Articolo metodologico

Potenziamento della mobilità intelligente utilizzando la modellazione magnetoreologica dei fluidi ad alta fedeltà per lo sviluppo del controllo adattivo degli ammortizzatori

DOI:

10.3791/68567

⸱

27 giugno 2025

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo protocollo descrive in dettaglio lo sviluppo di un sistema di controllo degli ammortizzatori magnetoreologico (MR) compensato in temperatura che combina la modellazione magnetoreologica dei fluidi ad alta fedeltà, la preparazione ottimizzata dei fluidi e gli algoritmi di controllo adattivo della compensazione termica. La metodologia può essere applicata alle sospensioni automobilistiche per migliorare significativamente il comfort dei veicoli elettrici.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Con l'aumento dei veicoli elettrici (EV) ad alte prestazioni che richiedono sistemi di sospensione avanzati in grado di fornire precisione, elevata forza erogata e rapida adattabilità, gli ammortizzatori magnetoreologici (MR) sono fondamentali per ottenere un controllo delle sospensioni a risposta rapida. Tuttavia, la loro sensibilità alla temperatura limita l'affidabilità in condizioni estreme. Il presente protocollo presenta un approccio sistematico per affrontare questa sfida. Un fluido RM ad alte prestazioni viene sintetizzato utilizzando particelle di ferro carbonilico disperse in un fluido vettore termicamente stabile con agenti antiusura e antiossidanti. Proponiamo un modello di Analisi Mista Lineare Esponenziale (ELMA) e il suo metodo di identificazione dei parametri, che può essere considerato come un'alternativa superiore al modello biplastico di Bingham. Il framework ELMA è esteso agli smorzatori MR, con algoritmi di compensazione della temperatura che migliorano la precisione di inseguimento della corrente del 3,98% e la precisione di inseguimento della forza del 7,75% (picco: 19,92%). Le simulazioni congiunte CarSim/Simulink dimostrano che gli algoritmi Sky-hook e Mixed SH-ADD con compensazione della temperatura riducono la varianza dell'accelerazione verticale dell'11,97% e la velocità di beccheggio di picco del 41,78% su strade di Classe D. Questo protocollo collega la fisica dei fluidi RM al controllo adattivo degli ammortizzatori, offrendo un flusso di lavoro replicabile per migliorare i sistemi di sospensione EV in ambienti termici estremi.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il rapido sviluppo di veicoli elettrici (EV) ad alte prestazioni negli ultimi anni ha portato maggiore convenienza alla società umana, nonché nuove sfide e opportunità per i veicoli convenzionali. Ad esempio, richiedono propulsori più reattivi e precisi1 e sistemi di sospensione avanzati in grado di offrire precisione, forza elevata e rapida adattabilità. Gli smorzatori magnetoreologici (MR) sono ideali per soddisfare questi requisiti, utilizzando fluidi magnetoreologici, un materiale intelligente che cambia rapidamente e reversibilmente le sue proprietà reologiche (principalmente viscosità e stress di snervamento) in presenza di un campo magnetico 2,3,4,5,6 . Questa variazione controllabile consente allo smorzatore magnetoresistivo di regolare con precisione la forza di smorzamento. Tuttavia, lo sfruttamento di questo potenziale richiede una modellazione accurata, soprattutto perché il mantenimento di prestazioni costanti e prevedibili nelle condizioni operative tipiche delle applicazioni automobilistiche (ad esempio, l'intervallo di temperatura può variare da -30 °C a +80 °C) rimane una sfida importante.

La ricerca esistente sugli smorzatori magnetoreologici (MRD) mostra notevoli limitazioni nella caratterizzazione sistematica dei comportamenti dinamici attraverso l'analisi dei dati reologici del fluido magnetoreologico (MRF) 4,6,7,8,9,10,11,12,13,14,15,16, 17,18,19. Sebbene siano stati documentati notevoli sforzi di modellazione parametrica, questi servono prevalentemente allo sviluppo di algoritmi di controllo piuttosto che ad applicazioni pratiche di progettazione ingegneristica 17,18,19. Inoltre, gli attuali paradigmi di modellazione impiegano spesso ipotesi eccessivamente semplificate che limitano la loro generalizzabilità in diverse condizioni operative e configurazioni di dispositivi 20,21,22,23,24,25,26,27.

Pertanto, presentiamo un approccio integrato volto a superare questi limiti pratici attraverso tre innovazioni chiave per applicazioni impegnative: l'ottimizzazione della formulazione del fluido MR per migliorare la stabilità termica negli intervalli di temperatura tipici del settore automobilistico, la proposta di un nuovo modello ELMA (Exponential Linear Mixing Analysis) e una metodologia di identificazione dei parametri in grado di catturare i comportamenti in diverse condizioni e lo sviluppo di algoritmi di compensazione della temperatura per una temperatura robusta algoritmi di compensazione per il controllo MRD in tempo reale. L'obiettivo è fornire una metodologia che consenta un funzionamento affidabile della MRD, affrontando in modo specifico le variazioni termiche. L'approccio offre vantaggi attraverso l'ottimizzazione unificata della stabilità del fluido, la modellazione avanzata per una maggiore precisione e il controllo con compensazione della temperatura. Gli esperimenti reologici convalidano l'accuratezza del modello ELMA, mentre le simulazioni della dinamica del veicolo dimostrano l'efficacia della strategia di compensazione della temperatura nel migliorare le prestazioni delle sospensioni a diverse temperature, migliorando così la fattibilità degli ammortizzatori MR per applicazioni come i veicoli elettrici.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Sintesi di fluidi RM personalizzati a bassa densità

  1. Ottenere i seguenti materiali: olio base PAO162 e additivi: bentonite organica, carbonato di propilene, tensioattivo e polvere di ferro carbonilico.
  2. Per preparare l'impasto, seguire i passaggi descritti di seguito.
    1. Mettere PAO162 (per MRF1) in un recipiente di acciaio inossidabile da 500 mL. Immergere il recipiente in un bagnomaria a 50 °C ed equilibrare per 10 minuti.
    2. Aggiungere la bentonite organica all'olio base e mescolare a 600 giri/min per 20 minuti utilizzando un agitatore meccanico (ad es. IKA RW 20). Aggiungere il carbonato di propilene (PC) e mescolare a 600 giri/min per 10 min. Aggiungere il tensioattivo T154A e mescolare a 600 giri/min per 5 min.
    3. Aggiungere gradualmente CIP-SQ alla miscela. Aumentare la velocità di agitazione a 1.500 giri/min e mescolare per 1 ora. Monitorare la temperatura per mantenere 50 ± 2 °C durante la miscelazione. La configurazione sperimentale è mostrata nella Figura 1.

2. Sviluppo del modello ELMA

  1. Per la formulazione del modello ELMA, definire l'equazione ELMA espressa come:
    figure-protocol-1
    dove: figure-protocol-2 = Sforzo di taglio (Pa), figure-protocol-3 = Sforzo dinamico di snervamento (Pa), figure-protocol-4 = Viscosità plastica (Pa·s), figure-protocol-5 = Sforzo ELMA, quantificando l'entità della deviazione non lineare (Pa), figure-protocol-6 = Costante di decadimento esponenziale (s), inversamente correlata alla velocità di taglio critico (figure-protocol-7).
  2. Definite le feature chiave del modello. Ad alte velocità di taglio (figure-protocol-8), semplificare ELMA al modello di Bingham (figure-protocol-9). A basse velocità di taglio, definire il termine non lineare (figure-protocol-10) che cattura le deviazioni dal comportamento lineare. Definite la sollecitazione statica di snervamento come figure-protocol-11.
  3. Per la preparazione e la ponderazione dei dati, utilizzare il protocollo di test della velocità di taglio.
    1. Eseguire scansioni logaritmiche della velocità di taglio (figure-protocol-12) utilizzando un reometro. Acquisisci 20 punti dati per ogni ordine di grandezza.
    2. Utilizzare una strategia di ponderazione ed estendere l'elenco della velocità di taglio aggiungendo un valore estrapolato (figure-protocol-13).
    3. Calcola le distanze tra le distanze di taglio utilizzando la seguente equazione:
      figure-protocol-14
    4. Normalizza i pesi utilizzando la seguente equazione:
      figure-protocol-15
      dove figure-protocol-16 è la distanza media.
  4. Utilizzare il seguente algoritmo di identificazione dei parametri (Figura 2).
    1. Per la linearizzazione dello spazio dei parametri, riscrivere l'equazione ELMA in forma di matrice come segue:
      figure-protocol-17
      dove: figure-protocol-18 = Colonna vettoriale della sollecitazione di taglio misurata, figure-protocol-19 = La matrice generata mappando i dati della velocità di taglio con un operatore non lineare, figure-protocol-20 = Matrice figure-protocol-21dei parametri .
    2. Usa la soluzione dei minimi quadrati ponderati per risolvere utilizzando figure-protocol-22 la seguente equazione:
      figure-protocol-23
      dove figure-protocol-24 è una matrice diagonale di pesi figure-protocol-25.
    3. Eseguire l'ottimizzazione non lineare per b. Inizializza b con un valore piccolo (ad esempio, figure-protocol-26). Utilizza il solutore lsqnonlin di MATLAB per ridurre al minimo la norma residua:
      figure-protocol-27
      Iterare fino alla convergenza (tolleranza: figure-protocol-28) o al numero massimo di iterazioni (ad esempio, 1000).
  5. Utilizza le seguenti metriche di convalida.
    1. Per la quantificazione dell'errore, utilizzare l'equazione della somma degli errori al quadrato (SSE), l'equazione dell'errore quadratico medio (RMSE) e . Equazione R-quadrato (R2) come indicato di seguito.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Implementa il flusso di lavoro come descritto di seguito.
    1. Per l'acquisizione dei dati, eseguire test reologici a temperature controllate (ad es. 40 °C, 70 °C) e campi magnetici (0-1,07 T). Esportazione dei dati relativi alla sollecitazione di taglio (figure-protocol-32) e alla velocità di taglio (figure-protocol-33) in MATLAB.
    2. Per la ponderazione e la linearizzazione, applicare lo schema di pesatura descritto al punto 2.3. Costruisci figure-protocol-34 una matrice utilizzando i file . figure-protocol-35 Esegui l'ottimizzazione dei parametri risolvendo l'uso figure-protocol-36 dei minimi quadrati pesati e ottimizza b utilizzando i minimi quadrati non lineari.
    3. Per la convalida, confrontare le previsioni del modello con i dati sperimentali. Calcola l'RMSE per valutare l'accuratezza.

                          

3. Implementazione del controllo della serranda con compensazione della temperatura

  1. Sviluppo di modelli ELMA dipendenti dalla temperatura
    1. Per la caratterizzazione sperimentale degli effetti termici, stabilire una configurazione di test degli smorzatori. Montare un ammortizzatore MR personalizzato (corsa: 75 mm, diametro pistone: 50 mm) su una servomacchina elettroidraulica. Collegare una termocoppia alla superficie dell'ammortizzatore per il monitoraggio della temperatura in tempo reale. Racchiudere la serranda in una camera a temperatura controllata (da -30 °C a 80 °C).
    2. Eseguire il ciclo termico. Per ogni temperatura (-30 °C, -20 °C, -10 °C,...,80 °C), applicare l'eccitazione sinusoidale con ampiezza: 40 mm e frequenza: 2,085 Hz. Misurare la forza di smorzamento alle correnti di eccitazione: 0 A, 1 A, 2 A, 3 A. Attendere 60 minuti per la stabilizzazione della temperatura prima dell'acquisizione dei dati. La configurazione sperimentale è mostrata nella Figura 3.
    3. Per la parametrizzazione del modello ELMA con dipendenza di corrente, utilizzare la seguente equazione:
      figure-protocol-37
      dove: figure-protocol-38 (tensione dinamica di snervamento); figure-protocol-39 (coefficiente di smorzamento post-snervamento);  figure-protocol-40 (grandezza della deviazione non lineare); figure-protocol-41 (costante di decadimento esponenziale).
    4. Per l'adattamento quadratico, i parametri figure-protocol-42di adattamento, ecc., ai dati sperimentali utilizzando l'ottimizzazione dei minimi quadrati.
  2. Progettazione del fattore di compensazione della temperatura
    1. Introdurre un fattore di correzione esponenziale dipendente dalla temperatura, figure-protocol-43 come segue
      figure-protocol-44
      Dove figure-protocol-45 = Coefficiente di smorzamento post-snervamento a 25 °C, figure-protocol-46 = Costanti empiriche.
    2. Per determinare il coefficiente di smorzamento post-snervamento modificato, regolare il coefficiente di smorzamento per gli effetti della temperatura e aggiornare il modello ELMA per includere la correzione termica utilizzando rispettivamente le due equazioni seguenti.
      figure-protocol-47
      figure-protocol-48
      La forma espansa delle equazioni è
      figure-protocol-49
  3. Modello inverso per il controllo della corrente in tempo reale (Figura 4).
    1. Per creare un modello semplificato simile a quello di Bingham, trascurare il termine di deviazione non lineare per il controllo in tempo reale come segue.
      figure-protocol-50
      La forma espansa modificata è
      figure-protocol-51
    2. Per il calcolo corrente, risolvi l'equazione quadratica per figure-protocol-52:
      figure-protocol-53
      con coefficienti:
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. Per il bloccaggio di corrente, applicare vincoli a figure-protocol-57.
  4. Simulazione e convalida
    1. Per la generazione della superficie di controllo, eseguire l'inseguimento della corrente con gli ingressi: Forza desiderata (figure-protocol-58), Velocità del pistone (figure-protocol-59), Temperatura (figure-protocol-60) e Uscita: Comando Corrente (figure-protocol-61). Eseguire l'inseguimento della forza con gli ingressi: Comando corrente (figure-protocol-62), velocità del pistone (figure-protocol-63), temperatura (figure-protocol-64) e uscita: forza MRD (figure-protocol-65).
    2. Per le metriche di convalida, eseguire l'accuratezza del tracciamento della corrente e calcolare il miglioramento rispetto al modello non compensato (ad esempio, 3,98% in media a 80 °C). Eseguire l'accuratezza dell'inseguimento della forza e calcolare il miglioramento rispetto al modello non compensato (ad esempio, 7,75% in media a 80 °C).
    3. Valutare l'effetto della compensazione della temperatura dell'indicatore della sospensione del veicolo. Utilizzare la sospensione a quarto tipica (Figura 5) per la simulazione della correlazione. Il gruppo Sky-hook con controllo della compensazione mostra una riduzione dell'energia da 1,2504 a 1,1007 sulle strade di Classe D e il gruppo SH-ADD misto con controllo della compensazione mostra una diminuzione dell'energia da 1,0565 a 0,9428 sulle strade di Classe D. Dopo la compensazione, il valore assoluto del tasso di beccheggio di picco del gruppo Sky-hook è diminuito da 6,2775 a 4,0287 e il gruppo SH-ADD misto è diminuito da 6,2776 a 3,6551.
  5. Flusso di lavoro di implementazione
    1. Per la caratterizzazione termica, eseguire test degli smorzatori a temperature variabili (da -30 °C a 80 °C). Esporta i dati forza-velocità per l'adattamento dei parametri.
    2. Per la parametrizzazione del modello, adattare i parametri del modello ELMA (figure-protocol-66ecc.) utilizzando lsqcurvefit di MATLAB. Determinare figure-protocol-67 le costanti (figure-protocol-68) tramite la regressione non lineare.
    3. Per l'implementazione inversa del modello, implementa il modello in Simulink con blocchi di saturazione per il bloccaggio della corrente.
    4. Per la convalida, verificare l'accuratezza del tracciamento (Figura 6 e Figura 7). Confrontare le risposte del sistema di sospensione del veicolo compensato e non compensato (Figura 8 e Figura 9).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La strategia di compensazione della temperatura presentata in questo protocollo si concentra principalmente sugli smorzatori magnetoreologici e il controllo della compensazione è determinato da test completi a livello di smorzatore su una gamma di dipendenze di corrente, velocità e temperatura. Tuttavia, abbiamo anche fatto gli esperimenti di temperatura relativi ai fluidi magnetoreologici per ottenere l'immagine mostrata nella Figura 10, quando la temperatur...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il protocollo fornisce un approccio strutturato per affrontare la sensibilità alla temperatura degli smorzatori magnetoreologici (MR) attraverso tre innovazioni correlate: sintesi ottimizzata dei fluidi magnetoreologici, modellazione ELMA (Exponential Linear Mixing Analysis) e algoritmi di compensazione della temperatura adattiva. I passaggi chiave includono l'omogeneizzazione basata su gradiente del fluido magnetoreologico con l'aggiunta sequenziale di additivi a temperatura controllata...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno alcun interesse finanziario nei prodotti descritti in questo manoscritto e non hanno nient'altro da rivelare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo lavoro è stato sostenuto dalla National Natural Science Foundation of China [numeri di sovvenzione 51761135124, 11672148, 52003142, 51775293]; e il Laboratorio chiave statale per l'NVH dei veicoli e la tecnologia di sicurezza [Numero di sovvenzione NVHSKI-202106]

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
compressore d'ariaDynairDA5002CS
Polvere di ferro carbonilicoBASFCIP-SQ
Macchina per prove di fatica servoidraulica elettroidraulicaDOCERPWS-1000
MATLABMathworksR2022b
Bentonite organica
INEOSPAO162
PC MACKLINcarbonatodi propilene
Anton PaarMCR702 
controllo della temperaturaPeltierH-PTD200
Jinzhou XinxingT154A
ELEMENTIS-Poli-alfa-olefina Reometro Piattaforma di di

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Deng, L., et al. Design of a Dual-Motor Powertrain with Magnetorheological Planetary Transmission for Electric Vehicles 2024-01-2636. SAE Technical Paper. , (2024).
  2. Seo, Y. P., et al. Searching for a stable high-performance magnetorheological suspension. Adv Mater. 30 (42), 1704769(2018).
  3. Hajalilou, A., Mazlan, S. A., Lavvafi, H., Shameli, K. Field responsive fluids as smart materials. , Springer. (2016).
  4. Gołdasz, J., Sapiński, B. Insight into magnetorheological shock absorbers. , Springer International Publishing. Switzerland. (2015).
  5. Zhu, X., Jing, X., Cheng, L. Magnetorheological fluid dampers: A review on structure design and analysis. J Intelligent Mater Syst Struct. 23 (8), 839-873 (2012).
  6. Yang, G., Spencer, B. Jr, Carlson, J., Sain, M. Large-scale mr fluid dampers: Modeling and dynamic performance considerations. Eng Struct. 24 (3), 309-323 (2002).
  7. Sheikh, H., Van Engelen, N. C., Ruparathna, R. A review of base isolation systems with adaptive characteristics. Structures. 38, 1542-1555 (2022).
  8. Guglielmino, E., Sireteanu, T., Stammers, C. W., Ghita, G., Giuclea, M. Semi-active suspension control: Improved vehicle ride and road friendliness. , Springer Science & Business Media. (2008).
  9. Zhu, Z., Zhang, X. Damping performance optimization of the magnetorheological damper with three parallel channels. Structures. 44, 1962-1973 (2022).
  10. Hadadian, A., Sedaghati, R., Esmailzadeh, E. Design optimization of magnetorheological fluid valves using response surface method. J Intelligent Mater Syst Struct. 25 (11), 1352-1371 (2014).
  11. Kazakov, Y. B., Morozov, N., Nesterov, S. Development of models of the magnetorheological fluid damper. J Magnetism Magnetic Mater. 431, 269-272 (2017).
  12. Bitman, L., Choi, Y. T., Wereley, N. M. Passive damping and isolation. Proc SPIE. 3045, (1997).
  13. Guo, P., Guan, X., Ou, J. Physical modeling and design method of the hysteretic behavior of magnetorheological dampers. J Intelligent Mater Syst Struct. 25 (6), 680-696 (2014).
  14. Guo, S., Yang, S., Pan, C. Dynamic modeling of magnetorheological damper behaviors. J Intelligent Mater Syst Struct. 17 (1), 3-14 (2006).
  15. Wereley, N. M., Pang, L., Kamath, G. M. Idealized hysteresis modeling of electrorheological and magnetorheological dampers. J Intelligent Mater Syst Struc. 9 (8), 642-649 (1998).
  16. Wang, D., Liao, W. Modeling and control of magnetorheological fluid dampers using neural networks. Smart Mater Struct. 14 (1), 111(2004).
  17. Wang, D., Liao, W. H. Magnetorheological fluid dampers: A review of parametric modelling. Smart Mater Struct. 20 (2), 023001(2011).
  18. Xu, Z. D., et al. Force tracking model and experimental verification on a novel magnetorheological damper with combined compensator for stay cables of bridge. Structures. 32, 1971-1985 (2021).
  19. Bui, Q. D., Bai, X. X., Nguyen, Q. H. Dynamic modeling of mr dampers based on quasi-static model and magic formula hysteresis multiplier. Eng Struct. 245, 112855(2021).
  20. Batterbee, D., Sims, N. Active and Passive Smart Structures and Integrated Systems. Proc SPIE. 12043, 360-370 (2008).
  21. Liu, Y., et al. Smart Structures and Materials 2003: Industrial and Commercial Applications of Smart Structures Technologies. Proc SPIE. 5054, 332-340 (2003).
  22. Wilson, N. L., Wereley, N. M., Choi, Y. -T., Hiemenz, G. J., Hu, W. Active and Passive Smart Structures and Integrated Systems 2009. Proc SPIE. 7288, 318-327 (2009).
  23. Priya, C. B., Gopalakrishnan, N. Temperature dependent modelling of magnetorheological (mr) dampers using support vector regression. Smart Mater Struct. 28 (2), 025021(2019).
  24. Choi, S. B. Thermal conductivity and temperature dependency of magnetorheological fluids and application systems-a chronological review. Micromachines. 14 (11), 2096(2023).
  25. Zhu, H., Rui, X., Yang, F., Zhu, W., Jiang, M. Influence of temperature and internal leakage on magnetorheological damper. Int J Mech Syst Dynamics. 4 (4), 487-496 (2024).
  26. Influence of Temperature on the MR Squeeze-Mode Damper. Gołdasz, J., Sapinski, B. Proc 2019 20th Int Carpathian Cont Conf, , 1-6 (2019).
  27. Yu, J., Dong, X., Wang, X., Pan, C., Zhou, Y. Asymmetric dynamic model of temperature-dependent magnetorheological damper and application for semi-active system. Front Mater. 6, 227(2019).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Ammortizzatori magnetoreologicimodellazione di fluidi MRcompensazione della temperaturaanalisi mista lineare esponenzialesistemi di sospensioneveicoli elettricialgoritmo Sky Hookinseguimento della forzaCarSim Simulink
Video in arrivo

Articoli correlati