Beckhoff propose une nouvelle solution de Machine Learning intégrée nativement dans TwinCAT 3

31/05/2019

BESOIN D'INFORMATION

TwinCAT 3 fournit aux automaticiens de nouvelles possibilités dans leurs domaines industriels grâce au Machine Learning et au Deep Learning en offrant aux applications de ML les avantages des systèmes ouverts des automates sur base PC.

Le principe fondamental du Machine Learning est de ne plus suivre le développement traditionnel consistant à développer des solutions pour des tâches spécifiques, puis de les transférer dans des algorithmes. Il s'agit maintenant de générer des algorithmes à partir d’exemples de données. Avec cette approche alternative, les modèles puissants de ML peuvent être entraînés, leur permettant ainsi d'obtenir des solutions plus performantes et plus évoluées. Pour le domaine de l’automatisation le ML ouvre de nouvelles possibilités et offre des potentiels d’optimisation. Cela regroupe la maintenance prédictive, le contrôle de process, la détection de défauts, les robots collaboratifs, le contrôle qualité automatisé et l'optimisation des machines.

Les modèles d’apprentissage sont entraînés à travers un ML Framework, tels que MATLAB® ou TensorFlow. Ils peuvent être importés dans TwinCAT runtime à travers le format ONNX (Open Neural Network Exchange), un format ouvert pour représenter les modèles de Machine Learning.

Le runtime TwinCAT inclut à cette fin les nouvelles fonctions suivantes:

TwinCAT 3 Machine Learning Inference Engine : pour les algorithmes ML classiques tels que Support Vector Machine (SVM) et Principal Component Analysis (PCA)
TwinCAT 3 Neural Network Inference Engine : pour Deep Learning et les réseaux de Neuronnes tels que Multilayer Perceptrons (MLPs) et Convolutional Neural Networks (CNNs)

Les résultats de prédictions sont directement exécutables en temps-réel

L'inférence, c'est-à-dire l'exécution d'un modèle entraîné ML, peut-être directement exploitée en temps réel avec TwinCAT-TcCOM Object. Pour les petits réseaux le temps de réponse système est inférieur à 100 μs (correspondant à un temps de cycle TwinCAT 50 μs). Les modèles peuvent être appelés via les interfaces PLC, C/C++-TcCOM ou bien via une tâche cyclique.

L’intégration native du Machine Learning et la gestion multicoeurs de TwinCAT 3 en font un environnement d’exécution propice aux applications ML. Les différentes possibilités d’exécution ML ont accès à TwinCAT 3 Inference Engine sans restriction de part et d’autre. Tous les bus de terrain et données restent entièrement disponibles dans TwinCAT. Les solutions ML peuvent ainsi exploiter des volumes considérables de données, par exemple pour la fusion complexe de données de capteurs (data merging). D'autre part, cela signifie que les interfaces temps-réel avec les actionneurs sont disponibles pour assurer notamment un contrôle optimal.

BESOIN D'INFORMATION