边缘计算：智能制造的“带刀侍卫”( 二 ) 互联网大厂单双周假期变更能

一组数据也印证了上述判断：2020年有超过500亿台设备连接在一起，每个工厂每天收集的数据点超14.4亿，这意味着对边缘侧的计算能力、服务速度的期望值前所未有。
边缘计算在靠近数据源头端提供计算及存储服务，能够有效缓解网络带宽与数据中心的压力，增强服务的响应能力，并对工厂内的隐私数据进行保护，提升数据和生产的安全性。通过与云端的交互协作，还可实现系统整体的智能化。
中国信通院技术与标准研究所互联网中心高级项目经理宋平博士认为，边缘计算是一个技术赋能平台，可以天然地与AI、大数据、区块链等新一代ICT技术进行深度融合，进而推动不同行业朝网络化、数字化、智能化方向转型升级。

文章图片
作为“带刀侍卫” ，边缘计算对智能制造面临的三重挑战给出了强有力的回应：
控制层智慧化运营管理：以深度学习为代表的复杂优化方法在自动化领域有较多应用，边缘计算可以为其提供基础设施，保证相关的计算任务安全、快速、高效地完成。例如在随机订单的混沌生产场景，利用边缘智能构建多个智能体系统，通过不同智能体之间的行为交互提高自主决策能力，增强生产过程的自适应性。
贯通层海量数据分析挖掘：数据贯通层需要分布在边缘侧的计算节点统一协同，实现海量工业数据的挖掘。在工业生产中，产品、部件在传送带上流动，数据信息也在流动，利用边缘计算能快速感知工厂内各环节设备、产品异常，并基于RFID、蓝牙等技术对生产线上流动产品进行定位和质量评估。
感知层更低时延诊断预警：数据感知层故障诊断与缺陷监测是应用边缘计算最多的领域。基于工厂产线零件识别与缺陷检测、轴承故障诊断、钢炉热异常检测、电力设备检修等场景，可以通过边缘计算进行更低时延的诊断预警，提高生产检测效率，缩短订单交付周期。
“带刀侍卫”的烦恼与对策
在智能制造产业升级进程中，边缘计算无疑发挥着举足轻重的作用。但“带刀侍卫”也有自己的烦恼，还存在一些妨碍其大展身手的制约因素。
首当其冲的是AI技术链条与制造业的产业链条彼此脱节。据埃森哲等咨询机构的研究， 70%以上有AI技术的研究机构、科技公司缺少需求场景及行业领域的知识和数据，与此同时， 70%以上的行业用户欠缺技术人才和AI平台的实施能力，这种状况严重制约了智能制造的发展速度。
思谋科技首席架构师侯力政对此深有体会：“我们很多的研发人员是研究机构或互联网公司出身，掌握高精尖的算法，但对整个工业领域缺少切实的体会。智能制造的应用场景比较碎片化，同一个客户不同的生产线也可能差异很大。一开始因为数据支撑较少，需要casebycase地去做，接触的相似场景更多之后，就可以从中抽离出对应的核心算法。 ”
云边协同缺乏一整套资源管理和任务调度的解决方案，也是症结所在。边缘计算的核心是将分析和决策下沉到网络边缘侧，对用户而言需要从算法、云平台、边缘资源管理平台、硬件产品等方面实现软硬件结合的系统性突破。
消费级算力产品稳定性较差，成为智慧工厂的心病。很多边缘计算设备成熟度低，稳定性差。例如：不少工厂应用的工控机，工作一周就要下线10分钟——这些设备使用了桌面级的芯片做设计，在室外部署环境中无法保证稳定、可靠的持续运行。
针对产业链脱节、生态离散的顽疾，已有嗅觉敏锐的企业开启“破圈”尝试。本文开头提到的智慧工厂案例，就是强强携手的典范。在国内AI和边缘计算服务器领域独占鳌头的浪潮，与致力于AI系统架构在智能制造行业落地应用的思谋科技，以跨界联手的方式促成了边缘计算的逆袭。