Программное обеспечение TwinCAT

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.

TF3820 TwinCAT 3 Machine Learning Server — это высокопроизводительный сервис для запуска обученных моделей искусственного интеллекта с возможностью использования аппаратных ускорителей.

Beckhoff предлагает решение для моделей искусственного интеллекта, которое легко интегрируется в TwinCAT 3. Преимущества открытости системы, которую предлагает управление на базе ПК, также доступны для приложений искусственного интеллекта благодаря использованию установленных стандартов.

Сервер машинного обучения TwinCAT 3 предоставляет функциональные возможности для загрузки и запуска обученных моделей ИИ. Доступ к службам сервера можно получить локально и удаленно из среды выполнения TwinCAT через функциональные блоки ПЛК. Сервер может загружать несколько моделей ИИ, а также вызываться несколькими средами выполнения TwinCAT или несколькими экземплярами функциональных блоков. Загруженные модели искусственного интеллекта могут работать как на центральном процессоре, так и на графическом процессоре. Интегрированная система балансировки нагрузки распределяет и приоритизирует запросы к серверу с учетом доступных вычислительных ресурсов.

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 можно считать в TwinCAT 3 и дополнить метаинформацией, специфичной для приложения — например, названием модели, версией модели, кратким описанием и т. д. Обогащенное этой информацией описание модели AI затем можно загрузить в ПЛК TwinCAT 3 с помощью функционального блока на сервере машинного обучения TwinCAT 3 и выполнить там.

Сервер машинного обучения TwinCAT 3 представляет собой машину вывода, которая максимально гибка с точки зрения моделей искусственного интеллекта и высокопроизводительна с точки зрения аппаратного обеспечения. Приложения можно найти в прогнозных и предписывающих моделях, в области машинного зрения и робототехники. Примеры включают основанные на изображениях методы сортировки или оценки продуктов, классификации ошибок и определения местоположения ошибок или продуктов, а также расчета позиций захвата.

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

Контроллер температуры TwinCAT — это универсальный модуль ПЛК для мониторинга и регулирования различных процессов, зависящих от температуры. Доступны следующие режимы работы:

• Автоматический режим (замкнутый контур)
• Ручное управление (разомкнутый контур)

Управляемая переменная может измеряться аналоговым и цифровым способом; цифровая управляющая переменная имеет широтно-импульсную модуляцию (ШИМ). Также доступен двухточечный или трехточечный выход. Управляемые переменные и переменные заданного значения ограничены допустимыми минимальными и максимальными значениями; заданное значение можно изменить с помощью линейного изменения. Фактический размер можно отфильтровать в цифровом виде. Алгоритм управления основан на ПИД-регуляторе. Для уменьшения перерегулирования можно использовать предварительный регулятор.

Контроллер имеет различные параметрируемые функции контроля:

• Контроль диапазона допуска (два разных диапазона допуска)
• Мониторинг абсолютного значения
• Мониторинг энкодера (обрыв, обратное напряжение, реверс)
• Контроль тока нагрева (обрыв, короткое замыкание, ток утечки)

Для упрощения ввода в эксплуатацию существует алгоритм определения оптимальных параметров контроллера. При этом оценивается прыжок и используется метод поворотной касательной для определения максимальной скорости и времени задержки маршрута. Определение параметров контроллера может быть определено отдельно для секций нагрева и охлаждения.

Расширение TF5000 максимум до 25 осей

Расширение TF5000 максимум до 255 осей