基于PSO-SVM 的電渦流傳感器溫度補償?shù)难芯?/h1>
2019-04-03 08:19:00盧文科
自動化與儀表 2019年3期
潘 杰，盧文科，馮 陽，左 鋒
（東華大學 信息科學與技術(shù)學院，上海201620）
電渦流傳感器是用可產(chǎn)生“渦流效應”的金屬導體作為核心元器件的傳感器，它可以將震動頻率和位移等物理量轉(zhuǎn)換成電信號輸出。該裝置結(jié)構(gòu)簡單，線性范圍好，靈敏度高，適用性強，方便非接觸性測量，不損傷被測量工價的表面。該傳感器主要由導線和被測導體組成，因此線圈阻抗的大小和被測導體的電導率和磁導率都對溫度比較敏感，尤其在高溫情況下會存在嚴重的誤差，產(chǎn)生溫度漂移，使測量結(jié)果發(fā)生嚴重偏差。為了減小影響，需要進行溫度補償[1]。傳統(tǒng)方法是通過硬件電路的補償，這種方法電路設(shè)計難度較大，精度不足，可移植性差，無法滿足現(xiàn)代設(shè)計需求。在此，采用改進群粒子支持向量機的算法，對測量結(jié)果進行修正，消除傳感器的交叉敏感，對溫度進行較好的補償[2]。
1 電渦流傳感器的工作原理
電渦流傳感器的結(jié)構(gòu)如圖1 所示。線圈提供可變電流I1，產(chǎn)生可變磁場H1，金屬導體就會產(chǎn)生旋渦狀感應電流I2，兩者的相對位置不同導體會產(chǎn)生不同的反向交變磁場H2，改變線圈的有效阻值，從而改變電信號輸出[3-4]。
圖1 電渦流原理示意圖Fig.1 Schematic diagram of eddy current principle
為便于分析，圖1 的等效電路如圖2 所示。圖中，左側(cè)是通電線圈在高頻的阻值R1和等效電感L1；中間是線圈和導體靠近時產(chǎn)生的互感M，它會依據(jù)兩者之間相對距離的變化而反向改變；右側(cè)是被測導體的等效電阻R2和等效電感L2。
圖2 電渦流傳感器等效電路Fig.2 Eddy current sensor equivalent circuit
由電路原理基本定理，得到：
則線圈的等效阻抗為
由式（4）可知，當其他參數(shù)保持不變時，線圈阻抗僅與互感M 有關(guān)，而M 的取值受線圈與金屬導體相對距離S 的共同影響。但是在實際應用中，線圈阻抗受到周圍溫度干擾較大，極易產(chǎn)生偏差，需要對其進行溫度補償。
2 PSO-SVM 矯正原理
2.1 支持向量機的原理
支持向量機SVM（support vector machine）是一種新的機器學習方法，以統(tǒng)計學習理論（statistical learning theory）為基礎(chǔ)，采用了結(jié)構(gòu)風險最小準則，提高泛化水平，找尋最優(yōu)解，能夠很好地解決容量小和非線性的問題[5-6]。
其中支持向量機結(jié)構(gòu)如圖3 所示。圖中，ai（i=1，2，3，…，s）為拉格朗日乘子，用于轉(zhuǎn)換成對偶問題；K（x，xi′）為核函數(shù)，用于不同維度之間的映射；x 為檢驗樣本或?qū)崪y樣本中的某個向量；xi′（i=1，2，3，…，s）為支持向量；y（x）為x 的輸出量。
圖3 支持向量機的結(jié)構(gòu)Fig.3 SVM structure
圖中，由初始觀測樣本構(gòu)成輸入空間，利用某種關(guān)系把低維空間的數(shù)據(jù)反映到高維空間。用于數(shù)據(jù)擬合的線性回歸函數(shù)為
給定的樣本數(shù)據(jù)集為
最優(yōu)化回歸函數(shù)[7-8]通過最小化以下的泛函式獲得：
約束條件為
式中：C 為懲罰因子，是需要初始化的預定值，用于控制樣本擬合能力和預測能力；ε 為不敏感損失函數(shù)系數(shù)，用于減小目標偏差，提升回歸精度為松弛變量，分別為約束的上界和下界。
支持向量機通過對偶表達避免高維空間之中復雜的計算影響，通過K（x，xi′）的值來得到內(nèi)積，從而有效避免維數(shù)災難[9]。在此所采用的核函數(shù)是高斯型徑向基函數(shù)RBF，表達式為
模型中的2 個參數(shù)——懲罰因子C 和核函數(shù)參數(shù)σ ——需要自行選取，在此采用粒子群算法尋優(yōu)來找到最合適的參數(shù)大小。
2.2 粒子群算法
粒子群優(yōu)化POS（particle swarm optimization），是一種群智能研究領(lǐng)域的算法[10-11]，源于對鳥群習性的仿真研究，在19 世紀90 年代正式誕生。該算法模仿生物群體在尋找目標的進程中展現(xiàn)的尋優(yōu)方案，僅需運用一些基礎(chǔ)數(shù)學計算，易于實現(xiàn)。在此用于優(yōu)化參數(shù)得到最優(yōu)解。粒子群迭代的公式為
式中：vjk（m），xjk（m）分別為m 次迭代后第j 個粒子在空間k 維的位置和速度；c1和c2為加速因子，c1為認知參數(shù)，c2為社會參數(shù)；r1k，r2k為［0，1］區(qū)間的隨機函數(shù)；pjk（m）和pgk（m）分別為單個粒子j 和全部粒子在m 次迭代后的歷史最優(yōu)解。式（10）是將單個粒子的m 次迭代后的位置和歷史最佳位置做差，然后進行隨機化，再將整體的最優(yōu)位置和粒子m 次迭代后在空間k 維位置做差，進行隨機化，兩者的和作為下一時刻速度vjk（m+1）的調(diào)整分量。
在粒子群移動迭代的進程中，必須對單個粒子進行適應值計算，其中的適應度是用于判斷單個粒子位置是否代表群體最佳的工具。
假定，f（x）為最優(yōu)化目標，其確定的最好位置為
算法結(jié)束的條件是：迭代次數(shù)超過預定值或者代入群體最佳位置得到的是最好適應值。此時粒子群的最好解代表的適應度函數(shù)是歷史最佳。
2.3 PSO-SVM 模型實現(xiàn)
PSO-SVM 模型的算法流程如圖4 所示。
圖4 PSO-SVM 流程Fig.4 PSO-SVM flow chart
將粒子群和支持向量機融合[12]，通過建立回歸預測模型，其中懲罰因子C 和核函數(shù)參數(shù)σ 對向量機預測結(jié)果有較為重大的影響，利用粒子群算法優(yōu)化參數(shù)，首先確定好迭代次數(shù)、加速因子c1和c2，設(shè)定一個粒子群的初始速度和初始位置，通過粒子群計算出每次迭代改善的C 和σ 的值，接著將兩者代入向量機開始訓練試驗數(shù)據(jù)，求出預測值，并且將預測值和期望值的方差結(jié)果設(shè)置為適應度大小。對于每一個粒子，修改其最好位置pjk的條件是適應度相較于歷史最佳點更優(yōu)； 更新全局最好pgk的條件是在粒子優(yōu)化過程中，群體的適應值小于歷史最小的點。當?shù)M程超過初始值，此刻的參數(shù)值最佳，代入C 和σ 求出預測值，此時便是誤差補償?shù)慕Y(jié)果。
3 電渦流傳感器的溫度補償
在PSO-SVM 的溫度補償系統(tǒng)中，如圖5 所示，通過改變被測導體和線圈的相對距離S 可以調(diào)整US，改變周圍溫度T 可以改變溫度傳感器的測試電壓UT，再將兩者通過PSO-SVM 算法模塊擬合數(shù)據(jù)，使電渦流的電壓輸出端有一個S*，最終實現(xiàn)溫度補償?shù)男Ч?/p>
圖5 PSO-SVM 溫度補償系統(tǒng)框圖Fig.5 Block diagram of PSO-SVM temperature compensation system
3.1 二維定標試驗
在一定工作范圍內(nèi)，將傳感器按照試驗要求放置恒溫箱，在不同工作環(huán)境溫度下，按照電路圖連接電路，調(diào)整相對距離S，以0.2 mm 為間隔，記錄不同位移下電路的輸出電壓值。在不同溫度下重復上述操作，所記錄的數(shù)據(jù)見表1。
表1 不同溫度下電渦流傳感器的靜態(tài)標定數(shù)據(jù)（US/V）Tab.1 Static data of eddy current sensors at different temperatures（US/V）
根據(jù)二維試驗所測量郵的物理量，繪制出該傳感器相對距離S 和測量電壓US的特征關(guān)系曲線，如圖6 所示。由圖可見隨著溫度的改變，特性曲線發(fā)生溫度漂移，其非線性度也很大。
圖6 補償前的輸入輸出特性曲線Fig.6 Input-output characteristic curvesbefore compensation
根據(jù)表1 數(shù)據(jù)，可以求出以下溫度系數(shù)：
①零位溫度系數(shù)α0
其中
式中：ΔU0max為相對距離S=0 時不同溫度所導致的電壓最大偏移值，V，在此為3.32 V-2.18 V=2.025 V；U（FS）為電渦流傳感器的量程，V，在此為5 V-2.18 V=2.82 V；ΔT 為溫度的測量范圍，℃，在此為55 ℃-25 ℃=30 ℃。
②靈敏度溫度系數(shù)αs
式中：U（T2）-U（T1）為在某個特定的相對距離S 條件下由于不同溫度所導致的電壓最大偏移值，V，在此為3.32 V-2.18 V=2.025 V；U（FS）為該電渦流傳感器的量程，V，在此為5 V-2.18 V=2.82 V；ΔT 為溫度的測量范圍，℃，在此為55 ℃-25 ℃=30 ℃。
3.2 PSO-SVM 算法溫度補償模型分析
使用粒子群優(yōu)化支持向量機參數(shù)算法時，選用試驗中的5 組測量值作為訓練樣本，另外2 組測量值作為測試樣本。
開始運算前，設(shè)定粒子總數(shù)為30，更迭總數(shù)為300，此時的補償效果較為明顯；加速因子c1=1.8，c2=1.2，兩者可保障較好的全局性，對試驗中的測量物理量US和UT進行歸一化，然后開始優(yōu)化訓練。
所預測的相對位移S*即溫度補償效果見表2。
根據(jù)表2，得到零位溫度系數(shù)為
表2 PSO-SVM 補償后的輸出值（S*/mm）Tab.2 Output values after PSO-SVM compensation（S*/mm）
把式（13）和式（14）與式（15）和式（16）做對比（即圖6 與圖7 做對比），由圖可見，電渦流傳感器在數(shù)據(jù)融合后，其零點溫度系數(shù)優(yōu)化效果上升近2個精度，而靈敏度溫度系數(shù)優(yōu)化效果上升1 個精度，極大地改善了溫度漂移帶來的問題。
圖7 電渦流傳感器溫補后的輸出特性曲線Fig.7 Output characteristic curves of eddy current sensor after temperature compensation
4 結(jié)語
針對電渦流傳感器數(shù)據(jù)因溫度變化產(chǎn)生漂移的現(xiàn)象，提出了利用粒子群算法優(yōu)化向量機的軟件矯正方法進行溫度補償。其中粒子群主要優(yōu)化向量機2 個參數(shù)——懲罰因子C 和核函數(shù)σ；將優(yōu)化后的參數(shù)代入模型，求出預測值。試驗證明，在數(shù)據(jù)融合后，靈敏度溫度系數(shù)由1.35×10-2/℃提升至5.59×10-4/℃，優(yōu)化效果提升近2 個精度；零位溫度系數(shù)由1.35×10-2/℃提升到1.81×10-4/℃，優(yōu)化效果提升1 個精度。
猜你喜歡
基于LSTM的汽輪發(fā)電機線圈的早期異常檢測大電機技術(shù)(2022年4期)2022-08-30 01:38:30 可拆分式線圈在無損檢測中的應用中國特種設(shè)備安全(2021年5期)2021-11-06 05:09:26 基于CFD仿真分析的各缸渦流比一致性研究裝備制造技術(shù)(2020年11期)2021-01-26 00:39:12 超小型薄壁線圈架注射模設(shè)計模具制造(2019年7期)2019-09-25 07:29:58 汽車電線用導體的常見問題及解決方案電線電纜(2018年4期)2018-08-31 05:57:28 渦流傳感器有限元仿真的研究與實施通信電源技術(shù)(2018年5期)2018-08-23 01:16:00 應用自適應交叉近似算法快速計算導體RCS新鄉(xiāng)學院學報(2016年6期)2016-12-01 05:21:38 2007款日產(chǎn)貴士車點火線圈頻繁燒毀汽車維護與修理(2015年6期)2015-02-28 12:17:05 關(guān)于CW-系列盤式電渦流測功機的維護小結(jié)汽車科技(2014年6期)2014-03-11 17:46:08 電渦流掃描測量的邊沿位置反演算法研究組合機床與自動化加工技術(shù)(2014年10期)2014-03-01 02:22:09
潘 杰，盧文科，馮 陽，左 鋒
（東華大學 信息科學與技術(shù)學院，上海201620）
電渦流傳感器是用可產(chǎn)生“渦流效應”的金屬導體作為核心元器件的傳感器，它可以將震動頻率和位移等物理量轉(zhuǎn)換成電信號輸出。該裝置結(jié)構(gòu)簡單，線性范圍好，靈敏度高，適用性強，方便非接觸性測量，不損傷被測量工價的表面。該傳感器主要由導線和被測導體組成，因此線圈阻抗的大小和被測導體的電導率和磁導率都對溫度比較敏感，尤其在高溫情況下會存在嚴重的誤差，產(chǎn)生溫度漂移，使測量結(jié)果發(fā)生嚴重偏差。為了減小影響，需要進行溫度補償[1]。傳統(tǒng)方法是通過硬件電路的補償，這種方法電路設(shè)計難度較大，精度不足，可移植性差，無法滿足現(xiàn)代設(shè)計需求。在此，采用改進群粒子支持向量機的算法，對測量結(jié)果進行修正，消除傳感器的交叉敏感，對溫度進行較好的補償[2]。
1 電渦流傳感器的工作原理
電渦流傳感器的結(jié)構(gòu)如圖1 所示。線圈提供可變電流I1，產(chǎn)生可變磁場H1，金屬導體就會產(chǎn)生旋渦狀感應電流I2，兩者的相對位置不同導體會產(chǎn)生不同的反向交變磁場H2，改變線圈的有效阻值，從而改變電信號輸出[3-4]。
圖1 電渦流原理示意圖Fig.1 Schematic diagram of eddy current principle
為便于分析，圖1 的等效電路如圖2 所示。圖中，左側(cè)是通電線圈在高頻的阻值R1和等效電感L1；中間是線圈和導體靠近時產(chǎn)生的互感M，它會依據(jù)兩者之間相對距離的變化而反向改變；右側(cè)是被測導體的等效電阻R2和等效電感L2。
圖2 電渦流傳感器等效電路Fig.2 Eddy current sensor equivalent circuit
由電路原理基本定理，得到：
則線圈的等效阻抗為
由式（4）可知，當其他參數(shù)保持不變時，線圈阻抗僅與互感M 有關(guān)，而M 的取值受線圈與金屬導體相對距離S 的共同影響。但是在實際應用中，線圈阻抗受到周圍溫度干擾較大，極易產(chǎn)生偏差，需要對其進行溫度補償。
2 PSO-SVM 矯正原理
2.1 支持向量機的原理
支持向量機SVM（support vector machine）是一種新的機器學習方法，以統(tǒng)計學習理論（statistical learning theory）為基礎(chǔ)，采用了結(jié)構(gòu)風險最小準則，提高泛化水平，找尋最優(yōu)解，能夠很好地解決容量小和非線性的問題[5-6]。
其中支持向量機結(jié)構(gòu)如圖3 所示。圖中，ai（i=1，2，3，…，s）為拉格朗日乘子，用于轉(zhuǎn)換成對偶問題；K（x，xi′）為核函數(shù)，用于不同維度之間的映射；x 為檢驗樣本或?qū)崪y樣本中的某個向量；xi′（i=1，2，3，…，s）為支持向量；y（x）為x 的輸出量。
圖3 支持向量機的結(jié)構(gòu)Fig.3 SVM structure
圖中，由初始觀測樣本構(gòu)成輸入空間，利用某種關(guān)系把低維空間的數(shù)據(jù)反映到高維空間。用于數(shù)據(jù)擬合的線性回歸函數(shù)為
給定的樣本數(shù)據(jù)集為
最優(yōu)化回歸函數(shù)[7-8]通過最小化以下的泛函式獲得：
約束條件為
式中：C 為懲罰因子，是需要初始化的預定值，用于控制樣本擬合能力和預測能力；ε 為不敏感損失函數(shù)系數(shù)，用于減小目標偏差，提升回歸精度為松弛變量，分別為約束的上界和下界。
支持向量機通過對偶表達避免高維空間之中復雜的計算影響，通過K（x，xi′）的值來得到內(nèi)積，從而有效避免維數(shù)災難[9]。在此所采用的核函數(shù)是高斯型徑向基函數(shù)RBF，表達式為
模型中的2 個參數(shù)——懲罰因子C 和核函數(shù)參數(shù)σ ——需要自行選取，在此采用粒子群算法尋優(yōu)來找到最合適的參數(shù)大小。
2.2 粒子群算法
粒子群優(yōu)化POS（particle swarm optimization），是一種群智能研究領(lǐng)域的算法[10-11]，源于對鳥群習性的仿真研究，在19 世紀90 年代正式誕生。該算法模仿生物群體在尋找目標的進程中展現(xiàn)的尋優(yōu)方案，僅需運用一些基礎(chǔ)數(shù)學計算，易于實現(xiàn)。在此用于優(yōu)化參數(shù)得到最優(yōu)解。粒子群迭代的公式為
式中：vjk（m），xjk（m）分別為m 次迭代后第j 個粒子在空間k 維的位置和速度；c1和c2為加速因子，c1為認知參數(shù)，c2為社會參數(shù)；r1k，r2k為［0，1］區(qū)間的隨機函數(shù)；pjk（m）和pgk（m）分別為單個粒子j 和全部粒子在m 次迭代后的歷史最優(yōu)解。式（10）是將單個粒子的m 次迭代后的位置和歷史最佳位置做差，然后進行隨機化，再將整體的最優(yōu)位置和粒子m 次迭代后在空間k 維位置做差，進行隨機化，兩者的和作為下一時刻速度vjk（m+1）的調(diào)整分量。
在粒子群移動迭代的進程中，必須對單個粒子進行適應值計算，其中的適應度是用于判斷單個粒子位置是否代表群體最佳的工具。
假定，f（x）為最優(yōu)化目標，其確定的最好位置為
算法結(jié)束的條件是：迭代次數(shù)超過預定值或者代入群體最佳位置得到的是最好適應值。此時粒子群的最好解代表的適應度函數(shù)是歷史最佳。
2.3 PSO-SVM 模型實現(xiàn)
PSO-SVM 模型的算法流程如圖4 所示。
圖4 PSO-SVM 流程Fig.4 PSO-SVM flow chart
將粒子群和支持向量機融合[12]，通過建立回歸預測模型，其中懲罰因子C 和核函數(shù)參數(shù)σ 對向量機預測結(jié)果有較為重大的影響，利用粒子群算法優(yōu)化參數(shù)，首先確定好迭代次數(shù)、加速因子c1和c2，設(shè)定一個粒子群的初始速度和初始位置，通過粒子群計算出每次迭代改善的C 和σ 的值，接著將兩者代入向量機開始訓練試驗數(shù)據(jù)，求出預測值，并且將預測值和期望值的方差結(jié)果設(shè)置為適應度大小。對于每一個粒子，修改其最好位置pjk的條件是適應度相較于歷史最佳點更優(yōu)； 更新全局最好pgk的條件是在粒子優(yōu)化過程中，群體的適應值小于歷史最小的點。當?shù)M程超過初始值，此刻的參數(shù)值最佳，代入C 和σ 求出預測值，此時便是誤差補償?shù)慕Y(jié)果。
3 電渦流傳感器的溫度補償
在PSO-SVM 的溫度補償系統(tǒng)中，如圖5 所示，通過改變被測導體和線圈的相對距離S 可以調(diào)整US，改變周圍溫度T 可以改變溫度傳感器的測試電壓UT，再將兩者通過PSO-SVM 算法模塊擬合數(shù)據(jù)，使電渦流的電壓輸出端有一個S*，最終實現(xiàn)溫度補償?shù)男Ч?/p>
圖5 PSO-SVM 溫度補償系統(tǒng)框圖Fig.5 Block diagram of PSO-SVM temperature compensation system
3.1 二維定標試驗
在一定工作范圍內(nèi)，將傳感器按照試驗要求放置恒溫箱，在不同工作環(huán)境溫度下，按照電路圖連接電路，調(diào)整相對距離S，以0.2 mm 為間隔，記錄不同位移下電路的輸出電壓值。在不同溫度下重復上述操作，所記錄的數(shù)據(jù)見表1。
表1 不同溫度下電渦流傳感器的靜態(tài)標定數(shù)據(jù)（US/V）Tab.1 Static data of eddy current sensors at different temperatures（US/V）
根據(jù)二維試驗所測量郵的物理量，繪制出該傳感器相對距離S 和測量電壓US的特征關(guān)系曲線，如圖6 所示。由圖可見隨著溫度的改變，特性曲線發(fā)生溫度漂移，其非線性度也很大。
圖6 補償前的輸入輸出特性曲線Fig.6 Input-output characteristic curvesbefore compensation
根據(jù)表1 數(shù)據(jù)，可以求出以下溫度系數(shù)：
①零位溫度系數(shù)α0
其中
式中：ΔU0max為相對距離S=0 時不同溫度所導致的電壓最大偏移值，V，在此為3.32 V-2.18 V=2.025 V；U（FS）為電渦流傳感器的量程，V，在此為5 V-2.18 V=2.82 V；ΔT 為溫度的測量范圍，℃，在此為55 ℃-25 ℃=30 ℃。
②靈敏度溫度系數(shù)αs
式中：U（T2）-U（T1）為在某個特定的相對距離S 條件下由于不同溫度所導致的電壓最大偏移值，V，在此為3.32 V-2.18 V=2.025 V；U（FS）為該電渦流傳感器的量程，V，在此為5 V-2.18 V=2.82 V；ΔT 為溫度的測量范圍，℃，在此為55 ℃-25 ℃=30 ℃。
3.2 PSO-SVM 算法溫度補償模型分析
使用粒子群優(yōu)化支持向量機參數(shù)算法時，選用試驗中的5 組測量值作為訓練樣本，另外2 組測量值作為測試樣本。
開始運算前，設(shè)定粒子總數(shù)為30，更迭總數(shù)為300，此時的補償效果較為明顯；加速因子c1=1.8，c2=1.2，兩者可保障較好的全局性，對試驗中的測量物理量US和UT進行歸一化，然后開始優(yōu)化訓練。
所預測的相對位移S*即溫度補償效果見表2。
根據(jù)表2，得到零位溫度系數(shù)為
表2 PSO-SVM 補償后的輸出值（S*/mm）Tab.2 Output values after PSO-SVM compensation（S*/mm）
把式（13）和式（14）與式（15）和式（16）做對比（即圖6 與圖7 做對比），由圖可見，電渦流傳感器在數(shù)據(jù)融合后，其零點溫度系數(shù)優(yōu)化效果上升近2個精度，而靈敏度溫度系數(shù)優(yōu)化效果上升1 個精度，極大地改善了溫度漂移帶來的問題。
圖7 電渦流傳感器溫補后的輸出特性曲線Fig.7 Output characteristic curves of eddy current sensor after temperature compensation
4 結(jié)語
針對電渦流傳感器數(shù)據(jù)因溫度變化產(chǎn)生漂移的現(xiàn)象，提出了利用粒子群算法優(yōu)化向量機的軟件矯正方法進行溫度補償。其中粒子群主要優(yōu)化向量機2 個參數(shù)——懲罰因子C 和核函數(shù)σ；將優(yōu)化后的參數(shù)代入模型，求出預測值。試驗證明，在數(shù)據(jù)融合后，靈敏度溫度系數(shù)由1.35×10-2/℃提升至5.59×10-4/℃，優(yōu)化效果提升近2 個精度；零位溫度系數(shù)由1.35×10-2/℃提升到1.81×10-4/℃，優(yōu)化效果提升1 個精度。
猜你喜歡
大電機技術(shù)(2022年4期)2022-08-30 01:38:30
中國特種設(shè)備安全(2021年5期)2021-11-06 05:09:26
裝備制造技術(shù)(2020年11期)2021-01-26 00:39:12
模具制造(2019年7期)2019-09-25 07:29:58
電線電纜(2018年4期)2018-08-31 05:57:28
通信電源技術(shù)(2018年5期)2018-08-23 01:16:00
新鄉(xiāng)學院學報(2016年6期)2016-12-01 05:21:38
汽車維護與修理(2015年6期)2015-02-28 12:17:05
汽車科技(2014年6期)2014-03-11 17:46:08
組合機床與自動化加工技術(shù)(2014年10期)2014-03-01 02:22:09
