Enthält Simscape Battery sowie Updates zur Vereinfachung und Automatisierung von Model-Based Design
MathWorks hat heute Release 2022b (R2022b) der MATLAB®– und Simulink®-Produktfamilien vorgestellt. Mit R2022b werden zwei neue Produkte sowie etliche verbesserte Funktionen eingeführt, die Model-Based Design für Ingenieure und Wissenschaftler vereinfachen und automatisieren, damit diese Produktinnovationen und bahnbrechende Ideen für ihre Organisationen entwickeln können.
Der Gesamtwert des weltweiten Marktes für Batteriemanagementsysteme soll bis 2026 13,4 Milliarden US-Dollar erreichen. Bloomberg New Energy Finance erklärt, dass dieser Anstieg größtenteils auf das Wachstum des Marktes für Elektrofahrzeuge (EV) zurückzuführen ist. Der jüngste Bericht des Unternehmens zeigt, dass Elektrofahrzeuge bis 2040 58 % der weltweiten Pkw-Verkäufe ausmachen werden. Simscape Battery™, eine der Top-Innovationen, die mit R2022b eingeführt werden, stellt Unternehmen, die solche Batteriesysteme entwickeln, Entwicklungstools und parametrierte Modelle zur Verfügung.
Ingenieure und Wissenschaftler verwenden Simscape Battery zur Erstellung digitaler Zwillinge, für virtuelle Tests der Architekturen von Akkupacks, zur Entwicklung von Batteriemanagementsystemen und zur Beurteilung des Verhaltens von Batteriesystemen unter Normalbedingungen und im Störungsfall. Darüber hinaus automatisiert das Tool die Erstellung von Simulationsmodellen, die der Topologie der gewünschten Akkupacks entsprechen, und enthält Kühlplattenanschlüsse zur Bewertung der elektrischen und thermischen Reaktionen.
„Die Landschaft der Batteriemanagementsysteme ist derzeit innovativer denn je und wir freuen uns sehr, Simscape Battery jetzt einzuführen“, sagte Graham Dudgeon, Principal Product Manager, Electrical Systems Modeling, MathWorks. „Das neue Produkt enthält zahlreiche Entwicklungstools zur Vereinfachung und Automatisierung von Model-Based Design, darunter Battery Pack Model Builder, mit dem Ingenieure unterschiedliche Architekturen von Akkupacks interaktiv beurteilen können.“
R2022b enthält auch die neue Medical Imaging Toolbox. Die Toolbox bietet Tools für medizinische Bildgebungsanwendungen zum Entwickeln, Testen und Bereitstellen von Diagnose- und Radiomics-Algorithmen, die Deep-Learning-Netze verwenden. Forscher in der Medizin, Wissenschaftler, Ingenieure und Geräteentwickler können die Medical Imaging Toolbox für die 3D-Visualisierung mehrerer Volumina, die multimodale Registrierung, die Segmentierung und die automatisierte Ground-Truth-Kennzeichnung für das Training von Deep-Learning-Netzen auf medizinischen Bildern verwenden.
R2022b bietet Updates für beliebte MATLAB- und Simulink-Tools in R2022b, darunter:
- AUTOSAR Blockset: Entwickeln Sie serviceorientierte Anwendungen mithilfe von Client-Server-ARA-Methoden und stellen Sie diese auf Embedded Linux-Plattformen bereit. Mithilfe des Tools können Benutzer Datentypen und Schnittstellen in einem Architekturmodell definieren.
- Fuzzy Logic Toolbox: Interaktives Entwerfen, Analysieren und Simulieren von Fuzzy-Inferenzsystemen (FIS) mithilfe der aktualisierten Fuzzy Logic Designer-App. Zusätzlich ermöglicht die verbesserte Toolbox Ingenieuren und Wissenschaftlern die Entwicklung von FIS des Typs 2 mithilfe von Befehlszeilenfunktionen oder der Fuzzy Logic Designer-App.
- HDL Coder: Generieren von optimiertem SystemC Code aus MATLAB für die High-Level-Synthese (HLS) und das Konvertieren von Frames in Samples zur Optimierung von Modellen und Codes.
- Model Predictive Control Toolbox: Beinhaltet neuronale Netze, die als Vorhersagemodelle dienen, und ermöglicht die Entwicklung von Reglern, welche die ISO 26262- und MISRA C-Normen erfüllen.
- System Identification Toolbox: Erstellen von Deep-Learning-basierten nichtlinearen Zustandsraummodellen mithilfe neuronaler gewöhnlicher Differentialgleichungen (Ordinary Differential Equations, ODEs). Machine-Learning- und Deep-Learning-Techniken können außerdem nichtlineare Dynamiken in nichtlinearen ARX- und Hammerstein-Wiener-Modellen darstellen.
Quelle: MathWorks
