基于Attention-LSTM-Kalman建模的风洞动态流量软测量

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。