TwinCAT Machine Learning Creator：助力實現針對工業應用的 AI 大模型的全自動訓練

2024年08月07日

人工智能(AI)是一項極具普適性的技術，同時也是一項能夠成功實現自動化工作流程的技術。它能夠突破迄今為止基于傳統算法所能實現的自動化極限。然而，AI 在工業應用領域的優勢，唯有在無需深厚的 AI 專業知識便能輕松駕馭之時，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。

基于算法的傳統自動化體系依賴于一種相當僵化的結構，其運作方式近乎于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，然后精準實施。而基于 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并轉化為算法。

AI 技術在工業領域有眾多潛在應用，其中最前沿的莫過于 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于：

對金屬體的形狀和/或表面質量進行最終檢驗

按照不同的質量等級分揀水果、木質表面和羊毛等天然產品

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

基于 AI 的方法在處理這些任務時的顯著優勢在于，一旦經過適當的訓練，通過學習得出的算法便能展現出出色的適應性，輕松應對輸入數據的變化。這意味著，即使在其有限的能力范圍內，經過充分訓練的 AI 模型也能有效有效應對并妥善解決這些陌生情境的挑戰。

鑒于 AI 技術在工業領域所展現出的巨大潛力，工業企業目前所面臨的核心難題在于缺乏一批能夠高效、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 專家只有與自動化或過程控制專家合作，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 能夠自動執行復雜的 AI 訓練流程，使得自動化與過程控制專家能夠自主創建 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”、“臟污”、和“破損”三個等級

1、倍福 AI 生態系統

倍福為工業 AI 應用精心構建了一個全面的生態系統，其核心優勢在于能夠直接在工業控制器(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 網絡設備連接至控制系統。此外，倍福還能提供各種系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于 PC 的控制器，在那里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 的執行模塊可用于訓練好的 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，然后在 TwinCAT 控制器中輕松執行這些模型。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 并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系統能夠以優化的方式將 AI 模型無縫集成到設備的控制層中。

2、自動創建 AI 模型

倍福秉承開放式控制技術理念，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松加載到 TwinCAT Machine Learning Server 等 TwinCAT 3 功能組件中，然后由 PLC 執行;但是，諸如 PyTorch 或 Scikit-learn 等通常用于訓練 AI 模型的機器學習框架主要面向 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，并深入進行模型訓練。

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，即借助基于 Web 的界面引導用戶輕松完成數據上傳、模型訓練、模型分析和模型下載等全流程。我們的目標群體主要包括自動化和過程控制專家，即使他們不具備數據科學背景，也能通過我們的平臺實現 AI 模型訓練過程的標準化。

3、數據上傳

機器學習的整個概念都圍繞著通過實例數據來學習。考慮到這一點，擁有一個干凈且具有代表性的數據集對于學習任務來說至關重要。這通常需要一個已標注的數據集：以圖像分類領域為例，這意味著一定數量的樣本圖像已經過人工分類處理。因此，每張圖像都被打上了標簽，代表所期望的結果。圖像和標簽之間的關系通過標簽文件建立，在最簡單的情況下，標簽文件是一個包含文件名和相應標簽的表格。

數據上傳方式是開放的，支持多種圖像數據格式和標簽文件格式。這意味著用戶可以自由選擇標簽工具(如果需要的話)。我們目前正在將 TwinCAT Analytics Data Scout 用作標簽工具，以實現從 TwinCAT 控制器到 TwinCAT Machine Learning Creator 的高效數據集成。

4、AI 模型訓練

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，并將數據集(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，以精確控制 AI 模型在 TwinCAT 控制器上的運行行為。如果明確了采用倍福的 TwinCAT 硬件平臺和 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，系統則會完全專注于優化 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”，其功能性只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，用于訓練模型;另一部分則作為測試數據，用于模型分析。測試數據集包含了 AI 模型未曾見過的實例數據，即未知實例，但這些實例已經被打標。這樣就可以精確地計算出統計值，直觀地顯示模型的正確率和錯誤率。在模型的每一次執行期間，系統還會計算出相應的置信度值，并以統計數據的形式呈現。在模型每次執行過程中，系統甚至還可以智能地生成一個顯著圖，該圖疊加在原始輸入圖像上，用以指示在進行圖像分類時需要重點關注哪些圖像區域。

分析 AI 模型

6、模型下載

一旦 AI 模型經過訓練并達到集成至設備控制系統的標準，即可作為 ONNX 文件從平臺下載。這意味著 AI 模型并不局限于在 TwinCAT 環境，而是能夠根據需要在任何平臺上頻繁部署。此外，完整的 TwinCAT PLC 代碼也可以以 PLCopen XML 格式從平臺下載，包括圖像獲取、圖像預處理以及 AI 模型執行和后處理的完整流程。訓練工具相應地無縫過渡到 TwinCAT PLC。

從訓練平臺導出 ONNX 文件的另一大優勢在于，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。然后，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。