📚 课程目录第4章 AI模型概述

4、AI模型概述：机器学习与深度学习基础、工业AI典型应用及模型输入输出格式

在AI+PLC架构中，AI模型是决策与优化的核心引擎。传感器负责采集物理世界的数据，PLC负责执行确定性控制逻辑，而AI模型则承担着从数据中提取规律、预测趋势、优化参数的任务。理解机器学习与深度学习的基本原理、工业场景中的典型应用模式，以及模型输入输出的标准化格式，是设计可靠AI+PLC系统的前提。本章将系统梳理这些基础概念，并重点剖析模型与PLC、上位机之间的数据接口规范。

4.1 机器学习与深度学习核心原理

核心原理：机器学习（Machine Learning）是一类通过数据驱动方式构建数学模型的方法，其核心思想是让算法从历史数据中自动学习规律，而非依赖人工显式编程。在工业场景中，机器学习主要解决三类问题：回归预测（如设备剩余寿命预测）、分类识别（如缺陷类型判定）、聚类分析（如工况模式划分）。深度学习（Deep Learning）是机器学习的一个分支，通过多层神经网络自动提取数据中的层次化特征，特别适合处理高维非结构化数据（如振动波形、热成像图像、时序信号）。

关键区别与选择依据：

对比维度	传统机器学习	深度学习
特征工程	需要人工设计特征（均值、峰值、频谱等）	自动学习特征表示
数据需求	数千至数万样本即可	通常需要数万至百万级样本
计算资源	CPU即可满足	需要GPU/TPU加速
可解释性	较高（特征重要性可分析）	较低（黑盒模型）
工业适用场景	小样本、特征明确的预测性维护	图像质检、复杂时序预测

经验提醒：在AI+PLC架构中，优先考虑传统机器学习。工业场景往往面临样本量有限、实时性要求高、需要可解释性等约束。只有当数据量充足且传统方法效果不达标时，才引入深度学习。例如，滚动轴承故障诊断中，如果已有明确的频域特征（如1倍频、2倍频幅值），随机森林往往比CNN更实用。

4.2 工业AI典型应用场景

预测性维护：这是工业AI落地最成熟的方向。通过持续监测设备振动、温度、电流等信号，模型可以预测设备剩余使用寿命（RUL）或提前识别异常征兆。典型流程包括：数据采集（传感器+PLC）→ 特征提取（时域/频域）→ 健康度评估（回归/分类）→ 维护决策（触发报警或生成工单）。

质量检测：基于机器视觉的缺陷检测是深度学习的典型应用。工业相机采集产品图像，CNN模型自动识别表面缺陷（划痕、凹陷、污渍）。在AI+PLC架构中，检测结果通过数字量或总线协议反馈给PLC，PLC据此控制剔除机构动作。

工艺优化：利用历史生产数据（温度、压力、速度、配方参数）与产品质量指标的映射关系，模型可以推荐最优工艺参数。例如，注塑成型过程中，模型根据环境湿度和原料批次，推荐最优的料筒温度和注射压力，以降低废品率。

  案例拆解：某汽车零部件厂的压铸机预测性维护

  背景与约束：该厂有12台压铸机，每台价值约300万元。此前采用定期维护策略（每3个月全面保养），但仍有突发停机事件，平均每次造成8小时停产损失（约15万元）。工厂希望将非计划停机降低50%以上。

  初始现象：压铸机液压系统频繁出现泄漏和泵损坏，但故障前无明显征兆。

  关键输入数据：在液压泵壳体加装振动传感器（采样率20kHz），同时从PLC读取油温、油压、电机电流（采样率1Hz）。采集3个月正常运行数据，并记录2次故障事件。

  分析判断过程：对振动信号进行FFT变换，发现故障前一周，2000-3000Hz频段的能量幅值上升了40%；同时油温较正常工况升高5-8℃。使用XGBoost模型，输入特征为振动频段能量、油温、油压波动率、电流均值，输出为健康度评分（0-100）。

  实际操作步骤：① 在PLC中增加数据缓存区，每10秒推送一组聚合特征至上位机；② 上位机运行模型推理，输出健康度；③ 当健康度低于70时，触发预警；低于50时，PLC自动降速运行并通知维护人员。

  结果对比：运行6个月后，成功提前预警2次潜在故障，非计划停机从年均4次降至1次，维护成本降低约35%。

  风险与代价：初期误报率较高（约20%），通过调整阈值和增加特征维度后降至8%。模型需要每季度用新数据重新训练一次。

4.3 模型输入输出格式规范

输入格式：AI模型的输入必须与PLC和传感器的数据采集能力匹配。常见格式包括：

结构化数值数组：如 [振动RMS, 温度, 电流, 压力]，适用于传统机器学习模型。PLC通过Modbus/OPC UA将寄存器值映射为JSON数组。
时序窗口数据：如过去60秒的振动波形（1200个采样点），适用于LSTM或1D-CNN模型。PLC需具备环形缓冲区功能。
图像数据：如1280×720的灰度图，适用于视觉检测模型。通常由独立工业相机采集，通过GigE Vision接口传输至上位机。

输出格式：模型输出需要能被PLC或上位机直接消费。标准化输出包括：

// 预测性维护模型输出示例（JSON格式）
{
  "timestamp": "2025-06-15T14:30:00Z",
  "device_id": "PRESS-03",
  "health_score": 72.5,
  "predicted_rul_days": 45,
  "fault_probability": {
    "bearing_wear": 0.12,
    "hydraulic_leak": 0.65,
    "motor_overheat": 0.08
  },
  "recommended_action": "inspect_hydraulic_system"
}

与PLC的接口方式：模型输出通常通过以下三种方式传递给PLC：

数字量输出：模型输出分类结果（正常/异常），通过DO模块直接触发PLC输入点，响应时间<10ms。
模拟量输出：模型输出连续值（如健康度0-100），通过AO模块输出4-20mA信号。
总线通信：模型运行在上位机或边缘网关，通过OPC UA/Modbus TCP将结果写入PLC指定寄存器。这是最灵活的方式，支持复杂数据结构。

常见误区：① 忽视数据同步问题——PLC扫描周期与模型推理周期不一致，导致输入数据错位。解决方法是使用带时间戳的数据缓存。② 输出格式过于复杂——PLC无法解析嵌套JSON，应尽量输出扁平化的数值或简单枚举。③ 未考虑模型失效模式——当输入数据超出训练范围时，模型可能输出极端值，必须在PLC侧设置合理的上下限钳位。

4.4 模型部署与生命周期管理

部署架构选择：工业AI模型有三种典型部署位置：

部署位置	优势	劣势	适用场景
云端	算力充足、便于集中管理	网络延迟高（100ms+）、数据安全风险	非实时性工艺优化、跨工厂模型
边缘网关	延迟低（10-50ms）、支持多设备	算力有限、需管理多个节点	预测性维护、质量检测
PLC内嵌	延迟最低（<5ms）、与逻辑无缝集成	算力极有限、仅支持简单模型	实时保护、简单阈值判断

模型更新策略：工业环境中的模型需要持续迭代。建议采用"影子模式"进行在线验证：新模型与旧模型并行运行，但新模型的输出不直接作用于PLC，而是记录对比结果。当新模型在连续7天内表现优于旧模型时，再切换上线。同时，需要建立数据版本管理机制，确保模型训练数据可追溯。

实践建议：在AI+PLC架构设计初期，就应定义清晰的模型输入输出契约（Interface Contract）。包括：数据字段命名规范、采样频率、数据类型（float32/int16）、异常值标记方式（NaN/Infinity处理）、时间戳格式（Unix时间戳/ISO8601）。这能大幅减少后期集成调试的沟通成本。

模型性能监控：部署后需持续监控模型输入数据分布漂移（Data Drift）和预测置信度。当输入特征均值偏移超过训练集±3σ时，应触发重新训练告警。同时，PLC侧应记录模型输出值与实际结果（如是否真的发生故障）的对照日志，用于计算模型准确率的长期趋势。

总结复盘：AI模型不是一次性交付的软件，而是需要与PLC控制系统深度融合、持续演进的智能组件。在架构设计阶段，就要预留模型更新通道、数据回传通道和人工干预接口。只有将模型视为整个自动化系统的一个"智能传感器"，才能真正发挥AI在工业场景中的价值。下一阶段的学习中，我们将深入探讨如何将本章的模型概念具体落地为可执行的PLC功能块和上位机服务。