FR3123738A1 - Procédé et dispositif de prédiction de panne pour véhicule - Google Patents
Procédé et dispositif de prédiction de panne pour véhicule Download PDFInfo
- Publication number
- FR3123738A1 FR3123738A1 FR2106045A FR2106045A FR3123738A1 FR 3123738 A1 FR3123738 A1 FR 3123738A1 FR 2106045 A FR2106045 A FR 2106045A FR 2106045 A FR2106045 A FR 2106045A FR 3123738 A1 FR3123738 A1 FR 3123738A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- vehicles
- group
- representative
- attribute
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000015556 catabolic process Effects 0.000 title claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000007858 starting material Substances 0.000 claims description 2
- 230000008033 biological extinction Effects 0.000 claims 2
- 230000007547 defect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
L’invention concerne un procédé et un dispositif de prédiction d’une panne pour véhicule. A cet effet, l’apprentissage d’un modèle de prédiction de panne comprend la transmission de requêtes à destination d’une première base de données (101) et d’une deuxième base de données (102) pour sélectionner un premier groupe de premiers véhicules correspondant chacun à un véhicule connecté ayant eu au moins une panne et un deuxième groupe de deuxièmes véhicules correspondant chacun à un véhicule connecté n’ayant jamais connu de panne. Une troisième base de données (103) permet d’obtenir les attributs associés à chacun de ces premiers véhicules et de sélectionner les deuxièmes véhicules ayant des attributs similaires. L’apprentissage du modèle de prédiction de panne est mis en œuvre sur la base de données d’utilisation des premiers véhicules du premier groupe et des deuxièmes véhicules sélectionnés dans le deuxième groupe. Figure pour l’abrégé : Figure 1
Description
L’invention concerne les procédés et dispositifs de prédiction de panne pour un véhicule, notamment un véhicule automobile. L’invention concerne également un procédé et un dispositif d’apprentissage d’un modèle de prédiction de panne pour véhicule. L’invention concerne également un procédé et un dispositif de maintenance prédictive d’un véhicule.
Arrière-plan technologique
Les véhicules contemporains sont formés d’un grand nombre de composants ou d’organes, chacun susceptible de panne ou de défaut.
Lorsque le conducteur d’un véhicule est confronté à un défaut ou à une panne d’un ou plusieurs composants de son véhicule, ce dernier doit alors prendre contact avec un centre spécialisé pour déterminer si la panne ou le défaut constaté nécessite une opération de maintenance corrective pour corriger la panne ou le défaut après apparition de cette dernière ou de ce dernier. Une telle maintenance corrective s’accompagne le plus souvent d’une intervention ou d’une réparation dans un garage par exemple. Une telle maintenance corrective est synonyme de coûts engendrés par la maintenance corrective et de gêne occasionnée par l’immobilisation du véhicule pendant une durée allant parfois jusqu’à plusieurs jours.
Pour limiter les risques de panne ou de défaut et prévenir les problèmes associés, des opérations de maintenance préventive des véhicules sont planifiées. Cependant, ces opérations de maintenance ne garantisse pas qu’un organe du véhicule rencontre un défaut ou subisse une panne après coup.
Prédire une panne d’un ou plusieurs composants d’un véhicule permettrait de limiter ou de prévenir les risques de panne. Cependant une telle prédiction est particulièrement difficile, notamment en raison de la grande diversité des véhicules, du grand nombre de composants équipant ces véhicules et de la multitude de configurations possibles pour un type de véhicule donné.
Un objet de la présente invention est de résoudre au moins l’un des problèmes de l’arrière-plan technologique décrit précédemment.
Un objet de la présente invention est d’améliorer la prévention des pannes ou défauts d’organe(s) d’un véhicule.
Un autre objet de la présente invention est d’améliorer la prédiction des pannes ou défauts d’organe(s) d’un véhicule.
Selon un premier aspect, l’invention concerne un procédé de prédiction de panne pour véhicule, le procédé étant mis en œuvre par au moins un processeur, le procédé comprenant les étapes suivantes :
- transmission d’au moins une première requête, à destination d’une première base de données identifiant un premier ensemble de véhicules et d’une deuxième base de données identifiant un deuxième ensemble de véhicules, une information représentative d’occurrence de panne étant associée à chaque véhicule d’au moins une partie du premier ensemble de véhicules, chaque véhicule du deuxième ensemble de véhicules correspondant à un véhicule configuré pour une communication de données via une liaison sans fil, dit véhicule connecté,
la au moins une première requête requérant une sélection de :
● un premier groupe de premiers véhicules, chaque premier véhicule correspondant à un véhicule connecté avec une occurrence d’au moins une panne ; et
● un deuxième groupe de deuxièmes véhicules, chaque deuxième véhicule correspondant à un véhicule connecté sans occurrence de panne ;
- réception d’un ensemble de premiers identifiants chacun identifiant un premier véhicule du premier groupe et d’un ensemble de deuxièmes identifiants chacun identifiant un deuxième véhicule du deuxième groupe ;
- transmission d’une deuxième requête à destination d’une troisième base de données identifiant un troisième ensemble de véhicules, au moins un attribut étant associé à chaque véhicule du troisième ensemble dans la troisième base de données, la deuxième requête comprenant l’ensemble de premiers identifiants et requérant le au moins un attribut associé à chaque premier identifiant de l’ensemble de premiers identifiants ;
- réception des attributs associés aux premiers véhicules identifiés par l’ensemble de premiers identifiants ;
- sélection, dans le deuxième groupe de deuxièmes véhicules en association avec la troisième base de données, d’un sous-groupe de deuxièmes véhicules ayant pour attributs des attributs correspondant aux attributs reçus ;
- apprentissage d’au moins un modèle de prédiction de panne à partir de données associées à chaque premier véhicule du premier groupe et à chaque deuxième véhicule du sous-groupe de deuxièmes véhicules, les données étant représentatives d’indicateurs associés à une utilisation de chaque premier véhicule et de chaque deuxième véhicule, les données étant stockées dans une quatrième base de données.
Selon une variante, lorsqu’un nombre de deuxièmes véhicules dans le sous-groupe de deuxièmes véhicules est supérieur à un nombre de premiers véhicules dans le premier groupe, le procédé comprend en outre une étape de sélection aléatoire d’une partie des deuxièmes véhicules du sous-groupe de deuxièmes véhicules de telle manière qu’un nombre de deuxièmes véhicules sélectionnés aléatoirement soit égal au nombre de premiers véhicules, les deuxièmes véhicules sélectionnés aléatoirement formant le sous-groupe de deuxièmes véhicules utilisés pour l’apprentissage.
Selon une autre variante, l’apprentissage comprend une classification des données représentatives d’indicateurs.
Selon encore une variante, le procédé comprenant en outre une étape de classification des attributs.
Selon une variante supplémentaire, le au moins un attribut appartient à un ensemble d’attributs comprenant :
- un attribut représentatif d’un type de véhicule ;
- un attribut représentatif d’un modèle de véhicule ;
- un attribut représentatif d’un composant déterminé équipant le véhicule ;
- un attribut représentatif d’une configuration de véhicule ;
- un attribut représentatif de durée d’utilisation du véhicule.
Selon une variante additionnelle, la panne correspond à une panne d’une batterie de démarrage.
Selon encore une variante, les indicateurs appartiennent à un ensemble d’indicateurs comprenant :
- un indicateur représentatif d’un code défaut ;
- un indicateur représentatif d’une décharge de la batterie ;
- un indicateur représentatif d’une durée de trajet ;
- un indicateur représentatif d’une distance de trajet ;
- un indicateur représentatif d’un intervalle temporel entre une extinction d’un moteur et l’allumage du moteur suivant l’extinction ;
- un indicateur représentatif d’une durée d’allumage des feux de détresse moteur éteint ;
- un indicateur représentatif d’une durée d’allumage des feux antibrouillard moteur éteint ;
- un indicateur représentatif d’une mesure de température extérieure au démarrage du moteur ;
- un indicateur représentatif d’un nombre de trajets parcourus ;
- un indicateur représentatif d’une mesure de température moteur au démarrage du moteur ;
- un indicateur représentatif d’un nombre de démarrages du moteur.
Selon une variante additionnelle, les données représentatives d’indicateurs sont transmises par chaque premier véhicule du premier groupe et chaque deuxième véhicule du sous-groupe de deuxièmes véhicules via une liaison sans fil à destination de la quatrième base de données.
Selon encore une variante, le au moins un processeur met en œuvre un réseau de neurones.
Selon un deuxième aspect, l’invention concerne un dispositif de prédiction de panne pour véhicule, le dispositif comprenant une mémoire associée à un processeur configuré pour la mise en œuvre des étapes du procédé selon le premier aspect de l’invention.
Selon un troisième aspect, l’invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de l’invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.
Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un quatrième aspect, l’invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de l’invention.
D’une part, le support d’enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.
D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Brève description des figures
D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures 1 à 3 annexées, sur lesquelles :
Claims (10)
- Procédé de prédiction de panne pour véhicule, ledit procédé étant mis en œuvre par au moins un processeur, ledit procédé comprenant les étapes suivantes :
- transmission (31) d’au moins une première requête, à destination d’une première base de données (101) identifiant un premier ensemble de véhicules (10, 11, 12) et d’une deuxième base de données (102) identifiant un deuxième ensemble de véhicules, une information représentative d’occurrence de panne étant associée à chaque véhicule d’au moins une partie dudit premier ensemble de véhicules (10, 11, 12), chaque véhicule dudit deuxième ensemble de véhicules correspondant à un véhicule configuré pour une communication de données via une liaison sans fil, dit véhicule connecté,
ladite au moins une première requête requérant une sélection de :
● un premier groupe de premiers véhicules, chaque premier véhicule correspondant à un véhicule connecté avec une occurrence d’au moins une panne ; et
● un deuxième groupe de deuxièmes véhicules, chaque deuxième véhicule correspondant à un véhicule connecté sans occurrence de panne ;
- réception (32) d’un ensemble de premiers identifiants chacun identifiant un premier véhicule dudit premier groupe et d’un ensemble de deuxièmes identifiants chacun identifiant un deuxième véhicule dudit deuxième groupe ;
- transmission (33) d’une deuxième requête à destination d’une troisième base de données (103) identifiant un troisième ensemble de véhicules, au moins un attribut étant associé à chaque véhicule dudit troisième ensemble dans ladite troisième base de données, ladite deuxième requête comprenant ledit ensemble de premiers identifiants et requérant ledit au moins un attribut associé à chaque premier identifiant dudit ensemble de premiers identifiants ;
- réception (34) des attributs associés auxdits premiers véhicules identifiés par ledit ensemble de premiers identifiants ;
- sélection (35), dans ledit deuxième groupe de deuxièmes véhicules en association avec ladite troisième base de données (103), d’un sous-groupe de deuxièmes véhicules ayant pour attributs des attributs correspondant auxdits attributs reçus ;
- apprentissage (36) d’au moins un modèle de prédiction de panne à partir de données associées à chaque premier véhicule dudit premier groupe et à chaque deuxième véhicule dudit sous-groupe de deuxièmes véhicules, lesdites données étant représentatives d’indicateurs associés à une utilisation dudit chaque premier véhicule et dudit chaque deuxième véhicule, lesdites données étant stockées dans une quatrième base de données (104). - Procédé selon la revendication 1, pour lequel, lorsqu’un nombre de deuxièmes véhicules dans ledit sous-groupe de deuxièmes véhicules est supérieur à un nombre de premiers véhicules dans ledit premier groupe, le procédé comprend en outre une étape de sélection aléatoire d’une partie des deuxièmes véhicules dudit sous-groupe de deuxièmes véhicules de telle manière qu’un nombre de deuxièmes véhicules sélectionnés aléatoirement soit égal audit nombre de premiers véhicules, lesdits deuxièmes véhicules sélectionnés aléatoirement formant ledit sous-groupe de deuxièmes véhicules utilisés pour ledit apprentissage.
- Procédé selon l’une des revendications 1 à 2, comprenant en outre une étape de classification desdits attributs.
- Procédé selon l’une des revendications 1 à 3, pour lequel ledit au moins un attribut appartient à un ensemble d’attributs comprenant :
- attribut représentatif d’un type de véhicule ;
- attribut représentatif d’un modèle de véhicule ;
- attribut représentatif d’un composant déterminé équipant le véhicule ;
- attribut représentatif d’une configuration de véhicule ;
- attribut représentatif de durée d’utilisation du véhicule. - Procédé selon l’une des revendications 1 à 4, pour lequel ladite panne correspond à une panne d’une batterie de démarrage.
- Procédé selon la revendication 5, pour lequel lesdits indicateurs appartiennent à un ensemble d’indicateurs comprenant :
- indicateur représentatif d’un code défaut ;
- indicateur représentatif d’une décharge de la batterie ;
- indicateur représentatif d’une durée de trajet ;
- indicateur représentatif d’une distance de trajet ;
- indicateur représentatif d’un intervalle temporel entre une extinction d’un moteur et l’allumage dudit moteur suivant ladite extinction ;
- indicateur représentatif d’une durée d’allumage des feux de détresse moteur éteint ;
- indicateur représentatif d’une durée d’allumage des feux antibrouillard moteur éteint ;
- indicateur représentatif d’une mesure de température extérieure au démarrage du moteur ;
- indicateur représentatif d’un nombre de trajets parcourus ;
- indicateur représentatif d’une mesure de température moteur au démarrage du moteur ;
- indicateur représentatif d’un nombre de démarrages du moteur. - Procédé selon l’une des revendications 1 à 6, pour lequel lesdites données représentatives d’indicateurs sont transmises par chaque premier véhicule dudit premier groupe et chaque deuxième véhicule dudit sous-groupe de deuxièmes véhicules via une liaison sans fil à destination de ladite quatrième base de données (104).
- Procédé selon l’une des revendications 1 à 7, pour lequel ledit au moins un processeur met en œuvre un réseau de neurones.
- Programme d’ordinateur comportant des instructions pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un processeur.
- Dispositif (2) de prédiction de panne pour véhicule, ledit dispositif (2) comprenant une mémoire (21) associée à au moins un processeur (20) configuré pour la mise en œuvre des étapes du procédé selon l’une quelconque des revendications 1 à 8.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2106045A FR3123738A1 (fr) | 2021-06-08 | 2021-06-08 | Procédé et dispositif de prédiction de panne pour véhicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2106045A FR3123738A1 (fr) | 2021-06-08 | 2021-06-08 | Procédé et dispositif de prédiction de panne pour véhicule |
| FR2106045 | 2021-06-08 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3123738A1 true FR3123738A1 (fr) | 2022-12-09 |
Family
ID=77021518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2106045A Withdrawn FR3123738A1 (fr) | 2021-06-08 | 2021-06-08 | Procédé et dispositif de prédiction de panne pour véhicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3123738A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190391800A1 (en) * | 2018-06-20 | 2019-12-26 | Aptiv Technologies Limited | Over-the-air (ota) mobility services platform |
| US20200106678A1 (en) * | 2018-09-27 | 2020-04-02 | Aptiv Technologies Limited | Mobility services platform for self-healing mobiilty clients |
-
2021
- 2021-06-08 FR FR2106045A patent/FR3123738A1/fr not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190391800A1 (en) * | 2018-06-20 | 2019-12-26 | Aptiv Technologies Limited | Over-the-air (ota) mobility services platform |
| US20200106678A1 (en) * | 2018-09-27 | 2020-04-02 | Aptiv Technologies Limited | Mobility services platform for self-healing mobiilty clients |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3123738A1 (fr) | Procédé et dispositif de prédiction de panne pour véhicule | |
| EP1934947B1 (fr) | Procede d'amelioration d'un diagnostic d'une eventuelle defaillance dans un vehicule | |
| WO2020212150A1 (fr) | Procédé de prédiction d'une modification des conditions d'attachement d'un terminal à un réseau cellulaire | |
| FR2948208A1 (fr) | Dispositif de diagnostic a distance pour vehicule automobile | |
| FR3125908A1 (fr) | Procédé, dispositif et système de détermination d’une défaillance d’un composant d’un véhicule | |
| FR3100203A1 (fr) | Procédé et dispositif d’alerte d’évènement pour véhicule | |
| FR3091608A1 (fr) | Procédé et dispositif de mise à jour d’une unité de commande électronique | |
| FR3120724A1 (fr) | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule | |
| FR2851660A1 (fr) | Dispositif et procede de diagnostic embarque decentralises pour vehicules automobiles | |
| FR3122009A1 (fr) | Procédé, dispositif et système de prédiction d’une opération de maintenance pour véhicule | |
| FR3119918A1 (fr) | Procédé et dispositif de traçabilité de maintenances périodiques réalisées sur un véhicule | |
| FR3051559B1 (fr) | Procede d'optimisation de la detection de cibles marines et radar mettant en oeuvre un tel procede | |
| FR3130227A1 (fr) | Procédé et dispositif de contrôle d’accélération d’un véhicule | |
| FR3123253A1 (fr) | Procédé et dispositif de contrôle de la qualité de l’air de l’habitacle d’un véhicule | |
| FR3124998A1 (fr) | Procédé, dispositif et système de contrôle de système d’aide à la conduite embarqué d’un véhicule | |
| FR3119903A1 (fr) | Procédé et dispositif de contrôle d’un ensemble de calculateurs d’un véhicule | |
| FR3140844A1 (fr) | Détermination simplifiée d’une information de déclivité parcourue par un véhicule | |
| FR3123414A1 (fr) | Procédé et dispositif de contrôle d’un système de feux de route évolutifs d’un véhicule | |
| FR2939216A1 (fr) | Procede de gestion de donnees de calibration d'un logiciel. | |
| FR3140195A1 (fr) | Procédé et dispositif de transmission de données de tentative d’enregistrement de dispositifs d’accès main libre pour véhicule | |
| FR3122931A1 (fr) | Procédé et dispositif de contrôle d’un ensemble de calculateurs d’un véhicule | |
| FR3136300A1 (fr) | Procédé de prévision ou d’évaluation de pollution issue de la circulation automobile dans une zone géographique, et dispositif associé | |
| EP4087134A1 (fr) | Dispositif de contrôle d'un transistor et procédé de contrôle associé | |
| FR3125607A1 (fr) | Procédé et dispositif de calibration d’un calculateur de véhicule | |
| WO2024009015A1 (fr) | Procédé et dispositif de contrôle d'un système d'aide à la conduite d'un véhicule par sélection d'une portion de route d'une intersection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20221209 |
|
| ST | Notification of lapse |
Effective date: 20240205 |