CN112668446A - 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 - Google Patents
基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 Download PDFInfo
- Publication number
- CN112668446A CN112668446A CN202011547958.4A CN202011547958A CN112668446A CN 112668446 A CN112668446 A CN 112668446A CN 202011547958 A CN202011547958 A CN 202011547958A CN 112668446 A CN112668446 A CN 112668446A
- Authority
- CN
- China
- Prior art keywords
- svm
- time domain
- milling cutter
- flower pollination
- wear state
- 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
- 230000010152 pollination Effects 0.000 title claims abstract description 39
- 238000003801 milling Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 title claims description 56
- 230000001133 acceleration Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002567 autonomic effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000010154 cross-pollination Effects 0.000 description 3
- 230000010153 self-pollination Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明公开了基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,通过安装在立式铣床主轴上的振动传感器,采集立铣切削过程中的加速度信号,首先,提取微铣削过程中加速度信号若干个时域特征,通过皮尔逊相关系数法计算出和磨损状态相关程度最高的两个时域特征信号值,再将其为SVM分类器的输入;然后对带有标签的两个时域特征信号值进行测试和训练,将训练样本输入到基于花朵授粉优化算法的SVM模型,优化SVM的核函数参数g和惩罚因子C,对测试样本计算得出该模型的识别度。本发明提出的花朵授粉算法优化SVM算法,识别率更高,能够掌握刀具的实时磨损状态,避免由于初始参数选择的不合适而带来的局部最优和过拟合的问题,有效提高了SVM的分类性能。
Description
技术领域
本发明公开了基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,涉及精密制造技术领域。
背景技术
刀具状态监控技术刚起步发展时,研究主要集中在单一的状态信号检测、特征提取等方法上。随着各种传感器技术的飞速发展,使得可以利用振动、声发射、力等作为刀具状态的监测信号。起初,刀具状态监控模型也比较简单,主要应用的模型技术有:模糊判别、门限报警统计模式识别等。如今已发展为以信号处理与各种信息智能化处理相互融合的刀具状态监测技术。由于微铣刀在超高转速下进行不连续切削时,刀具磨损迅速且难于监测,影响了加工精度、产品质量和刀具使用寿命,一直以来刀具磨破损的在线监测也是微铣削加工过程控制中的难点所在。且从采集到的振动信号中提取的特征值存在冗余信息,不仅影响识别速度,而且影响识别率。常规的微铣刀磨损状态监测方法识别率较低,初始参数选择的不合适而带来的局部最优和过拟合的问题也比较显著。
发明内容
本发明针对上述背景技术中的缺陷,提供基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法。
为实现上述目的,本发明采用的技术方案如下:基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,包括以下步骤:
S1:通过安装在立式铣床主轴上的振动传感器,采集立铣切削过程中微铣刀不同磨损状态下的加速度信号;
S2:对S1中的加速度信号进行时域分析,提取若干个时域信号特征值;
S3:通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度,找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值;
S4:选用径向基核函数建立SVM模型,将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练,通过通过分类器对不同磨损程度下的加速度信号进行分类;
S5:建立花朵授粉算法优化SVM的模型,优化SVM模型的关键参数,两个关键参数为核函数参数g和惩罚因子C,计算出关键参数的最优值,使得分类器对不同磨损程度下的加速度信号分类准确率最优。
进一步的,所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为:
(x1,y1),(x2,y2),…,(xn,yn),xn∈Rd,yn∈{-1,+1}
其中:xn和yn分别代表输入的两个表征时域信号特征值,yi为yn的第i个特征值,Rd为实数,每个样本是N维向量,存在一个超平面:g(x)=w·x+b=0,w∈Rd为分类线性方程的法向量。
进一步的,通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括:
1.求解最优超平面:g(x)=1和g(x)=-1是最接近最优分类面g(x)=0的样本边界平面,两个平面之间的最短距离为||w||/2;
对样本集进行归一化处理(x1,y1),(x2,y2),…,(xn,yn),xn∈Rd,yn∈[-1,+1],且满足yn(w·xn+b)≥0,
其中:b是截距;
其中:α拉格朗日对偶变量;
3最终得到的最优分类函数为:
若f(x)>0输入的向量就归为1类,否则就为-1类,从而实现对输入量的识别。
进一步的,所述的皮尔逊相关系数法计算中的皮尔逊相关系数r:
进一步的,所述的最能表征微铣刀刀具磨损状况的两个时域信号特征值为:
波形因子:
其中:xrms为均方根
脉冲因子:
其中:x是加速度信号。
进一步的,S5中花朵授粉算法优化SVM的模型具体步骤包括:
输入核函数参数g和惩罚因子C到SVM模型中;
计算SVM预测模型;
若预测模型满足退出条件,则输出最优核函数参数g和惩罚因子C;
若预测模型不满足退出条件,则进行花朵授粉优化,随机产生核函数参数g和惩罚因子C重新输入SVM模型,并计算SVM预测模型。
进一步的,所述时域信号特征值还包括:均值,均方根,峰值因子,方差,峭度,偏态,峰值因子,自主权因子。
所述的花朵授粉算法的基本原理为:根据达尔文进化论的“适者生存”理论,花朵利用外力进行授粉繁衍的机制是经过大自然各种环境条件挑选,最终保留下能更好适应当前环境的的机制。通过简化自然界中花朵授粉的原理,花朵授粉算法原理的具体步骤如下:初始化花朵授粉优化算法的参数,花朵种群数为n,转换概率为p,最大迭代次数为N;计算花朵种群中花朵个体的适应度函数值,接着通过比较,计算出当前花朵种群中的最优解和其适应度值;生成随机数rand,判断p>rand是否成立,若成立则通过异花授粉对种群中的解进行更新,并进行越界处理,若不成立,则通过自花授粉对种群中的解进行更新,并进行越界处理;接着更新种群中新生个体的适应度值,若新个体的适应度值比原个体的适应度函数值更优,则替换当前个体,否则就保留当前个体,如果新个体的适应度值优于全局最优值,则更新全局最优个体和全局最优值;最后判断是否达到迭代终止条件,若已经达到终止条件,则输出最优解,即全局最优解;否则继续迭代。
有益效果:识别率更高,能够掌握刀具的实时磨损状态,避免由于初始参数选择不佳而带来的局部最优和过拟合问题,有效提高了SVM的分类性能。
附图说明
图1为本发明规范化的分类平面;
图2为本发明花朵授粉算法流程图;
图3为花朵授粉算法优化SVM流程图。
具体实施方式
下面结合附图对技术方案的实施作进一步的详细描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1~3所示的一种实施例:基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,包括以下步骤:
S1:通过安装在立式铣床主轴上的振动传感器,采集立铣切削过程中微铣刀不同磨损状态下的加速度信号;
S2:对S1中的加速度信号进行时域分析,提取若干个时域信号特征值;
S3:通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度,找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值;
S4:选用径向基核函数建立SVM模型,将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练,通过通过分类器对不同磨损程度下的加速度信号进行分类;
S5:建立花朵授粉算法优化SVM的模型,优化SVM模型的关键参数,两个关键参数为核函数参数g和惩罚因子C,计算出关键参数的最优值,使得分类器对不同磨损程度下的加速度信号分类准确率最优。
进一步的,所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为:
(x1,y1),(x2,y2),···,(xn,yn),xn∈Rd,yn∈{-1,+1}
其中:xn和yn分别代表输入的两个表征时域信号特征值,yi为yn的第i个特征值,Rd为实数,每个样本是N维向量,存在一个超平面:g(x)=w·x+b=0,w∈Rd为分类线性方程的法向量。
进一步的,通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括:
1.求解最优超平面:g(x)=1和g(x)=-1是最接近最优分类面g(x)=0的样本边界平面,两个平面之间的最短距离为||w||/2;
对样本集进行归一化处理(x1,y1),(x2,y2),…,(xn,yn),xn∈Rd,yn∈[-1,+1],且满足yn(w·xn+b)≥0,
其中:b是截距;
其中:α拉格朗日对偶变量
3最终得到的最优分类函数为:
若f(x)>0输入的向量就归为1类,否则就为-1类,从而实现对输入量的识别。
进一步的,所述的皮尔逊相关系数法计算中的皮尔逊相关系数r:
进一步的,所述的最能表征微铣刀刀具磨损状况的两个时域信号特征值为:
波形因子:
其中:xrms为均方根
脉冲因子:
其中:x是加速度信号。
进一步的,S5中花朵授粉算法优化SVM的模型具体步骤包括:
输入核函数参数g和惩罚因子C到SVM模型中;
计算SVM预测模型;
若预测模型满足退出条件,则输出最优核函数参数g和惩罚因子C;
若预测模型不满足退出条件,则进行花朵授粉优化,随机产生核函数参数g和惩罚因子C重新输入SVM模型,并计算SVM预测模型。
进一步的,所述时域信号特征值还包括:均值,均方根,峰值因子,方差,峭度,偏态,峰值因子,自主权因子。
初始化花朵授粉优化算法的参数,花朵种群数为n,转换概率为p,最大迭代次数为N;计算花朵种群中花朵个体的适应度函数值,接着通过比较,计算出当前花朵种群中的最优解和其适应度值;生成随机数rand,判断p>rand是否成立,若成立则通过异花授粉对种群中的解进行更新,并进行越界处理,若不成立,则通过自花授粉对种群中的解进行更新,并进行越界处理;接着更新种群中新生个体的适应度值,若新个体的适应度值比原个体的适应度函数值更优,则替换当前个体,否则就保留当前个体,如果新个体的适应度值优于全局最优值,则更新全局最优个体和全局最优值;最后判断是否达到迭代终止条件,若已经达到终止条件,则输出最优解,即全局最优解;否则继续迭代。图2为该算法求解问题的一般流程。
以下为花朵授粉优化SVM的一般步骤:
Step1:初始化花朵授粉优化算法的参数,花朵种群数为n,转换概率为p,最大迭代次数为N;
Step2:计算花朵种群中花朵个体的适应度函数值f(x),接着通过比较,计算出当前花朵种群中的最优解xbest和其适应度值fbest;
Step3:生成随机数rand,判断p>rand是否成立,若成立则按照公式通过异花授粉对种群中的解进行更新,并进行越界处理;若p<rand,则按照公式通过自花授粉对种群中的解进行更新,并进行越界处理;
其中和分别是种群进化的第k+1代和第k代的个体,xbest是全局最优的个体,rand是在[0,1]范围内服从均匀分布的随机数,和分别是同科植物的不同花朵的花粉配子;L是该算法的迭代步长,L用公式表示为:
Step4:更新种群中新生个体的适应度值,若新个体的适应度值比原个体的适应度函数值更优,则替换当前个体,否则就保留当前个体,如果新个体的适应度值优于全局最优值,则更新全局最优个体和全局最优值;
Step5:判断是否达到迭代终止条件,若已经达到终止条件,则输出最优解,即全局最优解;否则转至Step3继续迭代,最后将其作为花朵授粉算法优化SVM的模型来预测。
Step6:确定适应度值为f(x),x=(C,g),初始化种群,按照上述花朵授粉算法原理在初始种群中找到最优的(C,g),最后将其作为花朵授粉算法优化SVM的模型来预测。图3为花朵授粉算法优化SVM的流程,图3的退出条件为在初始种群中找到最优解(C,g)。
其中Step3是关键步骤,分别对应于寻优问题的全局搜索和局部搜索。
本发明识别率更高,能够掌握刀具的实时磨损状态,避免由于初始参数选择不佳而带来的局部最优和过拟合问题,有效提高了SVM的分类性能。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,其特征在于,包括以下步骤:
S1:通过安装在立式铣床主轴上的振动传感器,采集立铣切削过程中微铣刀不同磨损状态下的加速度信号;
S2:对S1中的加速度信号进行时域分析,提取若干个时域信号特征值;
S3:通过皮尔逊相关系数法计算S2中时域信号特征值与磨损状态之间的相关程度,找出最能表征微铣刀刀具磨损状况的两个表征时域信号特征值;
S4:选用径向基核函数建立SVM模型,将S3中选出来的两个表征时域信号特征值输入到支持向量机识别模型中进行训练,通过通过分类器对不同磨损程度下的加速度信号进行分类;
S5:建立花朵授粉算法优化SVM的模型,优化SVM模型的关键参数,两个关键参数为核函数参数g和惩罚因子C,计算出关键参数的最优值,使得分类器对不同磨损程度下的加速度信号分类准确率最优。
2.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,其特征在于,所述的输入到支持向量机识别模型中进行训练的两个时域信号特征值的样本集为:
(x1,y1),(x2,y2),···,(xn,yn),xn∈Rd,yn∈{-1,+1}
其中:xn和yn分别代表输入的两个表征时域信号特征值,yi为yn的第i 个特征值,Rd为实数,每个样本是N维向量,存在一个超平面:g(x)=w·x+b=0,w∈Rd为分类线性方程的法向量。
3.根据权利要求2所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,其特征在于,通过分类器对不同磨损程度下的加速度信号进行分类的具体步骤包括:
(1).求解最优超平面:g(x)=1和g(x)=-1是最接近最优分类面g(x)=0的样本边界平面,两个平面之间的最短距离为||w||/2;
对样本集进行归一化处理(x1,y1),(x2,y2),···,(xn,yn),xn∈Rd,yn∈[-1,+1],且满足yn(w·xn+b)≥0,其中:b是截距;
其中:xi为xn的第i个特征值;α拉格朗日对偶变量;
(3).最终得到的最优分类函数为:
若f(x)>0输入的向量就归为1类,否则就为-1类,从而实现对输入量的识别。
6.根据权利要求1所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,其特征在于,S5中花朵授粉算法优化SVM的模型具体步骤包括:
输入核函数参数g和惩罚因子C到SVM模型中;
计算SVM预测模型;
若预测模型满足退出条件,则输出最优核函数参数g和惩罚因子C;
若预测模型不满足退出条件,则进行花朵授粉优化,随机产生核函数参数g和惩罚因子C重新输入SVM模型,并计算SVM预测模型。
7.根据权利要求4所述的基于花朵授粉算法优化SVM的微铣刀磨损状态监测方法,其特征在于,所述时域信号特征值还包括:均值,均方根,峰值因子,方差,峭度,偏态,峰值因子,自主权因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011547958.4A CN112668446A (zh) | 2020-12-24 | 2020-12-24 | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011547958.4A CN112668446A (zh) | 2020-12-24 | 2020-12-24 | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668446A true CN112668446A (zh) | 2021-04-16 |
Family
ID=75409904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011547958.4A Pending CN112668446A (zh) | 2020-12-24 | 2020-12-24 | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359456A (zh) * | 2021-06-16 | 2021-09-07 | 杭州申弘智能科技有限公司 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
CN111730412A (zh) * | 2020-06-29 | 2020-10-02 | 常州信息职业技术学院 | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 |
CN111738523A (zh) * | 2020-06-29 | 2020-10-02 | 山东财经大学 | 一种基于多目标花粉算法的研发资源优化配置方法 |
-
2020
- 2020-12-24 CN CN202011547958.4A patent/CN112668446A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
CN110082136A (zh) * | 2019-04-19 | 2019-08-02 | 电子科技大学 | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 |
CN111721835A (zh) * | 2020-06-28 | 2020-09-29 | 上海理工大学 | 空心钻磨削砂轮状态智能监测方法 |
CN111730412A (zh) * | 2020-06-29 | 2020-10-02 | 常州信息职业技术学院 | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 |
CN111738523A (zh) * | 2020-06-29 | 2020-10-02 | 山东财经大学 | 一种基于多目标花粉算法的研发资源优化配置方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359456A (zh) * | 2021-06-16 | 2021-09-07 | 杭州申弘智能科技有限公司 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632279B (zh) | 一种基于网络流量的多层异常检测方法 | |
CN109582003B (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN109873779B (zh) | 一种基于lstm的分级式无线信号调制类型识别方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN111539451B (zh) | 样本数据优化方法、装置、设备及存储介质 | |
JP5767825B2 (ja) | 音処理装置および音処理方法 | |
JP2008210388A (ja) | コードを識別する方法、装置及びプログラム | |
CN112926640B (zh) | 一种基于两阶段深度特征选择的癌症基因分类方法、设备及存储介质 | |
CN111833175A (zh) | 基于knn算法的互联网金融平台申请欺诈行为检测方法 | |
CN115048464A (zh) | 用户操作行为数据的检测方法、装置及电子设备 | |
CN112395168A (zh) | 一种基于Stacking的边缘侧业务行为识别方法 | |
CN110334508B (zh) | 一种主机序列入侵检测方法 | |
CN112668446A (zh) | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 | |
Mandal et al. | Unsupervised non-redundant feature selection: a graph-theoretic approach | |
CN117076871B (zh) | 一种基于不平衡半监督对抗训练框架的电池故障分类方法 | |
CN111797899B (zh) | 一种低压台区kmeans聚类方法及系统 | |
CN112633413A (zh) | 基于改进pso-tsne特征选择的水下目标识别方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN111814851B (zh) | 一种基于单类支持向量机的煤矿瓦斯数据标记方法 | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
Alkurdi | Enhancing Heart Disease Diagnosis Using Machine Learning Classifiers | |
CN113609480B (zh) | 基于大规模网络流的多路学习入侵检测方法 | |
CN110688287A (zh) | 一种基于改进概率神经网络的工控网络态势评估方法 | |
Yang et al. | Sparse filtering based intelligent fault diagnosis using IPSO-SVM |
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 |