Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Poclain Hydraulics entwickelt Softsensoren, um die Motortemperatur mithilfe von Deep Learning und Kalman-Filtern in Echtzeit zu messen
„Wir haben zwei neuronale Netze gefunden, die bereits in MATLAB implementiert sind, und mit diesen neuronalen Netzen konnten wir die Codes in die Hardware einbetten, um die Temperatur in Echtzeit vorherzusagen.“
Wichtigste Ergebnisse
- MATLAB beschleunigte das Testen mit vortrainierten neuronalen Netzwerken
- Simulink ermöglichte das Testen eines vereinfachten, erweiterten Kalman-Filters
- MATLAB ermöglichte die Codegenerierung in mehreren Sprachen, darunter C und C++
Poclain Hydraulics ist ein weltweit führendes Unternehmen in der Entwicklung hydrostatischer Getriebe und Motoren, die Maschinen in Branchen wie dem Baugewerbe, der Landwirtschaft und dem Bergbau antreiben. Diese Motoren erzeugen Strom, indem sie hydraulische Energie in mechanische Energie umwandeln, was zu einer Erhöhung der Motortemperatur und möglicherweise zu Ausfällen führen kann.
Poclain Hydraulics verwendete MATLAB® und Simulink®, um einen Softsensor zu entwickeln, der entweder einen Deep-Learning- oder einen Kalman-Filter-Ansatz verwendet, um die Motortemperatur in Echtzeit zu überwachen. Um erfolgreich zu sein, muss ein Deep-Learning- oder erweitertes Kalman-Filter-Modell die Belastungshistorie des Motors und Umgebungsfaktoren wie die Außentemperatur berücksichtigen. Der Hauptnachteil eines neuronalen Netzwerkansatzes im Vergleich zum Kalman-Filter war die mangelnde Erklärbarkeit, die in diesem Fall nicht als Problem angesehen wurde.
Das Team implementierte einen vollständigen KI-Industrialisierungsprozess, beginnend mit der Datenextraktion und -randomisierung, gefolgt von Training, Test und Validierung neuronaler Netzwerke und schließlich der Bereitstellung auf ihrer Hardware. MATLAB und Simulink erleichterten den Industrialisierungsprozess, indem sie die Generierung von C oder C++ Code, Tests vor der Bereitstellung und die Verwaltung großer Datensätze ermöglichten. Um den Prozess zu beschleunigen, nutzte das Team außerdem die in MATLAB verfügbaren vortrainierten neuronalen Netzwerke.
Im Rahmen des Industrialisierungsprozesses verwendete Poclain Hydraulics MATLAB und Simulink, um durch die Erstellung und Simulation eines physikbasierten Modells des Motors Daten zu generieren. Sie konnten Experimente zur Datengenerierung entwerfen, verschiedene Motorparameter wie Druck, Drehzahl, Zeit und Risikofaktoren testen und die Ergebnisse der Experimente verwalten.