|
副标题 : 一家锂电厂的"AI质检"踩坑实录，拆解三菱PLC + 边缘计算的协同架构 系列: PLC教程 #60 日期: 2026-06-11 一、痛点：锂电厂的"AI质检"为什么总误判？ 2024年夏天，福建某锂电池厂。 李工负责电池极片质检。传统方式是工人目检 + AOI（自动光学检测）。 老板听说AI能"替代"质检，兴奋得很。 花 80万 买了： ●一台高性能服务器（带GPU） ●一套AI视觉算法（号称99.5%准确率） ●一年软件License 上完线，问题来了—— 误判率奇高。 新批次良品，AI判成不良品。 新批次不良品，AI有时判成良品。 李工去找AI厂商，厂商说："模型没问题，是你数据质量不行。" 再追问，厂商说："你需要给AI模型更多训练数据，需要 1-2 个月时间采集+训练。" 老板急了："设备已经在跑了，停不下来！AI不行就别上！" 李工蹲在车间，看着一条条极片从AOI镜头下流过。 他知道问题在哪—— 不是AI不行，是数据传到云端/服务器，太慢了。AOI设备每秒钟生成 5张 4K图像（500MB/秒）。 从AOI传到服务器，网络延迟 200-500ms。 服务器AI推理时间 200ms。 传回PLC的控制信号，再 100-200ms。 总延迟 500-900ms。 电池极片速度 1.2米/秒，0.9秒就是 1米多，质检点早跑过了。 这就是边缘计算要解决的问题。 今天，我们就用这个真实的"AI质检"踩坑案例，把"PLC + 边缘计算"从头拆到尾。 二、追问：边缘计算是什么？和云端有什么区别？ 一句话理解 一个对比 传统架构（云端AI）：[传感器] → 原始数据 → [网络] → [远端服务器] → AI推理 → 控制信号 → [执行器] 总延迟：500-900ms 边缘架构（边缘AI）： [传感器] → 原始数据 → [边缘节点] → AI推理 → 控制信号 → [执行器] 总延迟：20-50ms 差 20倍。 三种"边缘"概念澄清 | 概念 | 位置 | 算力 | 典型设备 | 适用 | | 设备边缘 | 传感器/执行器侧 | 极低 | 智能传感器、变频器 | 数据预处理 | | 网关边缘 | PLC/工控机侧 | 中等 | 工业网关、边缘控制器 | 协议转换、简单分析 | | 云边缘 | 工厂/机房侧 | 高 | 工控机、边缘服务器 | AI推理、复杂分析 |
"边缘计算"通常指： ●网关边缘（中等算力，做协议转换+简单分析） ●云边缘（高算力，做AI推理+复杂分析） 本文重点： PLC + 边缘计算 = PLC 做控制，边缘节点做AI/大数据分析。 边缘计算 vs 云计算 vs 雾计算 | 维度 | 云计算 | 雾计算 | 边缘计算 | | 位置 | 远端数据中心 | 工厂本地 | 设备/网关侧 | | 算力 | 极高 | 中等 | 中低 | | 延迟 | 100-500ms | 20-100ms | <20ms | | 数据量 | 处理大数据 | 中等数据 | 处理原始数据 | | 典型场景 | 离线分析、AI训练 | 工厂数据汇聚 | 实时控制 | | 代表技术 | AWS/Azure/阿里云 | 工厂服务器 | PLC/工控机/网关 |
关系： ●云计算 = 大脑（长时记忆+深度思考） ●雾计算 = 神经中枢（协调反射+短时记忆） ●边缘计算 = 脊髓（快速反射+本能反应） 三、PLC + 边缘计算的5种典型架构 架构1：PLC + 智能网关（轻边缘） 最简单、最常见。 ┌─────────────────────────────────────────┐│ PLC（控制核心） │ │ - 工艺控制 │ │ - 数据采集 │ └──────────────┬──────────────────────────┘ │（MC/Modbus TCP） ┌──────────────▼──────────────────────────┐ │ 智能工业网关 │ │ - 数据采集（多PLC） │ │ - 协议转换（MC→MQTT） │ │ - 边缘分析（OEE/合格率） │ │ - 报警本地触发 │ └──────────────┬──────────────────────────┘ │（MQTT/4G） ┌──────────────▼──────────────────────────┐ │ 云平台 │ └─────────────────────────────────────────┘ 适用： ●不需要AI的工厂 ●主要做数据汇聚、协议转换、OEE分析 ●投资：1000-5000元/台 代表产品： ●研华 ECU-1251 / ECU-150 ●施耐德 EGX300 ●西门子 SIMATIC IOT2050 ●华为 AR502H 架构2：PLC + 工控机（中边缘） 加AI。 ┌─────────────────────────────────────────┐│ PLC（控制核心） │ └──────────────┬──────────────────────────┘ │（OPC UA） ┌──────────────▼──────────────────────────┐ │ 工控机/边缘服务器 │ │ - 高性能CPU + GPU │ │ - 实时数据库（InfluxDB/PI） │ │ - 边缘AI推理（PyTorch/TensorRT） │ │ - 高级分析（异常检测/预测） │ └──────────────┬──────────────────────────┘ │（HTTPS） ┌──────────────▼──────────────────────────┐ │ 云平台（AI训练+大数据） │ └─────────────────────────────────────────┘ 适用： ●需要AI推理的工厂 ●视觉检测、声音检测、振动分析 ●投资：1-5万元/节点 代表产品： ●研华 UNO-2484G / MIC-770 V3 ●凌华 MXC-6401 ●控创 KBox A-203 ●树莓派 4B + 外置GPU（DIY方案） 架构3：PLC + 边缘控制器（重边缘） 专业级。 ┌─────────────────────────────────────────┐│ PLC（控制核心） │ │ - 三菱iQ-R / 西门子S7-1500 │ └──────────────┬──────────────────────────┘ │（EtherCAT/CC-Link IE TSN） ┌──────────────▼──────────────────────────┐ │ 边缘控制器/视觉控制器 │ │ - 集成PLC逻辑 + 视觉处理 │ │ - 内置AI加速芯片 │ │ - 实时控制 + 实时分析 │ └──────────────┬──────────────────────────┘ │ ┌──────────────▼──────────────────────────┐ │ 工业相机/激光雷达/振动传感器 │ └─────────────────────────────────────────┘ 适用： ●高端制造（半导体/汽车/锂电） ●视觉检测 + 运动控制 + 数据采集 一体化 ●投资：10-50万元/节点 代表产品： ●三菱 MELSEC iQ-R + 视觉模块 ●西门子 SIMATIC S7-1500 + TM NPU ●研华 AIIS-1240 边缘AI系统 ●康耐视 In-Sight 9000 ●基恩士 XG-X 系列 架构4：PLC + 5G + MEC（5G边缘） 最新潮。 ┌─────────────────────────────────────────┐│ PLC（带5G模组） │ └──────────────┬──────────────────────────┘ │（5G专网） ┌──────────────▼──────────────────────────┐ │ MEC（Multi-access Edge Computing） │ │ - 运营商在工厂内部署的边缘节点 │ │ - 算力下沉到基站侧 │ │ - 延迟<10ms │ └──────────────┬──────────────────────────┘ │ ┌──────────────▼──────────────────────────┐ │ 中心云 │ └─────────────────────────────────────────┘ 适用： ●5G专网覆盖区域 ●移动设备（AGV/巡检机器人） ●跨国/跨厂数据汇聚 代表方案： ●中国移动 OnePower ●中国联通 5G专网 + MEC ●华为 5GtoB 架构5：分层边缘（云-边-端） 最完整。 ┌─────────────────────────────────────────┐│ 中心云 │ │ - AI训练 │ │ - 大数据分析 │ │ - 集团决策 │ └──────────────┬──────────────────────────┘ │（MQTT/AMQP） ┌──────────────▼──────────────────────────┐ │ 工厂边缘 │ │ - 实时数据汇聚 │ │ - OEE分析 │ │ - 报警管理 │ └──────────────┬──────────────────────────┘ │（OPC UA/Modbus） ┌──────────────▼──────────────────────────┐ │ 设备边缘 │ │ - 单台设备数据 │ │ - 本地控制 │ └─────────────────────────────────────────┘ 适用： ●集团/多厂区 ●完整数字化转型 ●投资：50-500万元 四、实战案例：锂电厂的"AI质检"改造 李工的锂电厂，最终方案选了架构2（PLC + 工控机边缘）。 改造前 [极片] → [AOI相机] → [原始图像] → [服务器AI] → [PLC] → [剔除机构]└ 4K图像500MB/s → 200ms传输 → 200ms推理 → 100ms控制 总延迟：500-900ms，误判率高 改造后 [极片] → [AOI相机] → [图像] → [工控机边缘AI] → [PLC] → [剔除机构]└ 4K图像 → 边缘推理 → 通信 总延迟：30-50ms，实时准确 硬件配置 | 设备 | 型号 | 数量 | 投资 | | PLC | 三菱iQ-R04CPU | 1 | 4万 | | 边缘工控机 | 研华MIC-770 V3 + NVIDIA Jetson AGX Orin | 1 | 8万 | | AOI相机 | 巴斯勒 ace 2 (4K, 60fps) | 4 | 12万 | | 光源 | 定制环形LED | 4 | 2万 | | 剔除机构 | 气动 + 电磁阀 | 1 | 1万 | | 镜头 | 25mm定焦工业镜头 | 4 | 1.6万 | | 通讯 | 千兆以太网 + CC-Link IE TSN | 1套 | 3万 | | 合计 | — | — | 31.6万 |
软件架构 工控机上跑一个边缘AI平台： ┌────────────────────────────────────┐│ 边缘AI平台（Ubuntu 20.04） │ ├────────────────────────────────────┤ │ 应用层 │ │ - 极片缺陷检测（YOLOv8） │ │ - 极片尺寸测量（OpenCV） │ │ - 极耳位置识别 │ │ - PLC通讯协议（MC Binary） │ ├────────────────────────────────────┤ │ AI推理层 │ │ - TensorRT 加速 │ │ - 4路相机并发推理 │ │ - 推理时间：30-40ms/帧 │ ├────────────────────────────────────┤ │ 数据层 │ │ - InfluxDB 时序数据库 │ │ - Redis 实时缓存 │ │ - 本地存储 7天数据 │ ├────────────────────────────────────┤ │ 接口层 │ │ - OPC UA Server │ │ - MQTT Client │ │ - Modbus TCP Server │ │ - REST API │ └────────────────────────────────────┘ 关键优化 优化1：4K图像降采样4K图像（3840×2160 = 829万像素）传给AI浪费资源。 降采样到 1920×1080 = 207万像素（1/4数据量）。 推理时间从 200ms → 80ms。 准确率：99.5% → 99.2%（微小下降，可接受）。 优化2：TensorRT加速PyTorch 推理：200ms。 转成 TensorRT：30-40ms。 性能提升 5倍。 优化3：异步流水线相机1采图 → AI推理1（异步）→ PLC通信1相机2采图 → AI推理2（异步）→ PLC通信2 相机3采图 → AI推理3（异步）→ PLC通信3 相机4采图 → AI推理4（异步）→ PLC通信4 4路相机并发处理，总延迟 = 单路延迟 = 30-50ms。 优化4：PLC快速响应三菱iQ-R 的 CC-Link IE TSN 网络，通信延迟 < 1ms。 PLC 收到"剔除"信号后，3ms 内输出到电磁阀。 气动剔除机构响应：10ms。 总延迟 = 30+1+3+10 = 44ms。 改造效果 | 指标 | 改造前 | 改造后 | 提升 | | 总延迟 | 500-900ms | 30-50ms | 20倍 | | 误判率 | 5% | 0.5% | 10倍 | | 漏检率 | 2% | 0.1% | 20倍 | | 处理速度 | 1.2米/秒 | 1.5米/秒 | 25% | | 年返修成本 | 200万 | 30万 | 85% | | AI硬件成本 | 80万（云端服务器） | 31.6万（边缘） | 60% |
李工说："改造完，第一次看到0.5%的误判率，我都不敢信。" 五、避坑指南：90% 边缘计算项目会犯的5个错 错1：把工控机当服务器用 很多人：买一台高性能工控机，装 Windows Server + MySQL + Web 服务。 问题： ●Windows 不是实时操作系统 ●工控机工业级，散热和稳定性设计 ≠ 服务器 ●长期运行容易蓝屏 正确做法： ●边缘工控机跑 Linux（Ubuntu LTS / CentOS Stream） ●用 Docker/Kubernetes 管理 ●数据库用时序库（InfluxDB/TimescaleDB），不用 MySQL ●关键控制用 PLC，不要靠工控机 错2：AI模型过大，塞不进边缘 很多人：在云端训练一个 1GB 的大模型，想直接部署到边缘。 问题： ●边缘工控机内存有限（Jetson AGX Orin = 32GB 共享） ●模型加载慢 ●推理慢 正确做法： 1.模型剪枝：去掉不重要的神经元 2.量化：FP32 → INT8，模型大小降 4倍 3.蒸馏：用大模型教小模型，性能接近但小 10-100倍 4.TensorRT 优化：NVIDIA 专用，5倍加速 5.多任务模型：1个模型干3件事，省内存 李工的方案： ●原始 YOLOv8x 模型：340MB ●剪枝+量化+蒸馏后：28MB ●推理时间：30-40ms 错3：边缘和云端职责不清 很多人：边缘做了一堆事，云端也做了一堆事，重复了。 问题： ●边缘把数据处理完，云端又算一遍 ●资源浪费 ●数据不一致 正确做法： 边缘做什么： ●实时数据采集 ●实时AI推理（视觉/振动/电流） ●实时报警 ●本地缓存（断网续传） ●OEE/合格率等实时计算 ●简单异常检测 云端做什么： ●AI模型训练（用云端大数据） ●长周期数据分析（年度/季度） ●多厂区数据汇聚 ●集团决策报表 ●模型版本管理 关系： ●边缘 = 工厂的"手和眼" ●云端 = 集团的"大脑" 错4：OPC UA 配置瞎写 很多人：OPC UA 就是个协议，配置上就行。 问题： ●默认配置不安全 ●性能没优化 ●信息模型混乱 正确做法： 安全配置： ●启用证书认证（不用匿名） ●用户名密码 + 角色授权 ●加密传输（TLS 1.2+） 性能配置： ●订阅模式（Subscription）优于轮询 ●采样周期和发布周期分开 ●大数据块用 Read/Write，不用单个变量 信息模型： ●按 ISA-95 分层 ●设备→子设备→传感器 ●一致命名（参考教程58） 错5：忽视边缘的"维护噩梦" 很多人：边缘节点一部署，再也不管。 问题： ●边缘节点散落在车间角落，UPS坏没人知 ●硬盘满了不报警 ●软件升级需要现场操作员配合 ●工业灰尘、高温导致设备寿命短 正确做法： 远程运维： ●边缘节点支持 SSH/VPN 远程登录 ●集中监控（Prometheus + Grafana） ●远程升级（OTA） 预防性维护： ●每 6个月清理一次灰尘 ●每年检查一次 UPS ●3-5年更换 SSD ●关键部件（风扇/电池）有备件 标准化部署： ●边缘节点选型统一（不要5种型号） ●操作系统统一（一个 Linux 发行版） ●镜像统一（Docker） ●配置统一（Ansible/Terraform） 六、选型清单：4款主流边缘计算硬件对比 4款边缘硬件对比 | 设备 | 厂商 | CPU | GPU/NPU | 算力 | 价格 | 适合 | | 研华 MIC-770 V3 | 研华 | i7-12700 | 外置GPU | 高 | 2-5万 | 通用AI | | NVIDIA Jetson AGX Orin | NVIDIA | 12-core ARM | 2048-core GPU + 64 NPU | 高 | 1.5-2万 | AI视觉 | | 西门子 SIMATIC IOT2050 | 西门子 | ARM Cortex | 无 | 中 | 0.8-1.5万 | 数据汇聚 | | 三菱 MELSEC iQ-R + 视觉模块 | 三菱 | iQ-R CPU | 集成 | 高 | 5-15万 | 视觉+控制一体 | | 基恩士 XG-X 系列 | 基恩士 | 专用CPU | 集成 | 中高 | 8-20万 | 视觉检测 |
选型决策树 项目类型？├── 视觉检测 → NVIDIA Jetson / 基恩士 │ ├── 高端半导体/汽车 → 基恩士 │ ├── 中端锂电/电子 → Jetson AGX │ └── 低端包装/食品 → Jetson Nano │ ├── 数据汇聚 + OEE → 研华 / 西门子 IOT2050 │ ├── 西门子PLC多 → SIMATIC IOT2050 │ ├── 三菱PLC多 → 研华 MIC-770 │ └── 多PLC混合 → KEPServerEX + 研华 │ └── 视觉+控制一体 → 三菱 iQ-R 视觉模块 ├── 高端制造 → 三菱 iQ-R + 视觉 └── 一般控制 → PLC + 独立工控机 选型3个坑 1."AI算力越强越好" → 错。算力强=贵+耗电+发热，要匹配实际需求。 2."工控机就行" → 部分对。工控机+GPU是通用方案，但 集成方案更省空间。 3."国产不行" → 部分偏见。研华、凌华、控创的工业级产品已能满足90%场景。 七、一句话总结 写到这里，给你一句话： 最后一句，送给所有PLC + 边缘计算工程师： 附录：常用边缘计算选型速查表 | 场景 | 数据规模 | 算力需求 | 推荐配置 | 投资 | | 锂电极片视觉检测 | 4K×4路 | 高AI算力 | Jetson AGX Orin × 2 | 30万 | | 通用数据汇聚+OEE | <100点 | 中等 | 研华 MIC-770 | 3万 | | 设备预测性维护 | 振动+温度 | 中等AI | 研华 + AI加速卡 | 5万 | | 半导体AOI检测 | 4K×8路 | 极高AI | 基恩士XG-X | 50万 | | 包装线视觉 | 2K×2路 | 中等AI | Jetson Nano | 3万 | | 多PLC数据汇聚 | >1000点 | 数据处理 | 研华 + KEPServerEX | 8万 | | 振动监测+AI | 32通道 | 中等AI | 研华 + AI算法 | 6万 | | 跨厂数据汇聚 | 多厂区 | 边缘+云分层 | 工厂边缘+集团云 | 50万+ |
参考资料 ●三菱MELSEC iQ-R Ethernet User's Manual (Application) ●三菱iQ-R Motion Module User's Manual (Application) ●NVIDIA Jetson AGX Orin Developer Kit User Guide ●研华 MIC-770 V3 用户手册 ●OPC UA Specification (IEC 62541) ●ISO 23247 数字孪生框架 ●GB/T 41721-2022 智能制造 工业云服务 能力要求 ●工业互联网产业联盟《工业边缘计算白皮书》 作者: 小讯 版本: V1.0 日期: 2026-06-11 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, MELSEC, iQ-R, 三菱, 西门子 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
