人工智能（AI）是(shi)一(yi)項(xiang)極(ji)具(ju)普(pu)適(shi)性(xing)的(de)技(ji)術(shu)，同(tong)時(shi)也(ye)是(shi)一(yi)項(xiang)能(neng)夠(gou)成(cheng)功(gong)實(shi)現(xian)自(zi)動(dong)化(hua)工(gong)作(zuo)流(liu)程(cheng)的(de)技(ji)術(shu)。它(ta)能(neng)夠(gou)突(tu)破(po)迄(qi)今(jin)為(wei)止(zhi)基(ji)於(yu)傳(chuan)統(tong)算(suan)法(fa)所(suo)能(neng)實(shi)現(xian)的(de)自(zi)動(dong)化(hua)極(ji)限(xian)。然(ran)而(er)，AI 在工業應用領域的優勢，唯有在無需深厚的 AI 專業知識便能輕鬆駕馭之時，方能得以充分展現與確立。這正是倍福開發 TwinCAT Machine Learning Creator 軟件的初衷。
基於算法的傳統自動化體係依賴於一種相當僵化的結構，其運作方式近乎於遵循一套既定的規則集合。當情況 A 發生時，則會通過 B 進行回應，以獲得所期望的結果 C。簡而言之，從特定情境到預期結果的路徑是預先設想好的，然後精準實施。而基於 AI 的方法則巧妙地運用實例數據，自動完成從特定情景到預期結果的學習路徑，因此無需人類明確構思並轉化為算法。
AI 技術在工業領域有眾多潛在應用，其中最前沿的莫過於 AI 機器視覺檢測。具體應用包括成品生產線末端檢測、依據產品質量或其它屬性精準分揀產品（通常是天然產品），以及光學過程監測和分類。這一廣泛應用領域的具體實例包括但不限於：
對金屬體的形狀和/或表麵質量進行最終檢驗
按照不同的質量等級分揀水果、木質表麵和羊毛等天然產品
垃圾分類回收
監控加工區域，例如激光焊接過程監控
處理視覺定位任務，比如特定物體定位和抓取任務
基於 AI defangfazaichulizhexierenwushidexianzhuyoushizaiyu，yidanjingguoshidangdexunlian，tongguoxuexidechudesuanfabiannengzhanxianchuchusedeshiyingxing，qingsongyingduishurushujudebianhua。zheyiweizhe，jishizaiqiyouxiandenenglifanweinei，jingguochongfenxunliande AI 模型也能有效有效應對並妥善解決這些陌生情境的挑戰。
鑒於 AI 技術在工業領域所展現出的巨大潛力，工業企業目前所麵臨的核心難題在於缺乏一批能夠高效、批量地創建 AI 模型的專業技術人才。在當前競爭激烈的就業市場中，對 AI 專家的需求遠遠超出了實際的人才供給。更為關鍵的是，AI 專家隻有與自動化或過程控製專家合作，才能成功解決自動化難題。這正是倍福的用武之地：TwinCAT Machine Learning Creator 能夠自動執行複雜的 AI 訓練流程，使得自動化與過程控製專家能夠自主創建 AI 模型。這極大地拓寬了這項技術的潛力，使其能夠惠及每一個人。
上傳圖像分類數據集，將雞蛋分為“合格”、“髒汙”、和“破損”三個等級
1 倍福 AI 生態係統
倍福為工業 AI 應用精心構建了一個全麵的生態係統，其核心優勢在於能夠直接在工業控製器（PLC）上高效執行 AI 模型。各種傳感器都可通過EtherCAT 現場總線以及配套的 EtherCAT 網絡設備連接至控製係統。此外，倍福還能提供各種係統集成式機器視覺硬件，包括堅固耐用的工業相機、高性能的工業級鏡頭以及光源。傳感器信息被即時傳輸至基於 PC 的控製器，在那裏可以直接處理這些信息，包括運用 AI 技術進行深度分析。TwinCAT Machine Learning Server、TwinCAT Vision Neural Networks 和 TwinCAT Neural Network Inference Engine 等集成了 PLC 的執行模塊可用於訓練好的 AI 模型。它們既能夠充分利用 CPU 的計算資源，也能夠靈活運用 NVIDIA GPU 的算力。AI 執行模塊可以加載存儲在開放標準“ONNX”中的訓練好的 AI 模型。這樣，用戶便可以自由地在任何適合的訓練環境中靈活訓練 AI 模型，然後在 TwinCAT 控製器中輕鬆執行這些模型。倍福通過其 C6043 超緊湊型工業 PC，為用戶提供了集成 NVIDIA 嵌入式 GPU 並符合行業標準的可擴展硬件解決方案，從而使得整個倍福生態係統能夠以優化的方式將 AI 模型無縫集成到設備的控製層中。
2 自動創建 AI 模型
倍福秉承開放式控製技術理念，設計了現有的 PLC 集成式執行模塊，以支持 ONNX 標準，從而實現了 AI 模型與 AI 訓練環境的無縫對接，無論用戶使用的是何種訓練環境。ONNX 文件將一個訓練好的 AI 模型描述為帶相關參數的算子序列。這些描述文件能夠輕鬆加載到 TwinCAT Machine Learning Server 等 TwinCAT 3 功能組件中，然後由 PLC 執行；但是，諸如 PyTorch 或 Scikit-learn 等通常用於訓練 AI 模型的機器學習框架主要麵向 AI 專家，他們通常會在 Python 編程環境中精心準備訓練數據，創建 AI 模型架構，並深入進行模型訓練。
訓練 AI 模型
倍福現在通過 TwinCAT Machine Learning Creator，提供了一種更為簡單的方法，即借助基於 Web 的界麵引導用戶輕鬆完成數據上傳、模型訓練、模mo型xing分fen析xi和he模mo型xing下xia載zai等deng全quan流liu程cheng。我wo們men的de目mu標biao群qun體ti主zhu要yao包bao括kuo自zi動dong化hua和he過guo程cheng控kong製zhi專zhuan家jia，即ji使shi他ta們men不bu具ju備bei數shu據ju科ke學xue背bei景jing，也ye能neng通tong過guo我wo們men的de平ping台tai實shi現xian AI 模型訓練過程的標準化。
AI 訓練流程的配置保持精簡，其核心步驟包括創建一個模型名稱，並將數據集（或多個數據集）添加到訓練過程中。除了核心配置之外，所有其它配置均為可選配置，用戶可根據實際應用需求靈活調整，以精確控製 AI 模型在 TwinCAT 控製器上的運行行為。如果明確了采用倍福的 TwinCAT 硬件平台和 TwinCAT 軟件創建 AI 模型，用戶就可以設定 AI 模型最大可接受的執行時間閾值。我們在創建 AI 模型的過程中會考慮到這些關鍵信息。如果未明確設定最大執行時間，係統則會完全專注於優化 AI 模型的性能（泛化能力）。
5 模型分析
AI 模型，尤其是使用 TwinCAT Machine Learning Creator 創建的深度神經網絡（深度學習模型），具有良好的泛化特性。這表示模型的預期性能也非常出色；然而，神經網絡本質上是一個“黑盒子”，其功能性隻能通過專門的分析技術，而非簡單直接的方法來破解。這些方法也被稱為“可解釋性 AI”。
訓練好的 AI 模型的分析方法呈現出多元化的特點。軟件會自動將上傳的數據集進行智能劃分，一部分被指定為訓練數據，用於訓練模型；另一部分則作為測試數據，用於模型分析。測試數據集包含了 AI moxingweizengjianguodeshilishuju，jiweizhishili，danzhexieshiliyijingbeidabiao。zheyangjiukeyijingquedijisuanchutongjizhi，zhiguandixianshimoxingdezhengquelvhecuowulv。zaimoxingdemeiyicizhixingqijian，xitonghaihuijisuanchuxiangyingdezhixinduzhi，bingyitongjishujudexingshichengxian。zaimoxingmeicizhixingguochengzhong，xitongshenzhihaikeyizhinengdishengchengyigexianzhutu，gaitudiejiazaiyuanshishurutuxiangshang，yongyizhishizaijinxingtuxiangfenleishixuyaozhongdianguanzhunaxietuxiangquyu。
分析 AI 模型
6 模型下載
一旦 AI 模型經過訓練並達到集成至設備控製係統的標準，即可作為 ONNX 文件從平台下載。這意味著 AI 模型並不局限於在 TwinCAT 環境，而是能夠根據需要在任何平台上頻繁部署。此外，完整的 TwinCAT PLC 代碼也可以以 PLCopen XML 格式從平台下載，包括圖像獲取、圖像預處理以及 AI 模型執行和後處理的完整流程。訓練工具相應地無縫過渡到 TwinCAT PLC。
從訓練平台導出 ONNX 文件的另一大優勢在於，它極大地促進了 AI 專家的參與。這些專家能夠借助 TwinCAT Machine Learning Creator 快速且標準化地構建出高質量的初始 AI 模型。然後，用戶可以將 ONNX 格式的結果導入到各個專業工具中繼續處理，例如對模型進行額外的分析或精細化調整。
