CN112184691A - 一种基于不良Map图的缺陷模式分析方法 - Google Patents
一种基于不良Map图的缺陷模式分析方法 Download PDFInfo
- Publication number
- CN112184691A CN112184691A CN202011088439.6A CN202011088439A CN112184691A CN 112184691 A CN112184691 A CN 112184691A CN 202011088439 A CN202011088439 A CN 202011088439A CN 112184691 A CN112184691 A CN 112184691A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- product
- bad
- method based
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 26
- 239000011521 glass Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- -1 and finally Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
此发明公开了一种基于不良Map图的缺陷模式分析方法,涉及智能制造与人工智能技术领域。此发明对显示面板的不良归类分析,构造了一种基于DBSCAN密度聚类的方法,将不良信息快速定位到不良类型中,解决了现有方式存在效率较低、易遗漏某些因素、难于找到真正缺陷模式多种类的技术问题,能够快速且准确实现找到复杂缺陷种类的技术效果。同时解决了现有划分方法速度慢精度低不便于大数据分析的问题,此发明中的方法更适合大数据计算和自动化分析,精度高,速度快,是一种高效准确的自动缺陷分类方法。
Description
技术领域
此发明涉及智能制造与人工智能领域,具体为一种基于不良Map图的缺陷模式分析方法。
背景技术
随着大数据与工业融合发展,工业4.0的到来,工业大数据技术和机器学习、深度学习已成为提高制造业生产力、竞争力和创新能力的关键因素,加快产品、生产过程、管理、服务和新型商业模式的智能化,支持中国制造业转型,构建开放、共享、协作的智能系统,成为制造生态的重要基础。
生产过程中关于人、机、料、法、环会发生各种波动;市场和供应链会发生变化;产品使用过程会面临各种变化。这些变化,会引发一些不希望发生的事情。例如,设备磨损的增加、来料性质的变化,会引发产品质量的波动。
工业大数据能将人脑的知识内容搬运到机器中去,通过知识数字化的机器运作对工业的推动。智能化依赖于物理手段和在物理世界的实践知识,信息和智能技术能进一步提高智能化的能力,计算机能承载工业知识和积累、深化、共享工业知识。智能化的时代,是工业升级换代的时代。智能制造刚刚起步、也还有很多不完善的地方。
显示面板制造过程包含Array、CF、Cell和Module等,前三个工序加工时在Glass上进行层层添加控制单元,栅极层G(Gate)上施加电压时,可使其进入导通状态,同时显示数据通过信号线、导通到达漏极层D(Drain)上,在像素上形成电场实现显示效果。然后通过切割Glass形成Pane板,即电脑屏、电视屏、手机屏等等,最后通过Module制程则是将Cell制程之后的玻璃和其他的如电路、外框、背光板等等多种零组件组装起来。
显示面板制造具有资金密集,周期短,工艺复杂的特点,制造商面临扩大产能,提高产品良率,降低生产成本的压力。生产制造过程涉及的工艺复杂,制程繁多,在每个生产过程或阶段,均会通过电学检测或光学检测识别产品的缺陷信息,并汇总分类缺陷,定义缺陷类别。通过分析问题根因,以改善不良问题,提升产品良率。
在对缺陷模式分析的时候,传统的方法是单维度逐个人工对比分析设备对Glass不良发生的Map图与玻璃特性值Map、其他缺陷发生Map的相似度。缺陷数据类型多样,比如玻璃本身缺陷和生产工具缺陷等;细节数据复杂,比如玻璃的特性和接触设备点等。传统方法效率很低,易遗漏某些因素,且没有考虑多缺陷或者多元因素的共同作用,真正根因难以发现。
随着设备自动化程度的提高,各种生成过程参数的自动采集,上传和存储,利用大数据分析和数据挖掘算法,快速准确定位问题参数,识别问题参数的异常波动水平,对于缩短故障排查时间,提高产品良率,降低生产成本,提高生产制造商的竞争力,具有非常现实的意义。
发明内容
(一)解决的技术问题
此发明提供了一种基于不良Map图的缺陷模式分析方法,目的是解决现有方式存在效率较低、易遗漏某些因素、难于找到真正缺陷模式多种类的技术问题,能够快速且准确实现找到复杂缺陷种类的技术效果。
(二)技术方案
为实现上述发明的目的,本发明提供了一种基于不良Map图的缺陷模式分析方法,包括以下步骤:
步骤1:定时自动查取最近一段时间内生产的产品数据(显示面板的不良信息以及显示面板信息);
步骤2:对上一步骤数据进行数据预处理,包括缺失值处理;
步骤3:将缺陷数据根据产品类型和不良名称进行分组,把显示面板数据进行按其进行分组,形成图2同产品类型多个glass异常点汇总的缺陷数据;
步骤4:各产品类型和不良名称组的缺陷数据坐标数据通过DBSCAN进行聚类,进行打标签,并收集各标签的缺陷数据特征,以及各标签对应的产品数量;
步骤5:打过的标签通过名称定义规则与不良名进行融合;
步骤6:显示面板的临界坐标数据与步骤5的数据进行关联;
步骤7:针对相似性值,利用DBSCAN模型产出的标签数据特征,将同产品下的缺陷数据进行相似性分析,获取对应的相似性值;
步骤8:根据相似性阈值筛选相似性值,按照产品类型和不良名分组统计其QUANTITY值;
步骤9:对已分析的不良相似性,根据产品名进行分组,汇总各产品名的不良信息。
此发明将采用Map图方式组织汇总设备信息,并基于机器学习模型密度聚类识别可能造成产品缺陷问题的生产根因,此发明能够快速定位问题,提升产品良率。
优选的,所述步骤2具体包括:将空的不良位置坐标数据进行填充,以Panel的中心点坐标进行填充。
优选的,此方法采用的模型是DBSCAN密度聚类模型。
优选的,所述步骤5具体包括:已有的标签根据其产品数量按照倒序进行编号命名,并与不良名融合,形成独立的缺陷种类名。
优选的,所述步骤7具体包括:将同产品下的异常坐标数据,与DBSCAN模型产出的标签数据特征,通过显示面板的临界坐标数据构造成同等大小的数组,利用皮尔逊相关系数进行相似性比较,得到相似性值。
优选的,所述步骤8具体包括:依据有丰富经验的工程师提供的相关相似性阈值,进行相似性筛选,对于QUANTITY值,根据已筛选出的产品对应的QUANTITY值进行统计。
优选的,所述步骤9具体包括:按照产品名分组,将各产品名对应的不良拟定名(包括分组类型)、QUANTITY值和产品类型的不良QUANTITY值进行汇总。
此发明提供了一种基于不良Map图的缺陷模式分析方法,通过整合不同来源的缺陷和特性值数据做密度聚类分析,快速有效分析不良结果产生的问题类型,解决传统基于Map方法不能同时考虑多类型共同效应的问题。
(三)有益效果
此发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
(1)、通过基于不良Map图的显示面板缺陷模式分析方法的实现,聚合多种源数据信息,以一种全自动化、半自动、统一、复用的方式,且考虑多种缺陷模式、特性值数据,能够快速有效分析其最可能的根因。
(2)、此方法按企业生产产品分组建模,如产品类型、产品名、站点、设备等,若有更佳的先验业务知识,能够更好的实现分类分析,使用灵活。
附图说明
图1为本发明的流程示意图;
图2为本发明中多个显示面板异常点汇总的示意图。
具体实施方式
为了更清楚的说明此发明的上述目的、特性和优点,下面会结合附图和具体实施的方式对此发进行进一步阐述。接下来的阐述细节部分以便更充分的理解此发明。此发明还可以运用其它不在此描述内的额外方法,故此发明保护范围不受下面公开的具体实施方式限制。
参照图1,此发明提出了一种基于不良Map图的缺陷模式分析方法,针对某种产品类型,将不同来源的的同产品缺陷测量结果和产品的各种特性测量值按一定的标准整理为与显示面板Map图坐标关联的坐标数据信息。以显示面板不良坐标位置信息为分析对象,为不同的产品类型建立不良数据信息与显示面板数据的密度聚类模型,其聚类的类别取决于对应显示面板生产工具的缺陷信息和产品特性与不良坐标的相关程度,通过密度聚类模型的相似系数判断各产品不良信息与对应密度聚类的类型之间的相似性,并筛选出有效的几种不良类型。
所述的一种基于不良Map图的缺陷模式分析方法,包括以下步骤:
步骤1:定时自动查取最近一段时间内生产的产品数据(显示面板的不良信息以及显示面板信息)。
步骤2:对步骤1获取的数据进行数据预处理,包括缺失值处理,这里产品的不良坐标数据可能缺失,但是存在Panel的位置数据,故可以采用Panel的中心点坐标进行填充。
步骤3:基于步骤2获取预处理完的不良数据,将缺陷数据根据产品类型和不良名称进行分组,把显示面板数据进行按其进行分组。
步骤4:基于步骤3获取各产品类型和不良名称分组的缺陷数据坐标数据,通过DBSCAN进行聚类,进行打标签,并收集各标签的缺陷数据特征,以及各标签对应的产品数量。
步骤5:基于步骤4获取各产品类型的各密度聚类分类的数据,打过的标签通过名称定义规则与不良名进行融合。已有的标签根据其产品数量按照倒序进行编号命名,并与不良名融合,形成独立的缺陷种类名。
步骤6:将显示面板的临界坐标数据与步骤5获取的重新命名的数据进行关联。
步骤7:针对相似性值,利用DBSCAN模型产出的步骤5获取的标签数据特征,将同产品下的缺陷数据进行相似性分析,获取对应的相似性值。将同产品下的异常坐标数据,与DBSCAN模型产出的标签数据特征,通过显示面板的临界坐标数据构造成同等大小的数组,利用皮尔逊相关系数进行相似性比较,得到相似性值。
步骤8:根据相似性阈值筛选相似性值,步骤7获取到的相似性数据按照产品类型和不良名分组统计其QUANTITY值。依据有丰富经验的工程师提供的相关相似性阈值,进行相似性筛选,对于QUANTITY值,根据已筛选出的产品对应的QUANTITY值进行统计。
步骤9:对已分析的不良相似性,基于步骤8获取的数据根据产品名进行分组,汇总各产品名的不良信息。按照产品名分组,将各产品名对应的不良拟定名(包括分组类型)、QUANTITY值和产品类型的不良QUANTITY值进行汇总。
纵使已详细描述了此发明的实施例,但本领域的相关人员若得知此基本创造性概念,则可对这些实施例作出另外的变更和修改。故附权利要求意欲解释为包括优选实施例以及落入此发明范围的所有变更和修改。
此领域的技术人员可以对此发明进行各种改动和变型而不脱离此发明的精神和范围。这样,若此发明的修改和变型属于此发明权利要求及其等同技术的范围之内,则此发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于不良Map图的缺陷模式分析方法,其特征在于:包括以下步骤:
步骤1:定时自动查取最近一段时间内生产的产品数据(显示面板的不良信息以及显示面板信息);
步骤2:对上一步骤数据进行数据预处理,包括缺失值处理;
步骤3:将缺陷数据根据产品类型和不良名称进行分组,把显示面板数据进行按其进行分组,形成图2同产品类型多个glass异常点汇总的缺陷数据;
步骤4:各产品类型和不良名称组的缺陷数据坐标数据通过DBSCAN进行聚类,进行打标签,并收集各标签的缺陷数据特征,以及各标签对应的产品数量;
步骤5:打过的标签通过名称定义规则与不良名进行融合;
步骤6:显示面板的临界坐标数据与步骤5的数据进行关联;
步骤7:针对相似性值,利用DBSCAN模型产出的标签数据特征,将同产品下的缺陷数据进行相似性分析,获取对应的相似性值;
步骤8:根据相似性阈值筛选相似性值,按照产品类型和不良名分组统计其QUANTITY值;
步骤9:对已分析的不良相似性,根据产品名进行分组,汇总各产品名的不良信息。
2.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:所述步骤2还包括将空的不良位置坐标数据进行填充,以Panel的中心点坐标进行填充。
3.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:此方法采用的模型是DBSCAN密度聚类模型。
4.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:所述步骤5还包括已有的标签根据其产品数量按照倒序进行编号命名,并与不良名融合,形成独立的缺陷种类名。
5.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:所述步骤7还包括将同产品下的异常坐标数据,与DBSCAN模型产出的标签数据特征,通过显示面板的临界坐标数据构造成同等大小的数组,利用皮尔逊相关系数进行相似性比较,得到相似性值。
6.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:所述步骤8还包括依据有丰富经验的工程师提供的相关相似性阈值,进行相似性筛选,对于QUANTITY值,根据已筛选出的产品对应的QUANTITY值进行统计。
7.根据权利要求1所述的一种基于不良Map图的缺陷模式分析方法,其特征在于:所述步骤9还包括按照产品名分组,将各产品名对应的不良拟定名(包括分组类型)、QUANTITY值和产品类型的不良QUANTITY值进行汇总。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088439.6A CN112184691A (zh) | 2020-10-13 | 2020-10-13 | 一种基于不良Map图的缺陷模式分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088439.6A CN112184691A (zh) | 2020-10-13 | 2020-10-13 | 一种基于不良Map图的缺陷模式分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184691A true CN112184691A (zh) | 2021-01-05 |
Family
ID=73949339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011088439.6A Pending CN112184691A (zh) | 2020-10-13 | 2020-10-13 | 一种基于不良Map图的缺陷模式分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184691A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024037A1 (zh) * | 2021-08-26 | 2023-03-02 | 京东方科技集团股份有限公司 | 相关度确定、装置、电子设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100868884B1 (ko) * | 2007-06-20 | 2008-11-14 | 삼성코닝정밀유리 주식회사 | 유리 기판 유리 불량 정보 시스템 및 분류 방법 |
US20140358484A1 (en) * | 2013-05-31 | 2014-12-04 | Samsung Sds Co., Ltd. | Defect cell clustering method and apparatus thereof |
CN104217093A (zh) * | 2013-05-30 | 2014-12-17 | 三星Sds株式会社 | 利用不良样本的缺陷地图判定问题设备的方法及其装置 |
CN104730217A (zh) * | 2015-04-16 | 2015-06-24 | 京东方科技集团股份有限公司 | 一种玻璃基板的缺陷分布显示方法及显示装置 |
CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
-
2020
- 2020-10-13 CN CN202011088439.6A patent/CN112184691A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100868884B1 (ko) * | 2007-06-20 | 2008-11-14 | 삼성코닝정밀유리 주식회사 | 유리 기판 유리 불량 정보 시스템 및 분류 방법 |
CN104217093A (zh) * | 2013-05-30 | 2014-12-17 | 三星Sds株式会社 | 利用不良样本的缺陷地图判定问题设备的方法及其装置 |
US20140358484A1 (en) * | 2013-05-31 | 2014-12-04 | Samsung Sds Co., Ltd. | Defect cell clustering method and apparatus thereof |
CN104730217A (zh) * | 2015-04-16 | 2015-06-24 | 京东方科技集团股份有限公司 | 一种玻璃基板的缺陷分布显示方法及显示装置 |
CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
Non-Patent Citations (1)
Title |
---|
张东红 等: "硅片Map图信息的提取和利用", 固体电子学研究与进展, vol. 15, no. 02, 31 May 1995 (1995-05-31), pages 180 - 184 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024037A1 (zh) * | 2021-08-26 | 2023-03-02 | 京东方科技集团股份有限公司 | 相关度确定、装置、电子设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966772A (zh) | 一种多人在线的图像半自动标注方法及系统 | |
CN109902084B (zh) | 一种全自动检测与分析数据质量的系统及方法 | |
CN110689539A (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN110837717B (zh) | 一种基于Map图的玻璃面板多元缺陷根因分析方法 | |
CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
CN114219799A (zh) | 一种智能制造用次品分析方法及系统 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN115984274B (zh) | 一种车辆外观检测模型、构建方法及检测方法 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN115657890A (zh) | 一种pra机器人可定制方法 | |
CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
CN112598142B (zh) | 一种风电机组检修工作质量审查辅助方法与系统 | |
CN113723501A (zh) | 一种病原微生物参考知识库的最大多样性聚类构建方法 | |
CN116261779A (zh) | 数据处理方法、系统和计算机可读存储介质 | |
CN105677723A (zh) | 一种用于工业信号源的数据标签建立与检索方法 | |
CN112183876A (zh) | 一种基于信息融合的良率损失根因分析方法 | |
CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
CN115187127B (zh) | 基于空间分析的详细规划分级管理智能检测方法 | |
CN110045691A (zh) | 一种多源异构大数据的多任务处理故障监测方法 | |
CN113590599B (zh) | 基于多元复杂数据环境的数据检查方法 | |
US20240004375A1 (en) | Data processing method, and electronic device and storage medium | |
CN114418011A (zh) | 一种产品不良成因分析的方法、设备及系统、存储介质 | |
CN113256267A (zh) | 一种项目数据处理方法和系统 | |
CN113537356A (zh) | 一种基于Map图的不良根因分析方法 | |
CN110796187A (zh) | 不良分类方法及装置 |
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 |