ЦИТМ Экспонента

⚡ Новые демо-проекты и видео в Сообществе Engee 1⃣ Расчет установившегося режима модели IEEE 9 Bus В демонстрационном проекте разбираемся, как использовать блок Load Flow Source для реализации балансирующего узла, PV-узла или PQ-узла в типовой схеме от IEEE. 2⃣ Методика параметризации синхронных машин Данный проект обязателен к изучению всем, кто работает с моделями генераторов. Вы узнаете, как задать параметры в блоки cинхронных машин на основе данных из справочника Б.Н.Неклепаева и И.П.Крючкова. 3⃣ Видеокурс из 7 уроков по ТОЭ Мы завершили видеокурс по основам электротехники. Идеально для студентов, начинающих специалистов или тех, кто хочет освежить фундаментальные знания и сразу применить их на практике в среде моделирования Engee. 4⃣ Видео "Модель синхронного генератора с постоянными магнитами" В этом видео показано построение модели СГПМ в осях d-q, уравнения электромагнитных и механических процессов, а также реализация векторного управления скоростью. 5⃣ Arduino: быстрый старт Первый пример из серии для начала работы с микроконтроллерами Arduino из Engee без погружения в код. В примере пошагово объясняется, как настроить подключение, собрать и запустить на контроллере свою первую модель.

Предновогодний релиз 25.12 🎄✨ Конец года — это редкий момент, когда рабочая суета становится немного тише, а планы на следующий год уже начинают выстраиваться в голове. Пока все подводят итоги и закрывают последние задачи, мы выпускаем завершающее обновление Engee в этом году. Ниже — ключевые изменения и новые возможности этого обновления. Самое важное: ❄️ Формальные методы для верификации КА; ❄️ Новый способ авторизации для внешнего API; ❄️ Блоки GOOSE-TX и GOOSE-quality; ❄️ Новый раздел физической библиотеки – Теплообменники; ❄️ Быстрый доступ к подсистемам специального типа; А еще: ✔ Новые блоки и функции в библиотеках Базовая, ЦОС, Связь, Навигация, РЧ, Электричество, Гидравлика, Газ и Оборудование; ✔ Поддержка программного управления для физических блоков; ✔ Автоформатирование модели с помощью программного управления; ✔ Функции для получения подключенных блоков и портов; ✔ Новые статьи в Документации и новые Примеры; Подробности — в разделе Что нового 25.12. А дальше самое важное. В последние дни года не стоит пытаться успеть всё. Хорошие инженерные решения требуют спокойной головы, а не перегрева. Пусть оставшиеся рабочие часы пройдут без авралов, а праздники — с чувством завершенного года и интересом к тому, что впереди. Мы уже готовим много нового, но об этом позже. Пока еще на связи! 🧑‍🎄

⚡ Моделирование в силовой электронике В силовой электронике важно заранее понимать, как преобразователь влияет на сеть: коэффициент мощности, гармоники и поведение при рекуперации. В Engee мы разобрали проект моделирования активного выпрямителя AFE с анализом режимов потребления и возврата энергии в сеть. AFE-выпрямитель — это активный сетевой преобразователь, который формирует практически синусоидальный ток, удерживает коэффициент мощности близким к 1, умеет возвращать энергию обратно в сеть при рекуперации. Такие устройства применяются в промышленных приводах, транспорте и энергоёмких установках, где критичны гармонические искажения, реактивная мощность и стабильность напряжения в DC. Нам была поставлена задача — проверить алгоритмы управления AFE в режимах потребления и рекуперации без физического стенда. 👉 Особенности модели Разработали модель активного выпрямителя, состоящую из: 🔹 трёхфазного сетевого источника; 🔹 силовой части на управляемых ключах (IGBT); 🔹 звена постоянного тока; 🔹 нагрузки с возможностью генерации (имитация торможения); 🔹 системы векторного управления в dq-осях. Ключевой момент управления заключается в том, что проекция тока по оси q задается равной нулю, и, как следствие, формируется cosφ ≈ 1. Управление токами позволяет работать как в режиме потребления, так и рекуперации. 👉 Что сделано в Engee 1⃣ Загрузили и запустили модель через программный интерфейс Engee. 2⃣ Проверили работу в двух режимах: – потребление энергии из сети; – рекуперация (инверсия фаз тока и напряжения). 3⃣ Проанализировали осциллограммы токов и напряжений, спектр гармоник, устойчивость напряжения DC-звена. 👉 Результаты моделирования Что показала симуляция: ✔ Коэффициент мощности близок к 1 в обоих режимах. ✔ THD тока — 5.8%, что существенно ниже, чем у неуправляемого выпрямителя. ✔ Напряжение 600 В в звене постоянного тока без просадок при смене режимов. ✔ В режиме рекуперации фазы тока и напряжения инвертированы — энергия возвращается в сеть. 👉 Практическая польза Такая модель позволяет: 🔹 проверять алгоритмы AFE до изготовления силовой части; 🔹 оценивать гармоники и реактивную мощность без измерительного стенда; 🔹 анализировать рекуперацию энергии в безопасной среде; 🔹 отлаживать управление для транспорта и промышленных приводов. 🔗 Полная модель, код для анализа осциллограмм и спектров гармоник Вы можете запустить модель и адаптировать её под свои параметры сети и нагрузки. Хороших выходных!

🔧 Как подключить Analog Discovery 2 к Engee и работать с реальным сигналом Можно ли управлять лабораторным прибором и сразу обрабатывать измерения в Engee — без ПО производителя и ручных шагов? Да, если написать собственный пакет поддержки. 👉 Что мы хотели? Использовать платформу Analog Discovery 2 для управления генерацией сигналов и сбором данных напрямую из Engee. Ограничение: Engee работает в браузере и не имеет прямого доступа к USB. 👉 Что сделали в Engee? Использовали подсистему Engee.Интеграции и реализовали пользовательский пакет поддержки устройства. Для этого мы написали расширение на Python, используя SDK Digilent (библиотека dwf) и реализовали класс устройства, описывающий работу с устройством. Не забыли строго специфицировать типы аргументов и возвращаемых значений методов. Чтобы было проще отлаживать работу с оборудованием, добавили логирование через MainLogger для отладки. Когда все заработало, расширение было зарегистрировано в Engee.Интеграции. 👉 Что теперь умеет Engee: Работать с Analog Discovery при помощи Engee.Интеграции: ✔ Генерировать сигналы разной формы, частоты, симметрии. Даже шум! ✔ Читать данные с АЦП устройства и выводить их на график Пример эксперимента: Генерация импульсов частотой 5 Гц, 1.8 В, выход генератора присоедиен к АЦП устройства. Захваченный сигнал выведен на график Таким образом теперь можно использовать данные из реального мира для разработки своих алгоритмов! 👉 Что мы узнали? Engee умеет работать с любым оборудованием при помощи Engee.Интеграции. Даже если оборудование экзотичное, но у него есть SDK, то можно написать свое расширение для работы с таким устройством. 🔗 Полный проект и код расширения — в каталоге Сообщества Engee

🚀 Провели испытания отечественных СВЧ-усилителей мощности с применением платформы РИТМ SDR USRP Специалисты ЦИТМ «Экспонента», «СВЧ КИТ» и «Электрон-Маш» протестировали GaN-усилители мощности в связке с алгоритмами CFR и цифровых предыскажений. Использовали многоканальную платформу РИТМ SDR USRP с отечественными IP-ядрами DPDex-IP и PC-CFRex-IP. Тесты в диапазонах B38/B7 показали улучшение линейности на 15–17 дБ при средней мощности около 5 Вт — результаты уже дотягивают до требований 3GPP и подходят для драйверов усилителей до 500 Вт. Команды отметили, что только кооперация в единую инженерную экосистему позволяет быстро продвигать отечественные решения для 4G/5G. 📎 Подробности, графики и результаты в полном материале на Хабре

Оптимизация потоков в сетях массового обслуживания Друзья, сегодня расскажем об интересном практическом проекте в Engee. 🔧 Задачи распределения нагрузки в сетях — привычная инженерная рутина для телекома, логистики, энергетики и любых распределенных систем. В проекте рассматривается задача оптимизации распределения нескольких независимых потоков в сети, представленной ориентированным графом. Каждая линия графа имеет ограниченную пропускную способность, а каждый поток может использовать один или несколько допустимых маршрутов. Требуется построить конфигурацию распределения, минимизирующую суммарную загрузку узлов и каналов. Для оптимизации используется мощный алгоритм Ipopt с настраиваемыми параметрами: model = Model(Ipopt.Optimizer) set_optimizer_attribute(model, "max_iter", 2^18) set_optimizer_attribute(model, "constr_viol_tol", 2.0^-32) set_optimizer_attribute(model, "tol", 2.0^-32) @variable(model, x[1:nVars]) 1⃣ Постановка задачи Сеть задается матрицей смежности, где веса соответствуют пропускной способности линии связи. Потоки описываются матрицей смежности, где для каждого потока задана интенсивность λᵢ. Каждый канал моделируется как система массового обслуживания типа M/M/1: – входящий поток — пуассоновский; – время обслуживания — экспоненциальное; – интенсивность обслуживания — μ. Целевая функция определяется как сумма загруженности всех линий связи, где каждая линия учитывается независимо. 2⃣ Построение модели 1. Импорт матрицы структуры системы. Из неё строится граф, где дуги — потенциальные маршруты, а веса — доступные пропускные способности. 2. Определение всех допустимых маршрутов для каждого потока (поиск путей в графе) и набор возможных комбинаций распределения. 3. Формирование параметров M/M/1 для каждого канала: коэффициенты μ выбираются из таблицы структуры, λ — переменные оптимизации. 3⃣ Нелинейная оптимизация Оптимизатор автоматически подбирает комбинации значений, уменьшающие нагрузку наиболее загруженных каналов. На практике получаем перераспределение потоков на обходные ветви, локальное «разгрузочное» поведение, снижение суммарного ожидаемого времени обслуживания. 4⃣ Ключевые наблюдения по результатам – Один из потоков автоматически «уходит» через альтернативный маршрут, уменьшая коэффициент загрузки центрального канала почти на треть. – По визуализации графа видно, что оптимизация активирует резервные пути, которые при ручной настройке зачастую игнорируются. – Изменение интенсивности одного потока влияет на весь набор маршрутов — модель показывает чувствительность системы. 🔗 Подробный расчёт, код, графики и формулы — в публикации Запустите задачу в Engee, и вы получите: ✔ оптимальные маршруты для каждого потока; ✔ коэффициенты загрузки каналов до и после оптимизации; ✔ графики зависимостей времени ответа M/M/1 от интенсивности; ✔ визуализацию сети с раскраской по загрузке каналов; ✔ рекомендации по укреплению узких мест (увеличение пропускной способности или снижение нагрузки). 🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee

На прошлой неделе в Петербургском Политехе прошёл день Engee — событие, которое объединило инженеров, разработчиков и исследователей вокруг передовых технологий. Мы представили на выставке наши терминалы БМРЗ, в том числе на стенде полунатурного моделирования КПМ РИТМ. В ходе демонстраций имитировались короткие замыкания, а БМРЗ фиксировал данные возмущения и выдавал сигналы на отключение — всё как в реальных условиях. Особенно ценно было живое общение: эксперты и инженеры из разных отраслей активно делились опытом, обсуждали технические кейсы и новые подходы. Такие мероприятия помогают развивать профессиональное сообщество и двигать отрасль вперёд. 🚀

⚡ЦИТМ Экспонента и НТЦ ЕЭС провели совместные испытания КПМ РИТМ Друзья, в прошлую неделю наша команда в Санкт-Петербурге не ограничилась выступлением на Engee Day в Политехе. После конференции мы вместе с оборудованием отправились в НТЦ ЕЭС. АО «НТЦ ЕЭС» – многопрофильный электроэнергетический научно-исследовательский центр, ведущая организация отрасли в области развития системообразующей сети ЕЭС России и межгосударственных электрических связей, признанный в России и мире центр компетенций по вопросам цифрового и физического моделирования энергосистем, исследованию статической и динамической устойчивости. В НТЦ ЕЭС находится самая большая в мире электродинамическая модель. Рядом с физической моделью — мощнейшие RTDS. Именно на этой уникальной цифро-аналого-физической базе проверяют и сертифицируют все устройства регулирования, автоматики и защиты любого уровня. В рамках трёхдневного визита: 1. Обменялись с коллегами из центра сертификации и испытаний опытом цифрового моделирования 2. Познакомились с программным обеспечением «АИСт», которое позволяет автоматизировать HIL-испытания 3. Провели HIL-тестирование терминалов РЗА на КПМ РИТМ на модели из ГОСТ Р 71489-2024 и сравнили с результатами аналогичных опытов на RTDS Благодарим коллег из АО «НТЦ ЕЭС» за открытый обмен опытом. Уверены, что полученные результаты станут основой для совместных проектов и развития технологий цифрового моделирования 🤝

Нейросеть, которая учится играть прямо в консоли! 🐦👉🤖 Правда ли, что ИИ может сам научиться играть в культовую аркаду? И правда ли, что для этого не нужны ни TensorFlow, ни PyTorch — только чистая Julia? Мы решили проверить это на самой беспощадной игре детства — Flappy Bird. Мы перенесли знаменитую игру на чистый Julia и обучили две разные сети: простую полносвязную и свёрточную (CNN). Всё это — чтобы на практике показать, как можно учить алгоритмы принимать решения. Никаких фреймворков, никакой графики: только код, эволюция и псевдографика прямо в терминале. 🔍 Почему этот пример хорошо подходит для обучения: 🔹 Эволюционный подход вместо backprop-а: сеть развивается через пробу, ошибку и «естественный отбор» лучших экземпляров. 🔹 Две архитектуры для сравнения: видно, как по-разному CNN и полносвязная сеть «видят» одну и ту же игру. 🔹 Прозрачность процессов: каждый шаг обучения открыт: от получения состояния игры до выбора действия. Минимум «магии»: только базовые структуры данных и простая математика. Всего через 14 поколений «птица» стабильно набирала 58 очков — и могла бы и больше. В проекте мы показали, какая архитектура справилась лучше и почему иногда простая сеть выигрывает у более сложной CNN. 🔥 Заглядывайте под капот AI: Читать и скачать 🔗 Не пропусти последний вебинар 2025 года: 🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee

🦾 На наших последних мероприятиях в Москве и Санкт-Петербурге больше всего внимания привлекли моделирующие комплексы с реальным оборудованием. Начинаем делиться материалами, первым в серии становится: Стенд полунатурного моделирования систем управления полётом гражданского самолёта ✈ Этот стенд демонстрирует, как связка Engee и вычислительного комплекса КПМ РИТМ позволяет управлять виртуальным самолётом в жёстком реальном времени. 💼 В Engee работает комплексная модель: динамика самолёта, алгоритмы управления, модели приводов. Причём динамика движения подтверждена по данным лётных испытаний — а зритель может почувствовать даже имитацию турбулентности. Всего одним кликом модель разворачивается на комплексе РИТМ, обеспечивая строгие временные ограничения и готовность к испытаниям. Система визуализации Unigine и виртуальные авиаприборы от Прагма Софт Студия создают для пилота реалистичную кабину и ощущение полёта. Такой подход значительно сокращает путь от моделирования до испытаний и уменьшает затраты на отладку реальных систем. 📎 Подробнее о моделировании в авиастроении

Как радар отличает дрон от птицы? На первый взгляд, дрон и птица в воздушном пространстве могут выглядеть схоже, но радар способен их различить благодаря анализу микродоплеровских сигнатур. Что это значит? Когда радиолокационная станция (РЛС) облучает объект, отражённый сигнал несёт «отпечаток» его движений. У дрона такими характерными движениями становятся вращения винтов, у птицы — взмахи крыльев. Эти микродвижения создают специфические колебания в спектре отражённого сигнала. Если математическая модель РЛС настроена точно, эти особенности хорошо различимы на спектрограммах. Такая полная модель радиолокационной станции была реализована в платформе Engee: линейно-частотно-модулированный сигнал, модель цели, канал распространения и цифровая обработка через классическое преобразование Фурье. Можно менять параметры полёта и вращение винтов — на спектрограммах сразу видно, кто есть кто. 🔥 Эта работа позволила инженеру компании «Экспонента» Алексею Семичастнову выйти в финал конкурса «Молодёжь и будущее авиации и космонавтики2025». Проект был полностью реализован в Engee и представлен от Московского энергетического института (МЭИ). 🔗 Моделирование эффекта микродоплера 🧑‍🎓 Расскажем подробнее на вебинаре «Моделирование радиолокационных систем в среде Engee» 17 декабря

Друзья, За ноябрь в Engee появилось 11 новых блоков для физического моделирования. Хотим показать, как с помощью подобных блоков мы собираем очень приближенные к реальности физические модели разных явлений. 💙 Вот четыре новые модели физических экспериментов, которые мы недавно проводили: 🔼 Шаговый двигатель с датчиком Холла Управление шаговым двигателем при помощи ШИМ и определение углов поворота с помощью блока энкодера на эффекте Холла 🔼 Измерение температуры при закалке стали Прослеживаем динамику охлаждения нагретого предмета при погружении в контейнер с охлаждающей жидкостью, испытания блока "Термопара" (K-типа или S-типа) 🔼 Гидравлическое управление трансмиссией Объединение модели гидравлической магистрали и механической части, где гидравлически управляемая муфта соединяет двигатель внутреннего сгорания с инерционной нагрузкой 🔼 Передача крутящего момента через динамометр Датчик, который поглощает крутящий момент двигателя и позволяет вращение подключенных нагрузок, превышающий этот предел Физические модели в Engee — это целые виртуальные экспериментальные стенды, которые подчас позволяют увидеть неожиданные эффекты. Например, у муфты и у шагового двигателя можно включить тепловой порт и учитывать дрейф характеристик от нагрева 👁 А еще в ноябре мы также рассказывали, как создавать собственные физические компоненты. Это кратчайший путь от описания в дифференциальных уравнениях до лаконичного компонента, который хранит вашу экспертизу и позволяет вам её воплощать в модельно-ориентированном окружении Ждем ваших виртуальных стендов в Engee. 🧑‍🎓 17.12 Моделирование радиолокационных систем в Engee