一、前言

老早前就想就自动化行业的发展方向谈谈我的所思所得，如果一定要追溯，那都是10多年前的事了，但技术人员的谨慎性格一直想再看清楚一点，所以一拖再拖，以至于十多年过去了，拖无可拖，火烧眉毛了，才决定动笔。

因为本人是电子专业出家，对于自控是因为参与了控制系统的设计，再半路自学的，并没有精准的控制理论基础，所以文章中如果有失误，那也是正常的，请大家多指正，特别是总体的方向和思想可以多多交流，这也将是未来发展的方向。

自动化行业是一个很奇葩的行业，理论与实践之间差了63年，为何这么精确，因为1954年钱学森发表的《工程控制论》代表的经典控制理论时代仍是目前自动化行业最主要的理论指导。

在其后的无论是现代控制理论，还是现在90年代有人提出的智能控制理论，都是只闻其声，未见其人，大多数场合还在使用PID和模糊控制，新的理念己经很多，但在大规模的工业控制中很难以推广和应用。

在开始咱们的描述前，咱们先看看专家们如何定义分代的。

经典控制理论：建立在频率法和根轨迹法基础上的理论。经典控制理论以拉氏变换为数学工具，以单输入－单输出的线性定常系统为主要的研究对象。将描述系统的微分方程或差分方程变换到复数域中，得到系统的传递函数，并以此作为基础在频率域中对系统进行分析和设计，确定控制器的结构和参数。通常是采用反馈控制，构成所谓闭环控制系统。

经典控制理论的特点：

1、经典控制理论只限于研究线性定常系统，即使对最简单的非线性系统也是无法处理的；

2、经典控制理论只限于分析和设计单变量系统，单一输入单－输出的变量系统，这就从本质上忽略了系统结构的内在特性，也不能处理输入和输出皆大于1的系统。实际上，大多数工程对象都是多输入－多输出系统，尽管人们做了很多尝试，但是，用经典控制理论设计这类系统都没有得到满意的结果；

3、经典控制理论采用试探法设计系统，多依靠反馈方式进行控制。

现代控制理论：现代控制理论以线性代数和微分方程为主要的数学工具，以状态空间法为基础，分析与设计控制系统。

现代控制理论具有以下特点： 

1、控制对象结构的转变控制对象结构由简单的单回路模式向多回路模式转变，即从单输入单输出向多输入多输出。它必须处理极为复杂的工业生产过程的优化和控制问题。 

2、研究工具的转变

1）积分变换法向矩阵理论、几何方法转变，由频率法转向状态空间的研究；

2）计算机技术发展，由手工计算转向计算机计算。

3、建模手段的转变由机理建模向统计建模转变，开始采用参数估计和系统辨识的统计建模方法。

现代控制理论的进一步发展包括以下方面： 

1)建模和系统辨识

2)最优控制理论

3)自适应控制理论

智能控制理论：具有下面几个鲜明的特点：

第一，在分析和设计智能控制系统时，重点不要放在传统控制器的分析和设计上，而要放在智能机模型上,也就是说不要把重点放在对数学公式的描述、计算和处理上!实际上一些复杂大系统可能根本无法用精确的数学模型进行描述，而要把重点放在对非数学模型的描述、符号和环境的识别、知识库和推理机设计和开发等上面来。 

第二，智能控制的核心是高层控制，其任务在于对实际环境或过程进行组织，即决策和规划，实现广义问题求解。 

第三，智能控制是一门边缘交叉学科，傅京孙教授首先提出了智能控制的二元交集理论即人工智能和自动控制的交叉，美国的塞利德斯与1977把傅京孙的二元结构扩展为三元结构!即人工智能、自动控制和运筹学的交叉，后来中南工业大学的蔡自兴教授又将三元结构扩展为四元结构!即人工智能、自动控制、运筹学和信息论的交叉，从而进一步完善了智能控制的结构理论。  

第四，智能控制是一个新兴的研究和应用领域，有着极其诱人的发展前途。自从“智能控制” 概念的提出到现在，自动控制和人工智能专家和学者已经提出了各种智能控制理论，有些已经在实际中发挥了重要作用。

在上面的长篇大论中，是完全基于理论界的分割，在实际工程中，常常你中有我，我中有你，很难简单定义。核心是控制需要从传统的简单传递函数发展到以大数据建模才可以更精准的控制。

设备银行就是国内在这一块的先行者，大家可以在微信小程序里面搜索“设备银行”体验极简上云的过程，所有软件都免费。

二、现状

目前在国内的工业控制中，无论是冶金、电力、装备、楼宇，大多数的控制系统在实现时，咱们都需要把一个个复杂的控制系统分解成一个个的单输入输出的回路，再把各回路串起来，这种方式己经在业内使用了数十年，简单可靠，而且管用，一个基础的PID加上一些模糊控制，己可以满足大多的要求。

这种自控工程的实现存在着一系列的问题： 

 1、参数固定：控制参数是在系统调试过程中确定的，大多是基于实验和经验得出来的。而在系统运行过程中，并不再修改。实际运行过程中，这些控制参数并不一定适合，而导致系统带病低效运行。 

2、适应差：控制函数经济范围窄，因为所有的控制算法都是有范围的，一个好的控制算法是可以满足用户在全范围的性能要求，但实际上大多数情况下，并不一定能有经济性。当然在实操中，也有部分能力强的工程师对算法进行分段，不同的控制区间采用不同的算法或者参数。总体而言，同一个控制算法，不同人调试，都有可能导致系统的高效区间在不同的位置，实际上，在现场我们常看到大量的系统在低效区间长期运行。
3、人为因素太多:无论是算法的选择、控制的精细、参数的选择，都与工程师的能力、运气存在很大的关联，不受控制。比方说一个最简单的加热，可能在调试时，放料数量较少，工程在调试和验收评估时，都可以满足要求，但在正式投入运行时，却会因为负载加大，而使控制的效果变差，波动增加。
4、无法有效评估：在系统投入运行后，绝大多数的系统是不会再做评估，比方说楼宇控制中的能耗，我们发现很多老系统的能耗是理论值的数倍。但因为无有效评估，却在年复一年的浪费着数百万的电费。

三、新一代的控制

传统的控制，都是在系统建设期，确定算法，固定参数。这种情况下造成大量的自控系统运行在低效区间，而因为没有评估系统，而导致无人知道，最后造成大量的能耗浪费，生产的产品质量不稳定。

如若再采用传统的控制算法，这些问题都是很难解决的，我们只能人力的增加更多的判断，增加更多的分段，不同的区间采用不同的算法或者参数。

而现代控制理论和智能控制，从本质上就是要解决这些问题，解决这些非线性，多输入多输出的系统。但现代控制理论的核心是状态空间法，是建模，这需要大量的数据，来进行描述，正如现在最热门的人工智能的深度学习算法，其核心是海量的数据进行训练，使其自行找到特征，然后进行识别。

相对于IT行业，自动控制要更加精准和简单，因为自动控制的信息是有限的，而其特征（输入信息）的选择也是人为的，需要我们在特定的位置装传感器才可以得到。所以自动化行业的大数据是前期建模，精准特征，需要的是对这些数据进行分类，归纳，并得出其关联度。 目前IT界的人工智能，更多的集中在对人，对视觉，对语言，对网络上海量的数据进行分析和推理，从技术上来说更为复杂。

而对于自动化行业，这种技术并不合适，我们很难对传统系统随机的安装大量的传感器，然后再从这些数据中去分析出内在的关联，实际上也完全没有必要。在自控行业，我们一定是事先人为的估计哪些参数是与控制效果相关的，然后将这些信息采集，并送给控制系统进行分析。

在传统的孤岛式的控制系统，只能利用自己的历史数据进行分析，这些数据带有大量的误导性，甚至不一定是收敛的，哪怕是有效的，这个过程也过于漫长，这就是早期的专家库系统无法得到推广的核心原因。

举个简单的例子，一个楼控中的中央空调系统，有两个核心指标，一是舒适度，二是能耗。而实际上，咱们可以对风或者水的不同能耗比，而达到同样的舒适效果，要么是风量小，水量大，进回水温差小，要么风量大，水量小，进回水温差大。两者的能耗会有相当大的差别，设备寿命也有显著的差别。

在目前的控制系统中，一般将整个中央空调分解成，风系统，冷冻水系统，冷水机系统，冷却水系统，每个系统都是一个单输入或者是双输入单输出的系统，各子系统之间并无关联，是一个典型的松散耦合。好处是每个子系统都有自己的指标，调试简单方便，系统稳定性高，也就是电子系统中的异步系统。但这种方式的坏处也相当明显，就是很难达到最优，无法满足现代控制对于性能的要求。

作为现场的工程师，并不会去考核能耗指标和系统寿命，他只需要满足用户的舒适度就好，所以最终的结果是不同的人不同的程序，达到了同样的舒适度，却有差百分之几十的能耗差别，同时包括主机、水阀等寿命也会大受影响。

再例如：一个楼控系统，在调试时，没有人入住，而在调试完成后，这个楼建成了一个超市，每天人山人海，初期的参数，并不适合，造成舒适度下降，能耗也大大增加，但用户维护电工的能力是无法了解和改变的。

那么如何解决这些问题呢？ 这就回到了现代控制理论，需要用足够多的数据，一个合理的建模，迭代出变量间的关系，具体实现如下： 方式一： 针对具体的控制系统，特别是过程控制系统，在项目实施完毕后，将控制相关变量采集，并通过网络上传服务器，服务器通过对全球所有同类型控制对象进行归纳和分析评估，并得出在当前条件下最优的控制参数，直接下载一组由云计算得出来的最优参数。 方式二： 与方式一的区别在于云端直接参与控制，作为最外端的一个大延时的大闭环，进行趋势控制。

本系统的意义：

1）控制系统不再是工程完毕，控制系统公司把钥匙交出去就完事。而是从工程结束后，其控制参数还将在运行过程中，不断的基于大数据进行分析和运算，使其越来越优化，并拥有最强的自适应性。

2）自动化公司的性质产生变化，自动化公司不再是工程为主，而是以维护和管理服务为主业，每个行业都只需要数家自动化公司，他们将是这个行业数据量最大的最全面的服务商，自动化系统接入到公司云平台后，将动态的进行计算和优化，一方面自动化公司收取工程费用，进一步收取优化服务费用，更重要的是用户未来不再需要对设备进行管理，而是由自动化公司进行管理，从而派生出自动化保险或者是租赁业务。

3）整个工业行业的生产效率和效益大大的提高，传统上一个自动化业主，需要养一批二流水平的维护工程师，现在不再需要，而是由自动化公司进行维护，大量的维护人员将失业，另一方面运行的能耗大大下降，质量大大上升。这一点，在很多能耗比较高的行业尤其明显。

4）自带评估体系，用户将清楚的知道自己的系统在同类型系统中的效能、质量，从而可以更加精准的进行系统升级投资。

四、适应对象

此控制模型从长远来说，在未来通讯成本近似为零的情况下，所有的控制系统，都将带有网络接入点，可能会导致整个控制行业的大变革。 但咱们自动化行业不需要极端主义者，任何新的技术的引入，都需要一个漫长的发展过程。就目前而言，能立即使用上的一定拥有以下特点： 1、量大：有足够多的样本。 2、有价值：要么可以省人，要么可以节能，要么可以提高产品质量。 3、回报期短：在投入后，可以在一两年内回本。 4、安全：本系统是基于网络的，尽管可以通过加密通讯过程，分割人与设备网络，用户确认再下载控制参数等手段，但终归这是一个基于互联网的大数据系统，安全是第一位的。所以我们要选择自带安全性，哪怕出现通讯故障，有黑客恶意攻击也不应有任何安全性的影响。

五、结束语 

物联网，专家库系统，神经元网络，深度学习，人工智能，这些早期理论界与工程界井水不犯河水的思想，终于要漫过来了，将会因为大数据和云计算，而得到新生，最终大力的改变整个控制领域，进而深度的影响整个工业和人类生活。未来将会有大量的行业因此而改变，大量的人员因此而改行，这绝不是杞人忧天，而是马上需要面对的。

这场新的工业革命，大家大多把目光集中在黑灯工厂，集中在工业4.0，其实，这些都只是表象，而最核心是控制理论将产生质的变化，未来的控制就象从山顶滚雪球一样，先由经典理论控制，并得到初始数据，然后其它的控制对象就不再需要控制算法，而是基于大数据所对应的一个数据矩阵，无论什么控制，理论上都可以基于一个足够大的查表法进行控制，而云端还将根据运行情况进行评估和调整。

想想多有意思，未来的自动化系统，只需要告诉它，这是一个高炉，多大容量，用什么类型的矿，在哪个地方，它就会生成一套数据，估控制系统调用查表输出。控制系统唯一需要干就是平滑表格数据间的台阶。 更往远处想，若隐若显的庞然大物，使人有些向往，又有些敬畏，整个工业行业将有大量的人生而因此改变。作为国内领先自动化公司，矩形有责任认真而负责任的开拓，并谨慎的应用这些技术。

在过去的十多年，一直在生产物联网方面的产品，并用这些控制系统去帮助用户完成各类的工程，从早期的路灯监控、排污监控、能源管理、智能建筑、数字化油田、数字化农业到现在的CDB系统，这是一个厚积而薄发的过程，新一代的控制系统架构，如鲠在喉，不得不发，再也压制不住。如若从自私的角度，关上门来慢慢发展会更加有利，但我是一个懒惰的人，需要更多的同行的进入来刺激和帮助行业的完善。所以在此不尽不详的发了此文，相信会有很多的同知和同好会能看得明白，并希望大家能多来邮来电，交流沟通。