利用MATLAB机器学习对模型参数在线学习和判定其运行状态（利用MATLAB机器学习对模型参数在线学习和判定其运行状态）

利用MATLAB机器学习对模型参数在线学习和判定其运行状态（利用MATLAB机器学习对模型参数在线学习和判定其运行状态）代入上式，得出：加入了判定矩阵D，将这个矩阵乘以测量值和估算值之间的误差。该模型在MATLAB中的程序如下：得出的仿真结果为：建立好上述模型，我们希望能够建立一个判定空气压缩机故障的一个判定的依据。对此，我们首先建立一个加入判定依据的模型。

在这篇文章中，我们介绍深度学习网络在一个模型系统中的应用。这个模型系统可以是用微分方程进行描述，深度学习网络可以在线对模型系统的参数进行调节，同时判定该系统的运行状态（正常，告警，故障等）。其结构如下图所示。

以空气压缩器为例，其原理图如下图所示。

我们通过控制阀门从而控制空气压缩器的进气量（气压），最后控制涡轮的转速。我们需要控制气压去适应负荷的变化。因此，在这个模型中，我们测量空气压力p，涡轮的旋转速度w，得到如下状态方程：

此计算式是根据状态方程得出的

该模型在MATLAB中的程序如下：

得出的仿真结果为：

建立好上述模型，我们希望能够建立一个判定空气压缩机故障的一个判定的依据。对此，我们首先建立一个加入判定依据的模型。

加入了判定矩阵D，将这个矩阵乘以测量值和估算值之间的误差。

代入上式，得出：

建立以上模型后，我们能够模拟出在转速器或者控制器测量有问题的情况下，它对应的压力p和转速w的剩余差值。从而形成了对神经网络的训练数据。利用这些训练数据，我们就能训练神经网络能够识别不同的故障，从而及时的进行预警。

Matlab函数如下：

运行结果：