Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Sanden optimiza el modelado de aire acondicionado automotriz con MATLAB
Optimización de la precisión y velocidad de cálculo con nuevos modelos
El objetivo del proyecto era identificar si era posible utilizar una red neuronal para garantizar la precisión y reducir el tiempo de muestreo durante una simulación de un modelo de motor. MathWorks propuso utilizar un método de Deep Learning denominado LSTM, lo que aceleró las futuras tareas.
Resultados principales
- Desarrollo de un modelo sustituto de alta precisión del sistema de aire acondicionado de un automóvil.
- Mejora de la velocidad de cálculo de los modelos, hasta 100 veces más rápido.
- El éxito del modelado ha abierto la posibilidad de incluir parámetros del mundo real en el futuro, como el calor.
Con IA, los ingenieros de Sanden automatizaron parte del proceso de modelado de componentes.
Sanden es uno de los principales fabricantes de sistemas de aire acondicionado para automóviles en Europa y China. La empresa tiene una larga trayectoria adaptando su tecnología para satisfacer las tendencias cambiantes en la industria automotriz, como el desarrollo de bombas de calor que permiten una calefacción eficiente en automóviles eléctricos que no pueden utilizar el calor residual del motor. Sin embargo, a medida que la industria automotriz experimenta cambios sustanciales que conducen a un aumento de la mano de obra para desarrollar nuevos sistemas, el desarrollo basado en modelos se está volviendo cada vez más importante para los fabricantes de componentes.
Durante el desarrollo de modelos de compresores eléctricos para aire acondicionado, Sanden debe equilibrar las solicitudes de los clientes para obtener un tiempo de cálculo del modelo más rápido y una mayor precisión. Para alcanzar estos objetivos contradictorios, Sanden utilizó herramientas de MATLAB® y Simulink® para incorporar una red neuronal de Deep Learning en sus modelos.
El equipo de Sanden utilizó Deep Learning Toolbox™ para entrenar una red neuronal de memoria a corto-largo plazo que se integró en el modelo del sistema de motor con Simscape Electrical™. Esta red se utilizó como modelo sustituto para motores y controladores de aire acondicionado a fin de agilizar el procesamiento de señales y eliminar datos innecesarios. Estas herramientas dieron como resultado modelos altamente precisos y mejoras en la velocidad de cálculo.
Productos utilizados
