(
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
[tr][td]格式[/td][td]说明[/td][td]适用框架[/td][/tr][tr][td]ONNX[/td][td]通用格式[/td][td]所有框架[/td][/tr][tr][td]TensorRT[/td][td]NVIDIA优化[/td][td]PyTorch/TF[/td][/tr][tr][td]OpenVINO[/td][td]Intel优化[/td][td]PyTorch/TF[/td][/tr][tr][td]TFLite[/td][td]移动端[/td][td]TensorFlow[/td][/tr]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
[tr][td]设备[/td][td]算力[/td][td]功耗[/td][td]价格[/td][td]适用场景[/td][/tr][tr][td]NVIDIA Jetson Nano[/td][td]0.5 TOPS[/td][td]5W[/td][td]低[/td][td]轻量级检测[/td][/tr][tr][td]NVIDIA Jetson Xavier[/td][td]21 TOPS[/td][td]15W[/td][td]中[/td][td]中等复杂度[/td][/tr][tr][td]Intel NUC + NPU[/td][td]2-4 TOPS[/td][td]15W[/td][td]中[/td][td]Intel生态[/td][/tr][tr][td]国产AI盒子[/td][td]4-10 TOPS[/td][td]10W[/td][td]低[/td][td]性价比[/td][/tr]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
[tr][td]问题[/td][td]表现[/td][td]影响[/td][/tr][tr][td]人工检测[/td][td]效率低[/td][td]每小时检测100件[/td][/tr][tr][td]漏检率高[/td][td]3-5%[/td][td]客户投诉[/td][/tr][tr][td]标准不一[/td][td]主观判断[/td][td]质量波动[/td][/tr]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：
[tr][td]缺陷类型[/td][td]特征[/td][td]检测难度[/td][/tr][tr][td]缺料[/td][td]局部缺失[/td][td]中等[/td][/tr][tr][td]飞边[/td][td]多余材料[/td][td]容易[/td][/tr][tr][td]缩水[/td][td]表面凹陷[/td][td]中等[/td][/tr][tr][td]烧焦[/td][td]黑色斑点[/td][td]容易[/td][/tr][tr][td]银纹[/td][td]银色条纹[/td][td]困难[/td][/tr]7.4 效果对比
[tr][td]指标[/td][td]优化前[/td][td]优化后[/td][td]提升[/td][/tr][tr][td]检测速度[/td][td]100件/小时[/td][td]600件/小时[/td][td]+500%[/td][/tr][tr][td]漏检率[/td][td]3-5%[/td][td]<0.5%[/td][td]-90%[/td][/tr][tr][td]误检率[/td][td]8-10%[/td][td]<2%[/td][td]-80%[/td][/tr][tr][td]人工成本[/td][td]2人/班[/td][td]0.5人/班[/td][td]-75%[/td][/tr][tr][td]ROI[/td][td]-[/td][td]6个月[/td][td]正向[/td][/tr]八、模型优化
8.1 模型压缩
[tr][td]方法[/td][td]说明[/td][td]压缩率[/td][td]精度损失[/td][/tr][tr][td]量化[/td][td]FP32→FP16/INT8[/td][td]2-4x[/td][td]<1%[/td][/tr][tr][td]剪枝[/td][td]移除冗余参数[/td][td]2-10x[/td][td]1-5%[/td][/tr][tr][td]蒸馏[/td][td]大模型教小模型[/td][td]5-10x[/td][td]1-3%[/td][/tr]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
[tr][td]问题[/td][td]可能原因[/td][td]解决方案[/td][/tr][tr][td]推理慢[/td][td]模型太大[/td][td]模型压缩[/td][/tr][tr][td]精度低[/td][td]量化损失[/td][td]混合精度[/td][/tr][tr][td]内存溢出[/td][td]显存不足[/td][td]减小batch[/td][/tr]9.2 通信问题
[tr][td]问题[/td][td]可能原因[/td][td]解决方案[/td][/tr][tr][td]数据延迟[/td][td]网络拥堵[/td][td]优化传输[/td][/tr][tr][td]数据丢失[/td][td]超时[/td][td]增加重试[/td][/tr][tr][td]结果错误[/td][td]映射错误[/td][td]检查协议[/td][/tr]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！
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
下一主题
