基于智能算法的储粮通风温度预测

摘要：

在当前粮食安全日益受到关注的背景下，对储粮过程中的温度波动进行准确预测，并通过智能化的通风控制系统实现对储粮环境的优化管理成为亟待解决的问题。基于此，提出一种CNN-BiGRU-Attention网络模型，通过CNN提取特征图中时序数据之间的潜在关系，并将处理后的特征向量作为BiGRU网络的输入，根据粮情数据的时序特征，在BiGRU网络中加入Attention为粮情特征分配权重；以及采用IPSO优化模型超参数的多模型融合算法来预测粮堆温度。使用吉林省榆树某直属粮库的数据集验证该预测模型，结果显示：均方根误差RMSE为0.0469，平均绝对误差MAE为0.031 5，确定系数R²为0.992 5，与其他模型相比，有效地提高预测精度。通过将储粮温度预测功能应用于粮情测控系统中，实现机械通风智能化来保障粮食的安全储藏。

关键词：储粮温度预测；改进粒子群算法；粮食储藏；通风控制

中图分类号：S379.9； TP183

文献标识码：A

文章编号：2095-5553 （2025） 01-0091-08

Prediction of grain storage ventilation temperature based on intelligent algorithm

Lü Zongwang^{1， 2}， Liu Hang^{1， 2}， Sun Fuyan^{1， 2}

（1. "College of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China；

2. Key Laboratory of Grain Information Processing and Control， Ministry of Education， Zhengzhou， 450001， China）

Abstract：

In the current context of increasing concern about food security， accurate prediction of temperature fluctuations during grain storage and optimal management of grain storage environment through intelligent ventilation control system have become urgent problems. Based on this， a CNN-BiGRU-Attention network model is proposed， in which the potential relationship between the temporal data in the feature map is extracted by CNN and the processed feature vector is used as the input to the BiGRU network， and according to the temporal characteristics of the grain data， Attention is added to the BiGRU network to assign weights to the grain features， as well as the multi-model fusion algorithm of IPSO optimization model hyperparametric is used to predict the grain pile temperature. The prediction model was validated by using a dataset from a directly-affiliated grain depot in Yushu， Jilin Province， and the results showed that the root-mean-square error （RMSE） was 0.0469， the mean absolute error （MAE） was 0.031 5， and the coefficient of determination "R²"was 0.992 5， which effectively improved the prediction accuracy compared with other models. By applying the storage temperature prediction function to the grain condition measurement and control system， the intelligentization of mechanical ventilation is realized to guarantee the safe storage of grain.

Keywords：

grain storage temperature prediction; improved particle swarm algorithm; grain storage; ventilation control

0"引言

粮食一直以来都与社会稳定息息相关，因此，国家每年都会维持一定量的粮食储备^［1］。然而，在粮食储存过程中，温度对于粮食仓储至关重要，一旦空气环境湿度过大，粮食本身的含水量也会随之增加，并且呼吸强度也会大大增加，当呼吸强度增大时，仓内粮食温度过高，会加快粮食品质的劣化，影响储粮安全^［2］。传统的储粮通风控制方法仅基于实时粮情信息做出判断，缺乏通风预测的能力，为了减少不必要的损失，应准确掌握粮食在储藏过程中尤其是储粮温度的变化规律，分析不同时刻的温度变化情况，最为关键是对储粮温度的准确预测^［3］。传统的储粮通风温度预测是采用数值模拟或建立数学模型的方法，由于粮堆温度受多种因素的耦合影响，不能准确得出粮堆内温度与其影响因素之间的非线性关系。而深度学习能够处理高维非线性、高阶相关性和缺失值等问题，通过大规模数据的训练来学习特征和模式，以更加科学准确的方法实现粮堆温度的预测^［4］。

粮情数据具有典型的时序性，长短期记忆网络（LSTM）是一种适用于处理时序问题的模型，解决了人工提取时序特征的问题^［5］。基于LSTM网络的储粮通风温度预测研究已经在进行，但收敛速度较慢。为了改进这一点，门控循环单元（GRU）对LSTM进行了优化，具有更快的收敛速度，并保持与LSTM接近的准确率，特别适合处理时间序列数据^［6］。双向门控单元（BiGRU）由双向的GRU层构成，能够同时考虑前后输入，充分提取数据的所有信息，在GRU的基础上进一步提升特征提取的准确率^［7］。虽然BiGRU模型在时间序列的预测方面具有优势，但对于储粮温度多维数据的预测存在一定的局限性，注意力机制（Attention）被引入储粮温度多维数据预测任务中，以克服时间序列信息未完全挖掘的局限性，通过对输入数据进行加权处理，为不同特征赋予不同的概率权重^［8］。

鉴于此，本文设计一套基于IPSO优化CNN-BiGRU-Attention储粮温度预测模型的智能通风控制系统。通过CNN提取特征图中时序数据之间的潜在关系，并将处理后的特征向量作为BiGRU网络的输入，根据粮情数据的时序特征，在BiGRU网络中加入Attention为粮情特征分配权重；以及采用IPSO优化模型超参数的多模型融合算法来预测粮堆温度，实现对储粮环境的智能化调控。

1"模型基本理论

1.1"CNN网络

为应对储粮通风过程粮堆数据具有非线性与非平稳性，采用CNN网络来处理数据，能够有效地利用粮仓通风数据和粮堆温度之间的非线性关系，提取出重要的特征，从而提高储粮通风温度预测的精度。图1展示了CNN网络结构，其中包含了多个卷积层、池化层和全连接层^［9］。ReLU层作为激活函数增加神经网络的非线性能力，从而提高模型的表达能力。通过这些层的组合，CNN网络能够对储粮通风过程中的数据进行高效的特征学习和表示。

1.2"门控循环单元网络

门控循环单元网络（GRU）是长短期记忆网络（LSTM）的一种变体，它们都利用门控结构来解决梯度消失和梯度爆炸问题^［10］。GRU网络具有两个控制门，即重置门和更新门，通过这些门控制来保留重要的特征^［11］。这两个控制门用于减少梯度分散，使网络具有长期记忆能力并降低计算成本。GRU神经网络结构如图2所示。

GRU网络在处理序列数据时，通常只考虑了前向方向的信息，忽略了后向时间序列数据的有价值信息。为了充分利用前后两个方向的信息，可以采用双向门控循环单元网络（BiGRU）^［12］，如图3所示。

在该结构中，有两个独立的GRU模块，一个用于前向传递计算捕获输入数据的过去信息，另一个用于后向传递计算获取输入数据的未来信息。通过将前向和后向的隐藏状态进行拼接，可以获得更全面的时间序列信息。BiGRU计算如式（1）所示。

YT=F（hT，hT）

（1）

式中：

hT——前向GRU的隐藏状态；

YT——当前时刻的隐藏层；

hT——后向GRU的隐藏状态。

通过将这两个隐藏状态拼接起来，得到当前时刻的隐藏状态YT。这样，BiGRU网络能够同时考虑前向和后向的信息，从而更好地捕捉序列数据中的上下文关系。

1.3"注意力机制

在预测过程中，粮仓历史数据中包含了多种特征，例如粮堆温度温、仓内温度、仓内湿度、外界温度、外界湿度。然而，并非所有特征都对预测结果具有显著影响。为解决这个问题，引入注意力机制来识别粮仓通风数据中的重要特征^［13］。注意力机制模型可以自动学习并选择对预测结果最具影响力的特征，提高模型的表达能力和预测准确性。这种机制的引入使得模型更加灵活和自适应，能够根据输入数据的重要性动态调整注意力权重。

e_t=uatanh（w^*aha+b^*a）

（2）

α_t=exp（e_t）∑tj=1e_j

（3）

s_t=∑it=1α_tha

（4）

式中：

et——概率分布值；

ua——激活函数；

w^*a——权重矩阵；

b^*a——偏置矩阵；

ha——神经网络隐藏层状态向量；

αt——注意力模块分配给特征的权重；

st——时刻t的注意层的输出。

1.4"CNN-BiGRU-Attention模型

传统的储粮机械通风温度预测方法往往采取单一的网络模型，未能充分挖掘数据内部的潜在关系。为解决这个问题，采用一种CNN-BiGRU-Attention深度学习模型用于储粮机械通风粮堆温度预测。利用粮仓历史数据来预测粮堆温度，数据信息主要包括粮堆每层最高温度、仓温、仓湿、外温、外湿、通风温度、通风湿度、通风风速的大小等，这些数据对于预测未来机械通风粮堆每层最高温度起着至关重要的作用。图4展示CNN-BiGRU-Attention深度学习网络预测模型的结构。首先，通过CNN网络对输入层数据中的高维特征进行充分提取，学习时间序列特征，挖掘输入数据之间的关系，将特征处理后的数据传入BiGRU模型。BiGRU模型能够同时考虑前向和后向的依赖关系，并能够从相关的历史数据中探索温度变化的规律。然后，通过Attention层对提取出的高维特征数据进行权重训练，以提高预测准确性和性能。通过这个结构，模型能够更好地利用数据的多维特征和时间序列信息，提高储粮机械通风粮堆温度预测的精准度。

2"IPSO优化模型超参数

在深度学习中，模型的性能很大程度上受到超参数的选择影响。而人工调参往往需要大量的尝试和经验，无法保证找到全局最优解^［14］。IPSO通过模拟粒子在搜索空间中的移动和学习，以自适应的方式探索参数空间，从而找到更优的超参数组合，提高模型性能。相比于其他参数优化算法，IPSO的优势在于设置参数较少，易于实现，并且能够在相对较短的时间内得到较好的结果。

2.1"IPSO算法

PSO算法是一种全局优化算法，通过个体间信息共享的方式来寻找最优解，在每次迭代中粒子根据当前位置和速度更新自己的位置，并更新个体最佳位置和全局最佳位置^［15］。通过不断迭代更新，粒子群中的粒子逐渐趋向于全局最优解。这样，PSO算法能够在搜索空间中高效地找到最优解。位置和速度更新计算方程如式（5）、式（6）所示。

x^k+1_i=x^k_i+v^k+1_i

（5）

v^k+1_i=wv^k_i+c₁r₁（p^k_i－x^k_i）+c₂r₂（p^kg－x^k_i）

（6）

式中：

v^k_i、x^k_i——

粒子i在第k次迭代的速度和位置；

c1、c2——加速系数；

r1、r2——在区间［0，1］上的随机数；

p_i——

粒子i在迭代过程中所取得的个体最优解；

pg——全局最优解；

w——PSO算法中的惯性权重。

w=wmax－（k_n/kmax）（wmax－wmin）

（7）

式中：

wmax、wmin——最大权重和最小权重；

kmax——最大迭代次数；

kn——当前迭代次数。

根据需求，设置适应度值的计算公式。粒子i在第k次迭代的个体适应度值为F^k_i，群体适应度值为F^kg。粒子搜索到的个体最优适应度值为F^kibest，群体最优适应度值为F^kgbest。粒子i的个体最优位置更新公式为p^k+1_i，群体最优位置更新公式为p^k+1g。同时，设置粒子的最大速度为vmax，将所有粒子的速度限制在［-vmax，+vmax］范围内。

p^k+1_i=

x^k_iF^k_ilt;F^kibest

p^k_iF^k_i≥F^kibest

（8）

p^k+1g=

x^kgF^kglt;F^kgbest

p^kgF^kg≥F^kgbest

（9）

为解决传统PSO算法容易陷入局部最优、收敛精度低以及无法满足实际搜索过程中复杂情况等问题^［16］。对更新公式中的权重进行非线性改进，改进后的计算如式（10）所示。

w=wmax－π4tan（k_n/kmax）（wmax－wmin）

（10）

通过使用tan函数对权重进行非线性变换，在迭代初期w接近最大权重值wmax，使粒子具有较快的搜索速度，可以快速定位最优解的大致范围。随着迭代次数kn的增大，w在tan函数作用下以非线性方式快速递减，从而约束粒子的飞行速度，增加粒子在最优解附近进行精细搜索的程度。IPSO算法流程如图5所示，通过这种非线性改进的权重更新方式，可以提高算法的收敛速度和搜索精度，使得粒子在搜索过程中更加灵活和准确地找到全局最优解。

2.2"CNN-BiGRU-Attention模型的优化

超参数的设置对于储粮机械通风温度预测的准确性至关重要。通常情况下，人们使用经验调参的方式来设置这些超参数，但这种方法存在误差，使得CNN-BiGRU-Attention模型的性能无法得到充分发挥。为解决这个问题，采用一种改进粒子群算法来优化CNN-BiGRU-Attention网络模型的超参数，从而提升模型的预测性能。最优搜索需要在提高精度和计算成本之间进行权衡，粮堆温度预测值与粮堆温度实际值之间的均方误差定义为目标函数，如式（11）所示。

MSE=1N^*∑N^xi=1（y^_i－y_i）

（11）

式中：

N^*——训练样本数；

y_i——实际值；

y^_i——预测值。

通过最小化目标函数，可以找到最优的超参数组合，从而提高模型的预测准确性。采用智能群优化算法，可以在超参数搜索空间中高效地找到最优解，从而改善深度学习模型的性能。

2.3"预测流程

提出的机械通风粮堆温度预测模型的运行流程如图6所示，首先，进行数据集准备和划分；然后，利用最优超参数的CNN-BiGRU-Attention模型进行粮温预测；最后，得到粮温的预测结果，用于储粮通风过程中的决策和管理。该流程能够充分利用数据的特征和关联信息，提高粮温预测的准确性和性能。

1） "数据集准备：收集包括粮仓内温湿度、仓外温湿度、通风口温湿度和通风风速等相关数据，并进行预处理。首先，读取数据文件并加载粮温数据。接下来，对粮堆通风相关数据进行归一化处理，将数据范围缩放到合适的区间。

2） "数据集划分：将数据集7∶3的比例划分训练集和测试集。训练集用于训练IPSO优化CNN-BiGRU-Attention深度学习网络模型，用于搜索最优超参数，以获得更好的性能。测试集用于粮温的预测和模型评估。

3） "改进粒子群算法进行超参数优化：使用智能群优化算法（IPSO），对模型超参数进行初始化。初始模型根据计算误差进行训练和评估，并根据最小误差来确定是否找到了最优超参数。如果未找到最优超参数，则需要再次选择超参数进行训练和评估，找到最优的超参数。

4） "基于最优超参数的CNN-BiGRU-Attention模型预测：利用IPSO算法优化CNN-BiGRU-Attention模型进行储粮机械通风温度预测。该模型使用储粮机械通风的数据准确地预测未来粮温的变化趋势。通过将历史数据输入模型，模型能够学习并预测未来粮温的变化。

3"试验结果及分析

3.1"数据来源

所用的数据采集于吉林省玉树市的一个平房仓，结构如图7所示。为了考虑粮堆顶层与底层粮食温度的差异，采用分布式测温技术来测量不同粮层的温度，将粮堆分为5层；并且在进行粮堆温度预测时也采用分层预测的方法，才能得到准确的粮仓温度信息，其分布如图8所示。由于粮堆内温度变化缓慢，采用每小时数据采集策略，将采集到的数据传输至MySQL数据库。

3.2"数据预处理

使用的储粮通风温度预测数据来自某省直属库粮库。在通风作业时每隔1h分别采集粮堆每层最高温度、外温、外湿、仓温、仓湿、通风风速、通风温度、通风湿度共3 000组。对数据集进行归一化处理，如式（12）所示。

x′=x_i－xminxmax－xmin

（12）

式中：

x′——归一化后的输入量；

x_i——原始数值；

xmax、xmin——

原始数据的最大值和最小值。

通过归一化处理，将原始数据的取值范围缩放到0～1之间，使得不同特征之间的数值具有可比性。这有助于模型更好地学习数据之间的关系，并且可以提高模型的训练效果和性能。

3.3"模型的评价指标

均方根误差RMSE是一种常见的误差度量，用于衡量预测值与实际值之间的差异^［17］，如式（13）所示。

RMSE=1Ps1N^*∑N^xi=1（Y^_i－Y_i）²

（13）

平均绝对误差MAE，它衡量了预测值与实际值之间的平均绝对差异^［18］，如式（14）所示。

MAE=1N^*∑N^xi=1Y^_i－Y_i

（14）

确定系数R²用于评估模型对观测数据的拟合程度，其取值范围为0～1，越接近1表示模型拟合得越好^［19］。确定系数的定义如式（15）所示。

R²=1－∑N^xi=1（Y^_i－Y_i）²∑N^xi=1（Y-－Y_i）²

（15）

通过计算这些评价指标，可以量化模型的预测准确性和拟合程度，从而对模型的性能进行评估和比较。

3.4"基于IPSO的超参数优化

针对构建的CNN-BiGRU-Attention网络模型，使用IPSO进行网络超参数的优化，将种群规模设置为50，学习因子c1和c2均设定为1.5。惯性权重w根据式（10）进行动态更新，并设定r1为0.8，r2为0.3。为了控制训练时间，在使用模型进行粮堆温度预测之前，预先设定最大迭代次数为500次。由图9可知，改进算法的适应度曲线在大约100次迭代后基本趋于平稳。这表明改进算法在进行500次迭代时已经取得较好的结果。

3.5"预测结果分析

按照7∶3的比例将数据集划分为训练集和测试集。输入特征矩阵的大小为3 000×8。所提出储粮机械通风温度预测模型将与BP、BiGRU、BiGRU-Attention、CNN-BiGRU-Attention和PSO-CNN-BiGRU-Attention神经网络进行比较，验证其模型的性能。每个模型都使用相同的训练数据和测试数据，计算各个模型反归一化后的RMSE、MAE和R²值，结果如表1所示。

由表1可知，BP神经网络模型的预测效果最差，其RMSE为0.124 5，R²为0.854 2。BiGRU模型相对于BP神经网络有一定的改进，但在加入注意力机制后，BiGRU-Attention模型的预测效果进一步提升，其RMSE值降低，R²值提升。CNN-BiGRU-Attention模型在多特征维度上的处理效果显著，其RMSE为0.085 9，R²为0.937 2，相比于BiGRU-Attention模型，RMSE降低0.0167，R²提升0.046。采用IPSO算法优化模型超参数得到的RMSE为0.0469，R²为0.9925，与PSO-CNN-BiGRU-Attention模型相比，IPSO优化的模型表现最佳，其RMSE降低0.0288，R²提升0.0438。综合数据分析，采用IPSO优化的CNN-BiGRU-Attention模型相比于其他模型具有更好的预测效果。

在储粮通风温度预测对比试验中，由图10可知，改进IPSO优化CNN-BiGRU-Attention融合模型预测结果与真实值基本吻合，拟合效果更好。

BP模型在整个过程中波动比较大，与真实值的差较大；采用BiGRU模型对BP神经网络有一定的改进，说明BiGRU在时间序列有一定的优势，粮情数据的时序性和非线性关系可被较好地分析；在上述模型中加入注意力机制，计算BiGRU处理后的特征向量，突出关键特征，给予不同权值，预测效果进一步提升；进一步结合CNN模型，充分发挥对潜在特征向量的提取优势，有效挖掘数据中蕴含的更多信息。接着对上述模型参数进行优化，采用标准PSO优化CNN-BiGRU-Attention模型，与CNN-BiGRU-Attention预测效果相差不大，这是因为模型超参数未能找到最优解；进一步采用改进IPSO来优化CNN-BiGRU-Attention模型的超参数，融合了各个模型的特点，该模型具有更好的预测精度。

综上所述，所提出的储粮通风温度预测方法具有较高的准确性，并且预测性能优于其他预测方法。储粮通风温度预测对于确保粮食质量和避免储粮损失非常重要，具有准确和可行的预测方法，对农业和粮食行业来说是有价值的。因此，所提出的储粮通风温度预测方法是可行的，具有广泛的应用价值。

进一步将温度预测功能应用在粮情检测功能上，结合机械通风操作，在获取到粮仓内某一层粮食未来24h的温度折线图后，得到此层温度的最大值和最小值。当最小值超过安全储藏最高温度时，立即触发机械通风控制系统，实现储粮机械通风的智能化；当最小值低于安全储藏临界值，但最大值高于临界值时，提醒管理人员多关注此粮仓后续的温度变化趋势，便于及时了解该粮仓的粮食储藏情况。

4"LoRa网络的储粮通风控制系统

LoRa（长距离低功耗射频）是一种远距离的无线通信技术，具有传输距离远、功耗低、通信可靠等特点。LoRa技术可以用于设置多个节点组成网络，适用于各种场景^{［20， 21］}。在粮仓监控方面，不管是房仓还是筒仓，粮仓到主控室的距离通常在500～3 000m之间。由于距离较短的WiFi、蓝牙、ZigBee等技术不适合这种远距离通信需求，使用LoRa技术可以解决大量布线和不易扩展等问题。LoRa技术的应用可以实现远距离的无线传输，使粮仓监控系统更加灵活、可靠，并且具备较低的功耗。

储粮温度预测及通风控制系统总体框架如图11所示。首先，在粮仓中按照一定的规则布设多个温湿度传感器用于采集粮情数据，经由粮情测控分机通过LoRa无线模块传输至粮情测控主机；然后，自动将数据传输至云服务器进行存储；随后，输入到预测模型中进行粮情预测，将根据预测结果决定是否采取通风操作，并将预测结果显示出来。在上位机正常工作时，上位机LoRa模块处于唤醒模式；处于待机模式时，LoRa模块处于省电模式；当需要数据时，通过主机发送信号使LoRa模块进入点对点通信模式，LoRa模块再唤醒正常工作，大大降低了功耗、分布式降低了系统的复杂性、增强了系统的可靠性、提高了事件响应效率和拓展了系统应用范围。针对现有粮情测控问题，将无线传感器技术、低功耗和远距离无线电传输技术和神经网络知识应用于粮情测控技术，实现和设计粮情监控系统。系统硬件包括温湿度传感器、风速风向测量模块、粮情分机、LoRa无线通信模块、电源模块、粮情主机、中控机、触摸液晶屏、三相电机，本系统的连接框图如图12所示。

5"结论

1） 提出一种新的储粮通风温度预测方法，即采用IPSO优化CNN-BiGRU-Attention网络模型的超参数。利用CNN提取有效特征，并通过BiGRU网络实现高精度的时间序列预测，最后结合注意力机制赋予不同权值。同时，采用改进的IPSO算法优化模型的超参数。试验结果表明，该网络模型的RMSE为0.0469，MAE为0.031 5，R²为0.992 5，能够自适应调整模型的超参数。

2） 与其他模型比较，该模型性能指标均优于其他模型，具有较高的预测精度并且有效降低预测结果的不确定性，避免粮食的损失和风机的损耗。

3） 设计基于LoRa网络的储粮通风控制系统，通过将储粮温度预测功能应用到粮情测控系统中，实现对各个粮仓不同粮层的温度预测来指导粮堆的机械通风，实现机械通风智能化，保障粮食的安全储藏，推进智慧粮库现代化的建设。

参"考"文"献

［1］

韩建军， 张梦琪， 赵道松， 等. 基于Bagging-WOA-SVR的粮堆温度场预测模型［J/OL］. 中国粮油学报， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

Han Jianjun， Zhang Mengqi， Zhao Daosong， et al. Prediction model of grain pile temperature field based on Bagging-WOA-SVR ［J/OL］. Journal of the Chinese Cereals and Oils Association， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

［2］

黄琦兰， 王涛. 基于智能算法的储粮通风过程中温度场预测［J］. 保鲜与加工， 2022， 22（3）： 30-34.

Huang Qilan， Wang Tao. Temperature field prediction of grain storage ventilation process based on intelligent algorithm ［J］. Storage and Process， 2022， 22（3）： 30-34.

［3］

蒋思玮， 孙妍， 陈静， 等. 改进粒子群优化GRU网络的储粮温度预测方法［J］. 计算机与数字工程， 2023， 51（5）： 1036-1041， 1156.

Jiang Siwei， Sun Yan， Chen Jing， et al. Grain storage temperature prediction method based on GRU network optimized by improved particle swarm optimization ［J］. Computer amp; Digital Engineering， 2023， 51（5）： 1036-1041， 1156.

［4］

曹静怡， 鲁玉杰， 苗世远， 等. 基于多场耦合理论的稻谷储藏品质变化规律及预测模型的研究［J］. 中国粮油学报， 2024， 39（5）： 7-14.

Cao Jingyi， Lu Yujie， Miao Shiyuan， et al. Research on paddy storage quality change and prediction model based on multi-field coupling theory ［J］. Journal of the Chinese Cereals and Oils Association， 2024， 39（5）： 7-14.

［5］

徐萌， 王亚锟. 基于双向长短期记忆网络的DA40飞机碳刹车片剩余寿命预测［J］. 计算机应用， 2021， 41（5）： 1527-1532.

Xu Meng， Wang Yakun. Remaining useful life prediction of DA40 aircraft carbon brake pads based on bidirectional long short-term memory network ［J］. Journal of Computer Applications， 2021， 41（5）： 1527-1532.

［6］

冯裕祺， 李辉， 李利娟， 等. 基于CNN-GRU的光伏电站电压轨迹预测［J］. 中国电力， 2022， 55（7）： 163-171.

Feng Yuqi， Li Hui， Li Lijuan， et al. Voltage trajectory prediction of photovoltaic power station based on CNN-GRU ［J］. Electric Power， 2022， 55（7）： 163-171.

［7］

Niu D， Yu M， Sun L， et al. Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism ［J］. Applied Energy， 2022， 313： 118801.

［8］

Kavianpour P， Kavianpour M， Jahani E， et al. A CNN-bilstm model with attention mechanism for earthquake prediction ［J］. The Journal of Supercomputing， 2023： 1-33.

［9］

Aslan M F， Unlersen M F， Sabanci K， et al. CNN-based transfer learning-BiLSTM network： A novel approach for COVID-19 infection detection ［J］. Applied Soft Computing， 2021， 98： 106912.

［10］

Mei P， Li M， Zhang Q， et al. Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention ［J］. Journal of Hydrology， 2022， 610： 127934.

［11］

Zhang J， Liu F， Xu W， et al. Feature fusion text classification model combining CNN and BiGRU with multi-attention mechanism ［J］. Future Internet， 2019， 11（11）： 237.

［12］

Qiu H， Fan C， Yao J， et al. Chinese microblog sentiment detection based on CNN-BiGRU and multihead attention mechanism ［J］. Scientific Programming， 2020： 1-13.

［13］

彭玉青， 乔颖， 陶慧芳， 等. 融入注意力机制的PM2.5预测模型［J］. 传感器与微系统， 2020， 39（7）： 44-47.

Peng Yuqing， Qiao Ying， Tao Huifang， et al. PM2.5 prediction model fuses attention mechanism ［J］. Transducer and Microsystem Technologies， 2020， 39（7）： 44-47.

［14］

海文龙， 王亚慧， 王怀秀. 基于IPSO算法优化GRU神经网络的燃气负荷预测［J］. 传感器与微系统， 2023， 42（2）： 126-129.

Hai Wenlong， Wang Yahui， Wang Huaixiu. Gas load forecasting based on optimization of GRU neural network using IPSO algorithm ［J］. Transducer and Microsystem Technologies， 2023， 42（2）： 126-129.

［15］

詹梦园， 李震， 田璐， 等. 基于改进离散粒子群算法优化故障等级的传感器布局［J］. 计算机与数字工程， 2023， 51（12）： 2795-2800.

Zhan Mengyuan， Li Zhen， Tian Lu， et al. Optimized sensor layout considering fault level based on improved discrete particle swarm algorithm ［J］. Computer amp; Digital Engineering， 2023， 51（12）： 2795-2800.

［16］

Sun Q， Yang L， Li H， et al. Prognostics of capacitors for power converters based on data augmentation and IPSO-GRU ［J］. Journal of Power Electronics， 2022， 22（12）： 2136-2146.

［17］

Meng Y， Chang C， Huo J， et al. Research on ultra-short-term prediction model of wind power based on attention mechanism and CNN-BiGRU combined ［J］. Frontiers in Energy Research， 2022， 10： 712.

［18］

Xu Y， Jiang X. Short-term power load forecasting based on BiGRU-Attention-SENet model ［J］. Energy Sources， Part A： Recovery， Utilization， and Environmental Effects， 2022， 44（1）： 973-985.

［19］

祁云， 白晨浩， 代连朋， 等. 改进双向长短期记忆神经网络的瓦斯涌出量预测［J/OL］. 安全与环境学报， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

Qi Yun， Bai Chenhao， Dai Lianpeng， et al. Enhanced bidirectional long short-term memory neural network for gas emission forecasting ［J/OL］. Journal of Safety and Environment， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

［20］

蒋鹏. 基于LoRa无线通信的煤矿矿井环境智能监测系统设计［J］. 煤炭技术， 2023， 42（7）： 206-208.

Jiang Peng. Design for mine environment intelligent monitoring system based on LoRa wireless communication ［J］. Coal Technology， 2023， 42（7）： 206-208.

［21］

孟祥， 赵莹， 徐卓威， 等. 基于LoRa技术的农田智能灌溉系统设计［J］. 中国农机化学报， 2023， 44（9）： 161-168.

Meng Xiang， Zhao Ying， Xu Zhuowei， et al. Design of intelligent irrigation system for farmland based on LoRa technology ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（9）： 161-168.