Chapitre 1
Pourquoi utiliser l’IA pour la simulation et l’approche Model-Based Design ?
Utiliser des modèles Simulink® tout au long de votre processus de développement, une approche appelée Model-Based Design, est une manière éprouvée pour développer efficacement des systèmes complexes en réduisant les risques. Ajouter des techniques d’IA à votre workflow peut vous permettre de gagner du temps et améliorer vos designs, sans avoir besoin de compétences avancées en IA.
Voici quatre raisons d’utiliser l’IA pour la simulation et l’approche Model-Based Design :
- Augmenter la précision : améliorez l’exactitude des algorithmes en utilisant des données d’apprentissages de grande qualité pour construire un algorithme d’IA.
- Réduire la complexité : utilisez l’IA pour remplacer des algorithmes comportant des calculs complexes ou impossibles à modéliser via d’autres méthodes.
- Gagner du temps : exploitez l’intelligence artificielle pour créer des modèles de système d’ordre réduit lorsque les modèles à haute fidélité dérivés des principes fondamentaux sont trop longs à construire ou à simuler.
- Favoriser l’interopérabilité : intégrez des modèles d'IA, développés dans des frameworks Open Source ou dans MATLAB, à vos designs de niveau système en utilisant Simulink.
- Développer un modèle d’IA pour un algorithme qui pourra éventuellement être déployer dans un système embarqué. Pour voir un exemple détaillé, consultez le Chapitre 2.
- Utiliser l’IA pour un système physique piloté par les données ou pour la modélisation d'environnement. Les données utilisées pour entraîner le modèle d’IA peuvent provenir du hardware ou d’un modèle de simulation haute fidélité trop gourmand en calculs pour être simulé au niveau du système. Pour voir un exemple détaillé d’utilisation de l’IA afin de créer un modèle d’ordre réduit d’un composant haute fidélité, consultez le Chapitre 3.
Développement d’algorithmes embarqués : ce cas d’utilisation comprend des systèmes de contrôle, des capteurs, des algorithmes pour la fusion de capteurs, le traitement d’images et la détection d’objet basés sur l'IA qui seront déployer dans un système embarqué.
Modèles d’ordre réduit : utilisez l’IA pour créer un modèle d’ordre réduit d’un système complexe, utilisable par plusieurs ingénieurs pour affiner et valider les composants du système.
La plupart du temps, vous pouvez utiliser un modèle d’IA pour ces deux cas d’utilisation. Vous pouvez également utiliser Simulink en tant qu’environnement dynamique de Reinforcement Learning, un sous-domaine du Machine Learning (ML).
En intégrant l’IA à l’approche Model-Based Design pour le développement d’algorithmes embarqués, vous pourrez :
- Essayer plusieurs modèles d’IA d’un algorithme et comparer rapidement les compromis en termes d'exactitude et de performances sur équipement.
- Évaluer la conformité des modèles d’IA des algorithmes aux exigences du système avant de les déployer.
- Exécuter les modèles d’IA conjointement avec d’autres modèles dans un environnement simulé, afin de découvrir et résoudre les problèmes d’intégration système.
- Tester des scénarios qui seraient trop difficiles, onéreux ou dangereux à exécuter sur du hardware ou dans un environnement physique.
En exploitant l’IA pour la modélisation d’ordre réduit pilotée par les données, vous pourrez :
- Accélérer la simulation des modèles haute fidélité.
- Accélérer votre design en utilisant très tôt dans le processus de design un modèle d’ordre réduit basé sur l’IA, ensuite utiliser un modèle de simulation haute fidélité pour valider les résultats.
- Effectuer des tests Hardware-in-the-Loop en vérifiant le design de votre système de contrôle sans le hardware complet du système.
- Passer plus de temps à faire des recherches sur les cas limites, effectuer des itérations sur le design et évaluer les solutions alternatives.
Comment utiliser l’IA lors du design au niveau système ?
Les ingénieurs de l'ensemble des industries peuvent utiliser l’intelligence artificielle, sans avoir à être des experts en IA. MathWorks propose des interfaces, des applications et des exemples faciles d’utilisation pour rendre l’IA accessible.
Vous pouvez utiliser des techniques d’IA pour le Machine Learning et le Deep Learning dans des applications verticales que vous connaissez, et découvrir comment les exploiter pour résoudre des problèmes spécifiques à votre industrie.
Dans cet exemple, une équipe a créé un système de contrôle basé sur l’IA pour le contrôle de groupes motopropulseurs en boucle fermée.
Un système de contrôle basé sur le Reinforcement Learning pour le contrôle de groupes motopropulseurs en boucle fermée. (Crédit : Vitesco Technologies)
Dans cet exemple, une équipe a créé un modèle Simulink portant sur l’ensemble d’une flotte d’avions pour réduire les coûts du cycle de vie et accroître la disponibilité. Le modèle dépend de la justesse des prédictions sur la performance et les immobilisations pour maintenance des avions. L’équipe a développé un modèle Simulink à haute fidélité de la flotte, puis a entraîné un modèle d’IA en utilisant les données de sorties du modèle Simulink à travers différents scénarios pour permettre une analyse rapide.
Un avion prêt pour le vol. (Crédit : Lockheed Martin)
Dans cet exemple, une équipe a créé un banc d'essais sur la capacité d'amortissement pour permettre aux équipes travaillant sur des voitures de course d’apporter les ajustements préalables spécifiques à chaque piste afin d'améliorer les performances lors de la compétition. Des modèles d’IA sont intégrés à un modèle virtuel complexe utilisé pour simuler la performance du banc d'essais sur la capacité d'amortissement.
Un banc d'essais mesurant la capacité d'amortissement aide les équipes lors des ajustements de performance avant une compétition automobile. (Crédit : Penske Technology Group)
Dans cet exemple, une équipe a développé un algorithme qui utilise l’IA pour détecter automatiquement les crises de patients souffrant d’épilepsie à partir des données vidéo. Habituellement, les médecins surveillent les patients sur la base d’électroencéphalogrammes et d’indices visuels, mais cette approche demande beaucoup de travail et est peu commode pour les patients.
« Nous espérons traiter trois fois plus de patients sans étendre notre personnel. Utilisée pour la surveillance à domicile, la nouvelle technique réduira encore davantage les coûts en éliminant les admissions à l’hôpital et les observations cliniques coûteuses. »
Détection des crises d’épilepsie par la vidéo. (Crédit : Dutch Epilepsy Clinics Foundation)
Pour aider la fabrication intelligente avec des systèmes robotiques, par exemple un système de soudure robotisé, une équipe a développé un algorithme d’IA qui estime la position et l’orientation de la pièce à souder. L’algorithme a été utilisé dans une simulation parallèlement à d’autres algorithmes pour créer un jumeau numérique du système robotique.
Un jumeau numérique intervient lors du design, du développement et de la validation d'un système de soudure robotisé. (Crédit : Hong Kong Applied Science and Technology Research Institute)
« L’approche utilisant le jumeau numérique MBSE a réduit la durée d’intégration de 40 % et la durée de développement de 30 %. »
Dans cet exemple, un modèle d’IA prédit la demande d’énergie à destination du système de piles à combustible. L’équipe a utilisé ce modèle conjointement à d’autres algorithmes pour développer une simulation de tout un système de carburant innovant.
« Nous pouvons simuler nos idées, et repérer les erreurs et les éléments inefficaces pour les corriger avant de tester l’algorithme sur le système. En d’autres termes, les outils MathWorks nous aident à prendre des mesures préventives. »
Un système de piles à combustible. (Crédit : Plug Power)
Dans cet exemple, une équipe a utilisé l’IA pour analyser les données des caméras et capteurs embarqués d’un tracteur électrique intelligent pour la navigation et la prise de décisions en gestion agricole.
« Nos systèmes font intervenir la mobilité, l’énergie, l’hydraulique et l’énergie mécanique. Avec une telle complexité, il est difficile de se cantonner aux tests sur le terrain ou aux tests par simulation exclusivement. Nous avions besoin que tous ces systèmes soient synchronisés. »
Un tracteur électrique intelligent avec conducteur optionnel. (Crédit : Monarch Tractor)
Dans cet exemple, une équipe a créé et entraîné un réseau de neurones qui implémente une prédistorsion numérique dans un système de communication. Elle a également simulé l’algorithme avec la partie analogique du système pour comprendre la performance globale de ce dernier avant de le déployer.
Appliquer une prédistorsion numérique (DPD) basée sur un réseau de neurones pour compenser les effets des non-linéarités dans un amplificateur de puissance (PA).
