边缘计算用例，成功案例

虽然“边缘”经常被当作体系结构中的一个点来讨论，但在实际系统中，在物理世界和企业之间实际上有许多级联的边缘设备。

研华IIoT欧洲业务发展经理Jim ten Broeke表示:“令人兴奋的是，我们现在看到了这些不同层面的创新。

Broeke讨论了越来越多的使用边缘服务器的趋势，其中企业云功能透明、无缝地部署在内部，减少了通信开销，加快了响应速度，提高了弹性。

他说:“这既发生在内容交付服务器应用程序中，也发生在向高级应用程序边缘服务器的转变中，在区域、建筑物甚至单个进程级别运行。”

在通信领域，如今人们对网络犯罪构成的威胁有了更多的认识。他说:“虽然我们仍然收到很多关于传统边缘网关功能的询问，比如协议转换、通信媒体翻译、数据聚合和事件检测，但市场现在同样关注边缘设备的安全功能。”“他们如何防止未经授权的个人访问，或防止未经授权或被黑客攻击的代码被安装和运行。与此同时，用户意识到远程管理这些设备是至关重要的，可以在安装基础上对安全补丁的部署做出尽可能快的响应，并通过减少卡车滚动来提供拥有成本效益。”

Broeke认为，最令人兴奋的领域是较低的边缘水平，最接近实物资产和运营。在这方面，最大的趋势是在边缘设备中嵌入人工智能(AI)和机器学习(ML)。直到最近，人工智能的实现还依赖于昂贵的高带宽计算机，以及专业数据科学家团队来创建和完善所需的数据模型。最近的进展降低了实现的价格，ML的相应进步以及许多常见应用程序的预训练模型的可用性意味着实现时间通常以天或周为单位，而不是以月或年为单位。

“嵌入边缘的AI和ML使用连接的摄像头来自动化光学检测，提供更快、更准确的不合格检测，并解决劳动力老龄化的问题。在生产线上，人工智能可以优化多台机器的效率，分析不同操作场景下的产量。同样，使用连接的摄像头，边缘人工智能通过对移动机械周围的安全区域进行全天候智能监控，为工人提供保护。”Broeke说。

他指出，在系统架构的各个层次上采用边缘计算的爆炸式增长，意味着需要各种各样的硬件和软件解决方案。

“人们仍然认为AI和ML需要大量的处理能力，但对于某些应用，我们已经在蜂窝路由器这样的小设备上实现了它们。与边缘计算的其他领域一样，没有一种解决方案适合所有的解决方案，即使在同一个应用程序中，安装的拓扑结构也可能决定是适合几个小型分布式边缘设备更好，还是将信号和数据带入一个更大、更集中的单元。”

边缘计算采用的模式

Moxa欧洲工业自动化部门负责人Hermann Berg表示，在谈到工业物联网(IIoT)和工业边缘的数字化时，大多数客户都遵循类似的采用模式。他说:“早期项目专注于创造透明度——如何将重要资产连接起来，从自动化孤岛中获取相关数据，并使其在任何需要的地方可用。后期的重点是预测和适应性——数据告诉我们什么，我们能从中得出什么行动?最后，这是关于新的服务和商业模式——更多的数据可以产生哪些额外的服务和收入流?”

一些行业部门比其他部门更早地经历了这些阶段。例如，拥有风力发电场和太阳能发电场的可再生能源公司，利用内部开发或由专业软件公司多年前开发的专用软件包，来满足其无人驾驶(通常是偏远)场地对透明度和适应性的需求。其他拥有更集中或超分布式站点的行业——比如拥有数千台变压器的低压电网运营商——发展速度较慢。要么是在人员可用的领域(如工厂或发电厂)对透明度和适应性的需求不够强烈，要么是将工业物联网网关或边缘计算机(如廉价的低压变压器)放在每个资产旁边，在商业上无法证明投资的合理性。

“因此，在一些特定的和包含的用例中，边缘技术已经起飞，”Berg说。这些用例通常围绕着分布式资产、成本相对较高的资产，或者可以从数据中轻松获得特定操作的资产，这些数据可以节省成本或增加收入。

Berg说:“传统上，早期采用者的重点是获得容易实现的成果，很少关注开放性、可扩展性和与其他系统的集成，通常也没有考虑过现场管理、维护、修补和升级设备。”“随着微软、AWS及其生态系统合作伙伴等云供应商提供的服务和软件包越来越容易获得，许多追随者现在正将努力转向构建更智能、更易于管理的解决方案，这些解决方案利用硬件、边缘软件和云服务，顺利集成到现有的自动化和控制网络和系统中。”

伯格认为有一些关键的挑战需要解决。“显而易见的挑战是如何从工业资产到云端建立安全、高质量的数据连接。这通常包括物理连接遗留设备以及转换和清理工业数据。边缘设备应该易于管理，工业级硬件，产品寿命长，可以覆盖未来几年的安全补丁。

“不太明显的挑战是如何将这些边缘设备集成到现场的工业网络中，而这些网络并不是为这些目的而设计的。随着工业网络的升级，智能自动化工程师和管理人员将发现解决网络安全需求的不断增长与支持更安全数据路径的需求之间的协同作用。”

边缘计算的新应用领域

艾默生EMEA应用工程总监Steve Ward表示:“边缘解决方案已经在广泛的行业和应用中得到应用，例如在石油和天然气行业中收集与井口操作相关的数据，在水行业中也可以从远程泵站收集数据。这些解决方案有助于提供有关远程或分布式资产的可操作信息，可用于优化性能，减少维护并消除意外停机。”

沃德指出，边缘技术在分布式可再生能源发电(包括太阳能发电场、风力涡轮机和微电网)的监测和控制方面的应用正在不断扩大。他说:“为了有效地运行微电网，需要地方情报，以及即将到来的天气和电价的知识，以帮助决定是否运行各种可用的电源，使用电网的电力，还是向电网输出电力。”“边缘控制器可以通过将高速工业控制与互联网连接相结合来提供这种智能。”

此外，边缘技术还应用于能源管理和其他工业功能的监测。Ward指出，压缩空气系统现在采用边缘解决方案来监测气压、气缸效率和磨损。“这有助于识别泄漏并支持预测性维护策略，有助于降低能源消耗和提高机器可用性。所提供的信息还可以支持持续改进项目。

“边缘技术也被用于管理资产，如燃气轮机和发电机组，设备所有者(不一定是用户)希望监控它们的状态，也可能是性能和状态。发电机组是可移动的单元，通常单独或集体临时租用。边缘技术可以使所有者知道单元当前的位置。边缘解决方案提供的功能不仅有助于典型的工业应用。艾默生为农业设备的管理和跟踪提供了解决方案，还为海洋行业的发动机管理和压载物控制提供了支持。”

Ward认为，边缘技术正在以多种方式发展和实现——边缘网络网关允许难以连接的设施和设备连接并集成到企业网络中，从而允许实时收集资产使用情况和性能数据，以支持数字化转型和持续改进工作。从这类资产中，集中式报告可用于通知用户操作参数，但对于异常事件，边缘设备可以直接向用户或用户组发送SMS消息或电子邮件，以便立即采取行动。

Ward说:“Edge解决方案为用户提供了本地可视化，不仅有内置的HMI功能屏幕支持，还允许与手机或平板电脑进行本地连接。”“与传统的操作员界面相比，通过本地Wi-Fi网络连接便携式设备的能力可以提供更好的安全性和更直观的用户界面。

“边缘解决方案还可以提供本地分析，与以前的控制策略相比，可以利用更多的数据进行本地实时控制。这可以包括基于过去操作的优化，以及使用外部数据。这将需要新的业务角色，比如数据工程师能够理解什么会影响机器或流程操作，以及如何实现。机器学习和人工智能正在迅速发展，我们预计很快就会看到机器学习/人工智能模型在边缘应用，以优化性能。”

边缘计算是制造操作的基础

智能制造依靠工业边缘传感器和执行器来提高生产效率，管理生产性能，确保高质量的输出。Analog Devices工业自动化高级总监Fiona Treacy表示:“随着生产环境变得越来越智能，它们需要使用更多的传感器和执行器以及更多类型的传感模式。

这些是工厂运行的基础，因为它们测量关键的物理参数，并为机器、机器人、PLC或其他控制设备提供输出。新的非接触式磁传感器使得即使在意外断电的情况下也可以知道机器人手臂的位置，从而无需在通电时进行多次循环校准。”“视觉传感器被部署在协作机器人上，使人类和机器人能够安全地一起工作，这种视觉传感技术与复杂的算法相结合，能够实现精确的深度传感，以实现更高效的操作和更安全的工厂车间。”

工艺和分析传感器被用于测量压力、温度、湿度、PH值、流量和液位。Treacy表示:“这些设备现在都通过以太网或IO-Link技术连接到中央控制系统，从而实现实时决策和生产参数的调整。”通过无缝以太网连接，这些设备现在可以实时查询、配置和重新配置，以优化性能。”这与本地化智能相结合，可以实现更快的生产和优化原材料管理。这也意味着现在可以远程控制工厂资产，并实现生产流程的实时管理。

电机振动特征的状态监测，结合本地AI/ML，被用于检测性能异常，并发出需要维护的信号，以消除意外停机。其他示例包括将工具无线连接到机械臂，以实现强大的工具交换，允许快速重新配置生产线。

电能质量监测也受益于边缘智能。“通过监测工厂车间设备的电能质量，我们现在可以实时检测谐波对工厂内运行的其他机器电源的影响。电源干扰和谐波会对工厂控制系统的精度产生不利影响，并产生维护问题。”

“最后，值得一提的一点是，随着边缘数据的爆炸，将所有信息传递给中央控制不再有效或可取。系统需要在本地边缘处理这些数据，并为控制系统提供见解。这需要部署边缘AI/ML，它提供了比集中挖掘所有数据更节能的架构。因此，工厂车间的所有设备都可以实现互联和智能。”然而，Treacy给我们留下了最后一个悬而未决的问题——改造需要多长时间?

-这最初出现在欧洲控制工程网站．由网页内容经理克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。