人工智能(AI)是當前倍福控制技術(shù)的一大亮點。倍福在 2019 年漢諾威工業(yè)博覽會上宣布將機器學(xué)習(xí)(ML)集成到 TwinCAT 3 自動化軟件中。在經(jīng)過各項測試之后，倍福已于去年成功地將機器學(xué)習(xí)產(chǎn)品推向市場。倍福將機器學(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。

　　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器學(xué)習(xí)算法和模型。

　　在企業(yè)布署實施機器學(xué)習(xí)之前，第一步應(yīng)該做什么?

　　Fabian Bause 博士：首先要詳細分析可以在哪里成功布署機器學(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。要么會因為缺乏經(jīng)驗持保留態(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器學(xué)習(xí)的應(yīng)用，就應(yīng)該及時將其作為原型實施，項目團隊的敏捷性在這里是關(guān)鍵。ML 項目實際上是一個進化過程，不能被預(yù)設(shè)的方法等事項所限制。

　　“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，因為它們可以非常高效地并行執(zhí)行?！?/p>

　　—— 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 控制平臺中整合機器學(xué)習(xí)。自那時起到現(xiàn)在，機器學(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 中的機器學(xué)習(xí)模型推理引擎。該解決方案的特點是能夠直接在 TwinCAT 實時環(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)，它可以基于如電機電流、轉(zhuǎn)速和跟隨誤差等現(xiàn)有的機器數(shù)據(jù)對生產(chǎn)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?qū)崿F(xiàn)遠遠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)練好的模型來進行過程監(jiān)測，機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)驗的機器操作員學(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)品在圖像處理和運動控制領(lǐng)域的應(yīng)用，目標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。

　　實時機器學(xué)習(xí)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(zhàn)。然而，如何將 ML 用于實時控制的應(yīng)用，如運動控制應(yīng)用?

　　Fabian Bause 博士：首先，我們必須認識到，訓(xùn)練基于 ML 的模型要比執(zhí)行(即推理)訓(xùn)練好的模型花費更多的時間。在硬件方面，推理在我們的工業(yè) PC 上運行。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，因為它們可以非常高效地并行執(zhí)行。仔細觀察訓(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 模型進行調(diào)整和優(yōu)化?，F(xiàn)在，可以非常輕松地實現(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)該何時將機器學(xué)習(xí)集成到應(yīng)用中?在開發(fā)時還是在運行后期?

　　Fabian Bause 博士：正如我開始時提到的，ML 項目是一個進化過程，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 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。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)并進行推理，以便在 TwinCAT 環(huán)境中實施質(zhì)量控制系統(tǒng)?？煽康?ML 應(yīng)用以數(shù)據(jù)庫作為起點和終點。

　　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 項目需要團隊合作，項目團隊由不同的專家組成。團隊核心成員是某一領(lǐng)域的專家，例如，機器建造師或線性驅(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，并且對機器很熟悉。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，定義在達成目標中發(fā)揮作用的基本機器參數(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角戲，也可以完成這項任務(wù)。而其他很多制造商則需要我們的幫助。當然，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 模型準備訓(xùn)練數(shù)據(jù)嗎?

　　Fabian Bause 博士：是的，這始終是一個前提。機器學(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)是否帶有標簽。如果數(shù)據(jù)帶有標簽，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：有很多方法可以實現(xiàn)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?！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。我想再強調(diào)一下：人工智能是人類的下一個進化階段。在持續(xù)收集機器數(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?，詳細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，而且能夠更詳細地識別案例的模型。