隨著工業(yè)互聯(lián)網(wǎng)的熱炒，使得自動化在其中扮演了一個越發(fā)有意思的角色，一些缺乏對制造現(xiàn)場了解的人總是會把PLC理解為就是做邏輯控制的，而且提起現(xiàn)場總線總是CAN、Modbus等，似乎自動化是一個“傳統(tǒng)產(chǎn)業(yè)”，一個已經(jīng)過去的時代，人們喜歡用自動化、信息化、智能化來為智能制造進行“斷代”來闡述其關系，然而，事實卻并非如此—因為，自動化是一個不斷在進步的領域，而且，它是一個純粹的應用產(chǎn)業(yè)，它所有的創(chuàng)新源泉來自于“客戶需求”。

今天，我們有必要重新梳理自動化——它不僅是控制、也包括了邊緣計算的融合、數(shù)字孿生、機器學習的融合，成為整個制造的基礎與核心構(gòu)成。

1、開放互聯(lián)

開放互聯(lián)成為必然趨勢，在經(jīng)歷了現(xiàn)場總線、實時以太網(wǎng)，自動化的開放互聯(lián)正邁入OPC UA over TSN的時代。

工業(yè)互聯(lián)網(wǎng)遇到的最大的挑戰(zhàn)在于“連接”問題，復雜的現(xiàn)場總線和各種協(xié)議使得IT訪問OT變得異常困難，不經(jīng)濟，成為了推進工業(yè)互聯(lián)網(wǎng)的第一大障礙。

OPC UA是一個推行“普通話”的過程，它使得各家不同廠商的控制器可以被采用統(tǒng)一語言，而TSN則扮演著“同聲傳譯”的角色。

圖1-基于OPC UA的制造業(yè)信息集成

目前整個自動化行業(yè)的主流廠商、ICT廠商如華為、CISCO等均以開發(fā)了基于TSN的解決方案，即將進入批量運營階段。

如圖1所示，OPC UA為整個智能工廠提供了在上下游供應鏈、車間橫向設備間的集成，也完成從傳感器到云端的垂直連接，更為重要在于OPC UA信息模型為軟件的高效開發(fā)提供了保障，大幅降低工業(yè)互聯(lián)的工程成本。

2.柔性制造

無論談論智能制造、工業(yè)4.0還是所謂的工業(yè)物聯(lián)網(wǎng)/互聯(lián)網(wǎng)，其實，本質(zhì)都是通過信息的采集，實現(xiàn)全局的制造效率提升，響應“大規(guī)模定制”中的高品質(zhì)、低成本要求。

但是，在底層執(zhí)行中，會遇到一個“機械”的剛性連接障礙，因此，為了解決這個問題，各家主流自動化廠商均推出了柔性電驅(qū)輸送系統(tǒng)，如圖2的ACOPOStrak，它帶來的改變在于：

（1）傳統(tǒng)的產(chǎn)線復雜性、精度、柔性問題被解決；

（2）滿足個性化定制的生產(chǎn)需求。

圖2-可支持匯流與分流的ACOPOStrak柔性電驅(qū)輸送系統(tǒng)

它本身代表著電氣控制向機械的延展，運動控制邁入了機電軟一體化時代。

3.邊緣計算

邊緣計算主要聚焦于進行數(shù)據(jù)的采集、連接，并在邊緣側(cè)實現(xiàn)對產(chǎn)線、工廠的實時任務調(diào)度、優(yōu)化、策略問題的解決，自動化廠商在原有架構(gòu)上融合新的Web技術、云連接技術，將這些任務以分布式形式實現(xiàn)統(tǒng)一的構(gòu)架。

圖3-邊緣計算軟件與硬件擴展架構(gòu)

自動化廠商積極的融合IT技術，解決現(xiàn)場的問題，作為一個銜接制造現(xiàn)場和IT的中間層，邊緣計算解決了本地的設備集成、OEE計算、能源計量、運營維護、品質(zhì)管理的功能。

通過OPC UA，自動化系統(tǒng)可以與來自開放世界的各種邊緣計算實現(xiàn)開放連接，發(fā)揮各自的能力，包括與云端服務的對接，自動化可以為其提供基礎的制造現(xiàn)場數(shù)據(jù)，以及預先處理好的結(jié)構(gòu)化信息。

4.機器學習

今天，我們討論機器人工智能，然而，工程本身就是數(shù)學問題，在1931年，科爾莫哥洛夫發(fā)表了統(tǒng)計學和隨機過程方面的《概率論中的分析方法》，它奠定了馬爾科夫過程的理論基礎—它成為信息論、人工智能和機器學習的基礎科學工具，然而，數(shù)問題可以轉(zhuǎn)換為軟件問題，首先在數(shù)學工具上可行，那么軟件才具有可行性，接著是實現(xiàn)—是否有足夠的計算能力，以及如何與對象結(jié)合。

事實上，在早期的控制器即可以實現(xiàn)復雜的控制，例如，貝加萊在90年代初即推出基于pSOS+定性分時多任務的操作系統(tǒng)，已經(jīng)可以支持高級語言的編程，今天的PLC已經(jīng)可以直接運行基于C/C++等高級語言開發(fā)的程序，基于PC架構(gòu)的控制器可以通過多種形式來實現(xiàn)機器學習、人工智能的算法運行。

圖4-機器學習可以直接運行于PLC

實際上，機器學習并非那么神秘，簡單說，自動化系統(tǒng)最大的優(yōu)勢在于已有的機器控制模型，在這個模型上加一個觀測器，采用成本函數(shù)對其進行約束，在非線性階段對其進行“學習”，而學習是一個數(shù)學意義上的概念，只要數(shù)學上有模型，即可編程，并運行于控制器上。對于更為復雜的學習，其同樣是可以在控制器上編程的，很多人理解的PLC是邏輯控制，但是，像貝加萊的控制器早已可以采用高級語言編程—這件事情20多年前就可以了。

圖5-通過Hypervisor技術實現(xiàn)多核任務處理

對于一些簡單的機器學習而言直接在PLC上即可運行，同時，在貝加萊新的Hypervisor技術，可以將PCI標準的AI加速卡插入，由Windows對其進行處理，并同時并行運行RTOS來與物理被控對象連接，可以直接在一個架構(gòu)下實現(xiàn)學習與對象的直接交互。

5.軟件定義智能

自動化的確正在成為一個軟件行業(yè)，因為，智能通過軟件來實現(xiàn)，簡單的修改即可實現(xiàn)復用，而且，軟件本身在智能制造中的角色也變得更為復雜，我們會驚奇的發(fā)現(xiàn)，自動化行業(yè)里無所不在的軟件，無論是RTOS還是集成開發(fā)環(huán)境如Automation Studio，還是針對行業(yè)應用的標準化PLCopen庫、以及為了實現(xiàn)開放互聯(lián)的Web服務器集成。

圖6-自動化軟件價值體系

軟件正在成為自動化行業(yè)的核心競爭力—數(shù)十年于各個領域知識的積累，并且在未來，這些積累的控制對象與模型成為知識集成的基礎，也為數(shù)據(jù)分析與人工智能奠定基礎。

6.機器視覺

隨著生產(chǎn)的集成，自動化正在將視覺系統(tǒng)也納入到其架構(gòu)中，在2018年，貝加萊即推出“集成視覺”，這個視覺系統(tǒng)將機器的邏輯、運動控制與視覺感知在統(tǒng)一架構(gòu)下進行編程開發(fā)，實現(xiàn)最為直接的同步，并且，解決由于傳統(tǒng)視覺與自動化系統(tǒng)之間的“通信連接”、“配置”、“編程”的壁壘，這帶來很多好處：

?無需復雜的網(wǎng)絡配置；

?可以無縫的軟件變量耦合；

?可以最高級別的實現(xiàn)同步關系；

?避免多個軟件的銜接影響各自性能的發(fā)揮。

圖7-集成機器視覺

集成視覺為機器與產(chǎn)線協(xié)同提供了最為有效的改善，這將成為未來視覺發(fā)展的一個趨勢。

7.建模仿真

個性化制造最大的挑戰(zhàn)在于“開機浪費”、“測試驗證”中的浪費，這往往是一個燒錢的過程，因此，在過去的數(shù)十年里，建模仿真技術一直應用于機器與系統(tǒng)開發(fā)，然而在過去，仿真后的程序又需要復雜的過程才能實現(xiàn)在控制器上的運行，而自2008年Mathworks推出基于C代碼自動生成的工具，貝加萊Automation Studio即可實現(xiàn)一鍵導入，這樣可以直接在控制器上運行自動代碼。

另外，通過與MapSim通過FMI接口，實現(xiàn)機械、電氣控制的協(xié)同仿真，這樣的方式可以讓機電一體化更為緊密的結(jié)合，在系統(tǒng)中對傳動鏈、控制邏輯與對象進行融合，并實現(xiàn)虛擬環(huán)境中的測試驗證。

圖8-基于數(shù)字孿生設計的ACOPOStrak應用

建模仿真也構(gòu)成了今天“數(shù)字孿生”概念的核心部分，在圖8中，通過MapSim的建?？梢耘c控制對象的模型進行交互，并通過Scene Viewer實現(xiàn)三維呈現(xiàn)，可以直接在控制器上運行并反饋現(xiàn)場實際傳感器回饋數(shù)據(jù)，實現(xiàn)真正的數(shù)字與物理對象的交互，為早期驗證與虛擬調(diào)試提供便利。

建模仿真是一種創(chuàng)新性的開發(fā)方法，在今天，我們越來越多的應用這些方法來解決很多產(chǎn)業(yè)問題：

（1）早期驗證與測試，虛擬調(diào)試，最大程度降低測試驗證成本；

（2）開發(fā)可復用的軟件模塊，降低系統(tǒng)開發(fā)成本；

（3）通過自動代碼生成降低開發(fā)成本。

……

自動化顯然已經(jīng)不是那個自動化，然而，自動化永遠都是以“用戶為中心”的產(chǎn)業(yè)，開放連接、集成各種領域知識，一切都是為了讓制造業(yè)的用戶體會到“質(zhì)量的不斷提高”、“成本的不斷下降”、“快速交付”，以及今天更為“個性化定制”的需求。

責任編輯：xj

原文標題：自動化早已不是那個自動化

文章出處：【微信公眾號：新機器視覺】歡迎添加關注！文章轉(zhuǎn)載請注明出處。