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领导企业，贝加莱一直在关注着AI的进程，并在其产品技术研发、工程操作中，不断的引入AI来化解实际制造业中的难题。

人工智能-隐性姿势的挖掘

自动化体系正是用机器和体系来代替和帮助人的职业，而因此，机器和体系需要像人一样的思索。而人的思考方法主要是演绎法和归纳法，大家可以领会为对应了物理建模(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。然而，它并不产生新姿势，而且，它的控制是在既定制度下的控制，具有局限性。而工程中更多的隐性的姿势，如隐藏在技师脑中的经验，它无法被有效的描述进而复用。而且，工程中必然存在着大量的不确定、非线性难题，尚未被认知，因此，通过数据驱动的建模，包括统计学、机器进修，深度进修的方法是更好的姿势挖掘—而“进修”是人工智能的基础能力。

图1-工业姿势的软件化经过

图1显示了工业软件的本质在于姿势的复用，姿势是显性，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，自动化体系进行AI的训练具有先天的条件。而现代控制学说的研究中，控制科学和工程领域的专家通常也兼具AI专家。主要在体系辨识、最优优化、模糊控制、自适应控制等领域。而工程操作中，AI也作为一种重要的工具辅助难题的化解。

自动化开发工业AI优势

和商业AI不同，工业AI在可解释性、实时性、稳定和安全等有着独特的需求。这使得自动化领域的工程师，必须依据工业的独特场景，基于AI的方式和工具，来化解复杂的难题。因此，在工业AI的应用开发中，自动化领域有着先天的优势。这包括了下面内容多少方面：

在数据方面的资源

自动化领域有丰盛的现场数据采集和处理，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。

工业通信和信息建模

通信，除了底层的物理层和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，并提供周期性采样和传输能力。包括OPC UA/MQTT，可以建立在运行的OT体系和边缘、云端体系，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和云平台之间进行数据的上下行访问。

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，这些经验丰盛的机电专家，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)--这特别决定因素，由于，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怎样去训练具有特别重要的指导意义。

图2-自动化在工业AI应用中的优势

智能执行

AI可以让机器变得更伶俐，然而，伶俐的大脑还需要有力的臂膀去在现场执行。基于工业的控制体系、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应用场景解析

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，然而，随着AI的智能导引训练的加入。机器人将完成更多、更复杂场景的职业，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，让机器自动进修，而非传统的既有制度下的编程实现。

图3-AI在制造业中的常用场景

视觉缺陷解析

视觉的高维度参数中包含了各种也许性，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解析。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和工程研究领域，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可以发挥其影响。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

在新的体系设计方式中，创成式设计在机械、动力学领域开始有应用。而随着AGI的快速进步，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造的灵感，使得设计不仅高效，而且，更具创造性。

故障预警

故障早期预警是较为普遍的运用，传统基于断裂力学、疲劳力学等物理建模方法往往需要特别久的积累，对于较为复杂的传动链，它特别依赖于专家及长期的故障复现才能实现预测。而基于数据的方法，在于不依赖这些物理姿势下，通过数据的挖掘来实现故障预测和定位，如果能够结合物理方式，两者发挥各自优势，将会让AI发挥事半功倍的效果。

排程和调度

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，背后形成的庞大也许性很难被人工计算，以获取效率顶尖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，寻找那些途径最短和基于评价指标(如成本、能耗、时刻最优的约束条件)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和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，嵌入式体系如X20的PLC本身也可以小编认为是一个简单的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方法进行训练。这里，APC本身采用了诸如Intel Apollo Lake算力较高的处理器，对于更高性能标准的，可以采用了aPCI插槽可以插入AI加速器。贝加莱通过和专业的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训练方式集。

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的方法建立和云端的连接。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和控制集成架构

如图4，通过Hypervisor技术的PC，在Linux平台的数据训练方式可以进行本地的AI训练和推理，也可以长周期的云端训练，并通过通信体系部署本地推理。而整个体系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。

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盛的技术人员，效率也相对低。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解析体系进行处理。

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，体系将不断对各种缺陷进行类型判定、缺陷位置定位，并将这些进修到的模型部署到本地的品检站数据库。由生产管理体系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

预测性维护是相对多的场景，过去，专家型体系昂贵是一方面，另外就是场景适用性相对单一。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决定因素设备上部署预测性维护体系。

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体系架构。通过AI的数据解析，可以为机器的长周期稳定运行提供预警。通过预警，实现多少决定因素的制造经过管控。首先是制定停机和备件规划，而对于OEM而言，它可以提供在出厂前振动解析和运行中设备的经过中预警，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和自动化技术的融合，并在其未来的产品技术中，融入AI元素，增强自动化体系化解制造难题的能力。

1.Automation Studio Copilot生成式编程

在马上到来的Automation Studio开发平台中，生成式AI将帮助工程师来进步代码开发的效率。

图7-生成式AI应用于PLC编程

在图7中，大家可以看到，点击“提问”，以语音/文本输入给体系，它会自动去进行代码的编写，并生成代码。Automation Studio Copilot版本中将包含下面内容AI代码生成：

1、采用ST语言生成程序

2、注释和代码优化

3、提供对开发者难题的生成式响应能力

图8-生成式AI和自动化工程开发

深度进修机器视觉

通过和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。它集成了基于制度(Rule-based)的图像处理体系中。深度进修网络将提供评估和热图，运用全部基于制度的函数对热图进行详细的解析。

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，可以实现和运动控制、机器人、逻辑任务实现高精度的同步。极高响应的AI视觉可以让处理经过更高精度、更快的响应-这在制造经过中会降低初始的开机废料，以及运行中的质量一致性。

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进修人在机器人和机器中心、途径等方面的能力。

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刻，减少编程所需的职业，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，以获取更优的控制效果。这关系到加工精度，单位时刻的产出，也会由于曲线的光滑和否关系机器的运行寿命。通常这些伺服参数由经验丰盛的工程师在机器设计时，为其建模并能够进行良好的控制。这样带来的难题就是，它相对依赖于电气工程师对机械对象的领会，而通过AI可以经由电流、速度、位置等反馈，由AI进修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。

在贝加莱的持续创造中，也包括边缘侧的控制器、AI集成的驱动体系等，未来AI将更多的融入自动化开发平台中，为用户带来更具创造，而又效率更高、成本更低的自动化化解方法。

（来源：贝加莱）