✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Industrial Informatics期刊2026年issue2推送（第9期/共9期）。本期推送精选了9篇研究论文，内容覆盖物联网与智能通信（如电力物联网安全通信、网络流量预测）、智能控制与系统建模（如分布式参数系统建模、信息物理系统弹性控制、综合能源系统调度）、可再生能源与微电网（如风光储微电网同步控制）、深度强化学习、迁移学习以及计算机视觉与数据安全（如视角不变地点识别、工业云数据完整性验证、水下目标检测）等多个前沿交叉领域，展现了智能技术在工业与能源系统中的创新应用。本期文章聚焦方法创新与工程化验证，强调算法可部署性与在复杂工况下的鲁棒性，为科研与工程实践提供可参考的技术路线与性能指标。
本期目录
📖 第1篇：面向电力物联网的安全无人机辅助通信：低空智能网络中语义通信与中继的融合
📖 第2篇：面向分布式参数系统建模的时空迁移学习方法
📖 第3篇：面向物联网网络流量预测的频谱辅助流量分解与深度学习方法
📖 第4篇：基于斯塔克尔伯格博弈的非线性信息物理系统在虚假数据注入攻击下的弹性模型预测控制
📖 第5篇：基于TD3MPC的综合能源系统源-荷-价不确定性调度策略
📖 第6篇：具备抗扰增强功能的风电DFIG-SPV阵列-BES微电网防跳闸平滑同步控制
📖 第7篇：VI_MCPR：面向大规模环境的多相机驱动视角不变地点识别方法
📖 第8篇：VM-ORAM：面向工业云高效数据完整性验证的新型高性能ORAM架构
📖 第9篇：基于YSBE的多波束声呐目标检测与速度约束AUV控制：面向港口水下巡检
📖 第1篇
📌 面向电力物联网的安全无人机辅助通信：低空智能网络中语义通信与中继的融合
Secure UAV-Assisted Communication for the Power IoT: Integrating Semantic Communication and Relays in the Low-Altitude Intelligent Network
作者：Shuai Liu，Mengting Zheng，Honglin Du，Helin Yang
本文聚焦电力物联网在复杂地形与潜在窃听威胁下的无线通信安全与效率问题，提出了面向低空智能网络的无人机辅助通信系统设计与调度框架，覆盖感知侧到传输侧的端到端问题。系统接受来自电力终端设备的语义任务以及信道与位置信息，输出为无人机轨迹、信道分配与本地计算比例等执行策略。为解决频谱受限与冗余数据导致的效率瓶颈，作者提出了基于S-MA-TDU的联合优化与调度架构，并在框架中引入了两项核心创新：一是通过语义通信压缩传输替代传统比特流传输以降低带宽占用；二是采用轨迹与资源联合优化以在干扰-窃听环境中最大化保密语义速率与任务完成率。
在实现细节方面，论文针对连续控制（无人机轨迹）与离散决策（信道选择）设计了混合动作空间的学习策略。训练流程采用基于马尔可夫决策过程的多智能体深度强化学习，其中关键实现要点包括对连续动作应用的双延迟DDPG/TD3变体以稳定策略更新，以及对离散动作采用的多智能体DQN用于信道分配决策。训练时引入的损失项与约束包括语义传输准确性损失、保密速率正则项与能耗限制，优化器与学习率采用常见的Adam设置（学习率0.0003左右，批量尺寸128为基准），并在仿真中结合在线探索与安全基线策略以加速收敛。
文章通过仿真评估在标准电力物联网场景下对比若干基线策略。关键实验指标显示：在语义符号平均数量为4的配置下，系统实现了保密语义速率提升35.60%、通信与计算延迟降低46.53%、能耗减少25.88%。此外，消融实验表明语义通信模块在带宽受限场景下对频谱利用效率的贡献最大，轨迹优化显著降低了被窃听概率。工程结论是该框架在低空智能网络中能在有限资源下同时兼顾安全性与能效，适用于电力巡检、故障上报等场景，且对多模态语义扩展具有良好兼容性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11224400
📖 第2篇
📌 面向分布式参数系统建模的时空迁移学习方法
Spatiotemporal Transfer Learning for Distributed Parameter Systems Modeling
作者：Xingchen Zhang，Han-Xiong Li
针对热过程和化工等工业中的分布式参数系统（DPS）在时空尺度上的复杂建模问题，本文提出了一种基于时空分离的时空迁移学习（T/S-TL）框架。问题定义为：在源域（稳定工况）与目标域（新工况）间迁移有限数据下的时空动力学模型，输入为多点空间测量序列与边界/初始条件，输出为目标域的温度或场分布预测。整体技术路线包括从源域提取共享的空间基函数（SBFs）、用时间序列模型拟合时间演化规律、并在目标域通过迁移优化实现快速适配，关键在于将物理先验与领域自适应损失相结合以提升泛化能力。
实现层面首先利用Karhunen–Loève分解提取空间基函数（SBFs），随后采用基于GRU的时间模型拟合时序演化。迁移优化通过新颖的时空损失函数完成，该损失包含时间动态拟合误差、空间重构误差与域间分布对齐项（采用MMD最大均值差异衡量），训练时使用带权重衰减的Adam优化器，学习率在1e-4到1e-3之间调整，并通过EarlyStopping与L2正则化控制过拟合。此外，文中详细说明了如何在目标域复用SBFs并只微调时间模型以减少样本需求与训练成本。
在仿真与真实锂电池热管理系统实验中，作者比较了KL分解、multi-model KL和直接迁移等多种基线，指标包括RMSE、训练样本数和训练时间。结果显示：在目标域上该方法取得了最低的RMSE=0.1025°C，所需训练样本与训练时间显著下降；在温度从25°C迁移到15°C的实际实验中，模型成功迁移并保持预测精度，验证了理论收敛性与泛化误差有界性。工程结论是：该方法能在变工况下快速构建高精度DPS模型，尤其适合需要频繁切换运行工况的工业过程建模与在线估计场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11229880
📖 第3篇
📌 面向物联网网络流量预测的频谱辅助流量分解与深度学习方法
Spectrum-Aided Traffic Decomposition and Deep Learning Method for Network Traffic Prediction in Internet of Things
作者：Jiaqi Gao，Yaru He，Daoqi Han，Yueming Lu，Yaojun Qiao
本文针对工业物联网环境下网络流量具有多尺度、多周期、非线性特性的难题，提出了一种结合频谱辅助分解与基于GRU的深度学习预测框架。系统输入为时序流量统计数据，首先通过季节性-趋势分解将原始流量拆分为季节性、趋势与残差三个易解释的分量，并通过频域分析动态调整季节周期参数以适配异构物联网的多尺度模式；随后对每个分量分别建立独立的序列到序列模型并融合注意力机制以增强关键时间步的表征，最终将分量预测集成得到整体流量预测结果。
在实现细节上，分量模型采用双向GRU的Seq2Seq架构并嵌入注意力层以捕获长期关联性，训练使用Adam优化器（基线学习率1e-3），批量大小视数据规模设置（通常64或128），并在训练中使用时间窗切片与频域增强的数据预处理方法以提升鲁棒性。为防止过拟合，采用dropout与L2正则化，同时对残差分量采用更小的学习率与更深的网络以捕获非线性噪声特征。关键实现要点为频域周期优化与分量级注意力融合。
实验在四个真实物联网流量数据集上开展，比较对象包括经典统计模型、单一深度网络及其他分解+学习方法。平均结果表明：本文框架使得平均平方误差与平均绝对误差分别平均降低约97.6%和84.7%。消融研究显示，若去除频谱辅助的动态周期优化，误差会显著上升；若不使用分量级别的独立模型，模型对长期趋势的捕捉能力下降明显。工程结论为：该方法适用于智能工厂与工业网关等需要精细流量预测以进行资源调度和拥塞控制的场景，可显著提升网络运营效率与安全性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11264619
📖 第4篇
📌 基于斯塔克尔伯格博弈的非线性信息物理系统在虚假数据注入攻击下的弹性模型预测控制
Stackelberg Game-Based Resilient MPC for Nonlinear CPSs Under FDI Attacks
作者：Ning He，Yuxiang Li，Huiping Li，Dangtong He
面向智能建筑与移动机器人等受网络攻击风险较高的CPS，本文提出了一种将控制器-攻击者交互建模为领导者-追随者的斯塔克尔伯格博弈弹性MPC（SGR-MPC）框架。问题背景是：虚假数据注入（FDI）会篡改传输的最优控制序列，致使执行器接收被污染的信号从而损害系统稳定性。文章将控制器视为博弈领导者，基于系统约束与资源限制选择需保护的关键样本并动态分配保护资源；攻击者作为追随者，在观察资源分配后选择攻击目标以最大化破坏效果。
在实现细节上，控制器通过求解一个优化问题确定关键控制样本并对其进行加密或优先保护，随后基于博弈解析获得纳什均衡策略。为保证在线可行性，系统采用自触发机制减少不必要的优化求解次数，并设计了基于保护样本重构备用序列的在线重构器。关键实现要点包括关键样本选择优化与自触发计算机制，并在理论上证明了算法的递归可行性与闭环稳定性。
仿真与TurtleBot3移动机器人实验验证了方法的有效性。与传统弹性MPC和鲁棒控制比较，SGR-MPC在受FDI攻击时显著降低性能衰减，同时将控制器触发计算次数减少了约78.6%，在资源受限情况下实现了更优的资源利用率。论文给出多组数值化比较与消融分析，结论表明该博弈驱动的资源分配策略在实际部署的CPS中具有较高的实用价值，适合对抗智能化网络攻击的控制场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11214485
📖 第5篇
📌 基于TD3MPC的综合能源系统源-荷-价不确定性调度策略
TD3MPC-Based Scheduling for Integrated Energy System Under Source–Load–Price Uncertainties
作者：Yuchen Mu，Ke Li，Zheng Qin，Chenghui Zhang
为应对综合能源系统在可再生出力、负荷与电价三方面的耦合不确定性，本文提出了一种将MPC与深度强化学习相结合的TD3MPC协同框架。框架将MPC作为物理安全的专家执行器嵌入到TD3智能体中，使得在保证物理约束与安全性的同时，智能体能够通过数据驱动探索补偿模型失配并优化经济性。系统输入包含历史与未来情景信息，输出为源-荷-储-市场交互的调度决策，目标是在约束下最小化运行成本并提高可再生能源消纳率。
具体实现中，作者设计了混合优先经验回放机制以平衡专家样本与自主探索樣本，并扩展状态表征为包含历史与未来信息的增广状态空间以应对非马尔可夫性。TD3训练采用双延迟策略更新，基线MPC提供安全动作，智能体在基线周围进行细粒度探索。训练细节包括学习率调度、目标网络软更新与概率场景生成用于状态转移建模，实验中混合回放机制将训练时间缩短约20.87%同时提升策略性能。
两个案例验证了方法：小型示范园区与吉林某实际区域综合能源系统。主要指标包括运行成本、可再生能源消纳率与约束违规率。结果显示：TD3MPC相比传统鲁棒优化、随机优化及单纯MPC/DRL方法在经济性与约束满意度上均有优势，具体实验报告了运行成本下降与可再生能源消纳提升等多组数值，工程结论是该框架在电力市场改革背景下具备较高的实际部署潜力，尤其适合复杂耦合不确定环境下的连续调度任务。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11224407
📖 第6篇
📌 具备抗扰增强功能的风电DFIG-SPV阵列-BES微电网防跳闸平滑同步控制
Trip-Restrained Smooth Synchronization Control of a Wind Driven DFIG–SPV Array–BES Microgrid with Disturbance Immune Enhancements
作者：Subhadip Chakraborty，Bhim Singh，B.K. Panigrahi，Souvik Das，Suvom Roy
本文面向高渗透可再生能源接入的混合微电网，研究在并网/离网切换与强扰动条件下防止基于逆变器资源的误跳闸问题。问题核心是PCC电压幅值与相位的剧烈波动会导致PLL错误估计进而触发保护。为此提出了一套无缝多模式同步控制策略，体系结构将预滤波与增强型PLL相结合，目标是实现快速、平滑且不触发误动作的同步过程。
技术上，作者提出了结合多重延迟信号消除（MDSC）预滤波与增强型αβ-EPLLVI锁相环的同步方案。MDSC模块用于抑制谐波、直流偏移及负序分量以“解耦”PLL估计环路；EPLLVI通过动态增益与PAJ抑制环路提升抗扰动跟踪精度。实现要点包括滤波器参数的实时自适应调整与PLL抑制环路的快速响应设计，系统支持四种运行模式与八类状态转换以应对不同连接/断开场景。
仿真与硬件实验表明该方法能在5–8个工频周期内完成平滑同步并在扰动下避免虚假频率估计与误跳闸。实验还显示在非线性、不平衡负载下电能质量保持优良，满足IEEE Std. 1547-2018要求。关键结论包括：该控制架构在含DFIG的混合微电网中显著提升并网鲁棒性，尤其在高可再生渗透场景下有助于保障系统稳定与供电连续性（工程结论为显著降低误脱网风险与提高同步可靠性）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11214710
📖 第7篇
📌 VI_MCPR：面向大规模环境的多相机驱动视角不变地点识别方法
VI_MCPR: Viewpoint Invariant Place Recognition Driven by Multicamera for Large-Scale Environments
作者：Kaiyi Wang，Xu Li，Qimin Xu，Dong Kong
在自动驾驶与移动机器人SLAM中，地点识别（PR）对闭环检测至关重要，但单相机方法在视角变化下易失效。本文提出了面向任意多相机输入的VI_MCPR多分支编码器，通过权重共享的ResNet-18骨干并嵌入SE模块，实现多视角特征并行编码与融合。系统输入为多摄像头图像序列，输出为全局场景描述符，用于大规模环境下的快速地点检索与匹配。
网络核心包含三模块：全景图像编码器、鲁棒特征注意力池化与图-SE-变换（GSET）模块。GSET利用图神经网络建立局部特征间的几何与空间关系以捕捉整体物体形状，鲁棒池化模块结合低秩二阶池化与上下文保持空间注意力以缓解下采样丢失。训练使用带有对比学习损失与分类/检索损失的混合目标，关键超参数包括批量大小、权重共享策略与注意力权重正则化，论文对这些实现细节进行了系统描述。
在NuScenes、Argoverse 2 Sensors与自采集数据集上的对比实验显示，VI_MCPR在视角变化与动态场景下分别提升约6%的识别性能，在极端场景下提升约8%。此外，描述符经理论证明具有偏航角不变性，检索稳定性更强。工程结论为：该方法通过多摄像头信息融合显著提升PR鲁棒性，适用于自动驾驶与大型机器人平台的闭环检测模块。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11199998
📖 第8篇
📌 VM-ORAM：面向工业云高效数据完整性验证的新型高性能ORAM架构
VM-ORAM: A Novel High-Performance ORAM Architecture for Efficient Data Integrity Verification in Industrial Cloud
作者：Chuang Li，Wenyu Chen，Gang Liu，Changyao Tan，Limei Liu，Wenhua Ye，Anthony T. Chronopoulos
针对工业云存储中访问模式泄露与数据完整性验证开销高的问题，本文提出了一种可融合完整性验证且兼顾高性能的ORAM架构——VM-ORAM。系统以高性能多路径ORAM（如Hitchhiker ORAM、OBI）为基础，集成基于Merkle树的认证机制与动态调度、多路径批量驱逐策略，目标是在保证位置不可区分性与完整性验证的同时最小化延迟与驱逐开销。
VM-ORAM引入了按层级标签组织的层级字典以缩小批量驱逐的扫描范围，并设计了调度队列与暂存区以支持动态调度与多路径驱逐流程。实现细节包括请求队列管理、认证树更新策略与多路径解密匹配模块；关键实现要点在于如何在满足完整性与新鲜性检验（Merkle树）前提下进行延迟与带宽的折衷优化。
实验评估显示，VM-ORAM相比仅集成完整性验证的PIT平均延迟降低约33.6%，在高负载下相比混合验证ORAM延迟降低约14.9%；此外，暂存区命中率优于Path ORAM和Ring ORAM，并在较大数据块下展现更优驱逐效率。论文结论指出VM-ORAM在需要高并发与高完整性保证的工业云场景（如IIoT数据仓库）中具有较高的实用价值，是连接数据安全与系统性能的有效工程化方案（工程结论为显著提升完整性验证性能）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11235541
📖 第9篇
📌 基于YSBE的多波束声呐目标检测与速度约束AUV控制：面向港口水下巡检
YSBE-Based Target Detection via Multibeam Sonar on Velocity-Constrained AUVs: Toward Port Inspection
作者：Xian Yang，Sijie Yu，Junfeng Zhu，Jing Yan，Xinping Guan
针对港口水下环境中低能见度与复杂回波结构导致的目标检测挑战，本文将目标检测与AUV速度控制耦合，提出了名为YSBE（YOLO-ShuffleNet-BiFPN-EIOU）的轻量高效检测框架。输入为多波束声呐图像序列，系统输出为目标检测框与置信度。设计目标是兼顾检测精度与在受限计算平台上的实时性，以满足AUV巡检中的在线检测需求。
模型在YOLOv5基础上进行了三项关键改进：采用ShuffleNetv2骨干以显著降低参数量，引入BiFPN双向特征金字塔以增强多尺度特征融合，并使用EIoU损失改进边界回归以减少模糊图像下的定位误差。训练时采用常规数据增强（翻转、噪声、对比度调整）与声呐特有的回波增强策略，并以mAP与GFLOPs为主要评估指标对比基准模型。
实验结果表明，与基准YOLOv5m相比，YSBE在mAP@0.5提升约3.4%，在mAP@0.5:0.95提升约5.3%，同时GFLOPs减少约89.8%，显著提升检测效率。与此同时，作者从理论上推导了AUV的最大允许速度阈值并设计了基于通用变换函数的速度约束控制器，水池与真实港口试验验证显示速度约束能提升声呐成像质量并进一步改善检测性能。工程结论是：YSBE与速度约束控制的协同可显著提升港口自动化巡检的可靠性与效率。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11304195
点击关注 获取更多精彩