TE3850 TwinCAT 3 Machine Learning Creator ist eine Cloud-basierte Entwicklungsumgebung, die die gesamte KI-Modell-Pipeline automatisiert – vom Hochladen und Kommentieren von Daten bis hin zum trainierten ONNX-Modell, das für den Einsatz in Ihrer TwinCAT-3-SPS bereit ist. Das System standardisiert und automatisiert die Modellerstellung, reduziert den Entwicklungsaufwand und beschleunigt die Zeit bis zum Ergebnis um mehr als eine Größenordnung.
Es ermöglicht Automatisierungsingenieuren, KI-Modelle selbstständig zu erstellen und zu implementieren, ohne dass dafür spezielles Data-Science-Fachwissen erforderlich ist. Hardwaregerechtes Training mit konfigurierbaren Laufzeitbeschränkungen stellt sicher, dass die Modelle für die Ausführung auf der Steuerungsebene optimiert sind. Integrierte Analyse- und Validierungsfunktionen sorgen für ein transparentes Modellverhalten und ermöglichen eine Bewertung vor dem Einsatz in industriellen Anwendungen.
Um den Machine Learning Creator zu nutzen, melden Sie sich mit Ihrem myBeckhoff-Account an:
Produkt-Roadmap und Release-Status
Bleiben Sie über die aktuellen Funktionen und kommenden Neuerungen des TwinCAT 3 Machine Learning Creators auf dem Laufenden. Die Roadmap gibt einen Überblick über verfügbare, in der Beta-Phase befindliche und geplante Funktionen für Anwendungen im Bereich Computer Vision und signalbasierte KI.
Wenn Sie an Beta-Funktionen oder kommenden Funktionen interessiert sind, wenden Sie sich an Ihren Beckhoff Ansprechpartner vor Ort für weitere Informationen und Zugangsoptionen.
Ordnet ganze Bilder anhand erlernter visueller Merkmale vordefinierten Kategorien zu. Ideal für Anwendungen, bei denen das Gesamtbild einen eindeutigen Zustand oder eine eindeutige Situation darstellt.
- weist jedem Bild eine Kennzeichnung zu (keine Objektlokalisierung erforderlich)
- erfordert beschriftete Trainingsdaten für alle relevanten Klassen
- gut geeignet für Qualitätsprüfungen, Sortiervorgänge und globale OK/nOK-Entscheidungen
- einfache Ausgabe, direkt in der Steuerungslogik verwendbar
Erkennt Abweichungen von einem erlernten Normalzustand, ohne dass explizite Fehlerklassen erforderlich sind. Ideal für Anwendungen, bei denen Fehler selten, unbekannt oder generell schwer vollständig zu definieren sind.
- erkennt Abweichungen von einem erlernten „normalen“ visuellen Zustand
- kann mit keinen oder nur sehr wenigen Bildern von Defekten arbeiten
- wird in der Regel hauptsächlich anhand von „normalen“ Daten trainiert
- Einbeziehung von „nicht-normalen“ Daten in das Training ist möglich und äußerst vorteilhaft
- pixelgenaue Lokalisierung von anomalen Bereichen möglich
- gut geeignet für unbekannte, seltene oder sich verändernde Defekte
Erkennt, lokalisiert und klassifiziert eine oder mehrere vordefinierte Objektklassen innerhalb eines einzelnen Bildes. Ideal für Anwendungen, bei denen bestimmte Objekte anhand ihrer Position und Größe identifiziert, gezählt und ausgewertet werden müssen.
- erkennt und klassifiziert ein oder mehrere Objekte innerhalb eines Bildes
- erkennt mehrere Instanzen derselben Klasse gleichzeitig
- liefert Positions- und Größenangaben für jedes erkannte Objekt
- eignet sich besonders gut für Zählungen, Lokalisierung und größenbasierte Auswertung
- ermöglicht detailliertere Entscheidungen als die reine Bildklassifizierung
Klassifiziert sequenzielle oder strukturierte Daten wie Sensorsignale anhand erlernter Muster in vordefinierte Kategorien. Ideal für Anwendungen, bei denen Maschinen- oder Prozesszustände anhand charakteristischer Signalverläufe über Zeit, Position oder andere Bereiche hinweg identifiziert werden können:
- weist jeder Signalsequenz oder jedem definierten Fenster eine Klassifizierung zu
- funktioniert mit Daten wie Strömen, Schwingungen, Temperaturen oder Drücken
- unterstützt Signale über Zeit, Position, Winkel oder andere kontinuierliche Bereiche
- erfordert klassifizierte Beispiele für jede relevante Klasse
- eignet sich gut für die Zustandsüberwachung und Fehlererkennung
- ermöglicht die automatisierte Erkennung von Maschinen- und Prozesszuständen
Prognostiziert zukünftige Werte von sequenziellen oder strukturierten Daten auf der Grundlage erlernter Muster. Ideal für Anwendungen, bei denen das künftige Systemverhalten oder Trends antizipiert werden müssen, um eine Optimierung oder Steuerung über einen zeitlichen Rahmen oder andere kontinuierliche Bereiche hinweg zu ermöglichen.
- prognostiziert zukünftige Werte für einen definierten Zeithorizont
- verarbeitet Daten wie Energieverbrauch, Temperatur oder Prozessvariablen
- unterstützt zeitliche Signale sowie andere kontinuierliche Datenbereiche
- erkennt Abhängigkeiten und wiederkehrende Muster in den Daten
- eignet sich besonders gut für die prädiktive Regelung und Prozessoptimierung
- ermöglicht proaktive Entscheidungsfindung statt reaktiver Lösungen
Industrielle KI in der Praxis
Metallverarbeitung
Inline-Qualitätsprüfung
In der Fertigung metallischer Werkstücke ist die geometrische Form ein zentrales Qualitätsmerkmal. Statt aufwendiger Messverfahren reicht in vielen Fällen eine einfache Bewertung in OK/nOK.
Auf Basis eines kleinen, annotierten Bilddatensatzes wurde ein KI-Modell zur Klassifikation von Werkstücken trainiert. Trotz zahlreicher unterschiedlicher Fehlerbilder erkennt das Modell zuverlässig Abweichungen. Das Modell wurde mit dem TwinCAT Machine Learning Creator ohne KI-Expertenwissen erstellt und lässt sich nahtlos in die Maschinensteuerung integrieren.
Hier geht's zum Applikationsbericht.
Holzindustrie
Inline-Qualitätsprüfung
Bei einem automatisierten Fügeprozess werden Leimspuren auf Holzbauteilen geprüft. Unter Ultraviolett-Beleuchtung erscheinen diese als helle Streifen auf der Oberfläche und dienen als Qualitätsmerkmal für den Prozess.
Aufgrund vielfältiger Fehlerbilder sowie variierender Bedingungen wie Leimtyp, Temperatur oder Fremdlichteinstrahlung stößt die klassische Bildauswertung an ihre Grenzen.
Durch den Einsatz eines KI-basierten Klassifikationsmodells können die Leimspuren robust bewertet werden. Das Modell wurde mit dem TwinCAT Machine Learning Creator effizient erstellt und ermöglicht auch bei hoher Varianz der Eingangsdaten eine zuverlässige Inline-Qualitätsprüfung.
Lebensmittelindustrie
Sortieren und Klassifizieren
Die automatisierte Sortierung von Lebensmitteln ist aufgrund ihrer natürlichen Varianz eine besondere Herausforderung. Am Beispiel von Eiern erfolgt die Klassifikation in die Kategorien OK, verschmutzt und zerbrochen.
Ein KI-basiertes Bildklassifikationsmodell ermöglicht eine zuverlässige und robuste Bewertung trotz stark variierender Produkteigenschaften.
Das Modell wurde mit dem TwinCAT Machine Learning Creator effizient erstellt und lässt sich nahtlos in bestehende Sortierprozesse integrieren.
Fertigungsautomatisierung
Sortieren und Klassifizieren
Für Ausbrechformen von Karton-Stanzmaschinen wurden bislang sieben Pins manuell sortiert und magaziniert. Eine Aufgabe, für die zunehmend weniger bis gar keine Arbeitskräfte mehr verfügbar sind.
Die Lösung: Die Pins werden unsortiert zugeführt, vereinzelt und anschließend durch ein kamerabasiertes KI-System klassifiziert, vermessen und automatisiert sortiert.
Das KI-Modell wurde mit dem TwinCAT Machine Learning Creator schnell und effizient erstellt – ohne spezialisiertes KI-Know-how. Die Modellgenauigkeit überzeugt mit 100 %.