自动化工程学院
|
|
|
|
导师代码: |
21312
|
导师姓名: |
黄承赓
|
性 别: |
男 |
特 称: |
|
职 称: |
讲师
|
学 位: |
工学博士学位
|
属 性: |
专职 |
电子邮件: |
cheng-geng.huang@uestc.edu.cn
|
|
|
学术经历:
|
|
工作经历:
2020.03-2022.10; 中山大学?深圳; 智能工程学院; 博士后; 合作导师:韩瑜 教授
2022.11-2023.10; 新加坡国立大学; 工业系统工程与管理; Research Fellow; 合作导师:董润桢 (新加坡工程院院士)
2023.10-至今; 电子科技大学; 自动化工程学院; 讲师; 团队:测试技术与仪器研究所
教育背景:
2015.09-2019.12; 电子科技大学; 博士学位; 机械工程
2017.09-2019.09; 新加坡国立大学; 联合培养; 工业系统工程
2013.09-2015.07; 电子科技大学; 硕博连读; 机械工程
2009.09-2013.07; 电子科技大学; 学士学位; 信息显示与光电技术
|
|
个人简介:
|
|
黄承赓,自动化工程学院教师。2013年本科毕业于电子科技大学光电科学与工程学院,2013至2019年继续在电子科技大学进行硕博连读,期间与2017至2019荣获国家留学基金全额资助赴新加坡国立大学进行联合培养学习和交流。2020-2022年在中山大学智能工程学院从事科研博士后研究工作,此后再次前往新加坡国立大学开展了为期约1年的Research Fellow研究工作。2023年9月回国加入电子科技大学自动化工程学院担任讲师。
主要研究领域为工业大数据与人工智能、高端复杂装备智慧运维、装备故障诊断预测及健康管理、柔性电子失效物理分析等。
|
|
科研项目:
|
|
(1) 2021.01-2023.12; 国家自然科学基金青年科学基金项目:“基于胶囊网络和迁移学习的大型风电齿轮箱智能寿命预测方法研究”,(项目负责人),项目批准号:62003377,全面主持大型风电装备齿轮箱基于迁移学习和胶囊网络的工业大数据智能解析、智能故障预测与健康管理、智慧运维等相关研究工作; 已结题。
(2) 2021.06-2022.03; 中国博士后科学基金第69批面上项目:“基于分布式机器学习的大规模风电齿轮箱集群智能协同故障预测方法研究”,(项目负责人),项目批准号:2021M693607,全面主持大规模风电机组装备集群基于分布式机器学习的早期故障智能预警、诊断和预测等相关研究工作;已结题。
(3) 2020.05-2022.02; 中山大学中央高校基本科研业务专项资金资助项目:“主动学习策略下基于迁移故障特征的风机齿轮箱故障预测方法研究”,(项目负责人),项目批准号:2021qntd08,全面主持风机装备齿轮箱基于无监督深度迁移学习及主动学习范式下的早期故障检测、退化建模、健康评估与寿命预测等研究工作;已结题。
(4) 2021.01-2022.12; 广东省促进经济高质量发展(海洋经济发展)海洋六大产业重点项目:“漂浮式海上风电成套装备研制及应用示范”,(主研-参与单位排名第二,共计6000万,其中专项资金2000万,自筹资金4000万),项目批准号:GDNRC[2021]38,主研漂浮式海上风电装备结构安全智能监测系统,并开发浮式风电机组关键子系统及部件智慧运维相关技术研发工作;已结题
(5) 2019.12-2022.11; 国家重点研发计划项目:“面向有色金属冶炼流程精细管控的网络协同制造关键技术与平台研发”,(主研-子课题排名第二),项目批准号:2019YFB1704701,主研流程工业多主题跨域数据融合与集成、服务数据的跨域互联、共享和工作流集成等相关研究工作;已结题。
(6) 2020.01-2021.12; ****军工项目:“基于机器***方法研究”,(主研-排名第二),主研基于全/半监督机器学习范式与代理模型的XXX估计与预测研究等的研究工作;已结题。
|
|
研究成果:
|
|
本人以国家“十四五规划”为导向,着重以高端复杂军事装备、大型工业设备及关重零部件的故障诊断预测与健康管理和运维智能化为突破口,在工业大数据背景下整合统计学习、分布式机器学习、深度迁移学习、工业知识图谱等人工智能前沿技术,并依托工业物联网平台开展装备集群早期故障及时预警、故障类型精确诊断、剩余寿命稳健预测、运维决策智慧规划等方面的研究。主要贡献包括:突破高端复杂装备动态服役工况下智能故障预测的壁垒,实现了故障特征自适应提取与剩余寿命稳健预测;解决了状态监测数据和故障机理模型联合驱动的问题,协同实现了高端复杂装备健康阶段识别与退化状态评估;突破了装备故障诊断预测模型独立同分布和有效样本的限制,开辟了装备集群跨域故障诊断预测的新途径;破解了跨企业间异构装备集群隐私保护背景下故障预测的困境,构建了高端装备集群云边协同智能故障检测、诊断与预测新范式。
本人合计发表超过35 余篇学术研究论文,中科院1 区或Top 期刊论文15 余篇 (其中以第一或通讯作者合计发表9 篇)。Google学术引用共计1292次,Web of Science 总引用924 次,合计4 篇入选ESI 高被引论文。在奖励荣誉方面,本人曾获第四届系统可靠性与安全性国际学术会议最佳汇报奖、中国机械工程学会工业工程分会最佳学术论文奖、第十四届质量、可靠性、风险、维修性及安全性工程国际学术会议最佳论文奖。申请人还曾荣获国家留学基金委全额资助在新加坡国立大学开展联合培养研究。此外,在学术服务方面,申请人还荣获了2023年度IEEE仪表测量学会杰出审稿人的荣誉。
部分代表性论文:
[1] C. G. Huang, H. Z. Huang*, Y. F. Li. A Bidirectional LSTM prognostics method under multiple operational conditions. IEEE Transactions on Industrial Electronics, 2019; 66 (11): 8792-8802. (ESI高被引论文, Top期刊, 中科院1区, 影响因子: 7.5, Google引用:377次, 唯一第一作者).
[2] C. G. Huang, H. Z. Huang*, Y. F. Li, W. Peng. A novel deep convolutional neural network-bootstrap integrated method for RUL prediction of rolling bearing. Journal of Manufacturing Systems, 2021; 61: 757-772. (Top期刊, 中科院1区, Google引用:121次, 影响因子: 12.2, 唯一第一作者).
[3] R Zhu, W. Peng, D Wang, C. G. Huang*. Bayesian transfer learning with active querying for intelligent cross-machine fault prognosis under limited data. Mechanical Systems and Signal Processing, 2023; 183: 109628. (Top期刊, 中科院1区, Google引用:72次, 影响因子: 7.9, 唯一通讯作者).
[4] C. G. Huang, H Li, W. Peng, L. C. Tang, Z. S. Ye. Personalized Federated Transfer Learning for Cycle-Life Prediction of Lithium-Ion Batteries in Heterogeneous Clients With Data Privacy Protection. IEEE Internet of Things Journal, early access, https://doi.org/10.1109/JIOT.2024.3433460. (Top期刊, 中科院1区, 影响因子: 8.2, 唯一第一作者).
[5] Z. Deng, Y. Yu, Y. Zhou, J. Zhou, M Xie, B. Tao, Y. Lai, J. Wen, Z. Fan, X. Liu, D Zhao, L. W. Feng, Y. Cheng, C. G. Huang*, W Yue*, W Huang*. Ternary logic circuit and neural network integration via small molecule-based antiambipolar vertical electrochemical transistor. Advanced Materials. early access, https://doi.org/10.1002/adma.202405115, 2024. (Top期刊, 中科院1区, 影响因子: 27.4, 共同通讯作者).
[6] C. G. Huang, X. H. Yin, H. Z. Huang*, Y. F. Li. An enhanced deep learning-based fusion prognostic method for RUL prediction. IEEE Transactions on Reliability, 2020; 69 (3): 1097-1109. (Top期刊-2021升级版, 中科院2区, Google引用: 88次, 影响因子: 5, 唯一第一作者).
[7] J. Zhu, Y. Wang, C. G. Huang*, C. Shen, B. Chen, A new incremental learning for bearing fault diagnosis under noisy conditions using classification and feature level information. IEEE Transactions on Instrumentation and Measurement, 2023; 73. 3503614. (Top期刊, 中科院2区, 影响因子: 5.6, 唯一通讯作者).
[8] C. G. Huang, J Zhu, Y Han*, W. Peng. A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines. IEEE Sensors Journal, 2022; 22(8): 7855-7867. (Top期刊, 仪器仪表领域高质量科技期刊T1级-2022版, 中科院2区, 影响因子: 4.3, Google引用: 26次, 唯一第一作者).
[9] R Zhu, W. Peng, Y Han, C. G. Huang*. Intelligent health monitoring of machine tools using a Bayesian multi-branch neural network. IEEE Sensors Journal, 2022; 22(12): 12183-12196. (Top期刊, 仪器仪表领域高质量科技期刊T1级-2022版, 中科院2区, 影响因子: 4.3, 唯一通讯作者).
|
|
专业研究方向:
|
专业名称 |
研究领域/方向 |
招生类别 |
080400仪器科学与技术 |
02电子系统综合测试诊断与预测 |
硕士学术学位 |
085400电子信息 |
01测控技术及自动化(非全) |
硕士专业学位 |
085407仪器仪表工程 |
02电子系统综合测试诊断与预测 |
硕士专业学位 |
|
|
|
|
|