1. 前途国际首页
  2. 物联网

工业物联网(IIoT)之边缘运算

在IIC发布最新题为「IIC Introduction to Edge Computing in IIoT」白皮书,针对持续性边缘运算在工业物联网(IIoT)作出介绍。边缘是一个逻辑层(Logical Layer)而非一个特定的实体分隔,所以,可由使用者自行释义与说明它的所处位置,依据实际案例的不同,边缘之定义取决于案例问题或要解决的「关键目标」,以下将论述四个应用案例与边缘运算之效益。

案例一:保护设备免受过热损坏

名为「Dumb」的热电偶(Thermocouple)可测量泵浦的温度,具有边缘计算功能的泵浦可执行基本分析,以确定是否超过定义的临界值(Threshold)并在几毫秒内关闭泵浦。过程中没有延迟决策,也不需要联网才可执行此功能,联网不是必需,但可以用于通知使用。温度信息的时间价值迅速衰减,因延迟可能会导致设备损坏。在此情况下,边缘处于元件等级(Device Level),因可实践关键目标,即使联网更高阶系统或网际网络连接中断时亦可执行。

案例二:监测厂区或生产线的绩效

设备与生产线的绩效常透过设备效率评价(Overall Equipment Effectiveness,OEE)等绩效指标进行呈现。可在本地网关(Gateway)上针对工厂内各感测器的多个数据点以进行近即时分析(Near Real-Time Analytics),并向操作系统或人员提供OEE趋势和警示提醒。

在这种情况下,基本功能需要取得多个设备的信息,才能执行简单的分析。等待来自云端决策的响应时,将使得信息的时间价值变高,若有所延迟恐会导致重大损失,这样的商业问题意味着边缘运算适用于工厂场域的层级。

案例三:每两天最佳化当地或工厂之供应链

最适化当地设施、工厂或油田的供应链流程需要取得多种数据源,并在短时间内运用最佳化算法与分析,以使供应链管理(SCM)或企业资源计划(ERP)等商业系统能应用该分析模式。

基本功能需要当地或工厂层次的联网,并在几小时内做出决策。工厂周边以外的其他信息或许可能有用处,但并非强制性的有效最佳化。在这种情况下,边缘运算将设置于工厂、场域或当地设施的周边。

案例四:预测设备故障与主动回报行程表

机器学习模型预测潜水电泵(Electric Submersible Pump)故障,数据需要从多个离岸平台(Offshore Platform)中获得。分析模型非常复杂,需要大量数据进行训练及重新训练模型,还需定期数据馈送(Feed),从操作潜水电泵确定每个单元的剩馀使用寿命。此外,需要定期规律性分析来自各个潜水电泵的数据,但信息衰减比其他情景慢得多,且可每天或每周做出决策。计算通常执行于企业级的公共云端或私有云端,且位于边缘连续体(Continuum)的顶端。

为什么要在边缘进行运算?

边缘运算(Edge Computing)是一种分布式运算构架。其中,运算资源和应用服务可分布于数据源到云端的通信路径。「边缘」可满足运算需求,如:某处搜集数据的或用户执行某些动作,其带来之效益为:提高绩效;满足遵循法规、数据隐私与数据安全性的问题;降低营运成本。

 

来源:Introduction to Edge Computing in IIoT

 

 

 

原创文章,作者:NEXTECH,如若转载,请注明出处:https://accesspath.com/iot/%e5%b7%a5%e4%b8%9a%e7%89%a9%e8%81%94%e7%bd%91%ef%bc%88iiot%ef%bc%89%e4%b9%8b%e8%be%b9%e7%bc%98%e8%bf%90%e7%ae%97/

发表评论

电子邮件地址不会被公开。 必填项已用*标注