無論IT端還是OT端的主流廠商都將目光聚焦在了“邊緣計算”這個焦點上，顯然，這并非是為了概念，對于OT廠商而言，傳統的控制系統任務聚焦在控制的實時性、穩定性，而隨著數據的需求變大，如圖1所示，包括了機器、產線、過程、基礎設施中的物流、質量、能源、運營維護等數據的集成，以獲得全局優化，這也的確需要更為開放、大容量支撐的數據處理架構來提供新的業務發展，因此，開始向著IT方向延伸，并推出其解決這些問題的邊緣計算方案。而IT端則借助于在通信網絡、軟件技術等，希望將其資源與工業場景融合，以實現市場的分攤，并尋找新的業務增長。

圖1-工廠數據的集成層次

本文試圖通過一些更為簡單的描述來闡述“邊緣計算”，避免過于專業的詞匯、復雜的模型。

簡要理解邊緣計算的維度

1.控制與計算的不同視角看邊緣計算

用一個簡單的例子來說明控制與計算的不同，1臺AGV小車沿著路徑運動，它運動的精度和速度由一個控制器來實現即可，這里的控制器采集物理的速度、位置信號，并對運動的速度、位置進行動態的調整，但是，100臺AGV小車在工廠里分布，然后如何最短路徑、且不與其它AGV碰撞，那么這個規劃算法就是一個“計算”的場景，在這個場景中，這個規劃算法核心在于為每個AGV制定調度策略，并給予指令，它的問題是在全局的層面，而不是單機層面，但也需要一定的實時性采集每個車輛的參數來運行。

類似的場景非常多，例如火車的調度、飛機的班次都屬于這類問題，另一類也包括優化問題，最優、最經濟、利益最大化的策略問題，但是，共同是基于全局的策略、規劃、優化、調度問題。

2.在物理與數字的邊界上工作的層

當然，也可以從另一視角，即，在整個智能制造中的層次架構來看，通過數字建模將整個制造的物理系統在數字世界對應的模型，然后，通過邊緣層進行實時的數據采集，將生產的現狀反饋給信息系統，在測試驗證、運行、維護的各個階段，都可以在虛擬系統中對制造的工藝、參數、策略進行優化，進而下載到物理系統，并且可以根據物理系統的變化在虛擬系統中進行調整，這是一個不斷交互的層面，因此，邊緣計算可以被理解為在數字與物理世界間的協作層。

3.靠近地面的云

云計算也很火熱啊！它和邊緣有什么區別呢？簡單的說，邊緣就是靠近地面（現場）的云，這個理解起來有幾個維度：

--時間維度：它的時間周期處于云的長時間周期（s,Day,Week,Month）和控制的短周期（mS-μS）之間，比如在100mS級別的任務，就像機器人協同的周期可以定義在mS級即可。

--職能維度：它比較了解現場，一方面，作為接近OT端的存在，它需要了解各種現場總線，解決數據的連接問題，而另一方面它需要有IT經驗，包括實時數據、歷史數據存儲、Web技術發布等，因此，邊緣計算是一個銜接現場控制與云端服務之間的架構層。

簡單說，邊緣計算就是位于工廠整體調度規劃軟件層與現場層之間，進行協同的基于信息的策略與優化問題。

哪些應用可以放在邊緣側進行計算？

1.資產與數據管理

當我們討論工業4.0那會，就討論了數據對象的問題，包括物流倉庫中的原材料、在制品（在線物流）、成品倉庫，這些都是要處于監測之下的，因為個性化生產需要精準的計量每個產品的質量、能源、機器、人工的消耗，而另一方面，包括你的設備資產處于的狀態也必須被監測到，這些都是需要處于透明狀態下的，否則，你都不知道你每天加工了多少個產品，而整個生產和產線的運營基準就是你要知道你的家底。

圖2-資產性能監測器的邊緣計算架構

圖2即是一個基于ABB Ability與現場設備集成的資產性能監測器的架構，可以通過邊緣側的數據采集、存儲到云端，除了本地實時顯示，也可以為遠程的移動端提供訪問，采用邊緣計算架構主要借助于IT成熟的網絡、軟件資源。

2.生產運營中的監測

OEE就是個最簡單的計算例子，你可能覺得它太簡單了，就是A*P*Q三個指標，而且就是“加減乘除”計算，是的，計算本來就是這樣的，難道非要微積分，高階函數、非線性才是計算嗎？

OEE對于制造企業非常關鍵在于，這個參數直接反映了生產的效率問題，如果你投資了10億建了生產線，然后它的OEE只有50%，你可以理解為這個生產線50%的時間在幫你賺錢，另外50%的時間在幫你浪費，而這個浪費的還比你賺錢快，你就知道OEE何其重要。

當然了，生產中的質量分析SPC-過程統計分析、帕累托圖之類都可以通過這些計算來呈現。

圖3-對于老工廠的性能數據統一集成

圖3是一個老工廠，可以通過多種方式集成數據，并應用于數據的管理，包括OEE的整體統計，便于生產運營人員對整個產線進行調整。

3.策略優化問題

舉個例子，印刷廠里接了A4、B5各種尺寸的訂單，但是，一般印刷機都是對開四色印花機，那么，這個訂單如何在一個紙張上最大的使用，就是一個“拼單”的問題，這個就是一個節省成本的算法，包括玻璃在線切割也是，一般玻璃產線出來的幅面比較大，而且在線檢測系統會對玻璃的質量進行監測，然后與訂單進行匹配，在線裁切出不同需求的，用于汽車行業的玻璃和用于建筑行業的玻璃自然品質要求不同，讓訂單與生產實時匹配也是一個邊緣應用場景。

4.智能協同

就像無人駕駛的場景，交通擁堵多半來自路口，而當綠燈亮的時候，每個人的反應速度不同，有的人甚至因為打電話而耽擱數秒才啟動，而如果采用統一的車-車之間的數據協同，每個車都可以同時啟動，就保持了交通的通常，而另一方面，當車-車間及時的數據交互，就會產生潛在風險的消除，因為保持車距的策略可以被執行。

邊緣協同就是扮演，通過數據的協同，保持車輛的同步啟動、等車距等安全、高效的交通調度，這樣就可以使得交通最大的優化，大幅度降低堵車的可能。

5.預測性維護問題

預測性維護在傳統上基于機理模型、機械失效分析等方法，往往需要復雜的建模、專業的人員，而通過邊緣側的數據采集、處理，基于數據驅動型的機器學習方法，充分發揮算法、模型的作用，借助于計算機的算力、學習能力來尋找最優的維護參數，并獲得更高的預測準確度。

根據行業屬性、現場工況、以及實際的運行參數，選擇合適的特征值，并進行學習，獲取最優的參數，以對機器的狀態進行故障預警，提高設備利用率，并降低宕機及其帶來的生產運營損失。

文章來源：信息化和軟件服務網