基於融合先驗知識的機器學習的多感測器融合研究

《基於融合先驗知識的機器學習的多感測器融合研究》是依託清華大學，由孫喆擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：基於融合先驗知識的機器學習的多感測器融合研究
• 依託單位：清華大學
• 項目負責人：孫喆
• 項目類別：青年科學基金項目

項目摘要

基於機器學習的多感測器融合是一類新興的融合方法。多感測器融合問題的特點和傳統機器學習的特性決定了，基於傳統機器學習的多感測器融合方法面臨著本質性困難，其套用受到限制。另一方面，多感測器融合問題中包含豐富的先驗知識，有效地利用這些知識能顯著提高機器學習和以此為基礎的多感測器融合的性能。本項目擬從理論、方法、套用三個層面對基於融合先驗知識的機器學習的多感測器融合進行研究。首先，對於多感測器融合問題中的兩類先驗知識- - 模型類知識和分布類知識，分別以適當的數學模型加以描述，在此基礎上對統計機器學習誤差理論加以發展，建立多感測器融合背景下的融合先驗知識的機器學習的誤差界理論，同時建立訓練樣本分布與誤差評價測度不一致條件下的誤差界理論；然後在誤差界的指導下，並考慮實際可操作性，建立基於融合先驗知識的機器學習的多感測器融合方法；最後在電磁軸承系統實驗平台上對提出的方法進行套用研究。

結題摘要

本項目的主要研究內容和成果如下： 1. 基於融合先驗知識的機器學習的電磁軸承系統轉子運動狀態建模研究 這部分工作提出了用機器學習的方法對電磁軸承系統轉子運動狀態進行估計，並提出了將融合先驗知識的學習方法用於跌落數據分析。狀態軟感測研究成果可以用於提高實際系統抗干擾能力和魯棒性。跌落數據分析部分成果可以用於跌落過程力學分析和保護軸承預期剩餘壽命分析。 2. 融合部分經驗公式的核回歸方法研究 這部分工作提出了一種將經驗公式類先驗知識與核回歸進行融合的方法P2KBKR，該方法可以用於經驗公式不能完全覆蓋樣本輸入空間的情況。該方法實現簡單，而且傳統核回歸方法的各種實現技巧、改進很容易移植到提出的方法中。 3. 基於核回歸的柔性轉子材料力學特性參數估計 這部分工作使用融合知識的學習方法對對象的基礎模型參數進行建模，進而實現系統狀態估計。提出了核學習的方法對材料力學特性參數進行估計的方法，提出了兩種不同核函式以衡量頻率回響數據之間的距離；對實際系統數據進行了分析。這部分工作成果可以用來進行狀態預測和提高反饋控制性能，並可以用來指導計算建模和系統結構設計。 4. 電磁軸承系統的建模與辨識方面的基礎研究 這部分工作集中在電磁軸承模型基礎研究，目的是為機器學習方法提供先驗知識。 系統辨識部分工作提出了三種柔性轉子辨識方法，可以對具有系統延時的電磁軸承柔性轉子對象進行辨識。 疊代學習控制方面部分工作以電磁軸承系統不平衡補償為背景，開展多變數系統ILC控制器設計研究，分別從時域和頻域角度分析，推導出了遺忘因子ILC學習律的譜半徑收斂條件，提出了基於極點配置法和LMI法的多變數系統ILC控制器設計方法。 動平衡部分工作研究了基於二次配置法的平衡塊配置方法，該方法已經在實際系統中得到套用，效果優異，顯著提高了動平衡的效果和工作效率。 5. 成果 本項目至結題時共發表論文8篇，其中SCI檢索2篇，SCI源期刊已錄用1篇，EI檢索2篇，其他3篇。本項目培養博士生2名。