Twincat Machine Learning ist eine in Twincat 3 nahtlos integrierte Lösung für maschinelles Lernen (ML). Dabei sind die von PC-based Control gewohnten Vorteile der Systemoffenheit durch die Nutzung von Standards auch für ML-Anwendungen gegeben. Zudem wird ML in Echtzeit realisiert, sodass sich die Twincat-Lösung z.B. auch für den anspruchsvollen Motion-Bereich eignet. Auf diese Weise erhält der Maschinenbauer die Grundlage zur Steigerung der Maschinenperformance, z.B. durch Predictive Maintenance, Selbstoptimierung von Prozessabläufen oder eigenständige Erkennung von Prozessanomalien. Grundidee beim ML ist es, Lösungen für bestimmte Aufgaben nicht mehr durch klassisches Engineering zu erarbeiten und in einen Algorithmus zu überführen, sondern der gewünschte Algorithmus soll anhand von beispielhaften Prozessdaten erlernt werden. Auf diese Weise lassen sich leistungsfähige Modelle trainieren und damit bessere bzw. performantere Lösungen erzielen. Das jeweilige Modell wird innerhalb eines der gängigen ML-Frameworks, wie z.B. 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. Diese bietet dafür neue Functions:
- Machine Learning Inference Engine: für klassische ML-Algorithmen wie Support Vector Machine und Principal Component Analysis
- Neural Network Inference Engine: für Deep Learning und Neuronale Netze wie Multilayer Perceptrons und CNN
Die Inferenz, d.h. die Ausführung eines trainierten ML-Modells, ist als Twincat-TcCOM-Objekt direkt in Echtzeit möglich, und zwar bei kleinen Netzen mit einer Reaktionszeit des Systems von unter 100µs (Twincat-Zykluszeit 50µs). Aufrufbar sind die Modelle sowohl über die PLC, C/C++-TcCOM-Interfaces als auch über eine zyklische Task.
