CN117706354A - 一种基于知识库的励磁故障诊断方法及工艺 - Google Patents
一种基于知识库的励磁故障诊断方法及工艺 Download PDFInfo
- Publication number
- CN117706354A CN117706354A CN202311600327.8A CN202311600327A CN117706354A CN 117706354 A CN117706354 A CN 117706354A CN 202311600327 A CN202311600327 A CN 202311600327A CN 117706354 A CN117706354 A CN 117706354A
- Authority
- CN
- China
- Prior art keywords
- excitation
- fault
- knowledge base
- neural network
- excitation system
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于知识库的励磁故障诊断方法及工艺，包括以下步骤：步骤一：按时序采集励磁系统待诊断的状态数据；对励磁系统待诊断的状态数据进行预处理；步骤二：通过知识库中预先练好的LSTM‑CNN混合神经网络故障诊断模型中进行诊断，得到励磁系统的故障诊断结果；步骤三：也可以通过知识库中的在线监测处理模块根据传感器采集单元采集的发电机励磁系统的工作状态信息，采用故障树分析法对发电机励磁系统的故障进行提前预警，或对发电机励磁系统发生的故障进行诊断；能够通过多种方式对励磁系统的故障进行诊断，从而提高了故障诊断的准确性与便捷性。
Description
技术领域
本发明涉及故障诊断技术领域，具体是一种基于知识库的励磁故障诊断方法及工艺。
背景技术
励磁系统是电能生产过程中向发电机提供励磁电流以建立磁场的专业设备，它不仅关系到发电机安全稳定运行，同时还对电力系统的稳定运行起着重要的作用。随着单机容量越来越大，励磁系统对发电厂及电网的安全稳定影响也越来越大，如何监测励磁系统的运行状态及评价其安全性也越发显得重要。
励磁系统更是发电机组安全稳定运行的关键，针对励磁系统的故障诊断和研究可以避免故障进一步发展，维护机组稳定安全运行，但是现在针对较为复杂的故障时或者系统同时发生多种故障时，单一的信息并不能有效的发现故障，能找到故障原因的可能性更小，因此，我们提出了一种基于知识库的励磁故障诊断方法及工艺来解决上述所提到的问题。
发明内容
本发明的目的在于提供一种基于知识库的励磁故障诊断方法及工艺，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于知识库的励磁故障诊断方法及工艺，包括以下步骤：
步骤一：按时序采集励磁系统待诊断的状态数据；对励磁系统待诊断的状态数据进行预处理；
步骤二：通过知识库中预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到励磁系统的故障诊断结果；
步骤三：也可以通过知识库中的在线监测处理模块根据传感器采集单元采集的发电机励磁系统的工作状态信息，采用故障树分析法对发电机励磁系统的故障进行提前预警，或对发电机励磁系统发生的故障进行诊断。
作为本发明进一步的方案：所述步骤一中的状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据。
作为本发明进一步的方案：所述步骤二中的故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
作为本发明进一步的方案：所述步骤一中按时序采集励磁系统待诊断的状态数据是通过励磁装置原有的霍尔型励磁电压、电流传感器检测脉动励磁电压、电流。
作为本发明进一步的方案：所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
作为本发明进一步的方案：所述LSTM-CNN混合神经网络故障诊断模型的训练过程：获取励磁系统历史时段各时刻的状态数据、状态数据对应的故障特征数据、故障特征数据对应的故障类型数据，并对状态数据、状故障特征数据、故障类型数据进行预处理；将预处理后的状态数据、状故障特征数据、故障类型数据划分为训练集和测试集；以训练集中的状态数据为输入，以训练集中状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对模型进行校验，得到训练好的LSTM神经网络模型；以训练集中的故障特征数据为输入，以训练集中故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对模型进行训练，得到初始的CNN神经网络模型，然后对模型进行校验，得到训练好的CNN神经网络模型。
作为本发明进一步的方案：所述步骤三中的在线监测处理模块包括分析处理单元、生成单元、存储单元；所述分析处理单元用于根据触发条件，对发电机励磁系统的工作状态信息进行分析，获取满足触发条件的工作状态信息；所述生成单元用于将满足触发条件的工作状态信息生成波形文件；所述存储单元用于存储生成的波形文件。
作为本发明进一步的方案：所述触发条件包括告警、限制、故障。
作为本发明进一步的方案：所述步骤三中传感器采集单元使用RS-485与在线监测处理单元通讯连接，用于将功率柜风速传感器、功率柜电流传感器、励磁系统电压电流传感器、灭磁电流传感器、灭磁电阻温度传感器、灭磁开关红外热成像仪、阻容吸收单元温度传感器输出的4-20mA信号上传至在线监测处理模块。
作为本发明再进一步的方案：所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
与现有技术相比，本发明的有益效果是：该基于知识库的励磁故障诊断方法及工艺，具有多源数据的采集，多维的状态数据作为模型的输入可以更精确的反映故障信息，可以更精确的定位故障，同时构建的LSTM-CNN组合模型能充分提取数据中的故障特征，在LSTM神经网络模型提取故障特征的基础上进一步使用CNN神经网络模型进行特征提取，可以深层次发掘故障数据时间和空间上的隐藏特征，提高故障诊断的准确性；具有完整的传感器采集单元，可实现发电机励磁系统工作状态信息的实时采集，对发电机励磁系统进行全息检测；根据采集的工作状态信息，使用故障树分析法对发电机励磁系统的故障进行提前预警，并对发生的故障进行诊断，提高故障诊断的便捷性。
附图说明
图1为本发明基于知识库的励磁故障诊断方法及工艺的流程示意图。
具体实施方式
在一个实施例中，如图1所示，一种基于知识库的励磁故障诊断方法及工艺，包括以下步骤：
步骤一：按时序采集励磁系统待诊断的状态数据；对励磁系统待诊断的状态数据进行预处理；
步骤二：通过知识库中预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到励磁系统的故障诊断结果；
步骤三：也可以通过知识库中的在线监测处理模块根据传感器采集单元采集的发电机励磁系统的工作状态信息，采用故障树分析法对发电机励磁系统的故障进行提前预警，或对发电机励磁系统发生的故障进行诊断；
在励磁系统实时运行时，若运行状态发生异常则系统进行故障检测，异常情况包括告警、限制、故障等非正常运行状态；检测主要判断系统是否发生故障及将故障数据导入故障树中，并根据故障时刻的发电机及励磁系统测量信号、发电机实时运行数据通过励磁系统故障树，得出该故障具体的故障部位、故障类型与故障严重程度，根据诊断出的具体故障信息给出机组排障与检修的建议，为运行人员及时提供操作建议，为检修维护人员提供故障查找依据。
步骤一中的状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据；
步骤二中的故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障；
步骤一中按时序采集励磁系统待诊断的状态数据是通过励磁装置原有的霍尔型励磁电压、电流传感器检测脉动励磁电压、电流；
LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；
LSTM-CNN混合神经网络故障诊断模型的训练过程：获取励磁系统历史时段各时刻的状态数据、状态数据对应的故障特征数据、故障特征数据对应的故障类型数据，并对状态数据、状故障特征数据、故障类型数据进行预处理；将预处理后的状态数据、状故障特征数据、故障类型数据划分为训练集和测试集；以训练集中的状态数据为输入，以训练集中状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对模型进行校验，得到训练好的LSTM神经网络模型；以训练集中的故障特征数据为输入，以训练集中故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对模型进行训练，得到初始的CNN神经网络模型，然后对模型进行校验，得到训练好的CNN神经网络模型；
步骤三中的在线监测处理模块包括分析处理单元、生成单元、存储单元；所述分析处理单元用于根据触发条件，对发电机励磁系统的工作状态信息进行分析，获取满足触发条件的工作状态信息；所述生成单元用于将满足触发条件的工作状态信息生成波形文件；所述存储单元用于存储生成的波形文件；触发条件包括告警、限制、故障；
在线检测处理模块采用高性能硬件平台，采用多核结构，包含电源板、模拟量板、DSP板、CPU板、FPGA模块、开关量输入输出板。具备12路100V电压、6路5A电流、4路4-20mA信号、69路开关量的高速同步采样测量能力；并具备丰富的通讯接口。采集发电机定子电压电流、励磁电压电流、风速、温度等模拟量信号，和励磁系统常规开关量输入信号，经DSP与CPU板对数据进行分析处理，满足告警、限制、故障等触发条件之后把记录的所有量生成标准COMTRADE格式波形文件，存储于装置内部并同步上送就地监控单元及移动终端单元；
并在就地显示单元对发电机励磁故障、限制、告警进行判断显示，在在线监测处理单元分析诊断故障发生原因，定位故障源，上送至监控显示单元与移动终端；装置具有海量存储器，对运行日志记录和采集数据长期存储，用于通过大时间跨度的历史记录比较对励磁某些器件寿命提前预警，提出系统检修建议。
步骤三中传感器采集单元使用RS-485与在线监测处理单元通讯连接，用于将功率柜风速传感器、功率柜电流传感器、励磁系统电压电流传感器、灭磁电流传感器、灭磁电阻温度传感器、灭磁开关红外热成像仪、阻容吸收单元温度传感器输出的4-20mA信号上传至在线监测处理模块；
LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的；
本发明具有多源数据的采集，多维的状态数据作为模型的输入可以更精确的反映故障信息，可以更精确的定位故障，同时构建的LSTM-CNN组合模型能充分提取数据中的故障特征，在LSTM神经网络模型提取故障特征的基础上进一步使用CNN神经网络模型进行特征提取，可以深层次发掘故障数据时间和空间上的隐藏特征，提高故障诊断的准确性；具有完整的传感器采集单元，可实现发电机励磁系统工作状态信息的实时采集，对发电机励磁系统进行全息检测；根据采集的工作状态信息，使用故障树分析法对发电机励磁系统的故障进行提前预警，并对发生的故障进行诊断，提高故障诊断的便捷性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于知识库的励磁故障诊断方法及工艺，其特征在于，包括以下步骤：
步骤一：按时序采集励磁系统待诊断的状态数据；对励磁系统待诊断的状态数据进行预处理；
步骤二：通过知识库中预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到励磁系统的故障诊断结果；
步骤三：也可以通过知识库中的在线监测处理模块根据传感器采集单元采集的发电机励磁系统的工作状态信息，采用故障树分析法对发电机励磁系统的故障进行提前预警，或对发电机励磁系统发生的故障进行诊断。
2.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述步骤一中的状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据。
3.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述步骤二中的故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
4.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述步骤一中按时序采集励磁系统待诊断的状态数据是通过励磁装置原有的霍尔型励磁电压、电流传感器检测脉动励磁电压、电流。
5.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
6.根据权利要求5所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述LSTM-CNN混合神经网络故障诊断模型的训练过程：获取励磁系统历史时段各时刻的状态数据、状态数据对应的故障特征数据、故障特征数据对应的故障类型数据，并对状态数据、状故障特征数据、故障类型数据进行预处理；将预处理后的状态数据、状故障特征数据、故障类型数据划分为训练集和测试集；以训练集中的状态数据为输入，以训练集中状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对模型进行校验，得到训练好的LSTM神经网络模型；以训练集中的故障特征数据为输入，以训练集中故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对模型进行训练，得到初始的CNN神经网络模型，然后对模型进行校验，得到训练好的CNN神经网络模型。
7.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述步骤三中的在线监测处理模块包括分析处理单元、生成单元、存储单元；所述分析处理单元用于根据触发条件，对发电机励磁系统的工作状态信息进行分析，获取满足触发条件的工作状态信息；所述生成单元用于将满足触发条件的工作状态信息生成波形文件；所述存储单元用于存储生成的波形文件。
8.根据权利要求7所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述触发条件包括告警、限制、故障。
9.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述步骤三中传感器采集单元使用RS-485与在线监测处理单元通讯连接，用于将功率柜风速传感器、功率柜电流传感器、励磁系统电压电流传感器、灭磁电流传感器、灭磁电阻温度传感器、灭磁开关红外热成像仪、阻容吸收单元温度传感器输出的4-20mA信号上传至在线监测处理模块。
10.根据权利要求1所述的一种基于知识库的励磁故障诊断方法及工艺，其特征在于，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311600327.8A CN117706354A (zh) | 2023-11-28 | 2023-11-28 | 一种基于知识库的励磁故障诊断方法及工艺 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311600327.8A CN117706354A (zh) | 2023-11-28 | 2023-11-28 | 一种基于知识库的励磁故障诊断方法及工艺 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117706354A true CN117706354A (zh) | 2024-03-15 |
Family
ID=90143281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311600327.8A Pending CN117706354A (zh) | 2023-11-28 | 2023-11-28 | 一种基于知识库的励磁故障诊断方法及工艺 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706354A (zh) |
-
2023
- 2023-11-28 CN CN202311600327.8A patent/CN117706354A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085930B (zh) | 一种发电机组智能监测预警系统及方法 | |
| CN102748214B (zh) | 耦合于控制系统的风电机组状态监测与故障诊断系统 | |
| CN202645849U (zh) | 耦合于控制系统的风电机组状态监测与故障诊断系统 | |
| CN103343728A (zh) | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 | |
| CN202710100U (zh) | 风力发电机组远程在线健康状态监测与故障诊断系统 | |
| CN111779573B (zh) | 一种柴油机在线故障检测方法及装置 | |
| CN110085006A (zh) | 船舶监测方法、装置、系统和存储介质 | |
| CN102620807A (zh) | 风力发电机状态监测系统及方法 | |
| CN101101319A (zh) | 发电机转子绕组匝间短路状态的检测装置 | |
| CN104767482A (zh) | 一种光伏组件老化和短路故障在线诊断方法 | |
| CN109396954A (zh) | 嵌入式主轴系统异常状态智能检测和信息推送装置 | |
| TW201120310A (en) | The state telemetry technology and fault diagnosing system in large-scale wind power farms | |
| CN112711832B (zh) | 同步发电机定子绕组温度预警与故障识别的方法与系统 | |
| CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
| CN1321328C (zh) | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
| CN114114006A (zh) | 一种风力发电机诊断装置及其诊断方法 | |
| CN117706354A (zh) | 一种基于知识库的励磁故障诊断方法及工艺 | |
| CN116381380A (zh) | 一种用于智能变电站故障录波器的动态故障监管系统 | |
| CN208270996U (zh) | 一种风电机组运行状态监测系统 | |
| CN116537965A (zh) | 一种柴油机在线监测和故障诊断装置 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN215833561U (zh) | 一种基于振动信号的换流变分接开关状态在线监测系统 | |
| CN115163426A (zh) | 基于ai听诊的风机故障检测方法及系统、风机安全系统 |
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 |