В разделе объясняется, почему мехатронные системы удобно описывать не только физическими формулами, но и моделями, обучающимися на данных. Формулируются проблема, цель, задачи и предполагаемый практический результат. Также уточняются объект исследования, выбранный параметр системы и критерии, по которым будет оцениваться точность прогнозирования.

Здесь рассматривается состав мехатронной системы: механическая часть, привод, датчики, контроллер и программное управление. Описывается движение информации от измерительного элемента к исполнительному устройству. Отдельно объясняется, какие входные и выходные параметры можно использовать для построения модели и почему измерения должны быть связаны с конкретным режимом работы.

Раздел посвящён представлению поведения устройства с помощью переменных, функций и таблиц измерений. Объясняется, как выбрать целевой параметр, признаки и единицы измерения, а также как обнаружить пропуски и выбросы. Рассматриваются нормализация числовых значений и разделение набора данных на обучающую и тестовую части.

В пункте раскрывается идея обучения алгоритма по примерам, когда программа подбирает зависимость между параметрами датчиков и состоянием механизма. Сравниваются регрессия, дерево решений и нейронная сеть. Объясняется значение функции ошибки, итерационного обучения и проверки результата на данных, которые не использовались при настройке.

Здесь описывается структура простой полносвязной нейронной сети: входной слой, один или несколько скрытых слоёв и выходной нейрон. Рассматриваются веса, смещения, функции активации, скорость обучения и количество эпох. Поясняется, как изменение архитектуры влияет на точность, время обучения и риск переобучения.

В разделе приводится последовательность практических действий: создание или импорт таблицы, очистка данных, выбор признаков, разделение выборки и запуск алгоритма в Python или Google Colab. Фиксируются параметры эксперимента и приводится пример кода. Особое внимание уделяется тому, чтобы тестовые значения не попадали в процесс обучения.

Пункт посвящён сравнению фактических и предсказанных значений выбранного параметра мехатронной системы. Используются MAE, MSE или R², а также таблицы и графики ошибок. Обсуждается, какие режимы дают наибольшие отклонения, как шум датчиков влияет на результат и можно ли применять модель за пределами исходной выборки.

Здесь анализируются ограничения созданной модели: объём и разнообразие данных, точность датчиков, вычислительные ресурсы и зависимость от условий эксперимента. Предлагаются способы улучшения, включая расширение выборки, подбор признаков, настройку гиперпараметров и сравнение нескольких алгоритмов. Раздел связывает полученный результат с реальными инженерными задачами.

В заключении кратко сопоставляются поставленные задачи и полученные результаты моделирования. Формулируется, насколько выбранный алгоритм способен описывать или прогнозировать состояние мехатронной системы, какие метрики подтверждают качество и где сохраняются ошибки. Также обозначаются условия, при которых модель можно развивать для учебного стенда или реального устройства.

В разделе приводятся учебники и электронные источники по математическому моделированию, мехатронике, машинному обучению и нейронным сетям. Для каждого материала указываются автор, название, издательство или сайт и год обращения. Подбор литературы должен позволять проверить определения, формулы, описания алгоритмов и сведения о применении моделей в робототехнике.