說現在最熱門的前沿技術
，那非人工智能（AI）莫屬。而人工智能的核心卻是機器學習（ML）。可以說
，掌握了機器學習，也就掌握了人工智能技術。

那麼，對於工業用戶來說
，如何將機器學習引入到自動化領域，突破傳統自動化技術發展的天花板呢？麵對人工智能、機器學習、深度學習、神經網絡……這些深奧的概念，如何快速了解和掌握呢？

這篇隻需 5 分鍾就能閱讀完畢的文章
，讓您輕鬆掌握機器學習的概念
、關鍵技術、如何應用到工業自動化之中等內容！

首 先

我們來看一個，用機器學習進行優化的一個運動控製案例，以便你對機器學習有一個感性的認識。

zheshilianggexiangtongdezhixianjiayuanhudechuanshuguidao，danwomenkeyikandao，zuobianguidaoshangdegongjianshusongshifenpinghuan
，eryoubianguidaoshangdegongjianchuanshuhenbupingwen，jiasuhenji
，chanpindoukuaiyaobeishuaichuqule。zhebujinduiguidaoshangdegongjianyingxianghenda，erqieguidaozishendemosunyehenyanzhong，youbianguidaoshanggongjianyundongquxiandeshejixianranburuzuobiandechuanshuguidao。

那如何才能設計出左邊這樣的運動曲線呢？這裏就需要用到機器學習
，通過對工件多次的速度、加速度、位置等信息的記錄，再經過建立數據模型
，不斷優化（訓練）模型
，最後得出一個最佳的運動曲線。為何要用機器學習來設計呢，這是因為這樣的運動曲線設計並沒有現存的曲線（如正圓
、橢圓、漸開線等），也不能通過數學方程計算出來
，所以隻有借助機器學習的“算法模型加訓練”來求解出來。

看完這個例子
，您對機器學習的作用應該有了一個初步認識。下麵我們再來理解幾個常見概念。

人工智能(AI)

能夠模仿人智力的智能，分為弱 AI 和強 AI，目前AI處於弱AI階段。

機器學習(ML)

達到弱 AI 的水平，基於可以通過“訓練數據”學習特定任務的數學模型進行優化。

深度學習(DL)

專注於深度神經網絡（DNN）作為模型
，需要大量數據集進行訓練的複雜模型，目前主要用於強大的視覺應用。

三者的關係是從屬關係，如下圖所示：

jiandanlijie，jiqixuexijiushitongguogenjugeleisuanfajianlishuxuemoxing，ranhoutongguoshujubuduanxunlianmoxing，tigaomoxingzhunquexing，zuihoujiangxunlianhaodemoxingfangdaoshijiyingyongchangjingzhongyunxingzuotuilijisuan
，jiejueyongputongshuxuefangfananyijiejuedeshijiwenti。

所以我們可以總結一下，將機器學習引入到工業自動化中，需要三步：收集工業現場數據


、建立模型並訓練模型
、下載到實際應用中運行，如下圖所示：

看上去是不是過程很簡單
？

dangranle，shijishiyongguochengbingfeirucijiandan
，meigehuanjiedouhuishejidaozhuanyezhishihegongju，xiamianwomenjiulaiyiyizhankaijieshaoyixia，rangnibujinrumen，erqiechengwei“專家”！

第 /一/ 步

收集工業現場數據

首(shou)先(xian)，在(zai)數(shu)據(ju)收(shou)集(ji)階(jie)段(duan)，就(jiu)是(shi)要(yao)通(tong)過(guo)各(ge)類(lei)傳(chuan)感(gan)器(qi)和(he)測(ce)試(shi)測(ce)量(liang)工(gong)具(ju)來(lai)采(cai)集(ji)現(xian)場(chang)數(shu)據(ju)
，這(zhe)個(ge)環(huan)節(jie)就(jiu)會(hui)用(yong)到(dao)我(wo)們(men)自(zi)動(dong)化(hua)控(kong)製(zhi)中(zhong)的(de)很(hen)多(duo)產(chan)品(pin)，比(bi)如(ru)像(xiang)倍(bei)福(fu)的(de) TwinCAT3 Scope
、TwinCAT3 Database Server、TwinCAT3 Data Agent 和 TwinCAT3 Analytics Logger 等工具，可以利用這些工具將數據采集到本地數據庫或者雲端存儲


、呈現，以便下一步來建模和訓練。

第 /二/ 步

模型的搭建和訓練

這一步是至關重要的一步，也是目前機器學習中最難、研yan究jiu最zui多duo的de一yi步bu。這zhe一yi步bu裏li首shou先xian需xu要yao對dui上shang一yi步bu采cai集ji到dao的de數shu據ju進jin行xing預yu處chu理li，數shu據ju清qing洗xi除chu去qu異yi常chang值zhi，數shu據ju轉zhuan化hua或huo者zhe數shu據ju集ji成cheng等deng。然ran後hou，選xuan擇ze特te征zheng數shu據ju確que定ding數shu學xue模mo型xing

，進jin行xing學xue習xi微wei調tiao，並bing進jin行xing未wei知zhi數shu據ju的de學xue習xi模mo型xing驗yan證zheng。模mo型xing訓xun練lian後hou
，生sheng成cheng導dao出chu一yi個ge可ke供gong TwinCAT3 等模型運行環境的描述文件：XML 文件或者 ONNX wenjian。zheyibuzhongtezhengshujudewajue，yejiushitiqunaxieshujulaijianmoshizhenggejiqixuexinengfouchenggongdeguanjian，wangwangxuyaojingtongxingyezhishijingyanderencainengzuodao。

在這一步中
，搭建模型時往往需要用到第三方框架（平台工具），比如：Python SciKit、MATLAB Machine Learning Toolbox
，以及深度學習框架TensorFlow (穀歌)
、Keras (frontend for TensorFlow, CNTK, …)
、PyTorch (臉書)、MxNet (亞馬遜)、CNTK (微軟)、MATLAB Deep Learning Toolbox (MathWorks) 等，其中大多數是開源的和基於 Python 的。

當然
，除了這些框架外，還有一個重要的事，數學模型的選擇和建立。在數學上

，可以把萬事萬物所有問題分為兩大問題：回歸問題和分類問題。回歸問題通常是用來預測一個值，如預測房價
、未wei來lai的de天tian氣qi情qing況kuang等deng。分fen類lei問wen題ti是shi用yong於yu將jiang事shi物wu打da上shang一yi個ge標biao簽qian，通tong常chang結jie果guo為wei離li散san值zhi，如ru判pan斷duan一yi幅fu圖tu片pian上shang的de動dong物wu是shi一yi隻zhi貓mao還hai是shi一yi隻zhi狗gou。解jie決jue這zhe兩liang類lei問wen題ti需xu要yao用yong到dao不bu同tong的de數shu學xue模mo型xing，比bi如ru常chang見jian的de有you支zhi持chi向xiang量liang機ji（SVM）、神經網絡、決策樹和隨機森林、線性回歸、貝葉斯線性回歸等
，這些模型在框架中是現存的，可以直接使用。

在這裏，還需要提到一個知識點，那就是 ONNX 開放神經網絡交換文件，這是一種針對機器學習所設計的開放式文件格式
，用於存儲訓練好的模型。它使得不同的人工智能框架（如Pytorch，MXNet）可以采用相同格式存儲模型數據並交互。主要由微軟，亞馬遜 ，Facebook 和 IBM 等公司共同開發。

第 /三/ 步

加載模型到控製器裏運行

說(shuo)完(wan)了(le)模(mo)型(xing)搭(da)建(jian)和(he)模(mo)型(xing)訓(xun)練(lian)後(hou)，最(zui)後(hou)一(yi)步(bu)就(jiu)是(shi)將(jiang)模(mo)型(xing)加(jia)載(zai)到(dao)工(gong)業(ye)電(dian)腦(nao)或(huo)者(zhe)控(kong)製(zhi)器(qi)中(zhong)運(yun)行(xing)計(ji)算(suan)。由(you)於(yu)模(mo)型(xing)描(miao)述(shu)文(wen)件(jian)並(bing)不(bu)能(neng)被(bei)工(gong)業(ye)控(kong)製(zhi)器(qi)所(suo)識(shi)別(bie)，所(suo)以(yi)就(jiu)需(xu)要(yao)用(yong)到(dao)像(xiang)倍(bei)福(fu) TwinCAT 3 這樣的自動化控製軟件平台作為引擎，將訓練好的模型文件加載到控製器，才能在自動化中應用機器學習。

目前、TwinCAT 3 已經無縫集成了機器學習引擎接口。可以通過機器學習文件轉換器（ML Converter）把訓練生成的模型文件 XML 或者 ONNX 轉化成 BML （倍福的機器學習文件）進行加密保護，經過 TwinCAT 3 的 ML Runtime 進行加載
，這樣已訓練好的模型就可以被 TwinCAT TcCOM 對象進行實時調用執行
，同時可以被 PLC、C/C++ 封裝的 TcCOM 的接口進行調用！如果神經網絡較小
，如權值大小為 10K 的多層感知器（MLP）可以在一個亞毫秒的任務周期中多次調用，以確保實時性！

同時
，TwinCAT 3 本身所提供的支持多核技術也同樣適用於機器學習應用，不同的任務程序可以訪問同一個特定的 TwinCAT 3 推理引擎而不會相互限製。機器學習應用完全可以訪問 TwinCAT 中所有可用的現場總線接口和數據
，這將使其能夠使用到大量數據。

TwinCAT 3 現在有兩個機器學習推理引擎
，TF380x TC3 和 TF381x TC3
，前者是經典機器學習模型的推理引擎，包括支持向量機(SVM), 主成分分析(PCA), k 均值(k-means)等，後者是神經網絡（NN）推理引擎，包括多層感知器（MPL）,卷積神經網絡（CNN）,長短期記憶模型（LSTM）等。

第一步

就是要采集數據，包括工件的位置
、速度
、加速度、時間等，把這些數據收集存儲起來，以便下一步優化。

第二步

提取步驟一裏麵的特征數據建立模型，用  𝑝(𝑡)  來作為優化準則，通過神經網絡算法來循環迭代

，監督學習訓練模型。

第三步

將訓練好的模型通過 ONNX 文件部署到 TwinCAT 3 裏，從而通過控製器實現最優的運動曲線。

首先，通過 TwinCAT 3 Scope 來采集大量風扇正常情況下的壓力、轉速、振動等數據
，然後用 MATLAB 來讀取這些數據


，使用 one-class SVM（一類支持向量機）模型來訓練，等模型學習了大量正常數據後
，就會自動產生一個正常數據的邊界。最後將模型從 MATLAB 導出為一個 ONNX 文件
，轉換後加載到控製器的TwinCAT 3 中。這樣，當采集的數據超出邊界時，控製器就會檢測到風扇發生了異常狀況。

這個應用看上去是十分簡單的，但是這其中最難的一部分是特征數據的挖掘和提取，也就是常說的特征工程。至於數據的采集
、模型的創建
、訓練，以及最後的控製器上的運行，已經有很多現存的工具和平台，比如 MATLAB 和倍福的 TwinCAT 3。站在這些“巨人”的肩膀上
，你隻要專注用工業現場知識和經驗
，就可以輕鬆將機器學習這一“高大上”的新技術引入到工業自動化之中。

關於德國倍福

倍福（Beckhoff）公司總部位於德國威爾市。作為全球自動化技術的驅動者，倍福定義了自動化領域的許多國際標準。公司所生產的工業 PC、現場總線模塊
、驅動產品和TwinCAT自動化軟件構成了一套完整的、相互兼容的控製係統
，可為各個工控領域提供開放式自動化係統和完整的解決方案。倍福於1997年進入中國市場，致力於幫助製造企業提升競爭優勢，加速轉型升級。倍福在業內享有“創新引擎”的美譽

，公司所倡導的PC控製技術具有良好的開放性，將IT技術、互聯網和自動化技術完美融合，助力實現工業 4.0 和智能製造。憑借領先的技術優勢和豐富的行業知識，倍福的創新產品和解決方案廣泛應用於風力發電、半導體、光伏太陽能
、電子製造、金屬加工

、包裝機械
、物流輸送以及樓宇自控等眾多領域。

更多信息，請登錄 Beckhoff 中文官方網站：www.beckhoff.com.cn