在许多实际应用中,很难获得全局流场数据或其他高维状态,因此需要一种低成本的方法从有限的测量数据中重构流体的全局流场或其他高维状态。本文提出了一种面向控制的仅使用少量传感器信号的机器学习全状态估计器,这个估计器适用于大范围的多个驱动参数控制下的流场估计。机器学习估计器将执行器和传感器信号映射到POD系数,用于流场重构。将该方法应用于Re=100时的Fluidic Pinball非定常流场的直接数值模拟,即在来流方向上游的等边三角形排列的三个平行圆柱体周围的非定常流场。流场状态由圆柱的稳定旋转控制,即三个驱动命令。传感器阵列被放置在近场尾流中。仅用9个传感器的深度神经网络估计器模型估计的POD系数和由此重构的瞬态流场与作为参考基准的基于DNS方法计算的流场具有较好的一致性。并且可以很好地估计尾迹区域的漩涡脱落情况。该模型仅使用少量的传感器和驱动信号来估计该控制案例的全状态流场。此外,还研究了其他基于机器学习的估计算法,包括k-最近邻算法、自编码器算法、线性随机估计算法。结果表明,深度神经网络模型对瞬态POD系数数据拟合效果最好。对于K最近邻算法,当k=10时,拟合结果可以近似于神经网络算法。自编码器模型的拟合误差也在合理范围内,自编码器模型证明了输入数据可以压缩到五维。对于线性随机估计算法,我们采用多工况All-In-One和单工况Case-By-Case两种方法进行研究,结果表明单工况LSE模型的拟合效果与DNN模型接近,多工况LSE模型拟合效果要远差于DNN模型。同时,将不同模型估算的POD系数与POD模态相结合进行涡量流场重构。结果表明,重构误差均在可接受范围内,能够重构Fluidic Pinball的圆柱后侧尾迹区的大尺度涡的脱落情况。其中DNN模型展现出了最佳的综合性能。综上所述,基于神经网络的实时流场估计方法有望在开环控制和基于模型的控制中得到广泛应用。