ST推出内嵌机器学习的双轴倾角计IIS2ICLX：超低功耗精密感测

机加工最核心课题之一：如何确保新引进的 CNC 机床具备真实的高精度与高重复定位精度？面对琳琅满目的品牌、配置、报价，如何为工厂做出正确选择？ 本文将拆解从选型决策到落地交付的全流程关键步骤，助您系统性优化新机床的精度、重复性与公差表现。 当新机床采购提上日程 假设您获得新制造订单。研读工程图纸，规划工序序列。盘点现有设备与操作员技能矩阵后发现：现有机床公差能力不足——规格偏低或机龄过长，无法胜任新任务。 此时，投资更先进的机床技术成为必然选项。 供应商报价的“罗生门” 您需权衡单件加工成本与设备投入成本。参考 10 年前采购价（立加 8–10 万美金），您设定预算 7.5 万美金 以最

动态精度与重复定位精度的定义 CNC 机床的动态精度是指其轴在负载下精确跟随预设路径到达指令终点的能力；动态重复定位精度是指在负载下、全天多循环中精确复现指令运动的能力。这与机床厂商标称的静态精度（非加工状态下测量）有别。 厂商难以保证动态指标的原因 动态精度随部件受力变化，变量太多，厂商无法提供或担保动态指标。但厂商应能评估机床能否满足特定应用的精度要求，并在购机前愿以此作担保。 用户不可控因素：机床先天属性 结构刚性 必须承受最强加工工况而不产生过大挠度。 反馈系统 光栅尺直接监测运动部件位置，不依赖导轨、丝杠、联轴器完整性，优于旋转编码器。 用户可控因素：使用与维护责任 机床校准 厂商出

机器学习（ML）是 AI 核心分支：**让机器从数据中自主学习规律、泛化预测，而非显式编程规则**。本文系统梳理 ML 原理、工程流程、深度学习进阶与工业落地图谱。 机器学习核心范式 监督学习：标注数据 (X, y) → 学习映射 f: X→y。分类（缺陷判别）、回归（寿命预测） 无监督学习：无标签数据 → 发现内在结构。聚类（工况分型）、降维（特征压缩）、异常检测（孤立森林/自编码器） 半监督/自监督：少量标签 + 大量无标签，一致性正则/对比学习/掩码建模，缓解标注瓶颈 强化学习：智能体与环境交互 → 最大化累积奖励。调度优化、机器人控制、工艺参数自适应 ML 项目工程化四阶段标准化

机器学习早已家喻户晓，但鲜有人知如何着手应用。希望阅读本文能帮助您理解如何利用 PLCnext 控制器开启机器学习之旅。本文将涵盖：训练首个 ML 模型、转换为 ONNX 标准、在 PLCnext 控制器上推理。为避免过度复杂，我们将使用经典的 Iris 鸢尾花数据集构建模型。 开始前，明确目标至关重要。以下简要介绍本文涉及的主题，参考资料见文末。 机器学习简介 什么是机器学习 机器学习的本质是利用统计与算法在数据集中发现模式。主要分为三类：监督学习、无监督学习和强化学习。监督学习最常用，本文采用此类。监督学习中，我们对数据打标签，明确告知机器寻找的模式。 无监督学习不打标签，让机器自行发现模