人工智能（AI）是當前倍福控制技術的一大亮點。倍福在 2019 年漢諾威工業博覽會上宣布將機器學習（ML）集成到 TwinCAT 3 自動化軟件中。在經過各項測試之后，倍福已于去年成功地將機器學習產品推向市場。倍福將機器學習集成到其 TwinCAT 3 控制平臺中，并在該領域積累了寶貴的經驗。

近日，倍福 TwinCAT 產品經理 Fabian Bause 博士接受了WEKA 行業媒體《Computer & AUTOMATION》雜志的采訪，向讀者們介紹了如何能夠用有利的方式布署機器學習算法和模型。

在企業布署實施機器學習之前，第一步應該做什么？

Fabian Bause 博士：首先要詳細分析可以在哪里成功布署機器學習（簡稱 ML），即部署必須富有成效。人們在對待新技術時往往會出現兩種極端態度。要么會因為缺乏經驗持保留態度，要么會非常興奮，想用這些新技術來解決過去無法充分解決的難題。我們不應該偏向任何一方，而是客觀地分析 ML 在哪些方面真正有用。

一旦找到了潛在的適合機器學習的應用，就應該及時將其作為原型實施，項目團隊的敏捷性在這里是關鍵。ML 項目實際上是一個進化過程，不能被預設的方法等事項所限制。

倍福在 2019 年的漢諾威工業博覽會上宣布他們將在 TwinCAT 3 控制平臺中整合機器學習。自那時起到現在，機器學習在哪些應用領域中的表現比較突出？

Fabian Bause 博士：去年，我們成功完成了測試，并非常成功地推出了我們的第一款產品 — 一個無縫集成到 TwinCAT 3 中的機器學習模型推理引擎。該解決方案的特點是能夠直接在 TwinCAT 實時環境中執行神經網絡等模型，這也意味著這類機器的應用領域是無限的。

在用戶方面，已經形成了一個基于 ML 的質量控制和過程監測/優化的解決方案集群。一個完全自動化和控制器集成的質量控制系統，它可以基于如電機電流、轉速和跟隨誤差等現有的機器數據對生產的貨物進行全檢測。它可以 7 天 24 小時工作不休息，不會感到疲倦，而且能夠實現遠遠超過人類所能做到的周期時間。過程監測和優化是兩個連續的步驟。如果用訓練好的模型來進行過程監測，機器可以通知其操作員，而操作員又可以即時調整過程，以保持產品質量的穩定性。下一步是向這名有經驗的機器操作員學習，并以這樣的方式訓練模型，讓模型能夠自主地進行所需的參數調整，或在中間步驟中作為“智能助手”發揮作用，給出參數設置建議。

除了控制系統中用于 ML 的基礎組件外，我們越來越關注倍福產品在圖像處理和運動控制領域的應用，目標是為用戶提供硬件和軟件方面經過優化的組件，無需事先掌握 ML 知識即可使用這些組件。

實時機器學習尤其是對需要高處理性能同時快速運行各種工藝過程的工廠車間提出了挑戰。然而，如何將 ML 用于實時控制的應用，如運動控制應用？

Fabian Bause 博士：首先，我們必須認識到，訓練基于 ML 的模型要比執行（即推理）訓練好的模型花費更多的時間。在硬件方面，推理在我們的工業 PC 上運行。它能夠在 CPU 中高效執行的一個重要原因是持續使用 SIMD 命令擴展，并結合高度優化的緩存管理。此外，目前 CPU 中的處理器內核越來越多地支持神經網絡的加速執行，因為它們可以非常高效地并行執行。仔細觀察訓練好的模型也非常重要，它就像“手工編寫”的源代碼一樣。執行一個龐大、低效的源代碼要比執行一個精簡、優化的源代碼需要的時間長很多。必須根據特定的任務對訓練好的 ML 模型進行調整和優化。現在，可以非常輕松地實現微秒級神經網絡執行速度。例如我們有一個展覽就是由 250 個神經元組成的多層感知神經網絡。通過我們高度優化的推理引擎，它在 Intel Core i3 CPU 上的執行時間僅需幾微秒。因此，我們可以確信，在圖像處理和運動應用中使用 ML 時，在算力方面不會有任何障礙。

關于德國倍福

倍福（Beckhoff）公司總部位于德國威爾市。作為全球自動化技術的驅動者，倍福定義了自動化領域的許多國際標準。公司所生產的工業 PC、現場總線模塊、驅動產品和TwinCAT自動化軟件構成了一套完整的、相互兼容的控制系統，可為各個工控領域提供開放式自動化系統和完整的解決方案。倍福于1997年進入中國市場，致力于幫助制造企業提升競爭優勢，加速轉型升級。倍福在業內享有“創新引擎”的美譽，公司所倡導的PC控制技術具有良好的開放性，將IT技術、互聯網和自動化技術完美融合，助力實現工業 4.0 和智能制造。憑借領先的技術優勢和豐富的行業知識，倍福的創新產品和解決方案廣泛應用于風力發電、半導體、光伏太陽能、電子制造、金屬加工、包裝機械、物流輸送以及樓宇自控等眾多領域。

更多信息，請登陸 Beckhoff 中文官方網站：www.beckhoff.com.cn