基于多头注意力和新门控单元的发电厂给水泵故障预警

doi:10.11772/j.issn.1001-9081.2025080937

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3391-3399.DOI: 10.11772/j.issn.1001-9081.2025080937

• 前沿与综合应用 • 上一篇

基于多头注意力和新门控单元的发电厂给水泵故障预警

王井阳¹, 王浩¹, 张宾²(), 时薇³(), 黄敏¹, 张杨¹

^1.河北科技大学信息科学与工程学院，石家庄 050018
^2.河北工程技术学院网络空间安全学院石家庄 050091
^3.河北传媒学院人工智能学院，石家庄 051430

收稿日期:2025-08-15 修回日期:2025-09-01 接受日期:2025-09-01 发布日期:2026-10-21 出版日期:2026-10-10
通讯作者: 张宾,时薇
作者简介:王井阳（1971—），男，河北唐山人，教授，硕士，CCF高级会员，主要研究方向：机器学习、深度学习、人工智能
王浩（1997—），男，安徽淮北人，硕士研究生，主要研究方向：深度学习、电力设备故障预警
黄敏（1979—），男，河北邯郸人，教授，博士，CCF会员，主要研究方向：人工智能、深度学习、机器学习
张杨（1980—），男，河北秦皇岛人，教授，博士，主要研究方向：软件重构、并发软件。
基金资助:
河北省自然科学基金资助项目(F2023208001)

Fault warning of feedwater pumps in power plant based on multi-head attention and new gated unit

Jingyang WANG¹, Hao WANG¹, Bin ZHANG²(), Wei SHI³(), Min HUANG¹, Yang ZHANG¹

^1.School of Information Science and Engineering，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China
^2.School of Cyberspace Security，Hebei University of Engineering Science，Shijiazhuang Hebei 050091，China
^3.School of Artificial Intelligence，Hebei Institute of Communications，Shijiazhuang Hebei 051430，China

Received:2025-08-15 Revised:2025-09-01 Accepted:2025-09-01 Online:2026-10-21 Published:2026-10-10
Contact: Bin ZHANG, Wei SHI
About author:WANG Jingyang， born in 1971， M. S.， professor. His research interests include machine learning， deep learning， artificial intelligence.
WANG Hao， born in 1997， M. S. candidate. His research interests include deep learning， early warning of power equipment failures.
HUANG Min， born in 1979， Ph. D.， professor. His research interests include artificial intelligence， deep learning， machine learning.
ZHANG Yang， born in 1980， Ph. D.， professor. His research interests include software refactoring， concurrent software.
Supported by:
Hebei Provincial Natural Science Foundation(F2023208001)

摘要/Abstract

摘要：

为实现发电厂给水泵故障的早期预警，提出一种基于多头注意力（MHA）机制和新门控单元（NGU）的给水泵故障预警模型——MHA-NGU。MHA用于捕捉时间序列中的长距离依赖关系，通过多视角特征交互强化关键维度；本文提出的NGU是一种改进循环神经网络（RNN），将它的输出门和重置门设置为两级，避免单级门因过度依赖局部信息导致的全局依赖捕捉能力下降，并在内部嵌入T转换模块，用于进一步缓解模型梯度消失问题。以浙江省某1 030 MW火电机组的给水泵为例进行验证，实验结果表明：所提模型比门控循环单元（GRU）和次优模型MHA-GRU的决定系数（R2）分别提高4.38%和1.90%，且比GRU提前5.39 h触发预警，有效实现了给水泵的早期故障预警。

关键词: 门控循环单元, 故障预警, 多头注意力机制, T转换模块, 循环神经网络, 时间序列预测

Abstract:

To achieve early fault warning for feedwater pumps in power plants， a feedwater pump fault warning model， MHA-NGU， based on Multi-Head Attention （MHA） mechanism and New Gated Unit （NGU） was proposed. MHA mechanism was employed to capture long-range dependencies in the time series data， thereby enhancing key dimensions through multi-perspective feature interaction. NGU is an improved Recurrent Neural Network （RNN） proposed in this paper， in which the output gate and reset gate were designed with two levels， thereby avoiding the degradation in global dependency capture capability caused by single?level gates’ over?reliance on local information. Additionally， a T-transformation module was embedded within NGU to further alleviate the gradient vanishing problem of the model. Experimental validation was conducted using data from a 1 030 MW thermal power unit in Zhejiang Province as an example. The results demonstrate that the proposed model increases the Coefficient of Determination （R2） by 4.38% and 1.90% compared with GRU and the second-best model， MHA-GRU， respectively. Furthermore， it triggers a warning 5.39 hours earlier than the GRU model， realizing an early fault warning for feedwater pumps effectively.

Key words: Gated Recurrent Unit (GRU), fault warning, Multi-Head Attention (MHA) mechanism, T-transformation module, Recurrent Neural Network (RNN), time series prediction

中图分类号:

TP389.1

王井阳, 王浩, 张宾, 时薇, 黄敏, 张杨. 基于多头注意力和新门控单元的发电厂给水泵故障预警[J]. 计算机应用, 2026, 46(10): 3391-3399.

Jingyang WANG, Hao WANG, Bin ZHANG, Wei SHI, Min HUANG, Yang ZHANG. Fault warning of feedwater pumps in power plant based on multi-head attention and new gated unit[J]. Journal of Computer Applications, 2026, 46(10): 3391-3399.

图/表 19

参考文献 29

[1]	秦世刚，刘颖，陈芃樾. 液力耦合器高油温的成因分析及解决方案［J］. 热能动力工程， 2017， 32（5）： 125-127， 142.
	Qin Shigang， Liu Ying， Chen Pengyue. Causes and solution for the high oil temperature of fluid coupling［J］. Journal of Engineering for Thermal Energy and Power， 2017， 32（5）： 125-127， 142.
[2]	马立玲，郭凯杰，王军政. 基于改进SVM的车辆传动系统故障诊断方法［J］. 北京理工大学学报， 2020， 40（8）： 856-860.
	Ma Liling， Guo Kaijie， Wang Junzheng. A fault diagnosis method of vehicle transmission system based on improved SVM［J］. Transactions of Beijing Institute of Technology， 2020， 40（8）： 856-860.
[3]	丁显，徐进，滕伟，等. 基于RF和ANFIS算法的直驱风电机组故障预警［J］. 噪声与振动控制， 2018， 38（1）： 209-214.
	Ding Xian， Xu Jin， Teng Wei， et al. Failure prognostic prediction of direct drive wind turbines based on algorithms of random forest and adaptive network-based fuzzy inferer system［J］. Noise and Vibration Control， 2018， 38（1）： 209-214.
[4]	王龙，宋卫星，张鑫，等. 基于改进LSTM循环神经网络的装备故障预测方法［J］. 火力与指挥控制， 2025， 50（2）： 55-61， 69.
	Wang Long， Song Weixing， Zhang Xin， et al. Method of equipment faults prediction based on improved LSTM recurrent neural network［J］. Fire Control and Command Control， 2025， 50（2）： 55-61， 69.
[5]	吴嘉俊，苏春，张玉茹. 基于双重自注意力机制和长短时记忆网络的剩余寿命预测［J］. 系统工程与电子技术， 2024， 46（6）： 1986-1994.
	Wu Jiajun， Su Chun， Zhang Yuru. Remaining useful life prediction based on double self-attention mechanism and long short-term memory network［J］. Systems Engineering and Electronics， 2024， 46（6）： 1986-1994.
[6]	彭道刚，姬传晟，涂煊，等.基于LSTM-SVM的燃气轮机压气机故障预警研究［J］. 动力工程学报， 2021， 41（5）： 394-399.
	Peng Daogang， Ji Chuansheng， Tu Xuan， et al. Research on gas turbine compressor fault early warning based on LSTM-SVM［J］. Journal of Power Engineering， 2021， 41（5）： 394-399.
[7]	Aliyu R， Mokhtar A A， Hussin H. A study on comparison of classification algorithms for pump failure prediction［J］. Journal of Advanced Industrial Technology and Application， 2023， 4（2）： 48-65.
[8]	杨丽，吴雨茜，王俊丽，等. 循环神经网络研究综述［J］. 计算机应用， 2018， 38（S2）： 1-6， 26.
	Yang Li， Wu Yuxi， Wang Junli， et al. Research on recurrent neural network［J］. Journal of Computer Applications， 2018， 38（S2）： 1-6， 26.
[9]	姜兴华，韩万里，茅大钧. 基于核主元分析和GRU神经网络的电站辅机故障预警研究［J］. 热能动力工程， 2021， 36（7）： 93-98.
	Jiang Xinghua， Han Wanli， Mao Dajun. Research on fault warning of power station auxiliary engine based on kernel principal component analysis and GRU neural network［J］. Journal of Engineering for Thermal Energy and Power， 2021， 36（7）： 93-98.
[10]	Xiong W. A time-series model of gated recurrent units based on attention mechanism for short-term load forecasting［J］. IEEE Access， 2024， 12： 113918-113927.
[11]	陈鹏州，茅大钧，周平，等. 基于TA-PS-LSTM和领域对抗神经网络的磨煤机故障预警方法研究［J/OL］. 控制工程. （2024-11-25）［2025-05-24］. .
	Chen Pengzhou， Mao Dajun， Zhou Ping， et al. Research on a fault early warning method based on TA-PS-LSTM and domain-adversarial neural networks for coal mill［J/OL］. Control Engineering of China. （2024-11-25）［2025-05-24］. .
[12]	陈鹏杰，马乐乐，孔小兵，等. 基于1DCNN-GRU模型和贝叶斯检验的引风机故障预警［J］. 控制工程， 2025， 32（1）： 29-38.
	Chen Pengjie， Ma Lele， Kong Xiaobing， et al. Early fault warning of induced draft fans based on 1DCNN-GRU model and Bayesian test［J］. Control Engineering of China， 2025， 32（1）： 29-38.
[13]	Zhu X， Wang L， Gu J， et al. Ultra-short-term PV prediction based on LSTM with a multi-head attention mechanism［J］. Journal of Physics： Conference Series， 2023， 2428： No.012013.
[14]	余萍，曹洁. 深度学习在故障诊断与预测中的应用［J］. 计算机工程与应用， 2020， 56（3）： 1-18.
	Yu Ping， Cao Jie. Deep learning approach and its application in fault diagnosis and prognosis［J］. Computer Engineering and Applications， 2020， 56（3）： 1-18.
[15]	佘程熙，张彩萍，赵飘扬，等. 基于CNN-LSTM-Attention的生产线故障诊断与预警研究［J］. 系统科学与数学， 2026， 46（3）： 709-724.
	She Chengxi， Zhang Caiping， Zhao Piaoyang， et al. Research on production line fault diagnosis and early warning based on CNN-LSTM-attention［J］. Journal of Systems Science and Mathematical Sciences， 2026， 46（3）： 709-724.
[16]	徐红伟，刘振宇，李崇晟. 基于分类算法的汽动给水泵组故障预测［J］. 热力发电， 2019， 48（4）： 128-134.
	Xu Hongwei， Liu Zhenyu， Li Chongsheng. Fault prediction for turbine driven boiler feed water pump set based on classification algorithm［J］. Thermal Power Generation， 2019， 48（4）： 128-134.
[17]	Gao M， Li J， Hong F， et al. Short-term forecasting of power production in a large-scale photovoltaic plant based on LSTM［J］. Applied Sciences， 2019， 9（15）： No.3192.
[18]	王新颖，张瑞程，张惠然，等. Keras在燃气管道阀门故障诊断中的应用［J］. 消防科学与技术， 2020， 39（4）： 541-546.
	Wang Xinying， Zhang Ruicheng， Zhang Huiran， et al. Application of Keras in gas pipeline valve fault diagnosis［J］. Fire Science and Technology， 2020， 39（4）： 541-546.
[19]	杨宇欣，张鹏飞，李宝聚，等. 基于改进型支持向量机的目标微弱磁异常信号检测方法研究［J］. 现代雷达， 2023， 45（12）： 62-68.
	Yang Yuxin， Zhang Pengfei， Li Baoju， et al. A study on weak magnetic anomaly detection algorithm of target based on improved support vector machine［J］. Modern Radar， 2023， 45（12）： 62-68.
[20]	梁聚伟，李东亮，陈焰恺，等. 基于LSTM阈值法的蒸汽动力辅助系统故障预警研究［J］. 舰船科学技术， 2024， 46（13）： 150-157.
	Liang Juwei， Li Dongliang， Chen Yankai， et al. Research on fault prognostics and warning for steam power auxiliary systems based on LSTM and threshold method［J］. Ship Science and Technology， 2024， 46（13）： 150-157.
[21]	曾阳，张莉，李国朋. 基于深度学习的火电厂发电装备智能故障诊断与预测研究［J］. 自动化应用， 2024， 65（6）： 102-104.
	Zeng Yang， Zhang Li， Li Guopeng. Research on intelligent fault diagnosis and prediction of thermal power plant power generation equipment based on deep learning［J］. Automation Application， 2024， 65（6）： 102-104.
[22]	赵鹏飞，钱玉良，金鑫，等. 基于注意力机制和CNN-GRU模型的脱硫系统pH值预测［J］. 水电能源科学， 2024， 42（9）： 199-203， 184.
	Zhao Pengfei， Qian Yuliang， Jin Xin， et al. Prediction of pH value in desulfurization system based on CNN-GRU and attention mechanism model［J］. Water Resources and Power， 2024， 42（9）： 199-203， 184.
[23]	张菀，张泰瑀，贾民平，等. 多传感器融合和MHA-LSTM的电机轴承剩余寿命预测［J］. 仪器仪表学报， 2024， 45（3）： 84-93.
	Zhang Wan， Zhang Taiyu， Jia Minping， et al. Prediction of remaining life of motor bearings using multi-sensor fusion and MHA-LSTM［J］. Chinese Journal of Scientific Instrument， 2024， 45（3）： 84-93.
[24]	朱彦民，李忠虎，王金明，等. 基于Transformer的风电机组故障预测［J］. 电子测量技术， 2024， 47（13）： 45-52.
	Zhu Yanmin， Li Zhonghu， Wang Jinming， et al. Transformer based fault prediction for wind turbines［J］. Electronic Measurement Technology， 2024， 47（13）： 45-52.
[25]	游卉擎，黄鹏程，赵振宇，等. 基于RNN的标准单元延时预测方法［J］. 郑州大学学报（理学版）， 2025， 57（3）： 28-34.
	You Huiqing， Huang Pengcheng， Zhao Zhenyu， et al. A standard cell delay prediction method based on RNN［J］. Journal of Zhengzhou University （Natural Science Edition）， 2025， 57（3）： 28-34.
[26]	付景，林永君，刘帅，等. 基于OOB-DBO-GRU的风电机组齿轮箱故障预警［J］. 中国测试， 2025， 51（5）： 12-19.
	Fu Jing， Lin Yongjun， Liu Shuai， et al. Gearbox fault warning of wind turbine based on OOB-DBO-GRU［J］. China Measurement and Test， 2025， 51（5）： 12-19.
[27]	张晓珂，张辉，戴小然，等. 基于层次聚类和BILSTM的光伏短期功率预测模型［J］. 智慧电力， 2024， 52（9）： 41-48.
	Zhang Xiaoke， Zhang Hui， Dai Xiaoran， et al. Photovoltaic short-term power forecasting model based on hierarchical clustering & BILSTM［J］. Smart Power， 2024， 52（9）： 41-48.
[28]	赵一帆，茅大钧，曹熠云，等. 基于DenseNet-GRU-Attention与残差修正的高温再热器壁温预测［J/OL］. 控制工程. （2025-04-01）［2025-05-24］. .
	Zhao Yifan， Mao Dajun， Cao Yiyun， et al. Wall temperature prediction of high-temperature reheater based on DenseNet-GRU-attention and residual correction［J/OL］. Control Engineering of China. （2025-04-01）［2025-05-24］. .
[29]	Wang J， Jin L， Li X， et al. A hybrid air quality index prediction model based on CNN and attention gate unit［J］. IEEE Access， 2022， 10： 113343-113354.

序号	测点名称
1	给水泵转速
2	给水泵润滑油压力
3	给水泵液力耦合器润滑油冷却器出口油温
4	给水泵推力轴承非工作面温度1
5	给水泵推力轴承工作面温度1
6	给水泵电机轴承温度1
7	给水泵吸入侧径向轴承温度1
8	给水泵吐出侧径向轴承温度1
9	给水泵液力耦合器推力轴承温度1
10	给水泵液力耦合器径向轴承温度1
11	给水泵吐出侧轴承Y向振动
12	给水泵吸入侧轴承Y向振动
13	给水泵电机线圈温度1
14	给水泵电机线圈温度2
15	给水泵电机线圈温度3

序号	测点名称
1	给水泵转速
2	给水泵润滑油压力
3	给水泵液力耦合器润滑油冷却器出口油温
4	给水泵推力轴承非工作面温度1
5	给水泵推力轴承工作面温度1
6	给水泵电机轴承温度1
7	给水泵吸入侧径向轴承温度1
8	给水泵吐出侧径向轴承温度1
9	给水泵液力耦合器推力轴承温度1
10	给水泵液力耦合器径向轴承温度1
11	给水泵吐出侧轴承Y向振动
12	给水泵吸入侧轴承Y向振动
13	给水泵电机线圈温度1
14	给水泵电机线圈温度2
15	给水泵电机线圈温度3

数据	测点1	测点2	测点3	测点4	时间
数据1	30.194 6	30.339 8	27.311 5	27.323 7	2024-08-15 T 00：00：00
数据2	30.727 9	30.854 2	27.685 1	27.839 9	2024-08-116 T 09：30：00
数据3	30.749 9	30.928 4	27.781 5	27.856 2	2024-08-17 T 09：30：00
数据4	31.387 7	31.459 1	28.511 2	28.614 2	2024-08-17 T 20：30：00

数据	测点1	测点2	测点3	测点4	时间
数据1	30.194 6	30.339 8	27.311 5	27.323 7	2024-08-15 T 00：00：00
数据2	30.727 9	30.854 2	27.685 1	27.839 9	2024-08-116 T 09：30：00
数据3	30.749 9	30.928 4	27.781 5	27.856 2	2024-08-17 T 09：30：00
数据4	31.387 7	31.459 1	28.511 2	28.614 2	2024-08-17 T 20：30：00

函数	MAE	RMSE	R²	训练时长/s	预测时长/ms
tanh	0.076 652	0.099 268	0.940 003	514.10	3.99
ReLU	0.079 530	0.104 205	0.933 887	510.85	3.98

基于多头注意力和新门控单元的发电厂给水泵故障预警

Fault warning of feedwater pumps in power plant based on multi-head attention and new gated unit

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 29

相关文章 15

编辑推荐

Metrics

头数	MAE	RMSE	R²	训练时长/s	预测时长/ms
1	0.075 274	0.100 703	0.938 256	676.67	3.77
2	0.061 531	0.078 954	0.962 047	742.24	3.99
4	0.070 942	0.089 127	0.951 635	1 032.97	4.37
8	0.121 224	0.171 106	0.821 747	1 075.97	4.40
16	0.163 028	0.200 268	0.755 809	1 084.80	4.40

模型	层	参数
RNN	RNN及其他	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
SVR	SVR	Kernal=‘rbf’，C=4，epsilon=0.1
MLP	MLP	Activation=‘tanh’，hidden_layer_sizes=（10，50），Max_iter=50
BP	BP	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
LSTM	LSTM及其他	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
BiLSTM	BiLSTM及其他	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
GRU	GRU及其他	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
Transformer	MHA及其他	num_heads=2，d_model=16，Activition=‘relu’，Learning=0.001，Batch_size=128，Epoch=100
NGU	NGU及其他	Activition=‘tanh’，units=16，Learning=0.001，Batch_size=128，Epoch=100
MHA-GRU	MHA、GRU及其他	num_heads=2，Dropout=0.1，units=16，Activition=‘tanh’，Learning=0.001，Batch_size=128，Epoch=100
MHA-NGU	MHA、NGU及其他	num_heads=2，Dropout=0.1，units=16，Activition=‘tanh’，Learning=0.001，Batch_size=128，Epoch=100

模型	MAE	RMSE	R²	训练时长/s	预测时长/ms
RNN^［25］	0.105 450	0.148 718	0.854 710	240.75	2.830
SVR^［16］	0.079 583	0.117 629	0.915 765	56.22	1.560
MLP^［18］	0.083 230	0.107 568	0.929 551	7.64	1.100
BP^［16］	0.090 561	0.137 183	0.884 883	141.71	2.650
LSTM^［20］	0.077 425	0.100 814	0.938 121	572.16	4.100
BiLSTM^［27］	0.077 728	0.100 439	0.938 384	974.40	4.350
GRU^［9］	0.076 652	0.099 268	0.940 003	514.10	3.990
Transformer^［24］	0.065 584	0.085 152	0.955 853	504.90	3.980
NGU	0.061 531	0.079 178	0.961 830	641.04	4.170
MHA-GRU	0.060 499	0.078 954	0.962 947	742.24	4.210
MHA-NGU	0.042 466	0.055 546	0.981 215	976.81	4.360

模型	MAE	RMSE	R²	训练时长/s	预测时长/ms
RNN^［25］	0.586 583	0.731 093	0.864 310	395.34	4.12
SVR^［16］	0.519 365	0.655 411	0.909 871	77.48	2.33
MLP^［18］	0.491 486	0.623 163	0.917 490	10.33	1.55
BP^［16］	0.526 584	0.660 762	0.891 158	212.60	3.77
LSTM^［20］	0.470 136	0.580 445	0.927 408	798.37	5.14
BiLSTM^［27］	0.471 782	0.583 219	0.929 224	1 190.47	5.32
GRU^［9］	0.403 145	0.498 158	0.940 413	792.71	5.12
Transformer^［24］	0.329 614	0.414 267	0.958 793	557.42	5.07
NGU	0.310 211	0.400 215	0.961 032	887.45	5.19
MHA-GRU	0.301 922	0.399 103	0.961 447	924.69	5.20
MHA-NGU	0.276 413	0.354 267	0.968 720	1 205.67	5.33

模型	上控制限	下控制限
GRU	0.162 955	-0.197 441
MHA-GRU	0.191 028	-0.128 010
NGU	0.137 838	-0.158 168
MHA-NGU	0.112 823	-0.160 504

状态等级	健康指数I/%
优秀	（90，100］
良好	（80，90］
警告	（60，80］
恶化	（40，60］
严重恶化	（0，40］

[1]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.
[2]	秦隽, 焦新涛, 曾碧卿. 融合BiLSTM-Transformer与Kolmogorov-Arnold网络的非侵入式负荷监测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2026-2033.
[3]	丰文君, 宋欣蔚, 岳云涛. 基于广义相关熵损失函数Transformer模型的环境电场强度时序预测[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1872-1880.
[4]	宋芮芮, 王雷春, 何运平, 魏金香, 卢祥凤, 刘小萌. 基于混合自注意力和差异归一化的长时间序列预测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1499-1506.
[5]	张婧, 刘松华, 朱远乾. 基于频谱感知和层次卷积的时间序列表示方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1124-1130.
[6]	马凯光, 陈学斌, 菅银龙, 王柳, 高远. 基于混合序列模型与联邦类平衡算法的网络入侵检测[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 857-866.
[7]	黄华娟, 方永康, 韦修喜. 基于多头关系转化的异构图神经网络[J]. 《计算机应用》唯一官方网站, 2026, 46(10): 3083-3092.
[8]	姚理进, 张迪, 周丕宇, 曲志坚, 王海鹏. 基于Transformer和门控循环单元的磷酸化肽从头测序算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 297-304.
[9]	吴俊衡, 王晓东, 何启学. 基于统计分布感知与频域双通道融合的时序预测模型[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 113-123.
[10]	王翔, 陈志祥, 毛国君. 融合局部和全局相关性的多变量时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2806-2816.
[11]	王慧斌, 胡展傲, 胡节, 徐袁伟, 文博. 基于分段注意力机制的时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2262-2268.
[12]	朱昶胜, 杨琛, 冯文芳, 袁培文. 基于多层感知器的高频增强型时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3855-3863.
[13]	况翔, 马震, 朱万春, 张智, 崔云飞. 基于编解码结构强化学习的安全可靠服务功能链部署[J]. 《计算机应用》唯一官方网站, 2025, 45(12): 3947-3956.
[14]	郭茂祖, 崔正, 赵玲玲, 张庆宇. 基于频域注意力的结构地震响应预测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3730-3738.
[15]	宗学军, 韩冰, 王国刚, 宁博伟, 何戡, 连莲. 基于自适应动态区间策略的工业控制协议模糊测试方法TDRFuzzer[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3241-3251.