CN113657757A - 一种基于机器学习的化工仓储调度优化方法、介质及设备 - Google Patents
一种基于机器学习的化工仓储调度优化方法、介质及设备 Download PDFInfo
- Publication number
- CN113657757A CN113657757A CN202110943052.2A CN202110943052A CN113657757A CN 113657757 A CN113657757 A CN 113657757A CN 202110943052 A CN202110943052 A CN 202110943052A CN 113657757 A CN113657757 A CN 113657757A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- warehousing
- warehouse
- model
- optimization method
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及仓储物流技术领域，具体涉及一种基于机器学习的化工仓储调度优化方法、介质及设备，所述方法包括采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内；本发明通过用机器学习方法训练历史数据并构建数学模型；新数据基于数学模型能够推导出辅助决策信息，并将结果推送到仓储管理系统，优化仓储，降低成本；且能够将预测模型进行服务封装植入到仓储管理系统，提供决策支持，方便实操者执行时参考。
Description
技术领域
本发明涉及仓储物流技术领域，具体涉及一种基于机器学习的化工仓储调度优化方法、介质及设备。
背景技术
化工行业运输目前仍处于信息化发展相对落后的阶段，化工品往往具有比较独特的特点，如商品体积大、重量大、人体伤害大、形态多样等。化工商品在仓储过程中进行调配都需要大量的车辆、人员、场地，这过程当中非常依赖与个人的经验操作，很容易造成效率低下、安全隐患、成本偏高的问题。
发明内容
本发明所要解决的技术问题是：提供一种通过基于历史数据和机器学习算法，计算出一个适用于化工行业的人、车、地的机器学习模型，可以在进行仓储调度前提供预测评估数据，供管理者参考的基于机器学习的化工仓储调度优化方法、介质及设备。
为了解决上述技术问题，本发明采用的第一种技术方案为：
一种基于机器学习的化工仓储调度优化方法，包括：
采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；
将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
为了解决上述技术问题，本发明采用的第二种技术方案为：
一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的化工仓储调度优化方法。
为了解决上述技术问题，本发明采用的第三种技术方案为：
一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的基于机器学习的化工仓储调度优化方法。
本发明的有益效果在于：通过用逻辑回归(Logistic Regression)和支持向量机(Support Vector Machine)机器学习方法训练历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量等)并构建数学模型[多标签决策树(Multi-label DecisionTrees)]；新数据基于数学模型能够推导出人、车、机、货、场，并将结果推送到客户WMS系统，优化仓储，降低成本；在现有模型基础上，通过计算机软件编程，对预测模型进行服务封装，以便高效植入到仓储管理系统，提供专业仓库作业决策支持：依据具体资源约束与目标设定，该管理系统可以事前从流程、设施、设备、人员、时间等方面进行模拟，输出能力最大方案，方便实操者执行时参考。
附图说明
图1为本发明具体实施方式的一种基于机器学习的化工仓储调度优化方法的业务流程图；
图2为为本发明具体实施方式的一种基于机器学习的化工仓储调度优化方法的预测模型流程图；
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1以及图2，一种基于机器学习的化工仓储调度优化方法，包括：
采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；
将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
进一步的，所述历史数据集包括训练集与验证集；
所述建立预设模型包括：
数据处理过程：基于需求抽象历史数据集内数据之间的关系建立数学模型；基于数学模型对训练集基于数学模型进行数据清洗获得数据清洗集；
模型训练过程：对得数据清洗集进行入参和/或出参处理后进行机器学习获得模型；
模型验证过程：采用验证集对验证模型进行验证，验证通过后获得预测模型；
结果预测过程：向预测模型输入变量入参返回结构化结构获得辅助决策信息。
进一步的，所述训练集与验证集的比例为8：2。
进一步的，所述仓储管理系统判断是否满足现有仓储处理能力前对辅助决策信息的有效性进行判断，若有效，则继续并将该辅助决策信息反馈给预测模型；若无效，则不反馈。
有益效果：通过反馈正确的辅助决策信息，能够对预测模型进行不断的矫正，保证后续给出的辅助决策信息的有效性越来越高。
进一步的，所述有效性进行判断包括：
所述仓储管理系统读取仓储详细信息，通过仓储详细信息进行最优仓储方案计算解析辅助决策信息是否具有有效性。
进一步的，所述数学建模包括：
基于运筹学由投入-产出的最大利润角度、产出-投入的最低成本角度结合资源约束条件设计满足不同要求的数理模型。
有益效果：基于运筹学中最优算法，从“投入-产出”(最大利润)和“产出-投入”(最低成本)角度，考虑仓库五大投入要素人、车、机、货、场等资源约束条件，根据企业追求的能力最大化目标，设计出满足仓库管理不同要求的数理模型，通过对物流仓库管理近3年经营数据进行测算，修正数理模型参数，提升模型的稳健性与可信度，最终确定仓库能力最优化数理模型。
进一步的，所述变量、历史数据集包括：存储方式、数量、货物名称、货物类型、单位体积、单位重量；
所述资源约束条件、辅助决策信息包括：人、车、机、货、场；
所述数理模型为多标签决策树。
进一步的，所述机器学习采用逻辑回归算法或支持向量机。
一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的化工仓储调度优化方法。
一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述的基于机器学习的化工仓储调度优化方法。
从上述描述可知，通过用逻辑回归(Logistic Regression)和支持向量机(Support Vector Machine)机器学习方法训练历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量等)并构建数学模型[多标签决策树(Multi-label DecisionTrees)]；新数据基于数学模型能够推导出人、车、机、货、场，并将结果推送到客户WMS系统，优化仓储，降低成本；在现有模型基础上，通过计算机软件编程，对预测模型进行服务封装，以便高效植入到仓储管理系统，提供专业仓库作业决策支持：依据具体资源约束与目标设定，该管理系统可以事前从流程、设施、设备、人员、时间等方面进行模拟，输出能力最大方案，方便实操者执行时参考。
实施例一
参照图1和图2，一种基于机器学习的化工仓储调度优化方法，包括：
采用历史数据(存储方式、数量、货物名称、货物类型、单位体积、单位重量，可以根据需要增加、减少、选择其他种类的数据)基于运筹学由投入-产出的最大利润角度、产出-投入的最低成本角度结合资源约束条件设计满足不同要求的数理模型(多标签决策树)后通过机器学习(逻辑回归算法或支持向量机)建立预测模型，向预测模型(人工)输入变量(存储方式、数量、货物名称、货物类型、单位体积、单位重量)计算获得辅助决策信息(人、车、机、货、场，可以根据需要增加、减少、选择其他种类的数据)；
将决策信息输出与仓储管理系统(WMS仓储系统)；
所述仓储管理系统判断是否满足现有仓储处理能力前对辅助决策信息的有效性进行判断，所述有效性进行判断包括所述仓储管理系统读取仓储详细信息，通过仓储详细信息进行最优仓储方案计算解析辅助决策信息是否具有有效性并将结构数据化(JSON)反馈结果给仓储管理系统；若有效，则继续并将该辅助决策信息反馈给预测模型；若无效，则不反馈。
所述仓储管理系统判断是否满足现有仓储处理能力(是否有足够的人、车、机、货、场)，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
所述历史数据集包括训练集与验证集；所述训练集与验证集的比例为8：2。
所述建立预设模型包括：
数据处理过程：基于需求抽象历史数据集内数据之间的关系建立数学模型；基于数学模型对训练集基于数学模型进行数据清洗获得数据清洗集；
模型训练过程：对得数据清洗集进行入参和/或出参处理后进行机器学习获得模型；
模型验证过程：采用验证集对验证模型进行验证，验证通过后获得预测模型；
结果预测过程：向预测模型输入变量入参返回结构化结构获得辅助决策信息。
实施例二
一种介质，存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述的基于机器学习的化工仓储调度优化方法。
实施例三
一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现实施例一所述的基于机器学习的化工仓储调度优化方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器学习的化工仓储调度优化方法，其特征在于，包括：
采用历史数据集内的数据进行数学建模后通过机器学习建立预测模型，向预测模型输入变量计算获得辅助决策信息；
将决策信息输出与仓储管理系统并判断是否满足现有仓储处理能力，若是则按照决策信息进行执行，若否，则进行人工协调仓储处理，并保存人工协调仓储处理信息加入历史数据集内。
2.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述历史数据集包括训练集与验证集；
所述建立预设模型包括：
数据处理过程：基于需求抽象历史数据集内数据之间的关系建立数学模型；基于数学模型对训练集基于数学模型进行数据清洗获得数据清洗集；
模型训练过程：对得数据清洗集进行入参和/或出参处理后进行机器学习获得模型；
模型验证过程：采用验证集对验证模型进行验证，验证通过后获得预测模型；
结果预测过程：向预测模型输入变量入参返回结构化结构获得辅助决策信息。
3.根据权利要求2所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述训练集与验证集的比例为8：2。
4.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述仓储管理系统判断是否满足现有仓储处理能力前对辅助决策信息的有效性进行判断，若有效，则继续并将该辅助决策信息反馈给预测模型；若无效，则不反馈。
5.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述有效性进行判断包括：
所述仓储管理系统读取仓储详细信息，通过仓储详细信息进行最优仓储方案计算解析辅助决策信息是否具有有效性。
6.根据权利要求1所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述数学建模包括：
基于运筹学由投入-产出的最大利润角度、产出-投入的最低成本角度结合资源约束条件设计满足不同要求的数理模型。
7.根据权利要求6所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述变量、历史数据集包括：存储方式、数量、货物名称、货物类型、单位体积、单位重量；
所述资源约束条件、辅助决策信息包括：人、车、机、货、场；
所述数理模型为多标签决策树。
8.根据权利要求1-7任意一项所述的基于机器学习的化工仓储调度优化方法，其特征在于，所述机器学习采用逻辑回归算法或支持向量机。
9.一种介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的基于机器学习的化工仓储调度优化方法。
10.一种设备，至少包括存储器、处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器在执行所述存储器上的计算机程序时实现权利要求1-8任一项所述的基于机器学习的化工仓储调度优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943052.2A CN113657757A (zh) | 2021-08-17 | 2021-08-17 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110943052.2A CN113657757A (zh) | 2021-08-17 | 2021-08-17 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657757A true CN113657757A (zh) | 2021-11-16 |
Family
ID=78479955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110943052.2A Pending CN113657757A (zh) | 2021-08-17 | 2021-08-17 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657757A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596441A (zh) * | 2023-05-16 | 2023-08-15 | 深圳市易通安达国际物流有限公司 | 一种基于云计算的智能仓储服务管理方法及系统 |
| CN116976208A (zh) * | 2023-07-28 | 2023-10-31 | 沈阳飞机工业（集团）有限公司 | 一种基于机器学习的航空紧固件划分方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| CN111222817A (zh) * | 2018-11-27 | 2020-06-02 | 深圳先进技术研究院 | 一种基于云/边计算的智能仓储系统 |
| CN112258039A (zh) * | 2020-10-23 | 2021-01-22 | 贵州电网有限责任公司 | 一种基于强化学习的电力系统缺陷物资智能调度方法 |
-
2021
- 2021-08-17 CN CN202110943052.2A patent/CN113657757A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
| CN111222817A (zh) * | 2018-11-27 | 2020-06-02 | 深圳先进技术研究院 | 一种基于云/边计算的智能仓储系统 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| CN112258039A (zh) * | 2020-10-23 | 2021-01-22 | 贵州电网有限责任公司 | 一种基于强化学习的电力系统缺陷物资智能调度方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596441A (zh) * | 2023-05-16 | 2023-08-15 | 深圳市易通安达国际物流有限公司 | 一种基于云计算的智能仓储服务管理方法及系统 |
| CN116976208A (zh) * | 2023-07-28 | 2023-10-31 | 沈阳飞机工业（集团）有限公司 | 一种基于机器学习的航空紧固件划分方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657757A (zh) | 一种基于机器学习的化工仓储调度优化方法、介质及设备 | |
| Pasandideh et al. | Bi-objective optimization of a multi-product multi-period three-echelon supply chain problem under uncertain environments: NSGA-II and NRGA | |
| Bilgen et al. | Integrated production scheduling and distribution planning in dairy supply chain by hybrid modelling | |
| US9524463B2 (en) | Methods and systems for automating carbon footprinting | |
| Guo et al. | Modeling and Pareto optimization of multi-objective order scheduling problems in production planning | |
| EP3188096A1 (en) | Data analysis for predictive scheduling optimization for product production | |
| Bertazzi et al. | Min–Max exact and heuristic policies for a two-echelon supply chain with inventory and transportation procurement decisions | |
| Moghdani et al. | Multi-item fuzzy economic production quantity model with multiple deliveries | |
| CN114169573A (zh) | 一种物品的装箱方法、装置、设备及可读存储介质 | |
| CN112085355A (zh) | 一种互联网电商的交易订单管理方法及装置 | |
| Amaral et al. | Internal Logistics Process Improvement using PDCA: A Case Study in the Automotive Sector | |
| Seydanlou et al. | A customized multi-neighborhood search algorithm using the tabu list for a sustainable closed-loop supply chain network under uncertainty | |
| US11216761B2 (en) | System and method for supply chain optimization | |
| Gammelgaard et al. | Next generation supply chain management: the impact of cloud computing | |
| Das et al. | Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms | |
| Rong et al. | A reduction dynamic programming algorithm for the bi-objective integer knapsack problem | |
| Schmidt et al. | Traceability optimization in the meat supply chain with economic and environmental considerations | |
| Gil et al. | Log classification in the hardwood timber industry: method and value analysis | |
| CN114239989A (zh) | 一种物料需求计划的计算方法、系统、设备及存储介质 | |
| Wehner et al. | The Sustainability Data Science Life Cycle for automating multi-purpose LCA workflows for the analysis of large product portfolios | |
| CN116414094A (zh) | 一种焊接装配智能调度方法及系统 | |
| EP3985581A1 (en) | Solving program, solving method, and information processing device | |
| CN116663879A (zh) | 一种供应链安全风险识别方法及装置 | |
| CN113657904A (zh) | 一种化工交易风险评估方法及系统 | |
| Shibasaki et al. | A new upper bound based on Dantzig-Wolfe decomposition to maximize the stability radius of a simple assembly line under uncertainty |
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 |