TwinCAT CoAgent 与 TwinCAT Machine Learning Creator 助力实现 AI 辅助自动化
人工智能早已走出实验室与研究机构，深入日常生活场景，如今更成为工业自动化领域的关键创新驱动力。倍福早早洞察这一趋势，将 AI 功能直接集成到控制环境中。有了 TwinCAT Machine Learning，AI 模型可在设备控制器上实时运行，并深度融入 PLC 代码之中。此外，通过 TwinCAT CoAgent 与 TwinCAT Machine Learning Creator，过程控制与自动化专家可直接将 AI 技术应用于实际场景。这些产品近期的功能升级，充分彰显了倍福在推动自动化领域 AI 民主化进程中的坚定步伐。
工业领域已形成两种典型的人工智能技术应用路线：任务型人工智能和代理型人工智能。任务型人工智能专注于处理视觉质量检测、故障预测或物体定位等明确定义的任务。它基于特定领域数据，并与控制环境紧密结合 — 例如通过 TwinCAT Machine Learning Creator 和 TwinCAT Machine Learning 实现。另一方面，代理型人工智能则指基于生成式模型构建的辅助系统，通过 TwinCAT CoAgent 实现对话式交互、自动代码生成或运行时的故障分析等功能，为工程师和设备操作人员提供支持。这两种方式在不同层面形成互补：任务型 AI 直接切入设备工作流程，提升效率与质量，而代理型人工智能则贯穿研发调试至持续优化的全周期，全方位为开发运维工作赋能增效。
提升研发、运维与设备操作效率
TwinCAT CoAgent for Engineering 可为控制软件编程人员提供精准的代码建议、智能优化及自动文档生成等全方位支持。通过无缝集成至现有的项目中，可直接采纳经过验证的内容。CoAgent 还支持快速访问倍福文档系统、开发人性化 HMI 控件，以及通过聊天或自然语言轻松配置完整的 I/O 拓扑。对开发人员而言，这意味着减少常规工作与检索任务的时间消耗，显著加速日常项目进度，并能更专注于高价值自动化任务。TwinCAT CoAgent 正成为工程师的专属助手，持续提升整体工程流程的长期效率。
TwinCAT CoAgent for Operations 将这项智能代理技术延伸至设备运维领域。CoAgent 可持续监控过程值、日志文件与关键绩效指标，不仅能检测偏差，还能协同维修人员启动结构化问题处理流程：
1.建立假设。
2.进行基于证据的诊断分析。
3.生成包含分步指导的具体解决方案。
智能体协作故障诊断机制具备结合上下文对报警信息进行评估的能力。具体而言，它能够通过关联诸如功耗增加、产量下降以及日志警告等多维度信息实现精准诊断。这有助于有效减少误报警，并优先处理关键故障。其典型优势包括：显著缩短问题处理时间、提升常见故障的首次修复率，以及切实为维修人员减负增效。另一优势体现在文档生成方面：TwinCAT CoAgent 可按需生成任意时段、针对特定目标群体的详细维修报告。这些报告涵盖根本原因分析、影响范围、持续时间、建议纠正措施及待办事项跟进。还可自动生成班次报告 — 内含关键绩效指标、趋势图表以及分配给下一班次待完成的维护任务。因此，TwinCAT CoAgent for Operations 正逐步确立其作为交互式服务代理的角色，通过加速故障排查、提升运行透明度并确保始终如一的高质量报告标准，推动日常运维向智能化发展。
综上所述，倍福的 TwinCAT CoAgent 是一款贯穿整个自动化生命周期的强大人工智能助手 — 从开发阶段的代码生成到运行期间的故障诊断。TwinCAT CoAgent 的开放式架构支持集成不同语言模型，并能通过模型上下文协议（MCP）等接口标准与客户定制化扩展功能灵活组合。例如，企业可将自有知识库部署为 MCP 服务器，实现与 CoAgent 的无缝集成。通过将产品功能延伸至全生命周期，所有开发维护流程得以加速，系统复杂性显著降低，设备停机时间也大幅缩减。开发人员在日常项目工作中的效率会更高并享有更大自由度，维修团队能够快速响应各类问题并获取精准支持。系统灵活性与开放性的显著提升，不仅有力保障了投资安全，同时也确保系统能够适应未来需求。
AI 自动建模技术在信号与时间序列分析中的应用
倍福推出的 TwinCAT Machine Learning Creator（MLC）主要面向自动化和过程控制专家，并将自动创建、训练 AI 模型的功能添加到 TwinCAT 3 工作流程中。这不仅助力中小企业挖掘人工智能潜力 — 提升竞争力并缓解日益严峻的技术人才短缺问题，同时该工具也为 AI 开发者减负：作为“零版本生成器”，它能自动创建初始模型变体，减少错误源并加速开发进程。此外，该工具还提供丰富的方法体系，可透明呈现模型行为、对比不同变体，并通过报告自动生成功能支持审计流程。通过配备合适的工具，直接相关的自动化工程师们能够自主解决技术挑战，使得专业知识更深层次地嵌入企业体系，实现长期技术积淀。
经 TwinCAT MLC 自动训练的模型支持 ONNX 格式的导出，且在延迟与精度方面完美适配控制环境的实时性要求。该工具现阶段重点聚焦于 AI 支持的图像处理。凭借 TwinCAT MLC Signals and Time Series 模块，倍福正持续拓展 Machine Learning Creator 的功能范围：除图像处理（TwinCAT MLC Computer Vision）外，现在也能高效处理信号与时间序列分析任务。典型应用场景包括：
- 分类任务（如质量检测）
- 预测任务（如能耗或风速预测）
- 异常检测（如设备状态监测）
信号与时间序列既包含单一信号随时间或其它变量（如频率、波长、距离或角度）的变化走势，也涵盖多个信号沿不同维度并行演变的情况，例如压力、温度与电功率随时间的变化曲线。
信号与时间序列分析为工业应用开辟了广阔场景，特别是在倍福基于 PC 的控制技术已能获取全面设备数据的基础上。通过 TwinCAT Scope View、Analytics Logger、Database Server 以及 Data Agent 等工具，可直接在控制过程中便捷地完成数据采集。
异常检测与状态监测
信号与时间序列分析的核心应用领域是异常检测：通过分析诸如信号传输故障、供电波动、操作误差或环境条件变化等干扰事件的时间关联性，可准确定位故障根源。典型应用场景包括：
- 基于电流、振动或声学信号的电机故障（轴承损伤、失衡、机械结构问题）检测
- 通过电流与温度数据诊断泵及压缩机故障
- 通过压力监测实现液压或气动系统泄漏检测
- 通过主轴电流信号识别铣削与钻削刀具的磨损情况
质检与工艺监测
质检领域也展现出新的潜力。基于传感器的非光学生产线末端测试可评估电气特性（如阻抗曲线）或几何变量。在线分析技术为以下应用实现工艺集成式质量监测：
- 通过电流电压曲线监控焊接工艺
- 基于伺服电机电流的切割与包装工艺
- 基于电机电流的密封、研磨或成型加工
- 利用温度-时间曲线监测食品生产中的揉面与发酵过程
- 半导体生产中晶体生长等复杂工艺
工艺优化与能效提升
此外，时间序列分析有助于实现工艺优化与能效提升。具体应用包括：自适应工艺参数（如进给速率、压紧力）的动态调节、基于负荷曲线与预测的能耗优化，以及复杂系统的预测性控制。以风力发电领域为例，基于预测的风向和风速数据，可实现对机舱和叶片角度的最优调节。
