随着物联网的快速发展，智能终端的不断普及，我们已经进入了万物互联时代。在工控领域，工业设备所产生的数据量将越来越多，海量的连接及由此产生的海量数据，对数据处理的实时性、智能性、安全性和隐私性都带来了更大的挑战，而仅靠上传到云端的云计算的方式越来越难以满足人们的需求。
边缘计算的诞生与发展
既然海量的数据产生在网络边缘侧，那么有没有一种方式能够将智慧能力下沉，实现数据在边缘侧的及时处理和反馈，弥补传统云计算方式的不足呢？在这样的背景下，边缘计算（Edge Computing）应运而生。
边缘计算产业联盟（ECC）把边缘计算定义为：“边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开发平台，就近提供边缘智能服务，满足行业数字在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求”。与云计算相比，边缘计算具有低延时、低带宽、实时性高、更安全可靠等特点。如果说云计算是一个统筹者，负责长周期数据的大数据分析，而边缘计算更注重于实时、短周期的数据分析。
边缘计算参考架构
为了更好的理解边缘计算的相关技术、架构模型，以及促进边缘计算在各垂直行业的深度应用，2018年12月4日，边缘计算产业联盟（ECC）与工业互联网产业联盟（AII）联合发布了《边缘计算参考架构3.0》。
边缘计算参考架构3.0的主要内容：整个物联网系统分为云、边缘和现场三层，边缘计算位于云和现场层之间，边缘层向下支持各种现场设备的接入，向上可以与云端对接；边缘层包括边缘计算节点和边缘管理器两个主要部分。边缘计算节点是硬件实体，是承载边缘计算业务的核心，一般具有计算、网络和存储资源。边缘管理器的呈现核心是软件，主要功能是对边缘节点进行统一管理。
1.云层
云层由多个高性能服务器和存储设备组成，具有强大的计算和存储功能，可以执行复杂的计算任务。云模块通过控制策略可以有效地管理和调度边缘节点和云计算中心，为用户提供更好的服务。
2.边缘层
边缘层位于网络的边缘，由大量的边缘节点组成，通常包括路由器、网关、交换机、接入点、基站、特定边缘服务器等，这些边缘节点广泛分布在终端设备和云层之间。在工业领域，边缘层涉及到由很多边缘设备互相连接构成的工业现场，业内通常称之为OT层。
3.现场设备层
现场设备层就是最底层的一个边缘设备，例如传感器、智能手机、智能车辆、智能卡、读卡器等。在工业领域，它可以是流程工业的仪器仪表、传感器，也可以是离散制造业的数控机床或者工业机器人。
边缘计算系统对资源的使用有两种方式：第一，直接将计算、网络和存储资源进行封装，提供调用接口，边缘管理器以代码下载、网络策略配置和数据库操作等方式使用边缘节点资源；第二，进一步将边缘节点的资源按功能领域封装成功能模块，边缘管理器通过模型驱动的业务编排的方式组合和调用功能模块，实现边缘计算业务的一体化开发和敏捷部署。
边缘计算设备与平台
传统意义上网络应用现场的控制器或者网关，并不能代表边缘计算设备，符合边缘计算定义要求的设备需要具备以下三个条件：
首先，该设备要具备边缘侧数据采集能力。数据采集是边缘计算的基础，从工业设备到消费电子，一切设备都是数据的来源。
其次，设备需要有基于机器学习的智能运算能力，尤其是能够跨越边缘侧和云端提供智能化的运算能力。不仅如此，设备还需要具备良好的运算性能和数据管理能力。
第三，设备不仅仅能够完成采集和运算，还需要提供可操作的决策反馈，要有连接至决策执行系统的开放性。系统管理层可以根据数据分析获得相关决策建议，由执行系统或者设备本身直接完成决策过程。
边缘计算不是单一的部件，也不是单一的层次，而是涉及到EC-laaS、EC-PaaS、EC-SaaS的端到端开放平台。在实际应用中，要实现边缘计算功能，不仅要有符合要求的边缘计算设备，还需要有能够实现落地的边缘计算平台。
根据边缘计算平台的设计目标和部署方式，目前可将边缘计算开源平台分为3类：面向物联网端的边缘计算平台、面向边缘云服务的边缘计算平台、面向云边融合的边缘计算平台。由于针对的场景不同，各边缘计算平台的设计多种多样，但也不失一般性，边缘计算平台的一般性功能框架如下图所示。
在该框架中，资源管理功能用于管理网络边缘的计算、网络和存储资源；设备接入和数据采集功能分别用于接入设备和从设备中获取数据；安全管理用于保障来自设备数据的安全；平台管理功能用于管理设备和监测控制边缘计算应用的运行情况。
边缘计算应用场景
边缘计算应用非常广泛，如智慧城市建设、智能家居、安防监控以及车联网自动驾驶领域，但目前边缘计算应用最具成效的是在工业制造业。
在工业物联网领域的应用实践中，对于工业实时控制及边缘设备安全隐私的要求较高，并且产生的数据需要本地化处理，因此将边缘计算应用于工业物联网成为行业发展的方向。
目前，边缘计算在制造企业主要应用在以下几个场景：
1.设备智能监控
在设备监控业务场景中，边缘计算能够支持对近亿条甚至更多的数据传输和处理，并保证传输的实时性和可靠性。同时，结合大数据及人工智能技术，边缘计算能及时对车间设备进行远程控制，并能够提升设备故障的预测能力，实现预测性运维，最大限度延长设备寿命和提高设备利用率。
边缘计算还应用到终端产品（如挖掘机、智能汽车等）的日常使用和运维中。远程控制无人挖掘机基于5G通讯技术、边缘计算和人工智能技术的融合，通过无人驾驶及5G远程遥控设备等实现准确快速施工，达到提升工作效率、节约费用、降低危险系数等功效。
2.机器人作业
传统的工业机器人已经很难满足智能制造时代对智能化和多感知融合等需求，必须依托互联网技术、深度学习和机器人操作系统平台等进一步构建下一代工业机器人。通过边缘计算的模式提升机器人作为终端执行设备的自主决策能力，是实现复杂工艺和协同控制的必要基础。
机器人智能作业的传输状态类信息，如关节的位置、速度等，不仅信息量较大，而且对信息的实时性要求高；而控制命令信息对安全性和可靠性有较高要求。通过边缘侧与远程控制端、智能中心的配合能够实现机器人的智能控制。此外，边缘计算还应用在多机器人协同作业，保证多机器人安全、高效的协同完成任务。
3.AI质检
AI质检系统采用先进的边缘计算技术，将AI应用下沉到生产车间，在靠近设备的地方进行机器视觉分析，降低视频传输对网络带宽的需求。
目前，边缘AI工业质检的训练阶段需要在边缘侧完成，利用深度学习进行数据的获取、标注、训练、测试和部署，然后根据产品检验要求对产品类别信息、缺陷位置、缺陷类别等检测结果进行反馈，提出预警并控制现场设备进行处理。边缘计算AI质检实现了工业产品外观缺陷的高精度识别分析，缩短了应用响应时间，提高了业务实时性。
4.产线优化
柔性化作为制造业转型升级而产生的新型生产方式，受到了众多企业的追捧。由于数据分析慢、终端信息化程度低，实现柔性化生产对于传统制造业并不简单。而制造企业通过边缘计算能力控制不同的生产设备进行协作，实现工厂柔性化定制生产模式，让生产线变得更加智能。
边缘计算通过对设备的加工状态，如工艺参数、生产环境数据的监控，建立“状态改变对于加工质量影响”的数学分析模型，并通过趋势分析预测加工质量的异常，及时调整设备工艺参数，形成“监控-分析-调整-优化”的闭环，防止废品、残次品产生。
5.工厂安防
在工厂安防领域，需要借助边缘计算对人员进行精确定位以及将定位信息与实时视频、图像以及数据传输进行联动，保证毫秒级的响应及提示，为预警的有效性提供保障，以防止安全事故的发生。同时，为了数据的长期存储以便事故的追溯，需要借助边缘计算的大带宽、实时性以及云端海量存储来实现这些需求。
6.机器人巡检
传统人为巡检工作量大，而且容易出现漏检。依托5G、AI和边缘计算，智能巡检机器人可以代替人力巡检。在机器人巡检场景中，必须要利用云端强大的大数据处理能力，对设备风险特征点进行有效的提取和分析，从而形成设备巡检报警模型。将机器人管理和DIAG系统（诊断系统）部署在边缘侧，通过5G网络回传实时高清巡检画面、设备信息、环境信息、系统交互等，判断现场产品是否与DIAG系统的产品信息一致，防止遗漏。
7.物流装备智能化控制
在智能工厂内部，多AGV之间的作业协同，调度算法极其复杂，而且复杂环境和大量的跨区域作业，对通讯的稳定性和带宽提出了更高的要求。随着企业内AGV数量的增加，云AGV可以更好的解决运算问题，边缘计算恰好能给云AGV提供高可靠、低时延的通讯条件支持。
边缘计算是物联网不可或缺的基础设施之一，目前，对于边缘计算技术的研究和认识依然在持续深入。伴随5G商用的不断推进和边缘计算产业生态的发展完善，工业互联网、虚拟现实、智慧交通、无人驾驶以及众多目前难以想象的边缘计算典型场景有望加快落地、走向应用和普及，将会给整个社会创造更大的价值。