当前，工业互联网作为推动制造业数字化与智能化转型的关键引擎，正通过产学研协同与创新实践，加速大数据、人工智能和大模型等前沿技术在工业领域的深度应用。为进一步促进工业互联网与大模型、人工智能技术的深度融合，《软件导刊》特开设“工业互联网数据创新应用”专题。专题共汇集了5篇文章，以探讨学术界与产业界在该领域的最新研究成果与工程实践，推动创新思想交流与产业落地。
人工智能与数字经济广东省实验室（深圳）胡汪鑫等撰写的《基于启发式规则与模拟退火的多阶段生产排程优化算法》针对电子产品制造中调度策略不佳引发的资源闲置与效能低下问题，提出一种融合启发式规则与模拟退火的协同优化排程算法。在公开数据集上的测试结果显示，该算法性能相较于同类算法处于领先水平。
中国人民解放军网络空间部队信息工程大学常皓瑞等撰写的《基于Datalog 逻辑推理与大模型语义增强的二进制数据结构重构方法》针对现有无符号二进制文件数据结构恢复方案存在的静态分析语义匮乏与学习模型结构不一致等问题，提出一种融合Datalog逻辑推理与大语言模型（LLM）语义推理的混合推理框架Osiris。在标准数据集上的实验表明，相较于现有方法，所提框架在结构体类型识别、布局恢复、嵌套关系恢复任务中效果更优。
江苏海洋大学葛涛等撰写的《工业物联网去中心化可审计隐私保护联邦学习方案》针对模型更新本身隐含的隐私信息泄露风险，以及中央服务器单点故障、数据篡改风险与本地数据在工业物联网节点间分布不平衡而导致客户端漂移的问题，提出一种去中心化可审计隐私保护的联邦学习方案。安全分析和实验结果表明，所提方案可满足工业物联网对安全、轻量化的协同需求。
苏州华元世纪科技发展有限公司陈建等撰写的《基于深度学习的无人机发动机故障风险预测》针对无人机涡扇发动机在复杂工况下故障率高、安全隐患突出，且传统故障诊断方法滞后于风险预警需求的问题，提出一种融合注意力机制的长短期记忆网络（LSTM）故障风险预测模型。实验结果表明，搭配专家系统以及基于规则的风险管理平台可为无人机发动机预测性维护提供技术支撑，对降低运维成本、提升飞行安全冗余具有重要实践价值。
上饶师范学院黄起豹等撰写的《基于强化学习与博弈优化的多工单协同排产研究》针对智能制造多品种、小批量模式下多工单协同排产的资源冲突、多主体目标异构及动态扰动适应性差等问题，提出融合强化学习与博弈优化的协同排产方法。该方法实现了多主体利益均衡与动态排产优化的统一，为复杂制造场景下的排产提供了新思路。
本专题由于篇幅限制，未能涵盖该研究领域的所有方向，通过对这些前沿理论与先进方法的持续探索，有望不断完善工业互联网数据创新应用的研究体系，推动形成数据驱动的智能制造新范式，为工业数字化转型注入新动能。