Demostationen

Entwicklung und Testen von Batteriemanagement-Systemen in Simulink

Die Erhöhung der Lebensdauer, der Ladegeschwindigkeit und Kapazität bei gleichzeitiger Gewährleistung der Betriebssicherheit bei unterscheidlichen Umgebungsbedingungen sind die vorrangigen Ziele bei der Entwicklung von Batteriespeichersystemen. Um dies zu erreichen müssen die unterschiedlichen Ladezustände (SoC) und Temperaturen der einzelnen Zellen mit einem Batteriemanagementsystem ausgeglichen werden. Das komplexe nichtlineare Verhalten von Batterien macht dies allerdings nicht einfach.

Unsere Entwicklungsplattform Simulink® hilft Ihnen,

  • - sehr schnell Verhaltensmodelle für Batteriesysteme zu entwickeln
  • - diese mit Messdaten abzugleichen
  • - Batteriemanagement-Algorithmen für verschiedene Lade/Entladeprofile und Umgebungsbedingungen zu entwickeln
  • - das Systemverhalten deutlich schneller als in Echtzeit zu testen
  • - Code aus den Algorithmen für Rapid Prototyping und für die Serie zu generieren

Embedded Software entwickeln mit Simulink

Sie entwickeln Software für Embedded Systeme? Anhand von Beispielen aus den Bereichen Motorregelung und Elektrifizierung demonstrieren wir, wie Sie automatisch hocheffizienten Code aus Simulink erzeugen:

  • - von der Simulation zur Embedded Hardware in wenigen Schritten
  • - keine manuelles Codieren: optimierter Embedded C/C++ Code wird automatisch generiert
  • - Built-In Hardware Support für C2000:
    • Konfiguration der Microcontroller I/O und RTOS in Simulink
    • Automatischer Build und Download

Simulation und Optimierung des Datendurchsatzes zwischen FPGA und Prozessor

Jeder System-on-Chip (SoC) Entwurf erfordert die Unterstützung verschiedener Schnittstellen zwischen einer Vielzahl von unterschiedlichen Komponenten, sowohl auf dem Chip selbst als auch auf der Platine.

Anhand eines Modells eines HW und SW SoC, das einen externen DDR Speicher verwendet, zeigt die Demo, wie man Paketverluste modellieren und die korrekten Einstellung ermitteln kann, um solche Datenverluste zu vermeiden.

Das Modell verwendet das kürzlich eingeführte SoC Blockset™ (R2019a). Das SoC Blockset ermöglicht eine einfachere Modellierung des kompletten Systems und eine Simulation dessen Funktionalität. Darüber hinaus kann aus diesem Modell synthetisierbarer HDL Code generiert werden.


Virtuelle Inbetriebnahme

Virtuelle Inbetriebnahme einer SPS mit Echtzeit-3D-Visualisierung: Nach der Entwicklung des Regel-Algorithmus in Simulink lässt sich aus dem Simulink-Modell automatisch strukturierter Text mit dem Simulink PLC Coder generieren. Testen Sie Ihren Regelalgorithmus in Echtzeit mit Ihrer SPS und dem erforderlichen Kommunikationsprotokoll.

Diese Demo zeigt, wie Sie Code für eine SPS von B&R erzeugen und mit Hilfe eines mittels CAD-Import in Simscape Multibody™ aufgebauten Streckenmodells testen. Dieses Modell läuft in harter Echtzeit auf einem Speedgoat Target Computer, der über Ethernet POWERLINK mit der SPS verbunden ist und zusätzlich eine Live-3D-Animation auf den Entwicklungscomputer überträgt.


Spurhalteassistent: Modellierung, Simulation und Test

Die Demo zeigt

  • - die Simulation eines geschlossenen Systems mit Radar-/Visionserkennung, Sensorfusion und modellprädiktiver Regelung
  • - die grafische Erstellung von Szenarien mit dem Driving Scenario Designer oder dem Import von vordefinierten OpenDRIVE-Szenarien
  • - die Verwaltung und Automatisierung von Regler-Simulationen anhand von Testfällen
  • - die Überprüfung der Ergebnisse in einem Testbericht

Die Simulation des geschlossenen Regelkreises eines Spurhalteassistenten ermöglicht es, die Algorithmen mit probabilistischen Sensoreingaben und Fahrdynamik auszuführen. Zusätzlich lassen sich durch verschiedene Verkehrsszenarien und Parametrierungen der Sensoren Fahrfunktionen automatisch testen und verifizieren.


Reinforcement Learning: Ein Roboter lernt laufen

Reinforcement Learning (Bestärkendes Lernen) ist eine Variante des maschinellen Lernens, die auf dem Maximieren von Belohnungen basiert. Der Agent (Algorithmus) lernt, indem er mit der Umwelt interagiert und dafür belohnt oder bestraft wird.

Diese Demo zeigt, wie ein zweibeiniger Roboter mit Hilfe eines DDPG (deep deterministic policy gradient) Agenten das Laufen lernt. Der Roboter wurde mit Simscape Multibody modelliert.


Erkennung von Alter, Geschlecht und Emotion mit Deep Learning

Demo zur Erkennung von Gesicht, Geschlecht, Alter und Emotionen. Unter Verwendung einer Webcam werden die Gesichter vorbeigehender Personen erkannt. Das erkannte Gesicht wird mit einem Begrenzungsrahmen angezeigt. Dieser enthält eine Schätzung des Alters, Geschlechts und der Emotion der vorbeigehenden Person.


Prädiktive Wartung

Merkmalauswahl für Diagnosezwecke Diese Demo zeigt, wie man die App 'Diagnostic Feature Designer' verwendet, um Merkmale zur Fehlerdiagnose an einer Triplex-Kolbenpumpe zu analysieren und auszuwählen (Shipping-Demo der Predictive Maintenance Toolbox™).

In der Demo wird auf den Workflow eingegangen:

  • - automatische Merkmals-Extraktion
  • - automatisches Ranking der Merkmale
  • - Weiterverwendung in der Classification Learner App

Modellierung von Systemarchitekturen mit dem System Composer

Wie kann die Lücke zwischen Systementwurf und detailliertem Entwurf in Simulink geschlossen werden? Der System Composer™ bietet neben der Architektur auf Systemebene weitere Vorteile bei der Synchronisierung, Verfolgbarkeit und Analyse innerhalb einer integrierten Entwicklungsumgebung.

Diese Demo gibt einen Einblick in die Definition von System-Architekturen und weitere Systementwurfs-Tätigkeiten wie:

  • - Erstellung von Anforderungen auf Systemebene und Verfolgbarkeit bis zu den Architekturkomponenten
  • - Definition von objektorientierten Attributsklasse für Architekturkomponenten mittels „Stereotypen“
  • - Durchführung von Tradeoff-Analysen auf Systemebene
  • - Synchronisierung zwischen Systemarchitekturen und Simulink-Entwurfsmodellen

Arduino Engineering Kit: Zeichnungen erstellen mit dem Low-Cost-Hardware Roboter

Das Arduino® Engineering Kit bietet verschiedene Möglichkeiten, wie Low-Cost-Hardware in der Lehre und zum Selbstlernen eingesetzt werden kann. Der in der Demo gezeigte Roboter zeichnet Skizzen auf einem Whiteboard.