CN113028117B - 基于比例阀轴控器快速响应及其智能控制方法 - Google Patents
基于比例阀轴控器快速响应及其智能控制方法 Download PDFInfo
- Publication number
- CN113028117B CN113028117B CN202110321228.0A CN202110321228A CN113028117B CN 113028117 B CN113028117 B CN 113028117B CN 202110321228 A CN202110321228 A CN 202110321228A CN 113028117 B CN113028117 B CN 113028117B
- Authority
- CN
- China
- Prior art keywords
- proportional valve
- learning machine
- output
- signal
- controller
- 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
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
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于比例阀轴控器快速响应及其智能控制方法,包括:获取比例阀实验数据;给实验数据添加高斯白噪声;训练阀芯位移所对电流信号的极限学习机;训练输出轴压力所对电流信号的极限学习机;分别把训练完成的阀芯位移所对电流信号极限学习机、输出轴压力所对电流信号极限学习机模型嵌入比例阀控制器中,控制比例阀的阀芯位移和输出轴压力;当比例阀阀芯出现损耗或误差大于设定阈值时,上位机启动自检及修正模式,重复上述步骤,实时更新极限学习机模型参数。本发明采用极限学习机算法实现轴控制器控制策略,该算法具有复杂度低、速度快高等特点。
Description
技术领域
本发明涉及液压控制技术领域,特别涉及一种基于比例阀轴控器快速响应及其智能控制方法。
背景技术
随着新一代信息通信技术的快速发展及与先进制造技术不断深度融合,全球兴起了以智能制造为代表的新一轮产业变革,数字化、网络化、智能化日益成为未来制造业发展的主要趋势。液压装备因其功重比大、控制灵活,已成为智能制造装备不可或缺的一部分,为助推中国制造业快速发展,成为制造强国,亟需提升***和关键元件的性能。比例阀作为液压比例控制***中关键基础元件之一,在工业、军事、航空等领域都有很重要的应用,比例阀控制技术的好坏,影响着整个装备的稳定性和可靠性。
比例阀轴控器作为工业控制的核心,在实现新一代信息技术与制造装备相结合的工业智能化中,将发挥无可替代的作用。目前我国针对轴控器的开发仍处于空白,主要是由于轴控比例阀的工作机理和控制方法尚未掌握,以及比例阀的加工设计及相应轴控制板的加工设计水平与国外还有很大差距。比例阀可以线性的将电信号转化为管道的流量,而当比例阀处于零位时,比例阀将产生较大的死区,对于以零位为工作点的闭环***,比例阀的死区将会严重影响***的控制质量。所以想要获得良好的比例阀控制效果,就必须尽量减少比例阀死区对***的影响,即不能用单一的线性控制来控制阀芯位移。
极限学习机是人工智能机器学习领域中的一种人工神经网络模型,是一种求解单隐含层前馈神经网络的学习算法,可在保证学习精度的前提下比传统的信息算法速度更快。通过极限学习机网络可针对不同比例阀个体学习获得比例阀控制量输入输出的对应关系,继而完成比例阀轴控器的快速响应及其智能控制。
发明内容
本发明的目的在于提供一种基于比例阀轴控器快速响应及其智能控制方法,解决比例阀的控制问题。
实现本发明目的的技术解决方案为:一种基于比例阀轴控器快速响应及其智能控制方法,包括如下步骤:
步骤1,获取比例阀实验数据:利用比例阀轴控器中的位移传感器检测阀芯位移,输出轴压力传感器检测输出轴压力信号,并记录信号发生器输出的电流大小,获取不同的阀芯位移量所对应的电流信号、不同输出轴压力信号所对应的电流信号;
步骤2,给实验数据添加高斯白噪声;
步骤3,训练阀芯位移所对应电流信号的极限学习机:将步骤2经过处理后的阀芯位移量作为极限学习机的输入,所对应的电流信号作为极限学习机的输出的实测值,训练极限学习机网络;
训练输出轴压力所对应电流信号的极限学习机:将步骤2经过处理后的输出轴压力作为极限学习机的输入,所对应的电流信号作为极限学习机的输出的实测值,训练极限学习机网络;
步骤4,分别将训练完成的阀芯位移所对应电流信号极限学习机、输出轴压力所对应电流信号极限学习机模型嵌入比例阀控制器中,控制比例阀的阀芯位移和输出轴压力;
步骤5,当比例阀阀芯出现损耗或误差大于设定阈值时,上位机启动自检及修正模式,重复步骤1至步骤4,实时更新极限学习机模型参数。
本发明与现有技术相比,其有益效果为:(1)本发明通过极限学习机算法实现了轴控制器控制策略;(2)采用极限学习机的控制算法,该算法具有复杂度低、速度快高等特点;(3)本发明通过比例阀轴控制器直接实现***控制,实现对外部执行机构的位置、压力等的智能控制;(4)本发明为比例阀控制提供了一种重要技术手段。
附图说明
图1是比例阀轴控器组成框图。
图2是极限学习机算法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供基于比例阀轴控器快速响应及其智能控制方法,利用极限学习机算法网络的拟合能力,根据比例阀实际工作情况,通过实测数据训练极限学习机网络,拟合对应的比例阀控制量输入输出关系,结合实际情况实现对比例阀的快速响应及智能控制,本发明具体步骤如下所示:
步骤1:获取比例阀实验数据:利用比例阀轴控器中的位移传感器检测阀芯位移,输出轴压力传感器检测输出轴压力信号,并记录信号发生器输出的电流大小,获取不同的阀芯位移量Δx所对应的电流信号I1、不同输出轴压力信号P所对应的电流信号I2;
步骤1的比例阀轴控器组成具体描述如下:
比例阀轴控器由电路本体、配套电缆(与上位机通讯电缆、供电指令电缆、电磁铁连接电缆以及阀芯位置和输出轴压力反馈电缆)、固化在轴控器控制单元内的控制软件、上位机参数设置软件以及上位机故障诊断软件组成,其组成框图见图1所示。
比例阀轴控器的功能主要如下:
1)实现比例阀阀芯位置的控制;
2)实现输出轴压力信号的控制;
3)能够接收上位机通过RS232发送的参数设置指令;
4)实现比例阀轴控器与上位机通过CAN通讯进行数据交互;
5)控制软件可以通过通讯接口更改;
6)比例阀轴控制器有过流保护功能。
比例阀轴控器主要包括8个功能模块:外部信号输入输出接口模块、功率驱动模块、控制单元、测量反馈放大电路模块、比例阀驱动模块、RS232串口通讯模块、CAN通讯模块、电源模块。
外部输入输出信号包括模拟量信号与数字量信号,模拟量输入信号由控制单元自带的ADC转换接口实现;监视输出信号由调理电路转换实现;功率驱动模块用于接收控制单元发出的PWM指令信号,按要求驱动比例电磁铁;测量反馈放大电路实现反馈信号的采集调理,一是当使用阀芯位移控制比例阀时,接收阀芯位移传感器信号调理后发送控制单元构成基于阀芯位移的极限学习机控制;二是当使用输出轴压力控制比例阀时,接收输出轴压力传感器信号调理后发送控制单元构成基于压力的极限学习机控制,RS-232串口通讯模块实现与上位机通讯及对控制单元的参数设置;CAN通讯模块可实现比例阀轴控器与上位机之间进行数据交互。电源模块实现比例阀轴控器上各模块所需电压的调理,给轴控器上的各功能模块供电;控制单元完成信号采集、信号处理、极限学习机运算和输出控制信号等功能。
步骤2:给实验数据添加高斯白噪声:为比例阀模拟在强干扰中受到的电磁干扰,给步骤1中的阀芯位移量Δx和输出轴压力信号P加上信噪比为30~40dB的高斯白噪声;
步骤2中给实验数据添加高斯白噪声具体描述如下:
一般比例阀所处的环境较为恶劣,常受到电磁干扰、振动噪声和工频干扰等的影响,为模拟比例阀实际使用环境,为步骤1中采集到的阀芯位移、输出轴压力添加高斯白噪声,添加高斯白噪声后的阀芯位和输出轴压力分别表示为:
Δxs=Δxn+Δx (1)
Ps=Pn+P (2)
式中Δxs是模拟噪声环境的阀芯位移数据,Δxn是为阀芯位移量模拟的高斯白噪声,Ps是模拟噪声环境的输出轴压力数据,Pn是为输出轴压力模拟的高斯白噪声;
信噪比db的定义如下:
其中,S是信号功率,N是噪声功率。
步骤3:训练阀芯位移所对电流信号的极限学习机:把步骤2经过处理后的阀芯位移量作为极限学习机的输入,所对应的电流信号I1作为极限学习机的输出的实测值,训练极限学习机网络,网络的具体结构为“输入层-隐含层-输出层”,神经元节点为“1-18-1”;
步骤3中训练阀芯位移所对电流信号的极限学习机具体描述如下:
极限学习机算法流程图如图2所示,其中训练极限学习机网络模型如下:
步骤3.1先随机初始化极限学习机输入权重Wj和偏置bj,j=1,2,...,L,L为隐含层的节点数;
步骤3.2将测试的阀芯位移作为网络输入数据xi,i=1,2,...,n,n是输入层网络层数,建立极限学习机参数与输入向量和输出向量的关系:
式中,βj是输出权重,f(·)是sigmoid激活函数,y为网络阀芯位移量输出;
步骤3.3求解极限学习机网络参数,极限学习机网络的学习目标是让网络输出的误差最小,即令损失函数最小,损失函数表达式为:
式中,I1k是第k个样本所对的电流信号实测值,m是检测的样本数量,想得到损失函数最小,可令网络输出值y直接等于电流实测值,再求出输出权重β,即:
β=pinv(H)·P (6)
式中,P是输入向量对应的输出层矩阵,H是隐含层的输出层矩阵;最终获得极限学习机的输入权重、偏置和输出权重,得到训练完成的极限学习机模型。
步骤4:训练输出轴压力所对电流信号的极限学习机:把步骤2经过处理后的输出轴压力作为极限学习机的输入,所对应的电流信号I2作为极限学习机的输出的实测值,训练极限学习机网络,网络的具体结构为“输入层-隐含层-输出层”,神经元节点为“1-16-1”;
步骤4中训练输出轴压力所对电流信号的极限学习机具体描述如下:
训练输出轴压力所对电流信号的极限学习机流程与步骤3种训练极限学习机流程一样,区别是将测试的阀芯位移替换为输出轴压力,同时对应的电流信号也进行相应的替换。
步骤5:分别把训练完成的阀芯位移所对电流信号极限学习机、输出轴压力所对电流信号极限学习机模型嵌入比例阀控制器中,控制比例阀的阀芯位移和输出轴压力;
步骤5中比例阀控制器控制流程具体描述如下:
比例阀控制器可采集阀电流信号、阀芯位置信号和输出轴压力信号对比例阀进行精确的智能控制。比例阀控制流程分为两类:阀芯位移控制和输出轴压力控制;当需要控制阀芯位移时,通过人机交互界面结合CAN总线将阀芯位移量发送给比例阀控制器,同时比例阀控制器将阀芯位移量输入到阀芯位移所对电流信号的极限学习机中,极限学习机计算出对应的电流值,比例阀控制器再通过DA模块输出对应的电流控制比例阀;
当需要输出轴压力时,通过人机交互界面结合CAN总线将输出轴压力发送给比例阀控制器,同时比例阀控制器将输出轴压力输入到输出轴压力所对电流信号的极限学习机中,极限学习机计算出对应的电流值,比例阀控制器再通过DA模块输出对应的电流控制比例阀。
步骤6:当比例阀阀芯出现损耗或出现较大误差时,上位机使用RS232串口通信和CAN通讯启动自检及修正模式,重复步骤1至步骤5,实时更新极限学习机模型参数。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (8)
1.一种基于比例阀轴控器的智能控制方法,其特征在于,包括如下步骤:
步骤1,获取比例阀实验数据:利用比例阀轴控器中的位移传感器检测阀芯位移,输出轴压力传感器检测输出轴压力信号,并记录信号发生器输出的电流大小,获取不同的阀芯位移量所对应的电流信号、不同输出轴压力信号所对应的电流信号;
步骤2,给实验数据添加高斯白噪声;
步骤3,训练阀芯位移所对应电流信号的极限学习机:将步骤2经过处理后的阀芯位移量作为极限学习机的输入,所对应的电流信号作为极限学习机的输出的实测值,训练极限学习机网络;
训练输出轴压力所对应电流信号的极限学习机:将步骤2经过处理后的输出轴压力作为极限学习机的输入,所对应的电流信号作为极限学习机的输出的实测值,训练极限学习机网络;
步骤4,分别将训练完成的阀芯位移所对应电流信号极限学习机、输出轴压力所对应电流信号极限学习机模型嵌入比例阀控制器中,控制比例阀的阀芯位移和输出轴压力;
步骤5,当比例阀阀芯出现损耗或误差大于设定阈值时,上位机启动自检及修正模式,重复步骤1至步骤4,实时更新极限学习机模型参数。
2.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述比例阀轴控器包括外部信号输入输出接口模块、功率驱动模块、控制单元、测量反馈放大电路模块、比例阀驱动模块、RS232串口通讯模块、CAN通讯模块和电源模块;
外部输入输出信号包括模拟量信号与数字量信号,模拟量输入信号由控制单元自带的ADC转换接口实现;监视输出信号由调理电路转换实现;功率驱动模块用于接收控制单元发出的PWM指令信号,按要求驱动比例电磁铁;测量反馈放大电路实现反馈信号的采集调理,一是当使用阀芯位移控制比例阀时,接收阀芯位移传感器信号调理后发送控制单元构成基于阀芯位移的极限学习机控制;二是当使用输出轴压力控制比例阀时,接收输出轴压力传感器信号调理后发送控制单元构成基于压力的极限学习机控制,RS-232串口通讯模块实现与上位机通讯及对控制单元的参数设置;CAN通讯模块用于比例阀轴控器与上位机之间的数据交互;电源模块实现比例阀轴控器上各模块所需电压的调理,给轴控器上的各功能模块供电;控制单元完成信号采集、信号处理、极限学习机运算和输出控制信号功能。
3.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤2中,给步骤1中的阀芯位移量和输出轴压力信号加上信噪比为30~40dB的高斯白噪声。
4.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤3中,极限学习机网络的具体结构为“输入层-隐含层-输出层”,神经元节点为“1-18-1”。
5.根据权利要求4所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤3中训练阀芯位移所对电流信号的极限学习机如下:
步骤3.1,随机初始化极限学习机输入权重Wj和偏置bj,j=1,2,…,L,L为隐含层的节点数;
步骤3.2,将测试的阀芯位移作为网络输入数据xi,i=1,2,...,n,n是输入层网络层数,建立极限学习机参数与输入向量和输出向量的关系:
式中,γj是输出权重,f(·)是sigmoid激活函数,y为网络阀芯位移量输出;
步骤3.3,求解极限学习机网络参数,极限学习机网络的学习目标是让网络输出的误差最小,即令损失函数最小,损失函数表达式为:
式中,I1k是第k个样本所对的电流信号实测值,m是检测的样本数量,想得到损失函数最小,可令网络输出值y直接等于电流实测值,再求出输出权重β,即:
β=pinv(H)·P
式中,P是输入向量对应的输出层矩阵,H是隐含层的输出层矩阵;最终获得极限学习机的输入权重、偏置和输出权重,得到训练完成的极限学习机模型。
6.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤3中,极限学习机网络的具体结构为“输入层-隐含层-输出层”,神经元节点为“1-16-1”。
7.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤4中,比例阀控制器采集阀电流信号、阀芯位置信号和输出轴压力信号对比例阀进行智能控制,比例阀控制流程分为阀芯位移控制和输出轴压力控制;
当需要控制阀芯位移时,通过人机交互界面结合CAN总线将阀芯位移量发送给比例阀控制器,同时比例阀控制器将阀芯位移量输入到阀芯位移所对应电流信号的极限学习机中,极限学习机计算出对应的电流值,比例阀控制器再通过DA模块输出对应的电流控制比例阀;
当需要输出轴压力时,通过人机交互界面结合CAN总线将输出轴压力发送给比例阀控制器,同时比例阀控制器将输出轴压力输入到输出轴压力所对应电流信号的极限学习机中,极限学习机计算出对应的电流值,比例阀控制器再通过DA模块输出对应的电流控制比例阀。
8.根据权利要求1所述的基于比例阀轴控器的智能控制方法,其特征在于,所述步骤5中,上位机使用RS232串口通信和CAN通讯启动自检及修正模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321228.0A CN113028117B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器快速响应及其智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110321228.0A CN113028117B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器快速响应及其智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113028117A CN113028117A (zh) | 2021-06-25 |
CN113028117B true CN113028117B (zh) | 2023-03-31 |
Family
ID=76473795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110321228.0A Active CN113028117B (zh) | 2021-03-25 | 2021-03-25 | 基于比例阀轴控器快速响应及其智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113028117B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117090989B (zh) * | 2022-12-22 | 2024-06-07 | 浙江德卡控制阀仪表有限公司 | 具有监测***的电动闸阀 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH428605A (de) * | 1965-08-09 | 1967-01-15 | A Sutter Fa | Ventil für Spray-Düse |
CN108895195B (zh) * | 2018-07-23 | 2019-11-26 | 中国矿业大学 | 一种气动调节阀智能故障诊断***的控制方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN110427639B (zh) * | 2019-06-10 | 2022-09-13 | 广东工业大学 | 基于双尺度流形学习的锂离子电池热过程时空建模方法 |
CN110346736B (zh) * | 2019-08-14 | 2021-07-02 | 合肥工业大学 | 基于改进小树变换的npc三电平逆变器故障诊断方法 |
-
2021
- 2021-03-25 CN CN202110321228.0A patent/CN113028117B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113028117A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109917205B (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
CN106444489B (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
CN110687800B (zh) | 一种数据驱动自适应抗干扰控制器及其估计方法 | |
CN104880994A (zh) | 一种基于EtherCAT总线的开放式数控***及方法 | |
CN114578792B (zh) | 一种多智能体故障诊断方法及*** | |
CN113028117B (zh) | 基于比例阀轴控器快速响应及其智能控制方法 | |
CN109034276A (zh) | 基于bp神经网络的阀体故障诊断方法 | |
CN111443599A (zh) | 优化pid参数的核电站汽轮机转速控制方法 | |
CN106802363A (zh) | 一种高精度plc模拟量输入模块工装测试方法及*** | |
CN108897309B (zh) | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 | |
CN111639749A (zh) | 一种基于深度学习的工业机器人摩擦力辨识方法 | |
CN111553080B (zh) | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 | |
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN116908619A (zh) | 一种基于时空图注意力卷积网络的谐波源定位方法 | |
Liu et al. | Rolling bearing fault diagnosis of train running gear based on optimized deep residual network | |
CN111475966A (zh) | 一种基于数字孪生的电力电子电路故障诊断方法 | |
CN111008118A (zh) | 伺服***能耗评估***及评估方法 | |
CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
CN111256905A (zh) | 一种噪声环境下多维力传感器的解耦方法 | |
CN113569358B (zh) | 一种面向产品质量反馈的数字孪生***模型构建方法 | |
CN114609969A (zh) | 一种基于云计算的数控机床轨迹误差补偿方法 | |
CN108319149B (zh) | 一种具有自学习控制模式的电磁开关智慧控制*** | |
CN110298073B (zh) | 集成神经网络与物理***模型的换挡负载动态模拟方法 | |
CN206321702U (zh) | 一种机器鱼尾鳍能耗监测*** | |
Kanagaraj et al. | An embedded fuzzy controller for real time pressure control |
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 |