本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
克朗斯将 CI/CD 应用于基于 AI 的过程控制软件
MATLAB 和 Simulink 工作流支持以可重复的方式构建、测试和打包客户定制 AI 控制器
“由于每次运行的都是相同的测试，因此可以确保一致性；而借助持续集成，可追溯性也得到了显著提高。”
关键成果
- 将部分 AI 控制器开发步骤纳入了自动化构建和测试工作流
- 实现了容器创建和交付步骤的标准化，减少了对本地环境和人工交接的依赖
- 提高了客户定制 AI 控制软件更新的可追溯性和发布就绪程度
Contiloop AI 通过在线透光率测量监测容器质量，并在需要时重新调整加热和吹塑参数。
对于开发客户定制 AI 控制软件的机械设备 OEM 厂商而言，发布就绪程度既取决于控制算法开发，也同样取决于能否以可重复的方式进行测试、打包和交付。克朗斯的工程师在 Contiloop AI 中应对了这一挑战。Contiloop AI 是一款用于 PET 拉伸吹塑的智能过程控制系统。
Contiloop AI 利用透光率在线测量容器质量，并在需要时重新调整加热和吹塑参数。在调试期间，系统会执行一次遥测运行，改变工艺设置并采集瓶子质量测量数据，然后将这些数据发送到克朗斯平台进行机器学习处理。
由于每个客户的瓶子、瓶坯、加热炉和拉伸吹塑机各不相同，克朗斯会为每个客户训练一个新的 AI 智能体。整个工作流涵盖数据采集、预处理、环境模型训练、AI 智能体训练、控制例程生成、Docker® 镜像创建，以及将控制器部署到边缘设备。
对工程团队而言，规模化面临的问题在于如何确保软件工作流的可重复性。手动测试、本地构建的 Docker 镜像、环境与软件版本之间的差异、工具箱可用性有限、访问权限限制，以及本地资源和网络约束，都增加了协调发布的难度。克朗斯将 CI/CD 流水线集成到工作流的特定环节中，以自动执行测试、构建、容器创建和交付等步骤。
在这些流水线中，克朗斯使用 MATLAB® 训练 AI 模型，并使用 Simulink® 将训练好的模型集成到控制逻辑中，生成面向嵌入式系统且具有明确定义接口的代码。团队根据任务采用不同的打包方式：对于独立应用程序，使用包含 MATLAB Runtime 的 Docker 镜像；当工作流需要完整的 MATLAB 环境和代码生成功能时，则使用 MATLAB Docker 镜像。
