📚 课程目录第3章工业AI概述

3、工业AI概述：AI在工业中的应用场景、边缘计算与云计算的差异、工业AI典型架构

工业AI并非简单地将通用AI算法移植到工厂，而是围绕“物理世界感知—数据实时处理—控制指令闭环”这一核心逻辑展开的系统工程。在PLC（可编程逻辑控制器）主导的产线控制体系中，AI的介入改变了传统“人工设定阈值+固定逻辑”的模式，使设备具备自感知、自决策、自执行的能力。本章将厘清工业AI的典型应用场景，对比边缘计算与云计算在工业现场的职责边界，并给出可落地的工业AI参考架构，为后续章节中“边缘识别到产线控制闭环”的具体实现奠定基础。

3.1 工业AI的核心应用场景与价值边界

工业AI的应用场景可归纳为四大类：质量检测与缺陷识别、设备预测性维护、工艺参数动态优化、生产计划与调度。这四类场景对实时性、数据量、决策频次的要求差异显著，直接决定了AI模型部署在边缘还是云端。

应用场景	典型输入数据	决策时延要求	部署位置	与PLC联动方式
质量视觉检测	工业相机图像（500万像素级）	50~200ms	边缘GPU/FPGA	检测NG信号→PLC剔除
预测性维护	振动、温度、电流时序数据	分钟级~天级	边缘网关+云端训练	预警信号→PLC降速/停机
工艺参数优化	温度、压力、速度等多维参数	秒级~分钟级	边缘AI控制器	AI计算最优值→PLC设定值
智能排产调度	订单、设备状态、物料信息	小时级~天级	云端/MES	下发生产计划→PLC切换配方

在工业现场，AI并非万能。其价值边界在于：AI擅长处理“高维非线性映射”问题，例如从图像像素到缺陷类别的映射、从振动频谱到剩余寿命的映射；而PLC擅长处理“确定性逻辑控制”，例如互锁、顺序控制、安全保护。两者的结合点在于：AI输出的是建议值或分类结果，PLC负责最终执行与安全兜底。例如在注塑机工艺优化中，AI根据熔体温度、模腔压力预测出最佳保压压力，但保压压力的变化速率和上限仍由PLC内的安全程序约束。

  核心判断方法：判断一个工业问题是否适合引入AI，可遵循“三有”原则——有数据（历史数据可获取且覆盖工况）、有规律（输入输出间存在潜在映射关系）、有边界（AI输出可被PLC安全逻辑约束）。若三者缺一，建议先优化传统控制方案。

3.2 边缘计算与云计算：不是替代，而是协同

在工业AI架构中，边缘计算与云计算承担不同职责。边缘计算强调低时延、高可靠、数据本地化，云计算强调大规模训练、全局优化、长周期分析。两者通过“训练在云、推理在边”的协作模式，形成完整闭环。

以一条汽车焊装产线为例：边缘侧部署的AI视觉系统需要在100ms内完成焊点质量检测，若将图像上传云端推理，网络时延和带宽占用将导致产线节拍下降30%以上。因此，边缘AI网关内置轻量化模型（如YOLOv5s），在本地完成推理，仅将“缺陷图像+检测结果”压缩后上传云端。云端则利用这些数据持续训练更优模型，每周更新一次边缘模型参数。这种“边缘为主、云端为辅”的模式，既保证了实时性，又实现了模型持续进化。

常见误区：部分企业试图用云计算替代边缘计算，将所有AI推理放在云端。在工业场景中，网络抖动、断网、时延波动都会导致AI决策失效，甚至引发安全事故。请记住：凡是涉及设备安全联锁的AI决策，必须部署在边缘侧，云端只能作为非实时优化通道。

3.3 工业AI典型架构：从感知到控制的四层闭环

工业AI的落地架构可抽象为四个层次：感知层、边缘计算层、网络传输层、云端应用层。每一层都有明确的功能边界和接口标准。

感知层：包括工业相机、振动传感器、温度变送器、电流互感器等。关键要求是数据同步与标定。例如视觉检测需要频闪光源与相机曝光同步，振动采集需要与PLC扫描周期对齐。
边缘计算层：部署AI推理引擎（如TensorRT、OpenVINO）和轻量级控制逻辑。该层直接与PLC通信，通过OPC UA或Profinet协议读写PLC数据块。边缘AI的输出通常写入PLC的DB块（数据块）中的特定地址，由PLC程序判断是否执行。
网络传输层：采用工业以太网或5G专网，传输云端训练所需的特征数据。注意：不要传输原始图像或全量振动波形，应传输特征值（如缺陷类别、频谱峰值、温度趋势），以降低带宽压力。
云端应用层：负责模型训练、数字孪生仿真、多工厂对比分析。云端训练好的模型通过模型管理平台下发至边缘设备，实现OTA更新。

// 边缘AI与PLC数据交互示例（以西门子S7-1200为例）
// AI推理结果写入DB10.DBD0（浮点数，表示缺陷置信度）
// PLC程序判断：若置信度 > 0.9，则触发剔除气缸
IF "AI_Result".Confidence > 0.9 THEN
    "Outputs".Reject_Cylinder := TRUE;
ELSE
    "Outputs".Reject_Cylinder := FALSE;
END_IF;

3.4 案例拆解：某电子元器件产线的AI视觉检测与PLC联动

某连接器生产工厂面临端子外观检测效率低的问题。人工目检速度为每分钟30件，漏检率约3%。产线节拍要求为每分钟60件，传统机器视觉因光照变化和产品反光导致误判率高达15%。

关键约束：产线空间有限，无法增加大型工控机；PLC为三菱FX5U，支持以太网通信；检测节拍要求每件产品处理时间不超过800ms。

实施方案：

感知层：选用500万像素工业相机，搭配低角度环形光源，消除反光。相机触发信号由PLC的Y0输出脉冲控制，确保拍摄与产品到位同步。
边缘计算层：部署NVIDIA Jetson Orin NX边缘AI盒子，运行TensorRT加速的缺陷检测模型（输入尺寸640×640，推理时间约45ms）。AI盒子通过以太网与PLC通信，采用Modbus TCP协议。
PLC联动逻辑：AI盒子将检测结果（OK/NG + 缺陷类型编码）写入PLC的D100寄存器。PLC每50ms轮询一次D100，若检测到NG信号，则控制剔除气缸动作，同时记录当前产品序列号。
云端优化：AI盒子每批次上传100张NG图像和对应的标签到云端，云端每周重新训练模型并下发更新。

结果对比：上线后检测速度达到每分钟65件，漏检率降至0.5%，误判率降至2%。因误判导致的材料浪费减少了80%。风险与代价：初期模型训练需要标注5000张缺陷图像，耗时约2周；边缘AI盒子在高温车间（40℃）出现降频，后增加散热风扇解决。

复盘经验：① 相机触发必须由PLC硬信号控制，避免软件触发延迟；② AI输出结果要增加“置信度阈值”和“超时看门狗”——若AI盒子断连超过1秒，PLC应自动切换为安全模式（停机或降速）；③ 模型更新时采用A/B测试，先在一条产线验证新模型，再逐步推广。

3.5 常见误区与设计要点

在工业AI架构设计中，以下误区需要特别警惕：

误区一：AI模型越复杂越好。工业现场算力有限，且复杂模型推理时延高。应优先选择轻量化模型（如MobileNet、Tiny-YOLO），在满足精度要求的前提下尽量减小模型体积。
误区二：忽略数据质量。工业数据常存在缺失、噪声、标注不一致等问题。建议在数据采集阶段就建立数据质量看板，监控传感器漂移和通信丢包率。
误区三：AI与PLC硬编码耦合。不要将AI推理逻辑写入PLC程序内部，而应通过独立的数据块接口交互。这样当AI模型更新时，PLC程序无需修改。
误区四：忽视网络安全。边缘AI设备接入工厂网络后，可能成为攻击入口。应启用防火墙、VPN和访问控制列表，并定期更新安全补丁。

工业AI架构的成熟度评估，可参考以下五个维度：数据覆盖率（是否覆盖所有工况）、模型迭代周期（从月级到周级）、闭环自动化程度（人工确认→半自动→全自动）、故障恢复时间（目标小于5分钟）、安全冗余机制（是否有独立于AI的硬保护）。当这五个维度均达到较高水平时，工业AI才能真正实现从“辅助决策”到“自主控制”的跨越。