关于企业环境中的[边缘计算0]的讨论往往围绕成本展开——在本地处理以减少云费用，在边缘过滤数据以不传输不需要传输的内容。在工业背景下，这种框架是错误的。工厂中的边缘计算并不是一个成本优化的决策，在云中也有可行的替代方案。对于大量工业应用来说，集中式云架构根本无法满足运营要求——过程控制的延迟太高、数据量太大而无法连续传输、关键操作的网络依赖性不可接受。问题不在于边缘还是云哪个更便宜。问题是哪些应用程序需要本地处理作为不可协商的功能要求，以及如何扩展边缘基础设施来支持它们。
毫秒延迟在生产线上意味着什么
工业过程控制系统（PLC、DCS、视觉系统）的运行时间周期范围从运动控制的微秒到化学过程控制的数十毫秒。在良好的网络条件下，到同一城市的数据中心的往返延迟通常在 5 到 20 毫秒之间。在存在抖动的网络条件下或数据中心地理位置较远的情况下，它很容易超过 50 毫秒。
对于需要在零件传递到下一站之前剔除有缺陷零件的检测线计算机视觉系统，决策延迟需要与线速度兼容。每个零件 200 毫秒的生产线周期为相机捕获、模型处理以及拒绝信号发送到执行器提供了一个时间窗口。减去图像捕获时间、执行器驱动时间和安全裕度，处理窗口可以小于 50 毫秒。没有任何公共云架构能够可靠且一致地提供这种延迟。
同样的推理也适用于协作机器人控制系统、基于传感器分析的紧急停止系统以及任何物理动作取决于实时算法决策的应用。在这些情况下，边缘计算并不是优选的——它是强制性的。延迟过多的决策的成本并不是过时的仪表板。它是通过检查的有缺陷的部件、设备没有在正确的时间停止、或者网络中断的操作。
数学解决的数据量问题
每秒 30 帧的高分辨率工业检测相机每个相机每小时生成大约 1 到 3 GB 的数据，具体取决于压缩率和分辨率。拥有 50 个检查摄像机的工厂每小时产生 50 到 150 GB 的数据。在一个月的两班制操作中，视频量在 24 到 72 TB 之间。将该卷持续传输到云不是带宽问题——有些操作具有可用的带宽。当捕获的绝大多数图像都是完美的部分并且不需要分析时，这是一个云存储和处理成本的问题，很快就会变得不合理。
有效的模型是边缘推理：计算机视觉模型在本地硬件上运行，处理每一帧并仅生成结果（具有一定置信度的批准或拒绝），而不是传输完整的图像。被拒绝或低置信度零件的图像可以发送到云端进行人工审查和再培训。结果是，传输到云端的数据量从每小时千兆字节变为每小时兆字节，而到达云端的数据是具有分析和模型改进价值的数据。
用于设备状态分析的高频振动传感器具有类似的特征。 10kHz 采样（检测某些类别的机械缺陷所必需）会生成大量数据，无法证明连续传输是合理的。有意义的是在本地计算相关指标（频谱、特定频段的幅度、状况指数），并仅传输这些计算出的指标，并在本地存储上提供完整的时间序列，以便在需要时进行更深入的分析。
工业边缘架构：堆栈由什么组成
工业边缘环境不是Linux机架服务器。它是分布在设备和云之间的计算能力的层次结构，每一层都进行不同级别的处理。
最接近的设备级别是协议网关，这些设备将 Modbus、Profibus、EtherNet/IP 和 OPC-UA 等工业协议转换为堆栈其余部分可以使用的格式。这些网关通常是专用硬件 - Moxa、Advantech、Siemens SIMATIC - 具有专为工业环境设计的固件：扩展的工作温度、无风扇、十年组件生命周期。在处理规格上，单位成本高于同等 IT 硬件，但工业环境中对可靠性的要求证明了这种差异是合理的。
上面一层是边缘服务器——可以运行从加固型工业 PC 到用于推断计算机视觉模型的紧凑型 GPU 机架等各种设备的硬件。这里硬件的选择取决于计算负载。对于处理时间序列和计算维护指标，低功耗处理器就足够了。对于高频计算机视觉模型推理，设计规范中出现了 Nvidia Jetson AGX 或 Nvidia 自家的 A2000 系列等工业 GPU。
在软件层面，编排问题——如何部署、更新和监控在数十个或数百个边缘节点上运行的应用程序——是大多数工业边缘架构存在最大差距的地方。 [Kubernetes 1 可行，但对于在容器编排方面没有丰富经验的团队来说，它在 OT 环境中的操作复杂性可能过高。 Azure IoT Edge、AWS Greengrass 和 Balena 等平台提供了更简单的抽象以及与相应云服务的本机集成，但会造成供应商锁定，需要在项目上下文中进行评估。
工厂车间环境中的物理和逻辑安全
工业边缘计算为设计为隔离运行的环境增加了攻击面。工厂车间的边缘服务器是可访问的物理硬件，连接到 OT 网络，并且通常由无法常规物理访问该空间的 IT 员工管理。这会产生集中式数据中心安全模型无法解决的风险。
物理安全从外壳开始——带有锁和开口监控的工业机架并不是偏执，它们是工厂不受控制的访问区域中任何计算设备的标准做法。对硬件物理访问的管理包括控制谁可以连接 USB、移除磁盘或重置硬件。
边缘环境中的逻辑安全要求对每个边缘节点进行身份验证，以便与云进行通信——基于证书的身份验证，而不是共享静态凭据。固件和软件更新需要进行数字签名，以防止安装恶意软件。网络分段模型应限制边缘服务器可以访问其运行所需的系统之外的内容——计算机视觉推理服务器没有理由访问公司的人力资源系统。
如何确定边缘基础设施的规模和预算
工业边缘预算中最常见的错误是只计算服务器硬件的成本，而忽略其周围的一切：需要调整以支持新流量的OT网络基础设施、需要安装在并非为其设计的环境中的结构化布线、确保边缘节点在断电时不会丢失数据的不间断电源系统，以及调试和与现有系统集成的工程成本。
工业边缘项目中使用的经验法则是，在头两年内将边缘硬件的总拥有成本预算为硬件本身成本的两到三倍。差异包括安装、集成、操作团队的培训以及任何新实施所需的初始调整周期。从第三年起，运营成本稳定在每年硬件成本的15%至25%左右，主要是软件维护和预防性更换生命周期有限的组件，如UPS电池和磁盘。
另请阅读
- [边缘计算：为何计算正在离开云而向数据靠拢2
- [边缘计算：为什么分布式处理将重新定义您的架构3
- [边缘计算架构：分布式处理策略4
- [边缘推理：在设备上运行人工智能比在云端更有意义5
- 【城市作为实验室：当城市空间成为测试平台6
- [自主计算：当系统在你注意到错误之前自行纠正时7