2023年6月19日下午15:00，信息工程学院于思源楼A111举行基于贝叶斯网络的大规模工业过程分布式故障诊断。本次讲座由吴暾华主持，主讲人是浙江大学控制学院二级教授、博导宋执环教授。参与本次讲座的有信息工程学院院长高巍巍、副院长陈久强、吴暾华以及信息工程学院教授、教师、学生。

首先由吴暾华为大家介绍了来自浙江大学的宋执环教授。随后宋执环教授便开始介绍基于贝叶斯网络的大规模工业过程分布式故障诊断的研究意义和背景。首先流程工业规模大、多级耦合、结构复杂，难以建立机理模型，数据驱动故障诊断是首选方案。大规模厂级过程系统自动化、网络化、信息化程度较高，配备多层次的检测与通信设备，积累了海量的运行据、管理数据、巡检/点检数据和跨媒体数据，呈现典型的工业大数据特征。而现有数据驱动的监测与故障诊断方法已难以满足大规模厂级流程工业的应用需求。

贝叶斯网络是一种概率图模型，贝叶斯网络将概率模型和图模型有机结合，在概率框架下解释了工业过程不确定性，优势体现在:同时利用过程变量的数据信息和过程知识的结构信息。贝叶斯网络方法已经早期在金融分析、医疗诊断等方面获得应用，近年来在工业过程监测、软测量、故障诊断、故障分类、根源故障回溯、故障传播路径分析、工业质量监测与控制等方面获得关注和应用。

贝叶斯网络结构学习是基于数据的评分和搜索结构学习策略。利用模块化和分布式技术，实现模块划分和变量选择进行优化，可以实现全局过程分解和局部小范围过程建模，从而有效简化全局过程监测模型。将生产流程、拓扑结构等过程知识融入贝叶斯网络有向图模型，借助可视化方法来定性描述过程变量的复杂因果依赖关系和过程拓扑结构，增强可解释性。贝叶斯网络是一种概率图模型，结构学习是其构造模型和实现应用的基础。流程制造过程具有工艺复杂、流程长、规模大的特点，其数据具有工业大数据的特征，给贝叶斯网络建模与故障诊断提出了新的挑战。在大规模过程和大数据环境下，贝叶斯网络结构学习会面临过程变量数量多、变量关系复杂、样本数量大等问题，从而影响结构学习的计算复杂度和时间效率。针对厂级过程的工业大数据环境，提出了一种过程知识约束的贝叶斯网络结构并行学习方法，借助过程拓扑结构实现全局网络结构学习任务分解和局部网络结构优化，提升层级贝叶斯网络结构并行学习效率。

宋教授介绍完毕后，张思扬提问了基于贝叶斯网络贝叶斯网络的大规模工业过程分布式故障诊断的数据来源。宋执环教授回应数据集是通过工厂公开提供。吴贵文又继续提出如何用该方法快速找出故障。宋教授解释道是将数据细分后不断筛查排除最终找出故障，但同时也表示该方法还是存在一定误差，还需要人工配合筛查。

讲座结束后，宋执环教授与高巍巍、陈久强、吴暾华以及各个专业负责人一起移步至致用楼502进行指导交流。首先由陈久强为浙江大学的三位教授介绍了温州商学院信息工程学院各专业相关信息，随后开始了自由交流探讨。

高巍巍提出信息工程学院作为第一批专精特新学院，对接工业大数据主题，帮助企业实现数字化转型，需要更多的科研资源，希望能够与浙江大学的团队合作展开横向课题。宋执环表示浙江大学也鼓励教师能够走出校园，同时还介绍了与杭州市政府合作的智慧城市。

吴暾华询问工业检测是否可以和医疗建立联系。宋执环表示有与医学院进行合作，但目前系统还不够完善，不能全面预判，病变大小等影响因素较为复杂。现在只能帮助一部分科室进行简单的初步分析。他表示现阶段医疗大数据远远不够，但未来也会与医疗学院合作，更好的进行医信结合。

科研都需要问题驱动，相信在科技的不断发展中，会有越来越多的优秀科研成果。

（信息工程学院2023年6月20日）