Agenda

In times where complexity and customization define competitive advantage, the integration of model-based systems engineering (MBSE) into project engineering is transforming how companies bridge the gap between standardized products and tailored solutions. This presentation explores the concept of project line engineering—an approach that leverages Simulink^® and MBSE methodologies to unify product-centric and solution-oriented development paradigms.

Crealizer™ is an open software platform that enhances the functionality of ABB drives by offering virtually unlimited customization options, enabling users to tailor the device precisely to their specific requirements. By using Crealizer and Simulink®, we’ve built an application that effectively eliminates lateral vibrations of a large electrical machine by applying a counteracting torque in real time.

Magnetic resonance imaging (MRI) is a cornerstone of diagnostic healthcare and clinical research, providing high-quality structural and functional images without ionizing radiation. Central to MRI is the reconstruction process, which is fundamentally an inverse mathematical problem. In essence, the measured k-space data is modeled as data = Encode × image, meaning that recovering the image involves applying the inverse transformation image = Encode⁻¹ × data.

Historically, MRI has relied on fast Fourier transforms and iterative algorithms because direct inversion was computationally infeasible—the encoding matrix for even a modest 128 × 128 image can reach dimensions of 16,384 × 16,384 (consuming around 2.1 GB in single precision). Today, modern computer hardware and MATLAB^® make direct pseudoinversion feasible. By using optimized linear algebra routines in MATLAB on multicore CPUs and GPUs with ample memory, we compute the pseudoinverse of the encoding matrix and perform image reconstruction in a single matrix-vector multiplication step. This approach is highly flexible, and advanced encoding physics such as parallel imaging, off-resonance, gradient distortions, and motion can all be integrated into the encoding matrix and processed within a unified framework. Moreover, by explicitly computing the pseudoinverse of the encoding matrix, we can extract interpretable metrics such as point-spread function and noise-propagation maps that offer additional insights into the encoding and reconstruction process.

We further extend this algebraic framework toward AI by integrating implicit neural image representations and applying deep learning techniques for tasks like denoising and artifact reduction. These extensions merge the rigor of classical linear algebra with modern AI, further enhancing MRI reconstruction performance.

Millimeter wave (mmWave) communication offers efficient, high-bandwidth spectrum utilization but suffers from low robustness against blockages and shadowing caused by mobility. An intelligent reconfigurable surfaces (IRS) can mitigate these issues; however, its complexity makes practical deployment challenging. In this presentation, hear about non-reconfigurable reflecting surfaces (NRRSs)—a practical, lower-complexity alternative to IRSs that provides fixed-signal reflections to enhance link stability. Using an mmWave testbed, this session demonstrates that even limited deployment of an NRRS can significantly improve communication reliability. Measurements and analyses conducted with WLAN Toolbox™ further reveal that NRRSs introduce strong frequency selectivity, making the use of advanced physical layers such as IEEE 802.11 essential.

In this presentation, learn about an automated process for generating complete test equipment configuration software with minimal manual intervention. The proposed toolchain integrates a model-based electric interface control document (eICD) management database with MATLAB^® and Simulink^® scripting capabilities to produce the complete testbench run-time execution software by fetching data from the eICD management database.

The data is used to collect the required design artifacts such as device simulations, control panels, and custom code, and to automatically generate the bus definitions, transport layer handling, in/output mappings and session files. Systematically ensuring interface compliance between Simulink models and their prescribed eICD specifications, the process generates configuration files in both human- and machine-readable formats, automates transport layer encoding/decoding code generation, and compiles simulation models for target environments.

This approach reduces manual repetitive work by approximately 60%, with the potential to exceed 70% when coupled with MATLAB and Simulink, while significantly lowering the risk of interface and configuration errors. The workflow is demonstrated on the iron bird test rig for a SAIL III–compliant 2.7-ton electric vertical takeoff and landing full-mass demonstrator

Im Bereich des System Engineering für komplexe Produktentwicklungen ist der Übergang von statischen Diagrammen zu dynamischen, simulierbaren Architekturen entscheidend für ein effizientes und zuverlässiges Systemdesign. Diese Präsentation stellt einen Shift-Left-Ansatz vor, bei dem anstelle traditioneller statischer Darstellungen simulierbare Systemarchitekturen verwendet werden. Dies ermöglicht eine frühzeitige Validierung von Systemkonzepten, die schnelle Erkennung von Designfehlern und eine kontinuierliche Verifizierung während der gesamten Entwicklung. Durch die Simulation der Systemarchitektur führt die frühzeitige Fehlererkennung zu einer erhöhten Ausgereiftheit der Anforderungen und fundierteren Design-Entscheidungen, was zu Kosten- und Zeitersparnissen sowie einer verbesserten Systemqualität führt. Die Integration von CI verbessert diesen Prozess zusätzlich, indem sie komplexe Architekturänderungen durch automatisierte Regressionstests unterstützt und so sicherstellt, dass Fehler so früh wie möglich erkannt werden.

The integration of AI into battery management systems (BMS) is revolutionizing the electric vehicle industry. Using large language models (LLMs), such as GPT, and MATLAB^® and Simulink^® allows for more efficient BMS algorithm development. LLMs facilitate advanced natural language processing and rapid analysis of large datasets, which streamlines algorithm creation, implementation, and testing.

MATLAB and Simulink provide a powerful platform for modeling battery behavior, simulating scenarios, and optimizing control strategies, which accelerates the transition from concept to deployment. Central to combining AI technologies with AMTLAB and Simulink is FEV’s GenAI Hub, which aggregates high-quality data from multiple sources and fosters collaboration among experts. This step allows the development of advanced BMS algorithms, enhancing battery performance, safety, and reliability. 

With AI-driven insights and predictive modeling, FEV’s solutions enable accurate estimation of battery health, state-of-charge, and state-of-health—all critical for maintaining EV performance and longevity. These advancements not only benefit individual EV users but also support fleet management and energy storage applications. By maximizing the use of residual battery capacity, FEV’s AI-powered BMS contributes to sustainable energy solutions by reducing environmental impact and total cost of ownership.

The integration of advanced AI technologies into BMS development is a key driver for the future of mobility, paving the way for greener and smarter transportation systems.

Cardiovascular diagnostics rely on spatial information for accurate assessment. This session presents a certified medical software platform for the analysis of vectorelectrocardiography signals in a 3D vector space. Developed entirely in MATLAB^®, this tool enables clinicians and researchers to analyze, visualize, and interpret cardiac electrical activity. 

Attendees will learn how MATLAB was used not only for signal processing and visualization, but also for verification, validation, and certification of a real-world medical product. This includes challenges in aligning development in MATLAB with medical device regulations such as MDR, and successful deployment in a clinical environment.

This project demonstrates how MATLAB and Simulink^® can support the full product life cycle—from prototype to certified solution—and showcases a compelling use case for MATLAB in regulated medical software.

The efficient development and prototyping of millimeter-wave (mmWave) radar systems requires workflows that effectively integrate both hardware and software components. This paper introduces a comprehensive workflow that combines advanced mmWave radar modules from Texas Instruments (TI) with the robust capabilities of MATLAB^®, thereby streamlining the radar design process and facilitating a unified design cycle. The workflow utilizes an efficient API in MATLAB, optimized for interacting with the mmWave radars, to enhance integration and performance. We detail an end-to-end workflow that illustrates the configuration and acquisition of radar detections and measurements from TI mmWave evaluation modules (EVMs) into MATLAB, where we leverage powerful signal processing capabilities for sensing and detection applications. The efficacy of the proposed workflow is demonstrated through a case study focused on tracking individuals within indoor environments.

Memory safety has become a defining challenge in today’s software landscape—critical not only for system reliability, but also for functional safety and cybersecurity. It is often addressed through memory-safe programming languages and run-time checks. But there is a quieter, more powerful path already at our fingertips: Model-Based Design, combined with advanced static analysis, can achieve memory safety almost automatically.

In this talk, we highlight how the structured nature of auto-generated code from Model-Based Design tools such as Simulink^® and Embedded Coder^® creates an ideal foundation for static analysis. We show how you can leverage this foundation to verify memory safety properties at scale, and exhaustively. The absence of common memory errors such as buffer overflows or use-after-free can be established not through simulation or testing, but with mathematical certainty.

This combined approach to memory safety delivers a level of predictability and design-time assurance that surpasses what many run-time strategies can offer. Crucially, it does so without changing programming languages, without introducing run-time overhead, and without disrupting existing workflows.

This is not just a technical win—it’s a strategic advantage. For product leaders, architects, and engineering managers, it demonstrates how Model-Based Design can serve as a platform not only for productivity and traceability, but also for deep system safety. Memory safety, long considered a hard problem, becomes something we can approach with confidence—almost as a natural consequence of the way we already build.

Hero Tech Center Germany showcases an integrated development approach combining model-based systems engineering (MBSE) and model-based software development (MBSD) using a digital vehicle twin for electric powertrain development. This model-centric workflow connects system-level requirements, architecture, behavior modeling, and verification in a single, traceable process.

Traditional motorcycle testing is limited by high costs, long iteration cycles, and late-stage fault detection. Physical prototypes are hard to scale, incomplete early on, and pose risks when validating safety-critical functions. In contrast, our digital twin—a high-fidelity, executable model—enables early, repeatable validation in virtual environments.

Using MATLAB^® and Simulink^®, we integrate system requirements with functional and behavioral models. These requirements are linked and verified across development stages, which improves traceability and ensures consistency from architecture to implementation. Continuous verification through model-, software-, and hardware-in-the-loop testing allows early fault detection and reduces reliance on physical builds.

The digital twin supports scalable testing of control algorithms, system integration, and safety features before hardware is available. Requirements act as both design inputs and validation criteria, enabling automated compliance checks and improved development speed.

This use case in electric powertrain illustrates how a requirements-driven, model-based workflow accelerates development, enhances quality, and ensures robust, scalable design. It also addresses toolchain alignment and integration challenges across MBSE and MBSD environments, boosting agility and system reliability.

Fehlermodellierung ist eine Schlüsselmethode bei der Entwicklung sicherer und zuverlässiger Systeme. Das Entwickeln von Logik für die Erzeugung von verschiedenen Fehlertypen und das parallele Verwalten von fehlerfreien und fehlerbehafteten Modellen stell jedoch eine nicht unerhebliche Herausforderung dar.  In dieser Präsentation geben wir einen praxisnahen Überblick über die Modellierung in Simscape™ und zeigen, wie sich verschiedenste Fehlertypen einfach und systematisch abbilden und analysieren lassen. Nach einer kurzen Einordnung der Fehlermodellierung im Kontext von Model-Based System Engineering, FMEA und Requirements Engineering werden die Vorteile moderner, nicht-invasiver Ansätze gegenüber klassischen „Dirty Models“ erläutert.

Im Mittelpunkt steht die konkrete Umsetzung: Anhand von Beispielen aus den Bereichen Halbleiter, Motoren und Batteriezellen wird gezeigt, wie Fehler in Simscape modelliert, konfiguriert und analysiert werden. Viele Simscape Blöcke bieten bereits die integrierte Möglichkeit, typische physikalische Fehlerfälle abzubilden. Auch eigene Simscape Blöcke können in der ssc-Sprache mit Fehlern beaufschlagt werden. Die Fehler können dann während der Simulation durch zeitliche oder logische Bedingungen ausgelöst und die richtige Reaktion darauf getestet werden. 

Diese Präsentation richtet sich an Entwickler und Ingenieure, die Systeme entwickleln und analysieren, bei denen Robustheit und korrektes Verhalten auch im Fehlerfall bereits in der Simulation abgedeckt werden soll. Sie vermittelt sowohl methodische Grundlagen als auch praktische Tipps für die Umsetzung im Modell.

Künstliche Intelligenz (KI), insbesondere in Form trainierter neuronaler Netze, ist in Bereichen wie Bildklassifizierung, Objekterkennung und natürlicher Sprachverarbeitung nicht wegzudenken. Diese Anwendungsmöglichkeiten von KI-Modellen stoßen auch in sicherheitskritischen Sektoren wie der Luft- und Raumfahrt, der Automobilindustrie und dem Gesundheitswesen auf hohes Interesse. Verifizierung und Validierung dieser Modelle stellen jedoch besondere Herausforderungen dar, da herkömmliche Software-Assurance-Prozesse die inhärenten Komplexitäten von KI-Systemen, wie mangelnde Transparenz und unvorhersehbares Verhalten unter bestimmten Bedingungen, oft nicht berücksichtigen. 

KI-Verifizierung und -Validierung (V&V) ist für die Zertifizierung KI-fähiger Systeme in diesen kritischen Bereichen aber unerlässlich. Es gibt mittlerweile Industriestandards, die diesen Prozess begleiten, darunter ISO/PAS 8800:2024 für die Automobilindustrie, welcher Sicherheitseigenschaften, Risikofaktoren und Verifizierungstechniken für Straßenfahrzeuge definiert. ARP6983 (in Arbeit) ist ein Standard für die Luftfahrtindustrie, welcher Leitlinien für die Entwicklung KI-gesteuerter Flugzeugsysteme mit Schwerpunkt auf Zertifizierung, Sicherheitsbewertung und Einhaltung gesetzlicher Vorschriften bietet. ECSS-E-HB-40-02A schließlich ist ein Handbuch für Raumfahrttechnik, mit Verfahren für zuverlässiges maschinelles Lernen innerhalb einer „Sicherheitskäfig“-Architektur. Diese Standards schaffen robuste Rahmenbedingungen, um die Sicherheit und Zuverlässigkeit KI-gestützter technischer Systeme zu gewährleisten. Durch Methoden wie szenariobasierte Tests, formale Überprüfung von Eigenschaften, Erklärbarkeitstechniken und Laufzeitabsicherung stellt Verifizierung und Validierung (V&V) sicher, dass KI-Modelle bestehende und zukünftige Industriestandards erfüllen. MathWorks bietet Tools, die diese Prozesse unterstützen – kompatibel mit MATLAB^®- und PyTorch^®-Modellen – und so die Zertifizierung von sicherheitskritischen Anwendungen erleichtern.

Having a link-level simulator in MATLAB^® that models our physical layer hardware brings many advantages. We can easily simulate mobile radio scenarios for 4G and 5G and limit expensive lab and field testing. It is not only useful for designing powerful baseband algorithms, but it also allows us to track the link-level performance of our products in detail and compare different hardware generations against each other. For modeling radio channels, we can choose from a variety of standardized channels but also have the possibility to inject channel data collected from field tests.

In this presentation, we investigate eigen-based beamforming with different covariance matrix flavors for DL MU-MIMO. We compare the options both for the widely used 3GPP CDL channel model and for SRS channel data that we collected from field tests. This shows that the comparison between schemes differs for CDL and measured channels.

The development of advanced driver assistance systems and highly automated driving functions will play a crucial role in reducing the number of people killed and severely injured in traffic accidents in the future. In addition to generic scenarios, scenarios derived from naturalistic driving studies, field operational tests, and simulator studies, real-world accident scenarios are important test cases during the development, verification, and validation of such functions. The GIDAS-PCM database is the biggest database for pre-crash scenarios in the world, with in-depth information that is collected immediately after the accident and directly at the accident scene. Converting GIDAS-PCM cases into OpenSCENARIO^® and OpenDRIVE^® and further enriching the data with GIDAS information provides valuable and easy to use test cases (especially “edge cases”) for a large amount of simulation environments.

Model-based systems engineering (MBSE) is a methodology that integrates multiple engineering disciplines to manage and realize complex systems, ensuring the availability of relevant information across the entire system life cycle. The recent development of the SysML v2 API significantly enhances this integration by enabling diverse engineering tools to access and interact with SysML v2 system models. 

In this presentation, we demonstrate how MATLAB^® and Simulink^® support SysML v2 and how users can leverage the SysML v2 standards to streamline their workflows. Specifically, we will showcase how a model created in one tool can be ingested into the MATLAB and Simulink environment, subjected to various analyses—including trade-off studies and requirements completeness and consistency analysis—and subsequently updated based on these findings. The enhanced model can then be committed back to the SysML v2 repository, facilitating a seamless and collaborative MBSE process. 

Die Fähigkeit elektrischer Komponenten zur Stabilität und Effizienz des Stromnetzes beizutragen, wird als Netzunterstützung bezeichnet. Diese Funktion ist besonders wichtig in modernen Energiesystemen, die zunehmend auf erneuerbare Energiequellen beruhen, welche eine größere Flexibilität und Ausfallsicherheit erfordern.

In diesem Projekt wurde Model-Based Design eingesetzt, um verschiedene Netzunterstützungsfunktionen in drei unterschiedliche Komponenten durch  entsprechende Teams zu integrieren: einen Wechselrichter, eine Turbinensteuerung und eine Windparksteuerung. Model-Based Design ermöglicht die Konzeption und Simulation komplexer Systeme anhand von Modellen vor der praktischen Umsetzung. Die Modelle wurden verwendet, um Netzstützungsfunktionen als zusätzliche Funktionen in die bestehenden Anlagen zu integrieren. Der Implementierungsprozess umfasste mehrere Schritte: Zunächst wurden Simulink®-Modelle für die Netzstützungsfunktionen entwickelt und in Simulationen getestet. Diese Modelle wurden dann in die Regelungssoftware der Anlagen integriert. Schließlich wurden die Systeme in einer Testumgebung betrieben, um ihre Leistung und Zuverlässigkeit zu bewerten.

Die Testergebnisse zeigten, dass die Integration der netzunterstützenden Funktionen erfolgreich war. Die Anlagen trugen zur Netzstabilität bei, indem sie auf Schwankungen im Stromnetz reagierten und die erforderlichen Anpassungen vornahmen. Der Einsatz von Model-Based Design ermöglichte die schnelle und effiziente Entwicklung und Implementierung der neuen Funktionen.

Imagine standing before an impressive machine that produces PET bottles. This machine is not only a marvel of engineering but also a prime example of the integration of cutting-edge technologies. In this presentation, you will learn how continuous integration and continuous delivery seamlessly connect with a machine learning pipeline to develop and provide an intelligent controller.

To cope with the high data rate requirements of 6G, the channel bandwidth for 6G is expected to exceed that of 5G. In 3GPP Release 18, the maximum supported channel bandwidth in FR2 is 2 GHz for certain channel configurations, including the n263 band, which supports up to 2 GHz bandwidth in specific configurations. When it comes to the upper midband, the 7–15 GHz range is considered a potential band for 6G, where the channel bandwidth is expected to exceed 800 MHz.

In this presentation, we address the challenges in the digital front-end (DFE) with respect to increased signal bandwidth in terms of digital signal processing, DFE architecture, and high-speed digital conversion systems. We use MATLAB^® to implement the transmit/receive chains of the DFE, including IFFT/FFT, windowing, frequency conversion, and digital pre-distortion. We optimize the components of the Tx/Rx chains to fulfill the 3GPP base station conformance test requirements, such as modulation quality, ACLR measurements, and emission mask.

Fehlerinjektionstests sind eine entscheidende Methode zur Sicherstellung der Systemrobustheit und werden traditionell auf Hardware-Ebene im Rahmen von Hardware-in-the-Loop-Tests (HiL) durchgeführt.

Durch den Einsatz modellbasierter Entwicklung können Fehlersimulation und Fehlerinjektion jedoch bereits deutlich früher im Entwicklungsprozess, nämlich auf Ebene der Systemarchitektur und der Model-in-the-Loop-Phase (MiL), eingesetzt werden.

Dadurch lässt sich die Lücke zwischen Systemmodellen und HiL-Tests schließen, was zu kürzeren Entwicklungszyklen und einer verbesserten Fehlerabdeckung führt. Durch den Einsatz von Simulink Fault Analyzer™ wird zudem eine systematische Analyse von Fehlereffekten und mehr Sicherheit durch Simulation ermöglicht. Dies schafft eine formale Verbindung zwischen Fehlern, Gefahren, Fehlererkennungs- und -minderungslogik und trägt entscheidend zur Erhöhung der Systemsicherheit bei.

Neuartige Flugzeugkonzepte und Technologien wie Wasserstoffantriebe prägen die Systemarchitekturen der Zukunft. Das modellbasierte Gesamtsystemdesign (OSD) bietet einen strukturierten Ansatz für die Durchführung von Trade-off-Studien zu Flugzeugsystemarchitekturen.

Zunächst wird das Flugzeug entworfen und die obersten Anforderungen an das Flugzeug definiert. Dieser Schritt ist nicht direkt Teil des OSD-Rahmenwerks und wird in der Regel von Partnern wie dem DLR durchgeführt, die die Flugzeuginformationen über eine standardisierte CPACS-Datei bereitstellen.

Anschließend werden OBS-Architekturen definiert, bewertet und auf funktional-logischer Ebene mit MBSE-gesteuerten Methoden unter Verwendung der internen SARA-Methodik ausgewählt. Operationen, Anforderungen, Funktionen und logische Architekturen werden auf nachvollziehbare Weise modelliert. Das Modell dient als einzige Quelle für die integrierte Sicherheitsbewertung, Leistungsbewertung sowie frühzeitige Verifizierung und Validierung. Darüber hinaus unterstützen bestehende Architektur-Muster und Technologiekenntnisse den Architekturerstellungsprozess, erleichtern die Entscheidungsfindung und helfen bei der Auswahl vielversprechender Architekturvarianten.

Schließlich werden die verbleibenden vielversprechenden Architekturen mit der internen GeneSys-Methodik weiter bewertet. Die Systemkomponenten werden geometrisch innerhalb des Flugzeugs positioniert und dann anhand physikalischer Dimensionierungsgesetze, die aus detaillierten Systemdesign-Methoden abgeleitet wurden, vorläufig dimensioniert. Das Ergebnis von GeneSys umfasst Komponenten- und Systemmassen sowie komponentenspezifische Auslegungsparameter, wie die Auslegungsleistung eines elektrischen Generators oder den Hubraum einer Hydraulikpumpe. Darüber hinaus wird eine vorläufige quasistatische Simulation des Gesamtsystemverhaltens durchgeführt, die letztlich Informationen über die Wellenleistungsabnahme entlang eines Referenzmissionsprofils liefert.

Das Framework wird an zwei Konzepten für wasserstoffbetriebene Flugzeuge demonstriert und zeigt seine Fähigkeit, parametrische Architektur-Vergleichsstudien zu beschleunigen.

Die Entwicklung elektrischer Fahrzeugantriebsstränge ist durch ein breites Spektrum an konfliktären Entwicklungszielen gekennzeichnet, insb. Leistung, Kosten, Bauraumintegration und Energieeffizienz. Dies führt zu enormer Komplexität im Designprozess und Ingenieure müssen alle diese Ziele berücksichtigen um das bestmögliche Produktdesign zu finden. Diese äußerst herausfordernde Aufgabe wird noch anspruchsvoller, wenn sich die Anforderungen während des Entwicklungsprozesses unter hohem Zeitdruck ändern, was in der praktischen Automobilentwicklung eher die Regel als die Ausnahme ist.

Um die agile Entwicklung von elektrischen Antriebssträngen unter solchen Bedingungen zu ermöglichen, wird die Entwicklungsmethode OPED (Optimization of Electric Drives) vorgestellt. OPED digitalisiert den Prozess von den Anforderungen bis hin zu optimalen Lösungen für die Entwicklung elektrischer Antriebsstränge vollständig. Dazu werden parametrische digitale Modelle des Antriebsstrangs und ein evolutionärer Optimierungsalgorithmus in Kombination mit künstlichen neuronalen Netzen aus dem Bereich der KI-Methoden eingesetzt. Der Designprozess wird so innerhalb von 24 Stunden durchgeführt, was eine schnelle und optimale Reaktion auf sich ändernde Anforderungen ermöglicht. Darüber hinaus können Unsicherheiten in den Anforderungen durch Requirements Engineering adressiert werden.

Die Software ist bei einem weltweiten Automobilzulieferer erfolgreich im Einsatz. Sie beruht auf MATLAB^®-Funktionen zu KI-Methoden wie der Statistics and Machine Learning Toolbox™ und der Optimization Toolbox™. Die grafische Benutzeroberfläche ist im MATLAB App Designer umgesetzt.

Die Methode wird anhand einer Fallstudie für einen elektrischen PKW-Achsantrieb demonstriert, sodass Produktionskosten, Energieeffizienz und Bauraumintegration innerhalb von 24 Stunden optimiert werden. Diese rasche Beantwortung von neuartigen Anforderungen erlaubt somit die agile Entwicklung von elektrischen Antriebssträngen.

Power converters can be found almost everywhere—in LED lights, chargers, computers, cars, and trains. Their control is currently often based on the classic PID controller. This is easy to understand and implement, but it is a purely linear controller. Modern power converters switch back and forth between different states. This means that the resulting systems are neither time-invariant nor linear, so that the PID controller cannot always provide optimal control. Rapid load changes and larger state spaces thus push PID controllers to their limits. The time therefore seems ripe for controllers based on artificial neural networks and trained using reinforcement learning. But how can the quality of such a controller be assessed?

First of all, it is clear that it must be better than a well-adjusted PID controller. But how good can an AI-based controller actually be, and how is it optimally trained? This presentation introduces a class of neural networks and defines the corresponding reinforcement learning problem for their training. The reward function is then used in a controller based on model predictive control. This results in a controller with the best possible control (for a given converter). However, due to its design, this control is far too computationally intensive. The presentation introduces corresponding Simulink models, discusses benchmark problems and their results, and thus provides a framework that makes it possible to contextualize the quality of any nonlinear, AI-based control systems.

The advent of 6G technology promises to revolutionize communication systems, enabling unprecedented capabilities and applications. In this presentation, hear how powerful workflows in MATLAB^® can accelerate your 6G R&D research. MATLAB provides a comprehensive environment for investigating and developing 6G enabling technologies, including waveform exploration, integrated sensing and communication, AI and neural receivers, reconfigurable intelligent surfaces, and non-terrestrial networks.

We will demonstrate how MATLAB facilitates the research and development of these critical technologies, showcasing its robust capabilities in simulation, modeling, and analysis.

In this session, we tackle the integration of predictive maintenance (PdM) systems on industrial controllers, a key advancement in Industry 4.0. Learn how Siemens automation systems and Model-Based Design can optimize industrial operations. We'll explore the integration of Simulink^® components within the TIA Portal and LiveTwin, highlighting practical benefits through a live demo of fault detection using Siemens automation technology. This demo showcases synthetic data generation via a digital twin approach, focusing on an industrial fan application. The project aims to enhance fault classification in industrial equipment by embedding advanced PdM strategies within the Siemens framework. MATLAB^® and Simulink provide deployment strategies that have been successfully optimized maintenance and offer Siemens customers AI-driven applications with significant operational advantages. 

The demo illustrates a PdM framework for Siemens PLCs and edge devices, simulating faults in a physics-based model to create datasets, followed by data preprocessing and feature extraction. A machine learning model is developed for fault classification and tailored for edge computing. Integration with Siemens hardware ensures efficient PdM model deployment for real-time monitoring and swift issue resolution, minimizing downtime and advancing smart manufacturing.