尚超，助理教授，博士生导师
过程控制工程研究所
通信地址：北京清华大学自动化系 邮政编码：100084
联系电话：-292
Email：c-shang@tsinghua.edu.cn

展开




教育背景

2011年8月-2016年7月 清华大学自动化系控制科学与工程专业学习，获工学博士学位
2007年8月-2011年7月 在清华大学自动化系专业学习，获工学学士学位

工作履历

2018年10月-至今 清华大学自动化系 助理教授
2016年10月-2018年10月 美国康奈尔大学 & 清华大学 博士后

学术兼职

IEEE Member
中国化工学会信息技术专业委员会 青年委员
《Journal of Process Control》、《Control Engineering Practice》、《IEEE Trans. on Industrial Electronics》、《Computers & Chemical Engineering》等期刊审稿人

研究领域

[1] 大数据解析及工业应用
[2] 数据驱动的不确定规划技术及应用
[3] 过程监控与故障诊断
[4] 数据驱动的工业过程建模

研究概况

近年来，大数据的蓬勃发展为控制学科带来了新的机遇与挑战。随着数据信息量与计算机运算能力的快速增长，人类处理复杂决策问题的能力正在不断增强。一方面，通过有效地收集分析数据，人们能够更好地感知并适应环境的变化，并对决策进行针对性调整；另一方面，基于大数据更深层次的不确定信息能被挖掘出来，在此基础上，不断地提高智能控制与智能决策的水平。本人目前的研究针对数据驱动的建模、监控、诊断以及优化方法，并以实际工业制造过程为背景，将控制理论、人工智能以及运筹学进行有机结合，具有多学科交叉的特点。累计发表期刊论文近20篇，被引用400余次，其中一篇论文排名IFAC会刊Journal of Process Control高被引论文榜第二名，另有5项国家发明专利已授权。

奖励与荣誉

Springer Doctorate Theses Award，2018
清华大学“紫荆”，2016
清华大学优秀博士论文一等奖，2016
北京市优秀毕业生，2016
清华大学教学成果奖一等奖，2016
清华大学“一二·九”辅导员奖，2015

学术成果

学术专著
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)
主要论文
[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.
发明专利
1. 黄德先，尚超，杨帆，高莘青. 基于缓慢特征回归的动态软测量方法和系统: 中国, CNB. (中国专利授权号.)
2. 黄德先，尚超，杨帆，高莘青. 基于缓慢特征分析的过程监控方法和系统: 中国, CNB. (中国专利授权号.)
3. 黄德先，尚超，高莘青，吕文祥. 基于贝叶斯框架的动态软测量建模方法及装置: 中国, CNB. (中国专利授权号.)
4. 吴彬, 尚超, 宋晓玲, 黄德先, 夏月星, 姚佳清, 高莘青, 熊新阳, 朱绍平, 黄富铭. 乙炔法合成氯乙烯生产过程的在线预警方法: 中国, CNB. (中国专利授权号.)
5. 吴彬, 尚超, 宋晓玲, 黄德先, 夏月星, 姚佳清, 高莘青, 熊新阳, 朱绍平, 黄富铭. 聚氯乙烯合成过程低沸塔尾气冷凝在线监控及报警方法: 中国, CNB. (中国专利授权号.)