Необходимые условия

Для верификации PIL вам будет нужно:

Предварительно обученная сеть RUL

Этот пример использует предварительно обученную сеть LSTM, чтобы предсказать остающийся срок полезного использования механизма, измеренного в циклах. Сеть LSTM состоит из слоя LSTM с 200 скрытыми модулями, сопровождаемыми полносвязным слоем размера 50 и слоя уволенного с вероятностью уволенного 0.5. Сеть была обучена с помощью Турбовентиляторного Набора Данных моделирования Ухудшения Engine как описано в [1]. Обучающие данные содержат симулированные данные временных рядов для 100 механизмов. Каждая последовательность варьируется по длине и соответствует полному экземпляру запуска к отказу (RTF). Тестовые данные содержат 100 частичных последовательностей и соответствующие значения остающегося срока полезного использования в конце каждой последовательности. Для получения дополнительной информации об обучении сети смотрите, что Регрессия От последовательности к последовательности в качестве примера Использует Глубокое обучение (Deep Learning Toolbox).

net = coder.loadDeepLearningNetwork('rulNetwork.mat')

net = 
  SeriesNetwork with properties:

         Layers: [6×1 nnet.cnn.layer.Layer]
     InputNames: {'sequenceinput'}
    OutputNames: {'regressionoutput'}

Для получения информации о сетях слои и классы, поддержанные для генерации кода, видят Сети и Слои, Поддержанные для Генерации кода.

Подготовьте тестовые данные

Загрузите TurboFanRULValidate MAT-файл, который содержит Турбовентиляторный Набор данных Валидации Ухудшения Engine. Этот MAT-файл хранит переменную XValidate это содержит 100 демонстрационных наблюдений, представляющих показания датчика, которые вы используете, чтобы протестировать модель Simulink.

load('TurboFanRULValidate.mat')

Чтобы сделать данные о контроле ввода совместимыми с генерацией кода Simulink, длины последовательности для каждого из независимых 100 наблюдений дополнены нулем, чтобы создать однородно измеренный, 17 303 входные массивы.

sequenceLengths = cellfun(@length,XValidate,'UniformOutput',true);
maxSequenceLen = max(sequenceLengths);
padFcn = @(x) [x,zeros(size(x,1),maxSequenceLen-size(x,2))];             
XValidatePad = cellfun(padFcn,XValidate,'UniformOutput',false);

Заполненные значения затем преобразованы в 17 303 100 числовыми массивами. Чтобы импортировать эти данные в модель Simulink, задайте переменную структуры, содержащую значения данных и пустой временной вектор. В процессе моделирования вход впервые шаг читается сначала 17 303 элемент массива. Значение для шага второго раза читается из второго элемента, и так далее, для в общей сложности 100 шагов.

simin.time = [];
simin.signals.values = cell2mat(reshape(XValidatePad,1,1,[]));
simin.signals.dimensions = size(XValidatePad{1});

Модель Simulink для предсказания

Модель Simulink для предсказывает, что остающийся срок полезного использования турбовентиляторного механизма показывают. Модель использует Predict блок из Deep Neural Networks библиотека, которая импортирует обучивший сеть из rulNetwork Matfile. Кроме того, Mini-batch size параметр блока устанавливается на 1.

model = 'rulPredict';
open_system(model)

Запустите симуляцию

Чтобы подтвердить модель Simulink, запустите симуляцию.

set_param(model,'SimulationMode','Normal');
sim(model);

Выход YPred из Simulink модель содержит предсказанные остающиеся значения срока полезного использования от сети. Этот выход сначала обрезан, чтобы удалить результаты дополненных нулем значений и затем преобразован в массив ячеек.

YPred_cell = squeeze(mat2cell(YPred,1,maxSequenceLen,ones(1,100)));

for t = 1:length(sequenceLengths)   
    YPred_cell{t}(:,sequenceLengths(t) + 1:end) = [];
end 

Постройте предсказанные значения остающегося срока полезного использования (RUL) для четырех случайным образом выбранных наблюдений и сравните их с данными о валидации.

observationIdx = randperm(100,4);
rulExamplePlots(observationIdx,YValidate,YPred_cell);

Сконфигурируйте модель для генерации кода

Чтобы сгенерировать код C/C++, который не зависит ни от каких сторонних библиотек глубокого обучения и создает исполняемый файл, выберите дженерик, в реальном времени (ERT) цель от Embedded Coder™.

cs = getActiveConfigSet(model);
switchTarget(cs,'ert.tlc',[]);

Сконфигурируйте генерацию кода определенные параметры. Установка логгирования MAT-файла позволяет сгенерированному коду перенаправить данные моделирования к MAT-файлу.

set_param(cs,'TargetLang','C');
set_param(cs,'Toolchain','Automatically locate an installed toolchain');
set_param(cs,'ObjectivePriorities','Execution efficiency');
set_param(cs,'DLTargetLibrary','None');
set_param(cs,'GenerateReport','on');
set_param(cs,'CodeInterfacePackaging','Nonreusable function'); 
set_param(cs,'MatFileLogging', 'on');

Сгенерируйте и создайте модель Simulink

Сгенерируйте и создайте модель Simulink при помощи slbuild команда. Генератор кода помещает файлы в папку сборки, подпапка, названная rulPredict_ert_rtw под вашей текущей рабочей папкой.

evalc("slbuild('rulPredict')");

Запустите сгенерированный исполняемый файл

Запустите сгенерированный исполняемый файл. После успешного выполнения, rulPredict исполняемый файл создает rulPredict MAT-файл в текущей рабочей папке.

if ispc
    status = system('rulPredict.exe');
else
    status = system('./rulPredict');
end 

** created rulPredict.mat ** 
 

load('rulPredict.mat')

Выход rt_YPred содержит предсказанные остающиеся значения срока полезного использования от сети. Этот выход сначала обрезан, чтобы удалить результаты дополненных нулем значений и затем преобразован в массив ячеек.

rt_YPred_cell = squeeze(mat2cell(rt_YPred,1,maxSequenceLen,ones(1,100)));

for t = 1:length(sequenceLengths)   
    rt_YPred_cell{t}(:,sequenceLengths(t) + 1:end) = [];
end 

Постройте предсказанные значения остающегося срока полезного использования (RUL) для четырех случайным образом выбранных наблюдений и сравните их с данными о валидации.

rulExamplePlots(observationIdx,YValidate,rt_YPred_cell);

Верификация кода с процессором в цикле (PIL) симуляция

Чтобы гарантировать, что поведение кода развертывания совпадает с проектом, можно сконфигурировать модель Simulink, чтобы запустить PIL симуляцию на встроенных платах. В PIL симуляции сгенерированный код работает на встроенных платах, таких как STMicroelectronics® Discovery. Результаты PIL симуляции передаются Simulink, чтобы проверить числовую эквивалентность симуляции и результатов генерации кода.

Этот пример показывает верификацию PIL на плате Открытия STMicroelectronics при помощи Embedded Coder® Support Package для Советов Открытия STMicroelectronics. Этот пример предварительно сконфигурирован, чтобы работать на плате STM32F746G-открытия. Можно сконфигурировать эту модель, чтобы использовать другие поддерживаемые встроенные платы путем выбора их как "Аппаратной платы" на панели Аппаратной реализации Параметров конфигурации Модели.

Подготовьте тестовые данные

Для PIL симуляции этот пример сортирует наблюдения по длине последовательности и выбирает первые 10. Эти наблюдения дополнены нулем, чтобы создать однородно измеренный, 17 54 входные массивы. Заполненные значения затем преобразованы в 17 54 10 числовых массивов. Чтобы импортировать эти данные в модель Simulink, задайте переменную структуры, содержащую значения данных и пустой временной вектор. В процессе моделирования вход впервые шаг читается сначала 17 54 элемент массива. Значение для шага второго раза читается из второго элемента, и так далее, для в общей сложности 10 шагов.

[~,idx] = sort(cellfun(@length,XValidate));
XValidatePIL = XValidate(idx(1:10));
YValidatePIL = YValidate(idx(1:10));
sequenceLengths = cellfun(@length,XValidatePIL,'UniformOutput',true);
maxSequenceLen = max(sequenceLengths);
padFcn = @(x) [x,zeros(size(x,1),maxSequenceLen-size(x,2))];             
XValidatePILPad = cellfun(padFcn,XValidatePIL,'UniformOutput',false);
simin.time = [];
simin.signals.values = cell2mat(reshape(XValidatePILPad,1,1,[]));
simin.signals.dimensions = size(XValidatePILPad{1});

Топ-модель PIL

rulPredict_pil модифицированная версия rulPredict модель для верификации PIL. Загружать тестовые векторы, rulPredict_pil модель заменяет From Workspace блокируйтесь с Inport блок. Inport блок сконфигурирован, чтобы принять 17 54 массив двойного типа данных.

pilModel = 'rulPredict_pil';
open_system(pilModel);

Сконфигурируйте rulPredict_pil модель для цели STM32F467G-открытия.

cs = getActiveConfigSet(pilModel);
set_param(cs,'HardwareBoard','STM32F746G-Discovery');
set_param(cs,'Toolchain','GNU Tools for ARM Embedded Processors');

Плата STM32F4-открытия поддерживает два различных коммуникационных интерфейса для PIL: ST-LINK и последовательный. Коммуникационный интерфейс ST-LINK не требует никаких дополнительных кабелей, или оборудование помимо типа A USB к кабелю Mini-B раньше соединяло плату STM32F4-открытия с хостом - компьютером. Последовательный интерфейс требует кабеля USB TTL-232. Выполнение PIL симуляции с помощью последовательного интерфейса намного быстрее, чем выполнение PIL симуляции с помощью ST-LINK. Этот пример сконфигурирован, чтобы использовать последовательный интерфейс.

Кроме того, необходимо установить параметр COM-порта в Параметрах конфигурации> Аппаратная реализация> Ресурсы Целевого компьютера> PIL, чтобы совпадать с номером порта последовательного интерфейса на компьютере Windows.

Запустите PIL симуляцию

Чтобы сравнить результаты PIL с симуляцией, запустите rulPredict_pil модель в режиме normal mode и затем в режиме PIL.

set_param(cs,'LoadExternalInput','on');
set_param(cs, 'ExternalInput','simin');
set_param(pilModel,'SimulationMode','Normal');

sim(pilModel);
YPred_ref = YPred_pil;

set_param(pilModel,'SimulationMode','Processor-in-the-Loop (PIL)')
sim(pilModel);

Постройте результаты

Выход YPred_pil и YPred_ref содержите предсказанные остающиеся значения срока полезного использования от сети. Этот выход сначала обрезан, чтобы удалить результаты дополненных нулем значений и затем преобразован в массив ячеек.

Постройте предсказанные значения остающегося срока полезного использования (RUL) для PIL и сравните их с данными о валидации.

YPred_ref_cell = squeeze(mat2cell(YPred_ref,1,maxSequenceLen,ones(1,10)));
YPred_pil_cell = squeeze(mat2cell(YPred_pil,1,maxSequenceLen,ones(1,10)));

for t = 1:length(sequenceLengths)   
    YPred_ref_cell{t}(:,sequenceLengths(t) + 1:end) = [];
    YPred_pil_cell{t}(:,sequenceLengths(t) + 1:end) = [];
end 

rulExamplePlots([1:10],YValidatePIL,YPred_pil_cell);

Вычислите ошибку из PIL симуляции и постройте результаты.

YPred_error = YPred_ref-YPred_pil;

figure('Name', 'PIL Error')
for i = 1:10
    subplot(5,2,i)
    
    plot(YPred_error(:,:,i),'.-')
    maxerror = string(max(YPred_error(:,:,i)));
    ylim([-1e-4 1e-4])
    title("Test Observation " + i)
    xlabel("Time Step")
    ylabel("Difference")
end
legend(["Difference in Simulation Modes"],'Location','southeast')

Вспомогательные Функции

function rulExamplePlots(observationIdx,YTest,YPred)
N = numel(observationIdx);

figure
for i = 1:N
    subplot(N/2,2,i)

    plot(YTest{observationIdx(i)},'--')
    hold on
    plot(YPred{observationIdx(i)},'.-')
    hold off

    ylim([0 175])
    title("Test Observation " + observationIdx(i))
    xlabel("Time Step")
    ylabel("RUL")
end
legend(["Test Data" "Predicted"],'Location','southeast')

end

Ссылки