近日，yl6809永利官网2022级研究生朱洵和郭林盛同学分别在第38届《InternationalConference on Industrial, Engineering & Other Applications of AppliedIntelligent Systems》国际会议上，录用相关论文并在线进行学术报告交流，展示了各自在工业领域的前沿研究成果。
郭林盛同学的论文题目为“ADual-Agent Framework for Condition-Based Maintenance of Production Systems”，研究聚焦于生产系统中的设备维护策略，针对传统维护策略在灵活性和决策效率方面的不足，提出了一种基于深度强化学习的双智能体维护优化框架。该框架通过将维护策略选择与维护时间调度任务解耦，并由两个独立但协同的智能体完成，有效提升了策略决策的灵活性与系统适应性。研究中引入非线性退化过程模型以描述设备状态演化，并设计了多阶段维护机制，涵盖多种维修方式，增强了框架在复杂工业场景下的适应性与可扩展性。实证测试结果显示，该框架在提升系统稳定性、降低维护成本和优化资源调度方面具有显著优势，为智能维护技术提供了创新性解决方案。
朱洵同学在会议上展示的论文题目为“GAN-MKED:Adversarial Learning for Industrial Knowledge Graph Error Detection”与“MST-SGAN-KGQA:An Approach for Industrial Knowledge Graph Quality Assessment”，聚焦工业知识图谱质量评估与错误检测难题，提出了两项创新性技术，有效解决了动态工业环境下多模态数据融合、噪声干扰带来的质量挑战。其中，工业知识图谱质量评估框架MST-SGAN-KGQA通过融合多模态数据嵌入、时空图神经网络、生成对抗网络与自监督学习，实现了复杂工业场景下的知识图谱质量精准评估。该框架整合文本、图像和时序数据的多模态特征，借助时空图神经网络（MST-GNN）动态捕捉知识图谱中的时空依赖关系，同时利用生成对抗网络强化异常检测能力，自监督学习任务则提升了模型在无标签数据下的泛化性能。实验表明，该框架在工业设备维护数据集（IEMD）和生产过程管理数据集（PPMD）上表现优异，异常检测率达0.88，在20%高噪声环境下仍保持稳健性能，显著优于现有方法，为预测性维护提供了可靠的知识支撑。
对抗学习纠错技术GAN-MKED则针对工业知识图谱中的错误定位问题，采用谱归一化生成对抗网络（SN-GAN）结合关系感知图注意力网络（R-GAT），精准识别知识图谱中的错误三元组。该技术通过微调BERT 模型处理文档数据、SENet提取图像特征、BiLSTM与FFT融合传感器信号，实现多模态特征的深度整合，并通过自适应阈值机制提升错误检测精度。在包含12万三元组的工业知识图谱数据集（Industrial-KG）测试中，其F1值达85.4%，为工业知识图谱的错误修正提供了高效解决方案。
据悉，第38届工业、工程及其他应用智能系统国际会议延续了强调应用智能系统在解决工程、科学、工业、自动化与机器人、商业与金融、医学与生物医学、生物信息学、网络空间和人机交互等领域实际问题方面的应用的传统，该会议多年入选CCF推荐会议列表，此次会议投稿近200篇，录用论文89篇。
