CN114167287A - 一种基于神经网络的电池组分选方法、装置及电子设备 - Google Patents

一种基于神经网络的电池组分选方法、装置及电子设备 Download PDF

Info

Publication number
CN114167287A
CN114167287A CN202111397460.9A CN202111397460A CN114167287A CN 114167287 A CN114167287 A CN 114167287A CN 202111397460 A CN202111397460 A CN 202111397460A CN 114167287 A CN114167287 A CN 114167287A
Authority
CN
China
Prior art keywords
neural network
battery
sorted
batteries
network model
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
CN202111397460.9A
Other languages
English (en)
Inventor
许开华
张宇平
别传玉
刘虹灵
宋华伟
张阳琳
阳婕
李晨威
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.)
GEM Co Ltd China
Original Assignee
GEM Co Ltd China
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 GEM Co Ltd China filed Critical GEM Co Ltd China
Priority to CN202111397460.9A priority Critical patent/CN114167287A/zh
Publication of CN114167287A publication Critical patent/CN114167287A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于神经网络的电池组分选方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取电池的内部参数，根据所述电池的内部参数生成数据集；构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。本发明提供的基于神经网络的电池组分选方法，简化了电池组分选的过程，提高了电池组分选的精确度。

Description

一种基于神经网络的电池组分选方法、装置及电子设备
技术领域
本发明涉及电池组分选技术领域，尤其涉及一种基于神经网络的电池组分选方法、装置、电子设备及计算机可读存储介质。
背景技术
随着新能源产业增长迅速，电池的报废量也逐渐增多，电池的回收和利用问题迫在眉睫，电池的回收和利用大多是将电池通过串联和并联的方式组成电池组来进行工作，保证电池组内的单体电池性能具有一致性尤为重要。
现有的电池组分选方法通常采用特征曲线法等测试手段，还有采用通过对单体电池进行充放电，获得充放电曲线，根据充放电曲线确定分选标准的方法，从而保证性能一致的单体电池能够进行配组，但这种电池组分选方法较为复杂、精确度也不高。
发明内容
有鉴于此，有必要提供一种基于神经网络的电池组分选方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中电池组分选的精确度不高的问题。
为了解决上述问题，本发明提供一种基于神经网络的电池组分选方法，包括：
获取电池的内部参数，根据所述电池的内部参数生成数据集；
构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
进一步地，包括：
所述电池的内部参数为电池的电压和内阻。
进一步地，构建神经网络模型，包括：
利用输入层、竞争层及输出层构建自组织竞争神经网络模型。
进一步地，包括：
所述自组织竞争神经网络模型的竞争层个数为N，N≥2，每一个竞争层的神经元个数为m，m≥2。
进一步地，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池，包括：
获取所述待分选电池的电池容量，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，得到初次分选后的电池；
利用所述训练完备的神经网络模型对所述初次分选后的电池进行二次分选，得到分选后的电池。
进一步地，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，包括：
根据所述待分选电池的电池容量对所述待分选电池按照设定标准进行初次分选。
进一步地，还包括：
判断所述分选后的电池是否满足设定检验条件，若满足则标记为合格电池，若不满足则标记为不合格电池。
本发明还提供一种基于神经网络的电池组分选装置，包括数据获取模块、模型训练模块及电池配组模块；
所述数据获取模块，用于获取电池的内部参数，根据所述电池的内部参数生成数据集；
所述模型训练模块，用于构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
所述电池配组模块，用于获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的基于神经网络的电池组分选方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于神经网络的电池组分选方法。
采用上述实施例的有益效果是：本发明提供的基于神经网络的电池组分选方法，通过构建神经网络模型，利用神经网络模型对待分选电池进行分选，简化了电池组分选的过程，提高了电池组分选的精确度。
附图说明
图1为本发明提供的基于神经网络的电池组分选装置的应用场景示意图；
图2为本发明提供的基于神经网络的电池组分选方法一实施例的流程示意图；
图3为本发明实施例中提供的自组织竞争神经网络模型的结构框图；
图4为本发明提供的基于神经网络的电池组分选装置一实施例的结构框图；
图5为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明提供了一种基于神经网络的电池组分选方法、装置、电子设备及计算机可读存储介质，以下分别进行详细说明。
图1为本发明提供的基于神经网络的电池组分选装置的应用场景示意图，该***可以包括服务器100，服务器100中集成有基于神经网络的电池组分选装置，如图1中的服务器。
本发明实施例中服务器100主要用于：
获取电池的内部参数，根据所述电池的内部参数生成数据集；
构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该基于神经网络的电池组分选装置还可以包括一个或多个其他终端，具体此处不作限定。
另外，参照图1所示，该基于神经网络的电池组分选装置还可以包括存储器200，用于存储数据，如电池的内部参数等数据。
需要说明的是，图1所示的基于神经网络的电池组分选装置的场景示意图仅仅是一个示例，本发明实施例描述的基于神经网络的电池组分选装置以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于神经网络的电池组分选装置的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
本发明实施例提供了一种基于神经网络的电池组分选方法，其流程示意图，如图2所示，所述基于神经网络的电池组分选方法包括：
步骤S201、获取电池的内部参数，根据所述电池的内部参数生成数据集；
步骤S202、构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
步骤S203、获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
需要说明的是，通过构建神经网络模型，利用神经网络模型对待分选电池进行分选，简化了电池组分选的过程，提高了电池组分选的精确度。
作为一个优选的实施例，包括：
所述电池的内部参数为电池的电压和内阻。
作为一个优选的实施例，构建神经网络模型，包括：
利用输入层、竞争层及输出层构建自组织竞争神经网络模型。
一个具体的实施例中，自组织竞争神经网络模型的结构框图，如图3所示。
作为一个优选的实施例，包括：
所述自组织竞争神经网络模型的竞争层个数为N，N≥2，每一个竞争层的神经元个数为m，m≥2。
一个具体的实施例中，N＝3,m＝5。
作为一个优选的实施例，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池，包括：
获取所述待分选电池的电池容量，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，得到初次分选后的电池；
利用所述训练完备的神经网络模型对所述初次分选后的电池进行二次分选，得到分选后的电池。
需要说明的是，对待分选电池进行初次分选，能够简化电池分选的过程，利用训练完备的神经网络模型进行二次分选，能够提高电池分选的准确性。
作为一个优选的实施例，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，包括：
根据所述待分选电池的电池容量对所述待分选电池按照设定标准进行初次分选。
一个具体的实施例中，对待分选电池按照电池容量0-100％等间距分为A级、B级、C级、D级及E级5个等级，A级为电池容量为80-100％，B级为电池容量为60-80％，C级为电池容量为40-60％，D级为电池容量为20-40％，E级为电池容量为0-20％。
作为一个优选的实施例，还包括：
判断所述分选后的电池是否满足设定检验条件，若满足则标记为合格电池，若不满足则标记为不合格电池。
一个具体的实施例中，设定检验条件为将所述分选后的电池充电至80-100％的荷电状态后静置1小时，获取静置后的电池的电压，电池的电压在30-200mV范围内为合格电池，将合格电池进行电池配组，将不合格电池剔除。
本发明实施例提供了一种基于神经网络的电池组分选装置，其结构框图，如图4所示，所述基于神经网络的电池组分选装置包括数据获取模块401、模型训练模块402及电池配组模块403；
所述数据获取模块401，用于获取电池的内部参数，根据所述电池的内部参数生成数据集；
所述模型训练模块402，用于构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
所述电池配组模块403，用于获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
如图5所示，上述基于神经网络的电池组分选方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于神经网络的电池组分选程序40，该基于神经网络的电池组分选程序40可被处理器10所执行，从而实现本发明各实施例的基于神经网络的电池组分选方法。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行基于神经网络的电池组分选程序等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过***总线相互通信。
在一实施例中，当处理器10执行存储器20中基于神经网络的电池组分选程序40时实现以下步骤：
获取电池的内部参数，根据所述电池的内部参数生成数据集；
构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
本实施例还提供了一种计算机可读存储介质，其上存储有基于神经网络的电池组分选程序，基于神经网络的电池组分选程序被处理器执行时实现以下步骤：
获取电池的内部参数，根据所述电池的内部参数生成数据集；
构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
本发明公开的一种基于神经网络的电池组分选方法、装置、电子设备及计算机可读存储介质，通过构建神经网络模型，利用神经网络模型对待分选电池进行分选，简化了电池组分选的过程，提高了电池组分选的精确度，对分选后的电池进行判断保证了电池组内的电池性能具有一致性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的电池组分选方法，其特征在于，包括：
获取电池的内部参数，根据所述电池的内部参数生成数据集；
构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
2.根据权利要求1所述的基于神经网络的电池组分选方法，其特征在于，包括：
所述电池的内部参数为电池的电压和内阻。
3.根据权利要求1所述的基于神经网络的电池组分选方法，其特征在于，构建神经网络模型，包括：
利用输入层、竞争层及输出层构建自组织竞争神经网络模型。
4.根据权利要求3所述的基于神经网络的电池组分选方法，其特征在于，包括：
所述自组织竞争神经网络模型的竞争层个数为N，N≥2，每一个竞争层的神经元个数为m，m≥2。
5.根据权利要求1所述的基于神经网络的电池组分选方法，其特征在于，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池，包括：
获取所述待分选电池的电池容量，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，得到初次分选后的电池；
利用所述训练完备的神经网络模型对所述初次分选后的电池进行二次分选，得到分选后的电池。
6.根据权利要求5所述的基于神经网络的电池组分选方法，其特征在于，根据所述待分选电池的电池容量对所述待分选电池进行初次分选，包括：
根据所述待分选电池的电池容量对所述待分选电池按照设定标准进行初次分选。
7.根据权利要求1所述的基于神经网络的电池组分选方法，其特征在于，还包括：
判断所述分选后的电池是否满足设定检验条件，若满足则标记为合格电池，若不满足则标记为不合格电池。
8.一种基于神经网络的电池组分选装置，其特征在于，包括数据获取模块、模型训练模块及电池配组模块；
所述数据获取模块，用于获取电池的内部参数，根据所述电池的内部参数生成数据集；
所述模型训练模块，用于构建神经网络模型，利用所述数据集对所述神经网络模型进行训练，得到训练完备的神经网络模型；
所述电池配组模块，用于获取待分选电池，根据所述待分选电池和所述训练完备的神经网络模型得到分选后的电池。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的基于神经网络的电池组分选方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如权利要求1-7任一所述的基于神经网络的电池组分选方法。
CN202111397460.9A 2021-11-23 2021-11-23 一种基于神经网络的电池组分选方法、装置及电子设备 Pending CN114167287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397460.9A CN114167287A (zh) 2021-11-23 2021-11-23 一种基于神经网络的电池组分选方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397460.9A CN114167287A (zh) 2021-11-23 2021-11-23 一种基于神经网络的电池组分选方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114167287A true CN114167287A (zh) 2022-03-11

Family

ID=80480672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397460.9A Pending CN114167287A (zh) 2021-11-23 2021-11-23 一种基于神经网络的电池组分选方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114167287A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
CN110070171A (zh) * 2019-03-29 2019-07-30 中国科学院深圳先进技术研究院 基于神经网络的分类方法、装置、终端及可读介质
CN110224192A (zh) * 2019-05-30 2019-09-10 安徽巡鹰新能源科技有限公司 一种梯次利用动力电池寿命预测方法
US20200320379A1 (en) * 2019-04-02 2020-10-08 International Business Machines Corporation Training transfer-focused models for deep learning
CN112686380A (zh) * 2020-12-28 2021-04-20 江苏宝航能源技术有限公司 基于神经网络的梯次动力电芯一致性评估方法和***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
CN110070171A (zh) * 2019-03-29 2019-07-30 中国科学院深圳先进技术研究院 基于神经网络的分类方法、装置、终端及可读介质
US20200320379A1 (en) * 2019-04-02 2020-10-08 International Business Machines Corporation Training transfer-focused models for deep learning
CN110224192A (zh) * 2019-05-30 2019-09-10 安徽巡鹰新能源科技有限公司 一种梯次利用动力电池寿命预测方法
CN112686380A (zh) * 2020-12-28 2021-04-20 江苏宝航能源技术有限公司 基于神经网络的梯次动力电芯一致性评估方法和***

Similar Documents

Publication Publication Date Title
CN116094548B (zh) 基于测试数据的电缆传输性能分析方法、装置及电子设备
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN112380344A (zh) 文本分类的方法、话题生成的方法、装置、设备及介质
CN113671401A (zh) 一种基于优化算法与数据驱动的锂电池健康状态评估方法
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN111768096A (zh) 基于算法模型的评级方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN114490964A (zh) 基于知识图谱的土壤肥力知识问答方法、***、设备及介质
CN114167287A (zh) 一种基于神经网络的电池组分选方法、装置及电子设备
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
US20210360001A1 (en) Cluster-based near-duplicate document detection
CN105630762A (zh) 辨识机密数据的方法及电子装置
CN112269875A (zh) 文本分类方法、装置、电子设备及存储介质
CN114660468A (zh) 一种退役电池荷电状态预测方法、装置及电子设备
CN116626504A (zh) 动力电池性能确定方法、装置、计算机设备和存储介质
CN114780673B (zh) 基于领域匹配的科技成果管理方法和科技成果管理平台
CN113850500A (zh) 基于de-bp神经网络的物流风险预警方法、装置及电子设备
CN113837582A (zh) 城市道路交通安全关键风险识别方法、装置及电子设备
CN113996563A (zh) 一种基于电化学阻抗谱的电池分选方法、装置及电子设备
CN114192444B (zh) 一种基于聚类算法的电池分选方法、装置及电子设备
CN113486238A (zh) 基于用户画像的信息推送方法、装置、设备及存储介质
CN114563717A (zh) 一种电池容量分选方法、装置、电子设备及存储介质
CN113996562A (zh) 一种基于伏安特性曲线的电池分选方法、装置及电子设备
CN117590260B (zh) 船用锂离子动力电池荷电状态估计方法、装置及电子设备
CN116794533B (zh) 一种电芯容量分档方法和相关产品

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