Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Cummins utilise la modélisation d’ordre réduit basée sur l'IA pour prédire les performances et les émissions du moteur
L'approche améliore la vitesse et la précision des modèles de performances des moteurs
« L’utilisation de MATLAB présente de nombreux avantages, notamment le fait que cela ne requiert que peu ou pas d’expérience en codage, ce qui permet à un utilisateur débutant de développer ces modèles… Nous pouvons exploiter la plateforme sans avoir à consacrer beaucoup de temps au travail de développement du code. »
Principaux résultats
- L'utilisation de MATLAB a permis à Cummins de réduire les temps d'exécution de la simulation du cycle moteur à un huitième du temps réel
- Les outils low-code ont permis aux experts techniques de se concentrer sur l'analyse plutôt que sur le codage
- Le workflow de développement de modèle d'IA de bout en bout est accéléré, réduisant les coûts, les efforts et l'empreinte mémoire
Pour prédire avec précision l’efficacité du moteur et les niveaux d’émission, il est essentiel de créer des modèles qui simulent les cycles du moteur. Cependant, le développement de ces modèles implique diverses simulations 3D vers 1D, souvent à l’aide d’outils tiers, qui peuvent prendre plus de 20 fois plus de temps à réaliser que cela nécessiterait en temps réel.
Pour améliorer la vitesse et la précision de ces modèles, Cummins, leader mondial du développement de moteurs, a utilisé MATLAB® pour créer des réseaux de neurones basés sur LSTM. L'équipe a modélisé 26 réponses différentes du moteur, notamment la pression, la température et le couple de freinage du moteur, à l'aide de Deep Learning Toolbox™ et de Statistics and Machine Learning Toolbox™.
L’utilisation de MATLAB a nécessité peu ou pas d’expérience en codage de la part de l’équipe Cummins et a permis d’augmenter la vitesse du modèle jusqu’à une vitesse huit fois supérieure à celle du temps réel. À l’avenir, l’équipe prévoit d’intégrer ses modèles avec du hardware réel et des composants de contrôle.
