Smarte KI-Werkzeuge als Diagnose-Detektive
Zweierlei KI-Helfer
Mit Twincat Machine Learning von Beckhoff lassen sich KI-Modelle in Echtzeit direkt auf der Maschinensteuerung ausführen und somit in den SPS-Code einweben. Mit Twincat CoAgent und Twincat Machine Learning Creator können jetzt Prozess- und Automatisierungsspezialisten KI-Technologien direkt einsetzen.
Bild: Beckhoff Automation GmbH & Co. KGIn der industriellen Praxis haben sich zwei Ansätze für den Einsatz von KI herausgebildet: Task-spezifische KI und Agentic AI. Task-spezifische KI löst klar umrissene Aufgaben wie z.B. die visuelle Qualitätskontrolle, die Vorhersage von Maschinenausfällen oder die Lokalisierung von Objekten. Sie basiert auf domänenspezifischen Daten und wird eng in die Steuerungsumgebung integriert, etwa mit dem Twincat Machine Learning Creator und Twincat Machine Learning. Demgegenüber steht Agentic AI, also auf generativen Modellen beruhende KI-basierte Assistenzsysteme. Sie unterstützen Anwender durch dialogbasierte Interaktion, automatisierte Codegenerierung oder Fehleranalysen im laufenden Betrieb, realisiert mit Twincat CoAgent. Beide Ansätze ergänzen sich, indem sie unterschiedliche Ebenen adressieren: Task-spezifische KI steigert die Effizienz und Qualität direkt im Maschinenprozess, wohingegen Agentic AI den Engineering- und Servicealltag erleichtert.
Bild: Beckhoff Automation GmbH & Co. KGAgentic AI für die Automatisierung
Twincat CoAgent for Engineering unterstützt Steuerungsprogrammierer bei einer Vielzahl von Aufgaben: von präzisen Code-Vorschlägen und Optimierungen bis hin zur automatischen Dokumentation. Über die Integration in bestehende Projekte können geprüfte Inhalte direkt übernommen werden. Zusätzlich ermöglicht der CoAgent den Zugriff auf die Beckhoff-Dokumentation, die Entwicklung von HMI-Controls sowie die Konfiguration kompletter I/O-Topologien per Chat bzw. über natürliche Sprache. Mit Twincat CoAgent for Operations bringt Beckhoff nun die Agenten-Technologie direkt in den Maschinenbetrieb. Dieser überwacht kontinuierlich Prozesswerte, Logfiles und KPIs, erkennt Abweichungen und leitet einen strukturierten Problemlösungsprozess zusammen mit den Servicetechniker ein, d.h. Hypothese bilden, Diagnose mit Evidenz durchführen und konkrete Handlungsvorschläge inklusive Schritt-für-Schritt-Anleitungen bereitstellen.
Die Agenten-gestützte Fehlerdiagnose ermöglicht auch, Alarmmeldungen im Kontext zu bewerten, z.B. indem erhöhte Stromaufnahme, sinkender Durchsatz und Logwarnungen korreliert werden. So lassen sich Fehlalarme reduzieren und kritische Störungen priorisieren. Ein weiterer Vorteil liegt in der Dokumentation: Twincat CoAgent erstellt auf Wunsch detaillierte, zielgruppenorientierte Service-Reports für beliebige Zeiträume. Twincat CoAgent erweist sich als KI-Assistent über den gesamten Automatisierungs-Lifecycle: von der Code-Generierung im Engineering bis zur Fehlerdiagnose im laufenden Betrieb. Die offene Architektur des Twincat CoAgent ermöglicht die Anbindung unterschiedlicher Sprachmodelle und die flexible Kombination mit kundenspezifischen Erweiterungen, unterstützt durch Schnittstellenstandards wie das Modular Context Protocol (MCP). So kann ein Unternehmen beispielsweise eine eigene Wissensdatenbank als MCP-Server bereitstellen und diese nahtlos in den CoAgent integrieren.
Automatisch zum KI-Modell
Der Twincat Machine Learning Creator (MLC) richtet sich an Automatisierungs- und Prozessexperten und ergänzt den Workflow in Twincat 3 um die automatisierte Erstellung von KI-Modellen. Damit erschließt sich das Potenzial der KI auch für kleinere Unternehmen. Als 'Version Zero Generator' erstellt es erste Modellvarianten automatisch, reduziert Fehlerquellen und beschleunigt den Entwicklungsprozess. Darüber hinaus stehen umfangreiche Methoden zur Verfügung, um das Verhalten der Modelle transparent darzustellen, Varianten zu vergleichen und Auditierungsprozesse durch eine automatisierte Report-Generierung zu unterstützen. Das mit Twincat MLC automatisch trainierte Modell kann im Standardformat ONNX exportiert werden und ist hinsichtlich Latenz und Genauigkeit optimal an die Echtzeitanforderungen im Steuerungsumfeld angepasst. Der bisherige Schwerpunkt lag dabei auf KI-gestützter Bildverarbeitung. Mit Twincat MLC Signals and Time Series erweitert Beckhoff jetzt den Funktionsumfang des Machine Learning Creator: Neben der Bildverarbeitung (Twincat MLC Computer Vision) lassen sich nun auch Signale und Zeitreihen effizient analysieren. Typische Anwendungsfälle sind Klassifikation (Qualitätsprüfung), Forecasting (Vorhersage von Energieverbrauch) oder Anomalieerkennung (Condition Monitoring). Dadurch ergeben sich auch in der Qualitätssicherung neue Potenziale. Sensorbasierte, nicht-optische End-of-Line-Prüfungen können elektrische Eigenschaften (Impedanzkurven) oder geometrische Größen bewerten. Inline-Analysen ermöglichen eine prozessintegrierte Qualitätsüberwachung z.B. bei Schweißprozessen über Strom- und Spannungskurven, Schneid- und Verpackungsprozessen anhand von Servomotorströmen, Versiegelungs-, Schleif- oder Verformungsprozessen über Motorströme, Knet- und Gärprozessen in der Lebensmittelproduktion durch Temperatur-Zeit-Profile oder komplexen Abläufen wie das Kristallwachstum in der Halbleiterfertigung.
Mit Twincat Machine Learning von Beckhoff lassen sich KI-Modelle in Echtzeit direkt auf der Maschinensteuerung ausführen und somit in den SPS-Code einweben. Mit Twincat CoAgent und Twincat Machine Learning Creator können jetzt Prozess- und Automatisierungsspezialisten KI-Technologien direkt einsetzen.
Bild: Beckhoff Automation GmbH & Co. KGIn der industriellen Praxis haben sich zwei Ansätze für den Einsatz von KI herausgebildet: Task-spezifische KI und Agentic AI. Task-spezifische KI löst klar umrissene Aufgaben wie z.B. die visuelle Qualitätskontrolle, die Vorhersage von Maschinenausfällen oder die Lokalisierung von Objekten. Sie basiert auf domänenspezifischen Daten und wird eng in die Steuerungsumgebung integriert, etwa mit dem Twincat Machine Learning Creator und Twincat Machine Learning. Demgegenüber steht Agentic AI, also auf generativen Modellen beruhende KI-basierte Assistenzsysteme. Sie unterstützen Anwender durch dialogbasierte Interaktion, automatisierte Codegenerierung oder Fehleranalysen im laufenden Betrieb, realisiert mit Twincat CoAgent. Beide Ansätze ergänzen sich, indem sie unterschiedliche Ebenen adressieren: Task-spezifische KI steigert die Effizienz und Qualität direkt im Maschinenprozess, wohingegen Agentic AI den Engineering- und Servicealltag erleichtert.
Beckhoff Automation GmbH & Co. KG
Dieser Artikel erschien in inVISION 6 (November) 2025 - 11.11.25.Für weitere Artikel besuchen Sie www.invision-news.de
