Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

Kapitelausschnitt:

6      Das Datenmodell zum SD

Bis zu diesem Kapitel sind bereits einige einfache Beispiele zum Thema KI-SPS in Bildern gezeigt worden. Damit eine Umsetzung dieser neuen Idee möglich wird, muss ein Interface geschaffen werden, welches zu jedem Element des SDs eine Datenverbindung anbieten kann.

Betrachten wir Bild 29 eines Projektes, dann lässt sich dieses sehr einfach beschreiben:

Ein Gerät (SPS, Raspberry Pi etc.) hat ein Programm, welches ich als Projekt bezeichne.  Das könnte die bereits erwähnte Krananlage oder eine Schuhmaschine oder eine Celle einer Fertigung für ein Zubehörteil eines Autos, sein. Das Projekt besteht, abgesehen von den Programmabschnitten und Modulen aus den Bibliotheken, aus mehreren KI-Gruppen, welche jeweils ein SD besitzt. Natürlich könnte eine KI-Gruppe auch mehrere SDs besitzen, um dieser Frage gleich zuvorzukommen 😊.

Jedes SD besitzt Elemente aus verschiedenen Datentypen. Damit diese auch Daten austauschen können, hat jedes Element eine Datenschnittstelle.

        Bild 29: Das Datenmodell zum SD

Ohne diese Datenschnittstelle wäre das SD hilflos und könnte über die gelernten Regeln keine Aktionen verursachen. Das Ganze beginnt also mit der Datenschnittstelle lebendig zu werden, um das mal so auszudrücken. So erklären sich auch die vielen Möglichkeiten bei einer SPS mit dem KI-Automat. Hier haben wir die KI-Gruppen stellvertretend durch ein SD, welches nun über die einzelnen Elemente, je nach Ergebnis der gelernten Regeln, Daten lesen und schreiben kann.

Diese Daten können auch Ergebnisse aus komplexen Bausteinen sein, wie PID-Regler oder Funktionsbausteine, welche noch traditionell programmiert sind.

Das bedeutet, die Kontrolle der entsprechenden Programmabschnitte, welcher Art auch immer, werden durch den KI-Automat übernommen.

Das ergibt nun eine völlig neue Denkweise zur Erstellung und Planung eines SPS-Programmes und deren Auswirkung zur Prozessumgebung. Immerhin haben wir es hier mit modernen, neuzeitige Elementen zu tun, welche über die Datenschnittstellen (JSON-Formate) auch mit anderen KI-Systemen, kommunizieren können.

Da wir es hier mit einer SPS vergleichen, richtet sich die Datenschnittstelle nach den üblichen Datenformaten einer SPS, welche auch als Operanden bezeichnet werden. Dazu gehören nicht nur die Eingangs- und Ausgangsoperanden, sondern z. B. auch Timer, Counter, Merker und sonstige Operanden-Typen.

Davon abgesehen ist das Gerät SPS ja mittlerweile nicht nur eine Simatic und dessen Strukturen, sondern wandert z. B.  über Codesys in ganz andere Gebilde, welche schließlich auch durch die Anbieter der Steuerungstechnik, mal ganz vorsichtig formuliert, als Geräte mit der Programmierung zur IEC-Kompatibilität auch als SPS bezeichnet werden.

Fortsetzung folgt im nächsten Post .... 💇

Verleger und SPS-Hersteller können sich gerne melden 😊

Firma oder Start-up, mit Interesse mein know-now exklusiv zu erwerben können sich gerne melden.

Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

Kapitelausschnitt:

 

5      SD und die KI

Bis Kapitel 4 haben wir das SD mit seinen Elementen so ein wenig im Einsatz gesehen. Die Steuerungstechniker kennen überwiegend das KV-Diagramm und wissen, dass hier eine optimale Kürzung für digitale Schaltungen mit einem Ausgang erfolgen kann. Daraus wurde ja früher der Schaltschrank mit der Klappertechnik gebaut, 😊. Diese Dinge werden gegenwertig zwar noch in der Ausbildung zum Steuerungstechniker erwähnt, aber das war es auch schon. Durch die Programmierung der Schütztechnik in der SPS, ist das KV weit in den Hintergrund gerückt.

Viele Programmierer wenden Teile des KVs an, aber meist unbewusst.

                          

                        Bild 26: Struktur zum Signatur-Diagramm SD

Warum heißt das nun Signatur-Diagramm (SD) und nicht Signal-Diagramm?

Ein SD, wie vereinfacht in Bild 26 zu sehen, kann nun auch mehrere Ausgänge bedienen und integriert zudem auch analoge Signale, sowie Funktionsergebnisse und schließlich selbst wieder SDs. Wesentliche Unterschiede zum KV bilden sich bereits in den Element-Bereichen und den dazugehörigen Elementen (IPA, IPF, IPD, IPSD analog dazu die Output-Bezeichnungen).

Es gibt also je Parameter einen Platzhalter für den Datentyp, welche erst später zugeordnet werden kann und deswegen über eine Verbindung zur Datenbasis verfügt. So wie das Signatur-Diagramm aus der Literatur Informatik, allerdings in anderer Form.

Meiner Meinung nach ist das Signatur-Diagramm aus der Informatik ein Signatur-Plan.

Das KV hat seine Regeln (Rules), welche binär auch zur Optimierung verwendet werden. Das SD hat ebenso Regeln, diese werden mittels machine learning erfasst und über Methoden im deep learning optimiert. Der wesentliche Unterschied besteht darin, dass es sich dabei zwar auch um Regeln handelt, diese aber mit analogen Signalen verknüpft werden können und durch verschiedene Algorithmen im deep learning spezialisiert werden.

Ein SD hat somit auch Regeln, werden aber anders angewendet.

Die Anwendung und Auswertung hat nicht nur das Ziel bei digitalen und analogen Signalen eine binäre Verknüpfung zu kreieren, sondern auch critical inputlayer zu erkennen. Diese wirken sich dann direkt auf den Ausgangslayer (CIE) aus und bilden ein Alarmsystem, welches über Schnittstellen im JSON-Format (DG) anderen Komponenten zur Verfügung gestellt wird. Die Aufbereitung der Regeln werden für den KI-Automat definiert und können zusätzlich über den DG (document generator) auch anderen Komponenten zur Verfügung gestellt werden.

Wie bei Funktionsparametern in Programmiersprachen werden Bezeichnungen und deren Datentypen übergeben. Das nennen die Informatiker Signatur einer Schnittstelle. Deswegen auch die Bezeichnung SD, 😊

Da es sich hier um eine Software (SW) handelt, gibt es eine ganze Menge an Ideen, sinnvolle Dinge zur IOT-Welt vom SD abzuleiten. Besonders bei schon bestehenden Anlagen ist eine automatische Erstellung des SD sehr gut möglich. Was da so alles gemacht werden könnte, ist sehr umfangreich. Deswegen möchte ich mich in dieser Lektüre auf die Programmerstellung über einen SD und einen KI-Automat beschränken.

Die Anwendung für eine SPS, da befindet sich der KI-Automat, ist dann sinnvoll, wenn diese das entsprechende Umfeld zum SD anbietet. Dazu gehören genügend Speicher und eine attraktive Programmiersprache, damit der KI-Automat  auch schmerzlos umgesetzt werden kann. Zudem ist ja ohne Webseite heutzutage nix mehr los – oder?

Das SD und deren Struktur ist für eine Webanwendung besonders gut geeignet.

Warum ist das so? Nun einige Argumente sind Speicher, Internet, moderne Programmiersprachen und IOT. Was hat das Ganze nun mit der SPS zu tun?

Ein SPS-Programmierung kann auch virtuell existieren und hat in Verbindung mit einem SD und der KI mehr Sicherheit zu bieten als eine SPS-Programmierung herkömmlicher Art. Zudem kann das Programm in verschiedenen Plattformen zur Anwendung kommen und ist 100%ig internetfähig.

Besitzt nun eine herkömmliche SPS einen KI-Automaten, dann ist sie damit auch internetfähig, zumindest über den SD-Anteil. Besonders in der IOT kann ich mir ein Produkt vorstellen, welches SDs verarbeitet. Ob das dann noch als SPS bezeichnet wird? 😊.

Das Mischen mit SD und traditioneller SPS-Programmierung ist immer gegeben und jederzeit möglich.

Nun gut – nur die Eingangs- und Ausgangslayer in Form der KI darzustellen, reicht auch nicht für eine ganz, ganz schwache KI aus. Deswegen noch einmal: Was hat das SD mit KI zu tun?

Ich würde das mit der KI sicherlich nicht ins Spiel bringen, wenn da nicht machine learning eingebettet wäre. Nebenbei bemerkt existiert das deep learning auch, ist aber nicht unbedingt notwendig, bei Verwendung einfacher Steuerungen.

Aus den gelernten Daten entsteht eine Interpretation für den KI-Automat, welche jederzeit durch zusätzliches Lernen online ausgetauscht werden kann. Die Daten berücksichtigen auch SW-Komponenten der SPS, wenn diese so gelernt wurden.

Eigentlich bin ich der Überzeugung, wie in dieser Lektüre schon öfters erwähnt, dass ein ungeplantes Programm ein Zufallsprodukt ist. Trotz Planung, beispielhaft mit Grafcet, WSD oder anderen Planungsmitteln, kann ich wenig anfangen, wenn ich dabei an eine KI denke, denn jedes SD umgesetzt in einen KI-Automat kann gleichzeig Zustände analysieren, welche in der Programmierung nicht berücksichtigt wurden oder sogar online Zustände erkennen, welche die Anlage im Fehlerfall liefert. 

Man könnte daraus ableiten: Lernen und nicht planen 😊

Der KI-Automat ist durch seine Struktur in der Lage bei einem angeschlossenem, externen KI-System analysegerechte Daten zu liefern. Mit all den genannten Fakten kann nach meiner Meinung das SD in die leichte KI eingestuft werden.

Nun gut- lange Rede kurzer Sinn. Schauen wir uns das mal genauer an und versuchen im folgenden Kapitel einen sinnvollen Ablauf, KI-gerecht 😊, zu verstehen.

Fortsetzung folgt im nächsten Post .... 💇

Verleger und SPS-Hersteller können sich gerne melden 😊

Firma oder Start-up, mit Interesse mein know-now exklusiv zu erwerben können sich gerne melden.

 

 Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

Zur besseren Erklärung aus den Anfängen, noch ein wenig aus dem Kapitel 3: 

3      Aus Alt wird neu

Bei einer netten Unterhaltung innerhalb eines Programmier-Seminares, kamen wir auf das Thema KI und deren Anwendung, wohlgemerkt für die industrielle Automatisierung an Maschinen und Anlagen. Nun, meine Geschichte über das Fotografieren von Katzen zur späteren Detektieren eines Tierbildes über ein KI-System, kam bei den SPS-Programmierern sehr gut und auch lustig an. Die Bilder zu analysieren, damit diese später dann zur Wiedererkennung verwendet werden ist nichts neues in der Automatisierung, denn Bilderkennungssysteme mit entsprechender Komplexibilität existieren schon seit geraumer Zeit und werden als Modul in diverse Steuerungen schon lange angewendet. Ich denke die ersten Gehversuche sind so Ende der 90ziger gewachsen und stellen heute ca. 30 Jahre später, einen Standard in der Automatisierung sowie grundsätzlich im Sondermaschinenbau dar.

Was gab es damals für Probleme mit der Beleuchtung und ganz zu schweigen von den Speicherproblemen und natürlich teilweise bis heute der zeitraubenden Datenzugriff zur Auswertung der Bilder.

Und trotzdem kam mein Gedanke Fotos zu machen und als Eingangslayer zu verarbeiten, vorerst in der SPS-Welt nicht besonders gut an.

Die SPS-Programmierer konnten mit dieser neuen Idee noch nicht so richtig etwas anfangen. Diese denken immer sofort ans Programmieren und deswegen, ich denke das ist der Hauptvorsatz, ist das beispielhafte Fotografieren von Signalen nicht so richtig verstanden worden. Aus diesem Grund habe ich mich teilweise vom Foto der Signale entfernt und habe von Fotos zur Erfassung einer Katze gesprochen, dann gab es wenigsten etwas zum Lachen, 😊.

Bei genauer Betrachtung einer noch nicht in Betrieb genommener Anlage haben wir es zu Beginn mit einem Chaos der Signale zu tun. Abgesehen von Verdrahtungsfehlern, oder vertauschte Signalgeber, müssen auch mechanische Probleme zur Einstellung der Stellglieder und was es da so alles gibt, noch richtiggestellt werden. Alles ist somit vorerst unbestimmt und funktionieren tut eigentlich, zum Leid des Auftraggebers, nur wenig bis nichts. Erst mit der Inbetriebnahme ändert sich der Zustand allmählich und wird schrittweise in Ordnung gebracht. Betrachten wir das mal aus dieser Sicht, welche ja schließlich jeder Automatisierer kennen sollte.

Wenn wir alles richtig gemacht haben und alle Einzelbewegungen funktionieren, dann könnte man mit dem Programmieren oder mit der Inbetriebnahme des mitgebrachten Programmes beginnen. Und nun wieder zu den Katzen, 😊.

Schon bei dieser Erstinbetriebnahme, die auch als Einstellbetrieb bezeichnet wird, könnte man Zustände der Eingangs-Signale mit einer „quasi Kamera“ in, meinetwegen 100 Millisekunden-Takt, erzeugen.

Diese Bilder (Daten) werden dann zur Auswertung in einem speziellen Diagramm zur Verfügung gestellt. Ist doch denkbar – oder?

So erzeugte Bilder bzw. Daten nenne ich Signatur-Diagramm (SD), denn das beschreibt einen wahren Zustand der Anlage für einen ganz bestimmten Moment.

Das ist dann der Fall, wenn alles ordnungsgemäß funktioniert, was nach einer Inbetriebnahme oder auch vor der Inbetriebnahme im Test eines SDs, der Fall sein sollte.

Und da genau muss man ansetzen. Also z. B. könnte bei einer bereits bestehenden, funktionierenden Anlage trotzdem fotografiert und dessen Signatur gespeichert werden. Sollte nun doch ein Fehler auftreten (Endschalter kaputt oder Programmfehler), dann fällt das nun bei der Signatur auf, da ein Vergleich mit der damals gültigen und funktionierenden Signatur stattfindet oder sogar eine logische, mathematische Signatur zum Vergleich zur Verfügung steht.

Qualitäts-Sicherung oder Verbesserung der Produktionssicherheit oder wie auch immer man das nennen möchte, auf hohem Niveau natürlich, ein sehr sicheres Verfahren mit dem SD.

Überdenken wir nun das Ganze mal umgekehrt. Es gibt keine Inbetriebnahme, sondern ein KI-System, welche die Signaturen, wie auch immer, aufnimmt und diese dann ordnungsgemäß innerhalb der SPS interpretiert. Und da ist genau der Ansatz zur KI zu entdecken. Wir brauchen kein Programm, sondern müssen Signaturen erzeugen, damit diese KI-gerecht an das, ich möchte mal sagen KI-Modell, übergeben werden können um sie danach (Deep-Learning) über einen KI-Automaten als Programmersatz und gegebenenfalls als Programmierschnittstelle anzuwenden.

Mit diesem Gedanken habe ich begonnen und nach einer Signatur gesucht, welche als Eingangslayer erfasst und dann gegebenenfalls über Deep-Learning in einem KI-Automaten umgesetzt wird.

Das SD wird so nach einem Test in eine SPS übertragen. Dazu dient die Schnittstelle in der SPS, welche ich als PlcApi bezeichnet habe. Die SPS kann eine Simatic-S7 oder eine entsprechende SPS-Hardware sein, welche den erwähnten KI-Automat besitzt.

Das hört sich zunächst so als Bilderprogrammierung oder Umsetzung von einem KV-Diagramm an, ist es aber nicht, denn:

Genau diese Technik erlaubt auch das Verständnis andere Programmierwelten wie z. B. Webprogrammierer, Analytiker und weitere, moderne Instanzen zur industriellen Automatisierung.

Warum das so ist, möchte ich hier noch nicht darstellen, denn das würde zu sehr verwirren. Es fehlen für das Verständnis noch entsprechende, zusätzliche Informationen. Die Anwendung dieser neuen Idee mit dem SD und dem KI-Automat sollen uns viel später in der fortgeschrittenen Lektüre zeigen, warum das so ist.

Fortsetzung folgt im nächsten Post .... 💇

Verleger und SPS-Hersteller können sich gerne melden 😊

Firma oder Start-up, mit Interesse mein know-now exklusiv zu erwerben können sich gerne melden.

 

 

Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

 

Nachdem ich häufiger aufgefordert wurde ein Vorwort zu veröffentlichen, folgt dieses nun, bevor ein weiterer Artikelausschnitt veröffentlicht wird.

Vorwort

Wie kommt man eigentlich auf den Gedanken eine SPS mit KI zu verknüpfen? Diese Frage stelle ich manchmal an meine Zuhörer und bitte um Handzeichen, wenn ich einen Vortrag oder ein Seminar über dieses Thema halte: Wer kommt aus dem Bereich KI und wer aus der Programmierung mit einer SPS?

Schon zu Beginn der Veranstaltung ermöglicht die Antwort für mich schon eine versteckte Auswertung, zur Präsentation bezüglich der folgenden Themen zur KI mit der SPS, ohne dass die Teilnehmer das so richtig bemerken, 😊.

Meist habe ich eine polarisierte Zustimmung zum Thema mit dem Schwerpunkt der SPS-Programmierung und kann deswegen fast immer getrost beginnen, da ich beide Themen zumindest ausreichend verstehe, um das einmal so auszudrücken. Glücklicherweise haben die Veröffentlichungen zur KI eine zwangsweise Aufteilung, möchte ich behaupten, in leichte und starke KI getroffen. Das liegt bestimmt u. A. darin begründet, dass erfahrene Programmierer, nicht nur an Jahren, eine ganze Menge technischer Programmierung und Inbetriebnahmen umgesetzt haben, welche teilweise heute neuzeitig als KI bezeichnet werden.

Ich zeige hier zuerst ganz deutlich, wie aus älteren Dingen neue Dinge entstehen. Hätte es kein KV-Diagramm gegeben, dann könnte ich meine Idee zur KI für SPSen wohl so nicht umsetzen. Somit vielen Dank an die beiden Herren Karnaugh und Veitch.

Die Erweiterung zum SD-Diagramm (Signatur-Diagramm) durch die Einbringung der Input-, Output-Layer und Machine- bzw. Deep-Learning und die dadurch zwangsweise Erarbeitung der Algorithmen in moderne und gesetzte Software-Sprachen, waren nicht so einfach, muss ich zugeben. Sicherlich habe ich dazu beigetragen, dass dieses Thema zur Diskussion kommt, denn das ist es nach meiner Meinung Wert. Warum ist das so?

Die SPS-Programmierer sind mit der IEC 61131 zwar gut bedient, aber auch weit entfernt von neuen, modernen Ideen zur möglichen Umsetzung in eine SPS oder ähnliches. Schon aus diesem Grund ist die KI-SPS bereits 😊 gut begründet, denn so kann es ja nicht weitergehen. Damit meine ich alle mühseligen Versuche ein SPS-Programm zum Laufen zu bekommen und zu testen und letztendlich dem Auftraggeber verantwortungsvoll zu übergeben.

Nach Fertigstellung dieses Dokumentes und der zum Test bestehende Softwarestand für C# und SCL, waren die Programme bereits weiterentwickelt. Dieser neue SW-Stand muss dann wohl in einer neuen Auflage präsentiert werden. Das bestätigt allerdings auch, dass dieses Thema zur KI-SPS gewachsen ist.

Ich denke, dass die neue Idee mit dem SD-Diagramm zur schwachen KI für viele SPS-Anwender ein positives Interesse findet, wenn sich die KI-SPS Schritt für Schritt ins neue moderne Denken entwickeln wird.

Ist das nicht der Fall, dann geht die SPS an der KI vorbei, da bin ich ganz sicher.

 

 

Frühjahr 2022, Spanien-Tarragona                                       Johannes Hofer

Fortsetzung folgt im nächsten Post .... 💇

Verleger und SPS-Hardware-Hersteller können sich gerne melden 😊

 Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

 

4.1.1     Falsches Lernen

Betrachten wir für den Einstieg in unserem Simulator ein einfaches Beispiel für einen analogen Eingang in Verbindung mit einem digitalen Ausgang. Hier möchte ich zeigen, dass wir auch bei analogen Signalen ein SD anwenden können. Allerdings sollten wir nun besonders darauf achten, dass richtig gelernt wird, um unser geplantes Ziel zu erreichen.

Nun was ist richtig oder falsch?

Bei den binären Signalen haben wir nur true und false und die entsprechende Verknüpfung dazu. Das KV-Diagramm lässt sich also hier wunderbar als Lernsystem einsetzen. Wie ist das nun bei unserem analogen Bild mit seinen 100 möglichen Zuständen?

Das kennen wir ja aus der Programmierung, das mit den Operatoren <=, >= und ganz besonders gefährlich der Vergleich =, ☹.

Auch hier gilt die Regel, nicht ans Programmieren denken!

Ein kleines Beispiel: Wir möchten eine Heizung ab 0°C einschalten und bei 20° C abschalten. Dabei betrachten wir einen gesamten, möglichen Temperaturbereich von 0°-100°C unipolar. So müssen wir in unseren  Steuergerät keine besondere Skalierung vorbereiten, da diese bereits von 0-100 skaliert wird. Betrachten wir dazu den ersten Lernprozess in Bild 14. Bei 0°C wird die Heizung am digitalen Ausgang eingeschaltet (Punkt 1) und bei 20°Celsius (Punkt 2) wieder ausgeschaltet. Ganz einfach und mehr nicht. In Punkt 3 sehen wir das gelernte über zwei Regeln, welche auch so an das Steuergerät bzw. an den internen Simulator im JSON-Format übertragen werden.

Bild 14: Falsches Lernen durch fehlende Information

Im Test (Bild 15) können wir nun zufriedenstellend feststellen, dass vorerst alles wunderbar so funktioniert, wie wir uns das ausgedacht haben. Warum der Button CIL On/Off eingeschaltet ist, haben wir bereits aus Kapitel 3 gelernt. Zur Erinnerung: Die Heizung würde sonst bei 2°C wieder abschalten, da das Signal Critical-InputLayer aufleuchtet und alle Ausgänge abgeschaltet werden, falls wir den Button CIL On/Off nicht betätigen. Unsere Heizung ist bei 20°C, wie in Punkt 2 erkennbar, ausgeschaltet. Das verhält sich so auch weiterhin bis 100°C so.

Die Überraschung im Test erleben wir erst, wenn wir die Temperatur wieder senken und erwarten, dass sich die Heizung bei 19°C wieder einschaltet, was beim Hochfahren der Temperatur bei 19°C, der Fall war.

Bei Betrachtung des Bildes 14 unter Punkt 3 erkennen wir, dass nur 2 Signaturen gelernt wurden. Das war das Einschalten bei 0°C und das Ausschalten bei 20°C. Alle anderen Punkte sind nun nicht gelernt und erzeugen den Fehler Critical-Error, welcher allerdings durch den Button überbrückt wurde. Warum haben wir das so gemacht?

Eine Überbrückung der nicht gelernten Signale ist dann sinnvoll, wenn wir diese noch nicht kennen, diese zurzeit nicht zur Verfügung stehen, keine Notwendigkeit gesehen wird oder letztendlich nicht genügend Speicher im Steuergerät zur Verfügung steht.

Bild 15: Falsches Lernen durch fehlende Informationen

In unserem Beispiel haben wir allerdings nicht damit gerechnet, dass wir uns hier einen kleinen Fehler einhandeln. In Bild 16 sehen wir die Situation in Punkt 1, da wir uns bereits bei 15°C befinden und immer noch die Heizung ausgeschaltet ist (Punkt 2).

Wieso ist das so? Nun ganz einfach, wir haben vergessen das zu lernen, denn das Einschalten wurde nur in einem Punkt bei 0°C gelernt. Auch erkennen wir, dass der SLF auf 2% steht (Punkt 3), somit den zwei gelernten Signaturen entspricht.

Hätten wir bei 19°C den Ausgang für die Temperatur auch eingeschaltet und das gelernt, also einen dritten Punkt eingefügt, dann würde sich die Heizung bei 19°C auch wieder einschalten und eingeschaltet bleiben, wenn sich die Temperatur weiter senkt.

Da kommt sofort der Gedanke, um ganz sicher zu gehen, könnte man ja alle bekannten Punkte lernen, also bei 0°C einschalten und danach jedes weitere Grad wieder den Button der Kamera drücken. So hätten wir lückenlos das Einschalten bis 19°C  gelernt.

Wird jeder Schritt gelernt, gibt es auch keine Lernlücken und es kann durch den KI-Automat lückenlos umgesetzt werden. Das Warning Critical-InputLayer würde nicht entstehen und wir haben damit den SLF auf 100% gesetzt.

Das hört sich doch gut an und außerdem sind 100 Signaturen nicht viel. Dafür spricht auch, dass alles richtig funktionieren muss, auch wenn wir ab z. B. 15°C erst einschalten und testen.

Bild 16: Erst beim Senken der Temperatur wird der Fehler bemerkt

Kritisch wird das erst dann bei der Forderung eine Kommastelle im Prozentwert zu erweitern. Das sieht man häufig bei Regelventilen, welche über PID mit einer Stelle hinter dem Komma angezeigt werden sollen. Da kommen wir dann schon auf 1000 Signaturen, ☹.

Nun halten wir den Ball zunächst flach und betrachten uns das Lernen mit allen Punkten aus diesem Beispiel, indem wir halbautomatisch lernen.

Fortsetzung folgt im nächsten Post .... 💇

Fortsetzung folgt im nächsten Post .... 💇

Verleger oder SPS-Hardware-Hersteller können sich gerne melden 😊

 Copyright ©  Dipl.-Ing. Johannes Hofer 2022, Auszug aus dem neuen active learn book                                                 

Die KI-SPS

Die Möglichkeit einer Programmierung für eine SPS, um diese am Geschehen der künstlichen Intelligenz zu beteiligen

3.1.1     Vom SD zum KI-Automat

Nun – das mit dem KV-Diagramm ist ja noch verständlich und nachvollziehbar. Aber was hat das mit KI zu tun? Dazu betrachten wir in Bild 3 den Ablauf von Daten in einer Anlage (Fabrik), welche zunächst, egal wie, in einem SD erfasst und dann in eine SPS transferiert werden.

Bild 3: SD für digitale Signale via WSD

Digitale und analoge Signale werden über eine Aufnahme (ML, Machine Learning) erfasst und so direkt oder über DLS (Deep Learning Signal) in einen Input-Output-Layer-String (IOLS) formatiert, welcher über das JSON-Format beschrieben in ein Steuergerät, hier eine SPS, transferiert wird. Diese besitzt einen Parser, welcher die Daten parst und entsprechend über Funktionen (KI-Automat) und dem Ausgangslayer das Geschehen in der Fabrik neu beeinflusst. Die Ausgangsparameter digital oder analog wirken so entsprechend auf die Fabrik, welche dann mit der nächsten Signatur eine entsprechende Antwort an das KI-System liefert. 

Ohne vorerst genauer darüber nachzudenken, wie wir mittels Programm in einem Steuergerät eine neu Aktion im Prozess bewirken, ist dieser Gedanke, dass in das Geschehen der KI einzuordnen, doch gar nicht so schlecht - oder?

Das KV-Diagramm unterstützt uns somit, ohne ein spezielles Steuerungsprogramm zu schreiben, damit wir unsere Wirkung zur Prozess-Steuerung erreichen.

Neu ist das nicht, aber dessen Anwendung in Verbindung mit ML und DL ist neu! Ganz, ganz früher hatte man das KV-Diagramm innerhalb eines Schaltschrankes zur Schütztechnik genutzt. Jetzt kann man das digital und analog auch mittels KI und das sogar mit vielen, positiven Effekten zur Prozesslage und Steuerung, welche wir in den laufenden Kapiteln noch kennen lernen werden.

Jedoch bleiben wir zunächst bei dem Gedanken, dass die Signalzustände gemessen aus dem Prozess quasi wie ein Foto aufgenommen, diese über ein besonderes Verfahren an das Steuergerät gesendet werden, um diese dann mittels KI-Automat zur Prozess-Steuerung und -Regelung zu nutzen.

Dieser Kreislauf bewirkt so nicht nur Änderungen im Prozess, sondern kann so auch als Lernsystem zur Datengewinnung angewendet werden.

Letzteres wird oft nicht verstanden, deswegen ein Beispiel: Man stelle sich vor, dass ein Fahrzeug (z. B.) eine Krananlage von Hand gefahren wird. Der Kranführer kann eine schwebende Last pendelarm, fast spielerisch, genau an einen Punkt positionieren. Eine automatische Anlage kann das nur mit hohen technischen Aufwand (Kamera usw.). Wenn wir nun den Vorgang des Kranführers erfassen würden, indem wir schnelle Aufnahmen der Input- und Output-Layer erzeugen, könnten wir die so gewonnen Fahreigenschaften mittel ML erfassen und durch weiteres Lernen (DL) in den KI-Automat transferieren.

Das wäre doch ein sinnvoller Einsatz und kann schon als schwache KI bezeichnet werden - oder nicht? Ich habe das bereits vielfach praktiziert, allerdings hieß es damals noch nicht künstliche Intelligenz 😊.

Naja, was soll, so einfach ist es mit der Umsetzung ohne, oder wenig Programmieraufwand nun doch nicht.

Das Verfahren über die Erfassung mittels Input-Layer und Anpassung (Deep Learning) der Daten zur Anpassung an Output-Layer ist sicherlich in die sogenannte schwache KI einzuordnen.

Warten wir es ab und beschäftigen uns nun das notwendige Wissen zu erreichen, um dieses Ziel für Steuerungsgeräte wie z. B. eine SPS umzusetzen.

Fortsetzung folgt im nächsten Post .... 💇

Verleger können sich gerne melden 😊