TwinCAT Machine Learning Creator：助力实现针对工业应用的 AI 大模型的全自动训练

2024年08月07日

人工智能(AI)是一项极具普适性的技术，同时也是一项能够成功实现自动化工作流程的技术。它能够突破迄今为止基于传统算法所能实现的自动化极限。然而，AI 在工业应用领域的优势，唯有在无需深厚的 AI 专业知识便能轻松驾驭之时，方能得以充分展现与确立。这正是倍福开发 TwinCAT Machine Learning Creator 软件的初衷。

基于算法的传统自动化体系依赖于一种相当僵化的结构，其运作方式近乎于遵循一套既定的规则集合。当情况 A 发生时，则会通过 B 进行回应，以获得所期望的结果 C。简而言之，从特定情境到预期结果的路径是预先设想好的，然后精准实施。而基于 AI 的方法则巧妙地运用实例数据，自动完成从特定情景到预期结果的学习路径，因此无需人类明确构思并转化为算法。

AI 技术在工业领域有众多潜在应用，其中最前沿的莫过于 AI 机器视觉检测。具体应用包括成品生产线末端检测、依据产品质量或其它属性精准分拣产品(通常是天然产品)，以及光学过程监测和分类。这一广泛应用领域的具体实例包括但不限于：

对金属体的形状和/或表面质量进行最终检验

按照不同的质量等级分拣水果、木质表面和羊毛等天然产品

垃圾分类回收

监控加工区域，例如激光焊接过程监控

处理视觉定位任务，比如特定物体定位和抓取任务

基于 AI 的方法在处理这些任务时的显著优势在于，一旦经过适当的训练，通过学习得出的算法便能展现出出色的适应性，轻松应对输入数据的变化。这意味着，即使在其有限的能力范围内，经过充分训练的 AI 模型也能有效有效应对并妥善解决这些陌生情境的挑战。

鉴于 AI 技术在工业领域所展现出的巨大潜力，工业企业目前所面临的核心难题在于缺乏一批能够高效、批量地创建 AI 模型的专业技术人才。在当前竞争激烈的就业市场中，对 AI 专家的需求远远超出了实际的人才供给。更为关键的是，AI 专家只有与自动化或过程控制专家合作，才能成功解决自动化难题。这正是倍福的用武之地：TwinCAT Machine Learning Creator 能够自动执行复杂的 AI 训练流程，使得自动化与过程控制专家能够自主创建 AI 模型。这极大地拓宽了这项技术的潜力，使其能够惠及每一个人。

上传图像分类数据集，将鸡蛋分为“合格”、“脏污”、和“破损”三个等级

1、倍福 AI 生态系统

倍福为工业 AI 应用精心构建了一个全面的生态系统，其核心优势在于能够直接在工业控制器(PLC)上高效执行 AI 模型。各种传感器都可通过 EtherCAT 现场总线以及配套的 EtherCAT 网络设备连接至控制系统。此外，倍福还能提供各种系统集成式机器视觉硬件，包括坚固耐用的工业相机、高性能的工业级镜头以及光源。传感器信息被即时传输至基于 PC 的控制器，在那里可以直接处理这些信息，包括运用 AI 技术进行深度分析。TwinCAT Machine Learning Server、TwinCAT Vision Neural Networks 和 TwinCAT Neural Network Inference Engine 等集成了 PLC 的执行模块可用于训练好的 AI 模型。它们既能够充分利用 CPU 的计算资源，也能够灵活运用 NVIDIA GPU 的算力。AI 执行模块可以加载存储在开放标准“ONNX”中的训练好的 AI 模型。这样，用户便可以自由地在任何适合的训练环境中灵活训练 AI 模型，然后在 TwinCAT 控制器中轻松执行这些模型。倍福通过其 C6043 超紧凑型工业 PC，为用户提供了集成 NVIDIA 嵌入式 GPU 并符合行业标准的可扩展硬件解决方案，从而使得整个倍福生态系统能够以优化的方式将 AI 模型无缝集成到设备的控制层中。

2、自动创建 AI 模型

倍福秉承开放式控制技术理念，设计了现有的 PLC 集成式执行模块，以支持 ONNX 标准，从而实现了 AI 模型与 AI 训练环境的无缝对接，无论用户使用的是何种训练环境。ONNX 文件将一个训练好的 AI 模型描述为带相关参数的算子序列。这些描述文件能够轻松加载到 TwinCAT Machine Learning Server 等 TwinCAT 3 功能组件中，然后由 PLC 执行;但是，诸如 PyTorch 或 Scikit-learn 等通常用于训练 AI 模型的机器学习框架主要面向 AI 专家，他们通常会在 Python 编程环境中精心准备训练数据，创建 AI 模型架构，并深入进行模型训练。

训练 AI 模型

倍福现在通过 TwinCAT Machine Learning Creator，提供了一种更为简单的方法，即借助基于 Web 的界面引导用户轻松完成数据上传、模型训练、模型分析和模型下载等全流程。我们的目标群体主要包括自动化和过程控制专家，即使他们不具备数据科学背景，也能通过我们的平台实现 AI 模型训练过程的标准化。

3、数据上传

机器学习的整个概念都围绕着通过实例数据来学习。考虑到这一点，拥有一个干净且具有代表性的数据集对于学习任务来说至关重要。这通常需要一个已标注的数据集：以图像分类领域为例，这意味着一定数量的样本图像已经过人工分类处理。因此，每张图像都被打上了标签，代表所期望的结果。图像和标签之间的关系通过标签文件建立，在最简单的情况下，标签文件是一个包含文件名和相应标签的表格。

数据上传方式是开放的，支持多种图像数据格式和标签文件格式。这意味着用户可以自由选择标签工具(如果需要的话)。我们目前正在将 TwinCAT Analytics Data Scout 用作标签工具，以实现从 TwinCAT 控制器到 TwinCAT Machine Learning Creator 的高效数据集成。

4、AI 模型训练

AI 训练流程的配置保持精简，其核心步骤包括创建一个模型名称，并将数据集(或多个数据集)添加到训练过程中。除了核心配置之外，所有其它配置均为可选配置，用户可根据实际应用需求灵活调整，以精确控制 AI 模型在 TwinCAT 控制器上的运行行为。如果明确了采用倍福的 TwinCAT 硬件平台和 TwinCAT 软件创建 AI 模型，用户就可以设定 AI 模型最大可接受的执行时间阈值。我们在创建 AI 模型的过程中会考虑到这些关键信息。如果未明确设定最大执行时间，系统则会完全专注于优化 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 创建的深度神经网络(深度学习模型)，具有良好的泛化特性。这表示模型的预期性能也非常出色;然而，神经网络本质上是一个“黑盒子”，其功能性只能通过专门的分析技术，而非简单直接的方法来破解。这些方法也被称为“可解释性 AI”。

训练好的 AI 模型的分析方法呈现出多元化的特点。软件会自动将上传的数据集进行智能划分，一部分被指定为训练数据，用于训练模型;另一部分则作为测试数据，用于模型分析。测试数据集包含了 AI 模型未曾见过的实例数据，即未知实例，但这些实例已经被打标。这样就可以精确地计算出统计值，直观地显示模型的正确率和错误率。在模型的每一次执行期间，系统还会计算出相应的置信度值，并以统计数据的形式呈现。在模型每次执行过程中，系统甚至还可以智能地生成一个显著图，该图叠加在原始输入图像上，用以指示在进行图像分类时需要重点关注哪些图像区域。

分析 AI 模型

6、模型下载

一旦 AI 模型经过训练并达到集成至设备控制系统的标准，即可作为 ONNX 文件从平台下载。这意味着 AI 模型并不局限于在 TwinCAT 环境，而是能够根据需要在任何平台上频繁部署。此外，完整的 TwinCAT PLC 代码也可以以 PLCopen XML 格式从平台下载，包括图像获取、图像预处理以及 AI 模型执行和后处理的完整流程。训练工具相应地无缝过渡到 TwinCAT PLC。

从训练平台导出 ONNX 文件的另一大优势在于，它极大地促进了 AI 专家的参与。这些专家能够借助 TwinCAT Machine Learning Creator 快速且标准化地构建出高质量的初始 AI 模型。然后，用户可以将 ONNX 格式的结果导入到各个专业工具中继续处理，例如对模型进行额外的分析或精细化调整。