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

3.3 Проверка моделей 
С помощью функции «predictFcn» обратимся к модели линейной 
регрессии и предскажем скорость двигателя. 

---

41 
Рисунок 27 – Модель линейной регрессии 
На рисунке 27 представлены результаты работы модели линейной 
регрессии. Проанализировав данный рисунок, можно прийти к выводу, что 
модель имеет незначительную погрешность, но в целом предсказывает 
адекватно. Достоинством данной модели является быстрота её создания. 
Рисунок 28 – Модель дерево решений 
На рисунке 28 представлены результаты проверки работы модели дерева 
принятия решений. Исходя из рисунка 28, можно сделать вывод, что 
погрешность данной модели выше, чем у линейной регрессии. Также можно 
заметить, что данная модель не учитывает тренд. 

---

42 
Исследуем работу нейронной сети. Обучим рекурентную нейронную сеть 
в инструментарии «Neural Time Series» с помощью алгоритма Левенберга – 
Марквардта на тех же данных, что и модели, описанные выше.
Рисунок 29 – Окно Neural Time Series
Рисунок 30 – Результаты обучения нейронной сети 
Поскольку нейронные сети это более производительный механизм 
создания модели, её можно протестировать на всех производственных данных за 
3 месяца. Результ представлен на рисунке 31.

---

43 
Рисунок 31 – Результат работы нейронной сети 
Проанализировав рисунок 31, можно прийти к выводу, что нейросеть 
отлично показывает себя при небольших отклонениях от среднего значения. 
Большие отклонения игнорируются, но небольшие колебания предсказываются 
отлично. Данные всплески можно объяснить не самым лучшим качеством 
исходных данных, если собирать данные именно с целью последующего анализа, 
можно достичь лучших результатов.