2025年9月，实验室杜鑫博士撰写的论文“Anomaly Detection Based on Graph Neural Networks Incorporating with Domain Knowledge for Industrial Cyber-Physical Systems”被期刊Expert Systems With Applications（影响因子7.5）录用。

“Anomaly Detection Based on Graph Neural Networks Incorporating with Domain Knowledge for Industrial Cyber-Physical Systems”分析了工业信息物理系统进行未知工况数据异常检测中面临的关键挑战。有效的异常检测依赖于对工业信息物理系统正常行为的准确建模。当前主流的数据驱动方法过度依赖数据规模与质量，而忽略了质量守恒、结构依赖等系统内在特性，导致训练数据难以覆盖全部工况，造成分布差异，显著削弱模型在未知条件下的泛化能力。同时，基于第一性原理的白盒机理模型在实际应用中往往难以构建。为此，本文提出一种融合领域知识的混合图神经网络，将控制、物理与结构特性嵌入数据驱动框架。该方法通过机理模型预测系统行为，并利用嵌入拓扑与空间知识的HGNN补偿其预测误差，形成机理嵌入混合图网络，通过分析预测误差实现未知工况下的异常检测。实验表明，提出的方法在分布偏移场景下将图神经网络的检测准确率从36.6%–82.4%提升至79.4%–96.3%，优于对比方法。

论文研究得到了国家自然科学基金项目（62127808、62320106005）的资助。