人工智能(AI)是當前倍福控制技術的一大亮點。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。在經過各項測試之后，倍福已于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 控制平臺中，并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，第一步應該做什么?

　　Fabian Bause 博士：首先要詳細分析可以在哪里成功布署機器學習(簡稱 ML)，即部署必須富有成效。人們在對待新技術時往往會出現兩種極端態度。要么會因為缺乏經驗持保留態度，要么會非常興奮，想用這些新技術來解決過去無法充分解決的難題。我們不應該偏向任何一方，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里是關鍵。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制。

　　“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并行執行。”

　　—— 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 控制平臺中整合機器學習。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，并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。

　　在用戶方面，已經形成了一個基于 ML 的質量控制和過程監測/優化的解決方案集群。一個完全自動化和控制器集成的質量控制系統，它可以基于如電機電流、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 小時工作不休息，不會感到疲倦，而且能夠實現遠遠超過人類所能做到的周期時間。過程監測和優化是兩個連續的步驟。如果用訓練好的模型來進行過程監測，機器可以通知其操作員，而操作員又可以即時調整過程，以保持產品質量的穩定性。下一步是向這名有經驗的機器操作員學習，并以這樣的方式訓練模型，讓模型能夠自主地進行所需的參數調整，或在中間步驟中作為“智能助手”發揮作用，給出參數設置建議。

　　除了控制系統中用于 ML 的基礎組件外，我們越來越關注倍福產品在圖像處理和運動控制領域的應用，目標是為用戶提供硬件和軟件方面經過優化的組件，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 用于實時控制的應用，如運動控制應用?

　　Fabian Bause 博士：首先，我們必須認識到，訓練基于 ML 的模型要比執行(即推理)訓練好的模型花費更多的時間。在硬件方面，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，并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并行執行。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，可以非常輕松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，在算力方面不會有任何障礙。

　　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，應該盡可能在設備制造商的價值鏈早期階段開始。當設備在終端客戶那里投入使用時，并不是每個應用都會有一個最佳解決方案。此外，在設備運行時可以識別和分析新的相關數據。這樣就可以不斷改進 ML 模型。為了在技術層面支持這一過程，倍福的推理引擎采用了結構化設計，即能夠在不中斷設備運行的情況下加載新創建的模型，而無需停止 TwinCAT，也無需編譯源代碼。在很多情況下，用戶的設備可能已經配備不包含 ML 功能的控制器。他們想要提高產量，因此他們越來越多地考慮使用 ML。這就是開放式控制方案發揮關鍵作用之處。由于它接口眾多，即使將 TwinCAT 控制器改裝到現有的控制方案中也不會構成障礙。我們在已經使用(并將繼續使用)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據并進行推理，以便在 TwinCAT 環境中實施質量控制系統。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域的專家，例如，機器建造師或線性驅動或成型工藝專家。領域專家確定想要通過機器學習來應對的挑戰，即他們已經設立了一個目標，并且對機器很熟悉。領域專家必須與主要關注數據分析的數據科學家一起，定義在達成目標中發揮作用的基本機器參數有哪些。數據科學家總是與領域專家緊密合作，以強調某個特定數據模式和行為的重要性。如果沒有來自領域專家的反饋或者反饋給領域專家，數據科學家就不能充分發揮作用。倍福會根據客戶的具體情況與客戶靈活溝通。某些設備制造商已經設立了數據科學部門，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。而其他很多制造商則需要我們的幫助。當然，也有客戶聯系我們，想要我們提供“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伙伴網絡取得聯系。

　　需要為每個 ML 模型準備訓練數據嗎?

　　Fabian Bause 博士：是的，這始終是一個前提。機器學習總是基于用于訓練模型的樣本數據。在訓練階段，模型的區別主要在于訓練數據是否帶有標簽。如果數據帶有標簽，就可以在訓練過程中識別出某一特定輸入的預期輸出樣本，即訓練基于具體的樣本。如果數據不帶標簽，輸出信息就會缺失，算法也就僅限于尋找內部的抽象關系。例如，這可能是訓練數據集內一定數目的聚類。

　　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，并將這組數據定義為“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，并報告一種未指明的異常情況時，它也能一一識別出。我想再強調一下：人工智能是人類的下一個進化階段。在持續收集機器數據并與分類結果存儲在一起后，數據科學家可以與領域專家合作，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。