TwinCAT Machine Learning：
具有可扩展性、开放性及实时性
如今，人工智能 (AI) 已被视为自动化领域的关键技术。它能够模仿和执行人类的认知和决策过程，为流程优化、质量提升和能效管理开辟了新路径。机器学习 (ML)作为最具成效的实现方式，能够从样本数据中识别出模式与关联关系。
倍福将这项技术一以贯之地融入基于 PC 的控制领域：通过 TwinCAT 3 Machine Learning，AI 正成为设备控制不可或缺的组成部分。
由此打造出一个开放且高度集成的硬件与软件生态系统，使 AI 模型无需依赖外部系统或专业背景知识即可直接在 PLC 上运行。
了解倍福如何打通数据采集、模型训练与实时推理全链路，并掌握如何通过 TwinCAT 3 Machine Learning 将 AI 无缝集成至您到控制系统中。
AI 技术在工业自动化领域的应用 — 发掘新的潜力
人工智能为机械与系统工程开辟了全新路径，助力提升质量、产能和效率。在面对高方差、复杂数据模型或难以建模的工艺流程，且传统算法已触及性能极限之时，人工智能技术恰能成为传统控制与自动化控制方案的有力补充。
AI 系统通过样本学习，自主识别关联规律，并做出数据驱动的决策。这使机器具备更强的自适应能力、更高精度与更卓越的预测性能。
计算机视觉：让机器”看见“并理解世界
自动化视觉质检是 AI 技术在工业领域中最重要且最具挑战性的应用方向之一。基于经典图像处理的算法适用于解决明确定义的任务，如长度测量或边缘检测，而基于 AI 的方法则在处理天然差异和不规则形状图像时展现出独特优势，er而这些情况往往令传统规则算法束手无策。
信号与时间序列：赋予机器感知世界的能力
除视觉数据外，基于时间的信号构成了众多工业 AI 应用的基石。电流、压力、振动及温度等曲线数据为洞察工艺流程、元器件状态与工具运行提供了信息基础。AI 模型凭借其强大的分析能力，能够在早期敏锐地捕捉到数据中的模式特征与异常偏差，为预测性维护、工艺优化以及实时异常检测等关键环节提供坚实有力的技术支撑。
从数据到应用
倍福可提供从数据采集到实时执行的完整工作流程 — 全集成、开放且无任何平台绑定。借助其开放式系统，倍福可以灵活使用 TwinCAT 模块化系统中的软件包和功能块满足特定的应用需求。这也适用于现有的不基于倍福产品的系统基础架构。
请参阅下文，了解倍福可按照右侧列出的工作流程为您提供的更多选项。
人工智能在控制系统中的应用举例
在金属制件的离散制造中，几何形状往往对成品质量产生重要的影响。除了采用公制测量法对工件进行定量评估以外，定性描述（例如，按照传统分类方法，将工件分为“合格”和“不合格”）通常就足够了。
使用 TwinCAT Vision 功能库记录并保存 200 个代表性的图像数据集。数据被标注为“合格”和“不合格”，其中各种不同的错误模式均被归纳为“不合格”。通过 TE3850 TwinCAT 3 Machine Learning Creator，可以根据该数据集训练出一个图像分类模型，该模型预测工件合格/不合格的准确率超过了 95%，用户无需具备任何 AI 专业知识。
食品生产流程的自动化有助于提高食品生产效率，减少资源浪费。其中一项挑战是食品的自动化分拣，因为与人工制造出来的产品相比，食品有着很大的天然差异。以鸡蛋为例，鸡蛋应自动分为“合格”、“脏污”、和“破损”三个等级。为此，我们根据这三个等级拍摄了 200 张图像并进行了标注。通过 TE3850 TwinCAT 3 Machine Learning Creator 可以创建一个 AI 模型，该模型分类鸡蛋的准确率超过了 90%。通过使用产品中包含的 AI 模型的可解释性方法，我们不难发现，尤其是在从“合格”到“脏污”的边缘区域出现了分类错误。这让我们明白了需要采取哪些措施来改进模型：要么在“合格”和“脏污”之间的边缘区域提供更多的样本数据，要么通过修改现有标注来更加清晰地定义边缘。
风力发电机组是实现全球向可再生能源平稳过渡的关键部件， 它们可将风的动能转为清洁的电力。了解风向和风速对于系统的发电效率具有重要意义。当风向发生变化时，机舱上安装的转子会自动调整迎风方向。至于转子叶片的倾角，则根据风速进行调整，使风力发电机组尽可能在额定输出功率下持续运行。
风向跟踪和桨距调节的速度相对较慢，因此必须对风向和风速进行估算，才能预测性地将风力发电机组运转至最佳方位。
根据从风力发电机组收集到的实时风力数据创建了一个 AI 模型，该模型能够在可接受的误差范围内估算出未来 10 到 20 秒内的风向和风速值。估算完全基于过去的风力值。创建的模型可以通过 TF3810 TwinCAT 3 Neural Network Inference Engine 轻松集成到 TwinCAT 中。
机械地脚螺栓一般由螺栓、垫圈、六角螺母和金属套筒组成。套筒和钻孔壁之间的摩擦力确保了在使用时有足够的附着力。用金属螺栓的锥形头分开套筒与钻孔，以便给钻孔施加附着力所需的正向力。
该项目由研发工程师 Robin Vetsch 负责，作为瑞士东部应用科技大学系统科技学士学位课程的一部分，重点关注预成型冲孔套筒封闭连接地脚螺栓锥颈的密封过程。质检程序仅使用现有的机器数据源，即无需安装额外的传感器。
在开展这个项目之前，操作人员基本都是使用量具手动检查螺栓套筒的密封质量。现在表明，根据质量规范，所有外壳都可以分为三个不同的等级（闭合过松，正好，闭合过紧）。此外，需要使用回归分析法预测包围套筒关键的几何数据（套筒宽度、高度和开口）。对密封过程进行 100% 检验可以在早期阶段检测出异常趋势或偏差。
在中国任意规模的食品商店和超市中，几乎都可以看到方便面的身影。国内某大型方便面制造商为了减少带有封包瑕疵的产品流入市场，降低其客户对包装瑕疵的投诉率，决定使用包括 TwinCAT Machine Learning 产品在内的倍福控制技术， 使其方便面外包装质量可以得到实时的智能化检测。
首先，使用倍福的 EL1xxx 或 EL3xxx EtherCAT 数字量和模拟量输入端子模块结合 TE1300 TwinCAT 3 Scope View Professional 采集传感器数据。然后使用开源的学习框架 Scikit-learn 训练机器学习模型，并生成模型描述文件。控制器中的 TF3600 TwinCAT 3 Condition Monitoring 可以预处理传感器数据。然后再转换成加密的 BML 文件，最后将该文件部署到一台 CX51x0 嵌入式控制器上运行，借助 TF3800 TwinCAT 3 Machine Learning Inference Engine 实时运行 AI 模型，然后通过 EL2xxx 系列 EtherCAT 数字量输出端子模块输出推理结果，实时剔除瑕疵品。倍福控制技术具备系统开放性优势，可以非常轻松地与生产线上现有的第三方主控系统集成。
产品
TE3850 | TwinCAT 3 Machine Learning Creator
The TwinCAT 3 Machine Learning Creator 可基于数据集自动创建 AI 模型。这些 AI 模型在精度和延迟方面可以调优，以确保它们在安装有 TwinCAT 产品的倍福工业 PC 上高效运行。生成的模型也仍可作为标准的 ONNX 模型，用于非倍福产品。在使用 TwinCAT 产品执行 AI 模型时，除模型本身外，还创建了一个带 IEC 61131-3 代码的 PLCopen XML 文件，该文件描述了完整的 AI 模型训练流程，并可以无缝导入到 TwinCAT 中。
TE3851 | TwinCAT 3 Machine Learning Creator Computer Vision
TE3851 TwinCAT 3 MLC Computer Vision 是基础版 TE3850 TwinCAT 3 Machine Learning Creator Web 应用程序的扩展套件。该扩展套件支持创建用于图像处理的 AI 模型，例如图像分类、异常检测与目标识别。
TE3852 | TwinCAT 3 Machine Learning Creator Signals and Time Series
TE3852 TwinCAT 3 MLC Signals and Time Series is an extension package for the basic TE3850 TwinCAT 3 Machine Learning Creator web application. This extension enables creation of AI models for signals and time series, e.g. classification, anomaly detection, and forecasting.
TE3860 | TwinCAT 3 Machine Learning Creator Resource Pack
TE3860 TwinCAT 3 MLC Resource Pack 是基础版 TE3850 TwinCAT 3 Machine Learning Creator Web 应用程序的扩展套件。如果需要更多计算时间，例如用于训练更多的 AI 模型，则可通过该扩展套件灵活获取额外的计算时间。
TF3800 | TwinCAT 3 Machine Learning Inference Engine
TF3800 TwinCAT 3 功能组件是一个用于执行训练好的机器学习算法的高性能功能块（推理引擎）。
TF3810 | TwinCAT 3 Neural Network Inference Engine
TF3810 TwinCAT 3 功能组件 是一个用于训练神经网络的高性能功能块（推理引擎）。
TF3820 | TwinCAT 3 Machine Learning Server
TF3820 TwinCAT 3 Machine Learning Server 是一款高性能的推理服务，用于执行训练好的 AI 模型，并支持配备硬件加速器。
TF3830 | TwinCAT 3 Machine Learning Server Client
TwinCAT 3 Machine Learning Server 的标配包含一个与本地客户端（本地 TwinCAT Runtime）连接的接口。如果（可能更多的）TwinCAT Runtime 需要远程访问 TwinCAT 3 Machine Learning Server，这些 Runtime 必须具有 TF3830 TwinCAT 3 Machine Learning Client 的授权。
TF7800 | TwinCAT 3 Vision Machine Learning
TwinCAT 3 Vision Machine Learning 提供专门用于机器视觉的集成式机器学习（ML）解决方案。机器学习模型的训练和实现都是实时进行的，甚至可以帮助机器自动学习复杂的数据分析。这可用于取代复杂的、手动创建的程序结构。
TF7810 | TwinCAT 3 Vision Neural Network
TwinCAT 3 Vision Neural Network 提供专门用于机器视觉的集成式机器学习（ML）解决方案， 支持实时执行机器学习模型。借助这些模型，可以自动学习、分析复杂的数据。这意味着可以取代复杂的、手动创建的程序结构。
C6043 | 超紧凑型工业 PC 采用 NVIDIA® GPU
搭载 NVIDIA® GPU 的 C6043 工业 PC 适用于对 3D 图形或深度集成的机器视觉和 AI 程序块有较高要求且周期时间极短的应用场景。它是一款高性能设备，内置了用于插入高性能显卡的插槽，它的推出进一步完善了超紧凑型工业 PC 的产品范围。通过搭载新一代 Intel® Core™ 处理器和 NVIDIA® 并行计算显卡芯片，该款 PC 成为适合用于超复杂应用的中央控制单元。倍福 TwinCAT 3 控制软件能够将其映射为一个全集成的解决方案，无需任何额外的软件或接口。通过增加可自由分配的 PCIe® 紧凑型模块插槽，C6043 可以通过添加功能的方式灵活扩展。
C6675 | 控制柜式工业 PC
C6675 系列工业 PC 配备高性能等级的组件：新一代 Intel® Celeron®，Pentium® 或 Core™ i3/i5/i7/i9 处理器和 ATX 主板。它采用了与 C6670 相同的外壳和散热设计，因此也能够安装 GPU 加速卡。标准长度插卡总功率高达 300 W。因此，机器学习或机器视觉领域涉及到的应用也可以在工业环境中实现。