姓名： 李育锋

      学历学位：博士研究生/博士后

      专业技术职务：副教授

      导师类别：博士生导师、硕士生导师

      联系邮箱：liyufengcqu@cqu.edu.cn

重庆大学副教授，博导、硕导，数字孪生青年学者委员会(中国)首届委员、中国机械工程学会高级会员。长期从事绿色设计与制造、智能制造、工业大数据与人工智能等领域研究，主持国家自然科学基金面上项目，国家重点研发计划（重点专项）项目课题、国家基础加强重点项目子课题、中国制造2025专项-绿色制造系统集成项目课题、重庆市自然基金面上项目等国家/省部级项目10余项和多项横向项目。

研究成果“低碳制造环境下机械加工机床-车间能耗规律及调控”获教育部自然科学奖二等奖（排名第4）；在Applied Energy，IEEE， International Journal of Mechanical Sciences等本领域国际权威JCR一区期刊发表论文20余篇，《机械工程学报》等国内顶级期刊发表论文8篇，CIRP 等国际顶级学术会议发表论文8篇；授权国家发明专利14项；参与制定团体标准2项；出版国家出版基金资助高水平专著1本。

主要研究方向

绿色设计与制造、智能制造、工业大数据与人工智能、高能效制造与清洁生产

研究经历

2021.09—至今         重庆大学  副教授

2017.10—2021.09    重庆大学  讲师

2015.12—2017.09    重庆大学  博士后

2010.09—2015.06    重庆大学  博士研究生

    
教学情况

[1] 本科生课程 “工程制图”

[2] 本科生课程 “智能制造与绿色制造”

[3] 本科生课程 “机械电气控制及自动化”

[4] 本科生课程 “绿色智能制造技术”

代表科研项目

        1. 国家重点研发计划项目课题，复杂制造系统数据的按需融合与分层感知，2024.12-2027.11，主持

        2. 国家自然科学基金面上项目，基于切削界面微观性能演变的材料去除能耗机理与工艺性能优化，2024.01-2027.12，主持

        3. 国家基础加强重点项目子课题， XXXXXXXXXX技术研究，2023.6-2027.6，主持

        4. 国家重点研发计划子课题，基础制造工艺资源环境负荷数据采集及环境评价数据库建设，2019-2022，主持

        5. 中国制造2025专项—绿色制造系统集成项目课题，运载火箭箭体绿色制造关键工艺与装备的突破及集成应用，2017-2021，主持

        6. 重庆市自然科学基金面上项目，面向失效特征与知识重用的再制造工艺智能规划方法，2020.07-2023.09，主持

公开发表论文（代表作）（10项）

[1]  何彦，李育锋，王禹林，等. 《机械加工过程能耗建模和优化方法》. 机械工业出版社，2022.3，ISBN: 978-7-111-70040-1.

        [2]   Li, Y., Wang, X., He, Y., Wang, Y., Wang, Y., & Wang, S. (2021). Deep spatial-temporal feature extraction and lightweight feature fusion for tool condition monitoring. IEEE Transactions on Industrial Electronics, 69(7), 7349-7359. (SCI 一区，IF 7.5)

        [3]   Li, Y., He, Y., Wang, Y., Tao, F., & Sutherland, J. W. (2020). An optimization method for energy-conscious production in flexible machining job shops with dynamic job arrivals and machine breakdowns. Journal of Cleaner Production, 254, 120009. (SCI一区，IF 11.1)

        [4]   He, Y., Niu, X., Hao, C., Li, Y.*, Kang, L., & Wang, Y. (2024). An adaptive detection approach for multi-scale defects on wind turbine blade surface. Mechanical Systems and Signal Processing, 219, 111592. (SCI 一区，IF 8.4)

        [5]   Yue, Q., Li, Y.*, Liang, C., Wang, Y., & He, Y. (2024). Quantitative evaluation of residual stress and microstructural effects on the surface hardness of machined Ti-6Al-4 V alloy with microscopic characterization techniques. Journal of Materials Processing Technology, 327, 118382. (SCI二区top，IF 6.7)

       [6]   He, Y., Yue, Q., Li, Y.*, He, J., & Zhong, R. (2024). Multiscale residual stress and mechanical behavior analysis in machining of Ti-6Al-4V alloy with advanced microscopic characterization. Journal of Manufacturing Processes, 120, 568-578. (SCI一区top，IF 6.1)

       [7]   Wu, P., He, Y., Li, Y.*, Wang, Y., & Wang, S. (2022). Online prediction of cutting temperature using self-adaptive local learning and dynamic CNN. IEEE Transactions on Industrial Informatics, 18(12), 8629-8640. (SCI 一区，IF 12.3)

       [8]   He, Y., Tian, X., Li, Y.*, Wang, Y., Wang, Y., & Wang, S. (2022). Modeling and analyses of energy consumption for machining features with flexible machining configurations. Journal of Manufacturing Systems, 62, 463-476. (SCI 一区，IF 10.4)

       [9]   Wu, P., He, Y., Li, Y.*, He, J., Liu, X., & Wang, Y. (2022). Multi-objective optimisation of machining process parameters using deep learning-based data-driven genetic algorithm and TOPSIS. Journal of Manufacturing Systems, 64, 40-52. (SCI 一区，IF 10.4)

       [10] He, Y., Wu, P., Li, Y.*, Wang, Y., Tao, F., & Wang, Y. (2020). A generic energy prediction model of machine tools using deep learning algorithms[J]. Applied Energy, 275: 115402. (SCI一区，IF 11.2)