Actas

P.J. Boardman, MathWorks

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.

Joan Albesa, IDNEO
Enric Valencia, IDNEO

En la sesión presentarán los avances que se han conseguido en IDNEO gracias al diseño basado en modelos con las herramientas de MathWorks, que ha conllevado mejoras significativas dentro de su negocio auto.

Además, cuando los clientes también utilizan Simulink^®, pueden trabajar directamente con sus modelos, lo que elimina la ambigüedad inherente a los requisitos del lenguaje natural y puede reducir el tiempo de desarrollo a la mitad.

Frecuentemente, los clientes proporcionan componentes AUTOSAR que han desarrollado y nos piden que los integremos en un sistema más grande, potencialmente con otros componentes de terceros. En estos casos, se utilizan la definición de las interfaces del componente para simplificar el proceso de integración, reduciendo el tiempo de desarrollo hasta en un 70 por ciento.

En comparación con proyectos anteriores de alcance similar en los que no usamos AUTOSAR y/o el diseño basado en modelos, ahora tenemos un tiempo de desarrollo mucho más corto: de un año a seis meses, en algunos casos. Además, podemos detectar errores antes, lo que nos permite encontrar y corregir alrededor del 80% de los errores en la fase de diseño.

Paz Tárrega, MathWorks
David Pérez, MathWorks

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.

Paula Poza, MathWorks

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.

Lucas García, MathWorks

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^®
  

Daniel Cabezón, EDP Renovable

La instalación de parques eólicos en emplazamientos cada vez más complejos trae consigo el potencial aumento de la incertidumbre en los métodos de evaluación de recursos y producción energética. Estos entornos exigen la aplicación de nuevos algoritmos más sofisticados que tengan en cuenta la interacción no lineal de un mayor número de variables tanto ambientales como de turbina.

Desde EDP Renovables, se apuesta por el uso de técnicas de aprendizaje automático para la resolución de problemas tales como la reducción del error en la predicción de producción, la estimación de potenciales perdidas por hielo en climas fríos, la caracterización de vientos extremos de tormenta o la potencial afección de patrones climáticos en el viento y la producción en grandes regiones del planeta.

Esta modelización está inevitablemente ligada al uso de técnicas de big data para la gestión de grandes volúmenes de datos climáticos y operacionales.

Lucas García, MathWorks

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
  

María Fernández, MathWorks

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.

Ferran Rovira, KRUCH SIDOS

La herramienta de simulación (Energy Flow Simulation) permite calcular el flujo de energía en redes de transporte público ferroviarias, detectar puntos débiles y críticos, testear diferentes soluciones y basar inversiones futuras en criterios técnicos y objetivos. Para este fin se desarrolló un modelo matemático que incluye todos los elementos que componen el sistema de distribución de energía en las redes ferroviarias y los respectivos consumidores. Esta parametrización utiliza un modelo de MATLAB^® y Simulink^® que exporta los resultados a una aplicación basada en la nube, para que cualquier usuario con unos mínimos conocimientos pueda simular. Con EFS cualquier operador de transporte público puede simular los flujos de energía en su infraestructura con profundidad e independencia y responder de una forma autónoma a los retos de la nueva movilidad.

Luis Lopez, MathWorks

Con el diseño basado en modelos, los requisitos textuales informales se pueden modelizar y simular para verificar el comportamiento de forma temprana y entonces, generar automáticamente un código para un dispositivo embebido. Los requisitos pueden incluir propiedades temporales para definir lógica de señal compleja dependiente del tiempo, y pueden estar incompletos o ser inconsistentes.

Esta charla muestra cómo se pueden modelizar requisitos y utilizar el editor de “Logical and Temporal Assessments” en Simulink Test™ para traducir requisitos en texto informales en evaluaciones inequívocas con semántica clara y definida que permite identificar inconsistencias. El lenguaje de evaluación temporal, basado en lógica métrica temporal, posee una semántica precisa y formal altamente expresiva para crear evaluaciones legibles. Se conocerá cómo introducir evaluaciones con condiciones, eventos, valores de señales, retrasos y respuestas usando el editor interactivo basado en formularios. Se puede visualizar la evaluación en una declaración similar al idioma inglés que es fácil de entender, o ver representaciones gráficas que permiten visualizar los resultados y depurar errores de diseño.

Luis Lopez, MathWorks

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
  

Alonso Pardo, Airbus Defence and Space

Actualmente Airbus Defence and Space se encuentra inmersa en un cambio estructural del proceso habitual del diseño, fabricación y servicio de sus productos. Este proceso, que ha ido mejorando durante más de 40 años, se encuentra ahora en medio de un análisis profundo que tendrá como consecuencia una reforma integral de la actual industria aeroespacial. Siguiendo metodologías adaptadas de Model-Based System Engineering, Airbus Defence and Space está trabajando de manera incesante para poder generar el gemelo digital de avión. 

El concepto de Avión Gemelo Digital consiste en la digitalización de todos los requisitos a todos los niveles, funcionalidades y soluciones de diseño que conforman las bases de una aeronave en todas sus fases: concepción, especificación, diseño, fabricación, verificación y soporte a cliente. Este nuevo concepto de trabajo fuerza a desarrollar un proceso completamente trazable de extremo a extremo de manera bidireccional, enlazando los requisitos a cualquier nivel con las soluciones aportadas basadas en distintas tipologías de modelos.

Las herramientas de MathWorks junto con desarrollos internos de Airbus Defence and Space establecen un marco de trabajo que permite un avance enorme en el desarrollo de cualquier tipo de proyecto. Para ello, cuatro conceptos claves son los pilares fundamentales de esta nueva forma de trabajar:

• Requisitos
  
• Modelos
• Simulación
  
• Trazabilidad
  

Durante la sesión se mostrarán los avances realizados así como los retos en los que estamos trabajando de cara a futuro.

Germán Torres, PLD Space

Una breve historia y descripción de las actividades de PLD Space seguida de nuestras aplicaciones usando los productos de MathWorks, en el departamento de propulsión de cohetes.

Iván Pérez, Safran

El objetivo de esta presentación es describir con un modelo simple, los pasos necesarios para conseguir una simulación y una red neuronal en MATLAB^® con aprendizaje supervisado, a emplear en la monitorización activa y predicción de anomalías de una estampadora hidráulica.

Lucas García, MathWorks

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.

Benjamín Colomer, AERTEC Solutions

Durante la presentación Benjamín Colomer presentará los distintos casos de éxito alcanzados en el área de aerospace y defence de la empresa AERTEC Solutions. Entre los ejemplos se mostrarán la incidencia en el ciclo de desarrollo completo de algunos de sus productos como el RPAS Tarsis75, Kit de guiado laser multiplataforma y el desarrollo de una aplicación para automatizar el proceso de cálculo de pruebas automatizado para equipos embarcados en el sector aeronáutico.

Carlos Fernando Nicolás, IK4-IKERLAN

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

Fernando Echeverría, Nordex

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^®.

David Culla, Tecnalia

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.

Luis Lopez, MathWorks

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.