基于自適應神經-模糊推理系統模糊信息融合的采煤機截齒磨損在線監測

張　強　王海艦　李立瑩　劉志恒

1.遼寧工程技術大學，阜新，1230002.大連理工大學工業裝備結構分析國家重點實驗室，大連，1160233.四川理工學院材料腐蝕與防護四川省重點實驗室，自貢，643000

?

基于自適應神經-模糊推理系統模糊信息融合的采煤機截齒磨損在線監測

張強1,2,3王海艦1李立瑩1劉志恒1

1.遼寧工程技術大學，阜新，1230002.大連理工大學工業裝備結構分析國家重點實驗室，大連，1160233.四川理工學院材料腐蝕與防護四川省重點實驗室，自貢，643000

為實現對截齒截割過程中磨損程度的實時精確在線監測，分別測試和提取不同磨損程度的截齒在截割過程中的振動信號、聲發射信號和溫度信號，建立不同磨損程度截齒截割信號的多特征樣本數據庫，根據最小模糊度優化模型計算求解各特征信號的最優模糊隸屬度函數，采用自適應神經-模糊推理系統多維模糊神經網絡方法實現多傳感特征信息的決策融合，輸出置信度和權重較高的截齒磨損量融合結果。通過隨機測試實驗對融合系統進行驗證，結果表明，基于ANFIS模糊信息融合的截齒磨損監測系統辨識度較高，測試結果最大誤差在6.5%以內，系統具有良好的融合效果以及較高的測試精度。

截齒；最小模糊度；自適應神經模糊推理系統；信息融合；磨損量

0　引言

截齒作為采煤機、刨煤機以及掘進機等工程機械設備在煤巖截割時的重要刀具，在煤炭開采、巷道掘進以及隧道建設工程中得到廣泛的應用[1]。由于作業環境和工作條件錯綜復雜，截齒在截割煤巖過程中承受較大的壓應力、剪應力以及摩擦力[2]，同時還受溫升等因素影響，導致截齒材質軟化，容易加速截齒的磨損，增大截齒的消耗量[3]。截齒的磨損主要包括磨粒磨損和熱疲勞磨損，據不完全統計，在截齒的失效形式中，磨損失效的比例高達75%～90%[4]。截齒磨損不但降低了設備的工作效率，而且對整機的平穩性、安全可靠性以及使用壽命都會產生巨大的影響，因此，實現截齒磨損量的實時在線動態監測，對獲取截齒的最佳更換與維護周期，提高機械設備的工作效率以及延長使用壽命具有十分重要的意義。

近年來，一些專家學者針對截齒磨損相關問題進行了研究。Dewangan等[5]采用掃描電子顯微鏡和X射線能量色散譜對磨損后的鎬型截齒進行圖像掃描和分析，得到了七種不同的截齒磨損機理；張建廣[6]、王雁翔等[7]通過人工模擬截割實驗研究得到了截齒磨損的特性機理及主要影響因素；張景異等[8]采用圖像處理技術與統計學相結合的方法進行了截齒磨損實驗研究，得到了截齒的磨損率；張大偉等[9]利用三維圖像重構技術計算截齒的體積，實現了對截齒磨損率的計算分析；李勇等[10]通過分析截齒的排列位置對其進行編號處理，采用稱重和分類法得出了各截齒截割后的磨損破壞程度。以上針對截齒磨損的研究主要側重于磨損的影響因素以及特性等方面，對于截齒磨損量的測試分析普遍采用后處理的間接測試方法，沒有實現截齒截割過程中磨損量的實時在線動態監測，針對這一瓶頸問題，筆者提出了一種基于自適應神經模糊推理系統(adaptive neuro-fuzzy inference system,ANFIS)模糊信息融合的采煤機截齒磨損實時在線監測方法，通過對截齒截割過程中多傳感特征信息的提取、識別以及決策融合，實現截齒截割過程中磨損量的實時動態監測，為分析采煤機截齒的實時截割狀態，獲取截齒維護與更換的最佳周期提供重要的數值參考依據。

1　系統特征參數及總體結構分析

1.1截齒截割特征信號分析

采煤機在截割煤巖過程中，截齒與煤巖發生劇烈碰撞和沖擊，分別在橫向、縱向以及軸向產生明顯振動[11]，大量現場實驗測試結果表明，采煤機在截割過程中的三向振動幅度差異很大，其中y方向振動最為強烈，x方向次之，z方向的振動信號較小，因此，本文選取y方向的振動信號作為系統的特征輸入信號。通過現場實驗測得采煤機截割過程中y軸的振動曲線，如圖1所示[12]。

采煤機截齒在截割過程中與煤巖表層發生劇烈碰撞和摩擦，造成截齒齒面溫度場的顯著變化，不同磨損程度的截齒，其截割過程中的溫度場及瞬時閃溫峰值差異很大，截齒齒面溫度的變化可在一定程度上反映截齒的磨損程度。因此，選取截齒截割過程中的溫度信號作為系統的特征輸入信號，截齒截割過程中的表面溫度場及其溫度-頻次百分數曲線分別如圖2和圖3所示。

圖1　采煤機截割y軸振動信號曲線

圖2　截齒截割過程中表面溫度場

圖3　截齒截割過程中表面溫度-頻次百分數曲線

截齒在截割煤巖過程中，除產生劇烈振動以及齒面發生明顯的溫度場變化外，還同時伴隨混雜的聲發射信號向外傳播[13]。截齒與煤巖表層的碰撞角度和摩擦接觸面積隨截齒磨損程度的變化而變化，不同磨損程度的截齒與煤巖碰撞過程中產生的聲發射信號具有顯著的差異，因此根據截齒截割煤巖過程中聲發射信號的特征變化可有效地對截齒的磨損程度進行監測和識別。

綜上分析，本文通過測試提取采煤機截齒截割過程中的y軸振動信號、溫度信號以及聲發射信號作為融合系統的特征輸入樣本，建立截齒磨損實時動態監測的多特征信息融合模型。

1.2融合系統結構模型

基于ANFIS模糊信息融合的截齒磨損在線監測系統結構如圖4所示，預先采用定量磨損的截齒進行煤巖截割實驗，提取不同定量磨損程度截齒截割過程中的振動、溫度以及聲發射特征信號，建立多信號的特征樣本數據庫，并以此為基礎結合最小隸屬度優化模型得到ANFIS模糊神經網絡的模糊隸屬度函數，構建多信息決策融合截齒磨損測試系統。采用隨機未知磨損截齒對系統的可靠性及融合結果精度進行實驗驗證，將系統決策融合輸出結果與人工實測結果進行對比分析，計算出系統測試結果的誤差，通過系統學習優化不斷修正，更新知識庫規則信息，提高截齒磨損量模糊神經網絡決策融合的精確度及可信度。

圖4　截齒磨損模糊神經網絡信息融合結構模型

2　ANFIS模糊信息融合

2.1多特征信號提取與識別

為測試提取截齒截割煤巖過程中的振動信號、溫度信號以及聲發射信號特征值，建立如圖5

所示的截齒截割測試實驗臺，實驗臺由工作臺(包括截割電機、傳送帶、蝸輪蝸桿減速器和截齒部分)、行走機構(包括工作臺驅動電機、滑軌、行走滑塊、絲杠和軸承支架)以及煤巖試件構成，實際測試時采用單齒截割煤巖試件的實驗方法。測試前在矩形煤巖試件棱角處安裝聲發射傳感器，安裝前在傳感器表層涂勻聲耦合劑，使其與煤巖試件緊密接觸；在截齒與煤巖試件截割分離處架設紅外熱像儀，對截齒的溫度進行實時監測；在蝸輪蝸桿減速器頂部y軸方向安裝振動傳感器，實時測試截齒截割過程中的y軸振動信號。

圖5　截齒截割測試實驗臺

為了測試不同磨損程度截齒截割過程中的信號特征，定義不同磨損量的語言描述為{新齒，微小磨損，中小磨損，中等磨損，中大磨損，極大磨損，失效}，對以上變量定義子集為{Y1，Y2，Y3，Y4，Y5，Y6，Y7}，分別對上述7種磨損量狀態下截齒截割煤巖過程中的y軸振動、溫度以及聲發射信號進行測試,采用小波分析方法提取振動、聲發射信號的樣本值，建立各信號的特征樣本數據庫，通過分析得到各信號的典型特征樣本值分別如表1～表3所示。

表1　不同磨損量截齒截割y軸振動

表2　不同磨損量截齒截割溫度特征

2.2基于最小模糊度的隸屬度函數

針對隸屬度函數的最優確定還沒有一套成熟有效的方法，絕大多數隸屬度函數的確定方法主要依托經驗和實驗[14]，常見的隸屬度函數有三角形、梯(半梯)形、高斯型以及S形等。其中三角形是最簡單的隸屬函數，它是由直線形成的，梯形隸屬函數實際上是由三角形截頂所得。這兩種直線

表3　不同磨損量截齒截割聲發射特征樣本值

形隸屬函數都具有簡單的優勢，在基于模糊推理的信息融合方法中得到廣泛使用，因此，本文采用兩端為梯形、其余為三角形的隸屬度函數構造方法建立隸屬度函數模型，隸屬度函數圖見圖6。

圖6　隸屬度函數圖

好的隸屬度函數應該在反映模糊概念和模糊性的同時，能最大程度地描述出評價指標所表達的客觀實際內容。因此，采用模糊集的模糊度來度量事物客觀性的清晰程度，模糊度越小，其模糊集表達的精準度越高。依托測試得到的特征樣本數據，利用最小模糊度原則對隸屬度函數進行優化求解，得到合適的隸屬度函數。

定義截齒不同磨損量的各模糊子集Y1，Y2，…，Y7的隸屬度函數分別為μ1，μ2，…，μ7，待優化求解參數分別用t1，t2，…，t7表示，根據已知特征樣本定義系統論域為X={x1，x2，…，x98}。隸屬度函數圖兩端采用梯形隸屬度曲線，其表達式為

(1)

(2)

其他隸屬度函數曲線為三角形，其表達式為

(3)

模糊熵用來描述一個模糊集的模糊性程度，通常做如下定義[15]：

(1)非模糊集為分明集，其模糊熵為0;

(2)[1/2]模糊集的隸屬性最難確認，其模糊性應最大;

(3)距[1/2]的1遠近程度相同的模糊集A與AC，其模糊程度要求相同;

4)模糊集A的模糊性應具有單調變化的性質，A越接近[1/2]，其模糊性越大；A越遠離[1/2]，其模糊性越小。

本文選擇模糊熵作為模糊度的度量，建立基于模糊熵的隸屬度函數優化求解數學模型:

(4)

S(μj(xi))=-(μj(xi)ln(μj(xi))-

(1-(μj(xi))ln(1-(μj(xi))

根據表1～表3中不同截齒磨損量的截割特征信號樣本，結合式(4)采用MATLAB軟件編程對隸屬度函數的t值進行優化求解，得到優化后各特征信號的隸屬度函數圖，見圖7～圖9。

圖7　優化后振動信號隸屬度函數

圖8　優化后溫度信號隸屬度函數

圖9　優化后聲發射信號隸屬度函數

2.3ANFIS模糊神經網絡決策融合

ANFIS是一種基于自適應網絡結構的模糊推理方法，它結合神經網絡的自適應學習功能，同時具有模糊邏輯易于表達人類知識和神經網絡的分布式信息存儲以及自學習能力的優點[16]，故廣泛應用于模糊控制、模式識別等領域[17]。基于ANFIS模糊神經網絡信息融合的截齒磨損測試分析結構模型如圖10所示，ANFIS自適應模糊神經網絡由前件網絡和后件網絡兩部分組成[18]，包括兩個輸入層、兩個規則層與一個輸出層[19]，前件網絡用來匹配模糊規則的前件，包含輸入層、規則運算層、歸一化層；后件網絡用來產生模糊規則的后件，包括規則輸出層以及ANFIS輸出層，系統的神經元由截齒截割煤巖過程中提取的y軸振動信號、溫度信號以及聲發射信號組成。

圖10　截齒磨損模糊神經網絡融合模型

第一層為系統輸入層。它的作用是計算各輸入分量屬于各語言變量值模糊集合的隸屬度，實現各輸入變量值的模糊化處理，每個輸入變量包含7個模糊集，隸屬度函數分別用Ai、Bi、Ci表示，則第一層各節點的輸出分別為A1～A7、B1～B7和C1～C7。

第二層為規則運算層。其每一個節點代表一條模糊規則，用來匹配模糊規則的前件，計算出每條規則的適用度，第i個節點的適用度為

(5)

當系統的輸入為給定值時，只有在輸入點附近的語言變量值才具有較大隸屬度值，遠離輸入點的語言變量值的隸屬度或者很小或為0。因此只有少量節點輸出非0。

第三層為歸一化層。其節點數與第二層的節點數相同，它所實現的是歸一化計算[20]:

(6)

式中，ai為各節點的適用度。

第四層為規則輸出層。規則輸出層用于計算每一條規則的輸出，各節點的傳遞函數為線性函數，其規則輸出為

(7)

式中，ξi為結論參數集對應的函數[21]。

第五層為輸出層。是整個模型的后件網絡，用于計算每一條規則的后件，最后的ANFIS輸出為

(8)

3　實驗驗證

為驗證截齒磨損在線監測系統測試的精確性與可靠性，采用如圖4所示截割模擬實驗臺，對隨機磨損量的單截齒進行截割實驗。實驗試件采用神東天隆公司生產的U85型截齒；振動傳感器采用ZXD -YB一體化振動變送器，量程為0～20 mm/s，輸出信號為4～20 mA電流信號，誤差精度為±1%；采集系統采用SIRIUS RACK 8數據采集系統；聲信號檢測采用SAEU3S聲發射系統，采用USB實現高速數據傳輸，能夠實時采集和顯示聲發射波形信號和參數信號；溫度信號的檢測采用德國英福泰克公司生產的VCi ET780型高熱靈敏度檢測專家型紅外熱像儀，光譜范圍為7.5～14 μm；熱靈敏度可達0.03 ℃。現場實測實驗如圖11所示。

圖11　隨機磨損截齒監測截割實驗

截齒在線監測系統根據測試反饋的實時振動信號、溫度信號以及聲發射信號進行智能分析與ANFIS模糊神經網絡決策融合，得到不同時段截齒磨損決策融合在線監測結果與實際截齒磨損量的對比曲線，如圖12所示，其融合結果與實際磨損量的數據對比及誤差分析如表4所示。

圖12　截齒實際磨損量與融合監測結果對比曲線

序號實際磨損量(mm)融合結果(磨損量)(mm)相對誤差(%)10.190.1824.2120.280.2742.1430.470.4460.8540.640.6252.3450.800.7703.7560.960.9441.6771.121.0635.0981.301.2206.1591.511.4752.32101.721.6802.33

由圖12和表4可以看出，基于ANFIS模糊神經網絡的多傳感信息融合的截齒磨損在線監測結果與實際截齒磨損量誤差較小，在采樣的10次對比數據中，最大相對誤差為6.15%，此時截齒實際磨損量為1.3 mm，與新齒的磨損量對比如圖13所示，兩者的齒尖表面形態對比如圖14所示。通過10次對比誤差分析可知，融合系統分析結果與實際磨損量基本一致，測試誤差較小，滿足測試精度要求。

(a)新齒

(b)截齒磨損量圖13　截齒磨損前后的磨損量對比

(a)新齒　　　　　　(b)磨損后圖14　截齒磨損前后的磨損量對比

4　結論

基于ANFIS模糊神經網絡的多傳感信息決策融合技術是實現截齒磨損在線動態監測的一種有效方法。通過采集不同磨損量截齒截割過程中的多特征樣本信息，建立基于最小模糊度的隸屬度函數模型，并以此為基礎構建截齒磨損的ANFIS模糊決策融合系統模型，實現截齒磨損量的實時在線監測，為獲取截齒更換與維護的最佳周期提供了重要的實時動態數據信息，對提高煤炭開采效率、機械系統的穩定性以及使用壽命具有十分重要的意義。

[1]尚慧嶺.采煤機滾筒截齒失效工況的影響分析及對策[J].煤炭科學技術,2012,40(8):75-77.

Shang Huiling. Analysis and Counter Measures of Pick Failure Performance Influences of Cutting Drum in Coal Shearer[J]. Coal Science and Technology, 2012,40(8):75-77.

[2]趙麗娟,田震,郭辰光. 礦用截齒失效形式及對策[J].金屬熱處理,2015,40(6):194-198.

Zhao Lijuan,Tian Zhen,Guo Chenguang. Failure Modes and Counter Measures of a Mining Pick[J]. Heat Treatment of Metals, 2015,40(6):194-198.

[3]Tiryaki B. In Situ Studies on Service Life and Pick Consumption Characteristics of Shearer Drums[J]. Journal of the South African Institute of Mining and Metallurgy,2004,04(2):107-121.

[4]朱華,吳兆宏,李剛,等.煤礦機械磨損失效研究[J].煤炭學報,2006,31(3):380-385．

Zhu Hua,Wu Zhaojian,Li Gang,et al.Study on Wear Faigures of Mining Machinery[J].Journal of China Coal Society, 2006,31(3):380-385．

[5]Dewangan S, Chattopadhyaya S. Characterization of Wear Mechanisms in Distorted Conical Picks after Coal Cutting[J].Rock Mechanics & Rock Engineer-ing, 2016,49(1):225-242.

[6]張建廣.EBZ260W型掘進機截割人工巖壁的截齒磨損研究[J].礦山機械,2014,42(9):11-14.

Zhang Jianguang.Study on Pick Abrasion during ArtiCial Rock Cut by EBZ260W Roadheader[J]. Mining & Processing Equipment,2014,42(9):11-14.

[7]王雁翔,楊道龍,王凌翔.鎬形截齒截割磨損研究[J].煤礦機械,2014,35(2):47-49.

Wang Yanxiang, Yang Daolong, Wang Lingxiang.Study on Wear Performance of Pick Cutting[J].Coal Mine Machinery, 2014,35(2):47-49.

[8]張景異,李高彩.基于圖像處理的對掘進機截齒磨損率的研究[J]. 工業儀表與自動化裝置,2009(1): 22-24.

Zhang Jingyi, Li Gaocai. The Test Study of Road-Header Cutting Pick’s Wear Rate Based on Image Process[J].Industrial Instrumentation & Automation, 2009(1):22-24.

[9]張大偉,周帆,蔣強.圖像重構技術在截齒磨損率分析中的應用[J].微計算機信息,2009,25(8/3):175-176.

Zhang Dawei, Zhou Fan, Jiang Qiang. The Application of Timage Reconstruction Technology in the Analysis of Intercept Tooth Wear Rate[J].Micro-computer Information, 2009,25(8/3):175-176.

[10]李勇,李夕兵.鎬形截齒硬巖截割磨損研究[J].礦業研究與開發,2012,32(6):85-88.

Li Yong,Li Xibing.Wear Analysis Onpick-shaped Cutter in Cutting Hard Rock[J].Mining Research and Development, 2012,32(6):85-88.

[11]李曉豁,何洋,焦麗,等.基于參數識別的截割頭縱向隨機振動響應優化[J].中國機械工程,2015,26(6):818-823.

Li Xiaohuo, He Yang, Jiao Li, et al. Vertical Random Vibration Response and Optimization of Cutting Head Based on Parameter Identification[J]. China Mechanical Engineering, 2015,26(6):818-823.

[12]張強,王海艦,李立瑩,等.基于多傳感特征信息融合的采煤機截齒失效診斷[J].中國機械工程,2016,27(17):2334-2340.

Zhang Qiang,Wang Haijian,Li Liying,et al. Failure Diagnosis of Shearer’s Picks Based on Fusing Information from Multi Sensors[J]. China Mechanical Engineering, 2016,27(17):2334-2340.

[13]單亞鋒,孫朋,徐耀松,等.基于PSO-SVM的煤巖聲發射源定位預測[J].傳感技術學報,2013,26(3):402-406.

Shan Yafeng, Sun Peng, Xu Yaosong, et al.Based on the PSO-SVM Location Prediction of Coal Rock Acoustic Emission Source[J]. Chinese Journal of Sensors and Actuators, 2013,26(3):402-406.

[14]劉曉明,牟龍華,張鑫.基于信息融合的隔爆開關永磁機構儲能電容失效診斷[J].煤炭學報,2014, 39(10):2121-2127.

Liu Xiaoming, Mu Longhua, Zhang Xin. Failure Diagnosis for Storage-capacitor in Permanent Magnetic Actuator of Flameproof Switchgear Based on Information Fusion[J]. Journal of China Coal Society, 2014,39(10):2121-2127.

[15]張鑫,牟龍華.基于信息融合的礦山電網復合保護的研究[J].煤炭學報,2012,37(11):1947-1952.

Zhang Xin, Mu Longhua. Research on Compound Protection for Mine Power Network Based on Information Fusion[J]. Journal of China Coal Society, 2012,37(11):1947-1952.

[16]田毅,張欣,張昕,等.汽車運行狀態識別方法研究(二)—基于模糊神經網絡的識別方法[J].中國機械工程,2013,24(11):1521-1524.

Tian Yi, Zhang Xin, Zhang Xin, et al. Resarch on Vehicle Driving Situation Identification(PartⅡ) -based on Fuzzy-neural Network[J]. China Mechanical Engineering, 2013,24(11):1521-1524.

[17]Panella M, Gallo A S. An Input-output Clustering Approach to the Synthesis of ANFIS Networks[J]. IEEE Transactions on Fuzzy Systems, 2005,13(1):69-81.

[18]Buragohain M, Mahanta C. A Novel Approach for ANFIS Modeling Based on Full Factorial Design[J]. Applied Soft Computing Journal,2007(3):1-33.

[19]謝苗,劉治翔,毛君.基于改進型ANFIS的磁致伸縮液位傳感器溫度補償[J].傳感技術學報,2015,28 (1):49-55.

Xie Miao,Liu Zhixiang,Mao Jun.Research on Temperature Compensation System of Magnetostrictive Liquid Level Sensor Based on Improved ANFIS[J]. Chinese Journal of Sensors and Actuators,2015,28(1):49-55.

[20]蔣浩宇,富立,范耀祖. ANFIS在車輛導航系統信息融合中應用的仿真研究[J].系統仿真學報,2006,18(4):1051-1054.

Jiang Haoyu, Fu Li, Fan Yaozu.Simulation Study on Application of ANFIS for Information Fusion of Vehicle Navigation System[J].Journal of System Simulation,2006,18(4):1051-1054.

[21]朱安福,景占榮,陳煒軍,等. 基于ANFIS和證據理論的信息融合研究[J].中北大學學報(自然科學版),2009,30(1):74-79.

Zhu Anfu, Jing Zhanrong, Chen Weijun, et al.Data Fusion Based on ANFIS and Evidence Theory [J].Journal of North University of China(Natural Science Edition),2009,30(1):74-79.

(編輯華中平)

Online Monitoring of Shearer’s Pick Wear Based on ANFIS Fuzzy Information Fusion

Zhang Qiang1,2,3Wang Haijian1Li Liying1Liu Zhiheng1

1.Liaoning Technical University,Fuxin,Liaoning,123000 2.State Key Laboratory of Structural Analysis for Industrial Equipment,Dalian University of Technology,Dalian,Liaoning,116023 3. Sichuan University of Science & Engineering,Material Corrosion and Protection Key Laboratory of Sichuan Province,Zigong,Sichuan,643000

In order to realize the realtime and accurate online monitoring of the wear degree in the cutting processes, the vibration signals, acoustic emission signals and temperature signals of different wear degrees were tested and extracted, and the multi feature sample databases of different wear degrees to the cutting signals were established. The optimal fuzzy membership function for each characteristic signal was calculated by the minimum ambiguity optimization model, and the method of the ANFIS multidimensional fuzzy neural network was adopted to realize the fusion of multi sensor feature informations, then the fusion results of the output confidence and weight were higher. According to the results of the random experiments of the fusion system ,the identification degree of the cutting wear monitoring system based on ANFIS fuzzy information fusion is high, and the maximum error of the test results is less than 6.5%, and the results show that the system has good fusion effect and higher test accuracy.

pick; minimum ambiguity; adaptive neuro-fuzzy inference system(ANFIS); information fusion; wear extent

2015-11-16

國家自然科學基金資助項目(51504121)；高等學校博士學科點專項科研基金資助項目(20132121120011);工業裝備結構分析重點實驗室開放基金資助項目(GZ1402);遼寧省高等學校杰出青年學者成長計劃資助項目(LJQ2014036);遼寧省“百千萬人才工程”資助項目(2014921070)

TP277

10.3969/j.issn.1004-132X.2016.19.009

張強,男,1980年生。遼寧工程技術大學機械工程學院教授、 博士研究生導師, 大連理工大學工業裝備結構分析國家重點實驗室訪問學者, 四川理工學院材料腐蝕與防護四川省重點實驗室訪問學者。研究方向為礦山機械動態設計及監測技術。發表論文60余篇。王海艦,男,1987年生。遼寧工程技術大學機械工程學院博士研究生。李立瑩,女，1992年生。遼寧工程技術大學機械工程學院碩士研究生。劉志恒, 男,1992年生。 遼寧工程技術大學機械工程學院碩士研究生。