Hirdetés

Hirdetés

Hirdetés

Hirdetés

Hirdetés

Hirdetés

Hirdetés

Hirdetés

Gépipar

Gépi tanulás a gyártásban – Beckhoff

Géptervezés – Az intelligens rendszerek ipari és üzleti alkalmazásainak lehetőségei az előző években rendkívüli érdeklődésre tettek szert. Ez nagyrészt a technológiai környezet dinamikus fejlődésének (pl. Big Data) és az üzleti hatékonyságnövelésre vonatkozó igényeknek volt köszönhető.

A gépi tanulás, azaz a gépek képességeinek valós idejű, éles helyzetben történő fejlesztése ma már biztonságosan és hatékonyan megoldható az IIoT (ipari dolgok internete) segítségével. A Beckhoff egy innovatív cég, folyamatosan keressük az új lehetőségeket az automatizálásban. Ennek köszönhetően már 2019-ben olyan szoftvercsomagunk volt, amivel a vezérlőnkön belül mesterségesintelligencia-modelleket lehetett futtatni. Ebből adódóan nem a TwinCAT automatizálási szoftverrel lehetett elkészíteni a modellt, hanem egy előre létrehozott hardverközegben volt lehetőség a futtatásra, illetve a gép vezérlésére. Ez a termék időközben elérhetővé vált. – kezdi beszélgetésünket Cserpák Mihály, a Beckhoff Automation Kft. applikációs mérnöke.

Az anyacégünk már elég korán felfedezte a gépi tanulásban rejlő lehetőségeket. A Beckhoff vállalat XPlanar rendszere a géptervezés új távlatait nyitja meg. A rendszer tetszőleges elrendezésű lapok fölött szabadon lebegő, lineáris mozgatóegységekből épül fel, amelyek rendkívül rugalmas, pontos és dinamikus pozicionálást tesznek lehetővé. Ez rendkívüli mértékben rugalmas és egyszerű gép-, illetve üzemtervezést tesz lehetővé. Az XPlanar rendszer egyedi elrendezésű síklapokat és fölöttük lebegő, több dimenzióban mozgatható, lineáris mozgatóegységeket tartalmaz. Ez utóbbiak két irányban rántás- és érintésmentesen pozícionálhatók akár 2 m/s sebességgel és 1 g gyorsulással, 50 mikrométeres ismétlési pontosság mellett, zaj és súrlódás nélkül. Az XPlanarba nagyon sok új technológiát építettünk be, ilyen a gigabites EtherCAT hálózat, szoftver oldalról pedig nem jöhetett volna létre, ha nincs benne a gépi tanulás képessége, hiszen a mágneses mezőt úgy kell előállítani és generálni, hogy az adott lap ebben meg tudjon mozdulni. Már Magyarországon is több partner cégünk érdeklődik az XPlanar iránt, amelynek tesztelési fázisába is be tudtak kapcsolódni.

A rendkívül rugalmas XPlanar rendszer igen széles körben használható a legkülönfélébb továbbítási feladatokra, beleértve az élelmiszer- és a gyógyszeripart is

A Beckhoff-nál és partnereinél is egyre nagyobb az igény a gépi tanulási modelleket TwinCAT-közelbe hozni.

XTS lineáris szállítórendszer

Az XPlanar mellett más alkalmazási mód is van a Beckhoff kínálatában, amely a gépi tanulással összefügg. Az EtherCAT-alapú automatizálási megoldások területén áttörést jelentett az XTS (eXtended Transport System) lineáris szállítórendszer, melynek mozgatói különböző sebességgel különböző pozíciókra tudnak egymástól mozogni. A mozgatók nagy dinamikával egymástól függetlenül tudnak pozícionálni különböző munkadarabokat, szemben a hagyományos szállítórendszerekkel. A mozgatók maximális sebessége 4 m/s, a gyorsulás maximum 100 m/s, a pozicionálási pontosság 250 µm, 1.5 m/s sebesség mellett az ismétlési pontossága 10 µm.

Az XTS lineáris szállítórendszer mozgatóegységei görgős pályán, lineáris motorral mozgathatók, és valós idejű TwinCAT vezérléssel működtethetők. A hagyományos szállítórendszerekhez képest hatalmas előnyt jelent ma már ebben a rendszerben is a gépi tanulás által elérhető nagy pontosság, valamint a mozgatóegységek sebességének, egyedi pozíciójának külön-külön történő optimalizálása. Így a gépi tanulásnak hála a pálya és a szállítórendszerek kopása csökken, sokkal hosszabb lesz az élettartamuk, emellett az energiafelhasználás is csökken.

Szenzorszimuláció

A jövőben még számos új lehetőség adódik, például a gyártásoptimalizálás vagy a szenzorszimuláció területén. Ez utóbbinál a mérési eredmények alapján tudunk szimulálni egy szenzort. Ez az úgynevezett anomáliadetektálás, ami egy drága szenzor védelmét szolgálhatja. Így egy várható modell és a szenzor adatai vethetőek össze. A képfelismerésben is az öntanuló rendszerek rendkívüli fejlődésen mennek keresztül. Az egyszerűbb modelleket termékek leválogatására, osztályozására használják. Például alkatrészgyártóknál a jó és selejt meghatározására is használható a gépi tanulás, amely nagyon jelentős megtakarítást jelenthet. Modellek segítségével lehet javítani a termelést.

Ezeknek a technológiáknak köszönhetően javulhat a termék minősége, kevesebb lesz a selejt, így kevesebb alapanyag szükséges, és növelhető a gyártásbiztonság.

Egy modell betanítása

Termékeink szerint, amiben tudunk segíteni partnereinknek az az adatok gyűjtése. Egy modell betanításához nagyon sok adatra van szükség, éppen azért, hogy a modell minél pontosabb legyen. Nekünk megvannak azok a termékeink, amelyeket gyűjtőnéven Connectivity termékeknek hívunk, ami lehetővé teszi, hogy adatbázisba vagy felhőbe elmentsük ezeket az adatokat, és megvan az a lehetőségünk is, hogy ezeket az információkat amik a gépi betanulási modellek alapját jelentik – előre analizáljuk, szűrjük. Jelenleg két modellt tudunk futtatni, az egyik a Support Vector Machines (tipikusan az osztályozáshoz használt alkalmazás) a másik a Multilayer Perceptron ami már a neurális networkok közzé tartozik. Ennek megfelelően tudunk úgynevezett Machine Learning Frameworks-ben a begyűjtött információk alapján megtanítani egy modellt.

A modelleknél elindult egy szabványosítási folyamat, hogy az átjárás könnyebb legyen a különböző rendszerek között, ez a közös fájl az ONNX (Open Neural Network Exchange) fájl formátum, ami például a TwinCAT-ben való importálást, majd később a ML runtimeban történő futtatást is lehetővé teszi. Innentől fizikai ki- és bemenetekhez tudjuk rendelni a modellt.

Adattudósok segítsége

Amit még lényegesnek tartok, hogy mennyire fontos a mesterséges intelligencia projekteknél az adattudósok segítsége. Ehhez kell egy olyan szemlélet, ahol az információ halmazból ki tudjuk szűrni a számunkra szükséges adatokat. Az adattudósok feladata a vállalat céljait és igényeit támogató összefüggések feltárása nagymennyiségű strukturált és strukturálatlan adatból. Egyre fontosabbá válik a tevékenységük, mivel a cégek egyre inkább igénybe veszik az adatelemzést a döntéshozatal során, valamint egyre nagyobb mértékben építik be informatikai stratégiájukba az automatizálást és a gépi tanulást. Azok, akik már elkezdtek gondolkodni azon, hogy a gyártási folyamataikba hogyan illeszthető be a gépi tanulás, azoknak nagyon tudom ajánlani, hogy vegyék fel a kapcsolatot az adattudósokkal. Ez egy hármas együttműködés a végfelhasználó, adattudós és mi, a Beckhoff között.

 

„Az adattudósok meg tudják mondani, hogy mit és milyen modellel lehet elérni, mi meg tudjuk mondani, hogy mit tudunk futtatni vagy hogyan tudjuk az adatokat összeszedni, a partner pedig megmondja, hogy mit szeretne optimalizálni pl. termékminőség javítás, selejtcsökkentés, esetleg előrejelző karbantartás területén.”

– Cserpák Mihály, a Beckhoff Automation Kft. applikációs mérnök

www.beckhoff.hu

szöveg: Mészáros Zsolt

Hirdetés
Hirdetés

További cikkek a témában