OLLA Lab 中 PLC 的 JSON 序列化

OLLA Lab 将梯形图逻辑序列化为结构化 JSON，而非不透明的二进制文件。这种基于文本的表示方式实现了云端同步、版本感知变更跟踪以及用于验证工作流的机器解析，同时将 PLC 实践保持在受限的仿真环境内，而非实时控制系统中。

专有的 PLC 项目文件并不会仅仅因为难以阅读而变得“安全”。在实践中，这种不透明性往往会削弱协作、可审计性和恢复能力，因为逻辑被锁定在供应商特定的二进制格式中。

在 OLLA Lab 中，梯形图被存储为结构化 JSON 模式，可以在浏览器环境中进行传输、解析和重构。在 Ampergon Vallis 2025 年第三季度的内部云基准测试中，对 25 个梯级数在 20 到 100 之间的 OLLA Lab 项目进行序列化处理，与该平台基于二进制的内部基准相比，平均有效载荷减少了 82%；而对于 100 梯级的测试案例，Yaga 助手完成全项目模式解析的时间不到 400 毫秒 [方法论：n=25 个项目导出；任务定义 = 序列化并传输完整的梯形图项目状态；基准比较器 = Ampergon Vallis 用于架构测试的内部二进制等效存储对象；时间窗口 = 2025 年第三季度]。这支持了关于 OLLA Lab 自身架构内传输效率和解析速度的声明。它并不支持关于所有 PLC 软件的通用声明。

更重要的一点显而易见：基于文本的逻辑更易于版本控制、检查、恢复和验证。二进制大对象（Binary blobs）作为“大对象”表现出色，但这与逻辑的可理解性是两码事。

专有二进制文件限制了版本控制，因为它们将控制逻辑存储为不透明的、面向机器的数据，而非可按行寻址的文本。标准的源代码控制系统（如 Git）在能够比较离散的文本变更时表现最佳，而不是当整个文件看起来同时发生变化时。

在许多传统的 PLC 环境中，项目文件实际上是一个编译后的容器。如果一名工程师更改了定时器预设，而另一名工程师更改了允许触点，Git 通常无法将这些编辑识别为独立的逻辑增量。它只能看到一个被修改的二进制工件。合并质量会立即下降。

这造成了几个实际的限制：

• 差异可见性差： 标准的文本差异工具无法显示梯级或指令级别的具体变更。
• 合并行为薄弱： 在没有供应商特定工具的情况下，并发编辑难以协调。
• 可审计性有限： 审查者可能知道文件发生了变化，但不知道具体是如何变化的。
• 可移植性降低： 项目变得依赖于特定的 IDE 和文件解析器。
• AI 可用性脆弱： 大语言模型和基于规则的验证器无法原生检查专有的二进制结构。

一个有用的区分是文件完整性与工程可理解性。一个二进制文件可能打开正常，但在操作审查层面却毫无帮助。

自动化中的二进制大对象与 JSON 序列化

| 属性 | 专有二进制文件 | JSON 序列化逻辑 | |---|---|---| | 人类可读性 | 极低或无 | 具备结构意识，可读 | | 标准 Git 差异比较 | 差 | 强 | | 分支/合并支持 | 有限 | 更强，取决于模式规范 | | AI 解析 | 通常是间接的或不可用 | 可直接解析 | | 供应商独立性 | 低 | 在数据结构层面更高 | | 损坏诊断 | 难以隔离 | 更易于选择性检查和恢复 | | 云传输 | 通常更重且依赖工具 | 无状态且对 Web 友好 |

这并不意味着二进制存储是不合法的。它意味着二进制存储与现代软件审查工作流的契合度较差。由于别无选择，OT（运营技术）多年来一直忍受着这种不匹配。

OLLA Lab 通过将图表存储为结构化数据对象而非平面图像或不透明的项目大对象来转换梯形图逻辑。梯级通过嵌套实体（如指令、标签绑定、状态、参数和布局元数据）来表示。

当用户在浏览器编辑器中放置指令时，平台会记录可观察的属性，包括：

• 指令类型，
• 标签引用，
• 地址或标识符，
• 参数值，
• 梯级位置，
• 执行相关状态，
• 以及适用的场景上下文。

这一点很重要，因为保存的对象不仅仅是一张图，它是控制意图的机器可读表示。

示例：指令级 JSON 表示

instruction: { "type": "XIC", "tag": "Pump_Start_PB", "address": "I:0/1", "state": false }

一个更完整的项目模式通常会包含以下附加对象：

• 梯级排序，
• 分支关系，
• 输出指令，
• 定时器或计数器预设，
• 模拟量值，
• PID 参数，
• 场景绑定，
• 以及仿真状态快照。

这在实践中意味着什么

如果学员构建了一个电机启动自锁梯级，OLLA Lab 可以同时存储逻辑结构和相关的仿真上下文。这使得平台能够在编辑器中重构项目，在仿真模式下运行它，并将相同的状态暴露给变量面板和 AI 助手。

这就是 OLLA Lab 在操作层面发挥作用的地方。该平台保存的不仅仅是逻辑截图，它保存的是一个系统其他组件可以查询的数据模型。

在本文中，云原生梯形图逻辑存储意味着逻辑可以被序列化为基于文本的模式，以无状态方式传输到远程服务，独立于本地工程工作站进行存储，并可在浏览器可访问的环境中按需重构。

这个定义比通常出现在营销话术中的定义更为狭窄。我们讨论的是存储和传输架构，而不是软件美德的某种神秘属性。

梯形图的云原生存储模型通常包括：

• 无状态传输： 项目状态作为数据发送，而非工作站内存上下文；
• 远程持久化： 项目文件存储在托管的云存储中，而非仅存在于本地机器；
• 浏览器重构： 编辑器可以从序列化对象中重建图表；
• 服务互操作性： AI、评分、共享和仿真服务可以消费相同的模式；
• 设备灵活性： 用户可以在桌面、平板、移动设备或支持的 XR 环境中访问同一个项目。

在 OLLA Lab 中，这种架构支持基于 Web 的梯形图编辑器、仿真工作流、基于场景的培训和引导式辅助，而无需学员为了练习逻辑行为而管理本地供应商的运行时堆栈。

这是一种培训和验证优势，而不是声称浏览器工具可以取代所有供应商工程套件。这种区别很重要。

基于文本的 PLC 存储实现了软件风格的审查和协作实践，这些实践很难应用于不透明的项目文件。主要优势在于差异比较（diffing）、分支（branching）、可恢复性和机器辅助验证。

1. 差异比较 (Diffing)

差异比较是文件两个版本之间的行级比较。在基于 JSON 的梯形图项目中，审查者可以识别变更是否涉及：

• 定时器预设，
• 触点类型，
• 标签绑定，
• 模拟量阈值，
• 或序列参数。

这在实质上优于“文件已更改”。工程审查需要的不仅仅是一个模糊的提示。

2. 分支 (Branching)

分支允许用户或团队测试替代控制策略，而无需覆盖当前工作版本。在培训和数字孪生排练中，这对于比较以下内容特别有用：

• 替代的允许逻辑，
• 故障处理修订，
• 报警死区设置，
• 轮换/备用（lead/lag）排序选项，
• 或 PID 调优实验。

3. 可恢复性

当出现问题时，基于文本的模式更易于检查和部分恢复。如果项目对象格式错误，通常可以将故障隔离到模式的特定部分，而不是导致整个文件无法读取。

4. 无需严格文件锁定的协作

结构化的云工作流可以比本地文件交接更清晰地支持多用户审查和讲师反馈。OLLA Lab 的共享和评分功能建立在这一架构优势之上。

5. 更好的验证工作流

机器可读的模式可以在部署或执行仿真之前检查一致性。示例包括：

• 缺失的标签引用，
• 重复绑定，
• 无效的参数范围，
• 不完整的梯级结构，
• 或场景不匹配。

这与更广泛的基础设施即代码 (Infrastructure as Code) 理念相近：将系统配置视为可检查、可版本化的数据。在 OT 中，这一原则很有用，但实施必须保持严谨。由优雅的 Git 管理习惯导致的工厂停机依然是工厂停机。

JSON 序列化使 OLLA Lab 具备 AI 就绪能力，因为 AI 系统需要结构化文本输入，而非专有的二进制项目容器。语言模型、规则引擎或验证服务可以直接解析 JSON 键、关系和值。

当用户询问 Yaga 为什么泵没有启动时，助手不会从屏幕像素中推断控制状态。它可以被赋予序列化的项目结构、当前标签状态和场景上下文。这就是图像解释与模式感知推理之间的区别。

AI 就绪的定义

在此背景下，AI 就绪意味着：

• 控制逻辑以结构化文本格式存在，
• 相关的标签和指令类型被明确表示，
• 当前仿真状态可以附加到逻辑模式中，
• 且生成的包可以足够快地被解析以支持交互式反馈。

这支持了几个受限的用例：

• 识别阻塞的 `XIO` 或错误的允许条件，
• 检测未锁定的自锁路径，
• 标记不一致的标签使用，
• 解释定时器行为，
• 审查模拟量阈值逻辑，
• 或引导学员了解可能的故障原因。

这并不意味着 AI 是认证机构、安全验证器或设计审查的替代品。AI 可以加速检查，但它不继承问责制。

为什么这对学习很重要

一个只会编写梯形图语法的学员还未达到仿真就绪 (Simulation-Ready)。在 Ampergon Vallis 的使用中，仿真就绪意味着能够在逻辑进入实际过程之前，证明、观察、诊断并强化控制逻辑以应对现实的过程行为。

这包括以下能力：

• 监控 I/O 状态，
• 将梯形图状态与模拟设备行为进行比较，
• 注入故障，
• 在异常情况后修订逻辑，
• 并解释为什么修订后的逻辑更正确。

语法是必要的，但可部署性是更难的考验。

JSON 序列化通过为仿真器和逻辑引擎提供共享的、机器可读的控制系统状态描述，从而支持数字孪生验证。梯形图程序、标签值、模拟量绑定和场景参数都可以作为结构化数据进行交换。

谨慎使用的数字孪生验证工作流不仅仅是“在漂亮的 3D 场景中运行代码”。在操作层面，这意味着检查控制逻辑在定义的正常和异常条件下是否产生预期的设备行为。

在 OLLA Lab 中，这可以包括：

• 切换离散输入并观察输出响应，
• 监控模拟量值和比较器行为，
• 根据序列预期测试定时器和计数器，
• 验证联锁和允许条件，
• 以及将机器状态转换与预期的控制哲学进行比较。

这一点很重要，因为许多梯形图练习止步于梯级正确性。真正的调试并非如此。逻辑必须经受住与过程行为的接触，而过程行为通常比白板版本更不“客气”。

标准背景

工业控制中仿真和基于模型的验证的价值，与数字孪生、虚拟调试和预部署测试方面的更广泛工程文献是一致的。功能安全和控制系统生命周期实践中的标准和指南（包括 IEC 61508）强调通过严谨的验证活动进行系统性验证、可追溯性和风险降低，而非仅仅依靠非正式的信心。仿真器不是 SIL 证书，但它通常比现场撬装设备（skid）更适合发现错误的假设。

基于文本的项目模式改进了导出和恢复，因为它们具有可移植性、可检查性，并且更容易在标准软件仓库中归档。在 OLLA Lab 中，其实际价值不仅在于备份，还在于证据保存。

学员或工程师应以既能保留逻辑又能保留其验证过程的方式导出项目。

推荐的工程证据包

如果您想以可信的方式展示技能，不要只构建截图库，而应构建一个紧凑的工程证据体系：

1. 系统描述 定义被控过程或机器，包括主要输入、输出、序列和操作约束。
2. “正确”的操作定义 用可观察的术语说明成功的行为意味着什么：启动条件、停止条件、联锁、报警阈值、时间窗口和故障响应。
3. 梯形图逻辑和模拟设备状态 将梯形图逻辑版本与相关的模拟状态、标签值和场景条件一起保存。
4. 注入的故障案例 记录引入的异常情况：验证失败、输入卡死、低液位、过载跳闸、模拟量超限或序列超时。
5. 所做的修订 准确记录更改了什么逻辑以及原因：添加了允许条件、纠正了触点极性、修订了定时器预设、改进了报警处理或强化了重启行为。
6. 经验教训 总结故障揭示了关于原始设计的什么信息，以及修订后的逻辑现在如何正确处理这些情况。

这种结构比单纯的精美视觉效果更具说服力，因为它展示了工程判断力。任何人都可以导出文件，但很少有人能解释为什么一个故障案例改变了控制哲学。

实际的恢复优势

基于文本的导出还支持：

• 个人存档存储，
• 基于仓库的版本历史，
• 讲师审查，
• 同行比较，
• 以及选择性地重新导入到新的练习会话中。

同样，这是一个在培训和仿真环境内的受限优势。它并不意味着与供应商特定的运行时包具有直接的部署等效性。

基于 JSON 的梯形图存储之所以有价值，是因为它将梯形图逻辑变成了可检查的工程数据，而非不透明的项目工件。这实现了版本控制、云工作流、AI 辅助解析和更具弹性的恢复。

对于 OLLA Lab 而言，其架构重点比广泛的软件革命声明更狭窄且更强有力。OLLA Lab 为工程师提供了一个基于 Web 的环境，让他们练习将控制逻辑视为结构化的、可测试的数据，同时在仿真、数字孪生场景和引导式故障排除工作流中验证行为。

这是恰当的抱负水平。它教授现代自动化团队日益需要的习惯：可追溯性、可审查性、故障感知测试和基于证据的修订。不是浮华，只是更好的工程卫生，而这通常是调试后能够留存下来的东西。

- IEC 61508 功能安全概述 - IEC 61131-3 可编程控制器编程语言 - NIST SP 800-207 零信任架构 - Tao et al. (2019) 工业中的数字孪生 (IEEE) - Kritzinger et al. (2018) 制造业中的数字孪生 (IFAC) - Negri et al. (2017) 基于 CPS 的生产系统中的数字孪生 - exida 功能安全资源 - 美国劳工统计局