CN115017683A - 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 - Google Patents
基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 Download PDFInfo
- Publication number
- CN115017683A CN115017683A CN202210573688.7A CN202210573688A CN115017683A CN 115017683 A CN115017683 A CN 115017683A CN 202210573688 A CN202210573688 A CN 202210573688A CN 115017683 A CN115017683 A CN 115017683A
- Authority
- CN
- China
- Prior art keywords
- lstm
- foam rubber
- neural network
- rubber material
- data
- 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
- 229920001821 foam rubber Polymers 0.000 title claims abstract description 46
- 239000000463 material Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000014759 maintenance of location Effects 0.000 claims abstract description 31
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 229920001971 elastomer Polymers 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000006261 foam material Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，包括测试泡沫橡胶材料长时使用过程中的剩余预紧力退化趋势，并将剩余预紧力转化为载荷保持率；对使用过程中的泡沫橡胶材料载荷保持率测试结果进行数据清洗，通过预分析和平滑处理剔除脏点数据、补充残缺数据；搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义LSTM网络模型结构；利用经预处理后的载荷保持率退化数据训练LSTM深度神经网络模型，并基于训练模型识别精度不断优化LSTM模型参数；基于已建立的LSTM模型，利用已测泡沫橡胶载荷保持率退化数据预测未来变化趋势；本发明无需依靠性能衰退机理和专家知识构建退化模型，利用已有观测数据便能实现泡沫橡胶材料剩余寿命预测。
Description
技术领域
本发明涉及材料寿命预测技术领域，尤其涉及一种基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法。
背景技术
泡沫橡胶材料是由大量气体微孔分散于固体橡胶中而形成的一类粘弹性阻尼材料，具有质轻、隔热、比强度高、防振等性能，因而通常被作为过渡填充/预紧结构，在航空航天、交通运输等领域得到了广泛应用。但是作为典型的高分子材料，泡沫橡胶会随使用时间累积产生松弛，进而降低其减震、预紧功能。因而，针对硅泡沫材料的松弛效应，有需要掌握其性能退化规律，建立针对性的松弛效应剩余寿命预测方法，进而支持重要装备及设备制定合理的维护策略，在失效之前及时预警并更换，实现产品的长期稳定运行。
针对泡沫橡胶材料的剩余寿命预测，前期相关研究主要基于典型高分子橡胶材料的应力松弛机理，通过实测退化数据拟合得到其物理模型。但是，相关研究表明，不同于典型的高分子橡胶材料，泡沫橡胶应力松弛不仅与自身化学松弛相关，还与其特殊的泡孔结构存在联系，在使用前期，松弛贡献主要源于压缩泡孔结构带来的物理松弛。由于泡沫橡胶性能参数和微观应力参数难以准确获取，失效机制不够明确，难以建立准确的物理模型来描述其应力松弛行为。尤其当泡沫橡胶预紧材料在变工况条件下使用时，其应力松弛影响因素更为复杂，还同其填充间隙、使用温度等相关，寿命预测模型建立更为困难。针对泡沫橡胶这种特殊多孔结构，鉴于基于物理模型的方法在变工况条件下的使用局限性，所以需要一种新的基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法来解决此类问题。
发明内容
本发明的目的就在于为了解决上述问题设计了一种基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法。
本发明通过以下技术方案来实现上述目的：
基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，包括以下步骤：
S1：测试泡沫橡胶材料长时使用过程中的剩余预紧力退化趋势，并将剩余预紧力转化为载荷保持率，以此作为应力松弛特征指标；
S2：对使用过程中的泡沫橡胶材料载荷保持率测试结果进行数据清洗，通过预分析和平滑处理剔除“脏”点数据、补充残缺数据；
S3：搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义LSTM网络模型结构；
S4：利用经预处理后的载荷保持率退化数据训练LSTM深度神经网络模型，并基于训练模型识别精度不断优化LSTM模型参数；
S5：基于已建立的LSTM模型，利用已测泡沫橡胶载荷保持率退化数据预测未来变化趋势。
具体地，步骤S1中，载荷保持率的表达式为：
式中：Fk——第k次预紧力；F0——初始预紧力；
——载荷保持率。
具体地，步骤S3中，搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义网络模型结构，具体包括：输入输出变量、隐藏层结构、层数及节点数。
具体地，步骤S4中，优选LSTM模型参数，具体包括：迭代次数、损失函数、学习率、梯度下降法。
具体地，步骤S5中，使用前一次预测输出作为下一步输入逐步迭代预测，并实时更新网络状态，其数学表达式为：
式中：Y(k)——第k个预测值；LSTMk——第k个深度LSTM网络模型；xend——训练数据最后一个观测值；N——自然数。
本发明的有益效果在于：
本发明针对泡沫橡胶材料长时应力松弛现象，提出了基于深度LSTM神经网络的剩余寿命预测方法，无需依靠性能衰退机理和专家知识构建退化模型，利用已有观测数据便能实现泡沫橡胶材料剩余寿命预测。
附图说明
图1为本发明的流程图。
图2为原始载荷保持率退化趋势示意图。
图3为经预处理后的载荷保持率趋势示意图。
图4为载荷保持率预测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
如图1所示，本发明基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，包括以下步骤：
步骤S1：测试泡沫橡胶材料长时使用过程中的剩余预紧力退化趋势，并将剩余预紧力转化为载荷保持率，以此作为应力松弛特征指标，其表达式如下：
式中：
Fk——第k次预紧力；
F0——初始预紧力；
步骤S2：对使用过程中的泡沫橡胶材料载荷保持率测试结果进行数据清洗，通过预分析和平滑处理剔除“脏”点数据、补充残缺数据等，减小测试误差，提高测试数据置信度。
步骤S3：搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义LSTM网络模型结构，包括输入输出变量、隐藏层结构、层数及节点数等。
步骤S4：利用经预处理后的载荷保持率退化数据训练LSTM深度神经网络模型，并基于训练模型识别精度不断优化LSTM模型参数，优选确定LSTM参数，包括迭代次数、损失函数、学习率、梯度下降法等。
步骤S5：基于已建立的LSTM模型，利用已测泡沫橡胶载荷保持率退化数据逐步预测未来变化趋势，逐步迭代预测时，使用前一次预测输出作为下一步输入，并实时更新网络状态，其逐步预测表达式为：
式中：
Y(k)——第k个预测值；
LSTMk——第k个深度LSTM网络模型；
xend——训练数据最后一个观测值；
N——自然数。
实施例
基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其整体实施步骤流程图如图1所示，具体步骤如下：
步骤S1：通过仿真模拟泡沫橡胶材料应力松弛退化趋势，应力松弛包括物理松弛和化学松弛两部分，同时叠加变工况条件引起的载荷保持率波动和测试误差，其模型参数如表1所示，表达式如下：
式中：
aebt——物理松弛；
cedt——化学松弛；
csin(πt/k)——变工况带来的波动；
noise——测试噪声。
表1 应力松弛仿真参数
原始载荷保持率退化趋势见图2所示。
步骤S2：对泡沫预紧结构载荷保持率原始退化趋势进行数据清洗，由于仿真数据较理想，这里不做“脏”点数据剔除等工作，主要开展平滑处理，消除测试误差的影响，增加测试数据置信度。经过预处理后的载荷保持率见图3所示。
步骤S3：搭建深度LSTM神经网络模型，输入数据的特征维度为1，隐藏层层数为1，隐藏层节点数为200，在隐藏层后连接全连接层，输出数据的特征维度为1。
步骤S4：利用经预处理后的载荷保持率数据，训练深度LSTM神经网络模型，选取前80％数据用作训练模型，并根据训练结果优选模型参数：求解器为adam、最大迭代次数为150，梯度阈值为1，初始学习率为0.0001。通过均方根误差RMSE评估训练过程中的模型回归精度，其最终RMSE值为0.0030。
步骤S5：利用已建立的深度LSTM神经网络模型预测载荷保持率变化趋势，使用前一次预测输出作为下一步输入逐步迭代预测，并实时更新网络状态。预测结果如图4所示，与实际观测值相比，其吻合性较高，并较好的预测了变工况带来的载荷保持率波动。
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润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其特征在于，包括以下步骤：
S1：测试泡沫橡胶材料长时使用过程中的剩余预紧力退化趋势，并将剩余预紧力转化为载荷保持率，以此作为应力松弛特征指标；
S2：对使用过程中的泡沫橡胶材料载荷保持率测试结果进行数据清洗，通过预分析和平滑处理剔除“脏”点数据、补充残缺数据；
S3：搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义LSTM网络模型结构；
S4：利用经预处理后的载荷保持率退化数据训练LSTM深度神经网络模型，并基于训练模型识别精度不断优化LSTM模型参数；
S5：基于已建立的LSTM模型，利用已测泡沫橡胶载荷保持率退化数据预测未来变化趋势。
2.根据权利要求1所述的基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其特征在于，步骤S1中，载荷保持率的表达式为：
式中：Fk——第k次预紧力；F0——初始预紧力；
——载荷保持率。
3.根据权利要求1所述的基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其特征在于，步骤S3中，搭建变工况条件下的泡沫橡胶LSTM深度神经网络模型，定义网络模型结构，具体包括：输入输出变量、隐藏层结构、层数及节点数。
4.根据权利要求1所述的基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其特征在于，步骤S4中，优选LSTM模型参数，具体包括：迭代次数、损失函数、学习率、梯度下降法。
5.根据权利要求1所述的基于深度LSTM神经网络的泡沫橡胶材料剩余寿命预测方法，其特征在于，步骤S5中，使用前一次预测输出作为下一步输入逐步迭代预测，并实时更新网络状态，其数学表达式为：
式中：Y(k)——第k个预测值；LSTMk——第k个深度LSTM网络模型；xend——训练数据最后一个观测值；N——自然数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573688.7A CN115017683A (zh) | 2022-05-24 | 2022-05-24 | 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210573688.7A CN115017683A (zh) | 2022-05-24 | 2022-05-24 | 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115017683A true CN115017683A (zh) | 2022-09-06 |
Family
ID=83068641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210573688.7A Pending CN115017683A (zh) | 2022-05-24 | 2022-05-24 | 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115017683A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN112800615A (zh) * | 2021-02-04 | 2021-05-14 | 中国工程物理研究院总体工程研究所 | 硅泡沫材料剩余寿命预测方法 |
| CN113255134A (zh) * | 2021-05-27 | 2021-08-13 | 中国工程物理研究院总体工程研究所 | 基于匹配追踪的硅泡沫材料物理化学松弛自适应分离方法 |
-
2022
- 2022-05-24 CN CN202210573688.7A patent/CN115017683A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN112800615A (zh) * | 2021-02-04 | 2021-05-14 | 中国工程物理研究院总体工程研究所 | 硅泡沫材料剩余寿命预测方法 |
| CN113255134A (zh) * | 2021-05-27 | 2021-08-13 | 中国工程物理研究院总体工程研究所 | 基于匹配追踪的硅泡沫材料物理化学松弛自适应分离方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王九龙;盛俊杰;张思才;李娜: "双指数粒子滤波模型的硅泡沫材料剩余寿命预测", 复合材料学报, vol. 39, no. 5, 6 June 2021 (2021-06-06), pages 1 - 8 * |
| 王奉涛;刘晓飞;邓刚;李宏坤;于晓光;: "基于长短期记忆网络的滚动轴承寿命预测方法", 振动.测试与诊断, vol. 40, no. 02, 15 April 2020 (2020-04-15), pages 303 - 309 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
| WO2023045024A1 (zh) | 基于威布尔分布的步退应力加速可靠性试验方法 | |
| CN112255095B (zh) | 一种土体应力应变关系确定方法 | |
| CN107784178B (zh) | 一种基于多故障机理耦合的机械结构可靠性分析方法 | |
| CN104615866B (zh) | 一种基于物理统计模型的寿命预测方法 | |
| CN114295491B (zh) | 一种蠕变损伤及变形随时间演化行为的预测方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN115186592A (zh) | 功率半导体模块的寿命预测方法、终端设备及存储介质 | |
| CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
| CN112784331A (zh) | 基于改进lstm深度学习方法的土体应力应变关系确定方法 | |
| Tang | Multiple-steps step-stress accelerated life test | |
| CN111832703A (zh) | 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法 | |
| CN115936485A (zh) | 一种基于故障树的生产线稳定性动态分析方法和系统 | |
| CN115017683A (zh) | 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法 | |
| CN118428754A (zh) | 一种新能源发电输入功率预测方法及系统 | |
| CN112800615B (zh) | 硅泡沫材料剩余寿命预测方法 | |
| CN112052523B (zh) | 一种基于载荷特性比对的直升机旋翼动部件强度设计方法 | |
| CN106503456B (zh) | 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法 | |
| CN112989691A (zh) | 一种优化的橡胶老化性能预测方法 | |
| CN116050202A (zh) | 适应多种平均应力表现的Chaboche叶片疲劳寿命预测模型及方法 | |
| CN115879218A (zh) | 基于有限元分析的深海载人潜水器观察窗寿命预测方法 | |
| CN113870955A (zh) | 一种用于自然环境下橡胶性能后固化效应的预测模型建立方法 | |
| CN115270983A (zh) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 | |
| CN110706761B (zh) | 一种预估金属材料的疲劳强度退化的方法 | |
| CN113608136A (zh) | 一种多尺度锂离子电池健康状态的预测方法 |
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 |