ИИ-ассистенты для ПЛК: границы применимости

Для прикладной разработки (Python, C++, JavaScript) ИИ давно норма. В программировании ПЛК формальное сходство есть — язык, переменные, условия, таймеры, функциональные блоки, — но инженерная модель исполнения иная.

Появляется класс специализированных инструментов: парсинг PLC-проектов, интерпретация LAD, генерация ST, в отдельных случаях — автозапуск компиляции. На практике ограничения системные:

1. Стейтфул-исполнение. Программа работает циклически, таймеры и функциональные блоки сохраняют состояние между вызовами. Корректность фрагмента определяется не синтаксисом, а поведением во времени.
2. Проектный контекст. Блок управления насосом опирается на объявленные типы данных, подключённую библиотеку оборудования, конфигурацию задач, блокировки и команды с HMI. Изолированный сниппет без этой обвязки неверифицируем.
3. Дефицит обучающих данных. Исходники промышленных проектов публикуются редко — корпус для обучения несопоставим с Python/C++.

Исторически это подтверждали ранние тесты на ChatGPT (ПИД-регулятор на ST, логика с задержкой, передача строки по TCP/IP в TwinCAT): заготовка достижима, перенос в проект без ручной верификации — нет. Вывод: универсальные модели ограничены, перспектива — доменные модели, обученные на автоматизации, с доступом к документации платформы.

Источник: habr.com

@ai_n_hardware