4月28日下午，应我院邀请，新加坡国立大学巩超宇研究员为我院师生作题为《证据驱动型分布式工业设备状态监测问题研究》的学术报告。报告会由科研秘书李涛老师主持，相关科研教师及研究生近100余人聆听了本次报告。
巩超宇研究员在证据理论框架下,重点描述样本对象在不同聚类中的成员资格的不精确和不确定的信息。研究内容主要包括三个方面：（1）为了克服处理高维数据时的维度诅咒，提出在Apache Spark框架下加快EKNN分类器的参数估计；（2）为了提升多视图聚类精度，研究将各个视图的聚类结果进行证据融合,提出一种自监督损失与交互式损失相结合的深度学习网络架构；（3）将上述算法应用于真实工业设备的状态监测问题。为了精准高效地完成设备的状态监测，需要解决离线和在线两个重要工程问题，从海量历史运行数据中挖掘与描述设备的运行状态，利用挖掘出的运行状态来完成设备实时运行状态的诊断与预警。在能否长期、稳定地使用大规模计算资源的两种不同实际工业场景中，巩超宇研究员提出了两种不同的技术方案解决上述两个实际工程问题。
此次报告有助于师生了解状态监测和故障诊断技术的发展前沿以及最新科技成果在实际工程项目的应用状况，同时使学生了解了结合实际进行科学研究和技术开发的整个过程，从而开拓师生视野。
专家简介：
巩超宇，1995年9月生，河南省新乡市人。于2016年6月，2022年6月在东南大学获工学学士，工学博士学位。2021年4月至2022年4月在新加坡国立大学计算机学院,高性能计算与人工智能实验室（NUS-HPC-AI Lab）担任公派访问学者。2022年9月至今在NUS-HPC-AI Lab担任研究员（Research Fellow）。主要研究涉及（1）不精确不确定信息环境下，分布式工业设备的状态监测与故障诊断问题；（2）信任条件下的多模态多视图深度自监督学习问题。参与多项国自然面上项目，承担新加坡国立大学研究员启动基金项目。目前研究成果在云南省多个水火电发电站及山东省多个地铁系统中得到落地应用。署名为第一作者的学术论文在IEEE TKDE，IEEE ICDE，IEEE/CAA JAS，Pattern Recognition等多个CCF-A/B类顶级期刊/会议发表。
（计算机与信息工程学院李涛）