4. AI+PLC融合架构
在传统PLC项目中，控制逻辑是“封闭”的：传感器信号进入PLC，梯形图或SCL程序按固定规则运算，输出驱动执行器。AI+PLC融合并不是推翻这套体系，而是在其外围叠加一层“感知—推理—决策”的智能能力。要让AI模型真正参与工业控制，必须解决三个问题：数据从哪里来、模型在哪里跑、结果如何安全地回到控制回路。这正是云、边、端协同架构与三层分层设计要回答的核心问题。
一、云、边、端协同的整体架构
云、边、端不是三个孤立层级，而是按“实时性要求”和“算力位置”划分的协同体系。端侧是现场设备层，包括PLC、远程IO、传感器、变频器、伺服驱动器和工业相机，负责毫秒级信号采集与确定性控制；边侧是部署在车间或产线附近的边缘计算网关或工控机，承担AI推理、数据预处理和协议转换；云侧则是中心服务器或工业互联网平台，负责模型训练、大数据分析、全局优化和远程运维。
三者的分工可以用一句话概括：端侧保实时，边侧保推理，云侧保进化。端侧PLC的扫描周期通常在1～10ms，不能被AI推理阻塞；边侧推理延迟一般控制在20～200ms，足以支撑视觉质检、异常检测、参数寻优等场景；云侧训练与模型下发则以分钟到小时为周期，不参与实时控制。
二、三层分层设计：采集层、推理层、控制层
把架构纵向切开，可以清晰看到三层职责。第一层是数据采集层，位于端侧和边侧之间，负责从PLC寄存器、传感器、相机和仪表中读取原始数据。采集方式分为周期采集和事件触发采集：周期采集适合温度、压力等缓变量，事件触发适合报警、到位信号等离散事件。采集层必须解决时间戳对齐问题，否则多源数据在推理时会“错位”。
第二层是推理层，部署在边侧。它接收采集层送来的特征向量或图像帧，调用AI模型完成分类、回归或异常检测，输出结构化结果，例如“缺陷概率0.93”“推荐参数：温度+5℃”。推理层的关键指标是延迟、吞吐和模型版本一致性。工业现场通常要求推理延迟稳定，不能出现长尾抖动。
第三层是控制层，位于端侧PLC。它不直接运行AI模型，而是接收推理层下发的“建议值”或“使能信号”，再经过安全逻辑、限幅、互锁和手自动切换后，写入实际输出。控制层必须保留最终否决权：当AI结果超出工艺允许范围或通信超时，PLC立即回退到传统PID或安全停机逻辑。
| 层级 | 部署位置 | 核心职责 | 典型通信方式 | 时间尺度 |
|---|---|---|---|---|
| 数据采集层 | 端侧 / 边侧入口 | 读取PLC寄存器、传感器、相机数据，做时间戳对齐 | OPC UA、Modbus TCP、Profinet、MQTT | 1～100ms |
| 推理层 | 边侧网关 / 工控机 | 数据预处理、AI推理、结果结构化输出 | gRPC、REST、共享内存、MQTT | 20～200ms |
| 控制层 | 端侧PLC | 安全校验、限幅互锁、输出执行、异常回退 | Profinet、EtherCAT、硬接线 | 1～10ms |
三、通信方式与数据流设计
三层之间的通信不是随意选择的，而是由实时性和可靠性共同决定。端侧PLC与边侧网关之间，推荐使用OPC UA或Modbus TCP：OPC UA自带信息模型和订阅机制，适合结构化数据；Modbus TCP简单成熟，适合寄存器级读写。边侧推理结果回写PLC时，通常采用“写寄存器+握手位”的方式，PLC在每个扫描周期检查握手位，确认新数据到达后再执行。
边侧与云侧之间，推荐使用MQTT做遥测数据上云，用HTTPS/gRPC做模型文件下发。MQTT的发布/订阅模型适合高并发、低带宽场景，但要注意QoS等级选择：QoS 0可能丢数据，QoS 1保证至少一次，QoS 2保证恰好一次但开销更大。工业现场一般对遥测数据用QoS 1，对模型下发用HTTPS加校验和。
# 边侧推理结果回写PLC的典型寄存器映射
DB100.DBD0 := 推理置信度 # REAL, 0.0 ~ 1.0
DB100.DBD4 := 推荐参数值 # REAL, 工艺范围内
DB100.DBW8 := 模型版本号 # INT
DB100.DBX10.0 := 结果有效位 # BOOL, 握手信号
DB100.DBX10.1 := AI使能位 # BOOL, 手自动切换
DB100.DBX10.2 := 通信超时报警 # BOOL, 回退触发
四、典型场景：视觉质检中的云边端协同
以一条包装线视觉质检为例。端侧：工业相机在工件到位时触发拍照，PLC记录当前位置和触发时间；边侧：网关接收图像，运行缺陷检测模型，输出“合格/不合格”和缺陷坐标，通过Modbus TCP写入PLC的DB块；PLC根据结果驱动剔除气缸，同时把图像哈希、推理耗时、置信度通过MQTT上传云端。云端：汇总多台设备数据，发现某批次缺陷率上升，重新训练模型并下发新版本到边侧。
这个场景中，端侧负责“动作”，边侧负责“判断”，云侧负责“学习”。三者通过明确的接口和超时机制解耦，任何一层短暂故障都不会导致产线失控。
五、常见误区与复盘
- 误区一：把AI模型直接塞进PLC。PLC的算力和内存有限，复杂模型无法运行，即使运行也会拖长扫描周期，破坏确定性控制。
- 误区二：边侧推理没有超时回退。一旦网关死机或网络中断，PLC若一直等待AI结果，产线会停摆。必须设置通信超时，超时后自动切回传统逻辑。
- 误区三：忽略时间戳对齐。相机图像、PLC位置、传感器温度如果时间基准不一致，推理结果会对应到错误的工件上。
- 误区四：模型版本混乱。边侧同时存在多个模型版本时，必须通过版本号寄存器让PLC知道当前使用的是哪一版，便于追溯和回滚。
总结来看，云、边、端协同架构的本质是按时间尺度分层、按职责边界解耦。数据采集层保证“看得全”，推理层保证“判得准”，控制层保证“控得稳”。通信方式的选择围绕实时性、可靠性和可维护性展开，而安全回退机制则是整个融合架构的底线。只有把这三层和它们之间的数据流设计清楚，AI+PLC项目才能从演示走向稳定交付。