A műszaki rendszerek tervezésének gépi tanuláson alapuló, illetve klasszikus megközelítése alapvetően eltérő: az utóbbinál konkrét feladatra terveznek megoldást, majd ezt algoritmizálják, míg az előbbinél maga a rendszer folyamatadat-példák alapján tanulja meg a kívánt algoritmusokat. A gépi tanuláson alapuló modellek tehát taníthatóak, ezért jobb vagy előnyösebb tulajdonságú megoldásokat eredményeznek. Ez sok területen kínál új utakat és optimalizálási lehetőségeket az automatizálásban, többek között a prediktív karbantartás és folyamatvezérlés, a rendellenességek észlelése, a robotok közötti együttműködés, az automatikus minőségellenőrzés és a gépoptimalizálás terén.
A modelleket gépi tanulási - például MATLAB® vagy TensorFlow - keretrendszerben tanítják, majd a betanított modellek leírását az erre szolgáló szabványos ONNX (Open Neural Network Exchange, nyílt neurális hálózati adatcsere) formátumban importálják a TwinCAT futtatórendszerébe, melyben a következő új funkciók állnak rendelkezésre:
- TwinCAT 3 Machine Learning Inference Engine a klasszikus gépi tanulási algoritmusokhoz, mint amilyen például az SVM (Support Vector Machine) és a PCA (Principal Component Analysis);
- TwinCAT 3 Neural Network Inference Engine a mélytanuló- és a neurális hálózatokhoz, ilyenek például a többrétegű perceptronok (MLP) és a konvolúciós neurális hálózatok (CNN).
Az eredményül kapott modellek közvetlenül és valós időben futtathatók. A következtetés, azaz a betanított gépi tanulási modell futtatása közvetlenül és valós időben történhet a TwinCAT TcCOM objektum használatával. Kisebb modellek esetében 100 µs alatti rendszerválaszidők érhetők el a TwinCAT 50 µs-os ciklusidejének megfelelően. A modellek a TcCOM objektum PLC vagy C/C++ illesztőjén keresztül, avagy ciklikus feladatból hívhatók.
A TwinCAT 3 nyújtotta többmagos támogatás tökéletesen integrált a vezérlési technológiába, ezért gépi tanulási alkalmazásokhoz is felhasználható. Ez többek között azzal az előnnyel jár, hogy különböző feladatkontextusok egymás korlátozása nélkül férhetnek hozzá a TwinCAT 3 egy adott következtető motorjához (IE, Inference Engine). Teljeskörűen elérhető a TwinCAT 3 rendszer összes terepibusz-csatolója és adata is. A gépi tanuláson alapuló rendszerek tehát óriási adatmennyiségeket használhatnak fel például az érzékelők ada-
tainak komplex összekapcsolásához (Data Merging). Mindezeken túlmenően a beavatkozó szervek valós idejű interfészei felhasználhatók például optimalizált vezérlések megvalósításához.
www.beckhoff.hu/machine-learning
NÉVJEGY
A Hans Beckhoff által 1980-ban alapított nemzetközi vállalatcsoport több mint három évtizede meghatározó szereplője az automatizálási piacnak, és már korai szakaszában számos olyan automatizálási technológiai szabványt hozott létre és vezetett be sikeresen a piacra, amelyek ma már magától értetődőek. A Beckhoff PC-alapú automatizálási filozófiája, a Lightbus-rendszer, a buszterminálok és a TwinCAT automatizálási szoftver mérföldköveket jelentenek az automatizálási technológia területén, és ebből adódóan elfogadottá váltak nagy teljesítményű alternatívaként a hagyományos vezérlési technológiával szemben. A vállalat nemcsak alapvető technológiát kínál az intelligens gyárak számára, hanem jövőbe mutató innovációival meghatározza az integrált ipar fejlődési trendjeit is.
A vállalat központja a németországi Verlben található, de disztribútoron keresztül 2005 óta van képviselete hazánkban is. A folyamatos és dinamikus forgalomnövekedésnek köszönhetően 2012-től szükségessé vált magyarországi leányvállalat létrehozása is.
A Beckhoff Automation 2018-ban 916 millió euró globális árbevételt ért el, ami 16 százalékos növekedést jelent az előző évihez képest. A sikerhez egyenlő mértékben járult hozzá az innovatív technológiai fejlesztés, a megnövelt gyártókapacitás és a vállalat nemzetközi értékesítési hálózatának bővítése.
