說現(xiàn)在最熱門的前沿技術(shù)，那非人工智能（AI）莫屬。而人工智能的核心卻是機(jī)器學(xué)習(xí)（ML）?？梢哉f，掌握了機(jī)器學(xué)習(xí)，我們朝著人工智能又邁近了一步。
那么，對于工業(yè)用戶來說，如何將機(jī)器學(xué)習(xí)引入到自動化領(lǐng)域，突破傳統(tǒng)自動化技術(shù)發(fā)展的天花板呢？面對人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)……這些深奧的概念，如何快速了解和掌握呢？這篇只需 5 分鐘就能閱讀完畢的文章，讓您輕松掌握機(jī)器學(xué)習(xí)的概念、關(guān)鍵技術(shù)、如何應(yīng)用到工業(yè)自動化之中等內(nèi)容！首 先
我們來看一個，用機(jī)器學(xué)習(xí)進(jìn)行優(yōu)化的一個運(yùn)動控制案例，以便你對機(jī)器學(xué)習(xí)有一個感性的認(rèn)識。
這是兩個相同的直線加圓弧的傳輸軌道，但我們可以看到，左邊軌道上的工件輸送十分平緩，而右邊軌道上的工件傳輸很不平穩(wěn)，加速很急，產(chǎn)品都快要被甩出去了。這不僅對軌道上的工件影響很大，而且軌道自身的磨損也很嚴(yán)重，右邊軌道上工件運(yùn)動曲線的設(shè)計(jì)顯然不如左邊的傳輸軌道。
那如何才能設(shè)計(jì)出左邊這樣的運(yùn)動曲線呢？這里就需要用到機(jī)器學(xué)習(xí)，通過對工件多次的速度、加速度、位置等信息的記錄，再經(jīng)過建立數(shù)據(jù)模型，不斷優(yōu)化（訓(xùn)練）模型，最后得出一個最佳的運(yùn)動曲線。為何要用機(jī)器學(xué)習(xí)來設(shè)計(jì)呢，這是因?yàn)檫@樣的運(yùn)動曲線設(shè)計(jì)并沒有現(xiàn)存的曲線（如正圓、橢圓、漸開線等），也不能通過數(shù)學(xué)方程計(jì)算出來，所以只有借助機(jī)器學(xué)習(xí)的“算法模型加訓(xùn)練”來求解出來。
看完這個例子，您對機(jī)器學(xué)習(xí)的作用應(yīng)該有了一個初步認(rèn)識。下面我們再來理解幾個常見概念。
能夠模仿人智力的智能，分為弱 AI 和強(qiáng) AI，目前AI處于弱AI階段。
達(dá)到弱 AI 的水平，基于可以通過“訓(xùn)練數(shù)據(jù)”學(xué)習(xí)特定任務(wù)的數(shù)學(xué)模型進(jìn)行優(yōu)化。
專注于深度神經(jīng)網(wǎng)絡(luò)（DNN）作為模型，需要大量數(shù)據(jù)集進(jìn)行訓(xùn)練的復(fù)雜模型，目前主要用于強(qiáng)大的視覺應(yīng)用。
三者的關(guān)系是從屬關(guān)系，如下圖所示：
簡單理解，機(jī)器學(xué)習(xí)就是通過根據(jù)各類算法建立數(shù)學(xué)模型，然后通過數(shù)據(jù)不斷訓(xùn)練模型，提高模型準(zhǔn)確性，最后將訓(xùn)練好的模型放到實(shí)際應(yīng)用場景中運(yùn)行做推理計(jì)算，解決用普通數(shù)學(xué)方法難以解決的實(shí)際問題。所以我們可以總結(jié)一下，將機(jī)器學(xué)習(xí)引入到工業(yè)自動化中，需要三步：收集工業(yè)現(xiàn)場數(shù)據(jù)、建立模型并訓(xùn)練模型、下載到實(shí)際應(yīng)用中運(yùn)行，如下圖所示：
當(dāng)然了，實(shí)際使用過程并非如此簡單，每個環(huán)節(jié)都會涉及到專業(yè)知識和工具，下面我們就來一一展開介紹一下，讓你不僅入門，而且成為“專家”！
收集工業(yè)現(xiàn)場數(shù)據(jù)
首先，在數(shù)據(jù)收集階段，就是要通過各類傳感器和測試測量工具來采集現(xiàn)場數(shù)據(jù)，這個環(huán)節(jié)就會用到我們自動化控制中的很多產(chǎn)品，比如像倍福的 TwinCAT3 Scope、TwinCAT3 Database Server、TwinCAT3 Data Agent 和 TwinCAT3 Analytics Logger 等工具，可以利用這些工具將數(shù)據(jù)采集到本地?cái)?shù)據(jù)庫或者云端存儲、呈現(xiàn)，以便下一步來建模和訓(xùn)練。這一步是至關(guān)重要的一步，也是目前機(jī)器學(xué)習(xí)中最難、研究最多的一步。這一步里首先需要對上一步采集到的數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)清洗除去異常值，數(shù)據(jù)轉(zhuǎn)化或者數(shù)據(jù)集成等。然后，選擇特征數(shù)據(jù)確定數(shù)學(xué)模型，進(jìn)行學(xué)習(xí)微調(diào)，并進(jìn)行未知數(shù)據(jù)的學(xué)習(xí)模型驗(yàn)證。模型訓(xùn)練后，生成導(dǎo)出一個可供 TwinCAT3 等模型運(yùn)行環(huán)境的描述文件：XML 文件或者 ONNX 文件。這一步中特征數(shù)據(jù)的挖掘，也就是提取哪些數(shù)據(jù)來建模是整個機(jī)器學(xué)習(xí)能否成功的關(guān)鍵，往往需要精通行業(yè)知識經(jīng)驗(yàn)的人才能做到。
在這一步中，搭建模型時(shí)往往需要用到第三方框架（平臺工具），比如：Python SciKit、MATLAB Machine Learning Toolbox，以及深度學(xué)習(xí)框架TensorFlow (谷歌)、Keras (frontend for TensorFlow, CNTK, …)、PyTorch (臉書)、MxNet (亞馬遜)、CNTK (微軟)、MATLAB Deep Learning Toolbox (MathWorks) 等，其中大多數(shù)是開源的和基于 Python 的。當(dāng)然，除了這些框架外，還有一個重要的事，數(shù)學(xué)模型的選擇和建立。在數(shù)學(xué)上，可以把萬事萬物所有問題分為兩大問題：回歸問題和分類問題。回歸問題通常是用來預(yù)測一個值，如預(yù)測房價(jià)、未來的天氣情況等。分類問題是用于將事物打上一個標(biāo)簽，通常結(jié)果為離散值，如判斷一幅圖片上的動物是一只貓還是一只狗。解決這兩類問題需要用到不同的數(shù)學(xué)模型，比如常見的有支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)、決策樹和隨機(jī)森林、線性回歸、貝葉斯線性回歸等，這些模型在框架中是現(xiàn)存的，可以直接使用。在這里，還需要提到一個知識點(diǎn)，那就是 ONNX 開放神經(jīng)網(wǎng)絡(luò)交換文件，這是一種針對機(jī)器學(xué)習(xí)所設(shè)計(jì)的開放式文件格式，用于存儲訓(xùn)練好的模型。它使得不同的人工智能框架（如Pytorch，MXNet）可以采用相同格式存儲模型數(shù)據(jù)并交互。主要由微軟，亞馬遜 ，F(xiàn)acebook 和 IBM 等公司共同開發(fā)。
說完了模型搭建和模型訓(xùn)練后，最后一步就是將模型加載到工業(yè)電腦或者控制器中運(yùn)行計(jì)算。由于模型描述文件并不能被工業(yè)控制器所識別，所以就需要用到像倍福 TwinCAT 3 這樣的自動化控制軟件平臺作為引擎，將訓(xùn)練好的模型文件加載到控制器，才能在自動化中應(yīng)用機(jī)器學(xué)習(xí)。目前、TwinCAT 3 已經(jīng)無縫集成了機(jī)器學(xué)習(xí)引擎接口。可以通過機(jī)器學(xué)習(xí)文件轉(zhuǎn)換器（ML Converter）把訓(xùn)練生成的模型文件 XML 或者 ONNX 轉(zhuǎn)化成 BML （倍福的機(jī)器學(xué)習(xí)文件）進(jìn)行加密保護(hù)，經(jīng)過 TwinCAT 3 的 ML Runtime 進(jìn)行加載，這樣已訓(xùn)練好的模型就可以被 TwinCAT TcCOM 對象進(jìn)行實(shí)時(shí)調(diào)用執(zhí)行，同時(shí)可以被 PLC、C/C++ 封裝的 TcCOM 的接口進(jìn)行調(diào)用！如果神經(jīng)網(wǎng)絡(luò)較小，如權(quán)值大小為 10K 的多層感知器（MLP）可以在一個亞毫秒的任務(wù)周期中多次調(diào)用，以確保實(shí)時(shí)性！
同時(shí)，TwinCAT 3 本身所提供的支持多核技術(shù)也同樣適用于機(jī)器學(xué)習(xí)應(yīng)用，不同的任務(wù)程序可以訪問同一個特定的 TwinCAT 3 推理引擎而不會相互限制。機(jī)器學(xué)習(xí)應(yīng)用完全可以訪問 TwinCAT 中所有可用的現(xiàn)場總線接口和數(shù)據(jù)，這將使其能夠使用到大量數(shù)據(jù)。
TwinCAT 3 現(xiàn)在有兩個機(jī)器學(xué)習(xí)推理引擎，TF380x TC3 和 TF381x TC3，前者是經(jīng)典機(jī)器學(xué)習(xí)模型的推理引擎，包括支持向量機(jī)(SVM), 主成分分析(PCA), k 均值(k-means)等，后者是神經(jīng)網(wǎng)絡(luò)（NN）推理引擎，包括多層感知器（MPL）,卷積神經(jīng)網(wǎng)絡(luò)（CNN）,長短期記憶模型（LSTM）等。
最優(yōu)運(yùn)動曲線是如何“機(jī)器學(xué)習(xí)”出來的？
看完了上面的一般性方法介紹，下面我們再拿文章開頭的那個傳輸軌道最優(yōu)運(yùn)動曲線是如何通過機(jī)器學(xué)習(xí)來進(jìn)行優(yōu)化的。首先，將這個運(yùn)動曲線優(yōu)化的問題轉(zhuǎn)化為數(shù)學(xué)問題，在一定的時(shí)間內(nèi)，從 pi 順時(shí)針到 pf 找到最優(yōu)（最柔和）的運(yùn)動曲線，運(yùn)動過程中加速度要盡量小。
就是要采集數(shù)據(jù)，包括工件的位置、速度、加速度、時(shí)間等，把這些數(shù)據(jù)收集存儲起來，以便下一步優(yōu)化。
提取步驟一里面的特征數(shù)據(jù)建立模型，用 ??(??) 來作為優(yōu)化準(zhǔn)則，通過神經(jīng)網(wǎng)絡(luò)算法來循環(huán)迭代，監(jiān)督學(xué)習(xí)訓(xùn)練模型。
將訓(xùn)練好的模型通過 ONNX 文件部署到 TwinCAT 3 里，從而通過控制器實(shí)現(xiàn)最優(yōu)的運(yùn)動曲線。一個不需要故障數(shù)據(jù)的風(fēng)扇異常檢測
通常，我們通過大數(shù)據(jù)分析來做預(yù)測性維護(hù)，需要很多故障數(shù)據(jù)，可工業(yè)實(shí)際場景中往往沒有太多故障數(shù)據(jù)，比如一個風(fēng)機(jī)在開始幾年并不太會有故障，只有到后期才有故障數(shù)據(jù)?？墒牵ㄟ^機(jī)器學(xué)習(xí)的方法，就可以解決這個問題，在無需故障數(shù)據(jù)的情況做到故障檢測。比如，要檢測下圖服務(wù)器工作站上的風(fēng)扇是否有異常，就可以通過機(jī)器學(xué)習(xí)來做。
首先，通過 TwinCAT 3 Scope 來采集大量風(fēng)扇正常情況下的壓力、轉(zhuǎn)速、振動等數(shù)據(jù)，然后用 MATLAB 來讀取這些數(shù)據(jù)，使用 one-class SVM（一類支持向量機(jī)）模型來訓(xùn)練，等模型學(xué)習(xí)了大量正常數(shù)據(jù)后，就會自動產(chǎn)生一個正常數(shù)據(jù)的邊界。最后將模型從 MATLAB 導(dǎo)出為一個 ONNX 文件，轉(zhuǎn)換后加載到控制器的TwinCAT 3 中。這樣，當(dāng)采集的數(shù)據(jù)超出邊界時(shí)，控制器就會檢測到風(fēng)扇發(fā)生了異常狀況。這個應(yīng)用看上去是十分簡單的，但是這其中最難的一部分是特征數(shù)據(jù)的挖掘和提取，也就是常說的特征工程。至于數(shù)據(jù)的采集、模型的創(chuàng)建、訓(xùn)練，以及最后的控制器上的運(yùn)行，已經(jīng)有很多現(xiàn)存的工具和平臺，比如 MATLAB 和倍福的 TwinCAT 3。站在這些“巨人”的肩膀上，你只要專注用工業(yè)現(xiàn)場知識和經(jīng)驗(yàn)，就可以輕松將機(jī)器學(xué)習(xí)這一“高大上”的新技術(shù)引入到工業(yè)自動化之中。
