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，而这些情况往往令传统规则算法束手无策。
- 面对光照和环境变化时具有高度稳定性
- 通过重新训练即可适配新的产品型号
- 无需手动调参即可实现100% 的测试覆盖率，
- 通过 TwinCAT 无缝集成至控制系统
- 质量与表面检测
金属、木材及聚合物表面缺陷检测，包括裂纹、划痕、污渍与形状偏差
（典型应用：金属部件、木质板材及注塑件的 EOL 测试） - 分类与分拣
根据质量等级、颜色、成熟度或损伤程度分拣天然产品
（典型应用：禽蛋、水果等农产品的等级分类） - 制造过程中的异常检测
对包装、焊接或装配工序进行视觉监测，实时识别工序异常
（典型应用：食品包装封口质量缺陷检测） - 物体识别与定位
基于 AI 技术的元件、孔位或标记点检测，为机器人拾放与装配流程提供视觉引导
（典型应用：利用 PET 瓶身标识对瓶体进行定位校准，实现精准贴标）
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。
- 识别超出经典阈值的细微特征
- 将多个传感器信号整合为统一的状态表示模型
- 通过 TwinCAT 无缝集成至控制系统
- 工艺监测与质量保证
根据电气或机械信号对焊接、冲压或包装工艺进行 AI 评估
（典型应用：通过伺服电流曲线检测封口缺陷） - 工艺优化
动态调节压紧力、进给速率及温度等参数，实现能效与产品质量的最优化
（典型应用：基于电流曲线实现铣削加工的自适应进给控制） - 预测与控制
对风向、压力及温度等过程变量进行短期预测，以实现预测性控制
（典型应用：通过预测风速和风向将风力发电机组运转至最佳方位） - 状态监测与预测性维护
通过分选振动与电流信号，及早识别轴承损伤、不平衡及泵体磨损
（典型应用：通过温度和电流曲线实现压缩机缺陷检测）
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。
每个应用以及每个 IT 基础设施都对采集机器数据的方法提出了不同的要求：SQL 或 noSQL、基于文件、本地或远程、限制端口、基于云的数据存储等等。对于所有这些应用场景，都有大量成熟的 TwinCAT 产品可供选择，例如 TF6420 TwinCAT 3 Database Server、TF3300 TwinCAT 3 Scope Server、TF3500 TwinCAT 3 Analytics Logger 或 TF6720 TwinCAT 3 IoT Data Agent。对于图像数据，TwinCAT Vision 提供了用于图像采集、图像（预）处理和图像存储的完整产品系列。
机器学习模型的构建，离不开干净且具代表性的数据集作为基础。在明确具体任务需求后，对相关数据进行预处理与标注，然后执行模型训练，整个过程既能够借助自动化手段实现，也可根据实际需求手动完成。
为自动化和过程控制专家带来的优势
TE3850 TwinCAT 3 Machine Learning Creator 是核心平台，即便是不具备 AI 知识的用户也能通过它直观便捷地创建专属 AI 模型。TE3851 TwinCAT 3 Machine Learning Creator Computer Vision 模块可用于训练基于图像的视觉应用，涵盖从质量检测到物体识别等多种场景。TE3852 TwinCAT 3 Machine Learning Creator Signals and Time Series 模块为平台补充了强大的信号与时间序列分析功能，适用于异常检测、预测性维护或过程监控等场景。
- 通过基于 Web 的零代码界面实现自动化、直观的模型训练
- 可针对倍福硬件在精度和延迟方面调优
- 支持 ONNX 开放标准格式导出，确保最大程度的互操作性
- 提供 PLCopen XML 文件，实现与 TwinCAT 的无缝集成
由此打造一个标准化、可复现的训练流程，使模型开发无需依赖数据科学专业知识。
为 AI 专家带来的优势
根据其目标和工作方法，AI 专家在倍福生态系统中可扮演两种角色：
- 掌握 Machine Learning Creator 工具的 AI 专家
TwinCAT 3 Machine Learning Creator 工具可作为提升效率的利器，用于标准化、加速并记录训练流程。数据科学家可借助该工具快速生成初始模型（即“版本 0”）、创建基准数据，或比较不同配置。生成的模型随后可通过 ONNX 格式导入专业 AI 框架中进一步进行优化。 - AI 专家以独立用户的身份使用框架
另外，数据科学家也可完全在自己熟悉的环境中开展工作。通过 PyTorch 或 TensorFlow 等框架训练的模型可直接导出为 ONNX 文件，并集成到倍福 AI 系统中。这一方式既保留了模型设计的完全自由度，又能在 TwinCAT 中无缝执行。
这两种方法完全兼容且具有互操作性。如此一来，企业不仅能够充分利用现有的 AI 专业知识，还能结合倍福环境的实时性与自动化优势，因此既不会出现平台绑定，又能实现最大程度的集成深度。
如果将训练完成的模型导出成 ONNX 文件，则可直接在控制计算机上加载并执行。这使得 AI 成为 PLC 应用不可或缺的组成部分，并带来以下诸多优势：
- 无需额外的硬件和接口
- 用于维护、安全与更新的标准化系统
- 实时直接访问所有设备数据
- 高性价比、可扩展且透明
硬件
根据模型规模与实时性需求，可选择从基于 CPU 到 GPU 加速的多样化硬件方案。
基于 CPU 的运行模式：对于许多应用场景而言，无需额外专用硬件，在标准 CPU 上运行 AI 模型已能满足需求。倍福成熟的产品系列可以搭载从 Intel Atom® 到 Intel® Xeon® 等不同性能等级的处理器，并支持以高性价比方式实时将 AI 模型集成至 TwinCAT Runtime 中。
GPU 加速执行：对于较大的神经网络或高实时性需求，建议使用基于 GPU 的系统。C6043 超紧凑型工业 PC 搭载 Intel® CoreTM i 和 NVIDIA® GPU（如 RTXTM A500 或 RTXTM 2000），能够为运行复杂的深度学习或视觉模型提供所需算力，并支持通过 PLC 代码直接进行近乎实时的调用。
软件
目前有两种适用于 AI 模型的生产级应用，它们在执行类型、延迟和硬件配置方面各不相同。这两种架构都可完全集成到 TwinCAT 环境中，并支持开放式 ONNX 标准。
在 TwinCAT Runtime 中推理：AI 模型直接在控制系统 (XAR) 的实时环境中执行。计算任务在CPU上以同步且确定性的方式执行 — 特别适用于周期固定或具有硬实时要求的应用场景。该方案无需额外硬件，可直接使用倍福成熟的工业PC 产品线， 尤其适合运行相对紧凑的深度学习或经典机器学习模型，在对低延迟与精确时序要求严苛的场景中表现出色。
推理服务器（GPU 加速）：另一种方案是，AI 模型的推理也可在独立服务进程中执行。该架构通过 GPU 显著提升 AI 算力，实现近乎实时的处理 — 尤其当与内置 NVIDIA® RTXTM GPU 的 C6043 超紧凑型工业 PC 搭配使用时。此方案特别完美契合需要兼顾高模型复杂度与快速响应能力的大型深度学习模型。此外，服务器架构支持多客户端连接，可为多个控制器集中部署与共享AI 模型。
下表列出了这些功能选项各自的特点：
| 执行类型 | 属性 | 典型产品 |
|---|---|---|
| 在 TwinCAT Runtime 中推理 |
硬实时执行 基于 CPU 经过深度优化的模型 兼容 ONNX 格式 |
TF3800 | TwinCAT 3 Machine Learning Inference Engine TF3810 | TwinCAT 3 Neural Network Inference Engine TF7810 | TwinCAT 3 Vision Neural Network |
| 推理服务器（独立进程） |
近乎实时 支持 GPU 多客户端操作 兼容 ONNX 格式 |
TF3820 | TwinCAT 3 Machine Learning Server TF3830 | TwinCAT 3 Machine Learning Server Client |
通过使用更大的数据集进行训练，不断改进 AI 模型。同样，在设备的运行过程中，整体工况会逐渐或自发地发生变化。这意味着您可以在设备正常运行期间更新训练完成的 AI 模型，即无需停止设备、无需重新编译，就可以通过标准 IT 基础设施完全远程进行更新。无论您选择使用哪种 TwinCAT 产品执行 AI 模型，都可以通过 PLC 功能将新的 AI 模型传输给控制计算机并重新加载。
此外，您也可以在工业 PC 上远程或本地运行训练环境，从而可以无论在现场或者远程都使用 TwinCAT 重新训练、更换和加载模型。
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 功能库记录并保存约 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的关键几何数据（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可靠的实时智能化检测。
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 AI 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。然后再将相应的模型描述文件部署到一台 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 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。
TE3852 | TwinCAT 3 Machine Learning Creator Signals and Time Series
TE3852 TwinCAT 3 MLC Signals and Time Series 是基础版 TE3850 TwinCAT 3 Machine Learning Creator Web 应用程序的扩展包。该扩展包支持创建针对信号与时间序列的 AI 模型，例如分类、异常检测与预测。
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 工业 PC 配备极高性能等级的组件：ATX 主板可搭载 Intel® Processor 300 或 Intel® Core™ 3/5/7/9 处理器（系列 2）。它采用了与 C6670 相同的的外壳和散热设计，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。