L’IA con la progettazione Model-Based

L’IA con la progettazione Model-Based Applicazione di tecniche di intelligenza artificiale (IA) alla progettazione di sistemi ingegnerizzati

“Anche se non siamo specialisti di Deep Learning, utilizzando MATLAB e Deep Learning Toolbox siamo riusciti a creare e addestrare una rete che prevede le emissioni di NOx con una precisione di quasi il 90%.”

Modellazione di sensori virtuali

Identificazione di sistemi
e modellazione di ordine ridotto (ROM)

Reinforcement Learning

Richiedi una versione di prova gratuita

Modellazione di sensori virtuali

Stima dei segnali di interesse nei casi in cui un sensore fisico non è in grado di misurarli direttamente o l’utilizzo di un sensore fisico comporta costi e complessità eccessivi in fase di progettazione.

Creazione e confronto di modelli di sensori virtuali mediante diverse architetture di Deep Learning e Machine Learning come layer completamente connessi, layer Long Short-Term Memory (LSTM) e macchine a vettori di supporto
Importazione di modelli di IA creati in TensorFlow™ o PyTorch^® per la simulazione e la distribuzione con Simulink
Integrazione, simulazione e test di sensori virtuali basati sull’IA con il resto del sistema
Compressone di modelli di sensori virtuali basati sull’IA e distribuzione su microcontrollori ed ECU utilizzando la generazione di codice C senza librerie
Adattamento di modelli di sensori virtuali per l’elaborazione di dati in tempo reale utilizzando l’apprendimento incrementale

Casi dei clienti e case study

Video

Esempi

Identificazione di sistemi e ROM

Crea modelli basati sull’IA di sistemi dinamici non lineari utilizzando dati misurati o generati.

Creazione di modelli dinamici basati sull’IA a partire dai dati misurati utilizzando l’app System Identification
Miglioramento della qualità del modello combinando le informazioni sulla fisica del sistema con tecniche di IA mediante l’identificazione di modelli non lineari, come lo spazio degli stati neurali, l’ARX non lineare e altre architetture di modelli
Riutilizzo di modelli FEM, FEA e CFD di terze parti per la progettazione di controlli e lo sviluppo di sistemi in Simulink creando modelli di ordine ridotto basati sull’IA
Utilizzo dell’app Reduced Order Modeler per configurare la progettazione di esperimenti (DoE), generare dati di addestramento e partire da modelli preconfigurati per addestrare e valutare modelli di IA adeguati
Importazione del modello ridotto in Simulink per eseguire simulazioni desktop e test Hardware-In-the-Loop, o esportazione di modelli di ordine ridotto per utilizzarli all’esterno di Simulink tramite FMU (Functional Mock-up Unit)

Casi dei clienti e case study

Video

Esempi

Modellazione di ordine ridotto

Reinforcement Learning

Addestra agenti intelligenti attraverso interazioni ripetute “trial-and-error” con ambienti dinamici modellati in Simulink.

Possibilità di scegliere tra gli algoritmi predefiniti e integrarli in Simulink con il blocco RL Agent per l’addestramento
Utilizzo di Reinforcement Learning Designer per progettare, addestrare e simulare gli agenti in modo interattivo
Esecuzione di test a livello di sistema e distribuzione di agenti addestrati su dispositivi embedded

Casi dei clienti e case study

Video

Esempi

Camminatore umanoide

Perché usare MATLAB e Simulink per progettare l’IA nei sistemi ingegnerizzati?

Integrazione e simulazione di modelli di IA
con il resto del sistema

Integra i modelli di IA direttamente nel modello a livello di sistema per le simulazioni.
Simula il comportamento del sistema eseguendo algoritmi di IA con altri componenti del sistema, tra cui sistemi fisici, modelli ambientali, algoritmi di controllo ad anello chiuso e logica di supervisione.

Per saperne di più

Sicurezza e affidabilità
dei sistemi basati sull’IA nell’uso reale

Combina i test basati sui dati e sulla simulazione con tecniche di verifica formali per l’uso di reti neurali.
Assicura l’equivalenza di comportamento attraverso test back-to-back.
Mantieni la tracciabilità tra requisiti, progettazione e test.

Per saperne di più

Generazione di codice dai modelli di IA
per hardware diversi

Genera e distribuisci codice C/C++, CUDA^® e HDL a partire da modelli di Deep Learning o Machine Learning eseguibile sull’hardware target supportato.

Per saperne di più

Gestione dei tradeoff di implementazione
dell’IA embedded

Profila le dimensioni, la velocità e la precisione del modello nella simulazione e nel codice.
Confronta le differenze di prestazioni tra diversi modelli di IA e tra modelli basati e non basati sull’IA.
Valuta gli effetti della compressione del modello.
Sfrutta i risultati dell’analisi per scegliere adeguatamente il modello, prendere decisioni di progettazione e affinare il comportamento del modello.

Per saperne di più