2026年，工控行业正经历从传统逻辑控制向认知控制的跨越，PLC与大语言模型（LLM）的融合是其中最引人注目的方向。与以往基于规则或专家系统的诊断不同，基于Transformer架构的模型能够理解设备上下文，实现真正的自然语言交互式故障排查。这一转型在三菱和汇川平台上已出现初步落地案例。
以三菱iQ-R系列为例，其新增的AI功能块能够收集CPU模块的缓冲存储器数据，并上传至边缘服务器。服务器上运行的轻量化LLM（如7B参数模型）通过分析时序数据的异常模式，自动生成可能的原因列表，并给出排查建议。笔者参与的一个污水处理项目中，模型成功识别出溶解氧传感器漂移与曝气机PID增益衰减的关联性，而传统报警系统完全无法发现。
汇川AM系列则走得更远，其InoProShop V3.0已集成代码生成助手，工程师只需用中文描述控制逻辑，如“当液位大于5米且阀门开度小于20%时，启动备用泵”，系统即可生成结构化文本（ST）代码。在实测中，代码正确率达82%，剩余的18%需要人工修正，但整体编程时间缩短了40%。
故障自诊断方面，未来的PLC将不再仅仅报告“代码溢出”或“IO故障”，而是能结合历史维护记录和实时工况，给出“执行器老化可能导致响应延迟，建议更换”这样的高维判断。这背后需要打通设备数据中台和知识图谱，不是一蹴而就的。
当然，挑战同样巨大，比如模型幻觉可能导致错误诊断，边缘计算算力限制，以及工程师对AI黑盒的信任问题。因此，笔者建议采用“人机协同”的渐进式路线：先让AI生成假设，由工程师验证并反馈，形成持续学习的闭环。