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，這並非是為了概念，對於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，並推出其解決這些問題的邊緣計算方案。而IT端則藉助於在通信網絡、軟體技術等，希望將其資源與工業場景融合，以實現市場的分攤，並尋找新的業務增長。
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」，避免過於專業的詞彙、複雜的模型。
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，這裡的控制器採集物理的速度、位置信號，並對運動的速度、位置進行動態的調整，但是，100臺AGV小車在工廠裡分布，然後如何最短路徑、且不與其它AGV碰撞，那麼這個規划算法就是一個「計算」的場景，在這個場景中，這個規划算法核心在於為每個AGV制定調度策略，並給予指令，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採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、飛機的班次都屬於這類問題，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，共同是基於全局的策略、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，在整個智能製造中的層次架構來看，通過數字建模將整個製造的物理系統在數字世界對應的模型，然後，通過邊緣層進行實時的數據採集，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製造的工藝、參數、策略進行優化，進而下載到物理系統，並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.靠近地面的雲
雲計算也很火熱啊！它和邊緣有什麼區別呢？簡單的說，邊緣就是靠近地面（現場）的雲，這個理解起來有幾個維度：
--時間維度：它的時間周期處於雲的長時間周期（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雲端服務之間的架構層。
簡單說，邊緣計算就是位於工廠整體調度規劃軟體層與現場層之間，進行協同的基於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，這些都是要處於監測之下的，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於的狀態也必須被監測到，這些都是需要處於透明狀態下的，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即是一個基於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採集、存儲到雲端，除了本地實時顯示，也可以為遠程的移動端提供訪問，採用邊緣計算架構主要藉助於IT成熟的網絡、軟體資源。
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對於製造企業非常關鍵在於，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，然後它的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、帕累託圖之類都可以通過這些計算來呈現。
圖3-對於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，並應用於數據的管理，包括OEE的整體統計，便於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，印刷廠裡接了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，那麼，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，然後與訂單進行匹配，在線裁切出不同需求的，用於汽車行業的玻璃和用於建築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，而如果採用統一的車-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於機理模型、機械失效分析等方法，往往需要複雜的建模、專業的人員，而通過邊緣側的數據採集、處理，基於數據驅動型的機器學習方法，充分發揮算法、模型的作用，藉助於計算機的算力、學習能力來尋找最優的維護參數，並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，選擇合適的特徵值，並進行學習，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，並降低宕機及其帶來的生產運營損失。
作者：宋華振 ,貝加萊工業自動化中國有限公司市場經理，工業4.0，智能製造領域專家。