📚 课程目录第1章课程导入

1. 课程导入

在智能制造现场，PLC（可编程逻辑控制器）长期承担着设备逻辑控制、联锁保护与顺序动作执行的核心角色，它稳定、实时、可靠，但传统PLC程序大多依赖工程师预先写死的规则：如果某个传感器为ON，就启动某台电机；如果温度超过阈值，就打开冷却阀。这种"规则驱动"的方式在工况稳定时非常有效，一旦面对多品种、小批量、来料波动、设备老化等复杂变化，规则往往难以覆盖全部情况。工业AI与PLC联动，正是为了解决这一矛盾而出现的工程实践。

核心定义：工业AI与PLC联动，是指在工业现场把AI模型（如分类、回归、异常检测、视觉识别、强化学习策略等）的推理结果，通过标准或专用通信接口，转换为PLC可执行的指令、参数或设定值，同时把PLC采集的实时过程数据回传给AI侧，形成"感知—推理—决策—执行—反馈"的闭环。它不是用AI替代PLC，而是让AI做"判断与优化"，让PLC做"实时与安全执行"。

一、为什么需要联动：从规则控制到数据驱动

理解联动价值，可以从三个典型痛点切入。第一，感知能力有限：传统PLC只能处理开关量、模拟量和少量结构化数据，面对图像、振动频谱、声音等非结构化信号无能为力。第二，决策维度单一：规则控制通常只考虑单点阈值，难以综合历史趋势、多设备耦合关系。第三，调整成本高：工艺变更后往往需要重新下载程序、重新调试，响应慢。AI模型可以从数据中学习复杂映射，把"经验"固化为可推理的参数，再通过PLC落地为动作，从而在不停机、不重写大量逻辑的前提下提升柔性。

下面这张图展示了工业AI与PLC联动的整体信号链与数据流关系：现场传感器与设备数据先进入PLC，PLC通过通信接口把数据送到边缘AI推理节点，AI输出决策结果后再回写PLC，由PLC完成实时输出与安全联锁。

二、学习目标：学完本课程你能做什么

本课程面向自动化工程师、设备工程师、工艺工程师以及希望进入智能制造方向的开发者。学完后，你应当具备以下能力：

概念清晰：能准确区分PLC逻辑控制、边缘AI推理、云端训练三者的职责边界，理解"AI决策、PLC执行"的分工原则。
通信打通：能使用OPC UA、Modbus TCP、MQTT等常见协议，在PLC与AI程序之间建立稳定的数据通道。
数据建模：能把PLC寄存器、DB块、标签变量整理成AI可用的特征表，并处理采样周期不一致、缺失值、量纲统一等问题。
模型落地：能把训练好的模型部署到边缘盒子或工控机，并设计推理结果到PLC的写回逻辑。
安全兜底：能设计AI失效、通信超时、置信度不足时的降级与报警策略，保证设备安全。
效果评估：能用准确率、响应时间、节拍影响、误动作率等指标评估联动效果，并持续迭代。

三、整体知识框架

课程内容按"由浅入深、由通到用"组织，可归纳为五大模块。下表给出模块、核心内容与典型产出，便于你建立全局地图。

模块	核心内容	典型产出
基础认知	PLC工作原理、扫描周期、AI基本范式、联动定义与边界	能画出本厂设备的联动信号链
通信与数据	OPC UA、Modbus、MQTT、数据采集、标签映射、时序对齐	可运行的数据采集与回写脚本
模型与推理	特征工程、模型选型、训练评估、边缘部署、推理加速	一个可输出决策结果的边缘模型
联动与安全	写回策略、联锁校验、降级逻辑、异常处理、版本管理	带安全兜底的联动控制方案
场景与复盘	视觉质检、预测性维护、工艺参数优化、能耗优化等案例	可复用的场景实施模板

四、典型应用场景概览

工业AI与PLC联动的场景非常丰富，常见的有以下几类：

视觉质检联动：相机采集产品图像，AI判断缺陷类别与位置，把"合格/不合格/复检"结果写入PLC，PLC驱动分拣气缸或剔除机构。关键是节拍匹配与误判兜底。
预测性维护：AI分析振动、电流、温度趋势，输出设备健康度或剩余寿命，PLC据此调整负载、触发预警或安排停机窗口。
工艺参数优化：AI根据来料特性、环境温湿度推荐最佳设定值，PLC接收后写入温控、压力或速度回路，实现自适应调节。
能耗优化：AI预测负荷曲线，PLC协调多台设备启停顺序与运行档位，在满足产能前提下降低峰值功率。
柔性换型：AI识别当前产品型号，PLC自动切换配方与动作序列，减少人工换型时间。

学习建议：不要一上来就追求复杂模型。先用一个简单场景（例如"AI判断合格/不合格，PLC控制指示灯"）把通信、数据、写回、安全四件事跑通，再逐步增加模型复杂度和控制维度。联动工程的难点往往不在模型本身，而在数据质量、时序一致性和异常兜底。

五、常见误区与复盘提醒

初学者容易陷入几个误区，提前了解可以少走弯路：

误区一：让AI直接控制执行器。AI输出应经过PLC的联锁与安全校验，不能绕过急停、限位等硬安全回路。
误区二：忽视实时性差异。PLC扫描周期可能是毫秒级，AI推理可能是几十到几百毫秒，必须设计异步或缓冲机制，避免阻塞PLC主循环。
误区三：数据不做时间对齐。PLC采集周期与AI采样周期不一致时，直接拼接会导致特征错位，模型效果大幅下降。
误区四：没有降级策略。通信中断、模型置信度低、输入越界时，系统应回退到安全规则或人工模式，而不是继续执行不确定的AI指令。
误区五：只关注模型精度。现场更关心误动作率、响应时间和可维护性，精度高但抖动大的模型反而不可用。

安全底线：任何AI联动方案都必须保证"AI失效时设备可控"。建议在PLC侧保留纯规则的安全逻辑，AI结果仅作为设定值或建议值，并设置置信度阈值、变化率限制和超时回退。涉及人身安全的动作，必须由安全PLC或硬接线安全回路独立保障。

下面给出一段典型的联动参数配置示例，帮助建立直观印象。实际项目中，这些参数通常分布在PLC数据块、边缘网关配置文件和AI服务配置中。

# 联动参数示例（示意）
plc:
  protocol: "OPC UA"
  endpoint: "opc.tcp://192.168.1.10:4840"
  scan_cycle_ms: 10
  tags:
    - name: "Temp_PV"      # 过程温度
      address: "DB100.DBD0"
      type: "REAL"
    - name: "AI_Decision"  # AI写回决策
      address: "DB100.DBD20"
      type: "REAL"
    - name: "AI_Valid"     # AI结果有效标志
      address: "DB100.DBX24.0"
      type: "BOOL"

ai:
  model: "quality_classifier_v1.onnx"
  infer_timeout_ms: 80
  confidence_threshold: 0.85
  fallback: "hold_last_safe_value"

safety:
  max_change_rate: 5.0     # 单周期最大变化量
  comm_timeout_ms: 300     # 通信超时降级
  alarm_on_invalid: true

从这段配置可以看到，联动工程的核心不只是"模型能不能算对"，还包括通信端点、扫描周期、标签地址、置信度阈值、变化率限制和超时降级。把这些参数管理好，系统才能在现场长期稳定运行。接下来的章节将围绕这些要素逐一展开，帮助你从概念理解走向工程落地。