✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Industrial Informatics期刊2025年issue10最新研究精选（第4期/共7期）。本期推送共包含11篇研究论文，聚焦于智能系统控制与优化、工业异常检测与故障诊断、跨模态信息处理以及安全可信机器学习等前沿方向，涵盖了多智能体协同控制、神经网络创新架构、工业视觉检测、结构健康监测、加密流量分析、机器人精密控制等关键技术领域。
本期目录
📖 第1篇：基于拉盖尔函数的多智能体系统目标拦截模型预测控制：一种利用李雅普诺夫函数的自触发方法
📖 第2篇：柯尔莫哥洛夫卷积网络：岸桥小车机构故障诊断的知识表示与推理
📖 第3篇：基于允许非凸抗噪神经网络的全向移动机械臂重复运动无关节漂移方案
📖 第4篇：基于改进PCA重构和熵相关性的无监督异常检测在非受控结构健康监测中的应用
📖 第5篇：工业控制系统加密流量的频域异常检测
📖 第6篇：基于跨模态信息融合的自由尺度2D-3D区域检索
📖 第7篇：面向显著钢材表面缺陷检测的SAM少样本参数高效微调方法
📖 第8篇：基于惯性传感器的特征引导零样本手写验证学习
📖 第9篇：基于SAM的矿业图像特征提取：浮选泡沫案例研究
📖 第10篇：基于鲁棒QFT控制方法提升太阳能炉性能
📖 第11篇：基于区块链的去中心化联邦学习在跨企业建模中的反抄袭机制增强
📖 第1篇
📌 基于拉盖尔函数的多智能体系统目标拦截模型预测控制：一种利用李雅普诺夫函数的自触发方法
Laguerre Function-Based MPC for Target Interception of Multiagent Systems: A Self-Triggered Approach Using Lyapunov Function
作者：Sera Mathew, Sreenath B., Mija S. J., Jeevamma Jacob
多智能体系统的目标拦截控制是当前研究的热点问题，在卫星编队、搜索救援和军事系统等领域具有重要应用价值。本文针对多智能体系统在目标拦截过程中的编队控制难题，提出了基于拉盖尔函数的模型预测控制方法，并采用自触发机制来优化系统性能。 该方法显著降低了计算复杂度，实现了控制和通信负载的双重优化。
研究团队创新性地引入了虚拟领导者-跟随者策略，利用无迹卡尔曼滤波器估计目标位置，并采用人工势场法规划无障碍路径，确保目标被准确拦截。该策略结合了拉盖尔函数参数化增量控制，将优化问题的维度从传统预测时域Lc显著降低到L1，大幅减少了计算负担。
另一个关键贡献是提出了基于李雅普诺夫稳定准则的自触发条件，允许智能体自主确定触发时刻，无需持续监测，减少通信频率。理论分析及仿真实验验证了方法的渐近稳定性及系统收敛性。在五智能体仿真实验中，控制更新次数和通信频率最高减少了78%，同时保持了高精度跟踪和编队性能，验证了该方法的实用性。未来工作将聚焦于更高效的触发机制和复杂动态环境的应用扩展。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11049809
📖 第2篇
📌 柯尔莫哥洛夫卷积网络：岸桥小车机构故障诊断的知识表示与推理
Kolmogorov Convolution Network: Knowledge Representation and Reasoning for Fault Diagnosis of Trolley Mechanism on Ship-to-Shore Cranes
作者：Xiaoqiang Liao, Xinguo Ming, Min Xia
针对岸桥小车机构故障诊断过程中深度神经网络的黑盒问题，本文提出了柯尔莫哥洛夫卷积网络（KCN），该方法结合神经符号集成，实现了卷积操作的可视化及基于IF-THEN形式的语义推理。创新点包括采用可训练激活函数的柯尔莫哥洛夫卷积，非线性特征以多个单变量函数组合表示，极大提升了模型的表达能力。
本文还设计了新的分类规则格式，为故障特征与标签之间的非线性逻辑关系提供透明解释。采用Levenberg-Marquardt优化算法，提升了模型计算效率37%。该框架在岸桥试验台上实现了98.3%准确率，超越传统诊断方法，为优化先验知识和规则系统贡献了新思路。
实验证明，KCN可准确可视化卷积层以及分类逻辑，且其提取的关系知识与领域专家知识高度相似，显示出强大的实用价值和解释性优势。该方法为工业故障诊断提供了高精度且可解释的方案，推动了神经符号技术在实际工业中的落地。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11078361
📖 第3篇
📌 基于允许非凸抗噪神经网络的全向移动机械臂重复运动无关节漂移方案
Joint Drift-Free Scheme Aided With Allowed Nonconvex Noise-Resistant Neural Networks for Repetitive Motion of Omnidirectional Mobile Manipulator
作者：Shijun Tang, Zhongbo Sun, Yunfeng Hu, Xun Gong, Chao Cheng, Long Jin
本文聚焦全向移动机械臂（OMM）高精度重复运动中的关节漂移与位置误差问题，提出了结合位置误差反馈的无关节漂移重复运动规划方案（JDF-RMPPEF），通过正交投影矩阵解耦误差，确保零关节漂移的同时实现位置误差指数收敛。
针对噪声干扰对控制精度的影响，设计了允许非凸激活函数的抗噪神经网络模型（ANNRNN），利用椭圆非凸函数自适应调节误差变化率，保证了系统的全局收敛性和强鲁棒性。仿真中，位置误差达到10^-8米量级，精度较传统方法提高四个数量级。
实验验证于四轮全向移动机械臂平台进行，负载0.18kg及0.32kg下均实现精确轨迹跟踪。位移误差低于0.2毫米，对比显示方案在抗干扰与精度上全面优于传统神经网络方法。该研究为移动机械臂高精度控制提供了新框架，具备广阔工业应用前景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11079244
📖 第4篇
📌 基于改进PCA重构和熵相关性的无监督异常检测在非受控结构健康监测中的应用
Improved PCA Reconstruction-Based Unsupervised Anomaly Detection in Uncontrolled Structural Health Monitoring With Correntropy
作者：Kang Yang, Zhenhan Lin, Zekun Yang, Zhihui Tian, Jie Ma, José C. Príncipe, Joel B. Harley
结构健康监测中基于导波的异常检测具备远程监控优势，但传统主成分分析（PCA）重构方法存在需要正常历史数据训练的半监督限制，难以有效识别训练数据内异常。本文创新提出了熵相关PCA方法（C-PCA），用熵相关矩阵替代传统相关矩阵，增强对导波样本统计依赖性的捕捉。
方法采用长短时重构框架，对信号在1天和80天窗口分别重构，通过差异识别异常。优化高斯核函数核宽度，显著降低损伤导波对主成分提取的干扰，实现了完全无监督的高效异常检测。
实验证明C-PCA在包含20%异常训练数据的环境下仍保持优异检测性能，极端条件下AUC评分稳定保持在0.8以上，优于传统PCA方法。该方法在无需损伤信息的情况下可自动确定最佳核宽度，极大提升了结构健康监测的可靠性与实用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11078390
📖 第5篇
📌 工业控制系统加密流量的频域异常检测
Frequency-Domain Anomaly Detection for Encrypted Traffic in Industrial Control Systems
作者：Zhangfa Wu, Huifang Li, Yi Hua, Nguyen H. Tran, Hongping Gan
本文针对工业控制系统（ICS）加密数据流量中的异常检测难题，提出了专门设计的频域异常检测框架FreAD，通过频域特征融合编码模块（F3EM）提取广泛时间依赖特征，有效解决了逐点映射范式下的表示瓶颈。
创新之处包括利用少量标记和改进Z-score生成伪标记以应对类别不平衡问题；在无监督训练中引入频域偏差先验模块（FDPM），缓解类间距离收缩，提升检测准确率。
在CTU13、IDS2018及DoHBrw-2020数据集上的评估中，FreAD平均AUC-ROC达0.999，AUC-PR达0.997，F1-score达0.991，分别较现有最优方法提升2%、4.9%和7.2%。该框架适合资源受限工业环境，提升了加密流量异常检测的效率与可靠性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11071951
📖 第6篇
📌 基于跨模态信息融合的自由尺度2D-3D区域检索
Free Scale 2D-3D Regional Retrieval Based on Cross Modal Information Fusion
作者：Zhou Wu, Yu Wang, Hongtuo Qi, Liang Feng, Jiepeng Liu
本文提出了一种全新的自由尺度跨模态区域检索方法，打破传统2D-3D跨模态检索固定尺度限制，实现了依据图像查询自由检索点云内的相关区域， 包括表面点和潜在遮挡点。
系统采用多视图训练范式和自编码器从单视图学习多视图融合特征，并将检索任务转化为图像中点分类，实现了全局自由检索，通过深度信息融合机制增强跨模态能力。
在SceneNN、S3DIS及ScanNet三大基准上的测试展示了优秀性能，遮挡点召回率均超0.80，整体F1分数最高82.90，显著优于传统基于点云块的检索。该研究为自动驾驶和工业检测中的精确空间定位提供了前沿技术。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11079298
📖 第7篇
📌 面向显著钢材表面缺陷检测的SAM少样本参数高效微调方法
Few-Shot Parameter Efficient Finetuning for SAM in Salient Steel Surface Deficit Detection
作者：Jiaojiao Su, Qiwu Luo, Weihua Gui, Chunhua Yang
针对钢材表面缺陷检测中，面对新环境缺陷的泛化难题，本文提出了参数高效的AdaptedSAM少样本微调框架，通过优化适配器的放置策略和特征交互机制，显著提升了模型在仅5个标注样本条件下的检测性能。
引入了跨Transformer层通信的高效全局优化器（EGO），以及自适应掩码解码器，用以动态分配适配器权重和增强掩码边界精度。实验验证了适配器位置对性能的关键影响。
在SD-saliency-900数据集上，AdaptedSAM在五样本配置下实现了领先的缺陷检测精度，超过12个前沿模型；同时在6个跨领域基准测试中彰显出卓越泛化能力，充分展现了少样本高效微调在工业检测的应用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11062120
📖 第8篇
📌 基于惯性传感器的特征引导零样本手写验证学习
Feature-Guided Zero-Shot Learning for Handwriting Verification Using Inertial Sensors
作者：Yifeng Wang, Jiangtao Xu, Yi Zhao
本文提出了基于惯性传感器的特征引导零样本学习框架（FGZSL），针对身份认证中传统方法的安全性与便利性不足，利用嵌入式惯性传感器实现无记忆负担的安全身份验证。
设计了目标聚焦器模块，基于梯度反转与信息瓶颈技术，滤除与内容相关信息，使模型专注身份特异性特征；并通过基于Rényi熵的表征正则化构建区分度特征，用于验证未见过书写者身份。
贡献首个基于惯性的身份检测数据集（IIDD），含3.98万训练样本及1万测试样本。实验显示，FGZSL在已知及未知类别身份验证中均优于现有方法，标志着惯性传感器在安全身份认证中的新突破。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11075728
📖 第9篇
📌 基于SAM的矿业图像特征提取：浮选泡沫案例研究
Feature Extraction for Mining Industry Image Based on SAM: A Case Study From Froth Flotation
作者：Runda Jia, Jinglong Wang, Jun Zheng, Jiahao Li, Dakuo He
针对浮选工艺中气泡图像特征提取难题，本文创新引入了基于SAM的特征提取方法，解决了传统方法在光照不均、噪声大和泡沫粘连等情况下的分割不准确与耗时问题。
通过融入LoRA低秩自适应微调和掩码提示生成器，显著提升了模型对复杂泡沫图像的建模能力，并基于实例分割提出了可靠的泡沫流速计算方法，无需额外深度模型和速度数据集。
构建了含三种矿物的1021张泡沫图像数据集，实验显示气泡尺寸分布相对误差仅8%，分割时间均值1.7秒，优于现有方法，特别在小气泡分割和亮点处理上表现卓越，为浮选工艺实时监控和优化提供了新工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11082383
📖 第10篇
📌 基于鲁棒QFT控制方法提升太阳能炉性能
Enhancing Solar Furnace Performance by a Robust QFT-Based Control Approach
作者：Ángeles Hoyo, José Carlos Moreno, José Luis Guzmán, Juan D. Gil, Manuel Berenguel
针对太阳能炉温度控制面临的非线性和不确定性，本文提出基于定量反馈理论（QFT）的鲁棒控制方法，解决光照扰动下温度波动对材料合成及热应力测试的影响。
方法设计了含PI控制器、前置滤波器和串联前馈的控制架构，使用非线性限制元件及抗饱和机制确保系统安全，能补偿多种参数不确定因素，提升鲁棒性能。
实验覆盖300-1100°C，闭环时间常数23.78±3.52秒，满足设计要求。与自适应PI和模型预测控制相比，QFT控制器展现更优鲁棒性和稳定性，特别适用于计算资源有限的实际工业场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045445
📖 第11篇
📌 基于区块链的去中心化联邦学习在跨企业建模中的反抄袭机制增强
Enhancing Antiplagiarism Measures in Blockchain-Based Decentralized Federated Learning for Cross-Enterprise Modeling
作者：Yumeng Shao, Jun Li, Kang Wei, Ming Ding, Feng Shu, Wen Chen
面对工业互联网中跨企业数据隐私与安全难题，本文提出了一种基于区块链的去中心化联邦学习（DFL）框架，重点解决企业模型抄袭行为检测与防范，保障系统公平与效率。
采用独特的伪噪声序列嵌入本地模型作为数字签名，通过计算模型互相关有效识别抄袭；设计了基于贡献度的模型聚合算法，动态调整权重提升学习效果；创新提出抄袭感知的工作量证明共识机制，惩罚抄袭行为。
在多个工业数据集测试中，该框架在抄袭率分别为20%、40%、60%情况下，实现准确率提升分别约为4%、7%、12%。该研究为安全协作学习提供创新方案，助力智能制造及物流领域的可信发展。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11053127
点击关注 获取更多精彩