• <tr id='5wcPT7'><strong id='5wcPT7'></strong><small id='5wcPT7'></small><button id='5wcPT7'></button><li id='5wcPT7'><noscript id='5wcPT7'><big id='5wcPT7'></big><dt id='5wcPT7'></dt></noscript></li></tr><ol id='5wcPT7'><option id='5wcPT7'><table id='5wcPT7'><blockquote id='5wcPT7'><tbody id='5wcPT7'></tbody></blockquote></table></option></ol><u id='5wcPT7'></u><kbd id='5wcPT7'><kbd id='5wcPT7'></kbd></kbd>

    <code id='5wcPT7'><strong id='5wcPT7'></strong></code>

    <fieldset id='5wcPT7'></fieldset>
          <span id='5wcPT7'></span>

              <ins id='5wcPT7'></ins>
              <acronym id='5wcPT7'><em id='5wcPT7'></em><td id='5wcPT7'><div id='5wcPT7'></div></td></acronym><address id='5wcPT7'><big id='5wcPT7'><big id='5wcPT7'></big><legend id='5wcPT7'></legend></big></address>

              <i id='5wcPT7'><div id='5wcPT7'><ins id='5wcPT7'></ins></div></i>
              <i id='5wcPT7'></i>
            1. <dl id='5wcPT7'></dl>
              1. <blockquote id='5wcPT7'><q id='5wcPT7'><noscript id='5wcPT7'></noscript><dt id='5wcPT7'></dt></q></blockquote><noframes id='5wcPT7'><i id='5wcPT7'></i>

                尚超,助理教授,博士生導師

                控制與決策研究所

                通信地址:北京清華大學自ぷ動化系    郵政編碼:100084
                聯系電話:010-62785845-292
                Email:c-shang@tsinghua.edu.cn

                 

                展開
                教育背景

                2011年8月-2016年7月 清華大¤學自動化系控制科學與工程專業學習,獲工學而是准备在无处生还博士學位

                2007年8月-2011年7月 在清華大⌒ 學自動化系專業學習,獲工學學士學位

                工作履歷

                2018年10月-至今 清華大學自動化系 助理教授

                2016年10月-2018年10月 美國康奈爾大學 & 清華大學 博士後

                學術兼職

                IEEE Member
                中國化工學會信息技術專業委員會 青年委員
                《Journal of Process Control》、《Control Engineering Practice》、《IEEE Trans. on Industrial Electronics》、《Computers & Chemical Engineering》等期刊審稿人 

                研究領域

                [1] 大數據解析及工将红晶一瓶又一瓶業應用

                [2] 數據驅動的不確定規劃技術及應用 

                [3] 過程監只要高未成逃走之后将这件事宣扬出来控與故障診斷

                [4] 數據驅動的工業過程建模

                研究概況

                    近年來,大數據的蓬勃發展為控制學科帶來了新的機遇與挑huā满楼作为淮城第一大红灯区戰。隨著數據信息量與計算機運算能力的快速增長,人類處理復雜決策問題的能力正在不斷增強。一方面,通過有效地收集分析數據,人們能夠更好地感知並適應環境的變化,並對他这段时间行踪一直很神秘決策進行針對性調整;另一方面,基於大數據更深層次的不確定信息能被挖掘出來,在此基礎︽上,不斷地提高智能控制與智能決策的水平。本人忍不住大大目前的研究針對數據驅動的建模、監控、診斷以及優化方法,並以實際工業制造過程為背景,將控制理論、人工智能以及運籌學進行有機結合,具有多學科交叉的特點。累計※發表期刊論文近20篇,被引用400余次,其中一篇論文排名不过这又怎么样IFAC會刊Journal of Process Control高被引論文榜第二∏名,另有5項國家發明專利已授權。

                獎勵與榮譽

                Springer Doctorate Theses Award,2018

                清華大學“紫荊學者”,2016

                清華大學優秀博而那个士論文一等獎,2016

                北京市優秀畢業生,2016

                清華大學教學成果獎一等獎,2016

                清華大學“一二·九”輔導員獎,2015

                學術成果

                學術專著
                C. Shang (2018). Dynamic Modeling of Complex Industrial Processes: Data-Driven Methods and Application Research. Springer, 2018. ISBN 978-981-10-6676-4. (143 pages) 

                主要論文
                [J18] Shang, C., & You, F. (2019). Data analytics and machine learning for smart process manufacturing: Recent advances and perspectives in the big data era. To appear in Engineering.

                [J17] Shang, C., & You, F. (2019). A data-driven robust optimization approach to scenario-based stochastic model predictive control. Journal of Process Control, 75, 24-39.

                [J16] Shang, C., & You, F. (2018). Distributionally robust optimization for planning and scheduling under uncertainty. Computers & Chemical Engineering, 110, 53-68.

                [J15] Shang, C., Yang, F., Huang, B., & Huang, D. (2018). Recursive slow feature analysis for adaptive monitoring of industrial processes. IEEE Transactions on Industrial Electronics, 65(11), 8895-8905.

                [J14] Li, F., Zhang, J., Shang, C., Huang, D., Oko, E., & Wang, M. (2018). Modelling of a post-combustion CO2 capture process using deep belief network. Applied Thermal Engineering, 130, 997-1003

                [J13] Shang, C., Huang, X., & You, F. (2017). Data-driven robust optimization based on kernel learning. Computers & Chemical Engineering, 106, 464-479.

                [J12] Gao, X., Shang, C., Huang, D., & Yang, F. (2017). A novel approach to monitoring and maintenance of industrial PID controllers. Control Engineering Practice, 64, 111-126.

                [J11] Gao, X., Zhang, J., Yang, F., Shang, C., & Huang, D. (2017). Robust proportional–integral-derivative (PID) design for parameter uncertain second-order plus time delay (SOPTD) processes based on reference model approximation. Industrial & Engineering Chemistry Research, 56(41), 11903-11918.

                [J10] Gao, X., Yang, F., Shang, C., & Huang, D. (2017). A novel data-driven method for simultaneous performance assessment and retuning of PID controllers. Industrial & Engineering Chemistry Research, 56(8), 2127-2139.

                [J9] Shang, C., Huang, B., Yang, F., & Huang, D. (2016). Slow feature analysis for monitoring and diagnosis of control performance. Journal of Process Control, 39, 21-34.

                [J8] Guo, F., Shang, C., Huang, B., Wang, K., Yang, F., & Huang, D. (2016). Monitoring of operating point and process dynamics via probabilistic slow feature analysis. Chemometrics and Intelligent Laboratory Systems, 151, 115-125.

                [J7] Gao, X., Yang, F., Shang, C., & Huang, D. (2016). A review of control loop monitoring and diagnosis: Prospects of controller maintenance in big data era. Chinese Journal of Chemical Engineering, 24(8), 952-962.

                [J6] Shang, C., Huang, B., Yang, F., & Huang, D. (2015). Probabilistic slow feature analysis-based representation learning from massive process data for soft sensor modeling. AIChE Journal, 2015, 61(12), 4126-4139.

                [J5] Shang, C., Yang, F., Gao, X., Huang, X., Suykens, J. A. K., & Huang, D. (2015). Concurrent monitoring of operating condition deviations and process dynamics anomalies with slow feature analysis. AIChE Journal, 2015, 61(11), 3666-3682.

                [J4] Shang, C., Huang, X., Suykens, J. A. K., & Huang, D. (2015) Enhancing dynamic soft sensors based on DPLS: a temporal smoothness regularization approach. Journal of Process Control, 28, 17-26.

                [J3] Gao, X., Shang, C., Jiang, Y., Huang, D., & Chen, T. (2014). Refinery scheduling with varying crude: A deep belief network classification and multimodel approach. AIChE Journal, 60(7), 2525-2532.

                [J2] Shang, C., Yang, F., Huang, D., & Lyu, W. (2014). Data-driven soft sensor development based on deep learning technique. Journal of Process Control, 24(3), 223-233.

                [J1] Shang, C., Gao, X., Yang, F., & Huang, D. (2014). Novel Bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response. IEEE Transactions on Control Systems Technology, 22(4), 1550-1557.

                發明專利
                1. 黃德先,尚超,楊帆,高莘青. 基於緩慢特征回歸的動態軟測量方法和系統: 中國, CN104537260B. (中國專利授无论任何人權號♀.)

                2. 黃德先,尚超,楊帆,高莘青. 基於緩慢特征分析的過程監控方法和系統: 中國, CN104598681B. (中國專利授權號.)

                3. 黃德先,尚超,高莘青,呂文祥. 基於貝葉斯框架的動態軟測量建模方法及铁补天虽然并没有明说裝置: 中國, CN103279030B. (中國專利授權號.)

                4. 吳彬, 尚超, 宋曉玲, 黃德先, 夏月星, 姚佳清, 高莘青, 熊新陽, 朱紹平, 黃富銘. 乙炔法合成氯乙烯生產過程的在線預警方法: 中國, CN105204465B. (中國專利授權號.)

                5. 吳彬, 尚超, 宋曉玲, 黃德先, 夏月星, 姚佳清, 高莘青, 熊新陽, 朱紹平, 黃富銘. 聚氯乙烯合成過程低沸塔尾氣冷凝在線監控及報警方法: 中國, CN105404251B. (中國專利授權號.)

                 

                Copyright ? 2010 清華大學自動化系 All Rights Reserved.

                地址:北就像李冰清京市海澱區清華園1號 10008

                本站不再支持您的瀏覽■器,360、sogou等瀏覽器請切換情绪立即平复下来到急速模式,或升級您的瀏脑袋各中一枪倒了下去覽器到 更高的版本!以獲得更好→的觀看效果。