PLC与AI边缘计算平台通信全解析:工业智能的最后一公里

副标题

: 让AI算法在产线边缘"落地"

一、PLC与AI边缘计算的本质

AI边缘计算不是"云端AI"，是在产线边缘运行AI算法。

云端AI	边缘AI
数据上传云端	数据本地处理
网络依赖强	网络依赖弱
延迟高(100ms+)	延迟低(<10ms)
带宽消耗大	带宽消耗小
数据隐私风险	数据本地保留

核心价值

：

低延迟：实时推理，满足产线节拍要求
高可靠：网络中断仍可运行
数据隐私：敏感数据不出厂
成本节约：减少云端计算和带宽成本
离线可用：断网不影响生产

二、AI边缘计算架构

2.1 三层架构

┌─────────────────────────────────────────────────────────┐
│              应用层 (Application)                        │
│  - 视觉检测  - 预测维护  - 工艺优化  - 质量分类         │
├─────────────────────────────────────────────────────────┤
│              AI模型层 (Model)                            │
│  - 深度学习模型  - 传统ML模型  - 规则引擎               │
├─────────────────────────────────────────────────────────┤
│              数据层 (Data)                               │
│  - PLC实时数据  - 传感器数据  - 图像数据  - 历史数据    │
└─────────────────────────────────────────────────────────┘
│
▼
┌───────────────────────┐
│   AI边缘计算设备        │
│   (GPU/NPU加速)        │
└───────────────────────┘
│
▼
┌───────────────────────┐
│      物理设备 (PLC)     │
└───────────────────────┘

2.2 数据流

PLC → 边缘设备 → AI推理 → 结果回传 → PLC
│                                      │
└────── 控制命令 ←─────────────────────┘

三、AI应用场景

3.1 视觉检测

应用	说明	模型类型
缺陷检测	表面缺陷识别	CNN分类
尺寸测量	产品尺寸检测	目标检测
字符识别	OCR识别	CNN+RNN
颜色分类	颜色分拣	CNN分类

3.2 预测维护

应用	说明	模型类型
故障预测	设备故障预测	LSTM/GRU
剩余寿命	RUL预测	回归模型
异常检测	异常行为检测	Autoencoder

3.3 工艺优化

应用	说明	模型类型
参数推荐	最佳工艺参数	强化学习
质量预测	质量预测	回归模型
能耗优化	能耗优化	强化学习

四、PLC数据接入

4.1 通信方式

方式	协议	延迟	适用场景
共享内存	-	<1ms	同一设备
Socket	TCP/UDP	1-5ms	同局域网
OPC UA	TCP	5-20ms	跨设备
MQTT	TCP	10-50ms	跨网络

4.2 ST语言实现

( AI边缘计算数据发送 )
VAR
( AI请求数据 )
AI_Request: STRUCT
Request_ID: DINT;
Timestamp: DINT;
Device_ID: STRING;
Data_Type: INT;  -- 0:状态, 1:工艺, 2:图像
Payload_Length: INT;
Payload: ARRAY[0..1023] OF BYTE;
END_STRUCT;
( AI响应数据 )
AI_Response: STRUCT
Request_ID: DINT;
Result_Code: INT;  -- 0:成功, 1:失败
Result_Data: ARRAY[0..255] OF BYTE;
Result_Length: INT;
END_STRUCT;
( Socket通信 )
Socket_Handle: INT;
Socket_Status: INT;
( 定时器 )
Send_Timer: TON;
Response_Timer: TON;
END_VAR
( 每秒发送数据到AI边缘设备 )
Send_Timer(IN:=TRUE, PT:=T#1s);
IF Send_Timer.Q THEN
( 组装修复数据 )
AI_Request.Request_ID := Get_UniqID();
AI_Request.Timestamp := Get_Timestamp();
AI_Request.Device_ID := 'PLC01';
AI_Request.Data_Type := 1;  -- 工艺数据
( 填充数据 )
AI_Request.Payload[0] := REAL_TO_BYTE(Temp_Current);
AI_Request.Payload[4] := REAL_TO_BYTE(Pressure_Current);
AI_Request.Payload[8] := REAL_TO_BYTE(Speed_Current);
AI_Request.Payload_Length := 12;
( 发送数据 )
Socket_Send(
Handle := Socket_Handle,
Data => AI_Request,
Length := SIZEOF(AI_Request),
Status => Socket_Status
);
IF Socket_Status = 0 THEN
Response_Timer(IN:=TRUE, PT:=T#500ms);
END_IF;
Send_Timer(IN:=FALSE);
END_IF;
( 接收AI响应 )
IF Response_Timer.Q THEN
Socket_Receive(
Handle := Socket_Handle,
Data => AI_Response,
Length => AI_Response.Result_Length,
Status => Socket_Status
);
IF Socket_Status = 0 AND AI_Response.Result_Code = 0 THEN
( 解析结果 )
Result_Value := BYTE_TO_REAL(AI_Response.Result_Data[0]);
Apply_AI_Result(Result_Value);
END_IF;
Response_Timer(IN:=FALSE);
END_IF;

五、AI模型部署

5.1 模型格式

格式	说明	适用框架
ONNX	通用格式	所有框架
TensorRT	NVIDIA优化	PyTorch/TF
OpenVINO	Intel优化	PyTorch/TF
TFLite	移动端	TensorFlow

5.2 模型转换

# PyTorch → ONNX
python export_onnx.py --model model.pt --output model.onnx
ONNX → TensorRT
trtexec --onnx=model.onnx --saveEngine=model.trt
ONNX → OpenVINO
mo --input_model model.onnx --output_dir model_ir

5.3 边缘设备选型

设备	算力	功耗	价格	适用场景
NVIDIA Jetson Nano	0.5 TOPS	5W	低	轻量级检测
NVIDIA Jetson Xavier	21 TOPS	15W	中	中等复杂度
Intel NUC + NPU	2-4 TOPS	15W	中	Intel生态
国产AI盒子	4-10 TOPS	10W	低	性价比

六、视觉检测案例

6.1 缺陷检测流程

步骤1: 数据采集
└── 采集1000+张产品图像
└── 标注缺陷位置
步骤2: 模型训练
└── 使用YOLOv5训练
└── 导出为ONNX格式
步骤3: 模型部署
└── 转换为TensorRT引擎
└── 部署到Jetson设备
步骤4: 在线推理
└── PLC触发相机拍照
└── 边缘设备推理
└── 结果回传PLC

6.2 推理代码

import tensorrt as trt
import numpy as np
class DefectDetector:
def __init__(self, engine_path):
# 加载TensorRT引擎
with open(engine_path, 'rb') as f:
engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine(f.read())
self.context = engine.create_execution_context()
# 分配内存
self.input_buffer = np.empty((1, 3, 640, 640), dtype=np.float32)
self.output_buffer = np.empty((1, 84, 8400), dtype=np.float32)
def detect(self, image):
# 预处理
input_tensor = preprocess(image)
np.copyto(self.input_buffer, input_tensor)
# 推理
self.context.execute_v2([
self.input_buffer.ctypes.data_as(ctypes.c_void_p),
self.output_buffer.ctypes.data_as(ctypes.c_void_p)
])
# 后处理
results = postprocess(self.output_buffer)
return results
使用
detector = DefectDetector('defect_detector.trt')
results = detector.detect(image)
for r in results:
if r.confidence > 0.5:
print(f"缺陷: {r.class_name}, 位置: ({r.x}, {r.y})")

6.3 PLC与AI协同

( PLC与AI协同控制 )
VAR
AI_Result: STRUCT
Defect_Detected: BOOL;
Defect_Type: INT;
Defect_Count: INT;
Confidence: REAL;
END_STRUCT;
Quality_Flag: INT;  -- 0:合格, 1:不合格
END_VAR
( AI结果处理 )
IF AI_Result.Defect_Detected AND AI_Result.Confidence > 0.7 THEN
Quality_Flag := 1;  -- 不合格
Reject_Cmd := TRUE;  -- 触发剔除
ELSE
Quality_Flag := 0;  -- 合格
Reject_Cmd := FALSE;
END_IF;

七、深度案例分析：注塑件缺陷检测

7.1 背景

某注塑厂需要在线检测产品缺陷，传统人工检测效率低、漏检率高。

7.2 问题经过

问题	表现	影响
人工检测	效率低	每小时检测100件
漏检率高	3-5%	客户投诉
标准不一	主观判断	质量波动

7.3 解决方案

AI视觉检测系统

：

┌─────────────────────────────────────────────────────────┐
│              AI边缘计算设备 (Jetson Xavier)              │
│                                                         │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐     │
│  │ 图像预处理  │  │ YOLOv5推理  │  │ 结果后处理  │     │
│  │ 模块        │  │ 模块        │  │ 模块        │     │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘     │
│         │                │                │            │
│         ▼                ▼                ▼            │
│  ┌─────────────────────────────────────────────────┐   │
│  │              TensorRT引擎                        │   │
│  │  - 模型优化  - GPU加速  - 延迟<50ms             │   │
│  └─────────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────────┘
│
┌───────────────┼───────────────┐
▼               ▼               ▼
┌──────────┐    ┌──────────┐    ┌──────────┐
│ 工业相机  │    │ 光源     │    │ 传送带   │
└──────────┘    └──────────┘    └──────────┘
│                               │
▼                               ▼
┌─────────────────────────────────────────┐
│              PLC (iQ-R)                  │
│  - 触发拍照  - 接收结果  - 控制剔除      │
└─────────────────────────────────────────┘

检测缺陷类型

：

缺陷类型	特征	检测难度
缺料	局部缺失	中等
飞边	多余材料	容易
缩水	表面凹陷	中等
烧焦	黑色斑点	容易
银纹	银色条纹	困难

7.4 效果对比

指标	优化前	优化后	提升
检测速度	100件/小时	600件/小时	+500%
漏检率	3-5%	<0.5%	-90%
误检率	8-10%	<2%	-80%
人工成本	2人/班	0.5人/班	-75%
ROI	-	6个月	正向

八、模型优化

8.1 模型压缩

方法	说明	压缩率	精度损失
量化	FP32→FP16/INT8	2-4x	<1%
剪枝	移除冗余参数	2-10x	1-5%
蒸馏	大模型教小模型	5-10x	1-3%

8.2 推理优化

# TensorRT优化参数
builder_config.set_flag(trt.BuilderFlag.FP16)  # FP16加速
builder_config.set_flag(trt.BuilderFlag.INT8)  # INT8加速
builder_config.max_workspace_size = 1 << 30   # 工作空间
builder_config.timeout = 300                   # 构建超时

九、常见问题排查

9.1 推理问题

问题	可能原因	解决方案
推理慢	模型太大	模型压缩
精度低	量化损失	混合精度
内存溢出	显存不足	减小batch

9.2 通信问题

问题	可能原因	解决方案
数据延迟	网络拥堵	优化传输
数据丢失	超时	增加重试
结果错误	映射错误	检查协议

十、金句集锦

本文基于三菱PLC与AI边缘计算平台通信实战经验整理，涵盖AI架构、视觉检测、模型部署、注塑件检测案例等核心主题。

📚 推荐阅读

三菱GX Works3 028：安全PLC编程——SIL2/SIL3安全功能实战

发布于 2026-05-27

三菱 PLC 教程 02：iQ-R 系列硬件组成

发布于 202603

NACHI 机械手教程第 4 章：编程基础

发布于 202603

KEYWORDS

PLC, iQ-R, ST语言, 三菱, 类

💡 如果你觉得这篇文章有帮助，请点个在看，分享给更多需要的人！

📝 关注我，获取更多实用干货～

🤝 有问题欢迎评论区留言交流！