AI在工厂车间的渐进式崛起：从视觉感知走向认知行动

1990 年阿诺·施瓦辛格主演《全面回忆》描绘 2084 年——近百年后的未来：有自动驾驶汽车。1990 年这是科幻，如今成现实。Apple、Alphabet、Nissan、Uber 等众多公司研发自动驾驶。特斯拉向消费者销售功能性自动驾驶汽车，表现不错。三十年科幻成真，关键推手是深度学习。 图 1. 土耳其机械人剖面图。图片来源：洪堡大学图书馆 从人工智能到深度学习 希腊神话火神兼冶金神赫菲斯托斯造黄金机器人。早在 1770 年代“土耳其机械人”，人类就致力于造模仿人脑的装置。虽机械人是骗局，但 20 世纪末能击败人类的计算机诞生了。一切努力皆为创造模仿人脑的系统。人工智能 (AI

工业机器人已登上国际舞台中央，因其在工业领域广泛普及。随着它们变得更强大、更先进、更高产，对机器人安全的需求随之增加。 制造商可在自动化运营中引入多种安全措施。这些措施的类型和复杂度因机器人应用而异，但对机器人安全的需求始终如一。 为什么机器人安全对制造商如此重要？ 未遵循安全规程时，当今工业机器人可能致命。它们对周围工人构成危险，特别是员工在编程、维护、测试、设置或调整时必须与机器人交互时。 虽然员工安全是主要关切，但机器人对企业利润的威胁不亚于对工人。职业安全与健康管理局（OSHA）对未保护工人的企业处以巨额罚款，工人受伤导致昂贵停机。 改善工厂机器人安全 好消息是工业机器人相关事件极罕见

每代制造演进都伴随工艺调整、持续改善、精益六西格玛等项目推进。 操作员、班组长、高管可落地这些方法论提效、减废、增质、降本。但多数企业因缺乏车间绩效与流程可见性，难以消除隐性浪费。 精益项目与改善思维能发现许多问题，但要真正榨取车间隐性产能，管理者需要精准生产数据揭示“隐性工厂”。 本文内容丰富，设索引供快速跳转： 什么是隐性工厂？ 隐性工厂指制造过程中不可见、隐蔽的环节，导致质量问题或效率损耗。 成因因运营而异，核心在于难以度量核算特定过程成本。 例：易统计产量，但难精准追踪周期时间，导致估算偏差、产能目标缩水、最终形成隐性浪费。 概念溯源... 1970年代首提，初聚焦质量。制造商发现隐性

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