利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)應(yīng)用

趙水忠 王劍 顧曄

摘? 要： 針對(duì)傳統(tǒng)的運(yùn)維檢修方法無(wú)法準(zhǔn)確定位出故障點(diǎn)的缺點(diǎn)，提出利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)應(yīng)用研究。首先，將射頻識(shí)別技術(shù)與決策樹(shù)算法結(jié)合，建立機(jī)器學(xué)習(xí)RFID混合模型;在模型的基礎(chǔ)上，采用運(yùn)維檢修移動(dòng)作業(yè)裝置中的RFID讀寫(xiě)器，通過(guò)射頻識(shí)別技術(shù)識(shí)別出與運(yùn)維檢修點(diǎn)相對(duì)應(yīng)的標(biāo)簽，完成運(yùn)維檢修點(diǎn)的數(shù)據(jù)采集;通過(guò)去重過(guò)濾算法，去除采集到的重復(fù)數(shù)據(jù);通過(guò)監(jiān)督學(xué)習(xí)，訓(xùn)練數(shù)據(jù)，對(duì)故障點(diǎn)與非故障點(diǎn)進(jìn)行精確分類(lèi)，再對(duì)其做運(yùn)維檢修處理，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法的設(shè)計(jì)。通過(guò)與傳統(tǒng)的運(yùn)維檢修方法作對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，提出的利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法具有更高的定位精度。

關(guān)鍵詞： 運(yùn)維檢修; 機(jī)器學(xué)習(xí); 數(shù)據(jù)采集; RFID混合模型; 重復(fù)數(shù)據(jù)去除; 故障點(diǎn)定位

中圖分類(lèi)號(hào)： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）09?0157?04

Application of operation and maintenance mobile assignment

using machine learning RFID hybrid model

ZHAO Shuizhong1， 2， WANG Jian2， GU Ye2

（1. Shanghai Jiao Tong University， Shanghai 200240， China; 2. State Grid Zhejiang Electric Power Company， Hangzhou 310000， China）

Abstract： An application research of the operation and maintenance mobile assignment using the machine learning RFID hybrid model is proposed to overcome the shortcomings of the traditional operation and maintenance method that can not accurately locate the fault point. The RFID technology and the decision tree algorithm are combined to establish a machine learning RFID hybrid model. On the basis of the model， the tag corresponding to the operation and maintenance inspection point is identified with the RFID technology and the RFID reader in the mobile operation device to complete the data acquisition of the operation and maintenance inspection point. The deduplication filtering algorithm is used to remove the collected duplicate data. The supervised learning and the training data are used to accurately classify the fault point and the non?fault point， and then the operation and maintenance processing is adopted for the classification result to achieve the design of the operation and maintenance mobile assignment method using the machine learning RFID hybrid model. A contrast experiment of the method designed in this paper and the traditional operation and maintenance method was carried out. The experimental results show that the designed operation and maintenance mobile operation method using machine learning RFID hybrid model have higher positioning accuracy.

Keywords： operation and maintenance overhauling; machine learning; data acquisition; RFID hybrid model; duplicate data removing; fault point positioning

0? 引? 言

近年來(lái)，隨著運(yùn)維檢修工作量的不斷加大，傳統(tǒng)的運(yùn)維檢修方法已無(wú)法滿足實(shí)際需求，需要開(kāi)發(fā)新的技術(shù)和方法提高運(yùn)維檢修技術(shù)的水平。目前，一些企業(yè)采用移動(dòng)作業(yè)的方式，改進(jìn)了運(yùn)維檢修的模式，為運(yùn)維檢修工作提供了便利[1]。然而，現(xiàn)有的運(yùn)維檢修移動(dòng)作業(yè)方法無(wú)法及時(shí)、準(zhǔn)確地識(shí)別出需要做運(yùn)維檢修處理的目標(biāo)位置，導(dǎo)致運(yùn)維檢修的效率大大下降[2?4]。隨著科技水平的不斷提高，機(jī)器學(xué)習(xí)和射頻識(shí)別技術(shù)得到了不斷的發(fā)展。機(jī)器學(xué)習(xí)是一種人工智能算法，常見(jiàn)的機(jī)器學(xué)習(xí)算法包括決策樹(shù)算法、貝葉斯算法、隨機(jī)森林算法、支持向量機(jī)算法以及人工神經(jīng)網(wǎng)絡(luò)算法等[5?10]。無(wú)線射頻識(shí)別（RFID）技術(shù)是一種非接觸式的自動(dòng)識(shí)別技術(shù)，具有適用性好、識(shí)別效率高、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，被廣泛應(yīng)用在監(jiān)控、運(yùn)維檢修、檢測(cè)等領(lǐng)域[11?15]。

基于以上內(nèi)容，本文將機(jī)器學(xué)習(xí)和RFID相結(jié)合，提出一種利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法，對(duì)其應(yīng)用情況與傳統(tǒng)的運(yùn)維檢修移動(dòng)作業(yè)方法作比較，以驗(yàn)證其能夠更為有效地完成運(yùn)維檢修工作。

1? 機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)研究

將機(jī)器學(xué)習(xí)和RFID相結(jié)合，建立混合模型，采用裝有RFID讀寫(xiě)器的移動(dòng)作業(yè)裝置實(shí)施運(yùn)維檢修工作。在機(jī)器學(xué)習(xí)RFID混合模型建立的基礎(chǔ)上，通過(guò)射頻識(shí)別完成對(duì)運(yùn)維檢修待測(cè)點(diǎn)的數(shù)據(jù)采集，通過(guò)去重過(guò)濾算法去除采集到的重復(fù)數(shù)據(jù)，通過(guò)監(jiān)督學(xué)習(xí)對(duì)處理后的數(shù)據(jù)做訓(xùn)練，再利用移動(dòng)作業(yè)裝置對(duì)運(yùn)維檢修待測(cè)點(diǎn)進(jìn)行檢修，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法的設(shè)計(jì)。

1.1? 建立機(jī)器學(xué)習(xí)RFID混合模型

通過(guò)RFID獲取運(yùn)維檢修待測(cè)點(diǎn)數(shù)據(jù)。RFID采用電子標(biāo)簽與運(yùn)維檢修待測(cè)點(diǎn)一一對(duì)應(yīng)，通過(guò)對(duì)電子標(biāo)簽的識(shí)別，以識(shí)別出運(yùn)維檢修待測(cè)點(diǎn)。不同的運(yùn)維檢修待測(cè)點(diǎn)會(huì)出現(xiàn)不同的分類(lèi)。利用決策樹(shù)算法，基于不同待測(cè)點(diǎn)的特征，對(duì)采集到的數(shù)據(jù)分類(lèi)，其分類(lèi)的具體過(guò)程如下：

設(shè)機(jī)器學(xué)習(xí)RFID混合模型的訓(xùn)練數(shù)據(jù)集為[A=x1，y1，x2，y2，…，xN，yN]，其中，[xi=x1i，x2i，…，][xni]為機(jī)器學(xué)習(xí)RFID混合模型的輸入數(shù)據(jù)樣本，[n]代表運(yùn)維檢修待測(cè)點(diǎn)的特征個(gè)數(shù);[yi∈1，2，…，J]代表類(lèi)標(biāo)記，[i=1，2，…，N]，[N]代表訓(xùn)練樣本容量。為了使決策樹(shù)具備更好的泛化能力，通過(guò)剪枝去掉決策樹(shù)細(xì)分的葉節(jié)點(diǎn)。假設(shè)訓(xùn)練數(shù)據(jù)集有[J]個(gè)分類(lèi)標(biāo)簽，樣本點(diǎn)屬于第[j]類(lèi)的概率為[pj=PY=cj]。將其概率分布的Gini指數(shù)定義為：

[Ginip=j=1Jpj1-pj=1-j=1Jp2j] （1）

對(duì)于輸入的訓(xùn)練數(shù)據(jù)集合[A]，設(shè)屬于[cj]類(lèi)的樣本數(shù)據(jù)為[Cj]，則該條樣本數(shù)據(jù)的Gini指數(shù)為：

[Ginip=1-j=1JcjA2] （2）

根據(jù)給定特征[Z]是否取某一個(gè)可能值[α]，將樣本數(shù)據(jù)集劃分為兩個(gè)獨(dú)立的數(shù)據(jù)集[A1]和[A2]：

[A1=x，y∈AxA=αA2=x，y∈AxA≠α=A-A1] （3）

將式（3）作為數(shù)據(jù)集的劃分規(guī)則，劃分?jǐn)?shù)據(jù)集，直至[α]小于設(shè)定好的閾值，或者直至不可劃分為止。利用RFID獲取運(yùn)維檢修待測(cè)點(diǎn)數(shù)據(jù)，通過(guò)決策樹(shù)對(duì)數(shù)據(jù)集分類(lèi)，將二者結(jié)合，建立機(jī)器學(xué)習(xí)RFID混合模型。在模型的基礎(chǔ)上，采用運(yùn)維檢修移動(dòng)作業(yè)裝置實(shí)施運(yùn)維檢修工作，其總體架構(gòu)如圖1所示。

如圖1所示，首先，通過(guò)RFID利用射頻識(shí)別技術(shù)識(shí)別出運(yùn)維檢修待測(cè)點(diǎn);其次，對(duì)得到的數(shù)據(jù)做數(shù)據(jù)去重等處理;之后，通過(guò)無(wú)線傳輸，將處理后的數(shù)據(jù)上傳;最后，利用機(jī)器學(xué)習(xí)算法中的決策樹(shù)算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，發(fā)現(xiàn)故障點(diǎn)，再對(duì)其做檢修等處理。下面對(duì)運(yùn)維檢修過(guò)程進(jìn)行具體分析。

1.2? 射頻識(shí)別

在運(yùn)維檢修移動(dòng)作業(yè)裝置中，設(shè)有RFID讀寫(xiě)器，將電子標(biāo)簽和運(yùn)維檢修點(diǎn)一一對(duì)應(yīng)，將電子標(biāo)簽附在待檢測(cè)點(diǎn)的位置，作為檢修點(diǎn)標(biāo)識(shí)。將RFID讀寫(xiě)器安裝在距檢修點(diǎn)一定的距離上。當(dāng)標(biāo)簽出現(xiàn)在RFID識(shí)別區(qū)域，RFID自動(dòng)識(shí)別標(biāo)簽，讀取電子標(biāo)簽的數(shù)據(jù)，和其他與運(yùn)維檢修相關(guān)的數(shù)據(jù)組成特定的數(shù)據(jù)格式，傳輸給中繼節(jié)點(diǎn)。在射頻識(shí)別的過(guò)程中，其所設(shè)置的數(shù)據(jù)采集節(jié)點(diǎn)如圖2所示。

在適當(dāng)?shù)奈恢迷O(shè)置采集（射頻識(shí)別）節(jié)點(diǎn)，通過(guò)RFID識(shí)別出運(yùn)維檢修待測(cè)點(diǎn)。

1.3? 重復(fù)數(shù)據(jù)處理

在實(shí)際的運(yùn)維檢修移動(dòng)作業(yè)中，標(biāo)簽如果長(zhǎng)時(shí)間停留在識(shí)別區(qū)域，RFID讀寫(xiě)區(qū)會(huì)重復(fù)讀取標(biāo)簽并上傳，導(dǎo)致RFID讀寫(xiě)器除了接收到有用數(shù)據(jù)，還會(huì)接收到大量的重復(fù)數(shù)據(jù)，需要對(duì)數(shù)據(jù)做處理。首先，采用去重過(guò)濾算法過(guò)濾接收到的重復(fù)數(shù)據(jù)，具體的算法過(guò)程如下：

將RFID讀寫(xiě)器得到的數(shù)據(jù)表示成三個(gè)部分，分別為讀到的標(biāo)簽信息、標(biāo)記號(hào)和讀到數(shù)據(jù)的時(shí)間。在得到運(yùn)維檢修待測(cè)點(diǎn)的數(shù)據(jù)，根據(jù)標(biāo)記號(hào)檢查去重的數(shù)據(jù)是否含有相同的數(shù)據(jù)，對(duì)其做相應(yīng)處理：如果不含有相同數(shù)據(jù)，則將接收到的數(shù)據(jù)視為新數(shù)據(jù)，插入登記表，輸出相應(yīng)的標(biāo)簽信息;如果含有相同數(shù)據(jù)，則更新讀到數(shù)據(jù)的時(shí)間，輸出相應(yīng)的標(biāo)簽信息。采用的過(guò)濾算法流程圖如圖3所示。

通過(guò)圖3的過(guò)濾算法完成對(duì)重復(fù)數(shù)據(jù)的過(guò)濾，以便得到準(zhǔn)確的各個(gè)運(yùn)維檢測(cè)待測(cè)點(diǎn)的數(shù)據(jù)，通過(guò)無(wú)線傳輸輸出到移動(dòng)作業(yè)端。

1.4? 監(jiān)督學(xué)習(xí)

采用監(jiān)督學(xué)習(xí)的方式對(duì)機(jī)器學(xué)習(xí)RFID混合模型中的數(shù)據(jù)進(jìn)行訓(xùn)練，再通過(guò)移動(dòng)作業(yè)裝置對(duì)帶有標(biāo)記的數(shù)據(jù)實(shí)施運(yùn)維檢修。具體的監(jiān)督學(xué)習(xí)過(guò)程如下：

1） 對(duì)模型中的數(shù)據(jù)做線性判別分析。針對(duì)模型中的數(shù)據(jù)集[A]，求對(duì)其分類(lèi)后的協(xié)方差。將數(shù)據(jù)投影到一條直線上，為保證類(lèi)內(nèi)方差最小，類(lèi)間方差最大，優(yōu)化目標(biāo)，完成對(duì)機(jī)器學(xué)習(xí)RFID混合模型中數(shù)據(jù)的線性判別分析。

2） 通過(guò)分類(lèi)決策樹(shù)算法，根據(jù)數(shù)據(jù)特征劃分?jǐn)?shù)據(jù)，完成數(shù)據(jù)分類(lèi)，即將數(shù)據(jù)分為故障點(diǎn)數(shù)據(jù)和非故障點(diǎn)數(shù)據(jù)，對(duì)于有故障的運(yùn)維檢修待測(cè)點(diǎn)，采用相應(yīng)的技術(shù)對(duì)故障做檢修等處理。

通過(guò)上述步驟，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)。在此基礎(chǔ)上，對(duì)其應(yīng)用做出研究。

2? 仿真實(shí)驗(yàn)

為驗(yàn)證提出的利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法對(duì)運(yùn)維檢修待測(cè)點(diǎn)的定位識(shí)別的準(zhǔn)確性，以某一運(yùn)維檢修項(xiàng)目為例，采用裝有RFID讀寫(xiě)器的移動(dòng)作業(yè)裝置，利用機(jī)器學(xué)習(xí)RFID混合模型，將機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法應(yīng)用其中，并與其他運(yùn)維檢修移動(dòng)作業(yè)方法作對(duì)比，比較其在運(yùn)維檢修移動(dòng)作業(yè)過(guò)程中對(duì)待測(cè)點(diǎn)的定位精度。

2.1? 實(shí)驗(yàn)過(guò)程

設(shè)置100個(gè)運(yùn)維檢修待測(cè)點(diǎn)，取其中的50個(gè)點(diǎn)作為訓(xùn)練樣本，采用機(jī)器學(xué)習(xí)的方法對(duì)實(shí)驗(yàn)樣本做訓(xùn)練。首先，對(duì)標(biāo)簽RFID讀測(cè)試，確定標(biāo)簽的位置。將標(biāo)簽置于距離運(yùn)維檢修待測(cè)點(diǎn)1 m，1.5 m，2 m，2.5 m，3 m處，得到的有效距離如表1所示。

從表1中可以看出，當(dāng)標(biāo)簽與運(yùn)維檢修點(diǎn)的距離小于等于2.5 m時(shí)，RFID可以完全識(shí)別出運(yùn)維檢修待測(cè)點(diǎn)。因此，將標(biāo)簽與運(yùn)維檢修點(diǎn)的距離設(shè)置在2.5 m以內(nèi)即可。

確定有效距離后，通過(guò)機(jī)器學(xué)習(xí)RFID混合模型對(duì)樣本數(shù)據(jù)做訓(xùn)練，以便后續(xù)可以準(zhǔn)確定位運(yùn)維檢修待測(cè)點(diǎn)。在訓(xùn)練樣本數(shù)據(jù)后，在其余的50個(gè)待測(cè)點(diǎn)選出25個(gè)待測(cè)點(diǎn)作為故障點(diǎn)，對(duì)有故障的運(yùn)維檢修待測(cè)點(diǎn)做定位識(shí)別。通過(guò)利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法，得到有故障的運(yùn)維檢修待測(cè)點(diǎn)，驗(yàn)證其與實(shí)際設(shè)定有故障的運(yùn)維檢修待測(cè)點(diǎn)是否一致，并與其他運(yùn)維檢修移動(dòng)作業(yè)方法得到的結(jié)果作對(duì)比。

2.2? 實(shí)驗(yàn)結(jié)果分析

分別采用提出的機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法和傳統(tǒng)的運(yùn)維檢修方法定位故障點(diǎn)，得到的定位結(jié)果對(duì)比圖如圖4所示。

從圖4中可以看出，在25個(gè)運(yùn)維檢修故障點(diǎn)中，采用傳統(tǒng)的運(yùn)維檢修方法，定位識(shí)別出21個(gè)運(yùn)維檢修故障點(diǎn)，能夠準(zhǔn)確定位到的運(yùn)維檢修故障點(diǎn)的個(gè)數(shù)為16個(gè)，有4個(gè)運(yùn)維檢修故障點(diǎn)未被識(shí)別出，有5個(gè)運(yùn)維檢修故障點(diǎn)的定位出現(xiàn)誤差。采用本文提出的基于機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法，由于采用RFID能夠?qū)崿F(xiàn)運(yùn)維檢修點(diǎn)的自動(dòng)識(shí)別，加上機(jī)器學(xué)習(xí)算法能夠更加有效地對(duì)故障點(diǎn)與非故障點(diǎn)分類(lèi)，能夠準(zhǔn)確定位，識(shí)別出提前設(shè)定的全部運(yùn)維檢修故障點(diǎn)，所得到的定位結(jié)果符合運(yùn)維檢修故障點(diǎn)的實(shí)際位置，表明其具有更高的定位精度。

3? 結(jié)? 語(yǔ)

在傳統(tǒng)的運(yùn)維檢修移動(dòng)作業(yè)方法中，由于對(duì)運(yùn)維檢修故障點(diǎn)的定位精度低，導(dǎo)致運(yùn)維檢修效率低。針對(duì)定位精度低的問(wèn)題，本文提出了利用機(jī)器學(xué)習(xí)RFID混合模型的運(yùn)維檢修移動(dòng)作業(yè)方法，該方法將機(jī)器學(xué)習(xí)和RFID相結(jié)合，建立混合模型，很好地改善了傳統(tǒng)方法存在的定位精度低的不足。通過(guò)實(shí)驗(yàn)對(duì)其應(yīng)用情況與傳統(tǒng)的運(yùn)維檢修移動(dòng)作業(yè)方法作對(duì)比，實(shí)驗(yàn)結(jié)果表明，提出的運(yùn)維檢修移動(dòng)作業(yè)方法能夠更為精準(zhǔn)地定位運(yùn)維檢修待測(cè)點(diǎn)。希望其可以為運(yùn)維檢修移動(dòng)作業(yè)研究提供一定的參考價(jià)值。

參考文獻(xiàn)

[1] 黃薇，陳華霖，俞玲，等.移動(dòng)作業(yè)在線纜故障搶修中的應(yīng)用[J].電力與能源，2018，39（1）：136?138.

[2] 馬永濤，高鑫.基于Adaboost的無(wú)源RFID射頻層析成像偽目標(biāo)識(shí)別[J].天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版），2018，51（2）：135?142.

[3] 張素芳，翟俊海，王聰，等.大數(shù)據(jù)與大數(shù)據(jù)機(jī)器學(xué)習(xí)[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（3）：299?308.

[4] 焦嘉烽，李云.大數(shù)據(jù)下的典型機(jī)器學(xué)習(xí)平臺(tái)綜述[J].計(jì)算機(jī)應(yīng)用，2017，37（11）：3039?3047.

[5] 李力，林懿倫，曹東璞，等.平行學(xué)習(xí)：機(jī)器學(xué)習(xí)的一個(gè)新型理論框架[J].自動(dòng)化學(xué)報(bào)，2017，43（1）：1?8.

[6] 祝歆，劉瀟蔓，陳樹(shù)廣，等.基于機(jī)器學(xué)習(xí)融合算法的網(wǎng)絡(luò)購(gòu)買(mǎi)行為預(yù)測(cè)研究[J].統(tǒng)計(jì)與信息論壇，2017，32（12）：94?100.

[7] 余明華，馮翔，祝智庭，等.人工智能視域下機(jī)器學(xué)習(xí)的教育應(yīng)用與創(chuàng)新探索[J].遠(yuǎn)程教育雜志，2017，35（3）：11?21.

[8] 司禹，馮鵬，于雙銘，等.基于無(wú)源超高頻RFID溫度標(biāo)簽的溫度監(jiān)測(cè)系統(tǒng)[J].傳感器與微系統(tǒng)，2017，36（1）：78?80.

[9] 郭振軍，孫應(yīng)飛.基于標(biāo)簽分組的RFID系統(tǒng)防碰撞算法[J].電子與信息學(xué)報(bào)，2017，39（1）：250?254.

[10] 曹偉，江平宇，江開(kāi)勇，等.基于RFID技術(shù)的離散制造車(chē)間實(shí)時(shí)數(shù)據(jù)采集與可視化監(jiān)控方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2017，23（2）：273?284.

[11] 黃偉慶，丁昶，崔越，等.基于惡意讀寫(xiě)器發(fā)現(xiàn)的RFID空口入侵檢測(cè)技術(shù)[J].軟件學(xué)報(bào)，2018，29（7）：1922?1936.

[12] 馬叢淦，李上國(guó)，王闖，等.班組移動(dòng)作業(yè)終端系統(tǒng)的設(shè)計(jì)和應(yīng)用[J].電力信息與通信技術(shù)，2018，16（2）：41?45.

[13] 陳康.基于RFID技術(shù)的動(dòng)車(chē)組輪對(duì)檢修管控系統(tǒng)[J].鐵路計(jì)算機(jī)應(yīng)用，2019，28（1）：63?67.

[14] 李秉展，羅紫萍，龍丹冰.基于機(jī)器學(xué)習(xí)的智慧BIM運(yùn)維管理系統(tǒng)及BIM+MR的檢修應(yīng)用程序：以醫(yī)院建筑為例[J].土木建筑工程信息技術(shù)，2017，9（6）：22?27.

[15] 楊德勝.融合KKS與RFID機(jī)房整體運(yùn)維關(guān)鍵技術(shù)研究[J].微型電腦應(yīng)用，2017，33（5）：63?64.