Controllo basato sui dati con MATLAB e Simulink

Progettazione e implementazione di algoritmi di controllo basati sull’IA e sui dati

Richiedi una versione di prova gratuita
Contatta l’ufficio addetto alle vendite

Gli ingegneri usano algoritmi di controllo basati sui dati in scenari in cui i metodi di controllo tradizionali potrebbero non essere sufficientemente efficaci. Tali scenari possono verificarsi quando modellare la dinamica di impianti usando i principi primi risulta difficile o non funzionale, oppure quando è necessario il controllo adattivo.

Con MATLAB e Simulink, è possibile:

  • Progettare, simulare e implementare tecniche di controllo basate sui dati usando l’IA e metodi non basati sull’IA
  • Identificare la dinamica dei sistemi o apprendere i parametri dei controller direttamente a partire dai dati usando tecniche offline sul proprio desktop
  • Aggiornare i parametri dei controller in tempo reale nell’ambito di sistemi embedded usando tecniche online
  Tecniche offline Tecniche online
Basate sull’IA
  • Controllo predittivo basato su modelli (MPC) con spazio degli stati neurali
  • Reinforcement Learning offline
Per saperne di più
  • Reinforcement Learning online
  • Controllo adattivo di riferimento dei modelli con un modello di disturbo basato sull’IA
Per saperne di più
Non basate sull’IA
  • Metodi tradizionali con identificazione dei sistemi
  • Sincronizzazione dei sistemi di inferenza fuzzy (FIS)
Per saperne di più
  • Controllo di reiezione dei disturbi attivi
  • Controllo adattivo di riferimento dei modelli con un modello di disturbo non basato sull’IA
  • Extremum Seeking Control
  • Closed-Loop PID Autotuner
  • MPC adattativo con identificazione dei sistemi online
Per saperne di più

Perché MATLAB e Simulink?

Confronto e abbinamento di varie tecniche di controllo tradizionali e basate sui dati

Progetta, simula e implementa il controllo adattivo di riferimento dei modelli (MRAC), il controllo di reiezione dei disturbi attivi (ADRC), il Reinforcement Learning (RL), il controllo predittivo basato sui modelli (MPC) e altri metodi di controllo tradizionali e basati sui dati nell’ambito di un unico ambiente.

Progettazione di controlli adattivi in Simulink
Closed-Loop PID Autotuner
Deep Reinforcement Learning per applicazioni di controllo e decisionali
Tech Talk sui controlli basati sui dati (3 video)
Controllo di un sistema di riscaldamento domestico tramite MPC non lineare con un modello predittivo nello spazio degli stati neurali

Integrazione con Simulink e la progettazione Model-Based

Implementa e testa algoritmi di controllo basati sui dati in Simulink usando i blocchi Simulink predefiniti. Genera codice automaticamente a partire dal tuo algoritmo di controllo per la distribuzione diretta su hardware embedded.

Implementazione del controllo della velocità di un PMSM mediante controllo di reiezione dei disturbi attivi
Distribuzione delle politiche di Reinforcement Learning addestrate

Inizia con esempi di riferimento

Utilizza esempi e riferimenti documentati per il controllo di volo, la robotica, la gestione dell’energia e altre applicazioni per implementare le tecniche di controllo basate sui dati senza dover partire da zero.

Esempi di progettazione di controlli adattivi
Applicazioni per la guida autonoma del controllo predittivo basato su modelli
Gestione dell'energia con MPC basato sul Deep Learning (8:09)
Progettazione di un controller per pancreas artificiale mediante la logica fuzzy

Funzionalità per la progettazione di sistemi di controllo in retroazione

Scopri ciò che è possibile realizzare con MATLAB e Simulink.

Per saperne di più
Mappa del controllo in retroazione

Ulteriori informazioni sulle tecniche di controllo basate sui dati

Tecniche offline basate sull’IA

Controllo di un sistema di riscaldamento domestico mediante il controllo predittivo basato su modelli non lineari con il modello di previsione dello spazio degli stati neurali
Gestione dell'energia con MPC basato sul Deep Learning (8:09)
Addestramento offline di un agente di Reinforcement Learning per controllare un pendolo Quanser QUBE

Tecniche offline non basate sull’IA

Progettazione di un controller per pancreas artificiale mediante la logica fuzzy
Progettazione di un controller per l’elettronica di potenza mediante dati I/O simulati
Sincronizzazione di un controller Field-Oriented con SYSTUNE
Progettazione di un controller MPC per un modello di impianto identificato

Tecniche online basate sull’IA

Controllo di un quadrirotore con il controllo adattivo di riferimento dei modelli
Sistema di parcheggio automatico con una simulazione Unreal Engine
Addestramento di agenti SAC per il controllo del bilanciamento della pallina

Tecniche online non basate sull’IA

Implementazione del controllo della velocità di un PMSM mediante controllo di reiezione dei disturbi attivi
Controllo adattivo di riferimento dei modelli dello spin di un satellite
Frenata antibloccaggio con Extremum Seeking Control
Controllo MPC adattativo di un reattore chimico non lineare con la stima del modello online
Sincronizzazione di controller Field-Oriented con il blocco Closed-Loop PID Autotuner

Scopri come i clienti applicano le tecniche di controllo basate sui dati e l’IA per la progettazione dei sistemi di controllo

Krones AG Builds Reinforcement Learning–Based Process Control in the Blow Molder Contiloop AI for PET and rPET Bottles

In evidenza: Krones AG realizza un controllo dei processi basato su Reinforcement Learning per la soffiatrice Contiloop AI per bottiglie in PET e rPET

Visualizza altri casi dei clienti
Scopri la ricerca IA

Prodotti

Scopri i prodotti compatibili con le tecniche di controllo basate sui dati e l’IA per le applicazioni relative alla progettazione di sistemi di controllo.

Pronto a parlare?

Come possiamo aiutarti?

Contattaci

30 giorni di prova gratuita

Prova MATLAB, Simulink e molto altro ancora

Inizia ora