✦ 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8期/共9期）。本期推送共包含10篇研究论文，内容聚焦于工业信息物理系统的前沿交叉领域，主要涵盖综合能源系统协同优化、人工智能驱动的工业数据分析、网络安全与隐私保护、先进控制与状态估计、实时数字孪生、自监督与元学习、鲁棒同步与时钟估计、少样本故障诊断等方向，展现了工业智能化转型中的关键技术进展。以上研究为工业系统的安全性、可靠性与经济性提供了理论支撑与工程路径，对推动高比例可再生能源接入、增强工业系统韧性以及提升智能维护能力具有重要应用价值。
本期目录
📖 第1篇：电力-天然气能源系统中继辅助通信的功率分配与定价策略：一种双层博弈方法
📖 第2篇：PowerDiffuser：面向鲁棒电力负荷信号表征的协作式对比-重建自监督学习
📖 第3篇：面向数据不透明性保障的隐私保护监督控制
📖 第4篇：面向小型模块化反应堆与可持续电力系统协同交互的实时数字孪生技术
📖 第5篇：基于强化学习的随机非线性严格反馈系统优化跟踪控制：应对维纳与泊松噪声
📖 第6篇：面向工业网络PTP同步的鲁棒时钟偏移估计：应对未知与未建模延迟分布
📖 第7篇：应对信息物理系统中隐蔽攻击与数据包丢失的弹性分布式状态估计
📖 第8篇：基于中心差异度量的回顾式原型网络：面向跨机器少样本故障诊断
📖 第9篇：人机协同机器人操纵系统的安全数据驱动控制
📖 第10篇：尺度补偿社区距离熵：一种用于旋转机械故障识别的新型特征提取工具
📖 第1篇
📌 电力-天然气能源系统中继辅助通信的功率分配与定价策略：一种双层博弈方法
Power Allocation and Pricing Strategy for Relay-Assisted Communications in Electricity-Gas Energy System: A Two-Level Game Approach
作者：Kai Ma，Yifu Li，Jie Yang，Pei Liu，Yajing Zhang，Jianbo Li，Xinping Guan
本文聚焦智能电网中因海量物联网终端接入而引发的通信拥塞与数据丢包问题，结合需求侧直接负荷控制与自动发电控制（AGC）不足，提出了一个面向电力-天然气综合能源系统的协调优化方案。研究构建了一个双层斯塔克尔伯格博弈框架：在第一层，电信运营商作为领导者确定中继功率分配比例，电力公司作为跟随者通过竞价支付获得中继资源；在第二层，电力公司代理与天然气公司就气转电（G2P）服务需求比例与零售价格进行博弈，实现与AGC的协同补偿。文章首先建立了包含直接负荷控制调节误差的电力公司成本模型，推导通信质量与负荷跟踪偏差之间的解析关系，从而为补偿与定价设计提供理论依据。核心方法包括双层斯塔克尔伯格博弈建模与负荷跟踪误差解析模型，并提出了中继资源竞价-分配机制作为主要创新点。
在实现层面，研究采用逆向归纳法推导博弈均衡，并设计了基于迭代的数值算法用于求解纳什均衡与最优支付策略。训练/求解流程包括：参数化建模→初始化价格与功率分配→按逆向归纳求解跟随者最优响应→领导者更新分配策略→迭代至收敛。约束包括功率物理极限、G2P服务供需平衡与无阻塞运行条件。关键实现要点为迭代均衡求解算法和支付定价约束，数值算法在复杂耦合非凸问题上保证收敛性并考虑通信丢包概率的影响。
仿真基于典型电力-天然气耦合工况与通信链路丢包模型，比较了本文方法与仅用AGC或单层优化策略的效果。结果显示：在多场景下，所提策略使电力公司总成本平均降低约成本下降12%，电信运营商与天然气公司利润显著上升；负荷跟踪误差与通信丢包率下降，系统鲁棒性增强。具体指标包括负荷跟踪RMSE下降至RMSE=0.08（相较基线降低约30%），中继资源利用率提高。研究总结了该框架在高比例可再生能源接入背景下的工程适用范围与实现注意事项，指出此类跨能源、跨通信资源的协同优化对于保障系统安全、经济运行具有重要工程价值（跨能源协同优化的工程价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11211526
📖 第2篇
📌 PowerDiffuser：面向鲁棒电力负荷信号表征的协作式对比-重建自监督学习
PowerDiffuser: Collaborative Contrastive-Reconstruction Self-Supervised Learning for Robust Power Load Signal Representation
作者：Honggang Yang，Cheng Lian，Bingrong Xu，Ruijin Ding，Zhigang Zeng
随着智能电表普及，电力负荷数据量巨大但标注稀缺，本文提出了面向负荷信号的自监督学习框架PowerDiffuser，基于扩散模型将对比学习与重建学习协作集成，旨在学习对下游任务（分类、插补、短期预测、异常检测）鲁棒且具判别力的负荷表征。整体框架由信号预处理（将一维负荷按周期性转换为二维表示）、两类时空特征提取器（ST-Large 与 ST-Tiny）以及扩散式协作训练模块组成。PowerDiffuser的创新在于在扩散过程中以弱增强与强增强互为条件实现交叉重建机制，同时通过构造正负样本对施加对比损失以增强判别性。
实现细节上，预处理将周期窗口化并映射到二维拓扑以保留周期结构；ST-Tiny采用改进的内卷（involution）算子以降低参数量并适配负荷信号特征；训练时同时优化对比损失与重建损失，使用基于扩散模型的逐步去噪/重建过程作为训练路径。超参数选择包括学习率、批量大小、扩散步数等，文中给出了适配轻量化部署的参数集，保证推理阶段计算开销低且响应快。
实验在ISMCBT、ETTh、REDD等真实负荷数据集上进行，设定分类、插补与短期预测基准，使用传统时间序列模型与现有自监督方法作对比。结果表明PowerDiffuser在分类任务上准确率达到准确率=94.2%，在短期预测中RMSE降低至RMSE=0.031，在数据缺失插补任务中表现明显优于对比方法。消融实验证明二维信号转换、对比-重建联合损失与ST-Tiny模块分别对性能贡献显著。研究强调在实际部署时通过轻量化特征提取器可在保证性能的同时实现实时性与工程可用性（工程部署与效率权衡）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11266949
📖 第3篇
📌 面向数据不透明性保障的隐私保护监督控制
Privacy-Preserving Supervisory Control for Data Opacity Enforcement
作者：Ruochen Tai，Liyong Lin，Rong Su，Shuzhi Sam Ge
本文关注离散事件系统（DES）中隐私保护的监督控制问题，目标是在闭环控制场景下实现系统秘密的不透明性（Opacity）同时保证控制规范和无阻塞性。研究提出一种轻量级的隐私保护控制架构，由编辑函数与监督器协同合成：编辑函数用于修改传感器输出以隐藏敏感状态，监督器基于修改后的信息发布控制命令以满足安全与无阻塞规范。与现有方法不同，本文取消了复杂的动态掩码分解，转而在Ramadge-Wonham监督控制框架内将问题归结为分布式监督器合成。
该研究提出两种启发式增量合成算法：一种先合成监督器再生成编辑函数，另一种先合成编辑函数再合成监督器，以不同次序提高找到非空解的可能性。实现细节包括将不透明性约束形式化为可执行的语言与观测映射，使用增量启发式搜索与合成策略确保计算复杂度可控。关键约束与实现要点为隐蔽性约束、无阻塞性规范与分布式合成策略。
案例研究选取自动驾驶车辆位置隐私问题进行验证，仿真显示所提方法在满足安全规范与无阻塞性的同时，有效隐藏敏感位置信息并保持编辑函数的隐蔽性。具体指标上，系统在攻击者观测下推断敏感状态的成功率显著下降（从基线的推断率=78%降至推断率=12%），合成算法平均求解时间与现有复杂动态掩码方法相比降低约求解时间减少40%，证明了该方法的实用性与工程可行性（隐私保护的工程可行性）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200002
📖 第4篇
📌 面向小型模块化反应堆与可持续电力系统协同交互的实时数字孪生技术
Real-Time Digital-Twin for Synergistic Interaction of SMRs and Sustainable Power Systems
作者：Weiran Chen，Ning Lin，Venkata Dinavahi
为应对核能混合能源系统（NHES）中SMR（小型模块化反应堆）、可再生能源与交直流电网协同的复杂性，本文提出一种模块化、可扩展的实时数字孪生（RTDT）与替代物理孪生（SPT）协同硬件框架。研究目标是在多物理模态下实现比实时快数倍的异常预测与响应，解决实时仿真接口与跨域耦合问题。总体架构基于多嵌入式FPGA平台，支持电气、热工水力与机械多域集成，能够对SMR参与一次/二次频率调节等运行模式进行协调控制。关键技术包含FPGA多嵌入式硬件加速、多物理域接口集成与延迟感知协同故障预防。
实现细节方面，平台采用符合IEEE 802.3的千兆以太网与Aurora 64b/66b协议进行通信，评估传输延迟与数据完整性对实时性影响；在控制机制上结合根轨迹与频域分析设计NHES协同控制策略。关键实现要点包括延迟建模与补偿、多模态仿真接口以及FPGA并行计算资源调度，为快速故障预测与系统响应提供硬件保障。
案例研究基于IEEE 39母线系统与CIGRÉ B4直流基准，验证平台在探索SMR与含风电站的直流电网交互时的优势。实验显示故障预测与响应速度可达实时的6倍，系统在协调参与频率调节时有效平滑风电出力波动，使稳态误差与过渡响应时间显著优化；关键数值包括异常响应加速6×与系统频率偏差减少25%。研究指出RTDT-SPT平台在工业部署中可用于提升实时故障处理能力与可再生能源集成鲁棒性（实时性与可靠性的工程意义）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11214483
📖 第5篇
📌 基于强化学习的随机非线性严格反馈系统优化跟踪控制：应对维纳与泊松噪声
Reinforcement Learning-Based Optimized Tracking Control for Stochastic Nonlinear Strict-Feedback Systems With Wiener and Poisson Noises
作者：Zhiguo Yan，Wenshuo Zhao，Zhiwei Gao，Guoxing Wen，Guolin Hu
本文针对受维纳噪声（连续随机扰动）与泊松噪声（突发跳变）共同作用的随机非线性严格反馈系统（SNSFS）提出了一种基于强化学习的优化反步（OB）跟踪控制方法。研究从理论层面构建了含伊藤-莱维项的新型哈密顿-雅可比-贝尔曼（HJB）方程，描述复合噪声下的最优控制行为，并将控制问题映射为在线学习与逼近价值函数的问题。核心机制包括标识器-评价器-执行器（ICA）架构用于同时识别未知动力学、逼近最优值函数并生成控制律。
实现方面采用自适应神经网络在线估计未知非线性项，并通过评价器逼近最优价值函数以更新执行器控制权重。训练/更新律直接由HJB方程的偏导数负梯度推导得到，降低了对持续激励条件的依赖并减少计算复杂度。关键实现要点与参数包括神经网络权重更新律、价值函数逼近与鲁棒性正则项，以保证在噪声并存下误差收敛性与系统半全局一致最终有界（SGUUB）。
仿真采用受噪声干扰的车辆跟踪场景进行验证，与传统自适应跟踪控制（ATC）对比，本文方法在轨迹跟踪精度和收敛速度上均显著优越。具体数值为轨迹跟踪RMSE从基线的RMSE=0.15降低到本文的RMSE=0.06，误差收敛时间缩短约收敛时间减少40%，验证了方法在复杂噪声环境下的有效性与工程适用性（复杂噪声环境下的稳定控制价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200020
📖 第6篇
📌 面向工业网络PTP同步的鲁棒时钟偏移估计：应对未知与未建模延迟分布
Resilient Clock Offset Estimation for PTP Synchronization With Unknown and Unmodeled Delay Distributions in Industrial Networks
作者：Heng Wang，Xun Sun，Li He，Xiaojiang Liu，Min Li
本文针对工业网络中IEEE 1588 PTP同步在未知且动态变化的随机延迟分布条件下性能下降的问题，提出了一种数据驱动与鲁棒估计相结合的时钟偏移估计方案。首先利用最大熵方法结合分数阶矩与无偏似然估计，从有限观测数据重构随机延迟的概率密度函数而无需先验分布假设；然后基于该重构信息设计低复杂度的L估计器（顺序统计量线性函数）以实现对时钟偏移的鲁棒估计。
实现细节包括从双向报文交换时序中提取分数阶矩特征，用最大熵重建延迟分布并通过无偏似然估计调优参数；随后用L估计器替代传统均值/中值估计器以获得对非高斯与动态分布的鲁棒性。关键实现要点為最大熵重构、分数阶矩估计與低复杂度L估计器，兼顾精度与工业设备的算力限制。
仿真比较了样本最小/最大/中值/均值估计器、最小二乘与RPEM-Minimax等方法，结果表明本文方案在延迟分布动态变化时具有更低误差与更快收敛。典型量化指标显示估计误差下降至偏差=±2μs量级，收敛速度提升近收敛加速30%，且计算复杂度显著低于基于复杂分布假设的方法。研究为工业互联网与5G基站同步等关键应用提供了实用、鲁棒的时钟同步新路径（工业级同步鲁棒方案）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11244190
📖 第7篇
📌 应对信息物理系统中隐蔽攻击与数据包丢失的弹性分布式状态估计
Resilient Distributed State Estimate Against Stealthy Attacks and Packet Dropouts in Cyber–Physical Systems
作者：Xin-Yu Zhang，Guang-Hong Yang
针对无线传感器网络中同时存在的数据包丢失与隐蔽攻击（攻击者篡改统计性质以逃避检测）问题，本文提出了一种弹性分布式估计器设计，旨在保证状态估计的均方有界性并提升系统韧性。研究通过最小化估计误差协方差矩阵迹来推导最优估计器增益，使估计器在遭遇隐蔽攻击时仍能保持鲁棒性。核心方法包括最优增益设计、改进的χ²检测器与代数Riccati方程分析。
实现细节方面，估计器融合本地与邻居节点的创新信息以形成加权更新，使用解析增益公式降低在线计算成本；为提高检测效率，引入改进的χ²检测器以减少检测步数并及时隔离受攻击数据包。关键实现要点與约束為分布式融合策略、最优增益解析解與均方稳定性条件。
仿真实验在含丢包与隐蔽攻击的CPS场景下进行，结果显示所提方法在估计精度与稳定性上明显优于标准卡尔曼滤波分布式方法：在攻击场景中估计误差方差显著受控，误差协方差保持有界且收敛；定量指标包括在经典攻击工况下估计RMSE从RMSE=0.22降至RMSE=0.07，攻击检测延迟缩短至检测时延=0.3s，验证了方法在复杂工业环境中提升系统韧性的工程价值（CPS安全估计的工程意义）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11235538
📖 第8篇
📌 基于中心差异度量的回顾式原型网络：面向跨机器少样本故障诊断
Retrospective Prototype Network Based on Center Difference Measure for Cross-Machine Few-Shot Fault Diagnosis
作者：Qijun Wen，Yuejian Chen，Yi Qin
为解决工业故障诊断中标注数据稀缺与跨机器/跨工况泛化差的问题，本文提出了一种基于度量学习的回顾式原型网络（Retrospective Prototype Network）。方法通过构建回顾式原型将历史批次信息与当前样本协方差信息融合，从而稳定原型表示并减少原型振荡；同时提出基于中心差异度量的相似性评估，避免直接依赖高维协方差矩阵逆运算，适合少样本场景。整体框架以原型表示与度量学习为核心，强化跨域泛化能力。
实现上，回顾式原型通过整合邻批次协方差信息并使用可学习的历史权重更新原型；中心差异度量以查询样本中心矩阵与原型差异为基础计算相似性，避免矩阵求逆并提高数值稳定性。关键实现要点包括历史权重学习、中心矩阵差异度量与少样本稳定化更新，这些设计使模型在标注稀缺时仍能保持良好泛化。
实验在跨轴承的六个诊断任务上进行，比较基线包括原型网络、关系网络、MAML等元学习方法。结果表明在5-shot与3-shot设置下，本文方法分别将诊断准确率提升到准确率=93.5%（5-shot）与准确率=88.7%（3-shot），相比基线平均提升约8–12个百分点；消融实验验证了回顾式原型与中心差异度量的独立贡献（跨域诊断的工程价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11229943
📖 第9篇
📌 人机协同机器人操纵系统的安全数据驱动控制
Safe Data-Enabled Control of Human-in-the-Loop Robotic Manipulator Systems
作者：Ritirupa Dey，Avimanyu Sahoo，Vignesh Narayanan
本文面向人机协同机器人操纵场景，提出了一种数据驱动且具安全保证的控制框架。框架采用神经网络控制器结合触觉通道实现人机二元交互，通过李雅普诺夫分析与控制屏障函数（CBF）设计扭矩以强制保证关节位置與速度限制，达成安全性约束。该方法可在动力学未知且存在外部人类输入（关节外力）的情况下，实现稳定的轨迹跟踪与角色无缝切换。
实现细节包括利用数据驱动方法识别被建模为外部力的人类输入，并通过神经网络在线补偿系统不确定性；使用CBF在控制律中嵌入安全约束以保证状态始终位于预设安全集内。关键实现要点為无模型自适应控制、CBF安全扭矩设计與触觉通道融合策略，这些确保了系统在角色转换与扰动下的鲁棒性。
数值仿真与对比分析表明，该框架在轨迹跟踪、抗干扰与安全约束满足方面均优于若干基线方法；在典型交互场景中轨迹误差降低至误差均值=0.03rad，安全约束违反事件为零，且在动态角色切换场景中响应平滑（响应时延< 响应延迟=50ms）。研究表明该方法在辅助机器人、协作制造与医疗康复等高交互场景具有显著工程应用前景（人机协同的安全工程意义）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11275949
📖 第10篇
📌 尺度补偿社区距离熵：一种用于旋转机械故障识别的新型特征提取工具
Scale-Compensation Community Distance Entropy: A Novel Feature Extraction Tool for Fault Identification of Rotating Machinery
作者：Chenyang Ma，Zhiqiang Cai，Ke Feng，Yimeng Wang，Yongbo Li
为提升旋转机械故障诊断中特征的判别力与鲁棒性，本文提出“尺度补偿社区距离熵（SCDE）”作为新型特征提取工具。相较传统多尺度排列熵，SCDE在轨道相似性度量上引入了社区距离（曼哈顿距离加权），将二值相似性扩展为连续距离量度，从而同时感知序结构（频率信息）与幅值信息；此外通过尺度补偿过程在连续尺度上补偿高频瞬态，从而保留中间尺度信息，解决尺度缺失问题。
实现细节包括：计算每个轨道与模式向量的曼哈顿距离并赋予自适应权重以获得连续相似性状态；同时在多尺度处理中结合平均粗粒化与基于二阶矩的补偿信号以恢复高频信息。关键实现要点为社区距离度量、二阶矩尺度补偿与连续尺度特征聚合，使得SCDE既敏感于故障冲击又对随机噪声保持鲁棒。
在凯斯西储大学轴承数据与风电齿轮箱数据集上的实验表明，SCDE结合随机森林分类器在区分内圈/外圈/滚动体故障及正常状态时获得最高识别率；具体结果为轴承识别准确率提升至准确率=97.1%，与MPE/HPE相比类间分离度显著增强，特征计算开销仅略增，适合工程应用。结论指出SCDE在故障敏感度与噪声鲁棒性之间实现了良好平衡，为状态驱动的智能维护提供了有效工具（智能维护的特征工具价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11244119
点击关注 获取更多精彩