當深度學習遇見汽車，一場靜默的技術革命正在發生。從Poclain Hydraulics利用神經網絡實時監測電機溫度，到梅賽德斯-奔馳用虛擬傳感器替代硬件，再到康明斯通過 AI 模型加速發動機仿真——這些行業領軍者正借助 MATLAB 與 Simulink，將復雜算法轉化為高效落地的解決方案。

01Poclain Hydraulics 開發軟傳感器以使用深度學習和卡爾曼濾波器實時測量電機溫度

“我們確定了兩個已在 MATLAB 中實現的神經網絡，這些神經網絡幫助我們將代碼嵌入到了硬件中以實時預測溫度。”

—— Bruno Dandine，Poclain Hydraulics

關鍵成果

利用 MATLAB 中提供的預訓練神經網絡加快了測試速度

可通過 Simulink 測試簡化的擴展卡爾曼濾波器

MATLAB 支持多種語言的代碼生成，包括 C 和 C++

Poclain Hydraulics 是靜液壓傳動設備和電機開發領域的全球領導者，致力于為建筑、農業和采礦等行業的機械裝置提供動力。這些電機通過將液壓能轉換為機械能來發電，這可能會使電機溫度升高，甚至導致故障。

Poclain Hydraulics 使用 MATLAB 和 Simulink 打造了一款軟傳感器，該傳感器利用深度學習或卡爾曼濾波器方法來實時監控電機溫度。為了取得成功，深度學習或擴展卡爾曼濾波器模型必須考慮電機以往的負載情況和環境因素，如外部溫度。與卡爾曼濾波器相比，神經網絡方法的主要缺點在于缺乏可解釋性。但在本例中，這不算什么問題。

該團隊實施了完整的 AI 工業化流程，該流程從數據提取和隨機化開始，然后進行神經網絡的訓練、測試和驗證，最后是部署到他們的硬件上。MATLAB 和 Simulink 支持 C 或 C++ 代碼生成、部署前測試和大型數據集管理，有助于推進該工業化流程。該團隊還利用了 MATLAB 中提供的預訓練神經網絡來加速此流程。

作為該工業化流程的一部分，Poclain Hydraulics 通過在 MATLAB 和 Simulink 中構建和仿真基于物理的電機模型來生成數據。他們還能設計數據生成試驗，測試各種電機參數，如壓力、速度、時間和風險因素，以及管理試驗結果。

02梅賽德斯-奔馳汽車公司用深度神經網絡仿真硬件傳感器

“這是我們第一次在動力總成系統 ECU 上使用神經網絡仿真傳感器。如果沒有 MATLAB 和 Simulink，我們將不得不使用手動編碼過程，而這個過程會非常繁瑣、緩慢且容易出錯。”

—— Katja Deuschl，梅賽德斯-奔馳汽車公司的 AI 開發人員

關鍵成果

滿足了 CPU、內存和性能要求

建立了靈活的流程

開發速度提升了 600%

許多汽車制造商為其開發車輛配備許多額外的硬件傳感器，以采集數據來診斷問題和細化設計。一旦汽車投產，這些傳感器就會被移除以降低成本。然而，在某些情況下，硬件傳感器可以用虛擬傳感器代替。虛擬傳感器是成本更低的軟件替代項，可進一步提高安全性、效率和駕駛員舒適度。

梅賽德斯-奔馳汽車公司最近使用 MATLAB 和 Simulink 建立了部署虛擬傳感器的新工作流，例如仿真活塞壓力傳感器功能的工作流。這些傳感器基于在資源有限的 ECU 微控制器上運行而設計的深度學習網絡。這種自動化工作流取代了速度較慢且依賴試錯法的手動工作流。

“MathWorks 團隊幫助我們開發了易于使用的管道，用于創建神經網絡并將其集成到我們的車輛控制器單元中。”梅賽德斯-奔馳汽車公司的 AI 開發人員 Katja Deuschl 說。“憑借這一管道，我們現在能夠為虛擬傳感器和各種其他應用創建和部署不同類型的神經網絡。”

挑戰

大多數深度神經網絡是為在比汽車 ECU 具有更強的處理能力和內存空間的計算機上運行而設計的。此外，ECU 不支持常用的深度學習框架（如 TensorFlow 和 PyTorch）或它們所需的浮點運算。

為了在 ECU 上運行基于這些框架的模型， 開發人員必須首先將 Python 代碼轉換為 C 語言代碼，并將模型參數和計算變換為定點運算。這個過程需要梅賽德斯-奔馳汽車公司花費數周的時間才能完成，產生的結果也不可靠，并且新團隊成員也很難掌握。

梅賽德斯-奔馳的團隊在完成從 Python 轉換模型所需的許多手動步驟時，必須確保用 C 語言實現的模型能夠放入 ECU 的有限內存空間，并且運行速度足夠快，以便為時間敏感操作（如傳感活塞壓力）提供實時推斷。因此，該團隊希望建立更可靠、自動化程度更高的流程。

解決方案

梅賽德斯-奔馳汽車公司團隊與 MathWorks 工程師合作實現了優化的工作流，將 Python 深度學習模型轉換為可以遷移到其 ECU 集成管道的代碼和參數。

在此工作流中，梅賽德斯-奔馳汽車公司團隊使用 QKeras 庫在 Python 中訓練了量化的長短期記憶 (LSTM) 神經網絡。

他們使用 Deep Learning Toolbox 將經過訓練的網絡導入 MATLAB 中。然后，他們運行自定義的 MATLAB 腳本將導入的神經網絡轉換為 Simulink 模型。

接下來，該團隊使用 Fixed-Point Designer 將模型中的所有參數從浮點數據類型轉換為定點數據類型，從而為部署到汽車 ECU 做準備。

在 Simulink 中使用仿真驗證定點模型后，團隊將模型交給第三方軟件集成商，該集成商在 ECU 上將該模型和其他軟件組件一起實現。

在使用此工作流成功實現第一個用例（活塞壓力虛擬傳感器）后，梅賽德斯-奔馳汽車公司團隊目前正在將該工作流應用于 ECU 目標的更多傳感器和其他深度學習應用。

結果

滿足了 CPU、內存和性能要求。“借助 MATLAB 和 Simulink，我們實現了能夠放入 ECU 的虛擬傳感器神經網絡，滿足了我們的基準要求，”Deuschl 說。“如果用傳統的軟件開發方法，我們無法生產類似的虛擬傳感器。”

建立了靈活的流程。Deuschl 說：“我們已將使用 MATLAB 和 Simulink 創建的自動化工作流用于其他用例。我們做了一些輕微調整以支持在兩個不同動力總成系統控制器上的部署。該工作流也適用于其他類型的深度學習模型，如門控循環單元和全連接神經網絡。”

開發速度提升了 600%。“與我們以前的手動開發流程相比，Deep Learning Toolbox 和 Fixed-Point Designer 使我們的開發速度提升了大約 6 倍，”Deuschl 說。“隨著手動開發工作量的減少，我們在創建模型和代碼時出錯的數量也大幅降低。”

03康明斯利用基于人工智能的降階模型預測發動機性能和排放

該方法提高了發動機性能模型的速度和精度

“使用 MATLAB 有很多好處，例如幾乎不需要任何編碼經驗，因此初學者也可以開發這些模型……我們可以從該平臺中獲得更多收益，而無需花費大量時間在代碼開發工作上。”

—— Shakti Saurabh,，康明斯印度分公司

關鍵成果

借助 MATLAB ，康明斯將發動機循環仿真運行時間縮短至實際時間的八分之一

低代碼工具使技術專家能夠專注于分析而不是編碼

加速端到端 AI 模型開發工作流程，減少成本、工作量和內存占用

為了準確預測發動機效率和排放水平，建立模擬發動機循環的模型至關重要。然而，開發這些模型涉及各種三維到一維的仿真（通常使用第三方工具），與實時相比，這可能需要 20 倍以上的時間才能完成。

為了提高這些模型的速度和準確性，發動機開發領域的全球領導者康明斯使用了 MATLAB 構建基于 LSTM 的神經網絡。該團隊使用 Deep Learning Toolbox 和 Statistics and Machine Learning Toolbox 仿真了 26 種不同的發動機響應，包括壓力、溫度和發動機制動扭矩。

使用 MATLAB 幾乎不需要康明斯團隊具有編碼經驗，并且有助于將模型速度提高到實時速度的八倍。未來，該團隊計劃將他們的模型與真實的硬件和控制組件相結合。