Магистерская диссертация тема работы Разработка цифрового двойника технологического процесса с использованием производственных данных

3.2 Разработка модели 
На рисунке 21 описаны шаги для создания цифрового двойника, в 
предыдущих главах мы рассмотрели способы получения информации и пре-
подготовки. В этой главе определим признаки и обучим модели, далее 
проанализируем какая из них лучше и создадим код для интеграции её в 
производственную систему. 
Рисунок 21 – Диаграмма создания цифрового двойника 

---

38 
 
Рисунок 22 – Подготовленные данные 
В предыдущей главе были рассмотрены методы подготовки данных. На 
рисунке 22 представлен конечный результат, который можно использовать для 
создания модели. Из такого внушительного объема данных следует выбрать 
область для обучения и создать модель по выбранным данным. 
Для этого воспользуемся инструментарием из ПО Matlab под названием 
«Signal Analyzer». Возможности данного инструментария помогают 
проанализировать обрабатываемые сигналы. С помощью инструмента «Planer» 
можно выделить область для анализа, экспортировать ее в рабочую область для 
дальнейшей обработки. На рисунке 23 приведён пример использования «Signal 
Analyzer». В нем мы открыли 3 сигнала: скорость, ток и температуру, 
нормализовав их по оси y для наглядности. Далее выбрали участок, который в 
дальнейшем будет использоваться для создания модели объекта.

---

39 
Рисунок 23 – Signal Analyzer 
Далее приступим к созданию модели в «Regression Learner». 
Импортируем ранее выбранные данные через меню, выбираем параметр, 
который нужно предсказывать (скорость) и признаки, по которым это будет 
выполняться (ток и температура). Также выбираем метод валидации модели. 
Построим несколько моделей, с линейной регрессией и с деревом принятия 
решений.
Рисунок 24 – Показатели стандартных отклонений для каждой модели 
Выберем 3 модели для дальнейшего развертывания в рабочей среде ПО 
Matlab и предсказания данных.

---

40 
Рисунок 25 – Окно «Regression Learner» 
Из всех моделей c линейной регрессией лучше всего себя показала 
«Interactive Linear». Сохраним выбранную модель в рабочую область ПО Matlab 
для дальнейшего предсказания и сравнения с исходными данными. Далее 
обучим модель дерева решений и экспортируем в рабочую область.
Рисунок 26 – Результаты работы модели «дерево принятия решений» 
Из рисунка 26 можно сделать вывод, что дерево решений показала себя 
лучше на этапе обучения.