大会报告01——丁先春教授

控制理论指导机器学习在动态系统过程监测、检测与控制中的应用

丁先春教授

德国杜伊斯堡-埃森大学的高级教授

报告摘要：以数据驱动和机器学习方法主导技术故障诊断与过程监测研究的时代，基于模型的监测、故障检测与容错控制技术在处理动态系统，特别是反馈控制系统中所面临的工程挑战方面，仍然是行之有效的工具。由于非线性过程建模、处理不确定性以及性能监测与优化等方面的困难，人们越来越倾向于探索和推广数据驱动和基于机器学习的方法来解决上述问题。然而，机器学习技术在应用于动态控制系统时往往未必行之有效，这主要是由于控制系统特有的结构，以及过程输入、内部状态与输出变量之间固有的因果关系所致。

物理信息机器学习（PIML）是一种新兴的创新技术，该技术将领域特定的物理知识与机器学习的优势相结合，作为连接数据驱动机器学习方法与基本物理规律之间的桥梁。最近的研究表明，PIML在控制系统建模、分析与设计，以及故障诊断等方面的应用已初现成效，取得了令人鼓舞的成果。这些研究成果激发了我们对控制理论引导的机器学习（CTIML）的探索兴趣。CTIML旨在实现对不确定动态系统的可靠监测、故障检测与控制。本次报告将概述CTIML的核心理念、概念框架及基本算法。其主要研究方向包括非线性动态过程的处理、不确定动态系统中的故障检测、性能监测与控制。

报告人简介：丁先春，德国杜伊斯堡-埃森大学的高级教授。1992年博士毕业于杜伊斯堡大学，1992-1994年在莱茵金属公司担任研发工程师；1995-2001为德国劳西茨应用科技大学控制工程教授；1998-2000担任德国劳西茨应用科技大学副校长；2001-2025年为杜伊斯堡-埃森大学控制工程讲席教授，并领导自动控制与复杂系统研究所。研究方向为基于模型、数据驱动和机器学习辅助的故障诊断与控制方法及在工业中的应用，重点涉及化工过程、可再生能源系统、智能建筑、汽车系统以及安全网络物理系统。

大会报告02——尹珅教授

剩余使用寿命预测：传统方法与机器学习的融合方法

尹珅教授

挪威科技大学DNV讲席教授，挪威技术科学院院士

报告摘要：本报告深入探讨了工业机械设备剩余使用寿命（RUL）的评估方法，这一关键技术对于优化维护方案、保障设备可靠性具有重大意义。报告首先阐释了基于物理机理的传统建模方法，该方法通过深入解析电池等设备的物理特性与失效机制来实现寿命预测。当传统方法存在局限时，研究转向机器学习及其他数据驱动策略，这些方法即使在缺乏该领域知识的情况下也能实现有效的RUL预测。研究重点攻克了该领域的三大核心难题：首先，针对数据稀缺问题，提出了在有限数据条件下仍能确保预测可靠性的解决方案；其次，聚焦模型鲁棒性与灵敏度，通过优化数据输入和模型配置来提升性能并降低计算成本；最后，探讨多源数据融合技术，详细介绍了如何整合时空异构数据以获取提升预测精度的关键洞察。

报告人简介：尹珅，挪威科技大学机械与工业工程系DNV讲席教授，博士毕业于德国杜伊斯堡-埃森大学，IEEE Fellow，挪威技术科学院院士。主要研究方向为系统与控制理论中的故障诊断、故障预测及容错控制，以及与技术过程可靠性、安全性及维护相关的剩余寿命预测研究。

大会报告03——雷亚国教授

高端装备智能运维与大模型研究

雷亚国 教授

西安交通大学机械工程学院教授，国家杰出青年科学基金获得者

报告摘要：高端装备在航空航天、能源动力、交通运输等领域中发挥着重要作用。故障是威胁其安全可靠运行的潜在因素。智能运维是保障装备安全运行与高质量生产的关键手段。报告人将首先介绍其研究团队在装备智能运维领域所建立的方法与技术；随后，分享所研发的智能诊断与运维系统的应用场景及典型案例；最后，汇报智能运维大模型方面的最新研究工作。

报告人简介：雷亚国，西安交通大学教授、博士生导师、机械工程学院常务副院长、精密微纳制造技术全国重点实验室副主任、ASME Fellow、IET Fellow、ISEAM Fellow、国家杰青、国家高层次人才特殊支持计划入选者、国家重点研发项目首席科学家、科睿唯安全球高被引科学家。现担任黄河流域大学联盟先进制造分领域主任委员、中国自动化学会技术过程的故障诊断与安全性专业委员会副主任、中国机械工程学会工业大数据与智能系统分会副主任、MSSP与IEEE TIE等本领域著名期刊副主编、陕西省科技创新团队带头人、“三秦学者”全国一流创新团队带头人。

长期从事大数据智能故障诊断与寿命预测、机械状态健康监测与智能维护等方面的研究工作。研发的智能诊断系统在能源电力、智能制造、交通运输等领域得到广泛应用。曾获得国家技术发明二等奖、中国青年科技奖、新基石科学基金会科学探索奖、教育部青年科学奖、省部级自然科学一等奖3项。2019年受邀参加庆祝中华人民共和国成立70周年大会天安门广场观礼。

大会报告04——赵春晖教授

大模型赋能的工业过程零样本故障诊断：从已知故障到未知故障的知识迁移与语义推理

赵春晖 教授

浙江大学求是特聘教授，国家杰出青年科学基金获得者

报告摘要：故障诊断系统是工业过程安全可靠运行的重要保障。数据驱动的故障诊断建模往往依赖于收集的历史故障数据。然而，在实际工业过程中，过程故障没有样本也没有标签的情形是普遍存在的。对此，我们研究了一种极具挑战性的故障诊断任务，即考虑在没有历史故障样本可用于模型训练的情况下进行诊断。针对传统零样本诊断依赖人工标注故障语义属性的瓶颈问题，本研究突破性地引入工业大模型技术，构建了基于现有专业文档的自动化语义标注与表征体系：首先，提出大模型驱动的属性标注方法，获得自动标注的故障属性，语义标注耗时从天级下降到分钟级；提出基于测试时适应的语义调整策略，实现了未见类别语义标注值的优化更新；融合跨模态匹配与知识蒸馏，建立时序故障表征与语义描述的双向对齐方法，实现从已知到未知故障的知识迁移与语义推理。研究工作在火电、化工等领域应用。本研究首次证明大模型可有效替代人工完成故障语义建模，为自主认知型工业健康管理系统的发展提供了新范式。

报告人简介：赵春晖，浙江大学求是特聘教授，国家杰青。2009年博士毕业于东北大学，2009-2011年先后于香港科技大学、美国加州大学圣塔芭芭拉分校从事博士后研究工作；2012-2014年为浙江大学控制学院特聘研究员；2014年12月至今为浙江大学控制科学与工程学院教授。主要研究方向为面向工业应用领域的统计机器学习和数据挖掘研究。已在国际权威期刊上发表一作/通讯高水平SCI研究论文250多篇，1作出版3本专著，2本大数据本科教材，授权发明专利70余项。担任国家自然科学基金委杰青项目负责人。主持国家自然科学基金、国家重点研发计划、省级项目和企业合作项目等科研项目20余项。曾获浙江省自然科学一等奖（排1）、教育部自然科学奖、浙江省首届青年科技奖、中国自动化学会自然科学一等奖等多项科研奖励。获得中国青年女科学家奖、浙江省巾帼建功标兵、中国自动化学会会士、CAA首届青年女科学家奖等十余项学术荣誉奖项。担任《Journal of Process Control》的Senior Editor、《Control Engineering Practice》、《Neurocomputing》等三本国际期刊和《控制与决策》等三本国内期刊的副编。