上月初，Beckhoff官網發布消息稱其已經在TwinCAT3軟件中無縫集成了機器學習（ML）解決方案，以幫助用戶在基于PC控制的設備系統中部署機器學習應用。

據悉，TwinCAT解決方案支持實時機器學習，能夠處理包括運動控制...等在內的各類嚴苛任務，并通過規范性維護、流程自我優化和流程異常的自主檢測...等功能，幫助設備用戶和制造商提升機器的綜合性能。

Beckhoff方面表示，機器學習的基本概念，是不再遵循為特定任務專門設計方案、然后將這些解決方案轉化為算法的傳統工程路線，而是從示例性過程數據中學習所需的算法。通過這種替代方法，可以訓練出強大的機器學習模型，然后用于提供卓越或性能更優的解決方案。在自動化技術方面，這為許多領域開辟了新的可能性和進一步提升優化的潛力，包括：預測性維護、過程控、異常檢測、協作機器人、自動化質量控制和機器優化。

按照官宣的說法，需要學習的模型是在機器學習框架（如：MATLAB或TensorFlow）中進行訓練的，然后通過ONNX（即：開放式神經網絡交換格式OpenNeuralNetworkExchangeFormat，一種用于描述訓練模型的標準化數據交換格式）導入TwinCAT運行。為此，TwinCAT的runtime整合了以下新功能：

用于經典機器學習算法的TwinCAT3機器學習推理引擎，例如：支持向量機（SVM）和主要成分分析（PCA）

用于深度學習和神經網絡的TwinCAT3神經網絡推理引擎，如：多層感知器（MLP）和卷積神經網絡（CNN）

同時，模型結果是可以實時直接執行的。就是說，推理-即已訓練機器學習模型的執行，可以使用TwinCATTcCOM對象實時直接完成，并通過PLC，C/C++TcCOM接口或循環任務調用。如果網絡較小，對應于50μs的TwinCAT周期時間，支持小于100μs的系統響應時間。

另外，與控制技術的無縫集成，將意味著：

TwinCAT3本身所提供的多核支持也同樣適用于機器學習應用。因此，不同的任務程序可以訪問同一個特定的TwinCAT3推理引擎而不會相互限制。

機器學習應用完全可以訪問TwinCAT中所有可用的現場總線接口和數據，這將使其能夠使用到大量數據，例如：用于復雜的傳感器數據融合（數據合并），并且有機會通過與執行機構的實時接口實現設備控制的優化。