✦ 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6期/共9期）。本期推送共包含10篇研究论文，内容主要聚焦于工业物联网与智能制造中的前沿技术，涵盖安全通信可靠性增强、电力系统灵活性优化、工业时序数据分析（包括故障诊断、异常检测、寿命预测）、可再生能源预测与调度、以及单细胞数据处理等多个关键领域。这些研究通过创新的算法、模型与机制设计，致力于提升工业系统的可靠性、经济性、智能化水平与决策透明度。总体而言，这批工作为工业场景下的工程化落地和智能决策提供了重要的理论与实践参考，对提升系统鲁棒性与运行效率具有显著价值。
本期目录
📖 第1篇：面向安全通信的联合错误检测与纠正：数据包分片与重组机制
📖 第2篇：基于分布式储能系统的上游-配电联合灵活性机制
📖 第3篇：基于自监督标签校正的抗标签噪声时间序列分类方法
📖 第4篇：融合欧几里得动力学与希尔伯特统计的风机叶片结冰检测
📖 第5篇：面向工业时序异常检测的带噪标签学习：Transformer+对比学习
📖 第6篇：基于过渡性神经支持决策树的多模态太阳能功率预测可追溯性
📖 第7篇：MSMFormer：变量重构Transformer用于设备RUL预测
📖 第8篇：基于集成特征选择的优化SVR用于水泥熟料抗压强度预测
📖 第9篇：考虑储能系统环境价值的虚拟电厂多目标调度策略
📖 第10篇：NISP：基于状态转移驱动的非线性插补用于scRNA-seq丢失值恢复
📖 第1篇
📌 面向安全通信的联合错误检测与纠正：数据包分片与重组机制
Joint Error Detection and Correction for Safety Communication: Packet Fragmentation and Assembling
作者：Ming Zhan，Zhibo Pang，Qiang Zhou，Fang Wu，Jiangwu Zhang，Shiqing Zhang，Kan Yu
本文针对工业物联网中功能安全通信在高误码率环境下频繁警报与重传导致的可靠性下降问题，提出整体技术路线：将长安全协议数据单元（SPDU）进行分片，经过编码、签名与并行纠错后在接收端重组。核心方法为JEDeC分片机制，该机制在发送端将长SPDU拆分为多个携带独立CRC的短SPDU，在接收端通过并行CRC-JEDeC单元实现联合错误检测与纠正并最终组装回原始SPDU。与传统单体CRC或整体JEDeC相比，本方法的主要优势在于将指数级解码复杂度分解为可并行处理的子问题，从而兼顾实时性与可靠性。
实现细节上，系统在发送链路执行分片、每片附带32位CRC并传输分片顺序号；接收端并行调用多个JEDeC解码器单元，解码过程中结合CRC校验与候选纠错猜测，控制猜测上限以保证延迟约束。训练/参数层面并无深度学习训练流程，关键实现点为分片长度、每片CRC长度与最大纠错能力三者的协同配置。为工程化部署，研究讨论了在FPGA/ASIC上实现并行CRC-JEDeC的资源占用与时延折中，并给出关键超参数：分片长度64比特、最大纠错4比特作为推荐配置。
实验采用典型工业参数（组装SPDU长度1024比特、分片64比特、CRC32、误码率10⁻³）进行仿真。结果显示：该机制可将误码率从10⁻³降至1.49×10⁻⁸，包错误率从6.46×10⁻¹降至8.11×10⁻⁷，残差错误概率从6.36×10⁻¹¹降至3.42×10⁻¹⁶，每个组装SPDU平均猜测尝试约2.86×10³次。工程结论是该方案可在不改动现有安全协议栈的前提下，以即插即用增强方式显著提高安全通信完整性，适合在IEC 61784-3框架下渐进部署和验证。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11352971
📖 第2篇
📌 基于分布式储能系统的上游-配电联合灵活性机制
Joint Upstream-Distribution Flexibility Mechanism Using Distributed Energy Storage Systems
作者：Mohammad Hassan Nikkhah，M. Imran Azim，Ali Moradi Amani，Mahdi Jalili，Xinghuo Yu
本文面向配电侧高渗透的EV与BESS资源，提出一种上游-配电联合灵活性交换机制，核心是构建以协议荷电状态为基础的市场框架。整体系统框架包括DSO发起参与请求、柔性负荷响应并协商协议SoC范围、以及基于贡献指数与KKT条件的灵活性市场模型。核心机制为Agreed SoC协议，通过对EV/BESS的双向充放电策略协调上游侧需求，兼顾用户基本用能与系统灵活性需求，区别于传统单向调度的是其双向市场传递与经济激励闭环。
实现上，DSO采用两阶段优化：先收集可参与资源与协议SoC范围，再在日前市场中通过融合用户贡献指数的数学规划求解最优调度。优化约束包括SoC上下界、充放电功率限制、电网潮流与线路容量约束。算法方面采用基于KKT条件的一体化求解思路，并在仿真实现中使用逐步线性化与启发式分配以降低求解时间。关键超参数与实现要点为贡献指数量化与协议SoC范围设计，以保障公平性与可操作性。
基于澳大利亚Williamtown配电站真实数据的三场景对比实验表明：在场景三（完整灵活性市场+双向充放电）下，DSO采购电量与成本显著降低，平均成本较场景一降低约5.33%，较场景二降低约3.51%；该机制还通过灵活性贡献指数实现了参与用户收益分配的公平量化。工程价值在于该框架为高EV渗透下的分布式灵活性整合提供了市场化、可实现的路径，并能在不改变上游市场规则的前提下增强配电侧对上游需求的响应能力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11264331
📖 第3篇
📌 基于自监督标签校正的抗标签噪声时间序列分类方法
Label-Noise-Resistant Time-Series Classification With Self-Supervised Label Correction
作者：Yimeng He，Zidong Wang，Weibo Liu，Jingzhong Fang，Linwei Chen，Zhihuan Song
本文聚焦工业时间序列分类在标签噪声下的鲁棒性问题，提出一个一致性驱动的自监督标签校正框架。整体技术路线包括基于注意力的时序相关性增强编码器用于表征提取、基于最近邻的一致性置信度估计用于标签校正、以及将校正后的软标签作为监督信号进行迭代训练。与传统仅依赖标签清洗或样本剔除方法不同，本方法通过局部标签一致性来判断噪声并动态融合模型预测，保留了含噪样本的信息价值。
实现细节包含两阶段训练：预热阶段通过重构损失增强特征提取器的表达能力，主要损失项为重构损失与分类损失的加权和；带噪训练阶段引入对比损失以缓解假阴性问题，并使用狄利克雷过程高斯混合模型自动估计高斯分量数以计算样本置信度。关键实现要点包括多头注意力得分矩阵拼接与对比损失构建，这些措施提升了模型对长期依赖和局部一致性的敏感度。
在田纳西-伊斯曼过程和SEU齿轮箱数据集上的评估显示：在70%对称噪声和40%配对翻转噪声下，方法仍可保持接近0.975 F1的性能，明显优于比较方法。可视化表明校正后样本在表征空间中聚类更清晰。工程结论为：该校正框架能在高噪声标签率场景中有效利用历史故障数据，提升工业故障分类系统的鲁棒性与实用性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11247804
📖 第4篇
📌 融合欧几里得动力学与希尔伯特统计的风机叶片结冰检测：一种领域泛化判别表征学习方法
Learning Domain-Generalizable Discriminative Representations by Mixing Euclidean Dynamics and Hilbert Statistics for Wind Turbine Blade Icing Detection
作者：Wenjie Wang，Mengna Liu，Yunke Li，Xu Cheng，Xiufeng Liu，Shengyong Chen
本文提出DGMEHIT网络，解决风机叶片结冰检测中由领域偏移引起的泛化性能下降问题。网络采用并行双流架构：一侧为CNN深度模块（CDM）用于捕捉局部时序与短期突变，另一侧为希尔伯特统计模块（HSM）通过核均值嵌入提取全局统计特征。本文的主要创新点为欧几里得-希尔伯特混合表示与通道-时序混合模块，通过互补特征提升跨域判别能力。
实现上，模型在HSM中引入最大均值差异（MMD）损失以缩小源域与目标域在希尔伯特空间的分布差异，同时在CTM中使用MLP-Mixer风格的通道与时间交替融合结构以建模多传感器耦合。训练时采用分阶段优化，先单独训练CDM与HSM以稳定表示，再联合最小化分类损失与MMD损失的线性组合。关键实现要点包括MMD正则化与通道时序混合，它们对跨域泛化至关重要。
在十个公开数据集与多地区真实风电场数据上的测试显示，DGMEHIT在样本不平衡（20:1、50:1、100:1）下均显著优于基线，F1分数与MCC分别提升约6.4%与12.7%。跨区域泛化与在线评估证明模型具备实际部署的鲁棒性。工程价值在于提供了一种兼顾局部细节与全局统计、具备域不变性的结冰检测方法，可显著降低运维成本并提升风电场运行安全性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200041
📖 第5篇
📌 面向工业时序异常检测的带噪标签学习：一种嵌入Transformer的对比学习框架
Learning With Noisy Labels for Industrial Time Series Outlier Detection: A Transformer-Embedded Contrastive Learning Framework
作者：Jingzhong Fang，Zidong Wang，Weibo Liu，Nianyin Zeng，Yimeng He，Yu Cao，Linwei Chen，Xiaohiu Liu
为应对工业标注数据常见的高比例噪声标签，本文提出一套嵌入Transformer的带噪标签学习框架，核心为动态两阶段训练与模糊聚类辅助的对比学习。整体框架先通过数据重构任务预训练Transformer编码器，以获得稳健特征；随后基于特征空间的模糊C均值聚类构建正负对进行对比学习，从而避免直接依赖噪声标签进行监督，提升异常检测器的鲁棒性与泛化能力。
具体实现包括预训练阶段的重构损失、第二阶段的对比损失与标签一致性正则化，另有统一流形逼近与投影用于高维特征降维以增强聚类稳定性。关键实现要点为模糊C均值聚类与标签一致性正则，这些设计使得训练过程不被噪声标签主导，并提升了在有噪场景下的判别边界清晰度。
在真实WAAM增材制造时序数据上的实验表明：即便噪声标签比例高达60%，本框架在准确率、精确率、召回率与F1分数等指标上仍明显优于代表性LNL方法，且检测结果在消融实验中对聚类与对比模块高度敏感，证明了方法的有效性与模块必要性。工程上，该方案适用于标注受限或标注误差高的工业在线质量监控场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11214453
📖 第6篇
📌 基于过渡性神经支持决策树的多模态太阳能功率预测局部输入-输出可追溯性研究
Local Input–Output Traceability for Multimodal Solar Power Predictions by Integrating Transitional Neural-Backed Decision Tree
作者：Lilin Cheng，Haixiang Zang，Tao Ding，Zhinong Wei，Guoqiang Sun
本文针对多模态太阳能功率预测模型的“黑箱”问题，提出一种基于过渡性神经支持决策树（T-NBDT）的局部输入-输出可追溯性方法。整体框架将连续功率输出分解为离散天气类型及其决策树内的转移概率，并结合沙普利值对多模态输入（卫星云图、数值天气预报、历史功率）在单次预测中的贡献进行定量化解释。核心创新为过渡性神经支持决策树与Shapley可追溯性的组合，使得复杂模型的推理链路可被工程化追踪。
方法实现上，模型首先用神经网络提取多模态特征，然后通过过渡性决策树映射为天气类型与转移概率；训练采用分类/回归复合损失并加入平滑约束以稳定转移概率估计。关键实现要点包括转移概率约束及Shapley贡献计算，并在实际部署时通过增量更新机制适配快速变化天气。
在澳大利亚沙漠知识太阳能中心与艾尔斯岩电站的实测数据上，方法在6小时超前预测中能准确捕捉由晴到多云导致的功率骤降，并量化卫星云图的负向贡献。该方法在保证与CNN-LSTM、视觉Transformer相近的精度同时，提供了稳定的归因结果，便于调度人员在出现大偏差时快速定位问题来源，工程价值体现在提升决策透明度与运维响应效率。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11250832
📖 第7篇
📌 MSMFormer：基于多变量信号映射器的变量重构Transformer用于设备剩余使用寿命预测
MSMFormer: A Variable Reconstruction Transformer Based on Multivariable Signal Mappers for Equipment RUL Prediction
作者：Yao Wang，Xinyu Dong，Lifeng Wu
为提升复杂多变量传感器下的RUL预测精度，本文提出MSMFormer框架，集成多域递归分解、集成特征提取网络与嵌入式柯尔莫哥洛夫-阿诺德网络（KAN）通道映射。整体流程是先通过多域递归分解重构细粒度信号，再由卷积+门控的集成网络提取融合特征，最后在Transformer结构中用KAN替代传统MLP以实现更灵活的非线性映射。关键创新为多域递归分解、KAN通道映射与集成特征提取。
训练细节包括基于历史退化曲线的监督回归损失、带噪鲁棒训练策略与分段学习率调度。关键实现要点与超参数为KAN可学习激活、MDRD重构比与批量大小/学习率的调优策略，这些直接影响模型对弱退化信号的敏感性与泛化能力。
在C-MAPSS、N-CMAPSS与刀具磨损数据集上的评估显示，MSMFormer平均预测精度较先进方法提升约5.37%、2.40%与35.70%。消融实验表明MDRD、KAN與集成提取网络均对性能提升有显著贡献。工程结论是MSMFormer特别适用于具有复杂非线性退化模式和多传感器异构噪声的工业设备预测场景，可有效支撑预测性维护系统的决策。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11244191
📖 第8篇
📌 基于集成特征选择的优化支持向量回归模型用于水泥熟料抗压强度建模与预测
Modeling and Prediction for Cement Clinker Compressive Strength by Using an Optimized SVR Based on Integrated Feature Selection
作者：Shipin Yang，Shiwen Shan，Wenhua Jiao，Qing Zhang，Yinqiang Zhang，Xue Mei，Lijuan Li
针对水泥熟料抗压强度需要长时间养护检测的问题，本文提出基于集成特征选择的混合核支持向量回归（SVR）预测框架，利用易获取的工艺参数进行即时预测。系统流程为特征选择→混合核SVR建模→改进灰狼优化参数搜索。混合核将多项式核与K型核结合以兼顾局部拟合与全局泛化，克服单一核的局限。
实现要点包括集成特征选择策略（结合相关性筛选与嵌入式方法）以识别与抗压强度高度相关的变量，模型参数使用改进灰狼优化进行全局搜索，损失函数采用MSE并加入正则化项以防过拟合。关键超参数为核权重比例与正则化系数，工程部署时建议在线更新特征权重以适应原料波动。
在大量对比实验中，针对28天抗压强度预测，优化后的混合核SVR使均方误差较单核模型降低约28.3%，并优于BP、ELM与LSTM等基线。该方法可用于生产线实时质量监控与原料配比优化，帮助企业降低库存与检验周期成本，提升合格率与经济效益。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11244135
📖 第9篇
📌 考虑储能系统环境价值的虚拟电厂多目标优化调度策略
Multiobjective Optimal Dispatch Strategy for Virtual Power Plants With Environmental Value of Energy Storage Systems
作者：Xinyue Qi，Jin Zhang，Jing Shi，Chen Peng，Mai Zhang
本文提出面向多主体的VPP协同调度框架，引入ESS的环境价值概念，构建电-碳协同优化模型以同时考虑电力市场与碳市场收益。系统主体包括VPP运营商、ESS运营商与消费者，目标函数分别为运营收益最大化、经济+环境效益最大化与用能成本最小化，形成天然冲突的多目标优化问题。
模型约束涵盖ESS能量平衡、充放电速率限制、电网潮流与碳配额约束。为求解该非线性多目标问题，采用非支配排序遗传算法II（NSGA-II）生成帕累托前沿以供决策者在经济与环境目标间选择折衷方案。关键实现要点为环境价值量化与电-碳联合目标的权重设定。
案例仿真表明，完整框架可使VPP利润提升约4.68%、ESS利润提升约4.73%，系统碳排放从1369吨降至1322吨。结论为：将环境信号纳入ESS调度不仅带来环境效益，还能通过碳市场机制提升参与方收益，有助于推进低碳电力体系的市场化实现。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11204669
📖 第10篇
📌 NISP：基于状态转移驱动的非线性插补方法用于单细胞RNA测序数据中的丢失值恢复
NISP: State Transition-Driven Nonlinear Imputation for Dropout Recovery in scRNA-Seq Data
作者：Yihui Du，Meng Jiang，Yizhuo Liu，Songlin Zhuang，Kaiyi Liu，Mingsi Tong，Huijun Gao
单细胞RNA测序数据常受“丢失值（dropout）”影响，进而破坏生物信号与下游分析。本文提出NISP，一种将插补过程转化为伪时间状态转移问题的非线性插补框架。通过构建动态扩散模型和基于非线性距离的邻域重建策略，NISP在保持细胞间生物学转换流形的同时进行信息扩散与插补，从而在恢复缺失表达的同时保留表达差异性。
实现上，NISP通过动态规划驱动的邻域重建构建高信息密度的状态转移矩阵，并采用非线性距离度量与扩散过程实现插补传播。关键实现要点為状态转移矩阵重构與非线性扩散机制，这使得方法能同时达到去噪与保真之间的平衡，并在低丰度转录本检测上显著提升灵敏度。
在结直肠癌类器官的时空转录组阵列与多组癌症数据集上评估，NISP在13822个细胞、61个空间域的系统分析中实现了优良的流形与空间共定位重建，能够去除超过98%噪声并恢复超过50%的丢失值，在低丰度转录本检测上灵敏度较现有方法提升约36%。工程意义在于为单细胞组学在肿瘤异质性与演化研究中的可靠性提升提供了有力工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200161
点击关注 获取更多精彩