IA y el Diseño Basado en Modelos: Sensor Virtual

Visión general

El modelado de sensores virtuales es una técnica ingeniosa que se puede utilizar para imitar el comportamiento de un sensor físico. El desarrollo de un sensor virtual (también conocido como sensor por SW) puede ayudar en situaciones en las que la señal de interés no se puede medir, o cuando un sensor físico supone un elevado coste y añade complejidad al diseño. Por ejemplo, al desarrollar un sistema de gestión de batería (BMS) para un vehículo eléctrico, ordenador portátil, etc., tener un valor exacto del estado de carga de la batería (SOC) es un elemento crítico en el diseño. Sin embargo, es posible que no se pueda medir directamente. Las técnicas de aprendizaje profundo y aprendizaje automático se pueden utilizar como alternativas o complementos de los filtros de Kalman y otras técnicas de detección virtual conocidas. Estos modelos de sensores virtuales basados en IA deben integrarse con otras partes del sistema. En el caso de un BMS, se debe integrar un sensor virtual SOC basado en IA con algoritmos de limitación de energía, detección de averías y balanceo de celdas. El desarrollo de un sistema tan grande y complejo requiere la integración, implementación y prueba de diferentes componentes mientras se minimiza la costosa y lenta creación de prototipos con HW real. El diseño basado en modelos es un enfoque comprobado para lograr esto.

En esta sesión, aprenderá a desarrollar modelos de sensores virtuales utilizando redes neuronales basadas en LSTM, árboles de decisión y otras técnicas de IA. Con el ejemplo de la estimación del SOC de BMS, aprenderá a integrar modelos de IA en el diseño basado en modelos, de modo que pueda probar su diseño mediante simulación e implementarlo en una placa NXP S32K3xx mediante la generación automática de código. Verá cómo evaluar y administrar el balance de IA que abarcan desde la precisión del modelo hasta la eficiencia en la implementación.

Aspectos destacados

• Diseñar y entrenar modelos de aprendizaje automático con Statistics and Machine Learning Toolbox
• Diseño y entrenamiento de modelos de aprendizaje profundo con Deep Learning Toolbox
• Importación de modelos de TensorFlow en MATLAB
• Integración de modelos de aprendizaje automático y aprendizaje profundo en Simulink para simulación a nivel de sistema
• Generación de código C sin dependencias y realización de pruebas PIL

Acerca del presentador o presentadores

En su papel de ingeniero de aplicaciones, José Barriga da soporte a los usuarios de MATLAB en temas como el procesado de datos e Inteligencia Artificial. Antes de unirse a MathWorks, trabajó en diferentes sectores dónde pudo desarrollar sistemas de control, sensores y equipos de visión artificial. José Barriga estudió ingeniería de telecomunicaciones en la Universidad de Alcalá de Henares e investigó en la detección y seguimiento de objetos en secuencias de video.