CN116913316A - 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 - Google Patents
一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 Download PDFInfo
- Publication number
- CN116913316A CN116913316A CN202310709094.9A CN202310709094A CN116913316A CN 116913316 A CN116913316 A CN 116913316A CN 202310709094 A CN202310709094 A CN 202310709094A CN 116913316 A CN116913316 A CN 116913316A
- Authority
- CN
- China
- Prior art keywords
- fault
- voiceprint
- power transformer
- spectrogram
- data enhancement
- 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 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,涉及电力变压器故障声纹诊断技术领域,包括以下步骤:S1:建立采样分析平台,对发生不同故障的电力变压器采集声纹信号;S2:使用采集到的声纹信号绘制语谱图,生成语谱图集合;S3:用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充,扩充后形成故障样本集合,故障样本集合分为两类,故障训练集合与故障测试集合;S4:将故障训练集合输入到卷积神经网络中,对卷积神经网络进行训练,建立故障模型;S5:将故障测试集合输入到训练后的卷积神经网络中进行检验,测试对电力变压器声纹信号的诊断与分类能力。本发明采用上述方法,增加了训练样本数量,提高了诊断的正确率。
Description
技术领域
本发明涉及电力变压器故障声纹诊断技术领域,尤其是涉及一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法。
背景技术
电力变压器是电力系统的关键元件,其振动与噪声影响着电力系统的运行,受变电站环境和人为因素的影响,运行过程中经常发生局部放电、短路冲击等不同类型的故障。这不仅会影响正常的社会用电需求,还会造成不可估量的损失。有必要对电力变压器的运行状态进行实时监测和诊断。
目前,电力变压器的故障检测方法有多种诊断方法,但是现有方法在收集故障特征时需要与电力变压器外壳进行接触测量,操作复杂而困难。选择声纹信号采集过程具有非接触、简单、快捷且不影响变压器的正常工作的优点,使得基于声纹信号的研究方向逐渐成为热点。但是基于声纹信号的深度学习算法需要提供大量的学习样本来提高模型的训练精度,对于短路冲击等低概率故障缺乏足够的样本进行实验研究。当故障样本不平衡时,很容易出现过拟合事件,影响模型的诊断准确度,因此,提供了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法。
发明内容
本发明的目的是提供一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,为了解决常规工况下电力变压器各种故障样本不平衡而引起的分类效果不佳与出现的过拟合问题,提供一种数据增强算法,可以有效扩充样本数量,增强模型的泛化能力,具有更佳的分类性能。
为实现上述目的,本发明提供了一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,包括以下步骤:
S1:建立采样分析平台,对发生不同故障的电力变压器采集声纹信号;
S2:使用采集到的声纹信号绘制语谱图,生成语谱图集合;
S3:用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充,扩充后形成故障样本集合,故障样本集合分为两类,故障训练集合与故障测试集合;
S4:将故障训练集合输入到卷积神经网络中,对卷积神经网络进行训练,建立故障模型;
S5:将故障测试集合输入到训练后的卷积神经网络中进行检验,测试对电力变压器声纹信号的诊断与分类能力。
优选的,所述步骤S1中,所述采样分析平台包括声学传感器和与所述声学传感器连接的数据采集装置,所述数据采集装置连接分析计算机,所述声学传感器的频率响应范围10Hz~20kHz,采样频率16000Hz。
优选的,所述步骤S2中,绘制语谱图的具体方法如下:对采集到的故障声纹信号通过分帧、加窗和离散傅里叶变换来绘制语谱图,统一帧长设置为0.25s,重叠率设为50%,窗函数选择海明窗,其公式表示如下:
上式中,N表示海明窗的长度。
优选的,所述步骤S3中,扩充的过程具体如下:
S31:从语谱图集合中随机选取四张图像,将其随机拼接在一起形成一张新的合成图像;
S32:在新的合成图像中随机生成区域进行裁剪,裁剪完成产生一张新图像;
S33:产生的新图像进行翻转,加噪,缩放操作,得到新的语谱图,将新产生的语谱图输入故障样本集合中。
优选的,所述步骤S3中,故障样本集合分为两类,90%的故障训练集合与10%的故障测试集合;
优选的,所述步骤S4中的训练过程如下:
卷积网络运算的公式如下:
上式中,与/>分别代表第e层网络的输出与输入特征,Mj表示输入特征的集合,f(·)表示激活函数,/>表示卷积核的权重矩阵,/>表示卷积操作中的偏置项,最大池化层的公式如下:
上式中,Pij表示池化操作中最大输出值,Uij表示池化区域,ak表示卷积操作的输出矩阵,池化层后连接全连接层,全连接层中进行了随机失活。
优选的,所述步骤S5中,检验方法是使用准确率曲线进行检验
因此,本发明采用一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,具有以下有益效果:
(1)在本发明中,电力变压器的运行环境复杂,容易发生各种故障,但由于一些故障的概率很低,样本很少,因此有必要在样本不足的情况下对故障集合进行增强和扩展,从而更好的训练诊断模型,使诊断模型具有良好的泛化性能,通过Mosaic数据增强的数据集可以提高学习模型的鲁棒性。
(2)在本发明中,语谱图中容易区分频率声纹信号的频率变化,通过观察共振峰可以更好的识别声音,并有利于后续深度学习算法的特征提取。
(3)在本发明中,在使用卷积神经网络进行分类诊断时,通过混合数据增强的电力变压器的语谱图具有良好的效果。它提高了模型的泛化能力,诊断准确率高达96%,与其他类似的深度学习算法相比,它对电力变压器故障声纹信号具有良好的诊断性能。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的生成语谱图的流程图;
图2为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中检测正常变压器的语谱图;
图3为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中短路冲击的语谱图;
图4为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中局部放电的语谱图;
图5为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中典型故障中直流偏磁的语谱图;
图6为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中正常的语谱图;
图7为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中短路冲击的语谱图;
图8为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中局部放电的语谱图;
图9为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中的故障样本中直流偏磁的语谱图;
图10为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中诊断效果图;
图11为本发明一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法中不同模型诊断效果的对比图。
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。
实施例
本发明提供一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,包括以下步骤:
S1:在不同故障类型的电力变压器周围固定声学传感器,频率响应范围10Hz~20kHz,采样频率16000Hz,采集环境为户外变电站环境,采集时受到说话声与鸟叫声、风噪等非周期的噪声干扰,采集到短路冲击、局部放电、直流偏磁故障与正常状态下电力变压器的可听声纹信号,采样分析平台包括声学传感器、数据采集装置和分析计算机,声学传感器连接数据采集装置,数据采集装置连接分析计算机。
S2:使用采集到的声纹信号绘制语谱图,生成语谱图集合,流程如图1所示,语谱图中包含了大量与声纹信息特性相关的信息,如共振峰、能量等频域参数随时间的变化情况,它同时具有时域波形与频谱图的特点,这表明制作的语谱图本身就包含了电力变压器故障声纹信号的所有的频谱信息,如图2-5,用声纹信号分别生成正常、短路冲击、局部放电和直流偏磁的变压器语谱图;
绘制语谱图的具体过程如下:对采集到的故障声纹信号通过分帧、加窗和离散傅里叶变换来绘制语谱图,统一帧长设置为0.25s,重叠率设为50%,窗函数选择海明窗,其公式表示如下:
上式中,N表示海明窗的长度。
S3:用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充,扩充的具体过程如下:
S31:从语谱图集合中随机选取四张图像,将它们随机拼接在一起形成一张新的合成图像;
S32:在新的合成图像中随机生成区域进行裁剪,裁剪完成产生一张新图像;
S33:产生的新图像进行翻转,加噪,缩放操作,得到新的语谱图,将新产生的语谱图输入故障样本集合中,
如图6-9,扩充后形成故障样本集合,故障样本集合分为两类,90%的故障训练集合与10%的故障测试集合;
S4:将故障训练集合输入到卷积神经网络中,对卷积神经网络进行训练,训练过程如下:
卷积神经网络是致力于识别二维空间特征而设计的一个多层数据感知器。卷积层的主要作用是对卷积核与导入的数据集进行卷积计算来提取相应特征,卷积运算的公式表示如下:
上式中,与/>分别代表第e层网络的输出与输入特征,Mj表示输入特征的集合,f(·)表示激活函数,/>表示卷积核的权重矩阵,/>表示卷积操作中的偏置项。
池化层的目的在于减小卷积核的尺寸达到降维的目的,最大池化层的公式表示如下:
上式中,Pij表示池化操作中最大输出值,Uij表示池化区域,ak表示卷积操作的输出矩阵。
池化层的下一层是全连接层,全连接层将池化层的所有特征矩阵转化成一维的特征向量,全连接层一般放在卷积神经网络结构中的最后,用于对经过多层卷积池化的特征矩阵进行分类,从池化层到全连接层的过程数据会进行多到少的映射,进行降维。为了防止过拟合现象,在全连接层进行了Dropout操作,即在前向传播过程中,让某个神经元的激活值以一定的概率停止工作,可以进一步增强模型的泛化性能。
S5:将故障测试集合输入到训练后的卷积神经网络中进行检验,测试对电力变压器声纹信号的诊断与分类能力,如图10,使用准确率曲线来验证准诊断效果,并将本方案与其他方案作对比,如图11,与RNN、SVM和KNN模型的分类效果进行对比,通过对比验证了本方案诊断准确率高达96%的优越性
因此,本发明提供一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,解决常规工况下电力变压器各种故障样本不平衡而引起的分类效果不佳与出现的过拟合问题,通过提供一种数据增强算法,能有效的扩充样本数量,从而增强模型的泛化能力,具有更佳的分类性能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:包括以下步骤:
S1:建立采样分析平台,对发生不同故障的电力变压器采集声纹信号;
S2:使用采集到的声纹信号绘制语谱图,生成语谱图集合;
S3:用Mosaic数据增强算法对步骤S2生成的语谱图集合进行扩充,扩充后形成故障样本集合,故障样本集合分为两类,故障训练集合与故障测试集合;
S4:将故障训练集合输入到卷积神经网络中,对卷积神经网络进行训练,建立故障模型;
S5:将故障测试集合输入到训练后的卷积神经网络中进行检验,测试对电力变压器声纹信号的诊断与分类能力。
2.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S1中,所述采样分析平台包括声学传感器和与所述声学传感器连接的数据采集装置,所述数据采集装置连接分析计算机,所述声学传感器的频率响应范围10Hz~20kHz,采样频率16000Hz。
3.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S2中,绘制语谱图的具体方法如下:对采集到的故障声纹信号通过分帧、加窗和离散傅里叶变换来绘制语谱图,统一帧长设置为0.25s,重叠率设为50%,窗函数选择海明窗,其公式表示如下:
上式中,N表示海明窗的长度。
4.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S3中,扩充的过程具体如下:
S31:从语谱图集合中随机选取四张图像,将其随机拼接在一起形成一张新的合成图像;
S32:在新的合成图像中随机生成区域进行裁剪,裁剪完成产生一张新图像;
S33:产生的新图像进行翻转,加噪,缩放操作,得到新的语谱图,将新产生的语谱图输入故障样本集合中。
5.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S3中,故障样本集合分为两类,90%的故障训练集合与10%的故障测试集合。
6.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S4中的训练过程如下:
卷积网络运算的公式如下:
上式中,与/>分别代表第e层网络的输出与输入特征,Mj表示输入特征的集合,f(·)表示激活函数,/>表示卷积核的权重矩阵,/>表示卷积操作中的偏置项,最大池化层的公式如下:
上式中,Pij表示池化操作中最大输出值,Uij表示池化区域,ak表示卷积操作的输出矩阵,池化层后连接全连接层,全连接层中进行了随机失活。
7.根据权利要求1所述的一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法,其特征在于:所述步骤S5中,检验方法是使用准确率曲线进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709094.9A CN116913316A (zh) | 2023-06-15 | 2023-06-15 | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709094.9A CN116913316A (zh) | 2023-06-15 | 2023-06-15 | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116913316A true CN116913316A (zh) | 2023-10-20 |
Family
ID=88355390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310709094.9A Pending CN116913316A (zh) | 2023-06-15 | 2023-06-15 | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913316A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118155662A (zh) * | 2024-05-09 | 2024-06-07 | 国网江西省电力有限公司南昌供电分公司 | 基于人工智能的变压器声纹故障识别方法 |
-
2023
- 2023-06-15 CN CN202310709094.9A patent/CN116913316A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118155662A (zh) * | 2024-05-09 | 2024-06-07 | 国网江西省电力有限公司南昌供电分公司 | 基于人工智能的变压器声纹故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Lin et al. | Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及系统 | |
CN112183647A (zh) | 一种基于深度学习的变电站设备声音故障检测及定位方法 | |
CN101614786A (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN116913316A (zh) | 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法 | |
CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN110702966A (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
CN117789766A (zh) | 一种水电机组放电和轴承故障风险声音的分类方法及系统 | |
CN113466616A (zh) | 一种电缆故障点快速定位方法以及装置 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
Dang et al. | Cochlear filter cepstral coefficients of acoustic signals for mechanical faults identification of power transformer | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 |
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 |