<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《控制与决策》编辑部 -->工业人工智能]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于双阶段注意力的双流记忆调节GRU软测量建模]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1326]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对非线性动态工业过程建模中易产生信息冗余和时序信息衰减问题, 提出一种基于双流记忆调节门控循环单元并内嵌双阶段注意力机制的动态软测量算法. 首先, 设计时间相关和动态因果相关的双流信息提取结构, 在门控循环单元中分别引入时间门和因果门, 提取信息中的时序关系与动态因果关系, 从而形成互补信息流, 提高模型的预测性能; 然后, 在特征提取和预测输出阶段分别引入特征注意力和时序注意力机制, 以动态挖掘输入特征与目标特征间的潜在相关性, 捕捉关键特征, 并评估不同历史时间点对于待预测时刻的重要程度, 从而选择关键时间点信息; 最后, 通过数值仿真以及某火电厂脱硫过程排放烟气SO<sub>2</sub>浓度的软测量验证所提出算法的预测效果.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[廖开继，隋璘，熊伟丽]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1326]]></guid><cfi:id>37</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于相似度的燃气轮机故障可诊断性分析方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1142]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对燃气轮机信号监测过程中存在噪声干扰及特征冗余所导致的数据稳定性差、诊断效率低的问题, 提出一种基于相似度的燃气轮机可诊断性分析方法. 首先, 通过多项式拟合得到运行数据的整体趋势, 消除局部突变导致的噪声, 计算得到噪声阈值, 解决监测信号噪声干扰问题; 然后, 利用动态时间规整算法对燃气轮机不同运行状态下的数据进行相似度计算, 得到独立性特征, 构建可诊断性评价矩阵与故障特征矩阵, 筛选燃气轮机最优特征组合, 解决监测信号特征冗余问题; 最后, 将筛选得到的最优特征组合作为深层卷积神经网络的输入, 建立故障诊断模型, 利用燃气轮机典型气路故障数据对所提出的方法进行实验验证, 结果表明, 所提出的方法有效去除了冗余特征, 具备良好的故障隔离性, 准确率达到99.98 %, 相对原始特征诊断效率提升32.61 %.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[韩逍豫，曹云鹏，屈东生，冯伟兴]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1142]]></guid><cfi:id>36</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[变负荷条件下压气机零样本性能退化评估方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1448]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[燃气轮机发电系统是火力发电装备的核心组成部分, 然而, 系统中压气机叶片的积垢等因素会导致其性能退化. 因此, 实时评估压气机性能退化程度, 并在适当时候进行水洗, 对于确保压气机的安全可靠运行至关重要. 但是, 出于安全性和经济性等因素的考虑, 电厂通常不允许压气机在严重退化的条件下运行, 故压气机严重退化状态数据获取困难, 传统数据驱动的退化评估模型难以建立, 从而无法预测退化程度以判断是否需要进行水洗. 进一步地, 考虑到压气机性能随燃机负荷不同而有不同表现, 这种差异对于评估压气机的实际退化程度产生了干扰, 增加了准确判断其性能退化情况的难度. 鉴于此, 首先, 提出压气机退化知识引导的退化差值生成对抗网络, 在严重退化数据完全缺失的零样本场景下, 利用专家标注的先验知识对性能轻微退化的数据特征实施定向劣化, 生成性能严重退化的数据特征, 进而有监督地训练退化评估模型; 然后, 为缓解负荷变化造成的干扰, 将不同负荷工况视为多个域, 从运行数据中提取消除变负荷影响的特征, 并通过设计知识预测器, 在这些特征中保留各类先验知识的信息, 提升退化差值生成对抗网络的生成质量; 最后, 使用真实压气机运行数据对所提出方法的有效性进行验证, 与其他零样本学习方法相比, 所提出方法退化等级评估调和平均准确率提升了5.22%.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[张堡霖，赵健程，岳嘉祺，赵春晖，闫月君，陈辰]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1448]]></guid><cfi:id>35</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合主题模型与文本特征的汽车质量多维动态监测与诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1469]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[汽车产业是国民经济的重要支柱产业之一, 其质量安全问题备受瞩目. 汽车质量反馈信息延迟性较高, 汽车用户在线投诉成为汽车制造商发现质量缺陷的重要信息途径. 现有研究主要关注汽车质量缺陷的静态提取, 如缺陷识别与类型划分, 较少研究汽车质量问题的动态变化. 鉴于此, 针对网络上汽车质量投诉文本特点, 应用潜在狄利克雷分配模型提取质量缺陷主题, 将投诉文本按照主题分类, 计算各缺陷主题下投诉文本的时间间隔和情感得分, 从频率和强度两个维度同时刻画投诉的变化趋势. 由于时间间隔和情感得分的联合分布难以确定, 基于秩检验和经验Copula提出一种二元稳健控制图(记为BEWMA-LC), 对于不同投诉主题同时在线监测投诉文本的时间间隔、情感得分以及相关性, 并在报警后能够进一步识别异常原因. 以大众速腾汽车为实证对象, 基于车质网2010年 $\sim $ 2021年在线投诉文本数据, 通过与已有非参数控制图的对比分析, 验证所提出方法在实时监测和诊断汽车质量变化方面的有效性.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[宋贽，王晗，张久军，胡雪龙]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1469]]></guid><cfi:id>34</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于局部特征增强的浮选过程改进半监督工况识别方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1439]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[深度学习方法在泡沫浮选监测中越来越受到关注, 然而, 此类方法面临对关键特征区域感知不足和难以获取足量高质量有标签泡沫图像的问题. 鉴于此, 提出一种基于局部特征增强的改进半监督工况识别方法(local feature enhancement-based improved semi-supervised condition recognition method, LFE-ISSM). 首先, 级联ResNet18和卷积注意力模块(convolutional block attention module, CBAM)构造局部特征增强模块, 通过通道注意力和空间注意力双注意力机制强化泡沫图像的局部特征表达能力; 然后, 使用改进半监督算法训练工况识别模型, 算法在Mean-Teacher框架的基础上融合基于阈值的伪标签正则化策略和特征相似性对齐策略, 以确保伪标签的可靠性并有效引导模型学习数据中的潜在结构信息. 实验结果表明, 所提出方法可有效提取泡沫图像特征, 且在实际工业锌浮选数据集上的分类性能优于对比方法.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[艾明曦，许庆，张进，孔庆洁，李鹏，谢永芳，唐朝晖]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1439]]></guid><cfi:id>33</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于缺失值学习和结构保留的不平衡不完备多视图聚类]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0191]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[现有的不完备多视图聚类算法虽然取得了一定的进展, 但是仍然存在局限性: 1)无法准确挖掘缺失数据的潜在信息, 特别是在各视图缺失率不一致的情况下; 2)难以同时保留数据的全局结构和局部结构; 3)无法有效挖掘不同视图的高阶相关性和互补信息. 为解决这些问题, 提出基于缺失值学习和结构保留的不平衡不完备多视图聚类算法. 首先, 算法通过线性投影将原始高维数据映射至低维空间; 然后, 结合基于近邻关系学习的补全矩阵和完整性约束机制对缺失值进行填充, 从而确保填充的缺失值尽可能保持数据的原始结构; 接着, 算法采用子空间聚类技术、超拉普拉斯正则化和加权张量Schatten-$ p$范数, 有效捕获数据的全局结构、局部结构以及高阶相关性; 最后, 与10个对比算法在多种缺失率的8个仿真不完备多视图数据集上进行对比实验, 实验结果表明所提出方法的性能优于其他对比算法.]]></description>
<pubDate>2025/8/8 9:56:17</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陈梅，郭爱霞，王洁，杨嘉怡，詹苏宝]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0191]]></guid><cfi:id>32</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多元信号自适应分解的轴承故障诊断方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-0758]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对传统滚动轴承故障诊断方法中单信道振动数据分析导致的故障特征提取不充分、诊断精度受限的问题, 提出一种基于改进人工蜂群算法的多元变分模态分解(IABC-MVMD)与精细复合多元多尺度模糊熵(RCMMFE)相结合的多元故障信号诊断方法. 为克服MVMD分解过程中分解层数与带宽平衡参数难以自整定对诊断精度带来的影响, 设计一种融合Chebyshev混沌映射、精英信息引导、自适应惯性权重的改进人工蜂群算法(IABC), 满足了多元激励信号在频域内的自适应剖分需求. 在此基础上, 使用RCMMFE构建能够全面表征轴承状态的高维故障特征集, 并将其输入支持向量机中进行故障诊断. 通过CWRU数据集上的仿真验证并与现有方法的对比分析, 结果表明, 所提出方法能够高效准确地提取与识别滚动轴承的多元故障信号特征, 具有较好的理论价值与实践意义.]]></description>
<pubDate>2025/6/5 15:27:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[高佳，王艳红，张俊，谭园园，李冬]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-0758]]></guid><cfi:id>31</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于<i>k</i>近邻图的密度峰值聚类算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1152]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[密度峰值聚类(DPC)算法简单高效, 能够识别任意形状簇, 但在处理簇间密度差异大的数据集时, 不能准确识别出簇中心. 同时, 其分配策略可能会导致连续的分配错误. 为解决上述问题, 提出一种基于$k$近邻图的密度峰值聚类($k$NNG-DPC)算法. 首先, 利用$k$近邻思想构造$k$近邻全局图和局部图, 并在此基础上提出新的局部密度和相对路径距离, 从而保证簇中心选取的正确性; 然后, 制定一种两级分配策略, 对不同密度大小的数据点采用不同的分配策略, 以避免出现连续的分配错误. 在10个合成数据集和8个真实数据集上, 将$k$NNG-DPC算法与6种优秀的聚类算法进行对比, 实验结果表明, $k$NNG-DPC算法的聚类表现优于对比算法, 能获得更好的聚类结果.]]></description>
<pubDate>2025/6/5 15:27:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陈梅，魏礼磊，尤远毓秀，唐晟洲]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1152]]></guid><cfi:id>30</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于可信多源领域自适应的跨域滚动轴承故障诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1430]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对现有多源领域自适应故障诊断方法未充分考虑不同源域信息质量差异的问题, 提出一种基于可信多源领域自适应的跨域故障诊断模型(TMDAFD). 首先, 构建源域与目标域的最优公共嵌入空间, 以实现特征有效对齐; 然后, 基于证据深度学习理论, 设计具有不确定度量的领域自适应模型, 量化不同源域支持下目标域诊断结果的不确定性, 为多源决策融合提供可信依据; 最后, 结合所得到的不确定度指标设计信息融合策略, 有效整合多源决策信息, 进一步提升跨域故障诊断模型的准确性. 在凯斯西储大学(CWRU)、江南大学(JNU)和渥太华大学(UO)三个滚动轴承故障数据集上进行实验验证. 实验结果表明, TMDAFD模型显著提升了跨域故障诊断任务的性能, 验证了其在复杂多源场景下的有效性.]]></description>
<pubDate>2025/6/5 15:27:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[周旷，覃文博，孙天宇]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1430]]></guid><cfi:id>29</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[一种基于无监督深度迁移学习的地铁车轮退化状态智能评估方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1327]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着国内城轨列车普遍加装轴箱振动传感器, 基于振动信号的车轮退化状态检测成为地铁运维的新需求. 受路基病害、变载荷及测量误差等因素影响, 振动信号易受不规则噪声干扰, 导致退化状态识别精度较低; 同时, 新列装车辆数据不足, 退化趋势表征困难, 检测模型鲁棒性不足. 鉴于此, 提出一种鲁棒无监督张量域适配网络, 通过跨车辆车轮退化信息迁移提升状态评估效果. 首先, 利用深度卷积自编码网络提取源域与目标域的深度特征, 采用张量Tucker分解获得核心张量, 通过最小化两域核心张量间的最大均值差异损失及张量化趋势性损失来进行领域适配; 然后, 建立交替优化算法, 交替进行张量分解与领域适配, 得到最优核心张量及公共退化特征表示; 最后, 基于退化特征的第一主成分构建健康指标(HI), 并根据HI曲线的凹凸性识别退化拐点. 实验基于国内某地铁6号线的实测数据, 结果表明, 所提出方法能够有效实现车轮退化信息迁移, 且鲁棒性强、识别精度高, 可以为地铁跨线跨车运维提供新的解决方案.]]></description>
<pubDate>2025/6/5 15:27:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[刘灏，毛文涛，寇淋淋，陈一帆，吴佳宁]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1327]]></guid><cfi:id>28</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合概率信息与稀疏规范变量分析的化工过程微小故障检测]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1160]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[早期微小故障往往表现为数据分布变化不明显, 且高维数据下变量共线性的存在会导致样本协方差矩阵高度病态甚至奇异, 因此传统基于规范变量分析的方法面临难以求解协方差矩阵的逆且无法及时检测到微小故障的难题. 针对上述问题, 提出一种融合概率信息与稀疏规范变量分析(PSCVA)的微小故障检测方法. 首先, 在求解规范变量时施加<i>L</i><sub>0</sub>约束, 利用混合整数二次优化方法对数据矩阵进行分解以获得稀疏规范变量, 增强变量间潜在关系的直观理解并有助于发现关键故障变量; 其次, 利用正常阶段获得的稀疏规范变量构造规范向量、残差向量和规范变量残差3种统计量, 进一步考虑正常样本与故障样本之间的概率分布差异, 引入Wasserstein距离构造概率化的故障检测指标, 以提高微小故障的检测性能; 接着, 采用核密度估计确定非高斯分布数据下统计指标的控制限; 最后, 通过田纳西伊斯曼(TE)化工过程和连续搅拌反应釜(CSTR)系统的案例研究结果表明, 相较于CVDA和PCVDA, 在TE过程中所提出方法的检测率分别提高27.53 %和10.68 %, 在CSTR系统的早期微小故障检测中分别提前106和60个样本预警到故障.]]></description>
<pubDate>2025/6/5 15:27:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陈新，潘东辉，杨文志]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1160]]></guid><cfi:id>27</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多准则并行采样的昂贵多目标优化]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1257]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[实际仿真模拟辅助设计的多目标优化问题, 完成一次性能评估的成本代价极其昂贵. 基于历史数据训练廉价的代理模型, 辅助多目标优化算法求解昂贵多目标优化问题, 是目前主流方法之一. 然而, 当优化目标数量增多时, 将面临模型管理中如何选取新样本改善模型质量的困难. 为此, 从多个目标估值与其可靠性平衡、解的收敛性和多样性自适应平衡、当前样本分布三方面考虑, 分别提出基于线性组合置信下界函数、自适应性能平衡函数、标量偏差矩阵的3个采样准则, 并行选取若干个体进行真实函数评价后填充样本集, 提高模型引导多目标优化算法寻优效率. 同时, 引入非支配样本引导当前种群搜索, 加快定位最优区域. 最后应用两个经典多目标问题集和两个优化实例, 与5个先进算法比较, 验证了所提算法的有效性.]]></description>
<pubDate>2025/6/5 0:00:00</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[秦淑芬，孙超利]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1257]]></guid><cfi:id>26</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[变负载条件下电机故障的Transformer-DANN诊断方法研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0230]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对深度学习中标准训练集无法全面覆盖实际工况中的故障特征, 导致故障识别率急剧下降的问题, 提出一种融合一维卷积神经网络(1DCNN)和Transformer层的域对抗神经网络(DANN)迁移学习方法Transformer-DANN. 使用1DCNN和Transformer层, 改进特征提取器的提取特征的能力, 降低计算复杂度; 针对不同负载下故障数据特征不同的问题, 采用DANN方法对故障数据进行分类处理. 对所提出方法进行实验验证, 在电机变工况条件下, 平均识别率达到98.13%, 最大识别率为99.42%. 结果表明, 所提出方法能有效提高变工况条件下的电机故障识别准确率, 可以满足现实应用中设备故障诊断的任务需求.]]></description>
<pubDate>2025/9/9 14:06:26</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[王嘉铭，蔡浩原，柳雅倩，邓智瀚，陈骏彬]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0230]]></guid><cfi:id>25</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[DI-YOLO: 一种面向无人机航拍图像的高效小目标检测框架]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0425]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对航拍图像中目标尺寸微小、纹理特征模糊以及分布密集带来的检测难题, 提出一种基于改进YOLO架构的DI-YOLO检测模型. 当前主流检测方法在微小目标结构信息保留以及多尺度特征提取和融合方面存在明显不足. 鉴于此, 构建内容感知特征增强模块(CARAFE), 通过动态特征选择机制实现跨层级特征的自适应融合; 同时, 设计并行异构特征调制模块(PHFM), 有效协调全局上下文建模与局部细节特征的关联性; 并引入形状感知交并比损失函数(Shape-IoU)和微小目标检测头, 进一步提升边界框回归精度和微小目标检测能力. 在VisDrone2019和DOTAv1.5基准数据集上的对比实验结果表明, 所提出模型较基准模型YOLOv10取得显著提升: 在VisDrone2019数据集上, mAP@0.5和mAP@0.5 : 0.95指标分别提升了12.7%和13.7%; 在DOTAv1.5数据集上, 对应提升了12.1%和10.2%, 且在计算效率方面保持优势. 消融实验进一步验证了各模块的有效性, 为航拍场景下的高精度目标检测提供了新的解决方案.]]></description>
<pubDate>2025/9/9 14:06:26</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[丁浩晗，贺万程，万俊，沈易航，崔晓晖]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0425]]></guid><cfi:id>24</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于关键点引导的u-shapelet时间序列聚类算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0021]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对大多数基于u-shapelet的时间序列聚类方法未能同时兼顾u-shapelet提取效率和质量的问题, 提出一种基于关键点引导的u-shapelet时间序列聚类算法UKey. 首先, 从时间序列数据集中随机采样一个时间序列子集, 采用所提出两步法识别采样时间序列中的关键点; 然后, 利用这些关键点提取子序列得到u-shapelet候选集, 这一策略不仅确保所提取的候选子序列包含关键波动区域, 还能有效减少候选子序列的数量; 接着, 引入Davies-Bouldin (DB)指数作为一种新的子序列质量评估方法, 旨在通过综合考虑类间分离度与类内紧凑性, 以确保所获取的u-shapelet集合具有较高的质量; 最后, 采用$ k $-Means算法对基于u-shapelet集合构建的距离矩阵进行聚类. 在10个不同数据集上的实验结果表明, UKey算法的性能优于14种对比算法, 具有较高的准确性和可解释性.]]></description>
<pubDate>2025/9/9 14:06:26</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陈梅，王钰]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0021]]></guid><cfi:id>23</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[空间分组内卷积轻量级目标检测算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0035]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对现有轻量级目标检测算法存在检测精度不足、特征融合能力较弱及检测速度较慢等问题, 在YOLOv8n基础上提出基于空间分组内卷积的轻量级目标检测算法. 首先, 在内卷积基础上提出一种新型空间分组内卷积(SGWInvo), 克服内卷积空间信息建模方面的不足, 并基于SGWInvo进一步设计一种轻量化主干网络SCNet替换YOLOv8n主干网络; 其次, 提出一种双向路径聚合网络, 以提高多尺度目标的特征融合能力; 最后, 采用深度可分离卷积对检测头进行轻量化, 结合YOLO2YOLO分步训练策略, 消除NMS带来的推理时延. 研究包括两种检测方法: 一对多匹配的SGWInvo-YOLO和一对一匹配的SGWInvo-YOYO. 在COCO数据集上的实验表明, 与YOLOv8n相比, 两种算法参数量均降低23.3%, SGWInvo-YOLO与之推理速度相当, mAP0.5精度提升3.0%; SGWInvo-YOYO推理时延减少10.5%, mAP0.5精度提升2.3%.]]></description>
<pubDate>2025/9/9 14:06:26</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[卢迪，赵庆]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0035]]></guid><cfi:id>22</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于加权对抗域自适应的旋转机械开放集跨域故障诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1038]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[传统深度学习故障诊断假设训练集与测试集独立同分布且标签空间一致, 然而, 在实际工业中, 常出现新故障类型和数据“分布漂移”, 即开放集跨域识别, 导致模型泛化能力差、诊断精度下降. 针对开放集跨域故障诊断问题, 提出一种基于深度一维卷积神经网络(1D-CNN)的改进对抗域自适应的故障诊断方法. 首先, 利用1D-CNN从多领域的输入样本中提取代表性特征; 然后, 使用一个特征细粒度分类器来区分多领域中的共享和离群特征; 接着, 采用加权模块指导域判别器实现域不变特征学习; 最后, 域判别器利用域不变特征指导特征分类器的分类, 最小化全局损失, 实现开放集跨域故障诊断. 实验结果表明, 该模型在美国凯斯西储大学(CWRU)数据集和齿轮箱数据集上的跨域故障诊断精度高于其他方法, 特别是在开放集数据中优势明显.]]></description>
<pubDate>2025/9/9 14:06:26</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陆碧良，张英杰，孙庆帅，李蒲德]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1038]]></guid><cfi:id>21</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于异构特征递进融合的图像超分辨率重构网络]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0813]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[卷积神经网络与Transformer相结合的混合架构为进一步提升超分辨率重构效果提供了新思路而备受关注. 针对现有并行结构网络特征提取与融合多为相互独立结构, 忽略了异构建模路径间的层级交互和信息引导, 难以兼顾底层空间细节与高层语义信息协同建模的问题, 提出基于异构特征递进融合的超分辨率重构网络. 首先, 提出网络逐层交替进行异构特征提取和融合, 充分利用各层次信息, 设计轻量自适应特征融合模块, 利用可学习的动态权重来实现异构特征自适应选择式融合. 然后, 进一步设计多分辨率协同上下文聚合模块, 构建大、中、小不同分辨率特征的多路径分支网络, 通过跨分辨率信息交互来捕获上下文信息. 其中: 所提出渐近式三重感知残差块通过“局部-全局-通道”策略来增强特征感知能力和灵活性, 跨分辨率反向投影融合模块构建可学习的差分-投影架构, 以实现跨分辨率特征图的动态信息互补与闭环交互. 最后, 通过实验结果表明, 与当前先进的同类方法相比, 所提出方法能够在多个数据集上取得最佳重构效果.]]></description>
<pubDate>2026/5/13 14:37:35</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[韩玉兰，刘显禄，吴桐，陈德澳，兰朝凤]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0813]]></guid><cfi:id>20</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合多源环境感知的强化学习能耗预测模型]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1052]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对现有电动汽车实时能耗预测模型环境感知能力不足、动态校准机制缺失等问题, 提出一种融合环境感知与强化学习的能耗预测模型. 首先, 为增强模型对于复杂工况的感知和理解, 设计基于对比学习与耦合强化学习协同训练的路况感知算法, 并引入多尺度图像特征融合机制, 有效提取与车辆能效高度相关的环境特征, 从而提升对于非平稳工况的感知精度; 然后, 构建马尔可夫实时能效估计模型并将其映射至强化学习框架中, 引入基于折扣未来能耗的时序一致性正则项(其中$Q $函数仅用于能耗响应评估), 实现模型的自校准式优化, 从而在动态场景下显著增强预测的鲁棒性和自适应性(模型不产生控制输出); 同时, 结合场景感知的优先经验回放机制, 强化模型对坡度突变、急加减速等关键工况的识别和学习, 进一步提高复杂环境下的特征提取和模型泛化能力; 最后, 通过场景感知的优先采样策略优化训练样本分布, 提升强化学习的收敛速度和训练效率. 实验结果表明, 所提出方法在所测试的两款车型以及多种仿真工况下均表现出优越的鲁棒性和稳定性, 其MAE低于0.2%, RMSE低于0.3%, $R^2 $超过99.5%. 与现有Transformer、Informer、Mamba以及LSTM模型相比, 平均误差分别降低约40% $\sim $ 70%, 收敛速度提升约30%, 在复杂工况下能耗预测精度显著提高.]]></description>
<pubDate>2026/5/13 14:37:35</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[彭自然，杨肖阳，舒中宾]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1052]]></guid><cfi:id>19</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[协同自进化的粒子群优化算法及其在图像分割的应用]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1289]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[粒子群优化算法因其参数设置简单、收敛速度快等优点, 被广泛应用于复杂优化问题的求解. 然而, 经典粒子群算法存在早熟收敛倾向和后期收敛速度减慢等局限性. 鉴于此, 提出一种协同自进化的粒子群优化算法. 首先, 所提出算法采用一种新的双群协同进化策略用于提高求解收敛速度, 同时, 为了平衡算法全局搜索与局部开发的寻优能力, 提出一个自进化框架, 通过概率性带偏向的方向学习策略结合衰减性的混动扰动策略, 有效提升求解算法的整体性能; 然后, 对算法边界理论进行改进, 提升算法在大多数优化问题上的适应性; 接着, 将所提出改进算法在CEC-2017测试函数集上进行测试, 验证该算法在低、中、高维复杂问题上的快速收敛能力和寻优性能; 最后, 将所提出改进算法应用于多阈值图像分割的阈值求解问题. 实验结果表明, 所提出改进算法能够有效提升图像的分割精度和效率, 验证了所提出算法在解决现实优化问题的有效性.]]></description>
<pubDate>2026/5/13 14:37:35</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[韩佳伶，陈芋渝]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1289]]></guid><cfi:id>18</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多分支特征融合自编码器的油井工况短期预测]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1175]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[油井工况预测对于提升油井生产效率、降低故障损失至关重要, 但目前油井工况预测仅能预测工况类型, 无法输出所预测的工况示功图, 导致现场应用受限. 针对该问题, 提出一种基于多分支特征融合自编码器的油井工况短期预测模型. 首先, 为解决示功图序列样本间图形变化趋势微弱, 易受噪声和相似工况图形的影响, 导致特征提取效果不佳的问题, 在编码器中设计3个方向的可变形卷积分支分别关注示功图<i>X</i>、<i>Y</i>和<i>XY</i>方向特征; 然后, 为互补不同分支所提取的方向特征, 设计基于空间注意力的交叉融合结构, 并将不同分支的融合特征进行拼接, 使用通道注意力机制增强特征融合效果; 最后, 将示功图特征序列输入长短期记忆网络预测未来工况的示功图特征, 并基于解码器重构示功图. 通过油田生产现场的油井示功图序列进行仿真验证, 结果表明所提出方法在油井工况预测及示功图重构上均具有良好的性能.]]></description>
<pubDate>2026/5/13 14:37:35</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[王通，王寒静，高宪文，王儒乐]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1175]]></guid><cfi:id>17</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[运价敏感性视角下考虑空箱调运的班轮企业双渠道舱位分配]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1209]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在航运业数字化转型的背景下, 班轮企业在线上线下双渠道中差异化的超售行为改变了各渠道的舱位供需匹配关系, 从而导致双渠道成本结构呈现异质性, 进而增加了双渠道舱位分配的复杂性. 对此, 基于托运人对运价的不同敏感性(分为运价敏感型与运价不敏感型), 构建双渠道舱位分配和舱位定价联合优化模型. 进一步, 将空箱调运纳入决策框架, 构建两阶段非线性规划模型, 以同步优化舱位分配量、舱位运价及空箱调运量. 以中远海运的一条从远东至南非的航线作为案例进行算例和敏感性分析, 结果表明, 与忽略空箱调运的模式相比, 考虑空箱调运可使班轮企业的期望总收益提升32%. 此外, 在现货市场托运人履约率、合同市场托运人置信水平、现货市场随机需求波动等参数变动情况下, 考虑空箱调运的模式表现出更优的收益稳定性. 通过对托运人类型的精细化分类, 为航运数字化背景下的班轮企业运营管理提供了理论支持与决策参考.]]></description>
<pubDate>2026/5/13 14:37:35</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[孙赫迎，高路逸，高远，张文会]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1209]]></guid><cfi:id>16</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于模仿学习的工业机器人控制策略]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0749]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对当前智能制造背景下复杂多变的工业应用场景对工业机器人智能化提升的需求, 提出一种基于Transformer的模仿学习控制策略. 首先, 设计示教机器人模型并搭建模仿学习实验平台, 降低专家演示数据采集难度, 提高效率; 其次, 提出基于夹爪状态的动作分块预测模仿学习模型(GACT), 在其中引入面向气动夹爪状态的二元交叉熵损失函数, 并为其设计独立的交叉注意力机制; 再次, 在MuJoCo环境中进行仿真验证, 并通过消融实验评估模型优化效果; 最后, 在KUKA工业机器人平台上开展实物实验验证. 仿真结果表明, GACT模型相较于基线及其变体具有更高的任务成功率与轨迹准确性; 实物实验结果进一步验证了该模型可有效实现工业机器人的运动控制.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[朱易凡，刘晋飞，黄华，陈明]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0749]]></guid><cfi:id>15</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于事后经验回放和策略延迟更新的深度强化学习充电枪装配策略]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0386]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为解决充电枪装配过程中传统强化学习算法训练样本效率低、策略不稳定和对硬件资源利用不充分的问题, 提出融合事后经验回放(HER)和策略延迟更新(DPU)的软演员-评论家(SAC)算法 (SAC with HER-DPU). 首先, 建立充电枪装配模型, 通过在经验回放池中引入HER, 重新定义目标以生成“伪成功”经验; 然后, 在算法的梯度更新部分加入DPU, 通过多次更新价值网络后再更新策略网络, 确保策略更新基于更稳定的价值估计; 最后, 在使用SAC with HER-DPU 算法进行充电枪装配训练时采用双线程训练架构, 将数据收集和神经网络训练解耦. 实验结果表明, 所提算法的收敛时间为33.2 h, 平均装配步数为75步, 相较于SAC算法, 收敛时间减少21.4 h, 平均装配步数少17步, 可有效提高训练的样本效率、策略稳定性和训练速度.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[王福杰，彭永岗，李醒，郭芳，秦毅，戚远航]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0386]]></guid><cfi:id>14</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向去中心化的零知识联邦半监督学习]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0599]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[为了在去中心化联邦学习场景中实现隐私保护与半监督训练的高效协同, 提出一种面向去中心化的零知识联邦半监督学习算法. 具体地, 首先设计一种反映本地数据特征的零知识特征码, 通过融合Pedersen承诺与Schnorr证明, 该特征码在实现客户端特征共享的同时, 可保障本地数据不可恢复性与交换过程的合法性验证. 其次, 设计一种高效的去中心化零知识标签传播方法, 利用特征码之间的相似度引导伪标签生成, 在保护隐私的前提下实现高效的标签信息传播, 并通过复杂度分析验证其计算开销显著低于同态加密方案. 最后, 通过在多个数据集上的实验表明, 所提出的算法在不同数据分布与无标签数据配置下均优于现有基准方法, 在准确率和鲁棒性方面具有显著提升; 同时, 通过可变聚类核心数量和网络拓扑结构的实验分析, 进一步验证聚类核心数量对性能的影响, 以及算法在不同去中心化设置中的稳健性和实用性.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[陈思光，潘沭伽]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0599]]></guid><cfi:id>13</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于隐连续性恢复的粗粒度离散标签混合时序预测方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0931]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[受传感器精度、数据存储以及人工标注效率等因素限制, 工业场景中常常使用粗粒度的离散标签替代原本连续的值. 然而, 离散标签通常会造成信息损失, 导致其背后隐含的连续动态过程难以准确建模; 此外, 离散变量与连续变量在分布特性和信息粒度上存在差异, 无法实现统一的预测. 针对上述问题, 提出一种基于隐连续性恢复的粗粒度离散标签混合时序预测方法(CDL-HCR). 首先, 所提出方法通过隐连续性恢复策略, 利用可观测的离散标签推断不可观测的连续变量, 从而实现对原本不可测连续变量的估计. 然后, 结合自监督学习机制, 将恢复得到的隐连续变量与原有连续变量在统一空间中进行特征融合, 以提升混合时序数据的预测精度. 在线应用阶段, 模型可直接输入实时采集的混合数据进行预测. 最后, 在真实的滚筒烘丝过程数据集上验证所提出方法, 验证结果显示其在混合时序数据预测任务中相比于传统方法具有更高的准确性.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[孙曦，赵春晖，张皓然]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0931]]></guid><cfi:id>12</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[非稳态扩散下基于指数权重调节和分层重采样的信息趋向溯源算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0687]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在浮力烟羽环境下, 气体扩散方向的高度非稳态特征使信息趋向算法依赖的扩散方向平稳性假设失效, 导致信息熵梯度计算失准, 引发粒子错误收敛和搜索效率下降. 为此, 提出一种非稳态气体扩散下基于指数权重调节和分层重采样的改进信息趋向溯源算法. 首先, 在权重归一化过程中引入指数型权重修正系数, 通过指数变换有效平衡权重分布差异, 减少粒子错误收敛; 其次, 构建基于残差信息的分层重采样模型, 采用分层抽样方法提升粒子集表征能力, 提高源位置估计准确度; 最后, 建立基于接近指数-区块序列的双阈值监测机制, 当监测到搜索停滞时触发位置迁移策略, 有效解决局部最优困境. 仿真实验表明, 所提出的权重优化策略和动态重定位机制显著增强了算法在非稳态扩散环境下的鲁棒性和搜索效率.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[宋程，马少杰，贺昱曜，雷小康]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0687]]></guid><cfi:id>11</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[考虑可持续性的云制造服务组合优化研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0775]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在“双碳”目标与工业5.0理念的共同驱动下, 面向可持续发展的云制造服务组合策略既契合国家战略, 又满足企业的现实需求. 基于此, 提出考虑可持续性的云制造服务组合决策模型. 首先, 基于三重底线原则和服务生命周期理论构建可持续性评价指标体系, 并采用模糊最优最差法确定指标权重; 其次, 结合任务结构及物流关键因素, 计算服务组合的指标聚合值并构建多目标优化模型; 然后, 提出基于可持续性评价的多目标人工蜂鸟算法(SE-MOAHA)求解模型, 并通过综合评价方法确定最优方案; 最后, 以阿里云制造平台的复杂机械手制造任务为案例, 验证所提决策模型的有效性和优越性, 与初始算法MOAHA及经典算法U-NSGA-III的对比结果表明, 所提方法在求解质量、效率与稳定性方面均具有优势.]]></description>
<pubDate>2026/4/17 13:21:44</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[孙琳，禹春霞，陈萌，李灿灿]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0775]]></guid><cfi:id>10</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合超图优化与对抗生成的高速磁浮电磁铁表面缺陷轻量化检测方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1155]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[时速600公里高速磁悬浮列车的运行安全至关重要, 任何部件的表面缺陷都可能对运行安全造成重大影响. 目前, 电磁铁的表面缺陷检测仍主要依赖人工巡检, 而基于深度学习的方法在实际工业环境中面临数据稀缺、精度低及实时性差等多重挑战. 鉴于此, 提出一种两阶段磁悬浮电磁铁缺陷检测方法, 第1阶段快速定位并裁剪电磁铁, 第2阶段精确定位缺陷. 为缓解缺陷样本稀缺问题, 采用StarGAN v2生成对抗网络进行数据增强, 并引入难负样本挖掘策略以降低误报. 第1阶段为满足实时性需求, 设计轻量化网络结构, 通过结构裁剪与通道剪枝显著降低模型复杂度, 使参数量减少约97%, CPU推理速度提升约370%. 第2阶段模型融合高阶关系建模、多分支动态融合模块与去归一化Transformer等多种结构, 以增强跨尺度建模能力. 实验结果表明, 对比同规模模型, 第2阶段提出的模型在自建电磁铁数据集上的平均mAP<sub>50-95</sub>高出6.2%, 在PCB与GC10-DET两个公开数据集上也取得最高的F<sub>1</sub>分数并保持实时性能, 显示出良好的工业部署可行性.]]></description>
<pubDate>2026/1/17 14:28:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[魏秀琨，刘小克，吴冬华，张艾欣，汤庆锋]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-1155]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于森林火灾风险的AG600消防飞机机场选址研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0664]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对消防飞机的机场选址问题, 构建基于森林火灾风险因子的多目标规划模型, 旨在最小化总任务时间与经济成本. 该模型综合考虑森林火灾风险、灭火资源需求、消防飞机性能参数及部署运营成本+等多种因素, 为提升高风险区域的优先覆盖能力, 引入基于风速、相对湿度和植被覆盖度的森林火灾风险因子. 此外, 针对所构建的高维度整数多目标优化模型, 引入自适应因子和双层决策选择策略, 以提升NSGA-II算法的求解能力. 以广西地区为例, 利用ArcGIS进行空间数据处理, 并采用改进的NSGA-II算法对选址模型进行求解. 研究结果表明: 改进的NSGA-II算法能够有效提升求解速度和求解质量; 在广西地区, 柳州白莲机场部署2架AG600消防飞机为最优方案, 其解的相对接近度较其他方案提高39%. 所提出基于森林火灾风险因子构建的机场选址模型可为我国AG600消防飞机机场选址和部署提供理论依据和参考.]]></description>
<pubDate>2026/1/17 14:28:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[王诗琪，孙智，陈涛，朱培，张剑高]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0664]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[中断风险下考虑随机参照价格效应的复杂产品多源采购策略]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0622]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在全球政治经济局势日益复杂多变的今天, 国际供应链面临着前所未有的挑战, 断链风险如影随形. 针对由一个制造商、两个供应商以及一个紧急供应商组成的二级供应链系统, 研究突发事件导致供应链中断时, 考虑消费者的购买决策易受随机参照价格影响的情形下, 制造商应如何进行定价决策以及采购策略的选择. 研究结果表明: 1)当不可靠供应商中断概率和随机参照价格波动性较小时, 制造商选择单一供应商采购策略将获得更大的利润; 当中断概率较大时, 双源采购策略是制造商更好的选择. 2)随机参照价格的波动性和中断概率均会显著影响制造商对各供应商采购量、供应商的批发价格、制造商定价以及产品的绿色度. 3)不可靠供应商中断概率和随机参照价格波动性对于制造商定价决策的影响程度具有不确定性.]]></description>
<pubDate>2026/1/17 14:28:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[储开伟，朱建军]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0622]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于可靠伪标签的旋转机械的跨工况开集故障诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0563]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[旋转机械作为工业系统的核心部件, 其故障诊断对保障设备安全运行至关重要. 然而, 在跨工况场景下, 基于深度迁移学习的故障诊断面临故障样本收集成本高昂和数据分布存在差异两大挑战. 这些挑战在目标域存在未知故障的开集迁移场景下尤为突出, 为此提出一种由分层聚类引导生成可靠伪标签的域自适应(HCRPDA)方法: 首先, 使用源域数据监督训练特征提取器和分类器, 并通过构建域混淆损失来驱动源域和目标域进行对抗学习, 实现已知类别的跨域分布对齐; 其次, 基于域判别器输出的源域相似度和通过分类器的输出计算得到的分类熵这两个指标进行分层聚类, 筛选高置信度的未知类伪标签样本, 进而训练专用的未知类判别器以提升模型对未知故障的识别能力; 最后, 使用PU轴承数据集以及PHM2009齿轮箱数据集进行仿真验证. 实验结果表明, HCRPDA相比于主流的域自适应方法具有更高的未知类识别率和已知类分类准确率, 特别是面对目标域中未知类样本比例较高的场景, 优势更加明显.]]></description>
<pubDate>2026/1/17 14:28:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[刘学志，王振雷，王昕]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0563]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多源特征融合的工业过程微小故障诊断]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0655]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[微小故障的早期识别对生产安全与产品品质至关重要, 但其信号微弱, 易受噪声干扰, 难以人工检测, 导致传统诊断方法难以有效应对. 对此, 提出一种基于多源特征融合的工业过程微小故障智能诊断方法 —— 基于图卷积与门控循环单元的注意力融合建模方法(GCN-GRU-A). 首先, 采用格拉姆角场(GAF)技术在每一时刻将多维传感器数据组合成一维向量并生成对应的格拉姆角和场(GASF)图像, 以充分挖掘数据的空间结构特征, 再借助图卷积网络(GCN)对其进行深层次空间特征提取; 其次, 利用门控循环单元(GRU)对原始时序信号进行特征提取, 获取其时间演化规律; 然后, 通过多头注意力机制对空间和时序两路特征进行加权融合, 进一步强化关键故障信息的表达能力, 抑制冗余噪声; 最后, 融合特征被输入至分类器, 实现微小故障类型的精准识别. 通过直拉(CZ)法硅单晶生长过程对所提出算法的有效性进行验证. 结果表明, 所提出的GCN-GRU-A建模方法在多项关键指标上均优于传统单一特征建模方法, 显著提升了微小故障的检测灵敏度和诊断鲁棒性.]]></description>
<pubDate>2026/1/17 14:28:42</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[万银，刘丁，任俊超]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0655]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向复杂背景光伏电池红外图像的小目标缺陷检测研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0774]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[光伏电池的高效发电对于实现碳达峰与碳中和目标具有重要意义, 针对光伏电池红外图像缺陷中存在背景复杂和目标尺寸较小等问题, 提出一种改进RT-DETR-R18的缺陷检测模型 —— FSC-Net. 首先, 在骨干网络提出部分重参数化快速残差块(PRFRB), 该模块通过设计部分重参数化卷积, 在实现轻量化的同时能够增强对目标特征的提取能力; 然后, 在颈部网络中构建小目标感知特征金字塔(SOAFP), 利用$P_2 $检测层、空间到深度卷积和浅层特征融合模块, 重构特征图的同时保留细节特征, 强化对小目标特征的表达; 接着, 引入多分支特征融合模块Conv3XCC3, 通过差异化结构分支进一步提升颈部网络特征融合的效率和多尺度信息的整合能力; 最后, 在损失函数方面, 采用Inner-WIoUv3替代传统GIoU来提升边界框回归定位的精度. 实验结果表明, FSC-Net与RT-DETR-R18模型相比, 参数量减少了2.47 M, 模型尺寸压缩了9.8%的同时平均检测精度mAP@0.5和mAP@0.5 : 0.95分别达到90.0%、75.8%, 相较于基准模型分别提升了5.7%、4.1%, 实现了对光伏电池红外图像缺陷的高效检测.]]></description>
<pubDate>2025/12/30 17:02:12</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[彭道刚，邓玉澳，王丹豪，潘俊臻]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0774]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于高频信息调制的轻量级单幅图像超分辨率网络]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1471]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在图像超分辨率领域, 高频信息的精确度和重建图像的清晰度密切相关. 目前主流模型多依赖于稠密连接或简单串行的模块堆叠方法来提取高频信息, 并借助空域注意力机制来优化图像的重建. 这种方法虽然有一定的效果, 但不可避免地会造成高频信息的冗余或重建图像精度不足的情况. 为此, 引入一种基于高频信息调制的图像超分辨率网络. 该网络巧妙地融合了自调制和互调制策略, 以优化图像的重建流程. 自调制模块集成了多尺度采样网络与高频引导的空间注意力机制, 有效滤除了冗余信息, 并同步校准了空域与频域的信息. 而互调制模块则通过构建自调制信息之间的非线性映射关系, 进一步提升了高频信息的准确性. 经过一系列实验验证, 所提出的模型与当前流行的模型相比, 不仅在量化指标上表现出色, 保持了参数的轻量化, 同时具有出色的视觉效果, 充分表明了其在图像超分辨重建方面的优越性.]]></description>
<pubDate>2025/12/30 17:02:12</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[江鹤，顾豪，郑州，乙夫迪，王子强，程德强]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2024-1471]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于图注意力自编码器的自适应加权深度图聚类算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0477]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[现有深度图聚类方法因依赖静态初始图结构而存在显著局限性, 此类结构通常不完整或存在偏差, 且难以动态捕捉节点相似性变化. 对此, 提出基于图注意力自编码器的自适应加权深度图聚类算法(AWDGC). 首先, 通过可训练的广义马氏距离结合高斯核函数, 自适应分配边权重以构建加权邻接矩阵; 其次, 设计图注意力自编码器, 通过注意力机制融合多阶邻居信息以增强特征判别性; 然后, 提出基于节点相似性的动态结构优化策略, 周期性更新邻接矩阵以捕捉相似性动态变化; 最后, 引入自监督聚类模块, 通过KL散度优化聚类分布对齐, 提升特征表示与聚类任务的协同性. 在ACM、DBLP、CITESEER、TEXAS等6个公开数据集上的实验表明, AWDGC在聚类指标上均显著优于8个代表性基线方法.]]></description>
<pubDate>2025/12/30 17:02:12</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[徐森，王作为，郭乃瑄，卞学胜，徐秀芳，花小朋，周天]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0477]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于子空间映射的多任务储层计算方法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0465]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[储层计算(RC)作为一种高效的循环神经网络训练范式, 在处理单个时序任务时表现出色. 但是在多任务场景下, 不同任务引起的储层状态易发生混叠, 限制了其应用. 鉴于此, 提出一种基于子空间映射的多任务储层计算框架, 在传统的回声状态网络(ESN)的基础上, 设计并实现一种多任务回声状态网络(MT-ESN). 该方法为每个任务分配唯一的二元映射向量, 在每个时间步, 任务对应的原始储层状态与其映射向量进行Hadamard积运算, 将原始的高维储层状态选择性地投影至由其映射向量所定义的低维子空间内, 从而实现不同任务储层状态轨迹在共享储层内部的结构化分离, 从根本上抑制状态混叠现象, 进而有效降低不同任务状态间的重叠度. 通过对多个混沌吸引子短期预测和真实世界多个时序任务预测的实验验证, 与标准ESN相比, MT-ESN能够在单一储层网络中显著提升多任务处理的准确性和稳定性, 尤其是在长时预测中能够有效避免状态崩溃; t分布随机邻域嵌入(t-SNE)可视化也验证了其储层状态分离能力, 研究还发现映射向量存在最优稀疏度. 所提出方法为在资源受限设备上实现多任务储层计算提供了有效途径.]]></description>
<pubDate>2025/12/30 17:02:12</pubDate>
<category><![CDATA[工业人工智能]]></category>
<author><![CDATA[张昭昭，陈豪，朱应钦，余文]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0465]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>