|
边缘计算应用是人工智能与制造数据深度融合在制造场景上的典型体现，其发展对人工智能和大数据具有双赢优势：一方面边缘制造大数据可以借助智能算法释放更多的潜力，让数据产生价值，提供更高的可用性；另一方面边缘计算能为智能算法提供更多的数据和应用场景，面向应用场景搭建高质量的数据集。传统的人工智能和工业大数据都存放在云端，而边缘智能技术在制造边缘部署边缘节点，直接从加工测试物理端设备获取数据并实现智能计算，将有力推动人工智能在智能制造应用的普及与发展。因此搭建基于边缘应用的工业互联网体系，能够解决边缘节点计算资源受限的难题，满足智能制造工业应用场景对任务响应的要求。 数字工厂、智能制造作为城市数字化转型中的主要单元，是不可或缺的场景应用，而边缘计算作为场景侧的数据计算处理平台，是链接物理实体以及云端平台的枢纽。边缘计算有着低时延、少带宽、高安全性的优势，可以快速应对局部性、实时、短周期数据的处理需求，助力城市数字化转型中的场景大规模部署实现需求；同时，可根据不同场景对AI算法、机理建模等方面的差异化特点，进行计算资源的均衡化配置，可以大大提高城市数字化转型中的投资成效。 传统制造行业虽然针对生产过程逐步配备了一定数量的数字化、自动化装备和信息系统，使得制造效率得到有效提升。然而制造单元系统闭环控制能力薄弱，边缘层装备停留在数控化、自动化层面，大量加工过程数据未得到充分集成与应用，影响加工工艺的优化迭代，质量一致性和安全生产水平提升面临瓶颈。在某种程度上，数字化工厂更多的是数控化工厂。数字工厂的内涵最主要的是将“价值流”充分融入到自动化技术和数字化技术的应用，从而构建更加优化与高效的生产运营和内外协同环境，即利用数据创造价值。 边缘计算应用数字工厂的价值体现是面向制造单元建立云边端的边缘应用架构，通过物理端数据采集，云端建模以及边缘侧数据实时处理，一方面将前道制造单元产生的加工信息实时传递到后续制造单元，另一方面实时预测加工质量，并快速调整加工工艺参数，对产品最终质量进行有效控制，从而提升产品加工一致性。由于边缘计算可以在制造单元侧就近处理加工过程数据，解决实时性问题，并通过联通边缘计算节点，快速传递制造信息，使得上下游制造单元的信息共享，因此对产品加工质量改进有着重要的应用价值。 边缘计算应用数字工厂的作用主要体现如下： （一）创新应用制造过程数据 采用边缘应用能够利用制造过程关键单元物理侧数据集、算法、模型夯实质量基础，突破工业算法赋能数据、数据赋能机理、工艺知识图谱开发与智能应用等关键技术，有利于制造知识的沉淀，其中核心是算法、来源是技术和技能，从而形成典型的制造过程数据创新应用的新模式。 （二）辅助解决行业机理模型 边缘计算应用尤其面向特殊制造过程，能够建立黑箱或者灰箱模型，辅助解决行业机理不清的难题。黑箱模型又称经验模型，是一些内部机理尚未被人们所知的现象，但可以通过输入-输出关系建立起笼统的因果关系。灰箱模型是难以通过模型完全提炼规律性信息和知识的模型，但可以通过将复杂的问题进行简化近似求解。例如火化工行业中的固体推进剂燃速与配方和装药生产过程的机理作用不清晰，需要通过输入-输出数据，建立两者之间的近似模型，用于结果预测。 （三）规范智能制造单元标准 边缘计算应用通过建立导则和标准，能够更加精确地规范智能制造单元内物联感知、数据规范与算法、平台架构及安全防护的基本要求，从而保障智能制造单元的标准化实施。 综上，企业在数字化工厂建设过程中，需要在数控化、自动化等机器设备硬装备和MES、SCADA等信息系统软装备同步建设的基础上，进一步利用边缘计算技术，建设制造边缘的节点云，解决产品关键制造过程中数据的采、存、管、用，形成以数据和算法为核心的创新应用能力，助力产品质量提升，真正实现数据价值创造。 二、边缘计算应用数字工厂的现状和问题 （一）边缘计算应用数字工厂的现状分析 1. 国外情况分析 企业层面，谷歌公司采用“Cloud IoT Edge”将强大的数据处理和机器学习功能扩展到数十亿台边缘设备，比如机器人手臂、风力涡轮机和石油钻塔，这样就能够对来自其传感器的数据进行实时操作，并在本地进行结果预测。 标准层面，有关边缘计算的标准化工作正逐渐受到各大标准化组织的关注，主流的国际标准化组织纷纷成立相关工作组，开展边缘计算标准化工作。2017年ISO/IECJTC1SC41 成立了边缘计算研究小组，以推动边缘计算标准化工作。2017年IEC发布了VEI（Vertical Edge Intelligence）白皮书，介绍了边缘计算对于制造业等垂直行业的重要价值。 2. 国内情况分析 企业层面，边缘计算技术与应用处于发展初期阶段，但是各地企业在边缘计算方面已经展开广泛探索，目前边缘计算主要处于技术研究、实验室测试，以及相对简单场景的预商用阶段。 英特尔和阿里云联合在重庆瑞方渝美压铸有限公司打造的工业边缘计算平台，采用了英特尔开发的深度学习算法和数据采集到协议转换的软件，以及阿里云开发的基于 Yocto 的操作系统（AliOS Things)、数据接入云端Link Edge。该平台可以运行在工业边缘计算节点本地，并将结果聚合并存储在边缘服务器上，再通过阿里云的LinkEdge实现数据上云。 标准层面，2016年11月30日，我国边缘计算产业联盟（ECC，Edge Computing Consortium）在北京成立。2016年和2017年分别出版了国内的《边缘计算参考架构》1.0 和2.0版本，梳理了边缘计算的测试床，提出了边缘计算在工业制造、电力能源、智慧城市、交通等行业应用的解决方案。 在上海，工业边缘应用亦处在起步阶段。边缘应用主要面向工厂设备进行流数据的储存和处理，更多的是关注端的应用，或者说是面向工厂中的设备，不是面向工厂中的产品。由于没有建立起完善的云边端协同机制，所以在对产品加工质量价值的提升上贡献度较低。以航天领域为例，上海航天企业以产品加工过程中的问题为导向，通过产学研用合作模式，初步建立了云边端协同的模式，并同步建立了边缘应用的行业导则，目前正在持续的深化应用中。详见附件一，基于航天领域的边缘应用架构图。 （1）数据采存层：利用物联网技术实现测试设备的组网、测试业务的在线采集、实时采集以及边缘计算，形成“逻辑统一、物理分散”的分布式数据存储管理能力。 （2）数据管理分析层：建立业务信息系统到数据仓库的数据流转通道，实现数据流转无缝连接。 （3）数据服务层：包括业务算法开发、机理模型赋能开发，建立数据与算力的结合，方便数据赋能、数据产品开发等能力的形成。 （4）数据应用场景层：发布数据产品、完成数字化交付，结合可视化技术形成场景级数据应用、变现数据价值。 （二）边缘计算应用数字工厂遇到的问题瓶颈 1. 投入产出见效慢，模式复制推广难 工业边缘应用更多的是解决工厂内部的疑难杂症，从数据的采集、工业算法的选取，到机理模型的建立是一个知识经验固化以及优化的过程，整个过程繁琐而漫长，难以在短期内见到效果。同时又因为工业专业众多、业务场景复杂导致模式的可复制性不高，哪怕是同样的加工专业也会由于加工对象不同，影响加工质量的特征也会不尽相同，所以想要建立一个可以快速复制推广模式难度较高。 2. 专业化、数字化复合型人才缺口大，商业模式不健全 边缘应用在推广过程中，面临着软件服务商有算法没数据、制造企业有数据没算法的境况。边缘应用要想快速复制，需要培养大量专业化与数字化相结合的复合型人才，才能让软件服务商与企业制造方更好的在同一频道上对话，缩短探明机理的过程。 三、推动边缘应用在数字化工厂建设的政策建议 （一）推动制造企业以数字化转型为抓手，以用促建，提升场景应用价值为导向 企业数字化转型的核心是业务模式的转型，业务模式面向场景驱动，因此需要建立健全业务场景转型的体系架构，支撑企业产品化、专业化能力提升。 （二）创新商业模式，推动装备制造商、软件服务商以及企业制造方联合创新 由于业务场景中工艺专业知识至关重要，因此在数据采集方面需要装备制造商和软件服务商提前介入，充分考虑到需要采集的特征参数，并在装备出厂前完成传感器布置以及数据接口预留，从而避免在后续实际应用中出现传感器布置难、特征数据采集难的等现象，给场景应用带来极大不便。 （三）鼓励有条件的企业开放场景和数据，打造实训中心 由于工业场景的复杂性，使得边缘应用推广难度较大。为解决这一问题，需要建立面向不同行业的实训中心，让不同行业内边缘应用条件较好的企业开放数据和场景，并形成完善的建设导则和标准，这样边缘应用的模式才能快速的复制和推广。 （四）边缘应用是突破软件国产化的重要手段 软件本质是数据和算法的耦合。通过边缘应用，让制造业务场景的数据和算法见底。只有数据和算法见底了，过程机理模型才能具备清晰的条件。面向不同行业，将见底的数据、算法和模型进行耦合封装，就此形成具有行业特色的软件，这样国产软件化的道路才会更加的坚实有力。  |
|
|
