Umsetzung lokaler KI-Anwendungen mit PLCnext Technology

Schneller die richtige Entscheidung treffen

Die intelligente Auswertung der von vielen Sensoren generierten Rohdaten durch künstliche Intelligenz (KI) - bestenfalls direkt am oder in unmittelbarer Nähe ihres Entstehungsorts - entwickelt sich zu einer Kernfunktion professioneller IoT-Anwendungen. Nur auf diese Weise lassen sich in kritischen Situationen schnell, also ohne Umwege, Entscheidungen treffen und die daraus resultierenden Maßnahmen umsetzen.
 Da PLCnext Control mit gängigen Cloud-Lösungen kommunizieren kann, besteht die Möglichkeit, die Ergebnisse der lokalen KI-Anwendungen zentral auszuwerten.
Da PLCnext Control mit gängigen Cloud-Lösungen kommunizieren kann, besteht die Möglichkeit, die Ergebnisse der lokalen KI-Anwendungen zentral auszuwerten.Bild: Phoenix Contact Deutschland GmbH

Die speicherprogrammierbare Steuerung bildet die Kernkomponente industrieller Automatisierungssysteme. Sie verarbeitet die Eingaben des Automatisierungssystems und erzeugt entsprechend der Programmierung Ausgänge zur Steuerung von Maschinen und Anlagen – und das oftmals mit hohen Echtzeitansprüchen. Diese Anforderungen an die Echtzeit können durch zusätzliche Aufgaben – beispielsweise komplizierte Berechnungen im Umfeld der künstlichen Intelligenz oder Machine Learning (ML) im Rahmen neuronaler Netze – negativ beeinflusst werden. Eine Lösung des Problems liegt in der Verlagerung solch rechenintensiver Aufgaben. Das kann über dedizierte externe Recheneinheiten geschehen, in denen die KI die jeweiligen Berechnungen vornimmt. Anschließend werden lediglich die ermittelten Ergebnisse an das SPS-Programm zurückgegeben, um sie dort als normale SPS-Eingangsvariablen zu verarbeiten. Genauso sind allerdings die aus der SPS benötigten Variablen als Eingangswerte der KI an die externe Recheneinheit zu übergeben. Damit sich dieser Prozess realisieren lässt, muss die auf der SPS laufende Steuerungsapplikation mit der externen Recheneinheit kommunizieren. Häufig ist es so, dass KI-Anwendungen im Maschinenumfeld getrennt von der Maschinensteuerung oder SPS zum Einsatz kommen. In diesem Fall wird als Recheneinheit meist ein PC oder die von einer Cloud bereitgestellte Rechenleistung genutzt, wobei der Datenaustausch mit der SPS mit einem erheblichen Aufwand einhergeht.

 PLCnext Control AXC F 3152 zur direkten Steuerung von I/O-Modulen der Produktfamilie Axioline F sowie der Option zur linksseitigen Erweiterung um das 
Extension-Modul AXC F ML 1000
PLCnext Control AXC F 3152 zur direkten Steuerung von I/O-Modulen der Produktfamilie Axioline F sowie der Option zur linksseitigen Erweiterung um das Extension-Modul AXC F ML 1000 Bild: Phoenix Contact Deutschland GmbH

Neues KI-Erweiterungsmodul zur Linksanreihung an die PLCnext Control

Bei der Anwendung von Methoden des maschinellen Lernens ist zwischen dem Lernen und Trainieren eines KI-Modells sowie dem Ausführen eines fertigen Modells zu unterscheiden. Der Aufwand und die notwendige Rechenleistung zur Erstellung eines KI-Modells erweisen sich als deutlich höher als die erforderliche Rechenleistung für seine Verwendung. Zu den Vorarbeiten bei der Generierung komplexer KI-Projekte gehört neben der Programmierung der Algorithmen das Sammeln und Labeln von Daten. Hier werden oftmals sehr viele Daten benötigt, die entsprechend zu klassifizieren sind. In der Vorbereitungsphase erfolgt ihre Aufsplittung in Trainings- und Testdaten. Während des Entwicklungsprozesses dienen die Trainingsdaten der Optimierung des KI-Modells. Anhand der Testdaten wird geprüft, welche Ergebnisse das erstellte Modell mit den unbekannten Daten liefert.

Die Ausführung der getesteten KI-Modelle direkt am Automatisierungsprozess bietet die Möglichkeit, KI-gestützte Lösungen schnell und unabhängig von anderen Systemen umzusetzen. Zu diesem Zweck stellt Phoenix Contact in Kürze das Erweiterungsmodul AXC F XT ML 1000 für die PLCnext Control AXC F 3152 zur Verfügung, das auf einer Edge-TPU (Tensor Processing Unit) von Google Coral, einer Plattform für Machine Learning, basiert. Die Edge-TPU verwendet TensorFlow Lite, ein Framework zur datenstromorientierten Programmierung, sodass sich sämtliche vortrainierten Modelle auf dieser Softwarebasis nutzen lassen. Darüber hinaus können zahlreiche Projektbeispiele von coral.ai eingesetzt werden, um z.B. eine einfache Objekterkennung mit der Coral-Edge-TPU und der PLCnext Technology zu realisieren.

 Darstellung der Unterschiede zwischen einem Entscheidungsbaum und einem tiefen neuronalen Netz.
Darstellung der Unterschiede zwischen einem Entscheidungsbaum und einem tiefen neuronalen Netz.Bild: Phoenix Contact Deutschland GmbH

Favorisierte Programmiersprachen in einem Tool vereint

Als beliebteste Programmiersprache zur Entwicklung von KI-Applikationen unterscheidet sich Python erheblich von den in der Automatisierungswelt bekannten IEC61131-Sprachen wie Strukturierter Text, Ablaufsprache, Kontaktplan, Funktionsbaustein-Sprache oder Anweisungsliste. Aus diesem Grund ist es üblich, dass Automatisierer und Data Scientists bei maschinennahen KI-Anwendungen eng zusammenarbeiten. Der Automatisierer verfügt über das Domänenwissen und kann die geforderten Daten aus dem Maschinenprogramm bereitstellen. Der Data Scientist wählt aus den vielen Optionen der KI die passende Methode des maschinellen Lernens aus, beispielsweise einen Entscheidungsbaum oder ein tiefes neuronales Netz (Deep Learning). Anschließend entwickelt er mit den Daten ein passendes Programm.

PLCnext Technology unterstützt hier beide Anwender, denn der Automatisierer verwendet seine bevorzugte IEC61131-Programmiersprache, während der Data Scientist Python nutzt. Dabei gestaltet sich der Datenaustausch zwischen den beiden Programmierwelten aufgrund von standardisierten Schnittstellen einfach.

 Videostream-Output aus der PLCnext Control mit einem Erweiterungsmodul AXC F ML 1000 zur Klassifizierung und Zählung von Fahrzeugen.
Videostream-Output aus der PLCnext Control mit einem Erweiterungsmodul AXC F ML 1000 zur Klassifizierung und Zählung von Fahrzeugen.Bild: Phoenix Contact Deutschland GmbH

Große Datenmengen direkt vor Ort verarbeiten

Als Anwendung von Deep Learning sei die Bilderkennung genannt, die z.B. in Applikationen rund um die Qualitätssicherung im Produktionsprozess zum Einsatz kommt. Zudem bietet sich die Bildverarbeitung auch für Lösungen zur Optimierung des Straßenverkehrs in Innenstädten an. Um dort ein Abbild der Verkehrssituation zu erstellen, müssen Daten – beispielsweise die Bilder von Verkehrskameras – durch geeignete Sensoren aufgezeichnet sowie im nächsten Schritt aufbereitet und ausgewertet werden. Die Analyse auf einem Edge-Computersystem eröffnet den Vorteil, dass große Datenmengen – etwa Videos – nicht erst über eine Internetverbindung in die Cloud weiterzuleiten sind, sondern sich direkt vor Ort verarbeiten lassen. Dies setzt jedoch voraus, dass die verwendete Edge-Hardware über ausreichend Leistung für die KI-basierte Datenverarbeitung verfügt.

Seiten: 1 2Auf einer Seite lesen

Phoenix Contact Deutschland GmbH

Das könnte Sie auch Interessieren

Bild: Uhlmann Pac-Systeme
Bild: Uhlmann Pac-Systeme
Weniger Risiko 
und bessere Qualität

Weniger Risiko und bessere Qualität

Die Industrie muss immer flexibler und schneller auf ihre Märkte reagieren, das gilt auch für Pharmaunternehmen. Infolgedessen werden Lieferzeiten ein zunehmend
entscheidendes Thema. Uhlmann Pac-Systeme, Systemanbieter für das Verpacken von Pharmazeutika aus Laupheim, wollte deshalb kürzere Durchlaufzeiten, beschleunigte Prozesse und Mehrkörpersimulation erreichen – und setzt dabei auf Simulationssoftware von Machineering.

Bild: Institut für Fertigungstechnik und Werkzeugmaschinen an der Leibniz Universität Hannover
Bild: Institut für Fertigungstechnik und Werkzeugmaschinen an der Leibniz Universität Hannover
Neues Modalanalysesystem mit bis zu 32 Sensoren

Neues Modalanalysesystem mit bis zu 32 Sensoren

Zur Schwingungsanalyse von Maschinen wurde am IFW ein neues Modalanalysesystem Simcenter SCADAS mobile der Firma Siemens beschafft. Hiermit ist es möglich sowohl die Eigenfrequenzen der Maschine oder eines Bauteils mit einer Modalanalyse, als auch die während des Prozess auftretenden Schwingungen mit einer Betriebsschwingungsanalyse zu identifizieren.

Bild: Contrinex Sensor GmbH
Bild: Contrinex Sensor GmbH
Taschenspieler

Taschenspieler

Smarte Sensoren sind das Herzstück der digitalen Fabrik: Sie machen
Anwendungen wie Condition Monitoring oder Predictive Maintenance überhaupt erst möglich. Die intelligenten Sensoren von Contrinex eignen sich für zahlreiche Einsatzgebiete, denn sie vereinen mehrere Erfassungsmodi in einem einzigen Gerät. Jetzt hat das Unternehmen als Zubehör das Tool PocketCodr-Konfigurator auf den Markt gebracht, mit dem sich die Sensoren ohne IT-Kenntnisse einrichten und abfragen lassen.