TwinCAT 3: gépi tanulás az automatizálás összes területén

Tökéletesen integrált, nyílt és valós idejű gépi tanulás vezérlőrendszerekhez

A Beckhoff a TwinCAT 3 automatizálási szoftverbe tökéletesen integrált gépi tanulási (ML – Machine Learning) megoldást kínál, amely a nyílt és jól ismert PC alapú vezérlés előnyeit aknázza ki ezen a területen. A megoldás valós időben támogatja a gépi tanulást, így kezelni tudja a legkifinomultabb feladatokat, például a mozgásvezérlést is. A géptervezők és -gyártók ezekre az optimális alapot nyújtó tulajdonságokra építve magasabb szintre fejleszthetik rendszereiket – például megoldásleíró karbantartással, önoptimalizáló folyamatokkal és a folyamatok rendellenességeinek automatikus észlelésével.

A műszaki rendszerek tervezésének gépi tanuláson alapuló, illetve klasszikus megközelítése alapvetően eltérő: az utóbbinál konkrét feladatra terveznek megoldást, majd ezt algoritmizálják, míg az előbbinél maga a rendszer folyamatadat-példák alapján tanulja meg a kívánt algoritmusokat. A gépi tanuláson alapuló modellek tehát taníthatóak, ezért jobb vagy előnyösebb tulajdonságú megoldásokat eredményeznek. Ez sok területen kínál új utakat és optimalizálási lehetőségeket az automatizálásban, többek között a prediktív karbantartás és folyamatvezérlés, a rendellenességek észlelése, a robotok közötti együttműködés, az automatikus minőségellenőrzés és a gépoptimalizálás terén.

A modelleket gépi tanulási – pl. MATLAB^® vagy TensorFlow – keretrendszerben tanítják, majd a betanított modellek leírását az erre szolgáló szabványos ONNX (Open Neural Network Exchange – nyílt neurális hálózati adatcsere) formátumban importálják a TwinCAT futtató rendszerébe, melyben a következő új funkciók állnak rendelkezésre:

TwinCAT 3 Machine Learning Inference Engine a klasszikus gépi tanulási algoritmusokhoz, mint amilyen például az SVM (Support Vector Machine) és a PCA (Principal Component Analysis);
TwinCAT 3 Neural Network Inference Engine a mélytanuló és a neurális hálózatokhoz – ilyenek például a többrétegű perceptronok (MLP) és a konvolúciós neurális hálózatok (CNN).

Az eredményül kapott modellek közvetlenül és valós időben futtathatók

A következtetés, azaz a betanított gépi tanulási modell futtatása közvetlenül és valós időben történhet a TwinCAT TcCOM objektum használatával. Kisebb modellek esetében 100 µs alatti rendszerválaszidők érhetők el a TwinCAT 50 µs-os ciklusidejének megfelelően. A modellek a TcCOM objektum PLC vagy C/C++ interfészén keresztül, vagy ciklikus feladatból hívhatók.

A vezérlési technológiába való gördülékeny integrációnak köszönhetően a TwinCAT 3 által biztosított többmagos támogatás a gépi tanulási alkalmazások számára is elérhetővé válik. Ennek többek között az az előnye, hogy a TwinCAT 3 egy adott következtető motorjához (IE, Inference Engine) egymás korlátozása nélkül férhetnek hozzá a különböző feladatkontextusok. Teljeskörűen elérhető a TwinCAT 3 rendszer összes terepibusz-csatolója és adata is. A gépi tanuláson alapuló rendszerek tehát óriási adatmennyiségeket használhatnak fel, például az érzékelők adatainak komplex összekapcsolásához (Data Merging). Mindezeken túlmenően, a beavatkozó szervek valós idejű interfészei felhasználhatók például optimalizált vezérlések megvalósításához.