在云上訓練的人工智能(AI)和機器學習(ML)算法，可以在網絡邊緣的本地計算設備上執行，從而使工廠能夠在生產和使用地點安全、實時地處理和分析數據。
作為數字化轉型戰略的核心要素，人工智能的變革力量已滲透至幾乎所有行業。從過程控制與自動化的視角來看，AI在支持分析和處理現代工業設施中數以千計的互聯設備、系統及流程所產生海量數據方面，展現出巨大潛力。
在典型的工業環境中應用AI技術，可助力優化控制流程的效率、可靠性與安全性。它能夠減少人類在繁瑣或常規任務中的干預需求，并最終在降低運營成本的同時，提高工廠的運行時間。在實現這些目標的過程中，AI也為工廠全面自動化運營這一長期愿景鋪平了道路。
基于多年實際運行數據驅動的AI算法，可通過機器學習進行訓練以識別人類工程師通常難以察覺的趨勢與異常。這些洞察可用于預警傳感器的潛在故障，或為特定流程的精細化調整提供建議以提升能效。
有效決策的關鍵在于確保及時獲取準確、相關的數據，并具備快速分析與解讀信息的能力。在過程控制領域，正是這種“深度挖掘數據價值”的迫切需求，將AI的應用聚焦于最具價值的場景——即運營數據產生與使用的同一物理空間。
邊緣AI的優勢
邊緣人工智能(Edge AI)，通常是指在聯網設備上實時或近乎實時地執行任務的AI應用。為AI引擎決策提供依據的數據可能遠程存儲于云端，也可能就近駐留于設備本身所在的網絡邊緣。
雖然邊緣計算的起源可以追溯到千禧年之交，但是在網絡邊緣部署AI模型是一個相對較新的現象。得益于CPU算力的提升與電路的微型化發展，如今緊湊型硬件設備已具備十年前堪比超級計算機的數據處理能力。
高速的5G連接還允許從成千上萬或數百萬個物聯網(IoT)設備中收集數據，為云端或遠程數據中心托管的日益復雜的AI/ML模型提供數據。在用更多設備和更多數據對這些模型進行訓練后，經過不斷迭代，它們會變得更智能、更準確、更可靠。
將AI算力遷移到網絡邊緣會帶來一些顯著的優勢。它大大降低了在基于現場的設備和云端之間傳輸大量數據所需的帶寬要求和相關成本。在本地執行應用，而不是在遠程位置執行，還可以縮短系統延遲——數據來源點和處理地點之間的往返時間。無論是身處無人駕駛汽車中，還是為另一大洲的患者實施機器人手術，即使僅百毫秒的輸入輸出延遲也可能引發災難性后果。
將計算資源部署在數據產生和使用的地方，可以減少通過互聯網將站點連接到遠程數據中心可能存在的網絡安全風險。雖然私有云和公共云具有高度的內在安全性，但能始終將商業敏感數據保存在本地，不會發生未經授權的泄露和審查，從而確保對數據的最終所有權和控制權。
關鍵任務的應用場景
邊緣計算在關鍵任務應用中也極具吸引力，因為它不依賴于持續的互聯網連接來處理數據。這就確保了應用的高可用性，否則這些應用可能會受到網絡中斷的影響，或者在連接不暢或時有時無的遠程站點受到影響。
正是因為有了這些好處，在很多工業過程控制和自動化環境中，邊緣計算發揮變革性作用也就不足為奇了。作為現場設備和云之間的智能橋梁，它允許資產所有者從工業物聯網設備和控制系統收集更多的數據，并將這些數據用于廣泛的生產過程。
所有工廠的運營人員都面臨著優化工廠正常運行時間、效率、安全性、可持續性和盈利能力的挑戰。其中關鍵在于從數千個傳感器、子系統和其它來源產生的大量運營、IT和工程技術數據中及時提取可操作的見解。在遠離移動寬帶覆蓋的偏遠地區或難以進入的環境，如礦山、化工廠、海上風電場或石油平臺，這可能尤其困難。從業務角度來看，通過邊緣和云計算賦能的AI分析技術，有望幫助工業資產所有者從當前未被利用的約80%生產數據中釋放實際價值。
從定義上看，邊緣和云模式有著根本的不同，不過，它們被廣泛視為互補技術，將邊緣計算的即時性、安全性和彈性與云的無限規模和存儲容量相結合能為制造企業帶來很多好處。
以某化學加工廠的過程優化模型為例。該模型由現場IIoT設備大規模收集、并由云托管的生產數據提供支持，然后利用邊緣AI在現場實時執行。該模型輸出的結果可確保設備和系統能夠更快、更準確地響應其環境需求。
賦能工業的強大工具
邊緣AI還可以作為賦能工業的強大工具來支持制造企業的其他應用，例如基于狀態的資產健康和性能監控。從網絡邊緣的傳感器、執行器和其它設備收集的數據，可以用作基于狀態監控的基礎。經過訓練的AI算法，可以發現所連接設備或子系統的數據簽名中的潛在異常，將行為與數萬個其它類似設備的歷史數據進行交叉引用。通過向工廠人員發送自動通知，它可以提前警告潛在的系統故障，否則這些故障可能會影響工廠或過程性能，并導致代價高昂的計劃外停機。
未來，邊緣計算將在廣泛的工業自動化應用中帶來變革性影響。結合工業物聯網技術和AI驅動的分析，邊緣計算可與云端存儲及應用形成互補，從而助力過程工業領域充分釋放生產數據的全部價值。
所有評論僅代表網友意見，與本站立場無關。