试想有一个可以弯曲和转动的机械臂,它的每个轴都配备了十分精准的电机驱动器、传感器或机器视觉,仿佛在演奏一曲运动交响乐。但如果没有“指挥”告诉系统的每个器件在何时该如何执行各自的操作,那么机械臂可能会发出刺耳的碰撞声和金属摩擦声。
在之前的实时控制系列文章中,我们探讨了用于感应、驱动和处理的实时控制 (RTC) 仪器。而要将它们贯穿起来需要借助“指挥”:实时通信。在本文中,我们将以基于实时通信和控制的工业 4.0 作为讨论的出发点。
推动自动化领域大数据发展的因素
受疫情影响,无人工干预的工厂运营模式广受欢迎。大数据(牛津词典将其定义为可以通过计算分析揭示模式、趋势和关联的超大数据集,特别是与人类行为和互动有关的数据集)的收集和适当分布可为数字孪生、计量、服务收费和预测性维护提供支持。例如,拥有可用的大数据能够监测机械臂的性能和系统运行状况,以及数据速率、温度、湿度、振动等,从而开发出能够基于使用大数据进行学习的 AI 预测未来性能和运行状况的模型(数字孪生)。要充分利用这些优势,有必要将信息技术 (IT) 和运营技术 (OT) 相结合,从而能够支持互联网协议 (IP) 以及 RTC 系统边缘。从逻辑上讲,这称为 IT 和 OT 融合。
在以太网中,开放系统互连 (OSI) 模型的网络层和传输层支持传输控制协议/互联网协议 (TCP/IP),因此以太网与生俱来地能够支持 IPv4(和 IPv6)。除此之外,还能确定地传输所需的信息量,这便是工业以太网正成为工业自动化融合领域中实质性通信标准的原因所在。由于现有基础设施通常使用两线协议,不支持本地 TCP/IP,因此传统现场总线目前仍用于与边缘器件的通信。图 1 展示了当前工业自动化领域的通信方式。

图 1:当前工业自动化领域的通信方式
工业通信的实现方式已经开始变革。单对以太网 (SPE) 可以维持现有的两线制系统架构,同时也可支持工业以太网的更快速度和诸多优势。先进的现场诊断支持分布式和集中式监测和操作。当然,SPE 能够重复使用由多个现有现场总线建立的现有两线制基础设施,从而简化融合驱动的升级并充分降低成本。
深入了解以太网
虽然以太网在企业应用中是开放且无处不在的,但目前还不能应用于实时应用,原因在于 IT 以太网帧的传输是“尽力而为”并且不受管控;任何情况下,出现错误都是令人厌烦的。对于实时 OT 来说,错误会造成严重后果甚至带来危险。RTC 系统需要以可靠的通信作为系统的“指挥”,确保系统按预期运行,从而避免产品故障或者造成系统损坏或人员伤害。由于 IT 以太网通常用于企业或消费类环境,因此很少遇到环境方面的挑战。与之相反,RTC 系统往往处于恶劣的环境中。
对稳健、确定性行为(例如在宽温度范围、噪声和脏污环境中的可靠性)以及更高数据速率的需求推动了工业以太网的应运而生。工业以太网确定且稳健,能够提供额外的带宽和固有的 IP 连接来充分利用 RTC 系统。
下面我们来了解一下时序特性及其如何应用于以太网物理层 (PHY)。
时序特性的重要性
RTC 系统中有三大重要时序特性:

图 2:延迟及其确定性
结语
成功的 RTC 和通信部署是工业 4.0 的基石。但是又不止是实现工业 4.0,借助确定性、同步和低延迟的通信 PHY 及工业以太网协议,所有仪器均能组合在一起,演奏一曲美妙的音乐。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。