3. AI基础概念

在AI+PLC项目交付中，工程师最容易犯的错误是把“AI”当成一个笼统的黑盒：客户说要AI质检，就买一套视觉软件；领导说要预测性维护，就堆一个LSTM模型。结果模型在实验室准确率95%，到现场却频繁误报。根本原因在于没有区分不同AI技术的能力边界与工业定位。本节把机器学习、深度学习、强化学习、计算机视觉和边缘AI五个概念拆开，对应到PLC项目中的真实位置。

一、核心原理：五类技术的能力边界

机器学习（Machine Learning）是让计算机从数据中归纳规律，而不是由工程师逐条编写if-else规则。传统PLC程序是“规则驱动”：温度大于80℃且持续5秒则报警。机器学习是“数据驱动”：给模型看1000组正常与异常的温度、压力、振动曲线，让它自己找出判别边界。工业场景中，机器学习最适合处理多变量耦合、规则难以穷举的问题，如工艺参数优化、质量预测。

深度学习（Deep Learning）是机器学习的一个分支，使用多层神经网络自动提取特征。传统机器学习需要人工设计特征（如均值、方差、峰值因子），深度学习可以直接从原始信号或图像中学习。它的代价是需要更多数据、更强算力、更差可解释性。在工业中，深度学习常用于图像缺陷检测、复杂时序预测、语音指令识别。

强化学习（Reinforcement Learning）与前面两者不同：它不依赖标注数据，而是通过“试错—奖励”机制学习策略。智能体在环境中执行动作，根据奖励信号调整策略。工业场景中，强化学习适合序贯决策问题，如多轴运动轨迹优化、注塑机参数动态调整、AGV调度。但它在真实产线上试错成本极高，通常先在仿真环境中训练，再迁移到PLC。

计算机视觉（Computer Vision）是让机器“看懂”图像和视频，包括分类、检测、分割、定位。工业视觉的典型任务有：缺陷检测、尺寸测量、字符识别、装配验证。传统视觉依赖人工设计特征和阈值，深度学习视觉则用CNN等网络自动学习。在PLC项目中，视觉系统通常作为独立工位，通过IO或Profinet与PLC交换“OK/NG”信号。

边缘AI（Edge AI）不是一种算法，而是一种部署形态：把AI推理放在靠近数据源的设备上，如PLC、工控机、边缘网关、智能相机，而不是全部上传云端。边缘AI解决的是实时性、带宽、数据隐私、断网可用四个问题。例如，视觉检测要求50ms内出结果，云端往返延迟无法满足，必须边缘推理。

二、方法流程：从业务问题到技术选型

面对一个工业需求，不要先问“用哪个模型”，而应按以下顺序判断：

1. 明确输出形式：是连续数值（回归）、类别标签（分类）、图像区域（检测），还是一串动作（决策）？
2. 判断数据条件：有没有标注数据？数据量多少？是否有时序？标注成本高不高？
3. 确定实时性要求：控制周期是10ms、50ms还是1s？决定能否上云端。
4. 选择部署位置：PLC内置、边缘盒子、工控机还是服务器。
5. 设计PLC接口：AI结果如何变成PLC能读的IO、寄存器或Profinet报文。

三、案例场景：轴承故障预测中的技术组合

某风机厂要在PLC系统中增加轴承故障预警。现场有振动传感器，采样率10kHz，PLC扫描周期5ms。方案如下：

• 边缘AI：在边缘网关部署轻量CNN，对振动频谱做实时推理，延迟控制在30ms内。
• 深度学习：用历史故障数据训练一维CNN，识别内圈、外圈、滚动体故障特征频率。
• 机器学习：用随机森林对CNN输出的特征向量做二次分类，输出“正常/注意/报警”三级。
• PLC接口：边缘网关通过Profinet把三级状态写入PLC的DB块，PLC据此触发停机或降速。

// PLC侧读取AI结果的简化逻辑（SCL伪代码）
IF "AI_Result".Level = 2 THEN
    "Alarm_Bearing" := TRUE;
    "Motor_Speed_Set" := 0;   // 紧急停机
ELSIF "AI_Result".Level = 1 THEN
    "Alarm_Bearing" := TRUE;
    "Motor_Speed_Set" := 800; // 降速运行
END_IF;

四、误区与复盘