用你的面条来思考事情往往会让事情变得更顺利——即使你只是一台高速食品包装机包装方便面。这是中国天津的系统集成商天津FengYuLingKong从机器学习技术中获得的重要经验。
这种形式的人工智能(AI)允许该公司的工程师为中国最大的面条生产商之一开发多变量检测模型。依靠这个模型，包装线的控制系统现在可以推断在每块单独包装之前，含有香料和调味蔬菜的小袋是否被正确地放置在预先煮好的面条块上。
这种能力是机器学习和其他形式的AI的示例是超越机器人和分析等应用以及控制应用。
在天津市风云的情况下，没有其他成本效益的方式检查偶尔的调味料小袋是否可能在两块面条之间滑落，并通过交叉切割工具开放。虽然切割Sachet在机器内产生可测量的信号，但诸如振动和封装材料，传送速度和切割张力的其他事件，也影响了这些信号，使得传统的方法监控不可靠。
出于这个原因，天津市冯宇决定使用TwinCAT机器学习开发，列车和部署数学模型Beckhoff自动化。集成商的工程师通过Ethercat终端和TwinCAT范围视图软件收集传感器数据。然后，数据与使用TwinCAT条件监控的模型相关，并且使用名为Scikit-rement的开源框架培训该模型。
以适合于Twincat序列化的二进制格式保存为描述文件后，培训的模型装入CX5100系列嵌入式PC，该PC实时运行模型。该嵌入式PC与包装线上的主控制器集成。
控制系统可以随着每个包装线包裹每分钟约500个面条包装的实时运行模型。“训练有素的模型实际上迅速运行，”Beckhoff的Daymon Thompson说明。“这就是控制器中通常运行的内容。”
然而，对模型进行培训则是另一回事。汤普森说，训练需要很大的处理能力，最多30分钟到一整天，这取决于训练模型和计算机。因此，初始训练和随后的再训练通常是在服务器或脱机控制器上进行的。
除了在过程中检查，控制控制中的机器学习应用是运动型材的优化。考虑一种传送系统，该系统在角落周围携带有效载荷，并使用其扩展传输系统（XTS）在Beckhoff创建的演示中坐标和其他活动。“而不是尽可能快地运行一切，因为我们可以换取下一个同步事件，我们希望动议优化，以最大限度地减少机械师的能量消耗和磨损，”汤普森解释说。
机器学习算法确切地说明了运动配置文件应该是什么样子。“因为驾驶系统的电机需要实时协调，因此运动配置文件真的需要内置于机器控制中，”汤普森说明。“它无法在服务器甚至是边缘设备上完成。”
天津市凤宇的面条包装机上使用的人工智能检测异常（以红色突出显示）。像这样的实时推断结果显示在TwinCAT范围视图中。图片由Beckhoff Automation提供。AI优点闭环控制
“传统上，PLC程序员将用算术或PID控制块的创意梯级编写梯形逻辑来调整系统，”销售工程联合主任Kevin McClusky说归纳自动化。“今天，带AI的闭环控制允许用户将数据馈送到可以根据过去的性能或成本降低优化输出的预测模型，从而应用更复杂的算法来实现效率或生产率目标。”
他报告说，几个PLC制造商的目录现在为闭环控制提供AI模块。虽然不是每个应用程序都需要该技术，但这些模块是工具箱中的另一组工具。McClusky将它们与梯形逻辑中的一个简单的PID块进行比较。“在很多应用程序中，它不需要，但它肯定是可以从中受益的应用程序中易用，”他说。
“模型输出可以集成到控制方案中，以扩展经典控制方法的能力，”詹妮弗·曼斯菲尔德补充道罗克韦尔自动化。“具有挑战性的问题，如实现预测性维护或动态控制，用机器学习比传统控制更好地解决。”
可以用模型预测控制(MPC)来说明她的观点EnWin公用事业有限公司实施以减轻温莎水分配系统的压力尖峰。这些尖峰一直有助于衰老系统中越来越多的西瓜。
旧的控制方案依赖于PID逻辑，维持基于出口集头压力的流量设置。当操作人员在两个泵站和一个辅助增压站启动和停止泵以调整流量以补偿波动的需求时，压力就会发生变化。
甚至耗尽压力，enuin选择了一个基于MPC的系统，可以处理更多的变量而不是流动和出口标题压力。与罗克韦尔自动化的工程师一起使用，恩维始于在整个配水系统中创建17个远程压力站。该团队还在其现有的监控和数据采集（SCADA）系统上安装了基于服务器的MPC。该系统现在保持对需求变化产生充足流量的最低可能压力。
为了进一步优化压力和流量控制，主校园使用新的ControlloGoGix控制器，该控制器具有车载MPC。“我们知道我们可以通过合并泵启动功能和流量控制阀来优化系统，”罗克韦尔自动化应用工程师Quin Dennis解释。“但鉴于现有的间隔速度，[服务器为基础的] MPC将无法快速使系统调整能够减轻泵的快速压力尖峰开始或停止。”然而，在板载MPC下，将15至16个第二间隔速度降低至0.5至1秒。
该系统现在响应于足以调节泵的速度，并调节控制阀以抵消任何压力尖峰。通过在控制器级别用MPC替换PID逻辑，以及服务器级别，Enwin能够将Watermain突破减少21％。它还将平均压力降低2.8 psi和标准偏差29％，节省了125,000美元的年能和泄漏成本。
预测应用程序
人工智能的另一个好处是，它可以帮助用户比控制器更深入地了解他们的流程。在需要处理大量数据的应用程序中尤其如此。
人工智能应用部副总裁乔·伯蒂说:“人工智能现在正被应用于大量数据在被发送到云之前必须快速分析的情况。IBM公司“因此，智能技术正在通过捕获和解释比任何人类更快的信息更快地扩大工程师和技术人员对其资产的健康的理解。”
因此，Berti认为人工智能和机器学习对控制技术的最大贡献是能够在问题升级之前简化检测和解决。他表示:“过去，一项资产可能每年都要接受检查。”“现在，物联网传感器和企业资产管理系统可以检测资产数据中的模式，然后将这些发现转化为潜在问题。”
可以在使用AI时可以看到这种应用的一个例子，以发现新的Rest Solutions Inc.的食品包装线上的油退化，这是基于West Sacramento，加利福尼亚州的工程和技术服务公司。问题的线索来了from IBM’s cloud-based AI technology and Maximo Monitor software, which Novate uses to provide a process monitoring service. The AI noticed that the average torque of a servomotor had been increasing over time, so the Novate solution flagged the equipment for inspection.
在新的工程师提醒时，食品生产商的生产工作人员检查了包装设备，发现油没有改变，因为维护日志提出。油完全劣化，导致电机随着时间的推移越来越难。
训练有素的决策
人工智能在基本控制方面的另一个应用是连续过程决策的自动化。感应自动化公司的McClusky说:“在这里，一个人工智能系统控制一个设施或操作的一部分，发送信号来对不同的设备进行基本控制。
他指出，一种被称为强化学习的机器学习正在被安德里茨自动化，总部位于奥地利格拉茨的全球系统集成商。在强化学习中，模型经过训练，通过试错方法做出一系列决策，努力使奖惩累积分数最大化。
在加拿大和德国的持续工业过程中，Andritz工程师的第一次实施本AI技术的首次实施是在开发原型软件上进行的。然后他们在试点计划中实施了原型GoldCorp原因。是一家温哥华的黄金灵博士公司。
该原型使用积分器的过程模拟软件作为机器学习算法的训练基地。AI引擎在运行过程中通过与多个模拟进行交互来学习。用户可以设置成批的培训场景，比如AI引擎需要知道的特定工厂故障。训练练习完成后，算法被存储并用于自动设备控制。
开发和实施此AI发动机的关键技术是苏达达的归纳自动化的点火开发环境。点火提供了AI引擎与Integrator的流程模拟软件或真实工厂之间的桥梁，在另一方和OPC上使用脚本的HTTP调用。
点火程序的时序功能图控制着培训场景的调度。所有场景配置和培训结果都存储在SQL数据库中。在培训过程中，加拿大和德国的两个团队能够同时在项目上工作，因为培训环境部署在一个小型虚拟网络上微软Azure云服务器在欧洲。每个团队都可以同时运行Vision客户端并访问数据库网关和仿真机。
