3. AI在PLC中的应用场景

PLC（可编程逻辑控制器）作为工业自动化现场最核心的控制设备，长期以来承担着顺序控制、逻辑联锁和回路调节等确定性任务。然而，随着制造业对设备综合效率（OEE）、质量一致性和柔性生产的要求不断提高，传统PLC“基于固定阈值和梯形图逻辑”的决策模式逐渐暴露出局限性：它无法从历史数据中学习，难以捕捉设备退化趋势，也无法对复杂工况下的隐性异常做出预判。将AI能力嵌入PLC应用体系，并非要取代PLC的实时控制内核，而是在其外围构建“感知-分析-决策-执行”的智能增强闭环。本章聚焦AI在PLC应用中最成熟的三个方向：预测性维护、异常检测和工艺优化，深入剖析其集成方式、数据流特征、模型部署策略及工程落地要点。

3.1 预测性维护：从“定时保养”到“状态检修”

核心原理

预测性维护（Predictive Maintenance, PdM）的核心思想是：通过持续监测设备运行状态数据，利用AI模型评估设备当前健康度，并预测其剩余使用寿命（RUL, Remaining Useful Life）。在AI+PLC架构中，PLC负责采集高频过程数据（如电机电流、振动加速度、轴承温度、液压压力等），并通过OPC UA或MQTT协议将数据以秒级或毫秒级间隔上传至AI分析节点。AI节点运行退化特征提取模型（如时域RMS、频域FFT峰值、小波包能量等），结合历史故障数据训练回归或分类模型，最终输出设备健康指数（HI）和剩余寿命预测值。

与传统的定期维护（每500小时更换轴承）相比，预测性维护将维护决策从“固定周期”转变为“按需触发”。PLC接收到AI下发的维护建议后，可自动调整生产计划、降低设备转速或触发维护工单。这种集成方式的关键在于：AI模型不能直接修改PLC的安全联锁逻辑，而是通过“建议-确认-执行”的机制介入。

判断方法与操作流程

实施预测性维护需要遵循以下五步流程：

1. 数据采集规划：确定关键监测点（如电机驱动端/非驱动端轴承、齿轮箱输入轴），设定采样频率（振动通常≥10kHz，温度/电流≥1Hz），PLC需配置高速模拟量模块或独立的数据采集卡。
2. 特征工程：在AI节点对原始信号进行分段处理（每段1~3秒），提取时域特征（峰值、均方根、峭度）、频域特征（1X/2X转频幅值、边频带能量）和统计特征（标准差、偏度）。
3. 模型训练与验证：使用正常状态数据和已知故障数据训练模型。对于缺乏故障样本的场景，可采用单类支持向量机（One-Class SVM）或自编码器进行异常建模。
4. 阈值与置信度设定：AI模型输出健康度评分（0~100%），PLC侧设定两级阈值——预警阈值（如75%）触发维护建议，报警阈值（如50%）触发降载运行。
5. 闭环反馈：每次维护后，将实际检修结果（轴承磨损程度、更换部件）反馈至AI模型，实现持续学习优化。

案例拆解：某汽车零部件厂电机轴承预测性维护

某工厂有120台数控机床主轴电机，此前采用每季度停机保养一次的策略，但仍有3台电机因轴承保持架断裂导致主轴卡死，单次停机损失约8万元。项目团队在PLC中新增振动采集模块（采样率12.8kHz），通过以太网将数据上传至边缘AI网关。初始阶段，团队采集了2个月正常数据建立基线模型，随后在第3个月时，AI模型对7号电机的健康度评分从92%持续下降至68%，并识别出明显的2倍转频边频带特征，提示轴承外圈可能存在早期点蚀。

PLC接收到AI下发的“预警”信号后，自动将主轴最高转速从8000rpm限制至6000rpm，并在HMI上弹出维护建议窗口。维修团队在计划停机日更换了轴承，拆解后发现外圈滚道确有1mm×0.5mm的剥落坑。整个过程中，AI提前了11天给出预警，避免了非计划停机。复盘发现，模型训练时使用了历史故障数据中的3组样本，通过数据增强（添加噪声、时间扭曲）扩充至15组，有效提升了泛化能力。

3.2 异常检测：多维特征联合监控与实时报警

核心原理

异常检测（Anomaly Detection）与预测性维护的区别在于：预测性维护关注设备退化趋势，而异常检测关注的是“当前工况是否偏离正常模式”。在PLC应用场景中，异常检测通常采用无监督或半监督学习方法，对多维过程变量（如温度、压力、流量、电流、阀门开度）进行联合建模。传统PLC仅能对单一变量设置上下限报警（如温度>85℃报警），但无法识别“温度正常但压力波动异常”这类组合型故障。AI异常检测模型通过学习正常工况下的变量相关性和分布特征，能够输出一个综合异常评分（Anomaly Score），当评分超过阈值时触发报警。

集成方式上，PLC将过程数据以1~5秒的周期推送至AI节点，AI节点运行隔离森林（Isolation Forest）、局部离群因子（LOF）或变分自编码器（VAE）等模型。检测结果通过数字量输出模块或工业通信总线反馈至PLC，PLC根据异常等级执行相应策略：一级异常仅记录并提示操作员关注；二级异常自动切换至备用回路；三级异常触发安全联锁停机。

判断方法与操作流程

• 数据预处理：剔除停机时段数据，对变量进行归一化处理，处理缺失值（前向填充或插值）。
• 正常基线建立：选取至少2周连续稳定运行数据作为训练集，确保覆盖不同负载、不同环境温度下的工况。
• 模型选择：对于变量数少于20个的场景，推荐使用隔离森林（训练快、可解释性强）；对于高维时序数据，推荐使用LSTM-Autoencoder。
• 阈值标定：使用验证集计算异常评分的95%分位数作为初始阈值，再结合现场试运行结果微调。
• PLC联动逻辑：在PLC程序中增加“AI异常标志”输入点，与原有联锁逻辑并联（注意：AI报警不应绕过硬安全回路）。

常见误区与总结复盘

一个常见误区是试图用单一AI模型解决所有异常类型。实际上，注塑机锁模力异常与空压机气路泄漏的故障特征完全不同，混合建模会降低检测灵敏度。更合理的做法是：按设备类型或工艺段分别训练专用模型，并在PLC中建立模型管理表，根据当前运行模式动态切换调用不同的AI模型。另一个误区是忽略PLC扫描周期与AI推理延迟的匹配。若PLC扫描周期为10ms，而AI推理需要200ms，则不能将AI输出直接用于高速联锁，只能用于低速优化或操作指导。

3.3 工艺优化：AI推荐设定值与模型预测控制

核心原理

工艺优化是AI+PLC集成中价值最高但实施难度也最大的场景。其核心思想是：利用AI模型建立“工艺参数（输入）→产品质量/能耗（输出）”的映射关系，通过优化算法寻找最优设定值（Set Point, SP），并将SP推荐给PLC的PID回路或直接写入控制逻辑。与传统的先进过程控制（APC）相比，AI方法不需要精确的机理模型，能够处理强非线性、强耦合、时变的复杂工艺过程。

典型的集成架构为：PLC实时采集工艺变量并上传至AI优化节点，AI节点运行贝叶斯优化、遗传算法或深度强化学习模型，每5~15分钟输出一组推荐设定值（如反应釜温度、进料流量、压力设定）。PLC接收到推荐值后，先进行变化率限制（如温度变化不超过2℃/min），再经过操作员确认（或根据授权级别自动执行），最后写入PID回路的SP寄存器。

操作流程与安全约束

1. 定义优化目标：如“在保证产品合格率≥98%的前提下，将单位产品能耗降低5%”。
2. 数据收集与特征选择：收集至少3个月的生产数据，涵盖不同原料批次、环境温湿度、设备状态。
3. 模型训练：使用梯度提升树或神经网络建立产品质量预测模型，模型输入为当前工艺参数，输出为预测质量指标。
4. 在线寻优：在AI节点运行约束优化算法，将PLC实时数据作为初始条件，在可行域内搜索最优SP组合。
5. 安全写入机制：PLC侧必须设置SP变化率限幅、值上下限、与安全联锁的互锁逻辑。

案例拆解：水泥窑煅烧温度优化

某水泥厂回转窑的熟料煅烧温度受生料喂料量、煤粉喷射量、窑头/窑尾风机转速等多因素影响，人工操作时温度波动范围在1350~1450℃之间，导致熟料游离氧化钙含量不稳定。项目团队在DCS（集散控制系统）中采集了6个月的历史数据，训练了一个XGBoost模型预测熟料质量（fCaO含量），模型输入包括分解炉出口温度、窑尾烟气温度、煤粉热值等12个变量。随后，在边缘服务器上运行贝叶斯优化算法，每10分钟计算一次最优的窑头喂煤量和窑尾风机转速设定值。

AI推荐值通过OPC UA写入PLC的SP寄存器，PLC侧设置了变化率限制（喂煤量变化≤2t/h）和值限制（窑头温度≤1100℃）。经过4周试运行，煅烧温度波动范围收窄至1390~1420℃，fCaO合格率从86%提升至94%，单位熟料标准煤耗下降3.2kg/t。值得注意的是，在试运行初期，操作员对AI推荐值持怀疑态度，项目组在HMI上增加了“AI建议值”与“当前值”的对比曲线，并允许操作员一键切换回手动模式，经过2周信任建立后，自动采纳率从40%提升至85%。

3.4 三种集成方式的对比与选型决策

在实际工程项目中，预测性维护、异常检测和工艺优化并非互斥关系，而是可以分层部署、协同工作。下表从数据需求、模型复杂度、安全风险和实施周期四个维度进行对比，帮助工程师根据自身场景做出选型决策。

选型决策时，应优先评估自身的数据基础。如果工厂尚未建立完善的数据采集系统，建议从异常检测入手，利用现有PLC的模拟量通道快速见效；如果设备故障频繁且停机损失巨大，则优先实施预测性维护；只有当工艺稳定性较好、数据质量较高且具备算法团队支持时，才考虑工艺优化项目。无论选择哪种场景，都必须遵循本章开篇强调的安全原则：AI输出永远作为“建议”或“受限控制”，不能替代PLC的硬安全联锁。