Michal Blaho (Humusoft)
MATLAB pomáha výskumníkom, vývojárom a inžinierom pri tvorbe nových algoritmov a zariadení. Výchádza dva krát do roka s množstvom noviniek v základom module a jednotlivych nadstavbách. Počas prezentácie uvidíte nové možnosti pre modelovanie, simuláciu a zdieľanie návrhov, ako aj nové nástroje pre zvýšenie vašej produktivity a tvorby lepšieho kodu a modelov. Novinky budú zamerané na oblasti ako sú:
Lubor Zháňal (Humusoft)
3D FOUNDATION: MATLAB & Unreal Engine
Jaroslav Jirkovský (Humusoft)
V Simulinku lze modelovat dynamické systémy různými přístupy: identifikací modelů z naměřených dat, prostředky klasického (kauzálního) modelování nebo pomocí tzv. fyzikálního modelování (akauzální model). Kauzální přístup k modelování popisuje jednotlivé části systému pomocí vztahů vstup-výstup. Přístup je vhodný pro modelování diferenciálních a diferenčních rovnic popisujících systém, nebo pokud chceme využít standardní aproximace soustav ve formě přenosů a state-space popisu. Přístup je také vhodný pro modelování řídicích algoritmů a filtrů. Naproti tomu fyzikální modelování využívá knihovny bloků, které reprezentují prvky reálných soustav. Z těchto prvků jsou sestavovány modely systémů na základě jejich fyzické struktury. Spojení bloků představují obousměrnou interakci prvků a tok energie v systému. Bilanční rovnice systému jsou ze schémat odvozovány automaticky a uživatel se o ně nemusí starat.
Fyzikální modelování v prostředí Simulink zajišťují nadstavby Simscape. Umožní modelování mechanických, elektrických, hydraulických a multifyzikálních soustav. K dispozici jsou připravené knihovny bloků, od elementárních prvků (např. pružina, tlumič, rezistor, kondenzátor, potrubí, …) po komplexní komponenty (např. 3D tělesa, elektromotory, baterie, čerpadla, směrové ventily, …). Pokud v knihovnách vhodný blok nenajdete, můžete vytvořit vlastní komponentu prostředky jazyka Simscape Language, a kombinovat nový prvek s ostatními bloky z knihoven.
Mezi nejnovější možnosti fyzikálního modelování patří modelování 3D těles s detekcí kontaktů, modelování variabilních a pružných těles (nosníky), modelování palivových článků a baterií včetně efektů stárnutí, nebo modelování tekutinových systémů s tepelnými vlivy.
Michal Blaho (Humusoft)
Autonómne systémy sa stávajú čoraz častejšou súčasťou našeho života. S príchodom autonómnosti však prichádzajú výzvy pri vývoji algoritmov, ktoré je potrebné riešiť. Vývoj autonómnych systémov urýchľujú simulačné prostredia, v ktorých sa navrhujú algoritmy a skúšajú viaceré scenáre. V tejto prednáške si ukážeme najnovšie možnosti pre simuláciu a tvorbu algoritmov pre mobilné, UAV alebo AUV aplikácie. Ukážeme si ako využiť simuláciu vo virtuálnom prostredí, možnosti pre detekciu, lokalizáciu, sledovanie plánovanie a rozhodovanie. Taktiež ukážeme možnosti nasadenia algoritmov na cieľové platformy.
Jaroslav Jirkovský (Humusoft)
Bezdrátové komunikační systémy jsou všude kolem nás. Standardy jako WiFi, Buetooth, Lte a 5G propojují stále větší množství zařízení. V prostředí MATLAB je možné modelovat a simulovat tyto systémy end-to-end, tedy od generování signálu dle příslušného protokolu přes jeho vysílání a přenos až po přijetí. Modely mohou být vytvářeny s různou úrovní složitosti v závislosti na tom, na který aspekt přenosu se potřebujete soustředit – např. můžete modelovat útlum přenosu pouze jako statisticky definované zkreslení (SNR) nebo vytvořit propracovaný model zesilovačů a antén včetně optimalizace vyzařovacích charakteristik, vlivu materiálu, apod.
V prostředí MATLAB a Simulink můžete modelovat fyzickou vrstvu bezdrátového komunikačního systému a přidat algoritmy (jako OFDM, Massive MIMO, beamforming, …) pro zpracování signálu v těchto systémech. Dále je možné vytvářet algoritmy pro softwarově definované rádio (SDR), kde je zásadní část zpracování signálu realizována softwarově v embedded procesorech nebo pomocí FPGA a změnou programu je pak možné měnit frekvenční pásma nebo komunikační protokoly. Z vytvořených a otestovaných algoritmů lze následně automaticky generovat zdrojový kód v jazyce C nebo VHDL a přejít tak rychle k fyzickému prototypování a vlastní implementaci na cílové zařízení.
Jaroslav Jirkovský (Humusoft)
Metody umělé inteligence využívají data a vytváří program k plnění zadaného úkolu. Jádrem výsledného programu je matematický model, který vyhodnocuje výstupy na základě vstupních dat. V současné době jsou hojně využívány metody machine learning (strojové učení) a deep learning (učení na základě hlubokých neuronových sítí; je specifickou podmnožinou strojového učení). Úkolem učení je nastavit parametry modelu tak, aby vyhodnocení výstupů probíhalo s maximální přesností a minimem chybných výsledků. Základními úlohami strojového učení jsou klasifikace, regrese a shluková analýza. MATLAB poskytuje funkce pro kompletní vývoj aplikací založených na strojovém učení (machine learning i deep learning), od přípravy dat přes tvorbu a učení modelů až po implementaci a nasazení výsledných algoritmů ve formě serverové aplikace či inteligentních embedded systému.
Využití metod umělé inteligence pro řešení klasifikačních a regresních úloh se signály a časovými řadami obnáší následující kroky. Příprava dat, výběr a extrakce vlastností, označování trénovacích dat pro účely učení, vlastní učení metodami machine learning nebo deep learning, případně pak výběr a optimalizace získaných modelů. Ve všech krocích lze využít různé přístupy, některé je třeba provést manuálně, jiné jsou již plně automatizované. MATLAB poskytuje intuitivní grafické aplikace pro přípravu dat, automatizované metody pro výběr příznaků i přístup AutoML (automatický výběr a současná optimalizace modelu strojového učení). V oblasti deep learningu jsou to pak speciální sítě vhodné pro práci se signály (LSTM) nebo různé možnosti úpravy signálových dat pro práci s konvolučními neuronovými sítěmi (CNN).
Michal Blaho (Humusoft)
Systémy a procesy popisujeme pomocou modelov na základe matematiky alebo fyziky. Podľa toho koľko máme informácií, môžeme systém modelovať parametricky, ako black-box alebo fyzikálne. Všetky prístupy majú zväčša jedno spoločné. Čast alebo celý matematický model je potrebné fitovať na aktuálne dáta. MATLAB poskytuje niekoľko nadstavieb pre fitovanie dát a dynamických systémov. V oblasti klasických dát sa využívajú vstavané nástroje a špecializované nadstavby ako Curve fitting toolbox, Statistics and Machine Learning Toolbox alebo Deep Learning Toolbox. V oblasti dynamických systémov sa snažíme reprezentovať dynamiku systému modelom z nameraných procesných dát. MATLAB v tejto oblasti ponúka nadstavby ako je System Identification Toolbox, Deep Learning Toolbox alebo Simulink Design Optimization.
Martin Kožíšek (Humusoft)
V přednášce budou na konkrétní úloze představeny simulační nástroje COMSOL Multiphysics, COMSOL Server a COMSOL Compiler. Důraz bude kladený na ukázku pracovního postupu tvorby simulace od zadání parametrů po zpracování výsledků. Jakým způsobem může simulačnímu inženýrovi software usnadnit práci? V závěru prezentace budou zmíněny reference na unikátní způsob výuky laboratorních cvičení vhodné během distanční výuky.
Martina Mudrová (Humusoft)
Stručný přehled aktuálních možností, které MATLAB a jeho doplňující služby nabízí pro výuku a vzdělávaní, a to nejen v oblasti VŠ.
Tomáš Fridrich (Humusoft)
Vývoj autonomních systémů pro řízení vozidel je založen na metodologii zvané data driven development. Vývoj je založen na analýze naměřených dat. Data jsou nasbírána z čidel, kamer, radarů a lidarů umístěných v testovacích vozidlech jezdících v běžném provozu. Naměřená dat tak pocházejí z milionů ujetých kilometrů. Samotný sběr data probíhá na speciální k tomuto účelu vyvinutý hardware.
Na naměřených datech se provádí post processing, kdy se extrahují důližté a zajívamé informace, detekují se okolní objekty, dopravní značení, jízdní pruhy ale také se anonymuzují obličeje a poznávací značky okolních aut. Poté vytvoříme jednotlivé jizdní scénáře na kterých se učí umělá inteligence.
Matouš Lorenc (Humusoft)
Ukázka přípravy a integrace multifyzikálního FEM modelu do blokového schéma řízení v prostředí Simulink. Představení dvou možných přístupů, robustního modulu LiveLink for Simulink pro vytváření kosimulačních bloků a integrace odlehčeného ROM modelu pomocí state-space bloku. Obě metody budou představeny srozumitelnou formou na modelu tepelného výměníku.
Alessandro Tarchini, Marco Rossi (MathWorks)
Hlavní večerní zprávy z televizního studia MATLAB v Torinu.
Petr Semotam (Siemens, s.r.o.)
Automatická identifikace anomálií licích křivek vzniklých při odlévání bloků motorů osobních automobilů. Cílem projektu je rychlé vyřazení potenciálně vadného odlitku z dalšího procesu zpracování. Klasifikační model je postaven s využitím speciálního druhu rekurentní sítě (RNN) LSTM Autoencoder neuronové sítě.
Patrik Kováčik (Žilinská univerzita v Žiline)
YouTube vzdelávací kanál „Materiály pre strojárov“. Riešenie interaktívnych úloh v platforme ReEducate. Riešenie projektu – Programovanie aplikácie určenej na pevnostnú analýzu nosníkov.
Robert Grepl (MECHSOFT)
V přednášce představíme vyvíjený software TRAMotion, který řeší kinematickou analýzu pohybu kolejového vozidla (tramvaje) se zaměřením na výpočet obálky pohybu, která je zásadní pro posouzení realizovatelnosti konceptu a optimalizaci parametrů vozidla. Výpočetní jádro využívá numerické algoritmy pro řešení kinematiky a je implementováno v MATLABu. Uživatelské rozhraní je postaveno na vlastní technologii založené na HTML a JS.
Jiří Minarik, Petr Liškář (Eaton elektrotechnika s.r.o.)
Ukázka modelu virtuálního EV konfigurovatelného s jedním nebo více různými motory, střídači a převodovkami současně, který si uživatelé mohou upravit podle svého přání, nebo použít ke své práci jen jeho dílčí části. Představení je následováno ukázkou jednoho z možných přístupů k simulaci jízdy dvoustopého vozidla ve virtuálním nebo reálném prostředí s využitím dat z GPS, zahrnutím vlivy jízdní dynamiky a práce pokročilých stabilizačních systémy.
Daniel Youssef (Garrett Motion Czech Republic s.r.o.)
Prediktivní řízení (MPC) je pokročilá metoda návrhu regulátoru založeného na modelu vývoje řízeného systému. Hlavními benefity MPC oproti standardním metodám řízení je možnost přímočaře zahrnout: omezení systému (vstupy, výstupy, stavy), informaci o poruchách (externí i interní) a jejich predikcí pro zlepšení kvality řízení (méně paliva, hladší řízení – životnost atd.). V MPC je řídicí úloha převedena na optimalizační problém, který je nutné vyřešit v každém diskrétním kroku. To vede na potřeby rychlého a spolehlivého řešiče který je možné spustit i na málo výkonných jednotkách použitých v automobilovém průmyslu.
V této přednášce bude přestaven generický NMPC Framework, postavený na prostředí MATLAB/Simulink, umožňující snadné a efektivní nasazení MPC regulátoru na několik demo aplikací.
Ivo Vodička, Ondřej Harvan (Digiteq Automotive s.r.o.)
V naší přednášce představíme vývoj testovacího stavu pro automatizované testovaní automobilových řídících jednotek, postaveného na platformě dSpace Scalexio. HiL pro komponentní testování přináší specifika na základě požadavků zákazníka, která je potřeba v návrhu uvážit. V projektu se zabýváme zpracováním fyzického zapojení a softwarem v rámci toolchainu. K tomu využíváme programy společností dSpace a MathWorks v kombinaci s nástroji vyvinutými firmou Digiteq Automotive.
Milan Kertész (Schaeffler Kysuce spol s.r.o.)
Postupná mechatronizácia a systematizácia produktov je v súčasnosti zrejmým trendom v našom svete. Toto je spôsobené rastúcimi nárokmi užívateľov produktov na množstvo a kvalitu ich funkcií. Produkty sa tak stávajú zložitejšími, komplexnejšími, ale hlavne inteligentnejšími. Ich inteligencia spočíva najmä v schopnosti reagovať na rôzne situácie želaným spôsobom. V odvetví automotive je navyše veľký dôraz kladený na bezpečnosť produktov, dokonca i pri ich zlyhaní. Každopádne, inteligentné riadenie takýchto systémov, na ktoré sú kladené prísne nároky na presnosť, spoľahlivosť a bezpečnosť za každých okolností, si vyžaduje dôslednú znalosť správania sa tohto systému za všetkých týchto okolností. Riadiace jednotky automobilov bežne využívajú takéto multiparametrické modely vo svojich riadiacich algoritmoch, ktoré im pomáhajú pri danom zosnímanom stave systému prispôsobiť akčné zásahy do systému tak, aby sa dosiahol želaný efekt. Hovoríme o tzv. model-based dizajne, ktorý je implementovaný v softvérovej zložke riadenia ako C kód vygenerovaný z modelu systému v programe Simulink.