大赛针对同学们的需求，邀请了本次大赛战略合作伙伴——施耐德电气（中国）有限公司专家对“施耐德电气Go Green电力电子创赢赛道”赛题二进行了分析：

AI助力工业控制智能优化

AI技术在工业自动化领域的应用还处于初级阶段，施耐德对此进行了很多探索，初步建立了工业智能控制体系，围绕该体系，有着巨大的技术发展空间。

施耐德工业智能控制系统示意图

本次大赛，施耐德选择了3个挖掘方向，与各位同学共同探索AI技术在各个产品或技术领域的深入应用。这三个研究方向和需要解决的问题分别是：

1.AI辅助HMI工程设计

在工业自动化的前端，HMI的工程图建立还处于手工调制生成阶段，工作量大，费力费时，且最终得到的布局和画面也不够美观。

2.长线缆下的高电压变化率问题

驱动产品到电机侧的长线缆普遍存在高dv/dt的问题，每个产品每个应用中参数都有所差异，需要人工一一单独解决，浪费了大量的资源。

3.工控成套应用

现代制造系统面临着前所未有的复杂性挑战，轴数激增可达数百根，精度要求可达纳米级，同时还需应对柔性生产、能源效率、数字化转型等多重需求。

以上三个问题都可以从AI角度尝试解决，利用AI为工业自动化产业提供智能、可靠、高效的解决方案。

一．AI辅助HMI工程设计

创立和维护超大型户HMI工程（通常多于50个画面，1000个变量，以及数十个脚本）耗时费力。为此，施耐德开发了Vijeo Designer软件并引入AI技术，建立了chatVJD项目，该项目旨在借助于AI技术，实现“输入几段简单指令，创立出符合要求的工程模板”的效果，大量节省做工程的时间。这里面大家可以从三个具体方向来考虑：

1.HMI工程的原件库快速建立：假如照片中给出一个物品的形状，怎么利用AI快速的识别出来，并画成简易的拟真或二维图形，或者自动从图片中切割出来，放入到库中，供工程建立时调用。

2.HMI工程的画面快速生成：大家从社交媒体或短视频中都见过，一键生成AI画面。HMI也需要这样的技术，例如工厂中拍摄一张照片，需要快速的提炼出关键要素，如产线布局，产品外形，控制系统的架构，连接方式等等，怎么使用AI工具快速识别出来并能够生成HMI中合适的工程图形。

3.HMI工程的布局：利用提供给大家的一定数量的原件库和图片，研究采用AI算法怎么快速的自动生成Vijeo Designer工程画面。

HMI画面示意图

下面给出一个64位Windows系统下，VJD软件的使用实例说明。

使用Vijeo Designer软件前，请先确认版本号为V6.2.12.xxxxx。软件版本号在图中位置查看：

软件版本号示意图

首先需要通过修改注册表开启VJD中的VXML导入导出功能。使用Win+R快捷键唤起“运行”任务，输入“regedit”快速打开注册表编辑器。在注册表项列表中按照路径找到[Computer(计算机)\HKEY_LOCAL_MACHINE\SOFTWARE\WOW6432Node\Schneider Electric\Vijeo-Designer62B\06.20\License]，并在该项目下新建一个类型为DWORD（32位）的字段，名称为“UpgradeLicense”，值为0xffffffff。

在路径[Computer(计算机)\HKEY_LOCAL_MACHINE\SOFTWARE\WOW6432Node\Schneider Electric\Vijeo-Designer62B\Vijeo-Frame\Options]添加DWORD类型字段：

名称：SupportSingleXMLExport  值：1

名称：SupportsXMLImportExport  值：1

完成上述三项注册表项添加后，重启计算机使设置生效。VJD的VXML导入导出功能开启。

导入VXML的方法，如图：

导入VXML示意图

非VXML格式文件导入时，需要先修改文件后缀名为.vxml。

导出VXML的方法，选择文件类型 *.vxml, 并且勾选Export to a single XML file。如图：

导出VXML示意图

VXML格式验证流程：

1.输入public.xsd+validation_generator.xsl,

输出validation_stylesheet.xsl。

2.输入project.vxml+validation_stylesheet.xsl,

输出error_message.xml。

error_message.xml包含了验证结果信息。其中包含PatternCheck和Error元素。对于PatternCheck元素，需要额外使用正则表达式去校验 Value 是否匹配 Pattern 节点定义的规则。对于Error 元素，每一个元素表示一个错误信息。比如缺失的属性和未知的元素。

注意：格式校验不能检测出逻辑错误，例如各项元素及属性之间的上下文依赖关系。

样例程序：

样例程序示意图

Switch部件的语法描述(Public.XSD)

样例程序示意图

二．长线缆下高电压变化率问题

不管是在伺服类应用中，还是在变频类应用中，都需要面对IGBT输出高dv/dt，在长线缆应用时，电机端电压会进一步升高，产生一系列的问题。目前需要一种能够自动适配、简单的批量化解决这类问题的高性价比方法，替代费时费力的人工逐一解决方式。

变频器/伺服连接示意图

方法也可以不局限于AI，可以软件，可以硬件，还可以二者相结合。例如三电平算法，宽禁带半导体高速算法，两电平算法+硬件滤波器，或者通用硬件滤波器等各种方案均可。

本赛题最终以200m线缆为目标，通过功率段划分、电压段划分或其它手段，提出批量解决此类问题的简单低成本可行方案，实现在相同输入电压条件下，电机侧浪涌电压尽可能得到控制。

三．工控成套应用设计

AI在运动控制方面已有较多的应用，但是在深度上和复杂度处理上面还有较大的发展空间。如AI算法实现伺服控制系统全参数整定；AI+视觉+运动控制系统的应用；多轴智能调控系统等等。通过使用施耐德产品，设计者得以在相关问题上进行进一步的探索和挖掘。

运用施耐德边缘控制软件EAE+LXM18E伺服驱动做成的多轴睿动魔法样机实例

1. AI算法实现伺服控制系统全参数整定

（1）参数辨识，能够辨识出惯量(主要)、摩擦(主要)，电阻，电感等参数。

（2）能够结合辨识出的参数，对整个伺服系统内如下参数中十个参数进行参数整定：①位置指令滤波；②位置控制增益；③速度指令滤波；④速度控制增益；⑤速度控制积分时间；⑥电流环指令滤波；⑦速度前馈；⑧加速度前馈；⑨共振抑制（Notch Filter）；⑩各环路PID参数。

（3）提出的方法能分别在位置模式和速度模式两种模式下运行。

（4）允许在指定参数不变的情况下，对十个参数中的其他参数进行学习。

例如：保持电流环速度环路PID不变的情况下，对其余前馈参数学习；保持位置指令滤波参数不变的情况下，对其他参数进行整定；也可以对所有参数学习。

（5）提供多种学习目标，提高在超调，上升时间，滤波时间等指标上的灵活度。

例如：可以以“完全按照指令曲线进行响应”为学习目标进行学习；也可以在此基础上增加“20ms滤波时间，10%超调”为目标进行学习。

（6）不论是离线学习还是在线学习，其训练时间要求在1小时以内。

2. AI+视觉+运动控制系统的应用

可自定义应用场景，应用AI技术+视觉技术+运动控制系统相结合来实现其场景应用，期望提供产品缺陷检测算法程序和图像检测等方面的视觉驱动程序CAT设计，以及平台搭建及Demo功能测试及验收。

3. 多轴智能调控系统

目标系统应具备三个核心能力：

（1）实现加工质量和能源效率的多目标优化，以满足现代制造业的综合需求。

（2）通过持续学习和自适应算法，使系统能够快速适应不同的加工任务和材料特性，无需频繁的人工干预即可保持最佳性能。

（3）系统应具备实时在线异常检测与诊断能力，能够及时识别、定位潜在问题，并提供相应的解决方案，从而提高生产过程的可靠性和效率。

参赛者需要证明其开发的AI系统能在这三个方面均达到卓越表现，以应对智能制造领域日益增长的复杂性和灵活性需求。