全球的航空航天和国防公司都依赖于MATLAB®和仿真软件®跨越所有技术准备水平,从原型到最重要的安全和关键任务系统.MATLAB和Simulink被用于所有领域的主要项目,如F-35联合攻击战斗机和火星探测漫游者,并加速在以下领域的研发自治系统特超音速,先进的无线系统以及飞机的杂化和电气化。
基于模型设计的数字工程通过早期设计模拟和代码生成帮助降低程序风险(如性能、进度和集成)。仿真软件的系统工程还要建立一个数字线程,提供需求、体系结构、设计、自动生成代码和测试工件之间的可跟踪性。这确保了设计的完整性,并简化了复杂系统的变更管理,所有这些都在相同的环境中进行。
在“第三次浪潮”中人工智能在美国,领域专家也在使用MATLAB和Simulink开发人工智能解决方案,以便更早地进行预测并改善决策。MATLAB和Simulink允许团队合并各种各样的数据源,并加速机器学习、深度学习和数据科学算法在其应用程序中的实现,这些应用程序可以部署到硬件或云端。
“基于模型的设计让我们对系统的功能设计有了进一步的了解。我们还比以前更早地完成了需求验证,并模拟了多个同时发生的组件故障,因此我们知道将会发生什么,并有信心控制逻辑将处理它。”
克里斯托弗松弛,空客
利用MATLAB和Simulink实现航天与国防
MathWorks下一代航空航天
观察您如何重视建模并使协作超越单个系统设计,以涵盖复杂的系统中的系统
系统工程
系统工程在管理复杂的需求、体系结构和多个领域的集成中扮演着越来越重要的角色,以确保具有卓越性能和安全性的系统交付。Simulink提供了一个易于使用的体系结构建模和分析环境,允许您将需求与基于模型的设计完全同步。
MATLAB和Simulink支持数字工程工作流程,允许用户:
- 捕获、查看、分析并管理需求数字线程(33:33)提供双向可追溯性在需求、体系结构、设计和实现之间,支持覆盖和变更影响分析
- 开发和检查系统架构模型从需求、现有的Simulink模型、icd和外部创建的架构的任何组合
- 进行数据驱动的贸易研究比较、分析或优化系统架构
- 自动生成报告用于覆盖、测试用例、icd和bug报告
- 模拟验证系统级行为的系统组合
- 满足行业安全标准就像- 178 c吗,做- 254,arp - 4754
飞行控制和发动机控制
在自动生成代码并集成到物理平台之前,通过仿真设计和测试安全关键控制系统。通过简化针对不同场景和平台配置的设计,在循环中使用硬件进行测试,并使控制逻辑符合安全标准,从而加快开发周期- 178 c吗-都在同一个环境中。
MATLAB和Simulink允许控制工程师:
- 开始和使用多个组件更快地构建植物模型例子飞行控制,六自由度,环境模型,以及车辆模型等美国国家航空航天局HL-20
- 为整辆车建模和它的子系统
- 使用预构建工具自动调优多变量控制器(4:56)利用先进的控制策略,比如模型预测控制而且鲁棒控制
- 设计和故障诊断故障检测、隔离和恢复逻辑
- 自动生成优化的代码来微处理器而且FPGA
- 执行验证和确认,认证符合安全标准
探索产品2022世界杯八强谁会赢?
无人机设计
无人机(UAV)工程师和科学家使用MATLAB和Simulink设计和调优控制系统和平台不可知的情报、监视和侦察(ISR)任务算法,建模真实系统,然后自动生成和验证代码-所有这些都来自一个软件环境。
MATLAB和Simulink使工程师能够:
- 连接和控制无人机以及MATLAB和Simulink中的组件
- 与平台进行通信机器人操作系统(ROS)而且MAVLink
- 模拟常见无人机传感器如GPS、IMU、INS和Altimeter
- 联合模拟你的无人机应用通过直接连接模拟器,比如露台而且虚幻引擎
- 开发与硬件无关的控制算法并执行三维同步定位和测绘(SLAM),路径规划和轨迹生成具有本机四元数支持
- 消除手动自动生成嵌入式代码适用于多种语言的微控制器、fpga、plc和图形处理器
- 连接到普通无人机自动驾驶仪,如PX4,以及低成本硬件,比如覆盆子π™,使用预先构建的硬件支持包
- 一起工作遗留代码并与现有系统集成
探索产品2022世界杯八强谁会赢?
无线系统
设计、原型和测试先进的算法、多功能射频系统和天线阵列下一代无线通信(27:30),雷达和电子战系统(35:28).有了MATLAB和Simulink,研究工程师可以快速证明新技术概念的可行性,在开发周期的早期消除设计问题,并简化设计验证。通过MATLAB和Simulink工具,工程师可以:
航空航天和国防人工智能
MATLAB和Simulink为解决从预测性维护到复杂任务(如多模态目标识别)的AI挑战提供了一个全面的平台。即使工程师的人工智能经验有限,MATLAB也能赋予他们能力。它帮助团队更好的AI数据集,解决集成挑战,降低风险,并在系统范围内持续测试模型。
- 使用预测性维护和优化车队服务数字双(剩8)能力,开发算法检测和预测故障和故障,和评估剩余使用寿命(34)
- 生成基于模拟的训练和测试数据对于雷达等应用波形而且目标分类算法,和创建复杂的控制系统(22:32)与强化学习.
- 雇佣深度学习和机器学习算法从各种数据类型创建精确的模型,并使用应用程序和可视化工具尝试不同的架构
- 在任何地方部署模型包括嵌入式gpu和cpu,企业系统,或者云