Engee на старт!

Релиз 24.10 – октябрьское обновление 🍁🎃☕

Друзья,

Осень вступила в свои права, а кое-где уже выпал снег. Так и мы не стоим на месте и, как и всегда в начале месяца, рассказываем о том, что нового появилось в Engee.

Но сперва делимся инсайдом, что остаются последние места на День Engee 14 ноября, поэтому быстрее РЕГИСТРИРУЙТЕСЬ!

Вернемся к сути. Самые важные обновления:
🌟Пользовательские шаблоны раскладки интерфейса;
🌟Хранение библиотек Python;
🌟Быстрое подключение нескольких блоков на холсте;
🌟Доработки дискретных решателей;
🌟Изменение цвета нескольким блокам одновременно;
🌟Упростили настройки Engee Function;
🌟Принудительное завершение расчета, если он идет со слишком маленьким шагом;
🌟Обратная связь пользователю в результате генерации кода;

А еще:
✅43 новых блока в базовой библиотеке, а также библиотеках Гидравлики, Электрики, ЦОС, РЛС, 5g, Связи, Аэрокосмических систем и др.;
✅Новые системные объекты и функций для ФАР и РЛС;
✅Открепление окон Командной строки, Карточки блока, Диагностики модели;
✅Новый вид неподключенных коннекторов на линиях;
✅Проверка символов в конечных автоматах;
✅Поддержка проверок инвариантов физических моделей;
✅Новая иконка для управления моделированием (Play-Pause);
✅Улучшения для запуска моделей на РИТМе;
✅Ежемесячные обновления в документацию – новые статьи, переводы и примеры;

Подробное описание релиза вы найдете в документации в разделе Что нового 💼

До встречи 14 ноября (это уже следующий четверг)! 🤝

🚀 Цифровая модуляция OFDM в Engee!

Друзья, в радиотехнике для передачи информации на расстояние активно используется модуляция — процесс преобразования несущего сигнала для передачи данных. И среди множества методов модуляции один из самых популярных в цифровой связи — это OFDM.

OFDM (Orthogonal Frequency Division Multiplexing) — технология, которая использует множество ортогональных поднесущих, что помогает передавать данные с высокой устойчивостью к помехам. Она широко применяется в Wi-Fi, LTE, 5G и других современных системах связи.

🌐 Что предлагает Engee?
Engee лучше всего подходит для моделирования радиосистем. И теперь мы хотим поделиться демонстрационным проектом, который поможет вам глубже понять принципы OFDM-модуляции и её сочетание с 16-QAM. Эта модель наглядно показывает работу модуляторов и демодуляторов, обрабатывающих три символа с разными индексами поднесущих, при этом добавляются амплитудные искажения для тестирования реальных условий передачи.

📊Что можно оценить при помощи этой модели?
◾️Оценить устойчивость связи к амплитудным искажениям.
◾️Настроить параметры модуляции для снижения помех.
◾️Оптимизировать параметры мультиплексирования для стабильной передачи данных.

Заглядывайте в Сообщество Engee и погружайтесь в мир цифровой модуляции — откройте новые возможности для своих проектов!

🔗Найти другие проекты по связи можно ТУТ. 💼

Проблемно-ориентированная оптимизация 🔢
(Часть 1. Судоку)

Друзья,

Наступил ноябрь. С деревьев опадают последние листья, и с каждым днем становится все холоднее. А это означает, что сейчас самое время оптимизировать все процессы перед наступлением зимы! ☃️

Проблемно-ориентированная оптимизация — это подход к решению задач оптимизации, который фокусируется на адаптации методов к конкретным характеристикам и требованиям каждой задачи.

В первом примере мы погрузимся в увлекательный мир решения судоку в Engee. Продемонстрируем два подхода к решению этой классической головоломки: смешанное целочисленное линейное программирование (MILP) и программирование в ограничениях (CP).

Итак, мы создали свой собственный генератор головоломок с варьируемым уровнем сложности и описали функции для визуализации судоку.

Затем находим решение головоломки с помощью метода MILP. Для этого:

🔹сформулируем задачу оптимизации и создадим бинарные переменные с помощью библиотеки JuMP;
🔹самостоятельно сформулируем и применим ограничения для строк, столбцов и 3x3 подсеток;
🔹решим сформулированную задачу с помощью решателя HiGHS, зафиксируем заданные числа и визуализируем решение;

А с решением головоломки с помощью метода CP мы рекомендуем вам ознакомиться самостоятельно в Сообществе!

Кстати, подобные подходы могут быть использованы и в более серьезных задачах, например, в планировании и распределении ресурсов или оптимизации производственных процессов.🧑‍🏭

Желаем вам увлекательного погружения в мир оптимизации и ждем вас в Engee! 💼

Engee ❤️ MIK32 АМУР - 2

Друзья,

Мы, как и обещали, продолжаем серию постов о генерации кода из российской среды моделирования Engee для российских микроконтроллеров МИК32 Амур.

В предыдущей публикации мы рассказали о проектах с использованием цифровых входов/выходов. Сегодняшний пост посвящен работе с аналоговыми входами/выходами микроконтроллера.

💡Проект Измеритель освещённости воплощает полноценный датчик освещённости, работающий на алгоритме из модели Engee. Аналоговый вход контроллера получает переменный сигнал напряжения, которое изменяется в зависимости от яркости освещения, попадающего на фоторезистор. Сигнал обрабатывается встроенным аналого-цифровым преобразователем МИК32, и по результатам его работы прошивка, автоматически созданная из модели Engee, вычисляет текущую освещенность в помещении и передаёт полученное значение в последовательный порт микроконтроллера.

🪚 Проект Генератор пилообразных сигналов задействует два канала цифро-аналоговых преобразователей МИК32, на входе которых формируются пилообразные сигналы. Модель Engee генерирует 12-разрядный выходной аналоговый сигнал и передает его на один канал микроконтроллера. На второй канал тот же сигнал передается с фиксированным фазовым сдвигом, что реализуется путем “запоминания” в буфере предыдущих (до 1024) значений сигнала.

🤔 Стоит ли ждать новых серий с проектами генерации кода из Engee для МИК32?
🫡 Конечно, ждать!

Но прежде чем переключить своё внимание, приглашаем заглянуть в Сообщество, уверены, что там появилось еще несколько проектов, которые вас обязательно заинтересуют.

Скоро увидимся! 💼

Как встроить нейросеть в модель Engee? 📓

Друзья,

Да, мы понимаем, что про нейросети уже говорят из каждого утюга. Но мы точно знаем, что есть инженерные задачи, которые отлично решаются с их помощью, что мы и делаем и вам желаем! 😉

Например:
🪄Фильтры и датчики для прогноза по временным рядам
✨Запутанные характеристики, которые не влезают ни в какие полиномы
🔋Модели для мониторинга оборудования и предсказания с онлайн-обучением

Хотим рассказать вам сегодня про один из наших проектов по созданию нейросетей в Engee, где мы показываем, как совместить гибкость и скорость среды расчетов и удобство компоновки и отладки системы на визуальной модели.

Julia – очень интересный язык для работы с данными и генерации кода. Для обучения нейросетей нужны конструкции, которые можно продифференцировать. А Julia, представьте себе, дифференцируемый язык программирования.

Для обучения и создания НС мы используем библиотеку Flux. Судите сами, трудно ли создать НС с ее помощью:

Chain( Dense( 2 => 20, relu ),
       Dense( 20 => 5, relu ),
       Dense( 5 => 1 ) )

Три слоя, два нейрона на входе, один на выходе… Остальные вещи – функция потерь, подача данных, цикл обучения – в Julia все это выполняется короткими и ясными командами.

Теперь хотелось бы соединить нейросеть с остальными компонентами системы в одной модели, и тут нет ничего лучше наглядной схемы. Несколько блоков Constant, Add и Product, и НС будет управлять любыми заслонками, моторами и прочими компонентами вашей инженерной экосистемы.

Обученная нейросеть хранится в общей переменной model. Поэтому, чтобы разместить ее на блок-схеме, мы просто прописали model.weight и model.bias в свойствах блоков. Либо можно скопировать эти матрицы внутрь констант модели через команду engee.set_param(). Либо программно сгенерировать всю модель, блок за блоком...

Уверены, что вам нравится воплощать такие технологии в своих проектах, поэтому готовим еще много материалов по этой теме.
Приглашайте друзей и коллег, увидимся в Engee!💼