3. 工业AI概述
在工业现场，人工智能并不是一个孤立的新技术，而是与PLC、传感器、SCADA、MES等系统协同工作的“决策增强层”。理解工业AI，需要先看清它的分支结构、学习范式，以及它在产线上究竟承担哪些任务。只有把这三层关系理清，后续才能判断某个场景该用规则、机器学习还是深度学习，以及如何与PLC联动。
一、工业AI的主要分支
工业AI通常可划分为几个相互支撑的分支：机器视觉负责外观检测、定位、测量与识别；预测性维护通过振动、温度、电流等信号判断设备健康状态；过程优化面向温度、压力、流量等连续参数寻找最优设定；智能调度与排产处理订单、设备、物料之间的组合约束；工业机器人智能涉及抓取、路径规划与协作安全；质量分析与根因定位则把缺陷数据与工艺参数关联起来。它们共享数据采集、特征工程、模型训练与部署这条技术底座，但业务目标差异很大。
二、机器学习与深度学习基础
机器学习是让模型从数据中自动寻找规律，而不是由工程师逐条编写规则。工业场景中最常见的是监督学习：用带标签的历史数据训练模型，例如“正常/缺陷”“健康/劣化”。无监督学习用于异常检测和聚类，适合缺陷样本稀少的情况。强化学习则在仿真或安全约束下优化控制策略，但直接上产线需非常谨慎。
深度学习是机器学习的一个分支，核心是用多层神经网络自动提取特征。传统机器学习往往依赖人工特征，比如振动信号的均方根、峭度、频谱峰值；深度学习可以直接从原始图像、时序波形中学习。卷积神经网络（CNN）擅长图像和频谱图，循环神经网络（RNN）与LSTM擅长时序，Transformer在长序列和多变量场景中表现突出。但要注意：深度学习需要更多数据、算力和可解释性设计，在样本少、机理清楚的场合，传统方法反而更稳。
选择原则：数据量小、机理明确、要求可解释 → 优先传统机器学习或规则模型；图像/波形复杂、样本充足、允许黑箱 → 考虑深度学习；安全相关回路 → 模型只做建议，PLC保留最终联锁。
三、工业AI的典型任务类型
从任务形态看，工业AI主要分为分类、回归、检测、分割、聚类、异常检测和序列预测。分类回答“属于哪一类”，如缺陷等级；回归回答“数值是多少”，如剩余寿命、最优温度；检测与分割回答“在哪里、有多大”，用于视觉定位；异常检测回答“是否偏离正常”，适合无标签场景；序列预测回答“下一步会怎样”，用于趋势预警。不同任务对应不同的评价指标和部署方式。
| 任务类型 | 典型问题 | 常用模型 | 工业场景 | 与PLC联动方式 |
|---|---|---|---|---|
| 分类 | 合格/不合格、缺陷等级 | 逻辑回归、随机森林、CNN | 外观质检、材质分选 | 输出分拣信号、剔除指令 |
| 回归 | 剩余寿命、最优参数 | 线性回归、XGBoost、LSTM | 预测维护、过程优化 | 写入设定值、报警阈值 |
| 检测/分割 | 缺陷位置与轮廓 | YOLO、U-Net、Mask R-CNN | 焊缝检测、表面划痕 | 触发相机、标记坐标 |
| 异常检测 | 是否偏离正常工况 | 自编码器、孤立森林、OC-SVM | 设备劣化、能耗异常 | 预警灯、降速或停机建议 |
| 序列预测 | 未来趋势与波动 | LSTM、GRU、Transformer | 温度趋势、负荷预测 | 前馈补偿、提前调节 |
四、案例与场景：从质检到预测维护
以某注塑车间为例，视觉系统对产品表面拍照，CNN模型判断是否存在缩痕、飞边，输出缺陷类别和置信度。若置信度高于阈值，PLC接收“剔除”信号，驱动气缸将不良品推入废料槽；若置信度处于灰区，则触发复检或人工确认。另一条路径是预测维护：振动传感器以10kHz采样，边缘网关提取时域和频域特征，模型输出轴承剩余寿命。当寿命低于设定值时，PLC在下一个换模周期安排停机检修，而不是立即急停，从而兼顾安全与产能。
# 工业AI与PLC联动的典型数据流（伪代码）
采集: 传感器 → 边缘网关 → 特征提取
推理: 模型 → 输出类别/数值/置信度
校验: 置信度 > 0.90 且 安全条件满足
下发: PLC写寄存器 → 执行器动作
回读: PLC反馈执行结果 → 记录日志 → 模型迭代
实操提示：模型输出不要直接驱动执行器。建议在PLC中增加“AI使能位”“置信度阈值”“超时回退”三个逻辑，确保模型异常时系统回到安全状态。
五、常见误区与复盘
- 误区一：把AI当万能规则引擎。工业现场很多问题用PID、联锁、阈值就能解决，强行上模型反而增加不确定性。
- 误区二：忽视数据质量。标签错误、采样不同步、工况漂移会让模型在验证集上好看、现场失效。
- 误区三：忽略实时性。PLC扫描周期是毫秒级，AI推理若需数百毫秒，只能做非实时建议，不能进入安全回路。
- 误区四：没有回退策略。模型置信度低、通信中断、输入越界时，必须有明确降级逻辑。
复盘时建议按“数据—模型—部署—联动—安全”五层检查：数据是否覆盖真实工况，模型指标是否与业务目标一致，部署延迟是否满足节拍，PLC接口是否具备回读与超时处理，安全联锁是否独立于AI。只有这五层都闭环，工业AI才真正从演示走向产线。