受我校学术繁荣计划资助，台湾清华大学姚远博士应邀于2019年6月26日来我院进行学术交流。
姚教授为我院师生做了题为“A Graph-Based Sparse Principal Component Analysis Method and Its Application to Nondestructive Defect Detection”学术报告。化机所刘毅副教授主持报告。机械学院贺艳明副研究员、陈晨博士、马英鹤博士，浙江科技学院周乐副教授等三十余位师生等参加了报告会。
报告会上，姚教授阐述了如何基于统计方法和数据智能评估材料质量，提出高效可行的无损检测方法，提高当前数据分析模型的缺陷评定水平。复合材料在新材料技术领域中所处的地位不言而喻，其应用的多元化、成本低廉化、性能多样化已经成为复合材料最主要的特点，加之复合材料密度小、质量轻等一系列优势，使得复合材料已被广泛用于各国产品生产和工业制造的多个领域。然而，复合材料的制造过程中缺陷的存在势必会影响材料的性能，使复合材料构件的应用受到一定的限制，造成经济损失和安全问题。由于无损检测技术具有非破坏性、全面性等综合优势，现已成为一种实际有效、广受欢迎的质量评估手段，被广泛应用于智能制造和材料加工领域。
尽管无损检测有很多优势，但是不得不说明的是无损检测技术的直接测试结果，往往对缺陷的精确检测没有明显帮助，甚至容易因数据采集环境干扰与人为判断疏忽导致错误的评估结果。以无损检测技术中具有成本低、易于实现等优点红外热成像技术为例，其捕捉的热图像数量较多，通过肉眼检查全部的热图像是一项冗长且耗时的工作。此外，图像中包含的噪声和不均匀背景经常会降低检测效率。因此，发掘一种高效可行的缺陷评估方法对保障生产安全和提高产品质量具有重要的理论意义和应用价值。
姚教授结合图论，提出了基于图稀疏主元分析的无损检测方法，并将其应用于复合材料缺陷在线检测。以经典的PCA为基础，以最大方差理论或最小化降维损失的思想将高维数据降维到低维空间，实现数据去噪与压缩的目标。与PCA不同的是，考虑到基于图像局部位置信息对于缺陷评定更重要，姚博士提出的ESPCA模型以邻接图来表达局部像素的邻接关系，结合空间连接信息和稀疏性，在特征提取方面表现出较好的性能，检测效果达到了更高的水平。从原理、算法到应用，姚教授深入浅出又生动形象向大家讲述了如何将统计数学方法变成可用的数据智能技术。会后，姚教授与机械学院教师及同学之间进行了深入的讨论，解答了部分同学的困惑，也与相关教师对当前数据驱动建模方法的优缺点以及未来研究方向进行了深入讨论，其报告启发性很大，受到师生的广泛好评。
姚远博士2001年本科毕业于浙江大学控制系，2004年获浙江大学硕士学位，2009年获香港科技大学博士学位，2009-2011年在香港科技大学从事博士后研究，2011年加入台湾清华大学化工系工作，现为台湾清华大学化工系副教授，从事过程数据分析相关研究。
