一个圆柱形测试套筒用作质量基准。用套筒密封的螺栓必须完全适合这个规格,也就是说,套筒不能把螺栓闭合得过紧或过松。根据对密封过程进行的各种 FEM 仿真结果,定义会影响密封结果的参数。然后根据这些信息进行调整,随后进行大量的密封测试,期间用 TwinCAT Scope 软件示波器记录来自两个伺服缸的所有重要实时数据,如功耗、扭矩和伺服电机的滞后误差。
*测试统计数据的可视化显示
将 ML 集成到设备控制器中
在一个经典的 ML 框架内开发了一个非常强大的机器学习回归模型(这里是 Scikit Learn),并在所记录的测试数据基础上进行训练。机器学习框架内的工作包括准备和选择数据、建模和训练合适的 ML 算法及其评价。在这个开发步骤中会生成一个训练好的机器学习模型,它表示输入和目标数据之间的关系。在 TwinCAT 3 中布署训练好的 ML 模型接口与数据接口一样都是开放式的,并支持行业标准的开放式神经网络交换(ONNX)格式。
一个圆柱形测试套筒用作质量基准。用套筒密封的螺栓必须完全适合这个规格,也就是说,套筒不能把螺栓闭合得过紧或过松。根据对密封过程进行的各种 FEM 仿真结果,定义会影响密封结果的参数。然后根据这些信息进行调整,随后进行大量的密封测试,期间用 TwinCAT Scope 软件示波器记录来自两个伺服缸的所有重要实时数据,如功耗、扭矩和伺服电机的滞后误差。
*将套筒宽度作为套筒密封质量标准之一来表示
项目的下一步是将训练好的 ML 模型实时集成到设备控制器中。Robin Vetsch 介绍说,他们为此使用了 TwinCAT 3 Neural Network Inference Engine(TF3810),有了这个软件,只需几行代码,即可使用非常简单的方式在 TwinCAT 实时环境中实施转换为 ONNX 格式的模型。在进行此类在 TwinCAT 3 中布署 ML 模型时,导出的 ML 模型被转换为二进制格式(.bml),然后存储在目标系统(嵌入式控制器或控制柜式 PC)中。在加载 .bml 文件后,Runtime 模型将自身配置为在工业 PC 的 CPU 上有效地执行机器学习模型的推理计算。这样可以就确保所生成的模块是一个实时推理引擎,能够无缝集成到 TwinCAT 3 中,并支持 TwinCAT 3 中所有常见的编程方法:从 PLC、C/C++ 或直接通过循环任务调用该模块。
项目取得重大成果
*项目团队(左起):OST 计算工程研究所(ICE)科学助理 Christian Egger,ICE 讲师 Christoph Würsch 教授博士,以及研发工程师 Robin Vetsch