基于Attention?LSTM?Kalman建模的风洞动态流量软测量

• Published in: 数据采集与处理 Vol. 37; no. 2; pp. 463 - 470
• Main Authors: 周隽杰, 付东翔
• Format: Journal Article
• Language: Chinese
• Published: 上海理工大学光电信息与计算机工程学院,上海 200093 01.03.2022
• Subjects: 深度学习;长短时记忆神经网络;注意力机制;卡尔曼滤波;软测量技术
• ISSN: 1004-9037
• DOI: 10.16337/j.1004-9037.2022.02.019

TP274.2; 针对风洞流量测量中传统静态软测量模型估计精度低、鲁棒性差等问题,提出了注意力机制(Attention mechanism,Attention)、长短时记忆神经网络(Long short?term memory,LSTM)和卡尔曼滤波(Kalman filtering,Kalman)结合的Attention?LSTM?Kalman软测量模型:通过LSTM网络建立静态软测量模型,在此基础上,提出一种基于注意力机制的改进方案,考虑到系统的动态特性,使用卡尔曼滤波动态调整软测量模型输出序列.实验结果表明,静态预测模型LSTM的预测效果优于循环神经网络(Recurrent neural network,RNN)和门控循环单元(Gated recurrent unit,GRU)等模型;基于LSTM、Attention?LSTM和Attention?LSTM?Kalman的3种模型的对比预测测量结果表明,注意力机制能有效提高模型精准度,引入卡尔曼滤波改善了模型的动态测量特性.该模型方案在风洞系统的流量测量验证了其可行性和有效性.