Künstliche Intelligenz auf dem Vormarsch

Künstliche Intelligenz (KI) war eines der Trendthemen der diesjährigen Hannover Messe. Doch obwohl sich alle der herausragenden Bedeutung des Themas rund um die Digitalisierung und Industrie 4.0 bewusst zu sein scheinen, mahnen Verbände, dass Deutschland den Anschluss verlieren könnte. Parallel zeigen Unternehmen, wie Beckhoff, Festo, Schunk und Siemens, Innovationen und eigene Wege in die KI-Zukunft.

Ein Ergebnis des aktuellen VDE Tec Report 2019 „Industrielle KI – Die nächste Stufe der Industrialisierung?“ (Bild: VDE)

KI in der Praxis: Beckhoff integriert ML in Softwarelösung

Auch Beckhoff sieht in KI einen Technologiebereich mit immensem Innovationspotenzial für die Fertigungsindustrie – und hier insbesondere im Machine Learning (ML). „Grundidee des Maschinellen Lernens ist es, Lösungen für bestimmte Aufgaben nicht mehr durch klassisches Engineering zu erarbeiten und in einen Algorithmus zu überführen. Vielmehr soll der gewünschte Algorithmus anhand von beispielhaften Prozessdaten erlernt werden. Auf diese Weise lassen sich leistungsfähige Modelle trainieren und damit bessere bzw. performantere Lösungen erzielen“, verdeutlicht das Unternehmen in einer Pressemeldung. Neue Möglichkeiten und Optimierungspotenziale für die Automatisierungstechnik sieht Beckhoff dadurch beispielsweise in den Bereichen prädiktive Wartung und Prozesssteuerung, Ano­maliedetektion, kollaborative Roboter, automatisierte Qualitätskontrolle und Maschinenoptimierung.

Vor diesem Hintergrund hat das Unternehmen auf der Hannover Messe 2019 eine nahtlos in Twincat 3 integrierte ML-Lösung präsentiert. Dabei seien die von PC-based Control gewohnten Vorteile der Systemoffenheit durch die Nutzung etablierter Standards auch für ML-Anwendungen gegeben, teilt das Unternehmen mit. Zudem würde das Machine Learning in Echtzeit realisiert, sodass sich die Twincat-Lösung beispielsweise auch für den Motion-Bereich eigne.

Im Detail: Das jeweilige Modell wird innerhalb eines der gängigen ML-Frameworks, wie Matlab oder Tensorflow, trainiert und anschließend über das standardisierte Austauschformat ONNX (Open Neural Network Exchange) zur Beschreibung von trainierten Modellen in die Twincat-Runtime importiert. Als neue Funktionen stehen dafür zum einen Twincat 3 Machine Learning Inference Engine für klassische ML-Algorithmen, wie Support Vector Machine und Principal Component Analysis, bereit. Zum anderen gibt es Twincat 3 Neural Network Inference Engine für Deep Learning und Neuronale Netze, wie Multilayer Percep­trons und Convolutional Neural Networks.

Die Inferenz, das heißt die Ausführung eines trainierten ML-Modells, ist als „Twincat-TcCOM“-Objekt direkt in Echtzeit möglich. Für kleine Netze nennt Beckhoff eine Reaktionszeit des Systems <100 µs (Twincat-Zykluszeit 50 µs). Aufrufbar sind die Modelle sowohl über die PLC, C/C++-„TcCOM“-Interfaces als auch über eine zyklische Task.

Durch die nahtlose Integration in die Steuerungstechnik steht die Multicore-Unterstützung von Twincat auch für das maschinelle Lernen offen. So kann aus unterschiedlichen Task-Kontexten auf die jeweilige Twincat 3 Inference Engine zugegriffen werden, ohne dass sich dies gegenseitig begrenzend auswirkt. Weiterhin ist der volle Zugriff auf alle Feldbusschnittstellen und Daten in Twincat gegeben. Damit lässt sich für die ML-Lösung einerseits eine immense Datenfülle zum Beispiel für komplexe Sensor­datenfusion (Datenverknüpfung) nutzen. Andererseits stehen echtzeitfähige Schnittstellen zu Aktoren unter anderem für Optimal Control zur Verfügung.


Mit Twincat 3 stehen dem Automatisierer die neuen Möglichkeiten von Machine und Deep Learning in seiner gewohnten Steuerungswelt zur Verfügung (Bild: Beckhoff)