IA con diseño basado en modelos

Aplique técnicas de inteligencia artificial (IA) al diseño de sistemas de ingeniería

“Aunque no somos especialistas en Deep Learning, con MATLAB y Deep Learning Toolbox pudimos crear y entrenar una red que predice las emisiones de NOx con casi el 90% de fiabilidad”.

Modelado de sensores virtuales

Identificación de sistemas y
modelado de orden reducido (ROM)

Reinforcement Learning

Obtenga una versión de prueba gratuita

Modelado de sensores virtuales

Estime las señales de interés que no se pueden medir directamente con un sensor físico, o en casos en que utilizar un sensor físico agregaría costo y complejidad a un diseño.

Cree y compare modelos de sensores virtuales utilizando diferentes arquitecturas de Deep Learning y Machine Learning, tales como capas totalmente conectadas, capas de memoria a corto-largo plazo (LSTM) y máquinas de vectores de soporte
Importe modelos de IA creados en TensorFlow™ o PyTorch^® para simularlos y desplegarlos con Simulink
Integre, simule y pruebe sensores virtuales basados en IA con el resto del sistema
Comprima modelos de sensores virtuales basados en IA y despliéguelos en microcontroladores y ECU empleando generación de código C sin librerías
Adapte modelos de sensores virtuales para procesar datos en tiempo real utilizando aprendizaje incremental

Casos prácticos

Vídeos

Ejemplos

Identificación de sistemas y ROM

Cree modelos basados en IA de sistemas dinámicos no lineales utilizando datos medidos o generados.

Cree modelos dinámicos basados en IA a partir de datos medidos con la app System Identification
Mejore la calidad de un modelo combinando datos sobre la física de un sistema con técnicas de IA que emplean identificación de modelos no lineales, como espacio de estados neuronal, ARX no lineal y otras arquitecturas de modelos
Reutilice modelos FEM, FEA y CFD de terceros para diseño de control y desarrollo de sistemas en Simulink creando modelos de orden reducido basados en IA
Utilice la app Reduced Order Modeler para configurar el diseño de experimentos (DoE), generar datos de entrenamiento, y utilizar plantillas preconfiguradas como punto de partida para entrenar y evaluar modelos de IA adecuados
Importe el modelo reducido en Simulink para ejecutar simulaciones en escritorio y pruebas de hardware-in-the-loop, o exporte modelos de orden reducido para usarlos fuera de Simulink a través de unidades de maqueta funcional (FMU)

Casos prácticos

Vídeos

Ejemplos

Modelado de orden reducido

Reinforcement Learning

Entrene agentes inteligentes mediante interacciones repetidas de ensayo y error con entornos dinámicos modelados en Simulink.

Seleccione algoritmos listos para usar e intégrelos en Simulink con el bloque RL Agent para realizar entrenamiento
Utilice Reinforcement Learning Designer para diseñar, entrenar y simular agentes de manera interactiva
Ejecute pruebas en nivel de sistema y despliegue agentes entrenados en dispositivos integrados

Casos prácticos

Vídeos

Ejemplos

Robot locomotor humanoide

MATLAB y Simulink para diseñar IA en sistemas de ingeniería

Integre y simule modelos de IA
con el resto del sistema

Integre modelos de IA directamente en un modelo en nivel de sistema para realizar simulaciones.
Simule el comportamiento de un sistema ejecutando algoritmos de IA con otros componentes del sistema, incluyendo sistemas físicos, modelos de entorno, algoritmos de control de lazo cerrado y lógica de supervisión.

Más información

Garantice seguridad y fiabilidad en sistemas
que usan IA durante su funcionamiento

Combine pruebas basadas en simulación y basadas en datos con técnicas de verificación formal para redes neuronales.
Garantice equivalencia de comportamiento mediante pruebas consecutivas.
Mantenga la trazabilidad entre requisitos, diseño y prueba.

Más información

Genere código a partir de modelos de IA
para implementar en diferente hardware objetivo

Genere y despliegue código C/C++, CUDA^® y HDL a partir de modelos de Deep Learning o Machine Learning que se ejecuten en hardware objetivo compatible.

Más información

Gestione tradeoffs de despliegue
de IA integrada

Perfile tamaño, velocidad y precisión de modelos en simulación y código.
Compare diferencias de rendimiento entre distintos modelos basados en IA, y entre modelos basados y no basados en IA.
Evalúe el impacto de comprimir modelos.
Utilice resultados de análisis para seleccionar modelos, tomar decisiones de diseño y ajustar el comportamiento de modelos.

Más información

Productos

Obtenga más información sobre los productos que usan IA con diseño basado en modelos.

¿Tiene preguntas?

Consulte con personal de MathWorks experto en IA y diseño basado en modelos

Arkadiy

Tianyi

Envíenos un email

30 días de exploración a su alcance

Pruebe MATLAB, Simulink y otros productos.

Más información

AI Onramp

Explore nuestros cursos introductorios Onramp que explican paso a paso el flujo de trabajo de IA.

Vea los cursos

Inteligencia artificial

IA con diseño basado en modelos

Aplique técnicas de inteligencia artificial (IA) al diseño de sistemas de ingeniería

Modelado de sensores virtuales

Identificación de sistemas y modelado de orden reducido (ROM)

Reinforcement Learning

Modelado de sensores virtuales

Identificación de sistemas y ROM

Reinforcement Learning

MATLAB y Simulink para diseñar IA en sistemas de ingeniería

Integre y simule modelos de IA con el resto del sistema

Garantice seguridad y fiabilidad en sistemas que usan IA durante su funcionamiento

Genere código a partir de modelos de IA para implementar en diferente hardware objetivo

Gestione tradeoffs de despliegue de IA integrada

Productos

¿Tiene preguntas?

Identificación de sistemas y
modelado de orden reducido (ROM)

Integre y simule modelos de IA
con el resto del sistema

Garantice seguridad y fiabilidad en sistemas
que usan IA durante su funcionamiento

Genere código a partir de modelos de IA
para implementar en diferente hardware objetivo

Gestione tradeoffs de despliegue
de IA integrada