人工智能（AI）是當前倍福控製技術的一大亮點。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。在經過各項測試之後
，倍福已於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 控製平台中，並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》雜誌的采訪，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
，第一步應該做什麼？ 
  Fabian Bause 博士：首先要詳細分析可以在哪裏成功布署機器學習（簡稱 ML），jibushubixufuyouchengxiao。renmenzaiduidaixinjishushiwangwanghuichuxianliangzhongjiduantaidu。yaomehuiyinweiquefajingyanchibaoliutaidu，yaomehuifeichangxingfen，xiangyongzhexiexinjishulaijiejueguoquwufachongfenjiejuedenanti。womenbuyinggaipianxiangrenheyifang
，ershikeguandifenxi ML 在哪些方麵真正有用。 
  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裏是關鍵。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製。  
  “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並行執行。”

  ―― Fabian Bause

  倍福在 2019 年的漢諾威工業博覽會上宣布他們將在 TwinCAT 3 控製平台中整合機器學習。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，並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。
  在用戶方麵，已經形成了一個基於 ML 的質量控製和過程監測/優化的解決方案集群。一個完全自動化和控製器集成的質量控製係統，它可以基於如電機電流
、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 xiaoshigongzuobuxiuxi，buhuigandaopijuan，erqienenggoushixianyuanyuanchaoguorenleisuonengzuodaodezhouqishijian。guochengjianceheyouhuashilianggelianxudebuzhou。ruguoyongxunlianhaodemoxinglaijinxingguochengjiance
，jiqikeyitongzhiqicaozuoyuan，ercaozuoyuanyoukeyijishitiaozhengguocheng
，yibaochichanpinzhiliangdewendingxing。xiayibushixiangzhemingyoujingyandejiqicaozuoyuanxuexi，bingyizheyangdefangshixunlianmoxing，rangmoxingnenggouzizhudijinxingsuoxudecanshutiaozheng，huozaizhongjianbuzhouzhongzuowei“智能助手”發揮作用，給出參數設置建議。
  除了控製係統中用於 ML 的de基ji礎chu組zu件jian外wai，我wo們men越yue來lai越yue關guan注zhu倍bei福fu產chan品pin在zai圖tu像xiang處chu理li和he運yun動dong控kong製zhi領ling域yu的de應ying用yong，目mu標biao是shi為wei用yong戶hu提ti供gong硬ying件jian和he軟ruan件jian方fang麵mian經jing過guo優you化hua的de組zu件jian
，無wu需xu事shi先xian掌zhang握wo 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 用於實時控製的應用
，如運動控製應用
？
  Fabian Bause 博士：首先，我們必須認識到，訓練基於 ML 的模型要比執行（即推理）訓練好的模型花費更多的時間。在硬件方麵，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，並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並行執行。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，可以非常輕鬆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
，在算力方麵不會有任何障礙。 

  應該何時將機器學習集成到應用中？在開發時還是在運行後期？
  Fabian Bause 博士：正如我開始時提到的
，ML 項xiang目mu是shi一yi個ge進jin化hua過guo程cheng
，應ying該gai盡jin可ke能neng在zai設she備bei製zhi造zao商shang的de價jia值zhi鏈lian早zao期qi階jie段duan開kai始shi。當dang設she備bei在zai終zhong端duan客ke戶hu那na裏li投tou入ru使shi用yong時shi，並bing不bu是shi每mei個ge應ying用yong都dou會hui有you一yi個ge最zui佳jia解jie決jue方fang案an。此ci外wai，在zai設she備bei運yun行xing時shi可ke以yi識shi別bie和he分fen析xi新xin的de相xiang關guan數shu據ju。這zhe樣yang就jiu可ke以yi不bu斷duan改gai進jin ML moxing。weilezaijishucengmianzhichizheyiguocheng

，beifudetuiliyinqingcaiyonglejiegouhuasheji，jinenggouzaibuzhongduanshebeiyunxingdeqingkuangxiajiazaixinchuangjiandemoxing
，erwuxutingzhi TwinCAT，也無需編譯源代碼。在很多情況下，用戶的設備可能已經配備不包含 ML 功能的控製器。他們想要提高產量，因此他們越來越多地考慮使用 ML。這就是開放式控製方案發揮關鍵作用之處。由於它接口眾多，即使將 TwinCAT 控製器改裝到現有的控製方案中也不會構成障礙。我們在已經使用（並將繼續使用）第三方控製器的 TwinCAT Machine Learning 第一個客戶身上看到了這一點。他添加了一台安裝有 TwinCAT 3 軟件的倍福嵌入式控製器，它可以從第三方控製器中讀取基本數據並進行推理，以便在 TwinCAT 環境中實施質量控製係統。可靠的 ML 應用以數據庫作為起點和終點。
  如何選擇在 TwinCAT Machine Learning 中處理的訓練數據
？需要數據科學家嗎？
  Fabian Bause 博士：ML 項(xiang)目(mu)需(xu)要(yao)團(tuan)隊(dui)合(he)作(zuo)，項(xiang)目(mu)團(tuan)隊(dui)由(you)不(bu)同(tong)的(de)專(zhuan)家(jia)組(zu)成(cheng)。團(tuan)隊(dui)核(he)心(xin)成(cheng)員(yuan)是(shi)某(mou)一(yi)領(ling)域(yu)的(de)專(zhuan)家(jia)，例(li)如(ru)，機(ji)器(qi)建(jian)造(zao)師(shi)或(huo)線(xian)性(xing)驅(qu)動(dong)或(huo)成(cheng)型(xing)工(gong)藝(yi)專(zhuan)家(jia)。領(ling)域(yu)專(zhuan)家(jia)確(que)定(ding)想(xiang)要(yao)通(tong)過(guo)機(ji)器(qi)學(xue)習(xi)來(lai)應(ying)對(dui)的(de)挑(tiao)戰(zhan)，即(ji)他(ta)們(men)已(yi)經(jing)設(she)立(li)了(le)一(yi)個(ge)目(mu)標(biao)
，並(bing)且(qie)對(dui)機(ji)器(qi)很(hen)熟(shu)悉(xi)。領(ling)域(yu)專(zhuan)家(jia)必(bi)須(xu)與(yu)主(zhu)要(yao)關(guan)注(zhu)數(shu)據(ju)分(fen)析(xi)的(de)數(shu)據(ju)科(ke)學(xue)家(jia)一(yi)起(qi)
，定(ding)義(yi)在(zai)達(da)成(cheng)目(mu)標(biao)中(zhong)發(fa)揮(hui)作(zuo)用(yong)的(de)基(ji)本(ben)機(ji)器(qi)參(can)數(shu)有(you)哪(na)些(xie)。數(shu)據(ju)科(ke)學(xue)家(jia)總(zong)是(shi)與(yu)領(ling)域(yu)專(zhuan)家(jia)緊(jin)密(mi)合(he)作(zuo)，以(yi)強(qiang)調(tiao)某(mou)個(ge)特(te)定(ding)數(shu)據(ju)模(mo)式(shi)和(he)行(xing)為(wei)的(de)重(zhong)要(yao)性(xing)。如(ru)果(guo)沒(mei)有(you)來(lai)自(zi)領(ling)域(yu)專(zhuan)家(jia)的(de)反(fan)饋(kui)或(huo)者(zhe)反(fan)饋(kui)給(gei)領(ling)域(yu)專(zhuan)家(jia)，數(shu)據(ju)科(ke)學(xue)家(jia)就(jiu)不(bu)能(neng)充(chong)分(fen)發(fa)揮(hui)作(zuo)用(yong)。倍(bei)福(fu)會(hui)根(gen)據(ju)客(ke)戶(hu)的(de)具(ju)體(ti)情(qing)況(kuang)與(yu)客(ke)戶(hu)靈(ling)活(huo)溝(gou)通(tong)。某(mou)些(xie)設(she)備(bei)製(zhi)造(zao)商(shang)已(yi)經(jing)設(she)立(li)了(le)數(shu)據(ju)科(ke)學(xue)部(bu)門(men)

，即(ji)使(shi)其(qi)中(zhong)一(yi)些(xie)隻(zhi)是(shi)一(yi)個(ge)人(ren)在(zai)唱(chang)獨(du)角(jiao)戲(xi)，也(ye)可(ke)以(yi)完(wan)成(cheng)這(zhe)項(xiang)任(ren)務(wu)。而(er)其(qi)他(ta)很(hen)多(duo)製(zhi)造(zao)商(shang)則(ze)需(xu)要(yao)我(wo)們(men)的(de)幫(bang)助(zhu)。當(dang)然(ran)
，也(ye)有(you)客(ke)戶(hu)聯(lian)係(xi)我(wo)們(men)
，想(xiang)要(yao)我(wo)們(men)提(ti)供(gong)“全包式”的數據科學家服務。在這種情形下
，我們很樂意讓他們與我們的專業合作夥伴網絡取得聯係。

  需要為每個 ML 模型準備訓練數據嗎？

  Fabian Bause 博士：是shi的de，這zhe始shi終zhong是shi一yi個ge前qian提ti。機ji器qi學xue習xi總zong是shi基ji於yu用yong於yu訓xun練lian模mo型xing的de樣yang本ben數shu據ju。在zai訓xun練lian階jie段duan，模mo型xing的de區qu別bie主zhu要yao在zai於yu訓xun練lian數shu據ju是shi否fou帶dai有you標biao簽qian。如ru果guo數shu據ju帶dai有you標biao簽qian
，就jiu可ke以yi在zai訓xun練lian過guo程cheng中zhong識shi別bie出chu某mou一yi特te定ding輸shu入ru的de預yu期qi輸shu出chu樣yang本ben，即ji訓xun練lian基ji於yu具ju體ti的de樣yang本ben。如ru果guo數shu據ju不bu帶dai標biao簽qian
，輸shu出chu信xin息xi就jiu會hui缺que失shi

，算suan法fa也ye就jiu僅jin限xian於yu尋xun找zhao內nei部bu的de抽chou象xiang關guan係xi。例li如ru，這zhe可ke能neng是shi訓xun練lian數shu據ju集ji內nei一yi定ding數shu目mu的de聚ju類lei。
  當異常情況未知時，如何訓練一個模型來檢測異常？ 
  Fabian Bause 博士：有很多方法可以實現這個目標。一個比較簡單的方法就是用一個已知類別，即“無異常”類別來訓練一個分類模型。使用包含無異常情況的數據來訓練模型，並將這組數據定義為“A 類”。在這個過程中，算法識別出“A 類”。但當數據表現出另一種未知結構，並報告一種未指明的異常情況時，它也能一一識別出。我想再強調一下：人(ren)工(gong)智(zhi)能(neng)是(shi)人(ren)類(lei)的(de)下(xia)一(yi)個(ge)進(jin)化(hua)階(jie)段(duan)。在(zai)持(chi)續(xu)收(shou)集(ji)機(ji)器(qi)數(shu)據(ju)並(bing)與(yu)分(fen)類(lei)結(jie)果(guo)存(cun)儲(chu)在(zai)一(yi)起(qi)後(hou)，數(shu)據(ju)科(ke)學(xue)家(jia)可(ke)以(yi)與(yu)領(ling)域(yu)專(zhuan)家(jia)合(he)作(zuo)，詳(xiang)細(xi)分(fen)析(xi)工(gong)藝(yi)序(xu)列(lie)中(zhong)檢(jian)測(ce)到(dao)的(de)異(yi)常(chang)情(qing)況(kuang)。需(xu)要(yao)時(shi)可(ke)以(yi)使(shi)用(yong)一(yi)個(ge)不(bu)僅(jin)能(neng)夠(gou)識(shi)別(bie)異(yi)常(chang)情(qing)況(kuang)

，而(er)且(qie)能(neng)夠(gou)更(geng)詳(xiang)細(xi)地(di)識(shi)別(bie)案(an)例(li)的(de)模(mo)型(xing)。
  關於德國倍福（BECKHOFF）              
  德國倍福自動化有限公司的總部位於德國威爾市。公司在世界各地設有分支機構，加上全球的合作夥伴
，目前公司業務已遍及70多個國家和地區。              
  倍福始終以基於PC的自動化新技術作為公司的發展理念
，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
、相互兼容的控製係統
，可為各個工控領域提供開放式自動化係統和完整的解決方案。30多年來，倍福公司的元件和係統解決方案在世界各地得到了廣泛的應用。2001年3月德國倍福在北京設立中國區第一個代表處，2007年5月德國倍福在上海成立獨資公司，並將中國區總部遷至上海。此後公司業務進入了一個快速發展時期，目前已在北京
、廣州
、成都
、武漢、南京等全國26個大中城市設立了辦 事處。隨著倍福各種具有良好性價比的新產品、新技術不斷進入中國市場
，其勇於打破傳統控製模式，傾力推廣PC控製技術的理念已被越來越多的中國用戶所接受。             
  更多新聞請瀏覽：http://www.beckhoff.com.cn/cn/press/default.htm                      
  歡迎關注倍福官方微信