邓晓刚（副教授）

»姓名：邓晓刚

»系属：自动化系

»学位：博士

»职称：副教授

»专业：控制科学与工程

»导师类别：硕士生导师

»电子邮箱：dengxiaogang@upc.edu.cn

»联系电话：0532-86983472

»通讯地址：山东省青岛市黄岛区长江西路66号

»概况

◎研究方向

基于人工智能技术的复杂系统数据挖掘与分析，具体包括：

[1]基于机器学习与深度学习理论的工业数据解析方法

[2]数据驱动的工业系统智能故障诊断技术

[3]复杂非线性工业系统软测量建模技术

◎教育经历

2002—2008中国石油大学(华东)信息与控制工程学院获工学博士学位

1998—2002石油大学(华东)自动化系获学士学位

◎工作经历

2011.1-至今,中国石油大学（华东）,信息与控制工程学院,副教授

2008.1-2010.12,中国石油大学（华东）,信息与控制工程学院,讲师

2015.11-2016.10,英国南安普顿大学,电子与计算机科学系,访问学者

◎学术兼职

IEEE会员

中国自动化学会技术过程故障诊断与安全性专业委员会委员

担任IEEE Transactions on Neural Networks and Learning Systems，Industrial & Engineering Chemistry Research, IEEE Transactions on Control Systems Technology等多个国际期刊的学术审稿人

◎主讲课程

自动控制原理、现代控制理论、线性系统理论

◎指导研究生及博士后

2013级1人：徐莹 （已毕业）

2014级3人：钟娜、张琛琛、吴明胜（已毕业）

2015级3人：王磊、胡永平、孙宝伟（已毕业）

2016级3人：马健、高凯、路凯琪、邓佳伟（已毕业）

2017级5人：蔡配配）、于蕾、郑雪莹、陈永炫、王欣然（合作指导）（已毕业）

2018级3人：崔文志、张政、田煜坤（合作指导）

2019级5人：杜昆玉、戴佳兵、周奉玄、李森

◎承担项目

[1]局部信息熵的多牌号聚丙烯过程故障诊断方法研究，国家自然科学基金青年项目，2015.01-2017.12，25万，主持

[2]深度核学习理论的抽油机井故障诊断技术研究，山东省重点研发计划项目，2018.01-2019.12，25万，主持

[3]局部子空间模型的聚丙烯牌号切换过程故障诊断方法研究，山东省自然科学基金，2014.12-2017.12，5万，主持

[4]基于深度核学习机（DKLM）的抽油机井故障诊断方法研究，中国石油大学自主创新项目，2017.01-2019.12，15万，主持

[5]基于液压二次调节的海洋钻井补偿绞车工作机理及预测控制算法研究，海洋物探及勘探设备国家工程实验室开放课题，2020.5-2022.4，8万，主持

[6]地球物理智能信息处理与解释，中石油重大科技合作项目，2020.5.10-2022.12.31，110万，参与人。

◎获奖情况

[1] 2014年山东省优秀学士学位论文，指导教师。

[2] 2014年教育部西门子杯全国大学生工业自动化挑战赛运动控制赛项，总决赛一等奖，指导教师。

[3] 2015年教育部西门子杯全国大学生工业自动化挑战赛设计开发赛项，华北赛区二等奖，指导教师。

[4] 2015年第十四届山东省大学生科技文化艺术节大学生机器人大赛，一等奖，指导教师

[5] 2017年学校优秀教学成果教学实验技术类二等奖，第一完成人。

[6] 2019年学校优秀教学成果奖，二等奖，7/17。

◎荣誉称号

◎著作

◎论文

[1]Deng Xiaogang, Tian Xuemin, Chen Sheng, Harris C J. Nonlinear process fault diagnosis based on serial principal component analysis, IEEE Transactions on Neural Networks & Learning Systems, 2018, 29(3):560-572.( SCI收录:000426344600005) T0论文，SCI一区

[2]Deng Xiaogang, Tian Xuemin, Chen Sheng, Harris C J. Deep principal component analysis based on layerwise feature extraction and its application to nonlinear process monitoring. IEEE Transactions on Control Systems Technology, 2019, 27(6): 2526-2540.（SCI收录：000492299000017）SCI二区

[3]Deng Xiaogang, Wang Lei.Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring. ISA Transactions, 2018, 72:218-228（SCI收录：000424960100021）SCI二区

[4]Deng Xiaogang, Cai Peipei, Cao Yuping, Wang Ping. Two-Step Localized Kernel Principal Component Analysis Based Incipient Fault Diagnosis for Nonlinear Industrial Processes. Industrial & Engineering Chemistry Research, 2019, 59 (13), 5956-5968. SCI二区

[5]Deng Xiaogang, Deng Jiawei. Incipient fault detection for chemical processes using two-dimensional weighted SLKPCA. Industrial & Engineering Chemistry Research, 2019, 58(6): 2280-2295.（SCI：000459222500015）SCI二区

[6] Xu Ying,Deng Xiaogang. Fault detection of multimode non-Gaussian dynamic process using dynamic Bayesian independent component analysis. Neurocomputing, 2016, 200: 70-79.（EI：20161402198644，SCI：000377727100007，）SCI二区

[7]Deng Xiaogang，Zhong Na，Wang Lei. Nonlinear multimode industrial process fault detection using modified kernel principal component analysis. IEEE Access, 2017, 5: 23121-23132.（SCI收录：:000415170700012）SCI二区

[8]Deng Xiaogang, Cai Peipei, Deng Jiawei, Cao Yuping, Song Zhihuan. Primary-auxiliary statistical local kernel principal component analysis and its application to incipient fault detection of nonlinear industrial processes. IEEE Access, 2019, 7: 122192-122204. SCI二区

[9] Zheng Xueying,Deng Xiaogang.State-of-Health Prediction For Lithium-Ion Batteries With Multiple Gaussian Process Regression Model. IEEE Access, 2019, 7: 150383 – 150394 (SCI收录：000497160500112) SCI二区

[10]Deng Xiaogang, Tian Xuemin, Chen Sheng, Harris C J. Fault discriminant enhanced kernel principal component analysis incorporating prior fault information for monitoring nonlinear processes. Chemometrics and Intelligent Laboratory Systems, 2017, 162: 21-34（SCI收录：000395843700003）SCI三区

[11] Zhong Na,Deng Xiaogang. Multimode non‐Gaussian process monitoring based on local entropy independent component analysis. The Canadian Journal of Chemical Engineering, 2017, 95 (2), 319-330（SCI收录：000393827600012）SCI四区

[12] Wang Lei,Deng Xiaogang. Multiblock Principal Component Analysis Based on Variable Weight Information and Its Application to Multivariate Process Monitoring. Canadian Journal of Chemical Engineering, 2018, 96: 1127-1141. (SCI: 000430011000011) SCI四区

[13] Wang Lei,Deng Xiaogang, Cao Yuping. Multimode complex process monitoring using double-level local information based local outlier factor method. Journal of Chemometrics, 2018, 32(10)：1-21 (SCI收录：000447552300001) SCI四区

[14]邓晓刚，邓佳伟，曹玉苹，王磊。基于双层局部KPCA的非线性过程微小故障检测方法。化工学报，2018，69（7）：3092-3100（EI：20184806161601）

[15]邓晓刚，张琛琛，王磊．基于多阶段多向核熵成分分析的间歇过程故障检测方法.化工学报, 2017, 68(5): 1961-1968.（EI收录：20173704160908）

[16]邓佳伟,邓晓刚,曹玉苹,张晓玲.基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法.化工学报，2019, 70(7):2594-2605.（EI 20194407604636）

[17]于蕾，邓晓刚，曹玉苹，路凯琪。基于变量分组DTW-MCVA的不等长间歇过程故障检测方法。化工学报，2019，70(9): 3439-3446（EI 20194407605084））

[18]蔡配配，邓晓刚，曹玉苹，邓佳伟。基于WPRKPCA的非线性化工过程微小故障检测。化工进展，2019，38（12）：5247-5256。（EI：20200208027841）

[19]马建，邓晓刚，王磊.基于深度集成支持向量机的工业过程软测量方法.化工学报，2018，69（3）：1121-1128 (EI: 20184105915783)

[20]徐莹，邓晓刚，钟娜.基于ICA混合模型的多工况过程故障诊断方法.化工学报，2016,67（9）：3793-3803 (EI收录：20164402973841)

[21]王磊，邓晓刚，徐莹，钟娜.基于变量子域PCA的故障检测方法.化工学报，2016，67（10）：4300-4307 (EI:20164703037270)

[22]钟娜,邓晓刚,徐莹.基于LECA的多工况过程故障检测方法[J].化工学报, 2015, 66(12): 4929-4940.（EI收录：20155201713461）

◎专利

[1]邓晓刚，等。一种多变量工业过程故障识别方法。已授权。2016.6.22，专利号：201510249620.3.

[2]邓晓刚，等.基于核主元分析的非线性工业过程故障检测方法.已授权。授权时间：2019.5.31，专利号：201710991994.1.

[3]邓晓刚，等.基于贝叶斯核慢特征分析的非线性工业过程故障检测方法.已授权。授权时间：2019.1.11，专利号：201710041421.2

[4]邓晓刚，等.基于偏F值SELM的多变量工业过程故障分类方法.已授权，2019.11.29，专利号：201811401207.4

[5]邓晓刚,等.基于主辅PCA模型的多变量工业过程故障检测方法.已授权，授权时间：2020.3.6，专利号：201811503665.9

[6]邓晓刚，等.抽油机异常工况检测方法.实审中，实审时间：2019.8.22，专利号：201910535088.X

[7]邓晓刚，等。基于线性评价因子的线性—非线性工业过程故障检测方法.实审中，实审时间：2018.11.28， 专利号：201810679472.2.