Poclain Hydraulics 开发软传感器以使用深度学习和卡尔曼滤波器实时测量电机温度
“我们确定了两个已在 MATLAB 中实现的神经网络，这些神经网络帮助我们将代码嵌入到了硬件中以实时预测温度。”
关键成果
- 利用 MATLAB 中提供的预训练神经网络加快了测试速度
- 可通过 Simulink 测试简化的扩展卡尔曼滤波器
- MATLAB 支持多种语言的代码生成，包括 C 和 C++
Poclain Hydraulics 是静液压传动设备和电机开发领域的全球领导者，致力于为建筑、农业和采矿等行业的机械装置提供动力。这些电机通过将液压能转换为机械能来发电，这可能会使电机温度升高，甚至导致故障。
Poclain Hydraulics 使用 MATLAB® 和 Simulink® 打造了一款软传感器，该传感器利用深度学习或卡尔曼滤波器方法来实时监控电机温度。为了取得成功，深度学习或扩展卡尔曼滤波器模型必须考虑电机以往的负载情况和环境因素，如外部温度。与卡尔曼滤波器相比，神经网络方法的主要缺点在于缺乏可解释性。但在本例中，这不算什么问题。
该团队实施了完整的 AI 工业化流程，该流程从数据提取和随机化开始，然后进行神经网络的训练、测试和验证，最后是部署到他们的硬件上。MATLAB 和 Simulink 支持 C 或 C++ 代码生成、部署前测试和大型数据集管理，有助于推进该工业化流程。该团队还利用了 MATLAB 中提供的预训练神经网络来加速此流程。
作为该工业化流程的一部分，Poclain Hydraulics 通过在 MATLAB 和 Simulink 中构建和仿真基于物理的电机模型来生成数据。他们还能设计数据生成试验，测试各种电机参数，如压力、速度、时间和风险因素，以及管理试验结果。
