🎯 Сколько запусков модели требуется, чтобы настроить ПИ-регулятор?

Десятки? Сотни? А если поручить эту работу оптимизатору?

В новом проекте сообщества Engee показан практический подход к автоматической настройке ПИ-регулятора на основе моделирования переходного процесса.

Подход состоит из двух этапов.

1️⃣Сначала выполняется параметрическое исследование модели. В проекте анализируется влияние интегрального коэффициента на время уставки и перерегулирование. Такой предварительный анализ позволяет определить разумный диапазон поиска для последующей оптимизации.

2️⃣После этого формируется целевая функция. На каждом шаге оптимизации скрипт автоматически:
• изменяет коэффициенты P и I через engee.set_param!;
• запускает моделирование;
• извлекает характеристики переходного процесса с помощью StepInfo;
• вычисляет значение критерия качества;
• передает его оптимизатору для следующей итерации.

Интересно, что критерий качества задаётся как взвешенная комбинация характеристик переходного процесса. Например, можно сделать главным параметром время уставки, одновременно ограничивая перерегулирование и учитывая время нарастания.

В опубликованном проекте такой подход позволил сократить время уставки примерно в 3 раза относительно исходной настройки регулятора.

А ещё это хороший пример того, как в Engee можно связать модель системы управления, инструменты ТАУ, скрипты и методы оптимизации в единый инженерный процесс.

📎 Ссылка на проект

Рекомендуем скачать проект из сообщества и запустить его у себя. Даже если вы давно занимаетесь системами управления, есть шанс открыть для себя инструмент, который позволит тратить меньше времени на подбор коэффициентов и больше — на решение самой задачи.

🧑‍🎓 10.06 Тестирование и отладка РТС при помощи RITM SDR USRP

📡 Как определить направление на источник сигнала, когда целей несколько, а условия приёма далеки от идеальных?

Друзья,

В сообществе Engee опубликован новый проект по моделированию многоканальной широкополосной системы пеленгации множественных малоразмерных объектов - БПЛА типа «квадрокоптер».

➡️ Сценарий: радиолокационная станция (РЛС) с прямоугольной фазированной антенной решёткой (ФАР) расположена в начале координат. В её зоне наблюдения по направлению к РЛС одновременно движутся 4 малоразмерных БПЛА. Дальность до целей составляет 1000-1500 метров, скорость 130-150 м/с. Азимутальные направления на цели лежат в пределах [-20, 20] град, угломестные - [0, 30] град.

➡️ Задача: при заданных параметрах антенной решётки, зондирующего широкополосного импульса и приёмо-передающего тракта РЛС сравнить, какой из трёх алгоритмов цифровой обработки сигналов (BeamScan, MVDR (Capon), MUSIC) точнее справляется с задачей определения углового положения целей при различных значениях отношения сигнал/шум (ОСШ).

Внутри модели:
🔹генерация пачки импульсов сигналов с линейной частотной модуляцией (ЛЧМ);
🔹моделирование эквидистантной прямоугольной антенной решётки;
🔹излучение и прием отраженного сигнала;
🔹добавление шумов и изменение ОСШ в широком диапазоне;
🔹моделирование сценариев движения и фоно-целевой обстановки;
🔹расчет пространственных спектров;
🔹оценка направлений прихода сигналов различными алгоритмами.

В проекте можно проследить, как меняется работа каждого алгоритма при ухудшении отношения сигнал/шум, а именно - результаты моделирования показывают, что MVDR обеспечивает высокое разрешение при хорошем качестве сигнала, BeamScan сохраняет работоспособность при сильных шумах, а MUSIC демонстрирует наиболее удачный баланс между разрешающей способностью и помехоустойчивостью. Даже при отрицательных значениях ОСШ алгоритм MUSIC продолжает уверенно обнаруживать все четыре цели.

Важно отметить, что проект позволяет не просто получить готовый результат, а исследовать саму задачу пеленгации множественных целей в сложных сценариях.

Можно изменять:
🔸параметры антенной решётки и приёмо-передающего тракта;
🔸параметры зондирующих импульсов;
🔸количество источников сигнала и сценарии их движения;
🔸отношение сигнал/шум;
🔸используемый алгоритм пеленгации.

В результате мы имеем полноценный исследовательский стенд для изучения современных методов DOA-оценки, который можно использовать как для обучения, так и в качестве отправной точки для собственных разработок в области радиопеленгации, радионавигации, радиоэлектронной борьбы (РЭБ), связи и телекоммуникации.

➡️ Длинные выходные — хороший повод открыть проект, запустить моделирование и посмотреть, как ведут себя классические алгоритмы пеленгации в разных условиях.

🇷🇺 С наступающим Днём России и хороших выходных!

▶️ Моделируем режимы работы аккумулятора

Друзья, хотим поделиться с вами наглядным проектом на основе конечных автоматов.

Представьте себе аккумулятор, который может находиться в различных режимах работы:

1️⃣Быстрая зарядка - с 0 до 80%;
2️⃣Медленная зарядка - с 80 до 100%;
3️⃣Разрядка в ходе использования аккумулятора;
4️⃣Переключение на резервную батарею при критическом уровне заряда.

Как спроектировать такую систему, чтобы логика переключений между режимами была понятной и не превращалась в запутанный клубок условий?

В Engee для этого есть надёжный и удобный инструмент - библиотека «Конечные автоматы».

➡️ На её основе мы разработали модель, которая позволяет:

✔️ Отслеживать уровень заряда аккумулятора и резервной батареи;
✔️ Автоматически выбирать нужный режим работы в зависимости от уровня заряда;
✔️ Наблюдать за изменением выходной мощности аккумулятора;
✔️ Визуализировать периоды активности резервной батареи.

➡️ Проект демонстрирует ключевые концепции моделирования на основе конечных автоматов:

🔹Графы переходов и машины состояний;
🔹Иерархичность состояний;
🔹Параллельную декомпозицию и синхронизацию параллельных состояний.

Особенно полезен этот пример будет для тех, кто только знакомится с моделированием управляющей логики в Engee: возможности библиотеки разбираются последовательно - от простых к сложным. Так что разобраться сможет каждый!

📎 Ознакомиться с проектом вы можете в Сообществе Engee.

Используйте современные инструменты для моделирования сложных систем, и пусть ваши наработки превращаются в надёжные и масштабируемые решения!

Релиз 26.6 – новое в июне 🌞🛠️🍒

Друзья,

☀️ Кажется, лето только началось, а первый месяц уже позади. Надеемся, вы успели не только немного отдохнуть, но и сделать что-нибудь интересное.

Мы тем временем тоже без дела не сидели. На Engee.com уже доступно июньское обновление, в котором появилось много полезных возможностей и улучшений для среды моделирования. Постарались сделать ежедневную работу инженеров немного удобнее, быстрее и приятнее.

Самое важное:
⭐️Новое приложение - Словари данных;
⭐️Новые возможности для контекстного меню холста;
⭐️Синхронизация временных графиков;
⭐️Обновление дизайна и юзабилити Engee.Интеграции;
⭐️Подсветка синтаксиса в пользовательских шаблонах генератора кода;
⭐️Поддержка CAN FD;

А еще:
✅Новые блоки и функции в библиотеках Электричества, Газа, Навигации, РЧ, Интерфейсов, Радаров, ФАР, ЦОС;
✅Горячие клавиши для «комментирования» блоков;
✅Улучшения конвертора моделей;
✅Улучшение подсветки выходов мультискоростных подсистем;
✅Блоки Servo в пакете поддержки Arduino;
✅Новые статьи в Документации и новые Примеры;

Если хотите ознакомиться со всеми изменениями, обязательно загляните в раздел Что нового 26.6.

Желаем вам продуктивного июля, интересных инженерных задач и времени не только на работу, но и на лето. Спасибо, что развиваете Engee вместе с нами! 💼

P.S. Следите за новостями, очень скоро мы анонсируем кое-что очень интересное! 👀

🛠 Julia, MATLAB и Python в одной инженерной среде

В инженерных командах редко бывает так, что все работают на одном языке. Где-то исторически остался MATLAB, новые алгоритмы пишутся на Julia, а для анализа данных и сторонних библиотек используется Python.

Но какой язык лучше выбрать для вычислений? Хорошая новость в том, что в Engee ничего из этого выбирать не нужно. Все три языка могут работать вместе.

Недавно мы подготовили три материала, посвящённых этой теме.

➡️ Сравнение синтаксиса Julia, MATLAB и Python

Если приходится регулярно переключаться между языками, постоянно ловишь себя на мысли: "А как это пишется в MATLAB? А как в Python?"

Мы собрали для вас наиболее часто используемые конструкции в одном месте: работа с массивами и матрицами, линейная алгебра, функции, словари, исключения, ввод-вывод и многое другое. Пользуйтесь!

Например:

Поэлементное умножение
Julia: A .* B
MATLAB: A .* B
Python: A * B

Матричное умножение
Julia: A * B
MATLAB: A * B
Python: A @ B

Логическая индексация
Julia: A[A .> 0]
MATLAB: A(A>0)
Python: A[A>0]

➡️ Интеграция Julia, MATLAB и Python

Самое интересное — языки можно использовать совместно.
Например, передать массив из Julia в MATLAB:

x = rand(1000)

@mput x

mat"""
y = fft(x);
"""

@mget y

Или сразу обратиться к библиотеке NumPy:

np = pyimport("numpy")
np.mean(y)

В опубликованном проекте показана полноценная цепочка вычислений: Julia формирует исходные данные, MATLAB выполняет быстрое преобразование Фурье, Python анализирует результат через NumPy, после чего данные возвращаются обратно в Julia. Всё это происходит внутри одного проекта без экспорта файлов и ручной конвертации данных.

➡️ А что по производительности?

Заодно решили сравнить Julia, MATLAB и Python на нескольких типовых инженерных задачах.

В тест вошли:
• векторные вычисления на массивах из 10⁷ элементов;
• умножение матриц 5000×5000;
• решение СЛАУ размерностью 8000×8000;
• быстрое преобразование Фурье для 10⁷ отсчётов;
• численное интегрирование;
• метод Монте-Карло;
• решение уравнения теплопроводности.

Картина получилась вполне ожидаемой:
🔹На линейной алгебре Julia и MATLAB работают практически одинаково — обе используют высокооптимизированные BLAS/LAPACK.
🔹А вот там, где начинается большое количество последовательных вычислений — циклы, Монте-Карло, численные схемы, — Julia начинает заметно уходить вперёд. В некоторых задачах преимущество над MATLAB достигает порядка, а над Python — нескольких порядков.

Если вам интересны Julia, MATLAB или Python в инженерных расчётах — рекомендуем посмотреть все три материала. Они хорошо дополняют друг друга: сначала можно быстро найти нужную конструкцию, затем разобраться с интеграцией языков, а после посмотреть, как они ведут себя на реальных вычислительных задачах.

📎 Все материалы уже доступны в каталоге проектов сообщества Engee:
• Cравнение синтаксиса Julia, MATLAB и Python
• Интеграция Julia, MATLAB и Python
• Тестирование производительности: Julia, MATLAB, Python

Друзья,

Часто при работе с большими моделями не очевидно, откуда сигнал получил свой тип данных, размерность или частоту дискретизации. Особенно если характеристики наследуются через несколько уровней модели.

📹 Записали новое видео, посвящённое прямому и обратному наследованию характеристик сигналов в Engee.

Разбираем, как работает механизм наследования и как определить источник характеристик сигнала.

В видео используем готовую модель из сообщества Engee: показываем, где её найти, как загрузить и повторить все шаги самостоятельно.

🔧 Если вы регулярно работаете со сложными моделями, этот материал поможет быстрее разбираться с вопросами, связанными с распространением характеристик сигналов.

Приятного просмотра!
📱 Ссылка в VK

🏆Школа анализа данных 24.08