Software · Open ML Interface

Ihr Modell. Auf der Maschine.
In Echtzeit.

Entwicklungs- und Pilotangebot: noch kein produktiver Kundeneinsatz. Funktionen und Leistungsziele werden je Anwendung im Pilotprojekt geprüft.

Eine offene ML-Schnittstelle für Fertigungsmaschinen: Die Maschine liefert Rohdaten, der Kunde bringt sein eigenes Modell mit, die Steuerung führt es im Millisekunden-Takt aus. Für Maschinenbauer, die Qualitätsregelung öffnen wollen, statt sie in eine geschlossene Box zu sperren.

So funktioniert es

30 Minuten online: Ihre Maschine, Ihre Sensorik, Ihre Kundenanforderungen.

Rohdaten-Schnittstelle PyTorch · TensorFlow · scikit-learn ONNX · TwinCAT ML Harte Echtzeit
Schema: Prozess-Rohdaten der Maschine fließen in Basismodell und Kundenmodell, werden als ONNX exportiert und in der Steuerung in Echtzeit ausgeführt; Ausgaben sind Qualitätsvorhersage, Prozessdrift-Warnung und Parameterempfehlung
Vom Training zum Echtzeit-Einsatz: Die Maschine liefert Daten, der Kunde bringt das Modell, die Steuerung führt aus.

Warum eine geschlossene Qualitätsbox nicht mehr reicht.

Ihre Kunden bewerten Qualität nicht mehr pro Maschine, sondern über den ganzen Prozess. Sie wollen eigene Modelle am Prozess ausführen, weil das Ergebnis von Vorprozessen abhängt, die nur sie kennen. Eine Maschine, die nur ein fertiges Urteil liefert, fällt dabei aus der Regelkette heraus.

Offen statt eingesperrt

Die Maschine stellt Prozess-Rohdaten in dokumentierter Form bereit. Der Kunde trainiert mit seinem Werkzeug und seinen Daten. Wer das zuerst anbietet, setzt in seinem Segment den Standard.

Echtzeit auf der Steuerung

Das Modell läuft als ONNX direkt in der Maschinensteuerung, im Takt des Prozesses. Die Machbarkeit hängt von Modell, Steuerung und Zykluszeit ab. Größere Modelle können einen Industrie-PC erfordern; Latenzen werden im Prüfaufbau gemessen.

Sensorik wird zum Daten-Asset

Ihre Prozesssensorik liefert nicht nur ein Gut-Schlecht-Signal, sondern die Rohdaten, auf denen Ihre Kunden ihre Qualitätsregelung aufbauen. Das ist ein Verkaufsargument, das kein Wettbewerber ohne offene Schnittstelle bieten kann.

Was große Abnehmer inzwischen fordern

Reifegradmodelle für Qualitätssicherung in der Fertigung staffeln von der Prozesscharakterisierung bis zur automatischen Nachregelung. Die oberen Stufen setzen voraus, dass eigene Modelle in Echtzeit am Prozess laufen. Genau dafür ist die Schnittstelle gebaut.

Stufe 1

Charakterisieren

Kritische Parameter kennen

Stufe 2

Kontrollieren

Parameter überwachen und regeln

Stufe 3

Stabilisieren

Statistisch abgesicherte Stabilität

Stufe 4

Auto-Trigger

Abweichungen automatisch erkennen

Stufe 5

Auto-Pilot

Prozess automatisch nachregeln

Stufe 6

Ernten

Leistung gezielt steigern

Hervorgehoben: die Stufen, die Echtzeit-Inferenz eigener Modelle auf der Maschine voraussetzen.

Vom Training zum Echtzeit-Einsatz

Fünf Schritte, die auf jeder Maschine gleich ablaufen. Der Maschinenbauer liefert Schritt 1 und 4, der Kunde Schritt 2, die Schnittstelle verbindet beides.

1

Prozessdaten

Zeitreihen, Geometrie- und Prozessparameter werden in Echtzeit erfasst und über eine dokumentierte Schnittstelle bereitgestellt. Mit Zeitstempel, Einheit und Herkunft.

2

Modelltraining

Ein generisches Basismodell des Maschinenbauers kommt mit. Der Kunde trainiert darauf oder daneben sein eigenes Modell, mit seinen Daten und seinem Framework.

3

ONNX-Export

Das Modell wird in das standardisierte, herstellerneutrale Format exportiert. Ein- und Ausgabetensoren sind in der Schnittstelle festgelegt, damit jedes Modell passt.

4

Echtzeit-Inferenz

Die Steuerung führt das Modell im Millisekunden-Takt aus, direkt im SPS-Zyklus. Geplant sind Versionierung, Zeitbudget und ein geprüfter Rückfallmechanismus; ihr Verhalten wird auf der Zielhardware validiert.

5

Handlung

Qualitätsvorhersage je Teil, Warnung bei Prozessdrift, Empfehlung für Parameter. Als Signal an die Steuerung, als Meldung an den Bediener, als Datensatz für die Fabrik.

Was Sie in der Hand halten

Eine Schnittstelle, die in Ihre bestehende Steuerung integriert wird, und die Bausteine, damit Ihre Kunden sie sofort nutzen können.

  • Rohdaten-Schnittstelle mit Spezifikation: welche Signale, in welchem Takt, in welchem Format, mit welcher Semantik
  • Basismodell des Maschinenbauers, generisch vortrainiert, als Startpunkt und Rückfallebene für Kundenmodelle
  • Modell-Deployment auf der Steuerung: Laden, Versionieren, Umschalten und Überwachen von ONNX-Modellen im laufenden Betrieb
  • Validierung im Labor: Maschine plus Steuerung im Prüfaufbau, Latenz und Ergebnisparität zwischen Training und Steuerung gemessen
  • Kunden-Dokumentation mit Beispielmodell und Exportskript, damit das Data-Science-Team Ihres Kunden am ersten Tag starten kann
Auszug Schnittstellenspezifikation Beispiel
MerkmalWert
DatenquelleProzess-Zeitreihen, Geometrie, Rezeptparameter, Maschinenzustand
ModellformatONNX, festgelegte Ein- und Ausgabetensoren
TrainingswerkzeugFrei wählbar: PyTorch, TensorFlow, scikit-learn
LaufzeitTwinCAT Machine Learning auf Beckhoff-Steuerung, harte Echtzeit
AusgabenQualitätsklasse je Teil, Drift-Indikator, Parameterempfehlung
BetriebModellversionierung, Geplanter Modellwechsel; Stillstandsbedarf im Pilot prüfen, Rückfall auf Basismodell

Signale, Takt und Tensoren werden je Maschinentyp im Pflichtenheft festgelegt.

Für wen

Jede Fertigungsmaschine mit Prozesssensorik und einer programmierbaren Steuerung. Fügen, Umformen, Zerspanen, Beschichten, Montieren.

Maschinen- und Anlagenbauer

Ihre Kunden fordern, eigene Modelle auf der Maschine auszuführen. Sie wollen das anbieten, ohne Ihre Steuerungsarchitektur neu zu bauen. Die Schnittstelle wird in Ihre bestehende Steuerung integriert und unter Ihrer Marke ausgeliefert.

Hersteller mit eigenem Data-Science-Team

Sie haben Modelle, aber keine Maschine, die sie ausführt. Wir spezifizieren gemeinsam mit Ihrem Maschinenlieferanten die Schnittstelle und bringen Ihr Modell in die Steuerung, validiert im Prüfaufbau.

Beckhoff- und TwinCAT-Umgebungen

Die Steuerung bringt die ML-Laufzeit bereits mit. Was fehlt, ist die saubere Datenschnittstelle, das Modellmanagement und die Validierung. Genau das liefert die Open ML Interface, ohne ein zweites Framework.

Architektur, Pilot, Serie

Drei Stufen, die aufeinander aufbauen. Der Einstieg ist ein Workshop, der Pilot läuft an einer Maschine, die Serie unter Ihrer Marke.

Einstieg

Architektur-Workshop

Ein Tag mit Ihrer Steuerungs- und Sensorik-Entwicklung: Welche Signale gibt es, welche Modelle fordern Ihre Kunden, was muss die Steuerung leisten? Ergebnis: Systemarchitektur und Pflichtenheft für den Pilot.

Projekt

Pilot an einer Maschine

Rohdaten-Schnittstelle, Basismodell, Deployment und Validierung an einem Maschinentyp im Prüfaufbau. Mit einem Pilotkunden, der sein Modell mitbringt. Ergebnis: gemessene Latenz, Ergebnisparität, Dokumentation.

Serie

Serienintegration und Lizenz

Übernahme in Ihre Serienmaschine, Lizenz je ausgelieferter Anlage, Pflege von Schnittstelle und Basismodell, Unterstützung Ihrer Kunden beim ersten Modell.

Gemessen, nicht versprochen.

Der geplante Deployment-Pfad führt von PyTorch über ONNX auf die Beckhoff-Steuerung. Vorliegende Prototypen und Prüfaufbauten erläutern wir im Gespräch; Ergebnisparität und Laufzeit müssen für Ihre Kombination nachgewiesen werden. Was Ihre Steuerung im Zyklus schafft, messen wir im Prüfaufbau, bevor es in ein Datenblatt kommt.

  • Herstellerneutral: ONNX als Modellformat, freie Wahl des Trainingswerkzeugs. Kein Kunde muss sein Framework wechseln.
  • Prozesswissen bleibt, wo es ist: Das Kundenmodell gehört dem Kunden, das Basismodell dem Maschinenbauer. Die Schnittstelle trennt beides sauber.
  • Ziel: robustes Laufzeitverhalten. Die Auswirkungen fehlerhafter Modelle müssen im Prüfaufbau untersucht werden. Plausibilitätsprüfung, Zeitbudget und Rückfall auf das Basismodell sind Teil der Laufzeit.
  • Grenzen benannt: Was die Steuerung im Zyklus nicht schafft, wird nicht versprochen. Modellgröße und Takt werden im Pilot gemessen und im Datenblatt festgehalten.
Entwicklung und Verantwortung
Prof. Dr.-Ing. Andreas Unger

Prof. Dr.-Ing. Andreas Unger

Professor für Mechatronik und Automatisierung, mit Erfahrung in Fügetechnik, Prozesssensorik und maschinellem Lernen auf Steuerungsebene. Die Open ML Interface ist seine Entwicklung; Vision Squared ist Lizenzgeber und Ansprechpartner.

Status

Systemarchitektur und Deployment-Pfad liegen vor. Der erste Pilot wird mit einem Maschinenbauer und dessen Kunden aufgesetzt. Gespräche dazu führen wir gern mit Ihnen.

Über Vision Squared

Häufige Fragen

Was heißt „offen“, wenn die Software nicht Open Source ist?

Offen ist die Schnittstelle: Datenformat, Tensoren und Ablauf sind dokumentiert, jeder Kunde kann mit jedem Werkzeug ein Modell bauen und einspielen. Die Implementierung auf der Steuerung, das Modellmanagement und das Basismodell werden lizenziert. So bleibt klar, wer die Laufzeit pflegt und wer haftet.

Geben wir damit unser Prozesswissen preis?

Nein. Die Maschine liefert Messdaten, nicht Ihre Regelalgorithmen. Ihr Basismodell bleibt Ihr Eigentum und wird als ONNX ausgeliefert, nicht als Quellcode. Das Kundenmodell wiederum sehen Sie nicht. Die Schnittstelle ist genau die Trennlinie, die beide Seiten brauchen.

Wie schnell ist die Inferenz wirklich?

Das hängt von Modellgröße, Steuerung und Zykluszeit ab. Kleine Modelle auf Zeitreihen laufen im SPS-Zyklus, große Bildmodelle brauchen einen Industrie-PC mit GPU. Im Pilot messen wir Ihre Kombination und legen ein Zeitbudget fest, das die Laufzeit überwacht.

Geht das nur mit Beckhoff?

Beckhoff TwinCAT bringt die ML-Laufzeit auf der Steuerung mit und ist deshalb der erste Pfad. Andere Steuerungen mit ONNX-Laufzeit oder ein Edge-Rechner neben der Steuerung sind möglich, mit anderen Latenzen. Das klären wir im Architektur-Workshop.

Braucht das eine Cloud?

Nein. Training findet dort statt, wo der Kunde seine Daten hat, Inferenz auf der Maschine. Kein Datenpfad verlässt das Werk, wenn der Kunde das nicht will.

Gibt es eine Demo?

Keine öffentliche Demo. Im Online-Termin zeigen wir den Deployment-Pfad von einem trainierten Modell bis zur Ausführung auf einer TwinCAT-Steuerung und besprechen, welche Signale Ihrer Maschine sich dafür eignen.

Die Maschine öffnen, bevor es der Wettbewerb tut.

Ein Gespräch von 30 Minuten: Ihre Maschine, Ihre Sensorik, die Anforderungen Ihrer Kunden. Danach wissen Sie, ob der Architektur-Workshop der nächste Schritt ist.

Nachricht schreiben