CN114048565A - 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法 - Google Patents

一种基于机器学习及大数据的整体刀具刃磨工艺求解方法 Download PDF

Info

Publication number
CN114048565A
CN114048565A CN202111330537.0A CN202111330537A CN114048565A CN 114048565 A CN114048565 A CN 114048565A CN 202111330537 A CN202111330537 A CN 202111330537A CN 114048565 A CN114048565 A CN 114048565A
Authority
CN
China
Prior art keywords
solving
grinding wheel
chip pocket
chip
parameters
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
Application number
CN202111330537.0A
Other languages
English (en)
Inventor
李国超
陆洁
刘志刚
陈建志
孙丽
史肖娜
周宏根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111330537.0A priority Critical patent/CN114048565A/zh
Publication of CN114048565A publication Critical patent/CN114048565A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，建立砂轮固连和刀具棒料固连坐标系；确定容屑槽加工工艺参数取值范围，建立容屑槽刃磨工艺大数据，对所有数据根据特征进行归一化处理，建立容屑槽加工工艺多输出回归模型，求解整体刀槽刃磨工艺参数，输入所设计的容屑槽轮廓端截面线的容屑槽特征参数即可获得刃磨工艺参数。本发明具有良好的求解精度、求解效率以及适用性，适合不同形状容屑槽刃磨工艺参数的快速求解，并且实现砂轮位姿以及砂轮形状的组合求解，有效提升整体式刀具的制造效率和精度。

Description

一种基于机器学习及大数据的整体刀具刃磨工艺求解方法
技术领域
本发明涉及整体刀具容屑槽的刃磨工艺求解方法，尤其涉及一种基于机器学习及大数据的整体刀具刃磨工艺求解方法。
背景技术
容屑槽是立铣刀、钻头、铰刀等整体刀具的重要结构之一，容屑槽决定了切削刃的强度和锐度，以及切屑去除能力。容屑槽空间表面复杂，毛坯硬度大，需要用五轴磨床进行加工。随着各种容屑槽几何形状的出现，如何通过设置砂轮位置和几何形状等关键加工参数来获得理想的容屑槽几何形状，已成为容屑槽加工和刀具加工中迫切需要解决的问题。根据容屑槽设计形状求解砂轮形状、砂轮相对刀具棒料位置等工艺参数，是实现整体式刀具高效生产的必要条件，但目前传统通过迭代求解或试错的方式具有超越方程无法求解、迭代算法求解时间长、精度低、适应性差等缺点，已经无法满足现代刀具容屑槽的加工需求。
因此，亟待解决上述问题。
发明内容
发明目的：本发明的目的提供一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，可满足整体刀具容屑槽形状多样化、复杂化、精确化等加工要求。
本发明公开了一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，包括如下步骤：
步骤(1)：建立砂轮固连坐标系OW-XWYWZW和刀具棒料固连坐标系OT-XTYTZT，其中OW为砂轮端面原点，XW、YW位于砂轮端面上，ZW与砂轮轴线重合，XW、YW、 ZW三者之间构成笛卡尔坐标系；OT为刀具端面原点，XT、YT位于刀具端面上，ZW与刀具轴线重合，XT、YT、ZT三者之间构成笛卡尔坐标系；
步骤(2)：确定容屑槽加工工艺参数取值范围，加工工艺参数包括砂轮轴线向量ZW与刀具棒料轴线向量ZT之间的角度Δαx、砂轮坐标系原点OW到YT轴之间的距离Δx、砂轮坐标系原点OW到XT轴之间的距离Δy、砂轮半径gr、砂轮锥角θW和砂轮厚度BW；
步骤(3)：建立容屑槽刃磨工艺大数据，对加工工艺参数在取值范围内进行均匀离散为n个值，获得具有n6条数据的大数据集，每条数据包括6个已知加工工艺参数以及求解所得的至少m个容屑槽特征参数，m＞20；
步骤(4)：对所有数据根据特征进行归一化处理；
步骤(5)：建立容屑槽加工工艺多输出回归模型；
步骤(6)：求解整体刀槽刃磨工艺参数，输入所设计的容屑槽轮廓端截面线，并将该容屑槽轮廓端截面线均匀离散为2m个点，m为容屑槽特征参数的个数，每2个点之间的欧式距离构成一个特征，形成m个容屑槽特征参数，将m个容屑槽特征参数输入到步骤(5)建立的容屑槽加工工艺多输出回归模型，即可获得6个刃磨工艺参数。
其中，所述步骤(3)中容屑槽特征参数指将容屑槽端截面线均匀离散为68个点，每2个点之间的欧式距离构成一个特征。
优选的，所述步骤(4)中归一化处理函数为
Figure RE-GDA0003425337170000021
其中x代表一个特征，xmax代表该特征对应的n6条数据中的最大值，xmin代表该特征对应的n6条数据中的最小值。
再者，所述步骤(5)中建立容屑槽加工工艺多输出回归模型采用神经网络算法，网络输入层为34个容屑槽特征，输出层为6个加工工艺参数，隐藏层包括6层，各层之间为全连接层，第一隐藏层包括384个神经元，第二隐藏层包括192个神经元，第三隐藏层包括96个神经元，第四隐藏层包括48个神经元，第五隐藏层包括24个神经元，第六隐藏层包括12个神经元，激活函数为Sigmoid函数。
进一步，所述步骤(3)中容屑槽特征参数的数量m为34。
有益效果：与现有技术相比，本发明具有以下显著优点：
本发明利用砂轮形状、砂轮相对刀具棒料位置等工艺参数求解容屑槽特征参数并建立工艺参数和容屑槽特征参数的大数据，再利用容屑槽加工工艺多输出回归模型建立工艺参数和容屑槽特征参数之间的关系模型，利用大数据和回归模型，输入待所设计的容屑槽轮廓端截面线的容屑槽特征参数，即可快速求解加工工艺参数，且本发明将容屑槽加工工艺求解问题转化为多输出回归问题，使得本发明具有良好的求解精度、求解效率以及适用性，适合不同形状容屑槽刃磨工艺参数的快速求解，并且实现砂轮位姿以及砂轮形状的组合求解，有效提升整体式刀具的制造效率和精度。
附图说明
图1为本发明工艺求解方法的流程示意图；
图2为本发明中容屑槽加工工艺多输出回归模型的网络结构图；
图3为本发明中求解效果总体评价图；
图4为本发明中求解效果临近刀尖处评价图；
图5为本发明中求解效果临近后刀面处评价图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1和图2所示，一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，包括如下步骤：
步骤(1)：建立砂轮固连坐标系OW-XWYWZW和刀具棒料固连坐标系OT-XTYTZT，其中OW为砂轮端面原点，XW、YW位于砂轮端面上，ZW与砂轮轴线重合，XW、YW、 ZW三者之间构成笛卡尔坐标系；OT为刀具端面原点，XT、YT位于刀具端面上，ZW与刀具轴线重合，XT、YT、ZT三者之间构成笛卡尔坐标系；
步骤(2)：确定容屑槽加工工艺参数取值范围，加工工艺参数包括砂轮轴线向量ZW与刀具棒料轴线向量ZT之间的角度Δαx、砂轮坐标系原点OW到YT轴之间的距离Δx、砂轮坐标系原点OW到XT轴之间的距离Δy、砂轮半径gr、砂轮锥角θW和砂轮厚度BW；
步骤(3)：建立容屑槽刃磨工艺大数据，对加工工艺参数在取值范围内进行均匀离散为n个值，获得具有n6条数据的大数据集，每条数据包括6个已知加工工艺参数以及求解所得的m个容屑槽特征参数，m＞20；其中容屑槽特征参数指将容屑槽端截面线均匀离散为2m个点，每2个点之间的欧式距离构成一个特征；
步骤(4)：对所有数据根据特征进行归一化处理，归一化处理函数为
Figure RE-GDA0003425337170000031
其中x代表一个特征，xmax代表该特征对应的n6条数据中的最大值，xmin代表该特征对应的n6条数据中的最小值；
步骤(5)：建立容屑槽加工工艺多输出回归模型，采用神经网络算法，网络输入层为m个容屑槽特征，输出层为6个加工工艺参数，隐藏层包括6层，各层之间为全连接层，第一隐藏层包括384个神经元，第二隐藏层包括192个神经元，第三隐藏层包括96 个神经元，第四隐藏层包括48个神经元，第五隐藏层包括24个神经元，第六隐藏层包括12个神经元，激活函数为Sigmoid函数；
步骤(6)：求解整体刀槽刃磨工艺参数，输入所设计的容屑槽轮廓端截面线，并将该容屑槽轮廓端截面线均匀离散为2m个点，每2个点之间的欧式距离构成一个特征，形成m个容屑槽特征参数，将m个容屑槽特征参数输入到步骤(5)建立的容屑槽加工工艺多输出回归模型，即可获得6个刃磨工艺参数。
实施例1
如图1所示，实施例1中一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，包括如下步骤：
步骤(1)：建立砂轮固连坐标系OW-XWYWZW和刀具棒料固连坐标系OT-XTYTZT，其中OW为砂轮端面原点，XW、YW位于砂轮端面上，ZW与砂轮轴线重合，XW、YW、 ZW三者之间构成笛卡尔坐标系；OT为刀具端面原点，XT、YT位于刀具端面上，ZW与刀具轴线重合，XT、YT、ZT三者之间构成笛卡尔坐标系；
步骤(2)：确定容屑槽加工工艺参数取值范围，加工工艺参数包括砂轮轴线向量ZW与刀具棒料轴线向量ZT之间的角度Δαx∈[33，40]、砂轮坐标系原点OW到YT轴之间的距离Δx∈[75，79]、砂轮坐标系原点OW到XT轴之间的距离Δy∈[-17，-13]、砂轮半径gr∈[0，8]、砂轮锥角θW∈[65，85]和砂轮厚度BW∈[10，30]；
步骤(3)：建立容屑槽刃磨工艺大数据，对加工工艺参数在取值范围内进行均匀离散为n个值，获得具有46656条数据的大数据集，每条数据包括6个已知加工工艺参数以及求解所得的34个容屑槽特征参数；其中容屑槽特征参数指将容屑槽端截面线均匀离散为68个点，每2个点之间的欧式距离构成一个特征，容屑槽刃磨工艺大数据如表1 所示；
表1容屑槽刃磨工艺大数据
Figure RE-GDA0003425337170000041
步骤(4)：对所有数据根据特征进行归一化处理，归一化处理函数为
Figure RE-GDA0003425337170000051
其中x代表一个特征，xmax代表该特征对应的46656条数据中的最大值，xmin代表该特征对应的46656条数据中的最小值；
步骤(5)：如图2所示，建立容屑槽加工工艺多输出回归模型，采用神经网络算法，网络输入层为34个容屑槽特征，输出层为6个加工工艺参数，隐藏层包括6层，各层之间为全连接层，第一隐藏层包括384个神经元，第二隐藏层包括192个神经元，第三隐藏层包括96个神经元，第四隐藏层包括48个神经元，第五隐藏层包括24个神经元，第六隐藏层包括12个神经元，激活函数为Sigmoid函数；
步骤(6)：求解整体刀槽刃磨工艺参数，输入所设计的容屑槽轮廓端截面线，并将该容屑槽轮廓端截面线均匀离散为68个点，每2个点之间的欧式距离构成一个特征，形成34个容屑槽特征参数，34个容屑槽特征参数为：[13.0659，125.2579，3.3855，57.7132，103.8992，308.7011，290.0379，271.7449，254.2606，237.1815，220.6929，205.2732，190.2191，175.7900，161.5395，151.4348，139.8179，127.7944，116.2138，105.4143，95.0730，85.5465，76.4591，67.9247，59.9783，52.6941，45.8820，39.6587，33.9136，28.4647，23.1941，18.1371，13.2762，8.6972，4.2142]，将34个容屑槽特征参数输入到步骤(5)建立的容屑槽加工工艺多输出回归模型，即可获得6个刃磨工艺参数[35.129，75.978，-16.000，1.222，47.327，22]。
实施例1根据所获得6个刃磨工艺参数进行容屑槽加工，获得与理想形状的对比，如图3所示，在容屑槽总体轮廓线上具有很高的求解精度；如图4所示，在临近刀尖处具有很高的求解精度，误差小于0.04；如图5所示，在临近后刀面处具有很高的求解精度，误差小于0.06。

Claims (5)

1.一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，其特征在于，包括如下步骤：
步骤(1)：建立砂轮固连坐标系OW-XWYWZW和刀具棒料固连坐标系OT-XTYTZT，其中OW为砂轮端面原点，XW、YW位于砂轮端面上，ZW与砂轮轴线重合，XW、YW、ZW三者之间构成笛卡尔坐标系；OT为刀具端面原点，XT、YT位于刀具端面上，ZW与刀具轴线重合，XT、YT、ZT三者之间构成笛卡尔坐标系；
步骤(2)：确定容屑槽加工工艺参数取值范围，加工工艺参数包括砂轮轴线向量ZW与刀具棒料轴线向量ZT之间的角度Δαx、砂轮坐标系原点OW到YT轴之间的距离Δx、砂轮坐标系原点OW到XT轴之间的距离Δy、砂轮半径gr、砂轮锥角θW和砂轮厚度BW；
步骤(3)：建立容屑槽刃磨工艺大数据，对加工工艺参数在取值范围内进行均匀离散为n个值，获得具有n6条数据的大数据集，每条数据包括6个已知加工工艺参数以及求解所得的至少m个容屑槽特征参数，m＞20；
步骤(4)：对所有数据根据特征进行归一化处理；
步骤(5)：建立容屑槽加工工艺多输出回归模型；
步骤(6)：求解整体刀槽刃磨工艺参数，输入所设计的容屑槽轮廓端截面线，并将该容屑槽轮廓端截面线均匀离散为2m个点，m为容屑槽特征参数的个数，每2个点之间的欧式距离构成一个特征，形成m个容屑槽特征参数，将m个容屑槽特征参数输入到步骤(5)建立的容屑槽加工工艺多输出回归模型，即可获得6个刃磨工艺参数。
2.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，其特征在于：所述步骤(3)中容屑槽特征参数指将容屑槽端截面线均匀离散为68个点，每2个点之间的欧式距离构成一个特征。
3.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，其特征在于：所述步骤(4)中归一化处理函数为
Figure FDA0003348645500000011
其中x代表一个特征，xmax代表该特征对应的n6条数据中的最大值，xmin代表该特征对应的n6条数据中的最小值。
4.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，其特征在于：所述步骤(5)中建立容屑槽加工工艺多输出回归模型采用神经网络算法，网络输入层为m个容屑槽特征，输出层为6个加工工艺参数，隐藏层包括6层，各层之间为全连接层，第一隐藏层包括384个神经元，第二隐藏层包括192个神经元，第三隐藏层包括96个神经元，第四隐藏层包括48个神经元，第五隐藏层包括24个神经元，第六隐藏层包括12个神经元，激活函数为Sigmoid函数。
5.根据权利要求1所述的一种基于机器学习及大数据的整体刀具刃磨工艺求解方法，其特征在于：所述步骤(3)中容屑槽特征参数的数量m为34。
CN202111330537.0A 2021-11-11 2021-11-11 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法 Pending CN114048565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111330537.0A CN114048565A (zh) 2021-11-11 2021-11-11 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111330537.0A CN114048565A (zh) 2021-11-11 2021-11-11 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法

Publications (1)

Publication Number Publication Date
CN114048565A true CN114048565A (zh) 2022-02-15

Family

ID=80208228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111330537.0A Pending CN114048565A (zh) 2021-11-11 2021-11-11 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法

Country Status (1)

Country Link
CN (1) CN114048565A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPQ992000A0 (en) * 2000-09-05 2000-09-28 Anca Pty Ltd Grinding of cutting tools with a constant rake angle
CN106991241A (zh) * 2017-04-11 2017-07-28 江苏科技大学 一种刀具容屑槽刃磨干涉预测方法
CN107045578A (zh) * 2017-04-25 2017-08-15 江苏科技大学 一种基于npso算法的容屑槽加工砂轮位姿求解方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPQ992000A0 (en) * 2000-09-05 2000-09-28 Anca Pty Ltd Grinding of cutting tools with a constant rake angle
CN106991241A (zh) * 2017-04-11 2017-07-28 江苏科技大学 一种刀具容屑槽刃磨干涉预测方法
CN107045578A (zh) * 2017-04-25 2017-08-15 江苏科技大学 一种基于npso算法的容屑槽加工砂轮位姿求解方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI GUOCHAO.ETC: "Big Data-oriented Wheel Position and Geometry Calculation for Cutting Tool Groove Manufacturing based on AI Algorithms", 《ENGINEERING, COMPUTER SCIENCE》, 3 November 2021 (2021-11-03) *
李国超: "基于小生境粒子群算法的刀具容屑槽刃磨工艺设计", 《计算机集成制造系统》, 15 July 2019 (2019-07-15), pages 1746 - 1756 *
游明琳;: "整体铣刀端截形像素求解法的探索", 制造技术与机床, no. 05, 2 May 2020 (2020-05-02) *

Similar Documents

Publication Publication Date Title
CN102303221B (zh) 一种大方孔凹模的加工方法
CN104384586B (zh) 四轴数控铣机床加工整体叶轮的方法
CN107570768B (zh) 开式整体叶盘通道多刀具分区域粗加工工艺方法
CN100402232C (zh) 硬质合金锯片铣刀的制造工艺
CN104475842B (zh) 一种整体叶盘结构型面铣削加工工艺方法
CN108714770A (zh) 一种发动机整流导向叶片加工的方法
CN103737069A (zh) 用于钻削复合材料构件的刀具的设计方法以及其刀具
CN108176884B (zh) 复材叶片前缘钛合金加强边内外同步对称铣加工方法
CN103192127B (zh) 基于b2型金刚石涂层刀片的机夹式成形铣刀盘
CN113962040B (zh) 一种立铣刀周齿分屑槽砂轮磨削轨迹计算方法
CN114048565A (zh) 一种基于机器学习及大数据的整体刀具刃磨工艺求解方法
CN105759717B (zh) 一种用于五轴数控加工的刀具轨迹防过切的方法
CN110586994A (zh) 一种倾斜刀轴铣削大型超高精度密封平面的方法
JPH1080816A (ja) ソリッドボールエンドミル
CN205629492U (zh) 一种带修光刃铣刀
CN110091250A (zh) Pcd磨头及其加工方法
CN111373866B (zh) 一种钛合金离心式叶轮的加工方法
CN113560961A (zh) 一种高精度无纺布上切刀的加工工艺
CN110262399B (zh) 一种螺旋锥齿轮齿面侧刃铣的加工方法
CN103286536B (zh) 采用冷镦工艺加工十字槽阳模的方法
CN103454975A (zh) 参数化数控立铣刀制造工艺设计方法
CN110321370B (zh) 基于rbr的刀夹具选配方法及滚齿机的刀夹具选配方法
CN108363890B (zh) 开式整体叶盘通道插铣粗加工的材料残余高度评估方法
CN206169399U (zh) 球型铰刀的结构
Martinez-Aguirre et al. Design, Motion-planning, and Manufacturing of Custom-shaped Tools for 5-axis Super Abrasive Machinig of a Turbomachinery Blade Type Component

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