随着工业互联网的热炒，使得自动化在其中扮演了一个越发有意思的角色，一些缺乏对制造现场了解的人总是会把PLC理解为就是做逻辑控制的，而且提起现场总线总是CAN、Modbus等，似乎自动化是一个“传统产业”，一个已经过去的时代，人们喜欢用自动化、信息化、智能化来为智能制造进行“断代”来阐述其关系，然而，事实却并非如此—因为，自动化是一个不断在进步的领域，而且，它是一个纯粹的应用产业，它所有的创新源泉来自于“客户需求”。
今天，我们有必要重新梳理自动化——它不仅是控制、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
开放互联成为必然趋势，在经历了现场总线、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，复杂的现场总线和各种协议使得IT访问OT变得异常困难，不经济，成为了推进工业互联网的第一大障碍。
OPC UA是一个推行“普通话”的过程，它使得各家不同厂商的控制器可以被采用统一语言，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的解决方案，即将进入批量运营阶段。
如图1所示，OPC UA为整个智能工厂提供了在上下游供应链、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提供了保障，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”中的高品质、低成本要求。
但是，在底层执行中，会遇到一个“机械”的刚性连接障碍，因此，为了解决这个问题，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，它带来的改变在于：
（1）传统的产线复杂性、精度、柔性问题被解决；
（2）满足个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
它本身代表着电气控制向机械的延展，运动控制迈入了机电软一体化时代。
3.边缘计算
边缘计算主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、策略问题的解决，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
自动化厂商积极的融合IT技术，解决现场的问题，作为一个衔接制造现场和IT的中间层，边缘计算解决了本地的设备集成、OEE计算、能源计量、运营维护、品质管理的功能。
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，发挥各自的能力，包括与云端服务的对接，自动化可以为其提供基础的制造现场数据，以及预先处理好的结构化信息。
4.机器学习
今天，我们讨论机器人工智能，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—是否有足够的计算能力，以及如何与对象结合。
事实上，在早期的控制器即可以实现复杂的控制，例如，贝加莱在90年代初即推出基于pSOS 定性分时多任务的操作系统，已经可以支持高级语言的编程，今天的PLC已经可以直接运行基于C/C 等高级语言开发的程序，基于PC架构的控制器可以通过多种形式来实现机器学习、人工智能的算法运行。
图4-机器学习可以直接运行于PLC
实际上，机器学习并非那么神秘，简单说，自动化系统最大的优势在于已有的机器控制模型，在这个模型上加一个观测器，采用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，只要数学上有模型，即可编程，并运行于控制器上。对于更为复杂的学习，其同样是可以在控制器上编程的，很多人理解的PLC是逻辑控制，但是，像贝加莱的控制器早已可以采用高级语言编程—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
对于一些简单的机器学习而言直接在PLC上即可运行，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，并同时并行运行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，因为，智能通过软件来实现，简单的修改即可实现复用，而且，软件本身在智能制造中的角色也变得更为复杂，我们会惊奇的发现，自动化行业里无所不在的软件，无论是RTOS还是集成开发环境如Automation Studio，还是针对行业应用的标准化PLCopen库、以及为了实现开放互联的Web服务器集成。
图6-自动化软件价值体系
软件正在成为自动化行业的核心竞争力—数十年于各个领域知识的积累，并且在未来，这些积累的控制对象与模型成为知识集成的基础，也为数据分析与人工智能奠定基础。
6.机器视觉
随着生产的集成，自动化正在将视觉系统也纳入到其架构中，在2018年，贝加莱即推出“集成视觉”，这个视觉系统将机器的逻辑、运动控制与视觉感知在统一架构下进行编程开发，实现最为直接的同步，并且，解决由于传统视觉与自动化系统之间的“通信连接”、“配置”、“编程”的壁垒，这带来很多好处：
►无需复杂的网络配置；
►可以无缝的软件变量耦合；
►可以最高级别的实现同步关系；
►避免多个软件的衔接影响各自性能的发挥。
图7-集成机器视觉
集成视觉为机器与产线协同提供了最为有效的改善，这将成为未来视觉发展的一个趋势。
7.建模仿真
个性化制造最大的挑战在于“开机浪费”、“测试验证”中的浪费，这往往是一个烧钱的过程，因此，在过去的数十年里，建模仿真技术一直应用于机器与系统开发，然而在过去，仿真后的程序又需要复杂的过程才能实现在控制器上的运行，而自2008年Mathworks推出基于C代码自动生成的工具，贝加莱Automation Studio即可实现一键导入，这样可以直接在控制器上运行自动代码。
另外，通过与MapSim通过FMI接口，实现机械、电气控制的协同仿真，这样的方式可以让机电一体化更为紧密的结合，在系统中对传动链、控制逻辑与对象进行融合，并实现虚拟环境中的测试验证。
图8-基于数字孪生设计的ACOPOStrak应用
建模仿真也构成了今天“数字孪生”概念的核心部分，在图8中，通过MapSim的建模可以与控制对象的模型进行交互，并通过Scene Viewer实现三维呈现，可以直接在控制器上运行并反馈现场实际传感器回馈数据，实现真正的数字与物理对象的交互，为早期验证与虚拟调试提供便利。
建模仿真是一种创新性的开发方法，在今天，我们越来越多的应用这些方法来解决很多产业问题：
（1）早期验证与测试，虚拟调试，最大程度降低测试验证成本；
（2）开发可复用的软件模块，降低系统开发成本；
（3）通过自动代码生成降低开发成本。
……
自动化显然已经不是那个自动化，然而，自动化永远都是以“用户为中心”的产业，开放连接、集成各种领域知识，一切都是为了让制造业的用户体会到“质量的不断提高”、“成本的不断下降”、“快速交付”，以及今天更为“个性化定制”的需求。
