人工智能（AI）是當(dāng)前倍�？刂萍夹g(shù)的一大亮點(diǎn)。倍福在 2019 年漢諾威工業(yè)博覽會上宣布將機(jī)器學(xué)習(xí)（ML）集成到 TwinCAT 3 自動化軟件中。在經(jīng)過各項(xiàng)測試之后，倍福已于去年成功地將機(jī)器學(xué)習(xí)產(chǎn)品推向市場。倍福將機(jī)器學(xué)習(xí)集成到其 TwinCAT 3 控制平臺中，并在該領(lǐng)域積累了寶貴的經(jīng)驗(yàn)。
  近日，倍福 TwinCAT 產(chǎn)品經(jīng)理 Fabian Bause 博士接受了WEKA 行業(yè)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(jī)器學(xué)習(xí)算法和模型。
  在企業(yè)布署實(shí)施機(jī)器學(xué)習(xí)之前，第一步應(yīng)該做什么？ 
  Fabian Bause 博士：首先要詳細(xì)分析可以在哪里成功布署機(jī)器學(xué)習(xí)（簡稱 ML），即部署必須富有成效。人們在對待新技術(shù)時往往會出現(xiàn)兩種極端態(tài)度。要么會因?yàn)槿狈��?jīng)驗(yàn)持保留態(tài)度，要么會非常興奮，想用這些新技術(shù)來解決過去無法充分解決的難題。我們不應(yīng)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(jī)器學(xué)習(xí)的應(yīng)用，就應(yīng)該及時將其作為原型實(shí)施，項(xiàng)目團(tuán)隊(duì)的敏捷性在這里是關(guān)鍵。ML 項(xiàng)目實(shí)際上是一個進(jìn)化過程，不能被預(yù)設(shè)的方法等事項(xiàng)所限制。  
  “目前 CPU 中的處理器內(nèi)核越來越多地支持神經(jīng)網(wǎng)絡(luò)的加速執(zhí)行，因?yàn)樗鼈兛梢苑浅８咝У夭⑿袌?zhí)行�！�

  —— Fabian Bause

  倍福在 2019 年的漢諾威工業(yè)博覽會上宣布他們將在 TwinCAT 3 控制平臺中整合機(jī)器學(xué)習(xí)。自那時起到現(xiàn)在，機(jī)器學(xué)習(xí)在哪些應(yīng)用領(lǐng)域中的表現(xiàn)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(chǎn)品 — 一個無縫集成到 TwinCAT 3 中的機(jī)器學(xué)習(xí)模型推理引擎。該解決方案的特點(diǎn)是能夠直接在 TwinCAT 實(shí)時環(huán)境中執(zhí)行神經(jīng)網(wǎng)絡(luò)等模型，這也意味著這類機(jī)器的應(yīng)用領(lǐng)域是無限的。
  在用戶方面，已經(jīng)形成了一個基于 ML 的質(zhì)量控制和過程監(jiān)測/優(yōu)化的解決方案集群。一個完全自動化和控制器集成的質(zhì)量控制系統(tǒng)，它可以基于如電機(jī)電流、轉(zhuǎn)速和跟隨誤差等現(xiàn)有的機(jī)器數(shù)據(jù)對生產(chǎn)的貨物進(jìn)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?qū)崿F(xiàn)遠(yuǎn)遠(yuǎn)超過人類所能做到的周期時間。過程監(jiān)測和優(yōu)化是兩個連續(xù)的步驟。如果用訓(xùn)練好的模型來進(jìn)行過程監(jiān)測，機(jī)器可以通知其操作員，而操作員又可以即時調(diào)整過程，以保持產(chǎn)品質(zhì)量的穩(wěn)定性。下一步是向這名有經(jīng)驗(yàn)的機(jī)器操作員學(xué)習(xí)，并以這樣的方式訓(xùn)練模型，讓模型能夠自主地進(jìn)行所需的參數(shù)調(diào)整，或在中間步驟中作為“智能助手”發(fā)揮作用，給出參數(shù)設(shè)置建議。
  除了控制系統(tǒng)中用于 ML 的基礎(chǔ)組件外，我們越來越關(guān)注倍福產(chǎn)品在圖像處理和運(yùn)動控制領(lǐng)域的應(yīng)用，目標(biāo)是為用戶提供硬件和軟件方面經(jīng)過優(yōu)化的組件，無需事先掌握 ML 知識即可使用這些組件。
  實(shí)時機(jī)器學(xué)習(xí)尤其是對需要高處理性能同時快速運(yùn)行各種工藝過程的工廠車間提出了挑戰(zhàn)。然而，如何將 ML 用于實(shí)時控制的應(yīng)用，如運(yùn)動控制應(yīng)用？
  Fabian Bause 博士：首先，我們必須認(rèn)識到，訓(xùn)練基于 ML 的模型要比執(zhí)行（即推理）訓(xùn)練好的模型花費(fèi)更多的時間。在硬件方面，推理在我們的工業(yè) PC 上運(yùn)行。它能夠在 CPU 中高效執(zhí)行的一個重要原因是持續(xù)使用 SIMD 命令擴(kuò)展，并結(jié)合高度優(yōu)化的緩存管理。此外，目前 CPU 中的處理器內(nèi)核越來越多地支持神經(jīng)網(wǎng)絡(luò)的加速執(zhí)行，因?yàn)樗鼈兛梢苑浅８咝У夭⑿袌?zhí)行。仔細(xì)觀察訓(xùn)練好的模型也非常重要，它就像“手工編寫”的源代碼一樣。執(zhí)行一個龐大、低效的源代碼要比執(zhí)行一個精簡、優(yōu)化的源代碼需要的時間長很多。必須根據(jù)特定的任務(wù)對訓(xùn)練好的 ML 模型進(jìn)行調(diào)整和優(yōu)化�，F(xiàn)在，可以非常輕松地實(shí)現(xiàn)微秒級神經(jīng)網(wǎng)絡(luò)執(zhí)行速度。例如我們有一個展覽就是由 250 個神經(jīng)元組成的多層感知神經(jīng)網(wǎng)絡(luò)。通過我們高度優(yōu)化的推理引擎，它在 Intel Core i3 CPU 上的執(zhí)行時間僅需幾微秒。因此，我們可以確信，在圖像處理和運(yùn)動應(yīng)用中使用 ML 時，在算力方面不會有任何障礙。 

  應(yīng)該何時將機(jī)器學(xué)習(xí)集成到應(yīng)用中？在開發(fā)時還是在運(yùn)行后期？
  Fabian Bause 博士：正如我開始時提到的，ML 項(xiàng)目是一個進(jìn)化過程，應(yīng)該盡可能在設(shè)備制造商的價值鏈早期階段開始。當(dāng)設(shè)備在終端客戶那里投入使用時，并不是每個應(yīng)用都會有一個最佳解決方案。此外，在設(shè)備運(yùn)行時可以識別和分析新的相關(guān)數(shù)據(jù)。這樣就可以不斷改進(jìn) ML 模型。為了在技術(shù)層面支持這一過程，倍福的推理引擎采用了結(jié)構(gòu)化設(shè)計，即能夠在不中斷設(shè)備運(yùn)行的情況下加載新創(chuàng)建的模型，而無需停止 TwinCAT，也無需編譯源代碼。在很多情況下，用戶的設(shè)備可能已經(jīng)配備不包含 ML 功能的控制器。他們想要提高產(chǎn)量，因此他們越來越多地考慮使用 ML。這就是開放式控制方案發(fā)揮關(guān)鍵作用之處。由于它接口眾多，即使將 TwinCAT 控制器改裝到現(xiàn)有的控制方案中也不會構(gòu)成障礙。我們在已經(jīng)使用（并將繼續(xù)使用）第三方控制器的 TwinCAT Machine Learning 第一個客戶身上看到了這一點(diǎn)。他添加了一臺安裝有 TwinCAT 3 軟件的倍福嵌入式控制器，它可以從第三方控制器中讀取基本數(shù)據(jù)并進(jìn)行推理，以便在 TwinCAT 環(huán)境中實(shí)施質(zhì)量控制系統(tǒng)�？煽康� ML 應(yīng)用以數(shù)據(jù)庫作為起點(diǎn)和終點(diǎn)。
  如何選擇在 TwinCAT Machine Learning 中處理的訓(xùn)練數(shù)據(jù)？需要數(shù)據(jù)科學(xué)家嗎？
  Fabian Bause 博士：ML 項(xiàng)目需要團(tuán)隊(duì)合作，項(xiàng)目團(tuán)隊(duì)由不同的專家組成。團(tuán)隊(duì)核心成員是某一領(lǐng)域的專家，例如，機(jī)器建造師或線性驅(qū)動或成型工藝專家。領(lǐng)域?qū)＜掖_定想要通過機(jī)器學(xué)習(xí)來應(yīng)對的挑戰(zhàn)，即他們已經(jīng)設(shè)立了一個目標(biāo)，并且對機(jī)器很熟悉。領(lǐng)域?qū)＜冶仨毰c主要關(guān)注數(shù)據(jù)分析的數(shù)據(jù)科學(xué)家一起，定義在達(dá)成目標(biāo)中發(fā)揮作用的基本機(jī)器參數(shù)有哪些。數(shù)據(jù)科學(xué)家總是與領(lǐng)域?qū)＜揖o密合作，以強(qiáng)調(diào)某個特定數(shù)據(jù)模式和行為的重要性。如果沒有來自領(lǐng)域?qū)＜业姆答伝蛘叻答伣o領(lǐng)域?qū)＜�，�?shù)據(jù)科學(xué)家就不能充分發(fā)揮作用。倍福會根據(jù)客戶的具體情況與客戶靈活溝通。某些設(shè)備制造商已經(jīng)設(shè)立了數(shù)據(jù)科學(xué)部門，即使其中一些只是一個人在唱獨(dú)角戲，也可以完成這項(xiàng)任務(wù)。而其他很多制造商則需要我們的幫助。當(dāng)然，也有客戶聯(lián)系我們，想要我們提供“全包式”的數(shù)據(jù)科學(xué)家服務(wù)。在這種情形下，我們很樂意讓他們與我們的專業(yè)合作伙伴網(wǎng)絡(luò)取得聯(lián)系。

  需要為每個 ML 模型準(zhǔn)備訓(xùn)練數(shù)據(jù)嗎？

  Fabian Bause 博士：是的，這始終是一個前提。機(jī)器學(xué)習(xí)總是基于用于訓(xùn)練模型的樣本數(shù)據(jù)。在訓(xùn)練階段，模型的區(qū)別主要在于訓(xùn)練數(shù)據(jù)是否帶有標(biāo)簽。如果數(shù)據(jù)帶有標(biāo)簽，就可以在訓(xùn)練過程中識別出某一特定輸入的預(yù)期輸出樣本，即訓(xùn)練基于具體的樣本。如果數(shù)據(jù)不帶標(biāo)簽，輸出信息就會缺失，算法也就僅限于尋找內(nèi)部的抽象關(guān)系。例如，這可能是訓(xùn)練數(shù)據(jù)集內(nèi)一定數(shù)目的聚類。
  當(dāng)異常情況未知時，如何訓(xùn)練一個模型來檢測異常？ 
  Fabian Bause 博士：有很多方法可以實(shí)現(xiàn)這個目標(biāo)。一個比較簡單的方法就是用一個已知類別，即“無異�！鳖悇e來訓(xùn)練一個分類模型。使用包含無異常情況的數(shù)據(jù)來訓(xùn)練模型，并將這組數(shù)據(jù)定義為“A 類”。在這個過程中，算法識別出“A 類”。但當(dāng)數(shù)據(jù)表現(xiàn)出另一種未知結(jié)構(gòu)，并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(qiáng)調(diào)一下：人工智能是人類的下一個進(jìn)化階段。在持續(xù)收集機(jī)器數(shù)據(jù)并與分類結(jié)果存儲在一起后，數(shù)據(jù)科學(xué)家可以與領(lǐng)域?qū)＜液献�，詳�?xì)分析工藝序列中檢測到的異常情況。需要時可以使用一個不僅能夠識別異常情況，而且能夠更詳細(xì)地識別案例的模型。
  關(guān)于德國倍福（BECKHOFF）              
  德國倍福自動化有限公司的總部位于德國威爾市。公司在世界各地設(shè)有分支機(jī)構(gòu)，加上全球的合作伙伴，目前公司業(yè)務(wù)已遍及70多個國家和地區(qū)。              
  倍福始終以基于PC的自動化新技術(shù)作為公司的發(fā)展理念，所生產(chǎn)的工業(yè)PC、 現(xiàn)場總線模塊、驅(qū)動產(chǎn)品和 TwinCAT自動化軟件構(gòu)成了一套完整的、相互兼容的控制系統(tǒng)，可為各個工控領(lǐng)域提供開放式自動化系統(tǒng)和完整的解決方案。30多年來，倍福公司的元件和系統(tǒng)解決方案在世界各地得到了廣泛的應(yīng)用。2001年3月德國倍福在北京設(shè)立中國區(qū)第一個代表處，2007年5月德國倍福在上海成立獨(dú)資公司，并將中國區(qū)總部遷至上海。此后公司業(yè)務(wù)進(jìn)入了一個快速發(fā)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(shè)立了辦 事處。隨著倍福各種具有良好性價比的新產(chǎn)品、新技術(shù)不斷進(jìn)入中國市場，其勇于打破傳統(tǒng)控制模式，傾力推廣PC控制技術(shù)的理念已被越來越多的中國用戶所接受。             
  更多新聞?wù)垶g覽：http://www.beckhoff.com.cn/cn/press/default.htm                      
  歡迎關(guān)注倍福官方微信