對于智能制造，首先我們要探討的是為什么要推進智能制造？就共識而言，智能制造的核心問題在于解決個性化的生產問題，如果沒有個性化生產這一核心驅動力，那么也不需要探討智能制造，需要提升自動化去生產就可以了。

一、制造業面臨的挑戰

圖1-制造業面臨的挑戰

首先我們一起探討制造業面臨哪些挑戰？

如何讓我們生產去響應市場變化的需求。因為現在我們在超市里看到，可口可樂發現標簽的種類會非常個性化，包括江小白這種白酒它都是個性化的。在印刷行業，以前的一個訂單可能會是30000米，現在一個訂單少到3000米，很多領域都是這樣，有很大的個性化的需求。

但是個性化并非那么美好，因為個性化對生產企業而言其實是一場災難，為什么這么說呢？因為按照現有的生產模式，個性化一定會帶來質量的下降和成本的上升，與交付能力的一個拉長。舉一個例子，印刷機有開機浪費，印刷機放卷經過印刷單元和烘道再到收卷，第一個紙路是浪費掉的。因為不可能一上去就能印得質量很好，再精湛工藝的老師傅也做不到這一點，我們就會發現，這個開機浪費如果是100米，對于大訂單來說，這個浪費比如說一萬米的訂單來說，浪費100米，這個不良品率是1%，但如果這個訂單變化到2000米的時候，你就會發現不良品率上升到5%了。還有一個問題，由于訂單的切換重新穿紙，而這個過程要浪費時間，我們叫工藝切換時間。包括像注塑機打一個產品，比如說我們生活中非常多的塑料件，這個注塑機生產也是一樣的，第一模打不好的，因為先打了以后看一看這個產品行不行，看看參數，溫度高了還是低了，這些生產需要調校過程，這個過程都會造成浪費，我們統一歸結為開機浪費。

所有這些開機浪費都會讓生產的時候，其它的浪費包括由于機器不穩定運行而造成的不良品都會成為成本。也就是說個性化其實會帶來我們很多生產成本的上升、質量的下降，交付能力的下降。這就要求我們如何應對這個挑戰，這也就是我們所有智能制造要去討論的問題。

還有就是機器變得更加復雜，包括現在智能制造是跨學科的，不僅包括機械、電器、軟件、人工智能、機器學習甚至通過機器的互聯以后，我們對它進行全局的優化，這些都需要我們去使用一些機器學習的技術，來實現一些對問題的解決。還有一個就是如何讓機器更容易使用，如何讓生產連續。

我們知道生產主要分成兩大塊兒，制造業現場生產主要分為兩大塊，如果讓我歸結智能制造的本質是什么？大家會發現制造的本質會材料進行物理和化學兩種加工。比如說流程工業，比如說石化、制藥這一類工業都屬于對材料進行化學的一個反應，而對比如說手機、電子制造業，對包裝的，這些領域你會發現對材料進行物理的加工，比如說我們舉個例子。

在座每個人桌上都有一瓶水，它是把塑料顆粒熔化，然后吹出瓶子。這是一個物理的變化，然后旋蓋、貼標簽，包括鈑金加工的沖壓成形，其實印刷也是把油墨壓到紙上，所有這些都是一個物理的加工。

也就是說在加工里面怎么樣發現讓我們的生產質量更高，成本更低呢？第一如何讓質量更高，加工精度、加工速度這些效率更高。

第二個問題是如何使用更少的材料？比如說我舉個例子，太陽能光伏，單晶硅片。10年前接觸光伏行業的時候發現晶棒切片的時候多線切割機是一根金剛線沿著四個棍子繞1000圈，把這個晶棒放上去，這個金剛線上面涂上石英砂，把晶片磨出來的，磨出一片一片的，切成一千片。

今年我們7月與客戶交流的時候，發現他們采用了更細的金剛線，可以一次繞3000-4000圈，也就是說，它一次可以比以前多切2000多片。這些材料更為節省，因此，今天我們會發現現在光伏的電價成本已經下來了。

為什么呢？就是因為技術的變革使得可以同一跟單晶硅的晶棒可以切出更多的晶片，這樣的話，整個成本就會下降了。所以說，我們如何更節省使用材料？比如說我們桌子上的瓶子，我們做的機器控制，主要控制他們瓶子的壁厚，因為瓶子的厚度太厚會很浪費材料，比如說浪費一克，每一個瓶子都浪費1g沒事，但是你知道一年生產多少個瓶子的時候，你就會發現一克是很大的量。

如果每一個瓶子可以節省一點點的話，這個量都會非常大的。貝加萊在塑料行業也為用戶提供壁厚控制，壁厚控制就是讓瓶子最均勻，怎么均勻呢？太厚浪費材料，太薄不合要求，我們所有的生產過程都怎么樣讓質量更好、成本更低，如何更節省材料，使用更少的能源，使用更少的機器時間。

談到時間，在精益生產里面有一個我們把所有的生產過程分為增值和不增值兩部分。

什么是增值呢？就是生產出合格的產品，這個叫增值過程，如果你生產出不合格的產品那就減值就是浪費。等待的時間，工藝切換機器維修的時間，或者是機器減速所有的都是浪費，我們如何讓我們的生產不斷去讓他生產出給高質量的產品，單位時間生產出更高的產品，比如說我們為什么要做能源管理呢？過去針對100萬個產品進行統一的能耗計量，但如果說我們現在批次變小了，我們計算成本的時候，我們就需要對能量進行更精細的能源劑量體系。劑量到每一個產品，比如說我一個訂單，以前是一百萬個瓶子的需求。我總共多少能耗，我就可以計算出。但是我現在接這個訂單我核算成本的時候，我要核算這個訂單只有一萬個，我這個成本怎么核算，能耗怎么計算？

我們為什么講預測性維護呢？是因為過去我生產一個產品，一個訂單我可能要打一個月，那我某臺機器停機兩小時沒有關系，但是這個訂單只能打一天再停兩小時，這個時間對工廠來說是不可承受的。

所以他時刻保證機器處于一個健康狀態，能夠穩定的生產，因為只有穩定可靠的生產，才能讓我們印刷機變成印鈔機，才能讓我們的包裝線變成印鈔線。比如我們在工業現場里面管理運營，我們經常講OEE，設備的綜合使用效率，這個設備綜合使用效率怎么去理解呢？比如說如果一個生產線的OEE是80%，那就意味著80%的時間在幫我們生產出合格的產品，在幫我們賺錢。另外20%的時間在幫我們浪費，如果OEE到60%的話就意味著60%的時間在賺錢，另外40%時間在浪費。也就是說說個不好聽的話，可能你要去核算一下你會發現40%的浪費比你60%賺錢的時間還更厲害，這個工廠就虧損了。對企業來說，我們怎么樣去提高我們的生產效率，提高我們的質量成本交付能力，這個是我們要去解決的問題。

二、自動化技術發展趨勢

今天我們要去通過技術，比如說通過設計概念的變化，通過新的設計方法，比如說通過數字孿生技術，通過積極學習這些技術來去優化我們的生產，尋找生產里面的問題。

第二個問題比如說用數學的方法，其實數學方法數據擬合、優化算法、自適應控制，包括各種各樣的數學的方法來解決這個。

今天很多在討論人工智能討論機器學習，其實這些都是數學問題，不要把那個東西講那么高大上，它基本上都是數學問題。你去翻閱人工智能的歷史你會發現人工智能在工業里面，因為人工智能里面有三個學派，我們連接主義、符號主義和行為主義，其實行為主義很多工作就是工業自動化，工業控制領域里面在做的工作，比如說在工業控制里面最典型的我們叫PID調節，它其實就是數據驅動控制的方法。

所以說可能在我們做工業控制的人來說，所謂的人工智能并非新鮮，它過去沒有發展起來是因為算力不足，其實整個美國的阿波羅登月工程中，所有的計算機的計算能力都比不上在座今天每個人手里拿的那部手機的算力，今天人工智能為什么能夠發展是因為今天的計算機的處理能力到了，所以才會可以投入使用了。

因為它有了經濟性，有了經濟性直白說就是它變得便宜了，所以才可以使用。也就是說我們所有的工作，任何的技術如果沒有經濟性是沒有意義的。對企業來說就是這樣的，你跟我講再好的技術，如果沒有經濟性，不是一個成本很低的技術，那讓我再等五年、十年也行，你們可以先去講你們的故事，我慢慢等著。

還有就是IT和OT的融合，為什么這里要提IT和OT融合，是因為如果我們放在全局看工廠的生產，我們就必須把機器到產線到車間到整個工廠，這個數據匯集起來，然后我們在這里面尋找發掘可以提升的空間。

比如說舉一個例子，我們生產酸奶，酸奶發酵完了之后，后面要進行殺菌和處理。如果說，他們的時間節拍不匹配，后面已經加熱了，產品還沒有來，我加熱不就浪費能源了嗎？所以說我們通過一些細節上不斷的節拍上的匹配，通過連線以后，去發現節省中間的一些不必要的我們說不增值的環節，我們把一個離散的生產變成一個連續的生產。

其實在流程工業自動化程度是非常高的，因為流程工業本身就是一個連續的生產，就是一個自動的生產，所以像電力、石化實際上自動化程度非常高的。

還有就是知識自動化，就是如何讓我們的知識復用？比如說在座很多人在某一個領域的知識積累非常深厚，這些知識如何被顯性化使用，被重復使用。包括我們在系統開發的時候，如何讓軟件的代碼可以復用。而不是說每一次編程序，每換一個機器、換一個應用就得重新寫，我們要把共性的知識抽取出來，然后讓他變成一個可被復用的知識，以軟件的形式去重復使用。軟件也是可以復用的，家里的鍋碗瓢盆可以復用，軟件也是可以復用的。我們去看連接，我們如何去全面理解智能制造，包括工業互聯網在里面扮演的角色，首先我們回到精益生產，其實生產制造只有三個問題

1、質量。

2、成本。

3、交付。

三、精益、自動化、信息化、智能化之間的關系

圖3-精益-自動化-信息化-智能化之間的關系

首先我們談精益生產，實際上是我們整個質量一個根基，我們講數字化，其實數字化的根基在哪兒？數字化的根基并不是我有計算機系統，我有ERP叫數字化，數字化的根基在精益生產上，如何讓生產運營能夠最高效。如何量化分析，如何量化分析我的質量，如何量化分析我的加工過程。

比如我們叫標準作業，作業標準。你像當年泰羅制都能分析到每一個人的東西，擰螺絲多長時間，怎么讓時間更短，怎么訓練這些人，實際上擰這些螺絲，所有的這些都讓生產，比如說產生了非常多精益生產的工具包括很多精益生產的理念，非常非常多的管理運營工具其實都來自于制造現場。

其實很多人如果學管理學的話都會發現，大量的管理學思想是來自于汽車制造業。包括電子制造業這些領域，因為這些領域里面，你想汽車，制造一臺汽車比如說一臺20萬的車，你要想車零配件重新組裝的話，這個車至少一百萬，怎么才能把它變成20萬的車呢，而且他還賺錢，這就是經濟生產，讓他能夠實現的過程，也就是說如果沒有好的經濟基礎的話，其實這個智能制造很難推動和運行的。

自動化解決哪些問題呢？解決運動控制，解決精度問題，加工精度、加工速度、工藝切換。這個信息化實際上是解決邊緣計算，解決控制是基于信號的，而邊緣信號是基于信息的。而基于信息的問題是解決策略問題、調度問題，比如說我們最容易理解就是高鐵，高鐵就是一個調度系統，來給所有的節點，不同的需求，各個站大家怎么調度最重要的問題不要碰撞，這是一個調度的問題。

什么是智能化，智能化實際上是一個什么問題呢？實際上在我們解決這些問題的時候，如果我們用機理模型，用那個已有的、化學的，物理這些模型，不能解決這些問題的時候，我們可以用，或者說要解決一些非線性問題的時候，我們需要用智能的算法，學習的方式來解決，這個其實這樣理解吧。

我們來理解什么是自動化，自動化就是我控制一臺小車能夠精準的到一個位置，而一百臺小車如何協同工作，那這是一個計算問題、調度問題。

智能化是什么呢？如果我們去對一個控制過程進行觀測，并對其設定一個成本函數來約束，尋求系統最優解（參數、相關性），當這個成本函數可以被求導我們理解為一個線性問題，但如果不能則屬于一個非線性問題，這個問題不能用已有的模型解決的。

有一天我注意到微信群中兩個朋友討論預測性維護，我發現這兩個人討論可有意思，他們倆說的話似乎并不是一種語言體系里的人，而且顯然他們自己也是相互并不理解的，但是我看明白了，他們倆說得都是一件事，后來我明白兩者的差異。一個方向是通過機械系統的失效模型。就是一個金屬材料在這種加工狀態下、運動狀態下怎么失效的，怎么被磨損，機器什么時候出故障，這個我們叫做機理模型分析。

另一個人談的不是這個話題，他只看振動信號，或者溫度信號，看這個信號以后就預測這個信號這個趨勢會怎么樣，這是數據驅動的一個預測性維護，其實解決問題的這個方法有很多種，有一些人通過機理模型，有些人通過積極學習的方式，數據驅動的方式來解決這個問題，那數據驅動的解決方式的優勢在哪呢？他不需要人掌握非常專業的知識，只要看數據，自己去學，但是機理模型具有可解釋性，人工智能在工業應用最大的問題就是可解釋性問題。

所以說人工智能有一些問題，有不可解釋性問題，導致人工智能在工業應用其實它是有些局限的。因為工業里面不允許99%正確，要求的是100%準確。只要有一次1%的不準確，就可能會出人命，可能跟商業場景應用不一樣。

比如說手機，手機斷線了有什么影響呢？不會出人命，但是在工業里面如果說機器連接斷線了，真會出人命的。

所以OT人跟IT的人思維方式是不一樣的，比如說我們講通信，IT的人講通信的時候會講upto，最快可以達到多少，但是你知道工業的人講通訊的時候，是講最差（WorstCase）情況是多少，這是兩個完全不同的思維方式。

工業互聯網其實整個障礙是什么？障礙就是互操作問題，這個是2014年美國的工業互聯網組織他們做的一個調研，其實我覺得這個問題到現在還沒解決，雖然是2014年的調研，但是我認為比如說今天沒有解決，明天也解決不了?；蛘咴谖磥硎陜饶愣伎床坏酵耆鉀Q的一個現象。

圖4-IoT推進的障礙分析

四、為什么采用OPCUA這個什么叫互操作呢？

5+5是不是等于10，但是我想問的問題是5厘米+5英寸等于多少？這只是個例子，我們想表達大家要使用相同的標準與規范，所以需要一個統一的語義的一個定義，就是說在工業現場里面，這個話題如果是做工業的人肯定會知道現場總共有多少現場總線？據說這個世界上有多少家做PLC的，這個世界上就有多少種現場總線，現場總線的種類有多少？當我們的互聯網我們所謂的云端或者ERP訪問現場的時候，你要寫各種各樣針對不同的總線的驅動程序和調試這些驅動程序，你會發現這是一件讓你崩潰的事情。而且很多協議是不開放的，你還得猜這個數據是什么？工業現場有互聯互通互操作三個層面的問題，還有更高層面的叫互換。目前就工業場景而言還互換不了，但是PC的USB口可以互換的，任何一個設備加進來都可以去用，是可以互換，在工業這邊沒有辦法解決問題的。然后有的現場總線變頻比如說1和0的變頻也不一樣，有的是10伏的有的是15伏的。間距也不一樣，每一個節點之間間距有一百米的，有五百米的，有一公里的，帶寬有1兆的、2兆的，有512K的，有非常多的變化。到底現場有多少中協議呢？我們了解自動化行業一家做SCADA軟件的公司，他們針對不同的總線與協議連接的時候有5000種驅動程序。IEC組織定義的國際標準中現場總線就有18種，后來產生了很多的以太網，這個以太網是標準以太網用不了，沒有實時性，產生的實時以太網。實時以太網實際上解決什么問題，就是統一使用的100MB，各種方式都是一致的。但是還保持以前的，所以各種各樣實時以太網。也就是說物理層使用這個以太網的基礎，但是應用層還保留原來的應用層。還有就是他們無法實現互操作，就是我們說數據，你比如說你這個60000H這個地址的數據是什么，是電流還是電壓，不知道。每一個協議對應的數據都是不一樣的，所以就產生了一個無法進行互操作的問題。

圖5-工業總線發展趨勢

所以工業規劃采用OPCUA去解決互操作的問題，而TSN來解決這個通信的物理統一性問題，這就是我今天跟大家討論一個OPC UAoverTSN的一個工業互聯網基礎，在工業領域里面一個基礎的問題。我前面講的在工業4.0包括智能制造里面，它對這個網絡的要求，包括很多方面，包括互操作性，可視化、分布式、實時面向服務模塊化一些需求。這些需求要怎么滿足。

OPCUA有很多優勢，它的核心優勢在哪呢？信息模型，就是如何為工廠的數據建模，這是一個很關鍵的環節，如何讓數據建模。圖6就是關于OPC UA的整體架構，它包括了幾個方面：（1）.通信支持能力：它提供了針對Client/Server的傳輸，以及Pub/Sub的傳輸機制，即發布/訂閱的機制，這種機制更為適應于云端數據與現場的連接，降低網絡負載。（2）.信息模型，包括了元模型、DI-即設備集成信息模型，內嵌的歷史數據、報警、日志等基礎數據相關的信息，第2層就是垂直行業信息模型，針對塑料、包裝、機床等行業的信息模型，再上就是企業自定義的信息模型。（3）.安全的傳輸機制，尤其在互聯時代，信息安全也至關重要，OPC UA也提供了信息安全方面的保障機制，包括授權、權限管理等。

圖6-OPCUA的架構

比如說我們在塑料行業，如果沒有統一的一個規范的話，我們知道你要訪問一個設備你需要干什么，沒有OPC UA，其實這個問題也能解決，你就寫程序往下寫就可以。但是如果有這個OPC UA的標準信息模型的話，其實你只要讀取注塑機的工藝信息，他會把相關信息打包傳上來，這樣的話會簡化工程項目的實施時間。

一家朋友公司做鋰電池生產線了，這個生產線有兩百臺設備。他說為了把設備連起來構成完整產線，每個設備配置參數需要花費四個小時，就是說光配置參數這件事情就需要800個工時。

現在很多所謂的工業互聯網平臺，其實在我們看來，就是干一件事——體力活。就是把不同控制器的數據統一導到一個統一的標準上來，就干這件事。

五、OPC UA與數字孿生及機器學習的關系

我們講這些OPC UA有哪些應用場景，比如說數字孿生，什么是數字孿生呢？數字孿生就是虛擬世界和物理世界動態交互問題，數字卵生有很多概念在市場上流行，其實很多并不是真正的數字卵生，首先第一是數字主線，必須從設計端到生產制造端再到運營維護端，整個虛擬數據建模的問題，建模了以后通過數據采集，把數據采集上來以后，我們去分析生產中的問題。比如說我突然發現正在加工的產品質量有問題，我可以去調整，動態的要去優化生產工藝參數，這個過程要有一個南向數據和北向數據，就是從底層往上傳，我們叫北向數據。數字孿生系統優化了以后，對參數進行優化通過模型分析進行優化以后，把這個結果通過南向數據發下去，這個過程我們叫實時交互，這個需要一定的實時性。這個數字孿生的話，其實就是我們可以看，比如說左邊，是一個實體，就是一個物理的對象，這邊是一個數字世界，數字對象。

圖7-數字孿生系統構建

比如說我們在軟件系統里面，你可以對生產過程進行數字的建模，數字建模跟物理的對象實時交互，有哪些用途啊？比如說早期驗證，實際上在所有的開發里面，真正最耗費時間和耗費成本的，其實是測試驗證過程，驗證你這個生產產品，包括生產過程是不是合理最優的，這是一個測試驗證的過程。這個地方實際上最燒錢的，中國在過去很多年數字化這一方面其實是比較薄弱的原因在哪兒呢？我說一個你們不太愛聽的，其實我們很多的機器是抄的，抄的意思就是別人驗證過了，其實我們沒有真正花錢在那個特殊驗證的環節。真正的系統機械系統的設計，最燒錢的就是測試驗證，在每個行業都是這樣，印刷行業要試不同的紙張、薄膜在不同的印刷速度、加速度等工藝狀態下的控制最優參數，注塑機要打不同的厚度、規格、材料的產品來測試其工藝，不僅如此，對于機器的生產運營者同樣如此，需要測試不同的產品，包括節拍、匹配的工藝等等，都需要測試驗證，而數字孿生則是以“虛擬”的方式為“現實”的生產提供各種測試驗證，降低成本，這也是數字孿生之所以現在火熱的原因--因為當變化更為常態化的時候，這種驗證如果還是物理的，那么就會非常耗費成本和時間。OPC UA其實可以通過對終端用戶特別感興趣，就是說我希望測試驗證，這個虛擬的數字孿生體，最后實現的時候，實施到具體對象上的時候，希望這個對象是不約束于任何一家公司的。不能說必須跟一些綁定，如果使用統一的數據交互借口的話，也就是說開發了一個應用，開發了一個系統，那它下面的控制器是誰？下面的執行機構是誰？對它來說并不重要，它只用統一的數據接口，只要去交互就可以。

圖8-數字對象通過OPC UA與物理對象交互信息

還有一個數學方法、機器學習，包括數據擬合，一次性維護，這些維護的話其實很多人對這個人工智能比較推崇。我前段時間寫篇文章叫做人工的智能，其實目前的人工智能大部分時間實際上是人在工作，為什么呢？這個機器學習包括人工智能最核心的地方在哪呢？不在學習機器干的那部分，在人干的那部分，人的智慧是什么？你如何對這些數據進行預處理，選擇什么樣的數據？汲取什么樣的特征值，對這些數據的相關性，比如說跟質量相關的有溫度有壓力、有各個值，哪些跟質量最相關的呢？如果選這個值不對，或者說你采個數據數量很大，但是你采是沒用的數據，相關性很低的數據，這沒有意義呀。你學半天學的都是錯誤的結果沒有意義。所以說選擇什么樣的特征值，對這些值進行怎么樣的處理，數據清晰，這個過程也就是說在人工智能的學習過程里面，其實70%的時間是耗在人處理數據的那部分了，而學習那部分，機器學習那部分，以機器的算力來說，那個就不是問題了。也就是說現在人工智能很多都在前道的處理方面。人工智能也需要我們講OPCUA的信息模型，也需要一個結構化的數據，你不能來了數據各千奇百怪，亂七八糟的數據過來，需要有結構化的數據，比如說溫度壓力，按照一個順序、邏輯關系，帶上時間，每一個信息上都有時間，它在什么時間產生了一個數據。

圖9-OPC UA為機器學習提供了結構化信息

時間上有什么相關性，這些都可以通過結構化的數據來分析，還有一個有效的傳輸，再一個有價值的信息，有價值的信息來自于垂直行業信息模型提供的在這個行業里面，比如說塑料行業、包裝行業、印刷行業，各個行業有自己行業里面的工藝參數，這是有價值的信息，你不能弄一些沒有價值的信息，云可以撐爆了。

六、時間敏感型網絡TSN

下面一個是TSN，為什么要講TSN的話，就是因為在工業現場有很多應用，有一個我們講IT和OT融合，但是IT數據和OT數據是兩個非常大差異的數據，IT的數據基本上都是以非周期數據為主的，但是工業數據基本上都是實時數據，我們叫周期性數據。因為所有的工業控制是基于等時同步的，這個PID調節是每一個周期，我舉個例子，比如說微信的支付，這就是一個非周期的操作過程，就是說你掃了碼，輸了密碼，按確認，這是一個支付過程。什么叫周期性？周期性是自動的，自動的去扣錢，我們就說我們可以到1mS，1mS每一次扣1分錢，我算了一下，一年能扣三千萬，這叫周期性的數據。每隔一毫秒扣一次，每隔一毫秒扣一次，這叫周期性數據。非周期性數據什么意思？你按了以后才扣一次錢。那么這是工業跟IT跟商業數據最大的差別就是工業數據是周期性數據。周期性數據和非周期性數據在過去是無法在一個網絡里傳輸的，因為標準以太網是搶占式的網絡，這個網絡上去不斷的偵聽這個網絡有沒有空閑，有空閑的話才能傳輸數據。所以必須等待，等待在工業里面是不允許，工業里這個數據你說是一毫秒還是一秒鐘，這個周期是多少？根據需求不同，但是它要求數據的刷新具有“確定性”，即每一秒或者每一毫秒刷新一次這個數據，必須是確定的周期。比如說我們平時控制要求的周期一般像印刷機，都開到400微秒刷新一次運動控制參數，有些高速應用可以到31.625微秒，我們要每隔多少微秒刷新一次數據，用初中物理最簡單的公式叫S=V×T，就是位移等于速度乘以時間，我們做一個求導。△S就是精度，就是讓位移細分到精度上去，△V是速度的變化，△T是時間。你想讓精度越小，△S越小，△V越大就是加工速度越高，你只能讓△T越小越好。也就是說，加工速度是一微米，你可以算出來△T必須是一微秒。機床的加工速度是1m/s，加工精度是1μm你可以馬上算出來，△T是μS的。當然不可能這么快，加工精度是1μm的還要加工1m/S，全世界的機床都做不到的，因此速度可能放在1mm/S。我們說工業互聯網連接了以后，發現工廠里不僅僅要連接實時數據，還要連接非實時數據，非實時數據跟管理運營OEE有關，跟質量有關。這些參數并不是用來控制的，但他要跟運營管理、質量分析、預測性維護，能源檢測包括跟我的數字孿生系統進行實時交互。跟邊緣計算實時交互，都有關系的，所以這些數據也要實時，就會存在周期性和非周期性數據必須在一個網絡傳輸的問題。TSN網絡實際上工信部去年也提到了在未來我們要開發的，包括TSN網絡，所以為什么我最近發現，OPCUA和TSN這個基礎在各個領域里面突然一下熱起來了，昨天我就在北京參加了一個TSN的一個技術工作組，包括信通院其實AII里面也有一個組，也是在討論TSN技術，這個技術實際上就是我們說的OSN模型里面的第二層。第二層里面增加了一個比標準以太網增加了32個數據標簽，代表這是一個TSN網絡，他是一個橋接網絡，以前的工業控制里不使用交換機，只使用HUB。交換機有延時，交換機的延時大概是125微秒，因為125微秒的延時對工業來說是不允許的。TSN技術的關鍵實際上是一個時鐘調度，時鐘的同步、數據調度、系統配置。時鐘調度是什么意思呢？就是說我們在座所有人要對表，就像過去打仗對表。因為各個部隊要按時間協同工作，否則的話我這個空軍轟炸了一翻，我的步軍都已經走到前面了我還在轟炸，就把自己干掉了，所以要按照一個時間節拍去工作，你該什么時候各個戰斗單元到某一個單位都是要對表的，對表實際上所有的包括手機工廠的生產，其實所有的這些都是跟時鐘有關的，跟對表有關的。咱們在座的所有人來看，誰的表最好，最好的表一般是精度最高的，表的時間跟GPS對表是一樣的，就是對全球最精準的量子表，因為那個表始終精度最高的，比如說我們在座的每一個人戴的表不一樣。有人拿出一塊百達翡麗，這個表最好，就是主時鐘。對完表以后，這個系統會把這個時間分發給每個人，每個人就會看到這塊表，跟自己表對一下，這樣表對準，統一的時鐘，大家時鐘基本上是一樣的，然后才能工作，為什么呢？所有的工業控制還是工業互聯網還是通訊都是基于時間的，所以時間的精準度是非常重要的一個環節。

圖10-TSN標準系列

整個TSN實際上是由各種標準構成的，主要是由時鐘同步，包括時鐘調度的IEEE802.1Qbv，IEEEQbu+IEEE802.3br、IEEE802.1Qch一些標準構成了整個調度的過程，IEEE802.1Qcc右下角是做網絡配置的，也就是說，在這個網絡每一個人的需求是不一樣的，有的人對帶寬的要求不一樣，有的數據量不一樣，有的人數據量可能只有一個溫度、壓力，16位，兩個字節。有的人可能數據量比較大，視覺或者圖像，VR、AR這些數量是比較大的，它要求的帶寬是比較大的，但它可能實時性不是很高，要求一秒傳一次，有的人可能數據量小，但可能一百微秒傳一次，那么整個所有的需求過來以后，會有一個統一的調度，這個算法。這個角度計算完在網絡里面每個人怎么走，就相當于發一個路由表給每一個節點，每一個節點看到數據過來以后，就知道該怎么往哪個口轉發，應該怎么處理，應該是這樣配置的過程。這是工業里面，這是太技術就不需要講那么多，可以稍微提一下。CBS是汽車行業在用的，他們汽車行業一個對實時性要求沒有那么高。因為相當于一個數據包到網口以后其實有一個數據監測，是多少個位數據，進行校驗，數據包有沒有丟包，或者說有沒有數據傳錯的情況，然后進入隊列，有一個傳輸選擇，交換機要排隊然后轉發數據，這里面有個調度策略問題，CBS就是一個基于信用（Credit-basedShaper）的整形器，就是說有兩個隊列，有一個隊列在傳數據的時候，它的信用會下降，而另一個隊列沒有傳數據，它的信用在上升，當傳出去信用到零的時候，另一個隊列就開始站，他們兩個隊列是交互的，交替傳的，傳的時候信用會下降，不傳的時候信用會上升，在他兩個隊列之間進行交互，剩下六個隊列就是我盡最大努力給你傳，但我不保證給你傳到，因為數據其實分成預留通道，預先調度的這個數據，實時數據。工業里面主要使用的是時間感知整形器(TimeAwarenessShaper)，它是一種把這個數據隊列分成幾類，每一個周期它有一個門控制器，給每一個數據隊列開門讓它走，有些什么隊列呢？就是我們預先規劃好確定性的數據，在每一個周期的第一時間它先走，特別通道、VVIP通道，是屬于實時性是最高的，在每一個周期的第一個轉發過程就先走。第二個通道是ReservedTraffic，就是高速公路不是最右邊有一個預留車道嘛，它并不是每個周期都有數據傳，但是它一旦有數據傳就必須走這條通道，這是消防車，救護車要走這個通道。剩下那些車，你們就隨便走吧，按照優先級，就排了優先級，誰的優先級高誰先走，優先級高的人走完了以后，優先級低的走，其實就是這樣一個過程。那么還有一些更優的算法，比如說因為這個我們叫TAS整形器，為了保證數據網絡一定是空閑的，留了一個保護帶寬（Guardband），這個保護帶寬其實有一個以太網那么長，一個標準以太網是1500字節，這個1500字節大概消耗了1.5微秒，這個時間也挺浪費的，所以他們有另外一種方式叫搶占式MAC。搶占式MAC還有一種情況是怕低優先級反轉，就是低優先級數據太大了，傳半天還傳不了，帶寬占著怎么辦，就是強占。就是高優先級的可以強占低優先級的數據傳輸。你先別傳了，你先放到堆棧里面去，等我傳完你再傳，你可以把低優先級的帶寬預留下來，讓他在那邊等著。所以這是幾種傳播方式，看的話就不用講了，我又不是來講技術的。這是網絡配置，還有就是我們OPCUA的演示系統，是我們在2018年的SPS全球最大的一個自動化行業的一個展會，兩百個IO棧，大概相當于接近一萬個IO點，大概9600個點，加上5個高清攝像頭，我們刷新了時間是100微秒，抖動大概是50納秒。

圖11-貝加萊在2018年SPS推出的OPC UAoverTSN演示系統

我們拿一個不一定特別合適但可以有助于理解的例子，田徑的發令槍，抖動就是說槍一響以后，博爾特響應時間多快嗎？從聽到發令槍和啟動時間大概是0.15秒。0.15秒就啟動了，劉翔其實沒有這么快，劉翔跑的速度快，但劉翔的啟動速度不快，大概是0.25秒。也就是說博爾特為什么快，因為啟動速度非常快，抖動就相當于100微秒的時間，100個100微秒時間偏差是多少，100并不是絕對的100，可能是999.99，這個偏差是多少？這個在TSN網絡這邊大概是50納秒抖動。到底有多大影響？我算過的，對1200米的印刷機，就相當于為秒20米印刷速度，如果抖動是一微秒的話，大概是造成20微米的控制偏差，這個純粹因為無法測量到而造成無法控制的偏差。在很多高精度的，印刷機還好就是20微米還是能接受的，因為印刷機的精度一般到+/-0.1mm，就是100微米的印刷精度，但網絡就提供了20微米的影響，這就不能接受，有些機床是納米級的加工，納米級要說網絡抖動，在一微秒是完全不可接受的。他交叉通訊是50微秒，就是指兩個同棧之間可以進行通訊，整個是由我們OPCUA和TSN構成了整個從設備同步控制到機器和機器之間的連接，還可以通過連接到整個云端，這里面在對工業物聯網有一個很好的應用場景是什么呢？TSN網絡，過去網絡工廠架構是一個金字塔架構，從傳感器到控制器到ERP系統，這個過程實際上經過中間的控制器的，如果有了OPCUA和TSN技術的話，其實對IT訪問OT來說就會變得更容易。七、OPCUAoverTSN構建工業通信的未來因為對工業的很多人來說，這個東西會導致IT的人進入OT的世界，其實技術上有融合的，但是在商業利益上有一些沖突。可以談到的話題。通過OPCUAoverTSN技術，實際上可以讓IT職業訪問現場的，可以從云端到傳感器，是可以打通這條線路的，通過這個方式。實際上就是說我們講OPCUA構成了整個工業互聯網我不敢說整個的，在工廠在企業這塊構成了整個工業互聯網架構，通信架構。

圖12-OPC UA over TSN構成整個工業互聯通信架構

這是一個OPC UA它要實現，未來包括OPC UAoverTSN，OPCover5G，因為實際上TSN跟5G實際上是一個并列的關系，在整個通訊層是并列的關系。是一個有線的，而5G是一個無線的，那么OPC UA實際上是一個統一的接口，如果你要說他們之間的關系，這么說吧，OPC UA實際上是一個普通話的問題，大家使用相同語言說話的問題。因為這個語言不同會造成非常多的尷尬，你比如說設備來自于不同國家的控制系統，有來自德國、瑞士、奧地利、意大利、法國、日本、中國，中國還有可能分各個省，各個省的方案都聽不懂。所以說的話，OPC UA解決的是一個普通話的問題，使用相同的語言，這個語言不管是什么，它要有統一的語言，而TSN是什么，是同聲翻譯，我用實時的方式，給你把這個語言翻譯，讓大家去明白。