Phoenix Contact hilft schneller die richtige Entscheidung zu treffen

Die intelligente Auswertung der von vielen Sensoren generierten Rohdaten durch Künstliche Intelligenz entwickelt sich zu einer Kernfunktion professioneller IoT-Anwendungen. Nur auf diese Weise lassen sich in kritischen Situationen ohne Umwege Entscheidungen treffen und die daraus resultierenden Maßnahmen umsetzen. Phoenix Contact bietet dazu demnächst das Erweiterungsmodul AXC F XT ML 1000 für die PLCnext Control AXC F 3152.

Die speicherprogrammierbare Steuerung (SPS) 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.

KI-Erweiterungsmodul.

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. Darüber hinaus können zahlreiche Projektbeispiele von coral.ai eingesetzt werden, um zum Beispiel eine einfache Objekterkennung mit der Coral-Edge-TPU und der PLCnext Technology zu realisieren.

In einem Tool vereint.

Als beliebteste Programmiersprache zur Entwicklung von KI-Applikationen unterscheidet sich Python erheblich von den in der Automatisierungswelt bekannten IEC61131-Sprachen. Automatisierer und Data Scientists bei maschinennahen KI-Anwendungen arbeiten deshalb eng zusammen. Der Automatisierer kann die geforderten Daten aus dem Maschinenprogramm bereitstellen und der Data Scientist wählt 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.

Datenmengen vor Ort verarbeiten.

Als Anwendung von Deep Learning sei die Bilderkennung genannt, die zum Beispiel 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. Durch die Analyse auf einem Edge-Computersystem können große Datenmengen direkt vor Ort verarbeitet werden. Dies setzt jedoch voraus, dass die verwendete Edge-Hardware über ausreichend Leistung für die KI-basierte Datenverarbeitung verfügt.

Bei Anwendungen in der Predictive Maintenance erfasst die SPS Daten durch zB. Vibrations-, Temperatur- oder akustische Sensoren, die dann über die Schnittstellen der Steuerung an das KI-Erweiterungsmodul übergeben werden. Das KI-Modul nutzt die Informationen der Sensoren als Eingangsdaten für das entsprechende Modell der künstlichen Intelligenz. Mit den Ergebnissen der KI kann die SPS die Maschine nun bei einer drohenden Gefahr durch Verschleiß in einen sicheren Zustand bringen oder eine Meldung an das Wartungspersonal senden.

KI-Lösungen im Serienmaschinenbau.

Typische Applikationen, die mit Unterstützung von KI-Methoden spezielle Aufgaben lösen, werden selten mehrfach wiederverwendet. Häufig betreibt der Anwender die KI-Lösung nur an einem Ort für eine bestimmte Aufgabe. Serienmaschinenbauer, die eine Maschine in großer Stückzahl herstellen und sie daher sehr gut kennen, könnten zur Durchführung einer vorbeugenden Wartung ein KI-Modell trainieren. So entsteht ein kontinuierlicher Verbesserungsprozess für die KI-Anwendung, der auf den realen Daten unterschiedlicher Maschinen basiert: ein echter Mehrwert sowohl für den Maschinenbauer als auch den -betreiber.

Gastbeitrag: Wolfgang Valicek

weitere aktuelle Meldungen