倍福現在可以提供機器學習（ML）解決方案，它可以被無縫集成到 TwinCAT 3 軟件中。TwinCAT 3 Machine Learning 基于成熟的標準，讓機器學習應用領域也能享受基于 PC 的控制系統的開放性優勢。 此外，TwinCAT 解決方案還支持實時機器學習，能夠處理運動控制等要求更嚴苛的任務。這些功能通過如預測性維護、過程自優化和過程異常的自動檢測等功能，為設備制造商提升設備性能提供最佳基礎。
借助 TwinCAT 3 軟件，自動化專家們可以在熟悉的開發環境中挖掘新的機器學 習和深度學習的可能性。
機器學習的基本概念是不再遵循為特定任務設計解決方案然后將這些解決方案 轉化為算法的傳統工程思想，而是從樣板性的過程數據中學習所需的算法。通過這種替代方法來訓練強大的機器學習模型，以提供更高級或性能更佳的解決方案。在自動化技術方面，這樣可以為許多領域開辟新的可能性和優化潛力， 包括預測性維護和過程控制、異常檢測、協作機器人、全自動質量控制及機器優化。
需要學習的模型在機器學習框架（如 MATLAB?或 TensorFlow）中進行訓練， 然后通過開放式神經網絡交換（ONNX）格式導入到 TwinCAT 運行時，ONNX 是一個用于表示深度學習模型的標準化數據交換格式。TwinCAT 實時核為實現 此目的包含以下新功能：
- 用于傳統機器學習算法的 TwinCAT 3 Machine Learning Inference Engine，如支持向量機（SVM）和主成分分析（PCA）
- 用于深度學習和神經網絡的 TwinCAT 3 Neural Network Inference Engine，如多層感知器（MLP）和卷積神經網絡（CNN）
可以實時直接執行模型結果
TwinCAT TcCOM 對象可以實時直接執行推理，即訓練好的機器學習模型的執 行。對于較小的網絡，支持響應時間小于 100 μs 的系統，相對應于 TwinCAT 周期時間 50 μs。可以通過 PLC、C/C ++ TcCOM 接口或循環任務調用模型。
通過與控制技術的無縫集成，TwinCAT 3 支持多核系統的特點也可用于機器學習應用。這意味著，例如，不同的任務情境可以訪問某個特定的 TwinCAT 3 Inference Engine，而不會互相制約。也可以完全訪問 TwinCAT 中可用的所有 現場總線接口和數據。這使得機器學習解決方案可以使用大量數據，例如，用于復雜的傳感器數據融合（數據合并），這也意味著可以使用致動器的實時接 口來實現最佳控制。
