1. 课程导入
在传统制造现场，PLC（可编程逻辑控制器）长期承担着设备层的实时控制任务：读取传感器、执行逻辑联锁、驱动执行机构。它稳定、可靠、确定性强，但它的“智能”通常局限于预先写好的梯形图逻辑。当生产订单频繁切换、设备状态复杂多变、质量波动需要快速溯源时，仅靠固定逻辑已经难以支撑智慧工厂对柔性、效率和透明度的要求。
工业4.0的核心并不是简单地“把设备连上网”，而是让数据在设备层、控制层、管理层之间形成闭环。PLC提供毫秒级的实时控制与现场数据，AI提供模式识别、预测与优化能力，两者结合，才能让产线从“自动化执行”走向“自适应决策”。本课程围绕《智慧工厂AI+PLC联动》展开，重点解决一个工程问题：如何让AI的推理结果安全、可靠、可解释地作用于PLC控制回路，同时不破坏原有控制系统的实时性与安全性。
一句话理解本课程：PLC是工厂的“手脚”，负责精准执行；AI是工厂的“大脑”，负责判断与优化；联动机制则是“神经”，决定大脑的指令能否安全地传到手脚。
AI+PLC联动的价值
AI与PLC联动并不是用AI替代PLC，而是形成分层协作。PLC继续负责安全联锁、急停、时序控制等确定性任务；AI则在边缘侧或上位机侧完成数据分析、异常检测、参数寻优和质量预测。两者通过标准协议或中间件交换数据，最终由PLC执行经过安全校验的控制指令。
- 预测性维护：通过电流、振动、温度等PLC采集信号，AI识别设备劣化趋势，提前触发维护工单，减少非计划停机。
- 工艺参数优化：AI根据历史批次数据推荐最优温度、压力、速度设定值，PLC接收后写入对应寄存器，实现闭环调优。
- 视觉质检联动：AI视觉判定产品缺陷后，将剔除信号发送给PLC，由PLC驱动气缸或机械手完成分拣，响应时间可控制在数十毫秒。
- 柔性换产：AI根据订单和物料状态生成切换策略，PLC按新配方自动调整工位动作，缩短换线时间。
- 能耗优化：AI分析峰谷电价与生产节拍，动态调整设备启停组合，PLC执行节能策略。
这些场景的共同点是：AI不直接驱动执行器，而是通过PLC的既有安全逻辑生效。这种设计既保留了PLC的确定性，又引入了AI的灵活性。
核心原理：分层联动架构
典型的AI+PLC联动系统分为四层：现场设备层、PLC控制层、边缘计算层和云端/管理层。现场设备层包括传感器、变频器、伺服、阀岛等；PLC控制层完成实时逻辑与安全联锁；边缘计算层部署AI推理模型，负责低延迟数据处理；云端/管理层负责模型训练、数据归档和全局优化。
数据流是双向的：上行方向，PLC通过Modbus TCP、OPC UA、Profinet等协议将过程数据推送到边缘节点；下行方向，AI推理结果经过安全校验后，以写寄存器、调用功能块或发送指令的方式回传给PLC。关键在于，下行指令必须经过“白名单校验+范围限幅+超时回退”三重保护，避免AI异常输出导致设备误动作。
方法流程：从数据采集到闭环控制
一个完整的AI+PLC联动闭环通常包含六个步骤。第一步，PLC采集现场信号并打上时间戳；第二步，边缘节点通过协议读取数据并做清洗对齐；第三步，AI模型推理，输出分类、回归或优化建议；第四步，安全校验模块检查输出是否在允许范围内；第五步，校验通过后写入PLC寄存器或调用功能块；第六步，PLC执行并反馈结果，形成新的数据样本。
# 典型联动伪代码（边缘侧）
while True:
data = plc.read_registers(addr=40001, count=32) # 读取PLC数据
features = preprocess(data) # 清洗与特征提取
result = ai_model.predict(features) # AI推理
if safety_check(result, limits): # 安全校验
plc.write_register(addr=40100, value=result) # 写回PLC
else:
plc.write_register(addr=40100, value=default) # 回退默认值
time.sleep(cycle_time) # 按周期执行
案例场景：视觉质检与PLC分拣联动
某电子组装线需要在传送带上检测连接器引脚是否歪斜。传统方案依赖人工目检，漏检率约3%。引入AI+PLC联动后，工业相机在PLC触发信号下拍照，边缘AI模型在80毫秒内完成缺陷判定，并将“合格/不合格”结果写入PLC的DB块。PLC根据结果驱动气缸，在120毫秒内将不良品吹入废料槽。整线节拍未受影响，漏检率降至0.2%以下。
这个案例的关键在于：AI只负责“判断”，PLC负责“执行”，两者通过硬触发和寄存器交互，避免了网络抖动对节拍的影响。同时，PLC保留了手动模式和急停逻辑，AI失效时产线仍可降级运行。
常见误区与复盘
误区一：让AI直接控制执行器。AI输出具有概率性，直接驱动阀岛或伺服可能引发安全事故。正确做法是AI输出经过PLC的安全逻辑层。
误区二：忽视实时性约束。AI推理若超过控制周期，会导致指令滞后。应优先选择轻量模型，或将推理放在边缘侧而非云端。
误区三：不做数据对齐。PLC扫描周期与AI采样周期不一致，时间戳未对齐会导致模型误判。建议统一使用边缘网关做时间同步。
误区四：缺少回退策略。AI模型异常时，PLC应自动切换到默认参数或手动模式，而不是继续执行错误指令。
学习目标与课程框架
通过本课程，你将掌握以下能力：理解智慧工厂与工业4.0的技术脉络；掌握PLC与AI联动的分层架构与通信协议；能够设计安全校验与回退机制；能够完成数据采集、模型部署和闭环调试；能够排查联动系统中的常见故障。
| 模块 | 核心内容 | 产出能力 |
|---|---|---|
| 基础篇 | 工业4.0、PLC原理、AI基础、通信协议 | 建立分层联动认知 |
| 架构篇 | 边缘计算、OPC UA、数据流设计、安全校验 | 设计联动系统架构 |
| 实操篇 | 数据采集、模型训练、PLC编程、联调 | 完成端到端闭环 |
| 进阶篇 | 预测性维护、视觉质检、参数优化、能耗管理 | 落地典型场景 |
| 排障篇 | 通信故障、时序错位、模型漂移、安全回退 | 快速定位与恢复 |
本课程共30章，从背景导入开始，逐步深入到架构设计、协议配置、模型部署、场景实战和故障排查。每一章都围绕一个可落地的工程问题展开，帮助你把AI+PLC联动从概念转化为产线上的实际能力。