AO_416

AO COPERTINA BECKHOFF AUTOMATION COPERTINA BECKHOFF SETTEMBRE 2019 AUTOMAZIONE OGGI 416 20 Con il software TwinCAT 3, gli esperti di automazione possono attingere alle funzionalità di ‘Machine e deep Learning’ all’interno di un ambiente di sviluppo a loro familiare Picture credits/Copyright: Beckhoff Automation GmbH & Co. KG Così come XTS ha segnato un passaggio fondamentale nella storia del motion, XPlanar potrebbe rappresentare la nuova frontiera per il futuro della movimentazione intelligente. Il concetto su cui Beckhoff ha sviluppato XPlanar è analogo a quello di XTS, ovvero movimentare ‘n’ mover in modo indi- pendente. Tuttavia con il nuovo sistema, Beckhoff è andata un passo oltre, in quanto ha vinto la sfida di eliminare qualsiasi contatto fisico con guide o supporti, fonte di attriti di ineffi- cienze, usure e contaminazioni meccaniche. Questo risultato è stato raggiunto applicando le leggi dell’elettromagnetismo. Un piano di riferimento XY formato da una serie di piastrelle elettroniche liberamente componibili sviluppa un campo di forze elettromagnetiche che vengono utilizzate dal sistema per far levitare i pallet porta oggetti a poca distanza dal livello di zero. La fluttuazione elettromagnetica consente a XPlanar di rag- giungere livelli di efficienza elevatissimi e di offrire una dina- mica eccellente, poiché gli attriti sono nulli. I mover possono essere movimentati nelle due dimensioni X-Y con velocità fino a 4 m/s e accelerazioni di 2 g, con una ripetibilità di posiziona- mento pari a 50 μm. Oltre al movimento lungo il piano X-Y, i pallet possono alzarsi e abbassarsi in direzione verticale (Z) di 5 mm, basculare di 5° e ruotare completamente su se stessi (360°): davvero sorprendente. Tuttavia, vedendo XPlanar in E ora TwinCAT si amplia con il machine learning Beckhoff ha ulteriormente ampliato le funzionalità della sua piattaforma di automazione TwinCAT 3 con una soluzione di Machine Learning (ML) che integrata nell’architettura di controllo, fornisce nuovi e potenti strumenti di supporto sia all’OEM quanto all’end user. Un nuovo tassello si aggiunge dunque al composito mosaico che fa capo al software TwinCAT, che ora è in grado di fornire ai costruttori di macchine uno strumento ottimale, e soprattutto smart, per ottenere e mantenere massimo il livello di efficienza. È ad esempio possibile implementare politiche di manutenzione predittiva, attività di ottimizzazione automatica dei processi o, ancora, rilevare in modo autonomo eventuali anomalie prima che si verifichino derive di processo: ciò sfruttando la capacità da parte del ML di apprendere e migliorare l’algoritmo di controllo. In tal modo è possibile gestire il processo secondo criteri di massima efficienza, il che si traduce in un aumento della qualità e della produttività. Per la definizione dei modelli di apprendimento è possibile utilizzare software di analisi e modellazione come Matlab o TensorFlow, che possono essere importati nel runtime di TwinCAT nel formato di scambio Onnx (Open Neural Network Exchange). La soluzione di ML di Beckhoff offre due diversi tipi di funzionalità: la prima (TwinCAT 3 Machine Learning Inference Engine) è studiata per i classici algoritmi di ML, ad esempio le macchine di apprendimento con vettori di supporto (SVM) e l’analisi delle componenti principali (PCA); la seconda (TwinCAT 3 Neural Network Inference Engine) applica tecniche di deep learning e reti neurali basate sui percettroni multistrato (MP) e sulle reti neurali convoluzionali (CNN). I risultati dei modelli sono direttamente utilizzabili in realtime. L’inferenza, ovvero l’esecuzione di un modello di ML istruito, può essere eseguita in realtime come oggetto TwinCAT-TcCOM e più precisamente in piccole reti, con un tempo di reazione del sistema inferiore a 100 µs (il tempo di ciclo di TwinCAT è pari a 50 µs). I modelli possono essere richiamati tramite le interfacce PLC, C/C++-TcCOM, così come con task ciclico. Essendo pienamente integrato con la tecnologia di controllo, il supporto multicore offerto da TwinCAT risulta disponibile anche per le applicazioni di machine learning. Ciò significa che più processi possono accedere al rispettivo TwinCAT 3 Inference Engine senza provocare limitazioni reciproche o blocchi.