MATLAB EXPO 2017 DEUTSCHLAND

Abstracts

How to Build an Autonomous Anything

9:10–9:40

Autonomous technology will touch nearly every part of our lives, changing the products we build and the way we do business. It’s not just in self-driving cars, robots, and drones; it’s in applications like predictive engine maintenance, automated trading, and medical image interpretation. Autonomy—the ability of a system to learn to operate independently—requires three elements:

  • Massive amounts of data and computing power
  • A diverse set of algorithms, from communications and controls to vision and deep learning
  • The flexibility to leverage both cloud and embedded devices to deploy the autonomous technology

In this talk, Michelle shows you how engineers and scientists are combining these elements, using MATLAB® and Simulink®, to build autonomous technology into their products and services today—to build their autonomous anything.

This presentation will be given in English.

Michelle Hirsch Michelle Hirsch,
Head of MATLAB Product Management,
MathWorks

Robots and Humans in the Digital World

9:40–10:10

Robotern die direkte physische Interaktion mit dem Menschen sowie möglicherweise unbekannten Umgebungen zu ermöglichen, war jahrzehntelang eines der primären Ziele der Roboterforschung. Die globale Vision der Community ist es, Roboter zu einem Gebrauchsgut zu machen und den Menschen in den Mittelpunkt der Roboterentwicklung zu stellen. Dieses Design-Paradigma erlaubt die nahtlose Verknüpfung von Effizienz, Digitalisierung und intelligenter Automatisierung, sodass ein optimales Nutzererlebnis erzielt wird.

Ich werde in meinem Vortrag darstellen, wie die menschzentrierte Roboterentwicklung, -kontrolle und -planung vernetzte Roboter in naher Zukunft für unsere Gesellschaft zu einem Gebrauchsgut macht, und inwieweit die ersten kommerziell verfügbaren, vernetzten Systeme in der Lage sind zu interagieren. Das primäre Ziel bei der Interaktion zwischen Roboter und Mensch ist es zu gewährleisten, dass der Mensch dabei keinen Schaden nimmt. Deshalb gelten nachgiebige, impedanzgeregelte, ultraleichte Systeme mit entsprechenden Kollisionsreflexen als sichere ,,Roboterkörper", die eine hoch-performante Unterstützung des Menschen in einer Vielzahl unterschiedlicher Anwendungsfelder ermöglichen. In diesem Zusammenhang werde ich die Konzepte, die hinter dieser neuen Generation von drehmomentgeregelten ,,Soft Robots" stehen, volle Cloud-Anbindung haben und von Jedermann mittels der zur Verfügung stehenden APPs zu programmieren sind, erläutern.

Neben der Tatsache, dass FRANKA EMIKA in hohem Maße kosteneffizient ist und überdurchschnittliche Leistungen im Bereich Präzision und Kraftregelung erzielt, stelle ich Ihnen den wahrscheinlich ersten Roboter vor, der sich selber nachbauen kann. Deshalb ist FRANKA EMIKA perfekt für die Produktion in Stückzahlen geeignet und kann so zu einer Plattformtechnologie werden. Als Wissenschaftler bin ich natürlich neugierig zu erleben, wie andere Forscher weltweit FRANKA EMIKA als Plattform für ihre Forschung einsetzen und unser aller Forschungsgebiet bereichern werden. In einer Live-Demonstration werde ich veranschaulichen, wie diese neue Robotergeneration vom Alltagsnutzer programmiert wird.

Prof. Dr. Sami Haddadin Prof. Dr. Sami Haddadin,
Direktor des Instituts für Regelungstechnik,
Leibniz Universität Hannover

„Vom Halter-Bieger zum Bit-Schubser“ - Die digitale Herausforderung eines Truck OEMs auf dem Weg zum autonomen Fahren

10:10–10:40

Der Vortrag gibt zunächst einen Überblick über die Mega-Trends in der Industrie und welchen Einfluss diese auf das Truck Business haben. Darauf aufbauend wird aufgezeigt, welche Veränderungen dies für einen Truck-Hersteller mit sich bringt. Während die Mechanik bisher im Vordergrund des Unternehmens stand, entwickelt sich die Elektronik und Software derzeit zur differenzierenden Disziplin des Unternehmens.

Weiter wird daraus abgeleitet und gezeigt, mit welchen Methoden, Tools und Prozessen in einer Hightech Software-Entwicklung gearbeitet wird und welche Faktoren für den Erfolg ausschlaggebend sind.

Der Vortrag schließt mit einem Ausblick der kommenden Innovationen der nächsten Jahre in der Nutzfahrzeug-Branche.

Stefan Teuchert Stefan Teuchert,
Vice President Electric/Electronic Systems Vehicle Functions,
MAN Truck & Bus AG

Was ist neu in MATLAB und Simulink

10:40–11:00

Erfahren Sie von den neuesten Möglichkeiten, die in MATLAB® und Simulink® eingeführt worden sind. Themen beinhalten die Gebiete Big Data, Maschinelles Lernen (Machine Learning) und Beschleunigung der Simulationsperformanz. Neue Datentypen in MATLAB helfen Ihnen mit zeitgestempelten Tabellendaten, Textdaten und Daten, welche die in ihrem Umfang nicht mehr in den Speicher passen. Darüber hinaus entdecken Sie die neuesten Verbesserungen des Live-Editors - die Ergebnisse zusammen mit dem erzeugenden Code auf einen Blick. Bzgl. Simulink erfahren Sie, wie die Just-in-Time Beschleunigung die benötigte Zeit Ihrer Simulationen im Accelerator Mode reduziert.

Dr. Marc Segelken,
Principal Application Engineer,
MathWorks

Aufbau einer modularen Simulink Real-Time-HIL-Lösung und Integration in eine herstellerspezifische Architektur

11:30–12:00

Auch im Agrarbereich nimmt der Anteil an Softwarekomponenten in Traktoren und Erntemaschinen immer weiter zu. Zudem werden die Entwicklungszyklen kürzer, um innovative Produkte schneller und kostengünstiger zum Kunden bringen zu können. Um diesen Anforderungen gerecht zu werden, sind neue Ansätze zur Verifikation von Software unerlässlich.

Die von MATLAB®/Simulink® zur Verfügung gestellten Schnittstellen ermöglichen eine effektive Anbindung eines Simulink Real-Time™ basierenden HIL-Systems in eine bestehende Testsystemarchitektur. Ein in Simulink eingebundenes AMEsim Modell, eine SIMPEK Co-Simulation und die Anbindung an bestehende Tools, beispielsweise zur Parametrierung von Software, sind einige der Themen, die bei AGCO umgesetzt wurden.

Durch die Weiterverwendung bereits bestehender Komponenten konnte somit ein effektives Gesamtsystem geschaffen werden.

Um die Vorteile des HIL-Systems effizient zu nutzen, wurden automatisierte Softwaretests für die verschiedensten Funktionen eines Traktors implementiert. Unter Zuhilfenahme von MATLAB/Simulink/Stateflow® wurde eine Lösung geschaffen, die es ermöglicht, wiederverwendbare Module in individuellen Testsequenzen einzubinden.

Hierdurch können sowohl SIL als auch HIL-Tests mit geringem Aufwand erstellt werden. Ebenso können fahrzeug- oder variantenspezifische Softwarefunktionen einfach verifiziert werden.

Herbert Schindele,
Team Leader Software Advanced,
AGCO GmbH/Fendt

Testautomatisierung – Von der Desktopsimulation zur Echtzeit mit Simulink Real-Time

12:00–12:15

Vorstellung eines integrierten Design- und Testprozesses von der Desktop basierten Simulation hin zu einer Simulation in Echtzeit. Der automatisierte Entwurf und der Testprozess wird durch die Vorführung einer Flügelflatterunterdrückung aufgezeigt. Dies beinhaltet sowohl die Simulation als auch das Aufsetzen einer Testumgebung um Hardware-in-the-Loop Simulationen unter Verwendung einer Speedgoat Zielhardware durchzuführen.

Marcus Maurer,
Application Engineering,
MathWorks

Speedgoat Baseline als Fahrdynamik-Steuergerät in einem Formula Student Fahrzeug

12:15–12:45

Das Entscheidende in der Formula Student ist der Faktor Zeit - nicht nur auf der Strecke, sondern auch in der Entwicklung. Umso relevanter ist es diesen Prozess möglichst effizient zu gestalten. Dazu gehören unkomplizierte und vor allem integrative Workflows, die einen Fokus auf die wesentliche Entwicklungsarbeit zulassen. Das GreenTeam der Universität Stuttgart setzt aus diesem Grund auf das neue Speedgoat Baseline als Steuergerät für die Fahrdynamik in ihrem neuesten Rennwagen E0711-8. Mithilfe der MATLAB®/Simulink®-Umgebung kann die Fahrdynamik-Regelung implementiert, an einem Fahrzeugmodell simuliert und unter Verwendung von Simulink Real-Time auf das Steuergerät geladen werden. Zusammen mit der Möglichkeit Parameter live über das Telemetrie-System zu setzen, ermöglicht dies auf der Teststrecke eine effiziente Evaluation und Optimierung der Regler am realen Fahrzeug. Die hohe Rechenleistung des Baseline-Moduls ermöglicht die Verwendung von komplexen Regelungsalgorithmen und lässt sich durch seine umfangreiche Kommunikations-Peripherie unkompliziert in das Fahrzeugsystem einbinden. Am Ende des Tages werden die geloggten Messdaten in MATLAB/Simulink geladen, um dort die Performance zu analysieren und mögliche Anpassungen umsetzen zu können. Damit schließt sich der Kreis des Fahrdynamik-Entwicklungsprozesses - mit einem optimalen Zusammenspiel von MathWorks Software und Speedgoat Hardware.

Daniel Görner,
GreenTeam Uni Stuttgart e.V.

Fit für die MATLAB EXPO - Eine kurze Einführung in MATLAB

11:30–12:15

In diesem Vortrag laden wir Sie ein zu einer Einführung in MATLAB®, die high-level Programmiersprache und interaktive Entwicklungsumgebung. Als Plattform für numerische Berechnungen, Visualisierungen und Anwendungsentwicklung stellt MATLAB das Fundament dar für sämtliche Projekte, die auf der MATLAB EXPO vorgestellt werden. Wir zeigen Ihnen wie Sie schnell und einfach unterschiedliche Ideen ausprobieren, Zusammenhänge in Ihren Daten erkennen und Ihre Ergebnisse dokumentieren und weitergeben können. Sie erhalten einen grundlegenden Einblick, in die Funktionsweise und Anwendungsgebiete. Die Präsentation richtet sich sowohl an Teilnehmer der Konferenz, die bisher keinen Kontakt zu MATLAB hatten, als auch an solche, die Ihren generellen Überblick auffrischen wollen.

Michael Glasser,
MathWorks

Kurzvorträge zu den Beiträgen der Posterausstellung

12:15–12:45

In einer Reihe von kurzen Beiträgen lernen Sie die Projekte der Posterausstellung kennen. Wie im letzten Jahr sind Themen der Ausstellung sind sehr breit gefächert. Daher haben Sie in den Kurzvorträgen die Möglichkeit, in einem kompakten Format mehr über Ideen und Lösungen aus vielen verschiedenen Projekten von Hochschulen, Universitäten und Forschungseinrichtungen aus dem ganzen deutschsprachigen Raum zu erfahren.

Sie verschaffen sich mit den Vorträgen einen Überblick über die Posterausstellung und informieren sich darüber, welche Autoren für Sie potentielle Gesprächspartner in den kommenden Pausen sind.

Autoren der Beiträge der Posterausstellung,
Moderation: Dr.-Ing. Sebastian Gross

Produktion von Biopharmazeutika – Ein MATLAB-Tool zur Simulation und Optimierung von Zellvermehrungsverfahren

11:30–12:00

Die Produktion von Biopharmazeutika umfasst ca. 246 biopharmazeutische Produkte mit einem Jahresumsatz von über 200 Milliarden US$. Typische Produkte sind z. B. Antikörper zur Krebsbehandlung, Blutgerinnungsfaktoren für Bluterkranke und tPA gegen Thrombose. Die Produktion derartiger Wirkstoffe erfolgt in Bioreaktoren bis 20.000 L mit Säugetierzellkulturen. Die Kultivierung von Säugetierzellen gilt nach wie vor als schwierig. Biopharmazeutische Proteine können allerdings auch nicht mit Bakterien, Hefen oder Pilzen hergestellt werden, welche wesentlich einfacher zu kultivieren wären. Diese sind nicht in der Lage, diese Proteine mit ihrer entsprechenden dreidimensionalen Struktur einwandfrei zu generieren.

Für jeden Produktionslauf muss eine große Anzahl an Zellen generiert werden, um den Produktionsbioreaktor zu starten. Nach dem Auftauen einer Zellampulle wird dazu jeweils die Zellzahl mittels verschiedener Schritte in zahlreichen Kultivierungsgefäßen vergrößert. Diese Zellvermehrungsverfahren, auch Seed-Trains genannt, sind zeit- und kostenintensiv und jedem Produktionslauf eines gewünschten Proteins vorgeschaltet. Während die Produktion selbst seit langem Ziel von Optimierungsansätzen ist, wird in jüngster Zeit auch das angemessene Design von Seed-Trains als wichtig erachtet. Es hat sich in den letzten Jahren gezeigt, dass die Kultivierungsbedingungen der Zellen im Verlaufe des Seed-Trains einen signifikanten Einfluss auf die Produktausbeute in der Produktion haben.

Es gibt vielfältige Möglichkeiten für das Design von neuen Seed-Trains oder die Optimierung vorhandener Seed-Trains.

Es wurde ein Software-Tool in MATLAB® entwickelt, welches die Simulation von verschiedenen Seed-Trains basierend auf der Eingabe umfangreicher prozessrelevanter Parameter ermöglicht. Das Tool bietet Analyse, Design und Optimierung von Seed-Trains mit Hilfe MATLAB-interner Funktionen zum Lösen nichtlinearer Optimierungsprobleme.

Vorgestellt wird das Seed-Train-Software-Tool, dessen Struktur und Realisierung in MATLAB, wesentliche Elemente der zu Grunde liegenden Mathematik und Modellierung sowie ein Blick auf lab-scale Verifizierungen des Tools.

Tanja Hernández Rodríguez,
HS OWL

Designoptimierung eines Rennwagenfahrwerks

12:00–12:15

Bei der Fahrwerksentwicklung und -abstimmung ersetzen und ergänzen Simulationsansätze immer stärker Parametertuning und aufwändige Rennstreckentests.

Es wird ein Workflow aufgezeigt wie basierend auf einem 3D-Mehrkörper-Fahrwerksmodell in Simscape™ mithilfe von Simulink Design Optimization™ das Rollverhalten eines Rennwagens optimiert werden kann.

Simscape Multibody™ wird eingesetzt um ein Doppelquerlenker-Vorderachsenmodell eines Rennwagens zu modellieren. Fahrwerks-Komponenten können entweder direkt in Simscape Multibody erzeugt und parametrisiert oder aus CAD Tools importiert werden. Simscape Multibody erlaubt zudem die geometrische Auswertung und Optimierung der Position des Rollzentrums. Je nach Anforderungen können der Reifen-Straße-Kontakt und Reifenmodelle in die Simulation miteingeschlossen werden oder für effizientere Vorauslegung vereinfacht modelliert werden. Simulink Design Optimization erlaubt dem Fahrwerksingenieur ohne vertieftes Wissen über die Theorie und Numerik der Optimierungsalgorithmen ein optimales Ergebnis zu erzielen.

Die 3D Visualisierung innerhalb Simscape Multibody gewährt zudem die Möglichkeit der optischen Auswertung und Plausibilitätsprüfung der Simulationsrechnungen.

Dr. Christoph Hahn,
Education Technical Specialist,
MathWorks

Gebäude- und Anlagensimulation mit MATLAB und Simulink am Beispiel des FFG-Projekts SalüH!

12:15–12:45

Bei der Sanierung von Geschosswohnbauten zeigt sich, dass eine Gesamtsanierung inklusive Umstellung auf zentrale Lüftung, Heizung und TWW-Versorgung häufig nicht möglich ist. Gerade für Wohnbauten mit kleinen Wohneinheiten scheiden aber auch derzeitig verfügbare dezentrale Lösungen aus Platz- und Kostengründen aus (vgl. EU-Projekt Sinfonia). Es sollen daher innovative Lüftungs- und Heizungs-Konzepte für die Sanierung untersucht werden und platzsparende Heizungs- und Trinkwarmwasser- Kleinstwärmepumpen mit Außen- bzw. Fortluft als Wärmequelle für diesen Zweck entwickelt werden, welche optional in die bestehende Brüstung bzw. eine vorgehängte Holzleichtbau-Fassade integriert werden können. Die Wandintegration ermöglicht einen hohen Grad an Vorfertigung, erlaubt eine Installation auch in kleinen Wohnungen, minimiert die Außen-und Fortluftkanäle und stellt entsprechend eine Lösung mit minimalem Material- und Installationsaufwand dar.

Der Beitrag schildert die Entwicklung und Optimierung von Kleinst-Wärmepumpen für Anwendung in der Sanierung unter Verwendung von MATLAB® und Simulink®.

Physikalische Wärmepumpenmodelle werden unter Verwendung von CoolProp entwickelt und gegen Messdaten kalibriert und validiert. Mit dynamischer Gebäude- und Anlagensimulation werden verschiedene Konzepte gegenübergestellt und anschließend für das vielversprechendste Konzept eine optimale Regelungsstrategie ausgearbeitet.

In dem Beitrag wird auf die Entwicklung von Simulationsmodellen ebenso wie auf die Verwendung der Modelle zur Entwicklung und Optimierung eingegangen.

Dr. Fabian Ochs,
Uni Innsbruck

Automatisierte Integration von Simulink Modellen in Virtuelle Plattformen

11:30–12:00

Durch den schnellen Fortschritt im Bereich der Fahrerassistenzsysteme (engl. Advanced Driver Assistance Systems, ADAS) gewinnen Sensoren im Automobilbau eine verstärkte Bedeutung. Die Anforderungen an diese Sensoren werden zunehmend anspruchsvoller, wohingegen die zur Verfügung stehende Entwicklungszeit im kürzer wird. Die hier eingesetzten MEMS Sensoren, wie z.B. Beschleunigungssensoren und Gyroskope, sind üblicher Weise zusammen mit einem für die Signalverarbeitung optimierten System-on-Chip (SoC) ASIC in einem sogenannten System-in-Package (SiP) integriert. Virtuelles Prototyping ist dabei eine etablierte Methode für die frühe Validierung dieser komplexen SiP/SoC Konzepte und für die frühe Software-Entwicklung.

In dieser Präsentation stellen wir unseren verbesserten, auf Model-Based Design und automatischer Codegenerierung basierenden Arbeitsablauf für die Erzeugung von Virtuellen Prototypen vor. Eine erweiterte IEEE 1685™: IP-XACT Registerbeschreibung dient hierbei als Grundlage für die Codegenerierungswerkzeuge von MathWorks, um sowohl eine funktionale C/C++ Beschreibung der Signalverarbeitungsalgorithmen als auch die für die Integration in die SystemC TLM 2.0 basierte Virtuelle Plattform nötige Schnittstellenbeschreibung automatisch zu erzeugen. Die Registerbeschreibung benutzt dabei die Synopsys® SystemC Modeling Library (SCML). Diese zuvor mittels Model-Based Design und MathWorks MATLAB® und Simulink® entworfenen und durch Simulation verifizierten Signalverarbeitungskomponenten können dann direkt in eine Virtuelle Plattform integriert werden. Durch diesen Arbeitsablauf wird sowohl deren Aufbau beschleunigt als auch die funktionale Übereinstimmung zwischen dem Algorithmenentwurf in MATLAB und Simulink und der Simulation in der Virtuellen Plattform gewährleistet.

Die einzelnen Schritte des Arbeitsablaufs von der IP-XACT basierten Architektur- und Registerbeschreibung und dem Entwurf des Signalverarbeitungsalgorithmus über die automatische Codegenerierung bis zur Simulation der Komponente innerhalb der Virtuellen Plattform und die sich daraus ergebenden Effizienzvorteile werden beispielhaft anhand eines industriellen ASIC Entwurfs illustriert.

Dr. Andreas Mauderer,
Robert Bosch GmbH

Entwicklung kundenspezifischer Motorregelungen für Prozessoren, FPGAs und SoCs

12:00–12:15

Schnelle Motorregelungen sind die Grundlage für viele industrielle Anwendungen in den Bereichen Automobiltechnik, Robotik sowie Luft- und Raumfahrttechnik. Sie setzen oft eine Implementierung auf kundenspezifischer Hardware voraus. In dieser Präsentation stellen wir vor, wie die Produkte von MathWorks es Ihnen ermöglichen:

  • Entwürfe der Regelung frühzeitig durch Modellierung und Simulation zu beurteilen, bevor sie in Hardware getestet werden können,
  • C- und HDL-Code für Prozessoren, FPGAs und SoCs automatisch zu generieren,
  • kundenspezifische FPGA- und SoC-Entwicklungsplattformen in den Hardware/Software-Entwicklungsprozess zu integrieren sowie
  • Festkomma- und Gleitkomma-Algorithmen auf Hardware zu unterstützen.
Dr. Werner Bachhuber,
MathWorks

Plattformunabhängige modellbasierte Entwicklung von hochdynamischen Antriebsregelungen

12:15–12:45

Die modellbasierte Entwicklung von Software für prozessorbasierte Steuergeräte ist seit vielen Jahren gängige Praxis. In einigen Industriebereichen, wie zum Beispiel der Automobilindustrie, erfolgt dies häufig bis zur Seriencodegenerierung. Trotz der permanent steigenden Rechnerleistungen können einige Funktionen aufgrund von Timing Anforderungen oder der hohen Berechnungskomplexität nicht in Software umgesetzt werden. Diese werden derzeit fast ausschließlich in Hardware-Beschreibungssprachen codiert.

Ziel aktueller F&E-Arbeiten an der Hochschule Rosenheim ist, diesen Bruch in der Entwicklungssystematik zu beseitigen. Unabhängig von der späteren Implementierung soll für eine Funktionalität nur ein grafisches Modell in Simulink® erstellt werden. Dieses Modell wird so aufgebaut, dass es sich sowohl für eine Implementierung in Software mit dem Embedded Coder™ als auch in Hardware mit dem HDL Coder™ eignet. Dadurch müssen gleiche Funktionalitäten nicht mehrmals entwickelt werden. Dies führt zu einer deutlichen Effizienzsteigerung des Entwicklungsprozesses.

Bei vielen Applikationen in der Antriebstechnik sind die Anforderungen bezüglich der Abtastzeit mit einer prozessorbasierten Lösung erfüllbar. Für High-End Applikationen werden Abtastfrequenzen von 200kHz bis 1MHz in Kombination mit komplexen, z.B. feldorientierten Regelalgorithmen und Steuerungsverfahren benötigt, welche nur noch FPGA- oder ASIC-basiert realisiert werden können. Die Funktionalität ist für beide Anwendungsgebiete in weiten Bereichen identisch. Da die Codegenerierung für prozessorbasierte Steuergeräte bereits Industriestandard ist, wird im Rahmen des Vortrags die FPGA-Umsetzung schwerpunktmäßig behandelt. An einem Beispiel aus der elektrischen Antriebstechnik wird der Arbeitsablauf von einem plattformunabhängigen Simulink Modell des Regelalgorithmus und dessen Verifikation am Simscape Electronics™ Regelstreckenmodell bis hin zum lauffähigen FPGA und einer Verifikation mittels Rapid Control Prototyping am realen Prüfstand vorgestellt. Die Hardware-Implementierung steigert die Abtastfrequenz um den Faktor 10 und mehr, wodurch sich die Bandbreite im Führungs- und Störverhalten eines Servoantriebs erhöht. In einem weiteren Schritt soll nachgewiesen werden, dass sich dasselbe Vorgehen für eine mixed-signal ASIC Implementierung eignet.

Julia Höllthaler M.Sc.,
HS Rosenheim

SILENOS - Steel Inclusion Level Evaluation by Numerical Optical Systems

14:00–14:30

SILENOS® ist ein bei der Hüttenwerke Krupp Mannesmann entwickeltes System zur Analyse der Reinheit von Stahlproben. Eine milchpackungsgroße Probe wird von einem Roboter weitestgehend autonom durch das System geführt. Nach der Vorbereitung wird die Probe trockengeschlichtet und hochauflösend abgescannt. Ein in MATLAB® geschriebener Algorithmus analysiert das ca. 250MB große Bild und erkennt darauf Fehlstellen (Verunreinigungen und Defekte). Nach Bedarf wird das Robotersystem veranlasst, die Probe einer anderen Maschine mit einem eingebauten Spektroskop zuzuführen. An den Fehlstellen wird eine Spektralanalyse durchgeführt. Anschließend wird die Probe weitergeschlichtet. Auf diese Weise wird die dreidimensionale Lage und die Zusammensetzung der Fehlstellen in der Stahlprobe ermittelt und bewertet.

Eine sehr große Herausforderung stellte die Datenmenge von mehreren hundert Gigabyte pro Tag sowie die Online-Fähigkeit und Ausfallsicherheit der Algorithmen dar. Um den Anforderungen gerecht zu werden, wurden entsprechende Architektur-, Hardware- und Softwaremaßnahmen getroffen. Zu diesen gehört, dass der MATLAB-Kern, in eine Java-Applikation eingebettet, die Daten zwischen den Rechenanstößen verwaltet. Die Hauptoperationen der Bildanalyse sind auf eine leistungsfähige Grafikkarte ausgelagert, was einen nicht unerheblichen Rechenzeitvorteil gegenüber einer Berechnung ausschließlich auf der CPU darstellt.

Alexey Nagaytsev,
Hüttenwerke Krupp Mannesmann

Integration von MATLAB-Anwendungen in unternehmensweite Prozesse

14:30–14:45

Binden Sie Ihre MATLAB®-basierten Anwendungen für Analytik und Internet der Dinge (Internet of Things/IoT) in Ihre Unternehmensprozesse ein. Entdecken Sie die wichtigsten Features, die Ihnen Zeit und Mühe beim Aufbau von unternehmensweit genutzten Produktionsanwendungen sparen.

Dr. Harald Brunnhofer,
MathWorks

Multi-Tool Testlandschaft mit DDS – MATLAB und Simulink als Enabler für Rapid Tool Prototyping

14:45–15:15

Unternehmensprozesse sehen meist bestimmte Software-Tools für einzelne Aufgaben vor. In der Entwicklung von automobilen Embedded-Systemen findet man dabei konkrete Tool-Vorgaben für die Implementierung der Embedded Software oder die Simulation von Test-Szenarien. Eine Erweiterung dieser Tool-Ketten, um beispielsweise neue automatisierte Testmethoden verfügbar zu machen, muss innerhalb dieser engen Randbedingungen erfolgen, vor allem bezüglich des Datenaustauschs zwischen den Tools.

Dieser Beitrag stellt die technischen Aspekte eines Projekts vor, in dem eine bestehende Entwicklungsumgebung für Fahrerassistenzfunktionen um die Testautomatisierung MESSINA erweitert wurde. Die Wahl der Kommunikationstechnologie fiel dabei auf den Data Distribution Service (DDS), welcher in der bestehenden Entwicklungsumgebung bereits integriert war. DDS ist ein Standard zum dezentralen Austausch von Daten zwischen verschiedenen Applikationen, der zunehmend in Co-Simulations-Anwendungen zum Einsatz kommt. Die Ankopplung von DDS-Implementierungen an einzelne Applikationen kann jedoch viel Handarbeit und damit zeitlichen Aufwand bedeuten, der in diesem Projekt nicht verfügbar war.

Mit MATLAB®, Simulink®, dem Simulink Coder™ Target für MESSINA und dem DDS Blockset konnte eine schnelle Einbettung von DDS in MESSINA realisiert werden. Die Erstellung eines Prototyps mit Simulink-Modellen als Datenschnittstelle und Testumgebung war innerhalb weniger Tage möglich. Da letztlich die DDS-Schnittstellen-Module für MESSINA mit MATLAB vollautomatisch generiert werden können, wurde aus dem Tool-Prototyp eine dauerhaft nutzbare und einfach anpassbare Lösung, die sich gut auf ähnliche Anwendungsfälle übertragen lässt.

Sebastian Bewersdorff,
Assystem Germany GmbH

Integration des MATLAB Production Server in die Enterprise System Architektur der Helaba Invest

15:15–15:45

Die Helaba Invest Kapitalanlagegesellschaft mbH wurde 1991 als 100-prozentige Tochtergesellschaft der Helaba Landesbank Hessen-Thüringen gegründet. Seitdem wird das Vermögensmanagement für institutionelle Anleger sowie die Verwaltung von Mandaten im Helaba-Konzern von der Helaba Invest wahrgenommen. Derzeit gehört die Helaba Invest mit einem verwalteten Volumen von circa 160 Milliarden Euro zu den führenden Kapitalverwaltungsgesellschaften im institutionellen Geschäft.

MATLAB®, insbesondere der MATLAB Production Server™, ist Teil der Enterprise System Architektur und wird in mehreren Anwendungsgebieten in den Backoffice Abteilungen der Helaba Invest eingesetzt. Typische Aufgaben sind die Bearbeitung individueller ad-hoc Analysen, wie z.B. zur Quantifizierung von Risiken sowie zur Visualisierung und Aufbereitung bzw. Überprüfung von Marktdaten. Der MATLAB Production Server ist zentraler Baustein rechenintensiver Prozesse, z.B. zur Derivatebewertung oder zur Kennzahlenermittlung einzelner Finanzinstrumente oder ganzer Portfolien.

Dieser Vortrag zeigt, wie der MATLAB Production Server in die täglichen Fondsbewertungs- und Reporting-Prozesse eingebunden ist. Der MATLAB Production Server ist an zentrale Enterprise Applikationen, z.B. an das Datawarehouse oder das webbasierte eReporting, angebunden. Weitere Anbindungen von Microsoft® Excel® über Add-Ins sowie eine .NET Applikation (C#-GUI) an den MATLAB Production Server ergänzen die Infrastruktur. Der Schwerpunkt des Vortrages liegt darin, zu zeigen, wie der MATLAB Production Server in der eingesetzten Systemarchitektur positioniert ist.

Marcus Veltum,
Helaba Invest Kapitalanlagegesellschaft mbH

Mathematik auf Knopfdruck – So steigern Sie Ihre Effizienz in der Hochschullehre

14:00–14:30

Sind Sie als Dozent(in), Lehrer(in), Wissenschaftler(in) oder Studierende(r) immer häufiger mit umfangreichen Editierarbeiten im Textsatzsystem LaTeX beschäftigt und kommen deshalb immer seltener dazu, sich den wirklich spannenden fachlichen Fragestellungen zu widmen? Oder möchten Sie Ihren Feierabend endlich mal wieder pünktlich einläuten, ohne dass die Arbeit liegen bleibt? Dann sollten Sie sich diesen Beitrag näher anschauen.

Wir stellen das Softwarepacket „MATeX“ vor. MATeX automatisiert im Zusammenspiel mit MATLAB®, Symbolic Math Toolbox™ und LaTeX anspruchsvolle, zeitintensive Aufgaben:

  • Aufstellen einer standardisierten mathematischen Aufgabe zu einem auswählbaren Thema der Höheren Mathematik 1 bzw. 2;
  • Analytisches Lösen der aufgestellten Aufgabe;
  • Generieren der zugehörigen Dokumentation bzw. Lösungswege in LaTeX.

Als Interaktionsschnittstelle wurde das Modul „Aschenputtel“ entwickelt, das die Arbeitsaufträge per E-Mail entgegennimmt und die Ergebnisse binnen 20-30 Sekunden zuschickt. Um die Auftragserteilung auf wenige Sekunden zu reduzieren, werden QR-Codes eingesetzt. Durch einen vorgeschalteten Zufallsgenerator lassen sich mit MATeX beliebig viele, verschiedene Aufgaben zu 30 unterschiedlichen Themen der Höheren Mathematik generieren.

MATeX wird in der Lehre am MINT-Kolleg Baden-Württemberg am Karlsruher Institut für Technologie zum individuellen Konstruieren und Lösen von Aufgaben erfolgreich eingesetzt. Die Software ist relevant für alle Hochschuleinrichtungen, an welchen Mathematik-Vorlesungen angeboten werden. Darüber hinaus könnte sie bei Verlagen von großem Interesse sein.

Andreas Helfrich-Schkarbanenko, Dr.,
MINT-Kolleg Baden-Württemberg am Karlsruher Institut für Technologie

Effektive Lehre mit dem MATLAB Live Editor

14:30–14:45

Der MATLAB® Live Editor ist eine neue, interaktive und komfortable Arbeitsumgebung. Der Editor eröffnet vielfältige Möglichkeiten bei der Erstellung von Berichten und Dokumentation und eignet sich ganz speziell in der Lehre und beim explorativen Erlernen von Programmierkonzepten.

In diesem Vortrag lernen Sie die Grundfunktionalität des Live Editors kennen. Durch das Hinzufügen mathematischer Formeln, Bilder, Hyperlinks und formatiertem Text verwandeln wir Ihren statischen Programmcode in ein dynamisches, lebendes Dokument. MATLAB ermöglicht Ihnen, das Dokument auf einfachem Weg mit Kollegen und Studierenden zu teilen, um Ihre Forschungsergebnisse nachzuvollziehen bzw. Lehrmaterialien nachzuarbeiten und zu erweitern.

Dr. Oliver Kluge,
MathWorks

Modellbasierte Entwicklung und Wissenstransfer in die Industrie

14:45–15:15

Die Vermittlung von Modellbasierter Entwicklung sowie der Transfer des Knowhows in verbundene Unternehmen gelingt an der Hochschule Bochum durch Projektarbeiten. Diese Projekte müssen keinesfalls von geringer Komplexität oder rein akademischer Natur sein – langweilig schon gar nicht.

Ein Projektbeispiel stellen wir in diesem Vortrag im Detail vor: Die Entwicklung eines Traktionswechselrichters für Mobilitätsanwendungen am mechanisch einfachen Beispiel eines Skateboards mittels Simulink®, Simscape™, Simulink Test™, und Simulink Verification and Validation™. Das Projekt umfasst alle Schritte einer industriellen Entwicklung, beginnend bei der Erstellung eines Lastenhefts bis zur Verifikation und Validierung des fertigen Produktes. Die Besonderheiten der Modellbasierten Entwicklung werden auf diese Art vollständig und erfolgreich an Studierende vermittelt.

Weitere Projektarbeiten, die in diesem Beitrag präsentiert werden, sind etwa die Modellbasierte Regelung einer parametrierbaren Regelung für PMSM und die Modellierung und Regelung mehrphasiger Antriebsmaschinen.

Arno Bergmann, Prof.,
Hochschule Bochum

Systemtechnischer Flugsimulator für Forschung und Lehre

15:15–15:45

Zunehmende Systemkomplexität, verkürzte Entwicklungszeiten, steigender Kostendruck und der wachsende Integrationsgrad aktueller Systeme unterschiedlichster Maschinenbaubranchen sind derzeit elementare Herausforderungen der Systementwicklung. Etablierte Methoden wie das klassische Anforderungsmanagement, der Prototypenbau und die experimentelle Systemintegration stoßen in diesem Kontext an ihre Grenzen und werden daher zunehmend durch Methoden der modellbasierten Entwicklung, wie z.B. der virtuellen Systemintegration oder Hardware-in-the-Loop Simulationen, ergänzt und teilweise ersetzt.

Für die Erforschung, Entwicklung und Bewertung neuer Systemtechnologien sowie die Ausbildung zukünftiger Ingenieursgenerationen hat das Institut für Flugzeug-Systemtechnik der Technischen Universität Hamburg in den letzten Jahren damit begonnen, einen systemtechnischen Flugsimulator aufzubauen. Die Kopplung realer Cockpithardware mit echtzeitfähigen Systemmodellen — einem flugmechanischen Modell sowie ggf. Prüfstandshardware — erlaubt so die Durchführung von virtuellen Flugversuchen und damit eine frühzeitige Systemintegration und -bewertung auf Gesamtflugzeugebene. Die Visualisierung des Flugversuches erfolgt mittels der Flugsimulationssoftware X-Plane. Über interaktive Cockpitdisplays können die Systemzustände angezeigt und beeinflusst werden.

Im Rahmen der Lehrveranstaltung Systemtechnisches Entwicklungsprojekt, welche Bestandteil des Masterstudienganges Flugzeug-Systemtechnik an der Technischen Universität Hamburg ist, arbeiten Studierende an der Erweiterung des Simulators. Ziel des Projektes ist die Entwicklung, Implementierung und Test eines echtzeitfähigen Systemmodells, des elektrischen Systems eines modernen Verkehrsflugzeuges, entlang des V-Modells.

In einem kleinen Team werden unter Anwendung von Methoden des Model-Based Systems Engineering Konzepte für die elektrische Leistungserzeugung, -verteilung und den Leistungsverbrauch sowie von Control- & Monitoring-Strategien und der luftfahrtgerechten Visualisierung der Systemzustände entwickelt. Die anschließende Implementierung erfolgt mittels Simulink®, Simscape™, Simscape Power Systems™ und Stateflow® bzw. SCADE Display von Esterel Technologies.

Robert Doering,
Technische Universität Hamburg

Neue Validierungsmethoden für Modelle für Netzstudien

14:00–14:30

Kunden und Partner von Windkraftanlagenherstellern benötigen Netzmodelle, die Power Generation Units (PGU) und weitere relevante Komponenten enthalten. Um die notwendige Qualität der Modelle sicherzustellen, müssen diese anhand von Referenzdaten, die üblicherweise aus Messungen im Feld gewonnen werden, validiert werden. Der Vortrag beschreibt, wie die kostenintensive Gewinnung der Daten im Feld durch Referenzmodelle teilweise ersetzt werden kann. Dabei werden sowohl die Herausforderungen im Bereich der Erstellung der Referenzmodelle beleuchtet als auch geplante Erweiterungen.

Hans Dürr,
Projektleiter Modellentwicklung,
Senvion GmbH

Virtuelle Inbetriebnahme und Optimierung von Robotersystemen mit Simscape

14:30–14:45

Robotersysteme sind überall – in Produktionslinien, Vergnügungsparks und sogar in Ihrem Haus. Im Vortrag sehen Sie, wie Sie mit Simscape™ den Energieverbrauch minimieren und die Robustheit Ihrer Robotersysteme erhöhen können. Darüber hinaus beleuchtet das gezeigte Beispiel die Anwendungsmöglichkeiten von virtueller Inbetriebnahme für die frühzeitige Verifikation der Funktionalität Ihres Gesamtsystems.

Steve Miller,
Product Manager,
MathWorks

Modellbasierte Entwicklung von Regelungsalgorithmen für Abkantpressen

14:45–15:15

Die TRUMPF Maschinen Austria GmbH + Co. KG entwickelt Biegemaschinen, automatisierte Biegezellen sowie lasergehärtete Biegewerkzeuge. Für die Entwicklung der beteiligten Regelungsalgorithmen kommen die modellbasierte Entwicklung mittels Simulink®, sowie die automatische Generierung des Steuerungscodes für die eingesetzte B&R SPS zum Einsatz. Der Vortrag behandelt exemplarisch das Design der Algorithmen für die TruBend 5000 in MATLAB® und Simulink.

Dr. Martin Bruckner,
Leiter Sensorik und Regelungstechnik,
TRUMPF Maschinen Austria GmbH + Co. KG

Plug & Work – Schnelle, professionelle Inbetriebnahme mit Hilfe von Prozess und Produktionssimulation im klassischen Anlagenbau

15:15–15:45

Hardware-In-the-Loop-Test-Simulationen (HILT) gehören in vielen Industriebereichen zu etablierten Testverfahren, um komplexe Automatisierungssysteme im Vorfeld der eigentlichen Inbetriebnahme zu testen. Die SMS Group, ein international tätiger Maschinen- und Anlagenbauer aus dem Bereich der Hütten- und Walzwerkstechnik, setzt diese Methode im gesamten Anlagenportfolio zur Qualitätssicherung der Software ihrer eigenen Automatisierungslösungen ein. Dabei werden auch komplexe Anlagen mit allen automatisierungsrelevanten Aspekten modelliert, mit den Automatisierungssystemen über die originalen Feldbussysteme verbunden und betrieben. Die Automatisierung kann dabei nicht unterscheiden, ob die reale Anlage oder ein Simulationsmodell angeschlossen ist. In dieser Konstellation werden einzelne Modultests bis hin zum virtuellen Produktionstest der Anlage durchgeführt.

Simulink® wird dabei genutzt, um schnell und effizient Simulationsmodelle für das kinematische und dynamische Anlagenverhalten mit entsprechenden mathematisch-physikalischen Echtzeitmodellen bereitzustellen. Grundsätzlich bilden die Modelle alle funktionalen Gesichtspunkte der Anlage ab, die für die Automatisierung relevant sind. Technologische Aspekte werden so plausibel abgebildet, dass alle entsprechenden Automatisierungsfunktionen getestet und voreingestellt werden können.

Dr. Hubertus Schauerte,
SMS Group GmbH

Simulationsbasierte Entwicklung von ADAS und automatisiertem Fahren mittels Machine-Learning

14:00–14:30

Die Komplexität zukünftiger Fahrerassistenz-Systeme bis hin zum vollautomatisierten Fahren bedingt komplett neue Herangehensweisen und Ansätze in der Entwicklung und Absicherung entsprechender Systeme. Traditionelle Ingenieursmethoden und rein analytische Ansätze sind hier nicht mehr ausreichend.

Die Firma ANDATA hat hierfür einen Systementwicklungsansatz für die Entwicklung, Spezifikation, Bewertung und Absicherung formuliert und mit Hilfe von MATLAB® mit den passenden Erweiterungen und Toolboxen umgesetzt. Technologisch verbirgt sich dahinter eine geschickte Kombination von Szenario-basierten Ansätzen mit mehrstufig stochastischer Simulation, konsequenter Nutzung der Vorteile von Machine-Learning-Verfahren und einem entsprechenden Funktionsarchitektur-Modell, welches auch in Stateflow®/Simulink® abgebildet ist.

In diesem Vortrag werden anhand konkreter Beispiele die Entwicklungsschritte exemplarisch dargestellt. Dazu gehören u.a.

  • Die Erstellung umfassender Szenario-Datenbanken und automatisierte Szenen-Simulation (Versuchsplanung)
  • Anomalie- und Störungserkennung zur Plausibilisierung und qualitativen Absicherung der Daten
  • Kombinierte Relevanz-Analyse aus empirischen Daten
  • Spezifikation der Soll-Aktionen
  • Numerische Identifikation von Anforderungskonflikten
  • Training und Validierung von Funktionsprototypen und Virtuellen Sensoren mit Machine Learning Modellen
  • Interaktive Funktionsbewertung und Funktionsapplikation (MATLAB mit Parallel Computing und GPU)
  • Funktionsimplementierung

Der dargestellte Entwicklungsprozess wurde bereits mehrfach erfolgreich auch an anderen Systementwicklungen für unterschiedliche Applikationen angewendet. Beispielsweise wurde so auch die komplette Steuerungsalgorithmik von frei navigierenden AGV (Automated Guided Vehicles) in Rekordzeit umgesetzt.

Dr. Andreas Kuhn,
CTO, ANDATA, Hallein, Österreich

Automatisiertes Fahren: Entwurf und Verifikation von Wahrnehmungssysteme

14:30–14:45

Systeme für automatisiertes Fahren erfassen die Umgebung mit Sensoren (wie Kameras, Radar und Lidar) und steuern dynamisch Fahreraufgaben (Steuern, Bremsen und Beschleunigung). Diese automatisierten Systeme reichen von Fahrerassistenzsystemen (Advanced Driver Assistance Systems (ADAS)) bis hin zu komplett selbständigen Systemen. In dieser Präsentation wird an Beispielen gezeigt, wie MATLAB® bei Entwicklungsaufgaben helfen kann:

  • Ground truth labelling-Aufgaben für deep learning
  • Design von “sensor fusion and tracking”-Algorithmen basierend auf aufgezeichneten Sensordaten
  • Verifikation von Algorithmen durch synthetische Daten und generierte Verkehrsszenarien
Anders Sollander,
Principal Consultant,
MathWorks

IRT-Buggy – eine Plattform für autonome Navigation für Forschung und Lehre

14:45–15:15

Das Institut für Regelungstechnik der RWTH Aachen University (IRT) hat in den letzten Jahren ein Versuchsfahrzeug aufgebaut, welches aufgrund seiner kleinen Größe ideal für Rapid Contol Prototyping in Forschung und Lehre geeignet ist. Der sogenannten IRT-Buggy verfügt über zwei individuell ansteuerbare Antriebsmotoren an der Hinterachse, sowie über individuell steuerbare Vorderräder.

Neben den Antriebs- und Lenkaktoren verfügt der Buggy über die notwendigen Sensoren zur Bestimmung von Drehzahlen, Drehraten, Beschleunigung, Geschwindigkeit, Position (Satellitennavigationsempfänger) und weiterer Messwerte. Aktoren und Sensoren kommunizieren mittels CAN-Bus mit der Basisregelung, die in MATLAB®/Simulink® programmiert ist und auf einem TI C2000 Mikrocontroller ausgeführt wird. Diese Basisregelung ermöglicht ein Fahren des Fahrzeuges über eine Fernsteuerung oder durch einen weiteren übergeordneten Regler, der über den CAN-Bus Geschwindigkeitsvorgaben, Stromvorgaben, Lenkwinkel und andere Sollwerte vorgeben kann. Diese werden dann von der Basisregelung eingeregelt. Der übergeordnete Regler ist ebenfalls in MATLAB/Simulink programmiert und wird auf einem xPC Target ausgeführt.

Es gibt viele unterschiedliche Ausprägungen des übergeordneten Reglers, der auf einzelne Anwendungen zugeschnitten ist. Einige davon sind:

  • Adaptive Cruise Control (ACC) – Fahrzeuglängsregelung
  • Autonome Erkundung und Kartierung der Umgebung mittels SLAM
  • Autonomes Abfahren einer hinterlegten Karte – Fahrzeugquerregelung
Andreas Trzuskowsky,
wissenschaftlicher Mitarbeiter am Institut für Regelungstechnik RWTH Aachen

Simulation von Multikopter-Systemen für die effiziente Entwicklung neuer Steuerungs- und Regelungsalgorithmen

15:15–15:45

In der aktuellen Produktpalette von AscTec/Intel findet sich die komplette Bandbreite aktueller Multikopter-Technologie. Hierbei sind von der sehr kleinen und leichten Entertainment-Drohne ShootingStar über das Inspektionssystem Falcon 8+ bis zum bemannten Volocopter Flugsysteme mit extrem unterschiedlichen physikalischen Eigenschaften vertreten.

Zur effizienten Entwicklung und dem Test neuer Algorithmen im Bereich Steuerung, Regelung und Zustandsschätzung für alle diese Systeme bedarf es daher einer modularen Systemsimulation, in der die Flugdynamik der verschiedenen Flugsysteme sowie diverse Umwelteffekte mit ausreichender Genauigkeit abgebildet werden. So können mit Hilfe dieser Simulation Algorithmen getestet werden, die dann im Testflug bereits von Beginn an mit hohem Vertrauen ein vorhersehbares, gewünschtes Flugverhalten aufweisen. Gerade in der Entwicklung komplexer modellbasierter nichtlinearer Regler ist das effiziente Testen und Debugging in der Simulation unerlässlich, um schnell zu einer stabilen Lösung zu konvergieren.

In dieser Präsentation geben wir einen Einblick in die Nutzung von MATLAB®/Simulink® im Entwicklungsprozess bei AscTec/Intel. Als Beispiel dient eine Simulation der Flugdynamik und zum Test von Steuerungs- und Regelungsalgorithmen.

Jan Vervoorst,
Electronics Engineer,
Ascending Technologies - Intel

Übersteuerns eines PKW erlernen durch Machine Learning

16:15–16:45

Durch die immer weiter wachsenden Mengen sowohl von neuen Messdaten wie auch von archivierten Datenbeständen besteht das große Interesse, Messungen automatisch auswerten zu können und Modelle daraus abzuleiten. In diesem Vortrag zeigen wir die automatische Klassifizierung von Fahrzeugdaten, die aus verschiedenen Fahrmanövern resultieren, mit dem Ziel die Übersteuerung eines Fahrzeugs vorhersagen zu können.

In diesem Projekt soll ein Vergleich zwischen einer klassischen Implementierung und dem Machine Learning Ansatz hergestellt werden. Bis dato wurden im klassischen Sinne gewisse Schwellen definiert, welche beim Überschreiten dieser Schwelle ein Übersteuern signalisieren sollen. Zum Teil gibt es auch geschwindigkeitsabhängige Schwellen, die durch langjährige Erfahrung bestimmt wurden.

Es stellte sich also auch konkret die Frage, wie gut und wie schnell Messungen mit Machine Learning Verfahren gekennzeichnet werden können. Mit Fokus auf die konkrete Fahrsituation des Übersteuerns wurde ein Modell auf der Basis eines Klassifikationsalgorithmus der Statistics and Machine Learning Toolbox trainiert. Für die zum Trainieren verwendeten Datensätze liegt die Vorhersagegenauigkeit des Modells bei über 95%. Im nächsten Schritt wird dieses Modell dann auf neue Datensätze angewandt. Die ersten Auswertungen zeigen vielversprechende Ergebnisse.

Durch den von MathWorks empfohlenen Workflow konnten wir bereits nach drei bis vier Wochen die ersten Modelle generieren, welche eine Trefferquote von über 90% erreichten.

Tobias Freudling,
Entwicklungsingenieur,
BMW AG

Machine Learning auf Big Data – praktische Programmierkonzepte in MATLAB

16:45–17:00

MathWorks Ziel ist es, MATLAB® als das einfachste und produktivste Werkzeug für die Arbeit mit großen Datensätzen zu entwickeln. In dieser Präsentation erfahren Sie, wie Sie Techniken des maschinellen Lernens auf verteilt gespeicherte Datensätze anwenden können. Dabei stellen wir Ihnen MATLAB Tall-Tabellen und -Matrizen als neue MATLAB Datentypen im Bereich Big Data vor. Diese Applikationen können verteilt auf Computer-Clustern oder lokal auf mehreren Kerne ausgeführt werden.

Dmytro Martynenko,
Applikationsingenieur,
MathWorks

Automatische Klassifizierung von Knusprigkeit durch Integration von mechanischen und akustischen Sensordaten

17:00–17:30

Die Knusprigkeit von Snacks ist ein bedeutender Qualitätsmerkmal, das von der Lebensmittelindustrie optimiert und kontrolliert wird. Instrumentelle Messmethoden sollen dabei helfen, menschliche, sensorische Analysen zu verstehen, um die Produktentwicklung zu unterstützen. Außerdem sollen Qualitätskontrollen in die Produktion automatisiert werden, um Zeit und Kosten zu sparen. Knusprigkeit ist ein komplexes sensorisches Attribut, das aus einer multisensorischen Kombination an Stimuli im Hirn resultiert, was die instrumentelle Messung zu einer Herausforderung macht. Besonders wichtig sind mechanische und akustische Eindrücke während des Kauens von Lebensmitteln.

Die Texturanalyse von Lebensmitteln misst Kräfte und Geräusche während Zerstörungstests. Das Problem bleibt noch, bedeutende Charakteristiken aus den Rohsignalen zu extrahieren und diese für statistische Korrelationen mit menschliche, sensorische Bewertungen und für die Klassifizierung von Proben in Qualitätsgruppen effektiv auszunutzen. Einzelne Merkmale reichen oft nicht aus. Zudem gibt es in der Zeit der Industrie 4.0 hochmoderne Hard- und Software, die das Messen, Speichern und Analysieren von vielen Daten ermöglicht. In der vorliegenden Arbeit konnte ein Algorithmus zur automatischen Klassifizierung von Erdnussflips unterschiedlicher Feuchtigkeitsstufen in 6 Frische-/Knusprigkeitsgruppen entwickelt werden. Die Knuspergeräusche wurden erst durch ein trainiertes Sensorikpanel und ein Verbraucherpanel bewertet. Bis zu 68 temporale und spektrale Merkmale wurden aus ca. 100 mechanischen und akustischen Signalen pro Feuchtigkeitsstufe mithilfe der Signal Processing Toolbox™ charakterisiert. Dann wurden die Merkmale einzeln interpretiert, statistisch aussortiert und anschließend in unterschiedliche Kombinationen zum Training und zur Klassifizierung mit der Statistics and Machine Learning Toolbox™ getestet. Quadratische „support vector machines“ (SVM) Klassifizierungsalgorithmen wurden mit der Classification Learner App als beste Methode auserwählt. Neuronale Netzwerke wurden auch erfolgreich mit der Neural Net Pattern Recognition App implementiert. Sehr hohe Klassifizierungsgenauigkeiten wurden für jede Feuchtigkeitsstufe erreicht. Auch mit bisherigen, etablierten Methoden noch nicht differenzierbaren Proben, die aber von Menschen signifikant unterschieden wurden konnten so diskriminiert werden. Bis 92 % Gesamtgenauigkeit wurde für das SVM Model (evaluiert auf 20 % Testproben) erreicht. Dieses Model ermöglicht eine zuversichtliche Einschätzung der Qualität von neuen Proben durch wenige Messungen für die routinemäßige Qualitätskontrollen.

Dipl.-Ing. Solange Sanahuja,
Lehrstuhl für Systemverfahrenstechnik,
Technische Universität München

Klassifizierung von individuellem Fahrverhalten

17:30–18:00

Fahrerassistenzsysteme übernehmen zunehmend die Fahrsteuerung in regulären Fahrsituationen. Diese schlagen dem Fahrer z.B. die optimale Zielnavigation vor, sorgen für mehr Fahrkomfort und erhöhen die Fahrsicherheit. Die hierzu verwendeten Systeme und Sensoren können auch genutzt werden, um das Fahrverhalten des Fahrers zu lernen. Dadurch könnten die Fahrerassistenzsysteme individuell auf den Fahrer ausgerichtet werden. Der telematische Fingerabdruck ist auch ein aktuelles Thema für Versicherungen, die zunehmend auf individuelle „pay-as-you-drive“ Versicherungskonzepte setzen. Es wird eine Methode dargestellt, die es ermöglicht, unterschiedliche Fahrer an Hand von geloggten CANBUS Daten zu identifizieren. Zur Validierung des Ansatzes wurde ein Datensatz analysiert, der von der VW Data Lab Flotte zusammengetragen wurde. Die Fahrzeuge sind mit Datenloggern ausgestattet, welche kontinuierlich Signaldaten an einen Server senden.

Für die Analyse wurden Variablen extrahiert und berechnet, die möglichst unabhängig von Umfeldbedingungen sind, um sicher zu stellen, dass das individuelle Fahrverhalten und nicht die Fahrsituation vom Algorithmus gelernt wird. Es wurden unterschiedliche Classifier implementiert. Die besten Ergebnissen lieferte die AdaBoost Methode, welche mit einer Genauigkeit von 69% den tatsächlichen Fahrer, aus einem Set von 30 Fahrten von 7 unterschiedlichen Fahrern, richtig klassifiziert.

Julia Fumbarev,
Data Scientist,
Volkswagen AG

Automatisierung von Laborequipment mit MATLAB – eine objektorientierte Lösung

16:15–16:45

Bei Messaufgaben in Laboren entsteht sehr schnell der Wunsch nach einer einfachen und praktikablen Automatisierungslösung für alle Mess- und Prüfaufbauten. Bisher führte dies zu Insellösungen, die für die aktuell gewählten Messgeräte und Automatisierungsansätze zwar gute Ergebnisse hervorbrachte, jedoch nicht einfach auf andere Aufbauten übertragen werden konnten. Zudem wurden bestehende Implementierungen selten wiederverwendet.

Um diese Situation zu verbessern, wurde ein Konzept erarbeitet, das folgende Punkte mittels eines objektorientierten Ansatzes umsetzt:

  • Umsetzung einer schnittstellenunabhängigen Geräteklasse (Oszilloskop, Multimeter usw.)
  • Definition eines Standard-Interface für alle Geräte- und Kommunikationsklassen
  • Flexibilität bei der Wahl der physikalischen Schnittstelle
  • Wiederverwendung von Codeanteilen

Im Folgenden wird die Umsetzung obiger Anforderungen skizziert.

Geräteklasse: Die Geräteklasse enthält Methoden zur Bedienung des Geräts. Sie nutzen das Standard-Interface um mit dem jeweiligen Gerät zu kommunizieren. Geräte gleicher Funktionalität werden in Gruppen gebündelt (z.B. Netzteile verschiedener Leistungsklassen). Für diese wird eine Gruppenklasse definiert die ihre Funktionalität an die verschiedenen Ausprägungen vererbt.

Standard-Interface: Das Standard-Interface schafft eine definierte Schnittstelle von den Geräteklassen zu den Klassen der physikalischen Schnittstellen. Die Schnittstelle wird in einer abstrakten Klasse „Connection“ definiert.

Physikalische Schnittstelle: Klassen der physikalischen Schnittstelle (z.B. GPIB, LAN, USB) setzen eine bestimmte physikalische Schnittstelle auf das in der „Connection“-Klasse definierte Interface um.

Wiederverwendung: Die Verwaltung des Codes erfolgt in einem GIT-Projekt, das eine Historie der Änderungen aufzeichnet. Somit kann ein schneller, direkter Informationsaustausch zwischen den Anwendern erfolgen. Durch die GIT-Integration in den MATLAB-Explorer kann all dies aus MATLAB® heraus geschehen.

Durch das objektorientierte Automatisierungskonzept auf MATLAB-Basis ist es uns gelungen die Wiederverwendbarkeit von Automatisierungscode und somit die Produktivität bei der Automatisierung von Messaufgaben deutlich zu steigern. Durch den gewählten Ansatz kann ein und dasselbe Messgerät über verschiedene Schnittstellen angesprochen werden, ohne dass die eigentlichen Automatisierungsskripte angepasst werden müssen. In Kombination mit einer Versionsverwaltung entsteht ein sich selbst entwickelnder Mikrokosmos.

Hauke Nannen,
Siemens AG

Entwicklung und Deployment von Analysen für IoT Systeme

16:45–17:00

Die Entwicklung eines IoT-Systems beinhaltet Embedded-Programmierung und Cloud-basierte Analysen. Mithilfe von MathWorks-Tools können Algorithmen auf Smart Embedded-Geräten bereit gestellt, Daten in der Cloud erfasst und analysiert sowie Prädikitionsalgorithmen erstellt werden.

Antje Dittmer,
Consulting Services,
MathWorks

Single Sweep Analyse von BERA-Messungen mit MATLAB

17:00–17:30

Bei Fragen nach dem objektiven Hörvermögen beschränkt sich die medizinische Diagnostik hauptsächlich auf die Registrierung von otoakustischen Emissionen und auf die Messung der frühen akustisch evozierten Potentiale (BERA - Brainstem Evoked Response Audiometry) Bei diesen BERA-Messungen werden über Kopfhörer akustische Reize appliziert und die Hörnervantwort über Elektroden abgeleitet. Dabei ist es oftmals keine Seltenheit, dass über 2.000 Einzelmessungen (Single Sweeps) durchgeführt werden müssen, um aus dem gemittelten Signal eine verwertbare Kurve zu erhalten. Bei dieser Mittelungstechnik gehen jedoch nützliche Informationen über die neuronale Reizverarbeitung verloren.

Demgegenüber setzt sich seit einigen Jahren immer mehr die Single Sweep Analyse der Messdaten durch. Bei dieser werden die Einzelmessungen (Sweeps) selber einer Signalverarbeitung unterzogen und auch die Unterschiede von Sweep zu Sweep analysiert.

Der Vortrag umfasst typische Schritte einer solchen Signalverarbeitung unter MATLAB® für BERA-Messungen. Bedingt durch die Ableittechnik werden bei der Registrierung von BERA-Signalen neben dem akustisch evozierten EEG-Potential (im Bereich 40 nV bis 300 nV) auch das Elektrokardiogramm (im Bereich von 20µV) erfasst. Ferner gibt es auch Störungen, die durch den Messaufbau bedingt sind.

Beschrieben werden MATLAB-basierte Algorithmen, die zum einen das an Mäusen gemessene BERA-Rohsignal vom EKG-Anteil trennen und zum anderen ein Maß einer evtl. Plastizität im evozierten Potential beschreiben. Die Autoren erhoffen sich mit dieser Anwendung frühzeitig Pathomechanismen zu erkennen, um die Auswirkungen von Krankheitsbildern besser zu erfassen.

Mustererkennung und Klassifikation unter Nutzung von Vorverarbeitungsstrategien sind Begriffe, die für MATLAB-Nutzer aus fast allen Anwendungsgebieten interessant sind. Bei der Umsetzung in MATLAB-Code wird auch auf die Vorteile vektorisierter Anweisungen für effizienten Code eingegangen.

Prof. Dr. Patrick Metzler,
HS Rhein Main

NMR-Spektroskopie mithilfe von MATLAB auf dem Weg in die Routineanalytik

17:30–18:00

Für die amtliche Lebensmittelüberwachung ist es wichtig, chemische Bestandteile zu identifizieren und deren Konzentrationen zu bestimmen. Beispielsweise stehen in der Getränkeanalytik eine Reihe verschiedener Analysemethoden zur Verfügung: Glucose und Saccharose lassen sich enzymatisch erfassen, flüchtige Bestandteile wie höhere Alkohole können mittels der Gaschromatographie analysiert werden und Säuren können mittels Titration quantifiziert werden. Für Zusatzstoffe wie Süßstoffe oder Konservierungsstoffe werden flüssigchromatographische (HPLC) Verfahren durchgeführt. Durch die Kombination all dieser Analysen kann somit eine vollumfängliche Charakterisierung eines Produkts durchgeführt werden, welche jedoch zeitaufwendig und ressourcenintensiv ist. Als Alternative kann mit Hilfe der NMR-Spektroskopie (Nuclear Magnetic Resonance) durch eine einzige, zeitsparende Messung das komplette Spektrum organischer Substanzen erfasst und quantifiziert werden. Für die amtliche Überwachung ermöglicht dies die Untersuchung einer größeren Anzahl von Proben und somit eine deutlich verbesserte Untersuchungstiefe auf dem Markt befindlicher Produkte.

Die Auswertung von NMR-Spektren ist jedoch nicht trivial und erfordert zumeist vertieftes, fachliches Wissen. Mit der Implementierung einer automatischen Spektrenanalyse mittels MATLAB® ist ein entscheidender Schritt gelungen, die NMR-Spektroskopie ökonomisch und praxistauglich für die Routineuntersuchung zu gestalten. MATLAB erledigt hierbei alle Schritte von der Bearbeitung der spektralen Daten über die Integration bis hin zur vollständigen Quantifizierung der Analyten; Schritte, die ansonsten manuell durch eine geschulte Fachkraft erledigt werden müssen.

Durch die Kombination von eindimensionalen mit zweidimensionalen NMR-Daten und deren automatischer Auswertung konnten zudem diese Auswerteroutinen noch robuster und effektiver gestalten werden, und sind somit zukunftssicher auf andere Projekte anzuwenden.

Die Verknüpfung der NMR-Spektroskopie mit einer automatischen MATLAB-Messdatenauswertung liefert in der Routineauswertung von NMR Spektren auf effektive Weise verlässliche und gesicherte Daten bei optimalem Zeit- und Personalaufwand.

Thomas Hausler,
CVUA Karlsruhe

Modellbasierte Systementwicklung für Smarte Sensoren

16:15–16:45

Das Internet der Dinge (IoT) und die Integration weiterer Funktionen in Smartphones erfordern Sensoren, die die gemessenen Rohdaten autonom vorverarbeiten. Die Ergebnisse werden dann für den Applikationsprozessor bereitgehalten. Für die Hersteller von Sensoren, wie Infineon, ergeben sich zwei Herausforderungen: eine gestiegene Komplexität der Systeme bei immer schneller werdenden Entwicklungszyklen. Wir werden Ihnen demonstrieren, wie wir aus MATLAB®/Simulink®/Stateflow® Modellen verschiedene Aspekte der Firmware, wie etwa Zustandsautomaten oder Berechnungen, synthetisieren und so die Systementwicklung smarter Sensoren massiv beschleunigen. Neben den abstrakten Modellen und der Codegenerierung, erfährt die Behandlung der Umwandlung der Berechnungen von Fließkommaarithmetik zur festen Arithmetik besonderes Augenmerk.

Benjamin Schwabe, Dr.,
Infineon

Automatisches Erkennen von Sicherheitslücken mit Polyspace

16:45–17:00

Moderne Embedded Systeme werden aufgrund Ihrer Vernetzung und diverser Kommunikationsschnittstellen zunehmend Bedrohungen der Cyber-Security ausgesetzt. Dabei geht es Angreifern um die gezielte Informationsbeschaffung oder Manipulation eines Systems.

Erfahren Sie in dieser Präsentation:

  • wie Sicherheitslücken Ihrer Embedded Systeme entstehen,
  • welche Risiken damit verbunden sind,
  • wie Sie diese mit wenig Aufwand finden und beseitigen können
Christian Guss,
Application Engineer,
MathWorks

Entwicklung war noch nie so einfach: Model-Based Design für medizintechnische Anwendungen

17:00–17:30

Wir beschreiben den Model-Based Design Ansatz mit MATLAB®/Simulink® am Beispiel der Entwicklung einer neuen Generation eines medizinischen Messgerätes. Dabei gehen wir vor allem auf die Unterschiede zum herkömmlichen Entwicklungsprozess ein und zeigen, welche Vorteile sich aus dem Model-Based Design Ansatz ergeben.

Für die neue Generation eines medizinischen Messgerätes wurde ein neuartiger Messalgorithmus vollständig in MATLAB und Simulink entwickelt und implementiert. Für die Übertragung auf den Embedded-Prozessor des eigentlichen Messgerätes und für die Integration in dessen bestehende Firmware wurde die automatische Code-Generierung des Simulink-Coders genutzt. Dieser Ansatz vermeidet die Übergabe komplexer Spezifikation zwischen Algorithmen- und Firmware-Entwicklung und reduziert daher Aufwand und Fehleranfälligkeit. Zudem erlaubt er Algorithmen-Anpassungen und Performance Tests auf der Hardware von Prototypsystemen direkt durch den Entwickler und führt so zu effektiven und schnellen Überarbeitungszyklen. Der Simulink Report Generator™ und die Simulink Test™ erlauben zudem einen großen Teil der Dokumentation der Implementierungsdetails und der Test-Definitionen direkt während der Algorithmen-Entwicklung zu erstellen.

Der Model-Based Design Ansatz hilft uns komplexe Algorithmen auf einfache Weise zu implementieren, wodurch Abläufe vereinfacht und Fehler vermieden werden. Der Ansatz erlaubt die Fokussierung der Entwickler auf ihre Kern-Arbeitsgebiete, wodurch - nicht zuletzt - auch die Kreativität gefördert und die Freude am Entwickeln erhöht wird.

Dr. Momme Winkelnkemper,
Ingenieurbüro Dr. Türck

Entwicklung von medizinischen Algorithmen für die Kardiologie mit Hilfe von Simulink und Modell-basiertem Design

17:30–18:00

Die demographische Entwicklung in den westlichen Industrieländern zeigt, wie wichtig smarte Lösungen für komplexe Aufgaben in der Gesundheitsbranche sind. Herz-Kreislauf Erkrankungen sind schon heute die häufigste Todesursache in Deutschland. Das Elektrokardiogramm (EKG) ist die zentrale Untersuchungsmethode für die Diagnostik und die Überwachung von Patienten mit Herz-Kreislauf-Erkrankungen, Herzrhythmusstörungen, oder chronischer Herzinsuffizienz. Solche Medizingeräte haben oft komplexe Diagnose-Algorithmen, die für bestimmte Hardware maßgeschneidert und nach klassischen Entwicklungsmethoden, manuell und sehr aufwendig, erstellt und getestet sind.

Diese Arbeit zeigt die Entwicklung eines Systems für die Aufnahme, Auswertung und automatische Diagnose verschiedener Arten von EKGs für unterschiedliche kardiologische Untersuchungen und Einsätze, wie konventionelle Ruhe-EKG Diagnose, Langzeit-EKG klinische- oder Heim- Überwachung, Belastungs-EKG Diagnose und Notfall EKG Diagnose. Das System besteht aus einer analogen EKG Front-End Hardware, einem ADC, einem eingebetteten System das mit dem EKG Front-End und der Simulink® Umgebung verbunden ist, und einer Reihe von Diagnose Algorithmen die auf dem eingebetteten System, teilweise in Echtzeit, laufen sollen. Diese fortgeschrittenen Algorithmen sind in Simulink generisch modelliert, simuliert, spezifiziert, IEC-62304-konform entwickelt und kontinuierlich getestet worden. Mit Hilfe von HIL Tests und in Rahmen von Rapid Prototyping wurden diese auch zusammen mit der Hardware getestet. Nach ausführlichen Validierungs- und Verifizierungsschritten, sowohl auf Modell- als auch auf Code Ebene, sind die Algorithmen als Production-Code auf das System final importiert und integriert worden.

Simulink ist eine hervorragende Entwicklungsumgebung für die Modell-basierte Entwicklung von komplexen Medizingeräten. Anstelle klassischer Entwicklungsmethoden eröffnet Simulink den Herstellern neue Wege, womit funktionale Änderungen im System ohne aufwendiges Re-Design schnell und einfach umgesetzt werden können. Mithilfe von Simulation werden Modellierungsfehler und Abweichungen von der Spezifikation sehr frühzeitig im Entwicklungsprozess erkannt. Im Vergleich zur manuellen Programmierung senkt eine automatische Codegenerierung den Entwicklungsaufwand und beschleunigt die Entwicklung und somit die Markteinführung. Darüber hinaus läßt sich Simulink effektiv für IEC-62304-konforme Softwareentwicklung einsetzen.

Antoun Khawaja, Dr.,
KhawajaHealth

Embedded Rapid Prototyping für Microchip Mikrocontroller im automotive Bereich inklusive zertifizierter CAN/LIN-Kommunikation

16:15–16:45

HIGH END RAPID PROTOTYPING: Um die hohen Anforderungen der Industrie in Bezug auf optimierte, effiziente Hochleistungs-Motoranwendungen zu bedienen, bietet Microchip eine „Rapid Prototyping“ Lösung basierend auf MATLAB®/Simulink® an, welche die Entwicklung einer kompletten Motorregelungslösung in Simulink ermöglicht. Für die Simulation in der Simulink Umgebung liefert Microchip hierfür optimierte motorspezifische Algorithmusblöcke (z.B. Clark- / Park Transformation, PIRegler) und optional Motormodelle für PMSM-Motoren, sodass eine komplette Motorregelung inkl. Regelstrecke sehr einfach aufgebaut werden kann. Mit Hilfe des "Microchip Embedded Target for dsPIC" und den MathWorks Coder Produkten kann dann nach erfolgreicher Simulation per Knopfdruck in Simulink der Regelalgorithmus in ein compilierbares embedded C Projekt übersetzt werden, das mit dem XC16 Compiler übersetzt und direkt aus Simulink über ein Microchip Programmiergerät (PICKit3, ICD3 oder RealICE) in die Zielplattform geladen wird. Um die Applikation im realen automotiven Umfeld testen zu können sind auch Kommunikationsbusanbindungen wie z.B. CAN oder LIN verfügbar. Die Verifizierung des entwickelten Algorithmus erfolgt über einen schnellen Kommunikationskanal für Debuggingzwecke, mit dem die Daten von der Zielplattform in MATLAB visualisiert und weiterverarbeitet werden können.

Christoph Baumgartner,
Microchip Technology Austria GmbH

Besser als Handcode – Automatische Generierung von hochoptimiertem C-Code mit dem Simulink und Embedded Coder

16:45–17:00

In den letzten Releases wurden neue Features hinzugefügt, die die Effizienz des generierten C-Codes um 10%, 20% und in einzelnen Fällen sogar bis zu 50% verbessert haben. Überraschend ist, dass einige dieser Features nicht im Embedded Coder®, sondern bereits in den Produkten enthalten sind, die für den Algorithmus-Entwurf, das Datenmanagement und die Verifikation verwendet werden.

Diese Präsentation zeigt, wie diese neuen Features in der Simulink® Produktfamilie verwendet werden um hochoptimalen Code zu erzeugen.

Lars Krause,
Applikationsingenieur,
MathWorks

Solar Impulse: Erste erfolgreiche Weltumrundung mit einem Solarflugzeug

17:00–17:30

Solar Impulse ist das erste Flugzeug welches Dank der Energie der Sonne Tag und Nacht dauerhaft fliegt. Ein Projekt und Symbol mit welchem Bertrand Piccard, André Borschberg und ihr Team gezeigt haben, dass die Kombination von Pioniergeist, Innovation und saubere Technologien eine bessere, nachhaltigere Zukunft ermöglicht.

Die erste Hälfte der Weltumrundung führte 2015 in acht Etappen vom Startpunkt Abu Dhabi bis zum Zwischenstopp nach Hawaii, samt längstem Soloflug der Geschichte Nagoya–Hawaii.

Die erfolgreiche Fortsetzung in 2016 führte dann von Hawaii zurück nach Abu Dhabi in 9 Etappen.

In dieser Präsentation werden einige der einzigartigen technischen und menschlichen Herausforderungen aufgezeigt welche beim Flugzeugentwurf, der Entwicklung und der Durchführung der Weltumrundung mit Hilfe verschiedener MathWorks Tools erfolgreich bewältigt wurden.

Ralph Paul,
Head of Flight Test and Dynamics,
Solar Impulse

ErrorSim: Ein Simulator für die Fehlerfortpflanzungsanalyse in Steuerungssystemen basierend auf Simulink

17:00–17:30

Die TU Dresden hat einen neuen, kompakten Simulator für die Fehlerfortpflanzungsanalyse in Simulink®-Modellen entwickelt. Der Simulator ist in der MATLAB® Sprache programmiert und interagiert über Callback-Funktionen einzelner Blöcke mit dem Simulink Modell. Das Tool erlaubt einem Benutzer verschiedene Arten von Fehlern, die typisch für eingebettete Steuerungssysteme sind, zu injizieren und die Auswirkung auf kritische Systemkomponenten oder Ausgänge zu analysieren. Der Arbeitsablauf des Tools besteht aus vier Schritten: (i) Markieren fehlerhafter Blöcke, (ii) Markieren kritischer Blöcke, (iii) Konfigurieren und Ausführen der Simulation und (iv) Beobachten und analysieren der Ergebnisse. Über eine grafische Benutzeroberfläche können Simulationen häufig vorkommender Fehler, wie Hardwarefehler (z.B. Einzel- und Mehrfach-Bit-Flips), Sensorfehler (z.B. Offsets, "Stuck-at"-Fehler und Oszillationen) sowie Netzwerkfehler (z.B. Verzögerungen und Paketverluste) gestartet werden. Das Auftreten der Fehler kann mittels Zuverlässigkeitsmetriken (z.B. MTTF: Mean Time To Failure und MTTR: Mean Time To Repair) oder Ausfallraten definiert werden, die entweder mit klassischen Verteilungen (Gleich~, Normal~, Exponential~, Weibull~ usw.) oder benutzerdefinierten Verteilungen spezifiziert sind. Die Fehlererkennung in den ausgewählten kritischen Blöcken wird mit benutzerdefinierten festen oder variablen Schwellwerten und logischen Ausdrücken implementiert. Die Ergebnisse der Analyse können auf verschiedene Weise ausgegeben werden, z. B. als mittlere Anzahl von Fehlern, als die Wahrscheinlichkeit mindestens eines Fehlers während der Ausführung, als MTTF oder Ausfallrate. Das Tool generiert automatisch Berichte, die Standardmethoden für die Zuverlässigkeitsanalyse wie wie FTA (Fault Tree Analysis) und FMEA (Failure Mode and Effects Analysis) numerisch unterstützen können.

Dr. Ing. Andrey Morozov,
TU Dresden

Networking auch Online:

Folgen Sie dem Hashtag #MATLABEXPO auf Twitter.