Bilbao Resúmenes

Beyond the “I” in AI

10:00–10:30

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

P.J. Boardman demonstrates how engineers and scientists are using MATLAB® and Simulink® to successfully design and incorporate AI into the next generation of smart, connected systems.

P.J. Boardman, MathWorks


Modelado integral de un encoder para pruebas en tiempo real

10:30–11:00

El desarrollo de sistemas de posicionamiento que integren nuevas tecnologías de seguridad o captación puede demandar una fase de pruebas costosa y prolongada en el tiempo. Para salvar esta situación recurrimos al modelado funcional del sensor a partir de las especificaciones, incluyendo la función de captación, funciones de seguridad y funciones de comunicación CAN. Asimismo, el modelo se construyó para poder integrarse en un sistema de pruebas hardware-in-the-loop (HIL). Considerando la precisión temporal requerida por las pruebas de sistema optamos por sintetizar el modelo del sensor en una FPGA que replicara el interfaz de comunicaciones del sensor real. De esta forma conseguimos un modelo escalable, realizado en Simulink® y Stateflow®. Este modelo podemos adaptarlo rápidamente para reflejar los cambios introducidos por el fabricante del sensor, y transformarlo automáticamente a código HDL mediante HDL Coder™ para actualizar el sistema HIL


Novedades de las Últimas Versiones de MATLAB y Simulink

11:30–12:15

Conozca las nuevas funcionalidades de las familias de productos de MATLAB® y Simulink® para flujos de trabajo de investigación, diseño y desarrollo. Entre lo más destacado de esta sesión están las últimas novedades para deep learning, comunicaciones inalámbricas, conducción autónoma y otras áreas de aplicación. Además, se mostrarán nuevas herramientas para la definición de arquitecturas software y de sistema, así como modelado, simulación y verificación.

Paz Tárrega, MathWorks

David Pérez, MathWorks

Convertirse en un equipo de ingenieros centrado en datos: ponerse al día con el aluvión de datos

12:30–13:00

Los equipos de ingenieros disponen en la actualidad de más datos que nunca. Datos de pruebas, operaciones, producción y otras fuentes presentan oportunidades para decisiones de diseño basadas en datos y nuevos productos y servicios basados en datos. Pero a muchos equipos les cuesta crear un conjunto coherente de herramientas y procesos para extraer valor de estos datos.

Esta sesión presenta una variedad de nuevas funcionalidades de MATLAB® para acceder, organizar y analizar datos, con un foco especial en el contexto de datastore de MATLAB para trabajar con colecciones grandes de datos y tipos de datos de MATLAB para organizar y preprocesar datos de sensores. Veremos cómo estas herramientas permiten a los equipos de ingenieros pasar de análisis de datos ad-hoc a construir herramientas centralizadas para uso a nivel de toda la organización creando unos cimientos para apps de producción y análisis de datos.

Paula Poza, MathWorks


Deep learning y reinforcement learning para inteligencia artificial

14:00–14:30

La inteligencia artificial está generando un cambio espectacular en el papel que los ordenadores juegan en nuestras vidas personales y profesionales. Dos nuevos flujos de trabajo, deep learning y reinforcement learning, están transformando industrias y mejorando aplicaciones como el diagnóstico médico, la conducción autónoma y el control de robots.

Esta sesión muestra como MATLAB® soporta flujos de trabajo de deep learning y reinforcement learning incluyendo:

  • Automatización de la preparación y etiquetado de datos de entrenamiento
  • Interoperabilidad con entornos de deep learning de código abierto
  • Entrenamiento de redes neuronales profundas sobre datos de imágenes, señales y textos
  • Sintonización de hiper-parámetros para acelerar el tiempo de entrenamiento e incrementar la precisión de la red
  • Generación de código multi-plataforma para NVIDIA®, Intel®, and ARM®

Lucas García, MathWorks


Optimización multidisciplinar en MATLAB para el diseño de palas de aerogenerador

14:30–15:00

Las palas son los componentes con más influencia en el coste de la energía producida por los aerogeneradores (COE). El proceso tradicional de diseño de la pala en el que la geometría y la estructura interna se diseñan en procesos separados ha evolucionado en los últimos años a un proceso conjunto multidisciplinar que tiene en cuenta las fuertes interacciones entre aerodinámica y elasticidad, cargas y control. Siguiendo esa tendencia, AGORA es un código desarrollado en NORDEX para el diseño de palas. Este código genera la superficie, la estructura interna y calcula la respuesta en el aerogenerador mediante el cálculo con códigos aerodinámicos, estructurales, aeroelásticos y acústicos que son dirigidos por una función programada en MATLAB®.


Despliegue de inteligencia artificial para decisiones de fabricación cercanas al tiempo real

15:15–16:00

Con la creciente popularidad de la inteligencia artificial, nuevos horizontes están emergiendo en mantenimiento predictivo y la toma de decisiones de fabricación. En cualquier caso, hay múltiples complejidades asociadas con el modelado de plantas, entrenamiento de modelos predictivos para ellas y despliegue a gran escala de estos modelos, incluyendo:

  • Datos de fallos, que pueden ser difíciles de obtener, pero se pueden utilizar simulaciones físicas para crear datos sintéticos con diversas condiciones de fallos.
  • Datos de alta frecuencia de múltiples sensores, donde la alineación temporal hace difícil el diseño de una arquitectura de streaming.

Esta sesión se centrará en la construcción de un sistema para afrontar estos retos mediante MATLAB®, Simulink®, Apache™ Kafka®, and Microsoft® Azure®. Se verá un modelo físico de un activo de ingeniería y se mostrará como desarrollar un modelo de aprendizaje automático para ese activo. Para desplegar el modelo como un servicio en la nube escalable y fiable, incorporaremos enventanado temporal y gestión de datos fuera de rango con Apache Kafka. El sistema está construido en un sprint de tres semanas, destacando el valor del prototipado rápido y permitiendo su utilización por parte de expertos en diversos dominios.

Lucas García, MathWorks

Desarrollo de un sistema de gestión de baterías utilizando Simulink

12:30–13:00

Los sistemas de gestión de baterías (SGB) aseguran el máximo rendimiento, un funcionamiento seguro y la vida útil óptima de los sistemas de almacenamiento de energía de los paquetes de baterías bajo diversas condiciones de entorno y ciclos de carga-descarga. Con Simulink®, los ingenieros pueden usar simulaciones para modelar algoritmos de control retroalimentados y supervisados que monitoricen el voltaje y la temperatura de la celda, estimen el estado de carga (SoC) y el estado de salud del paquete, controlen los ritmos de carga y descarga y equilibren el SoC de todas las celdas de la batería, y aíslen la batería de la fuente o la carga cuando sea necesario. Empezando por estudios de compromiso en las primeras fases de diseño hasta las pruebas con hardware-in-the-loop del hardware del SGB, Simulink puede ayudar a los ingenieros a realizar simulaciones en su ordenador para asegurar que el SGB rinde como se espera bajo todas las condiciones de operación deseadas y cumple con los requisitos de durabilidad de diseño. En esta sesión, aprenderán cómo Simulink puede ayudar a ingenieros del ámbito eléctrico, térmico y de software a colaborar a lo largo del ciclo de desarrollo de los algoritmos de SGB.

María Fernández, MathWorks


Desarrollo de estrategias de control para propulsión eléctrica distribuida en aeronáutica

14:00–14:30

La electrificación de los medios de transporte aeronáuticos abre las puertas a nuevos sistemas de propulsión distribuida y nuevas estrategias de control que requieren de plantas mecatrónicas avanzadas. La planta desarrollada en MATLAB® y Simulink® permite simulaciones de vuelo de las aeronaves que conformarán la nueva red de aviación urbana, aplicando diferentes estrategias de control que optimicen la eficiencia energética, el confort y la rapidez del vuelo con nuevas arquitecturas y componentes mecatrónicos. Además, la facilidad de compilar y volcar el código a las existentes plataformas para control de vuelo, añade valor en el prototipado y testeo de los sistemas y aeronaves.

David Culla, Tecnalia


Pruebas HIL en electrónica de potencia mediante la conversión de Simscape a HDL

14:30–15:00

La expansión de los vehículos eléctricos y de las energías renovables son ejemplos de la creciente electrificación que impulsa el uso del control en la electrónica de potencia.

Las pruebas hardware-in-the-loop (HIL) constituyen una práctica de simulación en tiempo real aceptada para validar controladores para sistemas de electrónica de potencia. Sin embargo, la validación de controladores para electrónica de potencia puede requerir la ejecución de simulaciones a frecuencias de muestreo de más de 1 MHz. Este requisito para el periodo de muestreo es un reto para los sistemas de pruebas basados en microcontroladores, pero puede cumplirse mediante la generación automática de código HDL de punto flotante desde modelos de Simulink® y Simscape™ y su ejecución en plataformas de tiempo real basadas en FPGAs.

En esta charla, se mostrará cómo crear modelos de circuitos con Simscape y cómo desplegarlos en FPGAs en un ordenador de tiempo real de Speedgoat, el cual puede ser utilizado para probar un control digital.

Luis Lopez, MathWorks


Ingeniería de sistemas: de los requisitos a la arquitectura y a la simulación

15:15–16:00

La ingeniería de sistemas y el diseño basado en modelos pueden significar cosas diferentes para diferentes grupos, pero muchas de las definiciones comparten un conjunto de conceptos, incluyendo el comenzar desde un conjunto de requisitos a nivel de sistema que se usan para conducir una descomposición funcional y el proceso de asignación de requisitos. Después se realizan “trade studies” sobre las diferentes alternativas de arquitectura del sistema para crear una arquitectura a partir de la cual se desarrolla y después se simula el diseño para verificar que los requisitos se cumplen.

Esta presentación muestra cómo MATLAB® y Simulink® operan en este flujo de trabajo cuando se combinan con Simulink Requirements™, al permitir a los usuarios:

  • Recoger, ver, analizar y gestionar requisitos
  • Desarrollar un modelo de arquitectura de sistema a partir de los requisitos, modelos de Simulink existentes, ICDs y arquitecturas creadas de manera externa, o combinaciones de lo anterior
  • Examinar el modelo de arquitectura de sistema utilizando distintas vistas para diferentes intereses
  • Asignar (enlazar) requisitos a componentes de la arquitectura y realizar análisis de cobertura y de impacto ante cambios
  • Realizar estudios de compromiso para comparar, evaluar u optimizar la arquitectura del sistema
  • Diseñar componentes especificados en el modelo de arquitectura de sistema
  • Simular la composición de sistema para verificar el comportamiento a nivel de sistema

Luis Lopez, MathWorks