摘"要：電梯制動器的制動力矩是影響電梯運行安全的關(guān)鍵參數(shù)，利用深度學(xué)習(xí)算法對其進(jìn)行預(yù)測，能為電梯的安全使用和后期維保提供重要參考?；陂T控神經(jīng)網(wǎng)絡(luò)（GRU）預(yù)測模型，結(jié)合生成對抗網(wǎng)絡(luò)（GAN）的基本思想，以1D-CNN作為鑒別器，提高電梯制動力矩預(yù)測模型的泛化能力。利用實驗數(shù)據(jù)進(jìn)行訓(xùn)練，獲得的預(yù)測結(jié)果方均根誤差為1.024 4，并與常用的時間序列分析模型如GRU、LSTM等進(jìn)行對比，結(jié)果表明：所提出的方法在電梯的制動力矩預(yù)測精度上具有明顯的優(yōu)勢。

關(guān)鍵詞：電梯；制動力矩；時間序列分析；生成對抗網(wǎng)絡(luò)；門控循環(huán)神經(jīng)網(wǎng)絡(luò)

中圖分類號：TH17""文獻(xiàn)標(biāo)志碼：A""文章編號：1671-5276（2024）02-0050-06

Prediction Method of Elevator Braking Torque Based on GAN-GRU

SU Wanbin1， JIANG Yefeng1， YI Cancan2， XU Biao2

（1. Jiaxing Special Equipment Inspection and Testing Institute，Jiaxing 314050，China；

2. Wuhan University of Science and Technology，Wuhan 430081，China）

Abstract：The braking torque of elevator brake is a key parameter affecting the safety of elevator operation. Deep learning algorithm is used to predict it， which can provide an important reference for the safe use and subsequent maintenance of the elevator. Based on the Gated Neural Network （GRU） prediction model， this paper combines it with the basic idea of Generative Adversarial Network （GAN）， and uses 1D-CNN as the discriminator to enhance the generalization ability of the elevator braking torque prediction model. The experiment data is applied for training to abtain the prediction result with the root mean square error indicating as 1.024 4. Comparison is conducted with commonly used time series analysis models such as GRU and LSTM， and the results show that the proposed method has obvious advantages in the prediction accuracy of elevator braking torque.

Keywords：elevator；braking torque；time series analysis；generate adversarial network；gated recurrent neural networks

0"引言

電梯已被廣泛安裝在如大型工廠、政府機關(guān)、居民小區(qū)、商場等場合。截至2021年底，全國電梯保有量達(dá)到879.98萬臺，其中老舊電梯約占總數(shù)的5%，3年后，將增至8%，其中使用鼓式制動器的低速電梯仍為主流［1］。制動器作為電梯最重要的安全部件，其可靠性至關(guān)重要。制動器性能的重要指標(biāo)是制動力矩，當(dāng)制動力矩不足時，制動器難以對電梯進(jìn)行有效制停，極易導(dǎo)致嚴(yán)重的人員傷亡與財產(chǎn)損失［2］。2010年至2021年，全國因制動力矩不足造成的電梯事故超過18起，造成的人員傷亡超過27人。例如，2021年5月23日，廣東湛江市某小區(qū)內(nèi)，因制動器故障導(dǎo)致電梯發(fā)生沖頂，造成一人死亡，其原因在于電梯的制動力矩隨電梯的使用時間而逐漸降低，最終無法滿足電梯的制動安全要求［3］。

現(xiàn)有關(guān)于制動器力矩的研究主要在如何有效、準(zhǔn)確地檢測出制動力矩，主流方法為在制動狀態(tài)下對制動器施加轉(zhuǎn)矩，直至制動輪剛好發(fā)生滑動，測出當(dāng)前的力矩定義為最大靜載荷旋轉(zhuǎn)力矩，即所測制動器的最大制動力矩［4］。這種方式能直觀有效地檢測出電梯的實際力矩，但也不可避免地對電梯的制動性能產(chǎn)生負(fù)面影響。鼓式制動器的制動輪與制動閘瓦產(chǎn)生相對滑動，會對制動閘瓦造成極大的消耗，降低制動器的制動性能［5］。綜上，盡管電梯制動器的制動力矩是電梯安全評估的重要參考指標(biāo)，但在實際的檢測維護(hù)中很難對其進(jìn)行趨勢預(yù)測。因此，如何有效檢測電梯的制動力矩并對其退化狀況進(jìn)行預(yù)測，從而避免制動器故障導(dǎo)致的事故發(fā)生是當(dāng)下研究的熱點。目前，梁慶海等基于 Gamma 過程實現(xiàn)了制動器磨損退化預(yù)測［6］；季景方等利用回歸分析實現(xiàn)盤式制動器制動溫度預(yù)測［7］。以上研究表明針對制動器進(jìn)行時序預(yù)測以提高安全性是可以實現(xiàn)的。

當(dāng)前的時序預(yù)測方法中，如支持向量回歸（support vector regression，SVR）等傳統(tǒng)機器學(xué)習(xí)方法能擬合數(shù)據(jù)間的非線性關(guān)系，但難以考慮多因素的影響，面對復(fù)雜度較高的電梯制動性能退化問題時效果較差［8］?；芈暊顟B(tài)網(wǎng)絡(luò)（echo state network，ESN）具有很快的運行速度，可以進(jìn)行高效的預(yù)測，然而預(yù)測精度較低，同時在小樣本上效果不佳［9］。電梯制動力矩的數(shù)據(jù)采集問題導(dǎo)致無法獲取大量數(shù)據(jù)，采樣間隔大，因此不適宜用ESN進(jìn)行預(yù)測。循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）是用于處理時序問題的深度神經(jīng)網(wǎng)絡(luò)，在時序問題如交通流預(yù)測上取得了較好的效果，其改進(jìn)模型門控神經(jīng)網(wǎng)絡(luò)（gated recurrent unit，GRU）通過門系統(tǒng)建立數(shù)據(jù)前后端聯(lián)系，通過很少的計算量提升了模型性能，具有優(yōu)秀的數(shù)據(jù)挖掘能力［10-11］。然而，作為遞歸神經(jīng)網(wǎng)絡(luò)的一種，進(jìn)行序列預(yù)測時，較早預(yù)測數(shù)據(jù)的誤差會對后續(xù)的預(yù)測產(chǎn)生干擾，影響預(yù)測的精度。神經(jīng)網(wǎng)絡(luò)的梯度反向傳播特性可以在訓(xùn)練時提高模型的精度，增強模型性能，但在預(yù)測時卻無法實現(xiàn)［12］。而生成對抗網(wǎng)絡(luò)（generative adversarial networks，GAN）具有類似的思路，即通過生成器產(chǎn)生結(jié)果，鑒別器進(jìn)行判斷，雙方對抗以達(dá)到納什均衡，從而使生成器與鑒別器都獲得最佳性能［13］。在時序預(yù)測任務(wù)上，同樣可以利用生成對抗網(wǎng)絡(luò)的思路，加入強大的鑒別器以對模型預(yù)測進(jìn)行監(jiān)督，提升預(yù)測精度。

考慮到電梯制動力矩時序預(yù)測的特性，由于其運行、制動狀況存在極大的隨機性，受人為因素干擾嚴(yán)重，很難直接捕捉數(shù)據(jù)間的時序信息。針對使用越來越廣泛的民用低速電梯，為實現(xiàn)全方位精確地預(yù)測電梯制動力矩，本文提出了基于GAN-GRU的電梯制動力矩預(yù)測方法。首先采集電梯制動實驗下的制動平均減速度、制動距離、運行總距離及制動力矩以反映電梯實際的運行狀態(tài)，之后利用GRU對制動力矩進(jìn)行多因素的時間序列預(yù)測，最后結(jié)合GAN生成對抗思路，使用CNN對預(yù)測結(jié)果進(jìn)行精確度判別以解決時序模型的預(yù)測誤差累積問題。本文使用電梯制動性能試驗機采集具有不同運行狀態(tài)的制動器數(shù)據(jù)，在進(jìn)行歸一化后利用多種算法對制動力矩進(jìn)行預(yù)測，驗證了本文所提出模型的準(zhǔn)確性，為提高電梯的使用安全提供了新的技術(shù)手段。

1"理論與算法

1.1"GRU網(wǎng)絡(luò)模型

門控神經(jīng)網(wǎng)絡(luò)GRU是基于LSTM的一種改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)模型。其將LSTM模型中的門系統(tǒng)整合為一個，極大簡化了計算量并提高了模型性能。數(shù)據(jù)的特征儲存在隱藏狀態(tài)中經(jīng)過門系統(tǒng)不斷更新，實現(xiàn)對序列數(shù)據(jù)的學(xué)習(xí)［14］。

GRU神經(jīng)元的結(jié)構(gòu)如圖1所示，其利用更新門與重置門結(jié)構(gòu)處理時序信息，二者均由sigmoid函數(shù)構(gòu)成。通過函數(shù)對前記憶狀態(tài)信息與當(dāng)前輸入的數(shù)據(jù)進(jìn)行函數(shù)變換，實現(xiàn)數(shù)據(jù)信息篩選。相對于傳統(tǒng)LSTM，其主要發(fā)展在于將LSTM中的遺忘門和輸出門整合為一個更新門限Zt，并將LSTM中的網(wǎng)絡(luò)記憶合并至隱藏狀態(tài)中輸出。因此使得GRU模型具有更少的參數(shù)，降低了計算量，減緩了過擬合的問題，提高了模型性能。

如圖1所示，t時刻GRU神經(jīng)元狀態(tài)的中間變量計算公式為：

Zt=sigmoid（Wz［ht－1，Xt］）（1）

rt=sigmoid（Wr［ht－1，Xt］）（2）

h′t=sigmoid（W·［rt·ht－1，Xt］）（3）

式中：Zt表示更新門控，rt表示重置門控，二者均取值0～1，共同組成GRU的門系統(tǒng)；h′t表示包含當(dāng)前輸入信息的中間變量；ht－1表示上一時刻的隱藏狀態(tài)輸出；Xt表示當(dāng)前狀態(tài)輸入；W表示可訓(xùn)練的權(quán)值矩陣。神經(jīng)元輸出為

ht=（1-Zt）·ht－1+Zt·h′t（4）

GRU模型中重置門控制保存上一神經(jīng)元輸出數(shù)據(jù)特征的權(quán)值，更新門控制當(dāng)前神經(jīng)元輸入數(shù)據(jù)信息的權(quán)值，中間權(quán)值通過訓(xùn)練集訓(xùn)練更新并在訓(xùn)練完成后保存，形成預(yù)測模型。

1.2"CNN網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是可靠的分類器，在圖像與信號的分類上都有很好的效果。一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）利用卷積核與序列信號進(jìn)行運算，通過全連接分類器進(jìn)行分類，可以實現(xiàn)高效可靠的分類［15］。CNN與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，通過卷積核權(quán)值共享極大降低了計算量，同時卷積核可以提取高維特征，對數(shù)據(jù)進(jìn)行更細(xì)致的區(qū)分。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2"1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)

1）池化層：對特征進(jìn)行降采樣，篩選出更優(yōu)價值的信息同時減少計算量。

2）卷積層：通過卷積計算進(jìn)行特征的提取，本文使用帶有3層卷積的模型進(jìn)行特征提取，結(jié)合池化使最終輸出能包含輸入序列的全部特征。

3）全連接層：用于整合提取的特征信息并進(jìn)行分類，輸出預(yù)測結(jié)果的可靠性判斷。

輸入的分布特征向量按照下式計算。

hki=fa［（Wk·d′）i+bk］（5）

式中：hki是指第i個分布特征向量在第k層進(jìn)行卷積運算后的值；fa是激活函數(shù)；Wk是該層的權(quán)重值；bk是對應(yīng)的偏置值。

卷積神經(jīng)網(wǎng)絡(luò)CNN對GRU的預(yù)測數(shù)據(jù)進(jìn)行判斷，當(dāng)置信度較低時，可返回生成器重新生成，以此監(jiān)督生成器預(yù)測，緩解預(yù)測誤差累積，提高預(yù)測精度。

1.3"基于GAN的電梯制動力矩預(yù)測模型

針對時間序列預(yù)測模型存在預(yù)測誤差累積的問題，提出結(jié)合生成對抗網(wǎng)絡(luò)（GAN）思想的GRU預(yù)測模型。GAN由生成器G和鑒別器D在對抗過程中同時訓(xùn)練。首先，從已知概率分布中采樣噪聲向量Z。G將噪聲向量Z作為輸入，并進(jìn)行訓(xùn)練以生成分布遵循原數(shù)據(jù)的樣本［16］。另一方面，D被優(yōu)化以區(qū)分生成的數(shù)據(jù)和真實數(shù)據(jù)。本研究以GRU預(yù)測模型作為生成器，通過不斷預(yù)測生成不同的預(yù)測結(jié)果，將預(yù)測錯誤的序列信息作為負(fù)樣本，預(yù)測正確的作為正樣本，將所有樣本對CNN進(jìn)行訓(xùn)練并判別是否屬于正確預(yù)測結(jié)果曲線，具體如圖3所示。

如圖3所示，GRU通過訓(xùn)練集T"生成預(yù)測序列P～，以此作為生成器用來生成預(yù)測數(shù)據(jù)曲線，1D-CNN網(wǎng)絡(luò)則對GRU提供的P～生成相應(yīng)的置信度標(biāo)簽D（P～）∈［0，1］，D（P～）∈［0，1］意味著P～符合預(yù)測要求，即當(dāng)訓(xùn)練集T已知時，預(yù)測集P的條件概率應(yīng)該如下定義：

p（PT）=p（xm+1，…，xnx1，…，xm）=

∏n－mi=1p（xiT，xm+1，…，xi+m）（6）

為了最小化預(yù)測誤差疊加問題，考慮到權(quán)重、偏置等內(nèi)部參數(shù)的影響，利用上述條件概率來獲得最優(yōu)的參數(shù)，采用以下公式：

θ*=argmax∑n－mi=1log p（xiT，xm+1，…，xi+m;θ）（7）

式中θ代表模型的所有內(nèi)部參數(shù)。

對于1D-CNN來說，目的是在對抗訓(xùn)練中判斷P～是來自真實的數(shù)據(jù)還是生成模型GRU，直到無法判斷真假，此時GRU則能生成出最符合真實數(shù)據(jù)分布的預(yù)測曲線，1D-CNN作為鑒別器，其目標(biāo)函數(shù)可以化為如下所示的損失：

LD（y，D（P～））=－1m∑mi=1（y（i））log（D（P～i））+

（1－（y（i））*log（1－D（P～i）））（8）

式中：m表示輸入序列中的樣本數(shù)；y（i）和D（P～i）分別表示真實標(biāo)簽和判別標(biāo)簽。訓(xùn)練的最終目標(biāo)是最大限度地減少對數(shù)似然，如下式：

min imizing：L（PT）=Ex～P（P）logp（PT）+

Ex～P（T）log（1－D（G（P）））（9）

式中：E表示數(shù)學(xué)期望；G（P）、D（G（P））分別為生成器的生成序列與鑒別器的判別概率。

L（PT）的值越小則說明生成器生成的預(yù)測數(shù)據(jù)更真實，置信度更高，更符合要求，否則鑒別器會讓生成器返回修改，并進(jìn)一步降低L（PT）的值，最后滿足納什均衡。

2"實例分析

2.1"數(shù)據(jù)來源

本文數(shù)據(jù)通過實驗室環(huán)境下搭建的實驗平臺采集獲得。實驗臺由控制系統(tǒng)、臺架、加載電機、制動器及速度和距離等傳感器組成，如圖4所示。由加載電梯模擬電梯轎廂運行而產(chǎn)生的轉(zhuǎn)矩力，經(jīng)過減速傳感器模擬電梯轎廂的運行速度，通過制動器抱閘制停并以轉(zhuǎn)矩轉(zhuǎn)速傳感器等測量制動器的制動力矩與制動距離。利用速度傳感器記錄實驗?zāi)M的運行速率、制動平均減速度等，距離傳感器記錄制動器的閘瓦間隙。整個實驗過程按GB/T24478—2009《電梯曳引機》和TSGT7007—2016《電梯型式試驗規(guī)則》標(biāo)準(zhǔn)進(jìn)行。

在電梯的運行過程中，閘瓦片與制動輪通過摩擦制動，往往會產(chǎn)生較大的摩擦磨損。磨損及結(jié)構(gòu)松動產(chǎn)生的閘瓦間隙變化是電梯制動器結(jié)構(gòu)中變化最大的部分。間隙增大會導(dǎo)致壓力角變化，也會增加電梯的制動時間，是影響制動器性能的關(guān)鍵參數(shù)。為了更好地觀察制動力矩在制動器退化過程中的變化，實驗通過調(diào)整制動閘瓦間隙模擬電梯使用中的閘瓦磨損，間隙從0.2mm遞增調(diào)整至1.8mm，每次增加0.2mm。隨著間隙增大，閘瓦受到的摩擦損傷同樣增加，從而模擬現(xiàn)實中電梯閘瓦片厚度與表面摩擦狀態(tài)的損失情況?？紤]到實際電梯維護(hù)中難以進(jìn)行大量實驗測量，在實驗機上進(jìn)行45次實驗，利用轉(zhuǎn)矩轉(zhuǎn)速傳感器、速度傳感器、距離傳感器等采集獲得實驗條件下制動的制動力矩、平均減速度、制停距離、運行總距離等參數(shù)。其中制動力矩是電梯安全評估的關(guān)鍵參數(shù)，也是本文需要預(yù)測的目標(biāo)；制動間隙是影響制動力矩的一大因素；制動距離、平均減速度是隨制動力矩變化而變化的參數(shù)；運行距離是實驗條件，與實驗時電機的速率等參數(shù)相關(guān)。部分?jǐn)?shù)據(jù)如表1所示，使用其中前40組作為訓(xùn)練集，后5組作為測試集，分別使用GAN-GRU、GRU、LSTM、ESN算法對數(shù)據(jù)進(jìn)行分析預(yù)測，以驗證本文所提出的模型在電梯制動力矩預(yù)測上的優(yōu)勢。

1 242.1

2.2"模型預(yù)測

設(shè)定GAN中生成器GRU的參數(shù)為：學(xué)習(xí)率0.000 1，訓(xùn)練次數(shù)100，神經(jīng)元個數(shù)100。設(shè)定GAN中鑒別器1D-CNN的參數(shù)為3層卷積層，2層池化層，使用Relu作為激活函數(shù)，使用3×3尺寸卷積核，輸出使用Softmax進(jìn)行二分類。同時，利用預(yù)測結(jié)果的方均根誤差RMSE與平均絕對百分誤差MAPE量化模型預(yù)測精確度。本文分別利用GAN-GRU與原始GRU進(jìn)行預(yù)測，所使用GRU的參數(shù)一致，其預(yù)測結(jié)果如圖5所示，計算得GAN-GRU模型的RMSE值為1.024 4，MAPE值為0.054 7。相對于原始GRU模型的RMSE值為1.561 5，MAPE值為0.131 5，使用CNN作為鑒別器的GAN-GRU模型具有近30%預(yù)測精度的提升。

由圖5也可以看出，本文提出的方法在針對電梯制動力矩進(jìn)行多步時間預(yù)測時，具有很好的預(yù)測效果。在誤差出現(xiàn)后也能對后續(xù)的數(shù)據(jù)產(chǎn)生不錯的預(yù)測結(jié)果，預(yù)測結(jié)果與實際結(jié)果幾乎一致，證明結(jié)合GAN生成對抗思路的預(yù)測模型在電梯時序數(shù)據(jù)預(yù)測上具有一定的優(yōu)勢。

為了驗證模型的優(yōu)越性，使用LSTM與ESN構(gòu)建預(yù)測模型進(jìn)行橫向?qū)Ρ?，如圖6所示。LSTM使用參數(shù)同上文實驗中的GRU參數(shù)。ESN設(shè)定儲備池數(shù)量為300，稀疏度為5%，儲備池譜半徑設(shè)為0.8，計算得到的預(yù)測結(jié)果如圖6（b）所示。

由圖6可知，相對于回聲狀態(tài)網(wǎng)絡(luò)預(yù)測模型，LSTM的預(yù)測結(jié)果更好，主要在于初始預(yù)測時存在一定誤差，影響后續(xù)預(yù)測效果，而ESN網(wǎng)絡(luò)對電梯制動力矩的預(yù)測效果更差，可信度更低。為更直觀對比各模型的預(yù)測效果，分別計算各模型的方均根誤差 RMSE與平均絕對百分誤差MAPE，如表2所示。由表2可以看出，本文提出的GAN-GRU模型具有更好的預(yù)測精度和模型泛化能力，可以用于電梯制動力矩數(shù)據(jù)的預(yù)測分析。

3"結(jié)語

針對曳引式電梯制動力矩退化影響電梯安全而難以進(jìn)行診斷與預(yù)警這一問題，本文在門控神經(jīng)網(wǎng)絡(luò)GRU的基礎(chǔ)上，結(jié)合生成對抗網(wǎng)絡(luò)GAN的思路，利用GRU作為生成器生成預(yù)測結(jié)果，再利用卷積神經(jīng)網(wǎng)絡(luò)CNN作為鑒別器進(jìn)行結(jié)果可靠性判斷，迭代訓(xùn)練提高最終預(yù)測結(jié)果的精度。GAN-GRU具有更良好的預(yù)測效果，生成對抗學(xué)習(xí)的思路有利于緩解時間序列多步誤差中的誤差累積問題，CNN針對數(shù)據(jù)整體進(jìn)行可靠性判斷，因此即使出現(xiàn)誤差，模型依然可以對后續(xù)的預(yù)測進(jìn)行校正，因而整體預(yù)測精度更高。

本文利用自制的電梯制動性能實驗平臺獲取原始數(shù)據(jù)，通過模擬現(xiàn)場環(huán)境，改變閘瓦間隙獲取45組數(shù)據(jù)，并分別利用GAN-GRU、原始GRU、LSTM、ESN網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行學(xué)習(xí)預(yù)測。結(jié)果表明：在電梯的制動力矩預(yù)測任務(wù)上，GAN生成對抗思路能提升GRU的預(yù)測效果接近30%，預(yù)測精確度相較于最常用的長短期記憶網(wǎng)絡(luò)LSTM高出近50%。這表明本文所提出的模型在電梯制動器的力矩預(yù)測上具有一定的優(yōu)勢，可以為電梯的檢測與維護(hù)提供參考。

參考文獻(xiàn)：

［1］ 葉偉. 基于AHP和熵權(quán)法的電梯安全綜合評價［J］. 標(biāo)準(zhǔn)科學(xué)，2022（6）：112-116.

［2］ 陳向俊，傅軍平，陳棟棟，等. 基于極端梯度提升回歸模型的電梯鋼絲繩磨損預(yù)測方法［J］. 機電工程，2022，39（4）：554-560.

［3］ 蘇萬斌，江葉鋒，陳啟銳，等. 基于Abaqus的電梯制動器制動輪熱應(yīng)力分析［J］. 新技術(shù)新工藝，2021，404（8）：43-48.

［4］ 鄧林，吳曉軍. 電梯制動器溫度與制動力的影響因素分析［J］. 起重運輸機械，2020（9）：51-54.

［5］ 郝家琦，徐金海，鮑超超，等. 基于VMD與SVM的電梯鼓式制動器故障診斷研究［J］. 機電工程，2022，39（1）：112-119.

［6］ 梁慶海，賈希勝，白雲(yún)杰. 基于Gamma過程的制動器磨損退化建模與剩余壽命預(yù)測［J］. 公路與汽運，2021（5）：1-5.

［7］ 季景方，張建輝，范佳能，等. 基于回歸分析理論的盤式制動器制動溫度預(yù)測研究［J］. 汽車實用技術(shù)，2019（18）：75-77.

［8］ 顧昕雨，肖志剛. ARIMA-SVR組合模型在衛(wèi)星遙測參數(shù)預(yù)測中的應(yīng)用［J］. 空間科學(xué)學(xué)報，2022，42（2）：306-312.

［9］ 琚垚，祁林，劉帥. 基于改進(jìn)烏鴉算法和ESN神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測［J］. 電力系統(tǒng)保護(hù)與控制，2019，47（4）：58-64.

［10］ 孟海寧，童新宇，石月開，等. 基于ARIMA-RNN組合模型的云服務(wù)器老化預(yù)測方法［J］. 通信學(xué)報，2021，42（1）：163-171.

［11］ 楊芮，徐虹，文武. 基于EEMD-GRU網(wǎng)絡(luò)模型的短期風(fēng)速預(yù)測［J］. 計算機系統(tǒng)應(yīng)用，2022，31（6）：231-237.

［12］ 竇勇敢，袁曉彤. 基于隱式隨機梯度下降優(yōu)化的聯(lián)邦學(xué)習(xí)［J］. 智能系統(tǒng)學(xué)報，2022，17（3）：488-495.

［13］ 徐碩，侯貴生. 基于VAE-D2GAN的渦扇發(fā)動機剩余使用壽命預(yù)測［J］. 計算機集成制造系統(tǒng)，2022，28（2）：417-425.

［14］ 張忠林，張艷. 改進(jìn)FA優(yōu)化LSTM的時序預(yù)測模型［J］. 計算機工程與應(yīng)用，2022，58（11）：125-132.

［15］ 陳可嘉，劉惠. 基于改進(jìn)BiGRU-CNN的中文文本分類方法［J］. 計算機工程，2022，48（5）：59-66，73.

［16］ 江濤，劉鑫容，朱耀琴，等. 基于GAN-CNN聯(lián)合網(wǎng)絡(luò)的復(fù)雜產(chǎn)品費用預(yù)測［J］. 電子設(shè)計工程，2020，28（17）：174-179，184.

收稿日期：20220909