Інтелектуальна система аналізу процесів споживання заряду акумуляторними батареями

Для отримання вимірюваних даних з АКТЗ використано протокол OPC UA. Інформативні компоненти вектора даних визначені на підставі вимірювань та перетворені в придатний формат для подальшого опрацювання. Стандартний OPC UA клієнт повертає лише зміни даних для налаштованих властивостей. На рис. 3 подано основне вікно об'єктів OPC UA, що відображають інформацію, надіслані фрейми.

Рис. 3. Об 'єкти OPC UA, що відображають інформацію, надіслані фрейми

Дані з АКТЗ записані в базу даних на сервері, розташованому на фірмі AUIT в Польщі. Доступ до цих історичних даних здійснювався віддалено. Фрейми визначені згідно із ідентифікатором ID = 6000, який складався із сигналів та статусів усіх пристроїв, розміщених на АКТЗ. Після встановлення параметрів для читання дані розмістили у хмарі. Потім їх записували у файл із розширенням csv за допомогою UA Expert. Отримані результати фрейму зберігали локально для подальшого опрацювання. Однак для створення наборів даних ТТТНМ з метою навчання та тестування потрібні були історичні дані для всіх інформативних параметрів. На рис. 4 наведено приклади основних сигналів АКТЗ, отриманих за допомогою UA Expert.

Рис. 4. Приклади основних сигналів АКТЗ:

Як видно на рис. 4, в сигналах є викиди, які спричинять істотні похибки під час навчання ШНМ. Щоб їх вилучити, необхідно виконати дисперсійний аналіз для кожного параметра АКТЗ. Для цього створено гістограму для кожного параметра. Експериментально встановлено, що всі значення, для яких сигма перевищувала 1,5, можна вважати випадковими викидами. Всі ці значення замінили ковзним середнім за 12 точками. Це значення встановили експериментально як оптимальне. Воно дорівнювало кількості входів для ШМН, а також ширині часового вікна. У зв'язку із застосуванням ковзного середнього необхідно відкинути перші 12 і останні 12 значень для кожного параметра. Результати реалізації запропонованого методу усунення частково втрачених даних подано на рис. 5.

Оскільки АКТЗ є джерелом великої кількості інформації, то виникає необхідність у виборі лише параметрів із високою кореляцією. Щоб визначити лінійні кореляційні залежності між параметрами, які впливають на розряджання акумуляторної батареї АКТЗ, використали коефіцієнт кореляції Пірсона. Для цього склали матрицю кореляційних залежностей для основних параметрів АКТЗ. Параметри з високою додатною і від'ємною кореляційною залежністю набувають значення кореляції від 0,5 до 1,0 та від -1,0 до -0,5 відповідно. Середня кореляційна залежність додатних та від'ємних параметрів - від 0,3 до 0,5 та від -0,5 до -0,3 відповідно. Тому для навчання ШНМ використовуватимемо параметри лише з високою та середньою додатною кореляційною залежністю. Оскільки значення параметрів містяться у різних діапазонах, необхідно їх нормалізувати. Якщо значення всіх параметрів в одному діапазоні значень, це істотно зменшувало б помилки під час навчання ШНМ. Нормалізацію здійснено мовою Python за допомогою MinMaxScaler() - функції з бібліотеки scikit-learn. Вона перетворює дані так, щоб їх значення містилися в діапазоні від 0 до 1. Також нормалізація даних допомагає зменшити вплив шуму і підвищити точність результатів.

Навчання та прогноз реалізували, застосувавши ШНМ із глибинним навчанням. Для її реалізації використали Keras - відкриту бібліотеку нейронної мережі, яка працює на основі TensorFlow. Цю бібліотеку вибрано через практичність її високорівневого, інтуїтивно зрозумілого набору абстракцій, модульності та широкої функціональності. Для навчання моделі використано метод “fit”, якому вказували цільові дані, розмір партії та кількість епох навчання. Для вхідного та вихідного шарів використовували функцію лінійної активації, а для прихованого шару - функцію ReLU. Продуктивність оцінювали за допомогою середньої квадратичної помилки (MSE), що розраховували як квадрат середньої різниці між прогнозованими та фактичними спостереженнями. Алгоритм Адама використовували як оптимізатор із середньою абсолютною відсотковою помилкою (MAPE) як метрикою. MAPE - це середнє значення абсолютної різниці між прогнозованими та фактичними спостереженнями, виражене у відсотках. Для оцінювання моделі використано функцію “evaluate”. Структуру ШНМ з глибинним навчанням, яку було використано, наведено на рис. 6.

Рис. 5. Результати використання запропонованого методу для виявлення та усунення випадкових викидів у сигналах АКТЗ

Підсумуємо основні висновки цієї статті. Розроблено інтелектуальну систему аналізу процесів споживання заряду акумуляторними батареями АКТЗ з попередньою верифікацією даних. Вона виявляє та доповнює частково втрачені дані, встановлює кореляційні залежності між параметрами та здійснює нейромережеве прогнозування споживання заряду акумуляторної батареї в межах одного агрегату. Її тестування продемонструвало високу ефективність результатів розробленої системи для середньо- та короткотермінового прогнозу споживання заряду акумуляторної батареї на прикладі АКТЗ Formaica 1. Експериментально встановлено підвищення точності порівняно з наявними засобами прогнозу споживання заряду акумуляторної батареї для різнотипних АКТЗ.

Подальші дослідження можуть бути спрямовані на застосування інших типів даних для підвищення точності прогнозування падіння споживання заряду акумуляторної батареї для АКТЗ та прогнозування інших параметрів електричної системи за допомогою запропонованої моделі ШНМ. Також заплановано використовувати неітераційні нейронні мережі для застосування розробленої інтелектуальної нейромережевої системи в онлайн-режимі. Тоді її можна буде застосовувати в реальних виробничих умовах з можливістю швидкого перенавчання на нових даних.

Список літератури

1. Chol, J., & Gun, C. R. (2023). Multi-agent based scheduling method for tandem automated guided vehicle

systems. Engineering Applications of Artificial Intelligence, 123. DOI: 10.1016/j.engappai.2023.106229.

2. De Ryck, M., Versteyhe, M., & Debrouwere, F. (2020). Automated guided vehicle systems, state-of-

the-art control algorithms and techniques. Journal of Manufacturing Systems, 54, 152-173. DOI:

10.1016/j.jmsy.2019.12.002.

3. Liang, Z., Wang, Z., Zhao, J., Wong, P. K., Yang, Z., & Ding, Z. (2023). Fixed-time prescribed

performance path-following control for autonomous vehicle with complete unknown parameters. IEEE Transactions on Industrial Electronics, 70(8), 8426-8436. DOI: 10.1109/TIE.2022.3210544.

4. Li, L., Li, Y., Liu, R., Zhou, Y., & Pan, E. (2023). A two-stage stochastic programming for AGV scheduling with random tasks and battery swapping in automated container terminals. Transportation Research Part E: Logistics and Transportation Review, 174. DOI: 10.1016/j.tre.2023.103110.

5. Oyekanlu, E. A., Smith, A. C., Thomas, W. P., Mulroy, G., Hitesh, D., Ramsey, M., . . . Sun, D. (2020). A review of recent advances in automated guided vehicle technologies: Integration challenges and research areas for 5G- based smart manufacturing applications. IEEE Access, 8, 202312-202353. DOI: 10.1109/ACCESS.2020.3035729.

6. Theunissen, J., Xu, H., Zhong, R. Y., & Xu, X. (2019). Smart AGV system for manufacturing shopfloor in the context of industry 4.0. Paper presented at the Proceedings of the 2018 25th International Conference on Mechatronics and Machine Vision in Practice, M2VIP 2018. DOI: 10.1109/M2VIP.2018.8600887 Retrieved from www.scopus.com.

7. Sanogo, K., Mekhalef Benhafssa, A., Sahnoun, M., Bettayeb, B., Abderrahim, M., & Bekrar, A. (2023). A multi-agent system simulation based approach for collision avoidance in integrated job-shop scheduling problem with transportation tasks. Journal of Manufacturing Systems, 68, 209-226. DOI: 10.1016/j.jmsy.2023.03.011.

8. Martinez? gutierrez, A., DiezDgonzalez, J., Ferrero ?guillen, R., Verde, P., Alvarez, R., & Perez, H.

(2021). Digital twin for automatic transportation in industry 4.0. Sensors, 21(10). DOI: 10.3390/s21103344.

9. Ha, V. T., Thuong, T. T., & Ha, V. T. (2023). Experiment study of an automatic guided vehicle robot.

International Journal of Power Electronics and Drive Systems, 14(2), 1300-1308. DOI: 10.11591/

ijpeds.v14.i2.pp1300-1308.

10. D'Souza, F., Costa, J., & Pires, J. N. (2020). Development of a solution for adding a collaborative robot to an industrial AGV. Industrial Robot, 47(5), 723-735. DOI: 10.1108/IR-01-2020-0004.

11. Rahman, H. F., Janardhanan, M. N., & Nielsen, P. (2020). An integrated approach for line balancing and AGV scheduling towards smart assembly systems. Assembly Automation, 40(2), 219-234. DOI: 10.1108/AA-03-2019- 0057.

12. Steclik, T., Cupek, R., & Drewniak, M. (2022). Automatic grouping of production data in industry 4.0: The use case of internal logistics systems based on automated guided vehicles. Journal of Computational Science, 62. DOI: 10.1016/j.jocs.2022.101693.

13. Cupek, R., Lin, J. C., & Syu, J. H. (2022). Automated guided vehicles challenges for artificial intelligence. Paper presented at the Proceedings-2022 IEEE International Conference on Big Data, Big Data, 6281-6289. DOI: 10.1109/BigData55660.2022.10021117. Retrieved from www.scopus.com.

14. Steclik, T., Cupek, R., & Drewniak, M. (2022). Stream data clustering for engineering applications a use case of autonomous guided vehicles. Paper presented at the Proceedings-2022 IEEE International Conference on Big Data, Big Data, 6347-6356. DOI: 10.1109/BigData55660.2022.10020484. Retrieved from www.scopus.com.

15. Shubyn, B., Kostrzewa, D., Grzesik, P., Benecki, P., Maksymyuk, T., Sunderam, V., . . . Mrozek, D. (2023). Federated learning for improved prediction of failures in autonomous guided vehicles. Journal of Computational Science, 68. DOI: 10.1016/j.jocs.2023.101956.

16. Syu, J., Lin, J. C., & Mrozek, D. (2022). An efficient and secured energy management system for automated guided vehicles. Paper presented at the Proceedings-2022 IEEE International Conference on Big Data, Big Data, 63576363. DOI: 10.1109/BigData55660.2022.10020806. Retrieved from www.scopus.com.

17. Benecki, P., Kostrzewa, D., Grzesik, P., Shubyn, B., & Mrozek, D. (2022). Forecasting of energy

consumption for anomaly detection in automated guided vehicles: Models and feature selection. Paper presented at the Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics, 2022 October, 20732079. DOI: 10.1109/SMC53654.2022.9945146. Retrieved from www.scopus.com.

18. Shubyn, B., Mrozek, D., Maksymyuk, T., Sunderam, V., Kostrzewa, D., Grzesik, P., & Benecki, P. (2022). Federated learning for Anomaly detection in Industrial IoT -enabled production environment supported by Autonomous guided vehicles. DOI: 10.1007/978-3-031-08760-8_35. Retrieved from www.scopus.com.

19. Smith, J. D., & Johnson, K. (2018). Intelligent control of AGV for automated manufacturing systems.

International Journal of Advanced Manufacturing Technology, 96(9-12), 4349-4360. DOI: 10.1007/s00170-018- 1752-0.

20. Lee, S. H., Kim, J., & Park, J. (2020). An Intelligent Routing Algorithm for AGV in Manufacturing

Environment. Journal of Manufacturing Systems, 56, 104-113. DOI: 10.1016/j.jmsy.2020.08.004.

21. Wang, Y., Li, X., Li, J., & Li, Z. (2019). An Intelligent Control Method for AGV Material Handling

System. International Journal of Advanced Manufacturing Technology, 105(5-6), 1945-1954. DOI: 10.1007/s00170- 019-03987-5.

22. Medykovskvi, M., Pavliuk, O., & Sydorenko, R. (2018). Use of machine learning technologies for the

electric consumption forecast. Paper presented at the International Scientific and Technical Conference on Computer Sciences and Information Technologies, 1432-1435. DOI: 10.1109/STC-CSIT.2018.8526617.

23. Li, X., Chen, Y., & Zhang, Y. (2021). Real-time scheduling of AGV with machine learning and

optimization techniques. Proceedings of the 2021 International Conference on Robotics and Automation Sciences (ICRAS 2021), 245-251. DOI: 10.1109/ICRAS51812.2021.9433069.

24. Lee, J., Kim, H., & Park, J. (2020). Intelligent Collision Avoidance for AGV in Warehouse Environment. Journal of Intelligent & Robotic Systems, 98(3), 591-603. DOI: 10.1007/s10846-019-01080-5.

25. Liu, Y., Sun, S., Cai, W., & Guo, B. (2021). A Real-Time Dynamic Scheduling Algorithm for AGV based

on Multi-objective Optimization. IEEE Transactions on Industrial Informatics, 17(7), 4562-4571. DOI:

10.1109/TII.2020.3021667.

26. Wang, Y., Liu, S., & Zhao, Y. (2022). Intelligent routing of AGV in a manufacturing environment: A

comparative study. Journal of Manufacturing Systems, 64, 48-58. DOI: 10.1016/j.jmsy.2021.11.010.

27. Kim, S., Park, J., & Lee, S. (2020). Smart Control of AGV in Manufacturing Industry Using Artificial

Intelligence. International Conference on Control, Automation and Systems (ICCAS), 1326-1331. DOI:

10.23919/ICCAS50221.2020.9268034.

28. Li, J., Liu, Y., & Jiang, S. (2018). A survey of intelligent vehicle routing and scheduling problem in

automated manufacturing systems. International Journal of Advanced Manufacturing Technology, 96(1-4), 259-276. DOI: 10.1007/s00170-018-1928-x.

29. Arya, S., & Chauhan, S. S. (2021). A hybrid model of Fuzzy Logic and A* Algorithm for AGV navigation in flexible manufacturing systems. International Journal of Computational Intelligence Systems, 14(1), 1215-1226. DOI: 10.2991/ijcis.d.210414.001.

30. Bhatia, A., Singh, A., & Luthra, S. (2020). Adaptive routing and scheduling of automated guided vehicles using a simulation-based optimization approach. Robotics and Computer-Integrated Manufacturing, 63, 101911. DOI: 10.1016/j.rcim.2019.101911.

31. Bhatia, A., Singh, A., & Luthra, S. (2020). Adaptive routing and scheduling of automated guided vehicles using a simulation-based optimization approach. Robotics and Computer-Integrated Manufacturing, 63, 101911. DOI: 10.1016/j.rcim.2019.101911.

32. Li, C., Chen, Y., Zhang, Y., & Li, C. (2020). A dynamic path planning algorithm for automated guided vehicles in a real-time dynamic environment. Journal of Advanced Transportation, 2020, 1-11. DOI: 10.1155/2020/8874826.

33. Pavliuk, O., Steclik, T., & Biernacki, P. (2019). The forecast of the AGV battery discharging via the

machine learning methods. 2019 IEEE International Conference on Industrial Technology (ICIT), 767-772. DOI: 10.1109/ICIT.2019.8754875.

References

1. Chol, J., & Gun, C. R. (2023). Multi-agent based scheduling method for tandem automated guided vehicle systems. Engineering Applications of Artificial Intelligence, 123. DOI: 10.1016/j.engappai.2023.106229.

2. De Ryck, M., Versteyhe, M., & Debrouwere, F. (2020). Automated guided vehicle systems, state-of-the-art control algorithms and techniques. Journal of Manufacturing Systems, 54, 152-173. DOI: 10.1016/j.jmsy.2019.12.002.

3. Liang, Z., Wang, Z., Zhao, J., Wong, P. K., Yang, Z., & Ding, Z. (2023). Fixed-time prescribed performance path-following control for autonomous vehicle with complete unknown parameters. IEEE Transactions on Industrial Electronics, 70(8), 8426-8436. DOI: 10.1109/TIE.2022.3210544.

4. Li, L., Li, Y., Liu, R., Zhou, Y., & Pan, E. (2023). A two-stage stochastic programming for AGV scheduling with random tasks and battery swapping in automated container terminals. Transportation Research Part E: Logistics and Transportation Review, 174. DOI: 10.1016/j.tre.2023.103110.

5. Oyekanlu, E. A., Smith, A. C., Thomas, W. P., Mulroy, G., Hitesh, D., Ramsey, M., . . . Sun, D. (2020). A

review of recent advances in automated guided vehicle technologies: Integration challenges and research areas for 5G- based smart manufacturing applications. IEEE Access, 8, 202312-202353. DOI: 10.1109/ACCESS.2020.3035729.

6. Theunissen, J., Xu, H., Zhong, R. Y., & Xu, X. (2019). Smart AGV system for manufacturing shopfloor in the context of industry 4.0. Paper presented at the Proceedings of the 2018 25th International Conference on Mechatronics and Machine Vision in Practice, M2VIP 2018. DOI: 10.1109/M2VIP.2018.8600887 Retrieved from www.scopus.com.

7. Sanogo, K., Mekhalef Benhafssa, A., Sahnoun, M., Bettayeb, B., Abderrahim, M., & Bekrar, A. (2023). A multi-agent system simulation based approach for collision avoidance in integrated job-shop scheduling problem with transportation tasks. Journal of Manufacturing Systems, 68, 209-226. DOI: 10.1016/j.jmsy.2023.03.011

8. Martinez? gutierrez, A., DiezDgonzalez, J., Ferrero? guillen, R., Verde, P., Alvarez, R., & Perez, H. (2021). Digital twin for automatic transportation in industry 4.0. Sensors, 21(10) DOI: 10.3390/s21103344.

9. Ha, V. T., Thuong, T. T., & Ha, V. T. (2023). Experiment study of an automatic guided vehicle robot. International Journal of Power Electronics and Drive Systems, 14(2), 1300-1308. DOI: 10.11591/ ijpeds.v14.i2.pp1300-1308.

10. D'Souza, F., Costa, J., & Pires, J. N. (2020). Development of a solution for adding a collaborative robot to an industrial AGV. Industrial Robot, 47(5), 723-735. DOI: 10.1108/IR-01-2020-0004

11. Rahman, H. F., Janardhanan, M. N., & Nielsen, P. (2020). An integrated approach for line balancing and AGV scheduling towards smart assembly systems. Assembly Automation, 40(2), 219-234. DOI: 10.1108/AA-03-2019- 0057.

12. Steclik, T., Cupek, R., & Drewniak, M. (2022). Automatic grouping of production data in industry 4.0: The use case of internal logistics systems based on automated guided vehicles. Journal of Computational Science, 62. DOI: 10.1016/j.jocs.2022.101693.

13. Cupek, R., Lin, J. C., & Syu, J. H. (2022). Automated guided vehicles challenges for artificial intelligence. Paper presented at the Proceedings-2022 IEEE International Conference on Big Data, Big Data 2022, 6281-6289. DOI: 10.1109/BigData55660.2022.10021117. Retrieved from www.scopus.com.

14. Steclik, T., Cupek, R., & Drewniak, M. (2022). Stream data clustering for engineering applications a use case of autonomous guided vehicles. Paper presented at the Proceedings-2022 IEEE International Conference on Big Data, Big Data 2022, 6347-6356. DOI: 10.1109/BigData55660.2022.10020484 Retrieved from www.scopus.com.

15. Shubyn, B., Kostrzewa, D., Grzesik, P., Benecki, P., Maksymyuk, T., Sunderam, V., . . . Mrozek, D. (2023). Federated learning for improved prediction of failures in autonomous guided vehicles. Journal of Computational Science, 68. DOI: 10.1016/j.jocs.2023.101956.

16. Syu, J., Lin, J. C., & Mrozek, D. (2022). An efficient and secured energy management system for automated guided vehicles. Paper presented at the Proceedings - 2022 IEEE International Conference on Big Data, Big Data 2022, 6357-6363. DOI: 10.1109/BigData55660.2022.10020806 Retrieved from www.scopus.com.

17. Benecki, P., Kostrzewa, D., Grzesik, P., Shubyn, B., & Mrozek, D. (2022). Forecasting of energy consumption for anomaly detection in automated guided vehicles: Models and feature selection. Paper presented at the Conference Proceedings - IEEE International Conference on Systems, Man and Cybernetics, 2022 October, 20732079. DOI: 10.1109/SMC53654.2022.9945146. Retrieved from www.scopus.com.

18. Shubyn, B., Mrozek, D., Maksymyuk, T., Sunderam, V., Kostrzewa, D., Grzesik, P., & Benecki, P. (2022). Federated learning for Anomaly detection in Industrial IoT-enabled production environment supported by Autonomous guided vehicles. DOI: 10.1007/978-3-031-08760-8_35. Retrieved from www.scopus.com.

19. Smith, J. D., & Johnson, K. (2018). Intelligent control of AGV for automated manufacturing systems. International Journal of Advanced Manufacturing Technology, 96(9-12), 4349-4360. DOI: 10.1007/s00170-018-1752-0.

20. Lee, S. H., Kim, J., & Park, J. (2020). An Intelligent Routing Algorithm for AGV in Manufacturing Environment. Journal of Manufacturing Systems, 56, 104-113. DOI: 10.1016/j.jmsy.2020.08.004.

21. Wang, Y., Li, X., Li, J., & Li, Z. (2019). An Intelligent Control Method for AGV Material Handling System. International Journal of Advanced Manufacturing Technology, 105(5-6), 1945-1954. DOI: 10.1007/s00170-019- 03987-5.

22. Medykovskvi, M., Pavliuk, O., & Sydorenko, R. (2018). Use of machine learning technologies for the electric consumption forecast. Paper presented at the International Scientific and Technical Conference on Computer Sciences and Information Technologies, 1432-1435. DOI: 10.1109/STC-CSIT.2018.8526617.

23. Li, X., Chen, Y., & Zhang, Y. (2021). Real-time scheduling of AGV with machine learning and optimization techniques. Proceedings of the 2021 International Conference on Robotics and Automation Sciences (ICRAS 2021), 245-251. DOI: 10.1109/ICRAS51812.2021.9433069.

24. Lee, J., Kim, H., & Park, J. (2020). Intelligent Collision Avoidance for AGV in Warehouse Environment. Journal of Intelligent & Robotic Systems, 98(3), 591-603. DOI: 10.1007/s10846-019-01080-5.

25. Liu, Y., Sun, S., Cai, W., & Guo, B. (2021). A Real-Time Dynamic Scheduling Algorithm for AGV based on Multi-objective Optimization. IEEE Transactions on Industrial Informatics, 17(7), 4562-4571. DOI: 10.1109/TII.2020.3021667.

26. Wang, Y., Liu, S., & Zhao, Y. (2022). Intelligent routing of AGV in a manufacturing environment: A comparative study. Journal of Manufacturing Systems, 64, 48-58. DOI: 10.1016/j.jmsy.2021.11.010.

27. Kim, S., Park, J., & Lee, S. (2020). Smart Control of AGV in Manufacturing Industry Using Artificial Intelligence. International Conference on Control, Automation and Systems (ICCAS), 1326-1331. DOI: 10.23919/ICCAS50221.2020.9268034.

28. Li, J., Liu, Y., & Jiang, S. (2018). A survey of intelligent vehicle routing and scheduling problem in automated manufacturing systems. International Journal of Advanced Manufacturing Technology, 96(1-4), 259-276. DOI: 10.1007/s00170-018-1928-x.

29. Arya, S., & Chauhan, S. S. (2021). A hybrid model of Fuzzy Logic and A* Algorithm for AGV navigation in flexible manufacturing systems. International Journal of Computational Intelligence Systems, 14(1), 1215-1226. DOI: 10.2991/ijcis.d.210414.001.

30. Bhatia, A., Singh, A., & Luthra, S. (2020). Adaptive routing and scheduling of automated guided vehicles using a simulation-based optimization approach. Robotics and Computer-Integrated Manufacturing, 63, 101911. DOI: 10.1016/j.rcim.2019.101911.

31. Bhatia, A., Singh, A., & Luthra, S. (2020). Adaptive routing and scheduling of automated guided vehicles using a simulation-based optimization approach. Robotics and Computer-Integrated Manufacturing, 63, 101911. DOI: 10.1016/j.rcim.2019.101911.

32. Li, C., Chen, Y., Zhang, Y., & Li, C. (2020). A dynamic path planning algorithm for automated guided vehicles in a real-time dynamic environment. Journal of Advanced Transportation, 2020, 1-11. DOI: 10.1155/2020/8874826.

33. Pavliuk, O., Steclik, T., & Biernacki, P. (2019). The forecast of the AGV battery discharging via the machine learning methods. 2019 IEEE International Conference on Industrial Technology (ICIT), 767-772. DOI: 10.1109/ICIT.2019.8754875.

Размещено на Allbest.ru