TwinCAT Machine Learning:
Skalierbar, offen und in Echtzeit
Künstliche Intelligenz (KI) gilt heute als Schlüsseltechnologie der Automatisierung. Sie imitiert menschliche Lern- und Entscheidungsprozesse und erschließt neue Wege zur Prozessoptimierung, Qualitätssteigerung und Energieeffizienz. Der erfolgreichste Ansatz ist das Maschinelle Lernen (ML) – das Erkennen von Mustern und Zusammenhängen aus Beispieldaten.
Beckhoff integriert diese Technologie konsequent in die PC-based-Control-Welt: Mit TwinCAT 3 Machine Learning wird KI zu einem integralen Bestandteil der Maschinensteuerung.
Das Ergebnis: ein offenes, durchgängiges Ökosystem aus Hardware und Software, das KI-Modelle direkt auf der SPS lauffähig macht – ohne externe Systeme oder Spezialwissen.
Erfahren Sie, wie Beckhoff die Brücke zwischen Datenaufnahme, Training und Echtzeit-Inferenz schlägt – und wie Sie mit TwinCAT 3 Machine Learning KI direkt in Ihre Steuerung integrieren können.
KI-Anwendungen in der industriellen Automation – neue Potenziale erkennen
Künstliche Intelligenz eröffnet im Maschinen- und Anlagenbau neue Wege, um Qualität, Produktivität und Effizienz zu steigern. Sie ergänzt klassische Regelungs- und Automatisierungskonzepte überall dort, wo herkömmliche Algorithmen an Grenzen stoßen, etwa bei hoher Varianz, komplexen Datenmustern oder schwer modellierbaren Prozessen.
KI-Systeme lernen aus Beispielen, erkennen Zusammenhänge selbstständig und treffen datenbasierte Entscheidungen. Dadurch werden Maschinen adaptiver, präziser und vorausschauender.
Computer Vision: Maschinen sehen und verstehen
Die automatisierte visuelle Qualitätskontrolle gehört zu den wichtigsten und zugleich anspruchsvollsten Einsatzbereichen von KI in der Industrie. Während klassische Bildverarbeitungsalgorithmen gut definierte Aufgaben lösen, etwa Längenmessungen oder Kantenprüfungen, entfalten KI-basierte Verfahren ihre Stärke bei natürlicher Varianz und unregelmäßigen Mustern, dort, wo herkömmliche Regeln versagen.
Signals and Time Series: Maschinen hören und fühlen
Neben visuellen Daten sind zeitbasierte Signale die Grundlage vieler industrieller KI-Anwendungen. Strom-, Druck-, Vibrations- oder Temperaturverläufe geben Aufschluss über den Zustand von Prozessen, Komponenten und Werkzeugen. KI-Modelle erkennen Muster und Abweichungen frühzeitig – und ermöglichen so Predictive Maintenance, Prozessoptimierung und Anomalieerkennung in Echtzeit.
Von den Daten zur Anwendung
Beckhoff bietet einen durchgängigen Workflow von der Datenerfassung bis zur Echtzeit-Ausführung – vollständig integriert, offen und ohne Lock-in-Effekte. Dank der Systemoffenheit bietet Beckhoff die Möglichkeit, spezifischen Anforderungen mithilfe von Werkzeugen und Funktionen aus dem TwinCAT-Baukasten gerecht zu werden. Das gilt auch für eine bereits vorhandene Systeminfrastruktur, die nicht auf Beckhoff Produkten basiert.
Im Folgenden erfahren Sie mehr zu den Möglichkeiten, die Ihnen Beckhoff entlang des rechts skizzierten Workflows bietet.
Anwendungsbeispiele für Künstliche Intelligenz in der Steuerung
In der diskreten Fertigung von metallischen Werkstücken ist oft die geometrische Form ein wesentliches Qualitätsmerkmal. Neben metrischen Messverfahren, um ein Werkstück quantitativ zu beurteilen, genügen oft auch qualitative Aussagen, wie beispielsweise die klassische Kategorisierung in OK und nicht-OK.
Es wurde ein repräsentativer Datensatz von ca. 200 Bildern mit Hilfe der TwinCAT-Vision-Bibliothek aufgenommen und abgespeichert. Die Daten wurden als OK und nicht-OK annotiert, wobei diverse unterschiedliche Fehlerbilder zusammen als nicht-OK zusammengefasst wurden. Mit TE3850 TwinCAT 3 Machine Learning Creator konnte auf diesem Datensatz basierend ein Bildklassifikationsmodell trainiert werden, welches in mehr als 95 % der betrachteten Fälle vorhersagen kann, ob ein Werkstück OK oder nicht-OK ist – und das ganz ohne KI-Expertenwissen.
Die Automatisierung in der Lebensmittelindustrie trägt zur effizienten und ressourcenschonenden Versorgung mit unterschiedlichsten Lebensmitteln bei. Eine Herausforderung ist die automatisierte Sortierung von Lebensmitteln, da diese im Vergleich zu künstlich hergestellten Produkten eine hohe naturgegebene Varianz aufweisen. Im Kontext der Sortierung von Eiern soll in diesem Fall automatisch sortiert werden in die Kategorien OK, verschmutzt und zerbrochen. Dazu wurden 200 Bilder mit diesen drei Klassen aufgenommen und annotiert. Mit TE3850 TwinCAT 3 Machine Learning Creator konnte ein KI-Modell erstellt werden, welches in mehr als 90 % der betrachteten Fälle ein Ei korrekt klassifizieren kann. Mit den im Produkt enthaltenen Erklärbarkeits-Methoden für KI-Modelle konnte leicht herausgefunden werden, dass Fehlklassifikationen gerade in Randbereichen von OK zu verschmutzt auftraten. Dadurch wurde sofort ersichtlich, welche Maßnahmen zur Modellverbesserung eingeleitet werden müssen: Entweder mehr Beispieldaten im Randbereich zwischen OK und verschmutzt zur Verfügung stellen, oder die Grenze sauberer zu definieren durch Revision der vorhanden Annotationen.
Windkraftanlagen sind ein wesentlicher Baustein in der Umstellung auf erneuerbare Energien. Sie liefern saubere, elektrische Energie, welche sie aus der Bewegungsenergie des Windes beziehen. Dabei ist es für den Wirkungsgrad der Anlage von entscheidender Bedeutung, sowohl die Windrichtung als auch die Windgeschwindigkeit zu kennen. Entsprechend der Windrichtung wird der an der Gondel befestigte Rotor zur Windrichtung ausgerichtet. Außerdem wird der Pitch der Rotorblätter entsprechend der Windgeschwindigkeit angepasst, sodass die Anlage möglichst konstant mit ihrer Nennleistung betrieben wird.
Die Windrichtungsnachführung und die Einstellung des Pitches erfolgt relativ langsam. Dadurch ergibt sich die Anforderung, dass die zukünftige Windrichtung und Windgeschwindigkeit geschätzt werden müssen, um die Anlage prädiktiv in die optimale Ausrichtung zu bewegen.
Auf Basis von gesammelten Wind-Daten aus realen Windkraftanlagen wurde ein KI-Modell erstellt, welches in der Lage ist, mit akzeptabler Fehlertoleranz Werte von Windrichtung und Windgeschwindigkeit, die 10 bis 20 Sekunden in der Zukunft liegen, zu schätzen. Und das nur auf Basis vergangener Windwerte. Das erstellte Modell lässt sich einfach mit TF3810 TwinCAT 3 Neural Network Inference Engine in TwinCAT integrieren.
Ein mechanischer Bolzenanker besteht im Wesentlichen aus dem Bolzen, einer U-Scheibe, einer Sechskantmutter sowie einer metallischen Hülse. Für ausreichende Haftung im Einsatz sorgen die Reibkräfte zwischen der Hülse und der Wandung des Bohrlochs. Um die für die Haltekraft notwendigen Normalkräfte auf das Bohrloch aufzubringen, wird die Hülse über einen konusförmigen Kopf des Metallbolzens mit der Bohrung verspreizt.
Das von R&D-Ingenieur Robin Vetsch im Rahmen des OST-Studiengangs Bachelor of Science Systemtechnik federführend bearbeitete Projekt fokussierte sich auf den Umschließungsprozess, wobei die vorgeformte, gestanzte Hülse den konischen Hals des Bolzenankers umschließt. Für die Qualitätskontrolle sollten lediglich die bereits vorhandenen Maschinendaten verwendet, also keine zusätzlichen Sensoren verbaut werden.
Bisher wurde die Umschließungsqualität der Hülse um den Bolzen mehrheitlich manuell mit einer Prüflehre durchgeführt. Nun wurde gezeigt, dass jede Umschließung in drei verschiedene Klassen (zu wenig umschlossen, in Ordnung, zu fest umschlossen) innerhalb der Qualitätsvorgaben eingeteilt werden kann. Auch sollen die geometrischen Eckdaten der umschlossenen Hülse (Hülsenbreite, -höhe und -öffnung) mit einer Regression vorhergesagt werden. Durch die 100-%-Kontrolle des Umschließungsvorgangs sollen Trends oder Abweichungen frühzeitig erkannt werden.
Instant-Nudeln sind in China in fast jedem Lebensmittelgeschäft zu finden. Um die Anzahl der Produkte mit Verpackungsfehlern und die damit verbundenen Kundenreklamationen zu reduzieren, entschied sich ein großer chinesischer Produzent von Instant-Nudeln für den Einsatz der Beckhoff Steuerungstechnik inklusive TwinCAT Machine Learning. Möglich wurde damit eine intelligente und zuverlässige Echtzeitinspektion der Verpackungsqualität.
Zunächst wurden die Sensordaten über EtherCAT-Digital- und -Analog-Eingangsklemmen EL1xxx bzw. EL3xxx und TE1300 TwinCAT 3 Scope View Professional erfasst. Anschließend wurde das KI-Modell über das Open-Source-Framework Scikit-learn trainiert und daraus die Modellbeschreibungsdatei erzeugt. Die notwendige Vorverarbeitung der Sensordaten wurde mithilfe von TF3600 TwinCAT 3 Condition Monitoring in der Steuerung realisiert. Dann erfolgte das Deployment der Modellbeschreibungsdatei auf einen Embedded-PC CX51x0, der das KI-Modell mithilfe von TF3800 TwinCAT 3 Machine Learning Inference Engine in Echtzeit ausführt und die Inferenzergebnisse zur Erkennung fehlerhafter Produkte über eine EtherCAT-Digital-Ausgangsklemme EL2xxx ausgibt. Dabei kam insbesondere die Systemoffenheit als großer Vorteil der Steuerungstechnik von Beckhoff zum Tragen. Denn diese konnte ohne großen Aufwand nahtlos in die bestehende Drittanbieter-Hauptsteuerung der Produktionslinie integriert werden.
Produkte
TE3850 | TwinCAT 3 Machine Learning Creator
Der TwinCAT 3 Machine Learning Creator erstellt auf Basis von Datensätzen automatisiert KI-Modelle. Diese KI-Modelle lassen sich hinsichtlich der Genauigkeit und Latenz optimieren und sind so optimal auf die Ausführung auf Beckhoff Industrie-PCs mit TwinCAT-Produkten abgestimmt. Die generierten Modelle können auch als standardisierte ONNX-Modelle außerhalb der Beckhoff Produkte eingesetzt werden. Für die Ausführung des KI-Modells mit TwinCAT-Produkten wird neben dem Modell zusätzlich eine PLCopen XML-Datei mit IEC 61131-3-Code erstellt, welche die komplette KI-Pipeline beschreibt und nahtlos in TwinCAT importiert werden kann.
TE3851 | TwinCAT 3 Machine Learning Creator Computer Vision
Bei TE3851 TwinCAT 3 MLC Computer Vision handelt es sich um ein Erweiterungspaket für die Basis-Webapplikation TE3850 TwinCAT 3 Machine Learning Creator. Mit dieser Erweiterung wird das Erstellen von KI-Modellen für den Bereich Bildverarbeitung, z. B. Bildklassifikation, Anomaliedetektion und Objekterkennung, ermöglicht.
TE3852 | TwinCAT 3 Machine Learning Creator Signals and Time Series
Bei TE3852 TwinCAT 3 MLC Signals and Time Series handelt es sich um ein Erweiterungspaket für die Basis-Webapplikation TE3850 TwinCAT 3 Machine Learning Creator. Mit dieser Erweiterung wird das Erstellen von KI-Modellen für den Bereich Signale und Zeitreihen, z. B. Klassifikation, Anomaliedetektion und Forecasting, ermöglicht.
TE3860 | TwinCAT 3 Machine Learning Creator Resource Pack
Bei TE3860 TwinCAT 3 MLC Resource Pack handelt es sich um ein Erweiterungspaket für die Basis-Webapplikation TE3850 TwinCAT 3 Machine Learning Creator. Sollte mehr Computing Time benötigt werden, etwa zum Training weiterer KI-Modelle, kann zusätzliche Computing Time flexibel über dieses Erweiterungspaket bezogen werden.
TF3800 | TwinCAT 3 Machine Learning Inference Engine
Die TwinCAT 3 Function TF3800 ist ein hochperformantes Ausführungsmodul (Inferenzmaschine) für trainierte, klassische, maschinelle Lernalgorithmen.
TF3810 | TwinCAT 3 Neural Network Inference Engine
Die TwinCAT 3 Function TF3810 ist ein hochperformantes Ausführungsmodul (Inferenzmaschine) für trainierte, neuronale Netze.
TF3820 | TwinCAT 3 Machine Learning Server
TF3820 TwinCAT 3 Machine Learning Server ist ein hochperformanter Dienst zur Ausführung trainierter KI-Modelle mit der Option, Hardwarebeschleuniger zu nutzen.
TF3830 | TwinCAT 3 Machine Learning Server Client
Der TwinCAT 3 Machine Learning Server beinhaltet standardmäßig eine Verbindung zu einem lokalen Client (lokale TwinCAT-Laufzeit). Sollen (ggf. weitere) TwinCAT-Laufzeiten remote auf einen TwinCAT 3 Machine Learning Server zugreifen, müssen diese Laufzeiten jeweils mit einer Lizenz für den TF3830 TwinCAT 3 Machine Learning Client ausgestattet werden.
TF7800 | TwinCAT 3 Vision Machine Learning
TwinCAT 3 Vision Machine Learning bietet eine integrierte Lösung für Maschinelles Lernen (ML) für Vision-spezifische Anwendungsfälle. Sowohl das Training als auch die Ausführung der Machine-Learning-Modelle erfolgen in der Echtzeit. Mithilfe dieser Modelle können komplexe Datenanalysen automatisch gelernt werden. Damit lassen sich aufwendige, manuell erstellte Programmkonstrukte ersetzen.
TF7810 | TwinCAT 3 Vision Neural Network
TwinCAT 3 Vision Neural Network bietet eine integrierte Lösung für Maschinelles Lernen (ML) für Vision-spezifische Anwendungsfälle. Die Ausführung der Machine-Learning-Modelle erfolgt in der Echtzeit. Mithilfe dieser Modelle können komplexe Datenanalysen automatisch gelernt werden. Damit lassen sich aufwendige, manuell erstellte Programmkonstrukte ersetzen.
C6043 | Ultra-Kompakt-Industrie-PC mit NVIDIA® GPU
Der Industrie-PC C6043 mit NVIDIA® GPU ermöglicht Anwendungen mit hohen Ansprüchen an 3D-Grafik oder tief integrierte Vision- und KI-Programmbausteine bei minimalen Zykluszeiten. Er erweitert die Baureihe ultra-kompakter Industrie-PCs um ein performantes Gerät mit einem ab Werk belegbaren Slot für leistungsstarke Grafikkarten. Durch die modernsten Intel® Core™ Prozessoren und hoch-parallelisierende NVIDIA® Grafikprozessoren lässt sich der PC perfekt als zentrale Steuerungseinheit für sehr komplexe Applikationen nutzen. Die Beckhoff Steuerungssoftware TwinCAT®3 kann dies vollintegriert abbilden – ohne weitere Software oder Schnittstellen. Mit dem zusätzlich frei belegbaren PCIe®-Kompakt-Modulslot kann der C6043 flexibel um ergänzende Funktionen erweitert werden.
C6675 | Schaltschrank-Industrie-PC
Der Industrie-PC C6675 ist mit Komponenten der höchsten Leistungsklasse ausgestattet, mit Intel® Celeron®, Pentium® oder Core™ i3/i5/i7/i9 der neuesten Generation auf einem ATX-Motherboard. Das übernommene Gehäuse- und Kühlkonzept vom C6670 ermöglicht darüber hinaus u. a. den Einsatz einer GPU-Accelerator-Karte. Für Steckkarten voller Baulänge stehen in Summe 300 Watt zur Verfügung. Applikationen im Bereich des maschinellen Lernens oder Vision können so im industriellen Umfeld realisiert werden.