התפתחות לוגיקה סולם במערכות בקרה תעשייתיות

לוגיקה של הסולם מקורה כשפה תכנות גרפית עבור בקרים לוגיים הניתנים לתוכנה (PLCs), שנועדה לשקף את הפריסה של לוחות בקרה על העברת מסר משוריינים קשיחים.הזרימת הראייה, השמאלית-לימין שלה הופכת אותו אינטואיטיבי עבור מהנדסי חשמל וטכנאים שכבר מבינים schematics מעגלים.במשך עשרות שנים, לוגיקה הסולם הייתה עמוד השדרה של ייצור דיסקרטי, בקרה, וטיפול חומרי, המאפשר ביצוע אמין של פעולות איטיות, זמן, , , , זמן , ניגודיות, מכונות נגד , , , , , , ניגודיות, זמן , , , , , , , , ניגודיות, , , , , ניגודיות.

העוצמה של לוגיקה הסולם טמונה במודל הביצוע ה ⁇ שלה.כל רץ מוערכ במחזור סריקה קבוע, מבטיח זמני תגובה צפויים.הקביעה זו אינה ניתנת להשגה בסביבות קריטיות בטיחות שבו סריקה מפספסת עלולה לגרום נזק בציוד או פגיעה במפעיל.עם זאת, אותה קשיחות זו מטילה מגבלות חמורות על המורכבות של חישובים שניתן לבצע בתוך מחזור רפלקציה, פעולות מרתיעות, או לבודדות; או לבודדות של למידה לקויה; או למולקולארית; או למולציה של חומרת; או למולקולארית חומרת לוגיקה; או למולקולארית; או למולקולארית לוגיקה; או למולקולארית; או למולקולארית; או למול לוגיקה של מבנה לוגיקה ומולקולארית; או למולקולארית של למידה לוגיקה; או למולקולארית; או למולקולארית; או למולקולארית; או למולקולארית; או למולקולארית; היא מספקת של מבנה לוגיקה מורכבת של חומרת של חומרת לוגיקה של חומרת לוגיקה מורכבת של חומרת; או מחוספסטיבית; או מחוספסטיבית לוגיקה; או מחוספסטיבית

פלטפורמות PLC מודרניות התפתחו כדי לתמוך שפות תכנות נוספות תחת תקן IEC 61131-3, כולל טקסט מובנה (ST), פונקציונלי בלוק דיגרמה (FBD), ו-SFC (SFC) בעוד ST מציע תמיכה טובה יותר עבור לוגיקה אלגוריתמית, הסביבה של זמן הליבה של רוב PLC עדיין מגבילה זיכרון זמין, מחזורי CPU ונתונים באמצעות חסימה זו של צורות היסוד כאשר הניסיון לשלב את הבקר ישירות לתוך ה-ה.

למה ML ב-Block?

לפני בחינה של המכשולים הטכניים, כדאי להבין מדוע מהנדס רוצה להטמיע ניתוח חיזוי ללוגיקה הסולם ולא לטעינה את כל החישוב לשרת ענן או קצה.הנהג הראשי הוא עצלות.ביישומים כגון אריזה מהירה גבוהה, תיאום רובוטי או בדיקה איכותית בזמן אמת, החלטות חייבות להתבצע בסבבי מילימטר.

נהג משני הוא אמינות.סביבות תעשייתיות לעיתים קרובות סובלות מקישוריות רשת לסירוגין, הפרעה אלקטרומגנטית וטמפרטורות קיצוניות. מודל למידת מכונה השוכן לחלוטין בתוך ה- PLC ממשיך לפעול גם כאשר הרשת הארגונית נמצאת למטה. גישה מבוססת קצה זו תואמת את המגמה של התעשייה לכיוון מכונות אוטונומיות, המכילות עצמי שיכול לתפקד ללא קישוריות ענן קבועה.

תבניות אדריכליות עבור מערכות היברידיות

בהתחשב במגבלות של לוגיקה הסולם, הגישה המעשית ביותר לשילוב למידת מכונה היא ארכיטקטורה היברידית. במודל זה, PLC שומרת על תפקידו כבקר הקבעיסטי, תוך שהוא מוגדל על ידי מכשיר מעבד או קצה אשר מטפל עומס העבודה של ML. האתגר המרכזי הוא הגדרת פרוטוקול התקשורת וקצב החלפת הנתונים בין שתי המערכות.

תבנית 1: Edge התקן עם Gateway Communications

מחשב תעשייתי או מחשב לוח יחיד (כגון מחשב מוטבע ממריץ פועל לינוקס) מפעיל את מנוע ה-ML ference.מכשיר זה קורא נתונים חיישן ישירות מהשדהbus (EtherNet/IP, PROFINET, Modbus TCP) או על ידי תת-התתתתתתתתתתתתתתתתתתת לתאי PLC מתאימים באמצעות OPC UA, מודל ה-ML מעבד את הנתונים וכותב תוצאות חיזוי ספציפיות ל-PLC, לאחר מכן, כך שלהלן:

דפוס זה הוא הנפוץ ביותר במתקנים הקיימים כי זה לא דורש שינויים קושחה PLC.המכשיר קצה יכול להיות מחשב תעשייתי סחורה, מודל ML ניתן לפתח באמצעות ספריות Python סטנדרטיות כגון scikit-learn, TensorFlow Lite, או ONNX Runtime. שיקול העיצוב הקריטי הוא שיעור העדכון.

תבנית 2: PLC-Integrated ML באמצעות Vendor SDKs

כמה יצרני PLC מציעים כעת בלוקים ייעודיים או ערכות פיתוח תוכנה המאפשרים למשתמשים לייבא מודלים טרום מאומנים של למידת מכונה ישירות לתוך הבקר.לדוגמה, סימנס מספקת את שילוב SINUMERIK MindSphere, בעוד Rockwell אוטומציה מציעה את פלטפורמת ה- FactoryTalk Analytics.פתרונות אלה מקבלים מודלים מייצאים ממסגרות ML נפוצות וממיר אותם לתוך פורמט שניתן לבצע על מעבדי שפת ה-PLC.

היתרון של גישה זו הוא שילוב הדוק יותר עם מחזור סריקה. פלטי חיזוי ניתן להשתמש ישירות בפסולי לוגיקה הסולם ללא ראש התקשורת ברשת.המסחר הוא מורכבות מודל מנעול הספק ומוגבל.רק מודלים קטנים, הקוונטים (עצים החלטות קטיליים, נסיגה ליניארית, או רשתות עצביות קטנות) יכולים לרוץ בתוך הזיכרון והתזמון של PLC למודלים עמוקים עם מיליוני פרמטרים, נשאר דפוס הכרחי.

דפוס 3: הסתכמו בהפרעות חכמות

מגמה חדשה יותר כרוכה בעומס ML הניתוק בפני החיישן עצמו.חיישנים חכמים עם מיקרובקרים ו-DSPs יכולים לבצע מיצוי תכונה מקומית וסיווג, תוך העברת רק את התוצאה החיזוי ל- PLC. זה מקטין את הנטל חישובי מהבקר תוך שמירה על התנהגות דטרמיניסטית. לדוגמה, חיישן עם עיבוד מובנה FFT וגילוי יכול לשלוח אחד "ערך הבעייתי" כדי צמצום גודל הנתונים.

דפוס זה אטרקטיבי במיוחד עבור רטרופית מכונות קיימות, שבו הוספת חיישן חדש הוא פחות משבש מאשר החלפת PLC. תוכנית לוגיקה הסולם רק צריך לקבל את הערך מראש ולהשוות אותו נגד סף כדי לעורר התראה תחזוקה.

אתגרים טכניים ואסטרטגיות מייגציה

אימוץ כל אחד מהתבניות לעיל דורש תשומת לב זהירה לכמה מגבלות טכניות שמבדלות את ה-ML התעשייתי מפריסות ML מבוססות-חשוב טיפוסיות.

זיכרון וסורק מעגל Constraints

זיכרון PLC נמדד בקילויטים או כמה מגה-בתים, לא ג'יגה-בייט. סטוינג משקל של מודל מאומן, קידודים, או מבני עץ צורכים זיכרון שאחרת ישמש עבור לוגיקה תוכנה ומאגרי נתונים. מהנדסים חייבים לכמת מודלים כדי להפחית את הזיכרון שלהם, לעתים קרובות להמיר 32 סיביות צף פרמטרים ל 8 סיביות לתוך אינטגרטור.

זמן מחזור סריקה הוא קריטי באותה מידה. מחזור סריקות טיפוסי של PLC נע בין 1 ל 50 מילישניות בהתאם לגודל התוכנית ומורכבות.הוספת ML ference לסורקה לא צריך לדחוף את זמן מחזור מעבר לדרישות התהליך. ככלל של אצבע, הקצוץ צריך לצרוך לא יותר מ -10% של תקציב סריקה זמין כדי להשאיר חדר ראש עבור לוגיקה אחרת.

נתונים סינכרוניזציה וקידום

מודלים של למידת מכונות לצפות נתונים נקיים, נורמטיביים, וזמניים של קלט נתונים של חיישן רול מ- PLC הוא לעתים קרובות רועש, מכיל ערכים חסרים במהלך ההפעלה, ועשוי להגיע מרווחים לא סדירים אם ה-Cbus חווה ג'טר. שכבת עיבוד מראש חייבת לטפל בפגמים אלה לפני האכלה של נתונים לדגם.בתבנית המכשיר קצה, preprocessing יכול להתבצע ב- Python או ב- C.

היערכות זמן מציגה אתגר מסוים כאשר חיישנים פועלים בקצבים שונים של דגימה. חיישן טמפרטורה עשוי לעדכן כל שתי שניות, בעוד חיישן לחץ מעדכן כל 100 מ"ר שניות.המודל דורש קלטות מסונכרנות; ערכי ביניים חסרים חייבים להיות מאומתים או מקודמים קדימה.מהנדסים לעתים קרובות ליישם bu של קוראות אחרונות בתג של PLC והפעלה של השגרה תוך שגרה ייעודית.

מודלים של Retraining and Versioning

תהליכים תעשייתיים נסחף לאורך זמן בשל ללבוש, שינויים עונתיים, או שינויים חומרי גלם.מודל שבוצע היטב בפריסה עשוי להתפוגג לאחר שישה חודשים.אדריכלות חייבת לתמוך בשיקום ללא הפרעה של ייצור. אסטרטגיה נפוצה היא לרוץ שני מקרים מקבילים של המודל: מקרה ייצור השולט בתהליך ודוגמה צל המדורגת ביצועים על נתונים אחרונים.

מעקב אחר גרסאות חשוב באותה מידה.כל מודל פרוס צריך להיות מתוייג עם מספר גרסאות, תאריך אימון ושיא hyperparameter.המכשיר PLC או קצה קצה חייב להיות אילו מודל היה פעיל עבור כל חיזוי כך ניתוח למטה יכול לעקוב אחר המקור של כל mispredictions.

פעולות יישום מעשי עבור Analytics חיזוי

תרגום הדפוסים האדריכליים למערכת עבודה דורש זרימת עבודה מובנת המשתרעת על פני הנדסת נתונים, הכשרת מודלים ותכנות לוגיקה של סולם.

שלב 1: Define the Prediction Target

התחל על ידי זיהוי תוצאה מדידה שיש לה השפעה תפעולית ברורה.מטרות נפוצות כוללות זמן-לכאורה עבור מנוע, ההסתברות של פגם מולד, או את החיים השימושיים הנותרים של מסנן.המטרה חייבת להיות משהו שניתן להפריש מהנתונים הקיימים חיישן, וכי, כאשר חזו, מאפשר פעולה מסוימת של תיקון מטרות הן רחבות מדי, כגון "כל הציוד", אשר תלויות באפקטיביות רבה מדי, אשר תלויה במידה רבה מדי מודלים משתנים, על מנת לשלוט על-ידי מודלים רבים מדי.

שלב 2: איסוף ולייבל נתונים היסטוריים

במקום לפחות כמה חודשים של נתונים היסטוריים מההיסטוריון הנתונים של PLC או מהלוגים ידניים.תייגו כל נקודה בנתונים עם התוצאה האמיתית. for Predictive Maintenance, זה אומר להקליט את ה-Timestamp של כל כישלון יחד עם כל מגמות חיישן קודמות. התווית היא הצעד הרגיש ביותר עבודה, אבל איכות התווית קובעת ביצועים ישירות של המודל.

שלב 3: רכבת ואימות המודל

השתמש בזרימת עבודה סטנדרטית של ML כדי להכשיר מודלים על הנתונים ההיסטוריים.עבור פריסת PLC, עדיפות מודלים כי הם מפרשים וקומפקטיים. עצי החלטות, יערות אקראיים עם מספר מוגבל של עצים, ותקיפות לוגיסטית הם מועמדים חזקים. הערכת ביצועים באמצעות דיוק, זיכרון וציון F1 ולא דיוק גולמי, כי חיובי כוזב (תחזוקה לא הכרחי) ושלילי כוזב (לא נחקר) יש עלויות תעשייתיות מאוד.

שלב 4: להמיר ולהקים את המודל

הייצוא המודל המוכשר לפורמט תואם את המטרה Runtime.For Edge מכשירים, ONNX או TensorFlow Lite לספק תאימות רחבה.עבור PLC SDKs ספציפיים של הספק, בצע את הנחיות היצוא של היצרן. Apply קוונטיזציה כדי להפחית את גודל המודל, ואמת כי הביצועים של המודל הקוונטי אינו מידרדר מעבר לסף מקובל (בדרך כלל 1-2% ירידה בציון F1).

שלב 5: לכתוב את טבלת הלוגיקה

תוכנית לוגיקה הסולם חייבת לבצע שלוש משימות הקשורות למודל ML.1, זה חייב לכתוב ערכי חיישן נוכחי לתגיות המיועדות שמנוע ההפרעה קורא.שני, זה חייב לקרוא את התוצאה החיזוי של תג הפלט השלישי, זה חייב ליישם את פעולת הבקרה המבוססת על החיזוי. A רץ טיפוסי עשוי להשוות את הערך לסף, אם הוא עולה, לחדד בקשה תחזוקה שמופיעה מעט על HMI.

מהנדסים צריכים להוסיף לוגיקה של זמן כדי להתמודד עם המקרה שבו המכשיר קצה לא לעדכן את תג החיזוי.אם ערך התג לא השתנה במשך יותר משלוש מחזורי סריקה, לוגיקה הסולם צריכה להיות ברירת מחדל למצב בטוח או לגרום אזעקה אובדן תקשורת.זה מגן מפני כשלים שקטים של תת-מערכת ה-ML.

שלב 6: Monitor, Log, and Iterate

לאחר פרס, היכנס ברציפות הן קלטות חיישן הגלום והן את התחזיות המודל להיסטוריון נתונים.שוות תחזיות נגד תוצאות בפועל כדי לזהות סחף מודל.זמנה אוטומטית מסדיר חודש או רבעון, ולהשתמש בנתונים שנדבקו כדי לבנות את הדור הבא של מודלים.תוכנית ההיגיון הסולם צריכה לכלול ריצת אבחון שיאסמת את זמן הביצוע של שלב ההקצאה, התראה על תחזוקה אם מחזור מתחיל לעלות על התקציב שלה.

יישומים אמיתיים ומקריות

תחזוקה חיזוי עבור Conveyor Systems

צמח רכב גדול פרס מכשיר קצה פועל מקבץ יערות אקראי כדי לחזות idler roller כישלון על מערכת משדרת 2-kilometer. The PLC סיפק נתונים רטט וטמפרטורה מ-120 חיישנים באמצעות PROFINET. המודל חזה כישלונות עם 92% דיוק, המאפשר צוותי תחזוקה להחליף רולרים במהלך זמני ירידה שנקבעו ולא במהלך הפסקות חירום.

תחזית איכות ב-Ficleding

במתקן ייצור פלסטיק, אדריכלות המחוברת לענן שימשה לחיזוי פגמים מסוימים המבוססים על לחץ הזריקה, הטמפרטורה וזמן מחזורי.ה-PLC שלח וקטור דחוס לענן כל מחזור באמצעות MQTT. רשת עצבית מאומנת החזירה הסתברות פגומה בתוך 200 מילישניות.הלוגיקה השווה את ההסתברות הזאת לסף, ואם עלה, את החלק לדחיית בן שישה חודשים, הפחתתה על ידי גרדת 18%.

אופטימיזציה אנרגיה במערכות אוויריות מכווצות

צמח עיבוד מזון השתמש במודל תוקפנות ליניארי קטן פועל ישירות על PLC מודרני לחזות את הביקוש האוויר דחוס 15 דקות לתוך העתיד.מודל השתמש בטמפרטורה הסביבה, נתוני לוח הזמנים ייצור, ואת שערי זרימה היסטוריים כתכונות. PLC הותאם את נקודת הלחץ של בקרים דחוס כדי להתאים את הביקוש הצפוי, צמצום צריכת האנרגיה על ידי 12% תוך שמירה על אספקה נאותה.

Best Practices for Production Deployments

  • (FLT:0)Start עם מודל פשוט.FLT:1 מודל ליניארי או עץ החלטות רדודה לעתים קרובות מבצע כמעט כמו גם רשת עצבית מורכבת בהגדרות תעשייתיות, וזה הרבה יותר קל ל debug, לפרוס, להסביר למפעילים ולרגולטורים.
  • (FLT:0Benchmark inference latency under Worst-casereave תנאים) לבדוק את המערכת כאשר PLC הוא עומס סריקה מקסימלי ואת המכשיר קצה הוא טיפול מודלים מרובים בו זמנית.
  • (FLT:0) לספק קידוד ידני.FreaLT:1) מפעילי חייב להיות מסוגל להשבית את לוגיקה שליטה המונעת על ידי ML ולחזור לנקודת סטנקט קבועה או סף אזעקה.
  • (FLT:0) קביעת גבולות החלטת המודל.FreaLT:1 לכל פלט חיזוי, להקליט את ערכי קלט, מודל גרסה והסתברות פלט.
  • (FLT:0)Plan for Network Scrollation.FLT: The Edge או שער ענן צריכים להתגורר ב- DMZ תעשייתי, מופרד הן מרשת רצפת הצמח והן ברשת ה- IT הארגונית. השתמש ב-Firetodes ו-Oneway Data diodes שבו ניתן להגן על רשת הבקרה.

הדרך Ahead: Edge AI והמפקח הלוגי הניתן לתוכנה

ההתכנסות של למידת מכונה ואוטומציה מסורתית היא מאיצה. יצרני PLC משחררים בקרים עם מאיצים משולבים AI, כגון SIMATIC S7-1500 עם תמיכה יחידת עיבוד עצבית ופלטפורמת ה- Bosch Rexroth ctrlX AUFation אשר מפעילה מודלים ML מבוזרים. פלטפורמות אלה טשטשות את הקו בין המכשיר ל- PLC, ומאפשרות מהנדסים לפתח מודלים מוכרים ולפתח שיטות מחקר פחות מצריך שיטות טכנולוגיות טכנולוגיות.

בינתיים, תקן IEC 61131-3 ממשיך להתפתח.המהדורה האחרונה מציגה תמיכה טובה יותר למבנים נתונים ומבצעי מערך, אשר מפשטים את יישום אלגוריתמים קלים של ML בטקסט מובנה. as PLC זיכרון והגדלת כוח עיבוד, טווח המודלים שיכולים לפעול ישירות על הבקר יתרחב, ובסופו של דבר יאפשר למידה עמוקה בזמן אמת עבור משימות מורכבות כגון בדיקה חזותית וגילוי אוטומטי.

עבור מהנדסים ואנשי מקצוע אוטומציה, המסר ברור: לוגיקה הסולם אינה מוחלפת על ידי למידת מכונה.במקום, שתי הדיסציפלינות מתמזגות.העולם ה ⁇ סטי, המוסמכת הבטיחות של PLC הוא מוגדל על ידי עולם ה-Probabilistic, מונח על ידי הבנת היכולות והמגבלות של כל אחד, מהנדסים יכולים לבנות מערכות שהן אמינות, יעילות יותר, יעילות יותר, יותר, יותר, יותר, יותר מאשר גישה בודדת.

(ה) להעמיק את הבנתם של נושאים אלה, התייחסות ל-FLT:0PLCdev Library FLT:0PLCdev Resources Library FLT:1 for Basical Scale לוגיקה הדרכות לוגיקה, קרא את ה-FLT:2 International Society of AutomationsFLT 3 (האגודה הבינלאומית של אוטומציה של 3) בקווים משפטיים, וחוקרים את ה-PLT4, אשר ניתן לפרסם באופן קבוע בדוגמאות לשילוב של סימולציות.