TwinCAT 3 软件已集成机器学习功能

上月初，Beckhoff 官网发布消息称其已经在 TwinCAT 3 软件中无缝集成了机器学习（ML）解决方案，以帮助用户在基于 PC 控制的设备系统中部署机器学习应用。

据悉，TwinCAT 解决方案支持实时机器学习，能够处理包括运动控制...等在内的各类严苛任务，并通过规范性维护、流程自我优化和流程异常的自主检测...等功能，帮助设备用户和制造商提升机器的综合性能。



Beckhoff 方面表示，机器学习的基本概念，是不再遵循为特定任务专门设计方案、然后将这些解决方案转化为算法的传统工程路线，而是从示例性过程数据中学习所需的算法。通过这种替代方法，可以训练出强大的机器学习模型，然后用于提供卓越或性能更优的解决方案。在自动化技术方面，这为许多领域开辟了新的可能性和进一步提升优化的潜力，包括：预测性维护、过程控、异常检测、协作机器人、自动化质量控制和机器优化。



按照官宣的说法，需要学习的模型是在机器学习框架（如：MATLAB 或 TensorFlow）中进行训练的，然后通过 ONNX （即：开放式神经网络交换格式 Open Neural Network Exchange Format，一种用于描述训练模型的标准化数据交换格式）导入 TwinCAT 运行。 为此，TwinCAT 的 runtime 整合了以下新功能：

用于经典机器学习算法的 TwinCAT 3 机器学习推理引擎，例如：支持向量机（SVM）和主要成分分析（PCA）

用于深度学习和神经网络的 TwinCAT 3 神经网络推理引擎，如：多层感知器（MLP）和卷积神经网络（CNN）

同时，模型结果是可以实时直接执行的。就是说，推理 - 即已训练机器学习模型的执行，可以使用 TwinCAT TcCOM 对象实时直接完成，并通过 PLC，C / C ++ TcCOM 接口或循环任务调用。如果网络较小，对应于 50μs 的 TwinCAT 周期时间，支持小于 100μs 的系统响应时间。



另外，与控制技术的无缝集成，将意味着：

TwinCAT 3 本身所提供的多核支持也同样适用于机器学习应用。因此，不同的任务程序可以访问同一个特定的TwinCAT 3 推理引擎而不会相互限制。

机器学习应用完全可以访问 TwinCAT 中所有可用的现场总线接口和数据，这将使其能够使用到大量数据，例如：用于复杂的传感器数据融合（数据合并），并且有机会通过与执行机构的实时接口实现设备控制的优化。

信息参考自：beckhoff.com

点击“阅读原文”，了解更多“工业控制器”内容。

如有疑问，欢迎随时通过本公众号与我们联系。