TwinCAT 3: machine learning voor alle gebieden van de automatisering

Machine learning naadloos, open en in real time in de besturingstechnologie geïntegreerd

Beckhoff biedt een naadloos in TwinCAT 3 geïntegreerde oplossing voor machine learning (ML). Daarbij kunnen dankzij het gebruik van gevestigde standaarden ook ML-toepassingen profiteren van de gebruikelijke voordelen van op pc gebaseerde besturing, in de vorm van open systemen. Bovendien vindt de machine learning in real time plaats, zodat de TwinCAT-oplossing bijvoorbeeld ook voor het veeleisende motion-gebied geschikt is. Op deze manier krijgt de machinebouwer de optimale basis voor het verhogen van de machineprestaties, bijvoorbeeld door prescriptief onderhoud, zelfoptimalisatie van procesverlopen en zelfstandige detectie van procesafwijkingen.

Het basisidee achter machine learning is om oplossingen voor bepaalde taken niet meer door klassieke engineering te creëren en vervolgens in een algoritme te vangen, maar in plaats daarvan het gewenste algoritme aan de hand van exemplarische procesgegevens aan te leren. Op deze manier kunnen krachtige modellen worden getraind en zodoende betere of beter presterende oplossingen worden gerealiseerd. Dit opent nieuwe mogelijkheden en optimaliseringskansen voor de automatiseringstechnologie, bijvoorbeeld op het gebied van predictief onderhoud en procesbesturing, detectie van afwijkingen, samenwerkende robots, geautomatiseerde kwaliteitscontrole en machineoptimalisatie.

Het betreffende model wordt getraind binnen een gangbaar ML-raamwerk, zoals MATLAB^® of TensorFlow, en vervolgens via het gestandaardiseerde uitwisselingsformaat ONNX (Open Neural Network Exchange) voor het beschrijven van getrainde modellen in de TwinCAT-runtime geïmporteerd. Deze biedt daarvoor de volgende nieuwe functies:

TwinCAT 3 Machine Learning Inference Engine: voor klassieke ML-algoritmen zoals support vector machine (SVM) en principal component analysis (PCA)
TwinCAT 3 Neural Network Inference Engine: voor deep learning en neuronale netwerken zoals meerlaagse perceptrons (MLP's) en convolutionele neurale netwerken (CNN's)

Modelresultaten direct in real time te gebruiken

Interferentie, oftewel het uitvoeren van een getraind ML-model, is als TwinCAT TcCOM-object direct in real time mogelijk. Bij Kleine netwerken kan dit met een reactietijd van het system van minder dan 100 µs (TwinCAT-cyclustijd van 50 µs). Modellen kunnen zowel via de PLC-, C/C++-TcCOM-interfaces als via een cyclische taak worden opgeroepen.

Door de naadloze integratie in de besturingstechniek is de multicore-ondersteuning van TwinCAT ook toegankelijk voor machine learning. Dit betekent bijvoorbeeld dat vanuit verschillende taakcontexten toegang mogelijk is tot de betreffende TwinCAT 3 Inference Engine, zonder dat dit wederzijds beperkingen oplevert. Verder zijn alle veldbusinterfaces en gegevens volledig toegankelijk in TwinCAT. Hiermee kan de ML-oplossing enerzijds gebruik maken van een enorme hoeveelheid gegevens, bijvoorbeeld voor complexe fusie van sensorgegevens (gegevenskoppeling). Anderzijds zijn realtime interfaces beschikbaar voor actuatoren voor onder andere optimale besturing.