Нейросети в ПЛК (TinyML, Edge AI)

TinyML и Edge AI — направление, при котором нейросетевые модели исполняются не на мощном сервере в облаке, а прямо на промышленном «железе» рядом с процессом. Для АСУ ТП это даёт низкую задержку (миллисекунды вместо секунд), независимость от канала связи и защищённость данных.

Что исполняется на ПЛК

Классическое машинное обучение (деревья решений, Random Forest, SVM) и небольшие нейросети (несколько тысяч параметров, до 1-5 МБ). Обучение по-прежнему на сервере — на ПЛК только inference (применение обученной модели).

Типичные задачи

• Предсказательное обслуживание (Predictive Maintenance) — модель принимает вибрацию, ток, температуру двигателя и выдаёт прогноз остаточного ресурса подшипника
• Распознавание аномалий — автоэнкодер замечает отклонение режима от нормального задолго до срабатывания классических уставок
• Оптимизация режима — модель подсказывает оптимальную уставку PID в зависимости от нагрузки, погоды, тарифа электроэнергии
• Виртуальные датчики (Soft Sensors) — нейросеть восстанавливает недоступный параметр (например, расход топлива) по косвенным измерениям (температура, давление, обороты)

Платформы и инструменты

• Beckhoff TwinCAT 3 Machine Learning — встроенная поддержка ONNX моделей, исполнение на обычном CX-контроллере
• Siemens S7-1500 TM NPU — специальный процессорный модуль с ускорителем TensorFlow Lite
• CODESYS Automation Server — интеграция с ML-моделями через внешние Edge-устройства
• Nvidia Jetson, Google Coral TPU — отдельные Edge-компьютеры рядом с ПЛК для тяжёлых моделей
• ОВЕН СПК — Linux-based панель, где можно поставить Python + TensorFlow Lite

Процесс внедрения

1. Собрать датасет на реальном оборудовании (несколько недель-месяцев)
2. Обучить модель на сервере (Python, scikit-learn / PyTorch / TensorFlow)
3. Конвертировать в формат для ПЛК (ONNX для TwinCAT, TFLite для Jetson)
4. Загрузить в ПЛК и подключить к данным процесса в реальном времени
5. Мониторить качество прогнозов и переобучать модель раз в 3-6 месяцев

Где уже работает

• Прогноз остаточного ресурса подшипников вентиляторов приточных установок
• Распознавание кавитации насосов по вибрации и акустике
• Прогноз пикового энергопотребления здания на 24 часа вперёд
• Распознавание аномалий расхода воды — утечки, несанкционированный разбор

Ограничения

• Чёрный ящик — тяжело объяснить заказчику решение модели
• Требует датасета — на новом оборудовании первые месяцы работает плохо
• Нужны специалисты по ML — редкие и дорогие
• Для MVP задач часто достаточно обычного PID или релейного регулирования