无论IT端还是OT端的主流厂商都将目光聚焦在了“边缘计算”这个焦点上，显然，这并非是为了概念，对于OT厂商而言，传统的控制系统任务聚焦在控制的实时性、稳定性，而随着数据的需求变大，如图1所示，包括了机器、产线、过程、基础设施中的物流、质量、能源、运营维护等数据的集成，以获得全局优化，这也的确需要更为开放、大容量支撑的数据处理架构来提供新的业务发展，因此，开始向着IT方向延伸，并推出其解决这些问题的边缘计算方案。而IT端则借助于在通信网络、软件技术等，希望将其资源与工业场景融合，以实现市场的分摊，并寻找新的业务增长。

❖图1-工厂数据的集成层次

本文试图通过一些更为简单的描述来阐述“边缘计算”，避免过于专业的词汇、复杂的模型。

1.控制与计算的不同视角看边缘计算

用一个简单的例子来说明控制与计算的不同，1台AGV小车沿着路径运动，它运动的精度和速度由一个控制器来实现即可，这里的控制器采集物理的速度、位置信号，并对运动的速度、位置进行动态的调整，但是，100台AGV小车在工厂里分布，然后如何最短路径、且不与其它AGV碰撞，那么这个规划算法就是一个“计算”的场景，在这个场景中，这个规划算法核心在于为每个AGV制定调度策略，并给予指令，它的问题是在全局的层面，而不是单机层面，但也需要一定的实时性采集每个车辆的参数来运行。

类似的场景非常多，例如火车的调度、飞机的班次都属于这类问题，另一类也包括优化问题，最优、最经济、利益最大化的策略问题，但是，共同是基于全局的策略、规划、优化、调度问题。

2.在物理与数字的边界上工作的层

当然，也可以从另一视角，即，在整个智能制造中的层次架构来看，通过数字建模将整个制造的物理系统在数字世界对应的模型，然后，通过边缘层进行实时的数据采集，将生产的现状反馈给信息系统，在测试验证、运行、维护的各个阶段，都可以在虚拟系统中对制造的工艺、参数、策略进行优化，进而下载到物理系统，并且可以根据物理系统的变化在虚拟系统中进行调整，这是一个不断交互的层面，因此，边缘计算可以被理解为在数字与物理世界间的协作层。

3.靠近地面的云

云计算也很火热啊！它和边缘有什么区别呢？简单的说，边缘就是靠近地面（现场）的云，这个理解起来有几个维度：

–时间维度：它的时间周期处于云的长时间周期（s,Day,Week,Month）和控制的短周期（mS-μS）之间，比如在100mS级别的任务，就像机器人协同的周期可以定义在mS级即可。

–职能维度：它比较了解现场，一方面，作为接近OT端的存在，它需要了解各种现场总线，解决数据的连接问题，而另一方面它需要有IT经验，包括实时数据、历史数据存储、Web技术发布等，因此，边缘计算是一个衔接现场控制与云端服务之间的架构层。

简单说，边缘计算就是位于工厂整体调度规划软件层与现场层之间，进行协同的基于信息的策略与优化问题。

1.资产与数据管理

当我们讨论工业4.0那会，就讨论了数据对象的问题，包括物流仓库中的原材料、在制品（在线物流）、成品仓库，这些都是要处于监测之下的，因为个性化生产需要精准的计量每个产品的质量、能源、机器、人工的消耗，而另一方面，包括你的设备资产处于的状态也必须被监测到，这些都是需要处于透明状态下的，否则，你都不知道你每天加工了多少个产品，而整个生产和产线的运营基准就是你要知道你的家底。

❖图2-资产性能监测器的边缘计算架构

图2即是一个基于ABB Ability与现场设备集成的资产性能监测器的架构，可以通过边缘侧的数据采集、存储到云端，除了本地实时显示，也可以为远程的移动端提供访问，采用边缘计算架构主要借助于IT成熟的网络、软件资源。

2.生产运营中的监测
OEE就是个最简单的计算例子，你可能觉得它太简单了，就是A*P*Q三个指标，而且就是“加减乘除”计算，是的，计算本来就是这样的，难道非要微积分，高阶函数、非线性才是计算吗？

OEE对于制造企业非常关键在于，这个参数直接反映了生产的效率问题，如果你投资了10亿建了生产线，然后它的OEE只有50%，你可以理解为这个生产线50%的时间在帮你赚钱，另外50%的时间在帮你浪费，而这个浪费的还比你赚钱快，你就知道OEE何其重要。

当然了，生产中的质量分析SPC-过程统计分析、帕累托图之类都可以通过这些计算来呈现。

❖图3-对于老工厂的性能数据统一集成

图3是一个老工厂，可以通过多种方式集成数据，并应用于数据的管理，包括OEE的整体统计，便于生产运营人员对整个产线进行调整。

3.策略优化问题

举个例子，印刷厂里接了A4、B5各种尺寸的订单，但是，一般印刷机都是对开四色印花机，那么，这个订单如何在一个纸张上最大的使用，就是一个“拼单”的问题，这个就是一个节省成本的算法，包括玻璃在线切割也是，一般玻璃产线出来的幅面比较大，而且在线检测系统会对玻璃的质量进行监测，然后与订单进行匹配，在线裁切出不同需求的，用于汽车行业的玻璃和用于建筑行业的玻璃自然品质要求不同，让订单与生产实时匹配也是一个边缘应用场景。

4.智能协同

就像无人驾驶的场景，交通拥堵多半来自路口，而当绿灯亮的时候，每个人的反应速度不同，有的人甚至因为打电话而耽搁数秒才启动，而如果采用统一的车-车之间的数据协同，每个车都可以同时启动，就保持了交通的通常，而另一方面，当车-车间及时的数据交互，就会产生潜在风险的消除，因为保持车距的策略可以被执行。

边缘协同就是扮演，通过数据的协同，保持车辆的同步启动、等车距等安全、高效的交通调度，这样就可以使得交通最大的优化，大幅度降低堵车的可能。

5.预测性维护问题

预测性维护在传统上基于机理模型、机械失效分析等方法，往往需要复杂的建模、专业的人员，而通过边缘侧的数据采集、处理，基于数据驱动型的机器学习方法，充分发挥算法、模型的作用，借助于计算机的算力、学习能力来寻找最优的维护参数，并获得更高的预测准确度。

根据行业属性、现场工况、以及实际的运行参数，选择合适的特征值，并进行学习，获取最优的参数，以对机器的状态进行故障预警，提高设备利用率，并降低宕机及其带来的生产运营损失。