TwinCAT 3 Machine Learning til alle områder inden for automation

Beckhoff Automation integrerer nu Machine Learning i TwinCAT 3-softwaren. TwinCAT 3 Machine Learning bygger på åbne standarder og giver samme fordele omkring systemåbenhed som er velkendt fra PC-baseret styring. Derudover understøtter Machine Learning realtid og kan derfor håndtere selv de mest krævende opgaver som fx motion kontrol.

Med TwinCAT 3 Machine Learning får maskinbyggere og producenter et optimalt afsæt til at øge maskinens ydelse, fx gennem forebyggende vedligeholdelse, selvoptimering af procesforløb og automatisk registrering af procesafvigelser. Den grundlæggende idé ved at integrere Machine Learning i TwinCAT 3 er at virksomheder stopper op og ikke længere følger den klassiske ingeniørtilgang til at designe løsninger til specifikke opgaver og derefter gøre disse løsninger til algoritmer. I stedet skal de ønskede algoritmer læres ved hjælp af procesdata fra maskinen. Med denne alternative tilgang kan man skabe stærke Machine Learning-modeller, som kan anvendes til at levere mere højtydende løsninger. I forhold til automationsteknologi åbner dette op for nye muligheder og optimeringspotentialer inden for mange områder, inklusive forebyggende vedligeholdelse og processtyring, registrering af afvigelser, kollaborative robotter, automatiseret kvalitetskontrol og maskinoptimering.

Modellerne trænes i et Machine Learning model, som fx MATLAB^® eller TensorFlow og importeres derefter ind i TwinCAT runtime via ONNX (Open Neural Network Exchange), et standardiseret format til dataudveksling. TwinCAT runtime tilbyder følgende nye funktioner til dette formål:

TwinCAT 3 Machine Learning Inference Engine til klassiske ML-algoritmer, såsom Support Vector Machine (SVM) og Principal Component Analysis (PCA)
TwinCAT 3 Neural Network Inference Engine til Deep Learning og neurale netværk, som Multilayer Peceptrons (MLPer) og Convolutional Neural Networks (CNNer)

Modelresultater kan bruges direkte i realtidsmiljøet

Inferens, dvs. udførelsen af en trænet Machine Learning-model, kan opnås direkte i realtid med TwinCAT TcCOM-objekt. I mindre netværk understøttes svartider under 100 μs (svarende til TwinCAT-cyklustid 50 μs). Modellerne kan hentes både via PLC, C/C++ TcCOM-interfaces eller via en cyklisk opgave.