Szervermotor a növekvő gépi tanulási követelményekhez (x)

Címkék

A kiegészítő következtető motorként funkcionáló TwinCAT Machine Learning Szerverrel már a TwinCat Machine Learning is megfelel a gépi tanulás (ML) vagy az ipari alkalmazásokhoz szükséges mélytanulás egyre növekvő követelményeinek. Ennek oka az, hogy az ML-modellek egyre bonyolultabbá válnak, a végrehajtási sebesség várhatóan növekszik, és az ML-modellek esetében nagyobb rugalmassággal bíró következtető motorok szükségesek.

A Beckhoff évek óta kínál a TwinCAT 3 automatizálási szoftverbe tökéletesen integrált gépi tanulási (ML – Machine Learning) megoldást, amely a nyílt és jól ismert PC-alapú vezérlés előnyeit aknázza ki ezen a területen. Ezenfelül valós időben támogatja a gépi tanulást, így kezelni tudja a legkifinomultabb feladatokat, például a mozgásvezérlést is.

A géptervezők és -gyártók ezekre az optimális alapot nyújtó tulajdonságokra építve magasabb szintre fejleszthetik rendszereiket – például megoldásleíró karbantartással, önoptimalizáló folyamatokkal és azok esetleges rendellenességeinek automatikus észlelésével.

Ez a termékkínálat egészül ki hamarosan a TwinCAT Machine Learning Serverrel, mely egy szabványos TwinCAT PLC könyvtár és egy úgynevezett közel valós idejű következtető motor, vagyis a két előző motorral ellentétben nem szigorúan valós időben, hanem külön folyamatban fut le az ipari számítógépen.

Cserébe viszont lényegében minden mesterségesintelligencia-modell futtatható a szervermotorban, mégpedig az Open Neural Network Exchange (ONNX – nyílt neurális hálózati adatcsere) szabványosított adatcsere-formátum teljes támogatásával. Ehhez a TwinCAT termékhez ráadásul mesterséges intelligenciára optimalizált hardveropciók is rendelkezésre állnak, amelyek skálázható teljesítményre képesek. 

A TwinCAT Machine Learning Server klasszikus párhuzamosítással működik a CPU-kerneleken, akár a Beckhoff ipari számítógépeibe integrált GPU-t, akár például az NVIDIA dedikált GPU-it használva. Ezáltal olyan következtetőmotor jön létre, amely modellek tekintetében maximális rugalmasságot, hardver tekintetében pedig nagy teljesítményt nyújt.

Az újdonság alkalmazása a prediktív és preskriptív modellek, valamint a gépi látás és a robotika területén lehet majd jellemző. Például olyan képalapú módszereknél, amelyek a termékek válogatására vagy értékelésére, a hibák osztályozására, valamint a hibák vagy termékek lokalizálására és a fogási helyzetek kiszámítására szolgálnak.

A TwinCAT 3 Machine Learning Server előreláthatóan a jövő év végén kerülhet piacra. 

[A Beckhoff megbízásából készített anyag]