CN117309396A - 一种基于自编码器的球磨机轴承故障预测方法和系统 - Google Patents
一种基于自编码器的球磨机轴承故障预测方法和系统 Download PDFInfo
- Publication number
- CN117309396A CN117309396A CN202311186814.4A CN202311186814A CN117309396A CN 117309396 A CN117309396 A CN 117309396A CN 202311186814 A CN202311186814 A CN 202311186814A CN 117309396 A CN117309396 A CN 117309396A
- Authority
- CN
- China
- Prior art keywords
- ball mill
- data
- module
- self
- 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 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 4
- 238000005549 size reduction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000000498 ball milling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000003860 storage Methods 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
- G01M13/045—Acoustic or vibration analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于自编码器的球磨机轴承故障预测方法和系统，根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；将采集的球磨机的振动数据输入训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。本发明克服了模型训练中样本标记和正负样本不均衡的问题，可以很好的适用于目标设备运行数据复杂易变、正常样本数目与异常样本数目差距大时的故障检测任务。对于球磨机运行数据复杂、正负样本不均衡等特点，本发明具有更好的适用性，能够模拟预测球磨机劣化趋势完成故障检测的目的。
Description
技术领域
本发明属于旋转机械的轴承故障检测领域，具体涉及一种基于自编码器的球磨机轴承故障预测方法和系统。
背景技术
当前铁矿生产机械化程度越来越高，轴承提供动力的球磨机械越来越普及，对球磨机的关键轴承维修与保养工作越来越重要。特别是关键轴承的故障检测，通过识别故障前兆，在大型设备故障前发出维护警报，节约了球磨机故障的高额的维修成本。球磨机的故障检测主要是检测轴承的振动信号来获得轴承的工作状态。轴承异常运行时的振动信号波形较正常运行时是有明显差异的，故障监测系统就依此实现对故障的预测。
当前的故障检测方法主要分为两类：基于解析模型的故障监测系统和基于机器学习的故障检测系统。
基于解释模型的故障监测系统需要建立准确的数学模型。在实际中，此方法最常用的诊断方法是当信号强度、信号频率等指标超过设定的阈值时，则认为有故障发生。但此种方法存在的问题是：当设备的运行状态发生变化时，其相关信号也会发生改变，导致先前建立的数学模型不再适用，难以达到故障监测的目的。
基于机器学习的故障监测通过设备不同的运行状态下的大数据训练，克服了基于解析模型的故障监测系统的缺陷。在基于机器学习的机械设备的故障监测领域中，机器学习方法又可分为监督学习方法和异常检测方法。监督学习模型需要使用设备上标记过的正常数据和异常数据训练模型，并且两类训练数据数量要均衡。在实际故障监测过程中监督学习模型存在两个缺陷：第一，由于定期的维护，机械设备出现严重损坏的状况极少，所获取的异常数据量极少，监督学习训练时正负样本极不均衡，影响模型性能；第二，机器学习训练需要大量的数据，对于监督学习模型，需要对大量的训练数据进行标记，大量的数据进行标记会消耗大量的人工成本，同时对于未知故障也无法进行标注。
发明内容
为了解决上述问题，本发明提出了一种基于自编码器的球磨机轴承故障预测方法和系统，可以对球磨机运行时进行状态监测和故障预测。
实现本发明目的之一的一种基于自编码器的球磨机轴承故障预测方法，包括如下步骤：
根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
所述振动数据利用振动传感器采集轴承的振动波形来了解轴承的当前健康状态；
将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
实现本发明目的之二的模型构建训练模块、球磨机轴承故障预测模块；
所述模型构建训练模块用于根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
所述球磨机轴承故障预测模块用于将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
有益效果：
本发明所述的轴承异常检测的方法仅用机械正常运行时的数据样本进行训练，克服了样本标记和正负样本不均衡的问题，通过球磨机轴承故障预测模型输出的异常分数，可以得知球磨机偏离正常工况的情况，可以代表机器损坏的程度。如果损坏到比较严重，异常分数高，但是还没有到故障的程度，就可以开展维护了，也就实现了故障的预测。因此，基于异常检测学习的故障检测方法能够胜任目标设备运行数据复杂易变、正常样本数目与异常样本数目差距大时的故障检测任务。对于球磨机运行数据复杂、正负样本不均衡等特点，基于自编码器的故障检测器具有更好的适用性，能够模拟预测球磨机劣化趋势，完成故障检测的目的。
附图说明
图1是本发明所述方法的流程示意图；
图2是本发明所述的基于自编码器的神经网络的模块示意图；
图3是本发明所述的基于自编码器的神经网络的结构图。
具体实施方式
下列具体实施方式用于对本发明权利要求技术方案的解释，以便本领域的技术人员理解本权利要求书。本发明的保护范围不限于下列具体的实施结构。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
如图1所示为本发明所述方法的一个实施例的流程示意图。
S1、根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
S2、将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
上述技术方案中，振动传感器监测球磨机齿轮、筒体等轴承的多个方向的振动情况，得到球磨机轴承的振动数据，本实施例中每隔10分钟进行一次振动数据的采样，采样率为1024Hz，累计采样4s后采样停止。该振动传感器监控轴承的纵向、横向和轴向三个方向的振动数据。三个方向的采样信号会被拼接在一起，形成3×4096的二维数据，作为样本输入到球磨机轴承故障预测模型中，对所述模型进行训练。此种结构的样本能够同时反映球磨机轴承振动在时间上、空间上的状态。
对球磨机轴承故障预测模型训练时，采集的是在设备不同的正常运行状态下传感器采集的大量历史储存样本。模型训练后对设备进行实时故障检测，传感器每采集到一个样本就送入球磨机轴承故障预测模型进行故障预测分析，模型会返回对应样本的异常分数。
异常分数的获取方法包括：计算输入数据与经过了重构后的输出数据的均方误差，将所述均方误差与设定的均方误差阈值进行差值计算，得到异常分数。
再将返回的异常分数与设定的阈值比较，当异常分数大于此设定的阈值，说明此时出现了故障前兆，发出设备维护警报。所述设定的阈值是通过用正常数据训练出来的模型对正常数据计算异常值数，然后用正常数据异常分数的分布算出来的。比如选择一定数量的正常样本，计算异常分数的平均值，选择4～5倍的平均值作为阈值。
所述自编码器(autoencoder,AE)是一类在半监督学习和非监督学习中使用的人工神经网络(ArtificialNeuralNetworks,ANNs)，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。自编码器具有一般意义上表征学习算法的功能，被应用于降维(dimensionality reduction)和异常值检测(anomaly detection)。
上述技术方案中，如图2所示，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块，如图3所示为本发明所述的基于自编码器的球磨机轴承故障预测模型的结构示意图；
卷积特征提取模块用于对输入的球磨机的轴承的3×4096的二维振动数据进行降维和特征提取，得到降维后的特征数据；其中输入数据的行数为4096、列数为3，其中每行数据代表球磨机轴承的横向、纵向和轴向的振动数据，可以反映数组的空间特征，每列数据代表球磨机轴承振动随时间变化情况，反映数组的时间特征。输入的二维振动数据与二维卷积核进行多次运算后得到卷积层，最后展开为长度为916的一维数组，完成了对空间方向信息和时间方向信息的降维和特征提取。
特征自动编码模块用于对卷积特征提取模块输出的降维后的特征数据进行压缩和重构，得到特征重构数据。特征自编码模块的输入数据为长度为916的一维数组，经过5层全连接层的压缩与重构后，输出也是长度为916的一维数组表示的特征重构数据。
逆卷积特征重构模块用于对特征自动编码模块输出的特征重构数据进行升维和尺寸还原，得到与输入数据的尺寸相同的经过了重构后的输出数据，所述输出数据用于与输入数据进行比较，得到异常分数。逆卷积特征重构模块中将长度为916的一维重构特征数组通过多层二维逆卷积层进行塑形和升采样，最后得到与输入数据相同尺寸的二维数组，即3×4096的二维数据。
上述技术方案中，当所述异常分数大于设定的阈值时，还包括计算采集的球磨机的轴承的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的均方误差值，获取归一化后的均方误差值的最大值，则该最大值对应的振动方向为轴承故障发生的方向。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还包括一种基于自编码器的球磨机轴承故障预测系统，如图2所示，包括：模型构建训练模块、球磨机轴承故障预测模块；
模型构建训练模块用于根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
球磨机轴承故障预测模块用于将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
上述技术方案中，所述自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
卷积特征提取模块用于对输入的球磨机的轴承的振动数据进行降维和特征提取，得到降维后的特征数据；
特征自动编码模块用于对卷积特征提取模块输出的降维后的特征数据进行压缩和重构，得到特征重构数据；
逆卷积特征重构模块用于对特征自动编码模块输出的特征重构数据进行升维和尺寸还原，得到与输入数据的尺寸相同的经过了重构后的输出数据，所述输出数据用于与输入数据进行比较，得到异常分数。
上述技术方案中，还包括轴承故障定位模块，用于当所述异常分数大于设定的阈值时，进一步计算采集的球磨机的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的值，获取归一化后的值的最大值，则该最大值对应的振动方向为轴承故障发生的方向
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于自编码器的球磨机轴承故障预测方法，其特征在于，包括如下步骤：
根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
2.如权利要求1所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
所述卷积特征提取模块用于对输入的球磨机的轴承的振动数据进行降维和特征提取，得到降维后的特征数据；
所述特征自动编码模块用于对卷积特征提取模块输出的降维后的特征数据进行压缩和重构，得到特征重构数据；
所述逆卷积特征重构模块用于对特征自动编码模块输出的特征重构数据进行升维和尺寸还原，得到与输入数据的尺寸相同的经过了重构后的输出数据，所述输出数据用于与输入数据进行比较，得到异常分数。
3.如权利要求2所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述输入的轴承的振动数据包括球磨机轴承的横向、纵向和轴向三个方向的振动数据，所述卷积特征提取模块将输入的3×4096的二维数据与二维卷积核进行多次运算后得到卷积层，最后展开为长度为916的一维数组，完成对振动数据的空间方向信息和时间方向信息的降维和特征提取。
4.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述特征自动编码模块的输入数据是长度为916的一维数组，经过5层全连接层的压缩与重构后，输出尺寸为916的一维数组的特征重构数据。
5.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，所述逆卷积特征重构模块将特征自动编码模块输出的长度为916的一维数组通过多层二维逆卷积层进行塑形和升采样，输出3×4096的二维数据。
6.如权利要求2或3所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，还包括：计算输入数据与经过了重构后的输出数据的均方误差，将所述均方误差与设定的均方误差阈值进行差值计算，得到异常分数。
7.如权利要求6所述的基于自编码器的球磨机轴承故障预测方法，其特征在于，当所述异常分数大于设定的阈值时，还包括计算采集的球磨机的轴承的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的均方误差值，获取归一化后的均方误差值的最大值，则该最大值对应的振动方向为轴承故障发生的方向。
8.一种如权利要求1所述方法的基于自编码器的球磨机轴承故障预测系统，其特征在于，包括：模型构建训练模块、球磨机轴承故障预测模块；
所述模型构建训练模块用于根据球磨机正常运行时的振动数据对基于自编码器的神经网络进行训练，得到训练完成的球磨机轴承故障预测模型；所述球磨机轴承故障预测模型用于根据球磨机运行时的振动数据预测球磨机轴承是否发生故障；
所述球磨机轴承故障预测模块用于将采集的球磨机的振动数据输入所述训练完成的球磨机轴承故障预测模型，所述模型输出异常分数，将所述异常分数与设定的阈值进行比较，当所述异常分数大于设定的阈值，则认为该球磨机发生了故障。
9.如权利要求8所述的基于自编码器的球磨机轴承故障预测系统，其特征在于，所述基于自编码器的神经网络包括卷积特征提取模块、特征自动编码模块、逆卷积特征重构模块；
所述卷积特征提取模块用于对输入的球磨机的轴承的振动数据进行降维和特征提取，得到降维后的特征数据；
所述特征自动编码模块用于对卷积特征提取模块输出的降维后的特征数据进行压缩和重构，得到特征重构数据；
所述逆卷积特征重构模块用于对特征自动编码模块输出的特征重构数据进行升维和尺寸还原，得到与输入数据的尺寸相同的经过了重构后的输出数据，所述输出数据用于与输入数据进行比较，得到异常分数。
10.如权利要求8或9所述的基于自编码器的球磨机轴承故障预测系统，其特征在于，还包括轴承故障定位模块，用于当所述异常分数大于设定的阈值时，进一步计算采集的球磨机的振动数据与经过了重构后的输出数据在每个振动方向的振动数据的均方误差，并进行均值方差归一化，得到每个振动方向下归一化后的均方误差值，获取归一化后的均方误差值的最大值，则该最大值对应的振动方向为轴承故障发生的方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186814.4A CN117309396A (zh) | 2023-09-14 | 2023-09-14 | 一种基于自编码器的球磨机轴承故障预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311186814.4A CN117309396A (zh) | 2023-09-14 | 2023-09-14 | 一种基于自编码器的球磨机轴承故障预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117309396A true CN117309396A (zh) | 2023-12-29 |
Family
ID=89287605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311186814.4A Pending CN117309396A (zh) | 2023-09-14 | 2023-09-14 | 一种基于自编码器的球磨机轴承故障预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117309396A (zh) |
-
2023
- 2023-09-14 CN CN202311186814.4A patent/CN117309396A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
| CN113343591B (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
| CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
| CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
| CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
| CN112529059A (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
| CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
| CN117309396A (zh) | 一种基于自编码器的球磨机轴承故障预测方法和系统 | |
| CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN116221037A (zh) | 一种风电机组监测方法和装置 | |
| CN111878323B (zh) | 一种基于频谱自相关函数的风力发电机组故障预警方法 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN113656989A (zh) | 一种螺栓故障诊断方法及装置 | |
| CN112378651A (zh) | 一种基于数据驱动的设备动态可靠性评估方法 |
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 |