中国科学院合肥物质科学研究院 | 一种仿壁虎足部柔性结构爬壁机器人cpg控制*** |
| CN103486134A (zh) * | 2013-09-27 | 2014-01-01 | 江苏大学 | 一种交流混合磁轴承解耦控制器的构造方法 |
| CN107085732A (zh) * | 2017-05-12 | 2017-08-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境氨气智能监测*** |
| CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
| CN209856616U (zh) * | 2019-01-25 | 2019-12-27 | 河南理工大学 | 一种支撑自锁式管道探测机器人行走机构 |
| WO2020212644A1 (en) * | 2019-04-18 | 2020-10-22 | Tampere University Foundation Sr | A home automation system |
| CN110186454A (zh) * | 2019-06-12 | 2019-08-30 | 海南大学 | 一种水下巡检设备及其姿态传感器的滤波方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度神经网络的车辆检测***;宋佳兴等;《传动技术》;20191231;第33卷(第04期);第3-9页 * |
| 基于轻型卷积神经网络的火焰检测方法;严云洋等;《山东大学学报(工学版)》;20200318;第50卷(第2期);第100-107页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112013203A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112000008B (zh) | 一种基于神经网络的管道监测*** | |
| Akpan et al. | Nonlinear model identification and adaptive model predictive control using neural networks | |
| US5704011A (en) | Method and apparatus for providing multivariable nonlinear control | |
| EP1021752B1 (en) | Model-free adaptive process control | |
| CN105893654B (zh) | 一种一阶连续搅拌釜式反应器的鲁棒预测控制方法 | |
| EP0710901A1 (en) | Multivariable nonlinear process controller | |
| CN112013203B (zh) | 一种基于drnn神经网络管网检测*** | |
| JPH04127205A (ja) | プロセス制御装置 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据*** | |
| CN100511042C (zh) | 槽式反应器基于多核支持向量机的非线性预测控制方法 | |
| CN105446136B (zh) | 基于不完全递归支集动态神经网络的船舶航向智能控制器 | |
| Sofge et al. | Neural network based process optimization and control | |
| CN114355848B (zh) | 张力检测与智能控制*** | |
| Lakshmanaprabu et al. | Design of centralized fractional order PI controller for two interacting conical frustum tank level process | |
| CN114397809B (zh) | 物料称重大数据检测与包装智能控制*** | |
| Bamimore et al. | Offset-free neural network-based nonlinear model predictive controller design using parameter adaptation | |
| Sun et al. | GRU-based model-free adaptive control for industrial processes | |
| Du et al. | Cylinder position control driven by pneumatic digital bridge circuit using a fuzzy algorithm under large stroke and varying load conditions | |
| CN108958192A (zh) | 基于网络化广义预测控制优化的计量泵流量控制方法 | |
| CN114415503B (zh) | 温度大数据物联网检测与智能控制*** | |
| Dirion et al. | Elaboration of a neural network system for semi-batch reactor temperature control: an experimental study | |
| Aly et al. | Intelligent PI fuzzy control of an electro-hydraulic manipulator | |
| Mao et al. | Simulation of liquid level cascade control system based on genetic Fuzzy PID | |
| Srinivasan et al. | Design of fuzzy based model predictive controller for conical tank system | |
| Facundo et al. | Adaptive control with sliding mode on a double fuzzy rule emulated network structure |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201201 Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Denomination of invention: A pipe network detection system based on DRNN neural network Granted publication date: 20210924 License type: Common License Record date: 20211130 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: SUZHOU YOUPAKE PACKAGING MATERIALS Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980013449 Date of cancellation: 20220804 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240407 Address after: 510000 A203, wisdom building, e-Park Creative Park, Guangzhou Yuzhu wisdom Valley, 32 kengtian street, Maogang village, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Yonghao Technology Co.,Ltd. Country or region after: China Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |