科研成果：
[1] Gao Y., Wen Y., Wu J*. "A Neural Network-Based Joint Prognostic Model for Data Fusion and Remaining
Useful Life Prediction". IEEE Transactions on Neural Network and Learning System, 2021 Jan;32(1):117-127.
(人工智能顶刊，中科院一区，IF：14.45)
[2] Gao Y., Huang X., Wang C., and Wu J. * (July 20, 2021). "Estimating Size and Number Density of Three-D
imensional Particles Using Truncated Cross-Sectional Data." ASME Transactions, Journal of Manufacturing
Science and Engineer. February 2022; 144(2): 021002. (领域权威期刊)
[3] Gao Y., Wang X., Son J., Yue X., Wu J.*, "Hierarchical Modeling of Microstructural Images for Porosity
Prediction in Metal Additive Manufacturing via Two-point Correlation Function", IISE Transactions,
DOI: 10.1080/24725854.2022.2115593. (ABS三星期刊 工业工程旗舰期刊)
[4] Gao Y., Huang X., Wu J.*, Tsui K., Zhou Q., "An Order Statistic Approach for Inference of the Size
Distribution of 3D Particle Clusters in Metal Matrix Nanocomposites", CIRP Journal of Manufacturing
Science and Technology, 2022 Mar, no. 38:204-214.
[5] Song Z., Wang X., Gao Y., Son J., Wu J.*, "A Hybrid Deep Generative Network for Pore Morphology
Prediction in Metal Additive Manufacturing", ASME Transactions, Journal of Manufact. Science and
Engineering. July 2023; 145(7): 071005.
[6] Xu R., Huang S., Song Z., Gao Y., Wu J.*, "A Deep Mixed-effects Modeling Approach for Real-time
Monitoring of Metal Additive Manufacturing Process", IISE Transactions,
DOI: 10.1080/24725854.2023.2192252. (Best Student Paper Award Finalist, 2022 INFORMS Cluster of
Sustainability: Science, Engineering and Analytics).
[7] 高园园，基于贝叶斯和神经网络的发动机剩余寿命在线预测方法, 发明专利，第一发明人，
授权号CN 110222371 B
[8] 高园园，激光3D打印孔隙微观图像预测软件V1.0, 软件著作，第一发明人，登记号：
2020SR0985202
项目经历：
[1] 在线质量监控与异常检测。国际运筹与管理科学数据挑战赛冠军，来自全球40多支队伍参赛，
我国高校首次获得冠军，获得北京大学官微宣传。面向金属3D打印制造过程实时异常监控问题，
基于多源时间序列过程信号，建立深度神经网络和残差分析联合算法，实现了在线异常检测智能化；
智能化异常检测算法实现了高检出(95%)、低误警(8%)、低延迟(3%)的优异性能；
[2] 航空发动机多源异构传感信号融合与寿命预测。参与国家自然基金重大项目，
基金号：71690232。针对航空发动机多源异构在线监测信号(Panel数据)，建立基于贝叶斯估计的
深度神经网络联合预测模型，实现信号筛选、动态特征提取、信号融合与实时剩余寿命的预测；
[3] 工艺参数优化与缺陷预测。面上基金项目主要参与人，基金号：51875003。独立搭建了
一套基于金属3D打印实验平台和数采系统，实验收集孔隙图像数据打包成为行业标准数据集
存储于HDF5，供同行研究者基于此实验平台和标准数据集继续深入研究；
[4] 金属3D打印孔隙质量检测。面上基金项目主要参与人，基金号：51875003。
基于二维截面孔隙图像数据通过统计建模与推断估计孔隙在三维空间中的尺寸分布数量密度与
空间分布，采用了最大似然估计与数值采样蒙特卡洛EM算法进行参数估计，精确度比已有方法
提升15%。
荣誉与奖励：
[1] 2021 国际运筹与管理科学数据挑战赛冠军（国际比赛，国内高校首次冠军）
[2] 2023 北京大学优秀毕业生
[3] 2020-2021 北京大学学术创新奖（5%）
[4] 2020-2021 北京大学苏州工业园区奖学金（5%）
[5] 2019-2020 国家奖学金（1.5%）
[6] 2017-2018 北京航空航天大学优秀毕业生（3%）
招生要求：
有探索精神与创新思想、勤奋努力；
扎实的数学基础与熟练的编程能力(MATLAB/Python)，有大数据分析或计算机科学背景的学生优先。
| 2018.9 - 2023.7 | 北京大学 博士研究生毕业 |
| 2021.9 - 2022.12 | 新加坡国立大学 工业与系统工程 |
| 2014.9 - 2018.7 | 北京航空航天大学 大学本科毕业 |
面向信息化技术以促进产业革命，采用工程机器学习(engineering-informed ML)与数据科学（data science），对智能制造与复杂系统进行质量与可靠性研究，即融合工程知识与统计建模、机器学习，对智能制造过程与复杂系统进行智能监测与异常检测、寿命预测与故障诊断等，以提升质量和可靠性。
