TwinCAT 3: Maskininlärning för alla områden inom automatisering

Maskininlärning i realtid med sömlös och öppen integration i styrsystem

Beckhoff erbjuder en lösning för maskininlärning som är sömlöst integrerad i TwinCAT 3. Genom användning av etablerade standarder kan de välkända fördelarna med systemöppenhet från PC-baserad styrning även användas i applikationer med maskininlärning. Dessutom sker maskininlärningen i realtid så att TwinCAT-lösningen även kan användas i krävande områden såsom rörelsestyrning. På detta sätt får maskintillverkare en optimal grund för att öka maskinprestanda genom exempelvis förutseende underhåll, självoptimering av processer eller automatisk detektering av processanomalier.

Grundkonceptet för maskininlärning är att inte längre behöva ta fram lösningar för bestämda uppgifter genom klassisk ingenjörsteknik och överföra dem till algoritmer. I stället ska de önskade algoritmerna läras in genom processdata i exempelform. På detta sätt kan kraftfulla modeller tränas och därmed uppnå bättre och effektivare lösningar. Inom automatiseringstekniken öppnar det upp för nya möjligheter och optimeringspotential inom exempelvis förutseende underhåll och processtyrning, anomalidetektering, kollaborerande robotar, automatiserad kvalitetskontroll och maskinoptimering.

Modellerna tränas i ett ramverk för maskininlärning såsom exempelvis MATLAB^® eller TensorFlow, och importeras sedan till TwinCAT Runtime via det standardiserade formatet ONNX (Open Neural Network Exchange) för beskrivning av tränade modeller. Följande nya funktioner står till förfogande:

TwinCAT 3 Machine Learning Inference Engine: för klassiska algoritmer för maskinlärning såsom Support Vector Machine och Principal Component Analysis
TwinCAT 3 Neural Network Inference Engine: för Deep Learning och neurala nätverk såsom Multilayer Perceptrons och Convolutional Neural Networks

Modellresultat kan användas direkt i realtid

Interferensen, dvs. körning av en tränad modell för maskinlärning kan utföras direkt i realtid som ett TwinCAT TcCOM-objekt, närmare bestämt i små nätverk med en reaktionstid hos systemet på mindre än 100 µs (TwinCAT-cykeltid 50 µs). Modeller kan anropas via PLC, C/C++-TcCOM-gränssnitt eller cykliska uppgifter.

Genom den sömlösa integrationen i styrtekniken kan multicore-stödet hos TwinCAT även användas för maskininlärning. Det innebär att olika uppgiftskontexter kan få tillgång till respektive TwinCAT 3 Inference Engine utan att begränsa varandra. Dessutom ges full åtkomst till alla fältbussgränssnitt och data i TwinCAT. Detta ger lösningar för maskininlärning tillgång till oerhörda datamängder, exempelvis för komplex sammanslagning av data (data merging). Dessutom står realtidsgränssnitt till styrdon till förfogande för bland annat optimal styrning.