Capitolo 1
Perché utilizzare l’IA per la simulazione e la progettazione Model-Based?
Utilizzare i modelli Simulink® lungo l’intero processo di sviluppo, adottando dunque un approccio chiamato progettazione Model-Based, è un modo comprovato per sviluppare sistemi complessi in modo efficiente e a rischio ridotto. Aggiungere tecniche di IA al workflow consente di risparmiare tempo e di migliorare i propri progetti e non serve essere esperti di IA per farlo.
I principali motivi per usare l’IA nella simulazione e nella progettazione Model-Based sono quattro:
- Aumentare la precisione: aumenta la precisione dell’algoritmo servendoti di dati di addestramento di alta qualità per creare un algoritmo di IA.
- Ridurre la complessità: usa l’IA per sostituire algoritmi che sarebbe complesso dal punto di vista computazionale o impossibile modellare con altri metodi.
- Risparmiare tempo: usa l’IA per creare modelli di sistemi di ordine ridotto quando la realizzazione o la simulazione di modelli ad alta fedeltà derivati dai principi primi richiederebbero tempi troppo lunghi.
- Collaborazione: integra i modelli di IA sviluppati in framework open-source o in MATLAB nei progetti a livello di sistema usando Simulink.
- Sviluppo di un modello di IA per un algoritmo che sarà infine distribuito su un sistema embedded. Per un esempio approfondito, passa al Capitolo 2.
- Uso dell’IA per la modellazione di un ambiente o un impianto sulla base di dati. I dati utilizzati per addestrare il modello di IA possono provenire dall’hardware o da un modello di simulazione ad alta fedeltà troppo impegnativo dal punto di vista computazionale per l’esecuzione di simulazioni a livello di sistema. Per un esempio approfondito su come utilizzare l’IA per creare un modello di ordine ridotto per un componente ad alta fedeltà, passa al Capitolo 3.
Sviluppo di algoritmi embedded: questo caso d’uso include componenti basati sull’IA come controller, sensori, fusione dei sensori, elaboratori di immagini e rilevatori di oggetti che saranno infine distribuiti in un sistema embedded.
Modelli di ordine ridotto: usa l’IA per creare un modello di ordine ridotto di un sistema complesso utilizzabile da più ingegneri per affinare e convalidare i componenti di sistema.
In molte situazioni, un modello di IA può essere utilizzato per entrambi i casi d’uso. Un’altra possibilità consiste nello sfruttare Simulink come un ambiente dinamico per il reinforcement learning, una branca del Machine Learning (ML).
Integrando l’IA nella progettazione Model-Based per lo sviluppo di algoritmi embedded sarà possibile:
- Sperimentare più modelli di IA di un algoritmo e confrontare rapidamente i tradeoff in termini di precisione e prestazioni su dispositivo.
- Valutare i modelli di IA degli algoritmi in termini di conformità ai requisiti di sistema prima della distribuzione.
- Eseguire i propri modelli di IA insieme ad altri modelli in un ambiente simulato per individuare eventuali problemi di integrazione dei sistemi.
- Testare scenari la cui esecuzione su hardware o in un ambiente fisico sarebbe troppo difficile, costosa o pericolosa.
Utilizzando l’IA per la modellazione di ordine ridotto basata sui dati, è possibile:
- Accelerare le simulazioni lente di modelli ad alta fedeltà.
- Accelerare la progettazione utilizzando il modello di ordine ridotto basato sull’IA nelle prime fasi del processo e utilizzare il modello di simulazione ad alta fedeltà nelle fasi successive per convalidare i risultati.
- Eseguire test Hardware-In-the-Loop verificando il progetto del controller senza l’hardware di sistema completo.
- Dedicare più tempo allo studio dei casi limite, ripetere il processo di progettazione e valutare alternative.
Come userai l’IA nel tuo lavoro di progettazione a livello di sistema?
Gli ingegneri operanti in qualsiasi settore possono utilizzare l’IA senza essere esperti di IA. MathWorks mette a disposizione interfacce, app ed esempi di facile utilizzo che renderanno l’IA accessibile.
Le tecniche di IA potranno essere utilizzate per il Machine Learning e il Deep Learning nell’ambito di applicazioni verticali note e sarà possibile capire come applicare queste tecniche a problemi specifici del settore.
In questo caso, un team ha creato un controller basato sull’IA per il controllo di motopropulsori ad anello chiuso.
Controller di reinforcement learning per il controllo di motopropulsori ad anello chiuso. (Crediti dell’immagine: Vitesco Technologies)
In questo caso, un team ha creato un modello Simulink di un’intera flotta di aeromobili per ridurre i costi del ciclo di vita e aumentare il grado di prontezza. Il modello dipende da previsioni accurate delle prestazioni della flotta e dei tempi di fermo per l’esecuzione di interventi di manutenzione. Il team ha sviluppato un modello Simulink ad alta fedeltà della flotta e ha successivamente addestrato un modello di IA utilizzando i dati di output ottenuti dal modello Simulink in una serie di scenari diversi per effettuare analisi veloci.
Aeromobile pronto a volare. (Crediti dell’immagine: Lockheed Martin)
In questo caso, un team ha creato un 7 post shaker dinamico per aiutare chi si occupa di auto da corsa a effettuare delle regolazioni pre-gara specifiche per il tracciato in modo tale da migliorare le prestazioni. I modelli di IA fanno parte di un modello virtuale complesso, utilizzato per simulare le prestazioni dello shaker.
Una piattaforma di prova dinamica (7 post shaker) aiuta i team a regolare le prestazioni prima della gara. (Crediti dell’immagine: Penske Technology Group)
In questo caso, un team ha sviluppato un algoritmo che utilizza l’IA per rilevare automaticamente le convulsioni in dati video di pazienti con epilessia. I medici generalmente monitorano i pazienti tramite encefalogramma e l’osservazione visiva, ma tale approccio è molto impegnativo e non confortevole per i pazienti.
“Prevediamo di poterci occupare del triplo dei pazienti senza dover aumentare l’organico. Se utilizzata per il monitoraggio domestico, la nuova tecnica ridurrà ulteriormente i costi eliminando le spese elevate dei ricoveri e delle osservazioni cliniche.”
Rilevamento di crisi epilettiche con video. (Crediti dell’immagine: Dutch Epilepsy Clinics Foundation)
Per sostenere processi produttivi smart con sistemi robotici, come un sistema robotico di saldatura, un team ha sviluppato un algoritmo di IA per stimare la posizione e l’orientamento del pezzo da saldare. L’algoritmo è stato utilizzato in una simulazione insieme ad altri algoritmi, in modo tale da creare un gemello digitale del sistema robotico.
Un gemello digitale aiuta a progettare, costruire e convalidare un sistema robotico di saldatura. (Crediti dell’immagine: Applied Science and Technology Research Institute di Hong Kong)
“L’approccio del gemello digitale basato su MBSE ha consentito di ridurre i tempi di integrazione del 40% e i tempi di sviluppo del 30%.”
In questo caso, un modello di IA prevede il carico medio di un sistema di celle a combustibile. Il team ha utilizzato questo e altri algoritmi per realizzare una simulazione a livello di sistema di prossima generazione.
“Possiamo simulare le nostre idee, trovare gli errori e le inefficienze e apportare le dovute correzioni prima di testare l’algoritmo sul sistema. In altre parole, gli strumenti MathWorks ci aiutano a prendere misure preventive.”
Sistema di celle a combustibile. (Crediti dell’immagine: Plug Power)
In questo caso, un team ha utilizzato l’IA per analizzare i dati provenienti dalle videocamere e dai sensori a bordo per prendere decisioni sulla navigazione e la gestione dell’azienda agricola in un trattore elettrico smart.
“Abbiamo a che fare con la mobilità, l’energia, l’idraulica, la potenza meccanica. Quando si gestiscono sistemi così complessi, è difficile affidarsi solamente ai test sul campo o alle simulazioni. Avevamo davvero bisogno che tutti i sistemi fossero sincronizzati.”
Trattore elettrico smart con conducente opzionale. (Crediti dell’immagine: Monarch Tractor)
In questo caso, un team ha creato e addestrato una rete neurale che implementa la predistorsione digitale in un sistema di comunicazione. In più, è stato simulato l’algoritmo con la parte analogica del sistema per comprendere le prestazioni del sistema nel complesso, prima della sua distribuzione.
Applica la predistorsione digitale (DPD) basata su reti neurali per compensare gli effetti delle non linearità in un amplificatore di potenza (PA).
