边缘计算在智能制造趋势下的应用场景探索

概述

随着工业4.0的提出，全球越来越多的制造企业在云计算、大数据、人工智能和5G等技术的共同作用下开展工业4.0的实践。以新一代信息技术与先进制造技术深度融合为基本特征的智能制造，已成为这次新工业革命的核心驱动力。

智能制造利用物联网、云计算、大数据、人工智能等新一代信息技术，贯穿于设计、生产、营销、服务、管理等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统和模式的总称。在传统制造业进行数字化、自动化、智能化转型升级的过程中，人工智能技术广泛应用于制造业的研发设计、制造过程及运维等阶段，以实现制造业产品全生命周期的自动化分析、推理、判断和决策。

应用以往的云计算解决方案 ， 将所有的数据传输到云数据中心进行计算已经很难满足工厂现场执行层面对处理性能 、 效率的严苛要求 。 为了满足工厂侧的需求 ， 边缘计算的出现完美的弥补了边缘侧对数据快速处理 、决策快速执行的要求。

什么是边缘计算？

智能制造的核心目标其实就是 “降本增效”，通过各种先进的信息化技术推动制造业向数字化、智能化、个性化、定制化等新方向升级，实现数字化转型，从而提升效率、降低成本，给终端用户带来更好的体验。

边缘计算只是制造业实现智能制造进程中所使用的一种技术，通过它可以更好、更快的实现数字化转型。百度百科中解释道“ 边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其 应用程序 在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。 ”

说的通俗一点 ， 边缘计算本身也属于一种分布式计算 ，将原本集中处理的能力，分散到各个边缘节点去处理。由于边缘节点更接近生产侧，可以加速数据的 收集 、 存储 、 分析 及决策， 而不需要将数据通过网络传送到远端的计算平台 。同时加速数据的传送，减少网络延迟，提升效率，提高安全隐私保护。

边缘计算在智能制造中的主要功能

· 数据存储：边缘计算网关自身具备一定的数据存储能力，用于对采集到的多种多样的工业设备数据进行存储，数据包括且不限于实时运行数据、状态数据、报警数据及故障数据。由于边缘网关的硬件存储容量有限，不可能将所求数据全部存储，所以会根据需求定期将过期数据上传到云平台进行历史查询与分析，从而释放多余空间，存储更多数据。

· 多接入协议互转： 工厂线边 的设备种类很多，采用的协议也是多种多样。为实现I T与 O T的融合 ， 完成机器或者说是设备与设备间的信息传递 ，需要通过协议进行转换。边缘计算就具备协议翻译的能力，可以将设备的所在的 OT 协议翻译成信息系统能够解析的IT协议，完成设备层多OT协议与I T协议 的转换。

· 及时分析：边缘计算本身就是分布式技术的延伸，解决边缘层数据的快速处理与分析问题，减少网络传输延迟带来的业务影响。可以 针对 报警规则的设置、数据的采集、数据的过滤等基本操作，带来更优的体验。

· 边缘控制：边缘计算网关在采集到生产现场数据后，能够根据业务人员预置的规则对设备的运行状态进行自动反馈控制，无需上传到云端进行计算，可在边缘层形成一个闭环，保证时效性。

边缘计算的优势

边缘计算的发展前景非常广阔 ， 它是对云计算的补充和延伸 ，也号称 “人工智能的最后一公里”，虽然目前边缘计算还处于发展的初期 ， 但是随着 A I 、 5G 、I PV6等技术的成熟及普及，阻碍前进的部分问题将被逐一解决。

利用边缘计算可以助力传统的制造企业快速实现智能制造，提速数字化转型步伐，可以有效的推进企业信息化变革：

数据传输速度快 ：

正所谓 ， 天下武功 ， 唯快不破 ， 网络传输速度更是如此 ， 高效 、 快速的传输速度是

确保业务正常提供服务的基础条件之一 。对于制造型企业而言，如车企，速度是非常最重要的。如车辆碰撞测试、研发数模等，在很大程度上依赖于快速计算，速度的延迟很可能造成数据无法及时提供，致使制造和研发工作受到影响。医疗保健行业也高度依赖网络速度，几毫秒就足以决定一个人的命运。类似提供数据驱动服务的企业，速度缓慢可能会使客户丢失严重，损害企业的声誉。

边缘计算的优势之一就是它非常的快，无论是网络传输速度还是计算处理速度。在使用边缘计算架构中，所有设备将在边缘数据中心或本地处理数据，无需将数据传输到云端或者中央服务器进行处理。

基础架构易扩展 ：

传统架构中，因业务系统的需求扩展现有I T基础设施架构 ， 成本是非常高昂的 ，如采购相关的计算、网络和存储硬件，同时也要考虑各种软件间的兼容等等，增加了扩展数据中心的难度。

利用边缘计算架构可以轻松的进行基础架构的扩展，其本身就是分布式架构。可以按需在离数据侧最近的地方增加计算网关用于扩展边缘网络，无需为其数据需求建立私有或集中式的数据中心。同时也可以将边缘计算与托管服务结合使用来扩展边缘网络，无需花钱购买任何新设备。

数据安全有保障 ：

边缘计算架构缩短了数据传输的路径，更多的数据将在本地进行处理，无法进行网络传输，自然减少了数据在网络中传输所带来的各种安全风险。同时若所有数据都传输回主服务器，则操作过程和数据极受到攻击的概率将加大，如拒绝服务攻击（DDoS）足以扰乱公司内的整个业务。利用边缘计算将数据分配在不同的数据中心和设备之间进行数据处理。因此，针对受到DDoS攻击的概率会下降，也将增加攻击的成本和难度，因为黑客无法通过攻击一台设备来影响整个网络。针对本地存储的数据和分析处理过程，安全人员可以轻松地对其进行监测，增加数据的安全性。

计算架构高可靠 ；

架构的高可用直接关系解决方案的可落地性 ， 与 云计算架构相比，边缘计算在云计算机的基础上又提供了一种更好的可靠性。边缘计算节点均位于离数据最近的区域，分布式部署，单点的网络中断不会影响整体业务，物联网设备可以自动的将请求发给最近的数据中心处理。

分散的数据处理架构 ，也 可以将风险进行分散 ，防止类似云计算中心那种集中式的架构管理模式。 同时 ，传统的数据中心在可传输的数据量上也有一些限制，如带宽、设备接入量等。

数据类型广接入 ：

个人认为边缘计算是为物联网而生的一种技术，更好的实现万物互联。随着物联网趋势的蓬勃发展，越来越多的设备实现了联网。从之前的人与人已经延伸到人-物、物与物的时代。边缘计算具备各种设备和类型的广接入能力，在单设备接入的前提下提升了一个数量级，至此服务器可以接入更多个设备。尤其针对制造企业，产线上的作业设备繁多而接口类型复杂，产生的数据量更是数以万计。使用边缘计算可以更好的支持以上业务的数据处理需求，同时保障生产业务的不间断运行。

边缘计算在智能制造方面的应用场景探索

随着工业互联网的快速发展 ， 工业 4 .0和 中国 制造 2 025加速了制造企业的智能制造步伐 ， 利用边缘计算特性可以更好的辅助和推动智能制造在传统制造行业内的实践 。边缘计算虽然是一种分布式的技术，但确是在低延时、高带宽、广接入的背景下发展起来的技术，更贴合 制造业对边线快速处理场景的需求。

工厂侧可以利用边缘计算网关直接对本地数据进行采集、清洗、存储、分析等实时处理操作。同时，边缘计算还可以提供多协议转换的能力，实现多种工业设备的统一接入。产线设备对数据的交换延时非常敏感，例如西门子的Profinet的R T模式要求延时小于 1 0ms ，若要更好的利用边缘计算的能力，还需要不断的研究探索，根据不同的场景提出更专业、耿贴合实际的部署方案。

场景1-边缘计算与5G双剑合璧实现厂内AGV联网

以汽车行业为例，在传统的汽车制造车间内，AGV小车被广泛应用于物流传送、仓储管理及线边上下料过程中。通过A GV小车 ， 可以有效的 、 方便的将各种零部件发送到线边 ， 供车间工人进行组装 。设计上，AGV利用基于电磁等自动导航系统的定位技术，能够沿预定的牵引路径行驶，是具有基于自主移动导航能力处理简单重复性工作的运输机器人。

以前在车厂的建设期主要通过 Wi- Fi实现 A GV小车与管理平台的通信 ， 进行指令下发 、 回传等信号传输工作 。但当AGV的服务面积扩大，本身的弱点也就暴露了出来。现在的车间面积都很大，尤其是商用车的总装车间。在面积较大的区域内工作时，现有Wi-Fi技术存在干扰、数据丢失、切换差等问题，无法保证稳定的网络连接环境，易造成指令传输问题，导致生产事故。同时在长时间的连续作业时，AGV对自身存储空间和计算处理能力都有较高的要求，为此，从降低网络部署复杂度、进一步提升链路稳定性及数据最近处理的角度出发，AGV应用场景对于高可靠边缘计算网络的需求日益迫切。

借助5G通信技术与边缘计算网络架构的结合，可以有效解决车间现有AGV应用场景所面临的网络稳定性和存储、计算能力不足等问题。

5G作为新一代的通信技术 ， 具备低延时 、 高带宽 、 广接入的特性 ，可以解决不同场所针对网络速度、稳定性的需求。利用低延时特性提供更加可靠的宽带低时延的网络环境，时延控制在10ms左右、抖动仅2ms，有效保障了AGV在运行中的精准连续控制，解决非授权频段无线技术在AGV应用中存在的信号易干扰、不稳定、丢包等问题。实现AGV管理平台实时下发控制指令，确保产线上AGV机器人按照指令进行货物收货、分拣、入库、搬运、出库等操作。

边缘计算网关部署在离 A GV设备最近的线边或者零部件物流区域 ， 利用分布式计算和存储能力 ， 实现 A GV数据的本地存储和实时分析 。在云端与A GV之间建立一道快速处理通道 ， 与云平台协同算力 ， 降低数据处理成本的同时 ， 提升车间及物流区 A GV的工作效率与稳定性 。

场景2-利用边缘计算图形处理能力实现边线质检

以汽车制造为例 ， 每天工厂要下线的车辆数超过千万台 ，各种零部件在流水线上川流不息，按照设计工艺组装成不同的车机型号交付给最终客户。在这个过程中，质量把控是关键的一个流程。质检人员每天要完成上千万多个零件的检验，差不多平均每分钟要检测数十种配件，在车机下线前还要进行整车检查。在销售旺季，质检人员连续工作超过10个小时的情况很常见。

在这种检查的模式下，质检人员工作负荷大，人员精力跟不上，易出现漏检、错检成的情况。为此汽车制造企业考虑如何减轻质检人员的工作压力，提高产品质量，已成为一个亟待解决的难题。

边缘计算属于分布式架构，可以很好的在数据最近的线边收集、分析和处理数据，结合深度学习、图形算法及A I技术 ，形成一套行之有效的工业线边侧的智能化图形质检解决方案。利用如英伟达的E GX 边缘服务器 ，通过实时读取质检图片、分析图片内容、定位缺陷，判断缺陷类型，进行智能告警，而无需将所有的数据上传到云端进行计算，造成延时过大的问题。这样及满足了就近分析的业务需求，也满足了生产对于网络延时的要求。与此同时，也可以与云平台相结合，将这些历史数据反馈到云端，做进一步的分析，为后期的边缘计算中的图形算法进行优化。

利用边缘计算网络及图形化的 A I质检方案 ， 可以快速 、 精准的捕捉质检中常见的缺陷 ，不会造成大量漏检、错检， 提升员工效率的同时提高产品出厂质量 。

场景3-边缘计算框架实现海量IOT数据本地处理

从国家层面提出的“中国制造2 025 ”，励志从现在的制造大国变成制造强国，其中物联网是很关键的一个应用。

在汽车制造类型的企业中 ， 联网是 I oT的基本原则 ， 也是提升企业效率最直接的方式 。从各种范例来看，联网的整车工厂远比没有联网的整车工厂工作效率更高、更智能和更有成本优势。同时，在其他行业内已经出现了很多智能化终端，通过网联化，实现终端用户需求第一时间获取，远程访问历史数据和实时数据。从而对数据进行分析，更快的将用户实际需求反馈给工厂，制造出满足用户实际需求的产品。

智能化工厂 首先要实现的就是一切资源数字化，利用边缘计算架构，实现Io T网络构建 ， 获悉终端设备的各种运行数据 ，从而存储和分析，智能的做出方案，提供决策依据。如工厂的智能水表、智能园区、智能消防等等，数据传输到最近的边缘计算节点进行实时分析处理。

在工厂车间，物联网可以从生产设备到生产零件，从传感器嵌入式自动化控制到能量计，从车到仓库的智能货架，连接各种制造资产，提升制造效率的同时，使工厂更加的智慧。同时，传统的汽车企业也在向数字化转型，逐步将车作为智能终端，提供更加智能、贴合用户需求的服务，车联网就是车企最重要的终端服务方式。边缘计算也是车联网众多核心技术之一，已车为终端，进行车内、外的数据采集、分析和快速处理，满足未来自动驾驶的需求。

结束语

从智能制造及数字化转型的发展趋势来看 ， 边缘计算在智能制造领域的落地是必然的 ， 也是大势所趋 ， 尤其是在车联网风头正热的汽车制造业 。 边缘计算作为云计算的有效补充 ，已经成为 数据中心在未来的标准配置 ，加上 物联网 、 车联网 、A I图形处理 、 云计算 、 大数据 、 人工智能等技术的加持 ，现在已经成为汽车制造企业转型为智能制造企业的最佳窗口。

在智能制造中，边缘计算的应用场景不仅仅局限在类似E GX的图形处理上 、 物联网的分析上 以及网络优化上，更重要的是边缘计算涉及到的上下游领域很多，如政府机构、运营商、厂商、其他生态伙伴，甚至全球/与之相关的协会等合作伙伴。

在未来 ，构建开放的边缘计算平台，凝聚各行各业的边缘计算优势，已成为边缘计算发展趋势，更加有利于加快企业实现数字化转型的步伐。