供需大厅

登录/注册

公众号

更多资讯,关注微信公众号

小秘书

更多资讯,关注荣格小秘书

邮箱

您可以联系我们 info@ringiertrade.com

电话

您可以拨打热线

+86-21 6289-5533 x 269

建议或意见

+86-20 2885 5256

顶部

荣格工业资源APP

了解工业圈,从荣格工业资源APP开始。

打开

下一代控制器走向何方?

来源:智能制造纵横 发布时间:2022-04-28 740
工业金属加工智能制造其他运动控制传感器工业机器人液压与气动技术机械传动工业互联智能仓储物流仪器仪表智能加工设备电子芯片电子芯片设计/电子设计自动化(EDA)设计/电子设计自动化(IP类软件) 技术前沿应用及案例
收藏
PLC与DCS在发展过程中都受到PC技术发展的深远影响,尤其是DCS 。

控制器是指按照预定顺序改变主电路或控制电路的接线和改变电路中电阻值来控制电动机的启动、调速、制动和反向的主令装置。由程序计数器、指令寄存器、指令译码器、时序产生器和操作控制器组成,它是发布命令的“决策机构”,即完成协调和指挥整个计算机系统的操作。

控制器发展的两个方向:DCS和PLC


在上世纪七十年代开始,控制器由传统使用仪表和继电器组对应的两个不同应用领域派生出DCS和PLC两类产品。这两类产品在初期有相当多的不同之处,DCS偏重于回路控制,而PLC则偏重于离散的逻辑控制。在当时,DCS使用通用CPU,采用软解释方式处理程序,而PLC依靠类拟于AMD2910的位块处理器处理逻辑,相对而言,在系统结构上DCS更偏向软件,而PLC更类似传统的硬件继电器组。


控制器.jpg


经过数十年的发展,PLC也在体系中加入了通用型的CPU,同时DCS在网络、多DPU协同、冗余等方面都有了长足的发展,并大多数采用了X86的体系架构,充分利用了PC的技术成果。发展到如今,DCS与PLC之间的差异已经非常小了。从具体的技术而言,DCS有基于令牌网络的分布式实时数据库,可以通过全量通信来保证每个DPU内的映象数据都是最新的。PLC在这方面更注重单机工作,就算是联网,也假定两台PLC之间只需要很少量的数据交换,所以采用的主从结构的请求应答方式通信。


PLC与DCS在发展过程中都受到PC技术发展的深远影响,尤其是DCS 。目前的DCS大多采用PC-BASE结构,对PC技术的吸收非常彻底,而PLC则是在上世纪80年代未90年代初的软PLC开发浪潮中吸收了DCS 、PC技术,特别是在IEC61131-3标准制定出来以后,出现了一系列以开发软PLC软件为主的公司,其中以欧洲公司居多。这与欧洲公司的开放软件组织成熟有一定关系,同时IEC61131-3对于日式PLC的编程方式基本是排斥的,因而相当多的欧洲企业有兴趣进军这个行业。这方面以KW、一方梯队、ISAGRAF、3S 等尤为突出,这些公司对于工控软件化和标准化起到了重要作用,目前的各大工控公司在开发新的软件时都会对这几家公司的产品进行深入研究。


软PLC的开发最初也是以PC-BASE为蓝图,后来逐渐融入ARM、51、AVR等CPU的支持,且一直偏重开发的模块化结构,让移植变得更为容易。


当前,PLC按点数和价格分成了大中小微不同的档次;按实现分成了硬PLC、软编译型PLC、软解释型PLC;按结构分成了背板式、模块式、分布式。此外,大中型PLC在功能上加入了DCS和PC的许多功能,使其可以向上吞并一些DCS的市场。如现在很多自备电厂和化工行业都不再使用DCS而改用PLC去完成。从横向来看PLC发展出了许多专用的PLC,包括数控、车用、设备专用等。


同时DCS也向下发展了许多个性化的产品,使其可以代替一部分PLC产品,如淅大中控、淅大中自的某系列产品就做得比较小,带显示屏且只有几个回路,可以满足一些行业的需要。

赋予控制器智能


随着信息技术和智能化技术的发展,也给控制器的发展带来了新的方向,例如,与人工智能(AI)的结合。
尽管控制生态系统所呈现出来的,可能是一个复杂而又相互关联的技术网络,但也可以将其视为家谱中不断发展的分支,这样就可以将其简化。每种控制系统技术都有其自身的特点,是之前的技术所不具备的。


例如,前馈技术通过预测控制器的输出来改进比例 - 积分 - 微分 (PID) 控制,然后利用预测将干扰错误与噪声发生分开。模型预测控制(MPC)通过对未来控制行动结果的分层预测和控制多个相关的输入和输出,增加了更多功能。控制策略的最新趋势之一,是采用人工智能技术来开发工业控制系统。该领域的最新进展之一是基于强化学习的控制的应用。


基于AI的控制器,即基于深度强化学习(DRL)的控制器,可以提供一些独特且吸引人的特性,例如 :


1)学习
基于DRL的控制器通过有条不紊和持续的练习来学习(我们称之为机器教学)。因此,这些控制器可以发现专家系统中不容易捕获的细微差别和异常,而使用固定增益控制器则可能难以控制。


仿真器可以将DRL引擎暴露于各种过程状态。在这些状态中,有很多是在现实世界中永远不会遇到的,主要是因为 AI引擎(大脑)在运营工厂时,会试图尽可能接近甚至超出物理设施的运行极限。在这种情况下,经历这些偏移(可能会导致过程跳闸)是为了让大脑学习哪些行为需要避免。当经历的次数足够多时,大脑就能学会哪些事情不该做。


此外,DRL引擎可以同时从多个仿真中学习。它可以从数百个仿真中学习,而不是只能从单一工厂中获取大脑数据。每个仿真的执行速度都比正常实时中看到的要快,从而可以提供有利于最佳学习的训练体验。


2)延迟满足
DRL引擎可以同时从多个仿真中学习。它可以从数百个仿真中学习,而不是只能从单一工厂中获取大脑数据。每个仿真的执行速度都比正常实时中看到得要快,从而可以提供有利于最佳学习的训练体验。


3)非传统输入数据
基于DRL的控制器可以管理输入信息并能够评估传感器信息,这是自动化系统无法做到的。例如,基于AI的控制器可以处理有关产品质量或设备状态的视觉信息。在采取控制措施时,它还会考虑分类的机器报警和警告。


它甚至可以使用声音信号和振动传感器输入,来确定如何做出过程决策,这有点类似于运行人员接收声音信息后所做的响应。处理视觉信息(例如耀斑大小)的能力,可以划分并揭示基于DRL的控制器的能力。


此外,云技术的发展也对人工智能与控制器的融合产生了促进作用,云技术允许将仿真器容器化,并在大规模并行环境中运行。AI引擎在训练时需要探索非常大的操作状态空间,而云计算的这种性能能够在不到一小时的时间内训练一个需要50万次迭代的模拟器。


也有声音说,下一代PLC与DCS的架构会向开放、分布式、具有充分可互操作性和内在信息安全的方向发展,而为了有效地实现这样的架构,当前软件环境要大量吸取和采用开源云计算软件技术,同时结合工业自动化的要求和特点,走出一条具有持久性的开发之路。


下一代控制器的发展朝向何方,我们拭目以待!

来源:荣格-《智能制造纵横》

原创声明:
本站所有原创内容未经允许,禁止任何网站、微信公众号等平台等机构转载、摘抄,否则荣格工业传媒保留追责权利。任何此前未经允许,已经转载本站原创文章的平台,请立即删除相关文章。

收藏
推荐新闻