Neuronales Netz in SCL mit dem TIA-Portal

Name: Neuronales Netz in SCL mit dem TIA-Portal
Rating: 4.2 (11 reviews)

Die SPS am Geschehen der KI teilnehmen zu lassen

Highest Rated

Created byJohannes Hofer

Last updated 1/2024

German

What you'll learn

Erster Einstieg in "machine Learning" mit dem TIA-Portal und SCL
Vergleichswerte mit einem "python"-Programm (ohne Bibliotheken) bewerten
Die notwendigen SCL-Funktionen im Detail im TIA-Portal kennen lernen
Das Verständnis für ein Model und das Training dazu an einem FB zu erlernen
Die Programmierung in SCL für ein Farbmodell in einfacher Form
Den vorgegebenen Funktionsplan (FUP) trainieren und das Ergebnis bewerten
Das Programm in SCL zum "machine learning" des FUPs im Detail verstehen
Grundsätzliche Vorgehensweise zum "machine learning" in SCL

Course content

6 sections • 19 lectures • 2h 51m total length

Vorschau in Python4:03
Dieses Video dient der Orientierung und zur Endscheidung diesen Kurs zu erwerben. Es gibt dazu kein TIA-Projekt. Das gezeigte Beispiel im Source entspricht nicht den hier im Kurs gezeigten Sourcen, da diese für den Kurs überarbeitet und verbessert wurden.
Vorschau in SCL4:53
Dieses Video dient der Orientierung und zur Endscheidung diesen Kurs zu erwerben. Es gibt dazu kein TIA-Projekt. Das gezeigte Beispiel im Source entspricht nicht den hier im Kurs gezeigten Sourcen, da diese für den Kurs überarbeitet und verbessert wurden.

Teil-1 Kapitel 1: Allgemeine Vorbereitung und Einstellungen im TIA-Portal6:18
TIA Version V15 mit Einstellungen und grober Übersicht der SW-Komponenten. Es gibt dazu kein TIA-Projekt. Dieses Video soll noch eventuelle Unklarheiten klären, bevor ab der nächsten Lexion die Programmierung beginnt. Für Einsteiger gedacht, kann also übersprungen werden.
Teil-1_Kapitel 2: Die Helper-Funktionen array.limit und array.len8:57
Limit und Len wird ausführlich erklärt. Damit soll das Indize in einem Array für die richtige Anwendung verstanden werden. Besonders im Array mit Stern [*].
Teil-1_Kapitel-3: Die Helper-Funktion array.min und array.max7:45
Die Funktionen für das min und max in einem Array richtig anwenden. Das Listing zu array. min und array.max soll richtig verstanden werden, obwohl dies nicht für das "machine learning" genutzt werden muss.
Teil-1_Kapitel 4: Die Helperfunktionen array.set, get, insert, und remove value11:00
Die Array-Funktionen array.get, array.set und array.insert, array.remove in der Anwendung verstehen. Der SCL-Code zu diesen Funktionen. Auch sind diese Funktionen nicht für das "machine learning" notwendig.

Teil-2 Kapitel 1: Einstieg mit append und clear in Vergleich zu Python10:02
Über das Pyton-Programm wird das append bzw. clear erklärt. Das lässt sich dort schön visualisieren. Der DB IPL und First-Layer wird vorgestellt. Das TIA-Projekt ist in der Anwendung noch leer. In der folgenden Lexion kann dieses TIA-Projekt verwendet werden, falls der Teilnehmer in der folgenden Lexion selbst eintippen möchte. Das 'python-file' ist aktuell und entspricht dem in Teil-4.
Teil-2 Kapitel 2: Erklärung zum 'pointer' mit layer.limit, min und max7:19
Einleitung zum 'pointer_to_next_element' mit den Funktionen layer.limit, layer.min und layer.max. Hier soll das Verständnis zum Pointer verstanden werden. Das TIA-Projekt aus Lexion 7 verwenden, falls die Eingaben selbst gemacht werden sollen. Ansonsten ist das TIA-Projekt gleich wie in Lexion 9.
Teil-2 Kapitel 3: Erster Kontakt zu 'append' und 'wait_factor'7:05
Hier wird 'layer.append' im Zusammenhang mit dem 'limit' erklärt und soll zeigen, wie wichtig das Limit und der 'pointer' auf das nächste Element in den Programmen sein wird. Das TIA-Projekt entspricht dem aus Lexion 8.

Teil-3 Kapitel 1: Das Konzept mit dem neuronalen Netzwerk15:03
Hier wird an einem einfachen Beispiel die mögliche Programmierung mit den 'wait-faktoren' gezeigt und soll das Verständnis liefern, wie das so mit dem Array-Index funktioniert. Der erste Kontakt zum 'sigmoid' wird hier am Farb-Beispiel angedeuted. Das TIA-Projekt ist im gesamtem Teil 3 gleich. Es gibt damit keine Unterschiede zu den einzelnen Kapiteln.
Teil-3 Kapitel 2. Sigmoid und das Training vorerst mit SCL-Standard-Bausteinen10:07
Verständnis zum 'sigmoid' in SCL und Beispiel in Python, damit der Unterschied verstanden wird. Das TIA-Projekt aus Lexion 10 verwenden.
Teil-3 Kapitel 3: Backpropagation und erstes automatisches Training11:01
Hier wird der FB2 vorgestellt und soll das Training verständlich machen. Das Sigmoid und das Trainging mit einem Wunsch-Sigmoid zeigt wie dieser funktionieren soll. Dazu dient wieder das Farb-Beispiel. Der Toleranzbereich soll voresrt erkannt werden, wenn ein niedriger Sigmoid-Wert eingegeben wird. Das TIA-Projekt aus Lexion 10 verwenden.
Teil-3 Kapitel 4: Sigmoid mit hohen Werten und die Wirkung dazu4:45
Hier dient wieder der FB2 für das Training mit dem Sigmoid. Nun wird der Toleranzbereich bei einem hohen Sigmoid erklärt und es soll verstanden werden, wie sich der Toleranzbereich mit hohen Sigmoid verhält. Das TIA-Projekt aus Lexion 10 verwenden.
Teil-3 Kapitel 5: Das Coding zum FB2 und die Fehlerberechnung16:57
Das Listing zum FB soll verstanden werden. Damit soll das Training und der 'backpropagation' mit der Fehlerkorrektur verstanden werden. Der Layer-Transfer und die Daten im DB werden nun verstanden. Unterschied zwischen Lerndaten und Trainingsdaten verstehen. Zudem ist der FB2 eine gute Vorstufe für das Verständnis zum FB1 im Teil 4. Das TIA-Projekt aus Lexion 10 verwenden.

Teil-4 Kapitel 1: Layer transfer und 'set_out_activation'5:53
Die Funktion layer.transfer und set_out_activation im SCL-Code verstehen. Wie funktioniert das Perceptron in unserem Projekt mit dem set_out_activation. Das TIA-Projekt ist für alle folgenden Kapiteln in diesem Teil 4 zu verwenden.
Teil-4 Kapitel 2: Aufgabenstellung aus FUP im neuroalen Netz trainieren12:28
Kann ein FUP in ein neuronales Netz verwendet werden. Ein FUP soll mit einem neuronalen Netz im FB1 verstanden werden. Der Vergleich bezüglich des Ergebnisses in Python soll auch in SCL erreicht werden. Wichtig ist, dass nur eine Situation aus dem FUP trainiert wird und der Rest (31 weitere Möglichkeiten) soll vom neuronalen Netzt selbst erkannt werden. Die Anwendung von FB1 wird verstanden. Das TIA-Projekt und das Python-Beispiel aus Lexion 15 verwenden.
Teil-4 Kapitel 3: Wie funktioniert die FUP-Aufgabe im FB15:13
Die Anwendung im FB1 zeigt die Abhängigkeit der Aufgabe in FUP mit dem künstlichen, neuronalen Netz. Das Sigmoid mit hohen und niedrigen Werten wird nun bezüglich des Ergebnisses zum FUP verstanden. Das TIA-Projekt und das Python-Beispiel aus Lexion 15 verwenden.
Teil-4 Kapitel 4: Wie kommen die Daten in den Input-Layer10:45
Die SCL-Funktion 'set_pattern_to_layer wird in SCL erklärt. Jetzt wird gezeigt, welche Waitfaktoren im Inputlayer gesetzt werden müssen. Auch die ersten Werte in den Neuronen des Inputlayers werden nun verständlich. Abschlussbetrachtung zu den Daten im IPL und First-Layer. Das TIA-Projekt und das Python-Beispiel aus Lexion 15 verwenden.

Requirements

TIA-Portal Version ab V15 ohne WinCC
Python-Interpreter für das Vergleichsprogramm (muss nicht unbedingt sein)
Grundkenntnisse über das Verfahren der künstlichen Neuronen und deren Gewichtung ist von Vorteil

Description

Die Frage ob eine SPS am Geschehen der KI mit "machine learning" teilnehmen kann, wird hier in diesem Kurs eindeutig mit ja beantwortet. Damit die erarbeiteten Werte in der SPS zum "machine learning" auch kontrolliert werden können, dient ein kleines Python-Programm, welches ohne die Nutzung von zusätzlichen Bibliotheken das gleiche Ergebnis liefert. Der Kurs beginnt in Teil-1 mit der Erklärung der Funktionen in SCL, welche grundsätzlich notwendig sind, arrays und deren Anwendung mit der Layer-Technik zu verstehen.

In Teil-2 werden die Techniken zum künstlichen, neuronalen Netz an einem bildlichen Farbbeispiel erklärt, damit die später folgenden SCL-Programme besser verstanden werden.

In Teil-3 wird schliesslich mit dem Programmieren des ersten neuronalen Netzes bekonnen. Hier wird besonderen Wert darauf gelegt, dass grundsätzlich verstanden wird, wie ein FB2 ein neuronales Netz trainiert.

Teil-4 zeigt die Umsetzung eines vorgegebenen Funktionsplanes (FUP) mit 5 digitalen Eingängen, welcher trainiert wird. Das Training bezieht sich allerdings nur auf eine Situation der 32 Möglichkeiten. Hier zeigt der Algorithmus in SCL, dass tatsächlich eine KI am Werke ist, da die restlichen 31 Situationen nun vom künstlichen, neuronalen Netz selbst erkannt werden, obwohl nur eine Situation trainiert wurde.

In Teil-5 wird ein TIA-Beispiel über eine Positioniersystem mit neuronalen Funktion vorgestellt. Dieses Projekt ist als Anhang zu betrachten und dient ausschließlich dem Selbststudium. Es gibt keine Erklärungen dazu, wie der SCL-Code funktioniert.

Es wird daruf hingewiesen, dass es sich hier nicht um einen SCL- oder Python-Kurs handelt. Jedoch können Programmierer mit SCL-Kenntnissen auch davon sehr profitieren. Ich denke sogar die Codesys-Programmierer können das gelernte ebenfalls umsetzen. Es gibt dazu allerdings kein Beispiele. Der Kurs ist nicht für Anfänger geeignet.

Alle Beispiel mit TIA V15. Das letzte TIA-Projekt im Teil-4 als Archive V18 und ebenfalls der Anhang in Archive V18.

Who this course is for:

SPS-Programmierer mit SCL-Kenntnissen, welche sich für die KI und "machine-learning" interessieren
Studenten im fortgeschrittenen Studium zur Automatisierung einer SPS in SCL mit dem TIA-Portal
Mit Fantasie ist der Kurs auch für Codesys-Programmierer sehr gut denkbar
Alle Interessenten, welche die SPS an der KI zu beteiligen möchten
Python-Programmierer welche auch SCL zu diesem Thema verstehen möchten

Neuronales Netz in SCL mit dem TIA-Portal

What you'll learn

Explore related topics

Course content

Vorschau und Einleitung zum Thema2 lectures • 9min

Teil-14 lectures • 34min

Teil 23 lectures • 24min

Teil 35 lectures • 58min

Teil 44 lectures • 34min

Anhang: Praktische Anwendung mit einem Positioniersystem1 lecture • 12min

Requirements

Description

Who this course is for: