CN117607624A - 基于声信号的配用电设备故障检测方法 - Google Patents
基于声信号的配用电设备故障检测方法 Download PDFInfo
- Publication number
- CN117607624A CN117607624A CN202311315383.7A CN202311315383A CN117607624A CN 117607624 A CN117607624 A CN 117607624A CN 202311315383 A CN202311315383 A CN 202311315383A CN 117607624 A CN117607624 A CN 117607624A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- acoustic signals
- distribution equipment
- neural network
- wavelet packet
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000007547 defect Effects 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 13
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 10
- 230000005236 sound signal Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 241001268782 Paspalum dilatatum Species 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241001330453 Paspalum Species 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于声信号的配用电设备故障检测方法，包括：采集配用电设备故障声信号，对故障声信号进行小波包分解，得到不同频带的频谱图；计算频谱图中每个频带的能量占比，得到每个频带的特征信息；建立BP神经网络模型，将每个频带的特征信息输入BP神经网络模型中进行训练，得到训练后的BP神经网络模型；对待测声信号进行上述处理后，将其输入到训练后的BP神经网络模型中，输出预测值，根据预测值进行缺陷的识别。本发明基于声信号的配用电设备故障检测方法通过对配电柜间隙放电和电晕放电产生的声信号特点分析，采用提取声信号特征对配电设备局部放电缺陷智能识别，实现对配电设备局部放电缺陷更精确快速的识别。
Description
技术领域
本发明属于故障检测方法技术领域，涉及基于声信号的配用电设备故障检测方法。
背景技术
配电设备运行工况复杂，隐患检测困难，导致安全事故时有发生。传统的监测方法需要专业人员将传感器置于待监测的设备内部，对传感器的布点放置要求较高。此外，传统监测方法还存在着监测点少、监测频率低、数据采集不及时、人为耳听式识别缺陷误差大等问题，导致识别准确率低，这些都给配电网的运行与维护带来了极大的挑战。
发明内容
本发明的目的是提供一种基于声信号的配用电设备故障检测方法，解决了现有技术中存在的识别准确率低的问题。
本发明所采用的技术方案是，基于声信号的配用电设备故障检测方法，包括以下步骤：
步骤1、采集配用电设备故障声信号，对故障声信号进行小波包分解，得到不同频带的频谱图；
步骤2、计算频谱图中每个频带的能量占比，得到每个频带的特征信息；
步骤3、建立BP神经网络模型，将每个频带的特征信息输入BP神经网络模型中进行训练，得到训练后的BP神经网络模型；
步骤4、对待测声信号进行步骤1-2的处理后，将其输入到训练后的BP神经网络模型中，输出预测值，根据预测值进行缺陷的识别。
本发明的特点还在于：
步骤1具体包括以下步骤：
步骤1.1、采集配用电设备故障声信号，利用Matlab对故障声信号进行小波包分解，得到8个特征信号及对应频谱图；
步骤1.2、利用Matlab对8个特征信号进行小波包重构，得到重构后的信号。
步骤2的计算方法为：
先通过帕塞瓦尔定理求出信号f(x)的小波包各频带成分的能量：
再通过小波包各频带成分的能量计算各小波包系数的能量：
Ei＝||Wi||2 (3)；
则信号f(x)总的能量公式为：
计算信号f(x)中各频带的小波包系数的能量占比：
步骤3中采用Levenberg-Marquardt算法对BP神经网络模型进行训练。
Levenberg-Marquardt算法表示为：
Xk+1＝Xk-[JT(Xk)J(Xk)+μKI]-1JT(Xk)V(Xk) (6)；
变换可得权值调整率公式为：
ΔXk＝-[JT(Xk)J(Xk)+μkI]-1JT(Xk)V(Xk) (7)；
其中，J表示对于权重的误差的Jacobian矩阵，μ是一个大于0的常数，v为误差向量。
本发明的有益效果是：本发明基于声信号的配用电设备故障检测方法，通过对配电柜间隙放电和电晕放电产生的声信号特点分析，采用提取声信号特征对配电设备局部放电缺陷智能识别，实现对配电设备局部放电缺陷更精确快速的识别；相比传统的监测方法具有不接触带电设备、检测灵敏度高、及时性强等优点。
附图说明
图1是本发明基于声信号的配用电设备故障检测方法中输入信号的时域图；
图2是本发明基于声信号的配用电设备故障检测方法中输入信号的频谱图；
图3是本发明基于声信号的配用电设备故障检测方法中小波包树图；
图4是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层0节点信号频谱图；
图5是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层1节点信号频谱图；
图6是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层2节点信号频谱图；
图7是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层3节点信号频谱图；
图8是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层4节点信号频谱图；
图9是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层5节点信号频谱图；
图10是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层6节点信号频谱图；
图11是本发明基于声信号的配用电设备故障检测方法中重构后小波包第3层7节点信号频谱图；
图12是本发明基于声信号的配用电设备故障检测方法中各频段能量所占比例图；
图13是本发明基于声信号的配用电设备故障检测方法中BP神经网络模型；
图14是本发明基于声信号的配用电设备故障检测方法中训练模型结果；
图15是本发明基于声信号的配用电设备故障检测方法中保存训练结果数据。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例1
基于声信号的配用电设备故障检测方法，包括以下步骤：
步骤1、采集配用电设备故障声信号，对所述故障声信号进行小波包分解，得到不同频带的频谱图；
步骤1.1、采集配用电设备故障声信号，利用Matlab对所述故障声信号进行小波包分解，得到8个特征信号及对应频谱图；具体如下：
(i，j)从(1,0)起，(1,1)为2,(3,0)为7,(3,7)为14。每一个结点都有相应的小波包系数，它确定了频率。经过第三级小波包分解，可获得8(2的3次)个特征信号，每一个特征信号都对应一个频带。
步骤1.2、利用Matlab对8个特征信号进行小波包重构，得到重构后的信号；具体如下：
得到了8个小波包分解系数Xi,j再对这些分解系数分别进行重构，进而得到重构后的信号Si,j。原始信号就可由重构后的信号进行表示如下式：
步骤2、计算频谱图中每个频带的能量占比，得到每个频带的特征信息；
先通过帕塞瓦尔定理求出信号f(x)的小波包各频带成分的能量：
再通过小波包各频带成分的能量计算各小波包系数的能量：
Ei＝||Wi||2 (3)；
则信号f(x)总的能量公式为：
计算信号f(x)中各频带的小波包系数的能量占比：
步骤3、将步骤2处理后的信号生成训练样本，建立BP神经网络模型，在BP网络中，根据输入因子的多少，采用小波包分解法得到的特征量的向量维，作为BP网络的输入点，即8个输入点。将训练样本输入BP神经网络模型中，利用BP神经网络在MATLAB中的训练函数，采用Levenberg-Marquardt算法进行训练，得到训练后的BP神经网络模型；
步骤4、对待测声信号进行步骤1-2的处理后，将其输入到训练后的BP神经网络模型中，输出预测值，根据预测值进行缺陷的识别。
实施例2
基于声信号的配用电设备故障检测方法，包括以下步骤：
步骤1、采集配用电设备故障声信号，对所述故障声信号进行小波包分解，得到不同频带的频谱图；
步骤1.1、采集配用电设备故障声信号，利用Matlab对所述故障声信号进行小波包分解，得到8个特征信号及对应频谱图；
步骤1.2、利用Matlab对8个特征信号进行小波包重构，得到重构后的信号；
步骤2、计算频谱图中每个频带的能量占比，得到每个频带的特征信息；
先通过帕塞瓦尔定理求出信号f(x)的小波包各频带成分的能量：
再通过小波包各频带成分的能量计算各小波包系数的能量：
Ei＝||Wi||2 (3)；
则信号f(x)总的能量公式为：
计算信号f(x)中各频带的小波包系数的能量占比：
步骤3、建立BP神经网络模型，将每个频带的特征信息输入BP神经网络模型中，采用Levenberg-Marquardt算法进行训练，得到训练后的BP神经网络模型；Levenberg-Marquardt算法主要可表示为：
Xk+1＝Xk-[JT(Xk)J(Xk)+μKI]-1JT(Xk)V(Xk) (6)；
变换可得权值调整率公式为:
ΔXk＝-[JT(Xk)J(Xk)+μkI]-1JT(Xk)V(Xk) (7)；
其中，J表示对于权重的误差的Jacobian矩阵；μ是一个大于0的常数，它的数值越大，表明该算法越接近于最陡下降法，其数值越小表示算法越接近高斯-牛顿算法；v为误差向量。
步骤4、对待测声信号进行步骤1-2的处理后，将其输入到训练后的BP神经网络模型中，输出预测值，根据预测值进行缺陷的识别。如果预测值接近1那么该缺陷为间隙放电，如果预测值接近2那么该缺陷为电晕放电，以此进行缺陷的识别。
通过以上方式，本发明基于声信号的配用电设备故障检测方法，通过对配电柜间隙放电和电晕放电产生的声信号特点分析，采用提取声信号特征对配电设备局部放电缺陷智能识别，实现对配电设备局部放电缺陷更精确快速的识别；相比传统的监测方法具有不接触带电设备、检测灵敏度高、及时性强等优点。
实施例3
下面以已有的配电设备局部放电缺陷的声信号为例，输入信号的时域图像和频谱图如图1和图2所示。
将采样频率设置为1024kHz，根据采样定理，奈奎斯特采样频率是512kHz。由输出的频谱图可以看出，本发明设置的采样范围已经足够我们采集到信号的主要频段，以帮助后续提取到可靠的特征量进行故障特征的识别。
图3为小波包树图，在这里，(i，j)从(1,0)起，(1,1)为2,(3,0)为7,(3,7)为14。每一个结点都有相应的小波包系数，它确定了频率。经过第三级小波包分解，可获得8(2的3次)个特征信号，每一个特征信号都对应一个频带。如果节点数目j是偶数，那么它代表通过低通滤波器系数分解而获得的低频分量信号，相反，如果j是奇数，那么它代表通过高通滤波器系数分解而获得的高频率分量信号。
对8个小波包分解系数Xi,j分别进行重构，进而得到重构后的信号Si,j，重构后小波包第三层分解图如图4-11所示，原始信号就可由重构后的信号进行表示如下式：
利用小波包分解得到的分解系数，计算每一层分解后的能量占比，如图12所示，从而得到信号在不同频率下的能量分布，根据某一频带的能量分布情况来分析信号的特征。将多组信号音轨处理得到一个配电设备缺陷特征数据集，如表1所示。
表1配电设备缺陷特征部分数据集
matlab自带了BP神经网络的工具箱，即Neural Net Fitting工具箱，利用此工具箱可设置神经网络的输入输出训练样本、神经元的个数、训练算法等，其可直接进行样本的训练，在训练样本的均方误差逐步收敛的情况下，该算法将自动终止迭代，此时神经网络便训练完成了，就可用来预测数据。在matlab自带的BP神经网络的工具箱中载入表1的数据集。其中，70％的数据集被用来作为对模型进行拟合的数据样本；另有15％为检验集合，即在训练阶段保留的检验集合，用以修正模型超参，并对模型性能进行初步评价。在神经网络方面，利用已有的检验数据集来确定网络的最佳深度，或确定后向传播算法的停止点，或确定网络的隐藏层数目；剩余的15％将被用来评价该模式的推广能力。但对于与调参、选取特征等有关的算法，则不能作为选取的基础。
初始化网络。根据输入因子的多少，将小波包分解法得到的特征，作为BP网络的输入点，即8个输入点。输出节点的数量取决于我们选择的输出参数的数量，输出层神经网络的输出个数为故障类型个数，即为2个。隐层数及隐层节点数通过本发明建立的BP神经网络具有8个输入层节点，2个输出层节点，经过多次测试，最后选取为5个。在输入层、隐含层、输出层三个节点间的传输函数中，一般使用BP神经网络的传输函数，而在输入层、隐含层、输出层的传输函数，则可以使用该传输函数进行初始化。最后建立的BP神经网络如图13。
利用BP神经网络在MATLAB中的训练函数，采用Levenberg-Marquardt算法对其进行训练，Levenberg-Marquardt算法具有减少陷入局域极值几率、稳定性强和收敛速度快等优点。在达到一定的精确度后，终止训练，并得到全部的权值，进而得到训练后的神经网络模型如图14和图15。
Levenberg-Marquardt算法主要可表示为：
Xk+1＝Xk-[JT(Xk)J(Xk)+μKI]-1JT(Xk)V(Xk) (6)；
变换可得权值调整率公式为:
ΔXk＝-[JT(Xk)J(Xk)+μkI]-1JT(Xk)V(Xk) (7)；
其中，J表示对于权重的误差的Jacobian矩阵；μ是一个大于0的常数，它的数值越大，表明该算法越接近于最陡下降法，其数值越小表示算法越接近高斯-牛顿算法；v为误差向量。
为了保证所建立的神经网络能够准确地识别缺陷，以提高其可靠性和实用性，本发明对其进行了验证。在这个验证过程中，本发明随机抽取了20组数据进行测试，以确保其对各类缺陷的识别能力和准确性。通过这样的验证，可以继续完善和优化该神经网络，使其更加适用于实际场景中的缺陷检测任务。其中随机抽取的间隙放电测试数据包括7.2v间隙放电、8v间隙放电、8.5v间隙放电、9.2v间隙放电，抽取的电晕放电测试数据包括3种不同的电晕放电和3种不同的球状电晕放电。
表2神经网络识别结果
从表2中可以清楚地看出，神经网络的识别结果非常精确。这意味着，本发明的模型在处理相关数据方面非常出色，能够准确地识别出两种大类的数据。这样的结果对于实际应用非常有价值，因为可以提高工作效率和减少人为耳听式识别缺陷的误差。
Claims (5)
1.基于声信号的配用电设备故障检测方法，其特征在于，包括以下步骤：
步骤1、采集配用电设备故障声信号，对所述故障声信号进行小波包分解，得到不同频带的频谱图；
步骤2、计算频谱图中每个频带的能量占比，得到每个频带的特征信息；
步骤3、建立BP神经网络模型，将每个频带的特征信息输入BP神经网络模型中进行训练，得到训练后的BP神经网络模型；
步骤4、对待测声信号进行步骤1-2的处理后，将其输入到训练后的BP神经网络模型中，输出预测值，根据预测值进行缺陷的识别。
2.根据权利要求1所述的基于声信号的配用电设备故障检测方法，其特征在于，步骤1具体包括以下步骤：
步骤1.1、采集配用电设备故障声信号，利用Matlab对所述故障声信号进行小波包分解，得到8个特征信号及对应频谱图；
步骤1.2、利用Matlab对8个特征信号进行小波包重构，得到重构后的信号。
3.根据权利要求1所述的基于声信号的配用电设备故障检测方法，其特征在于，步骤2的计算方法为：
先通过帕塞瓦尔定理求出信号f(x)的小波包各频带成分的能量：
再通过小波包各频带成分的能量计算各小波包系数的能量：
Ei＝||Wi||2 (3)；
则信号f(x)总的能量公式为：
计算信号f(x)中各频带的小波包系数的能量占比：
4.根据权利要求1所述的基于声信号的配用电设备故障检测方法，其特征在于，步骤3中采用Levenberg-Marquardt算法对BP神经网络模型进行训练。
5.根据权利要求4所述的基于声信号的配用电设备故障检测方法，其特征在于，所述Levenberg-Marquardt算法表示为：
Xk+1＝Xk-[JT(Xk)J(Xk)+μKI]-1JT(Xk)V(Xk) (6)；
变换可得权值调整率公式为：
ΔXk＝-[JT(Xk)J(Xk)+μkI]-1JT(Xk)V(Xk) (7)；
其中，J表示对于权重的误差的Jacobian矩阵，μ是一个大于0的常数，v为误差向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315383.7A CN117607624A (zh) | 2023-10-11 | 2023-10-11 | 基于声信号的配用电设备故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315383.7A CN117607624A (zh) | 2023-10-11 | 2023-10-11 | 基于声信号的配用电设备故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607624A true CN117607624A (zh) | 2024-02-27 |
Family
ID=89956758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311315383.7A Pending CN117607624A (zh) | 2023-10-11 | 2023-10-11 | 基于声信号的配用电设备故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607624A (zh) |
-
2023
- 2023-10-11 CN CN202311315383.7A patent/CN117607624A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
| CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
| CN111238816B (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
| CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
| CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
| CN117289067B (zh) | 一种变压器运行状态在线监测系统 | |
| CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| 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 | |
| CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
| CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
| CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
| CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
| CN116682458A (zh) | 基于能量算子改进小波包的gis局放声纹检测方法 | |
| CN117607624A (zh) | 基于声信号的配用电设备故障检测方法 | |
| CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
| CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
| CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
| CN112975574A (zh) | 一种铝合金薄壁件铣削过程表面质量在线检测系统 | |
| CN116028840A (zh) | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 | |
| Florentino et al. | Spectral Subband Centroid Energy Vectors Algorithm and Artificial Neural Networks for Acoustic Emission Pattern lassification. |
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 |