人工智能（AI）是一項極具普適性的技術(shù)，同時(shí)也是一項能夠成功實(shí)現自動(dòng)化工作流程的技術(shù)。它能夠突破迄今為止基于傳統算法所能實(shí)現的自動(dòng)化極限。然而，AI 在工業(yè)應用領(lǐng)域的優(yōu)勢，唯有在無(wú)需深厚的 AI 專(zhuān)業(yè)知識便能輕松駕馭之時(shí)，方能得以充分展現與確立。這正是倍福開(kāi)發(fā) TwinCAT Machine Learning Creator 軟件的初衷。

基于算法的傳統自動(dòng)化體系依賴(lài)于一種相當僵化的結構，其運作方式近乎于遵循一套既定的規則集合。當情況 A 發(fā)生時(shí)，則會(huì )通過(guò) B 進(jìn)行回應，以獲得所期望的結果 C。簡(jiǎn)而言之，從特定情境到預期結果的路徑是預先設想好的，然后精準實(shí)施。而基于 AI 的方法則巧妙地運用實(shí)例數據，自動(dòng)完成從特定情景到預期結果的學(xué)習路徑，因此無(wú)需人類(lèi)明確構思并轉化為算法。

AI 技術(shù)在工業(yè)領(lǐng)域有眾多潛在應用，其中最前沿的莫過(guò)于 AI 機器視覺(jué)檢測。具體應用包括成品生產(chǎn)線(xiàn)末端檢測、依據產(chǎn)品質(zhì)量或其它屬性精準分揀產(chǎn)品（通常是天然產(chǎn)品），以及光學(xué)過(guò)程監測和分類(lèi)。這一廣泛應用領(lǐng)域的具體實(shí)例包括但不限于：

·   對金屬體的形狀和/或表面質(zhì)量進(jìn)行最終檢驗

·   按照不同的質(zhì)量等級分揀水果、木質(zhì)表面和羊毛等天然產(chǎn)品

·   垃圾分類(lèi)回收

·   監控加工區域，例如激光焊接過(guò)程監控

·   處理視覺(jué)定位任務(wù)，比如特定物體定位和抓取任務(wù)

基于 AI 的方法在處理這些任務(wù)時(shí)的顯著(zhù)優(yōu)勢在于，一旦經(jīng)過(guò)適當的訓練，通過(guò)學(xué)習得出的算法便能展現出出色的適應性，輕松應對輸入數據的變化。這意味著(zhù)，即使在其有限的能力范圍內，經(jīng)過(guò)充分訓練的 AI 模型也能有效有效應對并妥善解決這些陌生情境的挑戰。

鑒于 AI 技術(shù)在工業(yè)領(lǐng)域所展現出的巨大潛力，工業(yè)企業(yè)目前所面臨的核心難題在于缺乏一批能夠高效、批量地創(chuàng )建 AI 模型的專(zhuān)業(yè)技術(shù)人才。在當前競爭激烈的就業(yè)市場(chǎng)中，對 AI 專(zhuān)家的需求遠遠超出了實(shí)際的人才供給。更為關(guān)鍵的是，AI 專(zhuān)家只有與自動(dòng)化或過(guò)程控制專(zhuān)家合作，才能成功解決自動(dòng)化難題。這正是倍福的用武之地：TwinCAT Machine Learning Creator 能夠自動(dòng)執行復雜的 AI 訓練流程，使得自動(dòng)化與過(guò)程控制專(zhuān)家能夠自主創(chuàng )建 AI 模型。這極大地拓寬了這項技術(shù)的潛力，使其能夠惠及每一個(gè)人。

上傳圖像分類(lèi)數據集，將雞蛋分為“合格”、“臟污”、和“破損”三個(gè)等級

1  倍福 AI 生態(tài)系統

倍福為工業(yè) AI 應用精心構建了一個(gè)全面的生態(tài)系統，其核心優(yōu)勢在于能夠直接在工業(yè)控制器（PLC）上高效執行 AI 模型。各種傳感器都可通過(guò) EtherCAT 現場(chǎng)總線(xiàn)以及配套的 EtherCAT 網(wǎng)絡(luò )設備連接至控制系統。此外，倍福還能提供各種系統集成式機器視覺(jué)硬件，包括堅固耐用的工業(yè)相機、高性能的工業(yè)級鏡頭以及光源。傳感器信息被即時(shí)傳輸至基于 PC 的控制器，在那里可以直接處理這些信息，包括運用 AI 技術(shù)進(jìn)行深度分析。TwinCAT Machine Learning Server、TwinCAT Vision Neural Networks 和 TwinCAT Neural Network Inference Engine 等集成了 PLC 的執行模塊可用于訓練好的 AI 模型。它們既能夠充分利用 CPU 的計算資源，也能夠靈活運用 NVIDIA GPU 的算力。AI 執行模塊可以加載存儲在開(kāi)放標準“ONNX”中的訓練好的 AI 模型。這樣，用戶(hù)便可以自由地在任何適合的訓練環(huán)境中靈活訓練 AI 模型，然后在 TwinCAT 控制器中輕松執行這些模型。倍福通過(guò)其 C6043 超緊湊型工業(yè) PC，為用戶(hù)提供了集成 NVIDIA 嵌入式 GPU 并符合行業(yè)標準的可擴展硬件解決方案，從而使得整個(gè)倍福生態(tài)系統能夠以?xún)?yōu)化的方式將 AI 模型無(wú)縫集成到設備的控制層中。

2    自動(dòng)創(chuàng )建 AI 模型

倍福秉承開(kāi)放式控制技術(shù)理念，設計了現有的 PLC 集成式執行模塊，以支持 ONNX 標準，從而實(shí)現了 AI 模型與 AI 訓練環(huán)境的無(wú)縫對接，無(wú)論用戶(hù)使用的是何種訓練環(huán)境。ONNX 文件將一個(gè)訓練好的 AI 模型描述為帶相關(guān)參數的算子序列。這些描述文件能夠輕松加載到 TwinCAT Machine Learning Server 等 TwinCAT 3 功能組件中，然后由 PLC 執行；但是，諸如 PyTorch 或 Scikit-learn 等通常用于訓練 AI 模型的機器學(xué)習框架主要面向 AI 專(zhuān)家，他們通常會(huì )在 Python 編程環(huán)境中精心準備訓練數據，創(chuàng )建 AI 模型架構，并深入進(jìn)行模型訓練。

訓練 AI 模型

倍?，F在通過(guò) TwinCAT Machine Learning Creator，提供了一種更為簡(jiǎn)單的方法，即借助基于 Web 的界面引導用戶(hù)輕松完成數據上傳、模型訓練、模型分析和模型下載等全流程。我們的目標群體主要包括自動(dòng)化和過(guò)程控制專(zhuān)家，即使他們不具備數據科學(xué)背景，也能通過(guò)我們的平臺實(shí)現 AI 模型訓練過(guò)程的標準化。

3    數據上傳

機器學(xué)習的整個(gè)概念都圍繞著(zhù)通過(guò)實(shí)例數據來(lái)學(xué)習?？紤]到這一點(diǎn)，擁有一個(gè)干凈且具有代表性的數據集對于學(xué)習任務(wù)來(lái)說(shuō)至關(guān)重要。這通常需要一個(gè)已標注的數據集：以圖像分類(lèi)領(lǐng)域為例，這意味著(zhù)一定數量的樣本圖像已經(jīng)過(guò)人工分類(lèi)處理。因此，每張圖像都被打上了標簽，代表所期望的結果。圖像和標簽之間的關(guān)系通過(guò)標簽文件建立，在最簡(jiǎn)單的情況下，標簽文件是一個(gè)包含文件名和相應標簽的表格。

數據上傳方式是開(kāi)放的，支持多種圖像數據格式和標簽文件格式。這意味著(zhù)用戶(hù)可以自由選擇標簽工具（如果需要的話(huà)）。我們目前正在將 TwinCAT Analytics Data Scout 用作標簽工具，以實(shí)現從 TwinCAT 控制器到 TwinCAT Machine Learning Creator 的高效數據集成。

4    AI 模型訓練

AI 訓練流程的配置保持精簡(jiǎn)，其核心步驟包括創(chuàng )建一個(gè)模型名稱(chēng)，并將數據集（或多個(gè)數據集）添加到訓練過(guò)程中。除了核心配置之外，所有其它配置均為可選配置，用戶(hù)可根據實(shí)際應用需求靈活調整，以精確控制 AI 模型在 TwinCAT 控制器上的運行行為。如果明確了采用倍福的 TwinCAT 硬件平臺和 TwinCAT 軟件創(chuàng )建 AI 模型，用戶(hù)就可以設定 AI 模型最大可接受的執行時(shí)間閾值。我們在創(chuàng )建 AI 模型的過(guò)程中會(huì )考慮到這些關(guān)鍵信息。如果未明確設定最大執行時(shí)間，系統則會(huì )完全專(zhuān)注于優(yōu)化 AI 模型的性能（泛化能力）。

5     模型分析

AI 模型，尤其是使用 TwinCAT Machine Learning Creator 創(chuàng )建的深度神經(jīng)網(wǎng)絡(luò )（深度學(xué)習模型），具有良好的泛化特性。這表示模型的預期性能也非常出色；然而，神經(jīng)網(wǎng)絡(luò )本質(zhì)上是一個(gè)“黑盒子”，其功能性只能通過(guò)專(zhuān)門(mén)的分析技術(shù)，而非簡(jiǎn)單直接的方法來(lái)破解。這些方法也被稱(chēng)為“可解釋性 AI”。

訓練好的 AI 模型的分析方法呈現出多元化的特點(diǎn)。軟件會(huì )自動(dòng)將上傳的數據集進(jìn)行智能劃分，一部分被指定為訓練數據，用于訓練模型；另一部分則作為測試數據，用于模型分析。測試數據集包含了 AI 模型未曾見(jiàn)過(guò)的實(shí)例數據，即未知實(shí)例，但這些實(shí)例已經(jīng)被打標。這樣就可以精確地計算出統計值，直觀(guān)地顯示模型的正確率和錯誤率。在模型的每一次執行期間，系統還會(huì )計算出相應的置信度值，并以統計數據的形式呈現。在模型每次執行過(guò)程中，系統甚至還可以智能地生成一個(gè)顯著(zhù)圖，該圖疊加在原始輸入圖像上，用以指示在進(jìn)行圖像分類(lèi)時(shí)需要重點(diǎn)關(guān)注哪些圖像區域。

分析 AI 模型

6    模型下載

一旦 AI 模型經(jīng)過(guò)訓練并達到集成至設備控制系統的標準，即可作為 ONNX 文件從平臺下載。這意味著(zhù) AI 模型并不局限于在 TwinCAT 環(huán)境，而是能夠根據需要在任何平臺上頻繁部署。此外，完整的 TwinCAT PLC 代碼也可以以 PLCopen XML 格式從平臺下載，包括圖像獲取、圖像預處理以及 AI 模型執行和后處理的完整流程。訓練工具相應地無(wú)縫過(guò)渡到 TwinCAT PLC。

從訓練平臺導出 ONNX 文件的另一大優(yōu)勢在于，它極大地促進(jìn)了 AI 專(zhuān)家的參與。這些專(zhuān)家能夠借助 TwinCAT Machine Learning Creator 快速且標準化地構建出高質(zhì)量的初始 AI 模型。然后，用戶(hù)可以將 ONNX 格式的結果導入到各個(gè)專(zhuān)業(yè)工具中繼續處理，例如對模型進(jìn)行額外的分析或精細化調整。

下載訓練好的 AI 模型 

7    功能特點(diǎn)和優(yōu)勢

TwinCAT Machine Learning Creator 具備以下特性：

·    通過(guò) TwinCAT 中的無(wú)代碼平臺輕松創(chuàng )建 AI 模型

·    AI 模型已經(jīng)針對實(shí)時(shí)應用進(jìn)行了延遲調優(yōu)

·    充分利用了開(kāi)放的標準、接口以及 AI 的最佳實(shí)踐

·    提供訓練好的 ONNX 格式的最終模型

·    在整個(gè) AI 模型的開(kāi)發(fā)、測試和驗證過(guò)程中提供高透明度

·    支持企業(yè)內部的 AI 模型標準化工作，推動(dòng)模型的進(jìn)一步開(kāi)發(fā)

·    特別適合用于基于圖像處理的質(zhì)檢領(lǐng)域

自動(dòng)化的 AI 模型創(chuàng )建將帶來(lái)以下應用優(yōu)勢：

·    幫助所有企業(yè)釋放 AI 潛力

·    包括小微企業(yè)在內的所有企業(yè)都可以利用 AI 技術(shù)提高競爭優(yōu)勢

·    解決高技能人才日益短缺的難題

·    極大地簡(jiǎn)化 AI 專(zhuān)家的工作，最大限度地減少出錯可能性

·    所需的專(zhuān)用程序數據可以得到妥善保護，所有數據都會(huì )保留在企業(yè)內

·    加快項目開(kāi)發(fā)進(jìn)程，幫助企業(yè)更快地實(shí)現投資回報