倍福控制器里的AI

读懂德国工业AI的地基 · 10

德国工业AI观察 ｜ 第三单元：从规划到执行

宝马的虚拟工厂把一部分验证提前到投产之前。回到真实机器，另一个问题随之出现：模型已经训练好，怎样让它在生产需要的时候，对正确的工件给出有效判断？

01｜从一个环形毛坯的裂纹开始

德国设备企业本青格（Carl Benzinger）的mySaw设备，用于钟表与首饰行业的环形毛坯加工。材料经过切割、扩径等工序，可能出现不同形态的裂纹，金属屑和冷却液残留又增加了识别难度。倍福2025年的案例介绍了这台设备的AI视觉质检。[1 原文]

方案把视觉与AI放在C6025工业计算机上运行，通过数据通信与CX5240机器主控制器协作。[1 原文]这说明‘AI进入控制系统’可以由多个计算节点共同完成，不能只看模型安装在哪一台设备上。

图1｜依据公开案例简化绘制，非厂商原图或完整设备架构。[1 原文]

真正需要衔接的是：图像来自哪个工件，模型输出是否有效，以及机器在什么状态下采用结果。识别出裂纹之后，质量判断还要进入已经定义好的生产流程。

02｜从训练模型到现场推理

训练利用样本调整模型；推理是把新输入交给训练后的模型，得到分类或预测结果。模型部署到现场，不意味着机器在每个控制周期都重新训练。[2 原文]

倍福的一条模型部署路线，是通过开放神经网络交换格式（ONNX）导入已训练模型，再由相应运行组件执行。[2 原文][3 原文]实际部署要核查模型运算是否受支持、输入尺寸和数据排列是否正确，以及软件版本是否兼容。[4 原文]

还要把预处理一起带到现场。例如，训练时怎样裁剪、缩放图像，或对输入数值做归一化，推理时也应保持一致。[5 原文]只替换模型文件，却改变了输入含义，容易让原本有效的模型失效。

03｜实时运行有不同路线

实时关注的是在规定时限内完成，而不只是某一次算得很快。控制系统按周期和优先级执行任务，加入模型后，需要核对整个任务是否仍能满足时间要求。[6 原文]

图2｜两类运行机制[2 原文][3 原文]

一条路线是在TwinCAT实时运行环境中执行受支持的模型，让推理与控制任务紧密配合。倍福的机器学习、神经网络推理引擎支持这类集成。[2 原文]模型复杂度、计算资源和任务周期仍要一起验证。

另一条路线是使用机器学习服务器，在独立进程中异步计算，也可使用图形处理器（GPU）加速。控制程序发起请求后，按约定检查结果是否完成。倍福明确将其列为类实时路线，执行时间可能波动。[3 原文]

选择依据是任务允许等待多久、输入数据有多大、模型需要什么运算。并非所有视觉判断都必须塞进运动控制的同一个周期；异步任务也要为生产流程安排明确的等待、超时和结果处理规则。

04｜算得快，还要及时用上

机器等待的是可用结果，不只是模型计算结束。倍福服务器文档把时延分成通信、服务器处理和模型推理，并指出控制程序等待下一周期也会增加延迟。[7 原文]视觉任务还要把曝光、图像传输和预处理等纳入整体时间预算。

图3｜原创时序示意，非实测数据；各阶段可按系统设计重叠执行。

如果结果到了，工件却已进入下一步，判断即使正确也可能无法用于原定处置。因此，系统应把工件或拍照序号与结果对应，检查有效期和完成状态；结果缺失、过期或报错时，进入约定的待判、复检等流程，避免沿用上一件的合格结果。

测试也应覆盖实际输入、并发任务和设备负载，关注最大观察时延、波动与周期超限，而不只比较空闲状态的平均推理时间。

05｜上线以后，还要维护什么

模型、预处理、阈值和调用接口需要共同记录版本。更换相机、光源、材料或工装后，要检查原有数据与模型是否仍适用；更新模型时，也应重新验证时间表现、漏检误报和异常处置，并保留回退安排。

这些工作需要设备商、自动化团队和工厂质量人员配合：既理解模型输入输出，也理解触发、工件跟踪与控制程序。投入包括数据整理、现场集成和长期维护，收益则要落实到减少复检、报废或后续无效加工。

倍福案例展示的基础能力，是把模型纳入可管理的机器运行流程：输入有对应，结果有时限，异常有处理。下一篇再向业务层推进，讨论判断怎样衔接工单、物料和排程。

资料与阅读线索

[1] 倍福：本青格设备的AI视觉质检（2025）

[2] 倍福：机器学习推理引擎与部署流程

[3] 倍福：机器学习服务器及运行机制比较

[4] 倍福：神经网络模型兼容性检查

[5] 倍福：训练与使用中的预处理一致性

[6] 倍福：实时任务与周期执行机制

[7] 倍福：推理服务器的时延组成与测量

资料核对：2026年10月18日。案例依据公开材料，实施时间与层次见正文；方案比较与验证建议为本文技术分析。三幅配图均为原创示意。