CN115712859A - 一种基于精细化特征解耦的多源域设备故障诊断方法 - Google Patents
一种基于精细化特征解耦的多源域设备故障诊断方法 Download PDFInfo
- Publication number
- CN115712859A CN115712859A CN202211467912.0A CN202211467912A CN115712859A CN 115712859 A CN115712859 A CN 115712859A CN 202211467912 A CN202211467912 A CN 202211467912A CN 115712859 A CN115712859 A CN 115712859A
- Authority
- CN
- China
- Prior art keywords
- domain
- features
- loss
- source
- feature
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于精细化特征解耦的多源域设备故障诊断方法,本发明将领域特征分为域间不变特征、域内不变特征和域特定特征并利用对应的特征提取器提取,域间不变特征和域内不变特征分别关注跨域学习的知识和每个领域内在的故障类别知识,域特定特征体现每个领域独有的知识,特征解耦有利于精准的得到和故障诊断任务相关的知识;利用CORAL距离衡量域间不变特征差异和域特定特征差异,利用CENTER距离衡量域内不变特征差异,得到域适应损失;组合域间不变特征和域内不变特征作为域不变特征,计算分类损失;分类损失和域适应损失相加得到总损失函数值,通过反向传播迭代更新优化模型参数。
Description
技术领域
本发明涉及一种设备故障诊断方法,尤其是涉及一种基于精细化特征解耦的多源域设备故障诊断的方法。
背景技术
开展机械设备的状态监测与诊断,对保证机械的可靠、连续和稳定运行,减少经济损失和运行成本以及避免重大事故发生,具有十分重要的现实需求和实际意义。在实际工程中,设备的监测数据具有如下特点:①数据分布偏差大,由于设备老化、设备操作条件频繁变化、工业噪声干扰等原因,不同场景下的设备监测数据分布往往不同;②可利用率低,仅有极少数监测数据对应的设备健康状态已知,多数监测数据需要标记健康状态,而标记数据代价高昂,如不可频繁停机自检故障、人工标记数据费时费力,致使监测数据的健康标记信息匮乏。考虑到监测数据的特性,结合深度神经网络和域适应策略,建立设备故障的深度迁移诊断模型,解决有标记的源域(训练集)和未标记的目标域(测试集)之间的领域分布偏差问题,提高模型在不同测试场景下的泛化能力,更适合应用于实际的故障诊断场景。
提取源域和目标域的域不变特征是深度迁移诊断模型的核心,虽然目前已经有一些成熟的深度迁移诊断方法,包括域适应网络(Domain adaption network,DAN)、联合适应网络(Joint adaptation network,JAN)、域对抗神经网络(Domain adversarial neuralnetwork,DANN)、条件域对抗网络(Conditional domain adversarial network,CDAN)等,但是大多数方法只考虑单一源域的知识迁移,不能为目标诊断任务提供足够的诊断知识,导致诊断结果不理想。在实践中,可以从各种机器运行场景中收集具有不同数据分布的多个源域,以弥补单一源域诊断知识的不足。然而,更多的源域参与模型训练意味着更大程度的分布偏差,因为领域分布偏差不仅仅存在于单一源域和目标域之间,还存在于不同源域之间,因此,减小所有领域的领域分布偏差从而提取到所有领域的域不变特征是困难的。
综上所述,寻找一种有效的多源域设备故障诊断方法,以充分利用多源域的诊断知识,成为了目前亟需解决的问题。
发明内容
为解决上述技术问题,本发明提出一种基于精细化特征解耦的多源域设备故障诊断方法,使设备故障诊断模型在利用多源域诊断知识的过程中,有效地减小所有领域的领域分布偏差,显著提高设备故障诊断模型在目标域上的诊断准确率,实现对设备故障的智能诊断。
本发明的技术方案包括如下步骤:
步骤一:按不同工况将数据分为N个源域和一个目标域;
步骤二:构建设备故障诊断神经网络模型,初始化其参数;
所述的设备故障诊断神经网络由四个部分组成:一个域间不变特征提取器,一个域内不变特征提取器,一个域特定特征提取器,一个故障分类器;三个特征提取器结构相同,每个特征提取器由多层卷积构成;故障分类器由一个全连接隐藏层和一个Softmax激活函数组成;三个特征提取器的卷积层后均有批归一化和ReLU激活函数;自适应池化层选用最大池化策略,进行特征降采样,置于最后一层卷积后;组合域间不变特征提取器的输出和域内不变特征提取器的输出并与故障分类器的全连接隐藏层相连接,通过Softmax激活函数输出数据属于每个故障类别的概率值;
步骤三:将N个源域和一个目标域数据输入神经网络中,计算域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,得到域适应损失;
该方法设计了一个精细化特征解耦策略和域适应损失,为了有效地消除领域分布偏差,精细化特征解耦策略将领域特征分为域间不变特征、域内不变特征和域特定特征。不同的特征由神经网络中对应的特征提取器提取。所述的域间不变特征是指由多个域共同学习的知识,域内不变特征是指与故障分类有关的特征,产生于每个域的内部,不受其他域的影响,域特定特征是指每个领域独有的特征,域适应损失由三类特征对应的损失函数组成,域适应损失优化过程应使域间不变特征差异和域内不变特征差异最小,域特定特征差异最大,从而准确地从领域特征中分离出域不变特征,利用域不变特征进行故障分类;域适应损失计算如下:
Lda=Linter+Lintra+Lspe (1)
式中,Linter、Lintra、Lspe分别表示域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,下面对式中的三个重要组成部分作进一步说明;
Linter具体计算如下:
式中,finter(·)表示域间不变特征提取器的输出,XT和分别表示目标域和第k个源域的原始数据,N表示源域的个数,dcoral表示源域和目标域域间不变特征的CORAL距离,CORAL距离体现不同分布特征的差异;
Lintra具体计算如下:
Lspe具体计算如下:
式中,fspe(·)表示域特定特征提取器的输出,和分别表示第i个源域和第j个源域的原始数据;与公式(2)不同的是,域适应损失优化过程应使源域和目标域的域特定特征差异以及不同源域的域特定特征差异尽可能大,即CORAL距离dcoral尽可能大,以此表征提取到了不同领域的域特定特征;
步骤四:组合源域的域间不变特征和域内不变特征作为域不变特征,计算故障分类器对域不变特征的分类损失;
步骤五:将分类损失和域适应损失相加,得到总损失函数值,然后进行迭代训练更新模型参数,得到最终模型;
步骤七:设备故障诊断时将目标域数据输入最终模型,得到设备故障诊断结果。
作为优选,所述步骤一具体为:根据设备的不同工况得到N个源域S={S1,S2,...,SN}和一个目标域T,传感器从第k个源域Sk采集的样本数据和对应的类别标签表示为其中表示样本数据,表示样本数据对应的类别标签,i表示源域的第i个样本,表示源域Sk包含的样本数;传感器从目标域T采集的样本表示为其中表示样本数据,i表示目标域的第i个样本,nT表示目标域T包含的样本数;源域和目标域数据的工况均不相同。
作为优选,所述步骤二中,设备故障诊断神经网络参数初始化采用正态分布随机初始化方法,通过Adam算法更新其参数。
作为优选,所述步骤四中,分类损失计算如下:
式中,C(·)表示故障分类器的输出,F(·)表示样本数据组合后的域不变特征,J采用交叉熵损失函数。
作为优选,所述步骤五中,将分类损失和域适应损失相加,得到总损失函数值,具体为:
L=Lcls+λLda (6)
式中,λ表示权衡参数,用于控制域适应损失Lda在整个损失函数中的权重。
作为优选,所述的域间不变特征为源域和目标域共同的故障发生机制。
作为优选,所述的域内不变特征为区分故障类别的特征。
作为优选,域特定特征为设备操作条件、设备型号。
本发明的有益效果是:本发明提出了针对单一工况源域的诊断知识有限和不同工况的源域分布偏差较大情况下的多源域精细化特征解耦方法,该方法充分利用多个工况的源域数据训练模型,提供丰富的诊断知识;将领域特征分为域间不变特征、域内不变特征和域特定特征并利用对应的特征提取器提取,域间不变特征和域内不变特征分别关注跨域学习的知识和每个领域内在的故障类别知识,域特定特征体现每个领域独有的知识,精细化的特征解耦有利于精准的得到和故障诊断任务相关的知识,即域间不变特征和域内不变特征;利用CORAL距离衡量域间不变特征差异和域特定特征差异,利用CENTER距离衡量域内不变特征差异,得到域适应损失;组合域间不变特征和域内不变特征作为域不变特征,计算分类损失;分类损失和域适应损失相加得到总损失函数值,通过反向传播迭代更新优化模型参数。基于深度学习模型强大的学习能力学习目标域和不同源域的特征表示,进一步的,精细化特征解耦的多源域方法充分利用多源域丰富的诊断知识并将域间不变特征和域内不变特征从领域特征中分离出来,有效得到了和故障诊断任务相关的知识,解决了单源域有限的诊断知识和多源域较大的分布偏差问题,从而实现对设备故障的智能诊断。
附图说明
图1为本发明方法的流程图;
图2为本发明的神经网络整体结构图;
图3为本发明的多源域精细化特征解耦算法总体流程图;
图4为诊断结果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明包含以下步骤。
1)按不同工况将数据分为N个源域和一个目标域;
2)构建设备故障诊断神经网络模型,初始化其参数;
3)神经网络模型参数梯度清零,进行一轮迭代训练;
4)将N个源域和一个目标域数据输入神经网络中,计算域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,得到域适应损失;
5)组合源域的域间不变特征和域内不变特征作为域不变特征,计算故障分类器对域不变特征的分类损失;
6)将分类损失和域适应损失相加,得到总损失函数值;
7)根据总损失值进行反向传播,优化方法采用Adam算法;
8)迭代训练更新模型参数,判断是否达到迭代次数,保存最终模型;
9)设备故障诊断时将目标域数据输入最终模型,得到设备故障诊断结果。
所述步骤1)根据设备的不同工况我们得到N个源域S={S1,S2,...,SN}和一个目标域T,传感器从第k个源域Sk采集的样本数据和对应的类别标签表示为其中表示样本数据,表示样本数据对应的类别标签,i表示源域的第i个样本,表示源域Sk包含的样本数;传感器从目标域T采集的样本表示为其中表示样本数据,i表示目标域的第i个样本,nT表示目标域T包含的样本数。源域和目标域数据的工况均不相同。
所述步骤2)中,设备故障诊断模型整体结构示意图如图2所示,具体构建步骤如下:
设备故障诊断神经网络由四个部分组成:一个域间不变特征提取器,一个域内不变特征提取器,一个域特定特征提取器,一个故障分类器。三个特征提取器结构相同,每个特征提取器由多层卷积构成;故障分类器由一个全连接隐藏层和一个Softmax激活函数组成。三个特征提取器的卷积层后均有批归一化和ReLU激活函数;自适应池化层选用最大池化策略,进行特征降采样,置于最后一层卷积后。组合域间不变特征提取器的输出和域内不变特征提取器的输出并与故障分类器的全连接隐藏层相连接,通过Softmax激活函数输出数据属于每个故障类别的概率值。
所述步骤4)中,设计的精细化特征解耦策略将领域特征分为域间不变特征、域内不变特征和域特定特征。不同的特征由神经网络中对应的特征提取器提取。域间不变特征是指由多个域共同学习的知识,比如源域和目标域共同的故障发生机制;域内不变特征是指与故障分类有关的特征,产生于每个域的内部,不受其他域的影响,比如区分故障类别的特征;域特定特征是指每个领域独有的特征,比如设备操作条件、设备型号。采用CORAL(Correlation Alignment)距离计算源域和目标域的域间不变特征差异以及不同领域的域特定特征差异,以计算目标域和第k个源域的特征差异为例,CORAL距离计算公式如下:
CORAL是一个统计准则,通过衡量两个域的二阶统计量(协方差)计算不同分布特征的距离。域适应损失优化过程应使源域和目标域的域间不变特征距离最小化、不同领域的域特定特征距离最大化,以此表征提取到了领域共同的域间不变特征和独有的域特定特征。
采用CENTER距离计算源域和目标域的域内不变特征到类别中心的差异,计算如下:
为更具体直观地说明多源域精细化特征解耦方法,总体计算流程如图3所示,计算步骤如下:
Step1:计算每个领域的域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,相加得到Linter、Lintra、Lspe,三类特征对应的损失函数值相加得到域适应损失Lda;
Step2:组合源域的域间不变特征和域内不变特征作为域不变特征,计算故障分类器对域不变特征的分类损失Lcls;
Step4:将分类损失和域适应损失相加,得到总损失函数值L;
Step5:根据总损失函数值迭代优化设备故障诊断模型参数,最后得到最终模型。
本发明的步骤4)提出了针对单一工况源域的诊断知识有限和不同工况的源域分布偏差较大情况下的多源域精细化特征解耦方法,该方法充分利用多个工况的源域数据训练模型,提供丰富的诊断知识;将领域特征分为域间不变特征、域内不变特征和域特定特征并利用对应的特征提取器提取,域间不变特征和域内不变特征分别关注跨域学习的知识和每个领域内在的故障类别知识,域特定特征体现每个领域独有的知识,精细化的特征解耦有利于精准的得到和故障诊断任务相关的知识,即域间不变特征和域内不变特征;利用CORAL距离衡量域间不变特征差异和域特定特征差异,利用CENTER距离衡量域内不变特征差异,得到域适应损失;组合域间不变特征和域内不变特征作为域不变特征,计算分类损失;分类损失和域适应损失相加得到总损失函数值,通过反向传播迭代更新优化模型参数。基于深度学习模型强大的学习能力学习目标域和不同源域的特征表示,进一步的,精细化特征解耦的多源域方法充分利用多源域丰富的诊断知识并将域间不变特征和域内不变特征从领域特征中分离出来,有效得到了和故障诊断任务相关的知识,解决了单源域有限的诊断知识和多源域较大的分布偏差问题,从而实现对设备故障的智能诊断。
本发明的具体实施例:
实验原始数据集有三种不同工况下的采集数据,每种工况记录了四个故障类别的样本,每个故障类别有488个样本,每种工况有1952个样本。按不同工况将数据分成两个源域和一个目标域数据,源域数据有3904个样本,目标域数据有1952个样本。源域数据有标签,目标域数据无标签。不同领域的数据标号为0到2,目标域数据中按4:1比例随机划分原始训练集和测试集。通过源域数据和目标域数据中的训练集利用本发明的方法进行模型训练,并将目标域数据中的测试集输入最终模型,得到最终故障诊断结果。
本发明的实验环境为:CPU为CoreTMi7-6700K@4.00GHz,GPU为GTX1080Ti,显存为11GB,系统为Windows 10操作系统,深度学习框架为Pytorch1.8,利用Python3.8实现基于精细化特征解耦的多源域设备故障诊断方法测试。
为了验证基于精细化特征解耦的多源域设备故障诊断方法的有效性,将该方法与基准方法(无域适应策略的单源域深度神经网络)、三种无精细化特征解耦策略的深度迁移方法(分别不考虑解耦域间不变特征、域内不变特征、域特定特征)进行对比,按不同方法训练模型,将目标域数据输入最终模型,得到最终目标域诊断结果如图4所示。横坐标为迁移任务以及最后一列为准确率均值,结果显示,本发明的方法在三个迁移任务上的平均准确率最高。与基准方法对比,本发明方法在1,2-0迁移任务上大大提升了诊断准确率;与三种无精细化特征解耦策略的深度迁移方法对比,本发明方法在三个迁移任务上的准确率均得到了提升,换句话说,忽视任何一类特征都将导致模型性能的下降,证明了分离三类特征的重要性。准确率的提升是因为本发明方法充分利用多源域丰富的诊断知识,同时,精细化特征解耦策略将领域特征细致的分成关注知识不同的特征,有利于精准的得到和故障诊断任务相关的知识,从而提升网络的性能。由此可见,基于精细化特征解耦的多源域设备故障诊断方法是一种有效的诊断方法,能够很好地利用多源域诊断知识将设备故障诊断模型在目标域上进行泛化应用。
Claims (8)
1.一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于,该方法具体包括以下步骤:
步骤一:按不同工况将数据分为N个源域和一个目标域;
步骤二:构建设备故障诊断神经网络模型,初始化其参数;
所述的设备故障诊断神经网络由四个部分组成:一个域间不变特征提取器,一个域内不变特征提取器,一个域特定特征提取器,一个故障分类器;三个特征提取器结构相同,每个特征提取器由多层卷积构成;故障分类器由一个全连接隐藏层和一个Softmax激活函数组成;三个特征提取器的卷积层后均有批归一化和ReLU激活函数;自适应池化层选用最大池化策略,进行特征降采样,置于最后一层卷积后;组合域间不变特征提取器的输出和域内不变特征提取器的输出并与故障分类器的全连接隐藏层相连接,通过Softmax激活函数输出数据属于每个故障类别的概率值;
步骤三:将N个源域和一个目标域数据输入神经网络中,计算域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,得到域适应损失;
所述的域间不变特征是指由多个域共同学习的知识,域内不变特征是指与故障分类有关的特征,产生于每个域的内部,不受其他域的影响,域特定特征是指每个领域独有的特征,域适应损失由三类特征对应的损失函数组成,域适应损失优化过程应使域间不变特征差异和域内不变特征差异最小,域特定特征差异最大,从而准确地从领域特征中分离出域不变特征,利用域不变特征进行故障分类;域适应损失计算如下:
Lda=Linter+Lintra+Lspe(1)
式中,Linter、Lintra、Lspe分别表示域间不变特征差异损失、域内不变特征差异损失和域特定特征差异损失,下面对式中的三个重要组成部分作进一步说明;
Linter具体计算如下:
式中,finter(·)表示域间不变特征提取器的输出,XT和XSk分别表示目标域和第k个源域的原始数据,N表示源域的个数,dcoral表示源域和目标域域间不变特征的CORAL距离,CORAL距离体现不同分布特征的差异;
Lintra具体计算如下:
Lspe具体计算如下:
式中,fspe(·)表示域特定特征提取器的输出,和分别表示第i个源域和第j个源域的原始数据;与公式(2)不同的是,域适应损失优化过程应使源域和目标域的域特定特征差异以及不同源域的域特定特征差异尽可能大,即CORAL距离dcoral尽可能大,以此表征提取到了不同领域的域特定特征;
步骤四:组合源域的域间不变特征和域内不变特征作为域不变特征,计算故障分类器对域不变特征的分类损失;
步骤五:将分类损失和域适应损失相加,得到总损失函数值,然后进行迭代训练更新模型参数,得到最终模型;
步骤七:设备故障诊断时将目标域数据输入最终模型,得到设备故障诊断结果。
3.根据权利要求1所述一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于:所述步骤二中,设备故障诊断神经网络参数初始化采用正态分布随机初始化方法,通过Adam算法更新其参数。
5.根据权利要求1所述一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于:所述步骤五中,将分类损失和域适应损失相加,得到总损失函数值,具体为:
L=Lcls+λLda(6)
式中,λ表示权衡参数,用于控制域适应损失Lda在整个损失函数中的权重。
6.根据权利要求1所述一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于:所述的域间不变特征为源域和目标域共同的故障发生机制。
7.根据权利要求1所述一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于:所述的域内不变特征为区分故障类别的特征。
8.根据权利要求1所述一种基于精细化特征解耦的多源域设备故障诊断方法,其特征在于:域特定特征为设备操作条件、设备型号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467912.0A CN115712859A (zh) | 2022-11-22 | 2022-11-22 | 一种基于精细化特征解耦的多源域设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467912.0A CN115712859A (zh) | 2022-11-22 | 2022-11-22 | 一种基于精细化特征解耦的多源域设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712859A true CN115712859A (zh) | 2023-02-24 |
Family
ID=85234175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467912.0A Pending CN115712859A (zh) | 2022-11-22 | 2022-11-22 | 一种基于精细化特征解耦的多源域设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304820A (zh) * | 2023-03-14 | 2023-06-23 | 广东石油化工学院 | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 |
-
2022
- 2022-11-22 CN CN202211467912.0A patent/CN115712859A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304820A (zh) * | 2023-03-14 | 2023-06-23 | 广东石油化工学院 | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 |
CN116304820B (zh) * | 2023-03-14 | 2023-12-01 | 广东石油化工学院 | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829057B (zh) | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 | |
Mancini et al. | Adagraph: Unifying predictive and continuous domain adaptation through graphs | |
CN107944410B (zh) | 一种基于卷积神经网络的跨领域面部特征解析方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN111783540B (zh) | 一种视频中人体行为识别方法和系统 | |
CN112434171A (zh) | 一种基于强化学习的知识图谱推理补全方法及系统 | |
CN110659742A (zh) | 获取用户行为序列的序列表示向量的方法和装置 | |
CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
CN115712859A (zh) | 一种基于精细化特征解耦的多源域设备故障诊断方法 | |
CN112784929A (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
CN112686372A (zh) | 基于深度残差gru神经网络的产品性能预测方法 | |
KR20190125029A (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
CN111914094A (zh) | 一种基于三元交互的知识图谱表示学习方法 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN114358125A (zh) | 一种基于多源信息深度融合的旋转机械故障自动识别方法 | |
CN114580288A (zh) | 一种基于dsecjan的智能故障诊断方法 | |
CN115600137A (zh) | 面向不完备类别数据的多源域变工况机械故障诊断方法 | |
CN114299344A (zh) | 一种针对图像分类的神经网络结构低成本自动搜索方法 | |
CN115816466B (zh) | 一种提升视觉观测机器人控制稳定性的方法 | |
CN116704609A (zh) | 基于时序注意力的在线手卫生评估方法及系统 | |
CN111402180A (zh) | 一种nsct域的基于fbiem与iscm的图像融合方法 | |
CN117235490A (zh) | 一种融合深度卷积和自注意力网络的故障自适应诊断方法 | |
CN116232699A (zh) | 细粒度网络入侵检测模型的训练方法和网络入侵检测方法 | |
CN115439791A (zh) | 跨域视频动作识别方法、装置、设备和计算机可存储介质 |
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 |