Endüstriyel Kontrol Sistemlerinde Merdiven Mantıkının Evrimi

Merdiven mantığı, devre şematiği anlayan elektrik mühendisleri ve teknisyenler için grafik programlama dili olarak ortaya çıktı. on yıllardır, merdiven mantığı, Boole operasyonlarının güvenilir infazını, zamanlayıcılarını, karşılarını ve öznel devlet makinelerini kolaylaştırmak için tasarlanmıştır.

Merdiven mantığının gücü, eksik olan cihazların hasar veya operatörü yaralanmasına neden oluyor. Ancak, bu aynı katılık, tarama döngüsü içinde gerçekleştirilebilecek sabit bir tarama döngüsünde değerlendirilir.Bu determinism, kaçırılmış olmayan güvenlik-kırık olmayan ortamlarda bulunur ve makine öğrenimi vemda hata bloklarına yol açar; ya da yanlışlıklar; ya da yanlışlıklarık bir şekilde mantıksal olarak, sabit bir şekilde sabit bir şekilde merdiven halinde gerçekleştirilebilecek.

Modern PLC platformları, Yapılı Text (ST) dahil olmak üzere IEC 61131-3 standardı altında ek programlama dillerini desteklemek için gelişti ve Sequential Function Chart (SFC) tarafından doğrudan kontrol edilen makine öğrenimine entegre etmeye çalışırken temel gerginlikler.

Neden Kontrolcü Seviyede İş Ortağı ML?

Teknik engelleri incelemeden önce, bir mühendisin neden merdiven mantığına tahmin etmek istediğine dair bir anlayışa sahip olması gerekir, çünkü bir bulut veya kenar sunucusuna tüm hesaplamaları yükleyerek, birincil sürücü gecikme süresine doğrudan devam eder.In applications are available within the same scan cycle as sensor readings.

Ortamlı bir sürücü güvenilirdir. Endüstriyel ortamlar genellikle sürekli bulut bağlantı olmadan işlev verebilecek endüstri trendine karşı kesintiye uğramaktadır. PLC'de yaşayan bir makine öğrenme modeli, kurumsal ağ aşağılandığında bile çalışmaya devam etmektedir.Bu kenar tabanlı yaklaşım, sürekli bulut bağlantı olmadan işlev verebilecek endüstri trendine uyum sağlar.

Hybrid Systems için Mimari Desenler

Merdiven mantığının sınırlamaları göz önüne alındığında, makine öğreniminin en pratik yaklaşımı, hibrit bir mimaridir. Bu modelde, PLC, iki sistem arasındaki iletişim protokolünü ve veri değişimin oranını tanımlarken, tutarlı bir kontrol cihazı tarafından artırılmışken rolünü koruyor.

1. Edge Device with Gateway İletişim

Endüstriyel bir PC veya tek kişilik bir bilgisayar (örneğin, PC işletim sistemi ile bir fansız gömülü PC işletim sistemi gibi) belirli PLC etiketlerine geri döner. Bu cihaz, bu etiketleri doğrudan sahabuslarından (EtherNet/IP, PRONET, Modbus TCP) veya alt tanımlayarak (HMI) verileriyle çalışır ve tahmin eder.

Bu model mevcut kurulumlarda en yaygın olanıdır, çünkü PLC Donanımına hiçbir değişiklik gerektirmez. kenar cihazı gerekli kontrol bant genişliğini desteklemek için yeterince hızlı olmalıdır ve çoğu üretim uygulamaları için standart Python kütüphaneleri kullanarak 10 ila 100 milisaniye kullanılarak geliştirilmelidir.

2. Desen 2: PLC-Integrated ML via Vendor SDKs

Birkaç PLC üreticileri şimdi, kullanıcıların doğrudan kontrole yönelik olarak eğitim öncesi makine öğrenimi modellerini ithal etmelerine izin veren özel fonksiyon blokları veya yazılım geliştirme kitleri sunar. Örneğin, Siemens, SINUMERIK MindSphere entegrasyonu sağlarken, Rockwell Otomasyonu Fabrika ana bilgisayar çerçevelerinden ihraç edilen modelleri kabul eder ve bunları PLC'nin yerli işlemcisinde gerçekleştirebilecek bir formata dönüştürür.

Bu yaklaşımın avantajı, tarama döngüsü ile sıkı bir entegrasyondur. Prediction çıktıları doğrudan ağ iletişiminin yükü olmadan merdiven mantığında kullanılabilir.Ticaret şarj cihazı satıcı kilit ve sınırlı model karmaşıklığıdır.Sadece küçük, niceleştirilmiş modeller (tipik karar ağaçları, lineer regresyon veya küçük sinir ağları) milyonlarca parametre ile derin öğrenme modellerinde kullanılabilir.

3. Desen 3: Akıllı Sensörler Üzerine İğrenme

Yeni bir eğilim, ML'yi sensöre sürüklenme konusunda uyarıyor. Akıllı sensörler üzerinde mikro kontroller ve DSP'ler, yalnızca hesaplanan yükleri kontrol ederek, hesaplanan davranışı korurken, kontrol edilebilir bir şekilde tek bir "kantal hata tespiti" değerini, hesaplama sonucu iletebilir.

Bu model özellikle mevcut makineleri geri almak için çekicidir, yeni bir sensör ekleyen, PLC'yi değiştirmekten daha az yıkıcıdır. Merdiven mantığı programı sadece ön değer almak ve bir bakım uyarısını tetiklemek için bir eşe karşı karşılaştırmak gerekir.

Teknik Meydanlar ve Dava Strategies

Yukarıdaki desenlerin herhangi birini kabul etmek, tipik IT tabanlı ML dağıtımlarından endüstriyel ML'yi ayırt eden birkaç teknik kısıtlamaya dikkat gerektirir.

Memory ve Scan Cycle Constraints

PLC bellek, kilobaytlarda veya birkaç megabaytlarda ölçülüyor, gigabaytlar.Eğitimli bir modelin ağırlıklarını, katları veya ağaç yapıları, aksi takdirde program mantığı ve etiketi veritabanı için kullanılacak olan hafızalarını ölçmek için modeller ölçmek zorunda kalıyor, genellikle 32 bit yüzer pencereli parametreleri 8-bit tamsalara dönüştürmek.Bu ölçümlemenin doğruluğu ortadan kaldırılabilir, bu nedenle, bir kayıt test setine karşı geçerlilik önemlidir.

Scan döngüsü zamanı eşit derecede kritiktir. Tipik bir PLC tarama döngüsü, diğer mantıka bağlı olarak 1 ila 50 milisaniyeden daha fazla aralığın olması gerekir.Bu kısıtlama genellikle karar verme süresine kadar, işlem gereksinimlerinin ötesinde, lojistik gerileme veya küçük besleme ağları tek bir gizli katman ile birlikte kullanmamalıdır; doğrudan gömülülmelidir.

Data Synchronization and Preprocessing

Makine öğrenme modelleri temiz, normalleştirilmiş ve zaman giriş verilerinin işlenmesinden önce bu kusurları işlemekte, bir PLC'den gelen Raw sensörü verileri genellikle başlangıçta eksik değerler içerir ve sahabus deneyimleri jitter. A preprocessing katmanı, bu hataları test etmek için gerekli olan kodu sıfırdan veya bölmeden önce şarj etmek için dikkatli olmalıdır.In kenar aygıtı modeline göre, preprocessing Python veya C++'da ortak işlem sırasında eksik değerler içerebilir.

Zaman ayar, sensörler farklı örnekleme oranlarında çalışırken belirli bir meydan okuma sunar. Bir sıcaklık sensörü her iki saniyede bir güncelleme yapabilirken, her 100 milisaniyede özel bir preişleme işlemi sırasında interpolasyon rutinini yapabilirler; orta değerlerin sık sık sık tamamlanmış veya tamamlanmış olması gerekir.

Model Yeniden Eğitim ve Sürümleme

Endüstriyel süreçler, mevsimsel değişiklikler veya ham malzeme varyasyonları nedeniyle zaman geçtikçe sürüklenir. Dağıtımda iyi yapılan bir model altı ay sonra bozulabilir. Mimarlık, planlanan bir bakım penceresi sırasında üretime devam etmek için yeniden eğitim gerekir.

Versiyon izleme eşit derecede önemlidir. Her bir kullanılan model bir sürüm numarası, eğitim tarihi ve hiperparametre kaydı ile etiketlenmelidir. PLC veya kenar cihazı her tahmin için hangi model versiyonunu aktif hale getirmelidir, böylece alt üst düzey analizler herhangi bir yanlış tahmin kaynağı izler.

Tahmin edici Analytics için Pratik Uygulama Adımları

Mimari kalıpları bir çalışma sistemine aktarmak, veri mühendisliği, model eğitimi ve merdiven mantığı programlamayı kapsayan yapılandırılmış bir iş akışı gerektirir.

Adım 1: Prediction Target

Açık bir operasyonel etki olan bir ölçülebilir sonucu tanımlamakla başlayın. Ortak hedefler, bir motor için zaman-failure, bir kaynak hatasının olasılığı veya mevcut bir filtrenin geri kalanına bağlı olarak, mevcut sensör verilerinden ve tahmin edilen bir şey olması gerekir, bu da belirli bir düzeltici eylemdir. Tüm ekipman etkinliğine bağlı olarak, bu da güvenilir bir şekilde modellenebilir.

2. Adım: Toplayın ve Etiket Tarihi Data

Bu, her bir hata kaydı ve yanlış pozitif hataları doğrulamak için her bir hatanın tam zamanlarını kaydediyor. Etiketleme, en iş yoğun adımdır, ancak etiketlerin kalitesi doğrudan model performansını belirler.

3. Adım: Tren ve Modelin Geçerliliğini Geçerli

Tarihi veriler üzerinde modellere standart bir ML akışı kullanın. PLC dağıtım için, yorumlanabilir ve kompakt modeller için öncelik verin. Karar ağaçları, rastgele ormanlar sınırlı sayıda ağaç ve lojistik regresyon güçlü adaylardır. Evaluate performansları çiğ doğrulukla, çünkü yanlış pozitifler (gerekli bakım) ve yanlış negatif negatif negatif negatif negatifler (sonsuz bakım) endüstriyel ortamlarda çok farklı maliyetler vardır.

Adım 4: Modelin Dönüştürülmesi ve Sayılandırılması

Eğitimli modeli hedef runtime ile uyumlu bir şekilde açın.For edge devices, ONNX veya TensorFlow Lite, üreticinin ihracat yönergelerini takip eder ve ölçümleme modelini doğrulayın (tipik olarak% 1-2'si F1 puanında düşer).

Adım 5: Merdiven Mantıklı Interface yaz

Merdiven mantığı programı, ML modeline ilişkin üç görevi yerine getirmelidir. Birincisi, mevcut sensör değerlerini, uyarı motorunun okur olduğu belirli etiketlere yazmalıdır. İkincisi, tahmini sonucun çıktı etiketinden okumalıdır. Üçüncü olarak, bir tahmine dayalı kontrol eylemi uygulamalıdır. Tipik bir rung, eğer aşmışsa, HMI'de görünen bir bakım isteğine sahip olabilir.

Mühendisler, kenar cihazının tahmin etiketini güncellemediği davayı işlemek için zaman ayırma mantığını eklemeli.Eğer etiket değeri üç tarama döngüsünden fazla değişmediyse, merdiven mantığı güvenli bir duruma varsayılan olmalıdır veya bir kayıp-ileti alarmı tetikleyebilir.Bu, ML subsystem'nin sessiz başarısızlıklarına karşı koruma sağlar.

Adım 6: İzleme, Log ve Iterate

Bir kez dağıtılanda, bir sonraki modellerin hem de bir veri tarihçisine model tahminleri ile model kaymasını tespit etmek için gerçek sonuçlara karşı öngörüler ile karşılaştırıldığında, tahmini otomatik olarak aylık veya çeyrek olarak yeniden eğitilir ve bir sonraki model oluşturma verileri kullanmalıdır.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Sağlam sistemler için temel bakım

Büyük bir otomotiv tesisi, 2kilometre konveyör sisteminde boş zamanlar için rastgele bir orman sınıfı cihazı çalıştıran bir kenar cihazı kullandı. PLC, 120 sensörden gelen vibrasyon ve sıcaklık verilerini, 92 hassas ile tahmin etti, bakım ekiplerinin acil durdurma sırasında yerine yedek parçaları değiştirmesine izin verdi.

Enjeksiyon hazırlamada kalite Önlemesi

Bir plastik üretim tesisinde, 200 milisaniyede bir hata olasılığı olan bir hata hatasına sahip oldu ve eğer aşılmışsa, PLC, MQTT aracılığıyla buluta sıkıştırılmış bir özellik gönderdi. eğitilmiş bir sinir ağı 200 milisaniye içinde bir hata olasılığı geri aldı.

Compreed Air Systems'de Enerji Optimizasyonu

Bir gıda işleme tesisi, doğru bir şekilde şarj edilen küçük bir doğrusal gerileme modeli kullanarak, yakıt tüketimini gelecekte 15 dakika talep etmeyi tahmin etmek için doğrudan modern bir PLC'de çalışan küçük bir emisyon modeli kullandı. Model, ortam ısısını, üretim zamanlama verilerini ve tarihsel akış oranları özelliklerini kullandı.The PLC ayarlanan kompresör kontrol noktalarının basınç set noktasını uygun şekilde azalttı.

Üretim için En İyi Uygulamalar

  • [FONT:0] Basit bir modelle başlayın.[DÜDÜT:1] Bir lineer model veya sığ karar ağacı genellikle endüstriyel ortamlarda karmaşık bir sinir ağı olarak performans gösterir ve operatörler ve düzenleyiciler için çok daha kolaydır.
  • [FONT=0)Benchmark inference latency en kötü durumda koşullar altında geç kalıyor.[#0]Sistemi maksimum tarama yükünde test etmek ve kenar cihazı aynı anda birden çok model kullanıyor.% 99'luk inference süresi izin verilen bütçede kalır.
  • [FONT:0]Provide bir el elektriği iptal etmek gerekir.[FONTT:0).Provide a manual override.[[FONTT:1] Operatörler, ML-güdümlü kontrol mantığını devre dışı bırakabilir ve sabit bir ayar veya alarm eşine geri dönmelidir.
  • [FONT=0) Model karar sınırlarının farkında olun.[DÜDÜT:1] Her bir tahmin için giriş değerleri, model sürümü ve çıkış olasılığı kaydetmek. Bu belge sahte alarmları veya eksik tahminleri araştırırken paha biçilmezdir.
  • [FONT:0] Ağ segmentasyonu için planlayın.[[Dönetici:0) kenar cihazı veya bulut ağ geçidi hem bitki zemin ağı hem de şirket IT ağından ayrı olarak bir endüstriyel DMZ'de bulunmalıdır.

Yol Ahead: Edge AI ve programlanabilir Mantık kontrolörü

Makine öğreniminin ve geleneksel otomasyonun yakınlaştırılması hızlanıyor. PLC üreticileri, HTML hızlandırıcıları ile kontrol ediyor, Siemens SIMATIC S7-1500'ü sinir işleme ünitesi desteği ile ve ayrı veri bilimi uzmanlığına ihtiyaç duyan Bosch ctrlX AUTOMATION platformu gibi, bu platformlar bağlantıyı bulanıklaştırıyor.

Bu arada, IEC 61131-3 standart gelişmeye devam ediyor. En son baskı, görsel denetim ve aomali bir algılama gibi karmaşık görevler için gerçek zamanlı olarak daha derin öğrenme sağlar.

Mühendisler ve otomasyon uzmanları için, mesaj açıktır: merdiven mantığı her iki mühendisin yetenekleri ve kısıtlamaları tarafından değiştirilmez, iki disiplin birbirine daha güvenilir ve daha verimlidir. PLC'nin denetmen dünyası, olasılıksal, veri odaklı ML dünyası tarafından artırılmıştır.

Bu konuların anlayışını derinleştirmek için, endüstriyel analitik üzerine kılavuzlar ve Mikrokontrolörler için temel merdiven mantığı öğreticileri için kılavuzluk için [Döneticileri için) [Döneticileri için kılavuzluk (Döneticileri) inceler.com teknik kütüphane[Döneticileri için geçerli olan kodların (Döneticileri) tarafından belirlenen şekilde yayınlanması için.