CN116738367A - 基于多尺度图Transformer的滚动轴承故障诊断方法 - Google Patents
基于多尺度图Transformer的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN116738367A CN116738367A CN202310730201.6A CN202310730201A CN116738367A CN 116738367 A CN116738367 A CN 116738367A CN 202310730201 A CN202310730201 A CN 202310730201A CN 116738367 A CN116738367 A CN 116738367A
- Authority
- CN
- China
- Prior art keywords
- fault
- frequency representation
- node
- fault time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000005096 rolling process Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种多尺度图Transformer的滚动轴承故障诊断方法,提出了一种新的图节点特征聚合模型,将图节点的每个邻域特征信息聚合到中心节点的特征表示,使用Transformer对重要的节点信息提高利用率,以增强特征表示。实现过程为:(1)对于采集到的原始轴承故障数据进行小波变换得到故障时频表示节点,利用每个故障时频表示节点的前k个故障时频表示节点来构建邻接矩阵;(2)通过多尺度特征聚合模块聚合故障时频表示节点的多尺度特征信息,然后构建故障时频表示节点结构编码来保存故障时频表示节点的结构信息,再输入到Transformer模块中进行特征提取;(3)使用SoftMax分类器对提取的故障特征进行分类。实验结果表明本发明方法是一种有效的故障诊断方法。
Description
技术领域
本发明涉及一种基于多尺度图Transformer的滚动轴承故障诊断方法,它属于故障诊断领域。
背景技术
滚动轴承作为旋转机械不可或缺的零部件,被称为“工业得到关节”,同时,也是最容易受到损害的零部件,随着运行时间的增加,滚动轴承更易发生故障故,如果这些故障没有被及时发现和维护,很可能会降低机械设备的安全性和使用寿命。传统的轴承故障诊断方法在处理小规模数据集时表现良好,但在面对大规模数据集时表现不佳,而且其有限的特征提取能力也很难充分挖掘故障数据之间的潜在关系。
随着计算能力的快速发展,已经开发了大量用于智能故障诊断的机器学习方法。其中,基于深度神经网络的方法,如深度信念网络、自动编码器、卷积神经网络和长短期记忆网络,引起了学术界和工业界的广泛关注。深度神经网络在机械故障诊断方面取得了巨大成功,但仍存在一些问题。我们认为深度神经网络可以学习输入特征之间的相关性。然而,这种用于特征表示的自学习过程未能明确地挖掘信号之间的关系。在机械故障诊断中,监测故障信号的关系随着机器健康状态的变化而变化很大,因此对信号关系进行建模和学习对于机器故障诊断是有效的。对于图数据,每个节点通过一些复杂的边与其他节点相关联,边用于表示数据之间的关系。由于图形数据的特殊形式,传统深度神经网络在图数据方面无法实现与在欧式数据方面相同的性能。
作为深度学习的一个分支,图神经网络在非欧数据方面取得了卓越的性能,如推荐系统、链接预测、节点分类和蛋白质结构推断,可以充分挖掘节点之间的关系来进行特征提取,这为滚动轴承故障诊断的发展带来了新机遇。虽然图神经网络可以在非欧数据上取得良好的性能,但是对于传统的图神经网络,它只聚合本地邻居节点的信息,类似于卷积神经网络中的固定内核,这意味着它只能聚合故障节点周围固定数量的节点信息,无法充分提取故障信息。学者们采用多感受野的图卷积网络进行机器故障诊断,避免了固定尺度的单一性和特征提取的乏力。但是依旧存在以下问题:一是多感受野的特征提取方式没有着重考虑更有用的特征信息,会导致特征信息混杂;二是当前方法无法有效处理噪声、变工况等复杂环境下的故障诊断。三是当前对复杂环境如噪声和变工况下的轴承故障诊断有效性不足。
发明内容
本文提出一种多尺度图Transformer的滚动轴承故障诊断方法,以此来解决当前故障诊断算法无法有效处理噪声、变工况等复杂环境下的故障诊断的问题,具体方法步骤如下:
1、通过传感器采集原始轴承故障数据,通过滑动窗口对数据进行增强,得到数据增强后的故障数据;通过连续小波变换得到同时包含时域和频域信息的二维故障时频表示节点v∈Rh×m,其中h×m为节点的维度;将故障时频表示节点进行横向展开,并将所有节点进行纵向融合,得到故障时频表示节点的特征矩阵S∈Rn×d,其中n为节点个数,d=h×m。
2、通过计算两个故障时频表示节点之间的距离,利用每个故障时频表示节点的前k个故障时频表示节点来构建邻接矩阵,得到故障时频表示节点的邻接矩阵A。
3、通过多尺度图Transformer故障诊断模型对故障时频表示节点进行特征提取和学习表示,具体实现方式如下:
(3a)构建多尺度特征聚合模块,以聚合故障时频表示节点的多尺度特征信息,该模块的具体实现方式如下:
对于故障时频表示节点v和u,设Nk(v)={u∈v|d(v,u)≤k}为v的k阶邻域,其中d(v,u)表示v和u之间的最短路径距离;定义N0(v)={v},即当k为0时,0阶邻域为节点本身特征;在多尺度特征聚合模块中使用聚合算子将Nk(v)聚合为故障时频表示节点v的k阶邻域特征聚合/>该特征聚合/>的计算公式为:
通过上述公式计算故障时频表示节点v的邻域特征为其中k固定为超参数;则对于每个故障时频表示节点可以生成对应的多尺度邻域特征;通过contact操作将k个尺度的邻域特征信息聚合:
其中表示节点初始特征/>聚合了k阶邻域节点之后的特征;则故障时频表示节点的特征矩阵S将扩充为/>并且Sk能够包含故障特征表示节点的多尺度特征信息。
(3b)构建故障时频表示节点的中心性编码来保存故障时频表示节点的结构信息,具体实现过程如下:
根据故障时频表示节点的特征矩阵S求得度矩阵将故障时频表示节点的度为每个节点嵌入中心性信息;可以直接添加到故障时频表示节点的特征中作为Transformer模块的输入/>表示为:
其中为故障时频表示节点的特征。
(3c)构建Transformer模块。首先构建Transformer编码器,该编码器由两个主要模块组成:自我注意力模块和前馈神经网络;在自我注意力模块中,首先通过线性投影将故障时频表示节点特征投影到查询矩阵Q、关键字矩阵K和值矩阵V,使得/>和/>可以通过下式来计算自我注意力/>
其中dout是指Q的维度,WQ、WK和WV是可学习的参数;多头注意力将多个上式连接在一起;自我注意力的输出再输入到前馈网络共同组成Transformer编码器,该Transformer编码器的计算公式如下:
进而堆叠六个编码器来形成Transformer模块。
(3d)将得到嵌入结构信息的多尺度故障特征输入到Transformer模块中,进行特征提取。
(3e)利用Transformer模块来提取故障时频表示节点的故障特征,并通过全连接层进行特征重组。
4、将特征重组之后的节点特征输入到SoftMax分类器中,对故障时频表示节点进行分类。
本发明的有益效果是:提出多尺度特征聚合模块将图节点的每个邻域特征信息聚合到中心节点的特征表示中,可以融合节点不同邻域的多尺度节点信息以增强特征表示。同时本发明使用Transformer对融合后节点特征信息进行特征提取,对更重要的节点信息提高利用率。实验结果表明,本发明方法可以提取更加有效的故障特征,增加故障诊断的准确性。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明方法的流程图;
图2是故障特征的三维数据分布图;
图3是诊断结果的混淆矩阵。
具体实施方式
本发明具体实施步骤如下
1、通过传感器采集机械设备的故障数据,通过滑动窗口对数据进行增强,得到数据增强后的故障数据;通过小波变换得到同时包含时域和频域信息的故障时频表示节点v。
2、通过计算两个故障时频表示节点之间的距离,利用每个故障时频表示节点v的前k个故障时频表示节点来构建邻接矩阵,得到故障时频表示节点的特征矩阵S和邻接矩阵A。
3、将故障特征表示节点的特征矩阵S和邻接矩阵A输入多尺度图Transformer故障诊断模型:通过多尺度聚合模块
得到聚合了多尺度特征信息的特征矩阵再嵌入故障特征表示节点的结构特征/>
然后将作为Transformer模块的输入,利用Transformer模块来提取故障特征表示节点的故障特征对故障节点进行特征提取,该Transformer模块的每层计算公式如下:
其中
4、使用SoftMax分类器对提取的故障特征进行分类,获得故障数据的分类结果。
本发明的效果可以通过以下实验进一步验证:
对于滚动轴承故障诊断问题,本发明以西储大学滚动轴承数据集为例进行实验,使用的数据为转速为1772r/min,采样频率为12kHz下的驱动端滚动轴承故障数据,其滚动轴承类型为SKF6205,故障均为人工使用电火花加工而产生的单点损伤,损伤直径为0.1778mm。在本实验中,滚动轴承数据按照不同故障类型共分为十种类型,对于每类数据,我们以1024个采样点作为一个样本,共得到1000个样本。然后,将特征划分为训练集和测试集,输入所提模型中进行训练,随机实验重复进行五次。
图2直观展示了滚动轴承故障特征三维数据分布情况,从图2可以看出,本发明方法不仅能够有效地将故障类型进行准确的诊断,而且能够将故障类型进行有效分类。图3展示了本发明方法的故障诊断结果的混淆矩阵,从图3可以看出,12kHz采样频率、1772r/min转速下的驱动端滚动轴承故障数据上,能够实现准确的故障诊断。实验结果证明,本发明公开的方法是一种有效的滚动轴承故障诊断方法。
Claims (1)
1.本发明公布了一种多尺度图Transformer的滚动轴承故障诊断方法,其特征在于该方法包括如下步骤:
(1)通过传感器采集原始轴承故障数据,通过滑动窗口对数据进行增强,得到数据增强后的故障数据;通过连续小波变换得到同时包含时域和频域信息的故障时频表示节点v;
(2)通过计算两个故障时频表示节点之间的距离,利用每个故障时频表示节点v的前k个故障时频表示节点来构建邻接矩阵,得到故障时频表示节点的特征矩阵S和邻接矩阵A;
(3)通过多尺度图Transformer故障诊断模型对故障时频表示节点进行特征提取和学习表示,具体实现方式如下:
(3a)构建多尺度特征聚合模块,以聚合故障时频表示节点的多尺度特征信息,该模块的具体实现方式如下:
对于故障时频表示节点v和u,设Nk(v)={u∈v|d(v,u)≤k}为v的k阶邻域,其中d(v,u)表示v和u之间的最短路径距离;定义N0(v)={v},即当k为0时,0阶邻域为节点本身特征;在多尺度特征聚合模块中使用聚合算子将Nk(v)聚合为故障时频表示节点v的k阶邻域特征聚合/>该特征聚合/>的计算公式为:
通过上述公式计算故障时频表示节点v的邻域特征为其中k固定为超参数;则对于每个故障时频表示节点可以生成对应的多尺度邻域特征;通过contact操作将k个尺度的邻域特征信息聚合:
其中表示节点初始特征/>聚合了k阶邻域节点之后的特征;则故障时频表示节点的特征矩阵S将扩充为/>并Sk能够包含故障特征表示节点的多尺度特征信息;
(3b)构建故障时频表示节点的中心性编码来保存故障时频表示节点的结构信息,具体实现过程如下:
根据故障时频表示节点的特征矩阵S求得度矩阵将故障时频表示节点的度为每个节点嵌入中心性信息;可以直接添加到故障时频表示节点的特征中作为Transformer编码器的输入/>表示为:
其中为故障时频表示节点的特征;
(3c)构建Transformer模块:
Transformer编码器由两个主要模块组成:自我注意力模块和前馈神经网络;在自我注意力模块中,首先通过线性投影将故障时频表示节点特征投影到查询矩阵Q、关键字矩阵K和值矩阵V,使得/>和/>可以通过下式来计算自我注意力
其中dout是指Q的维度,WQ、WK和WV是可学习的参数;多头注意力将多个上式连接在一起;自我注意力的输出再输入到前馈网络共同组成Transformer编码器,该Transformer编码器的计算公式如下:
进而堆叠六个编码器来形成Transformer模块;
(3c)构建故障时频表示节点的中心性编码来保存故障时频表示节点的结构信息,具体实现过程如下:
根据故障时频表示节点的特征矩阵S求得度矩阵将故障时频表示节点的度为每个节点嵌入中心性信息,可以直接添加到故障时频表示节点的特征中作为Transformer模块的输入/>表示为:
其中为故障时频表示节点的特征;
(3d)将得到嵌入结构信息的多尺度故障特征输入到Transformer模块中,进行特征提取;
(3e)利用Transformer模块来提取故障时频表示节点的故障特征,并通过全连接层进行特征重组;
(4)使用SoftMax分类器对故障时频表示节点进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730201.6A CN116738367A (zh) | 2023-06-20 | 2023-06-20 | 基于多尺度图Transformer的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730201.6A CN116738367A (zh) | 2023-06-20 | 2023-06-20 | 基于多尺度图Transformer的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116738367A true CN116738367A (zh) | 2023-09-12 |
Family
ID=87900774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730201.6A Pending CN116738367A (zh) | 2023-06-20 | 2023-06-20 | 基于多尺度图Transformer的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738367A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034022A (zh) * | 2023-10-10 | 2023-11-10 | 北京科锐特科技有限公司 | 轴承诊断系统的训练方法、控制装置及存储介质 |
-
2023
- 2023-06-20 CN CN202310730201.6A patent/CN116738367A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117034022A (zh) * | 2023-10-10 | 2023-11-10 | 北京科锐特科技有限公司 | 轴承诊断系统的训练方法、控制装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108614548B (zh) | 一种基于多模态融合深度学习的智能故障诊断方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN112461537B (zh) | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
CN116738367A (zh) | 基于多尺度图Transformer的滚动轴承故障诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113780151B (zh) | 一种双线性特征融合的轴承故障诊断方法及系统 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
Lyu et al. | A novel multiview sampling-based meta self-paced learning approach for class-imbalanced intelligent fault diagnosis | |
CN110779722B (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 | |
CN116821762A (zh) | 一种基于多尺度图注意力融合网络的机械故障诊断方法 | |
CN116383739A (zh) | 基于域自适应的多模态数据融合的智能故障诊断方法 | |
CN114970744A (zh) | 一种基于博弈映射学习的信息融合三相电机故障诊断方法 | |
CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
CN115374829A (zh) | 一种基于深度学习的轴承故障诊断方法及系统 | |
CN114528869A (zh) | 一种风机叶片损伤识别方法 | |
Zheng et al. | Few-shot intelligent fault diagnosis based on an improved meta-relation network | |
CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及系统 |
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 |