在控制环境中实现机器学习的七个技巧

机器学习(ML)应用程序本质上是进化的，因此了解它们的工作原理并不断寻找应用它们的新方法来提供自动化优势非常重要。

通过Daymon汤普森 2022年1月10日

拜福自动化公司提供

学习目标

许多工程师意识到机器学习(ML)的潜力，但仍然认为它是一个模糊的概念，无法提供切实的结果。
为最初的机器学习项目选择正确的项目，这样工程师就可以看到并实现它的潜力和好处。
项目应始终对数据和知识产权保护有必要的分寸感，以防止任何泄露。

机器学习(ML)技术已经证明了其在实际制造应用中的价值。然而，许多工程师和工厂经理仍然认为ML是一种模糊的、神秘的力量，漂浮在云中，只有数据科学家才能进入。ML不是模糊的或不可访问的，而是提供了自动化的优势。虽然ML项目有很多方法，而且还在不断出现，但在工业环境中实现ML的最佳方法是将其直接集成到控件环境中。考虑一下这7个建议。

1.为机器学习选择正确的项目

工程师和工厂经理总是应该评估哪种类型的应用适合ML，以及他们如何有效地使用ML。仅仅因为ML对许多人来说是新的，令人兴奋的，越来越容易获得，并不意味着ML是解决所有未解决的工程挑战的灵丹妙药。机器控制器内的ML实现可以提供巨大的创新和竞争优势。

机器学习在机器控制中的应用通常属于应用问题的类别，难以使用传统的编程算法来解决。如果确定了可能的应用程序，用户应该在敏捷的环境中快速地将其作为原型实现。项目团队的敏捷性是一个决定性因素。ML项目本质上是渐进的迭代过程。他们不适合一个紧密的、固定的框架。一般的项目流程从数据收集、数据准备、模型训练、测试、更多数据收集、模型细化等开始，直到模型产生最优可靠的预测。

图1:升级控制平台可以防止未来过时，增加系统灵活性，增强技术或满足预算或拥有成本的要求。拜福自动化公司提供

2.为ML选择一个集成软件解决方案

由于我们的目标是在实时控制环境中运行ML，所以解决方案的集成程度越高越好。这允许基于ML模型预测的快速机器反应时间。一些供应商为ML模型提供推理引擎，这些模型被合并到标准自动化软件中，并直接在实时环境中执行神经网络等模型。

集成方法支持几乎无限的机器应用领域，例如用于质量控制和过程监控/优化应用的基于ml的解决方案。例如，基于现有机器数据(如电机电流、速度和跟踪误差)的全自动和系统集成的质量控制应用程序，使机器控制器能够对生产的100%的商品给出准确的产品质量预测。这工作24/7和在一个快速的周期时间。

连续的过程监控和过程优化是连续的步骤:如果一个过程可以用训练过的模型进行监控，机器可以向机器操作员发送消息，以调整过程以保持质量。下一步是向有经验的机器操作员学习，训练模型提供参数化建议，或者只是自主地进行必要的参数调整。

3.了解控制硬件要求

当大多数人想到ML时，就会联想到需要非常大的计算机硬件和许多GPU核心。为了训练具有大量数据集的ML模型，可能需要这种强大的计算能力。然而，运行得到的训练模型，即推理，需要较弱的硬件。在优化的解决方案中，推理引擎运行在强大的工业pc (ipc)的硬件端，可以访问现代CPU架构的高计算能力。这种方法通过使用专门的CPU命令集扩展和优化的CPU缓存内存管理相结合，使学习模型的执行更加高效。此外，每个CPU拥有越来越多的处理器核心的趋势也支持了神经网络的加速执行。

仔细观察训练过的模型总是必要的。就像“手写的”源代码一样，它可能很大，效率也很低，这比精简和优化的源代码需要更长的执行时间。ML模型应该始终适应和优化任务。有了合适的硬件和可靠的源代码，使用标准的基于pc的机器控制器就可以在微秒范围内执行神经网络。

图2:一家大型中国食品公司使用TwinCAT机器学习在方便面包装中实现尽可能高的质量水平。此图像显示了标准ML工作流以及在TwinCAT范围视图(用于实现解决方案的系统集成商)中检测和显示的异常。拜福自动化公司提供

4.尽早开始计划，但要不断探索各种选择

ML项目是一个进化的过程。工程师应该尽可能早地进入机器制造商的价值链。更精细的模型预测需要大量的数据进行训练。更多的数据通常意味着更精确的模型。因此，并不是每个应用程序在最终客户首次投入运行时都有最优的新机器设计解决方案。

但是，在机器生命周期中，可以收集和评估新的相关数据。这有助于ML模型不断改进。为了支持这一过程，一些供应商设置了推理引擎，这样它就可以在不停止机器、重新启动PLC或重新编译源代码的情况下动态加载新模型。

许多应用程序已经拥有一个不包含ML功能的控制器的现有机器。最终用户希望机器优化他们的生产，现在正在考虑使用ML。在这些情况下，an开放式控制机床控制理念起着决定性的作用．选择一个可以通过各种接口连接到第三方控件的解决方案。在许多情况下，这可以允许在旧机器上实现ML，方法是安装一个IPC，该IPC可以读取来自现有控制器的基本数据，并承载用于实现(例如，内联产品质量预测)的推理。

图3:倍福在2019年汉诺威工业博览会上推出了TwinCAT ML，从那时起，使用训练过的神经网络的工业应用数量持续呈指数级增长。拜福自动化公司提供

5.ML项目需要数据和领域工程专家之间的协作

由于机器知识和数据库专业知识在ML应用程序中至关重要，因此项目团队应该由几个不同的专家组成。主要参与者是领域专家，即机械工程师或线性执行器或成形工艺专家。领域专家希望解决特定的ML挑战，因此他们有一个目标，并了解他们机器中的相互关系。接下来是数据科学家，负责数据分析。这两者一起工作时，必须定义基本的机器变量，这对定义的目标很重要。数据科学家与领域专家密切合作，以阐明某些数据模式和行为的含义。

如果没有领域专家的反馈，仅靠数据科学家就缺乏使这些项目有效的知识。一些机器制造商已经有数据科学部门，可能只有一个单独的资源，他们自己承担这项任务。其他人则需要更密集的支持，这些支持可以从一些供应商或专业的自动化集成商获得。考虑选择哪种解决方案所需的支持级别。

6.在收集ML训练数据的同时保护IP

一个经过训练的ML模型可以对公司的竞争力产生巨大的影响。不同领域的专家和专家之间也有工程和合作，收集了大量数据。因此，在进行ML项目时，始终要对数据和知识产权保护有必要的分寸感。在ML模型得到训练后，它们将被部署到生产或最终用户设施中。训练过的模型可以，而且在大多数应用程序中，应该被保护起来，不被以未经授权的方式复制和使用。在某些平台上，这些软件保护机制不仅可以保护ML模型，还可以保护PLC源代码和部署代码。

图4:如果连续从机器收集数据，并保存分类结果，数据科学家和领域专家随后可以更详细地分析检测到异常的过程序列。拜福自动化公司提供

7.了解如何训练ML模型来检测异常

当工程师不知道异常情况是什么时，很难对异常情况进行训练。许多条路都可以通向目的地。一个简单、易于描述的例子是用一个已知的类——“无异常”类——来训练分类模型。在训练中只使用不包含异常的数据来表示模型，并将这组数据定义为“A类”。当在这个过程中使用算法时，它会再次识别“A类”。但是，当数据具有其他未知结构时，它也可以识别，然后报告未指定的异常。

值得重复的是:ML是一个进化的过程。如果连续地从机器收集数据，并保存分类结果，那么数据科学家和领域专家可以更详细地分析检测到异常的过程序列。

如果有必要，可以使用模型更新进行异常检测，并更详细地缩小检测到的情况。随着用户不断积累经验并理解这些工具，他们将看到有多少机会和方法可以通过机器学习实现机器性能和质量优化自动化。

Daymon汤普森美国软件产品经理，Beckhoff自动化由克里斯·瓦夫拉编辑，网页内容经理，控制工程， CFE媒体与技术，cvavra@cfemedia.com．