Machine Learning integrado en la tecnología de control, de forma abierta y con capacidad de tiempo real

Beckhoff ofrece una solución completamente integrada en TwinCAT 3 para el aprendizaje automático (machine learning). Las ventajas habituales del PC-based Control en cuanto a un sistema abierto vienen dadas por el uso de estándares establecidos, también para aplicaciones de machine learning. Además, el machine learning se realiza en tiempo real, por lo que la solución TwinCAT también es adecuada, por ejemplo, para el área Motion de gran exigencia. De este modo, el fabricante de máquinas cuenta con la base óptima para aumentar el rendimiento de la máquina, por ejemplo, mediante mantenimiento predictivo, auto-optimización del desarrollo de los procesos o reconocimiento autónomo de anomalías en los procesos.

La idea básica del aprendizaje automático consiste en no elaborar las soluciones para determinadas tareas mediante la ingeniería clásica y convertirlas en un algoritmo, sino que el algoritmo deseado se aprenda a través de datos de proceso ejemplares. De este modo pueden entrenarse modelos de alto rendimiento y lograr soluciones óptimas y más eficientes. Para la técnica de automatización, esto abre nuevas posibilidades y potenciales de optimización, por ejemplo, en las áreas de mantenimiento predictivo y control de procesos, detección de anomalías, robots colaborativos, control de calidad automatizado y optimización de máquinas.

El modelo correspondiente se entrena dentro de un framework de aprendizaje automático habitual como, por ejemplo, MATLAB® o TensorFlow, y a continuación se importa a través del formato de intercambio estandarizado ONNX (Open Neural Network Exchange) en el tiempo de ejecución TwinCAT para la descripción de modelos entrenados. Para ello, TwinCAT ofrece las siguientes funciones novedosas:

– TwinCAT 3 Machine Learning Inference Engine: para algoritmos clásicos de machine learning como Support Vector Machine y Principal Component Analysis
– TwinCAT 3 Neural Network Inference Engine: para deep learning (aprendizaje profundo) y redes neuronales como Multilayer Perceptrons y Convolutional Neural Networks

Resultados de los modelos directamente aplicables en el entorno de tiempo real

La interferencia, es decir, la ejecución de un modelo de machine learning entrenado, es posible directamente en tiempo real como objeto TwinCAT TcCOM, incluso en pequeñas redes con un tiempo de reacción del sistema inferior a 100 μs (tiempo de ciclo TwinCAT 50 μs). Los modelos pueden llamarse tanto a través de PLC o interfaces C/C++ TcCOM como también a través de una tarea cíclica.

Gracias a la completa integración en la tecnología de control, el soporte multinúcleo de TwinCAT también está abierto al aprendizaje automático. De este modo es posible acceder al TwinCAT 3 Inference Engine respectivo desde contextos de tarea diferentes sin que esto tenga un efecto recíprocamente limitante. También es posible el acceso completo a todas las interfaces de bus de campo y datos en TwinCAT. De este modo, la solución de machine learning puede, por un lado, utilizar una inmensa cantidad de datos, por ejemplo, para complejas fusiones de datos de sensores (vinculación de datos). Por otro lado, se dispone de interfaces con capacidad de tiempo real a actuadores, entre otros, para Optimal Control.