王永健，山东莱州人，东南大学副研究员、硕士生导师、洪堡学者。主要从事流程工业过程大数据的建模、优化与过程监测、机器学习与模型可解释化，以及数据的可视化等方面的研究工作。致力于理论结合实际。发表SCI论文20余篇，EI论文若干；其中，第一作者或通讯作者SCI论文15篇。曾获校优秀博士学位论文、香港博士后奖学金及德国洪堡学者基金等。主持江苏省自然科学基金，参与多项国家自然科学基金项目及企业合作项目。为IEEE Trans, JPC, CEP, IECR 等多个期刊审稿人。IEEE Member, 江苏省自动化学会普及与咨询工作委员会副主任兼秘书长。

1. 2011年9月 - 2020年12月 北京化工大学 （本 + 硕博连读，导师：李宏光）

2. 2019年9月 - 2020年11月 美国加州大学洛杉矶分校（UCLA）联合培养（导师：Panagiotis D. Christofides, Fellow of IEEE, AIChE, IFAC, IAAM, AAAS）

1. 2022年1月 - 至今 东南大学，自动化学院，副研究员

2. 2021年1月 - 2021年12月 香港城市大学 数据科学学院（导师：秦泗钊, Fellow of IEEE, AIChE, IFAC, NAI）

中国人工智能学会

中国电子教育学会

从兴趣出发引导，将理论与实际相结合，将机理模型、机器学习等数据驱动模型以及工艺知识相融合，不断丰富工业大数据建模的可解释性等工作。

每年招收四牌楼校区硕士研究生至少2名，苏州或无锡校区硕士研究生1名。

感兴趣的可以联系我，我们共同成长。

1. 工业大数据处理分析；

2. 机器学习；

3. 模型可解释化及可视化；

4. 故障诊断与容错控制

江苏省自然科学基金，在研，主持

国家自然科学基金面上项目, 在研, 参与

国家自然科学基金青年基金, 结题, 参与

1. Wang Y, Yang K, Li H. Industrial time-series modeling via adapted receptive field temporal convolution networks integrating regularly updated multi-region operations based on PCA[J]. Chemical Engineering Science, 2020, 228: 115956. 

2. Wang Y, Zhang Y, Wu Z, et al. Operational trend prediction and classification for chemical processes: A novel convolutional neural network method based on symbolic hierarchical clustering[J]. Chemical Engineering Science, 2020, 225: 115796. 

3. Wang Y,Li H, Yang B. Modeling of furnace operation with a new adaptive data echo state network method integrating block recursive partial least squares[J]. Applied Thermal Engineering, 2020, 171: 115088.

4. Wang Y,Huang J, Su C, et al. Furnace thermal efficiency modeling using an improved convolution neural network based on parameter-adaptive mnemonic enhancement optimization[J]. Applied Thermal Engineering, 2019, 149: 332-343.

5. Wang Y, Li H. Industrial process time-series modeling based on adapted receptive field temporal convolution networks concerning multi-region operations[J]. Computers & Chemical Engineering, 2020, 139: 106877. 

6. Wang Y, Ren Y M, Li H. Symbolic Multivariable Hierarchical Clustering Based Convolutional Neural Networks with Applications in Industrial Process Operating Trend Predictions[J]. Industrial & Engineering Chemistry Research, 2020, 59(34): 15133-15145.

7. Wang Y, Zhang Y, Li H. Adapted Receptive Field Temporal Convolutional Networks with Bar-Shaped Structures Tailored to Industrial Process Operation Models[J]. Industrial & Engineering Chemistry Research, 2020, 59(13): 5482-5490. 

8. Wang Y, Li H. Complex Chemical Process Evaluation Methods Using a New Analytic Hierarchy Process Model Integrating Deep Residual Network with Multiway Principal Component Analysis[J]. Industrial & Engineering Chemistry Research, 2019, 58(31): 13889-13899.

9.  Wang Y, Li H, Huang J, et al. An improved bar-shaped sliding window CNN tailored to industrial process historical data with applications in chemical operational optimizations[J]. Industrial & Engineering Chemistry Research, 2019, 58(47): 21219-21232. 

10.  Wang Y, Li H, Qi C. An adaptive mode convolutional neural network based on bar-shaped structures and its operation modeling to complex industrial processes[J]. Chemometrics and Intelligent Laboratory Systems, 2020, 199: 103932. 

11.  Wang Y, Li H. Complex chemical process operation evaluations using a novel analytic hierarchy process model integrating deep residual network with principal component analysis[J]. Chemometrics and Intelligent Laboratory Systems, 2019, 191: 118-128. 

12. Wang Y, Li H. A novel intelligent modeling framework integrating convolutional neural network with an adaptive time-series window and its application to industrial process operational optimization[J]. Chemometrics and Intelligent Laboratory Systems, 2018, 179: 64-72.

Link: https://scholar.google.com/citations?user=0rT8UxQAAAAJ