3、AI与PLC集成中的点表设计：AI信号（如视觉、传感器）如何映射到PLC点表、数据类型转换与地址分配策略

在AI+PLC融合项目中，点表（I/O List / Tag Table）是连接智能算法与工业控制逻辑的“数据契约”。传统PLC点表仅需处理开关量（DI/DO）和模拟量（AI/AO），而引入AI信号后，点表设计面临三个根本性挑战：非结构化数据（图像、点云）如何映射为结构化PLC变量？高维特征向量如何与PLC的原子数据类型兼容？实时推理结果如何与PLC扫描周期同步？本章将围绕AI信号到PLC点表的映射方法、数据类型转换规则、地址分配策略展开，并结合一个视觉引导分拣项目进行全流程拆解。

3.1 核心原理：从“数据流”到“控制流”的映射逻辑

AI信号映射到PLC点表，本质上是将非确定性、高带宽、异步的智能计算输出，转换为确定性、低带宽、同步的PLC控制变量。这一过程遵循“三层映射”原理：

• 物理层映射：传感器/相机通过以太网、Profinet、EtherCAT等总线将原始数据（图像帧、点云、力觉波形）传输至AI计算单元（工控机、边缘盒子或智能相机）。
• 特征层映射：AI模型输出结构化结果——目标类别（整数编码）、边界框坐标（浮点数组）、置信度（0~1浮点）、缺陷类型（枚举）、位姿数据（6自由度浮点数组）。这些结果需要被“降维”为PLC可理解的标量或小数组。
• 控制层映射：PLC将AI结果写入特定数据块（DB）地址，通过梯形图/SCL程序进行逻辑判断，最终驱动执行机构（气缸、伺服、机器人）。

关键设计原则是“最小必要信息”——PLC不需要理解图像本身，只需要接收“是否有缺陷”“缺陷坐标”“分类编号”等决策变量。例如，一个500万像素的工业相机图像约10MB，若直接传输给PLC既不现实也无必要；正确做法是AI单元完成推理后，仅输出缺陷标志(Bool)、缺陷X坐标(Real)、缺陷Y坐标(Real)、缺陷类型(Int)四个变量。

3.2 数据类型转换：AI高维数据到PLC原子类型的降维策略

PLC原生数据类型包括Bool、Byte、Int、DInt、Real、String、Array、Struct（UDT）。AI输出数据必须经过转换才能被PLC识别，常见转换规则如下：

数据类型转换中需特别注意字节序（Endian）和对齐（Alignment）问题。西门子PLC（S7-1200/1500）默认大端模式，而多数AI工控机（x86架构）为小端模式。通过Profinet或TCP通信时，必须在AI侧完成字节序转换，否则Real数据会被解释为乱码。建议在AI侧封装一个“数据打包函数”，统一输出为网络字节序（大端）。

// AI侧C#示例：将检测结果打包为PLC可读的字节流
public byte[] PackDetectionResult(DetectionResult result)
{
    using (MemoryStream ms = new MemoryStream())
    using (BinaryWriter bw = new BinaryWriter(ms))
    {
        // 写入头部：帧号(UInt32) + 时间戳(UInt64)
        bw.Write(IPAddress.HostToNetworkOrder(result.FrameId));
        bw.Write(IPAddress.HostToNetworkOrder(result.Timestamp));
        // 写入结果：目标数量(Int32) + 每个目标的类型(Int32) + 坐标(Real)
        bw.Write(IPAddress.HostToNetworkOrder(result.ObjectCount));
        foreach (var obj in result.Objects)
        {
            bw.Write(IPAddress.HostToNetworkOrder((int)obj.Type));
            bw.Write(IPAddress.HostToNetworkOrder(BitConverter.SingleToInt32Bits(obj.X)));
            bw.Write(IPAddress.HostToNetworkOrder(BitConverter.SingleToInt32Bits(obj.Y)));
        }
        return ms.ToArray();
    }
}

3.3 地址分配策略：结构化分区与动态管理

PLC地址分配直接影响程序可读性、扩展性和维护效率。推荐采用“功能分区 + 模块化DB”策略，将AI相关数据集中管理，避免散落在M区或I/Q区。

1. AI输入映射区（DB100~DB199）：存放AI计算单元写入的原始结果。每个功能块（视觉检测、力觉采集、振动分析）分配独立DB子区域。例如：DB100.DBD0为视觉OK标志，DB100.DBD4为X坐标，DB100.DBD8为Y坐标。
2. 数据处理暂存区（DB200~DB299）：用于PLC对AI数据进行中间计算，如坐标变换、滤波、单位换算。该区域数据不直接驱动输出，仅作为逻辑运算的中间变量。
3. 输出执行区（DB300~DB399）：经过PLC逻辑判断后的最终控制指令，直接关联物理输出（Q点）或运动控制指令。例如：DB300.DBX0.0为“启动分拣气缸”，DB300.DBD4为“伺服目标位置”。
4. 通信握手区（DB500）：包含请求（AI→PLC）、应答（PLC→AI）、数据有效标志、错误代码、看门狗计时器等。典型结构：DB500.DBX0.0（AI数据就绪）、DB500.DBX0.1（PLC已读取）、DB500.DBW2（通信状态字）。

对于大型项目，建议使用UDT（用户自定义类型）定义AI数据结构，实现代码复用和统一管理。例如定义一个“视觉检测结果”UDT：

TYPE "UDT_VisionResult"
VERSION : 0.1
STRUCT
    Valid : Bool;          // 数据有效
    Timestamp : ULInt;     // 时间戳
    ObjectCount : USInt;   // 目标数量
    Objects : ARRAY[0..9] OF STRUCT
        TypeID : Int;      // 类型编码
        X : Real;          // X坐标(mm)
        Y : Real;          // Y坐标(mm)
        Score : Real;      // 置信度
    END_STRUCT;
END_STRUCT
END_TYPE

3.4 实战案例：视觉引导的PCB缺陷检测与分拣项目

项目背景：某电子制造工厂需要升级SMT产线，在回流焊后增加AOI（自动光学检测）工位。原方案采用传统机器视觉（规则算法），误判率高达8%，导致大量良品被误分拣。现引入深度学习检测模型（YOLOv8），需与西门子S7-1500 PLC集成，控制分拣气缸和传送带速度。

初始约束与目标：

• 产线节拍：2.5秒/板，PLC扫描周期10ms，通信周期50ms。
• 检测项：缺件、偏移、极性反、桥连、虚焊，共5类缺陷。
• 目标：误判率<1%，PLC响应时间<200ms（从AI输出到气缸动作）。
• 现有PLC程序已占用DB1~DB80，需规划新地址区域。

点表设计过程：

第一步：信号梳理。AI单元（工控机+GPU）通过GigE相机采集图像，推理后输出：缺陷标志（Bool）、缺陷类型（Int 0~4）、缺陷X/Y坐标（Real，单位mm）、置信度（Real）、板卡条码（String）。

第二步：数据类型转换。将缺陷类型映射为枚举：0=无缺陷，1=缺件，2=偏移，3=极性反，4=桥连，5=虚焊。坐标通过标定矩阵转换为物理坐标。置信度放大1000倍存为Int（避免浮点比较误差）。

第三步：地址分配。新建DB150作为AI输入区，DB250作为处理区，DB350作为输出区。关键地址如下：

第四步：通信与握手逻辑。AI单元每完成一次检测，将结果写入DB150，然后置位AI_Data_Valid。PLC在OB1中检测到该位后，读取数据并复位该位，同时置位PLC_Ack（DB500.DBX0.1）。若PLC在100ms内未收到新数据，则触发看门狗报警，传送带停止。

第五步：PLC逻辑实现。在OB1中编写SCL代码：

// 检测AI数据有效性
IF "DB150".AI_Data_Valid THEN
    // 读取缺陷类型和坐标
    #tempType := "DB150".Defect_Type;
    #tempX := "DB150".Defect_X;
    #tempY := "DB150".Defect_Y;
    
    // 判断是否NG（缺陷类型≠0 且 置信度>800）
    IF #tempType <> 0 AND "DB150".Confidence > 800 THEN
        "DB250".Is_NG := TRUE;
        // 计算分拣延时（传送带速度恒定，根据X坐标计算）
        "DB250".Reject_Delay := (#tempX / 500.0) * 1000.0; // 单位ms
    ELSE
        "DB250".Is_NG := FALSE;
    END_IF;
    
    // 复位AI有效位，发送应答
    "DB150".AI_Data_Valid := FALSE;
    "DB500".PLC_Ack := TRUE;
END_IF;

结果与复盘：系统上线后，误判率从8%降至0.6%，PLC响应时间稳定在120ms（含通信50ms+逻辑处理20ms+气缸动作50ms）。项目成功的关键在于：①地址分区清晰，AI数据与PLC内部逻辑完全隔离；②握手信号设计合理，避免了数据竞争；③置信度阈值可调，方便现场工艺人员优化。但初期也遇到一个问题：AI单元偶尔输出NaN（非数值）坐标，导致PLC浮点运算异常。解决方案是在AI侧增加数据合法性检查，若坐标超出相机视野范围则强制置0并置位错误标志。

3.5 常见误区与设计复盘

误区一：将所有AI输出都映射为Real类型。实际上，分类标签、计数、状态等离散信号用Int或Bool更节省空间且便于比较。过度使用Real会导致DB块膨胀，且浮点比较存在精度问题。

误区二：忽略数据有效性标志。AI推理偶尔会超时或失败，若PLC直接读取旧数据，可能造成误动作。必须设计“数据有效”位和“时间戳”，PLC侧判断数据新鲜度。

误区三：地址分配无规划，随意放置。有些项目将AI数据散落在M0.0、M10.0、DB5.DBD20等位置，后期维护极其困难。应坚持“一个功能一个DB区域”的原则。

误区四：通信周期与PLC扫描周期不匹配。若AI每50ms发送一次数据，而PLC扫描周期为10ms，则PLC可能多次读取同一帧数据。建议在通信协议中加入“帧号”或“数据计数”，PLC侧检测到新帧号才处理。

误区五：未考虑掉电保持。AI输出的校准参数、配方数据需要掉电保持，应存放在保持性DB区（如S7-1500的保持性DB），而实时检测结果无需保持。

总结而言，AI信号到PLC点表的映射不是简单的“变量搬运”，而是一个涉及语义抽象、类型降维、地址规划、通信同步、异常处理的系统工程。设计良好的点表能让AI算法与PLC控制各司其职、高效协同，为后续的联调、验收和运维打下坚实基础。