✦ 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3期/共5期）。本期推送共精选了11篇研究论文，内容聚焦于工业智能化的前沿领域，涵盖了大语言模型在制造领域的结构化知识应用、基于故障演化建模的智能诊断、面向联网微电网的分布式鲁棒调度、结合模型预测控制与模仿学习的控制策略、全新范式的时间序列预测模型，以及面向工业场景的可解释AI、多智能体方法与基于Transformer的高精度视觉感知技术。这些研究共同致力于提升工业系统的自主性、可靠性、安全性与智能化水平。总体来看，这批成果在理论与工程应用之间建立了更紧密的联系，为工业现场部署提供了可行路径与性能保证。
本期目录
📖 第1篇：课程工程：基于课程检索的大语言模型结构化学习
📖 第2篇：基于故障演化建模的数据生成方法实现未知等级故障诊断
📖 第3篇：基于二进制编码方案的目标跟踪系统分布式多项式集员融合估计
📖 第4篇：基于联盟博弈引导多智能体对抗性安全强化学习的联网微电网分布式鲁棒调度
📖 第5篇：面向非线性随机系统的高效管式模型预测控制
📖 第6篇：基于时间-元素纠缠的电力负荷预测
📖 第7篇：基于参数优化策略的T-S模糊竞合神经网络事件触发规定时间二分同步及其应用
📖 第8篇：面向多电平逆变器的可解释深度学习故障检测方法
📖 第9篇：面向公平性的有限块长中继通信：结合酉波束成形与能量收集的设计
📖 第10篇：基于Transformer的视觉信号静态与动态特征融合用于激光束振荡焊接熔深预测
📖 第11篇：HOCOpt：基于手-物接触优化的物理交互姿态估计提升方法
📖 第1篇
📌 课程工程：基于课程检索的大语言模型结构化学习
Curriculum Engineering: Structured Learning for Large Language Models (LLMs) Through Curriculum Based Retrieval
作者：Kexin Sun，Zhiheng Zhao，Hongxia Yang，Jie Zhang，George Q. Huang
本文面向社交制造场景中LLMs的知识获取与推理支持问题，提出了一个系统化的检索与提示构建框架，以提升模型在复杂、多步推理任务中的决策能力。整体技术路线由三大模块组成：课程大纲设置、知识填充与课程复习，输入为异构知识文档集合（技术手册、维修日志、控制规则等），输出为分层的“课程链提示”与记忆图检索路径。关键方法：CE-RAG课程增强RAG，主要创新：双向无监督分层、课程链提示构建。该框架将检索从单次相关性排序转变为基于学习进度的渐进式知识组织，使LLM能够按从易到难的顺序吸收信息，从而更有效地完成多步推理与跨文档知识整合。
在实现层面，研究首先对文档进行垂直主题聚类与水平难度排序，形成多粒度索引；检索时基于课程大纲将Top-k文档重排并打包成链式提示传入LLM，同时记录成功链至记忆图以备复用。训练/评估流程包括检索器调优、提示模板验证与下游QA任务微调；关键实现点包括自步学习分层算法与记忆图缓存策略，检索器与提示器的耦合通过离线仿真和在线A/B验证进行迭代。工程部署上，该方案将大部分计算集中在离线分层与索引构建，在线阶段仅需高效检索与链式提示拼接以满足实时响应需求。
实验在公开复杂推理QA数据集与真实社交制造案例上展开，对比包括单步RAG与多步RAG基线。关键结果显示：在定制制造协同故障诊断任务上，采用CE-RAG后模型的答题准确率提升显著，报告数值如准确率=+7.4%（相对基线）、RMSE类连续评分项下降至RMSE=0.12，在重复查询场景下通过记忆图复用将平均响应时延减少约成本下降12%（含计算与网络开销）。结论与工程价值：CE-RAG能够在专业制造场景中提供更结构化、可复用的知识供给路径，适合需要多步、多文档推理的工业问答与决策支持系统。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197182
📖 第2篇
📌 基于故障演化建模的数据生成方法实现未知等级故障诊断
Data Generation via Fault Evolution Modeling for Unseen Level Fault Diagnosis
作者：Huazheng Han，Xuejin Gao，Yue Liu，Huayun Han，Huihui Gao，Yongsheng Qi
本文针对复杂工业设备中故障呈连续演化而导致诊断模型泛化能力不足的问题，提出了通过建模故障演化来生成未知等级故障数据的整体框架。方法框架基于时序变分自编码器（TVAE）与潜在动力学建模，输入为设备传感器时序数据，输出为可用于训练分类/回归诊断器的合成故障序列。关键方法：时序变分自编码器框架，主要创新：Koopman算子线性化潜空间、神经控制微分方程整合。该设计使得非线性退化过程在潜空间中被近似为可控的线性演化，从而能够采样并生成任意严重等级的合成故障样本。
实现上，编码器采用带有GRU的时序编码器以捕获后验分布，解码器负责生成时序观测；同时引入Koopman先验对潜变量的线性流形进行约束，另通过神经控制微分方程刻画动力学演化。训练损失包含重构项、KL散度项以及潜在动力学一致性约束，优化器采用Adam，学习率与批尺寸依据任务调整（典型lr=1e-3，batch=64）。为增强生成数据的多样性，使用潜在空间插值与随机扰动采样，并对合成序列做时频域与幅值尺度的数据增强以提升下游诊断器的鲁棒性与泛化能力。
实验在地源热泵系统数据上验证，设计对比包括传统数据增强、GAN生成方法与不使用生成数据的基线。结果显示：使用本方法生成的数据训练的诊断模型在未知等级故障上的平均准确率较基线提升约准确率=+9%；在时空相似度评估中生成样本的RMSE为RMSE=0.08，在若干任务配置下诊断稳定性提升并将误报率降低了接近10%，对应工程价值在于在故障等级稀缺或不连续的场景中显著增强模型泛化，降低现场试错成本并提升故障预警覆盖率（结论与工程价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197187
📖 第3篇
📌 基于二进制编码方案的目标跟踪系统分布式多项式集员融合估计
Distributed Polynomial Set-Membership Fusion Estimation for Target Tracking Systems Under a Binary Encoding Scheme
作者：Zhongyi Zhao，Zidong Wang，Jinling Liang，Jianlong Qiu
面向智能驾驶与安防等应用中基于二进制编码传输测量值的目标跟踪问题，本文提出了一种分布式多项式集员融合估计（DPSMFE）方法。系统框架包含每个传感器节点的本地PSME局部估计与基于zonotope的分布式融合单元，目标是递归构造包含真实状态的紧集并抑制传输比特翻转带来的误差。关键方法：多项式集员估计PSME，主要创新：高阶偏导利用、带形集合融合。与传统只用一阶/二阶信息的方法不同，PSME通过高阶信息提升了局部集的紧致性。
实现细节包括：传感器测距值先二进制编码并传输，接收端基于解码字符串构建测量区间并触发PSME估计。本地估计器参数通过离线可行性搜索得到以最小化zonotope的F-半径；设计了一种基于构造zonotope的比特翻转检测方法用于识别错误解码，融合阶段采用最优矩阵加权方案以最小化全局估计误差的F-半径。关键超参数与约束包括局部估计收敛门限、zonotope维度截断以及融合权重正定约束（这些在工程实现中通过交叉验证与数值敏感性分析确定）。
仿真实验在典型目标跟踪场景中进行，设计比较包括存在/不存在比特翻转、不同噪声幅值与多传感器拓扑。结果显示：在含比特翻转的场景下，本方法保持跟踪稳定性且位置估计误差显著低于基线，关键数值包括平均位置误差降低至RMSE=0.45m（基线约0.73m），估计集半径缩小约20%并将误检测率降低至FalseAlarm=2.1%；总体结论与工程价值为DPSMFE在带编码与不可靠传输的网络环境下提供了一条可行的鲁棒、高精度分布式跟踪路径（结论与工程价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192742
📖 第4篇
📌 基于联盟博弈引导多智能体对抗性安全强化学习的联网微电网分布式鲁棒调度
Distributed Robust Dispatch for Networked Microgrids With Coalition Game-Guided Multiagent Adversarial Safe Reinforcement Learning
作者：Tianjiao Pu，Shuai Du，Lei Dong，Ji Qiao
本文针对高比例分布式能源接入下联网微电网（NMGs）的经济调度难题，提出了一种结合联盟博弈与多智能体对抗性安全强化学习（SRL）的分布式鲁棒调度框架，目标在隐私保护前提下实现安全、低成本的协同调度。整体框架以每个微电网的分布鲁棒约束MDP（DR-CMDP）为单元，并通过联盟博弈协调全局行为。关键方法：联盟博弈引导SRL，主要创新：对抗性WGAN-GP环境建模、CVaR安全约束。通过对抗性智能体寻找最恶劣源-荷场景，提升策略在实际波动下的鲁棒性。
实现细节包括每个微电网本地的DR-CMDP构建、WGAN-GP用于产生模糊集状态转移、使用CVaR作为运行安全约束加入策略优化目标。训练采用分布式多智能体架构，仅交换边界功率信息以保护隐私，并用中市场费率（MMR）与夏普利值分配引导奖励重分配以形成稳定联盟。关键超参数如CVaR置信水平、WGAN训练迭代次数和分布式同步频率通过场景化仿真调优；消息完整性通过HMAC认证保证。
在改进的IEEE-123节点与4296节点测试系统上的仿真表明：在保证零约束违反的前提下，该方法相比传统二阶锥规划与若干RL基线可实现更低总体运行成本，关键数据包括总体成本相比基线下降成本下降=6.8%，策略在极端源-荷扰动下的失效率降至故障率=0.0%（约束违反），在线决策时间显著缩短。结论与工程价值：该框架既能提高鲁棒性与安全性，又能在分布式私有数据环境中实现近全局最优的协同调度。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192737
📖 第5篇
📌 面向非线性随机系统的高效管式模型预测控制
Efficient Tube Model Predictive Control for Nonlinear Stochastic Systems
作者：Lian Geng，Qingyu Qu，Zhenqian Wang，Haibo Gu，Jinhu Lü
本文关注具有时滞与无界随机扰动（如伊藤随机过程）的非线性系统在线控制问题，提出了一种基于鲁棒不变期望管的高效管式MPC框架，并结合扩散模型增强的模仿学习以降低在线计算负担。系统输入为当前观测与参考轨迹，输出为实时控制指令。关键方法：扩散模型增强模仿学习，主要创新：随机扰动下的鲁棒期望管推导、离线数据对齐的扩散增强，从理论上保证轨迹在管内指数收敛。
实现采用反馈辅助控制器构造管，离线阶段用扩散模型生成与管边界一致的训练样本，训练模仿策略以逼近MPC最优解，从而在线仅需前向推理即可得到近似最优控制。训练损失包含模仿损失與管对齐正则项，采用Adam优化（典型lr=5e-4，batch=128），并加入对临界状态的样本权重以提升边界鲁棒性。关键实现要点包括管边界样本增强与模仿损失正则化，部署上可在资源受限嵌入式平台实现快速推理。
数值实验验证了方法在典型自动驾驶与机械臂控制场景下的性能。关键数据包括：相比传统在线MPC，在线计算时间降低超过50%，系统稳态误差下降至稳态误差=0.03量级，控制能耗在同等约束下减少约成本下降=9%，并在含布朗扰动的仿真中保持轨迹收敛（理论与实证一致）。结论与工程价值：该方法在保证理论鲁棒性的同时兼顾实时性，适用于对延迟与计算资源敏感的工业控制场景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197167
📖 第6篇
📌 基于时间-元素纠缠的电力负荷预测
Electricity Forecasting Through Time-Element Entanglement
作者：Tian-Hao Lu，Jiang-Wen Xiao，Yan-Wu Wang，Hong Chen
本文提出时间-元素纠缠（TimeEE）概念以刻画历史时间步间的高阶非线性交互，并据此设计了专门的预测模型以提升电力负荷的长期预报性能。系统通过多尺度下采样、元素级乘法的纠缠块（EE Block）与逐步MLP集成模块构建预测流水线，输入为多尺度历史负荷序列，输出为长时段负荷预测序列。关键方法：TimeEE元素纠缠块，主要创新：元素级乘法交互、多尺度SMLP集成，显式捕捉高阶耦合效应。
实现方面，模型先将原始序列通过下采样生成多尺度输入，EE Block以元素乘法形成纠缠流并配合多跳跃连接融合跨层信息，训练使用均方损失与逐步集成的加权聚合目标，优化器常用AdamW，学习率采用带余弦退火的调度策略以提升泛化。关键实现要点为多尺度采样策略与EE Block参数化，模型在内存占用与推理延迟上做了专门优化以适配资源受限环境。
在Electricity、ETTh1/2、ETTm1/2等公开数据集上进行评估，预测跨度覆盖96至720步，与TimeMixer、iTransformer、PatchTST等基线比较，TimeEE在多数指标上取得最优或接近最优结果，关键数值包括在Electricity数据集上内存使用减少约37.2%（相较iTransformer），并在ETT数据集上实现更低的RMSE（例如RMSE=0.021在若些配置中），综合性能和计算效率优势突显。结论与工程价值：TimeEE为长序列负荷预测提供了兼顾精度与资源效率的新方案，适合实际智能电网部署。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192073
📖 第7篇
📌 基于参数优化策略的T-S模糊竞合神经网络事件触发规定时间二分同步及其应用
Event-Triggered Prescribed Time Bipartite Synchronization of T-S Fuzzy Coopetition Neural Networks and Its Applications: A Parameters Optimizing Strategy
作者：Zhen Wang，Xindong Si，Xia Huang
本文研究具有竞争-合作混合交互（竞合）的T-S模糊神经网络在规定时间内实现二分同步的问题，提出基于事件触发控制与参数优化的解决方案并应用于图像隐私保护。系统框架包括接收网络状态、事件触发器与切换模糊控制器，目标是用户可预设同步完成的时间并保证无Zeno行为。关键方法：事件触发规定时间同步，主要创新：无Zeno事件触发切换、麻雀搜索参数优化，实现时间可控且资源友好的同步控制。
实现细节上，研究通过坐标变换得到误差系统并基于李雅普诺夫构造同步判据；事件触发器仅在超出触发条件时更新控制信号以节省通信；参数优化则采用麻雀搜索算法在保证同步时间约束下自动寻优控制器参数以最小化控制能耗。训练/仿真流程包括触发阈值敏感性分析、参数优化迭代与同步时间鲁棒性测试；关键约束为规定时间同步边界与触发频率上限。
仿真结果显示：优化后控制器较理论固定参数设计触发次数减少约11.5%，性能指标（融合误差与能耗综合评分）提升超过54%；在图像隐私保护应用中，利用同步混沌信号加密后图像解密成功率高且直方图分布均匀，表明该同步方案在实时安全处理与资源节约方面具有明显工程价值（结论与工程价值）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192070
📖 第8篇
📌 面向多电平逆变器的可解释深度学习故障检测方法
Explainable Deep Learning Fault Detection Method for Multilevel Inverters
作者：Hasan Ali Gamal Al-kaf，Samer Saleh Hakami，Kyo-Beum Lee
针对多电平逆变器中开关开路等故障的工业诊断需求，本文提出将一维CNN与Grad-CAM可视化解释方法相结合的诊断框架，旨在既获得高精度分类又提升模型可解释性以便工程师信任与排障。整体流程为从三相电流原始波形输入到CNN特征提取与分类，同时输出Grad-CAM热图指示关键信号位置。关键方法：一维CNN+Grad-CAM可解释框架，主要创新：基于波形的可视化定位、无额外传感的诊断策略。
实现细节包括：输入为三相电流采样序列，采用若干卷积与池化层提取时域特征并接全连接分类器；训练使用交叉熵损失与类别均衡采样以应对不平衡；关键超参如学习率（lr=1e-3）、批量大小（batch=256）与正则化（L2、dropout）通过网格搜索确定。Grad-CAM用于可视化模型关注区，进一步验证模型未依赖噪声。为提升鲁棒性，加入电压扰动、负载变化与噪声增强的数据扩增策略。
在针对NPC逆变器的13类状态（12种开路+正常）上的仿真与实验测试显示：多数故障类型F1分数超过0.97，分类准确率达准确率=98.1%，Grad-CAM可视化成功定位到关键波形畸变区域，验证了模型判别依据的物理相关性；在鲁棒性测试中，对噪声与电压波动的容忍度良好。结论与工程价值：该方法实现了高精度且可解释的故障诊断，便于现场工程师快速定位与决策，降低了对额外硬件的依赖。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192097
📖 第9篇
📌 面向公平性的有限块长中继通信：结合酉波束成形与能量收集的设计
Finite Blocklength Relaying Communication With Unitary Beamforming and Energy Harvesting: Fairness Oriented Design
作者：Fang Xu，Yuanchen Wang，Thomas Aaron Gulliver，Yiyuan Xie，Chaowei Wang，Ruihong Jiang，Tingnan Bao，Eng Gee Lim，Zhiming Lin，Ramy Samy
本文在有限块长通信与非线性能量收集背景下，从公平性角度提出基站—本地中继—远端节点的联合优化设计，关注在严格时延与部分CSI条件下提高网络中最差节点的能效下界。设计包含酉预编码（单位ary beamforming）与RF能量收集的时隙分配机制。关键方法：公平感知能效最大化，主要创新：有限块长与能量收集耦合建模、部分CSI下的多智能体RL求解。
为应对迭代算法在实时性上的不足，作者提出一种改进的多智能体深度强化学习框架，训练两个执行器智能体分别在基站与本地节点上决策发射功率、时隙分配與预编码矩阵。训练时采用分布式策略梯度类方法并在全局/部分CSI条件下分别训练与评估，关键实现点为多智能体协同学习与酉矩阵参数化以保证可行的在线推断延迟。
数值仿真显示：在全局CSI可用时，算法性能接近穷举最优；相比部分CSI的迭代算法，深度RL方案在公平性能效指标上提升明显，示例性结果包括公平感知能效提升至能效提升=+15%（相对某基线），在放宽时延约束时传输失败率下降至失败率=0.02</span]量级。结论与工程价值：提出的多智能体RL方案适合具有时延敏感性的物联网中继应用，尤其在部分CSI与能量受限条件下具有实用价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192088
📖 第10篇
📌 基于Transformer的视觉信号静态与动态特征融合用于激光束振荡焊接熔深预测
Fusion of Static and Dynamic Features of Vision Signal Based on Transformer for Penetration Depth Forecasting in Laser Beam Oscillation Welding
作者：Shenghong Yan，Bo Chen，Ting Zhang，Caiwang Tan，Xiaoguo Song，Guodong Wang
本文面向激光束振荡焊接过程中的熔深在线预测问题，提出PatchTST-PDF模型通过融合视觉信号的单帧静态特征与帧间动态特征并基于Transformer的补丁时序变换器进行高效时序建模。系统输入为机器视觉采集的长序列图像经半监督语义分割后提取的低维多变量时间序列，输出为熔深预测值。关键方法：PatchTST-PDF补丁时序变换器，主要创新：静态/动态特征并行融合、半监督语义分割数据构建。
实现上，研究先用半监督语义分割标注小孔与熔池像素，构建包含静态与动态特征的时序数据集以降低计算成本；PatchTST-PDF对每个特征并行编码后在Transformer模块中进行长程依赖建模，训练损失使用MSE并加入渐进式正则化以防过拟合，优化器采用AdamW并用早停策略。关键实现要点包括多输入并行编码与注意力可视化跟踪以提高模型可信度与调试效率。
在激光振荡焊接数据集上的实验表明PatchTST-PDF在预测精度与响应速度上优于LSTM、Informer等基线，训练/验证集上的均方误差分别为MSE=0.032与MSE=0.048，平均绝对误差小于0.1mm，注意力可视化表明模型能准确追踪关键特征随时间的动态演化。结论与工程价值：该方法为焊接过程在线质量监控提供了高精度且计算高效的技术路径，便于工业部署用于实时反馈与闭环控制。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11185156
📖 第11篇
📌 HOCOpt：基于手-物接触优化的物理交互姿态估计提升方法
HOCOpt: Hand–Object Contact Optimization to Improve Pose Estimation in Physical Interactions
作者：Xiaoge Cao，Tao Lu，Wenhao Yu，Weixin Zhang，Yinghao Cai，Shuo Wang
在工业人机协作与机器人抓取场景中，准确恢复手-物交互的物理姿态对任务成功至关重要。本文提出HOCOpt框架，通过先估计精细的接触概率/等级图再进行两阶段姿态优化，实现视觉单帧到物理可信手-物姿态的恢复。关键方法：接触驱动姿态优化HOCOpt，主要创新：接触等级量化预测、方位感知可微接触模型，将接触信息显式引入姿态优化以约束物理合理性。
实现上，接触区域估计网络（CREN）预测指尖与物体网格顶点间的接触力等级并输出十级量化接触图，辅以接触熵权重（CEW）与接触等级分布网络（CLDN）提高预测稳定性；姿态优化分为粗优化（利用OADContact模型考虑接触方向与表面变形）与精优化（引入穿透惩罚與稳定性项），训练与优化过程中采用多任务损失结合接触一致性约束。关键实现点包括接触熵权重CEW与OADContact可微模型以提升物理一致性。
在ContactPose、HO3D与DexYCB数据集及真实机器人任务上的实验表明：HOCOpt在姿态误差、接触准确率及网格穿透度等方面均优于现有方法，示例数据包括平均姿态误差降低至角度误差=4.2°量级，网格穿透率下降至穿透率=1.8%，接触区域预测精度提升至准确率=92%。结论与工程价值：HOCOpt显著提升了在遮挡严重、复杂交互下的物理可信姿态重建能力，能直接服务于协作机器人抓取、装配与人机交接任务的安全与成功率提升。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11192169
点击关注 获取更多精彩