问答及答辩结果在线视频

先问这个上头

你那个有一个排第二的

那篇文章第一作者是谁啊

是一个算是在美国的

他是在美国已经在工业界

工作了的工作了的

他相当具体工业了解比较多

还有你那个有一个学术新秀

什么叫排名第一成绩第三

那什么意思

就相当于今年是相当于

总共是选了三个是

作为自动化系的学术新秀

知道

然后是把第一名是推荐到学校

好

下边请大家提问吧

你那个模型测试实验

好像在准确性上面

好像是你的重点一样的

你的快速性好像没有怎么评价

没论证

快速性

快速性什么地方体现出来的

主要是在第二部分

怎么评价

第二部分的研究内容

怎么评价的

能给你直接有快速性

是跟谁比的

这个快速性方面

第一是相当跟

计算时间方面跟另外两种

在故障分类当中用的比较常用的

FDA方法和动态FDA方法进行比

时间上面说

另外还有从快速性方面

其实还有一层意思

除了所用的计算时间比较少之外

还有在就是针像研究了

这里具有较强

就相当动态过渡特性更强的过程

就只有相当于是更早

就是更快更早发现过程的异常

苗头发生这个故障

苗头就能发生

这里的在这个过程阶段

就诊断的识别率效果

像准确性更高

你的方法最后反过来

你是刚开始那举了几个例子

好像有北京东方化工厂什么什么的

就说那个例子当然举的话

觉得你这个研究是很有重要的

但是如果你这个这样的话

你现在做的这个模型

或者一些个例子

应当如果反过来再回到

原来的化工厂那种故障的

那种历史数据或者怎么样的话

你自己去验证了没有

就是说如果用我这个方法的的话

能够更早的能够发现这个故障的异常

这个相当于这故障诊断技术

各种方法研究是有一个benchmark象

就是这个TEP过程

田纳西伊斯曼过程

是评估各种故障监控诊断

技术方面的一个bench象

那效果都是那个benchmark上面去了

都是在benchmark

是

然后在具体实际工程当中是

就是说每一个拿工程这

个实例还没有去试

就是说

原来那个可能

还有一个的话

你这个

根据你这个方法

回头来反过来要这个化工厂的

一些个检测数据的

要求有没有一些

给出一些建议给化工厂

要求相当

也许你也是有数据条件

你本身也是数据驱动

对吧

因果分析

那当然肯定有一些标准

那么你现在的条件的话

这些数据的来源的话

现有化工厂外

都能够完备的提供给你吗

比如说我就说反过来说到

如果你在这套测试方法

去应用的话

居然化工厂有些什么样的要求

要求相当于现在是从理论方面

是只要给我粗糙数据我都可以用

然后我只需要数据

进行一次均匀化处理

然后接下来都可以用的

就没有找到比方说北京的化工厂

你这里应该有数据

你这里应该有检测

应该有个检测装置

有个什么

你没有这些建议

没有这样子的

这相当是当然前提

是要数据能被得到

反而现在它有没有

就是你自己也没有去确认

或者说你也没有给它提出建议

相当于老师我理解您的意思

实际上在具体

在具体实际工业设备当中

如何去安放检测

根据你的模型根据可能你的方法

你总得是要不能做无米之炊

对吗

你肯定要有个解

那你反过头来进到一些个

实际工程里面去

觉得你这个应该需要这里需要

你用了我的方法能够

提前能够知道故障了

这些都是你没有

这是一个很好的建议

我这部分论文这部分

相当于是没涉及到这部分

我以后我可以继续往这方面

比方说这样的话

可以顺利做出一个规范出来

对吧

给发明者

你也可以做这样的方案上

必须要有这样的

然后就可以

用我的方法能够更快速的

那就是这样的挺有实际价值的

还有另外一点就是

它这种快速性指的是相当

还有一个小的建议是

在实际应用当中

如果采样采样的速率越高的话

对呀

就所提的方法就跟其他的

其余PCA之类的会

相对效果会更好

我问一下你那个各章

再明确一下各章具体的贡献

就是你这个上头研究内容一

CVA的贡献图CVA是人家已经有的

对吧

然后CVA

关于CVA的贡献值

是你提出来的还是

是我提出来的

是你提出来的

用CVA贡献图

那你和PCA相比你说就是

你提到了CVA和PCA相比有好处

但是CVA的贡献值

和最后基于PCA的贡献值

相比那好处到底在哪儿

在准确性方面是通过这个

你的例子是说了这个特点

但是物理意义为什么CVA的贡献值

会比PCA要好呢

主要是在这个就在这里

就是CVA它的一个主要思想是

它基于状态空间模型

一个好处是在就在

就是动态数据建模性能方面的

误差方面的准确性方面

是比PCA等方面是要精确

那是不是可以理解CVA

是要基于状态空间模型的

但是状态空间模型相当于可是比

那个PCA的那种关系模型要精细得多

精确

相当于是不是

你需要更多的先验知识

就是你依赖于准确的状态空间模型

是不是这样

是这样

如果要是说很多化工过程

根本得不到状态空间模型的话

CVA是不能用的

如果前提是数据相当于是太糟糕

如果它

不是

建立状态空间模型

本身就是一个很难的事情

于实际的缓动过程

就是你是不是说CVA的好处

主要是在于它基于状态空间模型

所以这点要说清楚

它在这里精确性

还有可以在这里还有个最小实现

然后研究内容二

就是CVA和FDA合在一块

这个我理解主要的创新性

应该是在就是把CVA的结果

作为那个一般的故障分类的

一个特征的输入

是这样吗

这个其实按道理说

你要是更公平的比较

不应该是跟FDA比

因为FDA的就这种分类之前

人家用一些各种预处理的手段

去提取一些特征

然后再分类

这个方法很多的

你应该跟它们去比

而不是说

你真正就是你相当于

你有一个特征的提取然后分类

人家有好多提出的特征提取

你不去比你比的是直接做分类

就是当然你这个会

比那个直接做分类的要好

那比如前头也有用

那个什么PCA做特征提取

有很多特征提取的方法

这些你考虑了吗

我是相当于跟主要跟FDA

你直接在FDA比

还有跟动态FDA比

主要是

但是先不说动态的事

就是FDA的本身

就是一个分类的方法

那很多人在FDA之前

人家也提取各种特征

不是拿原始直接就去分类

你现在用了一个

相当于是用CVA

提取一些特征之后再分类

然后你就直接去跟它

原始数据做分类相比

反而会比人家好

但是我的意思是

可能如果将来要做的更好的

或者更公平的比较

是跟人家前头用的其他特征的

再加FDA的去比

是吧

在文章当中是那个

文章之中是有这个比较吗

理论分析是跟PCA

先跟PCA降维

然后FDA是

PCA跟FDA

然后再往下分

具体例子当中没有做

相当于在分析当中是都分析了

那如果是这样的话

那还是说最后的好处

是和CVA相比PCA的好处

主要这篇文章

是相当关注重点是在

动态信息的提取方面

所以重点是

动态重点那就是你的意思是

CVA可以提取一些动态信息

因为你原来说要CVA加FDA

可以跟PTC的去比

动态FDA

重点是关注这方面

CVA因为是状态方程

所以它是不是就

本身就有利于动态信息的提取

和DFDA比

然后CVA本身又有一些那个

相当于数据预处理的这个过程

所以比直接用DFDA要好

是这样吗

PTC有没有分类的作用

老师如果说从那个

先是特征提取分类方面

是更不公平的是要跟PC

现在是CVA-FDA

就是这章的东西你去和FDA比了

这我理解了

然后跟动态FDA也比了

然后你又和动态FDA比了

这个主要目的是要为了验证

动态FDA的动态信息用什么描述

就相当于它用比较经典的

就历史数据进行扩维

历史的就跟

就是变成就跟

就相当于是从过去的数据变成

而且CVA有动态方程

应该更好的描述这动态信息

明白了

然后那个下面一个

CVA加上因果分析那个

你说什么叫关联故障

指那些就是物理意义是什么

就是除了你面这些方程

那个中间连接的

全是变量还是什么

比如这个图说（10：40）什么意思

像之前的相当我们都考虑

直接就测量的变量

主要是一个点上发生故障

然后我现在

什么叫一个点发生故障

你只讲这一个

比如说一个测量的液位

发生波动了

这是传感器故障

然后我这里关注就是

两个变量与变量之间的关联结构

发生故障

那物理上你想过没有

比如像一些就是

比如像有一些系数故障

不

你不能说TE的系数故障

那物理上比如说

那个是一个阀门出去了

就有一些介质从那儿送过去了

那什么叫系数故障

比如说阀门当中的

它有些就是过的时间方面的套

这些限制

参数一些波动

那直接进入到哪个工序的

它体现的就相当于

模型当中主要是体现的

模型 是

这个模型你都说清楚了

我现在就想问你

这里头的某个系数

你说它故障

比如说某个系数从0.10变到了0.70

对吧

但从物理上是什么事了

比如像增益之类的

不是

我为什么问这件事呢

因为我比较知道的

是那些设备的故障

比如就是你回到那TE

因为TE涉及到这个物理象的

那个是有物理意义的

回到刚才那个TE的图

你比如TE里头这些我知道的

就按我的概念我懂的是

比如反应器里头会有什么问题

然后某个传感器有问题

某个阀门有问题

这些都可以理解

你可以有各种方程去描述

现在你把它描述成一个因果关系

也是可以的

但是你就直接讲

那上头有一个因果故障连接故障

我就不明白它到底是个什么故障

能表示成这个连接关系的故障

比如从你这个表上那大圆圈

从这个阀门送到那边去

比如说从这里开始到这里

这里有一个

这是反馈

然后是阀门

比如这管子漏了还是说是因为

送源头的执行器的阀门

你说那阀门有什么特性的变化

导致这两个连接关系会有变化

就是这也是罗老师说的问题

就是你的假设

其实是从那些方程出发的

但它的物理问题到底是什么

比如像这里到这里

可以跟就是它们是有

可以用一个数学表达式

进行描述的可能有关系的

就是

它的数学表达式也就是

叶老师意思就是是执行器故障

还是传感器还是内部的仪器

还是那管子漏了

像这类的话比如说是应该

就是中间它这里管子

有个漏了之类的

但这里是相当漏了

但这里没有加传感器

现在传感器只是在这两个部位加

像中间这部分

但是如果是两边的传感器漏了

可能也会导致

这种连接关系发生变化

对吧

因为你的连接关系表述的

就是从一个变量

到另外一个变量之间的关系

然后那两变量之间任何一个变了

你不知道的时候

你可能也会判断

为是这种连接关系的变化

就还是

当然这相当于是从逻辑的很严谨

不是

跟罗老师说那个比很像

比如罗老师讲

你整个从东方化工厂出发

然后做好多事

没回到那儿去

这是一个比它更细的问题

就是你举的例子是TE

结果呢你最后后边的

所有的出发点全是那堆方程

你连TE都没回去

不

在这部分相当因为是它

benchmark T象中产生了各种故障

都是具体变量的故障

对呀

就是说你这个后边的方法

没回到你解释前头

讲的这个问题的出发点

然后你后头真正做的方法

是那堆方程

它又没有这种物理意义

说的就是这个

主要是相当benchmark当中

它产生的RCU故障

TE跟benchmark没法描述这种

没有办法描述

这种关联结构的故障

所以说采取了

如果你真是将来觉得它会有用

至少应该把它回到TE

就是不是连接关系的也可以表示

可能表示成这个连接关系

这里所用

这个都是我知道的

还有你这一章为什么

在讲那个什么的时候

只说就说它好处只有漏报率

你讲它故障的

当然这个故障

一般是漏报率和检测率

检测率里边也做了也做了

但你PPT里没讲

PPT里没有存放出来

这样在论文当中是保证

检测率是处在同一水平情况下

跟（15：23）一样

比较漏报率的

行

最后一个问题就是那个研究内容四

其实主要是涉及到辨识的事

重点 是吧

这里我知道你怎么做的

但是你能不能从你概念上说一下

你和那个闭环辨识就是

多输入多输出的这种闭环辨识

人家也是辨识系数辨识阶次

你和它们相比你的贡献

你的方法肯定是特殊的

就是你最后从效果这儿来说

你的贡献到底在哪儿

为什么不用他们的方法要用你的

主要贡献就是在计算量的降低上

比如说像包括这个AMAR模型

AMAR模型

比如利用长效方法的话

它都是先假设不知道事先假设

AMAR的模型阶次的话

它都是先假设模型阶次是0 1 2依次做

你这都是要不断的去试的

是

如果按照考虑

这种传统方式做的话

如果考虑一个5变量输入的

一个变量输出的话

这样要做10个6次方的辨识搜索

然后我这个

就只需要做一步的举证

游离分解就可以同时

一步游离分解

但是最后有没有

比那个就是辨识的精度呢

在同样的就是

你计算量是少了好多

辨识的精度怎么样呢

辨识精度相当于是

如果理论前提条件都一样的话

辨识精度是理论分析是一致的

跟

为什么能做到这样

就是你的物理思想是什么

你为什么能一下子降低了

那么多的计算量

不搜索然后还跟人家精度一样

这部分相当于

也是经过了很长时间相当思考

然后又当时跟上数据分析课

这样在当时触发的

然后让

就是你现在你跟我们说说你的

这相当于是一个很大的好处

你取得这好处

你的诀窍是在什么地方

诀窍就是主要是

那你你不能光说优异风险

就是你的感知到的思想

因为从来就都是说

就能取得巨大的进展的时候

要么是原来

有一些好的地方信息没用到

要么就是你付出了什么代价

取得了好处

你是哪种情况

你能大概的想想吗

应该是属于前者

主要是想构造出来这样一个

就是交错形式的数据矩阵

把相当于把数据中的信息

更充分的挖掘出来

这个跟这有什么改变

那个矩阵不是一样吗

但是它一个特点

就是它这里有个交错这样排列的

交错

交错排列的

然后它刚好交错排列

这样应的就是这里的

就是全部的它

把传统辨识方法分开进行做

就是这么多次

它刚好从理论分解是

刚好就应这种的

然后你说

您说具体

这个还真很难解释

你说就是因为交错排列

然后各做了一个这样的矩阵

就有点像比如说基于CVA

比如说你觉得你这里

最大的技巧就是交错排列

是吗

交错排列而且还构造出这样一个

就是这样的交错形式

应相应交错形式多模型结构

主要技巧都在这里

但是我还是不明白为什么这里

就会有好处

行吧

我就先问这些吧

好

我问个问题

关于我看了你第二章

就是基于规范变量分析的

故障识别

因为我也在Journal of Process Control

这样的顶尖杂志发表

但是有一点我不太清楚

好

你说本身这个分变量分析

CVA是以前做这个模型辨识

这个状态空间模型的

对吧

那你在这里

你做这个贡献图的时候

用不用像论文15页

里边的这个空间模型

没用到这个吗

实际上具体的好处

是基于了CVA的状态

你是

我是想问问是

你是知道这个模型

用这个方法呢

还是这种模型

就是CVA的方法

以前是用于辨识模型的

当然你呢在这里

是基于这模型做的呢

还是直接是用数据的方法

来做的贡献图

是直接基于数据的方法

不需要辨识成模型的

可是在这里就应该说

因为你的整个论文

是基于数据驱动的

但是你这论文里边写的

就它的方法

就是基于数学模型什么

其实你这里没有用这模型

对吧

是这样子吧

相当于

但是CVA是需要状态空间模型的

不是

他是这个CVA是以前最早提出来

是辨识状态空间模型的

你这里是基于

这模型来做这件事情呢

还是没有模型直接

直接是基于数据然后做

然后它内部的好处是就

好了好了

它内部的好处就说

我可以辨识模型

但是你在这里没用它

没用

你只是用它来进行了

这个贡献图的一个故障的识别

第二个问题意见

那么既然提起数据来进行贡献图

像不管是像PCA来说

主要分析也是

我们可以在做贡献图的

尽管你是通过实验来进行

表明了PCA的方法

就拿这个田纳西的

这个过程来说

好像是有个故障你因为漏检了

而用理论方法就没有漏检

你能从

因为你这里的话看它的定义

它的贡献图的值

当然你包括残差变空间的

包括它的这个

投影空间的你都用了

你能从这个理论上

或者是从你的方法本身来说

它跟PCA相比的最大优点吗

它没错

它本身你说是

可以来辨识这个模型的

当然在这里没用它

它能够辨识空间模型

这已经不是一个优点了

但是钟老师

我觉得他是必须要有

那状态空间模型才能算CVA

但是就说是这个

就是另外一回事了

不是这个

你现在给我解释一下

相当于是

不需要状态空间的模型

没错

但是利用的是内部隐含的是

利用了状态空间模型

这样一个优点

它主要是就

理论上它不需要模型

不需要模型

只需要这种力学数据

然后就得到这一步

历史数据可以分析

就可以了

你是历史数据

你的CCA这些东西要不要

右边CCA就是那个

这些后面都不需要了

这个不需要了

只是为了显示优点

对呀

那我就想问

既然它尽管有这样的优点

你并没有用它这样的优点

你尽管这里也是定义了状态变量

因为你这定义

状态变量说的是递阶

就用了叫递阶的

一个记忆这样一个量

你定义了这个状态变量

实际上是定义了

它的一个时间的

有限段的时间内的

一些输入输出信息

定位了这么一个状态变量

对吧

相当于定义的状态变量

就是你定义这样

也成其为状态变量

其实就是把咱们

输入输出信息组合在一起

来进行的这样的

一个贡献图的来进行计算

对吧

所以我刚才的问题就是

你跟咱们主要分析方法上

到底你的优点

就是你从方法上来说优点在哪儿

优点相当还是主要分析方法

也是相当利用过去数据

你没说啊

也是利用数据

然后这样就得到它的组元成分

没错

但是优点就在于它

CVA得到了

这个也可以称为它的CVA

CVA的组元成分

它的一个优点是在

在后续的这里的

后续将来数据的预测性能方面

基于这个CVA的规范状态

跟用将来的输出在预测做的话

它的预测误差会更小

这是一点

为什么

这是谁说的

这个是在文献当中都是

但是文献中

是不是依赖了状态方程

它隐含它就是相当于因为就是

可是你如果根本

没有辨识状态方程的话

你就没用到这个好处

对呀

刚才我理解错

我以为你是用到刚才方程

相当于如果这一步

再用后续状态空间的话

只需要

不是

你要用

你用到还是没用

相当于我这一步

就是显示状态空间

没有显示表示出来你用

不是你用

咱这个整个你这个计算

这个贡献图的这个计算方法

没用到这些方法

这是没显示

用到这个状态空间模型

不是没有显示和隐示的问题

不是

你别

就是用在计算

什么叫显示你还有隐示

隐含的它这个

说清楚

隐含这个状态就后面的得到共性

状态空间模型就很简单了

只是

不是

你现在不是显示和隐示的问题

这就是一个信息的利用

就是好比我们原来说

状态方程和输入输出方程的好处

就是里边更细致的

描述了系统内部的状态

你现在根本没有这一步

你怎么会用到它的好处

现在其实

你没去用状态方程

你也没辨识状态方程

你比如说他们有数据驱动的方法

他们就是不断的在

不辨识状态方程

但是他们把C和CVA

那些东西都辨识出来了

或者做一些分析

你现在这些东西似乎都没有去用

然后你到底是隐含在哪儿

其实是相当于用了

我是刚才做

但你在这上用的就有ABCDG

这几个参数矩阵用没用

这参数矩阵我没有用

对呀

用了这个用了这个

相当于这个

你用的那个

只是定义了一个状态的量

这个状态量

状态量

你的状态量在这里用了一个P

P的一个线性的组合

那么意味着实际上

是输入输出信息的一个组合

输入输出信息的一个组合

然后得到如果再进一步用

再得到ABCDG就很简单

就只需要

你在后端

还可以吗

我觉得你不是没有

我的问题不是说

它应于模型辨识的好处

我只是想问问他

我进行这个贡献图的计算的时候

跟我刚才问的问题

其实我以为你用到了

你要是没用到

我也还是不明白

你解释跟PCA的比较有什么好处

从方法上来说

你能简单的说一下吗

就是信息量

我理解这个相当于是

跟有没有得到这样的空间模型

其实信息量是已经是等同了的

那如果信息量等同

它怎么能得到

像这里的

走到规范状态就具有状态变量的

最小实现的特点

而且在预测方面

它就具有状态空间模型的特点

然后只要后续的ABCDG

只要经过一个

最小二乘辨识就可以得到ABCDG

你能不能说一下

你的CVA到底怎么算出来的

就知道了

因为你的论文上写的CVA完全是

是拿一状态空间方程

但你现在又说不用状态空间方程

我看他没用这个

他只是描述这么一个

应这个描述

但是你没计算时候没用ABCDG

计算这个

我具体过程是这么算的

就相当于有历史数据

在输出输入

然后这样子

然后介绍进一步的

通过这样一个棋子分解

他就是用的数据

还是用的棋子分解

这里还是构成这样一个

因为CVA是一个过程

只不过它是一个

对呀

这就跟PCA

是一个过程

过程是

但是这里主要是

在这里数据构造形式上面

这里有差别

可能它那个从就子空间辨识

他其实我

所以他没用ABC的那个

然后但是这些过程其实这些过程

就是基于就是状态子空间辨识

这部分是一样的

我觉得你要更清楚的解释这问题

可能得拿子空间的

那套概念去说了

那跟PCA确实有区别

但是你现在没讲清楚

就是这个挺像

就是子空间确实辨识出来的

是状态空间的模型

但没有明显的出现那些XR

就是区域数据驱动的

它不需要ABCD

你这个可能更多的是像那个

就是我觉得CVA你要这么说

它更多的像那个子空间那些概念

但是你现在没讲出来

这个事你是

不是说你这里是不是更多的

你把两个空间放在

就是残差空间的

还有它那个空间的

那样合在一起来做的

就是计算出来这样的

一个贡献图的这样的一个值

是不是要注意PCA的

单纯的一种T方的

或者有SPE的那样更好一些

我这些贡献主要是相当于是

有两个层面

第一个层面先基于CVA的

它的在状态空间

建模经济性方面得优点

这是第一层面

第二点就相当于

是把状态空间贡献值

和残差空间这两个结合起来

这两个再进行

就相当于进行一个加权值

然后各取了一部分

相当于有两个优点

加合在一起做这部分内容

这个里面的是应该

有个系统输入输出的PCA

只搞了这个

这些

只能你要给这样一个信息

就是他把输入输出数据

模型A只是和变量值

PCA做的不是输入输出吗

PCA也是把输入输出合在一块

现在他不明确这个来

他并没有明确了

这是输入这是输出

PCA没有明确的输入输出关系

因为这个如果是有这个

已经有这种模型了

实际上来说既然有这个模型

它能很好的描述系统内部的行为

这个时候我们

就不用基于数据的方法了

我们直接用基于模型的方法

就可以得到很好的

这种辨识或者计算

谢谢老师

行

我希望你能给我讲讲

更多的物理上的东西

但是（29：33）

行吧

我大概有一点

谢谢老师

我也不是这行的

那个随便问问

那个我看那个

我理解就是说好比

大家采用不同的方法来辨识

来故障诊断都拿一个

好比现在田纳西的

什么一个过程处理

这个系统这当然肯定是一个

比较典型的系统了

就是数据都是大家公开了

大家都获得同样的信息

然后完后看谁的方法能

更快的更准确的识别出来这问题

是大概是这么一个

就是寻找这种方法吧

我想问的就是说那有没有例外

好比说你怎么能论证说

你这方法假如不是这个系统

这系统变了

换成另外一个象了

你还能肯定比别的方法要强

能说明这一点吗就说

这个问题相当于

就是前提相当于是没有一种方法

是绝的好

就像刚才叶老师说的

如果这个方法是CVA是基于

能建立状态空间模型的前提下

那么它是比其他方法

比如PCA状态PCA是方法也好

我说的是这个意思

就说因为实际的那个过程控制

那是各种各样的什么都有

是吧

就说你这方法

一定要有这个普适性

就说

不是说仅仅

用于这个模型的时候

它比别的灵光

是吧

能不能说明这一点

它是具有普适性的

及时这个象改变了

依然是我这方法比较好

这能不能说明这一点

简单的说你现在不是benchmark

然后做的比别人好吗

然后benchmark以后换

老师

我没听清楚是什么

就是你做TE

这个benchmark验证的结果

有没有普适性

就是将来换一个其他的benchmark

或者说换一个

其他的真的象

你是不是也认为

你的方法会体现出

在这个例子上相比的优越性

你有这个信心吗

我觉得TE过程

它能作为各种故障监控技术

benchmark象的

我觉得它还是

有一定程度上的有普适性的

不是

你回答那个问题

就是你觉得换一个你还行不行

换一个设备

我觉得不要是差别太大

我觉得它的优点

还是会能保持的

如果换一个差别会很大的

应该是有共识性的

因为

因为你从你的这个方法提出来

把采用的这块

当然它不是免费的这一个

当然它需要有这样一个前进性

但是他描述在动态地方

比一般PCA是静态方法改造一步

要比它描述的更

就说它是一个完善的

从这个角度就说

于动态这方面的肯定要比PCA好

要如果要没有这样一种

那就完蛋了

这个我觉得是这样的

但是如果是稳定过程

就有可能（33：06）

它的优点是在动态

因为你用的这个模型

我不知道是不是还是限制系统

对不对

对不对

可能你这么说更好一点

它的这个你就benchmark

是一个什么条件benchmark

这一类的

这一类型我觉得你是OK的

别的东西有没有做过

不知道真的不知道

你就说你一个非线性系统

我就线下

你敢说吗

你敢说

相当于我主要是

其他的系统实验都没做过

我也不能这么说

所以你把这个benchmark

它本身的特点讲清楚就OK了

就是TE这个过程

第一要平稳

然后工作点不能乱变

也不是非线性

然后所有的扰动是白噪声

就是是有很强的假设在里边的

你只要换一个实际过程

就任何一个不一样的

这个就肯定不能说这些结论

而且这个本身故障诊断

你就都是就是问题驱动的

就是所谓各个真正到应用去

哪个问题跟哪个问题都差很多

是肯定得这结论

所以他发表了9篇文章

我又打个比方

那你发到3篇文章

那6篇文章在时间

关于实际系统的实现一下

可能是会不会更有意义

或者大家都关心的某一个问题

一个实际问题

比方那个东方化工厂的问题

我就告诉你这里面原来没有

那个变量没有什么东西

应该先安放或者怎么样怎么样

就说它本身不是有这个时间

把它到一半的时间

解决一个真正的

面向一个实际问题

能够提供一套方案出来

有这么一个规范出来

我觉得

不是

他是就说等于说

数据都是别人提供

已经是死的了

OK

我只是做数据处理

从这个数据里边找出一些特征来

没有那化工厂的数据

没有这个

行

那各位老师

咱们没有什么那个问题

我们就开始讨论他的那个决议

下面我代表答辩委员会

来宣读答辩决议

本论文研究基于数据驱动技术

和因果分析的工业过程监控问题

选题具有重要的理论和应用意义

论文作者在全面

综述研究现状的基础上

开展了系统深入的研究工作

取得了以下创新成果

一提出了一种基于CVA贡献图的

故障识别方法

分别在规范变量空间

和残差空间中定义了

基于统计量的故障贡献值

二提出了一种综合CV

A和费舍尔判别分析的

故障诊断方法

给出了CVA降维变化中

时滞阶次和降维阶次的确定方法

三提出了一种可以

同时确定模型阶次和参数的

多变量系统闭环辨识方法

并结合CVA方法提出了

基于因果分析的过程关联结构

故障监控方法

论文所提出方法的有效性和优点

在TE等仿真平台上得到了验证

论文工作表明

作者在控制理论与控制工程学科

具有坚实宽广的基础理论

和系统深入的专门知识

独立从事科学研究的工作能力强

论文立论正确结构严谨

思路清晰书写规范

答辩中阐述清楚回答问题正确

经答辩委员会无记名投票

一致同意通过论文答辩

一致建议授予江奔奔工学博士学位

并一致建议推荐为优秀博士学位论文

祝贺你

谢谢老师