Automatización para la Industria 4.0_C124

13 FOOD & BEVERAGE Y AUTOMATIZACIÓN Los procesos en el interior de lamáquina de sellado y envasado no se pueden ver y los defectos de envasado a menudo tampoco son visibles desde el exterior durante la inspección óptica posterior, por lo que es muy difícil descubrir la causa exacta de los errores menciona- dos antes. Por tanto, es prácticamente imposible evitar productos defectuo- sos en principio. Para evitar entregar artículos defectuosos a pesar de ello, los fabricantes de fideos instantáneos utilizan dispositivos de inspección de calidad altamente automatizados con latencia mínima. Tianjin FengYu ayudó al usuario final en este proyecto con la rápida imple- mentación de un sistema de control de calidad de alto rendimiento. En pri- mer lugar, se examinaron las piezas mecánicas y eléctricas de la máquina. Según Tianjin FengYu, en el proceso descubrieron que, debido a su aper- tura y flexibilidad, la tecnología de control basada en PC de Beckhoff es ideal para capturar los datos de análisis necesarios. El integrador de sistemas instaló varios sensores en el interior de la máquina y fue capaz de capturar los primeros conjuntos de datos para análisis prototípicos de forma rápida y sencilla a través de TwinCAT Scope View. Los análisis de datos posteriores mostraron una cierta sensibilidad de los mensurandos que tenía lugar cuando una máquina había cortado de forma incorrecta un sobre de condimento. Sin embargo, estos eventos perturbadores que dan lugar a productos defectuosos no podían detectarse de forma fiable mediante los métodos convencionales de ingeniería. Las razones son varios factores de incertidumbre que pueden afectar a los datos, como las vibraciones de la máquina, además de los cam- bios en el material de envasado o la velocidad de transporte y la tensión de corte. Para encontrar una solución a esta exigente aplicación de análisis, Tianjin FengYu decidió utilizar TwinCAT Machine Learning como medio para implementar una ingeniería basada en datos con aprendizaje automático. APRENDIZAJE AUTOMÁTICO EN APLICACIONES INDUSTRIALES La base de una inspección de productos son los clasificadores, cuyo uso permite distinguir los productos sin defectos de los defectuosos. Para utilizar cla- sificadores basados en aprendizaje automático, se entrena un modelo matemático sobre la base de datos ejemplares, a partir de los cuales se puedan tomar decisiones correctas sin programación explícita. Beckhoff ofrece varias herramientas e interfaces abiertas que abarcan el ciclo de ingeniería completo, desde la captura de datos y el entrenamiento de modelos hasta el despliegue del modelo aprendido directamente den- tro del sistema de control: • Captura de datos: la cantidad y la calidad de los datos tienen efectos fundamentales en las aplicaciones de aprendizaje automático. Una amplia gama de productos de software y de E/S de Beckhoff permite la cap- tura de prácticamente cualquier dato. Varias funciones del software TwinCAT, como Scope View, Database Server, Data Agent y Analytics Logger, permiten que los datos se guarden en un PC industrial, en bases de datos locales o remotas, o en la nube. • Entrenamientodelmodelo: los datos capturados deben preprocesarse en un primer momento para encontrar una correlación entre los datos y los resultados deseados o para reforzar la correlación. Posteriormente, se identifica y parametriza un algoritmo de aprendizaje automático adecuado para el entrenamiento del modelo. A tal efecto, Beckhoff recomienda el uso de entornos de trabajo de aprendizaje automático abiertos y establecidos, como PyTorch, Keras o Scikit-learn. Por último, el modelo entrenado puede guardarse como un archivo en el formato estándar de intercambio ONNX (Open Neural Network Exchange). El archivo ONNX describe las operaciones y los pará- metros del modelo entrenado y puede convertirse en un formato binario (BML), más adecuado para la serialización en TwinCAT. • Despliegue del modelo: el entorno de tiempo de ejecución de TwinCAT para aprendizaje automático (TF3800 y TF3810) puede cargar los archivos de modelos entrenados (formato BML) dinámicamente en los contro- ladores, donde los modelos pueden ejecutarse en tiempo real con ciclos de ejecución inferiores a 1 ms. De esta forma, los resultados de la infe- rencia (ejecución de un modelo de aprendizaje automático entrenado) pueden procesarse directamente y transmitirse a dispositivos de salida a través de la comunicación EtherCAT ultrarrápida, lo que permite controlar la máquina en tiempo real.