制造4.0背后的低调技术大盘点

与4.0时代的其他领域一样，制造4.0也是使用数据和连接让流程变得高效、精简，并让智能系统能够做出决策。此类发展与功能的实现，得益于众多技术的支持。而其中，人工智能、机器学习、大数据、云计算和增强现实常常风光独占；但要实现这些目标，还有其他一些支持性技术不可或缺。本文探讨了传感器、可编程逻辑控制器、低功耗组件和系统以及视觉系统（至关重要但尚未得到充分认可）在推进制造4.0发展方面发挥的作用。

传感器

传感器在制造4.0中扮演着多重角色。除了捕获用于洞察和决策的数据外，它们还捕获整个产品制造过程中所需的数据。例如：

01、位置传感器

极常见的传感器类型之一。这些传感器有助于测量机械位置，例如气缸在启动装配线上的下一个产品之前是否返回到原始位置。

02、存在检测传感器

大致相同。例如，光学存在检测传感器会发出一束光或激光，除非有东西阻挡，否则这束光始终可见，据此判断其视野中是否存在某物。

03、尺寸检测传感器

数据可用于质量控制，以及确定装配时设备是否能够安全地在生产线上移动。

04、接触传感器

可用于感应车厢门是打开还是关闭，或是急停以防设备损坏—两者都具有安全隐患。

05、振动传感器

通常用于确定设备的健康状况；比如，伺服电机出现振动说明有零件出现磨损。根据这些数据，可以在问题发生之前预测维护需求。

没有传感器就没有制造自动化。在使用将45000公斤压力压到另一个表面上的压力机时，您需要知道该区域是否干净。传感器相当于自动化的数字眼睛、耳朵、鼻子和手指，无需猜测或想当然，从而实现更安全、一致且高效的状态。更重要的是，稳固设计才是真正所需，这些设计可能需要耐受热量、湿气、油、灰尘和/或其他各种可能的恶劣条件。

从数据收集的角度来看，传感器是洞察一切的门户，它们提供的原始数据可以让用户了解生产线上发生的一切。许多制造商仍在改造他们的旧设备；在这种情形下，要付出很多努力来开发既能连接旧的可编程逻辑控制器，又不影响其功能的数据接入点。还有一些制造商，虽拥有来自多个来源的数据流，但却不清楚如何用其获得有用的见解。

传感器融合提高了可收集数据的质量和类型，以及从数据中获得洞察力的确定性。比如，可使用激光传感器检测高度，再使用视觉传感器加以确认。大多数情况下，使用两个或以上不同传感器收集数据会产生冗余；然而，传感器融合让您能够根据各种传感器的优势来组合数据，从而提高洞察力。尽管如此，了解如何应用现如今的繁杂传感器技术获得有用的见解仍面临着挑战。

可编程逻辑控制器

从机器收集信息时，通信不是从传感器到传感器，而是从传感器到制造网络中的可编程逻辑控制器（PLC）。PLC是坚固耐用的固态工业计算机，用于控制制造流程。它是制造系统的大脑：既是存储逻辑和流程信息的地方，也是网络通信开始的地方。

PLC的主要功能是接收输入，做出基于逻辑的实时决策，并通过输出发送操作指令，确定复杂流程的操作顺序。PLC的输入可来自开关、传感器、视觉系统和其他来源，而输出目标可包括警报器、继电器、指示灯、气缸、螺线管、模拟输出、机器人，甚至其他可编程逻辑控制器。PLC确保接收到正确的输入。例如，一台机器可能配有一个启动传送带的红色大按钮；但是，PLC会监视以确保先启动通电信号和可能的安全功能，才可以启动传送带。

PLC还通过为闭环数字孪生（CLDT）提供运营数据来帮助提高制造效率。CLDT使用一个虚拟模型，理想情况下该模型考虑影响生产效率的所有系统与变量。在这里，PLC提供历史和实时输入/输出数据，这些数据连同来自其他系统的数据可用于微调机器设置、人员配备、物料存储和其他运营配置。不论规模大小，均可实施CLDT，从单个设备到整条生产线乃至整个制造运营部门皆可。

在支持边缘计算的环境中，虚拟化PLC势头正盛，消除了对物理PLC和机箱的需求。否则，整个制造车间的PLC可以安装在单个机箱中，或采用模块化设计，按功能（电源、处理、输入/输出选择等）分组。模块化PLC具有易于维护的优点，因为它们不依赖于其他系统。不论是物理形式还是虚拟形式，PLC始终是制造流程的大脑。

低功耗组件和子系统

未被充分认可的技术还包括在每个电子设备、电气设备和子系统（包括PLC）中使用低功耗组件。低功耗组件一般位于设计的底层—晶体管、印刷电路板 (PCB)、电阻器、现场可编程门阵列（FPGA）……等等。就实现制造4.0而言，低功耗是一个重要的推动因素，因为它显著缩小了组件的尺寸。如果没有低功耗组件的进步，机电系统可能要包含一整箱继电器，大得如同你房间的一面墙。

随着组件和子系统的尺寸越来越小，系统也变得更出色，因为系统产生的热量更少，效率更高，而且尺寸更紧凑。所有这些因素使得设计师构建的复杂机械与工艺不会占据整个制造空间。当然，尺寸越小还意味着成本越低。

现在，我们能够应用那些过去虽可提供但价格让人望而却步的各种技术与方法。埃隆·马斯克在接受采访时提到，将东西送到火星要花费每吨14万美元。他认为，我们虽然拥有这项技术，但却没有人愿意花这么大的代价去资助这个项目。

视觉系统

您可以把视觉系统看作是能够识别物体、将关键信息传达给其他系统并根据所见内容采取行动的高级机器人。它的应用通常分为以下四类：

定位 — 确定零件的位置和方向

识别 — 识别零件、识别条形码、进行库存分类等

计量 — 测量并计算两点之间的距离，以及确定测量是否符合规范

检验 — 包括检测缺陷或异常

在制造环境中，视觉系统可被训练用于识别能够被测量、计数、解码或定位的对象。与其他机器学习应用一样，训练需要大型数据集，其中有形状、大小、方向、边缘、图案、颜色等特征。例如，在训练系统识别翅片管中的缺陷时，系统经训练可能会识别出具有以下特征的翅片管：指定长度与周长，带条形翅片（而非金属丝翅片），表面平整（非锯齿状），焊缝相距0.14英寸。经训练的系统可储存图像（即各种不同形式的像素集合），用作比较的基础。

在使用中，视觉系统会提供通过/失败这两种结果。继续以此为例，系统摄像头将在翅片管制造过程完成时获取其图像。图像由捕获的光组成，具有黑色、白色、灰色和可能的彩色区域。图像被传送到图像传感器，该传感器捕获反射光并将其转换为不同形式的像素。然后，系统会解析该图像，确定其是否与自己被训练识别的具体像素形式相匹配。

视觉系统的使用给制造业带来了多方面的提升，例如提高产品质量、减少浪费（材料和时间）、减少停机时间、创建可追溯性和问责制以及促进合规性。