Wie in industriellen Anwendungen resultiert aus den geschilderten Szenarien die wichtige Anforderung einer kompakten und leistungsfähigen Hardware. Als Beispiel für ein solches Gerät sei das KI-Erweiterungsmodul AXC F XT ML 1000 aus der Steuerungsplattform PLCnext Technology von Phoenix Contact genannt. Das links an eine PLCnext-Steuerung anreihbare Modul enthält die Google Coral TPU (Tensor Processing Unit). Auf diese Weise ist es in der Lage, auf dem Tensorflow-Framework beruhende Verfahren zu beschleunigen und in Echtzeit umzusetzen. Mit dem AXC F XT ML 1000 kann der Anwender eine autonome oder Cloud-basierte Applikation entwickeln und seine SPS-Variablen direkt beeinflussen respektive mit ihnen interagieren. Auf der Grundlage von künstlicher Intelligenz wertet das Modul, das im Herbst auf den Markt kommen soll, die Rohdaten der Sensoren am Entstehungsort aus.
Die Gesamtstruktur einer entsprechenden Anwendung kann wie folgt aussehen: Die PLCnext-Steuerung inklusive KI-Erweiterungsmodul ist in der Feldebene – also vor Ort in der Stadt – installiert und dort mit der jeweiligen Sensorik verbunden. Die Datenkommunikation erfolgt entweder direkt mit den IT-Systemen oder über eine Cloud-Lösung. Eine weitere Besonderheit der offenen Steuerungsplattform stellt die Anbindung der Steuerung an den PLCnext Store dar. Neue Apps lassen sich vom digitalen Marktplatz einfach auf die SPS aufspielen, weshalb dieselbe Hardwareplattform für verschiedene Anwendungsfälle genutzt werden kann.
Tunnel- und Parkraumüberwachung
Auf Basis der PLCnext-Steuerungsplattform sind bereits Applikationen zur Tunnel- oder Parkraumüberwachung sowie zur allgemeinen Auswertung eines Streckenabschnitts realisiert worden. In diesem Zusammenhang hat auch eine exakte Verkehrszählung stattgefunden, in deren Rahmen unterschiedliche Fahrzeugtypen klassifiziert wurden und eine Verkehrsflussanalyse erfolgte.
Aufgrund der zunehmenden Anwendung von Künstlicher Intelligenz lassen sich hochkomplexe Herausforderungen in industriellen Applikationen lösen. Use Cases in der Qualitätskontrolle oder in Smart Cities eröffnen ein hohes Potenzial, auf diese Weise Prozesse zu optimieren und eine Null-Fehler-Toleranz zu entwickeln. Durch eine kompakte, leistungsfähige sowie direkt an die Steuerung anbindbare Hardware können die Rohdaten der Sensoren noch am Entstehungsort durch Verfahren des Machine Learning oder Deep Learning ausgewertet werden. Dadurch ergeben sich folgende Vorteile für den Betreiber:
mehr Flexibilität, denn die Intelligenz kann auch ohne Programmierung mit unbekannten Objekten umgehen
mehr Produktivität, weil Maschinen automatisch und flexibel auf Situationen reagieren, die bisher manuell bewältigt werden mussten; das reduziert Stillstandzeiten und erhöht die Verfügbarkeit
mehr Qualität, da sich die Prozesse zuverlässig und schnell durch trainierte neuronale Netze prüfen lassen
mehr Effektivität, indem Probleme in der Produktion frühzeitig erkannt und folglich Kosten für Nacharbeiten oder Ausschuss eingespart werden.
