CN114519382A - 一种核动力装置关键运行参数提取与异常监测方法 - Google Patents
一种核动力装置关键运行参数提取与异常监测方法 Download PDFInfo
- Publication number
- CN114519382A CN114519382A CN202210005189.8A CN202210005189A CN114519382A CN 114519382 A CN114519382 A CN 114519382A CN 202210005189 A CN202210005189 A CN 202210005189A CN 114519382 A CN114519382 A CN 114519382A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- parameter
- operation parameter
- key operation
- key
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Medical Informatics (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种核动力装置关键运行参数提取与异常监测方法,通过建立基于XgBoost的核动力装置关键运行参数自动提取模型,自动获取核动力装置关键运行参数,减少操纵员关注的关键参数范围;通过建立双重阈值法和定性趋势分析的关键参数异常状态监测模型,判断关键运行参数异常与否;通过建立基于KNN的工况识别模型,指导关键参数异常状态监测模型的阈值选取,使监测模型与核动力装置当前运行工况相匹配;最终实现对核动力装置关键运行参数的自动提取与异常状态监测。本发明适应核动力装置工况多变的场景,提高阈值监测方法的鲁棒性,避免系统波动引发频发的误报警,进而提高该阈值监测方法在实际应用中的可用性。
Description
技术领域
本发明涉及一种核动力装置关键运行参数的自动选取与异常监测方法,具体涉及一种基于XgBoost和双重阈值法的核动力装置关键运行参数提取与异常监测方法,属于核动力装置安全分析领域。
背景技术
核动力装置结构复杂、运行参数众多、各运行参数之间具有复杂的非线性耦合关系,当出现异常报警时,众多报警参数将给操纵员带来巨大的心理压力并影响其正确决策。因此,研究核动力装置关键运行参数的选取方法,在确保所选取的关键运行参数集合可及时反映系统异常状态的条件下,进一步缩小操纵员关注的运行参数范围,避免众多报警参数对操纵员正确决策的干扰,具有重要研究意义。
目前,核动力装置关键运行参数的选取多依赖于人工选取,即在对系统进行FMEA分析的基础上,结合专家知识进行反复测试确定关键运行参数集合。这种方法优点在于所选取的关键集合可信性好,但缺点是需要人工参与,并且核动力装置系统结构复杂,难以进行全故障、全工况范围的人工分析。此外,针对关键参数的异常监测方法,传统的阈值监测法仅通过一个上限阈值与一个下限阈值监测,上下限阈值选取不当则容易造成误报警或漏报警,难以适应运行工况多变的核动力装置运行场景。
综上所述,开发出一种自动的核动力装置关键运行参数选取方法,获取可有效识别系统异常的关键参数集合,在此基础上,使用开发鲁棒性更强的关键参数异常监测方法,对确保核动力装置安全可靠运行具有重要实际意义。
发明内容
本发明的目的是提供包括工况识别、关键运行参数自动提取、关键运行参数异常监测功能在内的核动力装置关键运行参数提取与异常监测方法,本方法可解决核动力装置关键运行参数选取以及运行参数异常监测方法鲁棒性不足的问题。
本发明的目的是这样实现的:步骤如下:
步骤一:获取在典型运行工况下的正常运行数据和典型故障数据作为训练数据X;
步骤二:利用XgBoost方法建立核动力装置关键运行参数自动提取模型,提取全部典型运行工况下的关键运行参数集合;
步骤三:利用K最近邻方法识别核动力装置所处的运行工况,指导监测模型选取与运行工况相匹配的阈值参数;
步骤四:利用双重阈值法计算核动力装置各典型运行工况下的高报警限的确认阈值、敏感阈值与低报警限的确认阈值、敏感阈值,利用定性趋势分析法判断关键运行参数是否存在超限报警,判断关键运行参数异常与否。
本发明还包括这样一些结构特征:
1.步骤二的基于XgBoost的关键运行参数自动选取方法包括:在包含全部典型运行工况的正常和典型故障数据的训练数据集X上,训练XgBoost模型,计算训练数据各特征在XgBoost树模型中进行节点划分的次数SplitTime以及利用该特征在整个树群作为分裂节点的信息增益之和∑Gain,进而计算特征的重要度FeatureImportance:
2.步骤三中的基于K最近邻方法的核动力装置运行工况识别模型具体包括:
(1)计算待识别的核动力装置实时运行数据点与典型稳态工况历史样本数据点之间的距离;
(2)将典型稳态工况历史样本点按照与实时运行数据的距离由小到大排序;
(3)选取前K个历史样本点作为待分类实时数据的近邻点;
(4)统计这K个历史样本点所属工况类别出现的次数;
(5)返回频率最高的工况类别,即为待分类点所属的工况类别,指导运行参数异常监测模型选取与运行工况匹配的阈值参数。
3.步骤四中的基于双重阈值法与定性趋势分析的核动力装置运行参数异常监测模型具体包括:
(1)计算各典型运行工况下正常数据内各运行参数的均值μ与均方差σ:
式中,N为各典型运行工况下训练数据数目,Xi为各典型工况下的训练数据;
(2)将核动力装置各关键运行参数在PCTRAN仿真软件上的报警阈值作为确认阈值,使用如下公式计算各关键运行参数的敏感阈值:
thhigh=μ+3σ
thlow=μ-3σ
式中,thhigh为该关键运行参数的上限敏感阈值,thlow为该关键运行参数的下限敏感阈值,μ为该关键运行参数的均值,σ为均方差;
(3)依据K最近邻工况识别模块得到的核动力装置运行工况信息,以及XgBoost模型获得的关键运行参数集合,判断各关键运行参数是否超过确认阈值,若超过则运行参数出现异常,若未超过,则继续判断运行参数是否超过敏感阈值;运行参数未超过则运行参数处于正常状态,超过则使用最小二乘法判断参数的斜率,若斜率为正且超过上限敏感阈值,则运行参数为超限报警,若斜率为负且低于下限敏感阈值,则运行参数为低限报警,否则,运行参数为正常状态。
与现有技术相比,本发明的有益效果是:本发明通过建立基于XgBoost的核动力装置关键运行参数自动提取模型,自动获取核动力装置关键运行参数,减少操纵员关注的关键参数范围;通过建立双重阈值法和定性趋势分析的关键参数异常状态监测模型,判断关键运行参数异常与否;通过建立基于KNN的工况识别模型,指导关键参数异常状态监测模型的阈值选取,使监测模型与核动力装置当前运行工况相匹配;最终实现对核动力装置关键运行参数的自动提取与异常状态监测。
本发明使用基于XgBoost的核动力装置关键运行参数自动提取模型,在仿真数据的基础上,无需专家先验知识以及人工的特征提取,可自动从核动力装置高维运行特征参数中自动选取重要的反映系统异常状态的运行参数,缩小操纵员需要关注的关键参数范围,为状态监测、故障诊断模型剔除了无用的特征信息,可提高状态监测、故障诊断等模型的准确率。
本发明将K最近邻方法与双重阈值法和定性趋势分析法进行融合,通过K最近邻方法指导双重阈值法和定性趋势分析模块选取与运行工况相匹配的阈值,适应核动力装置工况多变的场景,使用双重阈值法和定性趋势分析法建立关键参数异常状态的监测模型,通过引入敏感阈值,提高阈值监测方法的鲁棒性,避免系统波动引发频发的误报警,进而提高该阈值监测方法在实际应用中的可用性。
附图说明
图1是在线状态监测流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1,本发明的实现包括以下步骤:
(1)获取PCTRAN仿真软件在典型运行工况下的正常运行数据和典型故障数据作为训练数据X;
(2)利用XgBoost方法建立核动力装置关键运行参数自动提取模型,提取全部典型运行工况下的关键运行参数集合;
(3)利用K最近邻方法识别核动力装置所处的运行工况,指导监测模型选取与运行工况相匹配的阈值参数;
(4)利用双重阈值法计算核动力装置各典型运行工况下的高报警限的确认阈值、敏感阈值与低报警限的确认阈值、敏感阈值,利用定性趋势分析法判断关键运行参数是否存在超限报警,判断关键运行参数异常与否。
所述步骤(2)的基于XgBoost的关键运行参数自动选取方法,
1)在包含全部典型运行工况的正常和典型故障数据的训练数据集X上,训练XgBoost模型,计算训练数据各特征在XgBoost树模型中进行节点划分的次数SplitTime以及利用该特征在整个树群作为分裂节点的信息增益之和∑Gain,进而计算特征的重要度FeatureImportance。
所述步骤(3)的基于K最近邻方法的核动力装置运行工况识别模型,
1)计算待识别的核动力装置实时运行数据点与典型稳态工况历史样本数据点之间的距离;
2)将典型稳态工况历史样本点按照与实时运行数据的距离由小到大排序;
3)选取前K个历史样本点作为待分类实时数据的近邻点;
4)统计这K个历史样本点所属工况类别出现的次数;
5)返回频率最高的工况类别,即为待分类点所属的工况类别,指导运行参数异常监测模型选取与运行工况匹配的阈值参数。
所述步骤(4)的基于双重阈值法与定性趋势分析的核动力装置运行参数异常监测模型,
1)计算各典型运行工况下正常数据内各运行参数的均值μ与均方差σ;
式中,N为各典型运行工况下训练数据数目,Xi为各典型工况下的训练数据。
2)将核动力装置各关键运行参数在PCTRAN仿真软件上的报警阈值作为确认阈值,使用如下公式计算各关键运行参数的敏感阈值;
thhigh=μ+3σ (4)
thlow=μ-3σ (5)
式中,thhigh为该关键运行参数的上限敏感阈值,thlow为该关键运行参数的下限敏感阈值,μ为该关键运行参数的均值,σ为均方差。
3)依据K最近邻工况识别模块得到的核动力装置运行工况信息,以及XgBoost模型获得的关键运行参数集合,判断各关键运行参数是否超过确认阈值,若超过则运行参数出现异常,若未超过,则继续判断运行参数是否超过敏感阈值。运行参数未超过则运行参数处于正常状态,超过则使用最小二乘法判断参数的斜率,若斜率为正且超过上限敏感阈值,则运行参数为超限报警,若斜率为负且低于下限敏感阈值,则运行参数为低限报警,否则,运行参数为正常状态。
结合具体参数给出本发明的实施例如下:、
本发明的软件是以PyCharm为开发平台,采用Python3.6语言编写而成,其主要功能为:
连接好系统后,输入核动力装置各典型运行工况下的正常运行数据与典型故障数据,然后进行核动力装置关键运行参数的自动提取,接下来进行核动力装置运行工况的识别以及关键运行参数异常状态的监测。
如图1所示,本发明的一种基于XgBoost和双重阈值法的核动力装置关键运行参数提取与异常监测方法,其步骤如下:
(1)使用PCTRAN仿真软件获取核动力装置100%满功率(FullPower,FP)、70%FP、30%FP三种典型运行工况下的正常运行模拟数据和主冷却系统冷管段破口事故、主冷却系统热管段破口事故、主蒸汽管道破裂事故等典型故障模拟数据作为训练数据X;
(2)利用XgBoost方法建立核动力装置关键运行参数自动提取模型,提取全部典型运行工况下的关键运行参数集合,各运行参数重要度的计算公式如下:
式中,FeatureImportance为特征的重要度,SplitTime为计算训练数据的各特征在XgBoost树模型中进行节点划分的次数,∑Gain为该特征在整个树群作为分裂节点的信息增益之和。
(3)利用K最近邻方法识别核动力装置所处的运行工况,指导监测模型选取与运行工况相匹配的阈值参数,基于K最近邻的工况识别方法实现如下:
1)计算待识别的核动力装置实时运行数据点与典型稳态工况历史样本数据点之间的距离;
2)将典型稳态工况历史样本点按照与实时运行数据的距离由小到大排序;
3)选取前K个历史样本点作为待分类实时数据的近邻点;
4)统计这K个历史样本点所属工况类别出现的次数;
5)返回频率最高的工况类别,即为待分类点所属的工况类别,指导运行参数异常监测模型选取与运行工况匹配的阈值参数。
(4)在XgBoost模型获取的关键运行参数集合以及工况信息的基础上,利用训练数据集X和双重阈值法计算核动力装置各典型运行工况下的高报警限的确认阈值、敏感阈值与低报警限的确认阈值、敏感阈值,利用定性趋势分析法判断关键运行参数是否存在超限报警,判断关键运行参数异常与否。
(5)获取下一时刻PCTRAN仿真软件运行数据,重复步骤(3)、(4)。
Claims (4)
1.一种核动力装置关键运行参数提取与异常监测方法,其特征在于,步骤如下:
步骤一:获取在典型运行工况下的正常运行数据和典型故障数据作为训练数据X;
步骤二:利用XgBoost方法建立核动力装置关键运行参数自动提取模型,提取全部典型运行工况下的关键运行参数集合;
步骤三:利用K最近邻方法识别核动力装置所处的运行工况,指导监测模型选取与运行工况相匹配的阈值参数;
步骤四:利用双重阈值法计算核动力装置各典型运行工况下的高报警限的确认阈值、敏感阈值与低报警限的确认阈值、敏感阈值,利用定性趋势分析法判断关键运行参数是否存在超限报警,判断关键运行参数异常与否。
3.根据权利要求1所述的一种核动力装置关键运行参数提取与异常监测方法,其特征在于,步骤三中的基于K最近邻方法的核动力装置运行工况识别模型具体包括:
(1)计算待识别的核动力装置实时运行数据点与典型稳态工况历史样本数据点之间的距离;
(2)将典型稳态工况历史样本点按照与实时运行数据的距离由小到大排序;
(3)选取前K个历史样本点作为待分类实时数据的近邻点;
(4)统计这K个历史样本点所属工况类别出现的次数;
(5)返回频率最高的工况类别,即为待分类点所属的工况类别,指导运行参数异常监测模型选取与运行工况匹配的阈值参数。
4.根据权利要求1所述的一种核动力装置关键运行参数提取与异常监测方法,其特征在于,步骤四中的基于双重阈值法与定性趋势分析的核动力装置运行参数异常监测模型具体包括:
(1)计算各典型运行工况下正常数据内各运行参数的均值μ与均方差σ:
式中,N为各典型运行工况下训练数据数目,Xi为各典型工况下的训练数据;
(2)将核动力装置各关键运行参数在PCTRAN仿真软件上的报警阈值作为确认阈值,使用如下公式计算各关键运行参数的敏感阈值:
thhigh=μ+3σ
thlow=μ-3σ
式中,thhigh为该关键运行参数的上限敏感阈值,thlow为该关键运行参数的下限敏感阈值,μ为该关键运行参数的均值,σ为均方差;
(3)依据K最近邻工况识别模块得到的核动力装置运行工况信息,以及XgBoost模型获得的关键运行参数集合,判断各关键运行参数是否超过确认阈值,若超过则运行参数出现异常,若未超过,则继续判断运行参数是否超过敏感阈值;运行参数未超过则运行参数处于正常状态,超过则使用最小二乘法判断参数的斜率,若斜率为正且超过上限敏感阈值,则运行参数为超限报警,若斜率为负且低于下限敏感阈值,则运行参数为低限报警,否则,运行参数为正常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005189.8A CN114519382A (zh) | 2022-01-05 | 2022-01-05 | 一种核动力装置关键运行参数提取与异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210005189.8A CN114519382A (zh) | 2022-01-05 | 2022-01-05 | 一种核动力装置关键运行参数提取与异常监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519382A true CN114519382A (zh) | 2022-05-20 |
Family
ID=81596387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210005189.8A Pending CN114519382A (zh) | 2022-01-05 | 2022-01-05 | 一种核动力装置关键运行参数提取与异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519382A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131946A (zh) * | 2022-06-27 | 2022-09-30 | 南京凯奥思数据技术有限公司 | 一种考虑工况波动的自适应设备报警方法和系统 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
-
2022
- 2022-01-05 CN CN202210005189.8A patent/CN114519382A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131946A (zh) * | 2022-06-27 | 2022-09-30 | 南京凯奥思数据技术有限公司 | 一种考虑工况波动的自适应设备报警方法和系统 |
CN115131946B (zh) * | 2022-06-27 | 2024-03-08 | 南京凯奥思数据技术有限公司 | 一种考虑工况波动的自适应设备报警方法和系统 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738274A (zh) | 一种基于数据驱动的核动力装置故障诊断方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN104267668A (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN112598144B (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN113221435A (zh) | 传感器的筛选方法及装置、传感器数据重构方法及系统 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN108761263B (zh) | 一种基于证据理论的故障诊断系统 | |
CN111736636A (zh) | 一种基于知识图谱的水淹水车室预警方法及系统 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN106933097A (zh) | 一种基于多层优化pcc‑sdg的化工过程故障诊断方法 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN115167366A (zh) | 基于传感器信号残差序列加权平方和的板卡故障诊断方法 | |
CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
CN116449761B (zh) | 智能泵站智慧控制系统及方法 | |
Liu et al. | A Fault Diagnosis Method Based on Signed Directed Graph and Correlation Analysis for Nuclear Power Plants | |
CN114371686A (zh) | 基于局部邻域标准化的多工况过程故障检测方法及系统 | |
CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 |
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 |