- Detalles
- Categoría: Minitab
- Visto: 4550
Aprendizaje automático avanzado incrementado, ahora disponible en Minitab® Statistical Software
Minitab, LLC, el líder en análisis de datos, análisis predictivo y mejora de procesos, ha anunciado el lanzamiento de nuevas capacidades de análisis predictivo y métodos avanzados de aprendizaje automático en Minitab® Statistical Software. Además de los métodos clásicos de Minitab, los usuarios ahora pueden aprovechar la potencia de los métodos de aprendizaje automático avanzados a través de clics – desplegando el nuevo módulo de análisis predictivo de Minitab – o por código, al integrarse con los lenguajes de código abierto R o Python.
Con el nuevo módulo de análisis predictivo de Minitab, los usuarios podrán problemas más complicados, descubrir con una percepción más profunda, y visualizar interacciones complejas de una manera mejor, más rápida, más fácil y precisa. Prediga con habilidad, compare alternativas y prediga con facilidad utilizando las revolucionarias técnicas analíticas predictivas de Minitab.
El módulo de análisis predictivo de Minitab consta de métodos propietarios como los árboles de clasificación y regresión (CART®), el Random Forests® original, un algoritmo de clasificación consistente en muchos árboles de decisión y TreeNet®, la metodología de potenciación de gradiente propia de Minitab. Desarrollada por los inventores de las técnicas de modelado basadas en árboles, Minitab es la única compañía del mundo que ofrece estos catalogados y populares métodos. Ahora Minitab está hacienda que estos métodos sean accesibles a todo el mundo, no solo a los científicos, sin importar dónde estén en sus jornadas de análisis.
Jeffrey T. Slovin, presidente y director general de Minitab, dijo: “El módulo de análisis predictivo de Minitab subraya nuestro compromiso de ayudar a las organizaciones a acelerar sus transformaciones. Haciendo que el aprendizaje automático sea fácil de utilizar y comprender, las compañías alrededor del mundo pueden acceder a la potencia de estos métodos para resolver problemas complejos y predecir mejores resultados, de forma más rápida y fácil que nunca.
- Detalles
- Categoría: Maple
- Visto: 3989
Maple Conference 2021 se llevará a cabo del 2 al 5 de noviembre de 2021. Igual que el año pasado, la conferencia de este año será un evento virtual gratuito, sin los gastos e inconvenientes actuales de los viajes, por lo que será una excelente oportunidad para que los usuarios de todo el mundo se conecten con Maplesoft y la comunidad Maple.
En este momento se arranca la invitación a presentar propuestas para presentaciones en la conferencia. Si tiene un trabajo, desarrollo o idea, que está interesado en compartir y presentar, que involucre al software Maple, Maple Learn y/o Maple Calculator, por favor utilce el enlace inferior para seguir los pasos para presentar su propuesta para la conferencia. ,
Las presentaciones pueden entrar en una variedad de temas relacionados con Maple, incluyendo Maple en educación, algoritmos y software, y aplicaciones. Puede encontrar más información en la convocatoria de presentaciones.
Todos los presentadores tendrán la opción de presentar a revisión un artículo completo que si es aceptado será incluido en las actas de la conferencia.
- Detalles
- Categoría: MapleSim
- Visto: 3123
DesafíoEn la Universidad de California en Los Ángeles (UCLA), el Laboratorio de Mecatrónica y Control realiza investigaciones en una variedad de aplicaciones basadas en control, que incluyen mecanización, control de motores y nanoposicionamiento. Buscaban herramientas de software que les dieran una mejor comprensión dinámica de sus sistemas, con el fin de desarrollar controladores más precisos e iterar en su desarrollo más rápido que antes. SoluciónEl equipo del laboratorio de investigación eligió MapleSim para su análisis dinámico, proporcionándoles modelos precisos a nivel de sistema que podrían servir como bancos de prueba tanto para el desarrollo de controles como para fines educativos. ResultadoAl utilizar MapleSim, el equipo pudo avanzar en su desarrollo y comprensión para una variedad de sus proyectos de control y mecatrónica. En algunas situaciones, MapleSim brindó la capacidad de explorar la dinámica de su máquina y evaluar las estrategias de control más rápido, y para otras aplicaciones, el equipo usó MapleSim para enseñar mejor los conceptos de control a sus estudiantes usando modelos interactivos. |
En casi todos los aspectos de la vida de hoy existen tecnologías nuevas y complejas para mejorar nuestra calidad de vida. Si bien estas tecnologías pueden ser muy diferentes, a menudo comparten un solo origen: laboratorios de investigación en instituciones académicas. Estos laboratorios, como el Laboratorio de Mecatrónica y Control de la UCLA, desarrollan y perfeccionan nuevas tecnologías para aplicaciones futuras en todas las industrias.
Como director del Laboratorio de Mecatrónica y Control, el profesor Tsu-Chin Tsao ayuda a guiar la investigación de su equipo, que consiste principalmente en aplicaciones basadas en control para mecanizado de precisión, control de motores y nanoposicionamiento. Para el diseño y control de maquinaria precisa, las herramientas basadas en simulación proporcionan información clave sobre cómo funcionará la máquina en diversas condiciones de funcionamiento. Mejores datos de simulación tienen un impacto directo en la facilidad y precisión con que se pueden desarrollar estrategias de control.
Como parte de su gestión de investigación y educación, el equipo adoptó recientemente MapleSim, la herramienta de simulación y modelado de Maplesoft, para crear modelos dinámicos de sus proyectos de investigación. Con estos modelos dinámicos de MapleSim, el equipo podría investigar más fácilmente cómo se comportarían sus productos en diferentes circunstancias. Los resultados de la simulación han ayudado al equipo a desarrollar mejores estrategias de control para varios proyectos y han servido como una herramienta educativa eficaz para demostrar conceptos a sus estudiantes. A continuación se destacan tres proyectos diferentes, que describen su desarrollo y prueba con MapleSim.
Control de aprendizaje iterativo de manipuladores de robots
El seguimiento de la trayectoria de los manipuladores de robots es una tecnología crítica en varias industrias, ya que tiene aplicaciones en muchos procesos de fabricación, como corte por láser, soldadura, pulido y dispensación de pegamento. La naturaleza repetida de estas tareas hace que el control de aprendizaje iterativo (cuyas siglas en inglés son ILC), una estrategia que utiliza información de ensayos previos para mejorar ensayos posteriores, sea una técnica prometedora para mejores estrategias de control. La mayoría de los robots industriales utilizan motores con engranajes por su bajo coste, alto par motor y tamaños compactos. Como consecuencia del uso de motorreductores, el par externo cambiante se mitiga con la reducción del engranaje, lo que permite al equipo modelar la manipulación como un sistema de entrada única y salida única (SISO).
Figura 1: El modelo MapleSim para el manipulador de robot RH-12, que muestra tanto el modelo multicuerpo como el diseño de un único subsistema Feed Drive.
En este estudio, el equipo evaluó si se podría aplicar una estrategia de ILC para mejorar el desempeño de seguimiento y control [1]. Para acelerar la velocidad de convergencia y reducir las iteraciones requeridas, se desarrolló un modelo dinámico que utiliza datos cinemáticos inversos para proporcionar al controlador datos de entrada. El algoritmo desarrollado se probó en un modelo de manipulador de robot de 6 grados de libertad (DOF) construido en MapleSim (Figura 1) . Utilizando el modelo dinámico de MapleSim, el equipo también investigó el algoritmo ILC en escenarios comunes que impactan el movimiento del robot, como la elasticidad de las articulaciones, la fricción y el juego de engranajes. El equipo comparó los datos de ILC con un diseño típico que no era de ILC y encontró mejoras significativas utilizando sus algoritmos de ILC (Figura 2).
Figura 2: Resultados del rendimiento de seguimiento de PID de línea base en comparación con el rendimiento de seguimiento de ILC, donde (A) es la ruta de referencia, (B) es la ruta del controlador PID original con desviaciones (rojo) y (C) es la ruta del algoritmo ILC con casi ninguna desviación distinguible de la ruta de referencia.
Sistema robótico para televigilancia y formación en cirugía laparoscópica
El LapaRobot se introdujo como una plataforma para ayudar a los alumnos a desarrollar de forma segura las habilidades específicas necesarias para la cirugía laparoscópica, que utiliza cables de fibra óptica insertados en la pared abdominal con gran precisión [2]. El sistema LapaRobot se compone de una estación experta y una estación de aprendices que están conectadas a través de una conexión a Internet. Los actuadores integrados permiten que un cirujano experto maneje la estación del aprendiz para que el aprendiz aprenda la técnica adecuada a través de la retroalimentación física. La trayectoria de la herramienta quirúrgica y la transmisión de video pueden ser grabados y luego reproducidos por un aprendiz para perfeccionar sus habilidades a través de la repetición guiada sin la necesidad de supervisión experta. El sistema está diseñado para crear una aproximación de alta fidelidad del espacio de trabajo quirúrgico, incorporar instrumentos quirúrgicos disponibles comercialmente, y proporcionar una gran cantidad de datos de alta resolución para análisis cuantitativos y feedback.
Figura 3: El sistema quirúrgico LapaRobot (izquierda) y el modelo CAD que describen varios aspectos del diseño (derecha).
El modelo cinemático se construyó en MapleSim para evaluar los requisitos de diseño, como el rango de movimiento. Utilizando MapleSim CAD Toolbox , la información CAD de LapaRobot se importó a MapleSim y los componentes se conectaron entre sí con juntas revolucionarias y prismáticas (Figura 4) . Con este modelo, la información de rango de movimiento podría extraerse bajo una variedad de condiciones de operación. Se pueden incorporar otras propiedades, como la inercia, la dinámica del motor y la fricción, para simular mejor la dinámica general del sistema y facilitar el diseño de mejores algoritmos de control.
Figura 4: El diseño del componente se ve en el modelo MapleSim (izquierda), y el brazo derecho del modelo se ve en la ventana de resultados de simulación 3D de MapleSim (derecha).
Un novedoso cuadricóptero multirrotor de giro e inclinación
Se desarrolló un novedoso sistema de cuadrotor basado en los resultados de simulación dinámica de MapleSim [3]. Cada hélice de este cuadrotor consta de dos juntas de rotación adicionales, que brindan capacidades de giro e inclinación a la pala de la hélice y permiten que cada hélice genere empuje en múltiples direcciones (Figura 5) . El quadrotor tiene 12 grados de libertad (DOF) y está sobreactivado en un espacio tridimensional para proporcionar un mayor control. En comparación con los cuadrotores tradicionales con poca activación, el cuadrotor con giro e inclinación es capaz de seguir las trayectorias mientras mantiene la orientación deseada, lo que proporciona una mayor flexibilidad durante el movimiento con una mejor eficiencia energética.
Figura 5: La configuración de una sola hélice, destacando los actuadores de giro e inclinación.
Con MapleSim, se evaluó la dinámica de cada componente individual en el cuadrotor con resultados de simulación. La dinámica de los servomotores conjuntos y los motores de hélice se incluyen en el modelo, y se agregaron sensores de locomoción para el sistema cuando fue necesario. El modelo completo de MapleSim se exportó luego como un bloque de función S de Simulink utilizando el conector MapleSim para desarrollar los algoritmos de control. Para probar el sistema, se colocó una sonda de contacto debajo del quadrotor para proporcionar retroalimentación de la fuerza de contacto. Con esta retroalimentación, se simuló el rendimiento del cuadrotor durante tareas de inspección simples en diferentes superficies (Figura 6).
Figura 6: El modelo 3-D en MapleSim, utilizado para visualizar el rendimiento del cuadrotor durante varias simulaciones.
Avanzando
Mediante el uso de MapleSim, el profesor Tsao y su equipo han desarrollado nuevos métodos para desarrollar, probar y capacitar dentro del Laboratorio de Mecatrónica y Control de UCLA. Estos proyectos se han beneficiado de diferentes características de MapleSim, desde capacidades de visualización hasta modelos de conectividad de exportación, y han ayudado a los objetivos de investigación y educación del laboratorio. Visite el sitio web del profesor Tsao para conocer más sobre los proyectos en curso en el Laboratorio de Mecatrónica y Control.
Referencias
- Lee, Yu-Hsiu, et al. "A Nested-Loop Iterative Learning Control for Robot Manipulators." IFAC-PapersOnLine 52.15 (2019): 358-363.
- Prince, Stephen W., et al. "A Robotic System for Telementoring and Training in Laparoscopic Surgery." The International Journal of Medical Robotics and Computer Assisted Surgery (2019).
- Gerber, Matthew J., and Tsu-Chin Tsao. "Twisting and Tilting Rotors for High-Efficiency, Thrust-Vectored Quadrotors." Journal of Mechanisms and Robotics 10.6 (2018): 061013.
- Detalles
- Categoría: Comsol
- Visto: 4271
Brianne Christopher, gestora de contenidos principal en COMSOL, Inc. ha publicado en el blog de COMSOL un artículo en el que nos muestra 6 ejemplos de altavoces, en el que los diseños se han basado en modelos de simulación.
Los altavoces son unos dispositivos donde se acoplan varios fenómenos de diferentes físicas (multifísicos) como son la mecánica, el electromagnetismo y la acústica. Pueden encontrarse en todod tipo de productos de la vida diaria, como son barras de sonido y televisores hasta auriculares y audífonos.
El desarrollo de altavoces que puedan encajar en nuevos diseños, sin que exista un perjuicio en la calidad del sonido, sino más bien mejorarla, require muchas pruebas. Es aquí donde un software de simulación como COMSOL Multiphysics ayuda a los ingenieros de I+D a ahorrar costes y tiempo en el desarrollo de los prototipos físicos.
Sin embargo, como ya hemos comentado, se trata de un problema sumamente acoplado que requiere una simulación multifísica para una representación precisa del mundo real.
Brianne Christopher nos presenta seis áreas en las que se están desarrollando altavoces con la ayuda de la simulación multifísica de COMSOL:
1. Sistemas de entretenimiento doméstico
2. Auriculares
3. Audífonos
4. Automóviles
5. Altavoces portátiles
6. Fabricación general
- Detalles
- Categoría: Minitab
- Visto: 4722
Por Shelby Anderson.
¿Sabía que en 2016 se consumieron más de 790 millones de galones de vino? Eso es un montón de vino - unas 3.950 millones de botellas de vino para ser exactos! La producción de vino tampoco muestra signos de desaceleración, ya que el número de bodegas estadounidenses aumentó en más del 50% desde 2009 a un total de 10.043 bodegas en 2019. Sin embargo, Italia, Francia y España todavía mantienen el título de los tres principales paises productores a nivel mundial. Con tanto vino que se produce en todo el mundo se podría pensar que es realmente fácil de hacer, pero es realmente una ciencia con toda una serie de variables involucradas para obtener un vino perfecto.
Uno de los componentes esenciales en la producción de vino es el azucar ya que la levadura se alimenta del azucar del jugo de uva para convertirlo en alcohol; los azúcares restantes afectan a la dulzura del vino. Un vino seco como el Cabernet Sauvignon, Chardonnay o Pinot Noir, por ejemplo, pueden resultar fácilmente un vino pobre debido a una fermentación incompleta de demasiados azúcares residuales, mientras que, por otro lado, un vino dulce como Moscato, White Zinfandel o Riesling puede necesitar que se le añada azucar, para aumentar la concentración original de azucar residual y asi lograr el sabor del vino deseado.
Sin embargo, el sabor y la dulzura varían para cada persona debido a nuestros umbrales de detección individuales, por lo que se necesitan mediciones cuantificables en lugar de simplemente degustar para mantener la consistencia en el vino durante toda la producción. Sin embargo, una de las mejores formas de controlar y producir vino consistentemente equilibrado según las especificaciones es a través del control de calidad estadístico.
No se preocupe si no sabe por dónde empezar: hemos reunido nuestros 4 sencillos pasos para mostrarle con qué facilidad el control de calidad estadístico puede garantizar que produzca el vino delicioso y constante que está buscando.
Paso 1: Recopile datos sobre el azúcar residualAl comenzar a observar la consistencia de su vino, primero debe recopilar datos y medir los niveles de azúcar residual en su vino actual. Hay un par de técnicas para hacer esto, incluido el Método Rebelein o una Prueba de tabletas de reactivo. Ambos se pueden utilizar junto con un hidrómetro. Una vez que se hayan recopilado los datos, deberá determinar si existe una variabilidad excesiva en los datos. Paso 2: Confirme su sistema de mediciónAhora tiene los datos, pero necesita demostrar que su sistema de medición es exacto, preciso, en control y capaz. Este es un paso necesario para garantizar que no haya una variabilidad excesiva en sus datos (o en otras palabras, para saber si vale la pena analizar los datos que ha recopilado). Hay un par de métodos estadísticos básicos que puede utilizar en Minitab Statistical Software para demostrar que su sistema de medición está a la altura, incluidos: |
|
Una vez que haya completado los métodos anteriores, debería poder ver lo siguiente en sus datos:
- Poca o ninguna variación: Felicitaciones, esto significa que su vino entregará niveles consistentes de azúcar residual. Ahora puede usar Minitab para ayudarlo a evaluar la estabilidad del producto a lo largo del tiempo a través de gráficos de control o ver qué tan bien su vino cumple con las especificaciones a través de estudios de capacidad.
Luego, si necesita mejorar el rendimiento, continúe con los Pasos 3 y 4 para aprender cómo identificar fuentes de variación y ajustar modelos predictivos para hacer el mejor vino en el estante. - Más que una pequeña variación: utilice los resultados de sus estudios de medición para identificar las fuentes de variación y trabaje para minimizar los factores significativos que contribuyen a la variación excesiva.
Próximos pasos
¡El tiempo vuela cuando te diviertes haciendo vino [consistente]! Complete su viaje enológico y vea los detalles restantes de los Pasos 3 y 4 en nuestra guía gratuita "Garantice el mismo vino en todo momento: utilice el control estadístico de calidad para obtener resultados consistentes".
- Detalles
- Categoría: Maple
- Visto: 4062
Maple Flow combina una sencilla interfaz con formato libre, al estilo papel y lápiz y un motor matemático.
Maple Flow es una herramienta matemática que facilita a los ingenieros analizar ideas, desarrollarlas, y documentar sus cálculos. Combinando una sencilla interfaz con formato libre y un exteso motor matemático, Maple Flow proporciona un entorno del tipo papel y lápiz que automáticamente mantiene los cálculos vivos a medida que el usuario los refina, reposiciona y desarrolla su trabajo.
El ingeniero puede enfocarse en su trabajo y olvidarse de la herramienta, con un potentisimo motor matemático que incluye funciones matemáticas en todo el espectro de las matemáticas, las ciencias y la ingeniería. El entorno es tan fácil de utilizar que se puede arrancar con la herramienta al momento y el tipo de trabajo es tan versátil y fácil que permite refinar las ideas muy fácilmente.
- Detalles
- Categoría: Minitab
- Visto: 3548
Minitab Engage (antes Companion by Minitab) proporciona todas las herramientas necesarias para iniciar, dar seguimiento, gestionar y compartir iniciativas de innovación y mejora desde la generación de ideas hasta su ejecución.
Para acelerar el crecimiento y mejorar la rentabilidad, se debe comenzar con buenas ideas y terminar con una ejecución sólida. Minitab Engage es la única solución diseñada específicamente para ayudar a las organizaciones a crear programas de mejora e innovación, ejecutarlos con la ayuda de herramientas de solución de problemas y metodologías probadas de gestión de proyectos, y luego dar seguimiento a las métricas clave de rendimiento en tiempo real para demostrar el retorno de la inversión.