工业物联网 (IIoT) 通常与大数据和云相关联，收集来自分布广泛的海量传感器数据，将信息转化为洞察力。在某些工业流程中，获取洞察力所需的时间至关重要，而在将数据发送到云并收到响应的过程中，可能出现过度的延迟。在其他情况下，数据安全性可能受到威胁，或者无法快速可靠地连接到互联网。为了克服这些挑战，边缘计算可为云的大数据处理功能提供补充。它能够执行需要瞬时响应的计算密集型任务，并对数据进行存储和筛选，以便在适当时传输至云。边缘计算可包含诸多要素，例如简单数据筛选、事件处理甚至机器学习，并可在任何连接的设备上运行，从小型嵌入式计算机或 PLC 到工业 PC 或本地微型数据中心。关键要求是必须与在同一平台上运行的其他流程分开，并且只占用少量资源。

最大程度地发掘数据的价值

工业物联网的主要价值在于它能够整合来自多个来源的数据，帮助企业总揽全局：如何改进流程、优化维护活动、减少浪费和能耗以及消除不必要的成本。以云为中心的工业物联网视图可提供不同的数据流，这些数据流使用重量级软件应用程序，在远程数据中心进行组合和分析。

这种模式假定了几个前提条件：可随时使用可靠的互联网连接；有足够的带宽来处理推送至云的数据；延迟 – 即生成数据与收到云分析结果之间的时间 – 是可接受的。但是，其中任何一个关键条件都可能无法满足。远程站点可能依赖于蜂窝网络来提供互联网连接，但蜂窝网络覆盖可能不完全或不可靠。大量传感器可能生成大容量数据，将这些数据传输到云的成本非常高昂，特别是在包括高清图像或视频的情况下。出于安全原因，或者为了保持高效运营，可能需要实时进行复杂决策。另一方面，对于某些公司而言，数据安全也可能是一大问题，他们可能不希望通过互联网将数据传输至云，从而暴露敏感信息。

在上述任何一种情况下，将从流程或设备采集的原始数据传输至云可能都是不切实际的。但是，我们需要在单个机器或流程控制逻辑级别之上的某些智能和决策功能，以帮助企业确定最佳行动方案。这正是边缘计算的角色。

边缘计算提供性能提升

作为工业物联网的一部分，边缘计算变得日益重要。在靠近设备或流程的位置部署第一层计算能力，可以实现智能或协调的事件响应，并有助于降低云的数据处理负担。在包含数十个、数百个甚至数千个传感器的系统中，来自这些传感器的很多数据可能没有太多价值，只是报告“正常”工作状况。智能网关可以对这些数据进行筛选、丢弃或更高效地对其进行重新组合，以便传输至云进行存储和分析。当发生值得关注的事件时，智能节点可以快速确定正确的响应，向互联设备发出适当的指令，并在适合云使用的报告中总结该事件。与针对来自少量传感器的信号的高度局部化响应不同，边缘计算能够采取更加协调的行动，评估来自更多数量的传感器的数据，在更高的级别上进行决策。以采矿应用为例，我们假定检测到钻机平台的过度振动。对于从振动传感器收到的错误信号，标准的响应可能是停止钻进，从而导致生产损失，而且还产生意外停机时间，用于检查和修理设备。凭借更出色的计算能力、更大数量的传感器输入和存储历史数据，更强大的边缘计算设备能够评估振动对整个系统的影响，确定几种可能的响应，计算其后果，并采取最佳的行动方案，或者告知操作人员最佳选择。

边缘计算设备具有板载数据聚合和处理能力，而简单的传感器/报警组合不具备它的全局视角，边缘处理引擎能够处理从所有互联传感器接收的数据，并基于预先确定的优先级做出最佳决策。在生产情况下，经过产品测试或检测后，发现装配线末端的故障率突然增加，这可能导致需要暂停生产以调查起因。连接到所有机器的智能边缘设备可在装配线上的所有设备之间协调此类响应行动。或者，它可以通过分析来自多台机器的感测数据确定变化的原因，并且自动应用修复，或者指导操作人员修正错误，让生产能够快速高效地重新启动。

此外，边缘计算能够支持预测性维护，将感测的测量结果与历史数据或预设阈值进行比较，以计算更换设备的最佳时间，以此协助实现数字化转型。在互联网访问不可靠、网络覆盖不佳的某些地理区域，它也可以实现对部署在这些地区的设备的智能管理。如果网关设备暂时无法连接至云，可将数据存储在本地存储器中，直至能够重新建立连接。然后，设备可自动与云重新同步，确保远程应用能够始终访问完整的最新信息。

另一方面，通过边缘设备中的更多智能，还可以增强能效管理，即利用感测的数据，根据高级别能源管理策略来调节和优化设置。

实施：硬件与软件

边缘处理的原则是让分析智能的位置尽可能靠近互联设备。对于边缘计算及其与云的关系，人们正在制定相关规范，因此定义和架构仍然不太确定。由于用户可能没有部署专用边缘服务器的物理空间或资源，因此智能可能需要嵌入现有基础设施中，例如网关、PLC、工业 PC，或者位于工厂端的连接至云的其他各种设备（图 1）。

图 1： 在工业物联网中，边缘计算在工厂设备和云之间插入数据采集和存储、实时决策功能。

实质上，边缘计算存在于单个机器控制系统的级别之上，在本地运行，以辅助在云中托管的重量级应用的工作。边缘应用可以执行简单的任务，例如接入和存储来自多个渠道的数据并对数据进行筛选，然后将数据转发至云。更复杂的可视化将分析甚至机器学习也纳入边缘计算范围，以实时生成智能响应。实现这种高级构想所需的基本组件包括数据接入、事件处理引擎、互联设备管理、用户应用以及数据向云的安全传输（图 2）。

图 2： FogHorn 照明平台提供了边缘软件堆栈中包含的功能的图示。

从基本原理构建完整的智能边缘处理平台是一个巨大的挑战。一种替代方法是使用硬件独立的软件框架，以提供基本构建模块，例如事件处理引擎、设备管理，以及使用多种协议（例如 MQTT 轻量级消息传输协议或安全 HTTPS）的安全流式传输。很多此类框架正在应用于工业物联网领域，例如 GE 的 Predix、Cisco 的 IOx 以及 FogHorn Systems 的照明平台。除了功能组件之外，这些框架还提供各种软件开发套件 (SDK) 来允许用户运行自己的自定义应用，并提供开发环境来帮助配置系统和定义分析功能。这些框架还提供管理边缘设备的工具，包括监控、控制和诊断。

软件容器

要在与自动化控制器或 PLC 相同的硬件上运行边缘计算引擎和应用，这些引擎和应用必须与其他软件隔离运行。使用容器已经成为一种流行的方法，这种方法可提供与虚拟机类似的隔离，但更适合资源受限的设备。容器镜像包括了软件运行需要的全部资源。但与虚拟机不同，容器对操作系统而不是硬件实现虚拟化，从而产生更轻便的解决方案。还可将容器与虚拟机结合使用，以便更加灵活地部署和管理应用。

图 3： 容器提供了一种有利于节省资源的方法，用于隔离在网关、PLC 或工业 PC 等设备上托管的边缘计算进程。

Docker 框架被物联网解决方案开发人员广泛用于实施容器（图 3），它已将代码捐献给支持容器生态系统开发的开放容器计划 (OC++I)。要创建边缘计算解决方案，可使用 C/C++ 或 Java 开发基于 Docker 的 Linux 应用程序，以捕捉所需的数据，并通过选定软件平台中提供的 SDK，以集成分析引擎等边缘处理资源。

合适的软件平台还提供便利的仪表盘，用于管理互联边缘设备，让开发人员能够专注于自定义他们的应用，以捕捉他们需要的数据，并对检测到的事件做出响应。随着软件开发平台和交钥匙边缘计算设备进入市场，边缘计算已成为新产品开发的主题。

边缘计算是工业物联网的附属品，可随时与云结合使用，为运营商和企业管理者提供灵活性，让他们在适当时获得需要的洞察力。据 GE 估计，传统自动化系统仅使用 3% 的机器数据来产生有意义的结果。如果将边缘计算和云计算结合使用，可以增强实时自动化并为长期决策提供指导，从而释放剩余 97% 数据的更多价值。

总结

人们经常把工业物联网想象为小型智能设备的组合，这种组合将比较有限的资源连接至具有强大计算能力的云。随着更多企业在更多情况下需要依赖工业物联网，一种更加先进的架构在不断演进，该架构在网络边缘提供智能，为云的能力提供补充。现在进入市场的软件解决方案让企业能够充分利用网关和传统工业计算平台，来实时响应紧急事件、保持安全性以及高效利用连接和带宽。