Embracing Technical Computing Trends with MATLAB: Accelerating the Pace of Engineering and Science

In this session, Roy presents his perspectives on key technologies and trends that are creating both challenges and opportunities in technical computing. He discusses the diversity of computational platforms, the rise of data analytics, and the need for engineers and scientists to produce robust software. For each area, he identifies how developments in MATLAB® enable engineers and scientists to embrace these technologies and stay ahead of their peers.

Roy Lurie, MathWorks


Control Design with MATLAB and Simulink

Learn how to get started with using MATLAB and Simulink products for designing control systems. This session focuses on how you can easily tune simpler, single-input single-output PID controllers, as well as more complex arbitrary multivariable controllers. You will also learn about the latest features for control design.

Ryan Gordon, MathWorks


Introduction to MATLAB

This session is an introduction to MATLAB, a high-level language and interactive environment for numerical computation, visualization, and programming.

MATLAB includes built-in mathematical functions fundamental to solving engineering and scientific problems, and an interactive environment ideal for iterative exploration, design, and problem solving. An image processing example is used to show you how to get started using MATLAB.

Highlights include:

  • Interactively importing and visualizing image data from files and webcams
  • Iteratively developing an image processing algorithm
  • Automating your work with scripts
  • Sharing your results with others by automatically creating reports

Andy Thé, MathWorks


Machine Learning with MATLAB

Learn how to get started using machine learning tools to detect patterns and build predictive models from your data sets. In this session, you will learn how to use machine learning techniques in MATLAB to quickly explore your data, evaluate machine learning algorithms, compare the results, and apply the best machine learning approach for your problem.

The session covers unsupervised and supervised machine learning techniques including:

  • K-means and other clustering tools
  • Neural networks
  • Decision trees and ensemble learning
  • Naïve Bayes classification
  • Linear, logistic, and nonlinear regression

Abhishek Gupta, MathWorks


Modeling and Simulation Made Easy with Simulink

Learn how to build a model from scratch, simulate it to find design flaws in minutes, then use that same model for both component- and system-level tests.

MathWorks engineers demonstrate how Simulink and Stateflow® improve your modeling and simulation workflow through a flight control example. See how to:

  • Build a fault management component model from a requirements document
  • Simulate the model to understand the component’s behavior and find any defects
  • Connect the component to the system-level model
  • Verify that the new component works well through system-level simulations

Audio Signal Processing in MATLAB

Learn how to use MathWorks tools for audio signal processing, along with a framework for development and testing of audio processing algorithms with MATLAB. Using an example model, we show how to stream real-time audio through simulation models on a desktop. See how to create a test bench, add your own algorithm, and deploy your application on the desktop. We then show how to simulate, visualize, and test the model while tuning key algorithm parameters at run time, making use of DSP System Toolbox™ components in MATLAB. The session concludes with a discussion on how to improve simulation performance in MATLAB.

Youssef Abdelilah, MathWorks


MATLAB to iPhone Made Easy

Learn how to generate readable and portable C code from your MATLAB algorithms using MATLAB Coder™, and then integrate it into an iPhone or iPad app using Apple’s XCode IDE. The app can then be executed on the iOS simulator or downloaded onto a physical iPhone or iPad. This session is geared toward design engineers developing and testing algorithms in MATLAB.

Bill Chou, MathWorks


Programming Low-Cost Hardware with Simulink

In this session, Brian shows how to use Simulink to easily and quickly program low-cost embedded hardware, such as LEGO® MINDSTORMS® robots, Arduino, and Raspberry Pi. Using Raspberry Pi hardware as an example, he shows how you can download and set up Simulink support packages. The session ends with a demonstration on using Simulink blocks to access a webcam and run a color detection algorithm natively on the Raspberry Pi.

Brian McKay, MathWorks


What’s New in MATLAB

In this session, we describe new capabilities recently introduced in MATLAB and Optimization Toolbox™.

Chief Scientist Joe Hicklin starts by describing two significant new capabilities in MATLAB:

  • table, a data container for managing, sorting, and filtering tabular data
  • matlab.unittest, a unit test framework for easy testing of your MATLAB code

Joe shares his insights into how MATLAB is designed to be the language of choice for millions of engineers and scientists worldwide. This talk provides a unique opportunity to learn from one of the key designers of MATLAB.

Seth follows with an overview of the new mixed-integer linear programming solver in Optimization Toolbox. The classic traveling salesman problem is used to show how you can:

  • Set up a mixed-integer linear programming problem in MATLAB
  • Gain insight about the problem by examining solver progress and results
  • Tune the solver by setting solver options

Joe Hicklin and Seth DeLand, MathWorks


Coding a Safer Society Through Computer Interpretation of DNA Evidence

Much DNA evidence goes unused. Sophisticated crime laboratories can produce superb data that human analysts cannot interpret. DNA that is mixed (two or more contributors), damaged (degraded into pieces), or low level (with few molecules present) introduces uncertainty that overwhelms human problem solving. Thus, vital evidence in crimes of rape, murder, or terror is often understated or pronounced "inconclusive." Public safety is compromised when DNA identifications are not made, criminals remain at large, and preventable crimes are committed.

Mathematical modeling can embrace this uncertainty, expressing data variation in probability equations. Solving these high-dimensional problems with Markov chain Monte Carlo (MCMC) statistical search, a MATLAB program can explore many thousands of scenarios. The process mathematically separates mixture data into the genetic components, or genotypes, of the contributors. Comparing genotype probability distributions calculates a DNA match statistic that can scientifically associate crime scene evidence with criminals.

This session describes the scientific development and forensic application of Cybergenetics TrueAllele® Casework, a computer system for interpreting and matching complex DNA evidence. Validation studies show that TrueAllele is more accurate than human data interpretation, preserving information from discarded evidence. TrueAllele supercomputer automation reanalyzed the World Trade Center DNA data to identify victim remains. A hundred TrueAllele reports have been filed on DNA evidence in serious crimes, while high-tech TrueAllele databases make cold hits to find investigative leads. TrueAllele mines existing crime lab data and completes the DNA process by computing a safer and more just society.

Dr. Mark Perlin, Cybergenetics


Listening to the World's Oceans: Searching for Marine Mammals by Detecting and Classifying Terabytes of Bioacoustic Data in Clouds of Noise

The Cornell University Bioacoustics Research Program (BRP) is collecting terabytes of ocean acoustic data containing the sounds of large baleen whales and other marine mammals in order to understand how human activities affect the ocean’s acoustic ecosystem. A data set that would have taken months to process can now be processed multiple times in just a few days using different detection algorithms.

This session describes how BRP data scientists use MATLAB to develop high-performance computing software to process and analyze terabytes of acoustic data. This includes the use of signal and image processing algorithms and machine learning techniques to detect and classify animal signals in the presence of various levels of background noise, much of it from commercial shipping and seismic airgun surveys prospecting for offshore oil and gas.

To evaluate the algorithm accuracy, BRP scientists used statistical tools to compute a suite of performance curves. After optimizing the algorithms on small data sets, they ran them against several full archived data sets on a 64-node cluster. BRP also collaborated with Marinexplore and the Kaggle community to sponsor a worldwide competition in which more than 240 participants submitted algorithms for detection and classification. They are identifying the most accurate algorithms to use in helping reduce lethal ship collisions with whales and the massive increases in ocean noise from human activities.

Dr. Christopher Clark, Cornell University


Model-Based Approach for ERTMS Railway Wayside System Specification, Validation, and Proof

Train signaling systems for mass transit and mainlines have seen their complexity increase in the last decade. This is due either to the introduction of new concepts and technologies that increase performance, such as line capacities, or to interoperability requirements, for example European standards that allow trains use same trainborne subsystem while driving in different countries that have different interlockings, trackside technologies, and principles.

In the conventional railway industry, infrastructure managers in the specification phase of signaling system design usually adopt a conventional approach based on paper specifications with all the drawbacks known by engineers, which is subject to risk of misunderstanding, misinterpretation, and a lack of validation at the early stage of specification.

RFF and SNCF jointly experimented with a Model-Based Design approach at a high level of specification. This model is a mainline wayside ERTMS Level 2 system called Radio Block Center, which is an automatic train protection (ATP) system. In the system studied, there is a close relationship between the different subsystems: the Automatic Train Control, which is either ERTMS based or CBTC based, and the interlocking. Both subsystems are intended to allow trains to move safely with the requested level of performance, i.e. speed and headway. The result is a complex system combining wayside and train-side control systems, interlocking, track elements, and supervision level.

The goals of modeling the RBC are to:

  • Provide an unambiguous description of its expected behavior. Requirements writing allows expressing functional expectations, but there is an unavoidable risk of misunderstanding or interpretation. The main concern is that system-level functional issues, due to a lack of system definition, are solved at the software implementation level.
  • Provide a description independent from the manufacturer’s design choices. The model is not the mirror of a particular manufacturer existing implementation.

This experiment with Model-Based Design also covers the specification level, simulation/validation, and property proof activities.


Reliability Test System Using Data Acquisition Toolbox and Instrument Control Toolbox

This presentation covers the development of an automated test system using Data Acquisition Toolbox™, Instrument Control Toolbox™, and effective GUI programming practices. The system was developed to perform reliability testing of generators. This was the first test system developed using MATLAB and Simulink products; all other previous systems in-house were developed using LabVIEW. The bulk of the hardware utilized in this project was from National Instruments, and there was one power meter using MODBUS protocol. The presentation covers the lessons learned from the development process. The test system has been deployed using MATLAB Compiler™ and will be used on numerous test stands.

Robert Danforth, Kohler Power Controls


Instrumentation and Microcontrollers Using Automatic Code Generation

Microcontrollers and microcomputers are extant in many of the devices we use in our daily lives without our knowledge of their presence. From toothbrushes to audio equipment, microwave ovens to washing machines, lighting controllers to thermostats, the devices and applications that can be controlled by microcontrollers span all engineering and science disciplines taught at all levels of higher education. All areas of science and engineering have applications that could be commanded with a microcontroller, but students in the area do not design or build the controller because they do not understand how to program in C, the development tools, or the basic principles of microcontroller operation. Instead, the problem is passed to an electrical or computer engineer to design the microcontroller. Thus, the controller is not designed by the person who best understands the physics or science of the problem to which the controller is applied. This dilemma is about to be solved using Simulink and automatic code generation to program powerful microcontrollers. Simulink is a graphical programming language that is discipline independent and can apply to the sciences, engineering, and many other curriculums. With automatic code generation and Simulink, anyone capable of drawing a block diagram can program a microprocessor.

The course we have developed redesigns the classic first course in microcontrollers to use Simulink and automatic code generation, opening the world of microcontrollers to all fields of study. The course will initially target students in the science and engineering fields; however, anyone with a sufficient mathematical background can easily learn about the subject. Suddenly, the students who can take a course on microcontroller programming will explode from a few departments to encompass all science and engineering branches. In the future, a new paradigm will emerge—the person who best comprehends the problem will also be the person who designs and programs the applied microcontroller.

Dr. Marc Herniter, Rose-Hulman Institute of Technology


Low-Cost Mobile Lab Solutions for Individualized Mechatronic Education

Traditional educational control labs have several disadvantages: expensive equipment, distribution and location challenges, maintenance, and limited access, all which often necessitate multiple lab teams. The integration of low-cost prototyping tools with MATLAB and Simulink provides an opportunity to address these challenges. The approach involves the development of mobile lab experiment kits designed to replace a student textbook with an inspiring hardware system. This system is comparable in cost to a textbook, so every student can purchase and perform the labs. It is portable and self-contained, so labs can be performed anywhere, anytime. It utilizes the Arduino libraries and is fully supported by MATLAB and Simulink with automatic code generation. This means system-level concepts can be easily realized and implemented on the hardware. With an "all hands on hardware" approach, students have a concrete means to connect theory to practice, in addition to using a prototyping platform that can be useful throughout their coursework.

This presentation discusses this design problem, the development efforts in the capstone course at the Rensselaer Polytechnic Institute, and some current results. A product developed from this work—The MinSeg, a low-cost miniature balancing robot—is also presented.

Joshua L. Hurst, Rensselaer Polytechnic Institute


MATLAB Apps for Teaching Digital Speech Processing

This presentation describes a set of about 60 MATLAB-based speech processing apps designed to give students and instructors hands-on experience with digital speech processing basics, fundamentals, representations, algorithms, and applications. The result is achieved by quickly and interactively creating MATLAB UIs using the GUI Lite tool developed by Rabiner and his students. For each MATLAB app, we provide a brief description of the code and UI structure, an explanation of key technical aspects of the solution, a description of the organization of the GUI Lite components, a scripted run of the software with an extensive set of speech files for processing, one or more results figures generated by the provided code, and a set of technical issues for further experimentation with the code. The goal with these apps is to provide a useful and unique set of speech processing tools for the instructor and an extended set of speech processing exercises, denoted as “Issues for Further Experimentation,” that students can use to develop their understanding of the technical content of each speech processing app. This presentation describes the resulting set of speech processing apps and shows how they can be used to enhance the teaching and learning of digital speech processing.

Dr. Lawrence Rabiner, Rutgers University and the University of California at Santa Barbara


MATLAB Meets MINDSTORMS: How to Control LEGO NXT Robots Using MATLAB for Educational Purposes

This session provides a quick introduction on using MATLAB to control LEGO MINDSTORMS NXT robots. Get an overview of the basic functionalities of the RWTH Aachen LEGO MINDSTORMS Toolbox, which runs on MATLAB, including the reading of sensor data and control of motor drives. This presentation shows you how to quickly design, control, and debug your custom robots using MATLAB. Useful advice and guidelines for employing MATLAB and MINDSTORMS for educational purposes are also given.

Dorian Schneider, RWTH Aachen University


Modeling and Simulation with MATLAB: A Case Study in Problem-Based Learning

This presentation provides an overview of a module on numerical methods aimed primarily at engineers. Being a foundational module, the curriculum includes all of the standard material and algorithms which would be expected. However, embracing the motto that one learns by doing, the assessment is entirely problem or project based. Problems and projects are as realistic as is feasible, and students, as they derive from many engineering disciplines, are permitted to choose from an array of problems and projects or suggest their own. The module challenges the students, seeks to break down educational silos, and ultimately, by affording students the opportunity to solve problems which at first glance appear to be beyond their reach, seeks to instill confidence and even pride in their achievements. This pride derives in very large part from the first-principles approach and the quality of visualization of results demanded, and in this respect, MATLAB plays a particularly significant role. Although in only its second year, the module has already established quite a reputation amongst the student body. It cannot be denied that some in the current class are dreading it, but likewise many are relishing it since it is closer to actual engineering than essentially anything that they have yet seen.

Dr. Paul Curran, University College Dublin


The Online Revolution: Education for Everyone

In 2011, Stanford University offered three online courses, which anyone in the world could enroll in and take for free. Together, these three courses had enrollments of around 350,000 students, making this one of the largest experiments in online education ever performed. Since the beginning of 2012, this effort has transitioned into a new venture, Coursera, a social entrepreneurship company whose mission is to make high-quality education accessible to everyone by allowing the best universities to offer courses to everyone around the world, for free. Coursera classes provide a real course experience to students, including video content, interactive exercises with meaningful feedback, using both auto-grading and peer-grading, and a rich peer-to-peer interaction around the course materials. Currently, Coursera has 100 university and other partners, and over 6 million students enrolled in its more than 600 courses. These courses span a range of topics including computer science, business, medicine, science, humanities, social sciences, and more. In this presentation, Andrew reports on this far-reaching experiment in education, and why he believes this model can provide both an improved classroom experience for on-campus students, via a flipped classroom model, as well as a meaningful learning experience for the millions of students around the world who would otherwise never have access to education of this quality. This presentation also includes a few examples of MATLAB code used in the online machine learning course.

Andrew Ng, Coursera


Polynomial Equations in Geometric Modeling and the Control of Vibrations in Manufacturing

The need to compute the roots of a polynomial arises in the determination of the points of intersection of curves and surfaces and the control of vibrations during machining of a component. Few problems arise if the roots are simple and well separated, but the reliable computation of multiple roots is significantly more difficult because of their ill-posed nature. Even if the exact form of a polynomial has multiple roots, an inexact form of the polynomial has, with probability almost one, simple roots. This presentation shows how to reliably compute multiple roots of the exact polynomial given an inexact form of the polynomial, retaining a fundamental property of the theoretically exact polynomial in the computed roots.

Dr. Joab Winkler, University of Sheffield


Teaching Model-Based Design at Politecnico di Torino

In the region around Turin, Italy, there is strong demand for engineers with the skills and knowledge required to develop complex, high-integrity embedded software. The need is particularly acute among automotive companies, but it affects avionics and other industries, as well. Companies seek engineers who can deliver sophisticated software in compliance with safety standards such as ISO 26262 while adhering to stringent quality requirements and tight production deadlines.

To meet this demand, Politecnico di Torino has introduced Model-Based Software Design, a course for fifth-year students that combines lectures and practical exercises with seminars conducted by local industry experts. Using MATLAB, Simulink, Stateflow, and Embedded Coder®, students learn how to manage the growing complexity of today’s embedded systems by designing and simulating an executable model; rigorously validating, testing, and debugging it; and generating code for an embedded target. By fostering collaboration and knowledge-sharing between academia and industry, the course is helping prepare the students for the engineering challenges they will face in their future jobs. This presentation outlines the course and the results achieved since its introduction.

Massimo Violante, Politecnico di Torino


Introducción a MATLAB

Durante esta sesión se ofrece una introducción a MATLAB, un entorno interactivo para el cálculo numérico, visualización y programación de algoritmos en lenguaje de alto nivel.

MATLAB incluye funciones matemáticas fundamentales para resolver problemas científicos y de ingeniería, y un entorno interactivo ideal para la exploración iterativa, diseño y resolución de problemas. Utilizaremos un ejemplo de importación y análisis de datos para mostrar cómo empezar a utilizar MATLAB.

La presentación incluye:

  • Importación de datos desde planillas de cálculo en distintos formatos, incluyendo Tablas
  • Visualización y análisis estadístico
  • La automatización de un flujo de trabajo típico con scripts y funciones
  • Compartir sus resultados con otros mediante la creación automática de informes, interfaces gráficas y ejecutables independientes

Javier Gazzarri, MathWorks


Machine Learning con MATLAB

Aprenda cómo iniciarse en el uso de herramientas de aprendizaje automático para detectar patrones y construir modelos predictivos a partir de datos conglomerados. En esta sesión, usted aprenderá varias técnicas de aprendizaje automático disponibles en MATLAB y cómo explorar rápidamente los datos, evaluar los algoritmos de Machine Learning, comparar los resultados.

Se destacan las técnicas de aprendizaje automático sin supervisión y supervisado, incluyendo:

  • K-means y otras herramientas de clustering
  • Redes Neuronales
  • Los árboles de decisiones y el aprendizaje conjunto
  • Clasificación Bayes Naïve
  • Regresión logística, lineal y no lineal

Que hay de Nuevo en MATLAB

En esta sesión, Gerardo Hernandez describe dos capacidades importantes introducidas recientemente en MATLAB. En concreto, se describe:

  • table, un contenedor de datos para gestionar, ordenar y filtrar datos tabulares
  • matlab.unittest, un marco de prueba unitaria para una fácil comprobación de su código de MATLAB

Gerardo comparte sus ideas sobre cómo MATLAB está diseñado para ser el lenguaje de elección para millones de ingenieros y científicos de todo el mundo. Asista a esta sesión para una oportunidad única de aprender de uno de los diseñadores principales de MATLAB.


Simulink y Stateflow para Ingenieros de Simulación

Aprenda a construir un modelo a partir de cero y simularlo para encontrar defectos de diseño en minutos, y luego usar el mismo modelo para ambos, ensayos de componentes y de nivel de sistema.

Ingenieros de MathWorks demostrarán cómo Simulink y Stateflow mejora su modelado y simulación del flujo de trabajo a través de un ejemplo de control de vuelo. Verá cómo:

  • Construir un modelo de componentes de gestión de fallos de un documento de requisitos
  • Simular el modelo para entender el comportamiento del componente y encontrar cualquier defecto
  • Soporte integrado para correr modelos en hardware de bajo costo
  • Conectar el componente para el modelo de nivel de sistema
  • Compruebe que el nuevo componente funciona bien a través de simulaciones a nivel de sistema

Carlos Osorio, MathWorks


Моделирование и симуляция в Simulink – это просто!

Simulink позволяет инженерам моделировать системы из самых разных областей знаний (таких, как механические, электрические, гидравлические и другие системы) путем создания моделей в интерактивной графической среде. Симуляция, разработка, генерация кода, тестирование и верификация – все это осуществляется в единой среде, позволяя разным группам инженеров сфокусироваться больше на своей работе и меньше - на общей платформе для симуляции.

На видео инженер департамента MathWorks продемонстрирует следующие возможности продукта:

  • Создание графических моделей многодисциплинарных систем
  • Интеграция Simulink с вашим существующим окружением для симуляции
  • Интеграция существующего кода в Simulink

Это видео предназначено для инженеров, которые осуществляют моделирование и симуляцию, используя для этого языки программирования – такие, как C или Fortran в рамках общей для компании платформы симуляции. Знание или опыт работы с Simulink не требуется.


Введение в MATLAB

В этом видео мы сделаем обзор среды MATLAB, языка высокого уровня и интерактивной среды для численных вычислений, визуализации и программирования.

MATLAB включает в себя встроенные математические функции, что является основополагающим критерием для решения инженерных и научных задач. В свою очередь, интерактивность среды создает идеальные условия для пошагового исследования, разработки и решения проблемы. Благодаря демонстрации продукта, вы увидите, как эта комбинация позволяет быстро исследовать свои идеи, разобраться в ваших данных, а также создать отчет или независимое приложение и поделиться своими результатами.

Основные темы видео:

  • Импорт данных из Excel, а так же баз данных
  • Объект table
  • Визуализация
  • Групповая визуализация
  • Распределения
  • Регрессионный анализ
  • Дисперсионный анализ (ANOVA)
  • Boxplots
  • Создание отчета и независимого приложения

Видео будет интересно специалистам по техническим вычислениям, анализу данных, программированию, математическому моделированию. Инженеров из различных областей, научных работников, программистов, IT специалистов. И в особенности, тех, кто хочет познакомиться со средой технических и научных расчетов MATLAB.


Машинное обучение с MATLAB

В этом видео идет речь о том, как начать использовать инструменты машинного обучения для выявления закономерностей и построения прогнозных моделей по набору исходных данных. Также продемонстрированы некоторые методы машинного обучения, доступные в MATLAB. Показаны основные возможности того, как быстро изучить входные данные, оценить алгоритмы машинного обучения, сравнить результаты и применить лучшие методы машинного обучения для конкретной задачи.

Основные моменты включают методы обучения с учителем и без, в том числе:

  • K-средних и другие методы кластеризации
  • Нейронные сети
  • Деревья решений и ансамбль обучения
  • Наивный байесовский классификатор
  • Линейная, логистическая и нелинейная регрессии

Настройка ПИД регулятора – легко и просто

В данном видео будут рассмотрены возможности MATLAB и Simulink для проектирования систем управления и настройки пропорционально-интегрально-дифференциальных (ПИД) регуляторов.

ПИД регулятор является самым распространенным видом регулятора. Благодаря своей эффективности и функциональной простоте данные регуляторы находят широкое применение во многих областях, где требуется обеспечивать высокую точность при управлении процессами. Вместе с несложной реализацией алгоритма практическое проектирование регулятора и подбор его параметров требует больших навыков и знаний.

В ходе демонстрации Вы узнаете, как можно легко и быстро спроектировать, настроить параметры и обеспечить реализацию ПИД регулятора.

Будет показано:

  • как ПИД регуляторы применяются в различных сферах промышленности;
  • как сделать переход от непрерывной реализации алгоритма управления к дискретной;
  • как учесть насыщение выходного сигнала устранить эффект интегрального насыщения.

Видео предназначено для инженеров и разработчиков систем управления.


Анализ сигналов и проектирование фильтров в MATLAB

В этом видео будет сделан обзор основных возможностей MATLAB в области цифровой обработки сигналов. Зрители о том, как осуществляется работа с сигналами в MATLAB (импорт и генерация сигналов, организация данных, их отображение и спектральный анализ), а также об инструментах для расчета цифровых фильтров и способах автоматизации разработки алгоритмов. Эти возможности будут продемонстрированы на нескольких примерах, начиная от использования интерактивных инструментов MATLAB и заканчивая разработкой алгоритмов потоковой обработки звука с микрофона и адаптивной фильтрации.

Будут освещены следующие аспекты моделирования и реализации систем ЦОС:

  • Работа с сигналами в MATLAB;
  • потоковая обработка данных;
  • импорт данных с многоканальных аудио-устройств и файлов мультимедиа;
  • разработка цифровых фильтров и спектральный анализ в MATLAB.

Видео будет интересно алгоритмистам в области цифровой обработки сигналов, программистам и руководителям проектов.


Обучение на реальных проектах при помощи MATLAB, Simulink и целевого оборудования

Техника обучения на реальных проектах (Project-Based Learning и инициатива CDIO) является исключительно эффективной, поскольку студенты могут увидеть, услышать и прикоснуться к тому, что обычно является абстрактным. В этом видео мы покажем вам, как MATLAB, Simulink, а также поддержка недорогого целевого оборудования позволяет легко связываться с широким набором бюджетных аппаратных платформ для проведения экспериментов и обучения по таким учебным курсам, как:

  • Мехатроника
  • Схемотехника
  • Программирование
  • Системы управления
  • Робототехника
  • Восполняемая энергия

Пользователи Simulink могут автоматически создавать автономные приложения для работы в реальном времени на таких устройствах, как Arduino, Raspberry Pi, LEGO® MINDSTORMS® NXT и многих других без необходимости применения специализированных продуктов для генерации кода - MATLAB Coder™ или Simulink Coder™. При помощи этой технологии мы можем интегрировать симуляцию и работу в реальном железе для демонстрации следующих концепций:

  • Считывание информации с датчиков и управление исполнительными механизмами
  • Интерактивное прототипирование алгоритмов управления и обработки сигналов
  • Тестирование алгоритмов с использованием реальных физических компонентов
  • Развертывание алгоритмов на автономных аппаратных платформах для работы в реальном времени
  • Интеграция алгоритмов с роботами и реальными системами

Тестовая система надежности с использованием Data Acquisition Toolbox и Instrument Control Toolbox

Эта презентация охватывает разработку автоматизированной системы тестирования с использованием Data Acquisition Toolbox™, Instrument Control Toolbox™ и эффективных методов программирования GUI. Эта система была разработана для проведения тестирования надежности генераторов. Это была первая тест-система, разработанная с использованием MATLAB и Simulink - все предыдущие системы были разработаны с использованием LabVIEW. Основная часть аппаратных средств этого проекта была от National Instruments. Так же использовался измеритель мощности с протоколом MODBUS. Презентация охватывает уроки, извлеченные из процесса разработки. Тест-система была развернута с использованием MATLAB Compiler™ и планируется ее использование на многочисленных стендах.

Роберт Дэнфорт, Kohler Power Controls


Модельно ориентированный подход для европейской путевой системы управления движением поездов ERTMS при определении требований и валидации

Системы сигнализации поездов для общественного и магистрального транспорта усложняются в течение последнего десятилетия. Это связано с внедрением новых концепций и технологий, повышающих производительность, например, загруженность линии и с требованиями совместимости. Такие требования совместимости европейским стандартам позволяют поездам использовать одинаковую поездную подсистему во время проезда в разных странах, которые имеют различные системы блокировки, путевые технологии и принципы работы.

В обычной железнодорожной отрасли, менеджеры инфраструктур на этапе задания требований при проектировании систем сигнализации, как правило, принимают традиционный подход, основанный на бумажном представлении технического задания со всеми вытекающими недостатками, известные инженерам. Это приводит к риску неправильного непонимания, толкования и отсутствию возможности проверки на ранних стадиях задания требований.

RFF и SNCF (национальные компании французских железных дорог) совместно экспериментировали с подходом модельно-ориентированного проектирования на высоком уровне спецификаций. Эта модель представляет собой магистральную путевую систему ERTMS Уровня 2, называемую Радио Блок Центр (RBC, центр блокировки на базе радио связи), который реализует автоматическую систему безопасности движения поезда (ATP). В исследуемой системе существует тесная взаимосвязь между различными подсистемами: с системой автоматического контроля (ATC, аналог АЛС-АРС), которая базируется либо на ERTMS, либо на CBTC, а также с системой блокировки. Обе подсистемы предназначены для разрешения безопасного движения поезда с требуемым уровнем эксплуатационных характеристик, то есть скоростью и временным интервалом между поездами. Результат представляет собой сложную систему объединения путевой и поездной подсистем контроля движения поездов, подсистем блокировки, путевого оборудования и контроля уровня.

Целью моделирования RBC являются:

  • Обеспечить однозначное описание ожидаемого поведения. Требования в письменной форме позволяют отобразить функциональные ожидания, но существует неизбежный риск непонимания или неправильной интерпретации. Основной проблемой является то, что функциональные проблемы системного уровня, появляющиеся из-за отсутствия достаточного определения системы, решаются на уровне реализации программного обеспечения.
  • Обеспечить описание, независимое от выбора решений производителя. Модель - это не зеркало определенной производителем существующей реализации.

Этот эксперимент с модельно-ориентированным проектированием охватывает также этап задания требований, моделирования/проверки и этап доказательства свойств.

Embracing Technical Computing Trends with MATLAB: Accelerating the Pace of Engineering and Science

In this session, Roy presents his perspectives on key technologies and trends that are creating both challenges and opportunities in technical computing. He discusses the diversity of computational platforms, the rise of data analytics, and the need for engineers and scientists to produce robust software. For each area, he identifies how developments in MATLAB® enable engineers and scientists to embrace these technologies and stay ahead of their peers.

Roy Lurie, MathWorks