25 自动化自动化早已不是那个自动化.docxVIP

【自动化】自动化早已不是那个自动化 贝加莱工业自动化 2020-03-25 原文 随着工业互联网的热炒，使得自动化在其中扮演了一个愈加有意思的角色，一些缺乏对制造现场了解的人总是会把PLC理解为就是做规律把握的，而且提起现场总线总是CAN、Modbus等，好像自动化是一个“传统产业”，一个已经过去的时代，人们宠爱用自动化、信息化、智能化来为智能制造进行“断代”来阐述其关系，然而，现实却并非如此—由于，自动化是一个不断在进步的领域，而且，它是一个纯粹的使用产业，它全部的创新源泉来自于“客户需求”。 今日，我们有必要重新梳理自动化——它不只是把握、也包括了边缘计算的融合、数字孪生、机器学习的融合，成为整个制造的基础与核心构成。 ? ?? 1、开放互联 开放互联成为必定趋势，在经受了现场总线、实时以太网，自动化的开放互联正迈入OPC UA over TSN的时代。 工业互联网遇到的最大的挑战在于“连接”问题，简单的现场总线和各种协议使得IT访问OT变得特别困难，不经济，成为了推动工业互联网的第一大妨碍。 OPC UA是一个推行“一般话”的过程，它使得各家不同厂商的把握器可以被接受统一言语，而TSN则扮演着“同声传译”的角色。 图1-基于OPC UA的制造业信息集成 目前整个自动化行业的主流厂商、ICT厂商如华为、CISCO等均以开发了基于TSN的处理方案，即将进入批量运营阶段。 如图1所示，OPC UA为整个智能工厂供应了在上下游供应链、车间横向设备间的集成，也完成从传感器到云端的垂直连接，更为重要在于OPC UA信息模型为软件的高效开发供应了保障，大幅降低工业互联的工程成本。 2.柔性制造 无论谈论智能制造、工业4.0还是所谓的工业物联网/互联网，其实，本质都是通过信息的采集，实现全局的制造效率提升，响应“大规模定制”中的高质量、低成本要求。 但是，在底层执行中，会遇到一个“机械”的刚性连接妨碍，因此，为了处理这个问题，各家主流自动化厂商均推出了柔性电驱输送系统，如图2的ACOPOStrak，它带来的转变在于： （1）传统的产线简单性、精度、柔性问题被处理； （2）满足共性化定制的生产需求。 图2-可支持汇流与分流的ACOPOStrak柔性电驱输送系统 它本身代表着电气把握向机械的延展，运动把握迈入了机电软一体化时代。 3.边缘计算 边缘计算次要聚焦于进行数据的采集、连接，并在边缘侧实现对产线、工厂的实时任务调度、优化、策略问题的处理，自动化厂商在原有架构上融合新的Web技术、云连接技术，将这些任务以分布式形式实现统一的构架。 图3-边缘计算软件与硬件扩展架构 自动化厂商乐观的融合IT技术，处理现场的问题，作为一个连接制造现场和IT的两头层，边缘计算处理了本地的设备集成、OEE计算、能源计量、运营维护、质量管理的功能。 通过OPC UA，自动化系统可以与来自开放世界的各种边缘计算实现开放连接，发挥各自的力量，包括与云端服务的对接，自动化可以为其供应基础的制造现场数据，以及事后处理好的结构化信息。 4.机器学习 今日，我们争辩机器人工智能，然而，工程本身就是数学问题，在1931年，科尔莫哥洛夫发表了统计学和随机过程方面的《概率论中的分析方法》，它奠定了马尔科夫过程的理论基础—它成为信息论、人工智能和机器学习的基础科学工具，然而，数问题可以转换为软件问题，首先在数学工具上可行，那么软件才具有可行性，接着是实现—能否有足够的计算力量，以及如何与对象结合。 现实上，在晚期的把握器即可以实现简单的把握，例如，贝加莱在90年月初即推出基于pSOS+定性分时多任务的操作系统，已经可以支持高级言语的编程，今日的PLC已经可以直接运转基于C/C++等高级言语开发的程序，基于PC架构的把握器可以通过多种形式来实现机器学习、人工智能的算法运转。 图4-机器学习可以直接运转于PLC 实际上，机器学习并非那么奇特，简约说，自动化系统最大的优势在于已有的机器把握模型，在这个模型上加一个观测器，接受成本函数对其进行约束，在非线性阶段对其进行“学习”，而学习是一个数学意义上的概念，只需数学上有模型，即可编程，并运转于把握器上。对于更为简单的学习，其同样是可以在把握器上编程的，很多人理解的PLC是规律把握，但是，像贝加莱的把握器早已可以接受高级言语编程—这件事情20多年前就可以了。 图5-通过Hypervisor技术实现多核任务处理 对于一些简约的机器学习而言直接在PLC上即可运转，同时，在贝加莱新的Hypervisor技术，可以将PCI标准的AI加速卡插入，由Windows对其进行处理，并同时并行运转RTOS来与物理被控对象连接，可以直接在一个架构下实现学习与对象的直接交互。 5.软件定义智能 自动化的确正在成为一个软件行业，由于，智能通过软件来实现，