Eine Publikation der Swissprofessionalmedia AG
PDF download
MathWorks stellt Release 2018a der MATLAB- und Simulink-Produktfamilien vor: Ausgabe 13/2018, 15.08.2018

Neue Tools für Deep Learning und autonomes Fahren

Das Release 2018a von MathWorks bietet einige neue Funktionen in MATLAB und Simulink. Dazu zählen die Predictive Maintenance Toolbox zum Entwerfen und Testen von Algorithmen für die Zustandsüberwachung und Predictive Maintenance sowie das Vehicle Dynamics Blockset für die Modellierung und Simulation von Fahrzeugdynamik in einer virtuellen 3D-Umgebung.

Bilder: Mathworks

Mit der Predictive Maintenance Toolbox können Ingenieure Daten kennzeichnen, Zustandsindikatoren entwerfen und etwaige Störfälle bei Maschinen voraussagen und vermeiden. Zur Analyse können Maschinendaten aus lokalen Dateien, Cloud-Storage und verteilten Dateisystemen importiert werden. Die Toolbox enthält Referenzbeispiele für Motoren, Getriebe, Batterien und andere Maschinen, die hilfreiche Richtwerte für die Entwicklung eigener prädiktiver Wartungs- und Zustandsüberwachungsalgorithmen zur Verfügung stellen. Weitere Updates des Release 2018a im Bereich Datenanalyse erlauben, Daten hoher Dichte mittels Streudiagrammen zu visualisieren. Texte können ab sofort noch genauer analysiert werden, denn die Text Analytics Toolbox erkennt nun Sätze, E-Mail-Adressen und URLs und kann Ausdrücke aus mehreren Worten extrahieren und zählen.

Neue Funktionen für Deep Learning
Die Neural Network Toolbox stellt nun ein Support-Paket bereit, mit dem man Deep-Learning-Schichten und -Netze, die in TensorFlow-Keras entworfen wurden, implementieren kann. Optimierungstechniken wie Adam, RMSProp und Gradienten-Clipping sorgen für ein besseres Trainieren von Netzen. Zudem lassen sich Netze in Form gerichteter, azyklischer Graphen (DAG) unter Verwendung mehrerer GPUs beschleunigt trainieren. Die Computer Vision Toolbox stellt nun die Image Labeler App zur Verfügung, mit der die pixel-genaue Kennzeichnung für die semantische Segmentierung automatisiert werden kann.
Mit dem GPU Coder stellt MathWorks ein Tool bereit, das Deep-Learning-Algorithmen automatisch zu CUDA-Code umwandelt. So können die Algorithmen direkt auf der GPU ausgeführt werden. Mit Release 2018a werden nun auch Netze mit Topologien in Form gerichteter, azyklischer Graphen (DAG) sowie vortrainierte Netze wie GoogLeNet, ResNet oder SegNet unterstützt. Neu ist zudem die Generierung von C-Code für Deep-Learning-Netze auf Intel- und ARM-Prozessoren.
Das Vehicle Dynamics Blockset stellt Ingenieuren vollständig zusammengesetzte Referenzanwendungsmodelle zur Verfügung, die Fahrmanöver in einer 3D-Umgebung simulieren. Man kann vorgefertigte Szenen mit Strassen, Verkehrszeichen, Bäumen und Gebäuden visualisieren oder diese Modelle mit eigenen Daten anpassen. Das Blockset bietet eine Standardmodellarchitektur, die während des gesamten Entwicklungsprozesses verwendet werden kann: Es enthält eine Bibliothek von Komponenten für die Modellierung von Antrieb, Lenkung, Federung, Bremsen und weiteren Fahrzeugkomponenten. Es unterstützt Fahr- und Handlinganalysen und die Entwicklung von Fahrwerkssteuerungen. Durch die Integration von Fahrdynamikmodellen in eine 3D-Umgebung lässt sich Software für Fahrerassistenzsysteme und automatisiertes Fahren testen, zum Beispiel das Verhalten des Fahrzeugs bei Standard-Fahrmanövern wie einem Doppelspurwechsel.

Tools für ADAS-Systeme
Weitere Produkte enthalten ebenfalls neue Tools oder Erweiterungen zur Entwicklung von ADAS-Systemen, z.B. die Automated Driving System Toolbox mit der neuen Driving-Scenario-Designer-App zum interaktiven Definieren von Akteuren und Fahrszenarien für das Testen von Steuerungs- und Sensorfusionsalgorithmen und die Model Predictive Control Toolbox mit ADAS-Blöcken zum Entwerfen, Simulieren und Implementieren von adaptiven Algorithmen für die Geschwindigkeitsregelung und das Halten der Fahrspur.

Infoservice
Mathworks
Murtenstrasse 143, 3008 Bern
Tel. 031 950 60 20, Fax 031 950 60 22
info@mathworks.ch, www.mathworks.ch 



Die Predictive Maintenance Toolbox kann beim Training von Vorhersagemodellen helfen, die die Restlebensdauer schätzen und Konfidenzintervalle für die Vorhersage bereitstellen können

Nachgefragt: Reduktion der Stillstandzeiten im Fokus


Dr. Mohamed Anas, Engineering Manager, Benelux und Schweiz, Mathworks

Wo sehen Sie Einsatzgebiete für die diversen Toolboxen in der Schweiz?
Bei Predictive Maintenance steht insbesondere die Reduktion von Stillstandzeiten von Maschinen und Anlagen im Vordergrund. Dies kann erreicht werden, indem Probleme identifiziert werden, bevor es zum Ausfall kommt. Der Ansatz ermöglicht das Planen von Wartungen genau dann, wenn sie erforderlich sind und am wenigsten stören. Die Predictive Maintenance Toolbox bietet insofern Funktionalitäten, welche insbesondere im Maschinen- und Anlagenbau zur Anwendung kommen. 

Lassen sich die Toolboxen auch einzeln erwerben?
Bei den Toolboxen handelt es sich um sogenannte Ad-On-Produkte. Diese sind zwar unabhängig voneinander zu erwerben, Voraussetzung für deren Nutzung ist aber jeweils eine vorhandene Installation von MATLAB, und allenfalls auch weiteren Toolboxen. Je nach Anwendungsbereich finden Sie auf unserer Website spezifische Lösungen. Natürlich freuen wir uns auch über eine Kontaktaufnahme, sodass wir Sie zielgerichtet beraten können. Eine ideale Gelegenheit bietet beispielsweise die Sindex, wo wir gemeinsam mit 14 weiteren Ausstellern aus dem Fachbereich Elektronik des swissT.net in der Sonderzone «Electronic City» (Halle 2.2, Stand B10) anzutreffen sind.

Gibt es auch eine Toolbox für Finanzdienstleistungen – hat die Schweiz doch eine hohe Bankendichte?
Absolut – Lösungen, die primär auf Banken und Versicherungen ausgerichtet sind umfassen zum Beispiel die Risk Management Toolbox, die Financial Toolbox, aber natürlich auch die Statistics und Machine Learning Toolbox. Die Verarbeitung stetig zunehmender Datenmengen macht vor keiner Industrie Halt, und somit kennt auch das Anwendungsfeld von MATLAB quasi keine Grenzen.