LösenAnheftenSchließen

TwinCAT Machine Learning:

Skalierbar, offen und in Echtzeit

Maschinelles Lernen für alle Bereiche der Automatisierung

Produktmanager Dr. Fabian Bause zu Grundlagen und Applikationsbeispielen des Maschinellen Lernens
Produktmanager Dr. Fabian Bause zu Grundlagen und Applikationsbeispielen des Maschinellen Lernens

Beckhoff bietet eine in TwinCAT 3 nahtlos integrierte Lösung für Maschinelles Lernen (ML). Dabei sind die Vorteile von PC-based Control, die aus der Systemoffenheit durch die Nutzung etablierter Standards resultieren, auch für ML-Anwendungen gegeben. Zudem wird die Ausführung der Machine-Learning-Modelle in Echtzeit realisiert, sodass sich die TwinCAT-Lösung für alle Aufgaben Ihrer Automatisierungs-Lösung eignet.

KI-Anwendungen in der industriellen Automation

Erfahren Sie im nebenstehenden Video exemplarisch, welche Anwendungen auf Basis der Beckhoff-Technologie erfolgreich umgesetzt wurden. Als die Top-Anwendungsbereiche von KI in der Industrie werden, nicht zuletzt durch das Marktforschungsinstitut McKinsey, herausgestellt:

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

Workflow von der Datenaufnahme über das Training bis hin zur Integration des trainierten ML-Modells in die TwinCAT 3 Runtime (XAR)
Workflow von der Datenaufnahme über das Training bis hin zur Integration des trainierten ML-Modells in die TwinCAT 3 Runtime (XAR)

Workflow mit Beckhoff-Werkzeugen: Von den Daten zum KI-Modell

Die Grundidee des Maschinellen Lernens ist es, Lösungen für bestimmte Aufgaben nicht mehr durch klassisches Engineering zu erarbeiten und in einen Algorithmus zu überführen. Vielmehr soll der gewünschte Algorithmus anhand von Beispieldaten erlernt werden. Beckhoff bietet für den gesamten Kreislauf von Datenaufnahme, über das Modell-Training bis hin zum Deployment des gelernten Modells einen geschlossenen, flexiblen Workflow.

Datenaufnahme

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, Cloud-basierter Datalake. 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 IoT Data Agent TF6720.

Die Aufgabe der Datenbeschaffung fällt in der Regel in den Bereich des Automatisierungsspezialisten. Er kennt die Steuerungsarchitektur, die Rahmenbedingungen im Shop Floor und ist mit oben genannten Produkten bestens gerüstet, um effizient und situationsangepasst zu arbeiten.

Modell-Training

Das Training von Modellen auf Basis der bereitgestellten Daten erfolgt in Frameworks wie PyTorch, TensorFlow, SciKit-Learn® usw. Diese in der Data Science Community etablierten Frameworks sind in der Regel Open Source und damit kostenfrei nutzbar. So ist maximale Flexibilität gewährleistet und es sind keine Grenzen bei einem interdisziplinären Projekt zwischen Automatisierungs-Ingenieuren und Data Scientists gesetzt – weder unternehmensintern noch über Unternehmensgrenzen hinweg. Jedes Teammitglied kann in seiner gewohnten Umgebung arbeiten, zum Beispiel mit TwinCAT für die Automatisierer und TensorFlow für den Data Scientist.

Fehlt Ihnen ein Team-Mitglied in diesem interdisziplinären Projekt? Wir helfen Ihnen weiter. Melden Sie sich bei Ihrem Beckhoff Vertriebsmitarbeiter oder über das Kontaktformular. Beckhoff bietet wie gewohnt kostenfreien Support und hilft bei der Erarbeitung Ihrer ML-Lösung. Sollten Sie Interesse an einer Dienstleistung eines Data Scientist haben, suchen wir für Sie in unserem Netzwerk nach geeigneten Unternehmen.

Echtzeitfähige Inferenz von ML-Modellen als Standardmodul in TwinCAT 3: Es wird keine separate Hardware benötigt und die Funktionalität ist rein in Software auf der gleichen Plattform wie die übrige Steuerungsapplikation realisiert.
Echtzeitfähige Inferenz von ML-Modellen als Standardmodul in TwinCAT 3: Es wird keine separate Hardware benötigt und die Funktionalität ist rein in Software auf der gleichen Plattform wie die übrige Steuerungsapplikation realisiert.

Deployment

Das trainierte ML-Modell kann einfach im standardisierten Format Open Neural Network Exchange (ONNX) aus dem ML-Framework exportiert und dem TwinCAT-Programmierer übergeben werden.

Das Deployment erfolgt über das TwinCAT Engineering direkt in die TwinCAT-XAR, sodass die Ausführung des trainierten Modells (Inferenz) direkt in der harten Echtzeit auf der Maschinensteuerung erfolgt und damit synchron zu allen anderen Objekten der Steuerung ist.

ML-Modelle besitzen die Eigenschaft, dass sie durch größere Datenmengen im Training besser werden. Ebenso können sich Rahmenbedingungen an der Maschine im Betrieb schleichend oder spontan ändern. Um dieser Eigenschaft Rechnung zu tragen, können Sie ihre trainierten ML-Modelle während der Laufzeit der Maschine updaten: Also ohne Maschinen-Stopp, ohne neues Kompilieren und gleichzeitig vollständig remote über die Standard IT-Infrastruktur.

Produkte

TF3800

Beckhoff bietet eine in TwinCAT 3 nahtlos integrierte Lösung für Maschinelles Lernen (ML). Dabei sind die von PC-based Control gewohnten Vorteile der Systemoffenheit durch die Nutzung etablierter Standards auch für ML-Anwendungen gegeben. Zudem wird die Ausführung der Machine-Learning-Modelle in Echtzeit realisiert. Auf diese Weise erhält der Maschinenbauer die optimale Grundlage zur Steigerung der Maschinenperformance.

TF3810

Beckhoff bietet eine in TwinCAT 3 nahtlos integrierte Lösung für Maschinelles Lernen (ML). Dabei sind die von PC-based Control gewohnten Vorteile der Systemoffenheit durch die Nutzung etablierter Standards auch für ML-Anwendungen gegeben. Zudem wird die Ausführung der Machine-Learning-Modelle in Echtzeit realisiert. Auf diese Weise erhält der Maschinenbauer die optimale Grundlage zur Steigerung der Maschinenperformance.