TwinCAT 3 Machine Learning Creator

Automatisiert zu KI-Modellen für Bildverarbeitung und zeitbasierte Prozesssignale

Der TwinCAT 3 Machine Learning Creator (MLC) von Beckhoff erweitert den Engineering-Workflow in TwinCAT 3 um die automatisierte Erstellung von KI-Modellen – direkt durch Automatisierungs- und Prozessexperten und ohne Data-Science-Vorkenntnisse. Der Schwerpunkt lag dabei bisher auf dem Bereich Bildverarbeitung, wird nun aber auf die Analyse zeitbasierter Prozesssignale ausgeweitet.

TwinCAT 3 MLC (TE3850) bietet neben dem Erweiterungspaket TwinCAT 3 MLC Computer Vision (TE3851) ergänzend das Modul TwinCAT 3 MLC Signals and Time Series (TE3852). Damit wird der Funktionsumfang um die Analyse zeitbasierter Prozesssignale erweitert – oft entscheidend für industrielle Anwendungen, denn Strom-, Temperatur- oder Vibrationsverläufe geben wertvolle Hinweise auf den Zustand von Prozessen, Komponenten und Werkzeugen. Die mit TwinCAT 3 MLC Signals and Time Series erstellten Modelle erkennen anhand der zugehörigen Daten Muster und Abweichungen in Echtzeit und ermöglichen so eine vorausschauende Wartung, Prozessoptimierung und Anomalieerkennung direkt im Steuerungsumfeld.

Zu den typischen Anwendungen im Bereich Anomalieerkennung zählen die Erkennung von Motorfehlverhalten (Lagerschäden, Unwucht, mechanische Probleme) anhand von Strom-, Vibrations- oder Akustiksignalen sowie die Verschleißerkennung an Fräs- und Bohrwerkzeugen anhand der Spindelströme. Eine prozessintegrierte Qualitätsüberwachung lässt sich z. B. realisieren bei Schweißprozessen über Strom- und Spannungskurven oder bei Schneid- und Verpackungsprozessen anhand von Servomotorströmen. Beispiele für eine Prozessoptimierung sind das dynamische Anpassen adaptiver Prozessparameter (z. B. Vorschub, Presskraft), die Reduzierung des Energieverbrauchs auf Basis von Lastprofilen und Prognosen bzw. die prädiktive Regelung komplexer Anlagen.

Der TwinCAT 3 Machine Learning Creator ist eine reine Webapplikation. Da das Engineering vollständig im Browser erfolgt, ist keine lokale Rechenleistung erforderlich. Die KI-Modellerstellung gestaltet sich somit für den Anwender sehr einfach und zugänglich.