在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
图片来源：贝加莱
未来AI将更多的融入自动化开发平台中，为用户带来更具创新而又效率更高、成本更低的自动化解决方案。
AI正在成为一种热潮，不断地引发产业的关注。而在制造业，AI同样正在成为各个自动化厂商、机械制造商、用户关注的焦点。
01 人工智能-隐性知识的挖掘
自动化系统是用机器和系统来代替和帮助人的工作控制工程网版权所有，而因此，机器和系统需要像人一样的思考。人的思维方式主要是演绎法和归纳法，我们可以理解为对应了物理建模（Physics-based Modeling）和数据驱动建模（Data-Driven Modeling）。物理建模具有良好的可解释性、可预测、算力低、安全等优点。但是，它并不产生新知识，并且它的控制是在既定规则下的控制，具有局限性。而工程中更多的隐性的知识，如隐藏在技师脑中的经验，它无法被有效的描述进而复用。工程中必然存在着大量的不确定、非线性问题CONTROL ENGINEERING China版权所有，尚未被认知，因此，通过数据驱动的建模，包括统计学、机器学习，深度学习的方式是更好的知识挖掘，而“学习”是人工智能的基础能力。
图1显示了工业软件的本质在于知识的复用，知识是显性，可被物理化学公式描述的，而经验则是隐性的，需要被挖掘。实际上，自动化系统进行AI的训练具有先天的条件。而现代控制理论的研究中，控制科学与工程领域的专家通常也兼具AI专家。主要在系统辨识、最优优化、模糊控制、自适应控制等领域。而工程实践中，AI也作为一种重要的工具辅助问题的解决。
▲图1：工业知识的软件化过程
02 自动化开发工业AI优势
与商业AI不同，工业AI在可解释性、实时性、稳定与安全等有着特殊的需求。这使得自动化领域的工程师，必须依据工业的特殊场景，基于AI的方法和工具来解决复杂的问题。因此，在工业AI的应用开发中，自动化领域有着先天的优势。这包括了以下几个方面：
1 在数据方面的资源
自动化领域有丰富的现场数据采集与处理，包括逻辑、运动控制的扭矩、速度、位置，振动信号、视觉等专用的I/O模块，以及在内存中的中间计算量等，这些数据可以被直接访问，也可以被访问。
2 工业通信与信息建模
通信，除了底层的物理层与数据链路层的网络协议，也包括用于信息建模的垂直行业模型，如PackML、EUROMAP、Unimat、Automation ML等。信息模型使得数据被结构化，并提供周期性采样与传输能力。包括OPC UA/MQTT，可以建立在运行的OT系统与边缘、云端系统，经由通信规范来实现连接。例如OPC UA可以通过Pub/Sub机制在OT与云平台之间进行数据的上下行访问。
3 机电经验积累的专家
在工业自动化领域，工程师们通常需要对机电对象的物理特性，如对材料的张力特性、机械摩擦、模态等的了解，才能更好的进行控制。而同样，这些经验丰富的机电专家，在AI的数据采集、特征工程、训练模型的评估、参数调校、泛化方面给出自己的洞见（Insight）——这非常关键，因为，工业数据的背后是机电的强耦合关系。这些关系的判断对于AI如何去训练具有非常重要的指导意义。
4 智能执行
AI可以让机器变得更聪明，但是，聪明的大脑还需要有力的臂膀去在现场执行。基于工业的控制系统、运动控制、输送技术——AI优化的参数、模型，可以被本地推理，并发送给智能的执行机构去执行。而工业自动化可以现场执行，实现整个的逻辑闭环。
03 AI应用场景分析
在工业场景中，较为常见的AI应用需求包括：
■ 机器人智能导引：在离散产品组装线上，机器人目前已经广泛应用于产品分拣等，但是，随着AI的智能导引训练的加入www.cechina.cn，机器人将完成更多、更复杂场景的工作。例如：随机物料的队列排序、配合包装容器变化的捡取，配合加工工站的加工动作。最为重要的是，它可以通过更为简单的示教，让机器自动学习，而非传统的既有规则下的编程实现。
■ 视觉缺陷分析：视觉的高维度参数中包含了各种可能性，而缺陷包括划痕、斑点、轮廓线的偏差、褶皱、波纹等CONTROL ENGINEERING China版权所有，可以用于更多的产品缺陷分析。而图形图像的处理，正是AI发挥优势的所在。
■ 工艺参数优化：这是传统的控制科学与工程研究领域，在过去，囿于算力成本，它并未被大量的应用。随着算力成本的降低，对于各种闭环控制，在PID参数、前馈、滤波等参数的寻优方面，AI可以发挥其作用。通过为历史数据和实时数据建立约束条件，使得参数可以被收敛到更为高效的匹配中。
■ 创成式设计：在新的系统设计方法中，创成式设计在机械、动力学领域开始有应用。而随着AGI的快速发展，其在自动化工程领域也有了潜力。它可以为工程师在重复性，以及更为广泛的开源设计寻找创新的灵感，使得设计不仅高效，并且更具创新性。
■ 故障预警：故障早期预警是较为普遍的使用，传统基于断裂力学、疲劳力学等物理建模方式往往需要非常久的积累，对于较为复杂的传动链，它非常依赖于专家及长期的故障复现才能实现预测。而基于数据的方式，在于不依赖这些物理知识下，通过数据的挖掘来实现故障预测与定位，如果能够结合物理方法，两者发挥各自优势，将会让AI发挥事半功倍的效果。
■ 排程与调度：随着产品多样性、流程复杂性，以及长流程生产中的复杂组合，背后形成的庞大可能性很难被人工计算，以获得效率最高的生产排程和任务调度能力。而AI正是擅长在这复杂的背后，寻找那些路径最短和基于评价指标（如成本、能耗、时间最优的约束条件）的调度组合。
04 软硬件架构
在AI应用中，贝加莱可以提供多个层级的IT与OT融合架构：
■ 根据多个层级的算力需求的硬件架构。在对算力需求并不高的场景里，嵌入式系统如X20的PLC本身也可以作为一个简单的AI训练和推理单元。
■ 边缘侧的训练。对于较高算力，及边缘侧的全局数据训练，可以通过APC/Panel PC方式进行训练。这里，APC本身采用了诸如Intel Apollo Lake算力较高的处理器，对于更高性能要求的，可以采用了aPCI插槽可以插入AI加速器。贝加莱通过与专业的AI硬件（如HAILO）及软件企业（MVtec的HALCON）合作，在其硬件和软件方面集成AI训练方法集。
■ 云端长周期数据训练。对于较长周期的大数据训练，贝加莱的PLC/PC可以通过OPC UA Pub/Sub的方式建立与云端的连接。运行在云服务上的模型训练可提供更大容量的数据www.cechina.cn，更长周期的训练。并通过OPC UA下发至本地推理。
05 AI与自动化技术的融合
贝加莱一直在专注于AI与自动化技术的融合，并在其未来的产品技术中融入AI元素，增强自动化系统解决制造问题的能力。
■ Automation Studio Copilot生成式编程。在即将到来的Automation Studio开发平台中，生成式AI将帮助工程师来提高代码开发的效率。通过点击“提问”，以语音/文本输入给系统，它会自动去进行代码的编写，并生成代码。Automation Studio Copilot版本中将包含以下AI代码生成：采用ST语言生成程序；注释和代码优化；提供对开发者问题的生成式响应能力。
■ 深度学习机器视觉。通过与AI领域的软硬件伙伴合作，在贝加莱的机器视觉中增强了AI处理能力。它集成了基于规则（Rule-based）的图像处理系统中。深度学习网络将提供评估和热图，使用所有基于规则的函数对热图进行详细的分析。贝加莱的机器视觉本身具有集成性，将光源、相机和AI处理集成于一体，可以实现与运动控制、机器人、逻辑任务实现高精度的同步。极高响应的AI视觉可以让处理过程更高精度、更快的响应——这在制造过程中会降低初始的开机废料，以及运行中的品质一致性。
·机器人的手-眼标定。在新的机器人集成应用中，贝加莱将集成“eye-hand”的手眼标定技术，这就是让机器人快速去学习人在机器人与机器中心、路径等方面的能力。它将降低机器人在生产变化中的示教时间，减少编程所需的工作，并能够适应快速的生产任务变化（图2）。
▲图2：机器人的眼-手示教
■ 集成AI能力的伺服驱动器。在机器控制中，伺服电机连接的机械负载在速度、加速度变化，以及负载惯量的变化时，它都需要更好的控制参数匹配，以获得更优的控制效果。这关系到加工精度，单位时间的产出，也会因为曲线的光滑与否关系机器的运行寿命。通常这些伺服参数由经验丰富的工程师在机器设计时，为其建模并能够进行良好的控制（图3）。这样带来的问题就是，它比较依赖于电气工程师对机械对象的理解，而通过AI可以经由电流、速度、位置等反馈，由AI学习并训练出优化的运动控制参数，例如在电子凸轮裁切、各种印刷包装领域的材料张力闭环控制、注塑开合模等。
▲图3：AI加持伺服驱动器的参数自适应
在贝加莱的持续创新中，也包括边缘侧的控制器、AI集成的驱动系统等，未来AI将更多的融入自动化开发平台中，为用户带来更具创新，而又效率更高、成本更低的自动化解决方案。
.jpg)
每个联接都经得起时间考验-Moxa有奖调查.jpg)
AVEVA InTouch Unlimited试用版下载
福禄克三大“法宝”帮您搞定过程仪表校准难题
2024年度最佳产品奖颁奖典礼会后报道
2024全球自动化和制造主题峰会会后报道
