联系我们
开放式平台助力缩短 ML 算法的开发周期
在开发和验证 ML 算法过程中，算法的调试，由于需要频繁地到工业现场进行，往往耗时耗力。而开放的 TwinCAT 平台可以有效验证算法，而无需直接访问机器。在模型训练开始前，生产设备上记录的数据被分成训练和测试数据。先利用训练数据来训练 ML 模型。然后在训练环境中使用测试数据，以测试训练好的模型在未知数据上的表现如何。
在成功移植数据预处理算法和ML算法到TwinCAT 中后，就可以进行算法验证。代码在测试系统或实际使用的嵌入式控制器或工业 PC 上执行，验证数据集通过 TwinCAT Database Server 功能流式传输给 TwinCAT 实时环境，以用作虚拟数据源。采用与现场传感器相同的采样频率从数据库中读取数据，因此可以优化模拟***终客户现场的应用场景。从生产设备采集到的新数据集在测试环境中可以用于挖掘各种应用场景。***后，利用测试数据调试嵌入式控制器上的 ML 算法，对其进行分析，以确保准确可靠地执行 ML 算法。
利用开放的 TwinCAT 平台开发和验证 ML 算法，有效地避免了在工业现场不必要的 ML 算法调试，从而显著缩短了算法的开发周期。天津丰昱强调，正是由于此原因，该合作项目的进展几乎未受到新冠肺炎疫情的影响。
多任务和多核功能确保实时可靠地执行 ML 算法
ML 算法分三步在 CX51xx 上进行：
– 采集传感器数据
– 预处理数据
– 执行 ML 模型检测瑕疵品
需要注意的是，一方面，瑕疵品检测需要用较高的采样频率，采集切割方便面包装袋过程中的传感器数据。另一方面，需要较低的执行频率来处理采集的数据和运行 ML 模型。这使得上述两步很难在同一个 PLC 任务中实时可靠执行。TwinCAT 的多任务多核处理功能则很好地解决了这一问题。它既保证了多个 PLC 任务可在嵌入式控制器的多个处理器核中可靠执行，又保证了多个 PLC 任务之间可靠的数据交换。另一个优点是，这些功能只需要简单的配置和调用现成的 PLC 功能块来完成，开发成本低。在方便面生产项目中，通过采用两个 PLC 任务和两个处理器核，可靠实现了上述 ML 的两步执行算法。
机器学习和基于 PC 的控制技术显著减少工作量
通过机器学习方法和数据挖掘，可以更快、更有效地解决生产中遇到的问题，从而降低研发成本。天津丰昱方便面生产线的经验证明，TwinCAT 机器学习在异常检测方面优于传统的工程方法。借助倍福开放的 TwinCAT 平台，数据采集、训练和 ML 推理这一完整流程可以在客户现场全自动实现。截止到 2020 年底，该质量检测设备已在终客户的多条生产线上测试运行了近 4 个月，期间没有任何人为干预。终客户反馈：由于采用了倍福的开放式解决方案，可以在不修改现有主控制系统的情况下实现检测系统；异常包装可以得到及时、准确地识别，从而达到了降低客诉率的目的。
系统集成商天津丰昱指出，通过使用倍福的 CX51xx、EtherCAT I/O 和TwinCAT 等产品，设备的使用变得更加简单和灵活。尽管客户的产线机械条件复杂，但在倍福工程师的大力支持下，每条新产线的调试和后期的维护都变得很轻松。此外，通过使用倍福基于 PC 的开放式控制技术，几乎可以不用考虑原有机器设备的，几乎可以在任何新旧机器上采集需要的数据，从而使用机器学习方法解决客户质量检测的问题。天津丰昱相信，在不远的将来，会有越来越多的终用户受益倍福的机器学习功能。
2021-12-24本文摘自网络
