1. 课程导论：边缘AI在智慧工厂中的定位、课程目标、整体架构与学习路径

智慧工厂的数字化转型正从“数据采集与可视化”迈向“数据驱动的实时决策”。传统云计算架构在应对毫秒级质检、设备预测性维护、多源异构数据融合等场景时，暴露出网络延迟、带宽成本、数据安全三大瓶颈。边缘AI作为在靠近数据源头的网络边缘侧部署人工智能模型与算力的技术体系，成为破解上述瓶颈的关键支点。本章作为全课程的总纲，将系统阐述边缘AI在智慧工厂中的战略定位、课程学习目标、端边云协同的整体技术架构，并为不同基础的学习者规划清晰的实战路径。

上图展示了智慧工厂中“端-边-云”三层协同的典型架构。边缘层负责实时推理与数据预处理，工厂层承载MES、PLC等生产执行系统，云端则承担模型训练与全局优化。本课程所有实战项目均围绕这一架构展开，帮助学员建立系统化的工程视野。

1.1 边缘AI在智慧工厂中的核心定位

核心原理：边缘AI并非简单地将AI模型部署到工厂服务器，而是通过“算力下沉、智能前置”重构传统自动化系统的决策链路。在智慧工厂中，边缘AI承担三类关键角色：实时感知器（视觉质检、振动分析）、智能执行器（参数自整定、缺陷分类）、数据过滤器（只上传有价值的数据到云端）。其本质是将AI能力嵌入到工业自动化控制闭环中，与PLC、传感器、机器人等设备形成协同。

判断方法：评估一个场景是否需要边缘AI，可依据以下三条标准：

• 时延敏感度：若决策周期小于100ms（如高速产线质检），云端往返无法满足，必须边缘推理。
• 数据隐私性：涉及工艺配方、产品设计图纸等敏感数据，法律或商业要求数据不出厂区。
• 带宽经济性：若每秒产生数百MB的工业图像数据，全部上传云端将造成网络拥堵和存储浪费。

对比维度	传统云端AI	边缘AI	边缘AI优势
推理延迟	200-500ms	10-80ms	满足实时控制闭环
网络依赖	完全依赖	断网可运行	高可用性
数据上传量	全量原始数据	特征/结果	带宽成本降低
模型更新	即时生效	需OTA推送	需版本管理机制
典型硬件	GPU服务器	Jetson/工业PC	低功耗、工业级

1.2 课程目标与能力模型

本课程面向智能制造领域的算法工程师、自动化工程师和IT架构师，目标是在完成全部实战项目后，学员能够独立设计并交付一套“视觉质检+PLC联动+MES集成+看板展示”的边缘AI系统。具体能力目标分为四个层级：

1. 架构设计能力：能够根据产线节拍、数据量、精度要求，选择合适的边缘硬件（如NVIDIA Jetson Orin、Intel Movidius）和软件框架（TensorRT、OpenVINO）。
2. 模型部署能力：掌握将PyTorch/TensorFlow模型转换为ONNX、TensorRT引擎，并处理量化、剪枝等优化技术，使模型在边缘设备上高效运行。
3. 系统集成能力：熟练使用OPC UA、Modbus TCP等工业协议与PLC通信，通过REST API或消息队列与MES系统交互，实现检测结果自动触发分拣、停机、报警等动作。
4. 运维调优能力：建立模型漂移监控机制，设计数据回流管道，实现“数据-训练-部署-监控”的闭环迭代。

1.3 整体技术架构与数据流

本课程采用的参考架构分为五个层次，各层职责明确、接口标准化：

• 感知层：工业相机（GigE Vision协议）、振动传感器、温度传感器等，负责原始信号采集。
• 边缘计算层：部署AI推理引擎、协议转换网关、本地数据库。该层是课程核心，涵盖模型优化、推理加速、多传感器融合。
• 控制执行层：PLC（可编程逻辑控制器）接收边缘AI的判定结果，执行剔除、停机、报警等动作。通信采用OPC UA或Profinet。
• 制造执行层：MES系统通过REST API接收检测数据，更新工单状态、生成质量追溯记录。
• 可视化层：Web看板实时展示产线OEE、缺陷分布、设备状态，支持移动端访问。

关键数据流设计：图像数据流经“相机→边缘AI→结果+特征图→MES/看板”，控制指令流经“边缘AI→PLC→执行机构”。两条数据流必须严格分离，避免控制指令受到大数据传输的干扰。在课程实战中，我们将使用Docker容器化部署，将AI推理服务、协议转换服务、Web服务隔离运行，确保故障隔离和资源可控。

1.4 学习路径与前置要求

考虑到学员背景差异，课程设计了“基础巩固→核心实战→综合联调”三阶段路径。建议按照以下顺序学习：

阶段	核心内容	前置技能	产出物
第一阶段（第1-5章）	边缘AI基础、硬件选型、开发环境搭建	Python基础、Linux命令	可运行的边缘推理Demo
第二阶段（第6-20章）	视觉质检模型训练与优化、PLC通信实战	深度学习基础、电气图纸阅读	单机版质检系统
第三阶段（第21-30章）	MES集成、看板开发、系统联调与上线	REST API、数据库SQL	完整智慧工厂解决方案

学习方法建议：每章均配有可复用的代码仓库和模拟环境。对于没有真实产线设备的学员，课程提供PLC仿真器（如S7-PLCSIM）和虚拟相机方案，确保所有实验可在个人电脑上完成。建议学员准备一台配备NVIDIA GPU（至少6GB显存）的电脑，用于模型训练；边缘推理阶段可使用云服务器或低成本开发板替代。

1.5 案例拆解：某电子元器件厂的边缘AI质检系统规划

背景与约束：某连接器生产厂有12条高速产线，每条线每分钟生产300个产品。质检环节依赖20名目检员，漏检率约3%。工厂要求在不降低产速的前提下，将漏检率降至0.5%以内，且检测数据需与MES系统打通，实现单件追溯。

初始现象与目标：人工目检存在疲劳导致的漏检波动，且无法记录每件产品的检测图像。项目目标为：部署边缘AI视觉系统，实现100%全检，缺陷分类准确率≥99%，检测节拍≤180ms/件，并与现有MES（某国产系统）对接。

关键输入数据与参数：

• 相机分辨率：500万像素，拍摄视野覆盖产品全貌
• 缺陷类型：划痕、脏污、引脚弯曲、注塑缺料（共4类）
• 产线PLC：西门子S7-1500，支持OPC UA
• 网络环境：车间内部千兆以太网，禁止连接外网

分析判断过程：首先，根据节拍要求（180ms），评估云端方案不可行（网络+推理需400ms以上）。其次，对比Jetson Orin NX（INT8算力100TOPS）与工业PC+GPU方案，考虑功耗和体积，选择Jetson。然后，针对4类缺陷，使用YOLOv8s模型训练，通过TensorRT INT8量化，推理耗时从原始PyTorch的350ms降至65ms。最后，设计PLC联动逻辑：当AI检测到缺陷时，通过OPC UA写入PLC的DB块，PLC控制气缸将不良品剔除，同时将结果通过REST API推送至MES。

实际操作步骤：

1. 在产线上方安装相机和光源，完成标定，采集5000张缺陷样本和20000张良品样本。
2. 在Jetson上部署TensorRT引擎，编写C++/Python推理服务，通过GigE Vision协议获取图像。
3. 配置OPC UA服务器地址，建立AI服务与PLC的命名空间映射。
4. 开发MES对接模块，定义JSON数据格式（包含产品SN、缺陷类型、置信度、时间戳）。
5. 联调测试：模拟产线全速运行，验证剔除动作的准确性和MES数据完整性。

结果对比与复盘：系统上线后，漏检率降至0.3%，优于目标。但初期遇到两个问题：一是强光环境下反光导致误检，通过增加偏振镜解决；二是MES接口偶尔超时，通过引入消息队列（EMQX）实现异步解耦。项目总耗时6周，其中数据采集标注占3周，模型训练与优化占2周，系统集成仅占1周——这印证了数据工程是边缘AI项目的核心工作量。