Немецкая компания Beckhoff, которая разрабатывает открытые системы промышленной автоматизации на базе ПК-совместимых элементов управления, предлагает решение для машинного обучения (ML), полностью интегрированное в TwinCAT 3.
При этом уже ставшее привычным преимущество управления на базе ПК – открытость системы благодаря использованию проверенных стандартов – удалось сохранить и для машинного обучения.
Решение TwinCAT поддерживает машинное обучение в режиме реального времени, что подходит, например, даже для сложных задач управления перемещением. Следовательно, машиностроительные предприятия и производители станков получат оптимальную основу для повышения производительности оборудования, например, благодаря предупредительному техническому обслуживанию, самооптимизации процессов или самостоятельному обнаружению аномалий технологических процессов.
Основная идея машинного обучения состоит в том, что решения для определенных задач больше не нужно разрабатывать с помощью классической инженерии и преобразовывать в алгоритм. Напротив, обучение алгоритму происходит на основе иллюстративных данных технологического процесса. Таким образом, можно осуществлять обучение высокопроизводительных ML-моделей, которые затем можно использовать для получения более высококачественных или производительных решений.
Для технологий автоматизации это открывает новые возможности и потенциал для оптимизации, например, в области предупредительного технического обслуживания и контроля технологических процессов, обнаружения аномалий, коллаборативной робототехники, автоматического контроля качества и оптимизации работы станков.
Каждая модель обучается в рамках одной из платформ машинного обучения, например MATLAB® или TensorFlow, а затем импортируется в среду TwinCAT-Runtime посредством открытого формата обмена ONNX (Open Neural Network Exchange) для описания обученных моделей. Для этого среда выполнения TwinCAT предоставляет следующие новые функции:
– TwinCAT 3 Machine Learning Inference Engine – для классических алгоритмов машинного обучения, таких как метод опорных векторов (SVP) и метод главных компонент (PCA),
– TwinCAT 3 Neural Network Inference Engine – для технологии глубокого обучения и нейронных сетей, например, многослойные перцептроны (MLP) и сверточные нейронные сети (CNN).
Результаты модели – в реальном времени
Выполнение обученной ML-модели осуществляется непосредственно в реальном времени с помощью объекта TwinCAT-TcCOM. В случае небольших сетей время реакции системы менее 100 мкс, что сопоставимо с временем цикла TwinCAT 50 мкс. Модели могут быть вызваны как через интерфейсы ПЛК, C/C++-TcCOM, так и через циклическую задачу.
Благодаря полной интеграции с системой управления, поддержка многоядерности TwinCAT также доступна для машинного обучения. Это означает, что у различных контекстов задачи есть доступ к конкретному механизму логических выводов TwinCAT 3, при этом не возникает эффект взаимного влияния.
Кроме того, предоставляется полный доступ ко всем интерфейсам полевых шин и данным в TwinCAT. С одной стороны, это позволяет использовать для ML-решений огромное количество данных, например, при сложном комплексировании данных от датчиков (слияние данных). С другой стороны, для оптимального управления доступны интерфейсы для исполнительных механизмов, способных работать в реальном времени.
