TwinCAT 3: Machine Learning per tutti i settori dell’automazione

Machine Learning perfettamente integrato, aperto e in tempo reale per sistemi di controllo

Beckhoff offre una soluzione di Machine Learning (ML) perfettamente integrata nel software TwinCAT 3. Basata su standard consolidati, TwinCAT 3 Machine Learning porta alle applicazioni ML i vantaggi dell’apertura del sistema forniti dal PC-based Control. Inoltre, la soluzione TwinCAT integra il Machine Learning nel real-time, consentendo di gestire anche compiti impegnativi come il controllo del Motion. Queste funzionalità forniscono ai costruttori di macchine e ai produttori una base ottimale per migliorare le prestazioni della macchina, ad esempio attraverso la manutenzione programmata, l'ottimizzazione automatica del processo e il rilevamento autonomo delle anomalie di processo.

Il concetto fondamentale di Machine Learning non è più quello di avvalersi dei classici metodi di Engineering volti a definire soluzioni per determinati compiti e il loro trasferimento in un algoritmo. L’obiettivo è semmai quello di apprendere l’algoritmo desiderato sulla base di dati di processo esemplificativi. In tal modo è possibile preparare modelli ad alta prestazione e ottenere soluzioni migliori e più performanti. Per la tecnologia di automazione, tutto questo apre nuove possibilità e potenziali di ottimizzazione, tra cui la manutenzione predittiva e il controllo dei processi, rilevamento di anomalie, robot collaborativi, controllo della qualità automatico e ottimizzazione delle macchine.

I modelli da apprendere sono contenuti in un framework di ML, come MATLAB^® o TensorFlow, e infine importati nel runtime di TwinCAT attraverso il formato di scambio standardizzato ONNX (Open Neural Network Exchange) per la descrizione dei modelli elaborati. Il runtime di TwinCAT offre al riguardo le seguenti nuove funzioni:

TwinCAT 3 Machine Learning Inference Engine: per classici algoritmi di ML quali Support Vector Machine e Principal Component Analysis
TwinCAT 3 Neural Network Inference Engine: per deep learning e reti neurali quali Multilayer Perceptrons e Convolutional Neural Networks

Risultati dei modelli direttamente utilizzabili in ambienti real-time

L’inferenza, ovvero l’esecuzione di un modello di ML istruito, può essere eseguita in real-time come oggetto TwinCAT-TcCOM e più precisamente in piccole reti con un tempo di reazione del sistema inferiore a 100 μs (tempo di ciclo di TwinCAT 50 μs). I modelli possono essere richiamati tramite le interfacce PLC, C/C++-TcCOM o con task ciclico.

Grazie alla perfetta integrazione con la tecnologia di controllo, il supporto multicore di TwinCAT è disponibile anche per applicazioni di machine learning. Ciò significa che diversi contesti possono accedere al rispettivo TwinCAT 3 Inference Engine, senza limitarsi reciprocamente. È inoltre possibile l’accesso completo a tutte le interfacce bus di campo e dati di TwinCAT. Questo significa che la soluzione di ML può utilizzare grandi quantità di dati raccolti dai sensori, da un lato, mentre dall’altro sono disponibili interfacce in tempo reale verso gli attuatori, tutto per un controllo ottimale.