TF3xxx | Измерение

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.