Zuerst wird mit Matlab Coder C/C++-Code generiert, anschließend mit Twincat Target for Matlab ein Twincat-Objekt kompiliert. Dieser Prozess lässt sich durch Skripte automatisieren, sodass bei Änderungen am Modell schnell aktualisierte Twincat-Objekte erzeugt werden können.
Alternativ kann das Deep-Learning-Netzwerk als ONNX-Datei exportiert und direkt in Twincat 3 geladen werden. Dort übernimmt eine Inferenz-Engine (Twincat Machine Learning Server) die Ausführung – bei Bedarf sogar auf einer GPU. Der Matlab-basierte Workflow bietet jedoch den Vorteil, dass zusätzlich Pre- und Postprocessing-Funktionen eingebunden werden können.
Nach der Kompilierung wird das Twincat-Objekt wie jedes andere Objekt im Twincat Engineering eingesetzt. Ingenieure können das Deep-Learning-Modell in SPS-Code (z.B. Strukturierten Text) integrieren. Im Beispiel von Beckhoff wurde das Objekt so programmiert, dass es ein Kamerabild verarbeitet und die Klassifikation („in Ordnung“ oder „defekt“) samt Zuverlässigkeitswert ausgibt.
Bewegungssteuerung und HMI-Design
Für die Qualitätskontrolle musste das Team zudem einen Servomotor regeln, um Sechskantmuttern im Kamerasichtfeld zu positionieren. Statt den Regler direkt in Twincat zu programmieren, nutzten die Ingenieure Model-Based Design in Simulink und Stateflow. Nach erfolgreicher Simulation wurde der Code mit Simulink Coder und Twincat 3 Target for Simulink in ein Twincat-Objekt überführt und in Twincat Engineering integriert.
Für die Bedienoberfläche (HMI) kam der Matlab App Designer zum Einsatz. Die HMI ermöglicht die Steuerung der Mutternbewegung, zeigt die aktuelle Position und die Klassifikationsergebnisse mit Wahrscheinlichkeitswerten an und überwacht Benchmarks wie die Ausführungszeit des Klassifikators. Der Datenaustausch zwischen HMI und SPS-Laufzeit erfolgt über das ADS-Protokoll.
Ausblick und Erweiterungsmöglichkeiten
Ein großer Vorteil des Workflows ist die schnelle Iteration: Teams können gezielt Kompromisse zwischen Modellgenauigkeit, Netzwerkgröße und Ausführungszeit bewerten. Bei Bedarf lassen sich Netzwerke weiter optimieren oder leistungsfähigere Steuerungen einsetzen. Der Workflow ist flexibel erweiterbar, etwa um das Klassifikationsergebnis direkt für Regelungsentscheidungen zu nutzen. So lässt sich der Weg zu einer noch intelligenteren, reaktiveren und effizienteren Fertigung ebnen – und das mit Werkzeugen, die Ingenieuren und Technikern eine praxisnahe, schnelle Umsetzung ermöglichen.
