基于導(dǎo)軌面圖像特征雷達(dá)圖的磨損狀況識別

周友行　喻思亮　張　俏　周　健

湘潭大學(xué)，湘潭，411105

基于導(dǎo)軌面圖像特征雷達(dá)圖的磨損狀況識別

周友行喻思亮張俏周健

湘潭大學(xué)，湘潭，411105

為解決精密機(jī)床導(dǎo)軌面磨損缺陷及缺陷程度的識別問題，提出一種基于導(dǎo)軌面圖像數(shù)據(jù)雷達(dá)圖重心特征的表面磨損識別方法。首先提取導(dǎo)軌面圖像數(shù)據(jù)的灰度均值、歪度、峭度、扁度和投影方差作為磨損狀況識別的原始特征；然后采用雷達(dá)圖技術(shù)將特征數(shù)據(jù)可視化，并提取雷達(dá)圖的重心特征；最后采用支持向量機(jī)技術(shù)設(shè)計分類器，同時采用雷達(dá)圖重心特征和磨損缺陷原始特征進(jìn)行分類,并與實驗檢測的導(dǎo)軌面磨損數(shù)據(jù)進(jìn)行對比分析。計算和實驗結(jié)果表明: 基于雷達(dá)圖的圖像數(shù)據(jù)重心特征可有效地識別導(dǎo)軌面是否磨損,并能在一定程度上判別導(dǎo)軌面的磨損程度。

導(dǎo)軌面；磨損缺陷；特征提??；數(shù)據(jù)可視化；圖表示

0　引言

工作過程中，精密機(jī)床導(dǎo)軌面磨損是造成加工精度下降的主要原因[1-4]。采用機(jī)器視覺檢測技術(shù)[5-7]判別導(dǎo)軌面是否磨損和磨損的程度，分析導(dǎo)軌面磨損的原因，并采取相應(yīng)措施緩解磨損或修復(fù)導(dǎo)軌，對保證產(chǎn)品加工質(zhì)量有重要意義。

從機(jī)器視覺檢測的角度看，導(dǎo)軌面磨損可視為表面缺陷[5-8]，可通過提取導(dǎo)軌二維平面圖像的某些數(shù)據(jù)特征來表征導(dǎo)軌面各類磨損狀況。這些數(shù)據(jù)特征主要包括幾何、灰度、投影、紋理以及圖像序列等物理特征。已有的研究表明：能表征不同表面缺陷類型的數(shù)據(jù)特征有18種幾何特征、27種灰度特征、40種投影特征、43種紋理特征等[9-10]。眾所周知，導(dǎo)軌面磨損情況復(fù)雜，其缺陷圖像種類多樣。一種圖像缺陷數(shù)據(jù)特征很難全面反映導(dǎo)軌面的磨損情況，因此合理選擇圖像缺陷數(shù)據(jù)特征類型，減小數(shù)據(jù)特征提取計算量，是成功實現(xiàn)導(dǎo)軌面磨損機(jī)器視覺檢測工程應(yīng)用的關(guān)鍵步驟。同時，如何對這些特征數(shù)據(jù)進(jìn)行分析研究以判別導(dǎo)軌面磨損狀況也成為迫切需要解決的問題，將特征數(shù)據(jù)實現(xiàn)圖的可視化技術(shù)[11-13]便是一種判別導(dǎo)軌面磨損狀況很有效的方法。文獻(xiàn)[14-15]證明，圖比其他可視化展現(xiàn)形式更適合探索數(shù)據(jù)的內(nèi)部關(guān)系。數(shù)據(jù)的圖可視化繼承了信息可視化的優(yōu)點，可以將各類抽象的數(shù)據(jù)信息轉(zhuǎn)換成圖形信息，也可以利用各種可視化交互手段，使研究者能真實地觀察數(shù)據(jù)對實際問題的模擬及處理結(jié)果。

基于此，本文提出以導(dǎo)軌面圖像數(shù)據(jù)的灰度均值、歪度、投影方差、面積周長比、峭度作為缺陷特征，采用雷達(dá)圖方法將導(dǎo)軌面圖像磨損特征數(shù)據(jù)可視化，然后基于導(dǎo)軌面特征雷達(dá)圖的三角形重心特征進(jìn)行導(dǎo)軌面磨損狀態(tài)分類識別研究。

1　導(dǎo)軌面圖像采集

1.1導(dǎo)軌磨損圖像采集

本文采用MV-VS1200機(jī)器視覺圖像處理平臺采集導(dǎo)軌面圖像(圖1)。平臺由工業(yè)數(shù)字相機(jī)、照明系統(tǒng)、計算機(jī)系統(tǒng)、控制系統(tǒng)組成。系統(tǒng)光源為AFT-BR100W，變倍縮放工業(yè)鏡頭為AFT-ZL0911，視場為1.5 mm×1.1 mm。工業(yè)相機(jī)為MV-VD500SC，采樣精度為10 bit,像元大小為4.65 μm×4.65 μm。實驗導(dǎo)軌為ABBA45直線導(dǎo)軌。

(a)MV-VS1200采集平臺(b)ABBA45直線導(dǎo)軌圖1　導(dǎo)軌磨損圖像采集

根據(jù)導(dǎo)軌面磨損特點，一般可將導(dǎo)軌使用情況分為三種狀態(tài)：正常(基本無磨損)、輕微磨損和嚴(yán)重磨損(影響使用效果)，如圖2所示。

(a)正?！　?b)存在輕微磨損(c)嚴(yán)重磨損圖2　導(dǎo)軌表面圖像(像素大小256 pixel×256 pixel對應(yīng)1.5 mm×1.1 mm導(dǎo)軌面區(qū)域)

實驗中一共采集直線導(dǎo)軌面樣本圖像390幅。表1為樣本圖像通過人工檢測識別的導(dǎo)軌面磨損狀況，其中正常112幅、輕微磨損186幅、嚴(yán)重磨損92幅，統(tǒng)一標(biāo)號為1～390，組成導(dǎo)軌面磨損圖像數(shù)據(jù)樣本集。

表1　實驗樣本數(shù)據(jù)人工識別結(jié)果

對任一幅導(dǎo)軌面圖像數(shù)據(jù)，在機(jī)器視覺中都可以用矩陣的形式來表示，即缺陷圖像A可用灰度值矩陣形式表示如下：

(1)

i,j=1,2,…,256

其中，ai,j為像素點(i,j)的灰度值。

1.2導(dǎo)軌面磨損狀況特征選擇及數(shù)據(jù)提取

圖像數(shù)據(jù)特征選擇是圖像狀況識別的關(guān)鍵一環(huán)。若導(dǎo)軌面存在磨損缺陷，磨損區(qū)域圖像的灰度值變化明顯，而且其灰度均值、歪度和峭度數(shù)值的變化可描述磨損程度的大小；同時若將導(dǎo)軌面灰度圖向某一固定方向投影，得到反映灰度數(shù)值離散程度的投影方差與導(dǎo)軌面磨損狀況密切相關(guān)；此外，局部磨損區(qū)域的形狀、大小可由面積周長比來判斷。因此提取每一幅導(dǎo)軌面圖像灰度直方圖的均值、歪度及峭度，投影方差和磨損區(qū)域的面積周長比等特征可綜合反映導(dǎo)軌面磨損狀況。

(2)

(3)

(4)

則圖像A灰度直方圖為

H(A)=[h(x1)h(x2)…h(huán)(xn)]

其中，n為某一特征取值的個數(shù)。圖像數(shù)據(jù)歪度為

(5)

則峭度可以表示為

(6)

若將圖像沿90°方向進(jìn)行目標(biāo)點灰度值累加計算得到一組圖像投影數(shù)據(jù)，其投影方差可反映圖像灰度數(shù)值的離散程度，可按如下公式計算：

(7)

i,j=1,2,…,256

(8)

對于導(dǎo)軌面圖像灰度二值化圖像，可用1表示缺陷，0表示背景。磨損缺陷面積可由圖像區(qū)域中ai,j=1像素點的數(shù)目M來描述，周長L為缺陷邊緣的像素點數(shù)，則導(dǎo)軌面圖像缺陷面積周長比公式可以表示為

(9)

從導(dǎo)軌面圖像樣本集中隨機(jī)選取12幅導(dǎo)軌面正常、12幅導(dǎo)軌面存在輕微磨損以及12幅導(dǎo)軌面嚴(yán)重磨損的圖像，提取上述5個導(dǎo)軌面圖像數(shù)據(jù)特征，對各導(dǎo)軌面圖像特征歸一化處理后，可獲得36個圖像數(shù)據(jù)特征柱狀圖(圖3)。

圖3　各12幅磨損圖像5類特征柱狀圖

圖3中，X坐標(biāo)表示36幅圖像樣本序列號，1～12、13～24、25～36分別表示導(dǎo)軌面正常、輕微磨損和嚴(yán)重磨損圖像，Y坐標(biāo)表示特征類別:1～5分別表示歪度、峭度、投影方差、面積周長比、灰度均值，Z坐標(biāo)表示歸一化處理的特征數(shù)值。

結(jié)合人工檢測結(jié)果，對比圖3可看出：導(dǎo)軌面磨損狀況與上述5個圖像特征變化程度存在一定的耦合關(guān)系，各特征數(shù)值變化程度與導(dǎo)軌面磨損程度基本一致。如對于正常導(dǎo)軌面，圖像的面積周長比、灰度均值和投影方差數(shù)值變化范圍相對較小，而圖像灰度值、歪度和峭度特征數(shù)值變化相對較大。

同時也可以看出：三維柱狀圖形表征多維數(shù)據(jù)的能力較弱，很難進(jìn)一步挖掘每一幅樣本圖像中各特征數(shù)據(jù)之間的關(guān)聯(lián)性和結(jié)構(gòu)關(guān)系。

2　導(dǎo)軌面圖像特征數(shù)據(jù)的雷達(dá)圖表示及重心特征提取

對基于導(dǎo)軌面圖像的多維特征數(shù)據(jù)進(jìn)行導(dǎo)軌面的磨損狀況識別，實質(zhì)上就是對數(shù)據(jù)進(jìn)行綜合評價和分類決策。采用雷達(dá)圖將導(dǎo)軌面圖像特征數(shù)據(jù)可視化，可清楚表達(dá)導(dǎo)軌面磨損狀況與多元特征數(shù)據(jù)間的聯(lián)系。

雷達(dá)圖又名戴布拉圖[13-15]，可將多維數(shù)據(jù)的各個屬性值用二維平面圖形表示，是一種能夠用定量指標(biāo)反映定性問題的模型工具。由于雷達(dá)圖有多個坐標(biāo)軸，可以在二維平面上表示多維數(shù)據(jù)，因此利用雷達(dá)圖可以很方便地研究各樣本特征數(shù)據(jù)點之間的關(guān)系并進(jìn)而對樣本進(jìn)行分類。

本文對提取的導(dǎo)軌面圖像磨損狀況五種特征數(shù)據(jù)雷達(dá)圖作圖如下：

(2)連接圓心和各分點把這5條半徑依次定義為樣本圖數(shù)據(jù)特征(歪度、峭度、投影方差、面積周長比、灰度均值)的坐標(biāo)軸，并標(biāo)以適當(dāng)?shù)目潭?0～1)。

(3)對給定的一個樣本圖像數(shù)據(jù)的5個歸一化特征值分別放在相應(yīng)的坐標(biāo)軸上，然后將它們連接成一個5 邊形。

(4)n個樣本圖像數(shù)據(jù)可形成n個5 邊形。

雷達(dá)圖可以將所有數(shù)據(jù)樣本畫在一張圖上，也可以一個數(shù)據(jù)樣本畫在一張圖上。本文采用后一種方法，將導(dǎo)軌面圖像數(shù)據(jù)樣本一一用雷達(dá)圖表示。限于篇幅，本文從前述36例圖像樣本中，以三幅典型導(dǎo)軌面磨損狀況圖像樣本(06，13，25)為例，可得其特征數(shù)據(jù)雷達(dá)圖(圖4)。

(a)樣本06(b)樣本13

(c)樣本25圖4　圖像樣本原特征雷達(dá)圖

由圖4可看出，每幅導(dǎo)軌面圖像特征數(shù)據(jù)都可以在雷達(dá)圖上圍成一個封閉的不規(guī)則多邊形，不同磨損狀況圖像樣本雷達(dá)圖差異明顯，同等磨損程度圖像雷達(dá)圖也因部分?jǐn)?shù)據(jù)畸變而使得識別分類率降低。通過繪制全部圖像樣本的雷達(dá)圖可以發(fā)現(xiàn)：隨著導(dǎo)軌面磨損狀況的變化，導(dǎo)軌面圖像各數(shù)據(jù)特征數(shù)值大小存在一定的變化趨勢，而且不規(guī)則多邊形形狀變化與導(dǎo)軌面磨損狀況也存在一定的有機(jī)聯(lián)系。

將導(dǎo)軌面磨損狀況特征數(shù)據(jù)采用雷達(dá)圖可視化以后，就可以通過對雷達(dá)圖上不規(guī)則多邊形的點和邊進(jìn)行處理，來研究全局和局部的原始數(shù)據(jù)結(jié)構(gòu)，在此基礎(chǔ)上進(jìn)行模式識別。目前對于表示多元數(shù)據(jù)的雷達(dá)圖分類研究，一般通過提取雷達(dá)圖圖形特征，再進(jìn)行模式識別，其中最常用的是提取雷達(dá)圖的重心特征[15]。

雷達(dá)圖上，不規(guī)則多邊形中緊鄰的兩維特征數(shù)據(jù)和圓心都可以組成一個三角形，每一個三角形都會產(chǎn)生一個重心。其重心幅值(在圖形中距中心點的距離)和角度特征可計算如下：

(10)

j=1,2,…,5

式中，i為圖像樣本序列；rij為第i幅圖像第j個重心特征距雷達(dá)圖中心點的距離；ωij為第i幅圖像第j個重心特征與0°坐標(biāo)軸之間的夾角；d為數(shù)據(jù)維數(shù)。

基于圖4數(shù)據(jù)，可得樣本圖像雷達(dá)圖重心特征數(shù)據(jù)，如圖5所示。

(a)樣本06(b)樣本13

(c)樣本25圖5　圖像樣本重心特征雷達(dá)圖

很明顯，雷達(dá)-重心特征可以排除或減弱某些數(shù)據(jù)畸變對分類的影響,提高分類識別效果。它是一種無導(dǎo)師非線性映射方法，一個i維特征的導(dǎo)軌面磨損狀況樣本圖就會產(chǎn)生一個對應(yīng)的i維重心圖形特征的樣本，這和原始特征數(shù)據(jù)的維數(shù)一致，而且重心的幅值和角度原特征數(shù)據(jù)密切相關(guān)。

3　支持向量機(jī)的圖像分類實驗

3.1基于導(dǎo)軌面雷達(dá)圖重心特征的支持向量機(jī)設(shè)計

支持向量機(jī)作為一種成熟的圖像分類方法已經(jīng)被廣泛使用。它是一種基于統(tǒng)計學(xué)習(xí)理論的小樣本機(jī)器學(xué)習(xí)方法，對小樣本具有很強(qiáng)的分類能力。支持向量機(jī)的工作原理可概括為：將所有待分類的數(shù)據(jù)點映射到高維空間，然后在高維特征空間中找到一個能將這些數(shù)據(jù)點分開的超平面。本文以表1數(shù)據(jù)為訓(xùn)練樣本創(chuàng)建訓(xùn)練分類模型，訓(xùn)練樣本設(shè)為Xi=(Ti,zi),i=1,2,…,390，以Xi為樣本，Ti=(Gij,θij)為上文提取的特征向量，zi∈{1,2,3}為類別標(biāo)號，390為訓(xùn)練樣本數(shù)目。根據(jù)導(dǎo)軌面磨損狀況，按照導(dǎo)軌面正常磨損、輕微磨損和嚴(yán)重磨損的要求，將導(dǎo)軌圖像數(shù)據(jù)特征分成3類。選用“一對一”組合方式構(gòu)造導(dǎo)軌面正常和輕微磨損、輕微磨損和嚴(yán)重磨損、正常和嚴(yán)重磨損這3個兩類支持向量機(jī)。每個支持向量機(jī)選用相同的徑向基RBF核函數(shù)為

(11)

采用的最優(yōu)分類函數(shù)為

(12)

3.2導(dǎo)軌面磨損狀況識別實驗

隨機(jī)選取已標(biāo)識為導(dǎo)軌面正常、輕微磨損、嚴(yán)重磨損導(dǎo)軌面磨損狀況圖像各20幅作為訓(xùn)練集，按照上述分類器設(shè)計思路，建立兩個分類訓(xùn)練模型：圖像磨損狀況特征數(shù)據(jù)分類模型和圖像雷達(dá)圖重心特征分類模型。然后再從390幅樣本圖像中隨機(jī)選取40幅圖像進(jìn)行分類識別實驗，其結(jié)果如表2和表3所示。

表2　基于導(dǎo)軌面圖像磨損狀況特征檢測分類結(jié)果

表3　基于導(dǎo)軌面圖像雷達(dá)圖重心特征檢測分類結(jié)果

實驗運行環(huán)境為MATLABR2009b，計算機(jī)環(huán)境為Intel酷睿i5 3337U1.8GHzCPU和2GBRAM。從表2和表3可以看出，采用支持向量機(jī)技術(shù)，同時對導(dǎo)軌面特征數(shù)據(jù)雷達(dá)圖重心特征和導(dǎo)軌面原始特征數(shù)據(jù)進(jìn)行分類識別時，前者的效果明顯優(yōu)于后者。我們認(rèn)為這可能是由于雷達(dá)圖中心特征數(shù)據(jù)在一定程度上考慮了原特征數(shù)據(jù)兩兩之間的耦合關(guān)系，從而可得到更好的分類效果。

4　結(jié)論

(1)采用導(dǎo)軌面圖像數(shù)據(jù)的灰度均值、歪度、峭度、投影方差、面積周長比等數(shù)據(jù)可在不同角度有效表達(dá)導(dǎo)軌面的磨損狀況。

(2)將導(dǎo)軌面圖像數(shù)據(jù)的灰度均值、歪度、峭度、投影方差、面積周長比等數(shù)據(jù)特征雷達(dá)圖可視化以后，可直觀形象研究和表達(dá)圖形數(shù)據(jù)特征與導(dǎo)軌面磨損特征數(shù)據(jù)之間的耦合關(guān)聯(lián)性。

(3)理論分析、實驗數(shù)據(jù)處理結(jié)果表明：采用支持向量機(jī)技術(shù)對導(dǎo)軌面磨損特征數(shù)據(jù)雷達(dá)圖重心特征分類研究可有效識別導(dǎo)軌面磨損狀況，其識別效果優(yōu)于采用導(dǎo)軌面磨損特征數(shù)據(jù)。

[1]關(guān)朝亮,戴一帆,王建敏,等.基于直線電機(jī)驅(qū)動的空氣靜壓導(dǎo)軌動靜態(tài)傾覆特性研究[J].機(jī)械科學(xué)與技術(shù), 2010, 9(9): 1182-1186.

GuanChaoliang,DaiYifan,WangJianmin,etal.StaticandDynamicCharacteristicsofanAirBearingGuideDrivenbyaLinearMotor[J].MechanicalScienceandTechnology, 2010, 9(9): 1182-1186.

[2]李傳乾.機(jī)床導(dǎo)軌按磨損規(guī)律設(shè)計計算的研究[J].湖南大學(xué)學(xué)報，1997,6(3)：56-75.

LiChuanqian.ResearchofMachineToolGuidewayBasedontheWearRulesDesign[J].JournalofHunanUniversity, 1997,6(3)：56-75.

[3]張從鵬,劉強(qiáng).基于靜壓氣浮導(dǎo)軌的直線電機(jī)高性能工作臺的研制[J].機(jī)械科學(xué)與技術(shù),2006,10(10):1212-1216.

ZhangCongpeng,LiuQiang.DevelopmentofHigh-performanceLinearMotorStageBasedonStatic-pressureAir-bearingSlider[J].MechanicalScienceandTechnology, 2006, 10(10): 1212-1216.[4]李永祥,焦萬堂,武文斌.機(jī)床導(dǎo)軌誤差對零件加工精度的影響[J].制造技術(shù)與機(jī)床,2005,5(8)：34-40.LiYongxiang,JiaoWantang,WuWenbin.InfluenceofLatheGuideErrorsonMachiningAccuracy[J].ManufacturingTechnologyandMachineTools, 2005, 5(8)：34-40.

[5]叢家慧，顏云輝.視覺注意機(jī)制在帶鋼表面缺陷檢測中的應(yīng)用[J].中國機(jī)械工程,2011,22(10):1189-1192.

CongJiahui,YanYunhui.ApplicationofHumanVisualAttentionMechanisminSurfaceDefectInspectionofSteelStrip[J].TheChineseMechanicalEngineering, 2011, 22(10):1189-1192.

[6]俞翔,胡志強(qiáng).基于局部紋理特征的鋼卷側(cè)面缺陷檢測方法研究[J].計算機(jī)工程與設(shè)計,2009,30(24):30-24.

YuXiang,HuZhiqiang.StudyofSideImageofSteelCoilDefectsDetectionBasedonLocalTexturalFeature[J].ComputerEngineeringandDesign, 2009,30(24):30-24.

[7]KerrD,PengilleyJ,GarwoodR.AssessmentandVisualisationofMachineToolWearUsingComputerVision[J].Manuf.Technol., 2006,28(7/8): 781-791.

[8]唐開勇.機(jī)床床身導(dǎo)軌的磨損及其對機(jī)床精度的影響[J].機(jī)械研究與應(yīng)用,2006,10(5):12-14.

TangKaiyong.TheAbrasionoftheSlidewayoftheMachineToolandItsInfluenceonthePrecisionoftheMachineTool[J].MechanicalResearchandApplication, 2006, 10(5):12-14.

[9]EllisTJ,HillWJ.AutomaticInspectionofCold-rolledSteelStrip[C]//Proc.IEEEInt.Conf.onImageProcessing.NewYork,1982: 134-138.

[10]韓芳芳.表面缺陷視覺在線檢測關(guān)鍵技術(shù)研究[D].天津：天津大學(xué),2011.

[11]劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學(xué)報,2009,14(4):622-633.LiuLi,KuangGangyao.OverviewofImageTexturalFeatureExtractionMethods[J].ChineseJournalofImageandGraphics, 2009,14(4):622-633.[12]王金甲,李靜,張濤,等.二次映射和遺傳算法用于可視化特征提取[J].系統(tǒng)仿真學(xué)報,2009,8(16):80-83.

WangJinjia,LiJing,ZhangTao,etal.DistinguishingVisualFeatureExtractionMethodUsingQuadraticMapandGeneticAlgorithm[J].JournalofSystemSimulation, 2009,8(16):80-83.[13]ChenM,EbertD,HagenH,etal.DataInformationandKnowledgeinVisualization[J].IEEEComputerGraphicsandApplications,2009,29(1): 12-19.[14]洪文學(xué)，高海波, 崔建新,等.多元圖圖形基元和特征基元提取與表示方法[J].燕山大學(xué)學(xué)報, 2008(9):405-411.

HongWenxue,GaoHaibo,CuiJianxin,etal.TheExtractionandRepresentationofMultipleGraphicalPrimitivesandtheCharacteristicsofPrimitives[J].JournalofYanshanUniversity, 2008(9):405-411.

[15]劉文遠(yuǎn),李芳.洪文學(xué).基于多維數(shù)據(jù)雷達(dá)圖表示的圖形分類器研究[J].計算機(jī)工程與應(yīng)用，2007(22):75-78.

LiuWenyuan,LiFang,HongWenxue.TheResearchofRadarMapGraphicsClassifierBasedontheMultidimensionalData[J].ComputerEngineeringandApplication, 2007(22):75-78.

(編輯王艷麗)

Wear Recognition on Guide Surface Based on Feature of Radar Graph

Zhou YouhangYu SiliangZhang QiaoZhou Jian

Xiangtan University,Xiangtan,Hunan,411105

To solve the wear recognition problem of machine tool guide surfaces, a new machine tool guide surface recognition method was presented herein based on the radar-graph barycentre feature. Firstly, the gray mean value, skewness, kurtosis, flat degrees and projection variance features of the guide surface image data were defined as primary characteristics. Secondly, data visualization technology based on radar graph was used. The visual barycentre graphical feature was demonstrated based on the radar plot of multi-dimensional data. Thirdly, a classifier based on the support vector machine technology was used, the radar-graph barycentre feature and wear original feature were put into the classifier separately for classification and comparative analysis of classification and experimental results. The calculation and experimental outcomes show that the method based on the radar-graph barycentre feature can detect the guide surface effectively.

guide surface; wear defect; feature extraction; data visualization; graphical representation

2014-01-21

國家自然科學(xué)基金資助項目(51375419，51375418)；湖南省自然科學(xué)基金省市聯(lián)合基金重點資助項目(12JJ8010)；湖南省高校科技創(chuàng)新團(tuán)隊項目(湘教通[2012]318號)

TH117.1< class="emphasis_italic">DOI

：10.3969/j.issn.1004-132X.2015.05.014

周友行，男，1971年生。湘潭大學(xué)機(jī)械工程學(xué)院教授、博士研究生導(dǎo)師。主要研究方向為數(shù)字化制造、工程機(jī)械。喻思亮，男，1987年生。湘潭大學(xué)機(jī)械工程學(xué)院碩士研究生。張俏，女，1990年生。湘潭大學(xué)機(jī)械工程學(xué)院碩士研究生。周健，男，1986年出。湘潭大學(xué)機(jī)械工程學(xué)院碩士研究生。