AI正在成為一種熱潮，不斷的引發(fā)產(chǎn)業(yè)的關(guān)注。而在制造業(yè)，AI同樣正在成為各個(gè)自動(dòng)化廠(chǎng)商、機械制造商、用戶(hù)關(guān)注的焦點(diǎn)。作為自動(dòng)化領(lǐng)域的技術(shù)領(lǐng)導企業(yè)，貝加萊一直在關(guān)注著(zhù)AI的進(jìn)程，并在其產(chǎn)品技術(shù)研發(fā)、工程實(shí)踐中，不斷的引入AI來(lái)解決實(shí)際制造業(yè)中的問(wèn)題。

人工智能-隱性知識的挖掘

自動(dòng)化系統正是用機器和系統來(lái)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。而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(dòng)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(yōu)點(diǎn)。但是，它并不產(chǎn)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(jīng)驗，它無(wú)法被有效的描述進(jìn)而復用。并且，工程中必然存在著(zhù)大量的不確定、非線(xiàn)性問(wèn)題，尚未被認知，因此，通過(guò)數據驅動(dòng)的建模，包括統計學(xué)、機器學(xué)習，深度學(xué)習的方式是更好的知識挖掘—而“學(xué)習”是人工智能的基礎能力。

圖1顯示了工業(yè)軟件的本質(zhì)在于知識的復用，知識是顯性，可被物理化學(xué)公式描述的，而經(jīng)驗則是隱性的-需要被挖掘。實(shí)際上，自動(dòng)化系統進(jìn)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(xué)與工程領(lǐng)域的專(zhuān)家通常也兼具AI專(zhuān)家。主要在系統辨識、最優(yōu)優(yōu)化、模糊控制、自適應控制等領(lǐng)域。而工程實(shí)踐中，AI也作為一種重要的工具輔助問(wèn)題的解決。

自動(dòng)化開(kāi)發(fā)工業(yè)AI優(yōu)勢

與商業(yè)AI不同，工業(yè)AI在可解釋性、實(shí)時(shí)性、穩定與安全等有著(zhù)特殊的需求。這使得自動(dòng)化領(lǐng)域的工程師，必須依據工業(yè)的特殊場(chǎng)景，基于A(yíng)I的方法和工具，來(lái)解決復雜的問(wèn)題。因此，在工業(yè)AI的應用開(kāi)發(fā)中，自動(dòng)化領(lǐng)域有著(zhù)先天的優(yōu)勢。這包括了以下幾個(gè)方面：

? 在數據方面的資源

自動(dòng)化領(lǐng)域有豐富的現場(chǎng)數據采集與處理，包括邏輯、運動(dòng)控制的扭矩、速度、位置，振動(dòng)信號、視覺(jué)等專(zhuān)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(fǎng)問(wèn)，也可以被訪(fǎng)問(wèn)。

? 工業(yè)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(wǎng)絡(luò )協(xié)議，也包括用于信息建模的垂直行業(yè)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(jīng)由通信規范來(lái)實(shí)現連接。例如OPC UA可以通過(guò)Pub/Sub機制在OT與云平臺之間進(jìn)行數據的上下行訪(fǎng)問(wèn)。

? 機電經(jīng)驗積累的專(zhuān)家

在工業(yè)自動(dòng)化領(lǐng)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(tài)等的了解，才能更好的進(jìn)行控制。而同樣，這些經(jīng)驗豐富的機電專(zhuān)家，在A(yíng)I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(jiàn)（Insight）--這非常關(guān)鍵，因為，工業(yè)數據的背后是機電的強耦合關(guān)系，這些關(guān)系的判斷，對于A(yíng)I如何去訓練具有非常重要的指導意義。

? 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(chǎng)執行?；诠I(yè)的控制系統、運動(dòng)控制、輸送技術(shù)—AI優(yōu)化的參數、模型，可以被本地推理，并發(fā)送給智能的執行機構去執行。而工業(yè)自動(dòng)化可以現場(chǎng)執行—實(shí)現整個(gè)的邏輯閉環(huán)。

AI應用場(chǎng)景分析

在工業(yè)場(chǎng)景中，較為常見(jiàn)的AI應用需求包括：

? 機器人智能導引：

在離散產(chǎn)品組裝線(xiàn)上，機器人目前已經(jīng)廣泛應用于產(chǎn)品分揀等，但是，隨著(zhù)AI的智能導引訓練的加入。機器人將完成更多、更復雜場(chǎng)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(dòng)作—最為重要的是，它可以通過(guò)更為簡(jiǎn)單的示教，讓機器自動(dòng)學(xué)習，而非傳統的既有規則下的編程實(shí)現。

? 視覺(jué)缺陷分析

視覺(jué)的高維度參數中包含了各種可能性，而缺陷包括劃痕、斑點(diǎn)、輪廓線(xiàn)的偏差、褶皺、波紋等，可以用于更多的產(chǎn)品缺陷分析。而圖形圖像的處理，正是AI發(fā)揮優(yōu)勢的所在。

? 工藝參數優(yōu)化

這是傳統的控制科學(xué)與工程研究領(lǐng)域，在過(guò)去，囿于算力成本，它并未被大量的應用。隨著(zhù)算力成本的降低，對于各種閉環(huán)控制，在PID參數、前饋、濾波等參數的尋優(yōu)方面，AI可以發(fā)揮其作用。通過(guò)為歷史數據和實(shí)時(shí)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(chuàng )成式設計

在新的系統設計方法中，創(chuàng )成式設計在機械、動(dòng)力學(xué)領(lǐng)域開(kāi)始有應用。而隨著(zhù)AGI的快速發(fā)展，其在自動(dòng)化工程領(lǐng)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(kāi)源設計尋找創(chuàng )新的靈感，使得設計不僅高效，并且，更具創(chuàng )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(xué)、疲勞力學(xué)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(dòng)鏈，它非常依賴(lài)于專(zhuān)家及長(cháng)期的故障復現才能實(shí)現預測。而基于數據的方式，在于不依賴(lài)這些物理知識下，通過(guò)數據的挖掘來(lái)實(shí)現故障預測與定位，如果能夠結合物理方法，兩者發(fā)揮各自?xún)?yōu)勢，將會(huì )讓AI發(fā)揮事半功倍的效果。  

? 排程與調度

隨著(zhù)產(chǎn)品多樣性、流程復雜性，以及長(cháng)流程生產(chǎn)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(chǎn)排程和任務(wù)調度能力。而AI正是擅長(cháng)在這復雜的背后，尋找那些路徑最短和基于評價(jià)指標（如成本、能耗、時(shí)間最優(yōu)的約束條件）的調度組合。

軟硬件架構

在A(yíng)I應用中，貝加萊可以提供多個(gè)層級的IT與OT融合架構 

? 根據多個(gè)層級的算力需求的硬件架構 

在對算力需求并不高的場(chǎng)景里，嵌入式系統如X20的PLC本身也可以作為一個(gè)簡(jiǎn)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(guò)APC/Panel PC方式進(jìn)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(guò)與專(zhuān)業(yè)的AI硬件（如HAILO）及軟件企業(yè)（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(cháng)周期數據訓練 

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

如圖4，通過(guò)Hypervisor技術(shù)的PC，在Linux平臺的數據訓練方法可以進(jìn)行本地的AI訓練和推理，也可以長(cháng)周期的云端訓練，并通過(guò)通信系統部署本地推理。而整個(gè)系統可以實(shí)現底層數據采集、通信傳輸、模型訓練、現場(chǎng)執行，構成完整的應用閉環(huán)。

應用場(chǎng)景

案例1:X光輪胎缺陷檢測

由于輪胎關(guān)乎乘用車(chē)輛的安全性，因此，缺陷檢測環(huán)節在出廠(chǎng)前是一個(gè)必須的環(huán)節。在過(guò)去，通過(guò)X光成像后的缺陷標定，都特別依賴(lài)于經(jīng)驗豐富的技術(shù)人員，效率也比較低。而對于X光的圖片而言，由于其背景對缺陷本身的干擾，使得這個(gè)檢測會(huì )變得較為困難。輪胎的缺陷也具有多樣性，如內部氣泡、鋼絲圈的纏繞中的錯位、斷裂，內部褶皺等，這些缺陷之間也會(huì )產(chǎn)生相似性的干擾，這為輪胎缺陷檢測帶來(lái)了復雜性。  

如圖5所示，輪胎經(jīng)由X光機采樣，提供圖像給AI分析系統進(jìn)行處理。

通過(guò)采用卷積神經(jīng)網(wǎng)絡(luò )CNN算法，對來(lái)自X光機的圖像進(jìn)行識別，系統將不斷對各種缺陷進(jìn)行類(lèi)型判定、缺陷位置定位，并將這些學(xué)習到的模型部署到本地的品檢站數據庫。由生產(chǎn)管理系統對其進(jìn)行相應的處理，并作為依據為前道的生產(chǎn)提供改善參數。  

案例2：預測性維護

預測性維護是比較多的場(chǎng)景，過(guò)去，專(zhuān)家型系統昂貴是一方面，另外就是場(chǎng)景適用性比較單一。隨著(zhù)AI算力的成本不斷下降，使得產(chǎn)業(yè)更為關(guān)注在更為普遍的關(guān)鍵設備上部署預測性維護系統。

圖6是貝加萊在相關(guān)設備領(lǐng)域提供的機器早期故障預警的系統架構。通過(guò)AI的數據分析，可以為機器的長(cháng)周期穩定運行提供預警。通過(guò)預警，實(shí)現幾個(gè)關(guān)鍵的制造過(guò)程管控。首先是制定停機和備件計劃，而對于OEM而言，它可以提供在出廠(chǎng)前振動(dòng)分析和運行中設備的過(guò)程中預警，并可以返回作為改善設計的依據。

貝加萊未來(lái)的AI投資

貝加萊一直在專(zhuān)注于A(yíng)I與自動(dòng)化技術(shù)的融合，并在其未來(lái)的產(chǎn)品技術(shù)中，融入AI元素，增強自動(dòng)化系統解決制造問(wèn)題的能力。

1.Automation Studio Copilot生成式編程

在即將到來(lái)的Automation Studio開(kāi)發(fā)平臺中，生成式AI將幫助工程師來(lái)提高代碼開(kāi)發(fā)的效率。

在圖7中，我們可以看到，點(diǎn)擊“提問(wèn)”，以語(yǔ)音/文本輸入給系統，它會(huì )自動(dòng)去進(jìn)行代碼的編寫(xiě)，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(yǔ)言生成程序

? 注釋和代碼優(yōu)化

?  提供對開(kāi)發(fā)者問(wèn)題的生成式響應能力

深度學(xué)習機器視覺(jué)

通過(guò)與AI領(lǐng)域的軟硬件伙伴合作，在貝加萊的機器視覺(jué)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(xué)習網(wǎng)絡(luò )將提供評估和熱圖，使用所有基于規則的函數對熱圖進(jìn)行詳細的分析。

貝加萊的機器視覺(jué)本身具有集成性，將光源、相機和AI處理集成于一體，可以實(shí)現與運動(dòng)控制、機器人、邏輯任務(wù)實(shí)現高精度的同步。極高響應的AI視覺(jué)可以讓處理過(guò)程更高精度、更快的響應-這在制造過(guò)程中會(huì )降低初始的開(kāi)機廢料，以及運行中的品質(zhì)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(shù)—這就是讓機器人快速去學(xué)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(chǎn)變化中的示教時(shí)間，減少編程所需的工作，并能夠適應快速的生產(chǎn)任務(wù)變化。

集成AI能力的伺服驅動(dòng)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(shí)，它都需要更好的控制參數匹配，以獲得更優(yōu)的控制效果。這關(guān)系到加工精度，單位時(shí)間的產(chǎn)出，也會(huì )因為曲線(xiàn)的光滑與否關(guān)系機器的運行壽命。通常這些伺服參數由經(jīng)驗豐富的工程師在機器設計時(shí)，為其建模并能夠進(jìn)行良好的控制。這樣帶來(lái)的問(wèn)題就是，它比較依賴(lài)于電氣工程師對機械對象的理解，而通過(guò)AI可以經(jīng)由電流、速度、位置等反饋，由AI學(xué)習并訓練出優(yōu)化的運動(dòng)控制參數，例如在電子凸輪裁切、各種印刷包裝領(lǐng)域的材料張力閉環(huán)控制、注塑開(kāi)合模等。

在貝加萊的持續創(chuàng )新中，也包括邊緣側的控制器、AI集成的驅動(dòng)系統等，未來(lái)AI將更多的融入自動(dòng)化開(kāi)發(fā)平臺中，為用戶(hù)帶來(lái)更具創(chuàng )新，而又效率更高、成本更低的自動(dòng)化解決方案。