LösenAnheftenSchließen

Machine Learning in Echtzeitsystemen

Machine Learning mit PC-based Control: neue Technologien für zukunftsfähige Maschinen

Machine Learning als Teilbereich der Künstlichen Intelligenz dringt zunehmend in die Automatisierung und Steuerungstechnik ein und bringt Vorteile bei der Entwicklung komplexer Systeme: Anstelle von klassischem Engineering wird bei Deep-Learning-Verfahren, wie Machine Learning oder neuronalen Netzen, mit umfangreichen Sets von Prozessdaten gearbeitet. Hierbei werden Modelle erstellt und trainiert, die aus diesen Daten Muster und Gesetzmäßigkeiten erkennen können. Das trainierte Modell wird dann auf neue Prozessdaten angewendet und detektiert Anomalien, die auf fehlerhaft produzierte Teile oder auf Veränderungen in der Maschine hinweisen.

Den größten Vorteil spielen wissensbasierte Systeme, wie Machine Learning oder neuronale Netze aus, wenn sie echtzeitfähig in Maschinen ausgeführt werden. Dadurch profitieren auch anspruchsvolle Anwendungen, beispielsweise verschleiß- und energieoptimierte Motion-Applikationen. Eine Inferenzmaschine führt das Modell innerhalb der Steuerung aus, und verknüpft diese Technologien mit dem klassischen Produktionsumfeld.

Der Workflow startet zunächst bei den Daten, auf die zunächst meist mehrere Machine-Learning-Verfahren angewendet werden, um das optimale Modell zu identifizieren und zu trainieren. Für diesen Teil des Engineerings steht eine Vielzahl von Software-Bibliotheken und Frameworks (u. a. Scikit-learn, PyTorch, TensorFlow, MATLAB®, MXNet) zur Verfügung. Das trainierte Modell steht in einem Austauschformat, wie dem offenen ONNX (Open Neural Network Exchange), für die Verarbeitung mit weiteren Tools und für die Ausführung in der Inferenzmaschine in der Steuerung bereit.

Maschinendaten mit TwinCAT erfassen, ML-Modelle mit externen Tools trainieren und in der TwinCAT Runtime ausführen.
Maschinendaten mit TwinCAT erfassen, ML-Modelle mit externen Tools trainieren und in der TwinCAT Runtime ausführen.
Mit Machine Learning können Energieverbrauch und Verschleiß von Maschinen und Prozessen optimiert werden.
Mit Machine Learning können Energieverbrauch und Verschleiß von Maschinen und Prozessen optimiert werden.

Machine Learning in echtzeitfähigen Steuerungen eröffnet neue Anwendungsfelder:

  • individuelles Nutzungsverhalten einer Maschine erkennen und Wartungsmodelle adaptieren
  • Energieverbrauch und Verschleißverhalten von Maschinen optimieren
  • Bewerten von Objekten, Mustern und Strukturen in Kamerabildern zur Qualitätssicherung
  • Anomalien im Maschinenbetrieb erkennen und neue Betriebszustände identizifieren
  • schwierig regelbare Prozesse mit adaptiven Regelalgorithmen beherrschen
  • Gesamtanlageneffektivität (GAE, OEE) verbessern mit autonomer Edge-Analytics

Beckhoff verbindet diese innovativen Technologien mit PC-basierter Steuerungstechnik:

  • Das offene ONNX-Austauschformat lässt eine freie Wahl des Trainingstools.
  • Die Inferenzmaschine ist tief in der Runtime von TwinCAT integriert.
  • Harte Echtzeitanforderungen werden zu jeder Zeit erfüllt.
  • Hersteller von Serienmaschinen können ihre Machine-Learning-Applikationen auch im geschlossenen Binärdatenformat (BML) an ihre Kunden ausliefern.
  • Rekonfigurationen, z. B. bei einem Produktwechsel auf der Maschine, können mit einem direkten Wechsel des Machine-Learning-Modelles ohne Kompilieren oder Neustarten der TwinCAT-Laufzeit erfolgen.
  • Alle Prozessdaten können in TwinCAT aus dem I/O-System oder auch per Datenbankzugriff gelesen und geschrieben werden.

Weitere Informationen über unsere Technologien und Produkte für Machine Learning in Echtzeitsystemen finden Sie hier: