TwinCAT Machine Learning otvára dvere pre sebaoptimalizáciu automatizačných systémov

Obrázok 1 - Pracovný tok začína zberom dát, pokračuje učením a končí integráciou natrénovaného modelu ML do TwinCAT 3 behového prostredia Obrázok 1 - Pracovný tok začína zberom dát, pokračuje učením a končí integráciou natrénovaného modelu ML do TwinCAT 3 behového prostredia

Softvérové riešenie TwinCAT (The Windows Control and Automation Technology) pre riadene v oblasti automatizácie založené na báze PC od spoločnosti Beckhoff, bolo vždy charakteristické pre svoju otvorenosť a modularitu, ktorá bola opakovane rozšírená, vďaka integrácií obvykle samostatne pracujúcich technológií ako je spracovanie obrazu, alebo monitorovanie stavu zariadení a s ním spojená prediktívna údržba. Použitie prvkov umelej inteligencie (Artificial Intelligence - AI) v automatizácií prináša potenciál pre jej ďalšiu optimalizáciu. Strojové učenie (Machine learning - ML), ktoré je zaintegrované do riadiaceho systému s TwinCAT Machine Learning, je považované za najsľubnejšiu technológiu v tejto oblasti.

Rada aplikačných oblastí už profituje z nasadenia strojového učenia v automatizácií, ako napríklad kolaboratívne roboty (koboty), inšpekcia kvality s detekciou anomálií, alebo optimalizácia strojov s prediktívnym riadením. S produktami TwinCAT Machine Learning Interface Engine  (TF3800) a TwinCAT Neural Networks Inference Engine (TF3810), Beckhoff ponúka výrobcom strojov a integrátorom v automatizácií všetky možnosti pre integráciu strojového učenia, napr. spracovanie natrénovaného ML modelu v reálnom čase.

Toto bolo implementované napríklad v inteligentnej inšpekcií kvality balenia v reálnom čase pre čínskeho výrobcu instantných rezancov. Toto bolo dosiahnuté novým systémom pre inšpekciu kvality, ktorý môže byť implementovaný bez modifikovania existujúceho hlavného riadiaceho systému vzhľadom k otvorenosti Beckhoff platformy, ktorý spoľahlivo deteguje chybné produkty v krátkom čase. Ďalším príkladom je stanovenie kvality produkcie výrobnej linky na skrutkové kotvy v reálnom čase, v ktorej globálne pôsobiaca firma špecializujúca v spojovacích materiáloch stanovila kvalitu puzdra kovovej objímky prislúchajúcej ku kotve skrutky z existujúcich výrobných dát. Vďaka tomu 100% inline kontrola kvality môže byť implementovaná bez dodatočných senzorov, alebo testovacích staníc. Naviac, údaje o kvalite dostupné pre každý proces spojenia môžu byť použité pre ďalšie vyhodnotenie. Schopnosť v reálnom čase nasadiť ML riešenie tak isto poskytuje optimálnu základňu pre implementáciu mechanizmov pre vyhodenie chybných častí tak skoro, ako to je možné v procese výroby, aj pri veľkosériovej produkcií.

Pracovný tok začína pri zbere dát

Cyklus pracovného toku pri strojovom učení začína so získavaním dát z automatizovaného procesu. Ktoré dáta majú byť nahrávané a vyhodnocované záleží na príslušnej aplikácií. Spravidla je vhodné začať s konkrétnou a ohraničenou aplikáciou a potom definovať požadované dáta. Tu je rozhodujúca znalosť oblasti, napr. expertíza s výrobcom strojov. Beckhoff poskytuje nevyhnutnú technológiu pre získavanie vysokokvalitných dát, napr. kompletné, štruktúrované, strojovo čitateľné a kontextualizované dáta, s produktami ako Database Server, Analytics Logger či TwinCAT Scope.

Ak sú dáta pre učenie dostupné, tak musia byť načítané a spracované pomocou externého nástroja pre strojové učenie. Z pohľadu užívateľa, je k dispozícií množstvo vhodných nástrojov pre strojové učenie. Viaceré z nich sú založené na Pythone a sú open source, ostatné sú komerčne dostupné, ako   MATLAB® a SAS. Rada štandardných funkcií a sady nástrojov, alebo knižníc slúžia ako rozhranie pre prístup k uloženým výrobným dátam. Práca s prostredím pre strojové učenie zahŕňa prípravu a selekciu dát, modelovanie vhodného ML algoritmu a jeho vyhodnocovanie. Výsledok tohto vývojového kroku je naučený ML model, ktorý predstavuje vzťah medzi vstupom a cieľovými údajmi. Rozhranie pre umiestnenie naučeného ML modelu v TwinCAT 3 je práve tak otvorené, ako rozhranie pre dáta. Tu je ako priemyselný štandard podporovaný formát súboru Open Neural Network Exchange (ONNX).

Možnosť reálneho času vďaka vyhodnocovaniu v CPU

Pri nasadení, sa modul pre spracovanie modelu ML v cieľovom TwinCAT prostredí nakonfiguruje tak, aby presne tie výpočtové operácie, ktoré sú opísané v súbore ONNX daného modelu ML, boli efektívne vykonávané na CPU priemyselného PC. V súlade s tým je tento modul  schopný bežať v reálnom čase, ktorý sa bez problémov integruje do TwinCAT systému a podporuje všetky zavedené spôsoby programovania v TwinCAT: volanie modulu z PLC a z C++, tak ako aj priame volanie pomocou cyklickej úlohy (cyclic task).

Základné vlastnosti produktov TF3800 a TF3810 sú priamy a synchrónny prístup do všetkých riadiacich dát, ako aj všetkých uzlov na komunikačnej zbernici. Užívatelia navyše profitujú zo škálovateľného výkonu naprieč výkonnostným levelom CPU a funkciou pre neblokujúcu paralelizáciu pre volanie modulu z rôznych kontextov úloh.

B 02Obrázok 2 - Možnosť spracovania ML modelu v reálnom čase ako štandardného modulu v TwinCAT 3 prostredí. Nevyžaduje žiaden samostatný hardware a funkčnosť je implementovaná výlučne pomocou softvéru na rovnakej platforme ako existujúca riadiaca aplikácia.

Server engine pre zvyšujúce sa požiadavky na ML

Spoločnosť Beckhoff hodlá koncom roka 2022 uviesť na trh TwinCAT Machine Learning Server (TF3820), ako ďalšiu možnosť pre Inference engine. S týmto doplnkom, TwinCAT začína spĺňať čoraz prísnejšie požiadavky pre ML priemyselné aplikácie:

  • Modely ML sú čoraz zložitejšie
  • Rýchlosť vykonávania by sa mala zvýšiť
  • Očakáva sa, že modely ML budú flexibilnejšie

TwinCAT Machine Learning Server je vo forme štandardnej TwinCAT PLC knižnice a Inference engine spracovávaný v takzvanom takmer reálnom čase (near-real-time), napr. na rozdiel od dvoch predchádzajúcich produktov, nie je spracovaný v tvrdom reálnom čase (hard real time), ale v oddelenom procese. V tomto smere, všetky AI modely v princípe môžu byť spracované pomocou Server engine a s plnou podporou ONNX. Okrem toho sú pre tento TwinCAT produkt k dispozícii hardvérové ​​možnosti optimalizované pre AI, ktoré umožňujú škálovať výkon. Mimo efektívneho využitia CPU, je tiež možný prístup k iGPU procesorov Intel® a dGPU, napr. od NVIDIA. Tým sa riešia všetky vyššie uvedené požiadavky týkajúce sa výkonu a zložitosti, ako aj flexibility modelov ML. Vďaka tejto bohatej sade funkcií je TwinCAT Machine Learning Server ideálne vhodný na použitie ako rozhranie medzi automatizáciou a sektorom dátovej vedy.

Ak Vás TwinCAT rozšírenia pre strojové učenie zaujali, tak viac informácií nájdete na www.beckhoff.com

Beckhoff: New Automation Technology

Beckhoff implementuje otevrené automatizacní systémy založené na technologii PC. Sortiment výrobku: Prumyslová PC, inteligentní svorky I/O a komponenty prumyslových sbernic, technologie pohonu a automatizacní software. Filozofie spolecnsoti Beckhoff "New Automation Technology" znamená univerzální a otevrené rídicí systémy a rešení pro automatizaci, které se používají na celém svete v nejruznejších aplikacích, od CNC obrábecích stroju až po inteligentní automatizaci budov.

 

https://www.beckhoff.com/cz/