王友清
王友清，工学博士、教授、博士生导师。现任北京化工大学信息科学与技术学院院长。2003年本科毕业于山东大学信息与计算科学专业。2008年博士毕业于清华大学控制科学与工程专业。2008年至2010年在美国加州大学圣芭芭拉分校从事博后研究。
目前已发表SCI期刊论文110余篇，其中近五年以第一作者或通讯作者发表SCI期刊论文60余篇，包括《IEEE Transactions on Automatic Control》、《Automatica》、《IEEE Transactions on Industrial Informatics》、《IEEE Transactions on Industrial Electronics》等国际顶级期刊，论文被SCI他引两千多次，施引作者中包括30多位国内外院士。出版专著两部，申请或授权专利20余项。
王友清教授主持过二十余项科研项目，包括国家自然科学基金优秀青年基金、国家自然科学基金面上项目2项、山东省杰出青年基金、霍英东青年教师基金、教育部新世纪优秀人才计划、欧洲糖尿病研究基金项目（当年全国仅4项）等。他担任多个国际期刊编委；在多个国际重要学术组织兼职；先后担任十多个学术会议的程序委员会主席、邀请组主席、出版副主席、分会主席等。他是首位获得《Journal of Process Control》最佳论文奖和ADCHEM青年作者奖两个奖项的中国大陆学者。他还荣获教育部自然科学奖二等奖、北京市自然科学奖二等奖、山东省自然科学奖二等奖、中国自动化学会自然科学奖二等奖、霍英东青年教师奖。
邮箱：wang_youqing@mail.buct.edu.cn
主持的主要科研项目Research Projects
项目名称 | 项目来源 |
人体血糖动态过程的安全控制 | 国家自然科学基金优秀青年基金 |
无人艇异常工况的智能监测和自愈控制 | 青岛创新领军人才支持计划项目 |
二维系统的安全控制 | 山东省杰青基金项目 |
二维系统框架下迭代学习控制的性能评估理论及应用 | 国家自然科学基金面上项目 |
重症监护病人的健康状态监测和可靠控制 | 教育部新世纪优秀人才支持计划 |
批次过程的控制性能评估 | 北京市青年英才 |
Closing the Loop for Adult Subjects with T1DM Using Learning-Type Model Predictive Control | EFSD/CDS/Lilly中欧糖尿病合作研究基金 |
基于群体智能和模型预测的重症监护病人的血糖闭环控制研究 | 霍英东青年教师基金 |
基于非线性模型预测控制设计人工胰脏β细胞 | 北京市科技新星 |
“人工胰脏”的容错控制研究 | 国家自然科学基金面上项目 |
主要奖励Main achievements
（1）全国向上向善好青年，2020年（共青团中央）
（2）山东省自然科学奖二等奖，2021年
（3）北京市自然科学奖二等奖，2020年
（4）教育部自然科学奖二等奖，2019年
（5）中国自动化学会科学奖二等奖，2018年
（6）霍英东青年教师奖，2016年
（7）IFAC ADCHEM2015青年作者奖，2015年
（8）IEEE CSS北京分区青年作者奖，2014年
（9）Journal of Process Control Survey Paper Prize（国际自动控制联合会颁发；每三年精选一篇；大陆首位获得者），2011年
主要论文Research Paper
[1] Ma, X.; Si, Y.; Qin, Y.; Wang, Y.* (2022): Fault detection for dynamic processes based on recursive innovational component statistical analysis. IEEE Transactions on Automation Science and Engineering, DOI: 10.1109/TASE.2022.3149591
[2] Zhu, K.; Wang, Y.* (2022): Event-Triggered Sensor Fault Estimation of Unreliable Networked Unmanned Surface Vehicle System with Correlated Noises. IEEE Transactions on Vehicular Technology, DOI: 10.1109/TVT.2022.3142147
[3] Wang, M.; Ma, X.; Hu, Y.; Wang, Y.* (2021): Gear fault diagnosis based on variational modal decomposition and wide+narrow visual field neural networks. IEEE Transactions on Automation Science and Engineering, DOI: 10.1109/TASE.2021.3117288
[4] Shi, Y.; Liu, C.; Wang, Y.* (2021): Online secure state estimation of multi-agent systems using average consensus. IEEE Transactions on Systems, Man, and Cybernetics: Systems, DOI: 10.1109/TSMC.2021.3064658
[5] Shi, Y.; Liu, C.; Wang, Y.* (2021): Asymptotically stable filter for MVU estimation of states and homologous unknown inputs in heterogeneous multiagent systems. IEEE Transactions on Automation Science and Engineering, DOI: 10.1109/TASE.2021.3060075
[6] Lou, Z.; Wang, Y.*; Si, Y.; Lu, S. (2022): A novel multivariate statistical process monitoring algorithm: orthonormal subspace analysis. Automatica, 138: 110148.
[7] Qin, Y.; Yan, Y.; Ji, H.; Wang, Y.* (2022): Recursive correlative statistical analysis method with sliding windows for incipient fault detection. IEEE Transactions on Industrial Electronics, 69(4): 4185-4194.
[8] Chen, Q.; Liu, Z.; Ma, X.; Wang, Y.* (2022): Artificial neural correlation analysis for performance-indicator-related nonlinear process monitoring. IEEE Transactions on Industrial Informatics, 18(2): 1039-1049.
[9] Ma, X.; Hu, Y.; Wang, M.; Li, F.; Wang, Y.* (2021): Degradation state partition and compound fault diagnosis of rolling bearing based on personalized multilabel learning. IEEE Transactions on Instrumentation & Measurement, 70: 3520711.
[10] Shi, Y.; Liu, C.; Wang, Y.* (2021): Secure state estimation of multi-agent systems with homologous attacks using average consensus. IEEE Transactions on Control of Network Systems, 8(3): 1293-1303.
[11] Sun, R.; Wang, Y.* (2021): C-IPLS–IKPLS for modeling and detecting nonlinear multimode processes. Industrial & Engineering Chemistry Research, 60(4): 1684-1698.
[12] Chen, Q.; Wang, Y.* (2021): Key-performance-indicator-related state monitoring based on kernel canonical correlation analysis. Control Engineering Practice, 107: 104692.
[13] Si, Y.; Wang, Y.*; Zhou, D. (2021): Key-performance-indicator-related process monitoring based on improved kernel partial least squares. IEEE Transactions on Industrial Electronics, 68(3): 2626-2636.
[14] Lou, Z.; Wang, Y.* (2021): New nonlinear approach for process monitoring: neural component analysis. Industrial & Engineering Chemistry Research, 60(1): 387-398.
[15] Cui, M.; Wang, Y.*; Lin, X.; Zhong, M. (2021): Fault diagnosis of rolling bearings based on an improved stack autoencoder and support vector machine. IEEE Sensors Journal, 21(4): 4927-4937.
[16] Wang, Y.*; Si, Y.; Huang, B.; Lou, Z. (2018): Survey on the Theoretical Research and Engineering Applications of Multivariate Statistics Process Monitoring Algorithms: 2008-2017. The Canadian Journal of Chemical Engineering, 96(10): 2073-2085.
[17] Wang, Y.; Zhao, D.*; Li, Y.; Ding, S.X. (2017): Unbiased minimum variance fault and state estimation for linear discrete time-varying two-dimensional systems. IEEE T. Automatic Control, 62(10): 5463-5469.
[18] Wang. Y.; Gao, F.; Doyle III, F.J. (2009): Survey on iterative learning control, repetitive control, and run-to-run control. Journal of Process Control, 19(10): 1589-1600.