✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Industrial Informatics期刊2026年issue1推送（第5期/共5期）。本期推送共包含11篇研究论文简介，内容聚焦于工业信息学前沿，主要研究领域涵盖：无人机集群协同优化与应急响应、工业过程监控与持续学习、异构边缘计算与联邦学习优化、后量子密码GPU加速、点云分割的无源域自适应、多智能体系统安全编队控制、USV集群姿态估计、智能电网安全状态估计、以及面向不平衡漂移数据流的在线学习与风电数据安全填补。这些研究共同致力于提升工业系统的智能化、安全性、可靠性与协同效率。总体而言，本期研究在理论与工程实践之间搭建了更紧密的桥梁，为工业系统的弹性化与智能化提供了可落地的技术路线与评估依据。
本期目录
📖 第1篇：优化无人机集群用于灾后工业区的应急响应
📖 第2篇：面向多模态过程监控的正交解耦持续字典学习方法
📖 第3篇：异构边缘计算环境中拆分联邦学习的性能优化
📖 第4篇：RIGHT：面向高吞吐量密码加速的GPU优化并行PQC HAETAE算法
📖 第5篇：SdaPS*：一种用于点云基元分割的新型无源域自适应方法
📖 第6篇：多智能体系统安全动态事件触发编队跟踪控制
📖 第7篇：基于平滑边界层迭代CKF及其在协同无人艇集群姿态估计中的应用
📖 第8篇：混合网络攻击下智能电网状态估计：攻击隐蔽性与估计器稳定性分析
📖 第9篇：面向具有输入时延和稀疏传感器攻击的信息物理系统的静态输出反馈控制
📖 第10篇：面向不平衡漂移数据流回归的不确定性驱动在线深度集成框架
📖 第11篇：ZTFed-MAS2S：零信任联邦学习用于风电数据填补
📖 第1篇
📌 优化无人机集群用于灾后工业区的应急响应
Optimizing UAV Flocks for Emergency Response in Post-Disaster Industrial Zones
作者：Haishi Liu，Yung Po Tsang，Carman K. M. Lee，Chun Ho Wu，K. L. Yung
本文面向灾后化工工业区的自主搜救任务，明确在复杂、有毒与不稳定环境下人工搜索的高风险与低效率问题，提出完整的任务输入输出与协同框架。研究采用了两阶段优化模型，第一阶段将检测点分配建模为带容量约束的车辆路径问题以实现搜索点的公平分配与负载均衡，第二阶段则在考虑机载传感器特性与平台性能约束下迭代生成检测点集合，严格纳入机载雷达生命探测器的探测角度与距离限制以及无人机的飞行速度、倾斜角与电池续航等物理约束。整体系统以最大化搜救成功率与最小化总体操作时间为目标，与现有基于单一路径规划或贪心分配的方法明显不同，强调了搜索点与轨迹的耦合优化与多无人机协作的信息流设计。
实现上，研究提出了一套混合优化与路径规划流水线，先通过启发式与图搜索生成初始可行检测点集，再使用基于改进群体智能算法（融合鲸鱼优化与多元宇宙规则）在连续解空间中迭代优化检测点位置，A*用于个体路径细化。关键实现包括并行化的检测点更新、基于能耗与时间的多目标代价函数、以及用于避免局部最优的椭圆波搜索策略。训练/仿真流程中采用场景级蒙特卡洛评估以估计鲁棒性，损失函数由搜救成功率负项与总能耗正项组成，优化器为定制的群体智能调度器，部署时强调了边缘计算并行调度与无人机间的低频协同通信以保证实时性。
实验在两个三维化学工业区场景中进行详细仿真，并与A*、RRT、差分进化等七种常用方法比较。主要指标显示：该方法使平均搜救效率提升90.80%；30次独立测试中平均搜救成功率达96.67%；单架无人机平均操作时间在场景1下降范围为2.42%–44.75%，在场景2平均能效提升115.05%。基于这些结果，研究总结出工程化建议：在复杂工业灾害中应采用联合的检测点分配与轨迹迭代优化策略以获得更高的覆盖率与能效，并指出该方法适用于具有明确传感器探测模型与通信保障的无人机编队系统。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11182160
📖 第2篇
📌 面向多模态过程监控的正交解耦持续字典学习方法
Orthogonal Decoupled Continual Dictionary Learning for Multimode Process Monitoring
作者：Keke Huang，Zhongyu Zhang，Dehao Wu，Chunhua Yang，Weihua Gui
本文解决工业过程监控中频繁出现的新旧运行模式切换导致的灾难性遗忘问题，提出一套面向多模态过程的字典学习框架。整体框架将字典表示空间进行结构化分解，定义了用于保存历史表征的稳定性子空间与用于学习新模式的可塑性子空间，并通过正交投影对两部分进行解耦，从而在更新时防止新知识破坏旧知识表示。输入为多维工艺传感器时序特征，输出为各模式的稀疏表示与监控告警，关键在于以字典为中心建立持续学习流程与在线更新规则，与传统一体化字典或简单记忆回放等方法区别在于对表示空间的显式结构化保护与自适应松紧约束策略。
实现细节上，ODCDL采用基于正交投影的字典更新机制，更新步骤中将调整方向约束在编码矩阵的正交补空间以避免破坏已有原型；引入动态约束策略（对稳定子空间施加强约束、对可塑性子空间施加弱约束）并以数据驱动的方法自适应确定投影算子与约束强度。训练过程包含重构误差项、稀疏化正则项与投影一致性罚项等复合损失；优化器为交替最小二乘与子空间投影交叉迭代，考虑在线更新的时间复杂度与存储开销，设计了轻量的增量更新规则以便在工业现场边缘设备上部署。为提高鲁棒性，还引入了基于统计检验的更新阈值以抵御噪声样本。
在包含六种运行模式的仿真数据与锌冶炼焙烧真实案例中进行了评估。结果显示ODCDL平均监控精度达到98.42%，在与JMSDL与EaLDL的对比中呈现显著优势；在实际焙烧过程场景中成功识别了包括高效运行、过分解、欠氧化等模式，保持了对历史模式的监控能力同时对新模式实现快速适配。消融实验表明，去除稳定/可塑子空间的解耦或禁用动态约束均会导致精度下降与适应速度变慢。工程结论是：在多模态工业过程监控中，应优先采用结构化表示与自适应保护机制以兼顾稳定性与可塑性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11195961
📖 第3篇
📌 异构边缘计算环境中拆分联邦学习的性能优化
Performance Optimization of Split Federated Learning in Heterogeneous Edge Computing Environments
作者：Junyan Hu，Yuansheng Liang，Yanping Chen，Gang Liu，Weiwei Chen，Lixin Duan
本文针对边缘部署场景中客户端计算能力差异带来的联邦训练瓶颈，提出了一个名为异构拆分联邦学习（HSFL）的框架。系统框架以将深度模型在客户端与服务器间拆分为核心思想，输入为分布在多客户端的训练数据与设备资源描述，输出为联合训练得到的全局模型或局部拆分模型权重。文章明确提出了个性化拆分点选择、服务器资源按比例分配与允许强设备训练全模型三大机制，以解决传统SFL采用统一拆分点而忽视设备异构性与服务器资源利用低效的问题，从而减少同步等待并提升总体训练效率。
技术实现包括基于设备能力与通信带宽的能力感知模型拆分策略、在服务器端进行按比例资源配置与引入全模型训练机制（允许高算力客户端跳过拆分）。为求解联合优化的拆分点、批次大小与服务器资源分配，论文提出了交替迭代调度算法，结合二分消除法与资源感知代价函数进行近似求解。训练过程兼顾通信开销与计算延迟，评价指标包括每轮时延、总训练时间与模型精度，且在实现上支持异步触发以减少等待。
在CIFAR-10与Tiny-ImageNet上进行实验验证，结果显示HSFL在不同数据分布与设备异构场景下均优于SFL、AdaptSFL与ESFL。关键数值指标包括训练时间减少范围为3.9%–32.2%，在相同精度下系统吞吐提升明显；理论上论文还推导了HSFL的收敛边界以证明其可行性。工程结论建议在高度异构的边缘环境中采用能力感知拆分与动态服务器资源分配以兼顾效率与隐私保护。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192093
📖 第4篇
📌 RIGHT：面向高吞吐量密码加速的GPU优化并行PQC HAETAE算法
RIGHT: GPU-Optimized Parallel PQC HAETAE for High-Throughput Cryptographic Acceleration
作者：Wen Wu，Jiankuo Dong，Yuze Hou，Mengke Liu，Lunjie Li，Zhenjiang Dong
本文面向工业物联网（IIoT）在后量子时代的认证与数据完整性需求，提出了一种对HAETAE签名算法在GPU上进行吞吐量优化的实现方案RIGHT。研究明确了目标场景（高并发设备认证、边缘验证服务）以及关键约束（嵌入式平台算力与带宽限制），并以HAETAE算法为载体展开优化工作，设计目标为在保证PQC安全等级的前提下最大化签名与验证吞吐量，减少边缘设备验证延迟并适配IIoT网络的数据报传输。
实现方面，文章提出了对NTT/INTT与FFT运算的分层数据局部性优化，通过调整计算顺序与内存访问模式提升缓存命中率；对SHAKE256做了基于CUDA PTX指令级优化；采用粗粒度并行策略使每个GPU线程独立完成完整的密钥生成/签名/验证以避免同步开销。关键实现要点包括对内核融合、内存复用的工程化优化与嵌入式平台上的能耗/吞吐折中配置。实现结果兼顾嵌入式（Jetson Xavier）与高性能（RTX 4090）两类目标设备。
性能评估显示：在Jetson Xavier上签名与验证性能相较于i7-10700K分别达到约1.25×、1.09×、1.31×（不同配置），验证吞吐提升达约4×；在RTX 4090上，签名吞吐量达155,324次/秒，验证吞吐量达4,276,075次/秒。论文强调在IIoT场景中采用GPU加速的可行性與经济性，指出RIGHT在大规模并行验证任务中具有明显优势，适合用于边缘集中验证服务或云端大规模设备认证。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11195949
📖 第5篇
📌 SdaPS*：一种用于点云基元分割的新型无源域自适应方法
SdaPS*: A Novel Source-Free Domain Adaption Method for Point Cloud Primitive Segmentation
作者：Shaohu Wang，Yuchuang Tong，Rongtao Xu，Zhengtao Zhang
针对工业检测与智能制造场景中点云数据集间存在显著域偏移与隐私不能共享的现实问题，本文提出了SdaPS*，一种无源域自适应（source-free）方法用于点云基元分割。系统输入为源域预训练模型与目标域未标注点云，输出为目标域的语义与实例级基元分割结果。框架遵循自训练范式，通过多重置信度引导（变换一致性、任务置信度、几何显著性）生成并净化伪标签，逐步调整模型以适应目标域几何特性，从而在不访问源域数据的前提下实现域迁移。
方法实现包含几个关键模块：基于变换一致性投票生成初始伪标签；采用分层标签重分配与动态原型分布匹配减少伪标签噪声；利用标签图聚合与几何显著性提高中间置信度点的标签质量。训练过程中引入特征一致性损失与语义感知的实例关系更新以耦合语义与实例信息，优化器与数据增强机制针对点云特性定制以提高鲁棒性，最终形成可在真实噪声点云上稳定推理的自训练流程。
实验在跨结构、仿真到真实与跨场景任务中验证，结果显示SdaPS*在语义分割与实例分割指标上均优于对比方法，在真实采集具噪声与形变的点云中表现出良好鲁棒性。具体数值方面，SdaPS*在若干跨域任务上使mIoU与F1分别提升了显著百分比（论文中报告的平均提升均超出基线），工程结论是：在工业点云检测与视点规划管线中采用无源域适应可以在保护数据隐私的同时显著提升模型在新场景的适用性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184737
📖 第6篇
📌 多智能体系统安全动态事件触发编队跟踪控制
Secure Dynamic Event-Triggered Formation Tracking Control for Multiagent Systems
作者：Hao Wang，Jinjun Shan
本文研究资源受限与不可靠通信环境下的多智能体（领导-跟随）安全编队控制问题，提出一种分布式的分布式滑模观测器（SMO）结合动态事件触发的控制方案。问题输入为每个智能体的本地测量（可能有噪声）与邻居通信信息，输出为保证编队跟踪误差有界的分布式控制律。研究同时建模了测量噪声、外部扰动以及随机欺骗攻击（包含“一对多”和“一对一”两类更现实的攻击模型），在此更严苛假设下设计安全控制协议。
方法实现的核心包括用于状态估计的滑模观测器、基于观测器状态的动态辅助变量触发机制以动态调整触发阈值，和面向欺骗攻击的检测/隔离机制。理论上通过构造李雅普诺夫函数与线性矩阵不等式证明系统稳定性并避免Zeno行为，工程实现上采用基于事件驱动的通信策略以显著降低通信频率，并在四旋翼硬件平台上验证控制器可实现实时运行。
实验结果表明，提出的动态事件触发方案在保持相近或更优跟踪性能的同时，将平均触发次数减少约72%，在不同强度扰动与欺骗攻击下仍能保证有界编队跟踪误差并展现较强鲁棒性。工程结论建议对于资源受限的无人机编队或车队协同场景，优先采用动态事件触发与分布式观测器相结合的方案以提升通信与计算效率并增强抗攻击能力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192096
📖 第7篇
📌 基于平滑边界层迭代CKF及其在协同无人艇集群姿态估计中的应用
Smoothing Boundary Layer-Based Iterative CKF and Its Application to Attitude Estimation in Cooperative USV Swarms
作者：Chunfeng Shi，Xiyuan Chen，Xuyang Jiang，Yulu Zhong
本文关注海洋环境下USV集群的协同导航与姿态估计问题，提出了一种基于最大后验的迭代容积卡尔曼滤波器（迭代CKF）扩展方法，通过引入时空维度平滑边界层（SBL）来评估测量质量并动态调整迭代行为。输入为各艇的GNSS/IMU等异步观测，输出为集群内每艇的高精度姿态估计。研究目标是提升在风浪、多径干扰及局部测量污染情况下的估计稳定性与精度。
实现上，算法引入滑动窗口机制以自适应控制时间跨度和迭代次数，采用SBL假设检验计算全维度权重矩阵并在线校正被污染的辅助测量，结合协同测量提升单体估计鲁棒性。自适应迭代策略在保证收敛性的同时通过权重调整减少不良观测的影响，算法在复杂非线性条件下仍能维持有效的下降方向，适合实时嵌入式部署并支持协同信息融合。
仿真与湖上试验结果显示，SSAICKF在航向角估计上可达约1.09°精度，在存在GNSS跳变及多径干扰的场景优于标准CKF、迭代CKF和Sage-Husa自适应CKF。该方法在工程应用中的意义是能显著提升USV集群在复杂海况下的导航可靠性，并为协同任务（如联合测量、搜索与救援）提供稳健的姿态估计基础。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200006
📖 第8篇
📌 混合网络攻击下智能电网状态估计：攻击隐蔽性与估计器稳定性分析
State Estimation for Smart Grid Under Hybrid Cyberattacks: Analysis of Attack Stealthiness and Estimator Stability
作者：Qinhao Wu，Hong Lin，Xiaoshan Ma，Chenxiao Cai
本文针对智能电网作为信息物理系统在遭遇同时发生的拒绝服务（DoS）与虚假数据注入（FDI）混合攻击时状态估计面临的挑战，建立了含混合攻击的系统模型并探讨攻击的隐蔽性与估计器的稳定性。研究目标是设计在计算复杂度可接受范围内的近似最优估计器，并从理论上分析在混合攻击下估计误差的界限与长期稳定性，输入为带有潜在攻击信号的测量向量，输出为受保护的状态估计与误差协方差界定。
在估计器设计上，论文提出了近似最优状态估计器（AOSE），其关键思想是将指数增长的高斯混合分布合并为单一高斯密度以降低在线计算开销，并提供了相应的实现细节與近似误差分析。针对攻击隐蔽性，理论证明了在稳定系统下不可观测的混合DoS与FDI攻击从均值意义上是隐蔽的，即传统检测难以完全揭示其影响；在稳定性分析中，证明了AOSE在适当初始条件下具有有界估计误差协方差。
仿真以三发电机六母线系统为例验证方法有效性，结果显示AOSE在估计精度上超越最优线性估计器与广义伪贝叶斯估计器，并具备理论上保证的稳定性条件。论文结论提示，在面临复杂混合网络攻击时，工程上需要结合近似最优估计方法与额外的检测/可观测性增强手段以提升电网态势感知的鲁棒性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184395
📖 第9篇
📌 面向具有输入时延和稀疏传感器攻击的信息物理系统的静态输出反馈控制
Static Output Feedback Control for CPSs With Input Delay and Sparse Sensor Attacks
作者：Man Zhang，Chong Lin，Bing Chen
本文研究网络化信息物理系统在同时存在时变输入时延与稀疏传感器攻击（即攻击者仅篡改部分传感器通道）情形下的控制问题。为此构建了增广系统模型并提出一类基于投影算子的类Luenberger观测器用于同时估计系统状态与攻击信号，最终设计静态输出反馈控制律以直接补偿估计到的攻击成分。问题输入为受攻击与时延影响的传感器输出，目标输出为保证闭环系统的Lyapunov稳定性。
技术实现细节包括构造基于投影算子的观测器用于攻击估计、设计静态输出反馈控制律直接利用观测器估计结果并避免状态估计滞后的负面影响；理论方面通过构造Lyapunov-Krasovskii泛函证明闭环稳定性与观测误差收敛性。为便于工程实施，文章还提出了一种基于锥补线性化的离线求解流程同时计算观测器与控制器增益以降低在线计算负担。
仿真以无人车直线运动模型为例验证方法有效性，结果表明在较大幅度传感器攻击与较长输入时延条件下，所提方案仍能保证较小的估计误差並维持闭环稳定，且对比部分现有方法在控制性能上具有优势。工程结论是：对于存在稀疏传感器攻击与时延的CPS系统，优先考虑基于攻击估计的静态输出反馈设计可显著提升系统安全性与鲁棒性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11182293
📖 第10篇
📌 面向不平衡漂移数据流回归的不确定性驱动在线深度集成框架
Uncertainty-Driven Online Deep Ensemble for Imbalanced Drifting Data Stream Regression
作者：Yan-Hui Lin，Lin Qi
针对工业监控与设备健康评估中常见的数据流场景（概念漂移与目标分布不平衡并存），本文提出了不确定性驱动在线深度集成框架（UODEF）。框架采用深度集成学习器（以LSTM为基学习器）对流数据执行回归预测，并为每次预测量化总不确定性，进而将不确定性分解为认知不确定性（模型知识不足）与偶然不确定性（数据噪声）。以认知不确定性作为漂移检测信号，提出了EUDD漂移检测方法以区分轻微漂移（触发重训练）与严重漂移（触发模型重置）。
在实现细节上，UODEF在检测到漂移后不会简单丢弃历史知识，而是基于核标签密度检索与重用与当前概念最相关的历史样本以加速适应；针对不平衡问题提出不确定性驱动的自适应过采样，其阈值通过最大化数据集总不确定性自适应确定，从而动态聚焦对预测最关键的稀有样本。训练使用小批量在线更新，正则化与集成裁剪用于控制复杂度并提升泛化能力。
在柴油加氢精制工艺与家庭电耗数据集上的实验表明，UODEF在预测精度与从漂移中恢复速度上均优于近期方法，特别在循环漂移场景下优势明显。关键实验数值包括在若干工况下显著降低的RMSE与更快的概念恢复速度（论文中给出详细百分比改进），消融实验证明认知不确定性驱动的漂移检测与自适应过采样均为性能提升的核心组件。工程建议是在工业物联网流式预测系统中优先采用不确定性驱动机制以获得更稳健的在线性能。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192170
📖 第11篇
📌 ZTFed-MAS2S：一种融合可验证隐私与信任感知聚合的零信任联邦学习框架，用于风电数据填补
ZTFed-MAS2S: A Zero-Trust Federated Learning Framework With Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation
作者：Yang Li，Hanjie Wang，Yuanzheng Li，Jiazheng Li，Zhaoyang Dong
面向风电场传感器缺失与边缘站点通信不稳定的现实问题，本文提出ZTFed-MAS2S，一个嵌入零信任理念的联邦学习框架，集成了可验证差分隐私（DP）與非交互式零知识证明（NIZK）以确保参数交换的隐私可验证性，同时通过动态信任感知聚合机制增强抗异常更新能力。框架输入为各风电场本地序列观测（含缺失），输出为高质量的填补结果与联邦模型参数，适配开放工业环境中不可信参与者的场景。
核心实现包括基于多头注意力的MAS2S序列到序列填补模型以捕捉长期依赖，DP-NIZK+CIV机制用于在不泄露原始数据的前提下验证参数隐私性與完整性；为降低通信成本采用稀疏化與量化压缩，并在聚合阶段通过在相似性图上传播与更新信任度实现动态信任感知聚合以抵御异常客户端。为模拟真实缺失模式，论文提出了混合掩码策略同时控制离散与连续缺失。
在NREL真实风电场数据上实验结果表明：DP-NIZK+CIV机制在保证可验证隐私下相比同态加密与阈值秘密共享降低通信开销至少61.17%與50.13%；在存在50%异常客户端时，信任感知聚合使RMSE比MultiKrum和修剪均值分别降低约17.02%與28.21%；即使在极端90%缺失率下，平均绝对误差、RMSE与MAPE分别较次优方法提升了约30.54%、42.28%和18.86%。综上，ZTFed-MAS2S为开放工业环境下的安全联邦填补提供了切实可行且高效的方案。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192060
点击关注 获取更多精彩