TwinCAT 3: Aprendizado de máquina para todas as áreas da automação

Aprendizado de máquina integrado, em tempo real e aberto para sistemas de controle

A Beckhoff agora oferece uma solução de aprendizado de máquina (ML) que é perfeitamente integrada ao software TwinCAT 3. Com base em padrões estabelecidos, o TwinCAT 3 Machine Learning traz para as aplicações ML as vantagens de um sistema aberto, familiar do controle baseado em PC. Além disso, a solução TwinCAT suporta o aprendizado de máquina em tempo real, permitindo que ele lide com tarefas exigentes, como controle de movimento. Esses recursos proporcionam aos fabricantes e integradores de máquinas uma base ideal para melhorar o desempenho da máquina, por exemplo, por meio de manutenção prescritiva, auto-otimização de processos e detecção autônoma de anomalias de processos.

O conceito fundamental de aprendizado de máquina é não seguir mais a rota clássica de engenharia de projetar soluções para tarefas específicas e, em seguida, transformar essas soluções em algoritmos, e sim em aprender os algoritmos desejados a partir de dados de processo de exemplo. Com essa abordagem alternativa, poderosos modelos ML podem ser treinados e usados para oferecer soluções superiores ou de melhor desempenho. Na tecnologia de automação, isso abre novas possibilidades e potencial de otimização em muitas áreas, incluindo manutenção preditiva e controle de processos, detecção de anomalias, robótica colaborativa, controle de qualidade automatizado e otimização de máquinas.

Os modelos a serem aprendidos são treinados em uma estrutura de ML, como MATLAB^® ou TensorFlow e, em seguida, importados para a execução do TwinCATatravés do formato Open Neural Network Exchange (ONNX), um formato de troca de dados padronizado usado para descrever modelos treinados. A execução do TwinCAT incorpora as seguintes novas funções para essa finalidade:

TwinCAT 3 Machine Learning Inference Engine (mecanismo de inferência de aprendizagem de máquina) para algoritmos ML clássicos, como a máquina de vetores de suporte (SVM) e a análise de componentes principais (PCA)
TwinCAT 3 Neural Network Inference Engine (mecanismo de inferência de redes neurais) para aprendizagem profunda e redes neurais, tais como perceptrons multicamadas (MLPs) e redes neurais convolucionais (CNNs)

Os resultados do modelo são diretamente executáveis em tempo real

A inferência, ou seja, a execução de um modelo ML treinado, pode ser realizada diretamente em tempo real com um objeto TwinCAT TcCOM. Com redes menores, os tempos de resposta do sistema inferiores a 100 μs correspondentes a um tempo de ciclo TwinCAT de 50 μs são suportados. Modelos podem ser chamados via interfaces CLP, C/C ++ TcCOM ou como uma tarefa cíclica.

Através da integração perfeita com a tecnologia de controle, o suporte multinúcleos fornecido pelo TwinCAT 3 também está disponível para aplicativos de aprendizado de máquina. Isso significa, por exemplo, que diferentes contextos de tarefas podem acessar um determinado mecanismo de inferência TwinCAT 3 sem restringir um ao outro. Todas as interfaces de barramento de campo e dados disponíveis no TwinCAT podem ser totalmente acessados também. Isso permite que as soluções ML usem imensas quantidades de dados, por exemplo, para fusão de dados de sensores complexos (fusão de dados), e também significa que interfaces em tempo real para atuadores estão disponíveis para permitir, entre outras coisas, controle ótimo.