CN117709544A - 一种重心约束的码垛优化方法 - Google Patents

一种重心约束的码垛优化方法 Download PDF

Info

Publication number
CN117709544A
CN117709544A CN202311859042.6A CN202311859042A CN117709544A CN 117709544 A CN117709544 A CN 117709544A CN 202311859042 A CN202311859042 A CN 202311859042A CN 117709544 A CN117709544 A CN 117709544A
Authority
CN
China
Prior art keywords
stacking
module
gravity center
information
sequence
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
Application number
CN202311859042.6A
Other languages
English (en)
Inventor
严义
施旸
孙丹枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202311859042.6A priority Critical patent/CN117709544A/zh
Publication of CN117709544A publication Critical patent/CN117709544A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stacking Of Articles And Auxiliary Devices (AREA)

Abstract

本发明公开了一种重心约束的码垛优化方法，信息输入模块接收待码垛长方体实际物理信息和码垛要求，对信息进行处理形成可使用的M2的输入参数。模拟码垛模块M2根据M1的输出信息随机生成多个模拟码垛序列，依次对每一个序列进行模拟摆放，输出所有序列模拟码垛后的长方体物品的位置信息至M3和M4；重心约束模块M3根据输入信息计算得到长方体物品的重心关于整体平衡区域的约束信息，输出重心约束信息。码垛优化模块M4根据M2和M3的输出信息对模拟码垛序列进行评估，得到模拟码垛序列可行性评分，迭代更新优化模拟码垛序列，直到满足预设条件，输出最优码垛方案。本发明基于4各模块生成码垛方案，提高了码垛的稳定性和空间利用率。

Description

一种重心约束的码垛优化方法
技术领域
本发明属于码垛优化技术领域，特别涉及一种重心约束的码垛优化方法。
背景技术
随着科技的不断进步和物流行业的快速发展，自动化码垛方法的需求量越来越大，对于自动化码垛方法的稳定性和空间利用率有了越来越高的要求。
现有技术中，大多数长方体物品码垛工作仍然依靠工人进行摆放，这种依靠工人摆放长方体物品的操作模式不仅会导致小车利用率普遍较低，而且为了提高每一层的利用率，工作人员不得不反复测试，反复移动已经放置的长方体物品。这不仅增加了企业的生产成本，而且浪费了大量的时间。依靠工人码垛的方式已经无法满足企业的生产需求，与手动码垛相比，机器人自动化码垛显然更有优势。
然而，传统机器人自动化码垛算法空间利用率低，增加了码垛所需的时间，并且，缺少对重心的约束，容易出现局部倾倒的问题。
发明内容
有鉴于此，本发明提出一种重心约束的码垛优化方法，包括以下步骤：
其重心约束的码垛优化模组包括信息输入模块M1、模拟码垛模块M2、重心约束模块M3，码垛优化模块M4，其中，信息输入模块M1输入为待码垛物品信息和码垛要求，信息输入模块M1输出和模拟码垛模块M2输入相连，模拟码垛模块M2输出与重心约束模块M3输入、码垛优化模块M4输入相连，重心约束模块M3输出与码垛优化模块M4输入相连，码垛优化模块M4输出最优码垛方案，优化方法包括以下步骤：
S10，信息输入模块M1接收待码垛长方体实际物理信息和码垛要求，对信息进行处理形成可使用的模拟码垛模块M2的输入参数，输出至模拟码垛模块M2；
S20，模拟码垛模块M2根据信息输入模块M1的输出信息随机生成多个模拟码垛序列，依次对每一个序列进行模拟摆放，输出所有序列模拟码垛后的长方体物品的位置信息至重心约束模块M3和码垛优化模块M4；
S30，重心约束模块M3根据模拟码垛模块M2的输出信息计算得到长方体物品的重心关于整体平衡区域的约束信息，输出重心约束信息至码垛优化模块M4；
S40，码垛优化模块M4根据模拟码垛模块M2和重心约束模块M3的输出信息对所述多个模拟码垛序列进行评估，得到每一个序列的可行性评分，迭代更新优化模拟码垛序列，直到满足预设条件，输出最优码垛方案。
优选地，所述S10中实际物理信息包括物品编号、物品长宽高和物品来料顺序。
优选地，所述S10中码垛要求包括重心最大偏移值和目标可行性评分。
优选地，所述S20中模拟码垛序列表示长方体物品进行模拟码垛的次序，不同模拟码垛序列表示长方体物品的先后码垛顺序不同。
优选地，所述S30包括以下步骤：
S31，将已码垛的物品按层划分，每一层包括若干个已码垛物品；
S32，从最低层开始，依次根据待码垛长方体物品模拟放置的位置信息和当前层已码垛长方体物品的位置信息，获得当前层的整体平衡区域；
S33，若待码垛长方体物品重心在当前层整体平衡区域内，当前层重心约束成立，继续判断下一层，直到最高层为止，输出结果为重心约束成立；
S34，若待码垛长方体物品重心不在当前层整体平衡区域内，当前层重心约束不成立，输出结果为重心约束不成立。
优选地，所述S40具体包括S41，使用遗传算法执行序列选择、序列交叉、序列变异三种策略进行序列更新。
优选地，所述序列选择为根据设定规则选择不同的序列。
优选地，所述序列交叉为根据设定规则交换两个序列的子序列。
优选地，所述序列变异为根据设定规则改变子序列顺序。
优选地，所述S40中在S41点序列更新后，还包括以下步骤：
S42，对于每一个模拟码垛序列进行评估，根据空间利用率和重心约束信息，得到模拟码垛序列可行性评分；
S43，根据所有模拟码垛序列中最高的可行性评分、迭代次数和目标可行性评分，当迭代次数大于预设次数或者最高可行性评分大于目标可行性评分时终止码垛算法，最终输出最优码垛方案。
与现有技术相比，本发明公开的重心约束的码垛优化方法，至少包括以下
有益效果：
基于信息输入模块、模拟码垛模块、重心约束模块和码垛优化模块生成码垛方案，提高了码垛的稳定性和空间利用率。具体还包括：
1、基于重心约束模块，对重心实现多层判断，提高了码垛的稳定性，物品不易倾倒。
2、结合遗传算法等启发式优化算法，调整算法参数，提高了整体空间利用率。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例重心约束的码垛优化方法的步骤流程图；
图2为本发明实施例重心约束的码垛优化方法的模拟码垛模块示意图；
图3为本发明实施例重心约束的码垛优化方法的整体平衡区域示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
参见图1，本发明的重心约束的码垛优化方法，包括信息输入模块M1、模拟码垛模块M2、重心约束模块M3，码垛优化模块M4，其中M1输入为待码垛物品信息和码垛要求，M1输出和M2输入相连，M2输出与M3输入、M4输入相连，M3输出与M4输入相连，M4输出最优码垛方案，优化方法包括：
S10，信息输入模块M1接收待码垛长方体实际物理信息和码垛要求，对信息进行处理形成可使用的M2的输入参数，输出至M2，其中所述实际物理信息包括物品编号、物品长宽高、物品来料顺序，所述码垛要求包括重心最大偏移值、目标可行性评分；
S20，模拟码垛模块M2根据M1的输出信息随机生成多个模拟码垛序列，依次对每一个序列进行模拟摆放，输出所有序列模拟码垛后的长方体物品的位置信息至M3和M4，其中，所述模拟码垛序列表示长方体物品进行模拟码垛的次序，不同模拟码垛序列表示长方体物品的先后码垛顺序不同；
S30，重心约束模块M3根据M2的输出信息计算得到长方体物品的重心关于整体平衡区域的约束信息，输出重心约束信息至M4；
S40，码垛优化模块M4根据M2和M3的输出信息对所述多个模拟码垛序列进行评估，得到每一个序列的可行性评分，迭代更新优化模拟码垛序列，直到满足预设条件，输出最优码垛方案。
在具体实施例中，实施流程如下：
(1)M1接收待码垛长方体实际物理信息和码垛要求，共有N个长方体物品，用A1A2A3...An来表示。长方体物品的编号为i，i从1开始递增，Ai表示第i个长方体物品，Li表示第i个长方体物品的长度，Wi表示第i个长方体物品的宽度，Hi表示第i个长方体物品的高度，单位为毫米。在本实施例中，长方体物品的高度Hi统一设置为18毫米，重心最大偏移值Offset设置为20毫米，目标可行性评分TargetScore设置为0.9，将以上信息输出至M2。
(2)M2根据长方体物品的尺寸选择其将要放入不同类的小车，每一辆小车对应一个序列，并且拥有独立的重心约束模块，参见图2，小车1中已放入长方体物品1，小车2中已放入长方体物品2，长方体物品3、4、5处于传送带上等待被放入。本实施例仅对某类小车进行解释。
M2随机生成50个模拟码垛序列，具体公式如下：
Si＝{Ai1Ai2Ai3Ai4...Ain},1≤i≤50
其中i1,i2……in为1到50之间各不相同的正整数，用于表示不同物品次序。具体来讲，每一个序列Si的顺序是不同的，比如第一个S1为A1A2A3，S2为A3A2A1。
调用最大矩形算法，对所有模拟码垛序列依次进行模拟摆放。每一个序列的长方体物品摆放后的位置信息具体包括长方体物品的中心坐标(Xi，Yi)、长方体物品所在层数Pi，并将以上信息输出至M3和M4。
(3)M3将已码垛的物品按层划分，每一层包括若干个已码垛物品。从最低层开始到最高层，依次根据待码垛长方体物品模拟放置的位置信息和当前层已码垛长方体物品的位置信息，获得当前层的整体平衡区域。具体可参照图3，实线矩形代表上层放置的长方体物品，虚线矩形代表下层长方体物品，重合面积表示为R1和R2，R为R1和R2的最小外接矩形，即整体平衡区域。上层放置的长方体物品的中心点Q到R的四条边的距离分别用d1,d2,d3,d4表示。若上层放置的长方体物品的中心点到R的四条边的最短距离大于重心最大偏移值，则当前层重心约束成立，输出值为1，具体公式可表示为：
若所有层重心约束输出值都为1，M3输出结果为重心约束成立。若其中有一层的重心约束输出值为0，表示重心约束不成立，物品会倾倒，M3输出结果为重心约束不成立。
(4)M4使用遗传算法中的选择算子、交叉算子、变异算子作为一种序列更新的三种策略，包括：
采用轮盘赌加精英选择算子。每个个体被选择的概率与其适应度成正相关。每一个序列Si的适应度值为Fi，Si被选择的概率P(Si)为Si的适应度值/所有序列的适应度值总和，Fj为序列Sj的适应度值，具体可用公式表示为：
采用随机交叉算子。第一步从经过选择算子更新的50个模拟码垛序列中随机选择两个序列，第二步从这两个序列中再次随机选择一段子序列进行交换，重复上述两步骤25次。
采用最优保存变异算子。除适应度最高的序列外，其余序列均需要进行变异试验，变异概率为0.9。从需要变异的序列中随机选择第i个和第j个物品进行交换，即变异前的序列S为{A1A2A3...Ai...Aj...An}，变异后的序列S为{A1A2A3...Aj...Ai...An}。
适应度函数F为小车空间利用率，即所有层的平均空间利用率，其中单层空间利用率U为单层摆放的物品面积总和/单层总面积，Ui为第i层摆放的物品面积总和/第i层总面积，具体可用公式表示为：
n为总层数
序列评分为适应度函数与重心约束模块输出值的乘积，其中，重心约束模块输出值为0或1。满足重心约束条件的序列评分为1，不满足重心约束条件的序列评分为0。
具体地，终止码垛算法的条件是达到设定的迭代次数或者最高可行性评分大于目标可行性评分。如果是，输出最优码垛方案；否则转到S20；
具体地，输出的最优码垛方案包括总码垛次数，每一次码垛的长方体物品序号、长方体物品坐标、长方体物品层号，其中每一次码垛的长方体物品序号、长方体物品中心坐标、长方体物品层号储存在数组里，遍历数组获取每一个长方体物品的位置信息。
本发明实施例提供一种重心约束的码垛优化算法，包括信息输入模块M1、模拟码垛模块M2、重心约束模块M3，码垛优化模块M4，信息输入模块M1接收待码垛长方体实际物理信息和码垛要求，对信息进行处理形成可使用的M2的输入参数。模拟码垛模块M2根据M1的输出信息随机生成多个模拟码垛序列，依次对每一个序列进行模拟摆放，输出所有序列模拟码垛后的长方体物品的位置信息至M3和M4；重心约束模块M3根据输入信息计算得到长方体物品的重心关于整体平衡区域的约束信息，输出重心约束信息。码垛优化模块使用遗传算法执行序列选择、序列交叉、序列变异三种策略进行序列更新，对于所述每一个模拟码垛序列进行评估，根据空间利用率和重心约束信息，得到所述模拟码垛序列可行性评分，根据所有模拟码垛序列中最高的可行性评分、迭代次数和目标可行性评分，当迭代次数大于预设次数或者最高可行性评分大于目标可行性评分时终止码垛算法，最终输出最优码垛方案，提高了码垛的稳定性和空间利用率。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均在本发明要求的保护范围之内。
以上对本发明进行了详细的说明，但本发明的具体实现形式并不局限于此。在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以做出各种修改或改型。

Claims (10)

1.一种重心约束的码垛优化方法，其特征在于，其重心约束的码垛优化模组包括信息输入模块M1、模拟码垛模块M2、重心约束模块M3，码垛优化模块M4，其中，信息输入模块M1输入为待码垛物品信息和码垛要求，信息输入模块M1输出和模拟码垛模块M2输入相连，模拟码垛模块M2输出与重心约束模块M3输入、码垛优化模块M4输入相连，重心约束模块M3输出与码垛优化模块M4输入相连，码垛优化模块M4输出最优码垛方案，优化方法包括以下步骤：
S10，信息输入模块M1接收待码垛长方体实际物理信息和码垛要求，对信息进行处理形成可使用的模拟码垛模块M2的输入参数，输出至模拟码垛模块M2；
S20，模拟码垛模块M2根据信息输入模块M1的输出信息随机生成多个模拟码垛序列，依次对每一个序列进行模拟摆放，输出所有序列模拟码垛后的长方体物品的位置信息至重心约束模块M3和码垛优化模块M4；
S30，重心约束模块M3根据模拟码垛模块M2的输出信息计算得到长方体物品的重心关于整体平衡区域的约束信息，输出重心约束信息至码垛优化模块M4；
S40，码垛优化模块M4根据模拟码垛模块M2和重心约束模块M3的输出信息对所述多个模拟码垛序列进行评估，得到每一个序列的可行性评分，迭代更新优化模拟码垛序列，直到满足预设条件，输出最优码垛方案。
2.根据权利要求1所述的重心约束的码垛优化方法，其特征在于，所述S10中实际物理信息包括物品编号、物品长宽高和物品来料顺序。
3.根据权利要求1所述的重心约束的码垛优化方法，其特征在于，所述S10中码垛要求包括重心最大偏移值和目标可行性评分。
4.根据权利要求1所述的重心约束的码垛优化方法，其特征在于，所述S20中模拟码垛序列表示长方体物品进行模拟码垛的次序，不同模拟码垛序列表示长方体物品的先后码垛顺序不同。
5.根据权利要求1所述的重心约束的码垛优化方法，其特征在于，所述S30包括以下步骤：
S31，将已码垛的物品按层划分，每一层包括若干个已码垛物品；
S32，从最低层开始，依次根据待码垛长方体物品模拟放置的位置信息和当前层已码垛长方体物品的位置信息，获得当前层的整体平衡区域；
S33，若待码垛长方体物品重心在当前层整体平衡区域内，当前层重心约束成立，继续判断下一层，直到最高层为止，输出结果为重心约束成立；
S34，若待码垛长方体物品重心不在当前层整体平衡区域内，当前层重心约束不成立，输出结果为重心约束不成立。
6.根据权利要求1所述的重心约束的码垛优化方法，其特征在于，所述S40具体包括S41，使用遗传算法执行序列选择、序列交叉、序列变异三种策略进行序列更新。
7.根据权利要求6所述的重心约束的码垛优化方法，其特征在于，所述序列选择为根据设定规则选择不同的序列。
8.根据权利要求6所述的重心约束的码垛优化方法，其特征在于，所述序列交叉为根据设定规则交换两个序列的子序列。
9.根据权利要求6所述的重心约束的码垛优化方法，其特征在于，所述序列变异为根据设定规则改变子序列顺序。
10.根据权利要求6所述的重心约束的码垛优化方法，其特征在于，所述S40中在S41点序列更新后，还包括以下步骤：
S42，对于每一个模拟码垛序列进行评估，根据空间利用率和重心约束信息，得到模拟码垛序列可行性评分；
S43，根据所有模拟码垛序列中最高的可行性评分、迭代次数和目标可行性评分，当迭代次数大于预设次数或者最高可行性评分大于目标可行性评分时终止码垛算法，最终输出最优码垛方案。
CN202311859042.6A 2023-12-30 2023-12-30 一种重心约束的码垛优化方法 Pending CN117709544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311859042.6A CN117709544A (zh) 2023-12-30 2023-12-30 一种重心约束的码垛优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311859042.6A CN117709544A (zh) 2023-12-30 2023-12-30 一种重心约束的码垛优化方法

Publications (1)

Publication Number Publication Date
CN117709544A true CN117709544A (zh) 2024-03-15

Family

ID=90146106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311859042.6A Pending CN117709544A (zh) 2023-12-30 2023-12-30 一种重心约束的码垛优化方法

Country Status (1)

Country Link
CN (1) CN117709544A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118083511A (zh) * 2024-04-26 2024-05-28 苏州双祺自动化设备股份有限公司 一种袋装物料自动码垛方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118083511A (zh) * 2024-04-26 2024-05-28 苏州双祺自动化设备股份有限公司 一种袋装物料自动码垛方法及装置

Similar Documents

Publication Publication Date Title
CN110443549B (zh) 一种物流仓库中物品的装箱方案生成方法及系统
CN107506956B (zh) 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN104408589B (zh) 基于混合粒子群算法的agv优化调度方法
CN117709544A (zh) 一种重心约束的码垛优化方法
CN114417696B (zh) 一种基于遗传算法的自动化立体仓库货位分配优化方法
CN106897852A (zh) 用于物流的订单排序优化方法
CN109583660B (zh) 一种动态拣货策略的实现方法
CN109460859B (zh) 一种车间布局优化方法
CN110991754B (zh) 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法
CN107274124A (zh) 一种基于两阶段多种群并行遗传算法的agv小车调度优化方法
CN111626516B (zh) 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法
GB2524952A (en) A method of packing containers
CN110888903B (zh) 起重机自动化连续搬运作业的方法及系统
CN109911272B (zh) 一种基于参考线准则的自由码垛装箱方法
CN112232545B (zh) 基于模拟退火算法的agv任务调度方法
CN114022028B (zh) 一种自动化混合流水线调度布局集成优化方法
CN117852825B (zh) 基于深度学习的含中心资源柔性制造系统的无死锁调度方法
CN109800913A (zh) 一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法
CN117371918A (zh) 基于改进订单关联规则的货位分配两阶段优化方法和系统
CN112989696A (zh) 一种基于移动机器人的自动拣选系统货位优化方法及系统
Šaderová et al. Simulation as logistic support to handling in the warehouse: Case study
CN110968567B (zh) 起重机货物三维位置信息数据库的智能构建方法及系统
CN117875189B (zh) 一种基于ga优化gro的立体仓库空间布局方法
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
WO2022265931A1 (en) Simulated box placement for algorithm evaluation and refinement

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