In this paper, three control methods—iterative learning control (ILC), repetitive control (RC), and run-to-run control (R2R)—are studied and compared. Some mathematical transformations allow ILC, RC, and R2R to be described in a uniform framework that highlights their similarities. These methods, which play an important role in controlling repetitive processes and run-based processes, are collectively referred to as learning-type control in this paper. According to the classification adopted in this paper, learning-type control has two classes—direct form and indirect form. The main ideas and designing procedures for these two patterns are introduced, separately. Approximately 400 papers related to learning-type control are categorized. Statistical analysis of the resulting data reveals some promising fields for learning-type control. Finally, a flowchart based on the unique features of the different methods is presented as a guideline for choosing an appropriate learning-type control for different problems.

Abstract Multivariate statistical process monitoring (MSPM) methods are significant for improving production efficiency and enhancing safety. However, to the authors’ best knowledge, there is no survey paper providing statistics of published papers over the past decade. In this paper, several issues related to MSPM methods are reviewed and studied. First, the annual publication numbers of journal articles concerning MSPM are provided to show the active development of this important research field and to point out several promising directions in the future. Second, the annual numbers of patents are also shown to demonstrate the practicality of different MSPM methods. Particularly, this paper also lists and analyzes the number of MSPM‐related publications in China. The statistics indicate that Chinese researchers and engineers may have different viewpoints from those of other countries, which results in different development trends of MSPM in China.

Cancer immunotherapy holds great promise in improving therapeutic outcomes. However, its effectiveness is significantly hindered by the inadequate immunogenicity and potent immuno-suppressive nature of the tumor microenvironment (TME). Herein, we elaborately design an advanced iron-cobalt dual-single-atom nanozyme (FeCo-DA) with adjacent Fe-N/O-C and Co-N/O-C pair sites. This design aims to induce potent immunogenic cell death (ICD), ultimately enhancing cancer immunotherapy by activating the immune microenvironment. Compared to Fe and Co single-atom nanozyme, FeCo-DA demonstrated superior photothermal effects and cascaded catalytic performance by simultaneously mimicking peroxidase (POD), catalase (CAT), and glutathione oxidase (GSH-OXD). The cascaded catalysis not only augmented oxidative stress but also exacerbated the redox imbalance through sustainable generation of hydroxyl radicals (∙OH) and depletion of glutathione (GSH). The comprehensive in vitro and vivo experiments demonstrated that FeCo-DA effectively induced immunogenic cell death (ICD) by releasing damage-associated molecular patterns (DAMPs). The photothermal-enhanced cascaded catalytic therapy exhibited remarkable therapeutic effects on a mouse model of pancreatic cancer. This work highlights the potential of structure engineering in enhancing the efficacy of dual single-atom nanozyme for ICD-based cancer immunotherapy.

With the increasing complexity of industrial systems, modeling and intelligent diagnosis of high-dimensional industrial data have become increasingly challenging. To address this issue, this study proposes an optimal sparse principal component analysis (OSPCA) method with a varying regularization coefficient. The lower bound of the sparse regularization coefficient for achieving optimal feature selection is given, and theoretical proof is provided. Subsequently, an iterative optimization algorithm with a varying regularization coefficient is proposed for model optimization. The proposed OSPCA are applied to unsupervised fault clustering and dynamic industrial process monitoring, and the experimental results show the excellent performance of OSPCA in the fault diagnosis tasks.