为什么边缘计算对 IIoT 如此重要

OptimalPlus 的 Michael Schuldenfrei

1950 年代印刷电路板 (PCB) 的发明改变了自动化世界。在 PCB 出现之前，电子线路板完全由手工组装，这是一个费力的过程，极大地限制了全球生产。

今天，OptimalPlus 的企业技术研究员 Michael Schuldenfrei 说 , 随着制造过程中仪器的引入和边缘计算的使用，行业正在经历又一次革命性的飞跃。

制造过程的仪表涉及许多传感器和微控制器，它们可以根据传感器检测到的环境条件巧妙地改变制造条件。这些传感器产生大量数据，但微控制器无法直接响应产生的数据。

制造仪器中使用的传感器和微控制器基本上都是小型联网计算机。传感器将它们的数据发送到一个中心位置，然后在那里分析数据。这些小型自主计算机不受人类实时监控，是物联网 (IoT) 的一部分。更具体地说，在制造环境中，它们是工业物联网 (IIoT) 设备。

用于制造仪表的 IIoT 用例

工业物联网设备可用于任何数量的环境，以完成人类每次都难以（如果不是不可能）可靠和/或准确地完成的工作。例如，考虑焊接检查。焊接是许多电子产品生产线不可或缺的一部分，对最终产品的功能和耐用性至关重要。

不幸的是，制造商被要求在越来越小的组件上进行焊接，并且限制越来越严格。为了保护组件，焊接必须在尽可能低的热量和尽可能小的电荷下进行。

可能有助于改进此过程的 IIoT 设备包括热量、电压和压力传感器，以帮助确定在当前环境条件下执行焊接所需的最小电流强度。 IIoT 相机还可以为基于机器学习的视觉焊缝检测系统提供信息，以验证焊缝是否令人满意，即使它们太小而人眼无法看到；这只是初学者。

制造仪器可以使任何制造——不仅仅是电子制造——更准确，生产错误更少，需要的人员更少。不幸的是，这种仪器并不容易，尤其是考虑到现代制造供应链的复杂性。

制造仪表功能

数十年来，信息技术 (IT) 团队一直在使用仪器。将传感器构建到软件中的成本不如将它们构建到硬件中的成本高。因此，各种操作系统、应用程序和 IT 设备都充斥着传感器。因此，在现代微型计算机出现之前，IT 团队就一直在努力解决他们产生的数据量问题。

这么多数据，这么少时间

在现实世界中，任何仪器化基础设施产生的信息都比一个人可能处理的要多。即使是规模不大的 IT 基础设施，也不能指望大型团队能够梳理所有数据。 IT 领域中存在着整个学科，致力于使 IT 仪器发出的数据易于理解。技术和技巧范围从简单的过滤器到复杂的人工智能 (AI) 和机器学习 (ML) 技术。

直到最近，这对大多数 IT 团队来说已经足够好了。信息将被收集并发送到一个中心位置，数字将被处理，只有重要的数据才会转发给系统管理员。如果这需要几秒钟或几分钟，那没关系；短暂的 IT 中断通常是可以接受的。

但随着世界各地的组织越来越依赖他们的 IT，对仪器采取行动所花费的可接受时间显着减少。对于许多组织而言，目前可接受的反应时间远低于人类可能达到的反应时间。因此，最先进组织中的现代 IT 系统使用强大的 AI 和 ML 套件，让其 IT 基础架构在人类管理员甚至意识到存在问题之前对传感器数据报告的变化做出反应。

正如人们所想象的那样，现代制造商正在寻找能够比人类做出更快反应的制造仪表解决方案。虽然读取传感器并告诉人类出现的问题很有帮助，但远不如实时响应传感器数据有用。

IT 仪器与制造仪器

两者之间的区别在于 IT Instrumentation 相对容易：一种是从已经完全数字化的设备中收集有关 IT 基础设施和应用程序的数据。制造仪器更具挑战性。制造仪表中使用的 IIoT 设备收集有关物理世界的数据。这意味着收集模拟数据并将其转换为数字数据——这完全是另一回事。物理传感器需要校准，随着时间的推移它们会磨损。物理传感器通常也部署在集群中，以便群体感应成为可能。

群体感应使用多个独立的传感器来补偿校准漂移或传感器故障。如果集群中的一个传感器报告与其伙伴不同的数据，则可以将其忽略和/或标记为重新校准。这允许使用已知良好的传感器继续制造，直到可以重新校准或更换发生故障的传感器。

模拟传感的复杂性，加上对传感器数据实时响应的紧迫要求，给制造仪器带来了现实挑战。

云计算不能解决所有问题吗？

IT 团队不得不处理许多不同且困难的计算需求。 IT 供应商开发的解决方案的一个例子是云计算。

云计算和 BDCA

云计算使组织只需按一下按钮即可访问看似无限的 IT 基础架构。虽然云计算背后的原因众多且复杂，但其中最重要的原因可能是云计算允许 IT 团队操作 IT 工作负载，而无需管理或维护底层 IT 基础设施。云提供商为他们处理那部分。

事实证明，云计算对于批量数据计算分析 (BDCA) 工作负载非常有用。 BDCA 工作负载有多种类型，包括 AI、ML、大数据等；收集大量数据并随后需要分析的任何事情都是 BDCA 工作负载。在过去的几年中，云计算一直是大多数新的 BDCA 项目的目标。

将云计算用于 BDCA 工作负载的原因之一是云爆发的概念。云工作负载（例如用于分析大型数据集的计算工作负载）可以仅在需要时启动并达到所需的任何规模。这非常适合 BDCA 工作负载，因为大多数 BDCA 工作负载只需要按设定的时间表生成分析。月末报告是这里的一个流行用例。

不幸的是，规模经济意味着传统的公共云位于中心位置。这允许公共云供应商将他们的数据中心置于成本最低的地方，并简单地构建非常非常大的数据中心。虽然这对于按计划运行的批处理作业风格的 BDCA 工作负载很有用，但对于需要实时响应的工作负载来说却没有多大帮助。

为了解决这个问题，边缘计算应运而生。

边缘计算

边缘计算可以被认为是云计算，但是在别人的数据中心。边缘计算的发展是因为 IT 团队的工作负载需要传统公共云计算无法提供的低延迟响应。 IT 团队完全有能力创建这样的基础架构，但只是不想承担自己处理它的负担和麻烦。

满足新的数据需求

商议后决定，为了满足这些客户的需求，公有云提供商将在相关机构的数据中心安装服务器。这允许这些组织的 IT 团队在他们看来与公共云提供商专门为他们创建的区域相同但与其余工作负载位于同一局域网 (LAN) 的区域上执行工作负载.

这些“边缘计算”服务器允许物联网传感器数据的处理和操作速度远远快于数据必须通过互联网传输到公共云数据中心，进行处理，然后将结果通过互联网传回的情况。 .边缘计算支持多项新技术，包括无人驾驶汽车。

用例：无人驾驶汽车的实时数据

无人驾驶汽车是一个很好的技术例子，在这种技术中，等待数据不是一种选择。云计算可以通过收集给定区域内所有汽车的传感器信息、处理数据并向这些汽车发送一张地图，显示给定半径内每个人和所有东西的位置，从而帮助无人驾驶汽车。这可以让这些汽车真正看到拐角处，使它们更加安全。

然而，即使以光速，将信息从汽车发送到公共云然后再返回也可能需要四分之一秒的时间。当涉及汽车时，人们可能会在四分之一秒内死亡。因此，让处理更靠近汽车——比如将相关服务器放置在汽车将尝试在棘手的城市环境中行驶的几个街区内——可以实现原本不可能实现的技术。

同样，制造业可以利用边缘计算来实现所需的仪器。然而，通常情况下，制造业有其自身的曲折，这不仅使边缘计算对流程更加重要，而且还带来了必须克服的各种挑战。

为什么在制造业中使用边缘计算？

边缘计算与制造公司的相关性的一个共同点是围绕对实时响应的需求。当试图在快速移动的生产线上将制造缺陷保持在接近零时，能够利用传感器集群会有所帮助。如果单个传感器出现故障，传感器集群可以进行仲裁检测，然后重新校准。但是，重新校准必须非常迅速，以避免中断生产线。

如果通过互联网发送传感器数据需要 100 或 250 毫秒，那么生产线上的产品可能会丢失，或者设备可能会损坏。但是，如果数据可以在本地处理，大约需要 5 毫秒，那么制造商就可以实时重新校准传感器和/或根据环境条件更改制造设备设置。

传感器过载

另一个不太容易讨论的边缘计算有用性背后的原因是制造仪器中可能会涉及大量无法管理的传感器。这不仅会使网络容量不堪重负，还会产生大量数据，而这些数据并不完全是必需的。因此，在仅转发需要发送的数据之前筛选数据是有用的。

数据量过多或需要某种形式的过滤是很常见的，在这种情况下，在法定人数中使用传感器来克服校准或老化问题。在这里，如果参与法定人数的其他附近传感器不同意读数，则个别传感器可能会被拒绝。一个设备齐全的工厂可能包含数百万个单独的传感器，而这些传感器最终只由几万个传感器仲裁组成——可能远远超过本地互联网连接可以合理预期的处理能力。

在用于制造的其他边缘计算配置中，有一些传感器仅在本地使用。这可能是因为它们用于实时响应，或者因为它们仅在本地相关，例如，作为安全解决方案的一部分。

合同制造

边缘计算在合同制造商 (CM) 日益普遍的场景中也很有用。 CM 拥有独立于委托工作的原始设备制造商 (OEM) 的 IT 解决方案。然而，许多原始设备制造商看到了为其整个供应链配备仪表的好处，即使是已外包的部分也是如此。

在这种情况下，OEM 可能会使用边缘计算将其部分网络挤出到 CM 的网络中。 OEM 的 IT 团队可能会将服务器放置到 CM 的网络中，然后连接回 OEM 的私有云。结合 IIoT 传感器，这些边缘计算服务器将使 CM 能够满足 OEM 的仪表和供应链集成目标，而不会影响 CM 自己的网络或需要对 CM 的网络设计进行根本性更改。

边缘计算使 OEM 能够使用一致的界面和集成的应用程序集查看其整个供应链和制造运营，无论各个组件是在 OEM 的设施还是在 CM 的设施中制造。这种一致性使得培训和支持 CM 变得更加容易，因为每个人都使用相同的工具链。

总结

云计算已经存在十多年了，它经常被宣传为所有 IT 弊病的解决方案。不是。云计算解决了很多问题，但光速意味着巨大的集中式服务器群只会变得如此有用。

边缘计算有两个主要目的：通过本地处理无法通过 Internet 发送的大量数据从噪声中提取信号，以及提供在需要考虑延迟的时间和地点在本地处理特定事物的能力。对于越来越依赖仪器仪表的制造公司而言，这两种方法都非常有用。

制造业不能等待光从 A 到 B 再返回。线路太多，没有时间犯错。边缘计算解决了云无法解决的问题，因此是时候发展或落后了。

此博客的作者是 OptimalPlus 的企业技术研究员 Michael Schuldenfrei