Industrie Mag - Le journal de l'industrie.

MathWorks présente aujourd’hui la version 2022b (R2022b) des familles de produits MATLAB® et Simulink®. Cette version R2022b propose deux nouveaux produits et plusieurs fonctionnalités avancées permettant de simplifier et d’automatiser l’approche Model-Based Design pour les ingénieurs et chercheurs chargés de l’innovation et du développement produit dans leur entreprise.

Selon les prévisions, le marché des systèmes de gestion de batteries atteindra une valeur de 13,4 milliards de dollars en 2026. Bloomberg New Energy Finance estime que cette croissance est liée en grande partie à celle du marché des véhicules électriques. Le dernier rapport de l’organisation indique que d’ici 2040, 58 % des véhicules de transport de passagers vendus dans le monde seront électriques. Simscape Battery™, l’une des principales nouveautés de la version R2022b, offre des outils de design et des modèles paramétrés pour les entreprises qui conçoivent des systèmes de batterie de ce type.

Les ingénieurs et chercheurs peuvent utiliser Simscape Battery pour créer des jumeaux numériques et exécuter des tests virtuels des architectures de blocs de batteries. Ce nouveau produit leur permet de concevoir des systèmes de gestion de batterie et d’en évaluer le comportement dans des conditions de fonctionnement normal et lors de défaillances. L’outil permet également d’automatiser la création de modèles de simulation correspondant à la topologie des blocs souhaités. Il inclut des connexions aux plaques de refroidissement pour évaluer les réponses électriques et thermiques.

« Nous sommes heureux de lancer Simscape Battery, car les innovations en matière de gestion de systèmes de batterie n’ont jamais été aussi nombreuses », a déclaré Graham Dudgeon, responsable produit pour la modélisation des systèmes électriques chez MathWorks. « Ce nouveau produit inclut de nombreux outils de design conçus pour simplifier et automatiser l’approche Model-Based Design, comme Battery Pack Model Builder qui permet aux ingénieurs d’évaluer différentes architectures de blocs de batteries de manière interactive ».

R2022b inclut également Medical Imaging Toolbox. Cette nouvelle toolbox propose des outils pour les applications d’imagerie médicale permettant de concevoir, de tester et de déployer des algorithmes radiomiques et de diagnostics qui exploitent des réseaux de Deep Learning. Les chercheurs, scientifiques, ingénieurs et designers d’équipements dans le domaine médical peuvent utiliser Medical Imaging Toolbox pour la visualisation 3D multi-volumes, le recalage multimodal, la segmentation et la labélisation automatisée des données de vérité terrain pour entrainer des réseaux de Deep Learning sur des images médicales.

La version R2022b propose des mises à jour d’outils populaires dans MATLAB et Simulink :

 AUTOSAR Blockset : développez des applications orientées services avec des méthodes ARA client-serveur, et déployez-les sur des plateformes Linux embarquées. Cet outil permet aux utilisateurs de définir des types de données et des interfaces dans un modèle d’architecture.

 Fuzzy Logic Toolbox : concevez, analysez et simulez des systèmes d’inférence floue (FIS) de manière interactive en utilisant la dernière mise à jour de l’application Fuzzy Logic Designer. La nouvelle version de cette toolbox permet également aux ingénieurs et aux chercheurs de concevoir des FIS de type 2 en utilisant des fonctions en ligne de commande ou l’application Fuzzy Logic Designer.

 HDL Coder : générez un code SystemC optimisé depuis MATLAB pour la synthèse de haut niveau (HLS), et utilisez la conversion trames/échantillons pour optimiser le modèle et le code.

 Model Predictive Control Toolbox : comprend des réseaux de neurones servant de modèles de prédiction et de contrôleurs de design conformes aux normes ISO 26262 et MISRA C.

 System Identification Toolbox : créez des modèles de représentation d’état non linéaires basés sur le Deep Learning grâce à des équations différentielles ordinaires (ODE) neuronales. Vous pouvez également utiliser des techniques de Machine Learning et de Deep Learning pour représenter la dynamique non linéaires dans des modèles Hammerstein-Wiener et ARX non linéaires.

https://www.mathworks.com/