IA per l’elettrificazione
Applicazione di tecniche di intelligenza artificiale (IA) allo sviluppo di tecnologie elettriche e alle relative operazioni
Con MATLAB e Simulink, è possibile modellare comportamenti complessi di componenti elettrici e aumentare la velocità di simulazione creando modelli di ordine ridotto (ROM) basati sull’IA. È possibile creare, addestrare e testare sensori virtuali basati sull’IA e strategie di controllo per motori, batterie, convertitori di potenza, sistemi di gestione dell’energia, veicoli elettrici e sistemi di rete. MATLAB e Simulink consentono di garantire operazioni sicure ed efficienti relative ai sistemi elettrici integrando la previsione energetica basata sull’IA e adottando la manutenzione predittiva basata sull’IA.
È possibile utilizzare metodi basati su IA e sui dati per creare modelli di ordine ridotto per componenti fisici (come motori brushless e carichi motore) o sistemi fisici e utilizzare questi modelli nella progettazione. Questi metodi consentono di accelerare notevolmente le simulazioni, rilevando al contempo il comportamento essenziale del sistema.
MATLAB, Simulink e Simscape consentono di:
- Creare modelli di simulazione di sistemi basata sulla fisica, eseguire simulazioni e generare dati sintetici per l’addestramento di modelli di IA
- Scegliere da una libreria di modelli di IA predefiniti e valutare le prestazioni dei modelli effettuando più esperimenti
- Integrare direttamente i modelli di IA in Simulink ai fini della convalida e del test dei modelli mediante simulazioni
Con MATLAB, Simulink e Simscape è possibile monitorare le condizioni degli impianti e stimarne la vita utile residua per ridurre al minimo i tempi di fermo non pianificati, ridurre i costi operativi e garantire l’affidabilità e la sicurezza dei sistemi di alimentazione.
- Costruisci modelli di sistemi elettrici basati sulla fisica con Simscape Electrical, inserisci guasti ed esegui simulazioni per generare dati sintetici per l’addestramento di modelli di manutenzione predittiva.
- Estrai, visualizza e classifica le feature per progettare indicatori di condizione per il monitoraggio dello stato operativo dei sistemi di alimentazione con l’app Diagnostic Feature Designer
- Identifica la causa principale dei guasti e prevedi i guasti utilizzando modelli di IA predefiniti, come ad esempio i modelli di classificazione, regressione e serie storiche
Prova gli esempi
Casi dei clienti
- Utilizzo del Deep Learning per la manutenzione predittiva di sistemi di cavi elettrici interrati
- Il Korea Institute of Energy Research sviluppa modelli di manutenzione predittiva basati sull’IA per l'energia eolica offshore
- Progettazione di apparecchiature elettriche più smart con l’integrazione dell’intelligenza artificiale
Esempi
- Rilevamento dei guasti di un caricabatterie per veicoli elettrici
- Prognostica dei cuscinetti ad alta velocità delle turbine eoliche
- Rilevamento dei guasti dovuti alla rottura del rotore nei motori a induzione CA mediante vibrazioni e segnali elettrici
- Motor Current Signature Analysis (MCSA) per il rilevamento dei guasti a un treno di ingranaggi
Nell’implementare controlli dell’elettronica di potenza, è possibile utilizzare l’IA per sviluppare modelli di sensori virtuali in grado di fornire segnali fondamentali. I sensori virtuali non prevedono costi ricorrenti della distinta dei materiali, non sono invasivi e non necessitano di manutenzione.
Con MATLAB, Simulink e Simscape è possibile:
- Creare modelli di sistemi basati sulla fisica, eseguire simulazioni e generare dati sintetici per l’addestramento di sensori virtuali basati sull’IA
- Scegliere da una libreria di modelli di IA predefiniti e valutare le prestazioni dei modelli effettuando più esperimenti
- Integrare direttamente i modelli di sensori virtuali in Simulink all’interno di modelli di sistemi fisici ai fini della convalida
- Generare codice C/C++ leggibile ed efficiente per dispositivi embedded
Prova gli esempi
Video
- Workflow di IA per la stima dello stato della batteria (15:36)
- Stima dello stato di efficienza (SOH) e dello stato di carica (SOC) di una batteria mediante un approccio ibrido di Machine Learning (13:38)
- Stima dello stato di carica di un pacco batteria di bordo con una rete neurale addestrata (15:02)
- Integrazione di un modello TensorFlow in Simulink per la simulazione e la generazione di codice (5:47)
- Utilizzo dell’intelligenza artificiale per stimare lo stato di carica delle batterie (SOC) (19:48)
MATLAB e Simulink possono aiutare a ridurre gli sforzi necessari per implementare un sistema di previsione energetica basato sull’IA per prevedere la domanda, l’offerta e i prezzi dell’elettricità e mitigare le incertezze e i rischi nelle operazioni relative ai sistemi di alimentazione. Sarà possibile:
- Automatizzare la pre-elaborazione dei dati con l’app Data Cleaner e le attività di Live Editor
- Scegliere tra una serie di modelli di Machine Learning e Deep Learning con una codifica manuale minima o nulla
- Progettare reti neurali profonde in modo interattivo con l’app Deep Network Designer e gestire esperimenti di Deep Learning con l’app Experiment Manager
- Utilizzare il calcolo parallelo per accelerare il processo di addestramento dell’IA
- Rendere operativo il modello e distribuirlo in ambienti cloud di produzione con MATLAB e Simulink nel Cloud
Prova gli esempi
Video
- Carico elettrico e previsione dei prezzi con MATLAB (47:43)
- Utilizzo del Machine Learning e del Deep Learning per le previsioni energetiche con MATLAB (39:29)
- Trasformare un’idea in un sistema di produzione basato sui dati: un case study sulla previsione del consumo energetico (42:53)
- Utilizzo di MATLAB per migliorare le moderne previsioni meteorologiche numeriche (22:31)
- Previsione del consumo elettrico con MATLAB (1:37)
MATLAB e Simulink consentono di adottare controlli ad alte prestazioni basati sull’IA di sistemi complessi, non lineari e Multiple-Input Multiple-Output che richiedono una conoscenza minima della fisica dell’impianto. Sarà possibile:
- Addestrare algoritmi di controllo basati sull’IA rispetto ad ambienti simulati in Simulink
- Accelerare l’addestramento eseguendo simulazioni in parallelo
- Consultare esempi dei toolbox per la regolazione iterativa dei parametri di progettazione
- Integrare direttamente i modelli addestrati in Simulink ai fini della verifica basata sulla simulazione
Prova gli esempi
Video
- Test in tempo reale – Distribuzione di un agente di Reinforcement Learning per il controllo Field-Oriented (4:51)
- Il Reinforcement Learning ispira gli ingegneri specializzati nel controllo dei motopropulsori (21:26)
- Serie Energy Speaker - Modulo 3: accumulo di energia e controllo di sistemi di alimentazione con l’IA (1:11:47)
