📚 课程目录第1章课程导入

1. 课程导入：边缘AI在产线联动中的价值、课程目标、适用人群与学习路径

现代制造业的竞争焦点，已经从“单机自动化”转向“产线级智能协同”。一条典型的离散制造产线，往往由PLC（可编程逻辑控制器）负责设备动作逻辑，MES（制造执行系统）负责工单与质量追溯，而各类传感器、视觉相机和边缘计算盒子则承担着实时感知与决策任务。然而，在大量实际工厂中，这三者之间存在着明显的“数据断层”：PLC的实时状态无法被AI模型直接消费，MES的工单信息与设备层的告警事件相互割裂，本地告警系统往往只能做简单的声光提示，缺乏与上下游设备的联动处置能力。本课程正是要打通这一断层，围绕“边缘AI产线联动”这一核心场景，系统讲解如何将PLC、MES与本地告警接口进行工程化整合，让AI推理结果能够真正驱动产线动作，形成“感知—决策—执行—反馈”的闭环。

上图展示了本课程的核心架构：设备层的PLC与传感器负责数据采集与动作执行，边缘AI层完成推理与告警判定，管理层MES负责工单下发与质量追溯。三条关键数据流——数据采集流、工单/工艺流、联动控制流——构成了产线联动的骨架。在实际部署中，边缘AI节点通常以工控机或边缘网关形态存在，通过Modbus TCP、OPC UA、S7协议等与PLC通信，通过REST API或数据库中间表与MES交互，同时驱动本地告警设备（三色灯、蜂鸣器、HMI弹窗）。本课程将围绕这一架构，从接口协议、数据建模、联动策略到排障方法，逐一展开。

1.1 课程目标：从“能看”到“能控”的能力跃迁

本课程面向已经具备基础自动化或IT知识、但尚未系统掌握产线级AI联动的工程师，设定以下四项核心目标。完成学习后，学员应能够独立设计并实施一条中等复杂度产线的边缘AI联动方案。

目标维度	具体能力描述	可验证的成果
协议与接口	掌握PLC常用通信协议（Modbus TCP、S7、OPC UA）的读写方法，理解MES数据交互的REST API与数据库中间表模式	能独立完成PLC寄存器地址映射表，编写数据采集脚本
数据建模	能够将PLC点位、AI推理结果、MES工单信息整合为统一的数据模型，设计告警事件结构	输出一份完整的产线数据字典与告警JSON Schema
联动策略	掌握基于规则引擎和状态机的联动控制逻辑，实现AI告警触发PLC动作（停机、降速、剔除）	完成一个联动控制流程的状态机设计文档
工程落地	具备边缘节点部署、服务守护、日志监控、异常恢复的实操能力	交付一套可运行的边缘AI联动服务，含部署脚本与排障手册

这四项目标并非孤立，而是层层递进的关系。协议与接口是基础，数据建模是桥梁，联动策略是核心，工程落地是保障。课程将按照“先通后控再优”的逻辑组织内容，确保学员在每个阶段都有可操作的产出物。

1.2 适用人群：三类学员的差异化学习路径

根据过往培训经验，本课程的主要受众可分为三类，每类学员的知识背景和学习侧重点有所不同。建议学员根据自身情况，在课程内容中有所侧重，但前三章（协议基础、数据采集、环境搭建）建议全员完整学习。

自动化/电气工程师（PLC背景）：熟悉梯形图、I/O接线、现场总线，但对Python编程、REST API、JSON数据结构相对陌生。学习重点应放在边缘AI节点的软件架构、AI模型的部署方式以及如何将PLC数据以标准协议开放给上层系统。建议在课程第4-6章（数据采集与协议转换）投入更多精力，并配合课后练习完成从PLC到边缘节点的第一条数据通路。
软件/IT工程师（编程背景）：熟悉Python/Java、数据库、Web服务，但对PLC扫描周期、I/O映射、继电器逻辑、工业现场总线缺乏直观认识。学习重点应放在PLC的工作原理、寄存器地址规划、工业通信协议的时序特性，以及如何在代码中处理设备断连、数据超时等异常。建议在第2-3章（PLC基础与通信原理）多花时间，有条件的话到产线实地观察一个扫描周期内PLC的行为。
产线工艺/生产管理人员：熟悉生产流程、质量管控、KPI指标，但不直接编写代码。学习重点应放在AI联动带来的管理价值——如何定义告警级别、如何设计联动策略（停机还是降速）、如何评估联动对产能和质量的影响。建议重点关注第7-9章（联动策略与MES集成），并参与案例讨论，从业务角度提出约束条件。

学习路径建议：无论哪类学员，都建议按照“基础→核心→进阶”的顺序学习。基础篇（第1-3章）建立统一语言，核心篇（第4-7章）掌握联动实现，进阶篇（第8-10章）解决工程化与优化问题。每章结束后，完成对应的动手实验——哪怕只是用模拟器验证一个Modbus读写，也比只看视频有效得多。

1.3 边缘AI在产线联动中的价值：三个真实场景的启示

为了更直观地理解边缘AI联动的价值，我们来看三个来自不同行业的真实场景。这些场景将在后续章节中作为贯穿案例反复出现。

场景一：注塑机缺陷检测与自动停机。某汽车零部件工厂有12台注塑机，生产内饰卡扣。传统方案依赖人工目检，缺陷漏检率约8%。引入边缘AI后，在每台注塑机旁部署工业相机和边缘计算盒子，AI模型实时检测产品表面缺陷（缺料、飞边、烧焦）。当连续3件产品被判为缺陷时，边缘节点通过Modbus TCP向PLC发送停机指令，同时将告警信息推送至MES生成质量异常工单。实施后，漏检率降至1.2%，且避免了缺陷产品继续流入下游工序。

场景二：CNC刀具寿命预测与联动降速。某精密加工车间，CNC机床的刀具磨损会导致表面粗糙度超差。通过在机床主轴加装振动传感器，边缘AI分析振动频谱特征，预测刀具剩余寿命。当预测剩余寿命低于设定阈值时，系统不直接停机（避免打断加工节拍），而是通过PLC将主轴转速降低15%，并通知MES调整后续工单的工艺参数。这一策略将刀具利用率提升了22%，同时将因刀具磨损导致的废品率降低了60%。

场景三：包装产线异物检测与自动剔除。某食品包装线，输送带速度达2m/s，包装好的产品经过X光检测设备。边缘AI对X光图像进行实时推理，识别金属、玻璃等异物。一旦发现异物，系统需要在300ms内完成“定位—跟踪—剔除”动作。边缘节点通过高速数字I/O直接触发气动剔除阀，同时将剔除事件记录到MES，用于批次追溯。该方案将异物漏检率控制在0.5ppm以下，且完全不影响产线节拍。

这三个场景分别代表了联动的三种典型模式：停机保护（场景一）、参数调整（场景二）、物理执行（场景三）。它们的共同点是：AI推理结果必须在一个极短的时间窗口内（毫秒到秒级）转化为PLC可执行的动作，同时将事件数据完整地同步到MES。这正是本课程要解决的核心技术问题。

1.4 常见误区与学习心态准备

在开始正式内容之前，有必要澄清几个常见误区，这些误区可能导致学员在学习过程中走弯路。

误区一：认为边缘AI联动就是“调用一个API”。实际上，产线联动涉及PLC扫描周期、网络延迟、数据缓存、异常恢复等多个环节。即使API调用成功，如果PLC侧没有做好数据同步，或者边缘节点在断网时没有本地缓存策略，整个系统仍然不可用。课程将重点讲解这些“水面之下”的工程细节。

误区二：忽视PLC扫描周期对AI决策的影响。PLC的I/O刷新是周期性的（典型为10-100ms），而AI推理可能只需要5ms。如果联动策略没有考虑PLC的扫描时序，可能会出现“AI已经发出指令，但PLC要等到下一个扫描周期才执行”的情况。在高速产线上，这可能导致动作滞后。课程第5章将专门讨论时序对齐问题。

误区三：把MES集成简单理解为“写数据库”。MES系统通常有严格的接口规范和数据校验逻辑。直接向MES数据库写入数据可能导致数据格式错误、缺少必要字段、甚至触发MES的锁表机制。正确的做法是通过MES提供的REST API或消息队列进行交互。课程第8章将演示完整的MES集成流程。

学习本课程，建议学员保持“工程思维”——每一个知识点都要问三个问题：它解决什么问题？在什么条件下失效？如何验证它正常工作？带着这三个问题去学习，你会发现自己不仅学会了操作步骤，更理解了系统设计的内在逻辑。

最后，关于学习路径的落地建议：如果条件允许，请准备一套实验环境——哪怕是一台安装了Docker的普通PC，配合一个PLC模拟器（如S7-PLCSIM或Modbus Slave模拟工具），也足以完成课程中80%的动手练习。硬件条件受限时，也可以使用课程提供的虚拟数据源进行仿真。关键在于动手，而不是仅仅阅读。