中文信息

当前位置：首页师资队伍教职工概况任少君中文信息

任少君

动力工程及自动化系

副教授，硕士生导师

通讯方式：rsj@seu.edu.cn

研究方向：1、生物质高值化利用；2、智能建模、故障诊断及优化；3、科学机器学习理论与方法。

办公地点：九龙湖能环科研大楼419室

个人简介

任少君，男，2018年毕业于东南大学能源与环境学院动力工程及工程热物理专业，获工学博士学位。2015年8月至2016年8月美国里海大学联合培养博士生。目前从事生物质高值化利用、智能建模及故障诊断以及科学机器学习理论与方法等方面的研究工作，获中国电力创新奖及能源创新奖等行业奖项一等奖4项、二等奖2项，授权发明专利10项，以第一作者或通讯作者在Bioresource Technology，Energy，Fuel，Energy & Fuels，IEEE Transactions on Control Systems Technology，Journal of Process Control，中国电机工程学报等国内外期刊上发表高质量论文10余篇。

教学课程

本科生课程：《锅炉原理》、《锅炉课程设计》、《认识实习》;研究生课程：《能源动力系统人工智能理论与应用》。

科研教改项目

[1] 国家自然科学基金（青年项目）：基于内嵌机理约束机器学习的生物质气化炉性能预测及交互调控（52306230），主持，30万元，2024.1-2026.12；[2] 国家重点研发计划子课题：基于时空冗余的机组全工况动态实时数据协调技术（2022YFB4100703-01），主持，39.25万元，2022.12-2025.11；[3] 中国大唐集团公司：超低标准下燃煤电厂二氧化硫排放经济性优化策略研究，主持，2019；[4] 江苏安方电力科技有限公司：具有评价深度调峰机组状态与响应水平功能的智能化深度调峰信息分析系统研发，主持，2019；[5] 艾默生科技资源（西安）有限公司：电站DCS 控制系统智能化升级改造项目智慧监盘系统，主持，2020；[6] 内蒙古京隆发电有限责任公司：厂级热电联供智慧控制系统，主持，2021。

论文专著

[1] Weng Q, Ren S*, Zhu B, et al. Biomass gasification modeling based on physics-informed neural network with constrained particle swarm optimization[J]. Energy, 2025, 320: 135392.[2] 任少君, 朱保宇, 翁琪航, 等. 基于物理信息神经网络的燃煤锅炉NOx排放浓度预测方法[J]. 中国电机工程学报, 2024, 44(20): 8157-8166.[3] 任少君,朱保宇,翁琪航,等.基于数据增强和模型迁移的生物质气化产物分布预测方法[J].中国电机工程学报,2024,44(18):7309-7321.[4] Zhu B, Ren S*, Weng Q, Si F. A physics-informed neural network that considers monotonic relationships for predicting NOx emissions from coal-fired boilers [J]. Fuel, 2024, 364: 131026.[5] Ren S*, Wu S, Weng Q, Zhu B, Deng Z. Disentangled Representation Aided Physics-Informed Neural Network for Predicting Syngas Compositions of Biomass Gasification [J]. Energy & Fuels, 2024, 38(3): 2033-2045.[6] Weng Q, Ren S*, Zhu B, Jin Y. Reconstruction-based stacked sparse auto-encoder for nonlinear industrial process fault diagnosis [J]. Maintenance & Reliability/Eksploatacja i Niezawodność, 2024, 26(1): 1-16.[7] Ren S*, Wu S, Weng Q. Physics-informed machine learning methods for biomass gasification modeling by considering monotonic relationships[J]. Bioresource Technology, 2023, 369: 128472.[8] Ren S*, Jin Y, Zhao J, et al. Nonlinear process monitoring based on generic reconstruction-based auto-associative neural network[J]. Journal of the Franklin Institute, 2023, 360(7): 5149-5170.[9] Fan W, Ren S*, Yu C, et al. A mixture of probabilistic predictable feature analysis for multi-mode dynamic process monitoring[J]. Journal of the Taiwan Institute of Chemical Engineers, 2023, 143: 104635.[10] Ren S*, Si F, Cao Y. Development of Input Training Neural Networks for Multiple Sensor Fault Isolation[J]. IEEE Sensors Journal, 2022, 22(15): 14997-15009.[11] Wang P, Ren S*, Wang Y, et al. Quality-related nonlinear process monitoring of power plant by a novel hybrid model based on variational autoencoder[J]. Control Engineering Practice, 2022, 129: 105359.[12] Fan W, Zhu Q*, Ren S*, et al. Multivariate temporal process monitoring with graph‐based predictable feature analysis[J]. The Canadian Journal of Chemical Engineering, 2023, 101(2): 909-924.[13] Fan W, Zhu Q*, Ren S*, L Zhang, F Si. Robust probabilistic predictable feature analysis and its application for dynamic process monitoring[J]. Journal of Process Control, 2022, 112: 21-35.[14] Fan W, Zhu Q*, Ren S*, L Zhang, F Si. Dynamic probabilistic predictable feature analysis for multivariate temporal process monitoring[J]. IEEE Transactions on Control Systems Technology, 2022, 30(6): 2573-2584.[15] Ren S, Si F*, Zhou J, Z Qiao, Y Cheng. A new reconstruction-based auto-associative neural network for fault diagnosis in nonlinear systems[J]. Chemometrics and Intelligent Laboratory Systems, 2018, 172: 118-128.[16] Ren S, Si F*, Gu H. Multiple sensor validation for natural gas combined cycle power plants based on robust input training neural networks[J]. Journal of Chemical Engineering of Japan, 2017, 50(3): 186-194.[17] Ren S*, Charles J, Wang X C, et al. Corrosion testing of metals in contact with calcium chloride hexahydrate used for thermal energy storage[J]. Materials and Corrosion, 2017, 68(10): 1046-1056.

专利申请

[1] 任少君，金寅峰，司风琪，一种基于FastRB的高维复杂工业过程故障诊断方法，发明专利，申请号：CN202310716756.5[2] 任少君，黎璠，司风琪，基于动态数据协调的工业过程系统数据在线协调方法，发明专利，申请号：CN202310695683.6[3] 王亚欧，任少君，杨小龙等，基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法，发明专利，申请号：CN202210585368.3[4] 王亚欧，任少君，耿察民，基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，发明专利，专利号：CN201911150477.7（已授权）[5] 曹越，赵永祥，任少君，等，一种基于归一化误差积分的加热器水位控制品质评估方法，发明专利，申请号：CN111911907B（已授权）[6] 曹越，陈祎璠，任少君，等，用于机组灵活调峰的高压加热器水位模糊控制机构及方法，发明专利，申请号：CN202010554704.9[7] 司风琪，赵佳璐，任少君，重构PCA算法中主元个数的选择方法，发明专利，专利号：CN202110709909.4（已授权）[8] 司风琪，代雨辰，任少君，谢嘉辉，一种基于加权概率神经网络的故障分类方法，发明专利，申请号：CN115017978B（已授权）[9] 任少君，黄志军，司风琪，一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法，发明专利，专利号：CN104142680A（已授权）[10] 江晓明，司风琪，任少君，等，一种基于海量运行数据的在线故障诊断方法，发明专利，专利号：CN201610551765.3（已授权）[11] 司风琪，何康，任少君，一种基于并行GMM-LCKSVD的高压加热器在线监测方法，发明专利，专利号：CN115130564B（已授权）[12] 耿察民，管诗骈，王亚欧，任少君，等，计及煤种和环境参数修正的燃煤锅炉最低深调负荷评估方法，发明专利，专利号： CN112163383B（已授权）[13] 王力光，司风琪，马利君，任少君，等，一种WFGD自适应在线优化调度方法，发明专利，专利号：CN112365065B（已授权）[14] 司风琪，丁伟，姚学忠，王铁民，马利君，任少君，基于有序聚类离散化的脱硫系统SO2出口浓度预测方法，发明专利，专利号：CN109948869B（已授权）

荣誉奖励

[1] 2022年度东南大学青年教师授课竞赛三等奖；[2] 2023年度江苏省电机工程学会科学技术奖一等奖；[3] 2023年度中国电力发展促进会的科学技术奖一等奖；[4] 2022年度中电联电力科技创新奖二等奖，2项；[5] 2022年度中国能源研究会能源创新奖三等奖；[6] 2017年度中电联电力科技创新奖一等奖；[7] 2014年度中电联电力科技创新奖一等奖。

指导学生

本科生：指导8位本科生完成毕业设计，其中1位同学获2020届东南大学本科优秀毕业生。指导东南大学本科生优秀毕业设计(论文)团队1项。硕士研究生（副导师）：卫子涵，《基于机器学习的凝汽器系统设备故障诊断方法研究》，2024；刘维，《火电机组动态过程经济性诊断方法研究》，2024；李清扬，《基于时空冗余的机组全工况动态实时数据协调技术研究》，2024；邓志平，《基于机器学习的生物质气化产物预测和优化调控方法研究》，2024；朱笔文，《电站锅炉高温过热器壁温监测及预警方法的研究与应用》，2024金寅峰，《面向多模态热工过程的数据驱动建模及故障诊断方法研究》，2023；黎璠，《锅炉给水系统健康状态评估与故障预测研究》，2023；何康，《基于字典学习的热工过程建模及诊断方法研究》，2022；赵佳璐，《基于可靠性分析的电站辅助设备状态评价与维修决策研究》，2022；代雨辰，《基于机器学习的凝汽器设备故障分类方法研究》，2022；陈家乐，《基于深度学习的热工过程建模及诊断方法研究》，2021；熊志强，《热工过程数据校正与显著性误差诊断方法研究》，2020；王涛，《基于过程数据的脱硫系统运行特性及优化方法研究》，2020；肖晋飞，《基于人工神经网络的热工过程建模方法研究及应用》，2020；胡忠旭，《基于多元统计分析的火电机组状态监测和诊断方法研究》，2020。