✦ 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4期/共5期）。本期推送共包含11篇研究论文，内容聚焦于工业信息学的前沿交叉领域，主要涵盖智能制造与质量控制（如增材制造熔池预测、微接触印刷原位计量、工业图像合成）、智能感知与目标检测（如激光雷达统一检测、毫米波雷达点云成像、BGA缺陷检测）、工业系统控制与优化（如扰动抑制、污水处理过程控制、制造车间智能调度）以及工业系统安全与可靠性（如CAN总线实时性分析、可视化故障诊断、对抗攻击鲁棒性评估）等多个关键方向。这些研究深度融合了人工智能、机器学习、计算机视觉与先进控制理论，为解决工业实际应用中的复杂挑战提供了创新性的算法与系统解决方案。总体来看，这些成果有助于提升工业系统的智能化、可靠性与生产效率，推动科研成果向工程应用的持续转化。
本期目录
📖 第1篇：HuIV-GAN：一种用于类别不平衡球栅阵列目标检测中工业图像合成的人机协同VAE-GAN框架
📖 第2篇：改进级联等效输入扰动方法：抑制不同频率的扰动
📖 第3篇：基于改进卷积分析的CAN最坏情况概率响应时间研究
📖 第4篇：基于冷凝图像与YOLOv8的卷对卷微接触印刷原位计量技术
📖 第5篇：基于策略迁移的增量式评判学习控制在污水处理过程中的应用
📖 第6篇：基于目标分割的毫米波雷达室内点云成像方法
📖 第7篇：基于信息瓶颈与内嵌自编码器流形学习的可视化故障诊断方法
📖 第8篇：面向异构多波束激光雷达的统一三维目标检测方法研究
📖 第9篇：知识引导深度强化学习在定制化与个性化制造车间智能重构与调度中的应用
📖 第10篇：基于模型引导元学习的人员重识别通用攻击方法研究
📖 第11篇：基于机理信息图像特征解码的激光粉末床熔融熔池形貌演化预测
📖 第1篇
📌 HuIV-GAN：一种用于类别不平衡球栅阵列目标检测中工业图像合成的人机协同VAE-GAN框架
HuIV-GAN: A Human-in-the-Loop VAE-GAN for Industrial Image Synthesis in Class-Imbalanced Ball Grid Array Object Detection
作者：Zhiwei Chen，Daxing Zhang，Chengshuo Xia
本文针对工业检测场景中存在的严重类别不平衡问题，聚焦于球栅阵列（BGA）封装中的焊点断裂稀缺样本，提出了一套用于图像合成与数据增强的完整框架。整体技术路线由三部分组成：少量标注数据的潜在空间学习、对抗生成网络的稳定初始化，以及基于专家反馈的样本筛选与重训练闭环。关键方法：HuIV-GAN，主要创新：人机协同反馈闭环、VAE-GAN联合初始化，该框架通过将领域专家的语义判断直接引入生成流程，克服了纯自动生成在极低样本下容易出现的语义不合理问题，并将合成样本的语义质量作为训练样本权重的重要调节因子。
在实现细节上，系统首先使用变分自编码器在少量标注样本上学习紧凑的潜在表示，用以捕获焊点几何与结构语义；随后将预训练的VAE编码器/解码器参数用于初始化生成器与判别器，以提升对抗训练的稳定性并缩短训练收敛时间。训练流程包含重构损失、对抗损失与语义一致性损失三部分，并在对抗阶段引入专家实时评估作为筛选机制。为提高鲁棒性，采用了数据增强与正则化（如谱归一化）策略，并对少数类样本在训练中的权重进行动态调整以减少噪声样本的影响。
实验在具有极端不平衡分布的红染BGA数据集上进行验证，该数据集中少数类占比不足0.1%，原始训练的检测模型无法识别该类别。采用HuIV-GAN合成数据后进行增强训练，少数类检测性能显著改善，且模型训练不稳定性明显降低，收敛速度相比基线加快数百次迭代。总结为：通过生成-筛选-重训练的闭环设计，工程上能够在样本稀缺场景下提供可用且语义可信的合成数据，显著提升下游检测任务的实用性与鲁棒性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197557
📖 第2篇
📌 改进级联等效输入扰动方法：抑制不同频率的扰动
Improved Cascade Equivalent-Input-Disturbance Approach to Rejecting Disturbance With Different Frequencies
作者：Youwu Du，Jinhua She，Weihua Cao，Yu Jia，Xiang Wu，Zhenhua Han
本文讨论在高精度机电运动控制中同时抑制低频与高频未知扰动时出现的矛盾问题，并提出一种基于两级估计器的改进方案以提升扰动抑制性能。整体框架采用级联估计结构，第一阶段针对高频成分进行估计与补偿，第二阶段负责低频缓变分量的处理。关键方法：ICEID，主要创新：采用两级级联结构实现频段分离，从而避免为覆盖高频而扩大整体带宽导致的噪声敏感问题。
实现方面，第一级设计为带通滤波器加估计器，用于识别并补偿高频扰动；第二级采用低通滤波器与稳态估计器处理低频缓变项。控制律与估计器参数通过频域分析给出稳定性判据，并结合鲁棒滤波与参数整定策略以应对测量噪声和参数不确定性。文中详细给出滤波带宽、观测器增益的取值建议与仿真实验的超参数设置，以便工程部署。
在三轴机械臂与旋转控制系统上的实验证明，相比传统EID与并行设计，本文方案在同时抑制低/高频扰动时表现更优，且在噪声抑制方面并未显著退化。关键结论包括：通过分离频段的估计，系统对高频扰动的抑制灵敏度提升，且得到了较好的理论稳定性保证；在部分对比试验中，本文方法实现了随机忙窗口分析的优化并在复杂扰动下表现稳健，实测可使计算开销降低50%（与某些多级方法相比），为实际工业控制系统提供了可行的改进路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184384
📖 第3篇
📌 基于改进卷积分析的CAN最坏情况概率响应时间研究
Improved Convolution-Based Analysis for Worst Case Probability Response Time of CAN
作者：Haozhe Yi，Junyi Liu，Maolin Yang，Zewei Chen，Xu Jiang，Shuang Ai，Lin Liu，Jianle Yu
面向汽车与工业控制中的CAN总线实时性评估问题，本文提出了一种针对错误重传机制的概率响应时间分析方法，核心在于把传输时间建模为概率质量函数而非固定时延，从而能更精确刻画偶发错误与重传对实时性的影响。整体方法结合了随机忙窗口模型与积压分析，以提高对低概率极端事件的刻画能力。关键技术点包括对错误重传的建模、忙窗口概率的迭代计算以及积压复用的算法设计。
具体实现上，研究构建了包含错误重传的系统模型并定义消息传输时间的分布，通过迭代的方式获得随机忙窗口的概率分布，从而推导出消息实例的响应时间分布。算法在计算积压时复用了已计算的忙窗口结果以避免冗余卷积操作，显著提升了效率。关键实现要点包括随机忙窗口的离散化处理与积压复用策略，并对数值稳定性做了专门设计。
实验在SAE基准、随机消息集及真实车载数据上验证方法表现。与Broster方法和传统卷积方法对比，新方法在准确性上更接近蒙特卡洛仿真且减少了悲观估计；在高系统利用率和大量消息下，算法实现了计算开销降低约50%。工程意义在于，本方法能够为满足ISO-26262等功能安全标准下的系统设计提供更加精确且高效的概率性实时性评估工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192090
📖 第4篇
📌 基于冷凝图像与YOLOv8的卷对卷微接触印刷原位计量技术
In-Situ Metrology for Roll-to-Roll Microcontact Printing via Condensation Figures and YOLOv8
作者：Xiangdong Xie，Jingyang Yan，Rui Ma，Xian Du
针对卷对卷微接触印刷（R2R μCP）中难以直接观测纳米级印刷图案的问题，本文将冷凝图像（CFs）技术与深度学习实例分割模型相结合，提出了一条从图像采集到线宽计算的端到端原位计量管道。整体系统先通过物理建模与图像仿真生成带注释的训练样本，再利用YOLOv8进行疏水区域的实例分割与宽度估计，从而实现对微纳尺度印刷线宽的实时监测与闭环反馈的可能性。
实现细节包括开发合成数据生成管道以解决标注数据稀缺问题，训练时采用混合损失（实例分割损失+边界回归损失）并进行了大范围的数据增强（光照、雾化、噪声模拟）。训练超参与部署要点：使用Adam优化器、学习率0.001的预调度策略、小批量训练以兼顾泛化与实时时延。系统在部署时对推理速度与GPU/边缘设备的资源占用进行了优化。
实验结果表明，该方法的线宽测量性能优异：线宽估计准确率=94.4%，并能达到高达每秒15帧（1080p）的处理速度，足以支撑R2R μCP工艺的实时反馈控制。工程结论为：通过将CFs与先进视觉网络结合，可在生产线上实现无需接触、无模板的原位计量，显著提升柔性电子制造的质量控制能力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197938
📖 第5篇
📌 基于策略迁移的增量式评判学习控制在污水处理过程中的应用
Incremental Critic Learning Control With Policy Transfer for Wastewater Treatment Processes
作者：Ding Wang，Xin Li，Mingming Zhao，Ao Liu，Junfei Qiao
在污水处理厂（WWTPs）中，溶解氧（DO）控制直接关系到出水质量与能耗控制。本文提出了一种可迁移的增量式评判学习控制框架，用于提高在进水扰动和测量噪声下的控制鲁棒性与收敛速度。方法框架将控制策略重构为增量形式并引入策略迁移机制，从历史运行数据中抽取先验知识，预训练动作网络以加速在线学习并保障启动阶段的稳定性。
实现上，算法采用评判学习控制（Critic Learning）与策略迁移结合的混合训练流程，损失函数包含状态价值估计误差与策略约束项，文中引入了软策略约束以在探索与稳定之间自适应切换。训练细节包括基于历史PID策略的预训练步骤、在线小步长更新、以及基于李雅普诺夫函数的稳定性约束（文中给出收敛性证明）。超参数设置与特征工程均为工程化考虑做了详尽说明。
仿真基于工业标准BSM1模型，涵盖晴天/雨天/暴雨三类进水扰动工况，结果表明：相比传统增量PID与若干先进RL算法，所提方法在稳态与动态跟踪上均表现出更高平均精度和更低波动；关键结论为引入知识迁移后，初期学习阶段的性能显著提升，且文中提供了在不同噪声与扰动强度下的消融实验，验证了方法的泛化能力与工程适用性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184440
📖 第6篇
📌 基于目标分割的毫米波雷达室内点云成像方法
Indoor Point Cloud Imaging With Millimeter-Wave Radar Based on Target Segmentation
作者：Wei Yin，Ling-Feng Shi，Yifan Shi
本文面向复杂室内场景下单部毫米波雷达点云成像的挑战，提出基于目标分割的端到端方法以区分静态物体与移动行人，从而提升雷达自身速度估计与点云融合的质量。方法整体由超轻量级分割网络与基于分割结果的速度估计模块组成。关键方法：TSMIP，核心模块之一为LTSNet，其设计关注在嵌入式设备上的高效性与高精度。
LTSNet融合了线性可变形卷积（LDConv）、Ghost模块与通道/空间协同注意力以降低参数量并保持表达能力。训练过程中使用加权交叉熵与IoU损失的混合目标，并对多普勒特征进行特征工程处理以增强静态/动态点云的分离能力。部署时对模型进行了量化与剪枝以适配边缘平台。
在自建毫米波雷达数据集上，LTSNet取得83.89%分割准确率，相较MobileNetV3精度提升33.07%且参数量仅为其十分之一；与ResNet50相比，精度仅微降但参数量减少约100倍。在多行人移动场景下，TSMIP实现了稳定的点云对齐与融合，显著降低了因速度估计误差导致的点云散射，适用于智能工厂与仓储等场景的单雷达感知部署。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197186
📖 第7篇
📌 基于信息瓶颈与内嵌自编码器流形学习的可视化故障诊断方法
Information Bottleneck Driven Visual Fault Diagnosis Method Utilizing Manifold Learning With Inner-Autoencoder
作者：Cheng Qian，Yongjian Wang，Shihua Li，Steven X. Ding
为提升复杂工业过程的故障诊断可解释性与可视化效果，本文在信息瓶颈理论指导下提出了一种结合内嵌自编码器与流形近似投影的无监督降维诊断框架。方法先从高维监测数据中提取残差变量形成最小充分统计量，随后在流形空间上进行可视化投影并通过聚类增强不同故障模式的可分性，从而为工程师提供直观且可信的故障图谱。
实现上采用联合训练结构：自编码器负责提取潜在表示并最小化重构误差，流形学习模块保证嵌入空间的规整边界分布，训练目标包含信息瓶颈项以在压缩与预测性能间取得平衡。为量化可视化可信度，论文设计了基于逆投影与超采样评估的可靠性指标，并利用虚拟标签策略在无标签场景下强化表示学习。
在感应电机与钢板故障数据集上验证，方法在可视化清晰度与故障分类准确性上均优于传统PCA、t-SNE等方法，实验显示方法在若干故障模式上的区分度显著提升，文中给出了详细的消融实验与鲁棒性分析。工程价值在于该方案能为在线监测与维护决策提供直观且可量化的可视化诊断界面，便于快速定位与判定故障模式。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197935
📖 第8篇
📌 面向异构多波束激光雷达的统一三维目标检测方法研究
Investigating a Unified 3-D Object Detection Method for Different Multibeam LiDAR
作者：Ziming Tao，Jianxu Mao，Yaonan Wang，Caiping Liu，Junfei Yi，Zhenyu He，Xiaojun Chang，Hui Zhang
针对多线束LiDAR间数据异构性导致的跨传感器泛化问题，本文提出了一种统一三维目标检测框架，旨在使单一模型支持多种波束配置的数据集共同训练与部署。整体设计包含三个关键模块：对齐模块、全局状态空间学习模块与数据集特定检测头，以解决空间和特征层面的差异并避免梯度冲突。
实现细节包括空间对齐（坐标变换、感知范围统一）和特征对齐（几何图特征设计），以便模型关注物体物理结构而非点云密度波动。引入的全局状态空间模块借鉴控制理论以加强长距离依赖建模，同时在训练中使用数据集特定的检测头以避免回归目标分布冲突。仿真与实际数据的混合训练策略及样本平衡技巧也是工程要点。
作者在KITTI与自建CARLA仿真数据集上进行了大量实验，结果显示：统一模型在多种波束配置下均取得与专用模型相近的检测性能，尤其在跨传感器迁移场景中表现出更好的跨波束兼容性提升。工程意义为可降低为每种传感器单独训练模型的成本，便于在多样化传感器平台上部署统一感知系统。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192293
📖 第9篇
📌 知识引导深度强化学习在定制化与个性化制造车间智能重构与调度中的应用
Knowledge Guided DRL for Intelligent Reconfiguration and Scheduling in Customized and Personalized Manufacturing Workshop
作者：Shulin Lan，Yinfei Jiang，Chen Yang，Lihui Wang，George Q. Huang，Weiming Shen，Liehuang Zhu
为应对定制化小批量生产中生产线频繁重构与高维调度决策问题，本文提出了一种知识引导深度强化学习（KGDRL）方法，并结合基于无线互联的制造系统框架实现超灵活的机器重构与调度。研究将重构时间作为显式优化变量建模，提出以重构为导向的调度目标，从而真实反映重构对整体生产效率的影响。
方法实现包括：利用先验知识（如机器重构时间、负载信息）缩减动作空间、在策略网络中嵌入知识导向约束以提升样本效率、并采用云-边协同架构以满足实时调度需求。训练细节涉及分层策略学习、基于经验回放的样本重用及策略稳定化技巧。关键实现点为将重构时间纳入优化并通过知识引导降低策略搜索难度。
在多组规模化测试实例上，KGDRL在收敛性和调度质量上优于传统启发式与若干深度RL基线，实测能够获得更短的总完工时间更短的调度方案，且在机器可重构性带来的高维动作空间中表现出良好的可扩展性与鲁棒性。工程上，该研究为高度个性化制造环境提供了稳定且高效的调度方案生成手段。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11195724
📖 第10篇
📌 基于模型引导元学习的人员重识别通用攻击方法研究
Learning Universal Attack via Model-Guided Meta-Learning for Person Reidentification
作者：Tongzhen Si，Penglei Li，Xiaohui Yang，Fazhi He，Zhiquan Feng，Tao Xu
本文针对行人重识别（ReID）模型在对抗样本下的脆弱性问题，提出了一种基于模型引导元学习的通用攻击方法（UAMM）。整体思路为汇聚多个典型ReID模型的梯度信息，通过元学习损失函数学习能够跨模型、跨数据集泛化的通用扰动，以评估与提升ReID系统的鲁棒性。
实现细节包括将若干代表性模型（如AGW、BoT、PCB）作为元训练者，设计包含成对关系约束与标签关系约束的元损失，并通过梯度聚合与校准得到更新方向。训练流程采用分批次样本、跨任务验证与正则化以避免过拟合，并在生成扰动时兼顾不可察觉性与攻击强度。
在Market1501、DukeMTMC-reID与MSMT17等数据集上进行的跨数据集、跨模型实验显示，UAMM在跨数据集泛化与攻击成功率显著提高方面均优于现有通用攻击方法。该研究既为攻击面评估提供了新的工具，也为防御策略的设计（例如对抗训练）提供了有价值的对照样本生成方法。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184409
📖 第11篇
📌 基于机理信息图像特征解码的激光粉末床熔融熔池形貌演化预测
Mechanism Informed Image Feature Decoding for Melt Pool Morphology Evolution Prediction in Laser Powder Bed Fusion
作者：Qisheng Wang，Xin Lin，Haihong Zhu，Kunpeng Zhu
为提高激光粉末床熔融（L-PBF）中熔池形貌预测的准确性与可解释性，本文提出将机理信息图像特征解码融入编码器-解码器框架的方法。该框架先基于材料属性和工艺参数计算区间理论温度场（作为机理引导特征），再将其与传感器采集的熔池图像特征融合以预测熔池随扫描轨迹的演化，目标是捕获历史扫描状态对当前形貌的物理影响。
实现上通过卷积网络提取温度与图像特征，并利用门控循环单元融合时间维度信息，设计了一种基于时间差与空间距离函数的改进注意力机制来描述历史扫描点对当前点的影响权重。损失函数综合重构误差与物理一致性约束，并利用沙普利值分析评估特征贡献度以增强可解释性。
在多种几何与功率工况下的实验结果显示，与仅基于图像或仅基于机理特征的方法相比，本方法使平均绝对百分比误差降低3.5%（相对纯图像方法）并取得更好的机理一致性。通过理论温度场与传感图像特征的协同解释，方法在预测激光转向点等缺陷易发区域时，显著提升了预测可靠性与工程可用性，具备在线监测与缺陷预警的应用潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184433
点击关注 获取更多精彩