近日，倍福 TwinCAT 产品经理 Fabian Bause 博士接受了WEKA 行业媒体《Computer & AUTOMATION》杂志的采访，向读者们介绍了如何能够用有利的方式布署机器学习算法和模型。
在企业布署实施机器学习之前，第一步应该做什么？
Fabian Bause 博士：首先要详细分析可以在哪里成功布署机器学习（简称 ML），即部署必须富有成效。人们在对待新技术时往往会出现两种极端态度。要么会因为缺乏经验持保留态度，要么会非常兴奋，想用这些新技术来解决过去无法充分解决的难题。我们不应该偏向任何一方，而是客观地分析 ML 在哪些方面真正有用。
一旦找到了潜在的适合机器学习的应用，就应该及时将其作为原型实施，项目团队的敏捷性在这里是关键。ML 项目实际上是一个进化过程，不能被预设的方法等事项所限制。
倍福在 2019 年的汉诺威工业博览会上宣布他们将在 TwinCAT 3 控制平台中整合机器学习。自那时起到现在，机器学习在哪些应用领域中的表现比较突出？
Fabian Bause 博士：去年，我们成功完成了测试，并非常成功地推出了我们的第一款产品 — 一个无缝集成到 TwinCAT 3 中的机器学习模型推理引擎。该解决方案的特点是能够直接在 TwinCAT 实时环境中执行神经网络等模型，这也意味着这类机器的应用领域是无限的。
在用户方面，已经形成了一个基于 ML 的质量控制和过程监测/优化的解决方案集群。一个完全自动化和控制器集成的质量控制系统，它可以基于如电机电流、转速和跟随误差等现有的机器数据对生产的货物进行全检测。它可以 7 天 24 小时工作不休息，不会感到疲倦，而且能够实现远远超过人类所能做到的周期时间。过程监测和优化是两个连续的步骤。如果用训练好的模型来进行过程监测，机器可以通知其操作员，而操作员又可以即时调整过程，以保持产品质量的稳定性。下一步是向这名有经验的机器操作员学习，并以这样的方式训练模型，让模型能够自主地进行所需的参数调整，或在中间步骤中作为“智能助手”发挥作用，给出参数设置建议。
除了控制系统中用于 ML 的基础组件外，我们越来越关注倍福产品在图像处理和运动控制领域的应用，目标是为用户提供硬件和软件方面经过优化的组件，无需事先掌握 ML 知识即可使用这些组件。
实时机器学习尤其是对需要高处理性能同时快速运行各种工艺过程的工厂车间提出了挑战。然而，如何将 ML 用于实时控制的应用，如运动控制应用？
Fabian Bause 博士：首先，我们必须认识到，训练基于 ML 的模型要比执行（即推理）训练好的模型花费更多的时间。在硬件方面，推理在我们的工业 PC 上运行。它能够在 CPU 中高效执行的一个重要原因是持续使用 SIMD 命令扩展，并结合高度优化的缓存管理。此外，目前 CPU 中的处理器内核越来越多地支持神经网络的加速执行，因为它们可以非常高效地并行执行。仔细观察训练好的模型也非常重要，它就像“手工编写”的源代码一样。执行一个庞大、低效的源代码要比执行一个精简、优化的源代码需要的时间长很多。必须根据特定的任务对训练好的 ML 模型进行调整和优化。现在，可以非常轻松地实现微秒级神经网络执行速度。例如我们有一个展览就是由 250 个神经元组成的多层感知神经网络。通过我们高度优化的推理引擎，它在 Intel Core i3 CPU 上的执行时间仅需几微秒。因此，我们可以确信，在图像处理和运动应用中使用 ML 时，在算力方面不会有任何障碍。
关于德国倍福
倍福（Beckhoff）公司总部位于德国威尔市。作为全球自动化技术的驱动者，倍福定义了自动化领域的许多国际标准。公司所生产的工业 PC、现场总线模块、驱动产品和TwinCAT自动化软件构成了一套完整的、相互兼容的控制系统，可为各个工控领域提供开放式自动化系统和完整的解决方案。倍福于1997年进入中国市场，致力于帮助制造企业提升竞争优势，加速转型升级。倍福在业内享有“创新引擎”的美誉，公司所倡导的PC控制技术具有良好的开放性，将IT技术、互联网和自动化技术完美融合，助力实现工业 4.0 和智能制造。凭借领先的技术优势和丰富的行业知识，倍福的创新产品和解决方案广泛应用于风力发电、半导体、光伏太阳能、电子制造、金属加工、包装机械、物流输送以及楼宇自控等众多领域。
