Capítulo 1
¿Por qué utilizar IA para la simulación y el diseño basado en modelos?
Está demostrado que el uso de modelos de Simulink® a lo largo del proceso de desarrollo, denominado diseño basado en modelos, permite desarrollar sistemas complejos con eficiencia y menor riesgo. Incorporar técnicas de IA a un flujo de trabajo puede ahorrar tiempo y mejorar diseños, para lo que no es necesario tener experiencia en IA.
Existen cuatro razones principales para utilizar IA para la simulación y el diseño basado en modelos:
- Mejora de la precisión: Mejore la precisión de un algoritmo con datos de entrenamiento de alta calidad para desarrollar un algoritmo de IA.
- Control de la complejidad: Utilice IA para reemplazar algoritmos que serían computacionalmente complejos o imposibles de modelar con otros métodos.
- Ahorro de tiempo: Utilice IA para crear modelos de orden reducido de sistemas si se tardaría mucho en desarrollar o simular modelos de alta fidelidad derivados de principios básicos.
- Integración: Integre modelos de IA desarrollados en marcos de código abierto o MATLAB a diseños en nivel de sistema con Simulink.
- Desarrollo de un modelo de IA para un algoritmo que se desplegará en un sistema integrado. Para ver un ejemplo en profundidad, consulte el capítulo 2.
- Uso de IA para el modelado de plantas o entornos basado en datos. Los datos utilizados para entrenar el modelo de IA podrían provenir de hardware o de un modelo de simulación de alta fidelidad con una carga computacional demasiado alta para la simulación en el nivel de sistema. Para ver un ejemplo en profundidad sobre cómo se puede utilizar IA para crear un modelo de orden reducido de un componente de alta fidelidad, consulte el capítulo 3.
Desarrollo de algoritmos integrados: este caso práctico incluye controladores, sensores, fusión de sensores, procesadores de imágenes y detectores de objetos basados en IA que se desplegarán en un sistema integrado.
Modelos de orden reducido: utilice IA para crear un modelo de orden reducido de un sistema complejo que se pueden utilizar para perfeccionar y validar los componentes de sistema.
En muchos casos, se puede emplear un modelo de IA para ambos ejemplos. Otra opción es utilizar Simulink como un entorno dinámico para reinforcement learning, una rama de Machine Learning (ML).
Integrar IA en el diseño basado en modelos para el desarrollo de algoritmos integrados permite:
- Experimentar con varios modelos de IA de un algoritmo y comparar rápidamente los tradeoffs en precisión y rendimiento en un dispositivo.
- Evaluar la conformidad de modelos de algoritmos de IA con requisitos del sistema antes de desplegarlos.
- Ejecutar modelos de IA junto con otros modelos en un entorno de simulación para detectar problemas de integración de sistemas.
- Probar escenarios que serían difíciles, costosos o peligrosos de ejecutar en hardware o en un entorno físico.
Emplear IA para el modelado de orden reducido basado en datos permite:
- Acelerar simulaciones lentas de modelos de alta fidelidad.
- Acelerar el diseño utilizando el modelo de orden reducido basado en IA desde la fase inicial del proceso de diseño y usar un modelo de simulación de alta fidelidad posteriormente en el proceso de diseño para validar los resultados.
- Realizar pruebas de hardware-in-the-loop mediante la verificación del diseño del controlador sin el hardware del sistema completo.
- Dedicar más tiempo a explorar casos límite, realizar iteración del diseño y evaluar alternativas.
¿Cómo utilizar IA en el diseño en nivel de sistema?
Profesionales de ingeniería de todos los sectores pueden utilizar IA sin necesidad de tener experiencia. MathWorks proporciona interfaces, apps y ejemplos fáciles de usar que la hacen accesible.
Puede utilizar técnicas de IA para Machine Learning y Deep Learning en aplicaciones verticales conocidas y aprender a aplicar estas técnicas a problemas específicos de cada sector.
En este caso práctico, un equipo de trabajo creó un controlador basado en IA para controlar un sistema de propulsión de lazo cerrado.
Controlador de reinforcement learning para el control de un sistema de propulsión de lazo cerrado. (Imagen cortesía de Vitesco Technologies)
En este caso práctico, un equipo de trabajo creó un modelo de Simulink de una flota de aviones completa para reducir los costes de ciclo de vida y aumentar la disponibilidad. El modelo depende de predicciones precisas del rendimiento de la flota y el tiempo de inactividad por mantenimiento. El equipo de trabajo desarrolló un modelo de Simulink de la flota de alta fidelidad y luego entrenó un modelo de IA utilizando datos de salida del modelo de Simulink en una serie de escenarios para permitir un análisis rápido.
Avión listo para volar. (Imagen cortesía de Lockheed Martin)
En este caso práctico, un equipo de trabajo creó una plataforma de vibración dinámica para que equipos de carreras puedan realizar ajustes preliminares específicos para cada circuito con el fin de mejorar el rendimiento en las carreras. Los modelos de IA forman parte de un complejo modelo virtual utilizado para simular el rendimiento en la plataforma de vibración.
Una plataforma de vibración dinámica ayuda a equipos a realizar ajustes de rendimiento antes de una carrera. (Imagen cortesía de Penske Technology Group)
En este caso práctico, un equipo de trabajo desarrolló un algoritmo que utiliza IA para detectar automáticamente ataques de epilepsia en datos de vídeo de pacientes. El equipo médico suele supervisar a pacientes utilizando electroencefalogramas y señales visuales, pero este enfoque es laborioso e incómodo para los pacientes.
“Esperamos procesar el triple de pacientes sin necesidad de ampliar el personal. Cuando se utilice en supervisión domiciliaria, la nueva técnica reducirá aún más los costes, ya que eliminará ingresos hospitalarios y observación clínica, que suelen ser costosos”.
Detección de ataques de epilepsia con vídeo. (Imagen cortesía de Dutch Epilepsy Clinics Foundation)
Para permitir fabricación inteligente con sistemas robóticos, tales como un sistema de soldadura robótico, un equipo de trabajo desarrolló un algoritmo de IA para estimar la posición y orientación de la pieza que se va a soldar. El algoritmo se utilizó en una simulación junto con otros algoritmos para crear un gemelo digital del sistema robótico.
Un gemelo digital ayuda a diseñar, crear y validar un sistema de soldadura robótico. (Imagen cortesía de Hong Kong Applied Science and Technology Research Institute)
“El enfoque de MBSE con gemelos digitales redujo el tiempo de integración en un 40% y el plazo de desarrollo en un 30%”.
En este caso práctico, un modelo de IA predice la demanda de energía colocada en el sistema de pila de combustible. El equipo de trabajo combinó este y otros algoritmos para desarrollar una simulación en el nivel de un sistema de combustible de próxima generación.
“Podemos simular nuestras ideas, detectar ineficiencias o errores y corregirlos antes de probar el algoritmo en el sistema. Es decir, las herramientas de MathWorks nos ayudan a tomar medidas preventivas”.
Sistema de pila de combustible. (Imagen cortesía de Plug Power)
En este caso práctico, un equipo de trabajo utilizó IA para analizar datos de cámaras y sensores integrados para tomar decisiones de navegación y gestión de una granja en un tractor eléctrico inteligente.
“Trabajamos en movilidad, energía, hidráulica y energía mecánica. Con sistemas tan complejos como estos, las cosas se complican si nos limitamos a realizar pruebas de campo o solo pruebas de simulación. Realmente necesitábamos que todos esos sistemas estuvieran sincronizados”.
Tractor eléctrico inteligente con conductor opcional. (Imagen cortesía de Monarch Tractor)
En este caso práctico, un equipo de trabajo creó y entrenó una red neuronal que implementa predistorsión digital en un sistema de comunicaciones. También simularon el algoritmo con la parte analógica del sistema para averiguar el rendimiento general del sistema antes de desplegarlo.
Aplique predistorsión digital (DPD) basada en redes neuronales para compensar los efectos de las no linealidades de un amplificador de potencia (PA).
