Beckhoff Automation

TwinCAT Machine Learning: Maschinelles Lernen automatisierungsgerecht umgesetzt

Themenfeld: Machine Learning durch Industrial Automation

Auch wenn die praktische Anwendung des maschinellen Lernens im industriellen Umfeld noch am Anfang steht, ein Nutzen ist bereits heute klar: Bereiche wie Robotik, Anomaliedetektion oder modellprädiktive Regelung würden direkt profitieren. Mit TwinCAT Machine Learning bietet Beckhoff den Automatisierern und Maschinenbauern nun die Möglichkeit, die Inferenz – d. h. die Ausführung eines trainierten ML-Modells – industriegerecht und in Echtzeit zu integrieren.

Maschinelles Lernen – insbesondere mit neuronalen Netzen – ist strukturell bedingt von deterministischer Laufzeitkomplexität und kann näherungsweise jede kontinuierliche Funktion abbilden. Dies gilt bereits für flache Netze, welche neben deterministischer auch eine, bei entsprechender Implementierung, sehr kurze Laufzeit aufweisen. Dies macht neuronale Netze für die Automation auch im Motion Control interessant – Neural Automation.

Der ML-XTS-Demonstrator mit der TwinCAT 3 Neural Network Inference Engine, integriert in TwinCAT 3 Motion Control, zeigt genau dies. Den Kern des Demonstrators bilden zwei XTS-Systeme und ein dazwischen platziertes Fließband. Die jeweils zehn XTS-Mover werden nach und nach auf Markierungen des Fließbands synchronisiert und für eine Strecke von einem Meter parallel zur jeweiligen Markierung gefahren. Anschließend koppeln sie aus und bewegen sich für die nächste Synchronfahrt wieder an den Anfangspunkt des Fließbands.

Ein XTS wird mit einem klassischen Verfahren gesteuert, bei dem sich insbesondere während des Auskoppelns und kurz vor dem erneuten Aufsynchronisieren aufgrund der großen Dynamik ein hoher Verschleiß- und Energieverbrauchswert zeigt. Das zweite, mithilfe eines speziell auf Energie- und Verschleißminimierung trainierten neuronalen Netzes gesteuerte XTS arbeitete hingegen mit deutlich geringerem Gesamtenergieverbrauch und weniger Verschleißerscheinungen. Denn das neuronale Netz erzeugt „weichere“ Profile, verteilt also die für die Synchronisation notwendige Dynamik über einen größeren Bereich des XTS.

TwinCAT Machine Learning

PC-based Control von Beckhoff ist die optimale Basis zur Realisierung intelligenter, vernetzter Smart Factories. Es bietet alle notwendigen Technologien zur ganzheitlichen Maschinenautomatisierung: Standardautomatisierungstechnik kombiniert mit Monitoring-, Analyse-, Regelungs- und Optimierungsverfahren. Machine Learning ermöglicht weitere Performancesteigerungen.

https://beckhoff.de


Kontakt

Dr.-Ing. Fabian Bause
Beckhoff Automation GmbH & Co. KG
E-Mail