[2019年4月1日，德国] 倍福现在可以提供机器学习（ML）解决方案，它可以被无缝集成到 TwinCAT 3软件中。TwinCAT 3 Machine Learning基于成熟的标准，让机器学习应用领域也能享受基于 PC 的控制系统的开放性优势。此外，TwinCAT 解决方案还支持实时机器学习，能够处理运动控制等要求更严苛的任务。这些功能通过如预测性维护、过程自优化和过程异常的自动检测等功能，为设备制造商提升设备性能提供最佳基础。
机器学习的基本概念是不再遵循为特定任务设计解决方案然后将这些解决方案转化为算法的传统工程思想，而是从样板性的过程数据中学习所需的算法。通过这种替代方法来训练强大的机器学习模型，以提供更高级或性能更佳的解决方案。在自动化技术方面，这样可以为许多领域开辟新的可能性和优化潜力，包括预测性维护和过程控制、异常检测、协作机器人、全自动质量控制及机器优化。
需要学习的模型在机器学习框架（如 MATLAB®或 TensorFlow）中进行训练，然后通过开放式神经网络交换（ONNX）格式导入到 TwinCAT 运行时，ONNX是一个用于表示深度学习模型的标准化数据交换格式。TwinCAT 实时核为实现此目的包含以下新功能：
-用于传统机器学习算法的TwinCAT 3 Machine Learning Inference Engine，如支持向量机（SVM）和主成分分析（PCA）
-用于深度学习和神经网络的TwinCAT 3 Neural Network Inference Engine，如多层感知器（MLP）和卷积神经网络（CNN）
可以实时直接执行模型结果
TwinCAT TcCOM 对象可以实时直接执行推理，即训练好的机器学习模型的执行。对于较小的网络，支持响应时间小于 100 μs 的系统，相对应于 TwinCAT周期时间 50 μs。可以通过 PLC、C/C ++ TcCOM 接口或循环任务调用模型。
通过与控制技术的无缝集成，TwinCAT 3 支持多核系统的特点也可用于机器学习应用。这意味着，例如，不同的任务情境可以访问某个特定的 TwinCAT 3 Inference Engine，而不会互相制约。也可以完全访问 TwinCAT 中可用的所有现场总线接口和数据。这使得机器学习解决方案可以使用大量数据，例如，用于复杂的传感器数据融合（数据合并），这也意味着可以使用致动器的实时接口来实现最佳控制。