基于融合先验知识的机器学习的多传感器融合研究

Machine-learning-based multisensor fusion is a new class of fusion methods. The characteristics of the multisensor fusion problems and the properties of conventional machine learning methods result in the fact that the fusion methods based on conventional machine learning will confront intrinsic difficulties and the application of these methods are very limited. On the other hand, in the multisensor fusion problems, much prior knowledge are available. If this knowledge is properly incorporated into learning methods, the performance of learning and the fusion based on learning will be significantly improved. This project focuses on multisensor fusion based on machine learning with incorporation of prior knowledge and intends to perform three levels of research: research on theories, on methods and on applications. More specifically, firstly, two kinds of knowledge in multisensor fusion problems, namely knowledge of model and knowledge of distribution, should be described by proper mathematical models; based on these descriptions, the theory of error bound in statistical learning should be improved and the error bound theory of learning with incorporation of prior knowledge in the context of multisensor fusion should be proposed, meanwhile, the error bound theory in the situation that measure of training sample distribution and measure of error evaluation are inconsistent should be developed. Then based on the proposed theory and in consideration of realizability, multisensor fusion methods based on machine learning with incorporation of prior knowledge should be established. Finally, application research of the proposed methods should be performed on the electromagnetic bearing system.

基于机器学习的多传感器融合是一类新兴的融合方法。多传感器融合问题的特点和传统机器学习的特性决定了，基于传统机器学习的多传感器融合方法面临着本质性困难，其应用受到限制。另一方面，多传感器融合问题中包含丰富的先验知识，有效地利用这些知识能显著提高机器学习和以此为基础的多传感器融合的性能。本项目拟从理论、方法、应用三个层面对基于融合先验知识的机器学习的多传感器融合进行研究。首先，对于多传感器融合问题中的两类先验知识- - 模型类知识和分布类知识，分别以适当的数学模型加以描述，在此基础上对统计机器学习误差理论加以发展，建立多传感器融合背景下的融合先验知识的机器学习的误差界理论，同时建立训练样本分布与误差评价测度不一致条件下的误差界理论；然后在误差界的指导下，并考虑实际可操作性，建立基于融合先验知识的机器学习的多传感器融合方法；最后在电磁轴承系统实验平台上对提出的方法进行应用研究。

本项目的主要研究内容和成果如下：.1..基于融合先验知识的机器学习的电磁轴承系统转子运动状态建模研究.这部分工作提出了用机器学习的方法对电磁轴承系统转子运动状态进行估计，并提出了将融合先验知识的学习方法用于跌落数据分析。状态软传感研究成果可以用于提高实际系统抗干扰能力和鲁棒性。跌落数据分析部分成果可以用于跌落过程力学分析和保护轴承预期剩余寿命分析。..2..融合部分经验公式的核回归方法研究.这部分工作提出了一种将经验公式类先验知识与核回归进行融合的方法P2KBKR，该方法可以用于经验公式不能完全覆盖样本输入空间的情况。该方法实现简单，而且传统核回归方法的各种实现技巧、改进很容易移植到提出的方法中。..3..基于核回归的柔性转子材料力学特性参数估计.这部分工作使用融合知识的学习方法对对象的基础模型参数进行建模，进而实现系统状态估计。提出了核学习的方法对材料力学特性参数进行估计的方法，提出了两种不同核函数以衡量频率响应数据之间的距离；对实际系统数据进行了分析。这部分工作成果可以用来进行状态预测和提高反馈控制性能，并可以用来指导计算建模和系统结构设计。..4..电磁轴承系统的建模与辨识方面的基础研究.这部分工作集中在电磁轴承模型基础研究，目的是为机器学习方法提供先验知识。.系统辨识部分工作提出了三种柔性转子辨识方法，可以对具有系统延时的电磁轴承柔性转子对象进行辨识。.迭代学习控制方面部分工作以电磁轴承系统不平衡补偿为背景，开展多变量系统ILC控制器设计研究，分别从时域和频域角度分析，推导出了遗忘因子ILC学习律的谱半径收敛条件，提出了基于极点配置法和LMI法的多变量系统ILC控制器设计方法。.动平衡部分工作研究了基于二次配置法的平衡块配置方法，该方法已经在实际系统中得到应用，效果优异，显著提高了动平衡的效果和工作效率。..5..成果.本项目至结题时共发表论文8篇，其中SCI检索2篇，SCI源期刊已录用1篇，EI检索2篇，其他3篇。本项目培养博士生2名。