重要信息

官网：https://ais.cn/u/Q3IBre

时间：2025年12月19-21日  

地点：中国 · 广州

征稿主题

一、核心技术体系与交叉融合架构

1.1 技术体系的协同架构

计算机、物联网与控制工程的融合形成了多层次技术架构，各模块的协同关系如下：

技术领域	核心模块	关键技术	协同作用
计算机技术	计算平台、算法引擎	边缘计算、云计算、AI 算法	数据处理与智能决策
物联网技术	感知层、网络层	传感器网络、MQTT 协议、RFID	数据采集与传输
控制工程	控制层、执行层	PID 控制、模糊控制、模型预测控制	物理系统调节与执行

1.2 技术融合的典型特征

三者的融合呈现出实时性、智能化、分布式等特征：

• 实时性：物联网采集数据通过边缘计算快速处理，控制指令低延迟响应
• 智能化：AI 算法嵌入控制流程，实现自适应决策与优化
• 分布式：多节点协同工作，构建去中心化的智能控制系统

二、物联网技术的实践与应用

2.1 物联网通信协议对比与选型

物联网设备通信依赖多样化协议，不同协议的特性对比：

通信协议	传输距离	功耗	传输速率	适用场景
MQTT	远（TCP/IP）	低	中	设备消息传输
ZigBee	中	极低	低	智能家居、工业传感
LoRa	极远	低	低	广域物联网
5G	远	中	极高	高带宽低时延场景

2.2 物联网数据采集与处理示例

以下是基于 Python 的物联网数据采集与解析代码：

python

运行

import paho.mqtt.client as mqtt
import json

# MQTT客户端配置
MQTT_BROKER = "broker.emqx.io"
MQTT_PORT = 1883
MQTT_TOPIC = "sensor/data"

def on_connect(client, userdata, flags, rc):
    print(f"Connected with result code {rc}")
    client.subscribe(MQTT_TOPIC)

def on_message(client, userdata, msg):
    # 解析传感器数据
    payload = json.loads(msg.payload.decode())
    sensor_id = payload["sensor_id"]
    temperature = payload["temperature"]
    humidity = payload["humidity"]
    timestamp = payload["timestamp"]
    
    print(f"传感器[{sensor_id}]数据：温度={temperature}°C，湿度={humidity}%，时间={timestamp}")
    
    # 数据预处理与阈值判断
    if temperature > 30:
        print(f"警告：传感器[{sensor_id}]温度过高！")

# 初始化MQTT客户端
client = mqtt.Client()
client.on_connect = on_connect
client.on_message = on_message

client.connect(MQTT_BROKER, MQTT_PORT, 60)
client.loop_forever()

三、智能控制算法的实现与优化

3.1 模型预测控制（MPC）的应用示例

模型预测控制适用于多变量约束系统，以下是简化的 MPC 实现代码：

python

运行

import numpy as np
from scipy.optimize import minimize

class MPCController:
    def __init__(self, model, horizon=5):
        self.model = model  # 系统模型：x_{k+1} = f(x_k, u_k)
        self.horizon = horizon  # 预测时域
        self.u_bounds = [(-1, 1)]  # 控制输入约束

    def cost_function(self, u_seq, x0, setpoint):
        # 计算预测时域内的成本
        x = x0
        cost = 0
        for u in u_seq.reshape(-1, 1):
            x = self.model(x, u)
            cost += np.sum((x - setpoint)**2) + 0.1 * np.sum(u**2)
        return cost

    def compute_control(self, x0, setpoint):
        # 初始化控制序列
        u_init = np.zeros(self.horizon)
        # 优化控制序列
        result = minimize(self.cost_function, u_init, args=(x0, setpoint),
                         bounds=self.u_bounds * self.horizon)
        # 返回第一个控制输入
        return result.x[0]

# 一阶系统模型：x_{k+1} = 0.8*x_k + 0.5*u_k
def system_model(x, u):
    return 0.8 * x + 0.5 * u

# MPC控制示例
mpc = MPCController(system_model, horizon=5)
x = 0  # 初始状态
setpoint = 5  # 目标值

for step in range(20):
    u = mpc.compute_control(x, setpoint)
    x = system_model(x, u)
    print(f"Step {step}: 状态={x:.2f}，控制输入={u:.2f}")

3.2 强化学习在控制中的应用

强化学习通过与环境交互优化控制策略，以下是倒立摆控制的 Q-learning 实现：

python

运行

import numpy as np

class QLearningController:
    def __init__(self, state_dim, action_dim, alpha=0.1, gamma=0.9, epsilon=0.1):
        self.q_table = np.zeros((state_dim, action_dim))
        self.alpha = alpha  # 学习率
        self.gamma = gamma  # 折扣因子
        self.epsilon = epsilon  # 探索率

    def choose_action(self, state):
        # ε-贪心策略
        if np.random.uniform(0, 1) < self.epsilon:
            return np.random.choice(self.q_table.shape[1])
        else:
            return np.argmax(self.q_table[state, :])

    def learn(self, state, action, reward, next_state):
        # Q值更新
        old_value = self.q_table[state, action]
        next_max = np.max(self.q_table[next_state, :])
        new_value = old_value + self.alpha * (reward + self.gamma * next_max - old_value)
        self.q_table[state, action] = new_value

# 倒立摆环境简化模型
def pendulum_env(state, action):
    angle, angle_vel = state
    # 动作：0(左推)、1(不动)、2(右推)
    torque = (action - 1) * 0.5
    angle_vel += (3 * np.cos(angle) + torque) * 0.05
    angle += angle_vel * 0.05
    angle_vel *= 0.99  # 阻尼
    
    # 状态离散化（角度分10区间，角速度分10区间）
    angle_bin = int((angle + np.pi) / (2*np.pi/10)) % 10
    vel_bin = int((angle_vel + 8) / (16/10)) % 10
    next_state = angle_bin * 10 + vel_bin
    
    # 奖励计算
    reward = np.cos(angle) if abs(angle) < np.pi/2 else -10
    done = abs(angle) > np.pi/2
    return next_state, reward, done

# 训练过程
controller = QLearningController(state_dim=100, action_dim=3)
episodes = 1000

for episode in range(episodes):
    state = (np.random.uniform(-np.pi/4, np.pi/4), 0)
    state_bin = int((state[0] + np.pi)/(2*np.pi/10))*10 + int((state[1]+8)/(16/10))
    total_reward = 0
    
    for _ in range(200):
        action = controller.choose_action(state_bin)
        next_state_bin, reward, done = pendulum_env(state, action)
        controller.learn(state_bin, action, reward, next_state_bin)
        
        state_bin = next_state_bin
        total_reward += reward
        if done:
            break
    
    if episode % 100 == 0:
        print(f"Episode {episode}: 总奖励={total_reward:.2f}")

四、系统集成与工程实践

4.1 边缘计算与物联网的融合架构

边缘计算将计算能力下沉至物联网边缘节点，典型架构包括：

• 感知层：传感器、智能设备采集数据
• 边缘层：边缘网关、边缘服务器实现数据预处理与实时控制
• 云端层：大数据分析、模型训练与全局优化

4.2 工业控制系统的安全防护

工业控制系统面临网络攻击风险，防护策略包括：

• 网络隔离：采用 DMZ 区域隔离生产网与办公网
• 访问控制：基于角色的权限管理（RBAC）
• 入侵检测：异常流量分析、行为模式识别
• 数据加密：传输层采用 TLS/SSL，存储数据加密

五、国际交流与合作机会

作为国际学术会议，将吸引全球范围内的专家学者参与。无论是发表研究成果、聆听特邀报告，还是在圆桌论坛中与行业大咖交流，都能拓宽国际视野，甚至找到潜在的合作伙伴。对于高校师生来说，这也是展示研究、积累学术人脉的好机会。