Системы автоматизации

Функция мониторинга мощности TwinCAT представляет собой библиотеку ПЛК для оценки необработанных данных о токе и напряжении, которые обычно предоставляются клеммами EtherCAT EL3773 и EL3783. Доступны функциональные блоки для расчета среднеквадратичных значений тока, напряжения и мощности. Они могут выводиться как мгновенные или средние значения. В функциональном блоке также доступны максимальные и минимальные значения. Частоты и частотные спектры могут определяться как по гармоникам в сети, так и по их нагрузке в виде полного гармонического искажения (THD).

Все блоки доступны для 1-фазных и 3-фазных систем. Продукты TwinCAT TE1300 TwinCAT 3 Scope View Professional и TF6420 TwinCAT 3 Сервер базы данных подходят для отображения данных или постоянного хранения данных.

Это программное обеспечение TwinCAT-3 также доступно в виде ограниченной среды исполнения через TC399x.

Функция TF3680 TwinCAT 3 Filter предоставляет в библиотеке ПЛК различные функциональные блоки для реализации цифровых фильтров. Цифровые фильтры используются для управления оцифрованными сигналами и, например, для усиления или подавления определенных компонентов сигнала в частотном диапазоне.

Библиотека включает функциональные блоки для реализации фильтров с характеристиками Баттерворта и Чебышева, а также общие функциональные блоки со свободно определяемыми коэффициентами фильтра. Кроме того, в состав библиотеки входят элементы задержки разного порядка и фильтр скользящего среднего.

Дополнительную информацию можно найти в "TwinCAT Analytics".

Функция TwinCAT 3 TF3800 — это высокопроизводительный модуль выполнения (механизм вывода) для обученных классических алгоритмов машинного обучения.

Beckhoff предлагает решение машинного обучения (ML), легко интегрированное в TwinCAT 3. Обычные преимущества открытости системы благодаря управлению на базе ПК также доступны для приложений ML благодаря использованию установленных стандартов. Кроме того, модели машинного обучения выполняются в режиме реального времени. Таким образом, производитель станка получает оптимальную основу для повышения производительности станка.

Алгоритмы обучаются в установленных средах, таких как: SciKit-Learn, libSVM, XGBoots и многие другие. м. Созданная модель ИИ экспортируется из среды обучения в виде файла ONNX. ONNX (Open Neural Network Exchange) зарекомендовал себя как открытый стандарт совместимости в машинном обучении и обеспечивает абстракцию между средой обучения и средой выполнения изученных моделей.

Файл ONNX может быть прочитан в TwinCAT 3 и дополнен метаинформацией, специфичной для приложения - например, названием модели, версией модели, кратким описанием и т. д. ПЛК TwinCAT 3 предлагает функциональный блок, который, с одной стороны, загружает файл описания модели AI, а с другой стороны, выполняет его синхронно с циклом. Загрузка и выполнение реализованы как методы функционального блока. Это обеспечивает глубокую интеграцию модели ИИ в машинное приложение.

Продукт поддерживает выполнение множества различных типов моделей: от k-средних, SVM и PCA до деревьев решений и ансамблевых деревьев, таких как Random Forest, XGBoost или LightGBM.

Спектр применения классических алгоритмов машинного обучения широк. Они часто используются в задачах классификации, таких как контроль качества, мониторинг процессов или обнаружение аномалий.

Функция TwinCAT 3 TF3810 — это высокопроизводительный модуль выполнения (механизм вывода) для обученных нейронных сетей.

Beckhoff предлагает решение машинного обучения (ML), легко интегрированное в TwinCAT 3. Обычные преимущества открытости системы благодаря управлению на базе ПК также доступны для приложений ML благодаря использованию установленных стандартов. Кроме того, работа нейронных сетей осуществляется в режиме реального времени. Таким образом, производитель станка получает оптимальную основу для повышения производительности станка.

Нейронные сети обучаются в средах, созданных для специалистов по данным, таких как: B. SciKit-Learn, PyTorch, TensorFlow и многих других. м. или в TE3850 TwinCAT 3 Machine Learning Creator, оптимизированном для инженеров по автоматизации. В любом случае созданная модель ИИ экспортируется из среды обучения в виде файла ONNX. ONNX (Open Neural Network Exchange) зарекомендовал себя как открытый стандарт совместимости в машинном обучении и обеспечивает абстракцию между средой обучения и средой выполнения изученных моделей.

Файл ONNX может быть прочитан в TwinCAT 3 и дополнен метаинформацией, специфичной для приложения - например, названием модели, версией модели, кратким описанием и т. д. ПЛК TwinCAT 3 предлагает функциональный блок, который, с одной стороны, загружает файл описания модели AI, а с другой стороны, выполняет его синхронно с циклом. Загрузка и выполнение реализованы как методы функционального блока. Это обеспечивает глубокую интеграцию модели ИИ в машинное приложение.

Нейронные сети используются во многих областях — для табличных данных, временных рядов, а также данных изображений. Они используются для решения как задач классификации, так и регрессии, что приводит к огромному спектру приложений. Примеры приложений включают прогнозирование остаточного срока службы, технологию объединения датчиков/виртуальных датчиков, прогнозирование качества продукции или автоматическую настройку параметров машины.

Чтобы отслеживать солнечные системы по солнцу или отключать затенение в зданиях без датчика освещенности, положение солнца можно точно рассчитать с помощью алгоритма TwinCAT Solar Position. Функциональный блок ПЛК TwinCAT вычисляет угол наклона солнца, используя дату, время, долготу и широту, а также другие параметры (в зависимости от желаемой точности) с максимальной погрешностью ±0,001°.

TwinCAT Controller Toolbox включает в себя все необходимые компоненты для реализации приложений технологий управления. Все строительные блоки имеют одинаковый внешний вид и практически одинаковые свойства. Простая параметризация через структуру и одинаковая обработка ошибок для всех блоков поддерживают приложение.

• Контроллеры соответствуют промышленным требованиям (антиперезагрузка)
• простые базовые контроллеры (P, I, D)
• сложные регуляторы (ПИ, ПИД, импульсные регуляторы)
• Блоки фильтров
• Генераторы управляющих переменных (ограничители, ШИМ)
• Блоки рампы и генератора сигналов