Der Beckhoff Systembaukasten basiert auf PC-based Control mit der Automatisierungsplattform Twincat. Dieser Ansatz integriert alle Komponenten in einem Steuerungs-IPC und einer Automatisierungssoftware, was Engineering, Wartung und Systemerweiterung erheblich erleichtert. Die Verwendung einer einzigen, offenen und hochskalierbaren Steuerungslösung reduziert die Komplexität, steigert die Effizienz und minimiert die Fehleranfälligkeit, da komplizierte Schnittstellen entfallen und bekannte Programmiersprachen verwendet werden. Die offene Architektur von Twincat unterstützt standardisierte Schnittstellen und ermöglicht die Einbindung weiterer Komponenten sowie die Integration in bestehende Systeme. Anwender profitieren von vollem Zugriff und Transparenz über alle Daten, Komponenten und Prozesse, was die Implementierung beschleunigt und die Komplexität reduziert.
Die Ausführung in der Twincat-Echtzeit ermöglicht eine präzise Steuerung und Synchronisierung aller Automatisierungsprozesse. Durch die nahtlose Integration und die synchronisierte Ausführung von z.B. Vision-Algorithmen, SPS, Motion Control und Messtechnik im gleichen Takt entfallen Verzögerungen, die sonst durch Kommunikation und Jitter entstehen. Zudem können die Berechnungsergebnisse direkt weiterverwendet werden. Das hochskalierbare IPC-Portfolio von Beckhoff ermöglicht es Anwendern, aus einer Vielzahl von CPU-Architekturen, Formfaktoren und Leistungsklassen zu wählen, um die spezifischen Anforderungen ihrer Anwendungen zu erfüllen. Durch diese Flexibilität lassen sich sowohl einfache Steuerungsaufgaben als auch hochkomplexe, zeitkritische Prozesse effizient lösen.
KI-basierte und
klassische Algorithmen
Twincat Vision stellt sowohl klassische als auch KI-basierte Algorithmen in einer Bibliothek zur Verfügung, sodass komplexe Probleme in kleinere Einzelschritte zerlegt und dann mit dem jeweils am besten geeigneten Algorithmus analysiert werden können. Einfache Aufgaben lassen sich direkt mit klassischen Algorithmen lösen oder sorgen mit Teilergebnissen oder Vorverarbeitung für eine Reduzierung der Anforderungen an KI-Modelle. Das hat den Vorteil, dass ein KI-Modell weniger Trainingsdaten benötigt und daher schneller trainiert, getestet und einfacher gewartet werden kann. In der Regel führt es auch zu kleineren Modellen, die weniger Rechenzeit erfordern. Beide Ansätze bieten jeweils Vorteile, sodass es kein Entweder-oder ist, sondern ein guter Lösungsansatz, der das Beste aus beiden Welten vereint.
Bildqualität ist entscheidend
Egal ob klassische oder KI-basierte Analyse, die Bildqualität hat in beiden Fällen einen entscheidenden Einfluss auf das Ergebnis und die Stabilität der Auswertung. Zum einen muss die Bildauflösung hoch genug sein, um das kleinste relevante Merkmal oder die kleinste Störstelle abbilden zu können. Zum anderen muss die Beleuchtung entsprechend den Objekteigenschaften ausgelegt sein, damit die Merkmale im besten Fall hervorgehoben werden und nicht unter- oder überblendet sind. KI-basierte Methoden können – sofern gut trainiert – sehr robust sein und besser mit Varianzen umgehen. Sind diese zu ausgeprägt, kann das aber dazu führen, dass die Modelle entweder die ändernden Merkmale gar nicht betrachten oder sich auf die falschen Merkmale konzentrieren. Für ein optimal ausgelegtes Vision-System bietet Beckhoff daher ein umfassendes systemintegriertes Vision-Portfolio mit verschiedenen Kameras, Objektiven, Beleuchtungen, Units und passendem Zubehör an. Weitere Technologien wie Thermografie, Lasertriangulation oder Time-of-Flight können über den GigE-Vision-Standard integriert werden.
Am Projektbeginn steht der Systemaufbau, der in beiden Fällen gleich erfolgt: Durch die vollständige Integration der Bildverarbeitung in das Twincat-Engineering und die Einbindung der Beckhoff Vision-Hardware per Ethercat erfolgt die gesamte Konfiguration, Programmierung und Inbetriebnahme im gleichen Entwicklungstool. Da die Konfiguration bzw. die Programmierung in der gewohnten Umgebung stattfinden, vereinfacht und beschleunigt sich das Engineering. Nach der Inbetriebnahme stehen die Bilddaten in der Twincat Runtime zur Verfügung und können mit Twincat Vision analysiert, vorverarbeitet oder direkt in gängigen Bildformaten abgespeichert werden. Darüber hinaus stehen weitere Produkte wie z.B. der Twincat 3 Analytics Logger oder Database Server zur Verfügung, um die Bilddaten für ein Modell-Training zu sammeln.
KI-Ökosystem
Beckhoff bietet ein komplettes Ökosystem für industrielle KI-Anwendungen, mit Fokus auf der Ausführung von KI-Modellen, direkt auf der Industriesteuerung. Dazu stehen SPS-integrierte Ausführungsmodule für trainierte KI-Modelle zur Verfügung (Twincat Machine Learning Server, Twincat Vision Neural Networks, Twincat Neural Network Inference Engine). Diese können sowohl auf die Rechenressourcen der CPU als auch auf die einer Nvidia-GPU zurückgreifen. Die KI-Ausführungsmodule von Twincat laden trainierte KI-Modelle, die im offenen Standard Onnx abgespeichert wurden. Dadurch hat der Nutzer die Freiheit, in beliebigen Trainingsumgebungen KI-Modelle zu trainieren und dann in der Twincat-Steuerung auszuführen. Eine Onnx-Datei beschreibt ein trainiertes KI-Modell als Abfolge von Operatoren mit anhängigen Parametern. Für das Training und den Export eines Modells als Onnx-Datei werden in der Regel spezielle KI-Frameworks wie PyTorch oder Scikit-learn verwendet. Die Zielgruppe dieser KI-Frameworks sind allerdings spezielle KI-Experten, die in der Programmierumgebung Python Trainingsdaten aufbereiten, KI-Modellstrukturen anlegen und dann KI-Modelle trainieren.
