当前课程知识点:2015年清华大学研究生学位论文答辩(一) > 第2周 机械系、自动化系、交叉信息学院 > 自动化系-江奔奔 > 答辩陈述
返回《2015年清华大学研究生学位论文答辩(一)》慕课在线视频课程列表
返回《2015年清华大学研究生学位论文答辩(一)》慕课在线视频列表
下边我代表学术分委员会
来宣读一下答辩委员会的名单
杨耕教授清华大学自动化系
罗予频教授清华大学自动化系
钟麦英教授北京航空航天大学
仪器科学与光电工程学院
金新民教授
北京交通大学电气学院
秘书是赵世敏高级工程师
我是叶昊担任答辩委员会的主席
下边我们的答辩就正式开始
首先请秘书介绍一下学生的情况
江奔奔 男 1987年2月出生
汉族 中共党员 原籍浙江省台州市
2010年毕业于
浙江大学控制科学与工程系
获工学学士学位
2010年9月免试推荐
进入清华大学自动化系
控制科学与工程学科
本科直博
在学期间
取得学位科总学分是38分
满足直博生培养方案要求的
总学分29分的要求
课程成绩如下
研究生新生综合素质训练
通过基础范含分析92
自然辩证法88自由控制93
非线性系统理论90
化工系统优化与综合78
鲁棒控制89
英文科技论文写作与学术报告通过
模式识别76
系统辨识理论与实践83
综合自动化理论与方法92
系统与控制理论中的线性代数83
博士生英语74
文献综述与选题报告92
资格考试92社会实践通过
学术活动与学术报告通过
现代科学技术革命
与马克思主义86
研究生体育通过
博士生阶段
发表的学术论文有9篇
其中SCI期刊论文7篇
EI国际会议文章两篇
好
下边就是
请江奔奔来介绍工作情况
不要超过45分钟
好的
下午好
非常感谢各位老师在百忙之中
指导我的博士答辩
我叫江奔奔
是自动化系2010级博士研究生
导师是黄德先研究员
我的研究题目
是基于数据驱动技术
及因果分析的
工业过程监控方法
今天我将分以下四点进行讲述
首先是背景与意义
其次是目标与内容
接着是主要工作总结
最后是学术与成果
首先介绍背景与意义
1997年北京东方化工厂
发生乙烯装置爆炸
导致经济损失达10亿元
另外2000年
罗马尼亚一家黄金制品厂的
废品炉发生故障
导致河内所有生物在
极短时间内死亡
造成了欧洲特大环境灾难
另外2005年吉林市的中石油
石化公司双苯厂连续发生爆炸
造成特大环境污染
经济损失无法估量
另外据资料显示
运用故障监控技术
能使每年的维修费用
减少25%到50%
故障停机时间减少75%
另外由于工业过程
是实时变化的
过程数据表现出强动态特性
与安全相关的数据
对快速型要求较高
例如一个异常状态
可能在一秒之内报警数十次
需要以最快的速度
予以正确响应
因此如果能够既快速
又准确的进行故障监控
那么能使现场操作人员
更有效得出里过程异常
有效减少损失
下面介绍目标与内容
我博士论文的主要研究问题是
如何提高故障监控的
准确率和快速性
重点研究了基于数据驱动技术
和因果分析的故障监控方法
这一方法具体基于
具有较好动态数据建模性能的
基于状态空间模型的方法CVA方法
具体分以下几点进行开展
第一为了更加准确快速
确定上故障影响较大的过程变量
提出来一种基于
CVA贡献图的故障识别方法
第二为了进一步诊断
引起故障的根原因
提出了一种综合CVA
和FDA的故障诊断方法
第三为了适用于
不能事先获知数据故障
集情况的应用需求
提出来一种综合数据驱动技术
CVA和因果分析的故障监控方法
第四为了解决综合数据驱动技术
与因果分析监控方法
需要事先已知
过程因果信息的问题
提出了一种能够同时确定
所有通道模型的建模
所有通道模型的建模方法
以及基于这种方法的因果分析
下面首先介绍第一点研究内容
当系统发生故障之后
其影响会传递到系统其他部位
因此我在这部分的
具体研究内容是
更加准确的确定
受故障影响较大的过程变量
具体研究策略是提出来一种
具有较好动态数据建模性能的
基于CVA的贡献度方法
另外根据CVA的状态空间模型
进一步提出了两种故障贡献值
规范变量空间属性贡献值
和残差空间属性贡献值
理论分析和基于
田纳西伊斯曼的案例研究表明
结合使用这两种故障贡献值
能更加有效的确定故障变量
下面先简要介绍CVA方法
CVA方法是基于
状态空间模型进行表示的
CVA方法在构造数据时
其有两个重要的概念是
一个是过去数据向量
另一个是将来数据向量
其中过去数据向量Pt指的是
包含t时刻之前的输入输出变量
将来数据向量ft指的
是包含t时刻之后的将来输出变量
然后根据过去数据向量
和将来数据向量
构造如下的这样一个数据矩阵
然后只是要对这个数据矩阵
进行一步奇异值分解
就能够得到投影矩阵J
和规范状态X
其中规范状态的意义
类似于PCA中的主元成分
包含了故障数据的
主要动态信息主要成分
除规范状态之外
剩下的是数据的残差信息
其中基于CVA降维方法的
一个优点是其得到的规范状态
具有最小实现的特点
另外CVA在动态数据
建模精确性方面
比动态PCA动态PLS
及其变形的方法都要优越
然后根据CVA的规范状态
和残差分别
可以定义这样中故障贡献值
基于规范状态空间的贡献值
Cd和基于残差空间的贡献值Ce
这是结合这两者的基于
可以进一步定义
基于CVA的综合贡献值C
其中q是一个常数
是一个大于0小于1的常数
在下面的案例研究当中
都将选取q等于0.5
过程变量的贡献值C值越大
表明该变量偏离
其正常操作水平的程度越严重
下面用田纳西伊斯曼TE过程
来验证所提方法的有效性
TE过程是评估
故障识别技术的benchmark对象
其中故障1是同时改变
流失当中成分A和C的比重
导致系统的其他部位
比如反应器的液位
其他流中的各种成分
都发生相应的改变波动
然后这是利用综合的CVA贡献值
对故障一进行识别的结果
横轴表示样本数据时刻
纵轴表示的是
TE过程所有52个变量
其中颜色越深表示该变量
偏离其正常水平越严重
这是被所提方法
识别出的所有变量的趋势图
其中基于这篇文章当中
基于优化的动态PCA
贡献图方法进行比较
其中变量34没有被基于
优化的动态PCA
贡献图方法识别出来
但我们通过
这张该变量的趋势图
我们可以看到
其稳态值是偏离了其正常水平
的确是该变量是故障变量
此结果可以表明所提的
基于CVA的贡献图方法
拥有更好的准确性
这两张图分别表示对故障1
用基于CVA状态空间
和残差空间贡献图
识别出来的故障变量
我们可以看到
如果单独用某一种贡献值
只能识别出部分故障变量
会遗漏到另外一部分故障变量
下面将用另一个案例
TE过程的故障4进一步说明
需要综合结合运用基于状态空间
和残差空间这两种贡献值
进行故障识别的必要性
其中故障4是在反应器冷却水
入口温度处给予一个阶跃响应
导致冷却水流速变量51
发生阶跃变化
故障4只有一个故障变量变量51
然后这是用综合CVA贡献值
识别出来的结果
准确的把故障变量51识别出来
如果只是单独
用基于状态空间的贡献值
就无法对故障4进行有效识别
会误认为此时没有发生故障
另外这是对TE的所有21个故障
都用所提的基于CVA的
贡献图的方法识别出的结果
尤其对故障4故障7
故障11和故障19
更需要综合结合
使用这两种故障值进行故障识别
这是对第一部分研究内容的总结
为了能够有效提高
故障识别的准确性
提出来一种基于CVA贡献图的
故障识别方法
该部分研究成果主要
发表了一篇SCI国际期刊论文
该篇论文曾排在JPC下载量
最多文章列表的前列
下面介绍第二部分研究内容
为了进一步诊断
引起故障的根源因
和提高故障诊断的
准确率和快速性
刚部分的主要研究问题是
在已知故障的数据集情况下
更加准确快速的
确定故障发生的种类和原因
该问题本质
其实是数据分类的问题
具体研究策略是
提出了一种综合CVA
和FDA的故障诊断方法
该方法主要分两大步骤
第一步骤利用改进的CVA算法
提取数据的动态模型信息
降低数据的维度
和降低数据间的重叠度
为第二步骤FDA方法
进行故障诊断提供两大好处
提高诊断的准确性和降低计算量
理论分析和基于田纳西伊斯曼的
案例研究表明
所提的方法能够
有效提高故障诊断的
准确性和快速性
尤其针对具有
较强动态的过程而言
跟传统CVA算法不同的是
改进的CVA算法在降维过程中
还引入数据重叠度的指标
通过优化
优化这样的一个
基于训练集和验证集的
这样一个目标函数
来选取最优的CVA
降维阶次和时滞阶次
使得经过改进CVA预处理后的数据
在后续的FDA诊断故障中
更充分的利用数据间的
动态信息和降低计算量
下面同样用TE过程的这三个故障
故障3故障4和故障11
来见证所提方法的有效性
这个表格是
对这三个故障的具体描述
然后分别
对这三个故障的训练集故障
和测试集故障分别进行投影
我们可以看到这三个故障
是重叠严重的
然后用所提的CVAFDA方法
对这三个故障进行诊断分类
与另外两种方法
FDA方法和动态FDA方法进行对比
我们可以看到无论在错分比率上
还是在计算时间方面
所提的方法都是最好的
另外还用了这三种方法
对故障刚发生的
具有较强动态特性的过渡过程的
前200个数据样本进行诊断
结果表明所提的方法的
诊断结果也是最好的
另外还对具有更强动态特性的
过渡过程的前100个数据样本
进行诊断效果也如此
此案例研究表明
所提的方法故障诊断的
快速性和准确性方面
拥有良好的性能
尤其对于具有
较强动态特性的过程而言
然后这张图是利用FDA方法
对这三个故障进行诊断结果的
具体可视化展示
右边的图例
是表示是用三种不同的颜色
对三个故障进行表示
其中红色表示的是故障11
绿色表示故障4
蓝色表示故障3
左边的坐标
是被测试的三个故障
然后测试数据
开始于时刻t等于1
然后下面这个结果
是用所提的CVA-FDA方法
对这三个故障
进行诊断的具体可视化展示
然后我们可以
从每一行的颜色的呈现度
我们可以视觉上直观可以判断
所提的CVA-FDA方法在诊断效果
会比FDA好
然后再观测数据的
前200个数据样本
前200个数据样本
是故障处于过渡过程的阶段
具有较强的动态特性
我们可以判断所提的
CVA-FDA方法的效果更好
同样这是用所提的CVA-FDA方法
对动态FDA方法的对比
同样效果也如此
然后这是对第二部分内容的总结
主要是在已知故障数据的情况下
提出了一种综合CVA
和FDA的故障诊断方法
该方法主要分两大步骤
第一步骤是利用改进的CVA算法
对数据进行预处理
使得数据处理后数据
更有利于后续的FDA算法
进行故障诊断
该部分研究成果
主要发表了一篇SCI国际期刊论文
CCE期刊
下面介绍第三部分研究内容
主要目的是为了适用于
不能事先获知故障数据集
情况的应用需求
同时考虑过程关联结构故障
其中过程关联结构故障
表示的是故障发生在
变量与变量之间的连接关系部位
针对这个问题
提出了一种综合CVA
和因果分析的故障监控方法
具体研究策略
首先提出一种融入
因果信息的特征表示
因果依赖特征CD特征
然后再利用具有
较好动态数据建模性能的
CVA方法进行特征的差异性度量
另外还进一步分析了因果信息
在特征表示以及故障监控
尤其是故障溯源方面的作用
理论分析和案例研究表明
所提的方法有效
提高了故障诊断的性能
尤其对于多故障类型而言
所提的综合CVA和因果分析的
故障监控主要包含两个步骤
第一步骤是特征表示
第二步骤是特征度量
其中特征表示指的是
从原始数据中提取构造
适用于目标任务完成的特征信息
主要遵循两个原则
第一是应用从属性原则
第二是冗余性原则
其中应用从属性原则指的是
根据运用目的选取相对应的特征
比如我们这里考虑的是
故障关联结构的故障监控
就比较适合选取能够度量
变量与变量之间的
连接关系的特征
从这个角度来说
相关系数特征就会优于
传统直接利用所测量得到的
基于过程变量数据的特征
另外冗余性原则指的是
所利用冗余度越低的特征表示
所能取得的监控性能就越好
在这里过程的因果信息
就可以被利用
来降低特征表示的冗余度
例如考虑这里
没有包含因果信息的
基于相关系数的特征表示
就要需要包含任意两个
变量之间的相关系数
就需要包含三个成分
但从图6.1我们可以看到
相关系数X和Z
其实是与另外两个相关系数X和Y
Y与Z是冗余的
其并没有增加有效信息
却增加了特征空间的冗余性
考虑这个问题提出了一种
融入因果信息的特征表示
因果依赖CD特征
CD特征只需要度量
具有因果关系变量
之间的关联特性就可
具体计算如这个公式所示
然后再同样考虑上述的这个例子
基于CD特征表示
只需要包含两个成分就可以
X和Y和YZ的特征就可
然后从特征表示的应用从属性
和冗余性的原则这两个角度
我们可以判断
在监控过程关联结构故障方面
CD特征将会优于相关系数特征
相关系数特征
将会优于过程变量特征
这一点将会
在下面的案例研究当中
进行进一步的论证
对每一对具有因果关系的
变量计算好其CD特征值和需要
接下来需要
再利用各种数据降维方法
对特征进行差异性度量
这里还是选取
具有较好动态数据建模性能的
基于CVA的方法
进行特征的差异性度量
类似于传统的基于CVA的故障监控
同样可以得到如下的
这两种监控指标
基于状态空间的监控指标Ds
和基于残差空间的监控指标Dr
下面用基于基因网络
这样的一个系统案例
来验证所提方法的有效性
该系统主要包含16个变量
各个变量之间的
因果连接关系图如图所示
这个是对具体系统的数学描述
下面将产生两种故障
一种是单故障类型GN1
另外一种是多故障类型GN2
来验证所提方法的有效性
首先考虑单故障类型GN1
该故障是发生
在变量8与变量1之间的
关联结构部位
然后用所提的基于CD特征的方法
与另外两种方法进行对比
来验证所提方法的有效性
其中图例当中CD指的是先计算
具有因果关系
两个变量之间的CD值
然后再利用CVA
进行特征的差异性度量
其中valuable表示的是直接利用
可测量得到的过程变量数据
然后再利用CVA
进行特征的差异性度量
corelation表示的是
先计算每两个变量之间的
相关系数
然后再利用CVA
进行特征的差异性度量
每种方法都进行重复一千次实验
其中横轴表示故障的强度
纵轴表示的是漏报率
从结果表明
从结果中我们可以看到
随着故障强度的增强
每种方法的漏报率都是在降低
表明它们的
监控性能都是在提升的
另外基于CD特征的
方法的漏报率
漏报率都比其他两种方法都要小
这个跟之前的分析结果是一致的
这表明基于CD特征的方法
比其他两种方法要好
检测到故障后
下面需要进一步
判断故障发生的原因
接下同样利用
第一部分研究的基于
CVA的贡献图方法
对此故障进行识别
这是具体的识别结果
把发生故障的关联结构
用红色进行标注
然后根据过程的因果流程图
故障的传播路径
我们可以判断路径的源头
可以作为该故障发生的原因
而实际当中确实是由
变量x8到变量x1之间的
关联结构发生故障导致的
而此结果表明所提的方法
有效监控了故障GN1
接下来考虑
第二个多故障类型GN2
同样从所得的结果
我们可以看到
随着故障强度的增强
这三种方法的漏报率
都是在降低
其检测性能都是在提升的
另外同样基于CD的
特征的漏报率的
比其他两种方法都要低
这个跟同样跟之前
分析的结果是一致的
基于CD的特征的检测性能
比其他两种特征
表示的性能都要好
同样这是利用第一部分研究内容的
基于CVA的贡献图
来对该故障进行识别
把识别出来的
发生故障的关联结构
用红色进行标注
我们可以从流程图中可以看到
有两个独立的传播路径
我们可以判断
该故障是双故障的类型
同样把每个传播路径的源头判断
为造成该故障发生的原因
而实质当中确实就是由这两个
两个关联结构发生故障产生的
本案例研究表明所提的
基于CD特征表示CVA监控方法
不但对单故障类型有效
而且对多故障类型同样有效
这是对第三部分的研究总结
为了适用于
不能事先获知故障数据
及情况的应用需求
提出了一种综合因果分析
和数据驱动技术的监控方法
所提的方法主要包含两个步骤
特征表示和特征度量
该部分研究成果主要
发表了两篇SCI国际期刊论文
都发表在Journal of Process Control期刊上
下面介绍第四部分研究内容
主要目的是为了
解决综合数据驱动技术
与因果分析监控方法
需要事先已知
过程因果信息的问题
而且大多数基于数据驱动技术的
因果分析方法
都基本涉及辨识建模
都需要辨识模型的
监测和模型的系数
比如格兰杰因果分析等方法
另外绝大多数经历了辨识方法
都基本需要假设事先
都需要事先假设模型阶次
再辨识模型系数
需要大量的辨识搜索
需要较大计算量
因此在这部分具体研究内容是
主要想要是研究一种
能够同时辨识所有通道模型
包括模型阶次
和模型系数的建模方法
并进一步探讨
基于这种方法的因果分析
为了便于阐述
先考虑二元系统x和y
这是具体系统的方块图
然后这是具体系统的模型描述
为了便于阐述记做第一个模型
为前向通道模型
第二个模型为反向通道模型
针对此系统关于因果关系方面
有如下的这样一个定理
如果系数上Q(z)等于零
并且R是块对角的
我们可以判断反向通道不存在
即变量x对变量y没有因果关系
如果系数向B(z)等于零
而且R是块对角的
我们可以判断前向通道不存在
即变量y对x没有因果关系
因此针对此系统
关于因果分析方面的
关键问题是需要确定出
系统模型的系数abpq
和模型阶次nx,ny
针对此问题提出了一种
能够同时辨识模型系数
和模型阶次的闭环辨识方法
IDPUD算法
具体研究策略是先通过构造对应
所有变量通道多模型结构的
交错信息矩阵
然后只需要
对该矩阵进行一步UD分解
就可以同时
得到所有阶次从0至n的
所有变量通道的模型系数
及其相对应的损失函数值
然后可以同时
确定模型的阶次和系数
下面先讲述具有交错形式
多模型结构的思想
例如把利用传统辨识方式
假设前向通道模型就是为0时
所辨识得到的模型系数
存放在矩阵U的第一奇数列
及相应所得到的损失函数值
存放在矩阵D的第一奇数列
然后假设前向通道模型
阶次为1时
所辨识得到的模型系数
存放在矩阵U的第二奇数列
相对应得到的损失函数值
存放在矩阵D的第二奇数列
然后依次下去
假设前向通道模型阶次为n时
所辨识得到的
模型系数和损失函数值
相应的存放在矩阵U和D的
第n+1奇数列
同样把利用传统辨识方式
假设反向通道模型阶次
为0时所辨识得到的模型系数
存放在矩阵U的第一偶数列
相应得到的损失函数值
存放在矩阵D的第一偶数列
然后依次下去
假设反向通道模型阶次为1,2,3
直到n所辨识得到的模型系数
和损失函数值分别存放
在U矩阵和D矩阵的相应的偶数列
然后针对这样的
一个交错形式多模型结构
我们可以构造
这样一个交错信息矩阵
然后只需要对该矩阵
进行一步矩阵UD分解
就可以同时得到上述的所有通道
所有阶次从0至n的所有前向通道
和反向通道的模型系数
和损失函数值
另外所得到的损失函数值矩阵
当中的奇数列和偶数列
分别满足如下的递减趋势
据此我们可以判断
进一步判断前向通道的
真实模型阶次nx
相应的系数诊断U
当中的第2nx+1列
就是前向通道的模型系数
同样可以进一步判断
反向通道的模型的真实阶次ny
同样矩阵U当中的
第2ny+2列就
对应反向通道的模型系数
另外关于IDPUD算法的
闭环可辨识性条件
以及辨识精度等方面
也进行了研究
具体请参见论文的第51页
下面用一个例子
来验证所提方法的有效性
这个分别是用所提的
IDPUD算法辨识得到的损失
函数矩阵D和系数矩阵U
然后把所辨识得到
损失函数D当中的
奇数列和偶数列
分别进行作图
我们可以得到满足
性质5.1的如下递减趋势
据此我们可以判断
前向通道的模型阶次是2
相应的前向通道的模型系数
存放在矩阵U当中的第
2*2+1第五列
相应的反向通道模型阶次是1
相应的矩阵U当中的第2*1+2
第四列对应
反向通道模型系数
然后这是对用所提的方法辨识
得到的前向通道的模型
前向通道和反向通道模型
跟真实模型的对比
此结果可以表明
所提方法是有效的
另外还用第二个例子
多变量系统来判断来进一步验证
所提方法的有效性
同样这是用所提IDPUD算法辨识
得到的损失函数矩阵D和系数矩阵U
然后根据前面所展示的
关于因果分析方面的定理
我们可以进一步确定出
该系统的因果连接关系
以及具有因果关系
变量之间的通道模型
同样这是用所提方法辨识得到的
所有五个变量的模型通道
通道模型与真实模型的对比
结果也表明
同样表明所提方法是有效的
另外论文当中还对噪声
是有声噪声的情况
也进行了研究
具体请参见博士论文
第4.5节和第4.6节
这是对第四部分研究内容的总结
为了解决综合数据驱动技术
与因果分析监控方法
需要事先已知过程因果信息的问题
提出了一种闭环辨识方法
以及基于这种方法的因果分析
该方法主要特色是
只需要经过一步矩阵ID分解
就可以同时
得到模型阶次是从0至n的
所有变量通道的模型系数
和损失函数值
该部分研究成果
主要发表了五篇论文
其中前三篇是SCI国际期刊论文
第四第五篇是两篇EI的国际会议
下面介绍主要工作总结
本论文主要为了
提高过程监控的准确性和快速性
重点研究了基于数据驱动技术
和因果分析的故障监控方法
第一为了能够
有效增加故障识别的准确性
提出了一种基于CVA的贡献图方法
并且进一步根据监控统计量
分别在规范变量空间
和残差空间的变化情况
定义了两种故障贡献值
理论分析和案例研究表明
结合使用这两种故障贡献值
能更加有效的进行故障识别
第二为了进一步
诊断引起故障的根原因
提出了一种综合CVA
和FDA的故障诊断方法
理论研究表明CVA
所提的CVA-FDA方法
在故障诊断的快速性和准确方面
拥有良好的性能
尤其对于具有
较强动态特性的过程而言
第三为了适用于不能事先
获知故障数据集情况的应用需求
提出了一种综合数据驱动技术CVA
和分析的故障监控方法
理论分析和案例研究表明
所提的方法能够
有效提高故障监控的性能
尤其对于多故障类型的情形而言
第四还提出了一种闭环辨识方法
以及基于这种方法的因果分析
这一算法为解决综合数据驱动技术
与因果分析监控方法
需要事先过程因果信息的分析
提供了一个好的解决途径
最后介绍论文与成果
到目前为止我已发表接受论文9篇
其中SCI国际期刊论文7篇
其中4篇是自动化系B类顶级期刊
2篇是中科院最新SCI期刊
二区期刊
另外还有EI国际会议论文2篇
另外还有国家发明专利1项
这是具体的论文发表清单
第一篇是CCE期刊
第二篇是Automatica期刊
第三第四篇是
两篇Journal of Process Control期刊
第五篇是以长文的形式
发表在IEEE Transaction期刊上
第六篇是同样
是Journal of Process Control期刊
第七篇是另外一片SCI国际期刊
第八第九是两篇EI国际会议
另外还有国家发明专利1项
导师是第一作者
另外在读博期间
还获过清华大学自动化系
学术新秀博士研究生
国家奖学金等荣誉称号
其中学术新秀是排名第一
全系只有3名
非常感谢各位老师
-化工系-侯瑞君
--答辩人侯瑞君简介
--论文摘要
--答辩陈述
--问答及答辩结果
-化工系-靖宇
--答辩人靖宇简介
--论文摘要
--答辩陈述
--问答及答辩结果
-化工系-申春
--答辩人申春简介
--论文摘要
--答辩陈述
--问答及答辩结果
-热能系-周会
--答辩人周会简介
--论文摘要
--答辩陈述
--问答及答辩结果
-航院-李京阳
--答辩人李京阳简介
--论文摘要
--答辩陈述
--问答及答辩结果
--导师点评
--个人感言
-土木系-安钰丰
--答辩人安钰丰简介
--论文摘要
--答辩陈述
--问答及答辩结果
-机械系-刘向
--答辩人刘向简介
--论文摘要
--答辩陈述
--问答及答辩结果
-机械系-白鹏
--答辩人白鹏简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-黄高
--答辩人黄高简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-江奔奔
--答辩人江奔奔简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-杨霄
--答辩人杨霄简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-王圣尧
--答辩人王圣尧简介
--论文摘要
--答辩陈述
--问答及答辩结果
-交叉信息学院-顾钊铨
--答辩人顾钊铨简介
--论文摘要
--答辩陈述
--问答及答辩结果
--导师点评
--个人感言
-水利系-武明鑫
--答辩人武明鑫简介
--论文摘要
--答辩陈述
--问答及答辩结果
-微纳电子系-田禾
--答辩人田禾简介
--论文摘要
--答辩陈述
--问答及答辩结果
-工程物理系-付明
--答辩人付明简介
--论文摘要
--答辩陈述
--问答及答辩结果
-工程物理系-刘飞翔
--答辩人刘飞翔简介
--论文摘要
--答辩陈述
-材料学院-李洒
--答辩人李洒简介
--论文摘要
--答辩陈述
--问答及答辩结果
-医学院-江力玮
--答辩人江力玮简介
--论文摘要
--答辩陈述
--问答及答辩结果
-医学院-左腾
--答辩人左腾简介
--论文摘要
--答辩陈述
--问答及答辩结果
-法学院-王一超
-- 答辩人王一超简介
--论文摘要
--答辩陈述
--问答及答辩结果