【儀表網 產業報道】未來AI將更多的融入自動化開發平臺中，為用戶帶來更具創新而又效率更高、成本更低的自動化解決方案。
 

　　AI正在成為一種熱潮，不斷地引發產業的關注。而在制造業，AI同樣正在成為各個自動化廠商、機械制造商、用戶關注的焦點。
 

　　01  人工智能-隱性知識的挖掘
 

　　自動化系統是用機器和系統來代替和幫助人的工作，而因此，機器和系統需要像人一樣的思考。人的思維方式主要是演繹法和歸納法，我們可以理解為對應了物理建模(Physics-based Modeling)和數據驅動建模(Data-Driven Modeling)。物理建模具有良好的可解釋性、可預測、算力低、安全等優點。但是，它并不產生新知識，并且它的控制是在既定規則下的控制，具有局限性。而工程中更多的隱性的知識，如隱藏在技師腦中的經驗，它無法被有效的描述進而復用。工程中必然存在著大量的不確定、非線性問題，尚未被認知，因此，通過數據驅動的建模，包括統計學、機器學習，深度學習的方式是更好的知識挖掘，而“學習”是人工智能的基礎能力。
 

　　圖1顯示了工業軟件的本質在于知識的復用，知識是顯性，可被物理化學公式描述的，而經驗則是隱性的，需要被挖掘。實際上，自動化系統進行AI的訓練具有先天的條件。而現代控制理論的研究中，控制科學與工程領域的專家通常也兼具AI專家。主要在系統辨識、最優優化、模糊控制、自適應控制等領域。而工程實踐中，AI也作為一種重要的工具輔助問題的解決。
 

▲圖1：工業知識的軟件化過程
 

　　02  自動化開發工業AI優勢
 

　　與商業AI不同，工業AI在可解釋性、實時性、穩定與安全等有著特殊的需求。這使得自動化領域的工程師，必須依據工業的特殊場景，基于AI的方法和工具來解決復雜的問題。因此，在工業AI的應用開發中，自動化領域有著先天的優勢。這包括了以下幾個方面：
 

　　1  在數據方面的資源
 

　　自動化領域有豐富的現場數據采集與處理，包括邏輯、運動控制的扭矩、速度、位置，振動信號、視覺等專用的I/O模塊，以及在內存中的中間計算量等，這些數據可以被直接訪問，也可以被訪問。
 

　　2  工業通信與信息建模
 

　　通信，除了底層的物理層與數據鏈路層的網絡協議，也包括用于信息建模的垂直行業模型，如PackML、EUROMAP、Unimat、Automation ML等。信息模型使得數據被結構化，并提供周期性采樣與傳輸能力。包括OPC UA/MQTT，可以建立在運行的OT系統與邊緣、云端系統，經由通信規范來實現連接。例如OPC UA可以通過Pub/Sub機制在OT與云平臺之間進行數據的上下行訪問。
 

　　3  機電經驗積累的專家
 

　　在工業自動化領域，工程師們通常需要對機電對象的物理特性，如對材料的張力特性、機械摩擦、模態等的了解，才能更好的進行控制。而同樣，這些經驗豐富的機電專家，在AI的數據采集、特征工程、訓練模型的評估、參數調校、泛化方面給出自己的洞見(Insight)——這非常關鍵，因為，工業數據的背后是機電的強耦合關系。這些關系的判斷對于AI如何去訓練具有非常重要的指導意義。
 

　　4  智能執行
 

　　AI可以讓機器變得更聰明，但是，聰明的大腦還需要有力的臂膀去在現場執行。基于工業的控制系統、運動控制、輸送技術——AI優化的參數、模型，可以被本地推理，并發送給智能的執行機構去執行。而工業自動化可以現場執行，實現整個的邏輯閉環。
 

　　03  AI應用場景分析
 

　　在工業場景中，較為常見的AI應用需求包括：
 

　　■ 機器人智能導引：在離散產品組裝線上，機器人目前已經廣泛應用于產品分揀等，但是，隨著AI的智能導引訓練的加入，機器人將完成更多、更復雜場景的工作。例如：隨機物料的隊列排序、配合包裝容器變化的撿取，配合加工工站的加工動作。最為重要的是，它可以通過更為簡單的示教，讓機器自動學習，而非傳統的既有規則下的編程實現。
 

　　■ 視覺缺陷分析：視覺的高維度參數中包含了各種可能性，而缺陷包括劃痕、斑點、輪廓線的偏差、褶皺、波紋等，可以用于更多的產品缺陷分析。而圖形圖像的處理，正是AI發揮優勢的所在。
 

　　■ 工藝參數優化：這是傳統的控制科學與工程研究領域，在過去，囿于算力成本，它并未被大量的應用。隨著算力成本的降低，對于各種閉環控制，在PID參數、前饋、濾波等參數的尋優方面，AI可以發揮其作用。通過為歷史數據和實時數據建立約束條件，使得參數可以被收斂到更為高效的匹配中。
 

　　■ 創成式設計：在新的系統設計方法中，創成式設計在機械、動力學領域開始有應用。而隨著AGI的快速發展，其在自動化工程領域也有了潛力。它可以為工程師在重復性，以及更為廣泛的開源設計尋找創新的靈感，使得設計不僅高效，并且更具創新性。
 

　　■ 故障預警：故障早期預警是較為普遍的使用，傳統基于斷裂力學、疲勞力學等物理建模方式往往需要非常久的積累，對于較為復雜的傳動鏈，它非常依賴于專家及長期的故障復現才能實現預測。而基于數據的方式，在于不依賴這些物理知識下，通過數據的挖掘來實現故障預測與定位，如果能夠結合物理方法，兩者發揮各自優勢，將會讓AI發揮事半功倍的效果。
 

　　■ 排程與調度：隨著產品多樣性、流程復雜性，以及長流程生產中的復雜組合，背后形成的龐大可能性很難被人工計算，以獲得效率最高的生產排程和任務調度能力。而AI正是擅長在這復雜的背后，尋找那些路徑最短和基于評價指標(如成本、能耗、時間最優的約束條件)的調度組合。
 

　　04  軟硬件架構
 

　　在AI應用中，貝加萊可以提供多個層級的IT與OT融合架構：
 

　　■ 根據多個層級的算力需求的硬件架構。在對算力需求并不高的場景里，嵌入式系統如X20的PLC本身也可以作為一個簡單的AI訓練和推理單元。
 

　　■ 邊緣側的訓練。對于較高算力，及邊緣側的全局數據訓練，可以通過APC/Panel PC方式進行訓練。這里，APC本身采用了諸如Intel Apollo Lake算力較高的處理器，對于更高性能要求的，可以采用了aPCI插槽可以插入AI加速器。貝加萊通過與專業的AI硬件(如HAILO)及軟件企業(MVtec的HALCON)合作，在其硬件和軟件方面集成AI訓練方法集。
 

　　■ 云端長周期數據訓練。對于較長周期的大數據訓練，貝加萊的PLC/PC可以通過OPC UA Pub/Sub的方式建立與云端的連接。運行在云服務上的模型訓練可提供更大容量的數據，更長周期的訓練。并通過OPC UA下發至本地推理。
 

　　05  AI與自動化技術的融合
 

　　貝加萊一直在專注于AI與自動化技術的融合，并在其未來的產品技術中融入AI元素，增強自動化系統解決制造問題的能力。
 

　　■ Automation Studio Copilot生成式編程。在即將到來的Automation Studio開發平臺中，生成式AI將幫助工程師來提高代碼開發的效率。通過點擊“提問”，以語音/文本輸入給系統，它會自動去進行代碼的編寫，并生成代碼。Automation Studio Copilot版本中將包含以下AI代碼生成：采用ST語言生成程序；注釋和代碼優化；提供對開發者問題的生成式響應能力。
 

　　■ 深度學習機器視覺。通過與AI領域的軟硬件伙伴合作，在貝加萊的機器視覺中增強了AI處理能力。它集成了基于規則(Rule-based)的圖像處理系統中。深度學習網絡將提供評估和熱圖，使用所有基于規則的函數對熱圖進行詳細的分析。貝加萊的機器視覺本身具有集成性，將光源、相機和AI處理集成于一體，可以實現與運動控制、機器人、邏輯任務實現高精度的同步。極高響應的AI視覺可以讓處理過程更高精度、更快的響應——這在制造過程中會降低初始的開機廢料，以及運行中的品質一致性。
 

　　·機器人的手-眼標定。在新的機器人集成應用中，貝加萊將集成“eye-hand”的手眼標定技術，這就是讓機器人快速去學習人在機器人與機器中心、路徑等方面的能力。它將降低機器人在生產變化中的示教時間，減少編程所需的工作，并能夠適應快速的生產任務變化(圖2)。
 

　　■ 集成AI能力的伺服驅動器。在機器控制中，伺服電機連接的機械負載在速度、加速度變化，以及負載慣量的變化時，它都需要更好的控制參數匹配，以獲得更優的控制效果。這關系到加工精度，單位時間的產出，也會因為曲線的光滑與否關系機器的運行壽命。通常這些伺服參數由經驗豐富的工程師在機器設計時，為其建模并能夠進行良好的控制(圖3)。這樣帶來的問題就是，它比較依賴于電氣工程師對機械對象的理解，而通過AI可以經由電流、速度、位置等反饋，由AI學習并訓練出優化的運動控制參數，例如在電子凸輪裁切、各種印刷包裝領域的材料張力閉環控制、注塑開合模等。
 

　　在貝加萊的持續創新中，也包括邊緣側的控制器、AI集成的驅動系統等，未來AI將更多的融入自動化開發平臺中，為用戶帶來更具創新，而又效率更高、成本更低的自動化解決方案。