CN111753460A - 估算螺栓的夹紧力的方法 - Google Patents
估算螺栓的夹紧力的方法 Download PDFInfo
- Publication number
- CN111753460A CN111753460A CN201911159159.7A CN201911159159A CN111753460A CN 111753460 A CN111753460 A CN 111753460A CN 201911159159 A CN201911159159 A CN 201911159159A CN 111753460 A CN111753460 A CN 111753460A
- Authority
- CN
- China
- Prior art keywords
- signal
- clamping force
- learning
- bolt
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/24—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for determining value of torque or twisting moment for tightening a nut or other member which is similarly stressed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Details Of Spanners, Wrenches, And Screw Drivers And Accessories (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种估算螺栓的夹紧力的方法,包括由信号处理和分析装置转换和分析用于螺栓的夹紧力的学习信号,该学习信号由数据获取装置获取;将转换和分析得到的根据信号特征进行分组的学习信号与期望估算的区分信号进行比较;以及通过比较,将分类为分组的学习信号中与最相似组的信号相对应的夹紧力估算为区分信号的夹紧力。
Description
相关申请的交叉引用
本申请要求2019年3月28日提交的韩国专利申请第10-2019-0035599号的优先权,其全部内容出于所有目的通过引用并入本文。
技术领域
本发明涉及一种估算作为紧固单元联接的螺栓的夹紧力的方法。
背景技术
相关技术描述
通常,螺栓用作部件之间联接的重要因素。
用于钢结构连接处的螺栓需要符合规定。可以严格控制这种螺栓的夹紧力。
在韩国工业标准(KS)中,根据扭矩系数将螺栓分为A型和B型,并且针对每种类型定义适当的扭矩系数。
KS规定A型螺栓的扭矩系数的平均值在0.11至0.15的范围内,B型螺栓的扭矩系数的平均值在0.15至0.19的范围内。
螺栓的夹紧力可以由扭矩值、扭矩系数和螺栓的直径确定。可以通过调节扭矩值来获得期望的紧固夹紧力。
拧紧方法已经用于控制螺栓的夹紧力。螺栓拧紧方法分为扭矩控制方法和螺母转动方法。
螺母转动方法的优点在于,由于使用了螺母的转动角度,所以夹紧力的分布相对减小。
另一方面,由于在已经确定扭矩值的上限和下限之后使用扭矩扳手拧紧螺栓,所以扭矩控制方法的优点在于可加工性优异。
然而,螺栓的扭矩系数不保持恒定,并且可能由于各种因素而变化,例如作为物理因素的螺栓长度和作为环境因素的温度。
因此,扭矩控制方法的缺点在于由于扭矩系数的变化夹紧力的分布增加。
此外,在现场的不方便之处在于,在使用扭矩扳手拧紧螺栓之后,需要使用单独的测量装置来测量拧紧螺栓的夹紧力。
因此,为了保持螺栓的适当紧固力,估算螺栓的紧固力是很重要的。
最近,已经公开了使用人工智能技术的各种估算技术。
提供了一种使用人工神经网络估算螺栓紧固力的技术。图1示出了使用这种人工神经网络估算螺栓的夹紧力的方法。
在使用人工神经网络估算夹紧力的传统方法中,如图1所示,从由传感器获得的信号推导出倒谱系数和短时傅立叶变换(STFT)。
对于倒谱系数,使用高通滤波器仅从获得的信号中提取高频因子以减小噪声的影响。
随后,在提取各个帧的代表值之后,将划分成数百个的频域乘以具有等腰三角形分布的各个权重,并且将结果值相加,从而获得确定值。
对确定的值应用对数,并通过离散余弦变换推导出倒谱系数。
在STFT的情况下,通过基于短时间的具有50%重叠部分的快速傅立叶变换,将获得的信号转换为具有几百帧的频域数据。
倒谱系数和STFT处理后的数据的特征是将其作为监控信号输入,使用代价函数通过梯度下降法形成多个权重矩阵层,使用权重矩阵层表示夹紧力的估算值。
然而,传统的估算技术的问题在于其相对复杂,因此难以进行实时夹紧力估算,并且估算的精度低。
包括在本发明的背景技术部分中的信息仅仅是为了增强对本发明的一般背景的理解,而不能被认为是承认或以任何形式暗示该信息形成本领域技术人员已知的现有技术。
发明内容
本发明的各个方面旨在提供一种估算螺栓的夹紧力的方法,该方法相对简单并且具有提高的估算精度,从而可以进行实时估算。
本发明的其他各个方面可以通过以下描述来理解,并且参考本发明的示例性实施例变得显而易见。而且,对于本发明所属领域的技术人员显而易见的是,本发明的目的和优点可以通过所要求保护的装置及其组合来实现。
根据本发明的各种示例性实施例,提供了一种估算螺栓的夹紧力的方法,包括:由信号处理和分析装置转换和分析用于螺栓的夹紧力的学习信号,该学习信号由数据获取装置获取;将转换和分析得到的根据信号特征进行分组的学习信号与期望估算的区分信号进行比较;以及通过比较,将分类为分组的学习信号中与最相似组的信号相对应的夹紧力估算为区分信号的夹紧力。
转换和分析可以包括使用作为非线性函数的tanh函数对输入学习信号进行信号处理。
在作为学习信号输入的时间序列数据中,可以将权重应用于每个节点,并且转换和分析可以包括通过Adam优化来优化权重。
在Adam优化中,可以通过跟踪减小由损失函数确定的损失值的过程来优化权重。
由损失函数确定的损失值可以通过以下等式获得。
(k:类别号,tk:第k类相似度,yk:最终输出值)
类相似度可以具有范围从0到1的值,并且类别号可以具有范围从1到31的值。
根据依据本发明的各个方面的估算螺栓的夹紧力的方法,通过使用非线性函数、损失函数和Adam优化的递归神经网络方法来估算区分信号的夹紧力。因此,可以最小化损失值,并且可以提高估算的精度。
本发明的方法和设备具有其他特点和优点,这些特点和优点将在并入本文的附图中表现出来,或者在并入本文的附图中更详细地阐述,这些附图和下面的详细描述一起用于解释本发明的某些原理。
附图说明
图1示出了估算螺栓的夹紧力的传统方法。
图2示出了根据本发明的各个方面的估算螺栓的夹紧力的方法。
图3A、图3B、图3C、图4A、图4B、图5、图6和图7是用于具体描述根据本发明的各个方面的估算螺栓的夹紧力的方法的详细步骤的图。
可以理解的是,附图不一定按比例绘制,而是示出了说明本发明基本原理的各种特征的略微简化的表示。本文包括的本发明的具体设计特征,包括例如具体尺寸、取向、位置和形状,将部分地由具体预期的应用和使用环境确定。
在附图中,在所有附图中,附图标记指代本发明的相同或等同部分。
具体实施方式
现在将详细参考本发明的各种实施例,其实例在附图中示出并在下面描述。尽管将结合本发明的示例性实施例描述本发明,但是应当理解,本描述并不旨在将本发明限于这些示例性实施例。另一方面,本发明旨在不仅覆盖本发明的示例性实施例,而且覆盖可以包括在由所附权利要求限定的本发明的精神和范围内的各种替换、修改、等同物和其它实施例。
下面将参照附图更详细地描述本发明的示例性实施例,以使本领域技术人员完全理解本发明的操作优点和目的。
如果在说明书中,众所周知的功能或配置的详细描述将不必要地混淆本发明的要点,则将缩短或省略详细描述。
图2示出了根据本发明的各个方面的估算螺栓的夹紧力的方法,以及图3A和图7是用于具体描述根据本发明的各个方面的估算螺栓的夹紧力的方法的详细步骤的图。
在下文中,将参照图2、图3A到图3C、图4A到图4B、图5、图6和图7描述根据本发明的各种示例性实施例的估算螺栓的夹紧力的方法。
与使用人工智能技术估算螺栓的夹紧力的传统方法相比,本发明使用递归神经网络(RNN)方法相对简单且可以实时精确地估算螺栓的夹紧力。
将参考图2描述该方法的整个过程。该方法包括通过数据获取装置获取时间序列数据(在步骤S10),通过信号处理和分析装置分析获取的时间序列数据(在步骤S20),并且推导出螺栓的夹紧力的估算值(在步骤S30中)。
这里,所获取的时间序列数据包括基于紧固程度的信息。
在分析所获取的时间序列数据的步骤中,当将学习信号数据输入到长短期存储器(LSTM)的输入门时,(在步骤S21),将其输入到长短期存储器(LSTM)的遗忘门(在步骤S23),同时通过非线性函数在时间序列之间交换信息(在步骤S22)。在遗忘门中,确定时间序列前部的数据对其后部的数据的影响。如果影响较大,则给出高权重,并且如果影响不大,则将其从存储器中移除。
通过Adam优化技术(在步骤S25),使用损失函数(在步骤S24),优化权重以适当地执行对输入门的有效分析和对遗忘门的影响的分析。分析的时间序列数据由紧固力组表示为概率向量(在步骤S26),并与作为待估算目标的区分数据进行比较。此后,将具有最高概率的组的紧固力表示为相应区分信号的估算值(步骤S30)。
具体地,使用设置成测量紧固力的实验室的实际部件数据来配置学习模型。通过与应用于实际分量数据的数据处理方法相同的方法来处理数据。随后,在实际工厂中,将处理数据输入到学习模型,并执行区分操作。
这里,类别以期望的截面单位分配给螺栓的紧固力(例如,从50kN到80kN每次1kN)。具有所分配类别的特性因紧固力而彼此不同。将这些特性与输入信号进行比较,并且通过使用具有最高相似度的类别确定输入信号来估算螺栓的紧固力。在下文中,将参照图3A至图7更详细地描述根据本发明的各个方面的估算螺栓的夹紧力的方法的详细步骤。
图3A、图3B和图3C示出了生成、输入和处理学习信号数据的过程。
根据作为学习信号数据的输入信号的短时傅立叶变换(STFT),可以理解,频率随着紧固时间的流逝而增加。螺栓的紧固分量为8000Hz。如果从0Hz到8000Hz提取一个时间带的频率变化,则可以获得由根据频率的幅度形成的新的时间序列。这里,3阶段紧固进行1.25秒,并且通过将当前时间除以某个时间(0.035秒)来产生总共35个周期(t1至t35)。
将该操作应用于所有周期,从而形成新的时间序列。此后,设置幅度限制,并且划分数据。这样,频率越高,堆叠的数据越多。因此,如果组合所有周期的数据,则可以获得新的时间序列,其中频率随着时间流逝而增加。这成为输入到长短期存储器(LSTM)的时间序列。紧固力越大,频率分量越高。因此,产生大量分量堆叠的时间序列,从而获得反映了根据紧固力的特性的时间序列。
如图4A至图6所示,执行通过上述方法输入的信号的非线性函数的学习过程。
层的配置如图5所示。如果产生的时间序列被输入到LSTM层的输入门,则将它们顺序输入。在每个节点中,可以执行操作,即如图6所示,应用非线性函数tanh函数,将当前时间节点乘以权重得到的值与前一时间的节点值相乘,得到的值相加来表示每个单元的机制。在这种情况下,可以解决Adam优化器在优化操作期间使用的斜率值太小从而消失的问题,并且还可以清楚地分析时间序列之间的特性。
接着,将所分析的时间序列输入到长短期存储器(LSTM)的遗忘门,并用权重值分析每个时间段的重要性。如果前一时间的数据不影响后一时间的数据,则在遗忘门中应用低权重,从而将其移除。密集层整合时间序列信息,测量从50kN到81kN的范围内31个类别中的每一个类别区分信号的相似度,并将具有最高相似度的类别确定为区分紧固力。
在包括长短期存储器(LSTM)的递归神经网络(RNN)方法的情况下,重要的是确定与先前数据相关的输入信息的权重。图7是用于描述使用损失函数的Adam优化过程的图。这里,损失值可以由以下等式表示。
[等式1]
(k:类别号,tk:第k类相似度,yk:最终输出值)
在区分一个区分信号时,最重要的是通过学习来优化LSTM层和密集层的权重值。为此,在每次学习中,使用时间序列的正确答案类别值和相似度,相似度是通过使用密集层作为参数确定损失值来合成所有信息而获得的最终输出值。相似度具有范围从0到1的值,并且k是范围从1到31的类数。当损失值接近0时,可以认为已经令人满意地执行了学习。确定朝向0的路径的方法是Adam优化器。
Adam优化器可以在一个权重细微变化时确定对损失值的影响,并且逐渐操作以减少损失值。为此,需要使用斜率值。Adam优化器通过确定斜率的指数平均值和斜率平方值的指数平均值来找出路径。如果通过这种迭代学习连续地找到路径,则充分地更新权重,从而减少了损失值,并且提高了估算的准确性。
如上所述,在本发明的示例性实施例中,通过使用非线性函数、损失函数和Adam优化的递归神经网络方法来估算区分信号的夹紧力。因此,可以最小化损失值,并且可以提高估算的精度。
为了便于解释和准确定义所附权利要求。术语“上部”、“下部”、“内部”、“外部”、“上”、“下”、“向上”、“向下”、“前”、“后”、“后面”、“内”、“外”、“向内”、“向外”、“内部的”、“外部的”、“内部”、“外部”、“向前”和“向后”用于参考图中所示特征位置描述示例性实施例的特征。还应当理解,术语“连接”或其派生词是指直接连接和间接连接。
为了说明和描述的目的,已经给出了本发明的特定示例性实施例的上述描述。它们并不旨在穷举或将本发明限于所公开的精确形式,并且显然根据上述教导可以进行许多修改和变化。选择和描述示例性实施例以解释本发明的某些原理及其实际应用,以使本领域技术人员能够制造和利用本发明的各种示例性实施例及其各种替换和修改。本发明的范围旨在由所附权利要求书及其等同物来限定。
Claims (8)
1.一种估算螺栓的夹紧力的方法,所述方法包括以下步骤:
通过信号处理分析装置对所述螺栓的夹紧力的学习信号进行转换和分析,所述学习信号由数据获取装置获取;
将通过所述转换和分析得到的、根据信号特征进行分组的所述学习信号与期望待估算的区分信号进行比较;并且
通过所述比较,估算经分组的所述学习信号中与最相似组的信号相对应的夹紧力作为所述区分信号的夹紧力。
2.根据权利要求1所述的方法,
其中,所述转换和分析包括使用作为非线性函数的tanh函数对输入的所述学习信号进行信号处理。
3.根据权利要求1所述的方法,其中,在作为所述学习信号输入到长短期存储器的输入门中的时间序列数据中,将权重施加到所述长短期存储器的每个节点,并且所述转换和分析包括通过Adam优化来优化所述权重。
4.根据权利要求3所述的方法,其中,当将所述学习信号输入到所述长短期存储器的所述输入门时,在通过非线性函数在时间序列之间交换信息的同时,将所述学习信号输入到所述长短期存储器的遗忘门。
5.根据权利要求4所述的方法,
其中,在所述遗忘门中,确定所述时间序列数据的前部的数据对所述时间序列数据的后部的数据的影响。
6.根据权利要求3所述的方法,其中,在所述Adam优化中,通过跟踪减小由损失函数确定的损失值的过程来优化所述权重。
8.根据权利要求7所述的方法,
其中,所述第k类相似度具有范围从0至1的值,并且
其中,所述类别号具有范围从1至31的值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0035599 | 2019-03-28 | ||
KR1020190035599A KR102644380B1 (ko) | 2019-03-28 | 2019-03-28 | 볼트 축력 예측 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753460A true CN111753460A (zh) | 2020-10-09 |
Family
ID=72603875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911159159.7A Pending CN111753460A (zh) | 2019-03-28 | 2019-11-22 | 估算螺栓的夹紧力的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200311515A1 (zh) |
KR (1) | KR102644380B1 (zh) |
CN (1) | CN111753460A (zh) |
DE (1) | DE102019217758A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102371393B1 (ko) * | 2020-10-14 | 2022-03-07 | 지니텍 | 고장력 볼트의 체결력의 감소율을 추정하기 위한 방법 및 이를 수행하기 위한 애플리케이션 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5479570A (en) * | 1992-10-06 | 1995-12-26 | Matsushita Electric Industrial Co., Ltd. | Learning and recognition machine |
KR100317522B1 (ko) | 1998-10-21 | 2002-06-20 | 이종훈 | 산업용보일러본체의지지볼트하중조정방법 |
KR100411094B1 (ko) | 2001-04-13 | 2003-12-18 | 현대자동차주식회사 | 차량의 실린더 헤드 볼트 신장량 측정장치 및 축력 측정방법 |
KR20090015359A (ko) | 2007-08-08 | 2009-02-12 | 한국전력공사 | 볼트 축력 예측 방법 |
US11521070B2 (en) | 2015-10-29 | 2022-12-06 | Preferred Networks, Inc. | Information processing device and information processing method |
KR102485233B1 (ko) * | 2016-08-26 | 2023-01-06 | 한국전력공사 | 고력볼트 축력 분석 장치, 고력볼트 축력 분석 시스템 및 고력볼트 축력 분석 방법 |
US10810482B2 (en) * | 2016-08-30 | 2020-10-20 | Samsung Electronics Co., Ltd | System and method for residual long short term memories (LSTM) network |
KR102323514B1 (ko) * | 2017-05-15 | 2021-11-05 | 현대자동차주식회사 | 볼트 축력 측정방법 |
US11551080B2 (en) * | 2017-05-30 | 2023-01-10 | Hitachi Kokusai Electric Inc. | Learning dataset generation method, new learning dataset generation device and learning method using generated learning dataset |
WO2019144143A1 (en) * | 2018-01-21 | 2019-07-25 | Stats Llc | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports |
EP3938968A4 (en) * | 2019-03-15 | 2022-11-16 | The Trustees of Columbia University in the City of New York | SYSTEM, METHOD AND COMPUTER-ACCESSIBLE MEDIUM FOR IMAGE RECONSTRUCTION OF NON-CARTHESIAN MAGNETIC RESONANCE IMAGING INFORMATION USING DEPTH LEARNING |
-
2019
- 2019-03-28 KR KR1020190035599A patent/KR102644380B1/ko active IP Right Grant
- 2019-11-19 DE DE102019217758.1A patent/DE102019217758A1/de active Pending
- 2019-11-22 CN CN201911159159.7A patent/CN111753460A/zh active Pending
- 2019-11-26 US US16/696,545 patent/US20200311515A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20200311515A1 (en) | 2020-10-01 |
KR20200114231A (ko) | 2020-10-07 |
DE102019217758A1 (de) | 2020-10-01 |
KR102644380B1 (ko) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
Sedlak et al. | New automatic localization technique of acoustic emission signals in thin metal plates | |
CN107066673B (zh) | 工业时滞响应过程的采样抗扰辨识建模方法 | |
CN110705041B (zh) | 一种基于easi的线性结构工作模态参数识别方法 | |
CN110275147B (zh) | 基于迁移深度神经网络的人体行为微多普勒的分类识别方法 | |
CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN111181634B (zh) | 一种分布式光纤振动信号快速定位方法 | |
CN111753460A (zh) | 估算螺栓的夹紧力的方法 | |
CN117633696B (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
Haleem et al. | Improving the predictive response using ensemble empirical mode decomposition based soft sensors with auto encoder deep neural network | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN111291481A (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
CN108646248A (zh) | 一种针对低速运动声源的被动声学测速测距方法 | |
Christensen et al. | Quantitative study on the modal parameters estimated using the PLSCF and the MITD methods and an automated modal analysis algorithm | |
CN108646719B (zh) | 一种微弱故障检测方法及系统 | |
Darojah et al. | The training of feedforward neural network using the unscented Kalman filter for voice classification application | |
CN113065498A (zh) | 一种基于改进的emd和神经网络模型的异常数据检测方法 | |
Entezami et al. | Feature extraction in time domain for stationary data | |
CN107506779B (zh) | 一种植物茎干含水量的估算方法及系统 | |
Blacknell et al. | A comparison of simulation techniques for correlated gamma and K-distributed images for SAR applications | |
JPH09120303A (ja) | プロセス同定方法およびその装置 | |
CN113297908B (zh) | 一种脉冲激励下基于模式搜索的非线性刚度识别方法 |
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 |