CN112247898B - 一种基于挠度分析的机器人非刚体装配方法 - Google Patents
一种基于挠度分析的机器人非刚体装配方法 Download PDFInfo
- Publication number
- CN112247898B CN112247898B CN202010985581.4A CN202010985581A CN112247898B CN 112247898 B CN112247898 B CN 112247898B CN 202010985581 A CN202010985581 A CN 202010985581A CN 112247898 B CN112247898 B CN 112247898B
- Authority
- CN
- China
- Prior art keywords
- shaft
- contact
- assembly
- contact state
- deflection
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 230000005484 gravity Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 230000005489 elastic deformation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 241000282461 Canis lupus Species 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004573 interface analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/007—Means or methods for designing or fabricating manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25B—TOOLS OR BENCH DEVICES NOT OTHERWISE PROVIDED FOR, FOR FASTENING, CONNECTING, DISENGAGING OR HOLDING
- B25B27/00—Hand tools, specially adapted for fitting together or separating parts or objects whether or not involving some deformation, not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Manipulator (AREA)
- Automatic Assembly (AREA)
Abstract
一种基于挠度分析的机器人非刚体装配方法,基于挠度分析提出的接触力觉模型符合非刚体零件在装配过程中的接触形变特性,能够较好地预测轴的偏角θ和偏移量dx,dy;基于接触状态识别模型和接触力觉模型,能够较好的反映零件当前的接触状态和姿态,有利于较快地实现零件装配。
Description
技术领域
本发明属于机器人装配和控制领域,适用于机器人非刚体零件装配领域。具体地说,涉及一种基于挠度分析的机器人非刚体装配方法。
背景技术
近年来,随着工业机器人产业和相关技术的迅速发展,工业机器人被广泛应用于自动化装配、制造等各个领域。在自动化装配领域,装配件的材质逐渐多样化,不再局限于刚度较大,质地较硬的金属材料,如塑料、橡胶等非刚体材料也等到了广泛的应用。与刚体不同,非刚体零件在装配接触过程中易发生弹性形变,这样的形变会导致力反馈信息不准确从而影响整体装配,故有必要对机器人非刚体零件的装配方法进行研究。
现有的机器人零件装配方法是结合接触力觉模型和机器人逆运动学分析实现零件的装配任务。但是现有的接触力觉模型仅适用于刚体零件,即零件在装配接触过程中形变可忽略,针对在装配接触过程中产生不可忽略形变的非刚体零件来说并不适用。
发明内容
为了克服现有机器人装配方法中接触力觉模型不适用于非刚体零件的问题,本发明提供了一种基于挠度分析的机器人非刚体装配方法,采用基于挠度分析而建立的非刚体零件接触力觉模型,该模型能够较好地表达装配特性,同时不同的装配状态对应不同的装配步骤,最终通过机器人逆运动学分析控制机器人实现非刚体零件的装配任务。
本发明解决其技术问题所采用的技术方案是:
一种基于挠度分析的机器人非刚体装配方法,包括以下步骤:
步骤1:轴孔装配分为三个状态:单点接触状态、两点接触状态以及平面接触状态。针对不同接触状态采集力觉数据,分析不同状态的力觉数据特征并结合机器学习算法和静力学特征建立非刚体装配接触状体态识别模型;
步骤2:针对不同的接触状态设计基于挠度分析建立非刚体接触力觉模型,
单点接触状态和两点接触状态:
Mx=-G(0.5sinθl-lg)-Ff(cosθl+sinθr-lv+δ1)
+Fn(sinθl-cosθr+lh+δ2)
(1)
lg=cosθWg (2)
lv=-sinθ(cosθer+We-r)+cosθsinθer (3)
lh=cosθ(cosθer+We-r)+sinθsinθer (4)
object=|Mx+G(0.5sinθl-lg)+Ff(cosθl+sinθr-lv+δ1)
-Fn(sinθl-cosθr+lh+δ2)|
(6)
G=max(|tanθe-θe|-σ1,0)+max(θe-θ,0)+max(|lh|-σ2,0) (7)
fitness(i)=object+(C×i)γG (8)
式中:Mx为轴所受力矩,G为轴所受重力,Ff为轴所受摩擦力,Fn为轴所受支持力,l为轴的长度,r为轴的半径,θ为轴相对于垂线的偏角,lg为轴重心相对于夹持端的横向偏移量,lv为轴接触点相对于夹持端的纵向偏移量,lh为轴接触点相对于夹持端的横向偏移量,δ1,δ2为接触点局部形变量,Wg为轴中点的挠度, We为轴自由端挠度,θe为轴自由端端面转角,G1,G2,G3均为单点接触状态约束条件,σ1,σ2为约束常量object为该模型的目标函数,G为该模型的约束函数, fitness为适应性函数,C,γ均为动态惩罚函数的惩罚常数,i为优化算法的迭代次数,约束函数能够将变量限定在可行域内,动态惩罚函数能对整个可行域进行充分的搜索,从而在可行域内找到最优值;
结合公式(1)-(8)和参数优化算法,预测得到轴相对于垂线的偏角θ,为后续装配提供纠偏参数;
平面接触状态:
Mz=F1(y1+εy)-F2(x1+εx) (11)
fitness(i)=|Mz-F1(y1+εy)+F2(x1+εx)| (12)
式中:x1,y1为轴端面与孔平面接触部分的形心位置,F1,F2,Fn为轴在形心位置所受的各个方向的力,Mx,My,Mz分别为轴所受绕x,y,z轴的力矩,εx,εy为因轴发生弹性形变而造成的形心补偿量,dx,dy,α分别为轴端面中心和孔中心的相对距离和相对偏角,结合公式(9)-(12)和参数优化算法,预测形心补偿量,即εx,εy,结合公式(13)-(15)以及εx,εy的预测值计算得到轴端面中心和孔中心的相对距离,即偏距dx,dy,为后续装配提供纠偏参数;
步骤3:机器人夹持非刚体零件后开始执行装配任务向下运动,待轴孔接触并达到纵向力Fz的阈值,迅速上抬使轴孔分离,同时等待下一步指令;
步骤4:将轴孔接触过程中采集到的力觉数据传输到PC端,由PC端调用相应软件和接触状态识别模型,根据数据特征判断处于何种接触状态;
步骤5:根据不同的接触状态调用相应的接触力觉模型,若零件处于单点接触和两点接触阶段,由接触力觉模型公式(1)-(5)以及优化算法预测得到轴与垂线的夹角θ,若零件处于平面接触阶段,由接触力觉模型公式(13)-(15)以及优化算法预测得到轴端面中心和孔中心之间的相对距离,即偏移量dx,dy;
步骤6:根据预测结果进行机器人逆运动学分析,调用不同的机器人纠偏程序,以达到调整轴的姿态和位置的目的。调整完轴的姿态或者位置后,重新进行装配动作;
步骤7:判断是否满足装配条件,满足装配条件后则继续运行至装配结束,反之执行步骤4。
本发明的有益效果主要表现在:1.基于挠度分析提出的接触力觉模型符合非刚体零件在装配过程中的接触形变特性,能够较好地预测轴的偏角θ和偏移量dx, dy。2.基于接触状态识别模型和接触力觉模型,能够较好的反映零件当前的接触状态和姿态,有利于较快地实现零件装配。
附图说明
图1是单点接触静力学分析。
图2是非刚体挠度分析。
图3是平面接触静力学分析。
图4是平面接触接触面分析。
图5是非刚体零件装配整体流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种基于挠度分析的机器人非刚体装配方法,包括以下步骤:
步骤1:轴孔装配分为三个状态:单点接触状态,两点接触状态以及平面接触状态。针对不同接触状态采集力觉数据,分析不同状态的力觉数据特征并结合机器学习算法和静力学特征建立非刚体装配接触状体态识别模型;
步骤2:针对不同的接触状态设计基于挠度分析建立非刚体接触力觉模型
单点接触状态如图1和图2所示,其中Fy,Fz为轴固定端所受的力,M,F分别为等价到端面中心的力矩和力;
Mx=-G(0.5sinθl-lg)-Ff(cosθl+sinθr-lv+δ1)
+Fn(sinθl-cosθr+lh+δ2)
(1)
lg=cosθWg (2)
lv=-sinθ(cosθer+We-r)+cosθsinθer (3)
lh=cosθ(cosθer+We-r)+sinθsinθer (4)
object=|Mx+G(0.5sinθl-lg)+Ff(cosθl+sinθr-lv+δ1)
-Fn(sinθl-cosθr+lh+δ2)|
(6)
G=max(|tanθe-θe|-σ1,0)+max(θe-θ,0)+max(|lh|-σ2,0) (7)
fitness(i)=object+(C×i)γG (8)
式中:Mx为轴所受力矩,G为轴所受重力,Ff为轴所受摩擦力,Fn为轴所受支持力,l为轴的长度,r为轴的半径,θ为轴相对于垂线的偏角,lg为轴重心相对于夹持端的横向偏移量,lv为轴接触点相对于夹持端的纵向偏移量,lh为轴接触点相对于夹持端的横向偏移量,δ1,δ2为接触点局部形变量,取值范围分别为 [0,0.5r],[0,r],Wg为轴中点的挠度,We为轴自由端挠度,θe为轴自由端端面转角,G1,G2,G3均为单点接触状态约束条件,σ1,σ2为约束常量分别为0.001, 0.002,C,γ为惩罚常数分别为0.5,2;
采用灰狼算法(GWO)进行参数优化,设置初始参数包括狼群数量 SearchAgents=20,个体维度dim=3,迭代次数Max_iteration=100,结合公式(1)-(5)建立接触力觉模型,结合公式(6)-(8)计算每个个体的适应性函数值,从而得到当前迭代的最优个体。经过多次迭代得到最优参数θ,δ1,δ2,从而预测得到轴相对于垂线的偏角θ,为后续装配提供纠偏参数;
两点接触状态接触力觉模型与单点接触类似,不再赘述;
平面接触状态如图3和图4所示,h,p,p1分别为孔的中心,轴端面中心以及轴与平台接触部分的形心,图3中轴应发生形变,此形变未在图中展示。
Mz=F1(y1+εy)-F2(x1+εx) (11)
fitness(i)=|Mz-F1(y1+εy)+F2(x1+εx)| (12)
式中:x1,y1为轴端面与孔平面接触部分的形心位置,F1,F2,Fn为轴在形心位置所受的各个方向的力,Mx,My,Mz分别为轴所受绕x,y,z轴的力矩,εx,εy为因轴发生弹性形变而造成的形心补偿量,取值范围为[-0.01,0.01],dx,dy,α分别为轴端面中心和孔中心的相对距离和相对偏角
采用灰狼算法(GWO)进行参数优化,设置初始参数包括狼群数量 SearchAgents=20,个体维度dim=3,迭代次数Max_iteration=100,结合公式(9)-(12),可以预测形心补偿量,即εx,εy。结合公式(13)-(15)以及εx,εy的预测值计算得到轴端面中心和孔中心的相对距离,即偏距dx,dy,为后续装配提供纠偏参数;
步骤3:机器人夹持非刚体零件后开始执行装配任务向下运动,待轴孔接触并达到纵向力Fz的阈值,迅速上抬使轴孔分离,同时等待下一步指令;
步骤4:将轴孔接触过程中采集到的力觉数据传输到PC端,由PC端调用相应软件和接触状态识别模型,根据数据特征判断处于何种接触状态;
步骤5:根据不同的接触状态调用相应的接触力觉模型。若零件处于单点接触和两点接触阶段,由接触力觉模型公式(1)-(5)以及优化算法GWO预测得到轴与垂线的夹角θ,若零件处于平面接触阶段,由接触力觉模型公式(13)-(15) 以及优化算法GWO预测得到轴端面中心和孔中心之间的相对距离,即偏移量dx, dy,为后续装配提供纠偏参数;
步骤6:根据预测结果进行机器人逆运动学分析,调用不同的机器人纠偏程序,以达到调整轴的姿态和位置的目的,调整完轴的姿态或者位置后,重新进行装配动作;
步骤7:判断是否满足装配条件,满足装配条件后则继续运行至装配结束,反之执行步骤4。
以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员还能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (1)
1.一种基于挠度分析的机器人非刚体装配方法,其特征在于,所述方法包括以下步骤:
步骤1:轴孔装配分为三个状态:单点接触状态、两点接触状态以及平面接触状态,针对不同接触状态采集力觉数据,分析不同状态的力觉数据特征并结合机器学习算法和静力学特征建立非刚体装配接触状体态识别模型;
步骤2:针对不同的接触状态设计基于挠度分析建立非刚体接触力觉模型,
单点接触状态和两点接触状态:
lg=cosθWg (2)
lv=-sinθ(cosθer+We-r)+cosθsinθer (3)
lh=cosθ(cosθer+We-r)+sinθsinθer (4)
object=|Mx+G(0.5sinθl-lg)+Ff(cosθl+sinθr-lv+δ1)-Fn(sinθl-cosθr+lh+δ2)| (6)
G=max(|tanθe-θe|-σ1,0)+max(θe-θ,0)+max(|lh|-σ2,0) (7)
fitness(i)=object+(C×i)γG (8)
式中:Mx为轴所受力矩,G为轴所受重力,Ff为轴所受摩擦力,Fn为轴所受支持力,l为轴的长度,r为轴的半径,θ为轴相对于垂线的偏角,lg为轴重心相对于夹持端的横向偏移量,lv为轴接触点相对于夹持端的纵向偏移量,lh为轴接触点相对于夹持端的横向偏移量,δ1,δ2为接触点局部形变量,Wg为轴中点的挠度,We为轴自由端挠度,θe为轴自由端端面转角,G1,G2,G3均为单点接触状态约束条件,σ1,σ2为约束常量
object为该模型的目标函数,G为该模型的约束函数,fitness为适应性函数,C,γ均为动态惩罚函数的惩罚常数,i为优化算法的迭代次数,约束函数能够将变量限定在可行域内,动态惩罚函数能对整个可行域进行充分的搜索,从而在可行域内找到最优值;
结合公式(1)-(8)和参数优化算法,预测得到轴相对于垂线的偏角θ,为后续装配提供纠偏参数;
平面接触状态:
Mz=F1(y1+εy)-F2(x1+εx) (11)
fitness(i)=|Mz-F1(y1+εy)+F2(x1+εx)| (12)
式中:x1,y1为轴端面与孔平面接触部分的形心位置,F1,F2,Fn为轴在形心位置所受的各个方向的力,Mx,My,Mz分别为轴所受绕x,y,z轴的力矩,εx,εy为因轴发生弹性形变而造成的形心补偿量,dx,dy,α分别为轴端面中心和孔中心的相对距离和相对偏角,结合公式(9)-(12)和参数优化算法,预测形心补偿量,即εx,εy,结合公式(13)-(15)以及εx,εy的预测值计算得到轴端面中心和孔中心的相对距离,即偏距dx,dy,为后续装配提供纠偏参数;
步骤3:机器人夹持非刚体零件后开始执行装配任务向下运动,待轴孔接触并达到纵向力Fz的阈值,迅速上抬使轴孔分离,同时等待下一步指令;
步骤4:将轴孔接触过程中采集到的力觉数据传输到PC端,由PC端调用相应软件和接触状态识别模型,根据数据特征判断处于何种接触状态;
步骤5:根据不同的接触状态调用相应的接触力觉模型,若零件处于单点接触和两点接触阶段,由接触力觉模型公式(1)-(5)以及优化算法预测得到轴与垂线的夹角θ,若零件处于平面接触阶段,由接触力觉模型公式(13)-(15)以及优化算法预测得到轴端面中心和孔中心之间的相对距离,即偏移量dx,dy;
步骤6:根据预测结果进行机器人逆运动学分析,调用不同的机器人纠偏程序,以达到调整轴的姿态和位置的目的,调整完轴的姿态和位置后,重新进行装配动作;
步骤7:判断是否满足装配条件,满足装配条件后则继续运行至装配结束,反之执行步骤4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985581.4A CN112247898B (zh) | 2020-09-18 | 2020-09-18 | 一种基于挠度分析的机器人非刚体装配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985581.4A CN112247898B (zh) | 2020-09-18 | 2020-09-18 | 一种基于挠度分析的机器人非刚体装配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112247898A CN112247898A (zh) | 2021-01-22 |
CN112247898B true CN112247898B (zh) | 2022-04-08 |
Family
ID=74232877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985581.4A Active CN112247898B (zh) | 2020-09-18 | 2020-09-18 | 一种基于挠度分析的机器人非刚体装配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112247898B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108161991A (zh) * | 2018-01-26 | 2018-06-15 | 北京邮电大学 | 一种基于力反馈的机器人装配自动寻孔方法 |
CN108161934A (zh) * | 2017-12-25 | 2018-06-15 | 清华大学 | 一种利用深度强化学习实现机器人多轴孔装配的方法 |
JP2018144149A (ja) * | 2017-03-03 | 2018-09-20 | 本田技研工業株式会社 | 移動ロボットの異常接触検知方法及び接触部位特定方法 |
CN109531560A (zh) * | 2019-01-09 | 2019-03-29 | 中国工程物理研究院激光聚变研究中心 | 大长径比轴孔装配分析***及方法 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配***及方法 |
CN109670538A (zh) * | 2018-12-03 | 2019-04-23 | 浙江工业大学 | 一种非刚体零件的装配接触状态识别方法 |
CN110363214A (zh) * | 2019-05-31 | 2019-10-22 | 浙江工业大学 | 一种基于gwa-svm的机器人装配的接触状态识别方法 |
-
2020
- 2020-09-18 CN CN202010985581.4A patent/CN112247898B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018144149A (ja) * | 2017-03-03 | 2018-09-20 | 本田技研工業株式会社 | 移動ロボットの異常接触検知方法及び接触部位特定方法 |
CN108161934A (zh) * | 2017-12-25 | 2018-06-15 | 清华大学 | 一种利用深度强化学习实现机器人多轴孔装配的方法 |
CN108161991A (zh) * | 2018-01-26 | 2018-06-15 | 北京邮电大学 | 一种基于力反馈的机器人装配自动寻孔方法 |
CN109543732A (zh) * | 2018-11-09 | 2019-03-29 | 山东大学 | 基于类别特征知识库的装配***及方法 |
CN109670538A (zh) * | 2018-12-03 | 2019-04-23 | 浙江工业大学 | 一种非刚体零件的装配接触状态识别方法 |
CN109531560A (zh) * | 2019-01-09 | 2019-03-29 | 中国工程物理研究院激光聚变研究中心 | 大长径比轴孔装配分析***及方法 |
CN110363214A (zh) * | 2019-05-31 | 2019-10-22 | 浙江工业大学 | 一种基于gwa-svm的机器人装配的接触状态识别方法 |
Non-Patent Citations (1)
Title |
---|
柔性轴孔装配策略研究;夏研春等;《中国机械工程》;20090930;第20卷(第18期);第2154-2158页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112247898A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109382828B (zh) | 一种基于示教学习的机器人轴孔装配***及方法 | |
CN108161934B (zh) | 一种利用深度强化学习实现机器人多轴孔装配的方法 | |
WO2020207219A1 (zh) | 一种利用环境预测优化非模型机器人多轴孔装配控制方法 | |
CN110539302B (zh) | 一种工业机器人整体动力学建模及动力学参数辨识方法 | |
US11648664B2 (en) | Method for controlling a robot and robot controller | |
CN110363214B (zh) | 一种基于gwa-svm的机器人装配的接触状态识别方法 | |
CN111872937A (zh) | 一种任务空间中不确定机械臂的控制方法 | |
CN112433507A (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
CN112247898B (zh) | 一种基于挠度分析的机器人非刚体装配方法 | |
CN114800529B (zh) | 一种基于定长记忆窗增量学习的工业机器人误差补偿方法 | |
CN109670538B (zh) | 一种非刚体零件的装配接触状态识别方法 | |
CN113799137A (zh) | 一种基于神经网络的移动加工机器人快速视觉定位方法 | |
Feng et al. | Multi-objective optimization of VBHF in sheet metal deep-drawing using Kriging, MOABC, and set pair analysis | |
CN113459104A (zh) | 基于支持向量回归的机器人定位误差预测方法及预测装置 | |
CN112894814B (zh) | 一种基于最小二乘法的机械臂dh参数辨识方法 | |
CN109352649A (zh) | 一种基于深度学习的机械手控制方法及*** | |
CN111546035B (zh) | 一种基于学习与预测的齿轮在线快速装配方法 | |
CN109397293B (zh) | 一种基于移动机器人的地面水平误差建模及补偿方法 | |
CN116652939A (zh) | 一种并联机器人无标定视觉伺服柔顺控制方法 | |
Deng et al. | A novel positioning accuracy improvement method for polishing robot based on Levenberg–Marquardt and opposition-based learning squirrel search algorithm | |
Hu et al. | Model-based contact detection and accommodation for soft bending actuators: An integrated direct/indirect adaptive robust approach | |
CN109657706A (zh) | 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 | |
CN112883515B (zh) | 基于混合柔度力学模型的柔性机构建模与优化设计方法 | |
CN117325156B (zh) | 基于改进灰狼算法的并联机器人运动学标定方法及设备 | |
CN117817674A (zh) | 一种机器人自适应阻抗控制方法 |
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 |