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：

❶ 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。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。

图3-AI在制造业中的常用场景

❷ 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，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。

❸ 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。   

❹ 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。  

❺ 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。  

❻ 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。

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 

❶ 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。

❷ 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。

❸ 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，更长周期的训练。并通过OPC UA下发至本地推理。

图4-贝加莱的整体AI与控制集成架构

如图4，通过Hypervisor技术的PC，在Linux平台的数据训练方法可以进行本地的AI训练和推理，也可以长周期的云端训练，并通过通信系统部署本地推理。而整个系统可以实现底层数据采集、通信传输、模型训练、现场执行，构成完整的应用闭环。