CN115540910A - 一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 - Google Patents
一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 Download PDFInfo
- Publication number
- CN115540910A CN115540910A CN202211336090.2A CN202211336090A CN115540910A CN 115540910 A CN115540910 A CN 115540910A CN 202211336090 A CN202211336090 A CN 202211336090A CN 115540910 A CN115540910 A CN 115540910A
- Authority
- CN
- China
- Prior art keywords
- control circuit
- signal
- monitoring
- laser gyroscope
- characteristic vector
- 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
- G01C19/58—Turn-sensitive devices without moving masses
- G01C19/64—Gyrometers using the Sagnac effect, i.e. rotation-induced shifts between counter-rotating electromagnetic beams
- G01C19/66—Ring laser gyrometers
-
- 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
Abstract
本发明公开了一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统,包括:获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;整合故障检测结果,输出至指定位置。本发明实时监测激光陀螺仪故障、监测激光陀螺仪精度和测量准确性,确保激光陀螺仪输出传感器数据准确稳定,并通过RBF神经网络模型,保证飞机飞行安全和稳定性。
Description
技术领域
本发明属于航空故障监测领域,涉及一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统。
背景技术
在当代航空事业中,飞机自动飞行控制系统依赖惯性导航系统提供传感器数据进行自主导航和自动控制。其中,激光陀螺仪作为惯性导航系统中的重要惯性元件,在航天、航空、船舶、战略武器等领域被广泛应用,能够为飞机自动控制系统提供俯仰,偏航,滚转三个方向的角度变化以及角速度数据。激光陀螺仪在工作过程中,必须满足高精度、高可靠性等要求,一旦发生故障,其测量精度和准确性将受到影响,将会影响飞机飞行安全和稳定。
目前针对激光陀螺仪的故障诊断仍然以基于模型和基于专家经验的方法,其需要建模复杂的故障非线性模型,由于准确的故障模型通常难以建立,其准确的故障诊断成为一大难题。故亟需一种简便的方法进行激光陀螺仪的故障诊断。
发明内容
本发明的目的在于解决现有技术中针对激光陀螺仪的故障诊断需要建模复杂的故障非线性模型,无法进行准确的故障诊断的问题,提供一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统。
为达到上述目的,本发明采用以下技术方案予以实现:
一种飞机飞行控制系统的激光陀螺仪故障监测方法,包括:
获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;
对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;
对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;
将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;
基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;
整合故障检测结果,输出至指定位置。
本发明的进一步改进在于:
稳频控制电路的监测信号为:光强反馈信号、直流分量信号、交流分量信号、输出驱动信号、离散化抖动信号、压电陶瓷驱动电压信号和输出小抖动信号。
对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量,具体为:
对激光陀螺仪稳频控制电路的监测信号进行平均值和方差计算,得到14维度的稳频控制电路的信号特征向量。
对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量,具体为:
对抖动控制电路的监测信号进行小波消噪,并将消噪信号进行小波包三层分解,通过计算各个小波包节点上能量分布变化和归一化处理,得到抖动控制电路信号特征向量。
抖动控制电路的监测信号包括:输出反馈信号、输出有效值信号、输出中断信号、输出驱动信号和抖动驱动电压信号。
对抖动控制电路的监测信号进行小波消噪,并将消噪信号进行小波包三层分解,通过计算各个小波包节点上能量分布变化和归一化处理得到抖动控制电路信号特征向量;具体为:
选择一个小波并确定分解的层次后,对抖动控制电路的监测信号进行小波分解;然后对每一个小波包分解系数进行阈值量化,再进行信号的小波包重构,根据最低层的小波包分解系数和经过量化处理系数进行重构;
将消除噪声后的激光陀螺仪信号进行小波包三层分解,基于小波包分析技术,把原始信号分解在不同的频带之内,再对这些分解得到高中低频带内的信号进行分析,估测出其频率范围,从而提取相应频带内的信息。然后通过计算t时刻n个小波包节点上能量分布变化和归一化处理得到抖动控制电路特征向量,抖动控制电路特征向量为8维特征向量。
基于Stein的无偏最大似然估计和极小极大原理对阈值进行选取。
将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量,具体为:对于相同时刻的14维度的稳频控制电路特征向量和8维度的抖动控制电路特征向量进行横向拼接,得到22维度特征向量的激光陀螺仪信号特征向量组合。
基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果,具体为:基于RBF神经网络,对激光陀螺仪信号特征向量组合进行模式识别,利用离线训练好的激光陀螺仪故障监测模型进行检测,得到故障检测结果。
一种飞机飞行控制系统的激光陀螺仪故障监测系统,包括:
获取模块,所述获取模块用于获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;
第一计算模块,所述第一计算模块对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;
第二计算模块,所述第二计算模块对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;
拼接模块,所述拼接模块将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;
故障监测模块,所述故障监测模块基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;
整合模块,所述整合模块用于整合故障检测结果,输出至指定位置。
与现有技术相比,本发明具有以下有益效果:
本发明通过获取激光陀螺仪内稳频控制电路和抖动控制电路的监测信号,对稳频控制电路进行计算得到稳频控制电路特征向量,对抖动控制电路的监测信号进行小波消噪,得到抖动控制电路信号特征向量;将两个提取的信号特征向量进行拼接得到激光陀螺仪信号特征向量,基于激光陀螺仪故障监测模型得到监测结果,将激光陀螺仪故障监测结果到指定位置。本发明可以在飞机运行过程中实时监测激光陀螺仪故障,监测激光陀螺仪精度和测量准确性,确保激光陀螺仪输出传感器数据准确稳定,保证飞机飞行安全和飞行稳定。本发明通过RBF神经网络模型,实现实时监测激光陀螺仪,监测激光陀螺仪是否故障以及故障类型,保证飞机飞行安全和稳定性。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的飞机飞行控制系统的激光陀螺仪故障监测方法的一种流程图;
图2为激光陀螺仪和激光陀螺仪监测上位机监测示意图;
图3为本发明的飞机飞行控制系统的激光陀螺仪故障监测方法的另一种结构图;
图4为激光陀螺仪抖动控制电路特征向量提取结构图;
图5为RBF神经网络示意图;
图6为本发明的飞机飞行控制系统的激光陀螺仪故障监测系统结构图。
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。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”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,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装置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。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,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;可以是直接相连,也可以通过中间媒介间接相连,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做进一步详细描述:
参见图1、图2和图3,本发明公布了一种飞机飞行控制系统的激光陀螺仪故障监测方法,包括:
S101,获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号。
其中,激光陀螺仪监测上位机通过通信串口或者网口接收获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号。
激光陀螺仪监测上位机所用处理器可以是中央处理单元还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
稳频控制电路的监测信号为:光强反馈信号、直流分量信号、交流分量信号、输出驱动信号、离散化抖动信号、压电陶瓷驱动电压信号和输出小抖动信号。
抖动控制电路的监测信号包括:输出反馈信号、输出有效值信号、输出中断信号、输出驱动信号和抖动驱动电压信号。
S102,对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量。
对激光陀螺仪稳频控制电路的监测信号进行平均值和方差计算,得到14维度的稳频控制电路的信号特征向量。
S103,对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量。
参见图4,对抖动控制电路的监测信号进行小波消噪,并将消噪信号进行小波包三层分解,通过计算各个小波包节点上能量分布变化和归一化处理,得到抖动控制电路信号特征向量。
选择一个小波并确定分解的层次后,对抖动控制电路的监测信号进行小波分解;然后对每一个小波包分解系数进行阈值量化,再进行信号的小波包重构,根据最低层的小波包分解系数和经过量化处理系数进行重构;
将消除噪声后的激光陀螺仪信号进行小波包三层分解,基于小波包分析技术,把原始信号分解在不同的频带之内,再对这些分解得到高中低频带内的信号进行分析,估测出其频率范围,从而提取相应频带内的信息。然后通过计算t时刻n个小波包节点上能量分布变化和归一化处理得到抖动控制电路特征向量,抖动控制电路特征向量为8维特征向量。
基于Stein的无偏最大似然估计和极小极大原理对阈值进行选取。
S104,将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量。
对于相同时刻的14维度的稳频控制电路特征向量和8维度的抖动控制电路特征向量进行横向拼接,得到22维度特征向量的激光陀螺仪信号特征向量组合。
S105,基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果。
基于RBF神经网络,对激光陀螺仪信号特征向量组合进行模式识别,利用离线训练好的激光陀螺仪故障监测模型进行检测,得到故障检测结果。
离线训练需要人工标注好的激光陀螺仪故障数据,进行特征深度学习,参考图5的RBF深度网络示意图,输入层为激光陀螺仪信号特征向量组合,隐藏层是激光陀螺仪故障监测模型神经因子,能够将输入量使用高斯核函数进行径向基计算,输出层为激光陀螺仪故障监测结果,包含激光陀螺仪是否发生故障的概率,激光陀螺仪发生各种故障类型的概率。
激光陀螺仪故障监测结果,包含激光陀螺仪信号特征向量组合,激光陀螺仪故障监测结果以及时间t信息。
S106,整合故障检测结果,输出至指定位置。
指定位置,包含飞机飞行控制系统,激光陀螺仪监测上位机的硬件存储设备SD卡,以及远程服务器系统中。
参见图6,本发明公布了一种飞机飞行控制系统的激光陀螺仪故障监测系统,包括:
获取模块,所述获取模块用于获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;
第一计算模块,所述第一计算模块对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;
第二计算模块,所述第二计算模块对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;
拼接模块,所述拼接模块将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;
故障监测模块,所述故障监测模块基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;
整合模块,所述整合模块用于整合故障检测结果,输出至指定位置。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,包括:
获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;
对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;
对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;
将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;
基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;
整合故障检测结果,输出至指定位置。
2.根据权利要求1所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述稳频控制电路的监测信号为:光强反馈信号、直流分量信号、交流分量信号、输出驱动信号、离散化抖动信号、压电陶瓷驱动电压信号和输出小抖动信号。
3.根据权利要求2所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量,具体为:
对激光陀螺仪稳频控制电路的监测信号进行平均值和方差计算,得到14维度的稳频控制电路的信号特征向量。
4.根据权利要求3所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量,具体为:
对抖动控制电路的监测信号进行小波消噪,并将消噪信号进行小波包三层分解,通过计算各个小波包节点上能量分布变化和归一化处理,得到抖动控制电路信号特征向量。
5.根据权利要求4所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述抖动控制电路的监测信号包括:输出反馈信号、输出有效值信号、输出中断信号、输出驱动信号和抖动驱动电压信号。
6.根据权利要求5所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述对抖动控制电路的监测信号进行小波消噪,并将消噪信号进行小波包三层分解,通过计算各个小波包节点上能量分布变化和归一化处理得到抖动控制电路信号特征向量;具体为:
选择一个小波并确定分解的层次后,对抖动控制电路的监测信号进行小波分解;然后对每一个小波包分解系数进行阈值量化,再进行信号的小波包重构,根据最低层的小波包分解系数和经过量化处理系数进行重构;
将消除噪声后的激光陀螺仪信号进行小波包三层分解,基于小波包分析技术,把原始信号分解在不同的频带之内,再对这些分解得到高中低频带内的信号进行分析,估测出其频率范围,从而提取相应频带内的信息;然后通过计算t时刻n个小波包节点上能量分布变化和归一化处理得到抖动控制电路特征向量,抖动控制电路特征向量为8维特征向量。
7.根据权利要求6所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,基于Stein的无偏最大似然估计和极小极大原理对阈值进行选取。
8.根据权利要求7所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量,具体为:对于相同时刻的14维度的稳频控制电路特征向量和8维度的抖动控制电路特征向量进行横向拼接,得到22维度特征向量的激光陀螺仪信号特征向量组合。
9.根据权利要求8所述的飞机飞行控制系统的激光陀螺仪故障监测方法,其特征在于,所述基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果,具体为:基于RBF神经网络,对激光陀螺仪信号特征向量组合进行模式识别,利用离线训练好的激光陀螺仪故障监测模型进行检测,得到故障检测结果。
10.一种飞机飞行控制系统的激光陀螺仪故障监测系统,其特征在于,包括:
获取模块,所述获取模块用于获取激光陀螺仪内的稳频控制电路的监测信号和抖动控制电路的监测信号;
第一计算模块,所述第一计算模块对稳频控制电路的监测信号进行计算,得到稳频控制电路特征向量;
第二计算模块,所述第二计算模块对抖动控制电路的监测信号进行计算,得到抖动控制电路信号特征向量;
拼接模块,所述拼接模块将稳频控制电路特征向量和抖动控制电路信号特征向量进行拼接,获取激光陀螺仪信号特征向量;
故障监测模块,所述故障监测模块基于RBF神经网络,对激光陀螺仪信号特征向量进行故障监测,获取故障检测结果;
整合模块,所述整合模块用于整合故障检测结果,输出至指定位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336090.2A CN115540910A (zh) | 2022-10-28 | 2022-10-28 | 一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336090.2A CN115540910A (zh) | 2022-10-28 | 2022-10-28 | 一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115540910A true CN115540910A (zh) | 2022-12-30 |
Family
ID=84718094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336090.2A Pending CN115540910A (zh) | 2022-10-28 | 2022-10-28 | 一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115540910A (zh) |
-
2022
- 2022-10-28 CN CN202211336090.2A patent/CN115540910A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9728014B2 (en) | Sensor fault detection and diagnosis for autonomous systems | |
Guo et al. | Multisensor data-fusion-based approach to airspeed measurement fault detection for unmanned aerial vehicles | |
Roumeliotis et al. | Sensor fault detection and identification in a mobile robot | |
JP4783394B2 (ja) | センサの故障適応方法 | |
JP2006105142A (ja) | 装置の障害検出方法および障害検出/切離しシステム | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 | |
US6735550B1 (en) | Feature classification for time series data | |
US20160202228A1 (en) | Water quality monitoring and early event detection | |
CN113514109A (zh) | 一种无人机飞行故障检测方法和系统 | |
Benini et al. | Fault detection of a VTOL UAV using acceleration measurements | |
CN111170103A (zh) | 设备故障识别方法 | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
CN111123885A (zh) | 一种基于自适应技术的高超声速飞行器间歇故障诊断方法 | |
CN115540910A (zh) | 一种飞机飞行控制系统的激光陀螺仪故障监测方法及系统 | |
Kim et al. | Hybrid fault detection and isolation techniques for aircraft inertial measurement sensors | |
CN115218927B (zh) | 基于二次卡尔曼滤波的无人机imu传感器故障检测方法 | |
CN115291253B (zh) | 一种基于残差检测的车辆定位完好性监测方法及系统 | |
Kim et al. | Failure diagnosis of skew-configured aircraft inertial sensors using wavelet decomposition | |
CN116543317A (zh) | 一种用于无人机检测桥梁缆索振动频率的降噪方法 | |
Hu et al. | A novel algorithm for the fault diagnosis of a redundant inertial measurement unit | |
CN114120252B (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
Kanthalakshmi et al. | Active fault diagnosis of 2 DoF helicopter using particle filter-based log-likelihood ratio | |
Prabhu et al. | An innovative analytic redundancy approach to air data sensor fault detection | |
Bittner et al. | Fault detection, isolation, and recovery techniques for large clusters of inertial measurement units | |
Yen et al. | Winner take all experts network for sensor validation |
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 |