Selecteer de taal

  • facebook logo
  • linkedin logo
  • twitter logo

Kunstmatige intelligentie (AI) is een uiterst generalistische en tegelijkertijd succesvolle technologie voor het automatiseren van processen.

Het stelt ons in staat om de grenzen te verleggen van wat tot nu toe haalbaar was - automatisering op basis van traditionele algoritmen. Toch zullen de voordelen van AI zich pas in industriële toepassingen manifesteren als de bijbehorende AI-modellen gemakkelijk kunnen worden gebruikt zonder dat specialistische AI-expertise nodig is. Dit is precies wat Beckhoff ertoe aanzette om de TwinCAT Machine Learning Creator software te ontwikkelen.

Klassieke automatisering op basis van algoritmes is gebaseerd op vrij starre constructies - bijna zoals een set regels. Als situatie A zich voordoet, reageer dan met B om het gewenste resultaat C te verkrijgen. Met andere woorden, het pad van een gedefinieerde situatie naar een gewenst resultaat wordt vooraf bedacht en vervolgens geïmplementeerd. AI-gebaseerde methodes daarentegen gebruiken voorbeelden om automatisch het pad van de situatie naar het resultaat te leren, zodat het niet expliciet door mensen bedacht en in een algoritme omgezet dient te worden.

In het industriële landschap zijn er talloze potentiële AI-toepassingen, waarbij visuele inspectie op basis van AI momenteel op de voorgrond staat. Hieronder vallen end-of-line inspecties van gefabriceerde producten, het sorteren van (vaak natuurlijke) producten in kwaliteits- of andere eigenschappenklassen en optische procesbewaking en classificatie.

Specifieke voorbeelden van dit brede toepassingsgebied zijn onder andere:

–   uitvoeren van eindinspecties van een metalen lichaam met betrekking tot de vorm en/of oppervlaktekwaliteit

–   natuurlijke producten zoals fruit, houten oppervlakken en wol sorteren in verschillende kwaliteitsklassen

–   afval sorteren voor recycling

–   bewaken van proceszones, bijvoorbeeld tijdens laserlassen

–   Tete visuele lokalisatietaken uitvoeren, zoals taken die zijn ontworpen om specifieke objecten te lokaliseren en vast te pakken

AI-gebaseerde methodes voor het aanpakken van deze taken hebben als bijzondere eigenschap dat, mits goede training, het aangeleerde algoritme zeer flexibel kan reageren op variaties in de invoergegevens. Dit betekent dat een goed getrainde AI zelfs binnen zijn beperkingen op efficiënte wijze kan omgaan met onbekende situaties. Of het nu gaat om defecten in gefabriceerde producten, afwijkingen in laserlassen of in houten oppervlakken die er nooit helemaal hetzelfde uitzien - het algoritme moet al deze onbekende factoren en nog veel meer aankunnen.

Gezien het enorme potentieel dat op het spel staat, is de echte uitdaging waar industriële bedrijven vandaag de dag voor staan het gebrek aan geschoolde werknemers die AI-modellen op industriële schaal kunnen maken. Programma's op het gebied van data science en machine learning zijn nu gemeengoed geworden op hogescholen en universiteiten, maar de vraag naar AI-experts is veel groter dan hun beschikbaarheid op de huidige arbeidsmarkt. Bovendien kunnen AI-experts automatiseringsuitdagingen alleen samen met een automatiserings- of procesexpert tot een succesvol einde brengen.

Dit is waar Beckhoff om de hoek komt kijken: De TwinCAT Machine Learning Creator automatiseert geavanceerde AI-trainingsprocessen, waardoor automatiserings- of procesexperts direct zelf AI-modellen kunnen maken. Dit maakt het potentieel van deze technologie direct toepasbaar voor iedereen.

Het Beckhoff AI-ecosysteem

Beckhoff biedt een compleet ecosysteem voor industriële AI-toepassingen met een duidelijke focus op de uitvoering van AI-modellen direct op de industriële controller (in de PLC). Via de EtherCAT veldbus en bijbehorende EtherCAT netwerkapparaten kunnen verschillende sensoren worden aangesloten op het besturingssysteem. Er is ook een uitgebreide systeemgeïntegreerde reeks vision hardware beschikbaar, waaronder industriële, robuuste camera's, lenzen van industriële kwaliteit en verlichtingsapparatuur. De sensorinformatie wordt doorgestuurd naar een pc-gebaseerde besturing waar deze direct kan worden verwerkt, ook met AI.

Voor dit doel zijn in de PLC geïntegreerde uitvoeringsmodules voor getrainde AI-modellen beschikbaar in de vorm van TwinCAT Machine Learning Server, TwinCAT Vision Neural Networks en TwinCAT Neural Network Inference Engine. Deze hebben toegang tot zowel de rekenkracht van de CPU als die van een optioneel verkrijgbare NVIDIA GPU. De AI-uitvoeringsmodules laden getrainde AI-modellen die zijn opgeslagen in de open standaard "ONNX". Dit geeft de gebruiker de vrijheid om AI-modellen te trainen in elke trainingsomgeving en ze vervolgens uit te voeren in de TwinCAT besturing. Met de C6043 ultracompacte industriële pc biedt Beckhoff schaalbare hardware met een geïntegreerde embedded GPU van NVIDIA in lijn met de industrienormen. Hierdoor is het hele Beckhoff ecosysteem optimaal afgestemd op de integratie van AI-modellen in het besturingsniveau van de machine.

AI-modellen met geïntegreerde besturing bieden het voordeel dat hun resultaten direct in het besturingssysteem kunnen worden gebruikt om acties uit te voeren. Als een onderdeel bijvoorbeeld wordt uitgeworpen, speciaal wordt behandeld in downstream processen of opnieuw door het zojuist voltooide proces wordt gevoerd, kan de informatie worden berekend in het machinebesturingssysteem en onmiddellijk worden gebruikt. Bovendien zijn dure extra hardwareapparaten met complexe interfaces voor besturing, onafhankelijke onderhouds- en updateschema's en aparte IT-beveiligingsprotocollen niet langer nodig.

Geautomatiseerd creëren van AI-modellen

In lijn met de filosofie van open besturingstechnologie heeft Beckhoff de bestaande PLC-geïntegreerde uitvoeringsmodules ontworpen voor AI-modellen ongeacht de gebruikte AI-trainingsomgeving door de ONNX-standaard te ondersteunen. Een ONNX-bestand beschrijft een getraind AI-model als een opeenvolging van operatoren met bijbehorende parameters. Deze beschrijvingsbestanden kunnen worden geladen met TwinCAT 3 functies, zoals TwinCAT Machine Learning Server, en vervolgens worden uitgevoerd vanaf de PLC; de relevante AI-frameworks zoals PyTorch of Scikit-learn, die over het algemeen worden gebruikt om AI-modellen te trainen, zijn echter bedoeld voor gespecialiseerde AI-experts die trainingsgegevens voorbereiden in de Python-programmeeromgeving, AI-modelstructuren maken en vervolgens AI-modellen trainen.

Met TwinCAT Machine Learning Creator biedt Beckhoff nu een veel eenvoudigere aanpak in de vorm van een webgebaseerde interface die u door de stappen van gegevensupload, modeltraining, modelanalyse en downloaden leidt. Doelgroepen zijn automatiserings- en procesdeskundigen zonder specifieke achtergrond in data science, met als doel het trainingsproces voor AI-modellen te standaardiseren.

De gegevens uploaden

Het hele concept van machine learning draait om leren door voorbeelden. Met dit in gedachten is het essentieel om een schone, representatieve dataset te hebben die gebruikt kan worden om de taak te leren. Hiervoor is meestal een geannoteerde dataset nodig: op het gebied van beeldclassificatie betekent dit bijvoorbeeld dat een bepaald aantal voorbeeldafbeeldingen al door een mens is geclassificeerd. Als gevolg hiervan heeft elke afbeelding zijn eigen soort label, dat het gewenste resultaat vertegenwoordigt. De relatie tussen afbeelding en label wordt gelegd door een labelbestand, dat in het eenvoudigste geval een tabel is die de bestandsnaam en het bijbehorende label bevat.

Het uploaden van gegevens is open en ondersteunt verschillende formaten voor afbeeldingsgegevens en labelbestandsformaten. Dit betekent dat gebruikers vrij zijn om een labelprogramma te kiezen (als dat nodig is). Er wordt momenteel gewerkt aan het gebruik van TwinCAT Analytics Data Scout als een labeltool om gegevensintegratie te bereiken van de TwinCAT-besturing naar TwinCAT Machine Learning Creator.

De training van het AI-model

De configuratie van een AI-trainingssessie wordt lean gehouden, waarbij een modelnaam wordt aangemaakt en een dataset (of meerdere datasets) wordt toegevoegd aan het trainingsproces. Alle andere configuraties zijn optioneel en maken het mogelijk om het runtime-gedrag van het AI-model op de TwinCAT-besturing te specificeren als dat nodig is. Als een Beckhoff TwinCAT hardware platform en de TwinCAT software waarop het te maken AI-model uitgevoerd moet worden gespecificeerd zijn, kunnen gebruikers een maximaal acceptabele uitvoeringstijd voor het AI-model specificeren. Met deze informatie wordt rekening gehouden tijdens het maken van het AI-model. Als er geen maximale uitvoeringstijd is opgegeven, is de optimalisatie uitsluitend gebaseerd op de prestaties van het AI-model (generalisatievermogen).

De modelanalyse

AI-modellen, vooral de diepe neurale netwerken (deep learning modellen) die zijn gemaakt met TwinCAT Machine Learning Creator, hebben zeer goede generalisatie-eigenschappen. Dit betekent dat de verwachte prestaties van de modellen ook erg goed zijn; neurale netwerken zijn echter "zwarte dozen" waarvan de functionaliteit alleen kan worden ontcijferd via gespecialiseerde analysemethoden, in plaats van rechtstreeks. Deze methoden worden ook wel "Explainable AI" genoemd.

De analysemethoden voor een getraind AI-model zijn divers. De software scheidt de geüploade dataset automatisch in trainingsgegevens, die worden gebruikt voor modeltraining, en testgegevens, die worden gebruikt voor modelanalyse. De testgegevens bevatten onbekende situaties voor het AI-model, waarbij het resultaat bekend is via de labels. Dit maakt het mogelijk om statistische waarden te berekenen en te laten zien hoe vaak een model correct is en hoe vaak niet.

Een waarheidstabel geeft bijvoorbeeld gedetailleerde informatie over hoe "juiste" labels en "voorspelde" labels verdeeld zijn. Betrouwbaarheidswaarden kunnen ook worden berekend voor elke modeluitvoering en statistisch worden weergegeven. Het is zelfs mogelijk om een aandachtskaart te genereren voor elke modeluitvoering, die laat zien welke beeldregio's werden gebruikt voor classificatie wanneer ze over het invoerbeeld worden gelegd.

De Explainable AI-methoden dienen om de acceptatie van het AI-model te vergroten. Uiteindelijk zullen alleen degenen die een meer fundamenteel inzicht krijgen in hoe het getrainde model zich gedraagt, bereid zijn om de modellen te gebruiken.

Het model downloaden

Zodra een AI-model is getraind en klaar is om te worden geïntegreerd in het machinebesturingssysteem, kan het worden gedownload van het platform als een ONNX-bestand. Dit betekent dat het AI-model niet gebonden is aan uitvoering in TwinCAT en zo vaak als nodig kan worden ingezet op elk platform. Bovendien kan de volledige PLC-code voor TwinCAT worden gedownload van het platform in PLCopen XML-formaat. Dit omvat de volledige processtroom van beeldacquisitie en beeldvoorbewerking tot AI-modeluitvoering en nabewerking. De overgang van de trainingstool naar de TwinCAT PLC verloopt dienovereenkomstig naadloos.

Een ander voordeel van het exporteren van een ONNX-bestand vanuit het trainingsplatform is de mogelijke betrokkenheid van AI-experts. Deze experts kunnen TwinCAT Machine Learning Creator gebruiken om snel en op een gestandaardiseerde manier een eerste AI-model te verkrijgen. Het resultaat in ONNX-formaat kan vervolgens worden geïmporteerd in afzonderlijke expertprogramma's om er verder mee te werken - bijvoorbeeld voor aanvullende analyses of verdere verfijning van het model.

www.beckhoff.com/ai

www.beckhoff.com/te3850

 

 

 

Inschrijven nieuwsbrief

AM238 5NLcover

streep

WORKSHOPS 2024 350x640 NL

streep

WORKSHOPS 2024 350x640 NL

streep

WORKSHOPS 2024 350x640 NL

WORKSHOPS 2024 350x640 NL

WORKSHOPS 2024 350x640 NL

Content Partners

logoIMmetrand

INDUMOTION

InduMotion vzw is de Belgische vereniging van fabrikanten, invoerders en verdelers van diensten en materiaal voor industriële automatisering.

 

 

 

Partners

logoAM238