Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Poclain Hydraulics desarrolla sensores virtuales para medir la temperatura de un motor en tiempo real con Deep Learning y filtros de Kalman
Resultados principales
- MATLAB aceleró las pruebas con redes neuronales preentrenadas
- Simulink permitió probar filtros de Kalman simplificados y extendidos
- MATLAB facilitó la generación de código en varios lenguajes, incluidos C y C++
Poclain Hydraulics es líder mundial en el desarrollo de motores y transmisiones hidrostáticas que impulsan maquinaria en las industrias de construcción, agricultura y minería. Estos motores generan potencia convirtiendo la energía hidráulica en energía mecánica, lo que puede elevar la temperatura del motor y potencialmente provocar fallos.
Poclain Hydraulics utilizó MATLAB® y Simulink® para crear un sensor virtual que utilice Deep Learning o un filtro de Kalman para monitorear la temperatura del motor en tiempo real. Para tener éxito, un modelo de filtro de Kalman extendido o de Deep Learning debe tener en cuenta el historial de carga del motor y condiciones ambientales como la temperatura externa. El principal inconveniente del enfoque de red neuronal en comparación con el filtro de Kalman es la falta de explicabilidad, pero no fue un problema en este caso.
El equipo implementó un proceso completo de industrialización con IA, comenzando con la extracción y aleatorización de datos, seguido por entrenamiento, prueba y validación de redes neuronales y, finalmente, despliegue en hardware. MATLAB y Simulink facilitaron el proceso de industrialización al permitir la generación de código C o C++, pruebas antes del despliegue y la gestión de grandes conjuntos de datos. El equipo también aprovechó las redes neuronales previamente entrenadas disponibles en MATLAB para acelerar el proceso.
Como parte del proceso de industrialización, Poclain Hydraulics utilizó MATLAB y Simulink para generar datos mediante la construcción y simulación de un modelo basado en la física del motor. Pudieron diseñar experimentos de generación de datos, probar diversos parámetros de motor, como presión, velocidad, tiempo y factores de riesgo, y gestionar los resultados de los experimentos.