MATLAB e Simulink Release 2022b presenta una nuova Simscape Battery e aggiornamenti che semplificano e automatizzano la progettazione Model-Based

Oggi MathWorks ha svelato la Release 2022b (R2022b) delle famiglie di prodotti MATLAB^® e Simulink^®. La release R2022b introduce due nuovi prodotti e diverse funzionalità avanzate che semplificano e automatizzano la progettazione Model-Based per ingegneri e ricercatori incaricati di realizzare innovazioni nei prodotti e di compiere progressi per le loro organizzazioni.

Si prevede che il mercato globale dei sistemi di gestione delle batterie raggiunga 13,4 miliardi di dollari entro il 2026. Bloomberg New Energy Finance indica che tale crescita può essere attribuita in gran parte all’aumento sul mercato dei veicoli elettrici. L’ultimo report dell’organizzazione mostra che il 58% delle vendite globali di veicoli per trasporto passeggeri deriverà dai veicoli elettrici entro il 2040. Simscape Battery™, una delle principali innovazioni introdotte nella release R2022b, fornisce strumenti per la progettazione e modelli parametrizzati per le aziende che progettano questo tipo di sistemi di batterie. 

Ingegneri e ricercatori utilizzano Simscape Battery per creare gemelli digitali, eseguire test virtuali di architetture di pacchi batteria, progettare sistemi di gestione delle batterie e valutare il comportamento di sistemi di batterie in condizioni normali e di guasto. Lo strumento automatizza anche la creazione di modelli di simulazione che corrispondono alla topologia di pacchi desiderata e include collegamenti con piastre di raffreddamento affinché si possa valutare la risposta elettrica e termica.

“Non vediamo l’ora di lanciare Simscape Battery ora che l’innovazione nei sistemi di gestione delle batterie è ai massimi storici” ha detto Graham Dudgeon, Product Manager principale, Modellazione di sistemi elettrici, MathWorks. “Il nuovo prodotto include molti strumenti di progettazione ideati per semplificare e automatizzare la progettazione Model-Based, tra cui il Battery Pack Model Builder che consente agli ingegneri di valutare in modo interattivo diverse architetture di pacchi batteria.”

La release R2022b presenta anche il nuovo Medical Imaging Toolbox. Il toolbox fornisce strumenti per applicazioni di imaging medico per progettare, verificare e distribuire algoritmi di diagnostica e di radiomica che utilizzano reti di Deep Learning. Ricercatori, scienziati, ingegneri e progettisti di dispositivi in ambito medico possono usare Medical Imaging Toolbox per la visualizzazione 3D multi-volume, la registrazione multimodale, la segmentazione e l’etichettatura di verità di base (ground truth) automatica per l’addestramento delle reti di Deep Learning su immagini mediche.

La release R2022b introduce aggiornamenti agli strumenti MATLAB e Simulink più popolari nella R2022b, tra cui:  

• AUTOSAR Blockset: Sviluppa applicazioni orientate ai servizi utilizzando metodi client-server ARA e distribuiscili su piattaforme Linux embedded. Lo strumento consente agli utenti di definire tipi di dati e interfacce in un modello di architettura.
• Fuzzy Logic Toolbox: Progetta, analizza e simula in modo interattivo sistemi di inferenza fuzzy (FIS) utilizzando l'applicazione aggiornata Fuzzy Logic Designer. Inoltre, il toolbox ottimizzato consente a ingegneri e ricercatori di progettare FIS di tipo 2 utilizzando le funzioni della riga di comando o l’applicazione Fuzzy Logic Designer.
• HDL Coder: Genera il codice SystemC ottimizzato da MATLAB per sintesi di alto livello (HLS) e usa la conversione da frame a campione per l’ottimizzazione del modello e del codice.
• Model Predictive Control Toolbox: Include reti neurali come modelli di previsione per controller di modelli di previsione non lineari. Inoltre, il toolbox ora consente agli utenti di implementare controller di modelli di previsione che soddisfano gli standard ISO 26262 e MISRA C. 
• System Identification Toolbox: Crea modelli di spazio di stato non lineari basati sul Deep Learning utilizzando equazioni differenziali ordinarie (ODE) neurali. Le tecniche di Machine Learning e Deep Learning possono rappresentare anche la dinamica non lineare in modelli non lineari ARX e Hammerstein-Wiener.