人工智能(AI)是當(dāng)前倍?？刂萍夹g(shù)的一大亮點(diǎn)。倍福在 2019 年漢諾威工業(yè)博覽會(huì)上宣布將機(jī)器學(xué)習(xí)(ML)集成到 TwinCAT 3 自動(dòng)化軟件中。在經(jīng)過各項(xiàng)測(cè)試之后，倍福已于去年成功地將機(jī)器學(xué)習(xí)產(chǎn)品推向市場(chǎng)。倍福將機(jī)器學(xué)習(xí)集成到其 TwinCAT 3 控制平臺(tái)中，并在該領(lǐng)域積累了寶貴的經(jīng)驗(yàn)。

　　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(jī)器學(xué)習(xí)算法和模型。

　　在企業(yè)布署實(shí)施機(jī)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(xì)分析可以在哪里成功布署機(jī)器學(xué)習(xí)(簡(jiǎn)稱 ML)，即部署必須富有成效。人們?cè)趯?duì)待新技術(shù)時(shí)往往會(huì)出現(xiàn)兩種極端態(tài)度。要么會(huì)因?yàn)槿狈?jīng)驗(yàn)持保留態(tài)度，要么會(huì)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(jī)器學(xué)習(xí)的應(yīng)用，就應(yīng)該及時(shí)將其作為原型實(shí)施，項(xiàng)目團(tuán)隊(duì)的敏捷性在這里是關(guān)鍵。ML 項(xiàng)目實(shí)際上是一個(gè)進(jìn)化過程，不能被預(yù)設(shè)的方法等事項(xiàng)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?yàn)樗鼈兛梢苑浅８咝У夭⑿袌?zhí)行?！?/p>

　　—— Fabian Bause

　　倍福在 2019 年的漢諾威工業(yè)博覽會(huì)上宣布他們將在 TwinCAT 3 控制平臺(tái)中整合機(jī)器學(xué)習(xí)。自那時(shí)起到現(xiàn)在，機(jī)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(cè)試，并非常成功地推出了我們的第一款產(chǎn)品 — 一個(gè)無縫集成到 TwinCAT 3 中的機(jī)器學(xué)習(xí)模型推理引擎。該解決方案的特點(diǎn)是能夠直接在 TwinCAT 實(shí)時(shí)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(jī)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(gè)基于 ML 的質(zhì)量控制和過程監(jiān)測(cè)/優(yōu)化的解決方案集群。一個(gè)完全自動(dòng)化和控制器集成的質(zhì)量控制系統(tǒng)，它可以基于如電機(jī)電流、轉(zhuǎn)速和跟隨誤差等現(xiàn)有的機(jī)器數(shù)據(jù)對(duì)生產(chǎn)的貨物進(jìn)行全檢測(cè)。它可以 7 天 24 小時(shí)工作不休息，不會(huì)感到疲倦，而且能夠?qū)崿F(xiàn)遠(yuǎn)遠(yuǎn)超過人類所能做到的周期時(shí)間。過程監(jiān)測(cè)和優(yōu)化是兩個(gè)連續(xù)的步驟。如果用訓(xùn)練好的模型來進(jìn)行過程監(jiān)測(cè)，機(jī)器可以通知其操作員，而操作員又可以即時(shí)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(yàn)的機(jī)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(jìn)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?cè)絹碓疥P(guān)注倍福產(chǎn)品在圖像處理和運(yùn)動(dòng)控制領(lǐng)域的應(yīng)用，目標(biāo)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(shí)即可使用這些組件。

　　實(shí)時(shí)機(jī)器學(xué)習(xí)尤其是對(duì)需要高處理性能同時(shí)快速運(yùn)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(shí)時(shí)控制的應(yīng)用，如運(yùn)動(dòng)控制應(yīng)用?

　　Fabian Bause 博士：首先，我們必須認(rèn)識(shí)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(fèi)更多的時(shí)間。在硬件方面，推理在我們的工業(yè) PC 上運(yùn)行。它能夠在 CPU 中高效執(zhí)行的一個(gè)重要原因是持續(xù)使用 SIMD 命令擴(kuò)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?yàn)樗鼈兛梢苑浅８咝У夭⑿袌?zhí)行。仔細(xì)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(gè)龐大、低效的源代碼要比執(zhí)行一個(gè)精簡(jiǎn)、優(yōu)化的源代碼需要的時(shí)間長(zhǎng)很多。必須根據(jù)特定的任務(wù)對(duì)訓(xùn)練好的 ML 模型進(jìn)行調(diào)整和優(yōu)化?，F(xiàn)在，可以非常輕松地實(shí)現(xiàn)微秒級(jí)神經(jīng)網(wǎng)絡(luò)執(zhí)行速度。例如我們有一個(gè)展覽就是由 250 個(gè)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(shí)間僅需幾微秒。因此，我們可以確信，在圖像處理和運(yùn)動(dòng)應(yīng)用中使用 ML 時(shí)，在算力方面不會(huì)有任何障礙。

　　應(yīng)該何時(shí)將機(jī)器學(xué)習(xí)集成到應(yīng)用中?在開發(fā)時(shí)還是在運(yùn)行后期?

　　Fabian Bause 博士：正如我開始時(shí)提到的，ML 項(xiàng)目是一個(gè)進(jìn)化過程，應(yīng)該盡可能在設(shè)備制造商的價(jià)值鏈早期階段開始。當(dāng)設(shè)備在終端客戶那里投入使用時(shí)，并不是每個(gè)應(yīng)用都會(huì)有一個(gè)最佳解決方案。此外，在設(shè)備運(yùn)行時(shí)可以識(shí)別和分析新的相關(guān)數(shù)據(jù)。這樣就可以不斷改進(jìn) 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(jì)，即能夠在不中斷設(shè)備運(yùn)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?cè)絹碓蕉嗟乜紤]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(huì)構(gòu)成障礙。我們?cè)谝呀?jīng)使用(并將繼續(xù)使用)第三方控制器的 TwinCAT Machine Learning 第一個(gè)客戶身上看到了這一點(diǎn)。他添加了一臺(tái)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(jìn)行推理，以便在 TwinCAT 環(huán)境中實(shí)施質(zhì)量控制系統(tǒng)?？煽康?ML 應(yīng)用以數(shù)據(jù)庫(kù)作為起點(diǎn)和終點(diǎn)。

　　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(xiàng)目需要團(tuán)隊(duì)合作，項(xiàng)目團(tuán)隊(duì)由不同的專家組成。團(tuán)隊(duì)核心成員是某一領(lǐng)域的專家，例如，機(jī)器建造師或線性驅(qū)動(dòng)或成型工藝專家。領(lǐng)域?qū)＜掖_定想要通過機(jī)器學(xué)習(xí)來應(yīng)對(duì)的挑戰(zhàn)，即他們已經(jīng)設(shè)立了一個(gè)目標(biāo)，并且對(duì)機(jī)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(dá)成目標(biāo)中發(fā)揮作用的基本機(jī)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(qiáng)調(diào)某個(gè)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(huì)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(gè)人在唱獨(dú)角戲，也可以完成這項(xiàng)任務(wù)。而其他很多制造商則需要我們的幫助。當(dāng)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(gè) ML 模型準(zhǔn)備訓(xùn)練數(shù)據(jù)嗎?

　　Fabian Bause 博士：是的，這始終是一個(gè)前提。機(jī)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(biāo)簽。如果數(shù)據(jù)帶有標(biāo)簽，就可以在訓(xùn)練過程中識(shí)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(biāo)簽，輸出信息就會(huì)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(dāng)異常情況未知時(shí)，如何訓(xùn)練一個(gè)模型來檢測(cè)異常?

　　Fabian Bause 博士：有很多方法可以實(shí)現(xiàn)這個(gè)目標(biāo)。一個(gè)比較簡(jiǎn)單的方法就是用一個(gè)已知類別，即“無異?！鳖悇e來訓(xùn)練一個(gè)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(gè)過程中，算法識(shí)別出“A 類”。但當(dāng)數(shù)據(jù)表現(xiàn)出另一種未知結(jié)構(gòu)，并報(bào)告一種未指明的異常情況時(shí)，它也能一一識(shí)別出。我想再?gòu)?qiáng)調(diào)一下：人工智能是人類的下一個(gè)進(jìn)化階段。在持續(xù)收集機(jī)器數(shù)據(jù)并與分類結(jié)果存儲(chǔ)在一起后，數(shù)據(jù)科學(xué)家可以與領(lǐng)域?qū)＜液献?，詳?xì)分析工藝序列中檢測(cè)到的異常情況。需要時(shí)可以使用一個(gè)不僅能夠識(shí)別異常情況，而且能夠更詳細(xì)地識(shí)別案例的模型。