Sie sind hier: HomeFeldebeneAntriebe

Machine Learning: Beckhoff implementiert KI in Twincat

Beckhoff hat eine Lösung für Maschinelles Lernen angekündigt, die nahtlos in die Twincat-3-Steuerung integriert ist und sich damit auch für den anspruchsvollen Motion-Bereich eignen soll.

IP65-Versorgungsmodul von Beckhoff Bildquelle: © Beckhoff

Mit dem neuen IP65-Versorgungsmodul geht Beckhoff einen weiteren Schritt in Richtung Dezentrali­sierung der Antriebstechnik.

Die Pressekonferenz im Rahmen der Hannover Messe 2019 beginnt Firmenchef Hans Beckhoff wie üblich mit der Bekanntgabe der aktuellen Geschäftszahlen. Mit einem realisierten Umsatz von 916 Mio. Euro ist der Spezialist für IPC-basierte Automation im vergangenen Jahr um 13 % gegenüber dem Vorjahr gewachsen und hat damit die selbst gesteckte Vorgabe – ein jährliches Wachstum von jeweils 15 % – nur knapp verfehlt. Auf die Geschäftsentwicklung im laufenden Jahr angesprochen, entgegnet Beckhoff: „Wir gehen von einer Beruhigung auf hohem Niveau aus.“ Die für das Jahr 2020 seit langem angepeilte Umsatz-Milliarde sei somit durchaus im Rahmen des Möglichen.

Dem Motto der diesjährigen Hannover Messe – ‚Integrated Industry – Industrial Intelligence‘ – Rechnung tragend, legten die Verler in Hannover einen Fokus auf das Thema Künstliche Intelligenz und zeigten auf ihrem Messestand in Halle 9 die konkreten Vorteile dieser Technologie anhand exemplarischer Applikationsszenarien basierend auf dem neuen ‚Twincat Machine Learning‘. Durch diese nahtlos in die Steuerungstechnik integrierte Lösung für ML erhalte der Maschinenbauer die optimale Grundlage zur Steigerung der Maschinen-Performance – zum Beispiel durch vorausschauende Wartung, Selbstoptimierung von Prozessabläufen oder eigenständiges Erkennen von Prozess-Anomalien.

Grundidee des Maschinellen Lernens ist, Lösungen für bestimmte Aufgaben nicht mehr durch klassisches Engineering zu erarbeiten und in einen Algorithmus zu überführen. Vielmehr soll der gewünschte Algorithmus anhand von beispielhaften Prozessdaten erlernt werden. Auf diese Weise lassen sich leistungsfähige Modelle trainieren. Für die Automatisierungstechnik soll dies neue Möglichkeiten und Optimierungspotenziale etwa in den Bereichen prädiktive Wartung und Prozesssteuerung, Anomalie-Detektion, kollaborative Roboter, automatisierte Qualitätskontrolle und Maschinenoptimierung erschließen.

Das jeweilige Modell wird innerhalb eines der gängigen ML-Frameworks, wie zum Beispiel Matlab oder TensorFlow, trainiert und anschließend über das standardisierte Austauschformat ONNX (Open Neural Network Exchange) zur Beschreibung von trainierten Modellen in die Twincat-Runtime importiert. Diese bietet dafür folgende neue Funktionen:

  • Machine Learning Inference Engine: für klassische ML-Algorithmen wie Support Vector Machine und Principal Component Analysis
  • Neural Network Inference Engine: für Deep Learning und Neuronale Netze wie Multilayer Perceptrons und Convolutional Neural Networks

Die Inferenz, das heißt die Ausführung eines trainierten ML-Modells, ist als Twincat-TcCOM-Objekt direkt in Echtzeit möglich, und zwar bei kleinen Netzen mit einer Reaktionszeit des Systems von unter 100 µs (Twincat-Zykluszeit 50 µs), verspricht Beckhoff. Aufrufbar sind die Modelle sowohl über die PLC, C/C++-TcCOM-Interfaces als auch über eine zyklische Task.