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
