4. 联动系统架构

工业AI与PLC的联动不是把模型直接塞进PLC，也不是把所有数据都送到云端再等结果。真正可落地的系统，通常采用“现场层—边缘层—平台层—应用层”的分层架构，让实时控制留在PLC，让智能推理靠近产线，让训练、管理和跨厂分析交给云端。理解这套架构的关键，是同时看清两条主线：数据流自下而上汇聚，控制流自上而下约束。

一、四层架构：各司其职，边界清晰

从下往上，联动系统可以拆成四层。现场层由PLC、传感器、执行器、变频器、机器人控制器等组成，负责毫秒级逻辑控制与安全联锁；边缘层由工业网关、边缘计算机或工控机组成，负责协议转换、数据清洗、特征提取和AI推理；平台层负责模型训练、版本管理、数据存储与可视化；应用层面向操作员、工艺工程师和管理者，提供报警、看板、优化建议和闭环下发入口。

分层不是画着好看，而是为了明确“谁在什么时间尺度上做决定”。PLC的扫描周期通常在1～20ms，边缘推理通常在10～200ms，云端训练和批量分析则可以是分钟级甚至小时级。把不同时间尺度的任务放在正确层级，系统才稳定。

二、边缘计算与云端协同：谁做什么，何时做

边缘计算的核心价值是“就近处理”。产线上的振动、温度、电流、视觉图像等数据，如果全部上传云端，不仅带宽成本高，而且延迟不可控。边缘层可以在本地完成三件事：第一，把不同协议的数据统一成标准格式；第二，用轻量模型做实时推理，例如异常检测、质量分级、刀具磨损预测；第三，把关键结果和少量原始数据上传云端，供训练和追溯使用。

云端则负责“重”任务：用历史数据训练更复杂的模型，管理模型版本，做跨产线、跨工厂的对比分析，以及远程下发更新。两者之间不是主从关系，而是分工协作。一个典型的协同节奏是：边缘推理产生“疑似异常”片段，上传云端；云端人工复核后标注，加入训练集；新模型训练完成后，经测试验证，再下发到边缘。

三、数据流与控制流：两条线不能混

数据流的方向是“从设备到决策”。PLC的寄存器、传感器的模拟量、相机的图像，先被边缘层采集，经过清洗和特征提取，变成模型可用的输入；推理结果再被写入数据库或消息队列，供平台层训练和分析。数据流的关键指标是完整性、时间戳一致性和可追溯性。

控制流的方向是“从策略到执行”。云端训练出的模型或优化参数，经过审批和版本管理，下发到边缘层；边缘层把推理结果转换成PLC能理解的指令或设定值，例如调整PID参数、切换工艺配方、触发分拣动作。控制流的关键指标是安全性、确定性和可回滚性。

两条线在边缘层交汇，但必须保持隔离。数据流可以容忍秒级延迟，控制流不能；数据流可以重传，控制流不能重复执行。因此，工程上通常用不同的通道、不同的队列、不同的权限来管理两者。

四、案例场景：注塑机质量联动

某注塑车间在边缘计算机上部署了质量预测模型。PLC每50ms采集一次注射压力、保压时间和模温，边缘层提取特征后推理，判断当前制品是否可能超差。若风险高，边缘层向PLC写入“保压时间+0.2s”的设定值，同时把该片段上传云端。云端每周用新数据重新训练模型，验证通过后下发新版本。整个过程，PLC的安全联锁始终独立运行，AI只做参数建议，不直接控制开合模和急停。

# 边缘侧伪代码示意
while True:
    data = plc.read(["pressure", "hold_time", "mold_temp"])
    features = extract_features(data)
    score = model.predict(features)
    if score > 0.85:
        plc.write("hold_time_set", current + 0.2)
        cloud.upload(snapshot=data, label="suspected")
    time.sleep(0.05)

五、常见误区与复盘

• 误区一：把AI模型直接放进PLC。PLC擅长确定性逻辑，不适合跑复杂模型；应把推理放在边缘层，PLC只接收设定值或触发信号。
• 误区二：所有数据都上云。高频原始数据全部上传会挤占带宽，也会放大延迟；应在边缘做降采样、特征提取和事件触发上传。
• 误区三：控制流没有回滚机制。AI下发的参数必须带版本号和有效期，异常时可一键恢复默认值。
• 误区四：数据流和控制流共用同一通道。一旦数据拥堵，控制指令可能被延迟；应物理或逻辑隔离。

总结来看，分层架构解决的是“在哪里算”，边缘与云端协同解决的是“什么时候算”，数据流与控制流关系解决的是“怎么安全地算”。三者合在一起，才构成工业AI与PLC联动的完整系统骨架。