CN116956124A - 一种基于改进cnn实现三相整流器件故障诊断的方法 - Google Patents
一种基于改进cnn实现三相整流器件故障诊断的方法 Download PDFInfo
- Publication number
- CN116956124A CN116956124A CN202310863322.8A CN202310863322A CN116956124A CN 116956124 A CN116956124 A CN 116956124A CN 202310863322 A CN202310863322 A CN 202310863322A CN 116956124 A CN116956124 A CN 116956124A
- Authority
- CN
- China
- Prior art keywords
- fault
- rectifying device
- phase rectifying
- neural network
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000003121 nonmonotonic effect Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000033999 Device damage Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于改进CNN实现三相整流器件故障诊断的方法,所述方法包括:构建出三相整流器件故障诊断总体框架,对三相整流器件故障进行诊断;对包含不同三相整流器件的故障,获得每种故障的数据,处理每种故障的数据以生成三相整流器件故障特征;通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块,生成故障特征;构建Res2Net模块,将一维卷积神经网络模块生成的故障特征进行训练,得到不同种类的故障数据特征;构建改进的卷积神经网络模型;根据故障数据特征来确定每种故障的不同类型。本发明提供的方法能够有效提高三相整流器件的故障分类性能,使故障分类更准确。
Description
本发明涉及故障诊断领域,具体涉及基于改进CNN实现三相整流器件故障诊断的方法。
背景技术
随着电力电子技术的不断发展,三相整流器的应用越来越广泛,功率水平也在不断提高,工作性能也得到大幅度地改善。由于三相整流器的工作环境通常比较复杂,长时间的运转,加上温度、磨损等各种因素的影响,从而导致三相整流器的故障也越来越频繁。一旦发生故障,将会带来巨大损失,甚至发生重大的灾难,因此快速、准确的对三相整流器中的故障位置进行定位变得尤为重要。
整流器装置的故障可分为结构性故障和参数性故障。结构性故障主要表现为功率器件损坏造成的主电路结构改变;参数性故障主要表现为元件参数的偏移,造成装置特性严重偏离正常特性。在故障类型中,最常见的就是短路故障(Short Circuit,SC)和开路故障(Open Circuit,OC)。其中,短路故障发生的时间很短,一般在十几微秒到几十微秒之间,可以通过额外的硬件电路转化为开路故障。开路故障不会使整流器立刻损坏,但如果继续使用运行就会对整流器进行二次损坏。
发明内容
本发明所解决的技术问题是提出了一种基于改进CNN实现三相整流器件故障诊断的方法。
本发明解决其技术问题所采用的技术方案是:基于改进CNN实现三相整流器件故障诊断的方法。包含如下步骤:1)构建出三相整流器件故障诊断总体框架;2)对包含不同三相整流器件的故障,获得每种故障的数据,处理每种故障的数据以生成三相整流器件故障特征;3)通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块,生成故障特征;4)构建Res2Net模块,将一维卷积神经网络模块生成的故障特征进行训练,得到不同种类的故障数据特征;5)构建改进的卷积神经网络模型;6)根据故障数据特征来确定每种故障的不同类型,最终确定三相整流器件的故障类型;7)在故障数据中加入不同强度的噪声,最终来验证构建的改进的卷积神经网络模型在实际环境中对于故障种类的分类是否准确。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤1)中构建出三相整流器件故障诊断总体框架包括以下步骤:三相整流器件故障诊断总体框架的搭建是对整流器件晶体管故障开路框架的搭建。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤2)中对包含不同三相整流器件的故障,获得每种故障的数据,处理每种故障的数据以生成三相整流器件故障特征包括以下步骤:在Matlab中的simulink下搭建三相整流器件故障诊断平台,根据电路原理分析得出三类故障类型,其中有单臂故障、双臂故障和多臂故障,每种故障波形包含3×5000个数据点,在输入网络模型的时候使用3×5000形式的矩阵输入。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤3)中通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块,生成故障特征包括以下步骤:搭建多尺度一维卷积神经网络模块是搭建故障诊断网络的第二步,它是故障数据输入的第一个网络模型块,使用3×1、4×1和6×1的不同尺度卷积核对故障数据进行特征提取,将提取的故障特征作为下一个模块的输入特征。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤4)中构建Res2Net模块,将一维卷积神经网络模块生成的故障特征进行训练,得到不同种类的故障数据特征包括以下步骤:在获取多尺度一维卷积神经网络模块的故障数据特征之后,将故障特征输入到Res2Net模块中再对故障数据进行特征提取,该模块由大小为1、3的卷积层和BN层构成。通过3×3卷积层的残差连接,进一步提取故障数据的特征信息。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤5)中构建改进的卷积神经网络模型包括以下步骤:改进的卷积神经网络由三部分组成:多尺度一维卷积模块、Res2Net模块和多注意力机制。将多尺度卷积神经网络视为第一个卷积块,Res2Net视为第二个卷积块。首先故障数据以3×5000的矩阵形式输入到多尺度特征提取模块,该模块通过3种不同尺度的卷积核提取更有效的故障特征。其次故障数据进入Res2Net卷积块,进一步提取故障数据的特征信息。在多尺度特征提取模块和Res2Net模块后加入注意力机制实现对故障数据特征的优化加权,最后,通过全连接层把两个卷积块提取的故障信息进行分类、输出。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤6)中根据故障数据特征来确定每种故障的不同类型,最终确定三相整流器件的故障类型包括以下步骤:利用改进的卷积神经网络对每种故障进行分类,最终确定每种故障的种类。
根据本发明提供一种基于改进CNN实现三相整流器件故障诊断的方法,还可以具有这样的技术特征,其中,步骤7)中在故障数据中加入不同强度的噪声,最终来验证构建的改进的卷积神经网络模型在实际环境中对于故障种类的分类是否准确包括以下步骤:将加入噪声后的故障数据输入到改进的卷积神经网络模型中,来验证模型在实际工况下对故障数据分类的准确性。
本发明的有益效果是:构建出一种基于改进CNN实现三相整流器件故障诊断,从而基于一种改进的CNN模型设计出对应的三相整流器件故障诊断的方法,根据故障数据特征来确定每种故障的不同类型,并且将加入噪声后的故障数据再次输入到改进的卷积神经网络模型中,来验证模型在实际情况下对故障数据分类的准确性。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1是三相整流器件故障诊断框架图。
图2是三相整流电路原理图。
图3是三相整流器件故障部分波形图。
图4是多尺度一维卷积神经网络结构图。
图5是Res2Net结构图。
图6是CBAM结构图。
图7是改进的CNN模型结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选例仅用于说明和解释本发明,并不用于限定本发明。
本实施例中一种基于改进CNN实现三相整流器件故障诊断方法具体实现平台:操作系统为Windows11,编程语言为Python。
实施例1:
如图1所示,本发明提供了一种基于改进CNN实现三相整流器件故障诊断的方法。由Matlab中的Simulink搭建仿真平台,由仿真平台生成故障数据,将生成的故障数据输入到改进的CNN模型中提取故障特征。根据故障特征将不同的额故障种类进行分类,最后输出分类结果。改进后的故障诊断模型在解决数据正则性问题的基础上,提高了故障分类的聚合能力,从而得到更好的准确性和泛化能力。
实施例2:
如图2所示,三相整流电路原理图是由三相交流电Ua、Ub、Uc、3个电阻、3个电感、6个晶体管以及负载的电容、电感组成。三相整流故障电流数据依次通过电阻和电感以及三相不同的6个晶体管,最终输出不同故障的波形,通过不同故障波形,形成不同种类的故障数据。
实施例3:
如图3所示,根据电路原理分析得出三类故障类型,其中有单臂故障:T1开路、T2开路、T3开路、T4开路、T5开路、T6开路;双臂故障:T1、T4开路、T1、T3开路;多臂故障:T1、T3、T5开路、T2、T4、T6开路。每种故障波形包含3×5000个数据点,在输入网络模型的时候使用3×5000形式的矩阵输入。训练集、验证集、测试集按照3:1:1的比例划分,其中,数据集包含3000个训练数据、1000个验证数据和1000个测试数据。
实施例4:
如图4所示,当部分数据特征差别较大时,不同尺度的卷积核提取的特征信息也不同。经典的卷积神经网络很难对所有的数据特征进行充分的提取,甚至会造成较大的误差,并且如果不断的增加网络深度会浪费大量的资源、出现过拟合现象等等。利用不同尺度的卷积核构建多尺度融合框架,可以实现对数据不同特征信息尺度的互补。多尺度框架的每一层都采用不同尺度的卷积核组成。每一层中卷积核大小相同的卷积层和池化层用来提取相同尺度特征的数据,再通过池化层对特征降采样,最后使用torch.cat函数进行多尺度融合,多尺度一维卷积神经网络结构参数如表1所示。
表1
实施例5:
如图5所示,通过在单个残差块内构造具有等级制的类似残差连接,取代了通用的单个3×3的卷积核,并且Res2Net策略引出了一个新的维度,即scale用于表征Res2Net块中特征组的数量,scale越大就允许更多的特征有更丰富的感受野大小被学习。每次3×3的卷积操作都可以潜在地接受所有其左边的特征信息,每一个输出都能增大感受野,所以每一个Res2Net都能获取不同数量和不同感受野大小的特征组合。对Res2Net模块中的激活函数进行优化,将ReLU激活函数换成Mish激活函数,并且对比激活函数在模块中的位置来对模型进行优化,使用Mish+BN层的组合,使权值层具有更优的预测分类效果。
实施例6:
如图6所示,CBAM结构先后学习通道注意力和空间注意力,其权重与特征信号的融合方式如图4所示。CBAM首先由特征矩阵F学习通道注意力Mc,F与Mc做基于element-wise的乘法操作之后得到融合后的特征矩阵F′,其次由F′学习空间注意力Ms,最后F′与Ms做乘法操作得到最终融合后的特征矩阵F″。
实施例7:
如图7所示,改进CNN网络模型包含多尺度卷积神经网络、Res2Net块和多注意力机制。将多尺度卷积神经网络视为第一个卷积块,Res2Net视为第二个卷积块。首先故障数据以一维三相电流时域信号作为输入,进入多尺度特征提取模块。该模块通过3×1、4×1和6×1的3种不同尺度的卷积核提取更有效的故障特征。其次故障数据进入Res2Net卷积块,该模块由卷积核大小为1×1和3×3的卷积层和BN层构成。通过3×3卷积层的残差连接,进一步提取故障数据的特征信息。在多尺度特征提取模块和Res2Net模块后加入注意力机制实现对故障数据特征的优化加权,使其具有更强大表达故障特征的能力。最后,通过全连接层把两个卷积块提取的故障信息进行分类、输出。另外,本发明的三相整流器件的故障数据分别在不同的CNN网络模型中进行测试,与改进CNN网络模型进行对比,并通过不同强度的高斯噪声来验证改进CNN网络模型的性能,具体结果如表2、表3所示。
表2
表3
其中,从表2可以看出,本发明的改进CNN网络模型对三相整流器件的故障数据进行检测,得到的训练准确率和测试准确率均达到了100%,相比于LeNet网络模型的准确率提升了25%,相比于AlexNet、VGG和1D-CNN网络模型的准确率提升了3%左右。因此,由表2可得,改进的CNN网络模型对于三相整流器件的故障数据识别的准确率优于其他4种网络模型。从表3可以看出,本发明的改进CNN网络模型在高斯噪声下的准确率始终保持100%。由于LeNet网络模型在无噪声环境下的精度远低于其他网络模型,故没有在LeNet网络模型中加入噪声进行对比。在高强度的噪声环境下,改进CNN网络模型的精度相比于AlexNet网络模型高出15%,相比于VGG和1D-CNN网络模型高出20%。从而证明本发明的改进CNN网络模型在三相整流器件故障诊断上取得较好的结果。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (8)
1.一种基于改进CNN实现三相整流器件故障诊断的方法,其特征在于,包括以下步骤:
步骤1、构建出三相整流器件故障诊断总体框架;
步骤2、处理每种故障的数据以生成三相整流器件故障特征;
步骤3、设计出多尺度一维卷积神经网络模块,生成故障特征;
步骤4、构建Res2Net模块;
步骤5、构建改进的卷积神经网络模型;
步骤6、确定三相整流器件的故障类型;
步骤7、验证构建的模型在实际环境中对于故障种类的分类是否准确。
2.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤1中构建出三相整流器件故障诊断总体框架,三相整流器件故障诊断是对各个晶体管进行故障情况的核算。
3.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤2中对包含不同种类的故障,通过分析不同故障状态下的电流信号波形的特点,在搭建的故障诊断平台上获得每种故障的数据,处理每种故障的数据以生成三相整流器件故障特征。
4.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤3中利用不同尺度的卷积核构建多尺度融合框架,可以实现对数据不同特征信息尺度的互补,通过一维卷积神经网络设计出对应的三相整流器件故障诊断的多尺度一维卷积神经网络模块,生成故障特征。
5.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤4中在Res2Net模块中使用了Mish激活函数,Mish激活函数是一个自正则的非单调神经激活函数,利用Mish函数具备无上界有下界、平滑、非单调的特性,将优化后的信息深入神经网络,改变激活函数在模块中的位置,完成模型结构优化后可以使权值层具有更优的预测分类效果。
6.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤5中改进的卷积神经网络模型包含多尺度卷积神经网络、Res2Net块和多注意力机制,将多尺度卷积神经网络视为第一个卷积块,Res2Net视为第二个卷积块,故障数据以一维三相电流时域信号作为输入,进入多尺度特征提取模块、Res2Net模块,并且加入注意力机制对故障数据特征进行优化,再通过全连接层把两个卷积块提取的故障信息进行分类、输出。
7.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤6中将输出的不同种类的故障信息进行提取,得到三相整流器件的故障类型。
8.根据权利要求1所述的基于改进CNN实现三相整流器件故障诊断的方法,其特征在于:
所述的步骤7中将加入噪声后的故障数据输入到改进的卷积神经网络模型中,来验证模型在实际工况下对故障数据分类的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863322.8A CN116956124A (zh) | 2023-07-13 | 2023-07-13 | 一种基于改进cnn实现三相整流器件故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863322.8A CN116956124A (zh) | 2023-07-13 | 2023-07-13 | 一种基于改进cnn实现三相整流器件故障诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956124A true CN116956124A (zh) | 2023-10-27 |
Family
ID=88442104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863322.8A Pending CN116956124A (zh) | 2023-07-13 | 2023-07-13 | 一种基于改进cnn实现三相整流器件故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956124A (zh) |
-
2023
- 2023-07-13 CN CN202310863322.8A patent/CN116956124A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198244A1 (en) | Method for diagnosing open-circuit fault of switching transistor of single-phase half-bridge five-level inverter | |
US11409933B2 (en) | Method for diagnosing analog circuit fault based on cross wavelet features | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
US20210365624A1 (en) | Static voltage drop (sir) violation prediction systems and methods | |
US11914941B2 (en) | Integrated circuit layout validation using machine learning | |
US11093683B2 (en) | Test pattern generation systems and methods | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN103761372A (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
Yu et al. | Predicting defect priority based on neural networks | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN113743528A (zh) | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 | |
CN113533945A (zh) | 一种基于二维卷积神经网络的模拟电路故障诊断方法 | |
CN111582309B (zh) | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 | |
CN112819063A (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN106681905A (zh) | 软件测试装置及其软件测试方法 | |
Lu et al. | Machine learning approach for accelerating simulation-based fault injection | |
CN117236246A (zh) | 一种考虑多输入转换效应的单元时序预测方法、设备及介质 | |
US20230214575A1 (en) | Static voltage drop (sir) violation prediction systems and methods | |
Wan et al. | Software Defect Prediction Using Dictionary Learning. | |
CN116956124A (zh) | 一种基于改进cnn实现三相整流器件故障诊断的方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
WO2022266890A1 (zh) | 一种确定失效原因的方法及装置 | |
CN115019129A (zh) | 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统 | |
CN112285541A (zh) | 一种电流频率转换电路的故障诊断方法 | |
Yang et al. | Automatic timing eco using stage-based path delay prediction |
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 |