(通讯员:丁真真)2026年9月3日下午14:00,我院特邀辽宁大学数学与统计学院博士研究生导师张久军教授,在南湖校区新图书馆5302室作学术报告。本次报告由数学与统计学院承办,会议由学院副
院长杨凯教授主持,校学科建设办公室副主任兼大数据研究院院长秦喜文教授、学院部分老师及研究生参加了本次学术报告会。
会议开始之际,由杨凯教授作为代表对张久军教授的到来表示感谢,并对张教授及其研究内容做了简单的介绍。

报告人简介: 张久军,辽宁大学数学与统计学院教授,博士研究生导师,统计与数据科学系主任。辽宁省“百千万人才工程”百人层次人选,辽宁省普通本科教学名师。获辽宁大学本科优秀主讲教师、辽宁大学师德师风模范标兵等荣誉称号。兼任全国工业统计学教学研究会人工智能与大数据技术专业委员会副理事长、中国现场统计研究会多元统计分析分会理事,中国现场统计学会生存分析分会理事,辽宁省数学会理事。主持参与国家自然科学基金、辽宁省自然科学基金十余项,在Comput. Statist. & Data Anal、J. Qual. Tech.、Eur J Oper Res、Int. J. Prod. Res、Comput. & Ind. Eng、Qual. Technol. Quant. M.、《数理统计与管理》等国内外杂志发表论文80余篇。
报告题目:Some Innovative Multivariate Bayesian Schemes for Monitoring the Mean Vector with Applications to Monitoring Production Processes
报告摘要:Bayesian approaches have gained popularity for addressing operational research and management problems, including process monitoring and product quality assessment. In particular, Bayesian approaches are often used to address complex multivariable processes. This paper analyses and evaluates a multivariate Bayesian generalised likelihood ratio (MBGLR) scheme, a multivariate Bayesian cumulative sum (MBCUSUM) scheme and a combination of two MBCUSUM (2MBCUSUM) schemes to monitor the mean vector of a multivariate Gaussian process distribution. Monte Carlo simulations are employed to evaluate the detection performance of these three schemes. Furthermore, they are compared with the multivariate generalised likelihood ratio (MGLR) scheme, the multivariate empirical Bayes (MEB) scheme, and a CUSUM-type multivariate empirical Bayes (CUSUMMEB) scheme based on the steady-state average time to signal (SSATS). Simulation results show that the MBGLR scheme exhibits strong overall monitoring performance when suitable prior parameters and window sizes are selected. While the MBCUSUM and 2MBCUSUM schemes outperform the MBGLR scheme in detecting certain small shifts, the MBGLR scheme consistently outperforms the MGLR, MEB, and CUSUMMEB schemes across all shift magnitudes for the different instances considered in this study. Finally, a lumber manufacturing dataset and a carbon-fiber tubing manufacturing dataset are used to illustrate the practical applicability of the proposed schemes.


报告伊始,张教授从现代工业生产过程监控的实际需求出发,指出在复杂多变量生产环境中,如何及时检测过程均值向量的偏移是保障产品质量的核心问题。贝叶斯方法因能有效整合先验信息、处理多维数据结构而备受关注。张教授系统介绍了其团队提出的MBGLR、MBCUSUM及2MBCUSUM三种多元贝叶斯监控方案,详细讲解了方案的统计学基础,推导出均值向量后验分布,并分别给出了三种方案的监控统计量构造方法。他指出,MBGLR方案采用最大后验概率估计构建广义似然比统计量,并引入滑动窗口提高检测灵敏度,而MBCUSUM与2MBCUSUM方案则借鉴累积和控制图思想构建递归统计量。

在性能评估环节,张教授以稳态平均报警时间为评价指标,通过蒙特卡洛模拟对三种方案的检测性能进行了系统比较。结果表明,MBCUSUM与2MBCUSUM方案在某些小偏移情形下表现略优,但MBGLR方案在整体监控性能上更为稳健优异。张教授还引入相对均值指标进行MBGLR方案的最优参数设计。随后,他将三种方案与MGLR、MEB及CUSUMMEB方案全面对比,发现MBGLR方案在所有偏移幅度下均一致优于对比方案。张教授还特别强调了MBGLR方案的方向不变性,通过理论推导证明其监控性能仅依赖于非中心化参数,而与偏移的具体方向无关,这一性质极大简化了方案的实施与性能评估。

在应用实例部分,张教授将所提出的监控方案应用于木材制造和碳纤维管制造数据集,分别监控两个及三个质量特性,通过实际数据分析验证了MBGLR方案在工业过程监控中的可行性和有效性。报告最后,张教授总结指出,当生产过程中可获得先验信息时,MBGLR方案是监控过程均值向量偏移的强力推荐工具,同时也坦诚指出了当前研究在多元正态性和已知协方差矩阵假设方面的局限,并对非参数贝叶斯监控、自启动MBGLR方案及协方差矩阵变化监控等未来方向进行了展望。

报告结束后,在场师生围绕先验分布选择、窗口大小确定、方向不变性实际意义等问题与张教授进行了深入交流与讨论。张教授结合自身研究经验,对提问逐一详细解答。与会师生纷纷表示收获颇丰,对多元贝叶斯过程监控的理论与方法有了更为深入的认知。
初审:关迪
复审:杨凯
终审:王丹、王纯杰
数学与统计学院
2026年9月4日