AI正在成為一種潮流，不斷的引發(fā)產(chǎn)業(yè)的關(guān)注。而在制造業(yè)，AI同樣正在成為各個自動化廠商、機械制造商、用戶關(guān)注的焦點。作為自動化領(lǐng)域的技術(shù)領(lǐng)導(dǎo)企業(yè)，貝加萊一直在關(guān)注著AI的進程，并在其產(chǎn)品技術(shù)研發(fā)、工程實踐中，不斷的引入AI來解決實際制造業(yè)中的問題。

人工智能-隱性知識的挖掘

自動化系統(tǒng)正是用機器和系統(tǒng)來代替和幫助人的工作，而因此，機器和系統(tǒng)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(yīng)了物理建模（Physics-based Modeling）和數(shù)據(jù)驅(qū)動建模（Data-Driven Modeling）。物理建模具有良好的可解釋性、可預(yù)測、算力低、安全等優(yōu)點。但是，物理建模并不產(chǎn)生新知識，并且，它的控制是在既定規(guī)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，它無法被有效的描述進而復(fù)用。并且，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(shù)據(jù)驅(qū)動的建模，包括統(tǒng)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(chǔ)能力。

圖1-工業(yè)知識的軟件化過程

圖1顯示了工業(yè)軟件的本質(zhì)在于知識的復(fù)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。實際上，自動化系統(tǒng)進行AI的訓(xùn)練具有先天的條件。而現(xiàn)代控制理論的研究中，控制科學(xué)與工程領(lǐng)域的專家通常也兼具AI專家。主要在系統(tǒng)辨識、最優(yōu)優(yōu)化、模糊控制、自適應(yīng)控制等領(lǐng)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。

自動化開發(fā)工業(yè)AI優(yōu)勢

與商業(yè)AI不同，工業(yè)AI在可解釋性、實時性、穩(wěn)定與安全等有著特殊的需求。這使得自動化領(lǐng)域的工程師，必須依據(jù)工業(yè)的特殊場景，基于AI的方法和工具，來解決復(fù)雜的問題。因此，在工業(yè)AI的應(yīng)用開發(fā)中，自動化領(lǐng)域有著先天的優(yōu)勢。

這包括了以下幾個方面：

1).在數(shù)據(jù)方面的資源

自動化領(lǐng)域有豐富的現(xiàn)場數(shù)據(jù)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(nèi)存中的中間計算量等，這些數(shù)據(jù)可以被直接訪問，也可以被訪問。

2).工業(yè)通信與信息建模

通信，除了底層的物理層與數(shù)據(jù)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(shù)據(jù)被結(jié)構(gòu)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(tǒng)與邊緣、云端系統(tǒng)，經(jīng)由通信規(guī)范來實現(xiàn)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(shù)據(jù)的上下行訪問。

3).機電經(jīng)驗積累的專家

在工業(yè)自動化領(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，才能更好的進行控制。而同樣，這些經(jīng)驗豐富的機電專家，在AI的數(shù)據(jù)采集、特征工程、訓(xùn)練模型的評估、參數(shù)調(diào)校、泛化方面給出自己的洞見（Insight）--這非常關(guān)鍵，因為，工業(yè)數(shù)據(jù)的背后是機電的強耦合關(guān)系，這些關(guān)系的判斷，對于AI如何去訓(xùn)練具有非常重要的指導(dǎo)意義。

圖2-自動化在工業(yè)AI應(yīng)用中的優(yōu)勢

4).智能執(zhí)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(xiàn)場執(zhí)行。基于工業(yè)的控制系統(tǒng)、運動控制、輸送技術(shù)—AI優(yōu)化的參數(shù)、模型，可以被本地推理，并發(fā)送給智能的執(zhí)行機構(gòu)去執(zhí)行。而工業(yè)自動化可以現(xiàn)場執(zhí)行—實現(xiàn)整個的邏輯閉環(huán)。

AI應(yīng)用場景分析

在工業(yè)場景中，較為常見的AI應(yīng)用需求包括：

1).機器人智能導(dǎo)引：在離散產(chǎn)品組裝線上，機器人目前已經(jīng)廣泛應(yīng)用于產(chǎn)品分揀等，但是，隨著AI的智能導(dǎo)引訓(xùn)練的加入。機器人將完成更多、更復(fù)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(xué)習，而非傳統(tǒng)的既有規(guī)則下的編程實現(xiàn)。

圖3-AI在制造業(yè)中的常用場景

給機器人裝上視覺、激光測距、力矩和安全感測等傳感器，機器人將會變得更為聰明，應(yīng)對復(fù)雜的場景變化，卻降低工程開發(fā)的依賴。

2).視覺缺陷分析：視覺的高維度參數(shù)中包含了各種可能性，而缺陷包括劃痕、斑點、輪廓線的偏差、中心點位置等，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。 

3).工藝參數(shù)優(yōu)化：這是傳統(tǒng)的控制科學(xué)與工程研究領(lǐng)域，在過去，囿于算力成本，它并未被大量的應(yīng)用。隨著算力成本的降低，對于各種閉環(huán)控制，在PID參數(shù)、前饋、濾波等參數(shù)的尋優(yōu)方面，AI可以發(fā)揮其作用。通過為原有的數(shù)據(jù)建立約束條件，使得參數(shù)可以被收斂到更為高效的匹配中。 

4).創(chuàng)成式設(shè)計：在新的系統(tǒng)設(shè)計方法中，創(chuàng)成式設(shè)計在機械、動力學(xué)領(lǐng)域開始有應(yīng)用。而隨著AGI的快速發(fā)展，其在自動化工程領(lǐng)域也有了潛力。它可以為工程師在重復(fù)性，以及更為廣泛的開源設(shè)計尋找創(chuàng)新的靈感，使得設(shè)計不僅高效，并且，更具創(chuàng)新性。

5).故障預(yù)警：故障早期預(yù)警是較為普遍的使用，傳統(tǒng)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(fù)雜的傳動鏈，它非常依賴于專家及長期的故障復(fù)現(xiàn)才能實現(xiàn)預(yù)測。而基于數(shù)據(jù)的方式，在于不依賴這些物理知識下，通過數(shù)據(jù)的挖掘來實現(xiàn)故障預(yù)測與定位，如果能夠結(jié)合物理方法，兩者發(fā)揮各自優(yōu)勢，將會讓AI發(fā)揮事半功倍的效果。

6).排程與調(diào)度：隨著產(chǎn)品多樣性、流程復(fù)雜性，以及長流程生產(chǎn)中的復(fù)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(diào)度能力。而AI正是擅長在這復(fù)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(yōu)的約束條件）的調(diào)度組合。

軟硬件架構(gòu)

在AI應(yīng)用中，貝加萊可以提供多個層級的IT與OT融合架構(gòu)

1).根據(jù)多個層級的算力需求的硬件架構(gòu)

在對算力需求并不高的場景里，嵌入式系統(tǒng)如X20的PLC本身也可以作為一個AI處理單元。

2).邊緣側(cè)的訓(xùn)練

對于較高算力，及邊緣側(cè)的全局數(shù)據(jù)訓(xùn)練，可以通過APC/Panel PC方式進行訓(xùn)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。

3).云端長周期數(shù)據(jù)訓(xùn)練

對于較長周期的大數(shù)據(jù)訓(xùn)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(wù)上的模型訓(xùn)練可提供更大容量的數(shù)據(jù)，更長周期的訓(xùn)練。并通過OPC UA下發(fā)至本地推理。

圖4-貝加萊的整體AI與控制集成架構(gòu)

如圖4，通過Hypervisor技術(shù)的PC，在Linux平臺的數(shù)據(jù)訓(xùn)練方法可以進行本地的AI訓(xùn)練和推理，也可以長周期的云端訓(xùn)練，并通過通信系統(tǒng)部署本地推理。而整個系統(tǒng)可以實現(xiàn)底層數(shù)據(jù)采集、通信傳輸、模型訓(xùn)練、現(xiàn)場執(zhí)行，構(gòu)成完整的應(yīng)用閉環(huán)。

應(yīng)用場景

案例1:X光輪胎缺陷檢測

由于輪胎關(guān)乎乘用車輛的安全性，因此，缺陷檢測環(huán)節(jié)在出廠前是一個必須的環(huán)節(jié)。在過去，通過X光成像后的缺陷標定，都特別依賴于經(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，使得這個檢測會變得較為困難。輪胎的缺陷也具有多樣性，如內(nèi)部氣泡、鋼絲圈的纏繞中的錯位、斷裂，內(nèi)部褶皺等，這些缺陷之間也會產(chǎn)生相似性的干擾，這為輪胎缺陷檢測帶來了復(fù)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(tǒng)進行處理。

圖5-采用卷積神經(jīng)網(wǎng)絡(luò)進行輪胎缺陷檢測

通過采用卷積神經(jīng)網(wǎng)絡(luò)CNN算法，對來自X光機的圖像進行識別，系統(tǒng)將不斷對各種缺陷進行類型判定、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(shù)據(jù)庫。由生產(chǎn)管理系統(tǒng)對其進行相應(yīng)的處理，并作為依據(jù)為前道的生產(chǎn)提供改善參數(shù)。

案例2：預(yù)測性維護

預(yù)測性維護是比較多的場景，過去，專家型系統(tǒng)昂貴是一方面，另外就是場景適用性比較單一。隨著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(shè)備上部署預(yù)測性維護系統(tǒng)。

圖6-預(yù)測性維護架構(gòu)

圖6是貝加萊在相關(guān)設(shè)備領(lǐng)域提供的機器早期故障預(yù)警的系統(tǒng)架構(gòu)。通過AI的數(shù)據(jù)分析，可以為機器的長周期穩(wěn)定運行提供預(yù)警。通過預(yù)警，實現(xiàn)幾個關(guān)鍵的制造過程管控。首先是制定停機和備件計劃，而對于OEM而言，它可以提供在出廠前振動分析和運行中設(shè)備的過程中預(yù)警，并可以返回作為改善設(shè)計的依據(jù)。

貝加萊未來的AI投資

貝加萊一直在專注于AI與自動化技術(shù)的融合，并在其未來的產(chǎn)品技術(shù)中，融入AI元素，增強自動化系統(tǒng)解決制造問題的能力。

1.Automation Studio CoPilot-生成式AI用于編程

在即將到來的Automation Studio開發(fā)平臺中，生成式AI將幫助工程師來提高代碼開發(fā)的效率。

圖7-生成式AI應(yīng)用于PLC編程

在圖7中，我們可以看到，點擊“提問”，以語音/文本輸入給系統(tǒng)，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：

1).采用ST語言生成程序

2).注釋和代碼優(yōu)化

3).提供對開發(fā)者問題的生成式響應(yīng)能力。

圖8-生成式AI與自動化工程開發(fā)

2.深度學(xué)習的AI視覺

通過與AI領(lǐng)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(guī)則（Rule-based）的圖像處理系統(tǒng)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(guī)則的函數(shù)對熱圖進行詳細的分析。

 圖9-AI集成的機器視覺

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(xiàn)與運動控制、機器人、邏輯任務(wù)實現(xiàn)高精度的同步。

極高響應(yīng)的AI視覺可以讓處理過程更高精度、更快的響應(yīng)-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(zhì)一致性。

3.機器人的手-眼標定

在新的機器人集成應(yīng)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。

圖10-機器人的眼-手示教

它將降低機器人在生產(chǎn)變化中的示教時間，減少編程所需的工作，并能夠適應(yīng)快速的生產(chǎn)任務(wù)變化。

4.集成AI能力的伺服驅(qū)動器

AI加持伺服驅(qū)動器的參數(shù)自適應(yīng)

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(shù)匹配，以獲得更優(yōu)的控制效果。這關(guān)系到加工精度，單位時間的產(chǎn)出，也會因為曲線的光滑與否關(guān)系機器的運行壽命。通常這些伺服參數(shù)由經(jīng)驗豐富的工程師在機器設(shè)計時，為其建模并能夠進行良好的控制。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(jīng)由電流、速度、位置等反饋，由AI學(xué)習并訓(xùn)練出優(yōu)化的運動控制參數(shù)，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、注塑開合模等。

在貝加萊的持續(xù)創(chuàng)新中，也包括邊緣側(cè)的控制器、AI集成的驅(qū)動系統(tǒng)等，未來AI將更多的融入自動化開發(fā)平臺中，為用戶帶來更具創(chuàng)新，而又效率更高、成本更低的自動化解決方案。