本研究使用液压系统测试数据集，聚焦于传感器基于的状态监测，并探索了深度学习技术的应用。比较了三种模型的性能，发现基准模型通过晚期传感器融合取得了1%的测试误差率，而卷积神经网络模型遇到了挑战，导致了20.5%的误差率。进一步调查发现，单独训练每个传感器可以提高准确性。同时，评估2L-CNN模型的性能时，考虑最不理想和最理想传感器的组合，错误率降低了33%。研究强调了有效应对多传感器系统复杂性的重要性。

本研究使用液压系统测试数据集，探索了传感器基于的状态监测的深度学习应用。比较了三种模型的性能，其中基准模型通过晚期传感器融合取得了1%的测试误差率。然而，卷积神经网络模型由于传感器特征的多样性而遇到挑战，导致了20.5%的误差率。进一步研究发现，单独训练每个传感器可以提高准确性。评估2L-CNN模型的性能时，考虑最不理想和最理想传感器的组合，错误率降低了33%。研究强调了有效应对多传感器系统复杂性的重要性。