Abstracts

Welcome Reception and Preregistration

1. Juli 2019 (Vorabend)
19:00 bis 21:30 Uhr

Das Vorabendprogram der diesjährigen MATLAB EXPO beginnt am 1. Juli um 19:00 Uhr mit einer Welcome Reception (mit der Möglichkeit der Vorabregistrierung für den Konferenztag)
Hier finden Sie in lockerer Atmosphäre bei einem Stehempfang Zeit für Gespräche mit MathWorks Experten sowie MATLAB EXPO Sprechern und beste Möglichkeiten zum Networking mit anderen Konferenzteilnehmern.

Beyond the "I" in AI: Insight. Implementation. Integration.

9:10–9:40

Insight. Implementation. Integration.

AI, or artificial intelligence, is transforming the products we build and the way we do business. It also presents new challenges for those who need to build AI into their systems. Creating an “AI-driven” system requires more than developing intelligent algorithms. It also requires:

  • Insights from domain experts to generate the tests, models, and scenarios required to build confidence in the overall system
  • Implementation details including data preparation, compute-platform selection, modeling and simulation, and automatic code generation
  • Integration into the final engineered system

Join us as Jim Tung demonstrates how engineers and scientists are using MATLAB® and Simulink® to successfully design and incorporate AI into the next generation of smart, connected systems.

Jim Tung, MathWorks


Model-Based Design in der Praxis erfolgreich umsetzen

9:40–10:10

 

Nils-Hendric Schall, Nordex


Was ist neu in MATLAB und Simulink (R2019a)

10:10–10:40

Learn about new capabilities in the MATLAB® and Simulink® product families to support your research, design, and development workflows. This talk highlights features for deep learning, wireless communications, automated driving, and other application areas. You will see new tools for defining software and system architectures, and modeling, simulating, and verifying designs.

Alexander Schreiber, MathWorks

Fit für die MATLAB EXPO: Eine kurze Einführung in MATLAB (45 Minuten)

11:15–12:00

In diesem Vortrag laden wir Sie ein zu einer Einführung in MATLAB®, die high-level Programmiersprache und interaktive Entwicklungsumgebung. Als Plattform für numerische Berechnungen, Visualisierungen und Anwendungsentwicklung stellt MATLAB das Fundament dar für sämtliche Projekte, die auf der MATLAB EXPO vorgestellt werden. Wir zeigen Ihnen wie Sie schnell und einfach unterschiedliche Ideen ausprobieren, Zusammenhänge in Ihren Daten erkennen und Ihre Ergebnisse dokumentieren und weitergeben können. Sie erhalten einen grundlegenden Einblick, in die Funktionsweise und Anwendungsgebiete. Die Präsentation richtet sich sowohl an Teilnehmer der Konferenz, die bisher keinen Kontakt zu MATLAB hatten, als auch an solche, die Ihren generellen Überblick auffrischen wollen.

Sebastian Bomberg, MathWorks


Kurzvorträge zu den Beiträgen der Posterausstellung

12:00–12:45

Studierende, Doktoranden und Dozenten präsentieren Poster zu verschiedenen Projekten, die in Kurzvorträgen vorgestellt werden.

How the Brain Shapes Its Own Input: Using Stateflow to Study Behavior (Vortrag in deutsch)

14:00–14:30

Why is it that we can be tickled but cannot tickle ourselves? Although the sensory stimulus remains the same in both cases, when we move ourselves our brains construct predictions about the sensory consequences of our own actions and accordingly modulate their own sensory input. This phenomenon, in which sensory responses during movement are attenuated, is called sensory gating, and has been widely reported.

Using an animal model of active sensing, the rodent whisker system, we show that higher brain regions gate or modulate sensory inflow during movement. Animals were trained to localize objects with their whiskers using a real-time Stateflow® model that rewarded object contacts with water. Using high-impedance electrodes to record brain activity at the first stage of sensory processing, we found that responses to the same contact were smaller during movement. This was found to be under the control of top-down feedback projections.

Predictive signals were also recorded showing such object contacts were internally predicted and therefore possibly gated out. Therefore, the brain controls its own input dynamically, using internal predictions to shape perception.

Dr. Shubo Chakrabarti, Universität Tübingen


50 Jahre Mondlandung – Lehrprojekte zur Modellierung der Mondlandung mit Simulink

14:30–15:00

Die bemannte Landung auf dem Mond war nur durch einen ungeheuren technischen Aufwand möglich. Insbesondere Naturwissenschaftler und Ingenieure spielten eine wesentliche Rolle bei der Umsetzung dieses ehrgeizigen Projektes. Es ist heute kaum bekannt, dass die erste Landung auf dem Mond fast gescheitert wäre war der notwendige Bordcomputer abstürzte. Der Fehler hatte seine Ursache in der Verletzung von Bearbeitungsfristen. Da der Apollo Guidance Computer als Urahn aller eingebetteten Echtzeitsysteme angesehen werden kann, eignet sich das Beispiel der Mondlandung gut als Einführung in den modellbasierten Entwurf für Studenten der Elektrotechnik und Informatik.

Bereits die NASA führe in den frühen 1960er Jahren Simulationen der Mondlandung auf Grossrechnern durch und bediente sich dabei der noch heute gebräuchlichen numerischen Verfahren. Die Simulationen ergaben, dass eine handgesteuerte Landung auf dem Mond nicht möglich sei und das nach etwa 2,5 Jahren Arbeit erstellte Konzept zur Landung sah einen eigenen Steuercomputer für die Mondlandefähre vor.

Im Rahmen des Studiengangs Computational Science and Engineering (CSE) der in Kooperation von der Universität Ulm und der Hochschule Ulm angeboten wird, haben fünf Studenten in drei unabhängigen, jeweils sechs Monate langen Projekten, das Landemodul von Apollo nach originalen Unterlagen der NASA in Simulink® modelliert und eine Steuerung zur Landung entworfen.

Parallel dazu wurde das Echtzeitverhalten der originalen AGC Software mittels moderne Echtzeitanalyse modelliert und der Softwarefehler, der fast zum Scheitern der Landung führte, nachgestellt. Es zeigte sich, dass eine moderne Performanz-Analyse des Echtzeitverhaltens eines Computersystems das Systemverständnis wesentlich erhöht und die Probleme zu knapper Rechenkapazität vermieden werden können.

Prof. Frank Slomka, Universität Ulm


Einsatz von MATLAB Grader zur Ergänzung der akademischen Lehre

15:00–15:30

In den Bachelorstudiengängen „Medical Engineering“ und „Maschinenbau und Mechatronik“ sowie dem Masterstudiengang „Biomedical Engineering“ an der Hochschule Furtwangen lernen die Studierenden im Rahmen der Vorlesung „Computermathematik“ die Anwendung von MATLAB® und Simulink® zur Lösung ingenieurtechnischer Probleme. Der Kurs vermittelt die Grundlagen des Umgangs mit MATLAB. Dies beinhaltet:

  • Berechnen mathematischer Ausdrücke, Lösen von Gleichungen und symbolisches Rechnen
  • Zahlenreihen, Vektoren und Matrizen sowie deren Indizierung
  • Erstellen von Funktionen
  • Ablaufsteuerung
  • Graphische Ausgabe
  • Exaktes und numerisches Lösen von Differentialgleichungen
  • Erstellen von graphischen Oberflächen
  • Simulation, Linearisierung und Regelung dynamischer Systeme in Simulink

Die Bachelor-Vorlesungen sind dabei als Selbstlernkurs ausgelegt, während die Vorlesung im Master-Studiengang als Kombination aus Vorlesung und Labor durchgeführt wird. In beiden Kursen wird umfangreich auf die Möglichkeiten von MATLAB Grader zur Wiederholung des Gelernten zurückgegriffen. Die Aufgaben werden von den Studierenden im Rahmen eines Labors bearbeitet, während dessen der Dozierende für Fragen zur Verfügung steht. Die Nutzung der MATLAB Grader Plattform soll das selbstständige Problemlösen fördern, während die Studierenden durch die Möglichkeit der automatischen Evaluierung ihrer Lösungen den eigenen Wissensstand kontrollieren können. Zusätzlich erlaubt die Plattform dem Dozierenden eine Einschätzung, in welchen Bereichen noch Wissenslücken vorhanden sind, so dass hier gezielt wiederholt werden kann. Der Vortrag soll die Einbindung von MATLAB Grader in den Unterricht am Beispiel dieser Vorlesungen vorstellen und dabei die Vorgehensweise der Erstellung von Aufgaben und den zugehörigen Testroutinen eingehen. Es wird außerdem auf die Vorteile, sowie derzeitige Probleme und Lösungswege im Rahmen der eigenen Erfahrungen eingegangen.

Dr. Jörn Kretschmer, HS Furtwangen

Preparing Future Engineers and Scientists for the Challenges of Digital Transformation

16:00-17:00

A master class is a deep dive/in-depth technical session with specific demos and examples.

The systems required for Industry 4.0, IoT, and other digital trends will be multidisciplinary, with autonomous and AI functionality, and pervasively connected to larger systems of systems. How will engineers and scientists acquire the skills and know-how to conceive and develop such systems? Integrating engineering knowledge about signals and systems, data-driven AI methods, and computational thinking approaches will become critical.

Learn how you can use MATLAB® and Simulink® to develop the skills and techniques for academic research and industrial applications to create smarter systems. Discover, learn, and apply new concepts and technologies for emerging engineering and scientific challenges using Model-Based Design.

Jim Tung, MathWorks

MLaaS (Machine Learning as a Service) mit MATLAB Production Server

11:15–11:45

The Power Management and Multimarket (PMM) division at Infineon has a large sensor portfolio cherished by customers. Following a core strategy of Product to Systems (P2S), Infineon strongly believes the real value comes not only from delivering high-quality products, but by understanding better the customer needs and providing complete solutions. This approach significantly reduces the end customer's time to market and builds a better customer trust relationship, eventually leading to improved profit margins.

For developing smart solutions for sensors, Infineon leverages machine learning (specifically, deep learning) classification techniques in system designs. Example: Infineon's Alarm System. These machine learning classification algorithms are made available to customers as either part of the embedded solution, or offered as an online service.

For the latter, it is a huge challenge to set up an infrastructure in a scalable way that can run on-demand classification service requests coming from end customers. Luckily, MATLAB Production Server™ solves this problem by taking care of the deployment infrastructure while Infineon can focus on the algorithm development.

With MPS, an example web application using Machine Learning as a Service (MLaaS) deployed on Amazon Web Services (AWS) was successfully demonstrated. Apart from some networking issues due to the corporate firewall of the company, the deployment process was straightforward.

As a way forward, Infineon intends to use the demo setup for real applications; furthermore, they plan to investigate offering services like retraining the neural network on the cloud, targeting the embedded solutions.

Muhammad Faizan Aslam, Infineon Technologies AG


Neural Automation – Optimal Control durch Maschinelles Lernen

11:45–12:15

Motion Control ist essentieller Bestandteil der modernen Automation. Die Basisarchitektur besteht aus einem Aktuator, einem Servoverstärker und einem Controller. Im Servoverstärker wird in der Regel die Strom-, Drehzahl und Lageregelung, die Safety-Funktionalität sowie die Bereitstellung der elektrischen Leistung realisiert. Der Controller übernimmt in der Regel die Set-Point-Generierung, bspw. das Motion Profil.

Der Motion Controller wird bei Beckhoff in Software auf einem Industrie-PC (IPC) realisiert. Die Software umfasst ebenfalls die SPS, die Echtzeitkommunikation sowie diverse weitere Funktionen. Das Konzept wird als PC-basierte Steuerungstechnik bezeichnet und beinhaltet die konsequente Nutzung der Synergien zwischen Informations- und Automatisierungstechnik. Mit der rasant steigenden Leistungsfähigkeit moderner CPUs können auch komplexe Methoden aus unterschiedlichen Wissenschaftsdisziplinen zum Monitoring und zur Optimierung des Anlagenverhaltens auf einer Industriesteuerung zugänglich gemacht werden.

In diesem Vortrag wird gezeigt, wie Neuronale Netze in der Echtzeitumgebung genutzt werden können, um eine optimale Pfadplanung zu generieren. Dazu wird beispielhaft die Synchronisation zweier Achsen mit minimalem Energieverbrauch betrachtet. MATLAB® und TwinCAT 3 werden effizient eingesetzt, um Daten aus dem Echtzeitprozess zu gewinnen, die zur Lösung der Optimierungsaufgabe genutzt werden. Im Anschluss wird ein Neuronales Netz mit den gewonnenen Daten trainiert und in der Echtzeitumgebung effizient zur Ausführung gebracht.

Dr. Fabian Bause, Beckhoff Automation GmbH & Co. KG


Bildanalyse zur Unterstützung der Carbonfaser Produktion

12:15–12:45

Carbonfasern haben sehr hohe Zugfestigkeit und Steifigkeit in Kombination mit geringer Dichte und sind deswegen bevorzugtes Material in vielen Anwendungen. SGL Carbon ist der größte europäische Hersteller von Carbonfasern und beliefert verschiedene Industrien, wie z.B. die Automobil- oder die Windkraftindustrie. Die Carbonfasern werden aus Polyacrylnitril (PAN) Precursorfasern hergestellt. Im ersten Schritt werden die PAN Fasern bei Temperaturen 200-300 °C oxidiert. Im zweiten Schritt, bei ca. 1200-1400 °C werden die Fasern in inerter Umgebung carbonisiert. Die entstehende Carbonfaser zeichnet sich durch hohe Festigkeit und Steifigkeit aus. Die Beförderung der Fasern durch den Oxidationsofen und gleichzeitig ihre Streckung erfolgt über Walzen. Die flachen Taue ermöglichen einen homogenen Wärmetransport, sowie Diffusion von Sauerstoff in die Faser und Reaktionsprodukten aus den Fasern. Durch die Faserführung über die gesamte Prozesskette hinweg können verschiedene unerwünschte Effekte, z.B. Verdrehen, Überlappen usw. hervorgerufen werden. Um diese Effekte zu erfassen, zu analysieren und die Prozesse zu optimieren werden auf den verschiedenen Etagen Kameras installiert. Die Bilder werden mit diesen Kameras in regelmäßigen Intervallen aufgenommen und die Serie der Bilder wird mit dem bei SGL Carbon entwickelten kompilierten Matlab Code „Tow Counter“ analysiert. In der Analyse ist wichtig die Verfolgung und Zuordnung der Taue, ihre translatorische Verschiebung über die Achse der Walze sowie ihre Breite zu bestimmen. Außerdem ist es wichtig die Defekte zu zeigen, wie z.B. Zusammenschlüsse zweier oder mehrere Taue, oder die Abspaltung von einem oder mehreren Tauen aus einem Tau. In dem Prozess der Stabilisierung ändern die Fasern ihre Farbe und werden von weiß über orange-rot, Gold bis zum braun-schwarz. Beim Anlauf passiert das auch auf den einzelnen Walzen über die Aufnahmezeit. Durch die graue Walze und nicht immer die besten Lichtverhältnisse sind die Kontraste in einigen Aufnahmen teilweise kaum vorhanden. Zur Verbesserung der Bildauflösung werden die Bilder aus kurzer Entfernung aufgenommen, was allerdings auch zu starker Verzerrung führt.

Die Kameraparameter werden über die Aufnahmen von Schachbrettfeldern aus verschiedenen Positionen ermittelt und in dem „Tow Counter“ Code zur Entzerrung der Bilder eingesetzt. Die Entfernung der Kamera von der Walze kann frei gewählt werden. Das entzerrte Bild wird zuerst angezeigt zusammen mit einigen Einstellung die der User noch vornehmen kann. Zu diesen Einstellungen gehören z.B. einige Hilfefunktionen zur Ermittlung der Signal-Basislinie, Schwellenwerteinstellungen, Signalbreiteauswahl, Signalglättungsparameter, Kontrastanpassung, sowie Einstellungen für die Tau-Zuordnung. Außerdem kann die Auswertung an den RGB oder Grauwerten erfolgen. Bei guten Lichtverhältnissen und klaren Kontrasten liefern aber schon die Defaultwerte sehr gute Ergebnisse. Durch eine „while“ Schleife können die Einstellungen soweit geändert werden, bis ein gutes Ergebnis erzielt wird und der Benutzer seine Freigabe für die weitere Analyse gibt. Die Zwischenergebnisse können jederzeit in eine Exceltabelle ausgeschrieben werden und auch die Endwerte nach der Auswertung werden automatisch ausgeschrieben. Neben jedem Wert steht auch ein Hyperlink in Excel, so dass die Bilder sofort durch klicken auf die Bildnummer angezeigt werden. In der Arbeit wurden Matlab zusammen mit Computer Vision System Toolbox und Image Processing Toolbox genutzt. Der Code wurde mit Matlab Compiler kompiliert. Die Einstellungen werden in einem „uicontrol“ Fenster ausgeführt, Ausschreibung der Zwischenergebnisse erfolgt über einen Push-Button. Zur Ermittlung der Kameraparameter über die Schachbrettfelder werden die Bilder nach ihren relativen Pixel-Fehlern ausgewählt.

Die Taubestimmung mit dem Code erreicht eine sehr gute Genauigkeit und kann in Zukunft mit einigen zusätzlichen Funktionen ausgestattet werden, wie z.B. Erkennung der Taudicke durch Einsatz von Stereokamera oder die Erkennung der Faserfarbenhomogenität, als Maß für die gleichmäßige thermische Behandlung. Die Erkenntnisse aus diesen Ergebnissen werden zur Prozesssteuerung und Prozessoptimierung genutzt.

Bojan Jokanovic, SGL Carbon GmbH

Modellbasierte Entwicklung von Flugführungsalgorithmen für unbemannte Hubschrauber

14:00–14:30

Im Rahmen des Forschungsprojekts AURAIS des Ludwig Bölkow Campus, welches durch das Wirtschaftsministerium Bayern gefördert wird, werden u.a. unterschiedliche Flugführungsalgorithmen für unbemannte Hubschrauber entwickelt, die je nach Betriebsart aktiviert werden. Neben dem agilen Flug (Betriebsart I) werden zwei weitere Betriebsarten unterschieden, die zum einen die Verfolgung eines virtuellen Wegpunktes (Betriebsart II) und zum anderen das Abfliegen einer vorgegebenen Spline-basierten Flugbahn (Betriebsart III) erlauben.

Der Wechsel der Betriebsart, welcher durch die Kommandierung des Piloten ausgelöst wird, muss einen in der Dynamik des Fluggerätes stetigen Übergang gewährleisten. Dadurch wird das Auftreten von abrupten Manövern, die die Struktur des Fluggerätes zu stark belasten, verhindert. Konzeptionelle Fehler können während der Entwicklung der Flugführungsalgorithmen frühzeitig erkannt und beseitigt werden.

Hierzu wird die Flugführung mit dem geregelten Flugmodell und der Schnittstellenapplikationen (Fernsteuerung und Visualisierung) unter Echtzeitbedingungen im Verbund getestet. Durch das Aufschalten von Störgrößen, wie Wind und Turbulenz, und den Einsatz von „3D Virtual- & Augmented-Reality“ Techniken können die Algorithmen in einem hoch realistischen Szenario und vorab der realen Flüge getestet werden.

Im Rahmen des Vortrags wird auf die Entwicklung der Flugführungsalgorithmik in MATLAB® und Simulink® und den Aufbau des Verbunds Flugführung, Flugregelung (Control System Toolbox™), Regelstrecke (Symbolic Math Toolbox™) sowie die Schnittstellen eingegangen. Videos (X-PLANE, Unity und OSG) von Testflügen am B+R Echtzeitrechner (B+R Automation Studio, MATLAB® und Simulink Coder™) runden den Vortrag ab.

Roland Leitner, IABG mbH


FitlabGui – Datenanalyse, Systemidentifizierung und Flugeigenschaftsbewertung

14:30–15:00

Am Institut für Flugsystemtechnik des Deutschen Zentrums für Luft- und Raumfahrt e.V. basieren viele Forschungsaufgaben auf der Auswertung von Flugversuchsdaten. Für wiederkehrende Standardaufgaben wie Datenvisualisierung, Frequenzgangerzeugung, Systemidentifizierung und Flugeigenschaftsanalyse wurde deshalb das Software-Tool FitlabGui entwickelt.

Für die Frequenzgangerzeugung stehen drei verschiedene Verfahren zur Verfügung und bei der Systemidentifizierung sind das Maximum Likelihood Verfahren im Zeit- und im Frequenzbereich sowie die Frequency Response Methode implementiert. Damit können linear und nichtlineare Modelle sowie Polynommodelle für Übertragungsfunktionen bestimmt werden. Zur Optimierung im Rahmen der Identifizierung werden entweder ein Gauß-Newton Verfahren oder der Subplex Algorithmus verwendet. Im Bereich der Flugeigenschaftsanalyse sind diverse quantitative Kriterien implementiert, die auf gemessenen Zeitbereichsdaten oder Frequenzgängen basieren. Außerdem können Mission Task Element Manöver ausgewertet werden.

Alle Plots werden als MATLAB® Figures erzeugt, damit sie einfach modifiziert, abgespeichert und exportiert werden können. Im Bereich der Systemidentifizierung wird bei linearen Systemen die Control System Toolbox für die Simulation und Frequenzgangerzeugung verwendet. Bei nichtlinearen Systemen ist auch die Identifizierung von Parametern in Simulink® Modellen sowie von Modellen, die in C++ geschrieben sind, möglich. Für die Optimierung während der Identifizierung können Routinen der Optimization Toolbox genutzt werden, falls der Benutzer die entsprechende Lizenz besitzt.

Mit FitlabGui wurden bereits Modelle für Fluggeräte verschiedenster Arten (Segelflugzeuge, Kleinflugzeuge, Passagierflugzeuge, Raumgleiter, Modellhubschrauber, Tragschrauber, Hubschrauber) erstellt. Flugeigenschaftsanalysen wurden für diverse Hubschrauber durchgeführt, um unterschiedliche Regelungssysteme und Steuerorgane zu bewerten.

Susanne Seher-Weiß, DLR e.V.


Software zur Instandsetzungsplanung von Triebwerksflotten

15:00–15:30

Die Planung von Instandsetzungsevents (Shop Visits) einer Triebwerksflotte ist eine komplexe Aufgabe, bei der eine Vielzahl von Informationen zusammengeführt und verarbeitet wird. Ziel ist ein auf lange Sicht sicherer, zuverlässiger und kostenoptimaler Betrieb der Flotte. Zu berücksichtigen sind luftrechtliche, technische und kommerzielle Randbedingungen, Historie und aktueller Status der Triebwerke, der zukünftige Einsatzbereich der Flugzeuge, individuelle Kundenwünsche sowie das Expertenwissen der Organisation.

Um eine Aussage über die anstehenden Shop Visits und die Auswirkungen von veränderten Randbedingungen treffen zu können, müssen sog. Ausbauplanungsszenarien berechnet werden. Diese geben Auskunft über die notwendigen Instandsetzungsarbeiten eines jeden Triebwerks der Flotte im Vertragszeitraum. Sie sind somit ein essentieller Grundbaustein für die kommerzielle Gestaltung des Vertrags.

Die Herausforderung besteht darin, dass der Planer aufgrund der Vielzahl der Informationen durch automatisierte Berechnungen mit Hilfe einer Software unterstützt werden muss. Die Standardisierung der Berechnungen ist schwierig, da der Komplexitätsgrad der richtigen Entscheidungen für ein Triebwerk auf Gesamtvertragssicht sehr hoch ist. Vor allem die individuellen Kundenanforderungen können sich stark unterscheiden und erfordern häufig neue Funktionen in der Software.

In diesem Beitrag wird gezeigt, wie die Planung mit Hilfe eines MATLAB basierten Programms durchgeführt wird und dabei den vielfältigen Anforderungen Rechnung getragen wird. Als Basis für das GUI dient ein individuell von MathWorks entwickeltes Framework. Dieses wird auch genutzt, um detaillierte Analysen in angrenzenden Themenbereichen durchzuführen. Dazu gehören u.a. die Analyse von Engine Condition Monitoring Daten, Prognosen zur kundenindividuellen Alterung von Triebwerken, thermodynamische Auswertungen von Triebwerktests sowie umfassendere kommerzielle Analysen.

Niklas Theilig, Lufthansa Technik AG

Techniken der Software-Entwicklung mit MATLAB

16:00–17:00

A master class is a deep dive/in-depth technical session with specific demos and examples.

Engineers and scientists increasingly adopt practices from software development to write programs that are easy to debug, verify, and maintain. In this session, you’ll learn how to integrate MATLAB® with source control systems like GitHub and integration servers like Jenkins, which also facilitates Agile development. You’ll additionally learn how to test code with the MATLAB Unit Test Framework and manage code with projects.

Elmar Tarajan, MathWorks

Entwicklung von dezentralen elektrischen Energiesystemen für Verkehrsflugzeuge

11:15–11:45

Eine Vielzahl der Systeme an Bord moderner Verkehrsflugzeuge wird mit elektrischer Energie betrieben. Dies betrifft neben sicherheitskritischen Systemen, wie beispielsweise die Avionik, auch eine Reihe von Systemen, die lediglich der Steigerung des Passagierkomforts dienen.

Abhängig von der betreibenden Fluggesellschaft weisen diese Systeme, wie beispielsweise die Bordküchen, einen stark variierenden Leistungsbedarf auf. Bei der Auslegung der leistungserzeugenden Triebwerksgeneratoren können diese variierenden Leistungsanforderungen allerdings nicht berücksichtigt werden, weshalb der flottenweite Maximalbedarf als Auslegungspunkt gewählt werden muss. Triebwerksgeneratoren und Netzkomponenten werden somit für viele Anwendungsfälle überdimensioniert.

Durch die Einführung von lokalen, individuell konfigurierten elektrischen Energieversorgungssystemen kann dieses Problem gelöst werden. Im Rahmen des Vortrages soll dargestellt werden, wie solche Systeme modellbasiert ausgelegt, analysiert und bewertet werden können. Zur Analyse individueller Lastanforderungen wird dafür das am Institut für Flugzeug-Systemtechnik entwickelte und in "MATLAB® App Designer" implementierte MILAN Tool genutzt. Die anschließende Auslegung aller relevanten Systemkomponenten erfolgt skriptbasiert in MATLAB, bevor für die abschließende Systemanalyse und Bewertung physikalische Systemmodelle in "MATLAB Simscape™" aufgebaut werden.

Robert Doering, TU Hamburg


Kontaktkraftsimulation bei komplexen Oberflächenformen mit Simscape Multibody

11:45–12:15

Im Rahmen eines Forschungsprojektes wird ein Algorithmus entwickelt, der Kontaktflächen aus dem CAD-System erkennt, diese in MATLAB® einliest und während der Simulation in MATLAB/Simscape™ Multibody auf Überlappungen überprüft.

Der Algorithmus nutzt die bestehende Erweiterung CASIN, welche einen automatisierten und bidirektionalen Datenaustausch zwischen CAD-Systemen und MATLAB/Simscape Multibody ermöglicht. Flächen können in parametrisierter Form in MATLAB eingelesen und in Simscape Multibody weiterverwendet werden. Der Algorithmus basiert bei der

Kollisionserkennung auf zunehmend feiner werdenden Hüllvolumen, die folglich hierarchisch vom Groben ins Feine abgearbeitet werden. Erkannte Kontakte werden separiert und einzeln gerendert, um die Kontaktkraft zwischen den Bauteilen zu bestimmen.

Ein Großteil des Algorithmus wird hochparallel auf der Grafikkarte des Systems ausgeführt. Die Bidirektionalität des Datenaustausches der bestehenden Erweiterung CASIN kann genutzt werden, um z.B. den Kraftverlauf eines Gleitkontaktes anhand von parametrisierter Geometrie im CAD-System an einen Zielverlauf anzupassen. So werden aus MATLAB heraus automatisch Parameter im CAD-System angepasst, die aktualisierte Geometrie in MATLAB eingelesen und das modifizierte Simscape Multibody Modell simuliert. Dabei wird der Kraftverlauf schrittweise durch das Anpassen der Parameter im CAD-System an den Wunschverlauf angepasst.

Sam Nezhat, SANEON GmbH


Industrie 4.0 und digitale Zwillinge

12:15–12:45

Industry 4.0 has brought the rise of connected devices that stream information and optimize operational behavior over the course of a device’s lifetime.

This presentation covers how to develop and deploy MATLAB® algorithms and Simulink® models as digital twin and IoT components on assets, edge devices, or cloud for anomaly detection, control optimization, and other applications. It includes an introduction to how assets, edge, and OT/IT components are connected.

The talk features customer use cases starting from design to final operation, the underlying technology, and results.

Dr. Rainer Mümmler, MathWorks

Stochastische Filter zur Ladezustandsbestimmung von Lithium-Ionen-Batterien

14:00–14:30

Im Batterielabor der Rheinischen Fachhochschule Köln werden vor allem Verfahren zur Batteriediagnose und zur Erstellung von Batteriemodellen entwickelt. Neben der reinen Forschungstätigkeit ist es auch das Ziel diese Ergebnisse führzeitig in die Vorlesungen einfließen zu lassen, um die Studenten die Beobachtertheorie praktisch erfahren zu lassen. Lithium-Eisenphosphat-Batterien sind aufgrund ihrer flachen Leerlaufspannungskennlinie und ihrer Hysterese besonders komplex in der Ladezustandsbestimmung. Ziel des Projektes war es, Schwierigkeiten von gängigen Extended Kalman Filtern zu evaluieren und mit dem Partikelfilter eine mögliche Alternative zum Kalmanfilter gegenüberzustellen. Ziel ist es hierbei zum einen eine Methodik zu zeigen, wie sich verschiedene Algorithmen hinsichtlich ihrer Leistungsfähigkeit unter Zuhilfenahme von MATLAB® schnell implementieren und umfassend vergleichen lassen. Zum anderen lässt sich zeigen, dass theoretisch erwartbare Eigenschaften der Filter bezüglich ihres Verhaltens sich auch anhand experimenteller Daten nachweisen lassen.

Bereits MATLAB in seiner Grundversion ermöglicht eine schnelle Vorverarbeitung der Daten und eine zügige Implementierung der Filter selbst. Auch die Auswertung lässt sich elegant implementieren. Als Ergebnisse wurden erzielt, dass der Partikelfilter aufgrund der Möglichkeit zur Abbildung bimodaler Verteilungen das Hystereseverhalten stochastisch korrekt modellieren kann und sich Genauigkeiten der Zustandsbestimmung von 2 bis 3 % mittlerem Fehler ergaben, während der Kalman-Filter zwischen 6 und 10 % mittlerem Fehler hatte.

Hieraus lassen sich neben der Evaluation auch Rückschlüsse darauf ziehen, wie gegebenenfalls der Kalman-Filter oder ähnliche Filter weiterentwickelt werden müssen, um ähnliche Ergebnisse zu erzielen wie der Partikelfilter ohne aber die gleiche Rechenleistung wie der Partikelfilter zu benötigen.

Prof. Simon Schwunk, Rheinische Fachhochschule Köln


Modular BMS Development for Use in Rapid Prototyping of Automotive Electrical and Electronic Systems (Vortrag in deutsch)

14:30–15:00

The past twenty years have seen a great surge in the use of electronic systems in the automobile. Moreover, there has been a shift in mobility trends where electric modes of transportation are becoming the preferred choice in efforts towards attaining a more sustainable future. As a result, there is an ever-increasing pressure to ensure that the batteries powering these systems are performing efficiently at peak power while ensuring that they operate safely.

In this paper, the development of a modular battery management system (BMS) for lithium-based batteries that can be used to rapidly prototype, test, and validate automotive electrical and electronic systems is described. This modular BMS is capable of supporting combinations of lithium cells in series and parallel up to a maximum combined voltage of 48 V.

The BMS protects the cells from dangerous operating conditions such as extreme temperatures, short circuit, over-charge, over-discharge and over-current. The BMS monitors characteristics such as voltage, current, and temperature, implements contactor control and pre-charge, and is capable of ground fault detection. The BMS employs the use of [active/passive] balancing to ensure that the cells are charged and discharged optimally.

The BMS modeling, environmental use cases, algorithms, and simulations were implemented using MATLAB® and Simulink®. Furthermore, hardware-in-the-loop (HIL) testing was employed to further verify and validate the functionality of our BMS. Real-time battery diagnostics such as the state of health (SOH) and state of charge (SOC) are made available to the user through an LED display.

Keane Fernandes, csi entwicklungstechnik


Schnellladung ohne Alterung – wie virtuelle Li-Ionen-Batterien das Dilemma lösen können

15:00–15:30

Schnellladung von Li-Ionen Batterien ist eine Grundvoraussetzung für den Erfolg der Elektromobilität. Eines der Hauptprobleme beim Schnellladen ist das sogenannte Lithium-Plating. Hierbei werden die Lithium-Ionen beim Laden nicht wie gewünscht in der Anodenstruktur interkaliert, sondern scheiden sich auf der Anodenoberfläche als metallischer Belag ab. Dies bedeutet nicht nur ein Sicherheitsrisiko, sondern führt auch zu einem zunehmenden Kapazitätsverlust der Batterie.

Experimentell im Labor kann das Einsetzen dieses Effekts gut mit dem Erreichen eines Anodenpotentials von 0 V gegen Lithium korreliert werden [1,2]. Da eine solche Messung des Anodenpotentials in einer kommerziellen Vollzelle jedoch nicht möglich ist, müssen mit großem experimentellem Aufwand Alterungsmessungen durchgeführt werden: Hierbei werden über einen langen Zeitraum verschiedene Ladestromprofile bei verschiedenen Ladezuständen, Temperaturen und Ladehüben an die Batterien angelegt und im Nachhinein geprüft, wann die Batterie wie stark gealtert ist.

Komplexität und Kosten einer solchen Methodik sind immens. Stattdessen stellen wir einen Ansatz vor, bei dem das aktuelle Anodenpotential simulativ durch Verwendung eines validierten Batteriemodells ermittelt wird. Das Modell enthält alle relevanten Verlustprozesse in Anode und Kathode und ist nachgewiesen valide im gesamten zulässigen Betriebsbereich der Batterie. Mit einem solchen Modell kann für eine beliebige gegebene Zelle untersucht werden, unter welchen Bedingungen Lithium-Plating auftritt oder anders: Unter welchen Bedingungen die Batterie wie schnell geladen werden kann. Auf diese Weise können optimale Ladeprofile errechnet werden, die die Batterie schnellstmöglich laden, ohne sie zu altern oder zu zerstören.

Jan Richter, Batemo GmbH

Analyse der Mehrwege-Kanaleigenschaften mit Hilfe der WLAN Paketpräambel

16:00–16:30

Neue WLAN IEEE 802.11 Standards ermöglichen höhere Modulations- und Kodierungsschemata (MCS), um höhere Datenraten zu erreichen. Der drahtlose Übertragungskanal bestimmt das höchste zu verwendende MCS und damit auch die maximal erreichbare Datenrate.

Indoor-Übertragungskanäle verfügen über Mehrwegeigenschaften, die zu einem frequenzselektiven Fading der WLAN-Empfangssignale führen. Dieser Fading-Effekt erhöht das erforderliche Signal-zu-Rausch-Verhältnis (SNR), um WLAN-Pakete am Empfänger korrekt demodulieren zu können. Da das benötigte SNR von den Eigenschaften des Mehrwegekanals abhängt, reicht eine Schätzung der Empfangsleistung mit Link-Budget-Berechnungen nicht aus, um frequenzselektive Fading-Funkkanäle vollständig zu beschreiben. Daher ist es notwendig, die Fading-Eigenschaften des Kanals zu kennen. Die OFDM-WLAN-Präambel trägt die Channel State Information (CSI) mit der dies möglich ist. Wir verwenden die MATLAB® WLAN Toolbox™, um die WLAN-Paketpräambel im Basisband zu generieren. Mit einem Vektorsignalgenerator oder einem Software Defined Radio (SDR) wandeln wir dieses Basisbandsignal in HF-Signale um und senden diese über eine drahtlose Verbindung. Am Empfänger empfangen wir das HF-Signal mit einem Spektrumanalysator oder einem SDR, wandeln es in das Basisband zurück und extrahieren die CSI in MATLAB. Damit charakterisieren wir den Übertragungskanal. Die CSI wird anschließend in einer Simulation der physikalischen Schicht des IEEE 802.11 Standards verwendet, um die höchstmöglichen MCSs der drahtlosen Verbindung zu bestimmen. Dieser Ansatz ermöglicht es die Performance von neuen WLAN Standards (wie IEEE 802.11ax) zu evaluieren, noch bevor Hardware verfügbar ist.

Alper Akbilek, perisens GmbH


Technische Grundlagen des neuen 5G-Funkstandards

16:30–17:00

Development of 5G products is accelerating with the first device and network deployments in 2019. 5G New Radio (NR) technology introduces a flexible architecture that will enable the ultra-fast, low-latency communications needed for next-generation mobile broadband networks and applications such as connected autonomous cars, smart buildings and communities, digital health care, industrial IoT, and immersive education. The flexibility of the 5G NR standard will make design and test more complex.

Engineers developing 5G enabling technologies and connected devices need a solid understanding of the fundamental concepts behind the 5G NR specification.

This talk demonstrates the key 5G physical layer technologies and concepts. You will learn about the structure of 5G waveforms; how the waveforms are constructed, modulated, and processed; beam management in massive MIMO systems; and methods for simulating and measuring link-level performance.

Marco Roggero, MathWorks

Roborace @ TUM – Entwicklung autonomer Fahrfunktionen für die Rennstrecke

11:15–11:45

Das Roborace Team der TUM hat auf der Formel E Rennstrecke in Berlin 2018 einen Software Stack bestehend aus Umfeldwahrnehmungs-, Planungs- und Regelungsalgorithmen präsentiert. Dieser hat auf dem ‚Devbot‘ Rennfahrzeug der Firma Roborace eine Geschwindigkeit von 150km/h und Längs- und Querbeschleunigungen von ca. 80% des physikalischen Limits erreicht. Das Fahrzeug ist mit LIDARs, Kameras, Radar- und Ultraschallsensoren ausgestattet. Als Rechenplattform dienen eine NVIDIA® Drive PX2 und eine Speedgoat Mobile Target Machine.

Der Vortrag wird zunächst die Softwarestruktur vorstellen und im Anschluss die mit Hilfe von MATLAB® und Simulink® entwickelten Regelungsalgorithmen im Detail präsentieren. Neben einem Extended Kalman Filter zur Zustandsschätzung kommt ein kaskadierter Ansatz zur Regelung von Positions- und Fahrzeugdynamik zum Einsatz. Anhand von Messergebnissen des Rennstreckenszenarios wird eine detaillierte Bewertung des verwendeten Konzepts vorgenommen.

Der Einsatz von Simulink Project, Data Dictionaries und referenzierten Modellen ermöglicht einen mehrstufigen Simulationsworkflow. Zunächst wird die Regelung direkt in Simulink simuliert. Anschließend werden Planung und Regelung integriert und anhand von vorgefertigten Szenarien getestet. Die finale Softwareabnahme erfolgt auf einem Simulations-HiL, bestehend aus einer Fahrdynamik- und einer Umgebungssimulation. Die Fahrdynamiksimulation basiert auf der Vehicle Dynamics Toolbox und wird um Aktor- und Sensormodelle erweitert. Dies erlaubt eine realistische Abbildung des dynamischen Fahrzeugverhaltens im geschlossenen Regelkreis. Die Umgebungssimulation erlaubt die Darstellung von Rennstreckenszenarien mittels der Schnittstelle der Vehicle Dynamics Toolbox zur Unreal Engine sowie die Integration von verschiedenen Sensormodellen.

Alexander Wischnewski, TU München


Entwurf und Simulation von Systemen im Bereich des automatisierten Fahrens mit MATLAB und Simulink

11:45–12:15

ADAS and autonomous driving systems are redefining the automotive industry and changing all aspects of transportation, from daily commutes to long-haul trucking. MATLAB® and Simulink® provide the ability to develop the perception, planning, and control components used in these systems.

In this talk, you will learn about these tools through examples that ship in R2019a, including:

  • Perception: Design LIDAR, vision, radar, and sensor fusion algorithms with recorded and live data
  • Planning: Visualize street maps, design path planners, and generate C/C++ code
  • Controls: Design a model-predictive controller for traffic jam assist, test with synthetic scenes and sensors, and generate C/C++ code
  • Deep learning: Label data, train networks, and generate GPU code
  • Systems: Simulate perception and control algorithms, as well as integrate and test hand code

 

Shashank Sharma, MathWorks


Systematische Generierung von Szenarien für die Absicherung von autonomen Fahrfunktionen

12:15–12:45

Um autonome Fahrfunktionen zulassen zu können, müssen verschiedenste Test-, Validierungs- und Zertifizierungsvorgänge eingehalten werden. Aufgrund der steigenden Komplexität dieser Funktionen und Systeme steigt auch der Aufwand für das Testen und Validieren. Die größte Herausforderung dabei besteht darin festzustellen, welche Testszenarien relevant für die gegeben Fahrfunktion sind. Je mehr Fahrunktionen bzw. je höher der Automatisierungsgrad, desto größer ist der Szenarien Raum, welcher für das Testen berücksichtigt werden muss. Der Gesetzgeber in Österreich z.B. legt fest, dass ein Autobahnpilot mindestens 10.000 Testkilometer (auf nicht öffentlichen Straßen) zurücklegen muss. Für höhere Automatisierungsgrade bestehen noch keine expliziten Vorgaben und es ist darüber hinaus noch offen welche Voraussetzungen autonome Systeme erfüllen müssen.

Bisherige Methoden der Generierung und Herstellung von Testszenarien beruhen auf deterministischen Methoden, welche in der Regel nicht den Verkehrsfluss berücksichtigen. Die vorliegende Arbeit zeigt ein Konzept und die Implementierung einer Co-Simulation für das Generieren von Testszenarien. Mit diesem Framework können ADAS Funktionalitäten unter Berücksichtigung vom stochastischen Verkehrsfluss umfassend getestet werden. Ein wesentlicher Vorteil dieser Vorgehensweise ist, dass die Verkehrsteilnehmer untereinander mit dem EGO Fahrzeug interagieren und abhängig von der Verkehrssituation stochastisch neue Fahrtrajektorien generieren.

Das Framework selbst besteht aus MATLAB®/Simulink®, IPG CarMaker und PTV Vissim. Dabei wurde in MATLAB eine GUI Applikation zur Steuerung und Konfiguration Testumgebung in CarMaker und Vissim implementiert. Mit IPG CarMaker wird mit Hilfe von Simulink ein Ego Fahrzeug mit Level 3 Automatisierungsgrad implementiert (Autobahnpilot), welcher sich auf einer modellierten Teststrecke autonom bewegt. Der Verkehr wird dabei aus Vissim in die IPG importiert. Im Falle, dass eine kritische Situation während der Simulation auftaucht, wird die Simulation gestoppt und die Daten des Ego Fahrzeugs und des Verkehrs gespeichert. Mittels MATLAB wird dann ein detektiertes Szenario genauer analysiert und nachgebildet. Die schematische Skizze dieses Sachverhaltes ist in folgender Abbildung dargestellt.

Demin Nalic, Technische Universität Graz

Anforderungsbasierte Verifikation einfach gemacht mit modellbasierter Entwicklung

14:00–14:30

With Model-Based Design, informal textual requirements can be modeled and simulated to verify behavior earlier, and then be automatically generated into code for an embedded target. The requirements can include temporal properties to define complex timing-dependent signal logic and can be incomplete or inconsistent. This can lead to errors and miscommunication in the design and test.

This talk shows you how you can model requirements and use the Logical and Temporal Assessments editor in Simulink Test™ to translate informal text requirements into unambiguous assessments with clear, defined semantics that can identify inconsistencies. The temporal assessment language, based on metric temporal logic, provides precise, formal semantics that is highly expressive and extensible to author readable assessments. You will learn how to enter assessments with conditions, events, signal values, delays, and responses using the interactive, form-based editor. You can view the assessment in an English language-like statement that is easy to understand or view graphical representations that allow you to visualize the results and debug design errors.

Dr. Jacob Palczynski, MathWorks


Modellbasierte Evaluierung von Anforderungen in Kombination mit Polarion

14:30–15:00

In der Luft- und Raumfahrt ist die anforderungsorientierte Systementwicklung Stand der Technik. In der modellbasierten Entwicklung bieten sich Möglichkeiten zur rechnergestützten Validierung von Anforderungen und Verifikation des entwickelten Systems. Durch den modellbasierten Ansatz kann sowohl die Validierung als auch die Verifikation in frühen Phasen des Entwicklungsprozesses mittels simulativer Tests iterativ durchgeführt werden und deren Ergebnisse unterstützend in die Systementwicklung eingebracht werden.

An der Technischen Universität München wurde ein Prozess entwickelt, welcher es ermöglicht Anforderungen, die im Anforderungsmanagement-Programm Polarion®erfasst werden und in Textform vorliegen, in formalisierter Form mit Hilfe des Test Managers Simulink® Test sowie eines high-fidelitv Simulink-Modells des Systems zu evaluieren. Je nach Entwicklungsstand und verwendeten Modell können die Ergebnisse dazu dienen, Aussagen über die Validität der Anforderungen zu treffen oder das verwendete Modell hinsichtlich der Anforderungen zu verifizieren.

Ein Aspekt dieses Prozesses zur Unterstützung der Entwicklung von sicherheitskritischer Software (IS026262, D0-178C) ist die Nachverfolgbarkeit von Anforderungen und deren Evaluierungsergebnisse. Um einen bidirektionalen Link von Polarion zur formalisierten Anforderung in Form eines MATLAB®-Codes herzustellen, wird das Programm SimPol, welches am Lehrstuhl für Flugsystemdynamik entwickelt wurde, verwendet. Die Links können mit der von SimPol bereitgestellten GUI intuitiv erstellt werden. Um die Evaluierungsergebnisse vom Test Manager nach Polarion zu exportieren, wird das XML-Austauschformat und ein eigens entwickelter MA TLAB-Code verwendet. Aktueller Gegenstand der Forschung am Lehrstuhl für Flugsystemdynamik ist die Integration und Anwendung dieses Prozesses in der Entwicklung eines Flight Cbntrol Systems (FCS) für ein electrical Vertical Takeoff and Landing (eVTOL) Fluggerät.

Vitus Meidinger, TU München


Validierung einer MATLAB-Toolkette – Notwendiges Übel oder Allheilmittel?

15:00–15:30

Die korrekte Konfiguration und Zusammenstellung von Tools zu einer Toolkette für den Einsatz in safety-kritischen Projekten ist schon immer ein sehr wichtiger Punkt um eine effektive und effiziente Funktionsweise zu gewährleisten. Da eine Toolkette aus immer mehr Anteilen und unterschiedlichsten Technologien bestehen, ist ein ganzheitlicher Blick auf die Toolkette fundamental.

Zur Sicherstellung des effizienten Einsatzes der Toolkette ist eine einheitliche zentrale Konfiguration der Tools empfehlenswert. Durch eine Reihe von Standards, wie z.B. die ISO 26262 für Automotive, ist die Thematik zudem aktueller denn je. So fordert die ISO 26262 die Ermittlung des Impacts der einzelnen Tools auf das finale Artefakt, um zu erkennen, wo potentielle Fehler in das Produkt injiziert werden können und wie diese erkannt bzw. vermieden werden.

Um diese Fehler in kritischen Tools frühzeitig zu erkennen bietet sich eine Validierung an, da hierbei sehr spezifisch und zielgerichtet auf kritische Faktoren eingegangen werden kann. Eine praxisnahe Testtiefe und Testabdeckung erhöht dabei auch das Vertrauen in die Toolkette, da Fehler bereits frühzeitig und systematisch erkannt werden. Die Befunde sind ein guter Indikator für die Reife und die Anwendbarkeit der Toolkette und werden in Maßnahmen überführt.

Diese Maßnahmen – beispielsweise Reviews oder Modellierungsrichtlinien – dienen zur Vermeidung oder Erkennung von Fehlern, die sich direkt oder indirekt auf das zu erzeugende Produkt auswirken. Zusammen mit der Automatisierung bietet die Validierung sehr viele Vorteile zur Vermeidung kritischer Fehler im Produkt.

Reinhard Jeschull, Validas

Deep Learning leicht gemacht

16:00–17:00

A master class is a deep dive/in-depth technical session with specific demos and examples.

AI, or artificial intelligence, is powering a massive shift in the roles computers play in our personal and professional lives. Two new workflows, deep learning and reinforcement learning, are transforming industries and improving applications such as diagnosing medical conditions, driving autonomous vehicles, and controlling robots.

This talk dives into how MATLAB® supports deep learning and reinforcement workflows, including:

  • Automating preparation and labeling of training data
  • Interoperability with open-source deep learning frameworks
  • Training deep neural networks on image, signal, and text data
  • Tuning hyper-parameters to accelerate training time and increase network accuracy
  • Generating multi-target code for NVIDIA®, Intel®, and ARM®

 

Dr. Yvonne Blum, MathWorks


Systems Engineering: von den Anforderungen über die Architektur zur Simulation

11:15–11:45

System engineering and model-based system engineering can mean different things to different groups, but most definitions share a common set of concepts, including starting from a set of system-level requirements which are used to drive a system decomposition and requirements allocation process. Then trade studies are performed on system architecture alternatives to produce a candidate architecture from which the design is developed and then simulated to verify that the requirements are met.

This presentation shows how MATLAB® and Simulink® support this workflow when combined with Simulink Requirements™ and System Composer™ by allowing users to:

  • Capture, view, analyze, and manage requirements
  • Develop a system architecture model from the requirements, existing Simulink models, ICDs, and externally created architectures or combinations of the above
  • Examine the system architecture model using different views for different concerns
  • Allocate (link) requirements to architectural components and perform coverage and change impact analysis
  • Perform trade studies to compare, assess, or optimize the system architecture
  • Design components specified in the system architecture model
  • Simulate the system composition to verify system-level behavior

 

Adam Whitmill, MathWorks


Prozess zur Generierung einer sicherheitsrelevanten PLC-Applikation im Bahnbereich

11:45–12:15

Vorstellung des kompletten Workflows über Modellierung, Codegenerierung und Verifikation nach EN50657 für eine PLC-Applikation durch Unterstützung der MATLAB®-Toolchain. Der Entwicklungsprozess wird anhand eines Beispiels von Knorr-Bremse gezeigt. Es wird die modulare Softwarearchitektur für die Erstellung einer generischen Anwendersoftware demonstriert. Die Modellierung der einzelnen Komponenten in Simulink® und Stateflow® wird beschrieben. Der Umgang mit dem Simulink PLC Coder zur Erstellung von ST (Strukturierten Text) nach IEC 61131-3, welcher für eine PLC-Entwicklungsumgebung der Firma Selectron Systems AG kompatibel ist, wird gezeigt. Zusätzlich wird auf das Thema der Code Qualifizierung eingegangen. Dies umfasst das Handling der Requirements in Form von Software Spezifikationen in Word durch ein Makro gestütztes Template sowie die Einbindung der Requirements in Simulink. Anschließend wird der Test- und Verifikationsprozess sowie die Äquivalenzprüfung des ST-Codes vorgestellt. Dabei wird auf die Verwendung von Testharnessen und den Testmanager eingegangen und die Verwendung der Model Advisor Checks beschrieben. Zuletzt soll die Einbindung des ST-Codes in die Entwicklungsumgebung der Firma Selectron Systems AG gezeigt werden.

Angelika Döbrössy, Knorr Bremse


Entwicklung von medizinischen Algorithmen für die Kardiologie gestern und heute

12:15–12:45

Die häufigsten Todesursachen in Deutschland und weltweit sind auf die Herz-Kreislauf-Erkrankungen zurückzuführen. Seit über hundert Jahren ist das Elektrokardiogramm (EKG) die zentrale Untersuchungsmethode für die Überwachung und die Diagnostik von Patienten mit Herz-Kreislauf-Erkrankungen und Herzrhythmusstörungen. Diese Arbeit zeigt die Entwicklung eines neuen Systems für die Vermessung, Auswertung und automatische Diagnose verschiedener Arten von EKGs für unterschiedliche kardiologische Untersuchungen und Einsätze.

Das System wurde mit MATLAB® und Simulink® und mit Hilfe von Model-Based Design nach neustem Stand der Technik komplett entwickelt. Trotz hoher Komplexitätsgrade der Algorithmen besitzt das System eine klare und modulare Systemarchitektur durch die Nutzung und Implementierung von eigenen System Objekten im Top Simulink Modell und auch in den zugehörigen Simulink Untermodellen. Außerdem wurde die funktionale Sicherheit des Systems mittels kontinuierlichen Modellierens und ausführlicher Validierungs- und Verifizierungsschritte gewährleistet, da das System IEC-62304-konform entwickelt sein musste. Als modellbasierte Entwicklungsumgebung führen Simulink und MATLAB Hersteller und Entwickler zu neuen Wegen, indem funktionale Änderungen im System ohne aufwendiges Re-Design schnell und einfach umgesetzt werden können. Sie helfen außerdem, Abweichungen von der Spezifikation frühzeitig zu erkennen und eignen sich somit für die Entwicklung von komplexen Medizinsystemen und von medizinischer Software ganz hervorragend.

Dr. Antoun Khawaja, Khawaja MedTech

Framework für verteilte Co-Simulationen: Ein Ansatz für Simulationen cross-industrieller Netzwerke

14:00–14:30

Im Zuge der zunehmenden interdisziplinären Zusammenarbeit im Bereich der Simulation steigt der Bedarf nach Lösungen für die simulationstechnische Integration von Modellen verschiedener physikalischer Domänen und Systemklassen. Dem hiermit einhergehenden Trend hin zu standortübergreifend kooperierenden Entwicklerteams entwächst zudem eine Nachfrage nach dezentral nutzbaren Simulations-Tools.

Das Kooperationsprojekt Carbon2Chem® hat die Entwicklung von Carbon Capture and Utilization (CCU) Konzepten zum Ziel, welche auf der cross-industriellen Kopplung von Produktionsanlagen basieren. Der hier vor dem Hintergrund genannter Anforderungen gewählte Lösungsansatz für die simulationstechnischen Analysen von Anlagenverbünden gründet auf einem web-basierten Co-Simulations-Framework.

Die Vielfalt der in den Anlagenverbünden betrachteten Systeme umfasst verfahrenstechnische Produktionsprozesse, logistische Materialflussprozesse und Steuerungs-/ und Regelungsprozesse zu deren simulationstechnischer Abbildung unterschiedliche Modellierungsmethoden und Spezialsoftware benötigt werden. Das Framework ermöglicht die Integration von Modellen unterschiedlicher Simulationstools und bietet Verfahren für die Lösung mehrerer gekoppelter Modelle als Gesamtsystem. Ein wesentlicher Bestandteil der simulationstechnischen Analysen stellen die Prozessmodelle in MATLAB®/Simulink® dar, deren Schnittstellen und Integrationsprozess vorgestellt werden. Das Framework ist als Server-Client-System konzipiert; der Austausch der Simulationsdaten zwischen den einzelnen Modellen erfolgt über definierte Interfaces und basiert auf sicherer SSL WebSocket-Kommunikation. Zur Definition der Anlagenverbünde werden Templates verwendet, welche Topologie und Schnittstellen festlegen. Jeder Anlage wird im Framework ein Simulationsmodell als Client zugeordnet. Die Ansteuerung der Simulations-Clients und die Überwachung der Gesamtsimulation erfolgt über einen Scheduler-Client mittels eines Waveform-Relaxations-Verfahrens.

Henning Wagner, ThyssenKrupp Transrapid GmbH


Matlab und Simulink in der Hausgeräteentwicklung

14:30–15:00

Modellbasiertes Systems Engineering ist der Kern unserer Entwicklungsarbeit. Dabei stehen Modelle auf Basis von Simulink & SimScape im Vordergrund. Ziel ist es im Bereich des Produktbereiches Wäschepflege einen funktionalen digitalen Zwilling für Entwicklungsprozesse aufzubauen. Die hierfür nötigen Werkzeuge werden fast komplett aus der MathWorks-Toolchain entnommen - angefangen von der klassischen Datenaufnahme unterschiedlichster Sensorinformationen, über die Analyse und Aufbereitung bis hin zur Einbettung in Simulationen.

Während die Funktionalitäten von SimScape sehr stark für die Entwicklung volldynamischer Gesamtsystemsimulationen ausgenutzt werden, finden parallel Entwicklungen der Steuerungskonzepte in Stateflow statt, welche in der Kombination zu einem funktionalen digitalen Zwilling führen. Für Validierungen sowie Parameteranpassungen der Modelle werden Testbenches entwickelt, die immer mehr automatisiert die nötigen Daten der jeweiligen Simulationen zugeben sowie auch entnehmen.

In Verbindung mit einem vor Ort befindlichen MATLAB Cluster werden parallelisierbare Simulationen in deutlich höherer Geschwindigkeit ausgeführt. Zusätzlich wird parallel ein Verfahren entwickelt, welches auf Basis von optischen Daten die Bewegung der Wäsche in einem Hausgerät analysiert. Die dabei verwendete Computer Vision Toolbox™ hat uns stark geholfen, den Einstieg in die drei-dimensionale Objekterkennung sowie -verfolgung zu schaffen.

Die zusätzliche Verwendung von maschinellem Lernen hat weitere Informationen über unsere Geräte zu Tage gefördert, die mit klassischen Methoden nicht möglich gewesen wären. Dabei zeigten Rechnungen auf der GPU enorme Performancezuwächse im Vergleich zu konventionellen Rechnungen. Die aus all dem gewonnen Erkenntnisse fließen direkt zurück in die Entwicklung sowie Simulationen.

Dr. Tommy Grunert, BSH Hausgeräte GmbH


Plattformübergreifende MATLAB/Simulink-Umgebung zur KUKA Roboter Programmierung

15:00–15:30

Am Institut für Automatisierung und Industrie 4.0 der Hochschule Bochum werden im Bereich der Robotik unterschiedliche Robotersysteme eingesetzt. Die Mehrzahl arbeitet mit der KUKA KRC4 Steuerung. Diese wird mit der herstellerspezifischen Programmiersprache KRL programmiert. Ziel der vorgestellten Toolbox ist es eine offene Entwicklungsumgebung zu schaffen, mit welcher unabhängig von den proprietären Softwaretools, die Öffnung zu modernen objektorientierten Hochsprachen ermöglicht wird. Hiermit kann die Lösung komplexerer Aufgaben vereinfacht werden und gibt die Entwicklung in Richtung Offline Programmierung im Sinne von Industrie 4.0 frei. Die vorgestellte Toolbox ist frei verfügbar. Am Institut wird sie im Bereich der Masterstudiengänge und Double Degree Programme eingesetzt und weiterentwickelt.

Die Toolbox setzt sich zusammen aus einer Datenschnittschelle zwischen Remote-PC (MATLAB-Umgebung) und der Robotersteuerung. Die KRC4 wird um die KUKA Software RSI erweitert. Um auch die Bewegungsprogrammierung komplett in der MATLAB®-Umgebung durchführen zu können, wurde die Kinematik sowie die üblichen Bewegungsbefehle in MATLAB implementiert. Die Vorwärtstransformation wurde in MATLAB unter Verwendung der D-H Konvention mit Hilfe der Robotics System Toolbox™ (RST) implementiert. Für die Rückwärtstransformation wurde das Prinzip der kinematischen Entkopplung verwendet. Die von der RST bereitgestellten Transformationen wurden im Projekt wiederholt eingesetzt und erleichterten die Implementierung der Kinematik.

Im Ergebnis zeigt sich, dass eine funktionale Toolbox entstanden ist, die eine herstellerunabhängige Programmierung ermöglicht. Wichtig ist hierbei hervorzuheben, dass durch die Trennung von Bedienung und Programmierung der vom Standort unabhängige Einsatz in Lehre und Forschung möglich wird.

Eine zukünftige Herausforderung wird sein, diesen standortunabhängigen Einsatz über Webtechnologien im Bereich der internationalen Hochschul-Kooperationen nutzbar zu machen.

Prof. Rolf Biesenbach, Hochschule Bochum

PIVlab – Visualisierung und Evaluation von Strömungen für Forschung, Industrie und Lehre

16:00–16:30

PIVlab ist eine freie MATLAB Implementierung von „Digital Particle Image Velocimetry“ (DPIV), einem berührungslosen Verfahren zur Analyse von Strömungsgeschwindigkeiten. Die Methode nutzt Bilder, die mit einem bekannten Zeitabstand aufgenommen wurden. Aus diesen Bildern wird orts- und zeitaufgelöst die Bewegung von Texturen durch Kreuzkorrelation ermittelt.

Das Verfahren ist weit verbreitet und wird beispielsweise zur Ermittlung von Strömungsgeschwindigkeiten direkt in Dieselmotoren eingesetzt. Unter derartig herausfordernden Bedingungen müssen sehr hochpreisige Hochgeschwindigkeitskameras und Beleuchtungssysteme (Laser) eingesetzt werden - die Methode und Software bleibt jedoch die gleiche. Bei weniger anspruchsvoller Messumgebung kann die Methode auch mit sehr günstigen (Consumer) Kameras verwendet werden. DPIV eignet sich daher nicht nur für die Industrie und Forschung, sondern kann ebenso für strömungstechnische Lehr- und Lernzwecke eingesetzt werden.

Da Matlab an Hochschulen weit verbreitet ist, nutzt PIVlab die Vorteile der Matlab Umgebung und wurde bewusst dafür entwickelt. PIVlab wird für die verschiedenartigsten Messungen sehr erfolgreich eingesetzt (über 700 wissenschaftliche Zitierungen, erfolgreichste App in MATLAB File-Exchange [Stand: 12/2018]). Um mit der DPIV Methode auch unter schwierigen Bedingungen präzise Ergebnisse zu erhalten, müssen einige Herausforderungen gelöst werden: Eine DPIV Analyse besteht üblicherweise aus den drei Hauptelementen Bildvorbereitung, Bestimmung des Texturversatzes und Nachbearbeitung. Die Qualität einer Messung hängt maßgeblich von der Wahl der passenden Algorithmen für diese drei Schritte ab. Intensive Tests der Messgenauigkeit verschiedener Verfahren sind daher notwendig. Dazu wurden synthetische Bilder mit genau definierten Parametern generiert und anschließend analysiert. Die Performance geeigneter Algorithmen wurde evaluiert und die besten Methoden in PIVlab implementiert. Unter optimalen Bedingungen erreicht das DPIV Verfahren einen Bias Fehler unter 0,005 Pixel und einen zufälligen Fehler unter 0,02 Pixel.

Die Toolbox wird laufend aktualisiert und in Benutzerfreundlichkeit, Kompatibilität und Messgenauigkeit verbessert. Der Vortrag stellt das DPIV Verfahren vor, zeigt verschiedene Beispielfälle und gibt einen Einblick in die Messgenauigkeit und Zukunft von PIVlab.

Dr. William Thielicke, OPTOLUTION Messtechnik GmbH


3D Indoor Audio Localization of Moving Objects

16:30–17:00

Was ist das Ziel des Projekts?
Ziel des Projektes ist die Evaluation von Lokalisations-Algorithmen und verschiedener Mikrofongeometrien hinsichtlich ihrer Lokalisations-Genauigkeit. Die Lokalisation erfolgt indoor und dient der Objektverfolgung im Raum als Komplementär- oder Ersatztechnologie zu Videolokalisation.

Wie ist es in Ihrer Organisation eingebettet?
Das Projekt steht im Kontext des Forschungsschwerpunktes “Intelligente Multimediale Systeme” der Fakultät für Informatik/TU Chemnitz. Es ist eingebettet in das Industrie-Projekt "LocalizeIT" der Stiftungsjuniorprofessur Media Computing (https://localize-it.de/).

Welche Technologien werden verwendet, welche Algorithmen?
Die verwendeten Technologien sind Mikrofone verschiedener Typen und Charakteristika (Niere, Kugel) und entsprechende Audio Interfaces zur Digitalisierung der Audiosignale. Eine Audio-Masterclock stellt die notwendige Zeit-Synchronisierung aller Signale sicher. Für die Ground-Truth-Erstellung wird eine Weitwinkelkamera und OpenCV eingesetzt. Die verwendete Algorithmik umfasst Gleichungssysteme, (Generalized) Cross Correlation, sowie spektrale Filter, Kamera-Kalibrierung und eine Huff Circle Detection.

Wie haben MathWorks-Produkte und -Services zum Erfolg beigetragen?
Zur Umsetzung des Projektes diente MATLAB® als Entwicklungsumgebung. Es wurden darüber hinaus auch verschiedene MATLAB Toolboxen eingesetzt. Cross Correlation wurde durch die Signal Processing Toolbox™ bereitgestellt, Generalized Cross Correlation durch die Phased Array Systems Toolbox™. Mean Square Error Berechnungen erfolgten mit der Image Processing Toolbox™. Zur parallelen Verarbeitung von Audiostreams diente die Parallel Computing Toolbox™ und zur Lösung von linearen Gleichungssystemen die Symbolic Math Toolbox™.

Welche Ergebnisse konnten erzielt werden?
Simulative Vorarbeiten zum Einfluss verschiedener räumlicher Mikrofongeometrien auf die Lokalisierungsgenauigkeit konnten in einem Laborversuch bestätigt werden.

René Erler, TU Chemnitz

Women in Tech Forum: Mittagessen und Networking

12:45–14:00

Im Rahmen der ‚Women in Tech‘-Initiative veranstaltet MathWorks für Teilnehmerinnen und Referentinnen ein ‚Women in Tech Forum‘ während der diesjährigen MATLAB EXPO. Nehmen Sie an diesem Mittagessen teil, um mit führenden technischen Expertinnen zu diskutieren und Ihre Erfahrungen auszutauschen. Nutzen Sie diese Gelegenheit, um sich mit anderen Branchenkolleginnen zu treffen und Kontakte zu knüpfen.

Eva Pelster, MathWorks