說現在最熱門的前沿技術，那非人工智能（AI）莫屬。而人工智能的核心卻是機器學習（ML）。可以說，掌握了機器學習，也就掌握了人工智能技術。
那么，對于工業用戶來說，如何將機器學習引入到自動化領域，突破傳統自動化技術發展的天花板呢？面對人工智能、機器學習、深度學習、神經網絡……這些深奧的概念，如何快速了解和掌握呢？
這篇只需 5 分鐘就能閱讀完畢的文章，讓您輕松掌握機器學習的概念、關鍵技術、如何應用到工業自動化之中等內容！
首 先
我們來看一個，用機器學習進行優化的一個運動控制案例，以便你對機器學習有一個感性的認識。
這是兩個相同的直線加圓弧的傳輸軌道，但我們可以看到，左邊軌道上的工件輸送十分平緩，而右邊軌道上的工件傳輸很不平穩，加速很急，產品都快要被甩出去了。這不僅對軌道上的工件影響很大，而且軌道自身的磨損也很嚴重，右邊軌道上工件運動曲線的設計顯然不如左邊的傳輸軌道。
那如何才能設計出左邊這樣的運動曲線呢？這里就需要用到機器學習，通過對工件多次的速度、加速度、位置等信息的記錄，再經過建立數據模型，不斷優化（訓練）模型，最后得出一個最佳的運動曲線。為何要用機器學習來設計呢，這是因為這樣的運動曲線設計并沒有現存的曲線（如正圓、橢圓、漸開線等），也不能通過數學方程計算出來，所以只有借助機器學習的“算法模型加訓練”來求解出來。
看完這個例子，您對機器學習的作用應該有了一個初步認識。下面我們再來理解幾個常見概念。
人工智能(AI)
能夠模仿人智力的智能，分為弱 AI 和強 AI，目前AI處于弱AI階段。
機器學習(ML)
達到弱 AI 的水平，基于可以通過“訓練數據”學習特定任務的數學模型進行優化。
深度學習(DL)
專注于深度神經網絡（DNN）作為模型，需要大量數據集進行訓練的復雜模型，目前主要用于強大的視覺應用。
三者的關系是從屬關系，如下圖所示：
簡單理解，機器學習就是通過根據各類算法建立數學模型，然后通過數據不斷訓練模型，提高模型準確性，最后將訓練好的模型放到實際應用場景中運行做推理計算，解決用普通數學方法難以解決的實際問題。
所以我們可以總結一下，將機器學習引入到工業自動化中，需要三步：收集工業現場數據、建立模型并訓練模型、下載到實際應用中運行，如下圖所示：
看上去是不是過程很簡單？
當然了，實際使用過程并非如此簡單，每個環節都會涉及到專業知識和工具，下面我們就來一一展開介紹一下，讓你不僅入門，而且成為“專家”！
第 /一/ 步
收集工業現場數據
首先，在數據收集階段，就是要通過各類傳感器和測試測量工具來采集現場數據，這個環節就會用到我們自動化控制中的很多產品，比如像倍福的 TwinCAT3 Scope、TwinCAT3 Database Server、TwinCAT3 Data Agent 和 TwinCAT3 Analytics Logger 等工具，可以利用這些工具將數據采集到本地數據庫或者云端存儲、呈現，以便下一步來建模和訓練。
第 /二/ 步
模型的搭建和訓練
這一步是至關重要的一步，也是目前機器學習中最難、研究最多的一步。這一步里首先需要對上一步采集到的數據進行預處理，數據清洗除去異常值，數據轉化或者數據集成等。然后，選擇特征數據確定數學模型，進行學習微調，并進行未知數據的學習模型驗證。模型訓練后，生成導出一個可供 TwinCAT3 等模型運行環境的描述文件：XML 文件或者 ONNX 文件。這一步中特征數據的挖掘，也就是提取哪些數據來建模是整個機器學習能否成功的關鍵，往往需要精通行業知識經驗的人才能做到。
在這一步中，搭建模型時往往需要用到第三方框架（平臺工具），比如：Python SciKit、MATLAB Machine Learning Toolbox，以及深度學習框架TensorFlow (谷歌)、Keras (frontend for TensorFlow, CNTK, …)、PyTorch (臉書)、MxNet (亞馬遜)、CNTK (微軟)、MATLAB Deep Learning Toolbox (MathWorks) 等，其中大多數是開源的和基于 Python 的。
當然，除了這些框架外，還有一個重要的事，數學模型的選擇和建立。在數學上，可以把萬事萬物所有問題分為兩大問題：回歸問題和分類問題。回歸問題通常是用來預測一個值，如預測房價、未來的天氣情況等。分類問題是用于將事物打上一個標簽，通常結果為離散值，如判斷一幅圖片上的動物是一只貓還是一只狗。解決這兩類問題需要用到不同的數學模型，比如常見的有支持向量機（SVM）、神經網絡、決策樹和隨機森林、線性回歸、貝葉斯線性回歸等，這些模型在框架中是現存的，可以直接使用。
在這里，還需要提到一個知識點，那就是 ONNX 開放神經網絡交換文件，這是一種針對機器學習所設計的開放式文件格式，用于存儲訓練好的模型。它使得不同的人工智能框架（如Pytorch，MXNet）可以采用相同格式存儲模型數據并交互。主要由微軟，亞馬遜 ，Facebook 和 IBM 等公司共同開發。
第 /三/ 步
加載模型到控制器里運行
說完了模型搭建和模型訓練后，最后一步就是將模型加載到工業電腦或者控制器中運行計算。由于模型描述文件并不能被工業控制器所識別，所以就需要用到像倍福 TwinCAT 3 這樣的自動化控制軟件平臺作為引擎，將訓練好的模型文件加載到控制器，才能在自動化中應用機器學習。
目前、TwinCAT 3 已經無縫集成了機器學習引擎接口。可以通過機器學習文件轉換器（ML Converter）把訓練生成的模型文件 XML 或者 ONNX 轉化成 BML （倍福的機器學習文件）進行加密保護，經過 TwinCAT 3 的 ML Runtime 進行加載，這樣已訓練好的模型就可以被 TwinCAT TcCOM 對象進行實時調用執行，同時可以被 PLC、C/C++ 封裝的 TcCOM 的接口進行調用！如果神經網絡較小，如權值大小為 10K 的多層感知器（MLP）可以在一個亞毫秒的任務周期中多次調用，以確保實時性！
同時，TwinCAT 3 本身所提供的支持多核技術也同樣適用于機器學習應用，不同的任務程序可以訪問同一個特定的 TwinCAT 3 推理引擎而不會相互限制。機器學習應用完全可以訪問 TwinCAT 中所有可用的現場總線接口和數據，這將使其能夠使用到大量數據。
TwinCAT 3 現在有兩個機器學習推理引擎，TF380x TC3 和 TF381x TC3，前者是經典機器學習模型的推理引擎，包括支持向量機(SVM), 主成分分析(PCA), k 均值(k-means)等，后者是神經網絡（NN）推理引擎，包括多層感知器（MPL）,卷積神經網絡（CNN）,長短期記憶模型（LSTM）等。
第一步
就是要采集數據，包括工件的位置、速度、加速度、時間等，把這些數據收集存儲起來，以便下一步優化。
第二步
提取步驟一里面的特征數據建立模型，用 𝑝(𝑡) 來作為優化準則，通過神經網絡算法來循環迭代，監督學習訓練模型。
第三步
將訓練好的模型通過 ONNX 文件部署到 TwinCAT 3 里，從而通過控制器實現最優的運動曲線。
首先，通過 TwinCAT 3 Scope 來采集大量風扇正常情況下的壓力、轉速、振動等數據，然后用 MATLAB 來讀取這些數據，使用 one-class SVM（一類支持向量機）模型來訓練，等模型學習了大量正常數據后，就會自動產生一個正常數據的邊界。最后將模型從 MATLAB 導出為一個 ONNX 文件，轉換后加載到控制器的TwinCAT 3 中。這樣，當采集的數據超出邊界時，控制器就會檢測到風扇發生了異常狀況。
這個應用看上去是十分簡單的，但是這其中最難的一部分是特征數據的挖掘和提取，也就是常說的特征工程。至于數據的采集、模型的創建、訓練，以及最后的控制器上的運行，已經有很多現存的工具和平臺，比如 MATLAB 和倍福的 TwinCAT 3。站在這些“巨人”的肩膀上，你只要專注用工業現場知識和經驗，就可以輕松將機器學習這一“高大上”的新技術引入到工業自動化之中。
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，請登錄 Beckhoff 中文官方網站：www.beckhoff.com.cn