Allen-Bradley ControlLogix 和 CompactLogix 控制器指令集极其丰富。普通用户从未使用甚至不知晓许多指令，这不足为奇。分时比例分范囲指令 (SRTP) 便是其中之一。 我用 ControlLogix 产品超 20 年，几年前才在 ControlLogix 和 CompactLogix 指令集的过程控制指令组中偶然发现这条指令。SRTP 仅以功能块或结构化文本形式提供，梯形图不支持。 图 1. SRTP 指令功能块图示。 SRTP 指令工作原理 SRTP 以模拟信号为输入（通常来自 PID 回路），按最小/最大缩放配置将其转换为占空比与模拟输入相对

如何适应数字化转型 制造业数字化转型趋势众多：增材制造、联网设备、云服务等助企业在多变世界掌控局面。许多公司谈论数字化转型，但近期事件表明技术仍受传统因素驱动：自然资源、人口、疾病。我们已探讨 3D 打印如何驱动转型。以下快速回顾预测技术推进制造业、当前加速行业迈向数字化未来的驱动力。后续将探讨数据、仪表盘、云计算对转型的影响。 图 1. 协作机器人配合人类通过 HMI 作业。图片来源：SYSPRO 预测性数据：灵活与快速 预测性维护通过数据显示机器何时需维修，价值已被验证。预测性维护概念由来已久，常是展示新技术采纳投资回报率 (ROI) 的相对容易切入点。但随着数据集积累，预测能力

如何适应数字化转型 制造业数字化转型趋势众多：增材制造、联网设备、云服务等助企业在多变世界掌控局面。许多公司谈论数字化转型，但近期事件表明技术仍受传统因素驱动：自然资源、人口、疾病。我们已探讨 3D 打印如何驱动转型。以下快速回顾预测技术推进制造业、当前加速行业迈向数字化未来的驱动力。后续将探讨数据、仪表盘、云计算对转型的影响。 图 1. 协作机器人配合人类通过 HMI 作业。图片来源：SYSPRO 预测性数据：灵活与快速 预测性维护通过数据显示机器何时需维修，价值已被验证。预测性维护概念由来已久，常是展示新技术采纳投资回报率 (ROI) 的相对容易切入点。但随着数据集积累，预测能力

计算机早期主要执行简单数理逻辑运算。逐渐进化为执行复杂计算、精细问题求解，成世界信息骨干。超越传统计算范畴，意味着计算机需要智能。研究者与计算机工程师转向模仿人类智能。人工智能 (AI) 是致力于创造媲美人类智能的计算系统的计算机科学领域。早期 AI 模型执行复杂逻辑运算。随后开发出更高级技术执行更“智能”任务。AI 领域最常用的两个术语：机器学习与深度学习。本文探讨二者起源、共性与差异。 图 1. AI、机器学习与深度学习的关系。图片来源：Avimanyu786 深度学习与机器学习 机器学习与深度学习均为 AI 子集。深度学习是机器学习的子集。即：所有深度学习都是机器学习，但非所有

工业电机启动 工业电机启动器为三相感应电机启动提供所需功率。任何电机在堵转时电流最大（额定电流 5-6 倍）。启动阶段通电瞬间电机处于堵转状态，即将转动。理论简单，但设计师/工程师启动保护交流 (AC) 感应电机的方式多样，效率各异。 图 1. 手动/开关式电机启动器。图片来源：Siemens 基础层面，启动器允许电流在短时内超过断路器或熔断器额定值，直到电机达到额定转速。启动器也可使电机反向启动。 电机启动器类型 手动式： 最基础，本质是带过载保护的开关。仅用于低马力电机，且启动时无物理阻力的电机。驱动飞轮的电机不可用手动启动器，水泵可用。 磁力式： 利用接触器或大功率继电器控制

本短系列聚焦数字化转型驱动力。前文链接： 3D 打印是否持续驱动数字化转型？ 预测性维护与数字化转型的关系 如何用数据驱动数字化转型（本文） 众企业试图规模化部署监控、远程访问、机器学习等数字工具。本文探讨这些技术如何推动制造业未来。 用对数据 工程师受训懂统计数学辅助决策，知晓用对数据与方程才能得准确结果。如今获取数据途径空前多，但选项过多、数据过载反而让企业淹没。联网设备不能止步于测量发送数据。技术人员须知数据含义及响应之道。原始数据无法直接助管理者做更好决策、寻得智能策略。为此需更多数据、多源汇聚以见全貌。原始设备制造商 (OEM) 以软件、高阶 HMI、仪表盘回应：开启数字化转

深度学习是数据分析师武器库中的利器，在工业应用等不同领域不断拓展新用途。核心原理：利用海量数据构建模型以实现精准预测。 考虑一个工业自动化工程师需融合两个深度学习模型的小案例：某手机厂产线生产多款手机。计算机视觉配合深度学习算法执行质检。现产线生产手机 A 和 B，模型 A、B 分别负责 A、B 质检。新推出手机 C，工厂可能需新模型 C 质检。从头训练新模型需海量数据与时间。 图 2. Python 中深度学习神经网络的堆叠集成示例。图片来源：Machine Learning Mastery 另一种思路：融合模型 A 与 B 的学习成果构建模型 C，微调权重即可胜任质检。另一融合

制造自动化水平提升，对控制系统与数据的远程访问需求与收益同增。流程制造业中，远程访问让操作员、工程师从笔记本、手机、平板远程控制设备、分析数据、排故——无论身在办公室、家中还是咖啡厅。 什么是远程访问？ 远程访问指数据与控制系统电子化执行，通过互联网（或更佳的企业私有内网）访问。工程师技术人员无需在厂区穿梭采集过程数据或操作控制系统。数据近实时数字化存储，计算机可执行过程控制决策。流程工程受益尤显：常有连续稳态过程需常规监控。离散制造同样受益，本文聚焦流程制造。 图 1. 视镜和摄像头可作为备用核对罐体液位数字读数。图片来源：Grainger 流程制造中，流量、温度、压力等物理参数

自主维护是制造一线广泛遵循的理念：机器自行检测潜在故障原因并完成必要维护。预测性与预防性维护孰重孰轻虽有争议，但自主维护让操作员同时具备两者能力。自主维护策略不免除维护人员责任，而是让他们从繁杂基础工作中解脱，专注更复杂、高阶的任务。 图 1. 开裂闸阀可能导致泄漏。 需日常执行的基础活动包括： 监控油位（及其他液位） 监控传感器及其布线 检查机械或连接管网的裂纹、泄漏 检查连接系统的松动情况 如何实施自主维护 自主维护营造运维协作环境，高效识别消除生产力威胁。实施七步法： 提升操作员能力 持续清洁 消除污染源 制定监控、清洁、润滑标准 检查与监控 可视化维护管理 持续改进

什么是平均恢复时间 (MTTR)？ 在自动化软件中，MTTR（Mean Time To Recovery）用于衡量设备故障诊断与恢复自动运行的难易度。MTTR 是将机器恢复至生产状态的平均时间，为机器效率提供良好基线。结合其他指标，可指引控制工程师和维护人员发现可减少的虚假故障。 图 1. 工业机械。 机器故障 每台机器都有故障或报警，停机并通知操作员或维护人员。有时故障易清除，有时指引维护人员找到异常响应的组件。MTTR 计算可帮助控制软件开发者让故障描述清晰易懂。 计算 MTTR 工程师可手动计算，或用基础逻辑写入机器控制器，让受训技术人员随时在生产中查看数值。公式： MTTR

“数据湖”与“大数据”是两个常被误解、混用的现代术语。因均暗示大量数据，有时被互换使用。实则二者不同，尽管定义尚未完全定型。 图 1. 现代数据来源多样、类型丰富。图片来源：Analytics Vidhya 先回顾历史背景。2000 年代末，Facebook、Twitter 等社交媒体爆发式增长，数据科学家意识到其产生海量有价值个人数据的潜力。随之诞生处理分析大数据的新软件，典型如 Apache Hadoop——开源应用工具包，能处理大数据级信息。随后十年，物联网 (IoT) 登场，数百万新数据源涌现，洞察个人偏好模式的同时反馈产品自身信息。同时机器学习在工业界取得重要进展，推动工业

计算流体动力学（CFD）广泛应用于各行业。 从为 SoC（片上系统）设计高效散热方案，到助力赛车再缩短几秒圈速，CFD 始终是仿真优化的利器。 图 1. CFD 常与航空航天、汽车设计关联，实则适用于电机、机器人、电池、热管理等多行业。图片来源：Siemens 什么是计算流体动力学 (CFD)？ CFD 是基于流体动力学原理的数值仿真与建模工具。利用数值方法与算法求解流体流动相关问题。关键在于：流体不限于液体，气体（如空气）亦属流体。CFD 可模拟流体流动、化学反应、相变、热质传递，以及液体、气体、固体在系统中的流动行为。 CFD 工作原理：基础篇 核心控制方程：连续性方程（质量

大数据时代来临，现代计算机科学不断刷新能力与算力基准。如今动辄 100 TB 以上的数据集已成常态，即“大数据”。 面对海量信息，极易陷入混乱、在无用内容上浪费时间。这正是遵循方法论、提升大数据项目效能与效率的关键所在。 图 1. 现代数据科学处理超大数据集，即大数据。 数据科学生命周期提供框架，帮助定义、收集、组织、评估、部署大数据项目。它是迭代过程，由逻辑有序的步骤组成，支持反馈与调整。 生命周期序列长什么样？答案是：没有放之四海而皆准的通用模型。许多企业会根据业务流程调整生命周期，通常增加步骤。但所有模型和流程都有共同分母。本文采用 CRISP-DM 模型——最早、最流行的

工业4.0——常称第四次工业革命——带来数字化浪潮，重塑供应链每个侧面。从实时数据采集到AI驱动决策，它交付前所未有的透明度、效率与敏捷性。 工业4.0：现代供应链数字化脊梁 不同于前代工业3.0聚焦机器人与PLC自动化生产，工业4.0构建在其基础上，利用这些系统生成的数据。IoT传感器、边缘计算、高级分析创建持续反馈回路，实现毫秒级延迟的预测性维护、动态路由、需求预测。 关键驱动因素 连接资产海量数据摄取 AI与机器学习模型将原始数据转化为可执行洞见 随需求扩展的云原生平台 跨设计、制造、物流、零售的网络物理集成 解锁战略洞见 供应链领袖现视数据为战略资产。近期调查显示66%高管视高级分

工业物联网（IIoT）融合IT与OT为单一生态，但OT独特需求意味着其无法安全采用IT通用的以补丁为中心的安全模型。严谨的威胁分析方法提供更具韧性、高性价比的解决方案。 为何OT不能遵循IT补丁手册 许多IIoT环境中，OT系统是国家级与救生运营骨干。Forrester调查（引自InformationWeek DARKReading）显示，59%组织因IT或OT归属不清，愿接受IoT安全中高风险。这种僵局不仅延误关键安全措施，更制造实质漏洞。 IT与OT关键差异 可用性：IT容忍99%正常运行；OT要求99.999%——年停机8.76小时对决5.25分钟。 系统寿命：IT硬件3-5年刷新，O

引言 过去十年，技术重塑了几乎所有领域——通信、交通、甚至人际关系。在医疗健康领域，影响更为深远，将常规诊疗转变为数据驱动、AI 增强的生态系统。 “技术-医疗”混合体 技术不再是可选附件，而是现代医学的脊柱。无论你是临床医生、患者还是技术开发者，理解这种相互依存至关重要。最新调查显示，87% 的医院已采用 AI 驱动的诊断工具，73% 部署了可整合可穿戴设备数据的电子健康记录（EHR）系统。 更强硬件、更优软件、最高精度 AI 诊断实现前所未有的精准度 高性能计算模块结合深度学习算法，将诊断准确率推向新高。例如，AI 模型检测糖尿病视网膜病变的灵敏度达 94%、特异度 95%，超越传统筛查方

制造业正经历深刻变革。外包压力与自动化快速采用重塑产线，密歇根与俄亥俄工厂关闭引发对就业保障的合理担忧。 前行：无法回头 劳动力短缺达17年高位，据圣路易斯联储数据。熟练工退休快于新人才进入，迫使许多企业外包或面临不确定性。 部分公司试图通过激励将低薪岗位带回美国逆转趋势。保护主义措施可提供短期缓解，但行业长期生存取决于拥抱自动化。 现状的问题 生产力增长在大多数行业滑落。波士顿咨询集团研究发现，2011-2015年医药生产力中位数年降2.8%，电子与资本设备表现类似。汽车与消费品外，放缓更显著。 即使适度生产力增益最终触顶。已投资机器人与自动化的公司将超越仍依赖人工的企业。 有限劳动力与贸易

随精通技术用户激增，公共访问计算已成教育、零售、银行、医疗、图书馆等领域组织刚需。 共享、联网工作站现已成这些领域常态。 这些设备提供即时数字资源访问，提升客户参与、改善运营效率、保障服务可用性。 随共享计算依赖度加深，IT团队面临在紧预算内保持设备平稳运行的越大压力。 管理多用户工作站加剧IT挑战。 广泛任务日常使用使共享工作站暴露于未授权更改与安全威胁。 用户可能无意删除关键文件、更改管理员批准设置、安装未授权软件，导致性能迟滞或频繁崩溃。 两台或更多工作站同时故障时，IT人员须奔赴现场，延长停机、挫败用户、推高支持成本。 许可合规与恶意软件风险放大有限IT资源负担。 未授权软件安装制造

云计算已成现代IoT解决方案脊梁，提供远超扩展性与成本节约的价值。以下拆解云为IoT计划增值的三大关键路径。 云对IoT的关键优势 #1 云实现无缝数据集成 企业数据——来自ERP、CRM等核心系统——常处于孤岛。当IoT设备注入高速、大量传感器数据，传统本地架构难以跟上。云平台提供单一弹性存储库，可同时摄取、存储、处理遗留业务数据与实时IoT流。 这种统一数据层消除重复集成作业与跨系统审计，加速可执行洞见交付。凭借云自动扩缩能力，组织可在不重构基础设施前提下增长数据量。 #2 云提供经验证的安全性与可靠性 对将关键数据迁上云的担忧普遍，尤其受监管行业。Microsoft Azure、

去中心化长期是人类社会基石，始于新石器时代小社区，每个成员对群体负责。这些紧密社会依赖相互信任与集体责任，无需中央权威。 随农业出现，人口增长、粮食盈余积累、社会复杂性增加。此转变创造组织治理需求以管理资源、执法、提供防御，开启首个中央集权国家。 新石器革命与农业兴起 历史学家V. Gordon Childe创造“新石器革命”描述约公元前10000年肥沃新月地带从狩猎采集向定居农耕社会过渡。此时代采用石器与早期灌溉，支撑更大人口。 即便萌芽期，农业亦需超越少数个体的协调。由此人口压力催生城镇、最终形成城市。 从城市到帝国 人口从公元前8000年估计600万增至公元前3000年5000万，贸易网