物理信息机器学习将物理先验融入模型结构、优化与推断，提升精度与效率，应用于动态系统建模控制、地下能源、复杂物理生物系统、逆问题及强化学习。研究提出分类法，比较传统与深度学习方法在状态监测中的表现，强调交叉验证与特征选择。水文领域提出物理感知机器学习并发布HydroPML平台，增强可解释性与因果性，助力数字水循环。

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。