应用场景

案例1:X光轮胎缺陷检测

由于轮胎关乎乘用车辆的安全性，因此，缺陷检测环节在出厂前是一个必须的环节。在过去，通过X光成像后的缺陷标定，都特别依赖于经验丰富的技术人员，效率也比较低。而对于X光的图片而言，由于其背景对缺陷本身的干扰，使得这个检测会变得较为困难。轮胎的缺陷也具有多样性，如内部气泡、钢丝圈的缠绕中的错位、断裂，内部褶皱等，这些缺陷之间也会产生相似性的干扰，这为轮胎缺陷检测带来了复杂性。  

如图5所示，轮胎经由X光机采样，提供图像给AI分析系统进行处理。

图5-采用卷积神经网络进行轮胎缺陷检测

通过采用卷积神经网络CNN算法，对来自X光机的图像进行识别，系统将不断对各种缺陷进行类型判定、缺陷位置定位，并将这些学习到的模型部署到本地的品检站数据库。由生产管理系统对其进行相应的处理，并作为依据为前道的生产提供改善参数。  

案例2：预测性维护

预测性维护是比较多的场景，过去，专家型系统昂贵是一方面，另外就是场景适用性比较单一。随着AI算力的成本不断下降，使得产业更为关注在更为普遍的关键设备上部署预测性维护系统。

图6-预测性维护架构

图6是贝加莱在相关设备领域提供的机器早期故障预警的系统架构。通过AI的数据分析，可以为机器的长周期稳定运行提供预警。通过预警，实现几个关键的制造过程管控。首先是制定停机和备件计划，而对于OEM而言，它可以提供在出厂前振动分析和运行中设备的过程中预警，并可以返回作为改善设计的依据。

贝加莱未来的AI投资

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。

1.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。

图7-生成式AI应用于PLC编程

在图7中，我们可以看到，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：

❶ 采用ST语言生成程序

❷ 注释和代码优化

❸  提供对开发者问题的生成式响应能力

图8-生成式AI与自动化工程开发

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。

图9-AI集成的机器视觉

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。

图10-机器人的眼-手示教

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。

集成AI能力的伺服驱动器

AI加持伺服驱动器的参数自适应

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。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。