LösenAnheftenSchließen

TwinCAT Machine Learning:

Skalierbar, offen und in Echtzeit

Künstliche Intelligenz auf der Steuerungsebene nahtlos integriert

Künstliche Intelligenz (KI) ist eine sehr erfolgreiche Methode, um Prozesse zu automatisieren. Sie imitiert dazu kognitive Fähigkeiten von Menschen. Viele unterschiedliche Wege können zur Imitation dieser Fähigkeiten eingeschlagen werden. Der in den letzten Jahren erfolgreichste Weg ist der des Maschinellen Lernens (ML), welcher auf der Verarbeitung großer Beispieldatenmengen beruht. Die Grundidee des Maschinellen Lernens ist, Lösungen für bestimmte Aufgaben anhand von repräsentativen Beispieldaten zu erlernen.

Beckhoff als Spezialist für PC-based Control integriert diese Technologie in die Steuerungssoftware TwinCAT 3, da eine erfolgreiche Methode, die Prozesse automatisiert, als integraler Bestandteil des Steuerungsverhaltens einer Maschine begriffen werden muss. Als Konsequenz stellt Beckhoff einen Baukasten an Hardware und Software bereit, um KI-Modelle direkt in die SPS zu integrieren.

Erfahren Sie im Folgenden, welche beispielhaften Anwendungen sich für KI in der industriellen Automation ergeben und welche Produkte und Workflows seitens Beckhoff angeboten werden, damit KI-Anwendungen erfolgreich in der Breite, und nicht nur von KI-Experten, angewendet werden können.

KI-Anwendungen in der industriellen Automation

Der Einsatz von KI-Methoden ist vor allem dann erfolgversprechend, wenn mit schwer vorhersehbarer Varianz der eingehenden Daten gerechnet werden muss. Soll beispielsweise die Qualität von Holzbrettern oder landwirtschaftlichen/biologischen Produkten visuell bewertet werden, muss die große Varianz dieser natürlichen Produkte in die Auswertung einbezogen werden. KI-Methoden sind dabei sehr erfolgsversprechend und daher auch schon oft in Anwendungen anzutreffen. Die Idee ist, dass die Lösung einer Aufgabe aus Beispielen gelernt und nicht eine statische Abfolge von Algorithmen einer zuvor erdachten Lösung angewendet wird.

Anwendungsbeispiele aus dem Bildverarbeitungsbereich sind immer leicht zu greifen. Dieser Ansatz lässt sich auch auf Zeitreihen und andere Daten übertragen. Wird ein Produkt in einer Maschine gefertigt, können beliebige messtechnisch erfasste Datenpunkte, die das Produkt repräsentativ beschreiben (quasi ein Finderabdruck des gefertigten Produkts), mithilfe von KI verarbeitet werden. Es können daraus Schätzgrößen oder auch Klassen vorhergesagt werden.

Die Einsatzmöglichkeiten sind extrem vielfältig und können hier nicht vollumfänglich dargestellt werden. Als die Haupt-Anwendungsbereiche von KI in der Industrie werden, nicht zuletzt durch das Marktforschungsinstitut McKinsey, herausgestellt:

  • Maschinen-integrierte Qualitätsprüfung
  • Ausschussmengenreduktion
  • kollaborative und kontextbewusste Robotik
  • Maschinenoptimierung
  • prädiktive Wartung

Von den Daten zur Anwendung

Vereinfachte Darstellung des Workflows von der Datenaufnahme über das Training bis hin zur Integration eines trainierten KI-Modells in eine Produktivumgebung
Vereinfachte Darstellung des Workflows von der Datenaufnahme über das Training bis hin zur Integration eines trainierten KI-Modells in eine Produktivumgebung

Beckhoff bietet für den gesamten Kreislauf, von Datenaufnahme über das Modell-Training bis hin zur Ausführung des gelernten Modells in einer Produktivumgebung, einen systemoffenen Workflow ohne Lock-in-Effekt. 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.

Jede Applikation und auch jede IT-Infrastruktur stellt individuelle Ansprüche an die Art zur Beschaffung von Maschinendaten: SQL oder noSQL, Datei-basiert, lokal oder remote, eingeschränkte Port-Freigaben, Cloud-basierter Datalake und viele mehr. Für alle diese Szenarien steht eine Vielzahl etablierter TwinCAT-Produkte zur Verfügung, zum Beispiel der TwinCAT 3 Database Server TF6420, der TwinCAT 3 Scope Server TF3300, TwinCAT 3 Analytics Logger TF3500 oder der TwinCAT 3 IoT Data Agent TF6720, um nur einige exemplarisch zu nennen. Für Bilddaten steht mit TwinCAT Vision eine ganze Produktfamilie zur Bildaufnahme, Bild(vor)verarbeitung sowie Bildspeicherung zur Verfügung.

Das Konzept des Maschinellen Lernens basiert darauf, anhand repräsentativer Beispiele Zusammenhänge zu lernen. Daher ist es notwendig, die aufgenommenen Daten zu sichten und zu bereinigen, sodass ein sauberer Datensatz entsteht. In der Regel (außer bei Anwendungen wie z. B. Anomalie-Erkennung) sind die Beispieldaten zu annotieren (zu labeln), bevor ein Modelltraining erfolgreich durchgeführt werden kann.

Für Automatisierungs- und Prozessexperten

Der TwinCAT 3 Machine Learning Creator TE3850 versetzt „Nicht-KI-Experten“ in die Lage, qualitativ hochwertige KI-Anwendungen effizient zu entwickeln. Die Software 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 dennoch auch als standardisierte ONNX-Modelle außerhalb der Beckhoff-Produkte eingesetzt werden. Für die Anwendung mit TwinCAT-Produkten wird neben der ONNX-Datei zusätzlich eine PLCopen-XML mit IEC 61131-3-Code erstellt, welche die komplette KI-Pipeline beschreibt und nahtlos in TwinCAT importiert werden kann.

Für KI-Experten

Auch für KI-Experten ist der TwinCAT 3 Machine Learning Creator TE3850 eine geeignete Software, um den KI-Entwicklungsprozess zu beschleunigen und zu standardisieren. Der offene ONNX-Export versetzt Experten in die Lage, das erstellte KI-Modell in beliebige Frameworks einzulesen, um es zu analysieren oder zu verfeinern.

KI-Experten können auch komplett ohne den TwinCAT 3 Machine Learning Creator KI-Modelle trainieren. Das Training kann in Frameworks wie PyTorch, TensorFlow, SciKit-Learn® usw. erfolgen. Schlussendlich ist nur eine ONNX-Export-Funktionalität des Frameworks notwendig. Damit sind in der KI-Modell-Entwicklung keine Grenzen gesetzt.

Liegt ein trainiertes KI-Modell in Form einer ONNX-Datei vor, bietet Beckhoff die Möglichkeit, diese Modelle auf dem Steuerungsrechner in der SPS zu laden und auszuführen. Damit wird die KI-Anwendung Bestandteil der Steuerungsapplikation. Vorteile dieser Integration sind:

  • keine zusätzliche (spezielle KI-)Hardware
  • keine zusätzlichen Interfaces und Subsysteme
  • Wartung nur eines zentralen Systems (Updates, Security, Log-ins, …)
  • synchrones und transparentes Vorhandensein aller Maschinendaten im Steuerungsrechner
  • kosteneffiziente und skalierbare Lösung

Es existiert eine Vielzahl verschiedener KI-Modelle. Manche lassen sich auch mit kleinen Rechenressourcen sehr effizient ausführen, andere verlangen hingegen größere Rechenkapazitäten, um in adäquater Zeit ein Ergebnis zu erhalten. Beckhoff bietet ein flexibles und skalierbares Portfolio, um allen Möglichkeiten gerecht zu werden.

Hardware

Für eine Vielzahl von Anwendungen ist die CPU-basierte Ausführung von KI-Modellen völlig ausreichend. Für diese Fälle kann aus dem skalierbaren Portfolio von Beckhoff Industrie-PC- und Embedded-PC-Komponenten eine geeignete Hardware-Plattform gesucht werden, welche die Anforderungen an die Ausführungsgeschwindigkeit (der Latenz) erfüllt.

In einigen Fällen ist es aufgrund der erreichbaren Ausführungsgeschwindigkeit notwendig, auf Hardwarebeschleuniger zurückzugreifen. Hierzu bietet Beckhoff mit dem Ultra-Kompakt-Industrie-PC C6043 eine skalierbare Lösung inklusive NVIDIA-GPU. Sowohl die Intel®-CoreTM-i-CPU als auch die NVIDIA-GPU sind bei diesem Gerät wählbar, wodurch sich auch in diesem Segment kosteneffiziente Lösungen ergeben.

Software

Beckhoff bietet mehrere auf die speziellen Anforderungen angepasste Möglichkeiten, um trainierte KI-Modelle über die TwinCAT SPS zu laden und auszuführen. Grundsätzlich lassen sich die Möglichkeiten in zwei Gruppen trennen:

  • Ausführung des Modells im TwinCAT-Laufzeitprozess
  • Ausführung des Modells als Server-Prozess

Folgender Tabelle sind die jeweiligen Eigenschaften zu entnehmen:

Inferenz in der TwinCAT-Laufzeit Inferenz-Server
harte Echtzeit-Ausführung nahe Echtzeit-Ausführung (separater Prozess)
Ausfühung auf Standard-x64-CPUs KI-optimierte Hardware-Optionen, bspw. NVIDIA-GPUs
ausgewählte hochoptimierte KI-Modelle unterstützt quasi alle KI-Modelle
Standard-SPS-Funktionsbaustein für nahtlose Integration Standard-SPS-Funktionsbaustein für nahtlose Integration
Interoperabilität durch ONNX-Support Interoperabilität durch ONNX-Support
in einer TwinCAT-Lizenz gebündelt lokale und (Multi-)Remote-Client-Verbindungen
Prioritäts-Scheduling

Die Gruppe „Ausführung des Modells im TwinCAT-Laufzeitprozess“ beinhaltet folgende TwinCAT-Produkte, welche zusammen in einer Lizenz gebündelt sind:

  • TwinCAT 3 Machine Learning Inference Engine TF3800
  • TwinCAT 3 Neural Network Inference Engine TF3810
  • TwinCAT 3 Vision Neural Network TF7810

Hinter der Gruppe “Ausführung des Modells als Server-Prozess“ verbergen sich die TwinCAT-Produkte:

  • TwinCAT 3 Machine Learning Server TF3820
  • TwinCAT 3 Machine Learning Server Client TF3830

ML-Modelle besitzen die Eigenschaft, dass sie durch Training mit größeren Datenmengen besser werden. Ebenso können sich Rahmenbedingungen an der Maschine im Betrieb schleichend oder spontan ändern. Um dieser Eigenschaft Rechnung zu tragen, können Sie Ihre KI-Modelle während der Laufzeit der Maschine updaten: ohne Maschinen-Stopp, ohne neues Kompilieren und vollständig remote über die Standard-IT-Infrastruktur. Egal für welches TwinCAT-Produkt zur Ausführung der KI-Modelle Sie sich entscheiden, es kann ein neues KI-Modell auf den Steuerungscomputer übertragen und über SPS-Funktionen neu geladen werden.

Darüber hinaus können Sie auch Ihre Trainingsumgebung remote oder lokal auf dem Industrie-PC im Betriebssystemkontext betreiben und damit nah am Prozess Modelle neu trainieren, austauschen und mit TwinCAT laden.

Anwendungsbeispiele für Künstliche Intelligenz in der Steuerung

Virtuelle Maschinen bieten flexible Ausführungsumgebungen für containerisierte Edge-Anwendungen.
Virtuelle Maschinen bieten flexible Ausführungsumgebungen für containerisierte Edge-Anwendungen.

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 dem TwinCAT 3 Machine Learning Creator TE3850 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.

Retrofit einer Bestandsmaschine
Retrofit einer Bestandsmaschine

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 dem TwinCAT 3 Machine Learning Creator TE3850 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.

Alle Daten des Maschinenparks laufen zusammen und werden vorverarbeitet.
Alle Daten des Maschinenparks laufen zusammen und werden vorverarbeitet.

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 TwinCAT 3 Neural Network Inference Engine TF3810 in TwinCAT integrieren.

Darstellung der Hülsenbreite als eines der Qualitätskriterien bei der Hülsenumschließung
Darstellung der Hülsenbreite als eines der Qualitätskriterien bei der Hülsenumschließung

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.

Lu Peng (links), Projektmanager von Tianjin FengYu, und Wan Pinlei (Mitte), System Application Engineer von Beckhoff China – mit dem Embedded-PC CX51xx als Hardwarekern der TwinCAT-Machine-Learning-Lösung – sowie Xie Shaowei, Technical Support Engineer von Beckhoff China (rechts)
Lu Peng (links), Projektmanager von Tianjin FengYu, und Wan Pinlei (Mitte), System Application Engineer von Beckhoff China – mit dem Embedded-PC CX51xx als Hardwarekern der TwinCAT-Machine-Learning-Lösung – sowie Xie Shaowei, Technical Support Engineer von Beckhoff China (rechts)

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 TwinCAT 3 Scope View Professional TE1300 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 TwinCAT 3 Condition Monitoring TF3600 in der Steuerung realisiert. Dann erfolgte das Deployment der Modellbeschreibungsdatei auf einen Embedded-PC CX51xx, der das KI-Modell mithilfe der TwinCAT 3 Machine Learning Inference Engine TF3800 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 Neu

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 dennoch auch als standardisierte ONNX-Modelle außerhalb der Beckhoff Produkte eingesetzt werden. Für die Anwendung mit TwinCAT-Produkten wird neben der ONNX-Datei zusätzlich eine PLCopen XML mit IEC 61131-3-Code erstellt, welche die komplette KI-Pipeline beschreibt und nahtlos in TwinCAT importiert werden kann.

TF3800 | TwinCAT 3 Machine Learning Inference Engine

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

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

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 Neu

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

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 Neu

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 Neu

C6043 | Ultra-Kompakt-Industrie-PC mit NVIDIA® GPU

Der C6043 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. Dazu zählen Anwendungen mit hohen Ansprüchen an 3D-Grafik oder tief integrierte Vision- und KI-Programmbausteine bei minimalen Zykluszeiten. 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

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.