Beckhoff系统集成服务
建立既定标准,TwinCAT 3机器学习提供ML应用程序的应用与基于PC的控制技术熟悉的系统开放性相同的优势。此外,这种TwinCAT解决方案支持实时ML,允许其同时处理像运动控制等要求的要求。这些功能为机器制造商和制造商提供了最佳基础,以提高机器性能,例如通过预测性维护,过程自我优化和过程异常的自主检测。
通过机器学习,控制工程师不再需要遵循传统的工程设计解决方案的特定任务,并将这些解决方案转化为算法。相反,自动化控制器可以从示例性过程数据学习所需的算法。通过这种替代方法,可以培训强大的ML型号,然后用于提供优越,更高的良好解决方案。在自动化技术中,这在许多领域开辟了新的可能性,包括预测性维护和过程控制,异常检测,协作机器人(Cobots),自动化质量控制和机器优化。
要学习的模型在ML框架中培训,例如Matlab®或Tensorflow,然后通过开放的神经网络交换格式(ONNX)导入TwinCAT运行时,用于描述培训的模型的标准化数据交换格式。TwinCAT运行时为此目的包含以下新功能:
- Twincat 3机器学习推理引擎,用于经典ML算法,如支持向量机(SVM)和主成分分析(PCA)
- 用于深度学习和神经网络的TwinCAT 3神经网络推理引擎,如多层的感知(MLP)和卷积神经网络(CNNS)
直接执行模型实时导致
推断,即培训的ML模型的执行,可以使用TwinCAT TCCOM对象直接执行。利用较小的网络,支持对应于50μs的TwinCAT循环时间的小于100μs的系统响应时间。可以通过PLC,C / C ++ TCCOM接口或循环任务调用模型。
通过与控制技术的无缝集成,TwinCAT 3提供的多核支持也可用于ML应用程序。例如,这意味着不同的任务上下文可以访问特定的TwinCAT 3推理引擎而不互相限制。所有现场总线接口和TwinCAT可用的数据也可以完全访问。这允许ML解决方案使用巨大量的数据,例如,用于复杂的传感器数据融合(数据合并),这也意味着可以将执行器的实时接口可用于以及其他事情,以及最佳的控制器性能。