Опытно-конструкторское бюро УЗГА приглашает специалиста на должность “Разработчик-программист систем управления БПЛА”

Опытно-конструкторское бюро УЗГА приглашает специалиста на должность “Разработчик-программист систем управления БПЛА”

Часто перед нами возникает необходимость интегрировать внешний С код в модель Simulink.

Когда это может быть полезно?

Например:

• У нас есть существующий код, который реализует определенный алгоритм, и мы хотим быстро встроить его в модель Simulink.
• Мы хотим интегрировать собственные драйвера устройств в Simulink.

Часто нам задают вопрос - поддерживает ли Embedded Coder определенный процессор или отладочную плату? Быстрый ответ на этот вопрос - ДА, поддерживает. Ведь Embedded Coder по умолчанию генерирует ANSI C код, который мы можем получить из модели Simulink и вручную (или полуавтоматически) интегрировать в наш проект.  Мы называем это "Экспорт алгоритма".

Мы часто демонстрируем нашим пользователям возможности автоматической генерации кода из MATLAB/Simulink и исполнение этого кода на целевых процессорах. Но иногда, под рукой просто нет необходимого процессора. На помощь приходит симулятор встраиваемого процессора. Сегодня я бы хотел вам рассказать о совместной работе Embedded Coder и среды разработки Green Hills Sotfware MULTI для верификации автоматически сгенерированного кода из моделей MATLAB/Simulink/Stateflow в режиме Процессор-в-Контуре (по-английски это называется Processor-in-the-Loop или PIL).

Прежде, чем мы начнем, давайте введем несколько понятий. 
Машины состояний позволяют нам представить систему, которая содержит определенные состояния или режимы. В такой системе переходы между различными состояниями происходят по условиям или событиям. Такими системами являются, например, система управления неисправностями или алгоритм управления автомобильной коробкой передач.
Графы помогают нам описывать алгоритмы или процессы в виде линий, указывающих направление и последовательность отдельных шагов.

Рассмотрим задачу параметрической идентификации или оценки параметров модели на основе экспериментальных данных. В нашем примере суть задачи в следующем – есть модель, есть ее структура, но нет самих значений параметров, которыми эта модель описывается. Зато имеются какие-то реальные данные в виде снятых опытных точек, что очень ценно, если мы хотим управлять чем-то хорошо и особенно хорошо, если у нас еще имеется аналитическая зав
исимость этих параметров и объект для нас не черный ящик. Необходимо получить эти параметры из эксперимента, а еще лучше - автоматизировать оценку параметров имеющейся модели. Вообще решению задаче оценки параметров посвящено множество методов (МНК, фильтр Калмана и прочее).

В следующем примере рассмотрим, как использовать неопределенные объекты (uncertain objects) в Robust Control Toolbox ™ для моделирования неопределенных систем и автоматизировать расчет робастности системы, используя средства анализа надежности.

Автор материала - Ю.П.Маслобоев.