夜雨聆风: 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 |
：
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 │
└─────────────────────────────────────────┘
：
| 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！