AI正在成为一种热潮，不断的引发产业的关注。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。作为自动化领域的技术lingdaoqiye，贝加莱一直在关注着AI的进程，并在其产品技术研发、工程实践中，不断的引入AI来解决实际制造业中的问题。

人工智能-隐性知识的挖掘

自动化系统正是用机器和系统来代替和帮助人的工作，而因此，机器和系统需要像人一样的思考。而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。并且，工程中必然存在着大量的不确定、非线性问题，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-工业知识的软件化过程

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、Zui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。

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：

❶ 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。

❷ 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。

❸ 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。

图2-自动化在工业AI应用中的优势

❹ 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。

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—Zui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Zui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Zui短和基于评价指标（如成本、能耗、时间Zui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。