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.

Beckhoff bietet eine in TwinCAT 3 nahtlos integrierte Lösung für KI-Modelle. Dabei sind die von PC-based Control gewohnten Vorteile der Systemoffenheit durch die Nutzung etablierter Standards auch für KI-Anwendungen gegeben.

Der TwinCAT 3 Machine Learning Server bietet die Funktionalität, trainierte KI-Modelle zu laden und auszuführen. Die Dienste des Servers sind über SPS-Funktionsbausteine aus TwinCAT-Laufzeiten heraus lokal als auch remote aufrufbar. Dabei kann ein Server sowohl mehrere KI-Modelle laden als auch von mehreren TwinCAT-Laufzeiten, bzw. mehreren Funktionsbaustein-Instanzen, aufgerufen werden. Geladene KI-Modelle können auf der CPU oder auf der GPU ausgeführt werden. Ein integriertes Load-Balancing-System verteilt und priorisiert Anfragen an den Server unter Berücksichtigung der zur Verfügung stehenden Rechenressourcen.

Das Training der neuronalen Netze erfolgt in für Data Scientists etablierten Frameworks, wie z. B. SciKit-Learn, PyTorch, TensorFlow u. v. m., oder im für Automatisierungsingenieure optimierten TE3850 TwinCAT 3 Machine Learning Creator. In jedem Fall wird das erstelle KI-Modell als ONNX-Datei aus der Lernumgebung exportiert. ONNX (Open Neural Network Exchange) hat sich als offener Standard für Interoperabilität im maschinellen Lernen durchgesetzt und gewährleistet eine Abstraktion zwischen Lernumgebung und Ausführungsumgebung gelernter Modelle.

Die ONNX-Datei kann in TwinCAT 3 eingelesen und um anwendungsspezifische Metainformationen ergänzt werden — beispielsweise Modellname, Modellversion, Kurzbeschreibung usw. Die mit diesen Informationen angereicherte KI-Modellbeschreibung kann dann in der TwinCAT 3 SPS mit einem Funktionsbaustein in den TwinCAT 3 Machine Learning Server geladen und dort auch ausgeführt werden.

Mit dem TwinCAT 3 Machine Learning Server steht eine hinsichtlich der KI-Modelle maximal flexible und hinsichtlich der Hardware hochperformante Inferenzmaschine zur Verfügung. Anwendungen finden sich in prädiktiven und präskriptiven Modellen, im Bereich Machine Vision und der Robotik. Beispiele sind bildbasierte Verfahren zur Sortierung oder Bewertung von Produkten, zur Fehlerklassifikation und Fehler- oder Produktortung sowie Berechnung von Greifpositionen.