Ki2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung mittels künstliche Neuronen, um diese am Geschehen der KI zu beteiligen
Neue Videos auf meinem YouTube-Kanal zum Thema Ki2Plc.
Montag, 26. August 2024
Dienstag, 16. Juli 2024
Ki2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung mittels künstliche Neuronen, um diese am Geschehen der KI zu beteiligen
Ki2Plc - wie ist der Stand mit C#?
Nun hat sich in letzter Zeit viel getan. Insbesondere die Arbeiten mit WP an der neuen Webseite ki2plc.com. Da muss man erst durch.
Hier das letzte Bild und eine Erklärung zum Testen des künstlichen Neuron mit seiner Vernetzung.
Zunächst besteht die Möglichkeit ein künstliches Neuron, ab jetzt KN genannt, oder einen Knoten vom Test auszuschliessen. Unter Punkt 1 sehen wir die KN mit roten Nummern und unter Punkt 2 die Knoten ohne Bezeichnung, welche nun vom Test ausgeschlossen wurden.
Nur so kann ein gezieltes Testen selektiert werden, damit mögliche, andere Fehler ausgeschlossen werden können. Hier ist zum Beispiel der Knoten "00" vom KN 1 im Test. Da es sich um eine Vernetzung handelt, sind solche Tests unter Umständen sehr kompliziert.
Die Punkte 3 + 4 zeigen, ob es sich um die digitalen Eingänge handelt oder die Perceptrons anderer KN. Also aus der Vernetzung. Auf der linken Seite können die Sigmoid-Werte eingesehen werden. Und im unteren Bild sehen wir die Vernetzung von KN1 mit den anderen KN. Und im darauf folgenden Bild die Vernetzung der einzelnen Knoten zu den KN und deren Perceptrons.
Also Punkt 1 zeigt, dass alle roten Knoten (Punkt 2) mit vier KN verbunden sind. Das sind die 4 KN 12, 13, 14 und 15. Diese KN 12 - 15 sind nur für den Knoten "00" bestimmt. So kann jeder Knoten eine beliebige Gruppe von 4 KN auswählen.
Im weiteren Bild (unten) ist die Vernetzung des KN1 zu erkennen. Alle Knoten verbinden sich zu den vier KN, jeweils mit deren Perceptrons. Das ist natürlich nur zur Darstellung so gemacht worden, da es ja praktisch keinen wirklichen Sinn macht.
Das also kurz zu den Verbindungen und der Vernetzung. In meinem Teil der Einleitung werden die Themen natürlich ausführlicher behandelt. Sollte meine neue Webseite ki2plc.com als Blog nicht gut funktionieren, muss ich wohl gezwungener Maßen auf diesem Blog weitere Informationen hinterlegen.
Ach so: Mit Doppelclick auf das KN oder den Knoten können diese jeweils vom Test ausgenommen oder wieder zugeschaltet werden. Also ist ein Konten so als Netzwerk zu sehen und ein KN als Funktionsblock. Das so für die SPS-Programmierer.
Danke für die Geduld 🙋
Weitere Infos auf meiner Homepage
ki2plc.com
Montag, 24. Juni 2024
Ki2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung mittels künstliche Neuronen, um diese am Geschehen der KI zu beteiligen
Ki2Plc mit C# unter MVS frame.dot
Da ich derzeit keine Videos in meinem YouTube-Blog veröffentliche und Anfragen erhalte, wie es nun weitergeht mit meiner Idee ki2plc, hier ein Bild zum Entwicklungsstand C#.
Ich musste erst den Windows-Kram lernen und natürlich ein wenig C#, damit ich etwas zustande bekomme. Nun habe ich den digitalen Teil fast fertig und kann ohne Programmierung mit IEC 61131-3 ein Project mit künstlichen Neuronen in die SPS laden. Und tatsächlich bin ich selbst davon begeistert und auch überrascht, wie toll das in C# umsetzbar ist. Also ist vorerst Python für mich gestorben 😉
Im Bild ist die Plattform zum Training digitaler Signale zu sehen. Kenntnisse der Programmierung wie KOP, FUB, ST oder ähnliches sind nun keine Voraussetzung mehr. Alles wird im Modell für künstliche Neuronen und deren Knoten trainiert, indem lediglich durch das Klicken auf IO-Parameter die gewünschten Eigenschaften geschaffen werden. Alles kann kinderleicht getestet werden, bevor die Anwendung als SPS-Programm in eine SPS geladen wird.
Damit wird sozusagen der Programmierschritt übersprungen, sodass der Entwickler der Maschine nun das quasi-Programm schreiben kann. Die Daten der künstlichen Neuronen werden über den Sigmoid ermittelt und sind somit für eine zukünftige Mustererkennung geeignet.
Es erfolgt somit eine stetige Erweiterung der betriebseigenen Modelle, welche für den Betreiber mit zunehmender Sicherheit eine wirtschaftliche, moderne Lösung für zukünftige Projekte sichert.
Mehr Sicherheit 😇
Im folgenden Bild ist ein künstliches Neuron mit einer Menge an Knoten (P1) trainiert worden. Unten links im Diagramm ist der erste Ausgang nicht geschaltet (P3), obwohl das Neuron im roten Bereich (GP=Ground-Position) feuert (P2). Im Diagramm ist erkennbar, dass der erste Knoten feuert (P2) und auch im Trainingsbild zu sehen, dass der erste Knoten feuert (P4). Trotzdem ist der erste Ausgang nicht geschaltet! (P3) Das deutet auf einen Fehler hin. Nur so kann auf einem Blick erkannt werden, dass entweder ein Programmierfehler vorliegt oder ein falsches Training einen Widerspruch auslöst.
Nicht das Listing -was es ja gar nicht mehr gibt- muss studiert werden, sondern das Neuron und dessen Training. Auch ein Nicht-Programmierer erkennt sofort den Widerspruch bzw. diesen Fehler.
Das ist ein mit Absicht erzeugter Fehler und kommt selbstverständlich in der KI nicht vor 😁
Nun wie auch immer können künstliche Neuronen mit anderen künstlichen Neuronen verbunden werden, also nicht nur IO-Parameter. Die Erbeigenschaften des künstlichen Neurons im Soma (Zellkörper) werden in einem anderen künstlichen Neuron verknüpft. Das muss ich allerdings erst noch programmieren 😏, bin aber fast fertig damit. Hier schon einmal im folgenden Bild die ersten Verknüpfungen von künstlichen Neuronen untereinander.
Im oberen Bereich können je Knoten bis zu vier KN (künstliche Neuronen) verknüpft werden (P1). D. h. jeder Knoten kann 4 andere KN festlegen. Da es 16 Konten in einem KN gibt, können somit 16 verschiedene Kombinationen miteinander verknüpft sein. Das wird noch graphisch dargestellet, damit der Konstrukteur die Übersicht behält 😎
Da gibt es noch viel zu tun, also ran an den Speck ... 🙋
Ach so, meine Texte werden nicht mehr auf diesem Blog veröffentlicht, da ich nun mehr Werkzeuge benötige um alles verständlich darzustellen. Also an alle - vielen Dank - für den Besuch meines Blogs
Hier geht es dann erst mal als Blog ki2plc.com zusätzlich auf meiner neuen Webseite weiter:
Montag, 11. März 2024
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
TIA-Portal und CODESYS mit künstlichen, neuronalem Netz
Mit dem neuen Video beginnt nun der Einstieg in die SPS für das TIA-Portal und CODESYS. Dazu wird ein mögliches Modell zum künstlichen, neuronalen Netz vorgestellt. Die ersten vier Teile zeigen das Modell für ein künstliches Neuron, welches eine komplette digitale Gruppe in einer SPS bearbeiten kann. Damit ist die Basis geschaffen, das Modell zunächst im Einzelfall zu betrachten. Nun folgt die Überlegung, wie das 'Brain' dazu funktionieren könnte. Nach dem Aktionspotential (Link Wiki) kann das künstliche Neuron nun komplette oder auch teilweise Informationen an die Dendriten senden und somit nahe und ferne Neuronen erreichen. Außerdem entsteht so eine Eigendynamig, welche wir für das Vorhaben in der Steuerungstechnik nutzen können.
https://de.wikipedia.org/wiki/Aktionspotential
Die Arbeiten werden nun in Python getestet und das Projekt in die SPS geladen. Wir werden also die SPS bezüglich des neuronalen Netzes in Zukunft mit Python programmieren. Das ist mein neues Vorhaben und mal abwarten was da jetzt so passieren wird.
Teil -1
Teil-2
Teil-3 (TIA-Portal)
Teil-4 (CODESYS)
Nun ist die Zeit gekommen auch komplexe Varianten der Neuronen-Modelle anzugehen. Das wird sicherlich sehr interessant und bedarf natürlich auch Zeit für die Entwicklung. Bis jetzt mache ich schließlich noch alles ohne fremde Hilfe. Mal sehen was da sich noch entwickelt.
Freitag, 29. Dezember 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Am besten ihr seht euch die beiden Videos auf meinem YouTube-Kanal zur Vorschau an:
Für den ersten Vorgeschmack Teil 1 mit Kapitel 1 ( noch nicht in meinem YouTube-Kanal):
Für den ersten Vorgeschmack Teil 2 mit Kapitel 1 ( noch nicht in meinem YouTube-Kanal):
Das Interesse an einer SCL-Programmierung auf meinem YouTube-Kanal ist nicht so hoch, dass sich die Arbeit lohnt, hier ein Seminar zu erarbeiten und zu posten. Tut mir leid, allerdings ist das Interesse zu diesem Thema in Python ohne Bibliothen wesentlich höher. Ich habe nun den Kurs in Udemy gestellt und werde ein Python-Kurs erarbeiten. Dazu gibt es dann entsprechende Information auf meinem YouTube-Kanal. Ich muss nur noch eine günstige und realistische Hardware suchen, mit der ich einen automatischen Betrieb mit künstlichen, neuronalen Netzen für die industrielle Automatisierung realisiere kann. Genung Ideen und bereits praktische Erfahrung dazu gibt es ausreichend. Hier der Link zu meinem neuen Kurs mit künstlichen, neuronalen Netzen in SCL:
Sonntag, 19. November 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
KI in der S7-1500 Standard zur Steuerung eines Zweibrückenkranes in einer Verbrennungsanlage
Die KI soll ja in irgendeiner Form einen Ersatz für bisher menschliches Verhalten ersetzten - oder? Zumindest ist das ein Wunsch vieler Arbeitgeber und kann glücklicherweise nicht sooo einfach umgesetzt werden. In diesem Fall wurde ich beauftragt den Kranführer durch eine KI, soweit es möglich ist, zu ersetzen.
Dabei soll die Lösung in der SPS, welche den Kran steuert, ohne zusätzliche Hardware erledigt werden.
Der erste Schritt mit ungelernten Daten
Im folgenden Bild wird die Kranfahrt dargestellt. Zur besseren Erklärung immer mit 5 Meter Fahrweg (X-Achse). Die blaue Kurve soll die ideale Fahrkurve werden. Das ist also unser Modell. Jetzt lernen wir das neuronale Netz mit ungelernten Gewichtungen. Also ohne Traningsdaten, denn wir haben ja noch keine.
Das Ergebnis ist die grüne Kurve und liefert eigentlich keine Überraschung! Insgesamt werden bei diesem Beispiel immer 100 Neuronen als Input-Layer verwendet.
Die Trainingsdaten liefert der Kranführer
Wir benötigen nun den Kranführer (es tut auch eine sehr gute Simulation) zur Ermittlung der Lerndaten = Trainingsdaten. Im folgenden Bild ist die rote Kurve das gelernte durch den Kranführer. Diese Daten werden nun im Neuronalen Netz mit der idealen Kurve verrechnet und so entstehen die Gewichtungen, welche das gewünschte Ergebnis liefern soll.
Das funktioniert sehr gut und zeigt im folgenden Bild ein Ergebnis, welche nun als trainiertes neuronales Netz in der SPS festgehalten wird.
Die KI liefert durch Machine Learning eine neue Sollkurve
Dieses Ergebnis ist praktisch gesehen ein Hammer. Die Fahreigenschaften sind hervorragend und erlauben eine schnelle Positionierung des Greifers ohne störende Pendelbewegung (dank des Kranführers). Die grüne Kurve wird aus den Trainingsdaten des Kranführers (rote Linie) über das neuronale Netz in der SPS ermittelt. Erst danach wird die Anlage entsprechend der grünen Kurve gefahren.
Störungen, welche dann noch hinzukommen, sind dabei noch nicht trainiert.
Für den Anfang ein recht gutes Ergebnis, welches vom Betreiber akzeptiert wurde und bis jetzt bei mehreren Krananlagen das beste Fahrverhalten für eine vollautomatische Anlage liefert. Die vier Punkte auf der gelieferten Fahrkurve sind die Geschwindigkeitsstufen, welche im Umrichter wunschgemäss fest programmiert wurden.
Bemerkungen:
Das ist der letzte Beitrag auf diesem Blog. In Zukunft gibt es einen neuen, modernen Blog. Der Hinweis wird dann auf meinem YouTube-Kanal zu finden sein. In diesem Blog gibt es dann einen entsprechenden Link auf den neuen Blog!
Zudem wird im neuen Blog die Umsetzung in der SPS S7-1500 mit SCL vorgestellt. 🙋
Montag, 21. August 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Video zum Alignment Teil-2
Das Interesse die SPS an der KI teilnehmen zu lassen, ist recht hoch und konzentriert sich überwiegend auf die Anwendung in Python bzw. Microphython und zu meiner Überraschung auch in C/C++. Allerdings weniger auf die Ausführung mit der SPS wie z.B. einer Simatic.
Das kann ich gut verstehen, da eine SPS schließlich ein Betriebssystem mit Merkern, Timern usw. besitzt und die Anwendung der klassischen SPS schon deswegen weiterhin ihre Verwendung und Interesse findet.
In unseren Lerndaten befinden sich keine Funktionen bzw befindet sich keine Programme wie IEC-61131-3, sondern ein Dateninterpreter, welcher aus den gelernten Daten jeweils aus den aktuellen Eingangsdaten (Input-Layer) die Ausgangsdaten (Output-Layer) interpretiert.
Wichtig für das Verständnis ist auch, dass das Alignment nur für das ML angewendet wird und sich ebenfalls später nicht mehr zur Interpretation in der SPS befindet.
Zudem besteht das Interresse an einem komplexen Beispiel, um zu zeigen, dass solche Dinge auch zu einer Lösung durch ML führen. Ich habe nun folgendes Beispiel gewählt und werde dazu nun das ML zeigen und natürlich auch das Ergebnis presentieren, wie das hier in unserer pyPlc abläuft.
Die wohl schwierigste Lernphase ist hier der Zyl.-2, da dieser auf die Position einer Scheibe über I0.3 reagieren soll, diese Position aber verloren geht, wenn der Zylinder die Scheibe nach Position I0.4 verschiebt.
Wir müssen also eine speichernde Wirkung lernen, ohne einen speichernden Befehl anzuwenden 😉
Der Zyl.-1 muss vom Zyl.-2 blockiert werden, damit dieser kein weiteres Teil auf die frei gewordene Position in I0.3 schiebt. Auch ein zusätzlicher Lerneffekt, welcher später ohne ein SPS-Programm nur aus den Daten umgesetzt wird.
Und das letzte Bonbon ist, das die Scheibe eine Zeit in Position I0.4 gehalten werden muss, damit der Roboter eine Achse in die Scheibe stecken kann um so die Scheibe später auf einen Rundschalt-Tisch zu transportieren.
Wir verwenden einen Timer ohne einen SPS-Timer einzusetzen. Der ergibt sich nur aus den Daten, welche gelernt wurden.
Nun eine schöne und komplexe Aufgabe - denke ich. Schauen wir uns das folgenden Video an:
Das Lernen ist relativ einfach, wenn wir uns direkt an der Maschine befinden. Hier im Video musste ich den Ablauf zusätzlich simulieren.
Der Vorteil beim Lernen an der Maschine ist, dass ich durch das Alignment den Bewegungsablauf anrege und dan nur die Daten erfasse!
Der Nachteil ist, dass ich erst danach bestimmen kann, welche Daten ich tatsächlich davon behalten und lernen möchte.
Bei meiner Simulation kann ich direkt mitteilen ob ich die gerade anstehende Situation lerne oder nicht. An der Maschine muss ich die gelernten Daten im Nachhinein anpassen.
Das Problem mit dem Lernen
An diesem Beispiel lässt sich ein spezifisches Problem für das Lernen sehr gut erkennen. Der Zyl-2 lernt beim Signal I0.3 gleich True auszufahren. Danach aber wird der Eingang False, da die Scheibe sich bewegt und der I0.3 verloren geht. Wenn wir jetzt mit dem neuen Input-Layer (I0.3==False) ebenfalls lernen den Zylinder weiter auszufahren, dann fährt unser Zylinder auch dann aus, wenn I0.3 False ist. Also will er immer ausfahren 😃
Wie wir mit solchen Situationen umgehen, ohne ein Speicherelement zu Programmieren, schauen wir uns im folgenden Video aus meinem YouTube-Kanal an:
Rework
Nun was war da für ein Ausgang im Video der nicht ausgeschaltet wurde, obwohl der Endschalter Tor zu erreicht wurde?
Wie schnell und einfach das nachlernen geht, zeigt das folgende Video:
🙋
Samstag, 5. August 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Das Video zum "alignment" - Teil-1
Schnell und einfach, aber ausgeprägt das nun fertige Video.
Das sind ja noch einfache Aufgaben - aber - das Prinzip wird klar oder?
Ich denke man sollte darüber nachdenken, ob man die verkrusteten Programmier-Methoden anpassen sollte. Das Denken in Daten ist ja eigentlich seit Jahrzenten bekannt und wird ja auch teilweise mit Merkern, MW, Datentypen Bit, Word, Real usw. ausgeführt und programmiert.
Somit ist der Weg zur Methode ML für SPS-Programmierer gar nicht so weit entfernt 😏
Bis bald 🙋
Freitag, 4. August 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Die pyPlc ist fertig
Nun ist die pyPlc soweit fertig gestellt, dass die Veröffentlichung in Udemy steht. Es gibt auch ein neues Video in YouTube.
Der Link zu Udemy:
Was nicht im o.g. Video zu YouTube gezeigt wird ist das Alignment. Das wird erst später in YouTube erfolgen, wenn ich etwas mehr Zeit dafür habe. Allerdings werde ich hier im nächsten Teil ein kleines Video einfügen und erklären um was es sich dabei handelt.
Das "alignment"
Wie lerne ich Daten für eine SPS? Das ist die grosse Frage bei KI bzw. Machine Learning für komplexe Systeme. So wie bei KI-Techniken Daten zur Eingabe benötigt werden, ist das hier bei komplexen Systemen ebenfalls notwendig, allerdings nicht ganz so einfach. Ich habe mich deswegen entschieden, die Eingabe über Python zu realisieren, wobei der Standard gilt aber auch die SPS-Version in pyPlc.
Die so ermittelten Daten werden in der KI nachträglich so manipoliert, bis ein gewünschtes Ergebnis feststeht (Faktor 1.0). Hier ist das genau so, nur ein wenig komplizierter.
Die Wirkung wird hier duch das ML direkt durch die SPS selbst und dem dazugehörigen Alignment umgesetzt.
Beispielhaft der gezeigte Zylinder startet mit dem Alignment "self.plc.A('Q0.0', 'I0.0')"
Wird also das Alignment in ML ausgeführt, startet der Zylinder und liefert uns die Daten, da der Zylinder ausfährt und damit die Endschalter sich verändern.
Beim Test im Video wird das Alignment nicht mehr aufgerufen!
Das wäre ja auch ein Witz - oder 😉
Nun folgt im nächsten Teil das Video zur Erklärung zum Alignment.
Also bitte noch ein wenig Geduld. 🙋
Mittwoch, 7. Juni 2023
KI2Plc geschützte Domain 😎
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Zum Thema Analog-Anzeige:
Im folgenden Video sind die Fragen dazu beantwortet.
Mit den MOVE-Anweisungen können die beliebigen Werte in die Visualisierung kopiert werden.
Die Software wird gerade zur Freigabe überarbeitet. Wo und wie steht noch nicht fest, allerdings ist aufgrund der zahlreichen Nachfrage ein allgemeines Seminar bei Udemy in Aussicht gestellt.
Jetzt wird erst mal Urlaub gemacht 🙋
Mittwoch, 31. Mai 2023
KI2Plc
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Zum Thema Safety:
Die funktionale Sicherheit kann
nur gewehrleistet werden, wenn das Entwicklungssystem und damit auch das
Konzept dazu risikoarm ist.
Nun,
der Satz besagt viel und ist gleichzeitig auch sehr umfangreich, wenn man
genauer hinschaut. Eines kann man zum Byte-Code bereits jetzt schon direkt feststellen:
Die Programmierung einer Plc mit Python wird in seiner künstlerischen Freiheit
schon einmal sehr stark eingegrenzt. Nicht jeder Programmierer mag das.
Aber
wer kennt das nicht im Fehlerfall: Wenn’s nicht richtig funktioniert ist die Mechanik
schuld und die Mechaniker geben dem Programmierer die Schuld. Um das nun zielgerecht
zu verifizieren, fallen beim Byte-Code schon mal alle Programmier-Szenerien weg,
welche nicht zu einem Sicherheitssystem gehören.
Der
byte-Code ist verifizierbar und zeigt eine klare, risikoarme Abgrenzung und
erfüllt einen kleinen Teil der geforderten Maßnahmen zur Sicherheit. Tritt in
einem Baustein z. B. ein Fehler auf, wird dieser automatisch abgeschaltet und
kann zumindest keinen weiteren Schaden mehr anrichten.
Das wird dadurch ermöglicht, dass durch die Umsetzung in den Byte-Code die
Parameter genau festlegt, sind. Auch das ist eine Safety-Anforderung.
Somit
ist eine weitere Forderung zum Safety-Konzept erfüllt. Zudem wird dadurch die
Erstellung der erforderlichen Dokumentation erleichtert. Nun ist das nur ein
winziger Teil zum ganzen Safety-Konzept und sicherlich könnte man das mit der
Python-Idee ausbauen. Sicherlich ein Thema der Zukunft, ganz besonders in den
Bereichen der IoT, denke ich.
Abgesehen
davon ist das Betriebssystem maßgebend für ein Safety-Konzept und da haperts
natürlich gewaltig, wenn da einer mit dem Raspberry pi ankommt 😊
Die
bereits umgesetzten Funktionen
Im
folgenden Bild sind die bereits umgesetzten Funktionen (18) zum Basic-Teil dargestellt.
Hinzu kommen noch die Daten-Funktionen, welche in der üblichen PLC nicht so
vorhanden sind. Dazu wird noch ein zusätzliches Grafik-Fenster zur Darstellung
der Werte entworfen. Der Zugriff auf die Daten erfolgt bei der Simatic mit Snap7
und bei anderen Geräten über TCP-Verbindungen.
Hier
sind die schon erwähnten Funktionen NORM und SCALE in ANA_IN und ANA_OUT bzw.
LIMIT umbenannt worden.
Also
noch bitte ein wenig Geduld 🙋
Donnerstag, 25. Mai 2023
Samstag, 20. Mai 2023
KI2Plc
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Zum Thema Byte-Code
Das
mit dem Byte-Code scheint für Python-Programmierer sehr interessant zu sein.
Aufgrund der Nachfrage das hier nachfolgende Beispiel. Mittlerweile hat sich auch ein
Hardware-Hersteller bei mir gemeldet. Erstaunlicherweise handelt es sich hier
um eine Save-SPS (EN 61511-1).
Python wird hier, was SIL betrifft, am höchsten eingestuft und somit C/C++
verdrängt. Das soll sich besonders auf den Störfall beziehen.
Ich
hatte mit dem Thema Save-SPS schon einiges zu tun und bin ehrlich gesagt nicht
überrascht. Dazu aber mehr, wenn der Teil Machine-Learning (siehe Bild oben,
rechter Radio-Button) fertig ist, denn hier wird der SPS-Code automatisch
erzeugt und der Byte-Code dazu zur Übertragung in eine Hardware generiert.
Falls es noch einen PLC-Hersteller
der neuen Generation mit Interesse zum Thema Ki2Plc gibt, bitte melden.
Nun
ist der byte-code-Generator für den Teil-1 endlich fertig und getestet und ich habe
mich aufgrund der vielen Nachfragen entschieden, den Teil-2 ebenfalls fertig zu
stellen, bevor es mit den Videos los gehen kann.
Somit wären alle Funktionen für beide Teile getestet und zudem weitere Python-PLC-Anweisungen fertig gestellt, welche nicht zum Thema IEC 61131-3 gehören, aber über den Byte-Code in der Hardware angewendet werden können.
So kommen wir schließlich über die hier integrierte SPS und dem Simulator zur KI2Plc, denn das ist ja schliesslich unser eigentliches Thema.
Der Byte-Code, kann in der PLC-Sim genauso wie der Python-Code getestet werden, wie im Bild oben zu sehen ist. Links der Python-Code mit allen gültigen Python-Anweisungen und rechts der Byte-Code mit den SPS-spezifischen Anwendungen.
Der
Byte-Code wurde hier mit 83 Bytes aus der Funktion def fc_lc1: übersetzt und kann nun getestet werden. Das Ergebnis sollte wie bei dem
Radio-Button pyPlc
zu sehen, identisch sein.
Die
Zeilen 193 bis 201 sind im Byte-Code nicht zu finden und werden demnach auch für
die PLC nicht sichtbar.
Damit
entfällt alles, was im regulären Python so noch programmiert wurde im Byte-Code
für die KI2Plc.
Das
macht die Sache sicherer, denn die Gepflogenheiten, ich darf das mal so nennen,
der Python-Programmierung entfallen nun und können deshalb so z. B. in der Simatic
S7-1200 angewendet werden.
Mittlerweile
gibt es den Byte-Code auch auf dem Pico 😊, allerdings
noch nicht genügend getestet, da auch hier noch einige Lektionen fehlen. Es folgt auch ein weiteres Beispiel auf einem Raspberry mit zusätzlicher Hardware-Erweiterung. Auch dazu Hersteller bitte melden, falls Interesse besteht.
Nun, ich hoffe das mit dem Byte-Code ein wenig gelichtet zu haben. Beim, nächsten Beitrag sehen wir auch die Merker-Worte und Real-Anwendungen für den analogen Teil der SPS zum Teil-2😊
🙋
Mittwoch, 3. Mai 2023
KI2Plc
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Die Themen zum Video-Training pyPlc-Teil-1
Was hat Ki2Plc mit pyPlc zu tun? Nun setzt eine KI2Plc voraus,
dass eine Plc durch die Maßnahmen einer hinzugefügten KI-Ebene, diese Eigenschaften
auch tatsächlich anwenden können sollte. Deswegen zuerst die Plc, sonst kann ja nichts hinzugefügt
werden 😊.
In der ersten Stufe wird die pyPlc für die digitalen
Anwendungen vorgestellt und diese in Python trainiert. Das ist schon
eine ganze Menge an Wissen, welches vorerst nur aus Sicht der SPS-Programmierung
erarbeitet werden sollte.
In Python kann ich zwar
durch logische Operatoren einiges zusammenstellen, aber niemals eine
SPS-gerechte Ausführung erreichen. Dazu gibt es jetzt die pyPlc.py und die
Plc-Simulation dazu.
Sicherheit geht eben nun mal vor und da haben wir in
Python schon von Anfang an schlechte Karten. Betrachten wir die einzelnen
Themen zu Teil-1 im folgenden Bild, dann erkennen wir, dass die sogenannten
Operatoren in Python (and, or, & | usw.) hier erstmal
nicht so wieder zu finden sind. In der SPS-Programmierung werden sogenannte Operanden trainiert und um diese geht es im ersten Teil ganz besonders.
Da es Operanden auch für den analogen Bereich verwendet
werden, also nicht nur für den digitalen Bereich, beschäftigen wir uns dann in
Teil 2 mit den Operanden, welche eine besondere Aufmerksamkeit für analoge Signale erfordern.
Letztendlich in Teil-3 schauen wir uns dann an, wie
wir das gelernte nun praktisch unter dem Schild „Sicherheit“ einsetzen können.
Ab dem Zeitpunkt, also mit der Übersetzung von dem,
was wir in Python schreiben und im PLC-Simulator getestet haben, wird ein
Byte-Code generiert und in die SPS übertragen.
Dadurch wird unser Python-Code in einen sicheren Code
gewandelt und die Ausführung in einem dafür geeigneten Gerät ermöglicht. Diese
Geräte sind dann so zu programmieren, dass der Byte-Code richtig umgesetzt
wird.
Das kann zum Beispiel bei einer Simatic in SCL der
Fall sein. Somit erreichen wir circa derzeit 130 unterschiedliche Geräte von verschiedenen Herstellern, hier auf dem
europäischen Markt. Ist doch eine großartige Sache, oder?
Nun – wie auch immer - das folgende Video zeigt uns
eine Übersicht der Themen und wie wir eine Aufgabe daraus in einen Byte-Code
übersetzen um diesen dann in der SPS, in diesem Fall eine S7-1200, umsetzen und
testen. Wie der Byte-Code funktioniert und wie das alles in Python gelöst
wurde, zeigt letztendlich Teil-4.
Ich denke das reicht soweit zur ersten Meinungsbildung. Falls weitere Fragen auftauchen werde ich mich darum kümmern und antworten 🙋
Sonntag, 30. April 2023
KI2Plc
Die Möglichkeiten einer SPS-Programmierung, um diese am Geschehen der künstlichen Intelligenz zu beteiligen
Fragen zum Thema:
Beispiel der Lektionen?
Das Thema Python zur S7-1200 ist wohl sehr gefragt.
Allerdings sind Geräte wie Raspberry, Arduino usw. öfter angefragt. Der Byte-Code
erlaubt allerdings fast jedes beliebige Gerät bezüglich der Software als SPS einzusetzen. Um diesen zu demonstrieren,
möchte ich zuerst einen Ausschnitt aus der Basis-Lexion-1 zeigen. Damit sind auch Fragen dazu ein wenig erklärt und zudem wird das mit dem Byte-Code (später)
verständlicher 😊
Die Simulation erfolgt hier über einige kleine
Beispiele zur Anwendung von Operanden. Es soll nicht das AND, OR
oder A verstanden werden, sondern die Grundsätzliche Vorgehensweise einer
Python-PLC zum Thema Operanden.
In der oberen Ebene der pyPlc_sim können
digitale Eingänge simuliert werden, indem man mit der linken Maustaste diesen
anklickt und damit den Eingang setzt oder wieder löscht (True, False).
Das Ergebnis der digitalen Ausgänge ist dann unten an
den Ausgang-Flags zu sehen. Diese können nicht angeklickt werden 😊, denn das soll ja das
Python-Programm erledigen. Im oberen Bild ist u. a. die Zeile 520 gerade wirksam:
A('Q0.0', AND('I0.0', 'I0.1', 'I2.7'))
Dazu folgende Bemerkungen:
Wenn die UND-Bedingung der Eingänge I0.0
und I0.1 und I2.7 erfüllt sind, dann soll der Ausgang Q0.0
gesetzt werden.
Wie aus den grünen Punkten erkennbar, sind die digitalen
Eingänge zur Bedingug alle auf True (grün) gesetzt, so ergibt sich die Anzeige
im ersten roten Flag zu Q0.0 aus der Zuweisung mit dem Operand A.
Nun alles weitere dazu im Video (ohne Ton):
Abonnieren
Posts (Atom)