报告时间：2019年4月24日（星期三）10：30-11：30
报告地点：升华后楼504会议室
报告题目：制造过程数据驱动的模型失配和故障诊断
报告摘要：
控制系统在投入运行的初期一般能够满足企业的控制和生产目标。然而，随着系统的运行，系统内部和外部的不确定性会导致工业系统的控制性能退化，其中模型失配是其主要原因之一。目前，有关研究成果主要采用侵入式的方法检测模型失配。这些方法需要在正常运行的工业系统的设定点或操纵变量上加入额外的激励信号，这必然会打扰工业过程的正常运行，造成能源和原材料的浪费。另一方面，大部分的模型失配检测技术仅针对于模型预测控制(MPC)系统，对于其他控制器的研究比较少。针对上述问题，我们利用常规的闭环工业数据，提出了基于内模控制（Internal Model Control, IMC）结构的非侵入式模型失配检测方法。和传统的方法相比，该方法不仅不需要引入外界激励信号，而且适用于所有基于模型的控制器；此外，模型失配的检测独立于控制器的调节和动态的外部干扰。
在工业制造过程中，快速检测和识别异常事件的发生对于提高过程的安全性和减少不必要的生产损失有着至关重要的影响。基于数据驱动的多变量统计监控更是当下的热门研究之一。常用的故障诊断方法有贡献图方法以及基于重构的方法，但是二者存在“污染”效应，且故障会从故障源变量逐步“蔓延”到其他变量。针对以上问题，我们基于最小贝叶斯准则提出了一种新的故障诊断技术。该技术利用标准化的相对重构贡献值来代表特征属性，引入贝塔分布来逼近类条件概率密度，在调节因子的基础上采用最小风险贝叶斯决策对复杂的工业过程进行了故障检测和诊断。该方法很大程度地减轻了故障发生后的“污染”效应，跟踪了故障在变量间的传播过程，诊断出故障根源变量，同时还可以处理微小故障以及多传感器故障情况。
报告人简介：
郑英，IEEE高级会员、教授、博士生导师，华中学者，中国自动化协会故障诊断委员会委员，过程控制委员会委员，数据驱动控制、学习与优化专业委员会委员，湖北省自动化协会理事。分别于1997、2000、2003年于华中科技大学获得本科、硕士和博士学位，2004年12月至2005年11月赴台湾清华大学进行博士后研究，2006年7月至10月赴英国Cardiff大学，2014年12月至2015年12月赴美国南加州大学进行访问研究。湖北省自然科学二等奖、湖北省优秀学士论文指导奖获得者。长期从事自动控制领域的基础性研究工作，在故障诊断、数据分析、容错控制等方向上积累了丰富的研究成果。主持国家自然科学基金4项、湖北省自然科学基金项目1项、国家博士后基金1项。在国内外发表SCI、EI检索的学术论文80篇，授权国家发明专利7项。
