hirdetés
hirdetés

Gépi tanulás az automatizálásban

A szoftverek új generációja

Bemutatjuk a TwinCAT 3 automatizálási szoftver nyújtotta új megoldásokat, amelyekkel az automatizálási szakemberek a már ismerős műszaki környezetben használhatják a gépi tanulás és a mélytanulás által kínált lehetőségeket.

hirdetés

A Beckhoff a TwinCAT 3 automatizálási szoftverbe tökéletesen integrált gépi tanulási (ML-Machine Learning) megoldást kínál, amely a nyílt és jól ismert PC-alapú vezérlés előnyeit aknázza ki ezen a területen. A megoldás valós időben támogatja a gépi tanulást, így kezelni tudja a legkifinomultabb feladatokat, például a mozgásvezérlést. Az optimális alapot nyújtó tulajdonságok segítségével a géptervezők és gyártók magasabb szintre fejleszthetik rendszereiket. Például megoldásleíró karbantartással, önoptimalizáló folyamatokkal és a folyamatok rendellenességeinek automatikus észlelésével.

Új utakat kínálnak

A műszaki rendszerek tervezésének gépi tanuláson alapuló, illetve klasszikus megközelítése alapvetően eltérő. Az utóbbinál konkrét feladatra terveznek megoldást, majd ezt algoritmizálják. Az előbbinél maga a rendszer folyamat-adatpéldák alapján tanulja meg a kívánt algoritmusokat. A gépi tanuláson alapuló modellek tehát taníthatók, ezért jobb vagy előnyösebb tulajdonságú megoldásokat eredményeznek.

A gépi tanulást szemléltető bemutatóalkalmazás a 2019-es Hannoveri Vásáron
A gépi tanulást szemléltető bemutatóalkalmazás a 2019-es Hannoveri Vásáron

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 minőség-ellenőrzés és a gépoptimalizálás terén.

Neurális hálózatok importja

A modelleket gépi tanulási – pl. 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 futtató rendszerébe.

A rendszerben két új funkció áll rendelkezésre. Az egyik a TwinCAT 3 Machine Learning Inference Engine a klasszikus gépi tanulási algoritmusokhoz. Ilyen például az SVM (Support Vector Machine) és a PCA (Principal Component Analysis). A másik funkció a TwinCAT 3 Neural Network Inference Engine, melyet a mélytanuló és a neurális hálózatokhoz fejlesztettek. Ilyenek például a többrétegű perceptronok (MLP), valamint a konvolúciós neurális hálózatok (CNN).

Valós időben futtatható

A következtetés – 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++ interfészén keresztül, vagy ciklikus feladatból hívhatók.

A TwinCAT 3 automatizálási szoftver új lehetőségeket nyújt a gépi tanulásban
A TwinCAT 3 automatizálási szoftver új lehetőségeket nyújt a gépi tanulásban

A vezérlési technológiába való gördülékeny integrációnak köszönhetően a TwinCAT 3 által biztosított többmagos támogatás a gépi tanulási alkalmazások számára is elérhetővé válik. Ennek többek között az az előnye, hogy a TwinCAT 3 egy adott következtető motorjához (IE, Inference Engine) egymás korlátozása nélkül férhetnek hozzá a különböző feladatkontextusok.

Kiemelendő még, hogy 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 adatainak komplex összekapcsolásához (data merging). Mindezeken túlmenően, a beavatkozó szervek valós idejű interfészei felhasználhatók optimalizált vezérlések megvalósításához is.

www.beckhoff.hu/machine-learning

Porgánszki Éva Anna
a szerző cikkei

hirdetés
Ha hozzá kíván szólni, jelentkezzen be!
 
hirdetés
hirdetés
hirdetés
hirdetés