Как усовершенствовать и заставить работать на Россию американское запатентованное изобретение, помогающее обеспечивать непрерывность и качество связь абонентов. Предлагает ЕСЛ Софт.
В статье мы будем ссылаться на опубликованный в августе 2021 года патент No.: US 2021/0258068 A1 на изобретение под названием Al POWER MANAGEMENT SYSTEM FOR EFFECTIVE DUTY CYCLE FOR SPACE CONSTELLATIONS (Все материалы и рисунки, относящиеся к содержанию патента, выполнены на основании текста патента, находящегося в открытом доступе. Разрешение на использование этих материалов в источнике присутствует.).
Изобретение связано с модернизацией распределенной системы управления, расположенной на наземных станциях управления спутниками и на самих спутниках. В частности, речь идет об управлении солнечной энергией, которая вырабатывается на спутниках с использованием специальных средств. Однако, как показывает практика, количества энергии, вырабатываемой на спутниках, периодически бывает недостаточно для обеспечения нормального функционирования отельных компонентов спутника и ряда его подсистем, в том числе подсистем связи. В таких случаях, чтобы не потерять аппарат, необходимо автоматически менять ориентацию аппарата на солнце до тех пор, пока требуемый уровень питания не будет восстановлен. Авторы статьи предлагают применить методы машинного обучения и технологии искусственного интеллекта (Machine Learning/ Artificial Intelligence, ML/AI), что позволит эффективнее оптимизировать потребление электроэнергии в штатном режиме функционирования спутника и, тем самым, минимизировать риски возникновения нештатных ситуаций по этой причине.
Запатентованная в качестве изобретения система управления электропитанием основывается на использовании обучающегося алгоритма, работающего на базе искусственного интеллекта. Этот алгоритм оптимально распределяет и перераспределяет солнечную энергию одного или нескольких солнечных элементов, а также энергию накопителей, между некоторыми электронными компонентами (В данной статье под термином «электронные компоненты» следует понимать антенный узел одной или нескольких фазированных антенных решеток). Выработка, распределение и перераспределение энергии осуществляется с учетом целого ряда факторов (показателей). Такими факторами могут быть, например, количество сеансов связи, видимость конечных пользователей, сезонные характеристики Земли относительно Солнца, и т.п. Возможен также ручной ввод требований к качеству организации связи. На Рис.1 представлена общая схема модели запатентованного изобретения, где цифрами обозначены модули изобретения, а пунктиром выделен модуль, являющийся предметом изобретения. Схема является оригинальной, перевод осуществлен сотрудниками ЕСЛ Софт.
Рисунок 1. Общая схема модели патента No.: US 2021/0258068 A1 на изобретение под названием AI POWER MANAGEMENT SYSTEM FOR EFFECTIVE DUTY CYCLE FOR SPACE CONSTELLATIONS.
Изучив патентную документацию, сотрудники компании ЕСЛ Софт сформулировали основные принципы запатентованного изобретения, которые можно рекомендовать к использованию в предметной области с учетом российской специфики и на базе российской управленческой методологии, разработанной в нашей компании. При этом границы применения методов машинного обучения и технологий искусственного интеллекта предлагается существенно расширить.
Практики моделирования и прогнозирования применительно к функционированию комплексной системы управления спутниками связи на основе ряда современных алгоритмов с учетом исторического опыта и пороговых значений различных показателей позволят выявлять приоритеты в настройках отдельных электронных компонентов и их совокупности при каждом цикле контроля регулирования питания электронных компонентов, а также своевременно выявлять и применять предиктивные меры регулирования питания как части деятельности по управлению мощностями.
На данный момент подобная разработка может быть использована как средство реализации требуемых управленческих функций на наземной станции, после чего, с учетом развития технологической и технической базы, эта разработка может быть усовершенствована, реализована аппаратно и помещена на борт выбранных космических аппаратов связи. Таким образом, впоследствии может быть построена комплексная распределенная система управления функционированием спутника, которая, при помощи сетевой или иной разработанной архитектуры, может располагаться на различных космических аппаратах и обладать средствами взаимозаменяемости, дублирования выполнения управленческих функций на случай нештатных ситуаций, в том числе в локальном режиме, т.е. без связи с наземной станцией [6].
В процессе реализации и расширения границ применения принципов данного изобретения в условиях российской специфики предлагается использовать российскую управленческую методологию PerAspera METHODOLOGY (Официальная торговая марка PERASPERA с идентификационным номером 788890 зарегистрирована 16 декабря 2020 г.) (см. Рис.2). Методология позволяет реализовать следующую последовательность действий по структурированию и созданию подобной системы управления, включая обеспечение цикличности ее функционирования:
● выбор набора объектов управления, требуемых для обеспечения абонентов бесперебойной и качественной связью;
● формирование комплекса целей и задач, направленных на обеспечение качественной и бесперебойной связи абонентов;
● выделение соответствующих внешних и внутренних требований, на основе которых будет сформирована система измерений и метрик, позволяющая контролировать деятельность/функционирование выбранных объектов управления, обеспечивая последовательный контроль соответствия этим требованиям;
● формирование целевого набора показателей эффективности, включая пороговые и критические значения, что позволит последовательно проводить анализ соответствия текущего статуса выполнения задач требуемым значениям. На основе этих показателей должна быть в дальнейшем разработана система измерений и метрик как основа для своевременного определения и проведения конкретных управляющих воздействий, а также контроля эффективности их применения;
● на основе набора целевых показателей описание каждого выбранного объекта управления при помощи перечня показателей, однозначно характеризующих каждый объект управления, а также результативность и эффективность его деятельности/функционирования;
● выявление первоначальных источников первичных данных, включая исторические данные (журналы), характеризующих осуществление деятельности выбранных объектов и необходимых для отслеживания соответствия результатов деятельности целевым значениям определенного набора показателей;
● группировка и типизирование выбранных показателей, включая их разбивку на первичные и расчетные. Показатели также будут использованы как части системы измерений и метрик, с учетом определения их пороговых и критических значений;
● на базе сформированной системы измерений и метрик построение обучающейся системы, позволяющей на основе технологий машинного обучения (ML) и искусственного интеллекта (AI), а также различных математических методов моделирования и прогнозирования выполнять в циклическом режиме и на основе анализа набора первичных данных следующие действия:
— определять значения требуемых показателей, как первичных, так и расчетных;
— прогнозировать значения требуемых показателей с учетом пороговых и критических значений;
— обновлять и использовать исторические данные в качестве первичных;
— циклически сравнивать прогнозируемые расчетные и целевые значения показателей до момента получения оптимальных значений прогнозируемых показателей в сложившихся условиях, учитывая при этом пороговые и критические значения этих показателей;
— на этой основе рассчитывать и выдавать в рамках каждого цикла измерений набор оптимальных настроек и параметров для последующего регулирования уровня электропитания выявленных электронных компонентов с учетом избытка или недостатка питания у этих компонентов;
— осуществлять контроль процесса применения выданных настроек и параметров.
● автоматически осуществлять данную управленческую деятельность (сбор данных/анализ/прогноз, принятие решения, управляющее воздействие, контроль исполнения) в динамически изменяющихся внешних и внутренних условиях для достижения поставленных целей. Другими словами, созданная система должна иметь возможность обновления всех используемых компонентов и параметров управления, включая источники данных, наборы целевых, первичных и расчетных показателей и т.п.
Рисунок 2. Применение методологии РerASPERA METHODOLOGY для реализации принципов патента No.: US 2021/0258068 A1 на изобретение под названием Al POWER MANAGEMENT SYSTEM FOR EFFECTIVE DUTY CYCLE FOR SPACE CONSTELLATIONS
Для примера рассмотрим подход к реализации алгоритма «Модуль 3», использованного в запатентованном изобретении. На Рис. 3 приводится схематичное описание подхода к реализации этого алгоритма.
Рисунок 3, выполненный с учетом применения Рeraspera METHODOLOGY , содержит общее описание типов входных данных, различных показателей, самого алгоритма, примеров результатов применения этого алгоритма, а также краткий перечень используемых математических методов для каждого из этапов работы алгоритма.
Рисунок 3. Модуль 3 — подход к реализации в патенте No.: US 2021/0258068 A1 на изобретение под названием Al POWER MANAGEMENT SYSTEM FOR EFFECTIVE DUTY CYCLE FOR SPACE CONSTELLATIONS
Основываясь на знаниях и навыках, как в области информационных технологий, так и в различной управленческой деятельности, для построения нужного алгоритма предлагается строить гибкую инновационную систему управления на основе современной системы поддержки принятия управленческих решений с использованием технологий машинного обучения и искусственного интеллекта. Кроме того, работа алгоритма «Модуль 3» основывается на технологии обработки больших данных.
Согласно официальному определению стандарта ГОСТР ИСО/МЭК 20546-2021 «Информационные технологии. Большие данные. Обзор и словарь» под большими данными понимаются большие наборы данных – прежде всего, в характеристиках объема, разнообразия, скорости и/или изменчивости данных, которые требуют масштабируемой технологии для эффективного хранения, манипулирования, управления и анализа [1],[2].
Технология больших данных, в отличие от технологий обработки однородных структурированных данных, позволяет более эффективно и прозрачно получать информацию, что, в свою очередь, помогает гораздо быстрее принимать и реализовывать более обоснованные решения при условии, что также будут применяться оптимальные процессы обработки таких данных.
Используемый подход к сбору и обработке первичных данных, а также применения методов машинного обучения и искусственного интеллекта, позволяет обрабатывать произвольно выбранные приоритетные показатели, тем самым увеличивая функциональные возможности системы управления. Методы машинного обучения и технология искусственного интеллекта, включая прогнозирование, позволяют обеспечивать возможность быстрого и эффективного реагирования на появление негативных тенденций в функционировании объектов управления, в том числе по сравнению с нормальными, пороговыми и критическими значениями показателей.
В нашем случае большие данные поступают в различные модели из следующих источников:
1. Данные, получаемые с датчиков устройств, расположенных как на наземных устройствах, так и на спутнике. Это структурированные данные, которые могут поступать с разной частотой. К тому же часть поступающих данных обладает высокой вариабельностью. Например:
● Температура окружающей среды на спутнике;
● Ориентация диаграммы направленности антенны;
● Угол падения солнечных лучей на плоскость солнечной батареи;
● Ток, генерируемый панелями солнечной батареи, их температура;
● Положение спутника в пространстве;
● Ориентация спутника относительно инерциальной системы координат (ИСК);
● Направление на Солнце и положения небесных тел, которые могут отбрасывать тень на спутник;
● Затенение солнечных батарей спутника небесными телами. Такая ситуация, по большей части, относится к периоду времени нахождения спутника в тени Земли. Если спутник полностью затенен, то в этот момент времени солнечные батареи спутника электричество не вырабатывают;
● Параметры модели внешней поверхности спутника с учетом выставления положения подвижных элементов;
● Затенение солнечных батарей спутника элементами конструкции внешней поверхности.
2. Большие объемы структурированных, слабоструктурированных и неструктурированных данных от сторонних источников из внешней по отношению к системе спутниковой связи среды, в том числе от пользователей. Эти данные могут менять состав признаков. Например:
● Параметры окружающей среды в точке нахождения абонентов, в том числе влажность, температура окружающей среды, сила ветра и т.п. Эти данные поступают на наземные станции из сторонних специализированных приложений. Подобные параметры служат в качестве входных данных для проведения исследований и моделирования;
● Гарантийный срок службы элемента;
● Приоритеты от оператора, в частности — приоритетная зона для обработки вызовов;
● События, такие как вспышки на Солнце, политические мероприятия и т.п. Это различные события, которые могут повлиять на качество общения абонентов и количество одновременных вызовов. Список событий составляется и последовательно обновляется, подлежит мониторингу и используется при проведении исследований и моделирования;
● Запросы на сеанс связи.
3. Исторические данные, содержащие значения предыдущих настроек спутника и показания с датчиков.
Первичные данные на этапе чтения проходят процедуру валидации, нормализации и дедупликации. Цель этапа — привести все данные к единой системе значений и детализации, попутно обеспечив их надлежащее качество и достоверность, что, в свою очередь, обеспечит более высокое качество результатов моделирования.
Валидация – это процесс проверки первичных данных на достоверность, корректность и наличие ошибок измерений и учета, а также выявление и обработка пропусков данных. Для этого применяется набор тестов и процедур, позволяющих выявить статистически недостоверные данные. Процесс обработки пропусков данных не имеет единого стандарта, так как это зависит от характера и состава задач. Данные с пропусками могут быть удалены, либо пройдут процедуру заполнения таких пропусков при помощи применения специальных средств. Например, метрический алгоритм, служащий для автоматической классификации объектов или регрессии KNN («K Nearest Neighbors» или «k ближайших соседей»), присваивает нужному элементу пропущенную характеристику, которая определяется как среднее у k соседей данного элемента, классы которых уже известны.
Дедупликация – это процесс, который позволяет избавиться от повторных явных и неявных дублей данных, увеличивая точность работы модели.
Процедура нормализации необходима на подготовительном этапе перед использованием внутри алгоритма «Модуль 3» методов машинного обучения, таких как логистическая регрессия, метод опорных векторов, нейронная сеть, метод главных компонент. Нормализация данных позволяет привести значения всех показателей в единый формат.
Для количественных данных могут использоваться процедуры центрирования и нормирования. Для качественных признаков используется приведение всех данных к единому формату или заранее определенному шаблону. Нормализация входных значений является обязательной операцией для правильной сходимости нейронной сети.
С целью выявления взаимосвязи между оптимальными, целевыми показателями и значениями входных данных при обработке исторических показателей из журналов, которые представляют собой результаты работы алгоритма «Модуль 3» за предыдущий период исследования, применяются модели обработки временных рядов, такие как модели распределенных лагов, прогнозирование временных рядов с использованием рекуррентных нейронных сетей. По результатам работы этих моделей определяются расчетные показатели, учитывающиеся при установке целевых, пороговых и критических значений. Эти показатели также являются входными данными алгоритма определения оптимальных настроек системы.
Например, в настоящий момент на практике используется подход к математическому моделированию функционирования солнечной батареи с использованием двух моделей работы с учетом возможного затенения. Первая модель функционирует на основе решения диодного уравнения, вторая модель – простая, где ток, вырабатываемый солнечной батареей, зависит от площади ее освещенной части и угла падения солнечных лучей на плоскость солнечной батареи [8].
Алгоритм прогнозирования состояния спутника работает на основе использования набора входных данных и различных показателей с учетом заданных ограничений. В качестве ограничений работы моделей выступают значения целевых показателей, задаваемых в зависимости от приоритетов текущих задач и некоторых других условий.
Циклическая процедура применения модели определения оптимальных значений настроек спутника выполняется до тех пор, пока сравнение расчетного и прогнозного состояния спутника с заданными целевыми показателями не подтвердит, что настройки являются оптимальными. В качестве математических моделей поиска оптимальных значений могут выступать модели нейронных сетей, методы оптимизации, модели линейной и нелинейной регрессии, т.е. те методы математического анализа, которые по заданному набору параметров получают на выходе новый оптимальный набор значений с учетом ограничений [5], [7].
При применении алгоритма «Модуль 3» для решения поставленной задачи могут использоваться сверточные нейронные сети. В таких сетях входные данные представляются матрицами с заданными размерами. Суть этой операции заключается в том, что к входной матрице A применяется матрица свертки B. Матрица B скользит по матрице A, и соответствующие элементы Aij умножаются на Bij. Результаты суммируются, после чего результат суммирования записывается в матрицу C.
В качестве примера таких сетей можно привести нейросеть R-CNN и ее различные оптимизационные модели, такие как: Fast R-CNN, Faster R-CNN, Mask R-CNN. Эти модели похожи по своей основной идее, однако используют различные методы оптимизации для увеличения точности предсказания и количество классов, способных определяться сетью.
Говоря о расширении области применения принципов использования алгоритмов искусственного интеллекта патента No.: US 2021/0258068 A1, можно предложить не только реализацию принципов указанного в патенте алгоритма, обозначенного на Рис.1 и Рис. 2 как «Модуль 3», но и реализовать два других алгоритма, обозначенных на Рис. 2 как «ML/AI 2» и «ML/AI 3». Принципы алгоритма «Модуль 3» могут быть применены в процессе обработки различных типов данных с целью расчета оптимальных параметров электропитания определенного набора компонентов спутника. Однако, можно также предложить применить алгоритмы, использующие методы машинного обучения и технологию искусственного интеллекта, как минимум, в двух других случаях, а именно:
● ML/AI 2. Для разработки и приоритизации показателей эффективности используются приоритеты, задаваемые оператором на основе результатов исследований и моделирования. Оператор решает, какие факторы алгоритм «Модуль 3» должен принимать во внимание в первую очередь (например, быстроту обслуживания или стабильность связи). Например, может быть принято решение в первую очередь обслуживать абонентов из какого-то определенного региона, либо наоборот, снизить доступность связи для определенной группы абонентов.
Реализация алгоритма «ML/AI 2» позволит увеличить скорость и точность получения результата в части определения приоритетов, которые используются в качестве входных данных в алгоритме «Модуль 3». В описании запатентованного решения эта работа проводится с использованием ручного труда оператора. Обработка результатов исследований и моделирования при помощи искусственного интеллекта и машинного обучения позволит минимизировать ручной труд и снизить соответствующие риски и, прежде всего влияние человеческого фактора. При этом, возможность ручного вмешательства оператора можно сохранить с целью обеспечения экстренного реагирования при возникновении нештатной ситуации.
● ML/AI 3. Методы машинного обучения и технология искусственного интеллекта смогут эффективно использоваться в процессе обработки группы показателей, а именно, исторических показателей из журналов, внешних источников и систем, а также заданных показателей эффективности, включая выработку значений рекомендуемых пороговых и критических значений показателей. В комплексной, особенно распределенной, системе управления все используемые метрики и измерения связаны между собой и, как правило, влияют друг на друга. В современной теории управления максимальное внимание уделяется мониторингу изменения значимых показателей, обычно называемых «ключевыми показателями эффективности», которые, в свою очередь, отслеживают тенденции в изменении статусов тех событий, на данный момент определяющих успешность того или иного изменения, т.е. так называемых «критических факторов успеха». Поскольку с течением времени меняются приоритеты, цели, задачи, объекты управления, включая их количество и качество, а также критические факторы успеха (они могут стать не критическими, а операционными, но на их место придут другие критические факторы успеха), то все составляющие системы измерения и метрик также должны своевременно актуализироваться, включая связи между ними. Причем зачастую, такие изменения могут потребоваться бессистемно, в произвольном порядке. Отследить необходимость проведения таких изменений в максимально короткие сроки и с требуемым качеством можно только автоматически. Важно также учитывать, что при обработке даже перечисленного набора показателей мы имеем дело с большими данными. Тем более, при масштабировании предлагаемых принципов за пределы регулирования параметров электропитания отдельных элементов спутников, а также при переходе от наземного базирования предлагаемой системы к ее распределенному позиционированию, количество и качество объектов управления увеличится, сложность и архитектура системы управления также претерпит кардинальные изменения. Справиться с обработкой такого количества показателей автоматически можно будет только с использованием технологии ML/AI.
Реализация алгоритма «ML/AI 3» даст возможность быстрее и более точно определять и актуализировать значения показателей, включая целевые, а также, при необходимости, пороговые и критические. Кроме того, это даст возможность эффективнее проводить анализ и сравнение этих показателей для поиска их оптимальных значений с целью дальнейшего использования.
Следует отметить, что подходы и методы реализации алгоритмов «Модуль 3», «ML/AI 2» и «ML/AI 3» различаются по их наборам и степени сложности этой реализации. Они могут быть описаны более подробно на последующих этапах проведения работ. Однако, применение принципов методологии Рeraspera METHODOLOGY в процессе реализации упомянутых алгоритмов остается неизменным, поскольку методология обладает стратегической универсальностью, проверенной на нескольких десятках реализованных при ее помощи проектов.
Как видно из вышеописанного, применение методов ML/AI позволит существенно повысить качество связи абонентов. При этом следует обратить внимание на использование аппаратной реализации алгоритмов “Модуль 3”на соответствующих процессорах, которые могут быть размещены непосредственно на спутнике.
В данном статье предлагается рассмотреть вариант размещения системы управления на двух площадках: базовая станция управления и спутник. Процесс обучения и формирования модели предлагается проводить на уровне базовой станции, т.к. это подход позволяет обучить нейросетевую модель без учета влияния факторов ограниченности аппаратных процессорных ресурсов, отсутствия готовых библиотек, высокой сложности разработки и отладки алгоритма на встраиваемой платформе. В качестве инструментария для обучения нейросетевой модели на базовой станции можно применить цифровую платформу «Peraspera Платформа», зарегистрированную в Едином реестре российских программ для электронных вычислительных машин и баз данных №11210 от 29.07.2021. Данная платформа уже содержит в своем составе:
● возможности аналитической обработки данных, которая включает в свой состав нейросетевые модели и средства, как уже обученные на выполнение определенного типа задач, так и предоставляющие возможность самостоятельного анализа данных;
● средства из состава статистической математики, предоставляющие возможность типизации, кластеризации;
После обучения модели необходимо сгенерировать соответствующий код, пригодный для его запуска на выбранной программируемой логической интегральной схеме, сокращенно ПЛИС [4], [5], [9]. Впоследствии микросхема с обученной нейросетевой моделью может быть размещена на спутнике.
Выводы
В статье рассмотрен ряд предложений по использованию методов машинного обучения и технологии искусственного интеллекта в процессе управления электропитанием ряда компонентов спутника. Предложения берут за основу изобретение, описанное в патенте No.: US 2021/0258068 A1. При этом запатентованная идея переработана и дополнена, приводится обоснование расширения границ ее применения, включая предложения по внедрению соответствующих технологий на других участках системы управления электропитанием.
Предлагаемая целевая конфигурация компонентов системы управления питанием предполагает проведение процесса обучения и формирования модели на уровне базовой станции с последующим перемещением ее на спутники при помощи переноса сгенерированных нейросетевых моделей на ПЛИС. Результатом применения такого решения станет возможность обеспечения надежной работы системы управления электропитанием спутника при его попадании в затененную область за счет совместного использования доступных текущих значений показателей спутника и прогнозных значений прочих показателей, используемых при расчете оптимальных параметров электропитания.
Основой для разработки и внедрения такого решения может стать уникальная российская управленческая методология Рeraspera METHODOLOGY , разработанная, по факту, в соответствии с требованиями перспективного национального стандарта ГОСТ Р ИСО/МЭК 24668 «Информационные технологии. Искусственный интеллект. Структура управления процессами аналитики больших данных». Методология включает в себя и инструмент ее реализации — цифровую платформу «Peraspera Платформа», зарегистрированную в Едином реестре российских программ. Наличие такого комплекса позволит снизить риски применения изолированного от методологического подхода российского инструментария и даст возможность отказаться от применения зарубежных решений.
Литература:
1. ГОСТ Р ИСО/МЭК 20546-2021 «Информационные технологии. Большие данные. Обзор и словарь»;
2. ГОСТ Р ИСО/МЭК 24668 «Информационные технологии. Искусственный интеллект. Структура управления процессами аналитики больших данных»;
3. Цветков Виктор Яковлевич Распределенное управление. Современные технологии управления. ISSN 2226- 9339. — №4 (76). Номер статьи: 7602. Дата публикации: 2017-04-01. Режим доступа: https://sovman.ru/article/7602/; от 30.11.2021
4. Лозович О.Н. “Применение нейронных сетей на основе ПЛИС для решения задач надежности коммуникационных информационных систем”, УДК 004.896, Государственный университет информатики и искусственного интеллекта, г. Донецк, Украина
5. Zhizhong Li, Derek Hoiem, Member, IEEE, “Learning without forgetting”, arXiv preprint arXiv:1606.09282v3, 2017
6. Надараиа Ц.Г., Шестаков И.Я., Фадеев А.А., Виноградов К.Н., Михалев Д.Н. «Повышение энергетической эффективности системы электропитания перспективных космических аппаратов». Сибирский аэрокосмический журнал, vol. 17, no. 4, 2016, pp. 983-988.
7. Каширина И.Л., Демченко М.В.. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей, Вестник ВГУ, серия: системный анализ и информационные технологии. — 2018. — № 4. – Стр. 123-132.
URL: http://www.vestnik.vsu.ru/pdf/analiz/2018/04/2018-04-15.pdf от 30.11.2021
8. Сазонов В.В. Математическое моделирование. 2021 год, том 33, номер 9, Математическое моделирование работы солнечных батарей космического аппатата © 2021 г. Московский государственный университет им. М.В. Ломоносова, факультет космических исследований, центр фундаментальной и прикладной математики МГУ
9. Conveyor Control Using Programmable Logic Controller, November 2021 Author: Vijaya Raghavan, Dr. T. Thimmaiah Institute of Technology https://www.researchgate.net/publication/356407863_Conveyor_Control_Using_Programmable_Logic_Controller, Researchgate; от 30.11.2021
Поделиться