4. AI基础概念
在智慧工厂中，AI与PLC联动并不是“把模型塞进控制器”这么简单。真正决定系统能否稳定运行的，是学习范式与算力位置的匹配：机器学习、深度学习、强化学习解决“怎么学”，边缘计算与云计算解决“在哪算”。理解这两条轴，才能为不同工位选择合适的技术组合。
一、核心原理：两条正交的技术轴
第一条轴是学习范式。传统机器学习依赖人工特征工程，用回归、决策树、SVM等模型处理结构化数据，样本需求小、可解释性强；深度学习用多层神经网络自动提取特征，擅长图像、振动频谱、时序波形等非结构化信号，但需要大量标注数据和GPU算力；强化学习不依赖标注样本，而是让智能体在环境中试错，通过奖励信号学习策略，适合参数寻优、调度和动态控制。
第二条轴是算力位置。边缘计算把推理放在产线侧，延迟可压到毫秒级，数据不出厂，适合实时闭环；云计算提供弹性算力和海量存储，适合模型训练、跨厂数据汇聚和长周期分析。二者不是替代关系，而是“云训练、边推理、端执行”的分工。
二、方法流程：从需求到部署的选型路径
面对一个具体工位，可按以下顺序决策：
- 判断任务类型：是分类/回归（质检、预测），还是序列决策（调度、调参）？前者用监督学习，后者考虑强化学习。
- 判断数据形态：结构化小样本优先机器学习；图像、声音、高频波形优先深度学习。
- 判断延迟要求：闭环控制要求 <50 ms，必须边缘推理；报表、趋势分析可上云。
- 判断网络条件：产线断网风险高时，边缘侧必须能独立运行。
- 确定协同方式：云训练、边推理、PLC执行，模型通过OTA下发并灰度验证。
三、案例场景：三类典型工位对比
| 工位场景 | 学习范式 | 算力位置 | 延迟要求 | PLC联动方式 |
|---|---|---|---|---|
| 轴承振动异常检测 | 深度学习（1D-CNN） | 边缘盒子 | <20 ms | DO输出报警，触发停机 |
| 注塑工艺参数优化 | 强化学习（PPO） | 云端训练 + 边缘推理 | 100~500 ms | 通过Modbus写设定值 |
| 多产线能耗预测 | 机器学习（XGBoost） | 云计算 | 分钟级 | 结果下发至SCADA，不直接控PLC |
以轴承振动检测为例，边缘侧部署轻量CNN模型，输入为PLC高速计数器采集的振动频谱，推理结果通过数字量输出直接触发停机。模型每周在云端用新数据重新训练，再通过OTA下发到边缘节点，形成“数据上行、模型下行”的闭环。
四、误区与复盘
误区一：所有AI都上云。闭环控制对延迟极敏感，云端往返可能超过100 ms，导致控制失稳。正确做法是边缘推理、云端训练。
误区二：深度学习一定优于机器学习。结构化小样本场景下，XGBoost往往比深度网络更准、更快、更易解释，且能在PLC或工控机上运行。
误区三：强化学习可以“零数据”上线。强化学习需要与环境交互，工业现场试错成本极高，必须先在仿真环境中训练，再迁移到真实产线并限制动作空间。
复盘时重点检查三项指标：推理延迟是否满足闭环周期、模型漂移是否导致误报率上升、边缘节点资源占用是否影响PLC扫描周期。只有三者都在安全边界内，AI与PLC的联动才算真正落地。
# 边缘推理服务关键参数示例
model: bearing_cnn_v3.onnx
inference_device: edge_box_gpu
max_latency_ms: 20
plc_protocol: Modbus TCP
plc_register: 40001
alarm_threshold: 0.85
ota_check_interval: 3600s
总结来看，机器学习、深度学习、强化学习回答“用什么方法学”，边缘计算与云计算回答“在哪里算”。工业适用性的核心，是让学习范式匹配数据形态，让算力位置匹配延迟要求，最终通过PLC完成安全、确定的执行。