CN111898903A - 一种钢铁产品均匀性和综合质量评估方法及*** - Google Patents
一种钢铁产品均匀性和综合质量评估方法及*** Download PDFInfo
- Publication number
- CN111898903A CN111898903A CN202010739592.4A CN202010739592A CN111898903A CN 111898903 A CN111898903 A CN 111898903A CN 202010739592 A CN202010739592 A CN 202010739592A CN 111898903 A CN111898903 A CN 111898903A
- Authority
- CN
- China
- Prior art keywords
- data
- batch
- quality
- temperature
- data set
- 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
Images
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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种钢铁产品均匀性和综合质量评估方法及***，该方法包括：获取待评估数据集；其中，每一批次包括多条温度曲线和多个质量指标；计算每一批次的温度曲线与规格区域的相对体积，以及每一批次温度曲线与目标温度值的相对距离；将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集并进行标准化处理，以消除量纲影响；计算每一批次与最优方案的相对接近程度，作为评价当前批次优劣的依据。本发明利用核密度估计的方法解决了非正态工艺数据的均匀性评估问题；将优劣解距离法分为训练和评估两个过程，从而给新批次一个客观的相似度作为多质量指标的综合评价指标。
Description
技术领域
本发明涉及流程工业质量管控与优化技术领域，特别涉及一种钢铁产品均匀性和综合质量评估方法及***。
背景技术
在流程工业生产过程中，需要建立一个良好的数学模型来对高品质线材的多个轧制过程的温度曲线等工艺曲线进行均匀性分析，从而得到一个均匀性评价指标。然而几乎所有的钢铁产品生产过程都要经过多次轧制，所以得到的数据包含众多的过程温度等工艺曲线。
另一方面，在企业生产经营活动中，需要对产品的多个质量指标进行综合评价，从而实现产品综合分类定价。因此，需要利用综合评价方法来分析这若干个决定产品质量波动的检测指标。
但现有方法并不适用于多元非正态数据，也无法综合评价多个质量指标。
发明内容
本发明提供了一种钢铁产品均匀性和综合质量评估方法及***，以解决现有方法不适用于多元非正态数据和无法综合评价多个质量指标的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供一种钢铁产品均匀性和综合质量评估方法，包括：
获取待评估数据集；其中，所述待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；
将所述相对体积和所述相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对所述质量指标数据集进行标准化处理，以消除量纲影响；
基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。
进一步地，所述温度曲线包括：开轧温度曲线、精轧温度曲线以及吐丝温度曲线；所述多个质量指标包括：当前待评估产品的抗拉强度、断面收缩率、多种标准的直径合格率以及多种标准的不圆度合格率。
进一步地，所述基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离，包括：
基于动态曲线规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等；
基于核密度估计方法，计算每一批次的温度数据与规格区域的相对体积；
基于欧式距离方法，计算每一批次的温度数据与目标温度值的相对距离。
进一步地，所述基于动态曲线规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等，包括：
利用动态时间规整方法对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等。
进一步地，基于核密度估计方法，计算每一批次的温度数据与规格区域的相对体积，包括：
通过核密度估计的方法拟合多元数据分布，将规格区域划分为多个网格，计算所划分出的多个网格中的每个网格点的概率密度值；将对应的概率密度值大于预设阈值的网格点的点数和网格点的总点数的比值作为相应的温度数据与规格区域的体积比，以得到温度数据与规格区域的相对体积。
进一步地，基于欧式距离方法，计算每一批次的温度数据与目标温度值的相对距离，包括：
将温度数据与目标温度值的偏差与工艺目标区间相比，以消除量纲影响。
进一步地，对所述质量指标数据集进行标准化处理，以消除量纲影响，包括：
对所述质量指标数据集进行正向化处理，得到正向化的矩阵；
对得到的正向化的矩阵进行标准化处理，以消除量纲影响。
进一步地，对质量指标数据集进行正向化处理，得到正向化的矩阵，包括：
将所述质量指标数据集对应的矩阵中的正向指标的列乘以1，反向指标的列乘以-1，以得到一个正向化的矩阵；其中，所述正向指标为与产品质量成正相关的指标，所述反向指标为与产品质量成负相关的指标。
进一步地，基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果，包括：
将标准化处理后的质量指标数据集分为训练集和待评估数据集；
找到所述训练集中的最优方案和最劣方案；其中，最优方案为训练集中每列中的最大值构成的向量，最劣方案为训练集中每列中的最小值构成的向量；
计算所述待评估数据集中每一批次数据与最优方案和最劣方案间的距离；
基于每一批次数据与最优方案和最劣方案间的距离，通过下式，得到每一批次数据与最优方案的相对接近程度，作为评价当前批次优劣的依据：
其中，Rc表示当前批次数据与最优方案的相对接近程度，D1表示当前批次数据与最劣方案间的距离，D2表示当前批次数据与最优方案间的距离。
另一方面，本发明还提供一种钢铁产品均匀性和综合质量评估***，包括：
数据集获取模块，用于获取待评估数据集；其中，所述待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
均匀性评估指标获取模块，用于基于所述数据集获取模块获取的各批次数据中的温度曲线，计算每一批次数据的温度曲线与规格区域的相对体积，以及每一批次数据的温度曲线与目标温度值的相对距离；
质量指标数据集构建模块，用于将所述均匀性评估指标获取模块计算出的相对体积和所述相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对所述质量指标数据集进行标准化处理，以消除量纲影响；
优劣解距离计算模块，用于采用经过所述质量指标数据集构建模块标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。
再一方面，本发明还提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明通过计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；将标准化处理后的质量指标数据集划分为训练集和待评估数据集，然后计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。从而利用核密度估计的方法解决了非正态工艺数据的均匀性评估问题；将优劣解距离法分为训练和评估两个过程，从而给新批次一个客观的相似度作为多质量指标的综合评价指标。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提供的钢铁产品均匀性和综合质量评估方法的流程示意图；
图2为本发明第二实施例提供的钢铁产品均匀性和综合质量评估方法的流程示意图；
图3为本发明第二实施例提供的优劣解距离法的算法流程图；
图4为本发明第二实施例提供的聚类生成数据分布情况示意图；
图5为本发明第二实施例提供的100个批次的轧制过程温度数据的相对面积示意图；
图6为本发明第二实施例提供的100个批次的轧制过程温度数据的相对距离示意图；
图7为本发明第二实施例提供的多指标雷达图；
图8为本发明第二实施例提供的27个批次的优劣解距离法的综合质量指标与雷达图的面积和体积对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种钢铁产品均匀性和综合质量评估方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该钢铁产品均匀性和综合质量评估方法的执行流程如图1所示，包括以下步骤：
S101，获取待评估数据集；其中，待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
需要说明的是，获取的温度曲线可以包括：开轧温度曲线、精轧温度曲线以及吐丝温度曲线等工艺曲线；获取的质量指标可以包括：当前待评估产品的抗拉强度、断面收缩率、多种标准的直径合格率以及多种标准的不圆度合格率等指标。
S102，基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；
需要说明的是，在计算相对体积和相对距离之前，如果各温度曲线不等长，则需要基于动态曲线规整方法，如动态时间规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等；相对体积可采用核密度估计的方法得到，相对距离则可以采用欧式距离的方法得到。相对体积和相对距离是用于评估工艺参数均匀性的均匀性评估指标；其中，相对体积可以用来描述工艺数据的密集程度，而相对距离则可以用来描述工艺数据的偏离程度。
S103，将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；
需要说明的是，上述对质量指标数据集进行标准化处理的过程包括：对质量指标数据集进行正向化处理，得到正向化的矩阵；对得到的正向化的矩阵进行标准化处理，以消除量纲影响。其中，对质量指标数据集进行正向化处理，得到正向化的矩阵，具体为：将质量指标数据集对应的矩阵中的正向指标的列乘以1，反向指标的列乘以-1，以得到一个正向化的矩阵；其中，正向指标指的是与产品质量成正相关的指标，反向指标指的是与产品质量成负相关的指标。
S104，基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次对应的钢铁产品均匀性和综合质量评估结果。
需要说明的是，上述相对接近程度的计算过程包括：将标准化处理后的质量指标数据集分为训练集和待评估数据集；找到训练集中的最优方案和最劣方案；其中，最优方案为训练集中每列中的最大值构成的向量，最劣方案为训练集中每列中的最小值构成的向量；计算待评估数据集中每一批次数据与最优方案和最劣方案间的距离；基于每一批次数据与最优方案和最劣方案间的距离，通过下式，得到每一批次数据与最优方案的相对接近程度，作为评价当前批次优劣的依据：
其中，Rc表示当前批次数据与最优方案的相对接近程度，D1表示当前批次数据与最劣方案间的距离，D2表示当前批次数据与最优方案间的距离。
综上，本发明通过计算每一批次的温度数据与规格区域的相对体积，以及每一批次的温度数据与目标温度值的相对距离；将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；将标准化处理后的质量指标数据集划分为训练集和待评估数据集，然后计算每一批次数据与最优方案的相对接近程度，以得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。从而利用核密度估计的方法解决了非正态工艺数据的均匀性评估问题；将优劣解距离法分为训练和评估两个过程，从而给新批次一个客观的相似度作为多质量指标的综合评价指标。
第二实施例
本实施例提供了一种钢铁产品均匀性和综合质量评估方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该钢铁产品均匀性和综合质量评估方法的执行流程如图2所示，包括以下步骤：
S101，获取待评估数据集；
需要说明的是，本实施例的待评估数据集可以采用原始数据集，也可以在原始数据集上随机抽取获得。获取的待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；获取的温度曲线可以包括：开轧温度曲线、精轧温度曲线以及吐丝温度曲线等工艺曲线；获取的质量指标可以包括：当前待评估产品的抗拉强度、断面收缩率、多种标准的直径合格率以及多种标准的不圆度合格率等指标。
进一步地，在获取待评估数据集时，本实施例还包括以下过程：如果抗拉强度和断面收缩率有合格区间，应该将区间外的值设置为0，保留在合格区间内的数值。将直径数据转化为统计值。即满足直径标准1的点数与总测点数的比值，满足直径标准2的点数与总测点数的比值，满足直径标准3的点数与总测点数的比值，依次类推。将不圆度数据转化为统计值。即满足不圆度标准1的点数与总测点数的比值，满足不圆度标准2的点数与总测点数的比值，满足不圆度标准3的点数与总测点数的比值，依次类推。
S102，基于动态曲线规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等；
需要说明的是，两个序列整体上具有非常相似的形状，但是这些形状在x轴上并不是对齐的。所以在比较其相似度之前，需要将其中一个(或者两个)序列在时间轴下扭曲以实现对齐。而动态时间弯曲就是实现这种扭曲的一种有效方法。动态时间弯曲通过把时间序列进行延伸和缩短，来计算两个时间序列性之间的相似性。本实施例就是采用动态时间规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等，便于后续操作。
S103，基于核密度估计的方法，计算每一批次数据的温度数据与规格区域的相对体积；
需要说明的是，上述S103具体包括：通过核密度估计的方法拟合多元数据分布，将规格区域划分为多个网格，计算所划分出的多个网格中的每个网格点的概率密度值；将对应的概率密度值大于预设阈值的网格点的点数和网格点的总点数的比值作为相应的温度数据与规格区域的体积比。
核密度估计就是估计概率密度函数，利用众多样本估计其分布，求出其概率密度函数，可以获得任意区间处的概率。因此，核密度估计就是一个从样本到普遍概率密度的过程，然后再用普遍指导具体的问题，该方法适用于非正态数据。
S104，基于欧式距离的方法，计算每一批次数据的温度数据与目标温度值的相对距离；
需要说明的是，利用欧式距离计算温度等工艺曲线与目标值的偏离程度。首先应该将线材长度上的每个点上的三个温度看作一个向量，计算这个向量与目标温度向量的欧式距离，再计算所有测点与目标温度值的平均距离。这个平均距离作为偏离指标。其中在计算向量间的欧式距离时，应该将每种温度的偏差与温度的上下区间相比，从而消除量纲影响。
通过上述S103和S104计算出的相对体积和相对距离是用于评估工艺参数均匀性的均匀性评估指标；其中，相对体积可以用来描述工艺数据的密集程度，而相对距离则可以用来描述工艺数据的偏离程度。
S105，将相对体积和相对距离与对应批次数据中的质量指标组合，形成包含多个批次、对指标的质量指标数据集；
S106，对质量指标数据集进行标准化处理，以消除量纲影响；
需要说明的是，上述对质量指标数据集进行标准化处理的过程包括：对质量指标数据集进行正向化处理，得到正向化的矩阵；对得到的正向化的矩阵进行标准化处理，以消除量纲影响。其中，对质量指标数据集进行正向化处理，得到正向化的矩阵，具体为：将质量指标数据集对应的矩阵中的正向指标的列乘以1，反向指标的列乘以-1，以得到一个正向化的矩阵；其中，正向指标指的是与产品质量成正相关的指标，如抗拉强度、断面收缩率、多种直径合格率、多种不圆度合格率等。反向指标指的是与产品质量成负相关的指标，如相对体积、相对距离。
此外，在标准化处理之前，应该用熵权法计算每个质量指标的客观权重系数。
S107，将标准化处理后的质量指标数据集随机地分为训练集和待评估数据集，并找到训练集中的最优方案和最劣方案；
其中，待评估数据集的比例设为某一百分比，训练集样本数量应该足够大，从而得到的最优方案和最劣方案属于全局最优或者全局最劣而非局部。
其中，最优方案为训练集中每列中的最大值构成的向量，最劣方案为训练集中每列中的最小值构成的向量。
S108，计算待评估数据集中每一批次数据与最优方案和最劣方案间的距离；
S109，基于每一批次数据与最优方案和最劣方案间的距离，计算每一批次数据与最优方案的相对接近程度，作为评价当前批次优劣的依据。
基于每一批次数据与最优方案和最劣方案间的距离，通过下式，得到每一批次数据与最优方案的相对接近程度，作为评价当前批次优劣的依据：
其中，Rc表示当前批次数据与最优方案的相对接近程度，D1表示当前批次数据与最劣方案间的距离，D2表示当前批次数据与最优方案间的距离。
上述S107～S109为优劣解距离法，其流程如图3所示，由于采用该方法时，最优方案和最劣方案来源于训练集，所以最终得到的相对接近程度为一个客观值，不会随待评估数据集的变化而变化。
本实施例将过程能力指数应用到线材等钢铁产品均匀性分析研究中，并用轧制过程温度数据进行验证分析。
本实施例验证用的轧制过程温度数据集包括265个批次，每个批次包含三条不等长的温度曲线：开轧温度曲线、精轧温度曲线、吐丝温度曲线。
对上述验证用的轧制过程温度数据集进行下列处理：
利用动态时间弯曲将三条温度曲线等长处理；利用核密度估计计算温度数据在三维空间中的分布，得到一个概率密度函数；用网格等间距划分规格区域，用上述的概率密度函数计算每个网格交点的概率值；利用欧式距离计算温度数据与目标中心温度值的偏离程度。
为了验证均匀性评估方法的有效性，本实施例采用聚类生成数据来做分析。
聚类数据集包括20*3个样本，包含两个分布中心，每个样本包括400*2个数据点。数据分布情况如图4所示。在模拟数据集中随着均值的变化，均值逐渐偏离目标中心，相对距离呈现上升趋势。标准差的变化对相对距离基本没有影响。在模拟数据集中随着标准差的增加，过程数据的离散程度越来越大，相对面积呈现上升趋势。均值的变化对相对面积基本没有影响。
进一步地，下面以实际数据为例对本实施例的方法作进一步地说明，所用数据集包含265个批次，每个批次有三条不等长的温度线，包括开轧温度线，精轧温度线，吐丝温度线；所述质量数据集包括265个批次线材的抗拉强度、断面收缩率、三种标准的直径合格率和三种标准的不圆度合格率，该方法包括以下步骤：
1)利用动态时间弯曲将三条温度曲线等长处理。
2)利用核密度估计拟合温度数据的多元分布，得到一个概率密度函数。
3)将规格区域划分为100*100*100的网格，计算每个网格点的概率密度值。设置阈值为0.001，概率密度值大于阈值的网格点的点数和网格点的总点数的比值作为过程区域和规格区域的体积比，结果如图5所示。
4)利用欧式距离计算温度数据与目标中心温度值的偏离程度，结果如图6所示。
5)假设对m个批次的n个指标进行评价,建立初始矩阵。
6)将指标矩阵进行归一化处理。将各项指标进行归一化处理。
7)计算各指标的熵权。首先，得到第j个指标的熵定义为：
9)构造规范化矩阵。
10)确定理想点P+和负理想点P-。
11)计算测试数据集中的各批次到理想点和负理想点的距离。
12)计算测试数据集中的各批次与理想解的相对接近度，即评价指数：
式中：Ci∈[0,1]且方案中的Ci越大，则方案越好。
为了验证优劣解距离法综合评价方法的有效性，本实施例将优劣解距离法方法计算的相似度指标与雷达图的面积做对比。多指标雷达图如图7所示。
其中，雷达图的面积计算公式为：
雷达图的周长计算公式为：
对比结果如图8所示，表明通过与雷达图的面积对比，本实施例基于优劣解距离法的综合质量评价可以很好的反应一个批次线材的多方面质量。
第三实施例
本实施例提供了一种钢铁产品均匀性和综合质量评估***，该钢铁产品均匀性和综合质量评估***包括以下模块：
数据集获取模块，用于获取待评估数据集；其中，待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
均匀性评估指标获取模块，用于基于数据集获取模块获取的各批次数据中的温度曲线，计算每一批次数据的温度曲线与规格区域的相对体积，以及每一批次数据的温度曲线与目标温度值的相对距离；
质量指标数据集构建模块，用于将均匀性评估指标获取模块计算出的相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；
优劣解距离计算模块，用于采用经过质量指标数据集构建模块标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。
本实施例的钢铁产品均匀性和综合质量评估***与上述第一实施例的钢铁产品均匀性和综合质量评估方法相对应；其中，本实施例的钢铁产品均匀性和综合质量评估***中的各功能模块所实现的功能与上述第一实施例的钢铁产品均匀性和综合质量评估方法中的各流程步骤一一对应；故，在此不再赘述。
第四实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以下步骤：
S101，获取待评估数据集；其中，待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
S102，基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；
S103，将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；
S104，基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次对应的钢铁产品均匀性和综合质量评估结果。
本实施例的电子设备通过计算每一批次的温度数据与规格区域的相对体积，以及每一批次的温度数据与目标温度值的相对距离；将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；将标准化处理后的质量指标数据集划分为训练集和待评估数据集，然后计算每一批次与最优方案的相对接近程度，以得到当前批次对应的钢铁产品均匀性和综合质量评估结果。从而利用核密度估计的方法解决了非正态工艺数据的均匀性评估问题；将优劣解距离法分为训练和评估两个过程，从而给新批次一个客观的相似度作为多质量指标的综合评价指标。
第五实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行以下步骤：
S101，获取待评估数据集；其中，待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
S102，基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；
S103，将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对质量指标数据集进行标准化处理，以消除量纲影响；
S104，基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次对应的钢铁产品均匀性和综合质量评估结果。
本实施例的存储介质所存储的程序通过计算每一批次的温度数据与规格区域的相对体积，以及每一批次的温度数据与目标温度值的相对距离；将相对体积和相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对数据集进行标准化处理，以消除量纲影响；将标准化处理后的质量指标数据集划分为训练集和待评估数据集，然后计算每一批次与最优方案的相对接近程度，以得到当前批次对应的钢铁产品均匀性和综合质量评估结果。从而利用核密度估计的方法解决了非正态工艺数据的均匀性评估问题；将优劣解距离法分为训练和评估两个过程，从而给新批次一个客观的相似度作为多质量指标的综合评价指标。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述仅是本发明的优选实施方式，应当指出，尽管已描述了本发明的优选实施例，但对于本技术领域的普通技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种钢铁产品均匀性和综合质量评估方法，其特征在于，所述方法包括：
获取待评估数据集；其中，所述待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离；
将所述相对体积和所述相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对所述质量指标数据集进行标准化处理，以消除量纲影响；
基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。
2.如权利要求1所述的钢铁产品均匀性和综合质量评估方法，其特征在于，所述温度曲线包括：开轧温度曲线、精轧温度曲线以及吐丝温度曲线；
所述多个质量指标包括：当前待评估产品的抗拉强度、断面收缩率、多种标准的直径合格率以及多种标准的不圆度合格率。
3.如权利要求1所述的钢铁产品均匀性和综合质量评估方法，其特征在于，所述基于各批次数据中的温度曲线，计算每一批次数据的温度数据与规格区域的相对体积，以及每一批次数据的温度数据与目标温度值的相对距离，包括：
基于动态曲线规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等；
基于核密度估计方法，计算每一批次的温度数据与规格区域的相对体积；
基于欧式距离方法，计算每一批次的温度数据与目标温度值的相对距离。
4.如权利要求3所述的钢铁产品均匀性和综合质量评估方法，其特征在于，所述基于动态曲线规整方法，对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等，包括：
利用动态时间规整方法对各批次数据中的多条不等长的温度曲线进行对齐处理，以使得各温度曲线的长度相等。
5.如权利要求3所述的钢铁产品均匀性和综合质量评估方法，其特征在于，基于核密度估计方法，计算每一批次的温度数据与规格区域的相对体积，包括：
通过核密度估计的方法拟合多元数据分布，将规格区域划分为多个网格，计算所划分出的多个网格中的每个网格点的概率密度值；将对应的概率密度值大于预设阈值的网格点的点数和网格点的总点数的比值作为相应的温度数据与规格区域的体积比，以得到温度数据与规格区域的相对体积。
6.如权利要求3所述的钢铁产品均匀性和综合质量评估方法，其特征在于，基于欧式距离方法，计算每一批次的温度数据与目标温度值的相对距离，包括：
将温度数据与目标温度值的偏差与工艺目标区间相比，以消除量纲影响。
7.如权利要求1所述的钢铁产品均匀性和综合质量评估方法，其特征在于，对所述质量指标数据集进行标准化处理，以消除量纲影响，包括：
对所述质量指标数据集进行正向化处理，得到正向化的矩阵；
对得到的正向化的矩阵进行标准化处理，以消除量纲影响。
8.如权利要求7所述的钢铁产品均匀性和综合质量评估方法，其特征在于，所述对所述质量指标数据集进行正向化处理，得到正向化的矩阵，包括：
将所述质量指标数据集对应的矩阵中的正向指标的列乘以1，反向指标的列乘以-1，以得到一个正向化的矩阵；其中，所述正向指标为与产品质量成正相关的指标，所述反向指标为与产品质量成负相关的指标。
9.如权利要求1所述的钢铁产品均匀性和综合质量评估方法，其特征在于，基于标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果，包括：
将标准化处理后的质量指标数据集分为训练集和待评估数据集；
找到所述训练集中的最优方案和最劣方案；其中，最优方案为训练集中每列中的最大值构成的向量，最劣方案为训练集中每列中的最小值构成的向量；
计算所述待评估数据集中每一批次数据与最优方案和最劣方案间的距离；
基于每一批次数据与最优方案和最劣方案间的距离，通过下式，得到每一批次数据与最优方案的相对接近程度，作为评价当前批次优劣的依据：
其中，Rc表示当前批次数据与最优方案的相对接近程度，D1表示当前批次数据与最劣方案间的距离，D2表示当前批次数据与最优方案间的距离。
10.一种钢铁产品均匀性和综合质量评估***，其特征在于，包括：
数据集获取模块，用于获取待评估数据集；其中，所述待评估数据集中包括多批次数据，每一批次数据分别包括当前待评估产品轧制过程中的多条温度曲线和多个质量指标；
均匀性评估指标获取模块，用于基于所述数据集获取模块获取的各批次数据中的温度曲线，计算每一批次数据的温度曲线与规格区域的相对体积，以及每一批次数据的温度曲线与目标温度值的相对距离；
质量指标数据集构建模块，用于将所述均匀性评估指标获取模块计算出的相对体积和所述相对距离与对应批次数据中的质量指标组合，形成质量指标数据集，并对所述质量指标数据集进行标准化处理，以消除量纲影响；
优劣解距离计算模块，用于采用经过所述质量指标数据集构建模块标准化处理后的质量指标数据集，计算每一批次数据与最优方案的相对接近程度，得到当前批次数据对应的钢铁产品均匀性和综合质量评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739592.4A CN111898903A (zh) | 2020-07-28 | 2020-07-28 | 一种钢铁产品均匀性和综合质量评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739592.4A CN111898903A (zh) | 2020-07-28 | 2020-07-28 | 一种钢铁产品均匀性和综合质量评估方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111898903A true CN111898903A (zh) | 2020-11-06 |
Family
ID=73182492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010739592.4A Pending CN111898903A (zh) | 2020-07-28 | 2020-07-28 | 一种钢铁产品均匀性和综合质量评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898903A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169694A (zh) * | 2021-11-16 | 2022-03-11 | 北京科技大学设计研究院有限公司 | 一种基于大数据平台的过程能力分析方法及装置 |
| CN114580982A (zh) * | 2022-05-07 | 2022-06-03 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备的数据质量的评估方法、装置及设备 |
| CN114861509A (zh) * | 2022-07-07 | 2022-08-05 | 苏州翔楼新材料股份有限公司 | 一种特钢热处理工艺数据处理方法及*** |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105301184A (zh) * | 2015-09-14 | 2016-02-03 | 湖南中烟工业有限责任公司 | 一种制丝批次均质化评价方法 |
| CN105522133A (zh) * | 2015-12-21 | 2016-04-27 | 安徽工业大学 | 一种连铸坯与结晶器铜板粘结行为的判定方法 |
| CN105573279A (zh) * | 2015-12-31 | 2016-05-11 | 广州中国科学院先进技术研究所 | 一种基于传感器数据监测工业生产过程的方法 |
| CN106153835A (zh) * | 2016-08-30 | 2016-11-23 | 云南中烟工业有限责任公司 | 一种采用欧氏距离判定造纸法再造烟叶浆料纤维分布均匀度的方法 |
| CN106682297A (zh) * | 2016-12-21 | 2017-05-17 | 江苏大学 | 一种注塑成型工艺多目标质量综合评价优化方法 |
| US20170169380A1 (en) * | 2015-12-14 | 2017-06-15 | Wipro Limited | Method and System for Determining Quality Level of Performance Data Associated With an Enterprise |
| CN107357269A (zh) * | 2017-06-17 | 2017-11-17 | 湖州师范学院 | 基于混合mpls的多阶段过程质量预报方法 |
| CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学（保定） | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
| CN108120653A (zh) * | 2017-12-13 | 2018-06-05 | 安徽中烟工业有限责任公司 | 一种评价批次间成品卷烟质量稳定性的方法 |
| CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和***、介质 |
| CN108959249A (zh) * | 2018-06-21 | 2018-12-07 | 中国农业科学院农田灌溉研究所 | 一种期刊优秀论文的评价方法 |
| CN109409627A (zh) * | 2018-08-17 | 2019-03-01 | 浙江华云信息科技有限公司 | 一种基于多评估指标的采集终端生产厂商评价方法 |
| CN109409628A (zh) * | 2018-08-17 | 2019-03-01 | 国网浙江省电力有限公司 | 基于计量大数据聚类模型的采集终端生产厂商评价方法 |
| CN110210730A (zh) * | 2019-05-20 | 2019-09-06 | 太原理工大学 | 一种区域综合能源***能效状态评价方法 |
| CN110348652A (zh) * | 2018-04-03 | 2019-10-18 | 普华讯光（北京）科技有限公司 | 配电室运行健康度的量化评估方法 |
| CN110795463A (zh) * | 2019-06-27 | 2020-02-14 | 浙江大学 | 面向电力***暂态分析的海量时间序列数据可视化方法 |
| CN111080835A (zh) * | 2019-11-04 | 2020-04-28 | 北京科技大学 | 基于灰色综合关联度的热轧带钢楔形缺陷诊断方法及*** |
| CN111191667A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 基于多尺度生成对抗网络的人群计数方法 |
| CN111310789A (zh) * | 2020-01-15 | 2020-06-19 | 云南电网有限责任公司大理供电局 | 基于核密度估计的风电功率区间预测方法及其实现*** |
-
2020
- 2020-07-28 CN CN202010739592.4A patent/CN111898903A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105301184A (zh) * | 2015-09-14 | 2016-02-03 | 湖南中烟工业有限责任公司 | 一种制丝批次均质化评价方法 |
| US20170169380A1 (en) * | 2015-12-14 | 2017-06-15 | Wipro Limited | Method and System for Determining Quality Level of Performance Data Associated With an Enterprise |
| CN105522133A (zh) * | 2015-12-21 | 2016-04-27 | 安徽工业大学 | 一种连铸坯与结晶器铜板粘结行为的判定方法 |
| CN105573279A (zh) * | 2015-12-31 | 2016-05-11 | 广州中国科学院先进技术研究所 | 一种基于传感器数据监测工业生产过程的方法 |
| CN106153835A (zh) * | 2016-08-30 | 2016-11-23 | 云南中烟工业有限责任公司 | 一种采用欧氏距离判定造纸法再造烟叶浆料纤维分布均匀度的方法 |
| CN106682297A (zh) * | 2016-12-21 | 2017-05-17 | 江苏大学 | 一种注塑成型工艺多目标质量综合评价优化方法 |
| CN107357269A (zh) * | 2017-06-17 | 2017-11-17 | 湖州师范学院 | 基于混合mpls的多阶段过程质量预报方法 |
| CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学（保定） | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
| CN108120653A (zh) * | 2017-12-13 | 2018-06-05 | 安徽中烟工业有限责任公司 | 一种评价批次间成品卷烟质量稳定性的方法 |
| US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
| CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和***、介质 |
| CN110348652A (zh) * | 2018-04-03 | 2019-10-18 | 普华讯光（北京）科技有限公司 | 配电室运行健康度的量化评估方法 |
| CN108959249A (zh) * | 2018-06-21 | 2018-12-07 | 中国农业科学院农田灌溉研究所 | 一种期刊优秀论文的评价方法 |
| CN109409628A (zh) * | 2018-08-17 | 2019-03-01 | 国网浙江省电力有限公司 | 基于计量大数据聚类模型的采集终端生产厂商评价方法 |
| CN109409627A (zh) * | 2018-08-17 | 2019-03-01 | 浙江华云信息科技有限公司 | 一种基于多评估指标的采集终端生产厂商评价方法 |
| CN111191667A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 基于多尺度生成对抗网络的人群计数方法 |
| CN110210730A (zh) * | 2019-05-20 | 2019-09-06 | 太原理工大学 | 一种区域综合能源***能效状态评价方法 |
| CN110795463A (zh) * | 2019-06-27 | 2020-02-14 | 浙江大学 | 面向电力***暂态分析的海量时间序列数据可视化方法 |
| CN111080835A (zh) * | 2019-11-04 | 2020-04-28 | 北京科技大学 | 基于灰色综合关联度的热轧带钢楔形缺陷诊断方法及*** |
| CN111310789A (zh) * | 2020-01-15 | 2020-06-19 | 云南电网有限责任公司大理供电局 | 基于核密度估计的风电功率区间预测方法及其实现*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169694A (zh) * | 2021-11-16 | 2022-03-11 | 北京科技大学设计研究院有限公司 | 一种基于大数据平台的过程能力分析方法及装置 |
| CN114580982A (zh) * | 2022-05-07 | 2022-06-03 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备的数据质量的评估方法、装置及设备 |
| CN114861509A (zh) * | 2022-07-07 | 2022-08-05 | 苏州翔楼新材料股份有限公司 | 一种特钢热处理工艺数据处理方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898903A (zh) | 一种钢铁产品均匀性和综合质量评估方法及*** | |
| KR101930420B1 (ko) | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
| CN109351785B (zh) | 一种轧制力优化方法及装置 | |
| CN104657955B (zh) | 基于核函数的数字图像相关方法的位移场迭代平滑方法 | |
| CN107679328B (zh) | 一种***参数识别的最优传感器布置方法 | |
| CN105868164A (zh) | 一种基于有监督的线性动态***模型的软测量建模方法 | |
| CN116523908B (zh) | 基于卷料涂布生产线的安全生产方法、***、设备及介质 | |
| CN112241832B (zh) | 一种产品质量分级评价标准设计方法及*** | |
| CN114757660A (zh) | 一种基于应用分析的冷轧钢带制备方法及*** | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| JP5715445B2 (ja) | 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的***和方法 | |
| CN111506878B (zh) | 基于暂降***指标随机样本估计的节点数量选择装置及方法 | |
| CN117610195A (zh) | 一种带钢宽展的预测方法、装置、介质以及电子设备 | |
| CN113052256B (zh) | 一种风向聚类方法、装置及电子设备 | |
| CN116108932A (zh) | 一种钢铁生产过程数据和机理融合模型建立方法 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN115270861A (zh) | 一种产品成分数据监测方法、装置、电子设备及存储介质 | |
| CN111985826B (zh) | 一种多指标工业产品的可视化质量分级方法和*** | |
| CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
| Arndt et al. | Analysis of Efficiency in Response Surface Designs Considering Orthogonality Deviations and Cost Models | |
| CN117648657B (zh) | 一种城市规划多源数据优化处理方法 | |
| Tung | Optimizing two‐variable gamma accelerated degradation tests with a semi‐analytical approach |
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 |