国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

3　“邊緣計算”產業

3.1　回到問題的本質

IT人擅長于創造概念，OT端的人通常并不擅長此道，這在于兩者解決問題的思路不同，結果當然也不同，OT的產品研發過程是基于“問題的解決”，而IT可以去“解決未來的問題”，因為機器的加工精度、速度會存在明確的指標，因此，OT的人不能創造一個“概念”來滿足用戶，而IT則可以，例如：蘋果可以設計一個未來的手機，然后告訴消費者“這就是你想要的手機”，這是IT與OT的不同，也是為何EdgeComputing/Fog Computing概念都首先發起于ICT領域。

邊緣計算是相對于云計算而言的，更傾向于在接近應用現場端提供的計算能力，華為的主旨在于提供計算平臺，包括基礎的網絡、云、邊緣服務器、傳輸設備與接口標準等，而Intel、ARM則為邊緣計算提供芯片與處理能力保障，中國信息通信研究院則扮演傳輸協議與系統實現的集成，而中國科學院沈陽自動化研究所、軟通動力則扮演實際應用的角色。

各種來自Mckinsey、PwC、Forrest & Sullivan、IHS的分析都把IoT視為未來快速成長的一個領域，最前沿已經出現了各種基于Internet的技術，高通已經提出了Internet of Everything—可以稱IoX。

但是，邊緣計算/霧計算要落地，尤其是在工業領域，必須明白“應用”才是最為核心的問題，IT與OT的融合，更為強調在OT側的應用，即運營的系統所要實現的目標。

3.2　OT是解決問題的

邊緣計算是在高帶寬、時間敏感型、物聯網集成這個背景下發展起來的技術，“Edge”這個概念較早為ABB、KUKA、B&R、Schneider等自動化廠商所提及，其本意是在“貼近用戶與數據源的IT資源”—這些是屬于從傳統自動化廠商向IT廠商延伸的一種設計，2016年4月5日，Schneider即為邊緣計算定義了物理基礎設施，當然了，主要還是打算推廣其“微數據中心”的概念。而其它自動化廠商提及云計算/霧計算/邊緣計算都將其與IT融合當作未來的一種趨勢，并且同時具有Fog/Edge概念。

3.3　Internet+還是+internet？

IT與OT的人對實現智能制造存在著大方向的一致但對主導權的認識不同，Internet+思想是將互聯網當作了主導者，借助于ICT技術來推動智能制造，而+internet認為ICT只是輔助，顯然，從IT和OT各自的出發點似乎都有道理，但是，無論是放大IT還是OT的作用都是不合適的，因為這里存在著以下的問題：

（1）既然IT和OT都不可或缺，就必須實現兩者的融合而非對抗；

（2）IT與OT事實上也是在相互滲透的，自動化廠商都已在延伸其產品中的IT能力，包括Bosch、SIEMENS、GE等廠商在信息化、數字化軟件平臺方面，也包括B&R、Rockwell等在基礎的IoT集成、Web技術的融合方面的產品與技術。事實上IT技術也開始在其產品中集成總線接口、HMI功能的產品，以及工業現場傳輸設備網關、交換機等產品。

要滿足未來工業對數據的采集和分析的需求，必須挖掘邊緣計算的應用潛力，并部署好邊緣計算架構。其實，無論是概念問題還是實質落地的問題，都必須回到今天我們的本質要做什么？IT與OT通常使用著不同的語言系統，需要進行融合。

4　計算的本質

4.1　“控制”與“策略”問題

事實上自動化是以“控制”為核心進行應用的行業，控制基于“信號”進行，而“計算”則是基于數據進行的，更多意義是指“策略”、“規劃”，因此，它更多聚焦于“調度、優化、路徑”，就像對全國的高鐵進行調度的系統一樣，每增加或減少一個車次都會引發調度系統的調整，它是基于時間和節點的運籌與規劃問題，而同樣道理，邊緣計算在工業領域的應用更多是這類“Computing”。

因此，我們注意到邊緣計算、霧計算雖然是低延時，但是其50ms、100ms級的周期對于高精度機床、機器人、高速圖文印刷系統的100μs這樣的“控制任務”而言，仍然存在非常大的延遲站，在自動化人的視角，邊緣計算所謂的“實時”，本身是被歸在“非實時”的應用里。

圖6 云計算—邊緣計算區分處理數據

概而言之，傳統自動控制基于對信號的控制，而邊緣計算則可以理解為“基于信息的控制”，參量由信號到了信息，信號控制可以在既有的模型下實現，而信息控制則需要進行學習，因為并沒有可依循的確定性高的模型。

4.2　IIoT與邊緣計算的目標

考慮到全局的優化，尤其是在個性化生產時代所需的“質量”、“成本優化”、“交付能力”的優化問題：

（1）質量提升的幾個應用方向：如何為小批量的產品生產實現動態的過程優化成為了質量控制的難點，基于對被加工對象、以及生產過程中的動態缺陷檢測實現加工參數的動態調整，另一個應用需求在于對影響加工質量的因素進行學習，并根據變化自動形成工藝參數的設定。

（2）成本降低問題，對于小批量生產而言，生產的能耗、當機、減速等系列問題引發的都是成本的上升，而這些成本的上升對于小批量的財務核算而言，則會造成單位成本的提升，因此，如何借助IIoT技術來實現能源、維護數據的采集，并通過數據分析來實現成本的優化或為關注的焦點。

（3）交付周期問題：包括在生產現場中如何配比生產訂單、根據工藝進行最快的響應能力組合，尤其是在變化的過程中降低生產工藝參數調校所產生的時間浪費將成為影響交付能力的關鍵。

我們反復強調，智能制造、工業4.0的核心問題仍然是在“個性化時代解決質量、成本與交付的問題”，那么歸根結底，邊緣計算是提供了計算能力，但計算什么？在管理學上，我們可以歸入Operation Management，這屬于大的運營管理范疇，包括精益思想、6Sigma等都是設定了管理的目標的。

5　應用仍然為王

5.1　生態系統建設問題

邊緣計算其目的是服務于IoT、工業4.0的應用，在本質上并沒有區別，聯盟本身是為了構建生態系統，因為，在智能制造時代本質上是一種“生態系統”協同共贏的局面，廠商可以根據自己的需要面向不同的領域加入不同的聯盟。

但是，OICT廠商都是服務于“制造業”，服務于《中國制造2025》的，歸根結底要為制造企業解決全球競爭力的問題。如何生產更具競爭力的產品，提升企業的整體運營效率，而且，從投資回報角度如何計算和平衡，讓生產企業真正獲利是需要OICT廠商認真思索的問題。

Internet時代最為顯著的特征就是“網絡協同”，因此基于傳統的比對競爭的時代已經過去，正如James F Moore在其《競爭的衰亡》中所描述的“Ecosystem”，企業之間必須依存，商業文化必須改變，傳統買賣關系的上下游企業，必須意識到通過合作解決共同的問題才能共同發展，價值鏈之所以被不斷提及就在于從芯片廠商、自動化、ICT、系統集成、機械制造到生產制造這個價值鏈上的企業都必須共同來面對“消費者”來實現問題的解決，而消費者，又是我們每個人自己。

5.2　工業領域的邊緣應用場景

（1）能源分析問題：顯然，發電、輸配電、供電是最大的網絡，在未來能源效率問題會覆蓋到整個電力系統的每個環節，而電力對采集有著特殊的需求，包括電力信號的測頻、相位等，是IoT技術重要的應用領域。

（2）物流規劃問題：無論是企業生產制造環節中的物料配送、還是快遞業中的分揀問題，都是需要進行分析和優化的。在物流輸送中，巷道車必須根據系統的存取需求，對現有的倉位進行計算，規劃出最優的路徑，以實現最快速的路徑，最短時間完成倉庫內部的物料存取任務。

（3）工藝優化分析：工藝優化最為重要的是對質量最為緊密的工藝參數的學習，以便在個性化生產時能夠形成自主的參數配置，以及工藝的自適應能力，這種學習對于生產制造商非常關鍵，也是他們最大的期待，但是，在當前人工智能學習、機器學習還沒有很好地與具體工業領域的生產結合，這也是未來邊緣計算、霧計算所關注的重點。

（4）生產任務與分配：根據生產訂單為生產進行最優的設備排產排程，本身就是計算范圍，而這也是MES的基本任務單元之一，而事實上，這些計算附著于由具體MES廠商的軟件平臺還是依附于“邊緣計算”的平臺—基于Web技術構建的分析平臺，在未來并不會存在差別，從某種意義上說MES系統本身是一種傳統的架構，而其核心可以在專用的軟件系統，也可以存在于云、霧或者邊緣側。

總體而言，在整個智能制造、IoT應用中，各自分工如下：

自動化可以提供“采集”，并起到數據源的作用，通過分布式I/O采集、總線互聯獲得機器所產生的機器生產、狀態、質量等原生“信息”。

通過MQTT/AMQP進行數據的傳輸，OPC UA是一種基本的OT遵循協議，而針對IT的MQTT協議，也進行了支持。APROL EC扮演著不同的邊緣計算角色，不管是針對老的工廠改造升級，還是一個全新的工廠產線，或者一臺大型設備，都可以采用這一方式進行數據的采集與傳輸，并送至本地的邊緣計算側，具有幾種方式的傳輸模式。

圖7 APROL的邊緣計算架構

ICT廠商提供“傳輸”，因為在如何提供數據的傳輸、存儲、計算方面，ICT廠商有其傳統優勢，另外在成本方面，已經有云平臺的優勢。

智能分析軟件廠商提供“分析”，包括了“邊緣計算”、“云計算”的“計算”而非僅僅提供基礎設施平臺，如Google、IBM這樣在更大的金融、交通、能源領域的大數據集成能力，也包括了眾多中小型企業在垂直領域進行分析的能力。

終端生產企業則是需求的來源，因為產業鏈協同最終是為其解決“質量、成本、交付”的核心問題。

作者簡介:

宋華振，現任貝加萊工業自動化（中國）有限公司市場部經理，兼任POWERLINK中國市場推廣經理，SAC/TC124委員，并擔任邊緣計算產業聯盟（ECC）專家委員會專家，聯訊動力特邀技術專家。

參考文獻

[1] IBM & AKAMAI. Develop Edge Computing Application[M], June 9, 2003.

[2] Pang H H, Tan K L. Authenticating query results in edge computing [C]. Data Engineering, 2004. Proceedings. 20th International Conference on. IEEE, 2004: 560 - 571.

[3] Grieco R, Malandrino D, Scarano V. A scalable cluster-based infrastructure for edge-computing services[J]. World Wide Web, 2006, 9 ( 3 ) : 317 - 341.

[4] Shi W, Cao J, Zhang Q, et al. Edge Computing: Vision and Challenges[J]. IEEE IOT, 2016.

[5] Varghese B, Wang N, Barbhuiya S, et al. Challenges and Opportunities in Edge Computing [J]. arXiv preprint arXiv:1609. 01967, 2016.

[6] 史揚. 邊緣計算參考1.0架構分享[R]. 邊緣計算產業聯盟成立大會，2016.

摘自《自動化博覽》2017年4月刊