本文为10月23日南通，由信通院与江苏工信局联合举办的工业互联网会议上的分享，感谢会议主办方提供的速记笔录，据此成文，讲了1个小时居然有12000字，真是省略了多少码字的功夫啊！觉得还是有必要贴出来与大家分享。
对于智能制造，首先我们要探讨的是为什么要推进智能制造？就共识而言，智能制造的核心问题在于解决个性化的生产问题，如果没有个性化生产这一核心驱动力，那么也不需要探讨智能制造，需要提升自动化去生产就可以了。
一、制造业面临的挑战
图1-制造业面临的挑战
首先我们一起探讨制造业面临哪些挑战？
如何让我们生产去响应市场变化的需求。因为现在我们在超市里看到，可口可乐发现标签的种类会非常个性化，包括江小白这种白酒它都是个性化的。在印刷行业，以前的一个订单可能会是30000米，现在一个订单少到3000米，很多领域都是这样，有很大的个性化的需求。
但是个性化并非那么美好，因为个性化对生产企业而言其实是一场灾难，为什么这么说呢？因为按照现有的生产模式，个性化一定会带来质量的下降和成本的上升，与交付能力的一个拉长。举一个例子，印刷机有开机浪费，印刷机放卷经过印刷单元和烘道再到收卷，第一个纸路是浪费掉的。因为不可能一上去就能印得质量很好，再精湛工艺的老师傅也做不到这一点，我们就会发现，这个开机浪费如果是100米，对于大订单来说，这个浪费比如说一万米的订单来说，浪费100米，这个不良品率是1%，但如果这个订单变化到2000米的时候，你就会发现不良品率上升到5%了。还有一个问题，由于订单的切换重新穿纸，而这个过程要浪费时间，我们叫工艺切换时间。包括像注塑机打一个产品，比如说我们生活中非常多的塑料件，这个注塑机生产也是一样的，第一模打不好的，因为先打了以后看一看这个产品行不行，看看参数，温度高了还是低了，这些生产需要调校过程，这个过程都会造成浪费，我们统一归结为开机浪费。
所有这些开机浪费都会让生产的时候，其它的浪费包括由于机器不稳定运行而造成的不良品都会成为成本。也就是说个性化其实会带来我们很多生产成本的上升、质量的下降，交付能力的下降。这就要求我们如何应对这个挑战，这也就是我们所有智能制造要去讨论的问题。
还有就是机器变得更加复杂，包括现在智能制造是跨学科的，不仅包括机械、电器、软件、人工智能、机器学习甚至通过机器的互联以后，我们对它进行全局的优化，这些都需要我们去使用一些机器学习的技术，来实现一些对问题的解决。还有一个就是如何让机器更容易使用，如何让生产连续。
我们知道生产主要分成两大块儿，制造业现场生产主要分为两大块，如果让我归结智能制造的本质是什么？大家会发现制造的本质会材料进行物理和化学两种加工。比如说流程工业，比如说石化、制药这一类工业都属于对材料进行化学的一个反应，而对比如说手机、电子制造业，对包装的，这些领域你会发现对材料进行物理的加工，比如说我们举个例子。
在座每个人桌上都有一瓶水，它是把塑料颗粒熔化，然后吹出瓶子。这是一个物理的变化，然后旋盖、贴标签，包括钣金加工的冲压成形，其实印刷也是把油墨压到纸上，所有这些都是一个物理的加工。
也就是说在加工里面怎么样发现让我们的生产质量更高，成本更低呢？第一如何让质量更高，加工精度、加工速度这些效率更高。
第二个问题是如何使用更少的材料？比如说我举个例子，太阳能光伏，单晶硅片。10年前接触光伏行业的时候发现晶棒切片的时候多线切割机是一根金刚线沿着四个棍子绕1000圈，把这个晶棒放上去，这个金刚线上面涂上石英砂，把晶片磨出来的，磨出一片一片的，切成一千片。
今年我们7月与客户交流的时候，发现他们采用了更细的金刚线，可以一次绕3000-4000圈，也就是说，它一次可以比以前多切2000多片。这些材料更为节省，因此，今天我们会发现现在光伏的电价成本已经下来了。
为什么呢？就是因为技术的变革使得可以同一跟单晶硅的晶棒可以切出更多的晶片，这样的话，整个成本就会下降了。所以说，我们如何更节省使用材料？比如说我们桌子上的瓶子，我们做的机器控制，主要控制他们瓶子的壁厚，因为瓶子的厚度太厚会很浪费材料，比如说浪费一克，每一个瓶子都浪费1g没事，但是你知道一年生产多少个瓶子的时候，你就会发现一克是很大的量。
如果每一个瓶子可以节省一点点的话，这个量都会非常大的。贝加莱在塑料行业也为用户提供壁厚控制，壁厚控制就是让瓶子最均匀，怎么均匀呢？太厚浪费材料，太薄不合要求，我们所有的生产过程都怎么样让质量更好、成本更低，如何更节省材料，使用更少的能源，使用更少的机器时间。
谈到时间，在精益生产里面有一个我们把所有的生产过程分为增值和不增值两部分。
什么是增值呢？就是生产出合格的产品，这个叫增值过程，如果你生产出不合格的产品那就减值就是浪费。等待的时间，工艺切换机器维修的时间，或者是机器减速所有的都是浪费，我们如何让我们的生产不断去让他生产出给高质量的产品，单位时间生产出更高的产品，比如说我们为什么要做能源管理呢？过去针对100万个产品进行统一的能耗计量，但如果说我们现在批次变小了，我们计算成本的时候，我们就需要对能量进行更精细的能源剂量体系。剂量到每一个产品，比如说我一个订单，以前是一百万个瓶子的需求。我总共多少能耗，我就可以计算出。但是我现在接这个订单我核算成本的时候，我要核算这个订单只有一万个，我这个成本怎么核算，能耗怎么计算？
我们为什么讲预测性维护呢？是因为过去我生产一个产品，一个订单我可能要打一个月，那我某台机器停机两小时没有关系，但是这个订单只能打一天再停两小时，这个时间对工厂来说是不可承受的。
所以他时刻保证机器处于一个健康状态，能够稳定的生产，因为只有稳定可靠的生产，才能让我们印刷机变成印钞机，才能让我们的包装线变成印钞线。比如我们在工业现场里面管理运营，我们经常讲OEE，设备的综合使用效率，这个设备综合使用效率怎么去理解呢？比如说如果一个生产线的OEE是80%，那就意味着80%的时间在帮我们生产出合格的产品，在帮我们赚钱。另外20%的时间在帮我们浪费，如果OEE到60%的话就意味着60%的时间在赚钱，另外40%时间在浪费。也就是说说个不好听的话，可能你要去核算一下你会发现40%的浪费比你60%赚钱的时间还更厉害，这个工厂就亏损了。对企业来说，我们怎么样去提高我们的生产效率，提高我们的质量成本交付能力，这个是我们要去解决的问题。
二、自动化技术发展趋势
今天我们要去通过技术，比如说通过设计概念的变化，通过新的设计方法，比如说通过数字孪生技术，通过积极学习这些技术来去优化我们的生产，寻找生产里面的问题。
图2-自动化发展趋势
第二个问题比如说用数学的方法，其实数学方法数据拟合、优化算法、自适应控制，包括各种各样的数学的方法来解决这个。
今天很多在讨论人工智能讨论机器学习，其实这些都是数学问题，不要把那个东西讲那么高大上，它基本上都是数学问题。你去翻阅人工智能的历史你会发现人工智能在工业里面，因为人工智能里面有三个学派，我们连接主义、符号主义和行为主义，其实行为主义很多工作就是工业自动化，工业控制领域里面在做的工作，比如说在工业控制里面最典型的我们叫PID调节，它其实就是数据驱动控制的方法。
所以说可能在我们做工业控制的人来说，所谓的人工智能并非新鲜，它过去没有发展起来是因为算力不足，其实整个美国的阿波罗登月工程中，所有的计算机的计算能力都比不上在座今天每个人手里拿的那部手机的算力，今天人工智能为什么能够发展是因为今天的计算机的处理能力到了，所以才会可以投入使用了。
因为它有了经济性，有了经济性直白说就是它变得便宜了，所以才可以使用。也就是说我们所有的工作，任何的技术如果没有经济性是没有意义的。对企业来说就是这样的，你跟我讲再好的技术，如果没有经济性，不是一个成本很低的技术，那让我再等五年、十年也行，你们可以先去讲你们的故事，我慢慢等着。
还有就是IT和OT的融合，为什么这里要提IT和OT融合，是因为如果我们放在全局看工厂的生产，我们就必须把机器到产线到车间到整个工厂，这个数据汇集起来，然后我们在这里面寻找发掘可以提升的空间。
比如说举一个例子，我们生产酸奶，酸奶发酵完了之后，后面要进行杀菌和处理。如果说，他们的时间节拍不匹配，后面已经加热了，产品还没有来，我加热不就浪费能源了吗？所以说我们通过一些细节上不断的节拍上的匹配，通过连线以后，去发现节省中间的一些不必要的我们说不增值的环节，我们把一个离散的生产变成一个连续的生产。
其实在流程工业自动化程度是非常高的，因为流程工业本身就是一个连续的生产，就是一个自动的生产，所以像电力、石化实际上自动化程度非常高的。
还有就是知识自动化，就是如何让我们的知识复用？比如说在座很多人在某一个领域的知识积累非常深厚，这些知识如何被显性化使用，被重复使用。包括我们在系统开发的时候，如何让软件的代码可以复用。而不是说每一次编程序，每换一个机器、换一个应用就得重新写，我们要把共性的知识抽取出来，然后让他变成一个可被复用的知识，以软件的形式去重复使用。软件也是可以复用的，家里的锅碗瓢盆可以复用，软件也是可以复用的。我们去看连接，我们如何去全面理解智能制造，包括工业互联网在里面扮演的角色，首先我们回到精益生产，其实生产制造只有三个问题
1、质量。
2、成本。
3、交付。
三、精益、自动化、信息化、智能化之间的关系
图3-精益-自动化-信息化-智能化之间的关系
首先我们谈精益生产，实际上是我们整个质量一个根基，我们讲数字化，其实数字化的根基在哪儿？数字化的根基并不是我有计算机系统，我有ERP叫数字化，数字化的根基在精益生产上，如何让生产运营能够最高效。如何量化分析，如何量化分析我的质量，如何量化分析我的加工过程。
比如我们叫标准作业，作业标准。你像当年泰罗制都能分析到每一个人的东西，拧螺丝多长时间，怎么让时间更短，怎么训练这些人，实际上拧这些螺丝，所有的这些都让生产，比如说产生了非常多精益生产的工具包括很多精益生产的理念，非常非常多的管理运营工具其实都来自于制造现场。
其实很多人如果学管理学的话都会发现，大量的管理学思想是来自于汽车制造业。包括电子制造业这些领域，因为这些领域里面，你想汽车，制造一台汽车比如说一台20万的车，你要想车零配件重新组装的话，这个车至少一百万，怎么才能把它变成20万的车呢，而且他还赚钱，这就是经济生产，让他能够实现的过程，也就是说如果没有好的经济基础的话，其实这个智能制造很难推动和运行的。
自动化解决哪些问题呢？解决运动控制，解决精度问题，加工精度、加工速度、工艺切换。这个信息化实际上是解决边缘计算，解决控制是基于信号的，而边缘信号是基于信息的。而基于信息的问题是解决策略问题、调度问题，比如说我们最容易理解就是高铁，高铁就是一个调度系统，来给所有的节点，不同的需求，各个站大家怎么调度最重要的问题不要碰撞，这是一个调度的问题。
什么是智能化，智能化实际上是一个什么问题呢？实际上在我们解决这些问题的时候，如果我们用机理模型，用那个已有的、化学的，物理这些模型，不能解决这些问题的时候，我们可以用，或者说要解决一些非线性问题的时候，我们需要用智能的算法，学习的方式来解决，这个其实这样理解吧。
我们来理解什么是自动化，自动化就是我控制一台小车能够精准的到一个位置，而一百台小车如何协同工作，那这是一个计算问题、调度问题。
智能化是什么呢？如果我们去对一个控制过程进行观测，并对其设定一个成本函数来约束，寻求系统最优解（参数、相关性），当这个成本函数可以被求导我们理解为一个线性问题，但如果不能则属于一个非线性问题，这个问题不能用已有的模型解决的。
有一天我注意到微信群中两个朋友讨论预测性维护，我发现这两个人讨论可有意思，他们俩说的话似乎并不是一种语言体系里的人，而且显然他们自己也是相互并不理解的，但是我看明白了，他们俩说得都是一件事，后来我明白两者的差异。一个方向是通过机械系统的失效模型。就是一个金属材料在这种加工状态下、运动状态下怎么失效的，怎么被磨损，机器什么时候出故障，这个我们叫做机理模型分析。
另一个人谈的不是这个话题，他只看振动信号，或者温度信号，看这个信号以后就预测这个信号这个趋势会怎么样，这是数据驱动的一个预测性维护，其实解决问题的这个方法有很多种，有一些人通过机理模型，有些人通过积极学习的方式，数据驱动的方式来解决这个问题，那数据驱动的解决方式的优势在哪呢？他不需要人掌握非常专业的知识，只要看数据，自己去学，但是机理模型具有可解释性，人工智能在工业应用最大的问题就是可解释性问题。
所以说人工智能有一些问题，有不可解释性问题，导致人工智能在工业应用其实它是有些局限的。因为工业里面不允许99%正确，要求的是100%准确。只要有一次1%的不准确，就可能会出人命，可能跟商业场景应用不一样。
比如说手机，手机断线了有什么影响呢？不会出人命，但是在工业里面如果说机器连接断线了，真会出人命的。
所以OT人跟IT的人思维方式是不一样的，比如说我们讲通信，IT的人讲通信的时候会讲up to，最快可以达到多少，但是你知道工业的人讲通讯的时候，是讲最差（Worst Case）情况是多少，这是两个完全不同的思维方式。
工业互联网其实整个障碍是什么？障碍就是互操作问题，这个是2014年美国的工业互联网组织他们做的一个调研，其实我觉得这个问题到现在还没解决，虽然是2014年的调研，但是我认为比如说今天没有解决，明天也解决不了。或者在未来十年内你都看不到完全解决的一个现象。
图4-IoT推进的障碍分析
这个什么叫互操作呢？5+5是不是等于10，但是我想问的问题是5厘米+5英寸等于多少？这只是个例子，我们想表达大家要使用相同的标准与规范，所以需要一个统一的语义的一个定义，就是说在工业现场里面，这个话题如果是做工业的人肯定会知道现场总共有多少现场总线？据说这个世界上有多少家做PLC的，这个世界上就有多少种现场总线，现场总线的种类有多少？当我们的互联网我们所谓的云端或者ERP访问现场的时候，你要写各种各样针对不同的总线的驱动程序和调试这些驱动程序，你会发现这是一件让你崩溃的事情。而且很多协议是不开放的，你还得猜这个数据是什么？工业现场有互联互通互操作三个层面的问题，还有更高层面的叫互换。目前就工业场景而言还互换不了，但是PC的USB口可以互换的，任何一个设备加进来都可以去用，是可以互换，在工业这边没有办法解决问题的。然后有的现场总线变频比如说1和0的变频也不一样，有的是10伏的有的是15伏的。间距也不一样，每一个节点之间间距有一百米的，有五百米的，有一公里的，带宽有1兆的、2兆的，有512K的，有非常多的变化。到底现场有多少中协议呢？我们了解自动化行业一家做SCADA软件的公司，他们针对不同的总线与协议连接的时候有5000种驱动程序。IEC组织定义的国际标准中现场总线就有18种，后来产生了很多的以太网，这个以太网是标准以太网用不了，没有实时性，产生的实时以太网。实时以太网实际上解决什么问题，就是统一使用的100MB，各种方式都是一致的。但是还保持以前的，所以各种各样实时以太网。也就是说物理层使用这个以太网的基础，但是应用层还保留原来的应用层。还有就是他们无法实现互操作，就是我们说数据，你比如说你这个60000H这个地址的数据是什么，是电流还是电压，不知道。每一个协议对应的数据都是不一样的，所以就产生了一个无法进行互操作的问题。
图5-工业总线发展趋势
所以工业规划采用OPC UA去解决互操作的问题，而TSN来解决这个通信的物理统一性问题，这就是我今天跟大家讨论一个OPC UA over TSN的一个工业互联网基础，在工业领域里面一个基础的问题。我前面讲的在工业4.0包括智能制造里面，它对这个网络的要求，包括很多方面，包括互操作性，可视化、分布式、实时面向服务模块化一些需求。这些需求要怎么满足。
OPC UA有很多优势，它的核心优势在哪呢？信息模型，就是如何为工厂的数据建模，这是一个很关键的环节，如何让数据建模。图6就是关于OPC UA的整体架构，它包括了几个方面：（1）.通信支持能力：它提供了针对Client/Server的传输，以及Pub/Sub的传输机制，即发布/订阅的机制，这种机制更为适应于云端数据与现场的连接，降低网络负载。（2）.信息模型，包括了元模型、DI-即设备集成信息模型，内嵌的历史数据、报警、日志等基础数据相关的信息，第2层就是垂直行业信息模型，针对塑料、包装、机床等行业的信息模型，再上就是企业自定义的信息模型。（3）.安全的传输机制，尤其在互联时代，信息安全也至关重要，OPC UA也提供了信息安全方面的保障机制，包括授权、权限管理等。
比如说我们在塑料行业，如果没有统一的一个规范的话，我们知道你要访问一个设备你需要干什么，没有OPC UA，其实这个问题也能解决，你就写程序往下写就可以。但是如果有这个OPC UA的标准信息模型的话，其实你只要读取注塑机的工艺信息，他会把相关信息打包传上来，这样的话会简化工程项目的实施时间。一家朋友公司做锂电池生产线了，这个生产线有两百台设备。他说为了把设备连起来构成完整产线，每个设备配置参数需要花费四个小时，就是说光配置参数这件事情就需要800个工时。
现在很多所谓的工业互联网平台，其实在我们看来，就是干一件事——体力活。就是把不同控制器的数据统一导到一个统一的标准上来，就干这件事。我们讲这些OPC UA有哪些应用场景，比如说数字孪生，什么是数字孪生呢？数字孪生就是虚拟世界和物理世界动态交互问题，数字卵生有很多概念在市场上流行，其实很多并不是真正的数字卵生，首先第一是数字主线，必须从设计端到生产制造端再到运营维护端，整个虚拟数据建模的问题，建模了以后通过数据采集，把数据采集上来以后，我们去分析生产中的问题。比如说我突然发现正在加工的产品质量有问题，我可以去调整，动态的要去优化生产工艺参数，这个过程要有一个南向数据和北向数据，就是从底层往上传，我们叫北向数据。数字孪生系统优化了以后，对参数进行优化通过模型分析进行优化以后，把这个结果通过南向数据发下去，这个过程我们叫实时交互，这个需要一定的实时性。这个数字孪生的话，其实就是我们可以看，比如说左边，是一个实体，就是一个物理的对象，这边是一个数字世界，数字对象。
图7-数字孪生系统构建
比如说我们在软件系统里面，你可以对生产过程进行数字的建模，数字建模跟物理的对象实时交互，有哪些用途啊？比如说早期验证，实际上在所有的开发里面，真正最耗费时间和耗费成本的，其实是测试验证过程，验证你这个生产产品，包括生产过程是不是合理最优的，这是一个测试验证的过程。这个地方实际上最烧钱的，中国在过去很多年数字化这一方面其实是比较薄弱的原因在哪儿呢？我说一个你们不太爱听的，其实我们很多的机器是抄的，抄的意思就是别人验证过了，其实我们没有真正花钱在那个特殊验证的环节。真正的系统机械系统的设计，最烧钱的就是测试验证，在每个行业都是这样，印刷行业要试不同的纸张、薄膜在不同的印刷速度、加速度等工艺状态下的控制最优参数，注塑机要打不同的厚度、规格、材料的产品来测试其工艺，不仅如此，对于机器的生产运营者同样如此，需要测试不同的产品，包括节拍、匹配的工艺等等，都需要测试验证，而数字孪生则是以“虚拟”的方式为“现实”的生产提供各种测试验证，降低成本，这也是数字孪生之所以现在火热的原因--因为当变化更为常态化的时候，这种验证如果还是物理的，那么就会非常耗费成本和时间。OPC UA其实可以通过对终端用户特别感兴趣，就是说我希望测试验证，这个虚拟的数字孪生体，最后实现的时候，实施到具体对象上的时候，希望这个对象是不约束于任何一家公司的。不能说必须跟一些绑定，如果使用统一的数据交互借口的话，也就是说开发了一个应用，开发了一个系统，那它下面的控制器是谁？下面的执行机构是谁？对它来说并不重要，它只用统一的数据接口，只要去交互就可以。
图8-数字对象通过OPC UA与物理对象交互信息
还有一个数学方法、机器学习，包括数据拟合，一次性维护，这些维护的话其实很多人对这个人工智能比较推崇。我前段时间写篇文章叫做人工的智能，其实目前的人工智能大部分时间实际上是人在工作，为什么呢？这个机器学习包括人工智能最核心的地方在哪呢？不在学习机器干的那部分，在人干的那部分，人的智慧是什么？你如何对这些数据进行预处理，选择什么样的数据？汲取什么样的特征值，对这些数据的相关性，比如说跟质量相关的有温度有压力、有各个值，哪些跟质量最相关的呢？如果选这个值不对，或者说你采个数据数量很大，但是你采是没用的数据，相关性很低的数据，这没有意义呀。你学半天学的都是错误的结果没有意义。所以说选择什么样的特征值，对这些值进行怎么样的处理，数据清晰，这个过程也就是说在人工智能的学习过程里面，其实70%的时间是耗在人处理数据的那部分了，而学习那部分，机器学习那部分，以机器的算力来说，那个就不是问题了。也就是说现在人工智能很多都在前道的处理方面。人工智能也需要我们讲OPC UA的信息模型，也需要一个结构化的数据，你不能来了数据各千奇百怪，乱七八糟的数据过来，需要有结构化的数据，比如说温度压力，按照一个顺序、逻辑关系，带上时间，每一个信息上都有时间，它在什么时间产生了一个数据。
图9-OPC UA为机器学习提供了结构化信息
时间上有什么相关性，这些都可以通过结构化的数据来分析，还有一个有效的传输，再一个有价值的信息，有价值的信息来自于垂直行业信息模型提供的在这个行业里面，比如说塑料行业、包装行业、印刷行业，各个行业有自己行业里面的工艺参数，这是有价值的信息，你不能弄一些没有价值的信息，云可以撑爆了。下面一个是TSN，为什么要讲TSN的话，就是因为在工业现场有很多应用，有一个我们讲IT和OT融合，但是IT数据和OT数据是两个非常大差异的数据，IT的数据基本上都是以非周期数据为主的，但是工业数据基本上都是实时数据，我们叫周期性数据。因为所有的工业控制是基于等时同步的，这个PID调节是每一个周期，我举个例子，比如说微信的支付，这就是一个非周期的操作过程，就是说你扫了码，输了密码，按确认，这是一个支付过程。什么叫周期性？周期性是自动的，自动的去扣钱，我们就说我们可以到1mS，1mS每一次扣1分钱，我算了一下，一年能扣三千万，这叫周期性的数据。每隔一毫秒扣一次，每隔一毫秒扣一次，这叫周期性数据。非周期性数据什么意思？你按了以后才扣一次钱。那么这是工业跟IT跟商业数据最大的差别就是工业数据是周期性数据。周期性数据和非周期性数据在过去是无法在一个网络里传输的，因为标准以太网是抢占式的网络，这个网络上去不断的侦听这个网络有没有空闲，有空闲的话才能传输数据。所以必须等待，等待在工业里面是不允许，工业里这个数据你说是一毫秒还是一秒钟，这个周期是多少？根据需求不同，但是它要求数据的刷新具有“确定性”，即每一秒或者每一毫秒刷新一次这个数据，必须是确定的周期。比如说我们平时控制要求的周期一般像印刷机，都开到400微秒刷新一次运动控制参数，有些高速应用可以到31.625微秒，我们要每隔多少微秒刷新一次数据，用初中物理最简单的公式叫S=V×T，就是位移等于速度乘以时间，我们做一个求导。△S就是精度，就是让位移细分到精度上去，△V是速度的变化，△T是时间。你想让精度越小，△S越小，△V越大就是加工速度越高，你只能让△T越小越好。也就是说，加工速度是一微米，你可以算出来△T必须是一微秒。机床的加工速度是1m/s，加工精度是1μm你可以马上算出来，△T是μS的。当然不可能这么快，加工精度是1μm的还要加工1m/S，全世界的机床都做不到的，因此速度可能放在1mm/S。我们说工业互联网连接了以后，发现工厂里不仅仅要连接实时数据，还要连接非实时数据，非实时数据跟管理运营OEE有关，跟质量有关。这些参数并不是用来控制的，但他要跟运营管理、质量分析、预测性维护，能源检测包括跟我的数字孪生系统进行实时交互。跟边缘计算实时交互，都有关系的，所以这些数据也要实时，就会存在周期性和非周期性数据必须在一个网络传输的问题。TSN网络实际上工信部去年也提到了在未来我们要开发的，包括TSN网络，所以为什么我最近发现，OPC UA和TSN这个基础在各个领域里面突然一下热起来了，昨天我就在北京参加了一个TSN的一个技术工作组，包括信通院其实AII里面也有一个组，也是在讨论TSN技术，这个技术实际上就是我们说的OSN模型里面的第二层。第二层里面增加了一个比标准以太网增加了32个数据标签，代表这是一个TSN网络，他是一个桥接网络，以前的工业控制里不使用交换机，只使用HUB。交换机有延时，交换机的延时大概是125微秒，因为125微秒的延时对工业来说是不允许的。TSN技术的关键实际上是一个时钟调度，时钟的同步、数据调度、系统配置。时钟调度是什么意思呢？就是说我们在座所有人要对表，就像过去打仗对表。因为各个部队要按时间协同工作，否则的话我这个空军轰炸了一翻，我的步军都已经走到前面了我还在轰炸，就把自己干掉了，所以要按照一个时间节拍去工作，你该什么时候各个战斗单元到某一个单位都是要对表的，对表实际上所有的包括手机工厂的生产，其实所有的这些都是跟时钟有关的，跟对表有关的。咱们在座的所有人来看，谁的表最好，最好的表一般是精度最高的，表的时间跟GPS对表是一样的，就是对全球最精准的量子表，因为那个表始终精度最高的，比如说我们在座的每一个人戴的表不一样。有人拿出一块百达翡丽，这个表最好，就是主时钟。对完表以后，这个系统会把这个时间分发给每个人，每个人就会看到这块表，跟自己表对一下，这样表对准，统一的时钟，大家时钟基本上是一样的，然后才能工作，为什么呢？所有的工业控制还是工业互联网还是通讯都是基于时间的，所以时间的精准度是非常重要的一个环节。
图10-TSN标准系列
整个TSN实际上是由各种标准构成的，主要是由时钟同步，包括时钟调度的IEEE802.1Qbv，IEEEQbu+IEEE802.3br、IEEE802.1Qch一些标准构成了整个调度的过程，IEEE802.1Qcc右下角是做网络配置的，也就是说，在这个网络每一个人的需求是不一样的，有的人对带宽的要求不一样，有的数据量不一样，有的人数据量可能只有一个温度、压力，16位，两个字节。有的人可能数据量比较大，视觉或者图像，VR、AR这些数量是比较大的，它要求的带宽是比较大的，但它可能实时性不是很高，要求一秒传一次，有的人可能数据量小，但可能一百微秒传一次，那么整个所有的需求过来以后，会有一个统一的调度，这个算法。这个角度计算完在网络里面每个人怎么走，就相当于发一个路由表给每一个节点，每一个节点看到数据过来以后，就知道该怎么往哪个口转发，应该怎么处理，应该是这样配置的过程。这是工业里面，这是太技术就不需要讲那么多，可以稍微提一下。CBS是汽车行业在用的，他们汽车行业一个对实时性要求没有那么高。因为相当于一个数据包到网口以后其实有一个数据监测，是多少个位数据，进行校验，数据包有没有丢包，或者说有没有数据传错的情况，然后进入队列，有一个传输选择，交换机要排队然后转发数据，这里面有个调度策略问题，CBS就是一个基于信用（Credit-based Shaper）的整形器，就是说有两个队列，有一个队列在传数据的时候，它的信用会下降，而另一个队列没有传数据，它的信用在上升，当传出去信用到零的时候，另一个队列就开始站，他们两个队列是交互的，交替传的，传的时候信用会下降，不传的时候信用会上升，在他两个队列之间进行交互，剩下六个队列就是我尽最大努力给你传，但我不保证给你传到，因为数据其实分成预留通道，预先调度的这个数据，实时数据。工业里面主要使用的是时间感知整形器(Time Awareness Shaper)，它是一种把这个数据队列分成几类，每一个周期它有一个门控制器，给每一个数据队列开门让它走，有些什么队列呢？就是我们预先规划好确定性的数据，在每一个周期的第一时间它先走，特别通道、VVIP通道，是属于实时性是最高的，在每一个周期的第一个转发过程就先走。第二个通道是Reserved Traffic，就是高速公路不是最右边有一个预留车道嘛，它并不是每个周期都有数据传，但是它一旦有数据传就必须走这条通道，这是消防车，救护车要走这个通道。剩下那些车，你们就随便走吧，按照优先级，就排了优先级，谁的优先级高谁先走，优先级高的人走完了以后，优先级低的走，其实就是这样一个过程。那么还有一些更优的算法，比如说因为这个我们叫TAS整形器，为了保证数据网络一定是空闲的，留了一个保护带宽（Guardband），这个保护带宽其实有一个以太网那么长，一个标准以太网是1500字节，这个1500字节大概消耗了1.5微秒，这个时间也挺浪费的，所以他们有另外一种方式叫抢占式MAC。抢占式MAC还有一种情况是怕低优先级反转，就是低优先级数据太大了，传半天还传不了，带宽占着怎么办，就是强占。就是高优先级的可以强占低优先级的数据传输。你先别传了，你先放到堆栈里面去，等我传完你再传，你可以把低优先级的带宽预留下来，让他在那边等着。所以这是几种传播方式，看的话就不用讲了，我又不是来讲技术的。这是网络配置，还有就是我们OPC UA的演示系统，是我们在2018年的SPS全球最大的一个自动化行业的一个展会，两百个IO栈，大概相当于接近一万个IO点，大概9600个点，加上5个高清摄像头，我们刷新了时间是100微秒，抖动大概是50纳秒。
图11-贝加莱在2018年SPS推出的OPC UA over TSN演示系统
我们拿一个不一定特别合适但可以有助于理解的例子，田径的发令枪，抖动就是说枪一响以后，博尔特响应时间多快吗？从听到发令枪和启动时间大概是0.15秒。0.15秒就启动了，刘翔其实没有这么快，刘翔跑的速度快，但刘翔的启动速度不快，大概是0.25秒。也就是说博尔特为什么快，因为启动速度非常快，抖动就相当于100微秒的时间，100个100微秒时间偏差是多少，100并不是绝对的100，可能是999.99，这个偏差是多少？这个在TSN网络这边大概是50纳秒抖动。到底有多大影响？我算过的，对1200米的印刷机，就相当于为秒20米印刷速度，如果抖动是一微秒的话，大概是造成20微米的控制偏差，这个纯粹因为无法测量到而造成无法控制的偏差。在很多高精度的，印刷机还好就是20微米还是能接受的，因为印刷机的精度一般到+/-0.1mm，就是100微米的印刷精度，但网络就提供了20微米的影响，这就不能接受，有些机床是纳米级的加工，纳米级要说网络抖动，在一微秒是完全不可接受的。他交叉通讯是50微秒，就是指两个同栈之间可以进行通讯，整个是由我们OPC UA和TSN构成了整个从设备同步控制到机器和机器之间的连接，还可以通过连接到整个云端，这里面在对工业物联网有一个很好的应用场景是什么呢？TSN网络，过去网络工厂架构是一个金字塔架构，从传感器到控制器到ERP系统，这个过程实际上经过中间的控制器的，如果有了OPC UA和TSN技术的话，其实对IT访问OT来说就会变得更容易。 七、OPC UA over TSN构建工业通信的未来因为对工业的很多人来说，这个东西会导致IT的人进入OT的世界，其实技术上有融合的，但是在商业利益上有一些冲突。可以谈到的话题。通过OPC UA over TSN技术，实际上可以让IT职业访问现场的，可以从云端到传感器，是可以打通这条线路的，通过这个方式。实际上就是说我们讲OPC UA构成了整个工业互联网我不敢说整个的，在工厂在企业这块构成了整个工业互联网架构，通信架构。
图12-OPC UA over TSN构成整个工业互联通信架构这是一个OPC UA它要实现，未来包括OPCUA over TSN，OPC over 5G，因为实际上TSN跟5G实际上是一个并列的关系，在整个通讯层是并列的关系。是一个有线的，而5G是一个无线的，那么OPC UA实际上是一个统一的接口，如果你要说他们之间的关系，这么说吧，OPC UA实际上是一个普通话的问题，大家使用相同语言说话的问题。因为这个语言不同会造成非常多的尴尬，你比如说设备来自于不同国家的控制系统，有来自德国、瑞士、奥地利、意大利、法国、日本、中国，中国还有可能分各个省，各个省的方案都听不懂。所以说的话，OPC UA解决的是一个普通话的问题，使用相同的语言，这个语言不管是什么，它要有统一的语言，而TSN是什么，是同声翻译，我用实时的方式，给你把这个语言翻译，让大家去明白。
来源：微信号 说东道西
作者：宋华振
该作品已获作者授权，未经许可，禁止任何个人及第三方转载。
[702]
客服
小程序
公众号
工控网智造工程师好文精选
