TwinCAT 3 mit Machine und Deep Learning (Bild: Beckhoff Automation)
Beckhoff: In der Automatisierungstechnik kommt Maschinelles Lernen beispielsweise den Bereichen prädiktive Wartung und Prozesssteuerung, Anomaliedetektion, kollaborative Roboter, automatisierte Qualitätskontrolle und Maschinenoptimierung zugute. Das jeweilige Modell wird innerhalb eines der gängigen ML-Frameworks trainiert und anschließend über das standardisierte Austauschformat ONNX (Open Neural Network Exchange) zum Beschreiben von trainierten Modellen in die TwinCAT-Runtime importiert. Diese bietet dafür folgende neue Funktionen: die TwinCAT 3 Machine Learning Inference Engine für klassische ML-Algorithmen wie Support Vector Machine und Principal Component Analysis sowie die TwinCAT 3 Neural Network Inference Engine für Deep Learning und Neuronale Netze wie Multilayer Perceptrons und Convolutional Neural Networks. Die Inferenz, also die Ausführung eines trainierten ML-Modells, ist direkt in Echtzeit möglich, und zwar bei kleinen Netzen mit einer Reaktionszeit des Systems von unter 100 µs (TwinCAT-Zykluszeit 50 µs). Dabei lassen sich die Modelle sowohl über die PLC, C/C++-TcCOM-Interfaces als auch über eine zyklische Task aufrufen. Durch die nahtlose Integration in die Steuerungstechnik steht die Multicore-Unterstützung von TwinCAT auch für das Maschinelle Lernen offen. So lässt sich aus unterschiedlichen Task-Kontexten auf die jeweilige Inference Engine zugreifen, ohne dass sich dies gegenseitig begrenzend auswirkt. Weiterhin ist der volle Zugriff auf alle Feldbusschnittstellen und Daten gegeben. Damit stehen der ML-Lösung einerseits große Datenmengen etwa für komplexe Sensordatenfusion (Datenverknüpfung) sowie andererseits echtzeitfähige Schnittstellen zu Aktoren zur Verfügung.
(mou)
