CN114544765A - 一种基于深度学习的检测板状材料缺陷存在与位置的方法 - Google Patents
一种基于深度学习的检测板状材料缺陷存在与位置的方法 Download PDFInfo
- Publication number
- CN114544765A CN114544765A CN202210076405.8A CN202210076405A CN114544765A CN 114544765 A CN114544765 A CN 114544765A CN 202210076405 A CN202210076405 A CN 202210076405A CN 114544765 A CN114544765 A CN 114544765A
- Authority
- CN
- China
- Prior art keywords
- guided wave
- graph
- signal
- defect
- global
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Abstract
本发明涉及一种基于深度学习的检测板状材料缺陷存在与位置的方法,包括:获取待检测结构的由与不同缺陷位置相对应的单个导波信号构成的导波信号数据集;将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,将每个信号片段作为一个局部图节点,确定每两个局部图节点之间的权重,将单个导波信号转换为局部图;将局部图作为一个全局图节点,确定每两个全局图节点之间的权重,将导波信号数据集转换为全局图;将导波全局图输入图卷积神经网络模型进行训练;将实验新获得的导波信号输入训练好的模型,得到待检测结构的缺陷位置输出。本发明能够对导波信号缺陷信息的充分挖掘,提高了缺陷检测效果。
Description
技术领域
本发明涉及损伤检测技术领域,尤其是一种基于深度学习的检测板状材料缺陷存在与位置的方法。
背景技术
工程设备中损伤的存在严重危及系统运行和安全。为了及时检测损坏并防止灾难性故障,有效、连续和自动的损坏检测至关重要。基于导波的损伤检测技术是最有效的损坏检测方法之一,因为它具有长距离传播能力以及对波传播路径附近的异常和不均匀物的高度敏感性。通常,换能器阵列可用于生成和记录导波信号。传播的导波与损伤相互作用,记录损伤引起的波场变化。然后,提取损坏相关信息以解释记录信号并执行损坏诊断。超声导波具有频散性和多模态特性,易受温度、压力、噪声和复杂结构等环境和操作条件变化的影响。此外,在结构边界处或损坏处反射的导波的混响进一步增加了问题的难度。因此,导波信号的特征提取是一项具有挑战性和复杂性的工作。
人工提取信号特征的方法主要包括基线减法和损坏指数法来去除无用的背景信息。基线减法是将从完好健康状态下收集的早期基线信号与“当前”有缺陷的信号进行差分,获得到缺陷相关的信息,即通过两个信号之间的差异表明损坏引起的变化。其缺点是需要操作员的主观判断,并且提取的特征不可重构,导致信息丢失。分析损坏指数,例如相关系数和能量比,这些损坏指数需要空间密集的换能器阵列来准确检测和定位损伤,可检测区域受到换能器阵列覆盖的实际区域的限制,即对于换能器覆盖范围之外的区域无法检测。此外,对于覆盖区域进行精确检测需要布置足够多的换能器,并在每对换能器之间计算一次损坏指数,操作复杂、计算量大,且换能器布置过多容易影响在役状态的被检测系统的正常工作。
为了解决人工提取特征信号的缺陷,许多基于机器学习(ML)的方法被引入到基于导波的损伤检测中。对于给定的系统,机器学习在系统输入空间和相应的离散(分类)或连续输出空间(回归)之间建立非线性和高阶连接。通过连接,人们可以预测与先前连接建立过程不熟悉的未知输入对应的新输出。对于超声损伤诊断来说,使用一定数量的已知输入(导波特征时间序列信号或从信号中提取的损伤指数)和已知输出(损坏状态)使机器学习模型学习相应的复杂连接,其中已知的输入和输出通常称为训练数据。然而,实际应用中的训练数据很少。因此,如何优化利用有限的资源来充分提取与损害相关的可用信息具有重要意义。
现有技术中,用于损伤检测的机器学习方法中,深度神经网络(DNN),例如卷积神经网络(CNN)、长短期记忆网络(LSTM)和完全卷积神经网络(FCN)备受关注。这些方法的核心观点是通过损伤指数和DNN架构提取与损伤相关的高层特征。然而,这些方法只关注与损伤相关的单个特征,而单个特征信号通常较微弱,导致检测效果较差。
发明内容
针对现有技术的不足,本发明提供一种基于深度学习的检测板状材料缺陷存在与位置的方法,目的是通过提取多特征之间的关系信息放大缺陷信号的与缺陷相关的信息,实现对于板状材料中缺陷反射超声导波信号信息的充分挖掘。
本发明采用的技术方案如下:
一种基于深度学习的检测板状材料缺陷存在与位置的方法,包括:
获取待检测结构的导波信号数据集,所述导波信号数据集由与不同缺陷位置相对应的单个导波信号构成;
构造导波局部图:将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,将每个信号片段作为一个局部图节点,并确定每两个所述局部图节点之间的权重,将单个导波信号转换为局部图;
构造导波全局图:将所述局部图作为一个全局图节点,并确定每两个所述全局图节点之间的权重,将所述导波信号数据集转换为全局图;
将所述导波全局图输入图卷积神经网络模型进行训练;
将实验新获得的导波信号输入训练好的模型,得到待检测结构的缺陷位置输出。
所述获取待检测结构的导波信号数据集,包括:
使用三个压电片作为导波激发与接收的致动器与传感器,每次向一个压电片施加电压,激发导波,其他两个压电片记录导波信号;三个压电片轮流激发;
在收集导波信号的过程中,利用轻砝码模拟待检测结构的缺陷对导波传播的影响,将砝码放置不同的位置,收集不同缺陷位置对应的导波信号。
所述将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,具体包括:
对于单个导波信号X(nΔt),正则化处理后使用激励信号宽度T的滑动汉宁窗函数处理,获得信号片段,用离散短时傅立叶变换形式表示如下:
式中,X″k,m是信号片段,k=0,…,N-1,N为信号采样点个数,m=0,…,M-1,M=(N-1)Δt/T,T为激励信号宽度,Δt是采样时间间隔,X′n是X(nΔt)归一化后的信号,wn-m是相应的窗函数,n=0,…,N-1,
所述确定每两个所述局部图节点之间的权重,包括:直接测量每个所述信号片段的时频特性差异:
式中,X″代表单个信号片段的以横坐标为时间t纵坐标为频率的采样点信号值,下标p、q表示采样点序号,其中p=0,…,N-1,q=0,…,N-1,N为信号采样点个数,t0、tm单个信号片段时域的首、尾坐标,T为激励信号宽度,与信号片段的宽度相等即T=tm-t0。
将所述局部图作为一个全局图节点,包括:
通过图拉普拉斯矩阵L提取由所有信号片段的时频特性差异Wpq构成的权重矩阵W的低维特征,包括:
首先,构建图拉普拉斯矩阵L=D-W,D为对角度矩阵,其对角元素Dpp=∑qWpq;
然后,对图拉普拉斯矩阵L进行特征值分解:
式中,U是包含图拉普拉斯矩阵特征向量的正交矩阵;Λ=diag(λ1,λ2,...,λQ)是包含图拉普拉斯矩阵的特征值的对角矩阵;
将提取的特征值组成的低维特征向量[λ1,λ2,...,λQ]作为所述全局图节点。
所述确定每两个所述全局图节点之间的权重,通过下式表示:
本发明的有益效果如下:
本发明将缺陷反射超声导波信号集转换为全局图,实现对不同导波信号之间相互作用的描述,利用图卷积神经网络将多个特征之间的关系信息进行计算,计算结果放大了缺陷信号的相关信息,实现对于板状材料中缺陷反射超声导波的信号信息的充分挖掘,提高了缺陷检测效果和检测方法的水平。
本发明在确定全局图的边权重时将属于相同缺陷位置的信号连接起来,聚合了更多的损伤位置信息,提高了特征提取的能力。将属于不同缺陷位置的信号断开,阻止属于不同缺陷位置的节点的信息聚合,防止破坏有效的特征提取,提高了特征提取的准确性和精度。
本发明方法便捷、高效,可实时监测复合材料及金属材料损伤,无需使用较多的换能器,成本低廉同时也不会影响在役设备和系统的正常工作。可实现对于工业设施、航天设备等的微小缺陷的快速超声无损评价以及结构健康监测的工业应用。
附图说明
图1为本发明方法的流程图。
图2为本发明实施例的采集板状结构导波信号数据集的示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
可参考图1,本申请的一种基于深度学习的检测板状材料缺陷存在与位置的方法,包括:
获取待检测结构的导波信号数据集,导波信号数据集由与不同缺陷位置相对应的单个导波信号构成;
构造导波局部图:将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,将每个信号片段作为一个局部图节点,并确定每两个局部图节点之间的权重,将单个导波信号转换为局部图;
构造导波全局图:将局部图作为一个全局图节点,并确定每两个全局图节点之间的权重,将导波信号数据集转换为全局图;
将导波全局图输入图卷积神经网络模型进行训练;
利用训练好的模型,输入实验新获得的导波信号,得到待检测结构的缺陷位置输出。
以下以具体实施例进一步说明本申请的技术方案:
一、获取待检测结构的导波信号数据集。
本实施例采用金属材料板状结构作为待检测结构。利用轻砝码模拟待检测结构的缺陷对导波传播的影响,将砝码放置不同的位置,收集不同缺陷位置对应的导波信号。其缺陷模拟放置位置如图2所示。
使用三个压电片作为导波激发与接收的致动器与传感器,每次向一个压电片施加电压,激发导波,其他两个压电片记录导波信号。压电片可优选采用锆钛酸铅压电陶瓷(PZT),并使用环氧树脂粘连在待检测结构上。每次向一个压电片施加电压,激发导波,其他两个压电片记录导波信号。
在收集导波信号的过程中,每个砝码所在的位置(缺陷位置),三个压电片轮流作为激发压电片,共可收集六个信号,作为同一缺陷位置的导波信号集,收集全部导波信号。
具体的,采用信号发生器,产生周期为5的汉明窗正弦信号,经过功率放大器,输入激发压电片。接收导波信号由示波器记录。
单个导波信号包含由导波多模态引起的波分量、结构边缘反射波、损伤反射波和环境噪声。这些波分量按特定顺序排列,表明有关结构几何形状的时空信息以及声波传播路径附近是否存在不规则物体(缺陷)。因此,各种波分量在信号内彼此构成特定关系,随着外部条件的变化(例如损坏的存在)而变化。属于同一损伤类型(缺陷位置)的导波信号共享关于缺陷的信息,共同指示相应的缺陷位置。因此,为了提取缺陷信息并将其转换为图表示,设计从导波信号中构建全局图。
二、构造导波局部图。
将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,具体包括:
对于单个导波信号X(nΔt),正则化处理后使用激励信号宽度T的滑动汉宁窗函数处理,获得信号片段,用离散短时傅立叶变换(STFT)形式表示如下:
式中,X″k,m是信号片段,k=0,…,N-1,N为信号采样点个数,m=0,…,M-1,M=(N-1)Δt/T,T为激励信号宽度,Δt是采样时间间隔,X′n是X(nΔt)归一化后的信号,wn-m是相应的窗函数,n=0,…,N-1,
通常的图可以表示为G=(V,ξ,W),其中,V是图中的节点,ξ是连接节点的边,W是连接边的权重。
在本实施例中,来自单个导波信号的每个信号片段都被视为一个节点,以将原始导波信号被转换为包含单个信号中时空信息的局部图。为了获得每两个局部图节点之间的权重,需要一种有效的方法来量化关系信息,即对应的边权重,确定每两个局部图节点之间的权重,包括:
直接测量每个信号片段的时频特性差异:
式中,X″代表单个信号片段的以横坐标为时间t纵坐标为频率的采样点信号值,下标p、q表示采样点序号,其中p=0,…,N-1,q=0,…,N-1,N为信号采样点个数,t0、tm单个信号片段时域的首、尾坐标,T为激励信号宽度,与信号片段的宽度相等即T=tm-t0;
上式实际上计算了两个局部图节点之间的欧几里得距离,通过分析每两个信号片段(局部图节点)之间的关系,可以获得单个导波信号的数学定义的局部图。
局部图描述了与缺陷存在相关的时空信息,本实施例的目标是考虑所有记录的导波信号,因此需要一种方法将单个信号片段的局部图转换为新的节点特征,将局部图视为嵌入在更大的全局图中的节点,其包括了所有导波信号。
三、构建全局图。
将局部图作为一个全局图节点,包括:
通过图拉普拉斯矩阵L提取由所有信号片段的时频特性差异Wpq构成的权重矩阵W的低维特征,包括:
(1)构建图拉普拉斯矩阵L=D-W,D为对角度矩阵,其对角元素Dpp=∑qWpq;图拉普拉斯矩阵L即为从权重矩阵W转换来的对称矩阵;
(2)对图拉普拉斯矩阵L进行特征值分解:
式中,U是包含图拉普拉斯矩阵特征向量的正交矩阵;Λ=diag(λ1,λ2,...,λQ)是包含图拉普拉斯矩阵的特征值的对角矩阵;
将提取的特征值组成的低维特征向量[λ1,λ2,...,λQ]作为全局图节点。
每个全局图节点表示一个单独的导波信号,一个由所有导波信号组成的全局图也需要确定每两个局部图之间的边权重。由于全局图描述了不同导波信号(全局图节点)之间的相互作用,为了阻止属于不同缺陷位置的节点的信息聚合,防止破坏有效的特征提取,将属于不同缺陷位置的信号断开(disconnected)、将属于相同缺陷位置的信号连接(connected)起来。确定每两个全局图节点之间的权重如下:
将同一缺陷位置的两个信号之间的连接聚合了更多的损伤位置信息,提高了特征提取的能力。
四、训练图卷积神经网络模型。
如果利用现有的深度神经网络进行缺陷预测,则只能关注到与缺陷相关的单个特征,而忽略了隐藏在多个特征中的有价值的关系信息。但是结构健康状态的变化、损坏位置和严重程度的变化都会引起多个特征之间相关关系的显著变化。因此,本实施例将图卷积神经网络(GCN)引入到基于导波的损伤诊断中,将导波全局图输入图卷积神经网络模型进行训练。
本实施例所用的图卷积神经网络模型如下:
其中,Z是预测结果,linear神经网络模型的线性输出层,H是输入,W(0),W(1),W(2)是不同网络层的权重矩阵;σ是非线性激活函数Rectified Linear Unit(ReLU),其主要函数表达式o(z)=max(0,z),其代表取最大值的运算;Cheb(·)是Chebyshev卷积函数;对于损失函数,均方误差(MSE)用于回归。
五、使用训练好的图卷积网络模型,对实验新测得的信号进行缺陷检测。
具体的,本实施例利用收集的信号60%训练,20%验证,20%检测。
本实施例采用的图卷积神经网络结构如表1所示。图卷积神经网络具有三个卷积层(K为Chebyshev函数阶数)。
表1 模型计算结果对比
将本实施例采用图卷积网络与背景技术中提到的目前深度学习模型进行对比。结果如表2所示。
表2 模型计算结果对比
由表2可知,本实施例采用的图卷积神经网络GCN在训练精度、验证精度和检测精度方面和传统深度神经网络模型相比,具有较大的优势。
利用本申请方法可实现对于板状材料中缺陷反射超声导波的信号信息的充分挖掘。本申请方法还可应用于工业设施、航天设备等,实现对于金属材料或复合材料微小缺陷的快速超声无损检测。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的检测板状材料缺陷存在与位置的方法,其特征在于,包括:
获取待检测结构的导波信号数据集,所述导波信号数据集由与不同缺陷位置相对应的单个导波信号构成;
构造导波局部图:将单个导波信号正则化处理后分割成不重叠的、表征与缺陷位置相关的时空信息的信号片段,将每个信号片段作为一个局部图节点,并确定每两个所述局部图节点之间的权重,将单个导波信号转换为局部图;
构造导波全局图:将所述局部图作为一个全局图节点,并确定每两个所述全局图节点之间的权重,将所述导波信号数据集转换为全局图;
将所述导波全局图输入图卷积神经网络模型进行训练;
将实验新获得的导波信号输入训练好的模型,得到待检测结构的缺陷位置输出。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测结构的导波信号数据集,包括:
使用三个压电片作为导波激发与接收的致动器与传感器,每次向一个压电片施加电压,激发导波,其他两个压电片记录导波信号;三个压电片轮流激发;
在收集导波信号的过程中,利用轻砝码模拟待检测结构的缺陷对导波传播的影响,将砝码放置不同的位置,收集不同缺陷位置对应的导波信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076405.8A CN114544765A (zh) | 2022-01-21 | 2022-01-21 | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076405.8A CN114544765A (zh) | 2022-01-21 | 2022-01-21 | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114544765A true CN114544765A (zh) | 2022-05-27 |
Family
ID=81671366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076405.8A Pending CN114544765A (zh) | 2022-01-21 | 2022-01-21 | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114544765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609442A (zh) * | 2023-07-17 | 2023-08-18 | 南京工业大学 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
-
2022
- 2022-01-21 CN CN202210076405.8A patent/CN114544765A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609442A (zh) * | 2023-07-17 | 2023-08-18 | 南京工业大学 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
CN116609442B (zh) * | 2023-07-17 | 2023-10-13 | 南京工业大学 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gangadharan et al. | Time reversal technique for health monitoring of metallic structure using Lamb waves | |
Anton et al. | Reference-free damage detection using instantaneous baseline measurements | |
Sohn et al. | Combination of a time reversal process and a consecutiv outlier analysis for baseline-free damage diagnosis | |
Dobson et al. | Independent component analysis for improved defect detection in guided wave monitoring | |
Banerjee et al. | A wave propagation and vibration-based approach for damage identification in structural components | |
Zheng et al. | Monitor concrete moisture level using percussion and machine learning | |
Moll et al. | Guided waves for autonomous online identification of structural defects under ambient temperature variations | |
Zheng et al. | Lamb waves and electro-mechanical impedance based damage detection using a mobile PZT transducer set | |
Fekrmandi et al. | A novel approach for classification of loads on plate structures using artificial neural networks | |
Gao et al. | Damage characterization using CNN and SAE of broadband Lamb waves | |
Ciampa et al. | Nonlinear elastic wave tomography for the imaging of corrosion damage | |
Wang et al. | Graph-in-graph convolutional network for ultrasonic guided wave-based damage detection and localization | |
Monaco et al. | Methodologies for guided wave-based SHM system implementation on composite wing panels: results and perspectives from SARISTU scenario 5 | |
Roy et al. | A novel machine-learning approach for structural state identification using ultrasonic guided waves | |
Rao et al. | Quantitative reconstruction of defects in multi-layered bonded composites using fully convolutional network-based ultrasonic inversion | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
Acciani et al. | Angular and axial evaluation of superficial defects on non-accessible pipes by wavelet transform and neural network-based classification | |
Deng et al. | Uniaxial stress identification of steel components based on one dimensional-CNN and ultrasonic method | |
Mechbal et al. | Damage indexes comparison for the structural health monitoring of a stiffened composite plate | |
Sohn et al. | Temperature independent damage detection in plates using redundant signal measurements | |
Xiong et al. | A novel piezoceramic-based sensing technology combined with visual domain networks for timber damage quantification | |
CN111474300A (zh) | 基于时空回归模型的结构局部缺陷检测方法 | |
Bochud et al. | Sparse signal model for ultrasonic nondestructive evaluation of cfrp composite plates | |
REBILLAT et al. | Damage indexes comparison for the structural health monitoring of a stiffened composite plate | |
Banerjee et al. | Methodology for localization of crack in a steel truss bridge model |
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 |