【PLC】PLC也想低调，可实力它不允许啊！

2019 年 7 月 31 日 产业智能官

人们谈起工业互联网，就会讨论起工业现场的PLC，不过，大部分人似乎对PLC的理解停留在20年前——PLC就是逻辑控制吗？其实，20年前就已经不是这样了。

控制器的形式已经发生了变化

是的，今天的自动化行业，在软硬件上都不像当年的MCS-51单片机的时代，寄存器只有128字节，就算16位8096级的CPU寻址空间也仅能支持512kB的存储卡，在那样的CPU上处理以太网数据帧封装和解包这样的任务实在是不敢想象，因此带有以太网接口的PLC在21世纪初期还是很厉害的，如果要处理高速的任务DSP、CPLD更是极其昂贵的，回想起来，即使在上个世纪80年代的PLC，一个逻辑点在当时就达到1000元。

这些问题已然解决，一个手机的处理器就能处理当年登月工程所有计算机的处理能力，而一个芯片才几百块钱，128GB的USB也不到100元，科技的进步也让自动化享用了这些资源，硬件不再是问题。

当然了，另一方面，机器的控制任务也比以前复杂了，早期PLC主要用于处理替代不便利的继电器控制柜，因此，它的任务主要在继电器开关、延时、顺序控制这样的动作，区别于DCS的连续型自动化，但是，今天我们的机器包括了更为复杂的任务，运动控制、视觉、机器人、安全、复杂的工艺算法、液压，包括一个机器的生产数据、配方、用户、报警、趋势、文件等任务，因此，本身对控制器的需求也更为复杂—确切的说，机器对控制器的要求已经早已超越了PLC这个词，可编程逻辑控制器的要求了。

图1-早期PLC主要为了代替复杂而不灵活的继电器回路

（图片来源于网络）

尽管现在大家还习惯上把机器的控制器称为PLC，但是，实际上PLC的形式是多样的，例如PLC会与HMI结合构成一个控制器，这样就省略通信连接造成的不稳定性，另外，PLC的控制任务也可以纳入到工业PLC中，现在的多核处理CPU完全可以支持两个不同的操作系统运行不同的任务，如RTOS和Windows/Linux同时运行。

PLC可以写算法吗？

这个问题大概你可以在20多年前就可以问了，那个时候的PLC就可以了，贝加莱有一款黑色系列PLC，在1993年推出，其运行了一个名为pSOS+的操作系统，可以支持BASIC的编程，这个pSOS+是一个定性分时多任务的操作系统，可以支持复杂的算法设计。

后来的PLC就更不用提了，传统需要专用的控制系统来处理的套色控制任务也被贝加莱给集成到一个PLC上了，因为这种针对多变量系统耦合解耦的算法完全可以用C/C++来编写并运行在一个PLC上。

在贝加莱的集成套色凹版印刷无轴传动系统中，逻辑、色标检测、套色、电子轴传动完全由一个控制器来实现控制。

图2-集成套色控制算法由一个PLC实现处理

这样的应用案例举不胜举，PLC早就可以针对复杂的工艺算法进行处理了。

PLC的网络通信怎么样？

其实，IT在讨论低延时的需求时，是在现有的高带宽需求然后想进入OT时开始的，而事实上在2001年基于百兆以太网的POWERLINK当时就可以达到比较高的响应，最初90个节点（2000个I/O，50个伺服轴）的刷新是2.4mS，现在采用OPC UA over TSN的话这些节点刷新也就100μS了。

那别的通信呢？

图3-支持丰富连接的PLC

2 个USB

1个标准以太网

1个POWERLINK实时以太网接口

1个RS232接口

3个槽位，可选插入：

Profibus-DP主站/从站

Profinet主从

DeviceNet/ControlNet

Ethernet/IP

CAN/CANopen

RS485

通常每个插入的卡可以有两个不同的接口，这意味着X20一个PLC可以支持到的接口最大可以达到11个。

运动控制可以玩吗？

什么！运动控制可以玩吗？——Yes,of course.

PLCopen就是大家平时用的IEC61131-3那些编程的梯形图、结构文本都是PLCopen的标准，在PLCopen Motion Part IV的协同运动控制中，机器人、CNC、定位与同步控制早已纳入统一架构了。

一个PLC就可以搞定了。

在传统的PLC因为CPU仅能处理比较简单的逻辑任务，往往需要一个专用的Motion Control模块，早期采用了脉冲或模拟量，那么需要大量的接线，现在早已采用实时以太网技术进行连接，而另一个方面，运动控制模块这种方式也会带来较低的反应速度，尤其是在PLC的逻辑与运动控制要协同的时候，举个例子，在一个电子凸轮裁切的时候，需要一个外接编码器，而这个在原有的PLC+运动控制模块的架构中，就会因为响应慢而无法达到比较高速的裁切，但是，在ACOPOS系统中可以通过直接的编码器输入解决此问题。

在1997年贝加莱推出ACOPOS系列伺服驱动器时即采用了基于总线的控制，采用CAN总线与PLC的控制器进行通信，由PLC对其进行复杂的电子齿轮同步任务的协同、包括电子凸轮，后来又将NC模块加入可以实现针对CNC的插补运算的处理，到了2010年推出GMC(Generic Motion Control-通用运动控制)，将机器人、液压也纳入了统一的控制架构，并采用了标准化的PLCopen Motion的Part IV协同运动控制进行编程，在此基础又封装可复用的mappMotion模块。

图4-PLC可以处理复杂的运动控制任务

复杂的运动曲线需要高阶的函数支持，而函数的阶次又决定了能够达到的曲线光滑度，而曲线光滑度影响对机械的冲击会带来较大影响，这会影响精度与机器的寿命，由于采用高阶曲线（最大达到六阶），使得传动控制更为平滑，就像乘坐电梯，有些电梯是比较舒适度高的，因为变频器的曲线比较光滑，阶次比较高的缘故。

PLC可以做边缘计算吗？

边缘侧的计算通常会针对一些策略性、优化类的问题，边缘计算是一种计算的疆界扩展，从本地控制到分布式计算，控制器也在其中扮演了非常重要的角色，边缘焦点首先解决连接问题，例如通过Profibus、POWERLINK、CAN等的边缘节点进行连接，在嵌入式节点可以进行一些本地的计算处理如产线的OEE、能源状态显示、资产管理等任务，到车间与工厂级的边缘控制器则可以针对协同、优化、规划类问题进行处理。

图5-PLC可以用于边缘侧任务处理

这样的边缘侧任务可以从一个PLC的边缘连接模块、也可以是一个PLC或一个Windows+RTOS的工业PC。

请参考《轻松入门-什么是边缘计算》。

PLC可以有Web服务吗？

这事都说到十多年前了，PLC早就可以集成一个Web Server或一个VNC Server，通过远程的IE浏览器就可以访问了。

早期的PLC往往采用RISC架构的CPU，而且没有实时操作系统，仅有类似计算机BIOS的处理，其硬件执行的逻辑任务速度极快，但这也使得无法处理复杂算法、复杂的高速信号处理、以太网任务等，而基于Intel复杂指令集的CPU可以运行功能强大的操作系统，可以运行Web Server这样的大块数据任务处理，因此，在X20系列CPU中可以集成Web Server、VNC Server、FTP Server。

图6-基于Web技术的远程诊断

基于Web技术可以实现远程的诊断与维护，并且，支持Web方式的数据发布，任意支持IE浏览器的终端均可以访问远程的设备维护数据，包括通过FTP服务来上传和下载程序。

PLC可以仿真吗？

仿真建模这个大概也发生在很早很早以前，在之前就可以了，2008年Mathworks推出SimulinkPLC的时候，贝加莱就是第一批接受这个接口的，通过C代码导入，由MATLAB/Simulink建模仿真，自动代码生成的程序就可以下载到PLC上，实现硬件在环测试（Hardware In the Loop）。

图7-支持与建模仿真软件的接口

图8-采用建模仿真可以自动代码生成并直接运行于PLC

PLC的安全性怎么样？

其实，安全性包括了三个方面的问题，程序安全性、信息安全、功能安全；

（1）程序安全性：普通的PLC采用的是解释执行方式，这个不难破解，但是，如果像X20那样的，采用了编译系统直接编译为二进制代码下载到PLC，你的确可以把程序读出来，只是你看到的全是二进制代码，你认识二进制代码吗？

（2）信息安全性（Security）：PLC通常控制采用的是非商用的Windows/Linux这样的OS，并且网络也是POWERLINK、Profinet这样的工业实时网络，因此，与通用的系统还是隔离的，即使采用了OPC UA来连接上位系统，其本身也有授权、验证的环节，并且，通常也提供SiteManager的专用通道来建立VPN连接确保数据加密传输。

图9-基于安全的PLC远程连接

（3）功能安全性（Safety）：满足IEC61508、IEC62061、IEC62784的安全规约的SafeLOGIC和软件的SafeDesigner、总线的openSAFETY。

图10-完整的Safety产品线

PLC可以玩机器学习吗？

机器学习能干吗？——没问题啊！

其实，如果我们认识到机器学习是一个“数学问题”即，选择特征值、建立损失函数（或成本函数）或惩罚函数、选择模型、测试评估，那么，你可以发现这些都是可以用软件来实现的。

图11-机器学习算法可以对现有控制任务的数据进行监测

像贝加莱的X20系列PLC支持定性分时多任务的操作系统，以及支持高级语言编程，那么，问题简单了，机器学习的程序相当于高级语言开发的一个线程，并可以对控制器的现有控制任务如一个注塑机射胶过程PID控制进行观测，并获得质量与工艺参数之间的关系（可以采用遗传算法、监督学习），这样就可以获得最优的工艺学习。

请参考《热词科普|[机器学习]在单晶硅切割工艺中的应用》

是的，PLC早已不是那个“可编程逻辑控制器”了。

热词科普 | 「机器学习」在单晶硅切割工艺中的应用

—

颠覆性创新技术不但是投资者追逐的风口，更是实业者努力创造的现实。走过130年创新路，ABB继续在数字化浪潮中御风而行，通过自有实验室实现了众多技术突破，同时携手新兴科技领域全球翘楚，致力于开放式创新。

人工智能、深度学习、边缘计算、数字孪生、Factory 2.0……热词频现，数字化技术与各行业的交汇将产生什么化学反应？数据与算法将如何赋能新制造，重新定义未来工厂？近期，我们将集中介绍ABB最新的科研成果和应用案例，跟我们一起来探寻这些热词背后的真相吧！

今天，人工智能已然成为智能制造、工业互联网大潮中的热门话题，人们赋予了人工智能非常多的期望。然而，人工智能必须要与人的经验结合才能最大程度发挥效能，工业领域的人工智能更是如此。工业生产往往由机械-电气-工艺构成复杂系统，变量多、系统机理复杂相互影响。因此，如何将人工智能的算法与模型和工业现场的应用场景相结合，这个需求本身就是一项创新。如何通过简单方法解决现实问题也是评估创新性的关键一环。机器学习作为人工智能最为重要的内容之一，是解决工业问题的有效方法。

当很贵的「单晶硅」

遇上很累的「多线切割机」

中国是全球最大的晶硅电池组件制造国。

单晶硅电池在长晶、切方后会进入切片工序。在这个工序里：放线轮的钢丝线会经过四个轴绕线（超过3000圈）然后被牵出，经过切方的晶棒会被放于其上；随后，通过在钢丝线上加载石英砂研磨材料将晶棒切为单片的晶片，然后通过后道的清洗、制绒、刻蚀、减反射膜（PECVD）等工序，并经过层压敷设等组装工序成为光伏组件，提供电力供应能力。

多线切割机是生产晶硅电池最为重要的设备，每天都处于连续工作状态，属于负荷非常重的生产设备，它的稳定性及可靠性会直接影响到工厂的产能和产品质量。众所周知，单晶硅棒材价格昂贵，因此如何提高多线切割机的健康预测至关重要。在生产切割过程中，若因为机器故障导致切割出废品，那么硅棒损耗、停机及人工成本带来的损失将非常高。

多线切割机机械结构简图

青岛高测科技股份有限公司（以下简称高测）是国内领先的光伏设备制造商，在过去数年里发展迅速，装机量大幅提升。为了更好地提升用户体验与服务效率，高测在原有基于状态监测的维护之上开发了基于机器学习的预测性维护模型。

「预测性维护」

挑战重重

预测性维护并非是一种全新的设备维护解决方法，在过去的数十年里，它已经被应用于航空发动机、大型鼓风机等诸多领域。

由于采用专用的分析模型，这些预测性维护往往需要对机械失效模型进行深入的研究，而且通常需要配备非常专业的维护人员。维护航空发动机这样的重值设备，尚可以承受高昂的维护价格；但对工业装备而言，这个方法往往经济性不足，并且航空发动机领域的相关知识不易于移植到其它行业，每个垂直的领域都有非常特殊的工况以及系统运行机制。

「数字驱动」

为设备提供稳定保障

数字驱动的机器学习的不断发展，让不依赖于机器固有复杂建模基础上的预测性维护成为可能，通过数据分析对潜在风险进行评估和预测，为设备提供稳定可靠的保障。

/无需额外硬件支持/

高测多线切割系统采用贝加莱的Panel PC作为控制系统。Panel PC是一款集成控制系统，可以将PC的强大计算能力、PLC实时控制能力和Windows丰富的HMI开发能力融为一体。因为具有开放的算法支持能力，该系统仅需在现有硬件和软件平台基础上进行机器学习算法设计，而无需额外配置一套专用的机器学习系统或其它类似AI加速器等硬件。原系统本身就提供了对牵引轴的温度点检测，四个驱动轴分别配有温度检测模块提供采样输入。

多线切割系统软硬件配置架构

/自定义的算法/

非监督式学习的经典算法经实验无法满足该应用场景的需求，因此工程师们需要自定义一种非监督式学习算法，更有针对性地解决该系统问题。得益于Automation Studio平台的开放能力，工程师们可以自定义机器学习算法。

工程师们选择了基于特征提取的非监督学习模式来开展学习过程。在这个系统中，工程师们在众多的参数中（包括电流、电压、温度、速度、位置）中选择了4个轴承温度作为测量点，构建了温度相关特征提取的策略。这是机器学习算法设计的重要一环，即必须确保数据的有效性和内在关联性。

在此基础上，对这些参数进行了适当的算法处理，并获得温度残差，即，温度的斜率 -均值（斜率的均值）得到残差，然后系统对残差数据进行基于以下三个目标参数的学习，寻找其最优值：

1.检测滑动窗口:W（秒）

2.发散水平阈值: α

3.比例阈值：β

通过大量数据的学习（超过20GB数据），以获取W, α, β的最优组合。

衡量系统效果的关键指标在于“检出率”与“误报率”，这两个参数通常成对出现。在设计算法时，追求检出率则会导致阈值设置比较低，误报率就会提高，因此需要通过设置合适的阈值以寻求最优的故障预测。通过在15台机器上数千刀的裁切过程，在检出率90%的情况下，预测性维护系统仅有0.2%的误报率，达到了超预期的学习效果和非常高的投资回报率。

创新就是要在最小投入下获得最大产出。该系统无需额外硬件资源投入而达到极高的预测效果，充分体现了人的智慧与机器的学习完美结合。

▲理论解析▲

Gartner的分析师Carlton在2017年对机器学习架构进行了阐述。简单的说，机器学习正如下图所示，通过输入数据，由学习系统对数据进行处理，并达到数据输出。这里不同的数据包括结构性和非结构性数据。考虑到现实数据源的复杂性，需要对数据进行预处理，进入的数据才可以被学习系统识别。学习系统会借助各种不同的监督或非监督学习算法来处理数据，并生成各种应用结果，例如预测、分类等应用。

机器学习就其原理而言，并非想象中那么高深。机器学习要解决的是一种较为“确定”的应用，但是对于很多机器的控制工艺而言，往往更依赖于人的经验，而人的经验差别较大且不确定性较高。另外，人的经验在遇到新的工艺时候也需要学习和验证。机器学习试图建立一种适应变化的能力，让不同工况下的控制实现工艺最优化。

因此，机器学习在某种意义上来说就是“授人以渔”，而传统模型则是“授人以鱼”。

机器学习包括了监督学习、非监督式学习和强化学习。监督式机器学习主要任务通过机器学习模型和已有信息，对感兴趣的变量进行预测，或者对相关对象进行分类。常用的监督式机器学习有随机梯度、朴素贝叶斯、支持向量机、神经网络、决策树等。非监督式学习是在没有先验知识或信息缺乏的情况下，对数据集的规则进行自学习，主要应用是聚类，主要算法包括K-means、近邻算法、高斯混合模型等。强化学习旨在通过对实际事件得到观察得到行为优化的结论，目前强化学习暂时主要停留在学院派研究中。

未来工业应用场景分析

预测性维护

通过数据（温度，流量，电流，加速度等）监测过程并预测其预期行为的区域，以检测设备故障或生产错误。在传统应用中，我们使用固定阈值，并在物理值超过阈值时生成警报，这种方法需要非常专业的机械模型和失效分析，并对人员专业度要求极高。而通过数据驱动的机器学习方法，可以通过大量的数据采集和学习来实现对故障的预测，在对机器造成不可逆转损坏或重大生产损失之前更好地识别潜在故障。实际应用可以是非常通用的：从注塑机到风力发电机组到过程自动化。

机器视觉

示例主要涉及机器人技术（拾取，放置和分拣）领域，在其他一些专业验证和测量过程中也是如此，目前的视觉算法还无法轻易解决这些问题。

视觉分析是机器学习常用场景（图片来自网络）

机器视觉是最为普遍的工业检测应用，可以通过视觉系统对生产线的加工对象进行检测。相较于传统的依靠人工经验长期积累的机器视觉方案而言，采用机器学习方法可以通过学习构建对产品的分类、定位、识别、缺陷分析等应用场景更为灵活、适应更广且更为经济的方案，并且通过与控制系统的通信也可以实现视觉与机器运动、逻辑的同步。

设备预测性维护相关的振动传感器信息
视觉缺陷监测的学习与预测
生产质量影响因素分析

优化

优化的目的在于提高控制质量如响应速度与精度。机器学习可以消除人类专家微调模型参数（机器动力学，风力涡轮机定向，卷筒张力）的需要，以便最大化奖励：输出生产、过程精度、功率提升。应用程序可应用于任何区域，由于需要与机器进行有效的交互，因此需注意安全限制。

控制

控制是目前大部分研究所关注的一个复杂领域，其目标是让机器学习算法在没有任何先前知识的情况发现流程的控制策略。涉及许多变量并且没有可用分析解决方案的复杂过程（例如电网管理，供应链，化工厂等）可以尝试这种方法。

当然，就目前阶段而言，机器学习必须与人的智慧和知识进行紧密结合，才能更好地发挥效果。

作者|贝加莱工业自动化宋华振

编辑|ABB中国

先进制造业+工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进制造业OT（自动化+机器人+工艺+精益）和工业互联网IT（云计算+大数据+物联网+区块链+人工智能）产业智能化技术深度融合，在场景中构建“状态感知-实时分析-自主决策-精准执行-学习提升”的产业智能化平台；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

产业智能化平台作为第四次工业革命的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎；重构设计、生产、物流、服务等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态和新模式；引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能化技术分支用来的今天，制造业者必须了解如何将“智能技术”全面渗入整个公司、产品、业务等商业场景中， 利用工业互联网形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。