一、导师简介
Juan DU教授现任香港科技大学（广州）系统枢纽智能制造学域助理教授，兼任数据科学与分析学域教职。2019年获北京大学工业工程与管理系管理科学与工程博士学位，2017至2019年期间赴佐治亚理工学院工业与系统工程系从事联合培养博士研究。此前获哈尔滨工业大学复合材料与工程专业学士学位。
加入香港科技大学（广州）前，DU教授曾任上海交通大学工业工程与管理系助理教授。其学术成果获多项国际认可：2018年INFORMS质量、可靠性与统计分会最佳论文奖入围、2018年美国统计学会质量与生产率联合研究会议旅行奖、2019及2020年INFORMS数据挖掘最佳论文奖入围，2020年获中国管理科学与工程学会及北京大学优秀博士论文奖。2023年获SME Susan Smyth杰出青年制造工程师奖。
DU教授现为工业与系统工程师学会（IISE）高级会员，兼任INFORMS、ASME、SME会员。其研究获中国国家自然科学基金、广东省基础与应用基础研究基金、广州市科技计划等项目资助。
招生方向：招收博士研究生（PhD）、硕士研究生（MPhil）、博士后及访问学生，优先考虑自动化、统计学、机械工程、计算机科学及相关专业背景申请者。
二、近期文章和项目解析
2.1 3D点云异常检测体系
（1）IAENet: Importance-Aware Ensemble Network
发表于Information Fusion（2026年），该研究针对3D点云异常检测中缺乏强大预训练基础模型的瓶颈问题，提出一种重要性感知集成网络。核心创新在于Importance-Aware Fusion（IAF）模块——该模块动态评估2D预训练专家与3D专家模型的贡献度，通过重加权机制避免单一模态性能不佳导致的整体精度下降。实验表明，该方法在MVTec 3D-AD数据集上实现点级定位最优性能，在Eyecandies数据集上同时达成对象级与点级最佳表现。
技术价值：工业质检中，2D图像与3D几何信息具有互补性，但简单融合策略易受弱模态拖累。IAF机制通过可学习的权重分配，实现"扬长避短"的 adaptive fusion，对多源异构数据融合具有范式意义。
（2）PointSGRADE: Sparse Learning with Graph Representation
发表于IISE Transactions（2025年，第57卷第2期），针对非结构化3D点云数据缺乏全局坐标排序、异常模式多样的难题，提出基于图表示的稀疏学习框架。假设自由曲面具有光滑性，将点云建模为图结构，通过惩罚优化问题检测稀疏异常，采用majorization-minimization框架实现高效求解。
技术价值：传统2D图像方法无法直接迁移至3D点云。PointSGRADE将几何先验（光滑性）转化为图拉普拉斯正则，结合稀疏性假设，为单样本异常检测提供了可解释的计算框架。GitHub已开源代码，便于工业界复现。
（3）3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces
发表于ASME Journal of Computing and Information Science in Engineering（2024年），针对复杂制造表面的无训练异常检测问题，提出不依赖大规模预训练数据的解决方案，降低工业场景下的数据标注成本。
2.2 强化学习与智能控制
（1）SmartFixture: Physics-Guided Reinforcement Learning
发表于IISE Transactions（2025年，第57卷第11期），研究钣金件夹具布局优化问题。传统数学优化（MO）方法存在"无记忆性"（经验无法跨零件迁移）与"可扩展性"（搜索空间大时效率低）局限。SmartFixture通过强化学习智能体与有限元分析（FEA）仿真直接交互，实现离线训练后的跨场景泛化。
技术价值：将物理仿真作为环境，强化学习作为策略搜索工具，突破了传统优化对精确数学模型的依赖。该方法在 unseen scenarios 上展现机构的形状变形控制能力，为数字孪生环境下的工艺优化提供了新路径。
（2）MFRL-BI: Model-Free Reinforcement Learning with Bayesian Inference
发表于IISE Transactions（2024年，第57卷第9期），针对半导体制造等复杂过程中预设模型不准确的问题，提出无模型强化学习过程控制方案。核心机制是通过贝叶斯推断实时更新扰动分布，降低制造过程中的变异。在化学机械平坦化（CMP）非线性过程中验证有效，理论性质在加性扰动条件下得到保证。
（3）F2PAD: Feature-Level to Pixel-Level Anomaly Detection
2024年提出的通用优化框架，实现特征级到像素级异常检测的跨层级优化，提升检测粒度与定位精度。
2.3 工业检测系统实现
FIT3D: Real-time Flatness Inspection Algorithm
发表于2024年IEEE第20届自动化科学与工程国际会议（CASE 2024，意大利巴里），针对陶瓷瓷砖平面度检测的实时性需求，提出基于结构光3D扫描仪的检测算法。采用支持向量机（SVM）处理大规模点云数据，结合凸包理论加速最小区域平面计算，解决传统人工检测或位移传感器信息不完整的痛点。
工程意义：将3D扫描技术从实验室推向生产线，算法实时性满足工业节拍要求，体现了从算法创新到工程落地的完整链条。
三、未来研究预测
3.1 技术演进趋势
（1）多模态融合的深度化
IAENet已展示2D-3D融合潜力，未来将进一步探索视觉-触觉-力觉多模态融合，以及跨模态知识蒸馏。工业场景中的异常往往需多感官协同确认，如何设计"早融合"（early fusion）与"晚融合"（late fusion）的自适应策略，将是持续研究方向。
（2）无训练/小样本学习的工业化落地
3D-CSAD与PointSGRADE代表"untrained anomaly detection"方向，旨在降低对大规模标注数据的依赖。未来可能结合神经符号AI（neuro-symbolic AI），将领域知识（如几何公差标准）编码为先验约束，实现"零样本"或"少样本"迁移。
（3）物理信息嵌入的强化学习
SmartFixture引入physics-guided RL，下一步将探索物理信息神经网络（PINN）与RL的耦合，在数字孪生环境中实现"仿真-现实"迁移学习（sim-to-real transfer），解决制造业中物理实验成本高、风险大的痛点。
3.2 应用场景拓展
（1）半导体制造闭环控制
基于MFRL-BI的贝叶斯强化学习框架，可向先进制程（如3nm以下节点）的蚀刻、沉积工艺扩展，应对设备老化、环境扰动导致的时变特性。
（2）航空航天大型构件装配
SmartFixture的夹具布局优化方法，可迁移至飞机机身段装配、火箭燃料箱焊接等大尺度、低刚度结构的高精度装配场景，结合SAPO-RL（Sequential Actuator Placement Optimization via Reinforcement Learning，2025年arXiv预印本）实现序列化工装配置。
（3）新能源电池质量检测
3D点云异常检测技术可应用于锂电池极片毛刺检测、固态电解质表面缺陷识别，满足新能源汽车行业对安全性的严苛要求。
3.3 学科交叉方向
DU教授团队的"knowledge-infused data science"理念，预示未来研究将深度融合运筹学优化理论、统计学习理论、制造系统工程三大支柱。特别值得关注的是：
- 不确定性量化（UQ）与贝叶斯优化的结合：在工艺参数优化中同时考虑 aleatoric uncertainty（数据噪声）与 epistemic uncertainty（模型认知不足）；
- 因果推断（causal inference）在质量追溯中的应用：从相关性分析迈向根因分析，实现质量问题的归因与预防。
DU教授团队的研究呈现"顶天立地"特征——既在Information Fusion、IISE Transactions等顶刊发表算法创新，又通过FIT3D等工程实现验证技术可行性。其方法论核心在于将工业物理约束（光滑性、力学平衡、工艺规程）转化为数学可计算的形式，这种"物理-数据"双驱动的研究范式，区别于纯数据驱动的黑箱模型，具备更强的可解释性与工业可部署性。
对于申请者而言，具备扎实的数学优化基础、编程能力（Python/C++）及制造业领域知识，将能更好地融入该团队的研究体系。
