喬維德

(無錫開放大學(xué),江蘇 無錫 214011)

一種電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)方法

喬維德

(無錫開放大學(xué),江蘇 無錫 214011)

根據(jù)電動汽車用驅(qū)動電機(jī)性能特點(diǎn)，從驅(qū)動電機(jī)系統(tǒng)的電機(jī)控制性能、電機(jī)本體設(shè)計(jì)、企業(yè)資質(zhì)能力等不同維度分析，應(yīng)用層次分析法(AHP)確定驅(qū)動電機(jī)性能評價(jià)指標(biāo)體系及其指標(biāo)權(quán)重，建立驅(qū)動電機(jī)性能評價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型，并采用雞群優(yōu)化算法(CSO)對其模型進(jìn)行優(yōu)化。仿真實(shí)例表明，基于AHP和CSO-BP神經(jīng)網(wǎng)絡(luò)的驅(qū)動電機(jī)系統(tǒng)性能評價(jià)方法，具有評價(jià)速度快、準(zhǔn)確率高等優(yōu)點(diǎn), 并得到滿意的評價(jià)結(jié)果。這對于電動汽車驅(qū)動電機(jī)系統(tǒng)的評價(jià)、選擇與應(yīng)用，具有較好的工程實(shí)用價(jià)值。

電動汽車； 驅(qū)動電機(jī)； 層次分析法； 雞群優(yōu)化算法-BP神經(jīng)網(wǎng)絡(luò)； 評價(jià)

0 引 言

目前，新能源汽車正處于逢勃發(fā)展階段。電動汽車作為新能源汽車的主要類型之一，屬于一種低排放且有效利用資源的重要交通工具，也越來越受到人們的青睞。電動汽車的核心部件是由驅(qū)動電機(jī)和驅(qū)動電機(jī)控制器等構(gòu)成的驅(qū)動電機(jī)系統(tǒng)，其中，電動汽車使用的驅(qū)動電機(jī)主要有直流電機(jī)、感應(yīng)電機(jī)、永磁無刷電機(jī)、開關(guān)磁阻電機(jī)等。驅(qū)動電機(jī)系統(tǒng)已成為電動汽車的關(guān)鍵技術(shù)之一，是車輛行駛的主要驅(qū)動系統(tǒng)，對于決定電動汽車的運(yùn)行與控制性能起著至關(guān)重要的作用。隨著電動汽車用驅(qū)動電機(jī)技術(shù)不斷提高以及電動汽車的產(chǎn)業(yè)化規(guī)模發(fā)展，電動汽車用驅(qū)動電機(jī)系統(tǒng)的綜合性能評價(jià)已成為汽車廠家及學(xué)者共同關(guān)注且亟待破解的瓶頸。據(jù)相關(guān)研究文獻(xiàn)報(bào)道，目前電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)主要采取傳統(tǒng)的主觀評分法、層次分析法(Analytic Hierarchy Process,AHP)、模糊綜合評價(jià)法、灰色評價(jià)法等。以上方法雖然操作簡便，具有一定的實(shí)用性，但在評價(jià)過程中評價(jià)指標(biāo)受到參評人員的主觀性、隨意性及時(shí)間因素等影響較大，再加之電動汽車用驅(qū)動電機(jī)系統(tǒng)本身具有較強(qiáng)的非線性、時(shí)滯性及不確定性，單純采用這些傳統(tǒng)方法，很難保證評價(jià)結(jié)果的準(zhǔn)確性和客觀性。為提高電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的準(zhǔn)確性、完善性，應(yīng)引入更加客觀的評價(jià)方法來取代傳統(tǒng)方法，或與傳統(tǒng)評價(jià)方法相結(jié)合。本文應(yīng)用AHP建立電動汽車用驅(qū)動電機(jī)系統(tǒng)性能的綜合評價(jià)指標(biāo)體系，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的驅(qū)動電機(jī)系統(tǒng)綜合評價(jià)模型，并且采取雞群優(yōu)化算法訓(xùn)練優(yōu)化評價(jià)模型，從而對電動汽車的驅(qū)動電機(jī)系統(tǒng)性能的優(yōu)劣作出比較全面、客觀、高效的評價(jià)。

1 驅(qū)動電機(jī)系統(tǒng)性能評價(jià)指標(biāo)體系的構(gòu)建

AHP屬于一種定性和定量相結(jié)合的分析方法，通過分析復(fù)雜系統(tǒng)的各影響因素及其因素之間的內(nèi)在關(guān)聯(lián)基礎(chǔ)上，采取較少的定量信息，以數(shù)學(xué)化、層次化形式描述復(fù)雜系統(tǒng)的影響因素。

1. 1 建立評價(jià)層次結(jié)構(gòu)

正確評價(jià)電動汽車用驅(qū)動電機(jī)系統(tǒng)性能，必須引入系統(tǒng)工程的思維方法，遵循全面性、獨(dú)立性、可比性以及效益、成本統(tǒng)籌兼顧的原則，構(gòu)建電動汽車用驅(qū)動電機(jī)系統(tǒng)評價(jià)指標(biāo)體系。影響驅(qū)動電機(jī)系統(tǒng)性能的因素錯綜復(fù)雜，對驅(qū)動電機(jī)系統(tǒng)性能的評價(jià)，不僅考慮其固有特性的各項(xiàng)性能測試指標(biāo)，如電機(jī)溫升、轉(zhuǎn)速響應(yīng)時(shí)間等，而且分析驅(qū)動電機(jī)系統(tǒng)制造企業(yè)自身的資質(zhì)能力指標(biāo)，如驅(qū)動電機(jī)系統(tǒng)產(chǎn)品的質(zhì)量保障能力、技術(shù)保障能力、售后服務(wù)能力等。在參考電動汽車驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的相關(guān)文獻(xiàn)以及綜合咨詢專家意見基礎(chǔ)上，本文從驅(qū)動電機(jī)系統(tǒng)的電機(jī)控制性能、電機(jī)本體設(shè)計(jì)、企業(yè)資質(zhì)能力等三個(gè)不同維度指標(biāo)建立驅(qū)動電機(jī)系統(tǒng)性能評價(jià)指標(biāo)體系[1-2]，如表1所示。該體系為由目標(biāo)層(A)、一級指標(biāo)層(B)和二級指標(biāo)層(C)組成的三層結(jié)構(gòu)模型，其中一級指標(biāo)層包括3項(xiàng)指標(biāo)，二級指標(biāo)層含有26項(xiàng)指標(biāo)。

1. 2 確定指標(biāo)體系權(quán)重

在應(yīng)用AHP確定該評價(jià)體系中各指標(biāo)權(quán)重時(shí)，基于專家調(diào)查數(shù)據(jù)采用1-9比率標(biāo)度法建立各指標(biāo)層的權(quán)重判斷矩陣[3]，通過計(jì)算得出電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的指標(biāo)權(quán)重判斷矩陣A-B、B1-C、B2-C、B3-C，分別如表2～表5所示。接著分別計(jì)算各判斷矩陣的特征向量，并將各特征向量經(jīng)過歸一化處理后，便可求得各項(xiàng)指標(biāo)的權(quán)重及其合成權(quán)重。表6為二級指標(biāo)層各指標(biāo)因素相對于目標(biāo)層的綜合權(quán)重向量。

表1 電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)層次結(jié)構(gòu)表

表2 權(quán)重判斷矩陣A-B

表3 權(quán)重判斷矩陣B1-C

表4 權(quán)重判斷矩陣B2-C

表5 權(quán)重判斷矩陣B3-C

2 基于雞群優(yōu)化算法-BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型建模

2. 1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)含有輸入層、隱含層、輸出層，其拓?fù)浣Y(jié)構(gòu)模型如圖1所示[3]。

輸入向量C11～C37經(jīng)過隱含層結(jié)點(diǎn)后作用并輸出至輸出層神經(jīng)元節(jié)點(diǎn)，得到BP網(wǎng)絡(luò)實(shí)際輸出量Y，Y與該網(wǎng)絡(luò)的理想輸出Q之間往往存在偏差，網(wǎng)絡(luò)通過樣本的不斷學(xué)習(xí)和訓(xùn)練，反復(fù)調(diào)整輸入至隱含、隱含至輸出等各網(wǎng)絡(luò)層間的連接權(quán)值ωij、Tki，以及隱含層和輸出層的節(jié)點(diǎn)閾值θi、θk等結(jié)構(gòu)參數(shù)，直至神經(jīng)網(wǎng)絡(luò)的誤差精度達(dá)到設(shè)定精度范圍。如果仍單一采取傳統(tǒng)的BP學(xué)習(xí)算法，會存在收斂速度慢、對網(wǎng)絡(luò)初始權(quán)值等參數(shù)比較敏感、易陷入局部最優(yōu)等不足和問題，為此本文采取一種較為新穎的雞群優(yōu)化算法(Chicken Swarm Optimization,CSO)用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，以提高BP網(wǎng)絡(luò)的收斂速度及其精度。

表6 驅(qū)動電機(jī)系統(tǒng)性能評價(jià)指標(biāo)合成權(quán)重

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

2. 2 雞群算法優(yōu)化及其改進(jìn)

CSO是由Meng等在2014年首次提出的一種模擬具有等級秩序的雞群覓食行為的全局優(yōu)化算法。該算法具有較快的收斂速度、較高的收斂精度及較強(qiáng)的魯棒性能。設(shè)定雞群搜尋食物的空間范圍為D維，雞群種群規(guī)模為N，其中公雞、母雞、小雞以及媽媽母雞的個(gè)數(shù)分別是Ng、Nm1、Nx和Nm2。在整個(gè)雞群中，公雞的食物搜索能力最好，但適應(yīng)度最??；小雞的食物搜索能力最差，而適應(yīng)度最大；母雞的食物搜索能力比較一般。因?yàn)楣u、小雞、母雞等3類型雞各自的食物搜索能力存在明顯差異，所以相應(yīng)采取不同的位置更新方法。

公雞的位置更新規(guī)則如式(1)、式(2)所示，即為

randn(0,δ2)——均值為0、標(biāo)準(zhǔn)差為δ2呈正態(tài)分布的隨機(jī)數(shù)；

ζ——不為0的很小常數(shù)；

k——從公雞中隨機(jī)選取的除去i的第k只公雞；

fi、fk——第i只公雞和第k只公雞的適應(yīng)度。

母雞的食物搜尋能力較公雞稍弱，其位置更新受到伙伴公雞所處位置以及其他公雞和母雞的影響較大。母雞的位置更新迭代策略如式(3)～式(5)，即為

rand——0～1區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)；

u——從第i只母雞所在群中隨機(jī)選取的第u只公雞；

B1——第i只母雞的伙伴公雞u對其影響因子；

v——在整個(gè)雞群中從公雞和母雞中隨機(jī)選擇的第v只個(gè)體，但u≠v；

B2——其他公雞和母雞對第i只母雞的影響因子；

fu、fv——第u只公雞和第v只公雞的適應(yīng)度。

小雞一般在媽媽母雞的周圍附近搜索，媽媽母雞位置對小雞的搜索范圍影響頗大，小雞的位置更新規(guī)則為

H——媽媽母雞位置對第i只小雞位置的影響因子，一般在[0，2]范圍內(nèi)隨機(jī)取值。

由于小雞僅根據(jù)自己媽媽的位置信息來改變當(dāng)前位置，卻不能獲取雞群中有最強(qiáng)食物搜索能力的公雞位置信息。一旦媽媽母雞陷入局部最優(yōu)時(shí)，小雞甚至整個(gè)雞群都會陷入局部最優(yōu)。為此，小雞在位置更新時(shí)還需要考慮向雞群內(nèi)公雞進(jìn)行學(xué)習(xí)[4]，這里在式(6)基礎(chǔ)上進(jìn)行改進(jìn)，即為

M——學(xué)習(xí)因子，反映小雞跟隨雞群中公雞學(xué)習(xí)的程度；

τ——小雞的自學(xué)習(xí)系數(shù)。

2. 3 CSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

CSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程示意圖如圖2所示[5]。

圖2 CSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

3 電動汽車用驅(qū)動電機(jī)性能評價(jià)實(shí)例

3. 1 指標(biāo)數(shù)據(jù)的預(yù)處理

電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的二級指標(biāo)共26項(xiàng)，有定量指標(biāo)，也有定性指標(biāo)。其中，定量指標(biāo)主要含正向型定量指標(biāo)和負(fù)向型定量指標(biāo)。正向型定量指標(biāo)的指標(biāo)值越大越好,如轉(zhuǎn)矩控制精度、電機(jī)高效率區(qū)間、過載能力等；負(fù)向型定量指標(biāo)的指標(biāo)值越小越好,如轉(zhuǎn)矩響應(yīng)時(shí)間、轉(zhuǎn)速超調(diào)量、控制器成本等。由于各性能指標(biāo)量綱和單位各異，所以必須對指標(biāo)數(shù)據(jù)進(jìn)行無量綱化和規(guī)范化的數(shù)學(xué)預(yù)處理，這里采取平移和極差變換方法。

對于正向型定量指標(biāo)數(shù)據(jù)，按式(8)進(jìn)行轉(zhuǎn)換，即：

對于負(fù)向型定量指標(biāo)數(shù)據(jù)，按式(9)進(jìn)行轉(zhuǎn)換，即：

式中：g(k)——指標(biāo)數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理后值；xkmax——第k個(gè)指標(biāo)數(shù)據(jù)中的最大值；xkmin——第k個(gè)指標(biāo)數(shù)據(jù)中的最小值。

本評價(jià)系統(tǒng)中，定量指標(biāo)數(shù)據(jù)可以通過驅(qū)動電機(jī)臺架試驗(yàn)和實(shí)際調(diào)查獲取，而定性指標(biāo)數(shù)據(jù)則通過專家結(jié)合現(xiàn)場考核以打分形式獲取，專家打分的分值范圍設(shè)定為[0，100]，從而將定性指標(biāo)數(shù)據(jù)轉(zhuǎn)換成定量指標(biāo)數(shù)據(jù)，然后按定量指標(biāo)數(shù)據(jù)的無量綱化方法，將數(shù)據(jù)統(tǒng)一處理為[0，1]區(qū)間值。

3. 2 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

(1) 選取輸入節(jié)點(diǎn)。輸入層節(jié)點(diǎn)的個(gè)數(shù)表示驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的指標(biāo)個(gè)數(shù)。這里將電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的26個(gè)指標(biāo)作為輸入神經(jīng)元，輸入神經(jīng)網(wǎng)絡(luò)前，對每一項(xiàng)指標(biāo)數(shù)據(jù)均按式(8)、式(9)進(jìn)行無量綱化的數(shù)學(xué)處理。

(2) 確定隱含節(jié)點(diǎn)。隱含層的節(jié)點(diǎn)數(shù)可以按式(10)設(shè)計(jì)。

式中：a、b、c——輸入層、輸出層、隱含層的節(jié)點(diǎn)數(shù)；

k——[1，10]范圍內(nèi)的常數(shù)。

由此，本文隱含層節(jié)點(diǎn)的神經(jīng)元個(gè)數(shù)選定為10。

(3) 選擇輸出節(jié)點(diǎn)。將電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的26項(xiàng)指標(biāo)數(shù)據(jù)值作為神經(jīng)網(wǎng)絡(luò)的輸入量，驅(qū)動電機(jī)系統(tǒng)性能的實(shí)際評價(jià)結(jié)果Y作為神經(jīng)網(wǎng)絡(luò)的輸出量。評價(jià)結(jié)果Y按分值高低劃分為5個(gè)等級，即性能優(yōu)秀[1～0.9]、性能良好(0.9～0.8]、性能合格(0.8～0.6]、性能不合格(0.6～0.4]、性能差(0.4～0)。因此，輸出層節(jié)點(diǎn)數(shù)設(shè)定為5個(gè)。

3. 3 樣本數(shù)據(jù)的選取

表7中數(shù)據(jù)為采集且處理后的各種類型電動汽車驅(qū)動電機(jī)系統(tǒng)性能的臺架試驗(yàn)、專家打分等數(shù)據(jù)，驅(qū)動電機(jī)系統(tǒng)選取無錫、常州多個(gè)廠家提供的15套永磁同步電機(jī)系統(tǒng)、交流三相感應(yīng)電機(jī)系統(tǒng)、永磁無刷直流電機(jī)系統(tǒng)、開關(guān)磁阻電機(jī)系統(tǒng)。表7中的1～15為訓(xùn)練樣本和測試樣本數(shù),C11～C19、C21～C210、C31～C37均為評價(jià)指標(biāo)。采取AHP求得各驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的綜合得分，該得分作為BP神經(jīng)網(wǎng)絡(luò)的期望(目標(biāo))輸出量Q。表7的第1～12組數(shù)據(jù)選為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，第13～15組樣本數(shù)據(jù)用于網(wǎng)絡(luò)的檢驗(yàn)。

表7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本與測試樣本

3. 4 CSO-BP網(wǎng)絡(luò)參數(shù)設(shè)置與訓(xùn)練及測試

利用CSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時(shí)，通過反復(fù)模擬試驗(yàn)，選取的CSO初始化參數(shù)如下：雞群規(guī)模數(shù)量為N=100，其中公雞Ng=20，母雞Nm1=60，小雞Nx=20；媽媽母雞對小雞影響因子H=0.8,迭代次數(shù)T=80,小雞學(xué)習(xí)因子M=0.9，小雞自我學(xué)習(xí)系數(shù)τ=0.3。BP神經(jīng)網(wǎng)絡(luò)目標(biāo)誤差精度設(shè)定為0.000 1。采用MATLAB 7.0仿真軟件，將表7中前12組訓(xùn)練樣本數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò), 先后采取BP、PSO、CSO-BP三種算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練的性能指標(biāo)及誤差曲線分別如表8和圖3所示。當(dāng)CSO-BP算法訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)收斂速度最快，只需經(jīng)過48步，網(wǎng)絡(luò)實(shí)際輸出與其對應(yīng)的目標(biāo)輸出(得分Q)之間的誤差便控制在規(guī)定的目標(biāo)誤差范圍內(nèi)。

表8 不同算法訓(xùn)練網(wǎng)絡(luò)的性能指標(biāo)

圖3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線

保存上述由CSO-BP算法訓(xùn)練完好的神經(jīng)網(wǎng)絡(luò)參數(shù)，將表7中的第13～15組樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，測試結(jié)果如表9所示。從表9明顯看出，測試樣本的網(wǎng)絡(luò)實(shí)際輸出與期望目標(biāo)輸出的最大相對誤差不超過1%，網(wǎng)絡(luò)實(shí)際輸出的電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)等級與期望輸出完全相同。所以，本文設(shè)計(jì)的CSO-BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，能很好地?cái)M合領(lǐng)域?qū)＜业脑u價(jià)思維，對于各種驅(qū)動電機(jī)系統(tǒng)性能評價(jià)更加真實(shí)高效。

表9 樣本檢驗(yàn)結(jié)果

4 結(jié) 語

(1) 針對電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)實(shí)際，在分析現(xiàn)有評價(jià)方法與問題基礎(chǔ)上，應(yīng)用AHP確定驅(qū)動電機(jī)系統(tǒng)性能評價(jià)指標(biāo)的權(quán)重。利用合理的權(quán)重分配以及對評價(jià)指標(biāo)數(shù)據(jù)的規(guī)范化處理，從而更多避免主觀判斷，提高了電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)的科學(xué)性和可靠性。

(2) 針對傳統(tǒng)BP算法的不足，提出利用新穎的CSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)重與閾值，建立CSO-BP神經(jīng)網(wǎng)絡(luò)模型。仿真結(jié)果表明，該模型應(yīng)用于電動汽車用驅(qū)動電機(jī)系統(tǒng)性能評價(jià)，具有速度快、準(zhǔn)確度高、智能化程度高等優(yōu)點(diǎn)。本文為電動汽車用驅(qū)動電機(jī)系統(tǒng)性能的綜合評價(jià)提供了一種新方法，對于拓展驅(qū)動電機(jī)系統(tǒng)的技術(shù)研究及其生產(chǎn)也具有一定的指導(dǎo)價(jià)值。

[1] 黃宜山,張文軍.電動汽車用驅(qū)動電機(jī)系統(tǒng)評價(jià)體系的研究[J].大功率變流技術(shù),2013(2): 47-52.

[2] 王偉,王慶年,初亮,等.混合動力汽車驅(qū)動電機(jī)性能評價(jià)體系研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(8): 20-25.

[3] 喬維德.基于AHP和ANN的節(jié)水型社會評價(jià)方法研究[J].水科學(xué)與工程技術(shù),2007(5): 1-4.

[4] 孔飛,吳定會.一種改進(jìn)的雞群算法[J].江南大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,14(6): 681-688.

[5] 王興成,胡漢梅,劉林.基于雞群優(yōu)化算法的配電網(wǎng)絡(luò)重構(gòu)[J].電工電氣,2016(3): 20-24.

歡迎投稿 歡迎訂閱 歡迎刊登廣告

A Kind of Method Based on Performance Evaluation of Driving Motor System for Electric Vehicle

QIAO Weide

(Wuxi Open University, Wuxi 214011, China)

According to the performance characteristics of the driving motor for electric vehicle, analysis of motor control performance, motor body design and enterprise qualification from the drive motor system, applying of analytic hierarchy process (AHP) to determine the performance evaluation index system and index weight of the driving motor, a BP neural network model of performance evaluating for drive motor, and the chicken group algorithm (CSO) was used to optimize the model. The simulation results showed that the performance evaluation method of drive motor based on AHP and CSO-BP neural network has the advantages of high speed and high accuracy, and get satisfactory result, this have good engineering practical value to evaluation, selection and application for electric vehicle drive motor system.

electric vehicle; drive motor; analytic hierarchy process (AHP); chicken swarm optimization-BP neural network; evaluation

喬維德(1967—)，男, 教授，研究方向?yàn)殡姍C(jī)及其控制、機(jī)電設(shè)備故障智能診斷等。

TM 301.2

A

1673-6540(2017)07- 0115- 07

2016 -09 -19