在IT与OT的融合过程中，有两种不同的声音，一种认为人工智能作用不大，必须掌握工业机理模型；另一种夸大AI的作用，显然前者通常来自于OT领域的专家，而后者多半来自IT领域的专家，这其中各有道理却又有一定的局限。

边缘计算从IT角度的任务是搭建通用的计算架构，对于应用而言，AI如何在边缘得到应用则是“边缘计算”是否可以落地并真正发挥作用的关键。无论对于商业、管理还是工业现场的应用来说，应用为王仍然是计算架构的发展根基。

在工业边缘智能中，需要澄清工业智能与商业智能的差异、实现工业边缘智能的方法路径，这样才能有效地推进边缘智能的发展。本文即从工业AI与商业AI 差异、工业边缘智能的角色与意义、实现方法与架构， 结合案例做简要的分析，以与产业专家共同探讨。

1 工业AI与商业AI的差异

工业场景中的AI应用与商业AI场景有较大的区别，主要体现在以下几方面：

1.1 数据维度不同

工业场景中的应用，不同于高维度数据的大数据，在图像、语言与声音中，富含多维度数据，这本身就适合AI发挥其力量，而工业数据更多是低维度的数据，其数据函数经常会呈现线性关系，因此对于工业数据来说，很多时候，机理模型即可有效处理，这也是为何机理建模在工业里有着悠久历史的原因。

1.2 数据类型不同

工业的数据属于典型的“小数据”，即，数据量经常比较小，就像故障数据，我们需要对大型传动机组的轴承进行故障数据采集，如果频繁出现故障，那么这个机组本身的制造商将会失去市场。这些小数据却拥有较强的特征和指向性，因此与大数据相比，小数据更能体现有效的价值，而大数据更多适应于趋势性。对于工业来说，小数据的学习更具有产业价值。

图1为商业AI与工业AI场景中数据类型的差异，可以看到对于工业里的数据，多是较低维度的数据，数据量通常较小，属于典型的“小数据”场景。 

图1 商业AI与工业AI场景中数据类型的差异

1.3 异构数据

工业数据的来源多样，有直接采集的传感器信号数据、有经过处理的（处理方式也会有差异）传感器数据，并且通过不同的总线对象字典格式存储和传输，也有来自程序中的中间数据、结果数据、分析类数据，这些数据本身结构多样，需要统一处理，才能被学习系统使用，因此，本身数据的标准与规范需要统一的界定。如采用OPC UA的统一信息建模来获得数据及其属性和类型的定义，包括周期、采样频率的界定，或者建立统一的标准接口。

1.4 工业AI对于应用的需求差异

工业AI与商业AI不同且必须予以考虑的：

（1）可解释性：由于传统制造业建立在发展比较成熟的物理学，即机械还原论的基础之上，其本身的可解释性来自于科学定律、形成的定理、物理化学方程， 就其可解释性而言，是毋庸置疑的。但是，必须意识到，现实的世界更多的是“非线性”的，而传统的机理处理更多在线性区，或在拟合的线性区具有良好的表现，这是因为此区域数据的处理成本较低，实现起来对于算力的要求也并不高。

工业机理建模通常来说具有非常强的可解释性、确定性，即，通过一个输入可以明确计算一个输出结果， 具有强确定性，而对于基于归纳法思维的数据建模，模型只能获得近似，并且仅能对趋势、判定进行分析，很难对精准的输出进行预测。

（2）周期性数据：周期性是整个工业任务中的显著特点，这些参数被有效地建立关联，提取有效的特征值。周期性会产生大量的数据，但是，对于有效性，确定采样周期、数据预处理都是首先予以考虑的。

（3）安全性需求：AI在工业的应用中出现安全问题将会带来严重的后果，因此，可解释性、确定性都是为了服务于安全性。安全不仅包括了设备本身的损坏、资产安全性，更为重要的是关系到人身安全，这些是很多商业AI并不涉及到的问题，也是工业专家对AI应用较为谨慎的原因。

（4）高性能要求：在工业里，一个判断的错误， 无论是将真判定为假，或将假判定为真都是会有潜在风险，会出现错误或造成浪费。对于工业来说，学习都会有较大的成本损耗在里面，如：对于机理建模、精益已经较高的制造良品率来说，一个错误就会让AI的投入失去意义，用户对于AI的意义就会打很大的问号。

2 边缘智能的角色与意义

边缘计算实际上首先是满足于全局的优化、调度和策略，这些在传统工业控制与运营管理中已经有涉及， 只是，传统的边缘计算架构更多是一种离散、专业属性的实现方法，通常具有一定的封闭性，这是如今IT融合中需要由新的厂商来提供全新架构的地方。

2.1 边缘计算发挥的优势

边缘计算要发挥的优势在以下几个方面：

（1）开放架构降低基础设施成本

打破原有的架构、采用新的计算架构来进行连接， 对于流程工业或是离散工业都有意义。传统来说，工业生产的抗干扰、低功耗、安全性、恶劣环境等多种要求，使得工业系统往往是基于专用系统或采用封闭架构而搭建，具有个性化定制的系统特征，但是，对于非现场层级的边缘计算而言，则可以基于开放架构来实现， 进行全局的优化。

（2）边缘架构与智能的全局集成

对于数字化与协同来说，在思想上是建立在全局， 而不是单机控制上，边缘架构就会发挥作用，从部署的地点来说，必然要部署在边缘侧。

（3）打通周期与非周期之间的障碍

如果可以在边缘侧打通传统工业控制系统与开放架构之间的障碍，就能够让开放世界的资源为工业所用， 无论是开发语言、硬件资源、数字化设计软件，都可以与工业控制系统实现集成，贯穿整个垂直链条、水平链条，实现有效的连接。

2.2 边缘智能对于传统制造产业的意义

（1）如何替代“技师”的经验

在目前很多产业里，即使发展了许多年的产业，其工艺Know-How还是会掌握在经验丰富的技师手里，  或者说，在很多场景中，人的经验仍然是必不可少的， 甚至包括很多被认为是先进领域如半导体缺陷识别，依然是依靠人的经验，通过学习的方式需要消耗较多的人员来标定缺陷，这样的人又很难有机会与AI专家一起来尝试，企业也没有机会去给予尝试。

在分析制造场景时，我们可以从两个大的视角来分析，一方面要看传统行业如何借助于新兴技术来实现优化，另一方面，实现角度，我们必须分析其显著的特征，如何与新兴的智能技术更有效地结合，这两个分析，可以使我们清晰地认识到如何让智能在传统领域落地，更有效地帮助企业获得新生。

而在工业的传统工艺测试验证中，本身就有“DoE”环节，即Design of Experiments，它对于质量与流程相关性建立最小测试模型，筛选显著的因子并对其进行组合测试，使这个组合具有再现性，分析出有效因子，并有75%以上的贡献率，而继续进行。如果发现已经没有显著因子，可以判定为成功的DoE设计。

由此，我们可以看到，其实传统的制造业也是可以基于有效的数据测试验证分析来实现这些质量相关性、工艺相关性的分析，基于数据的方式，必须在了解制造设计过程相关性的领域知识基础之上来实现， 更高效。

（2）如何应对变化的材料与工艺

材料的变化是各个领域的难题，人们是否能够寻找到更为高效的方式来分析材料的特性，并匹配有效的控制参数，这些变化如何被有效地构建模型，对于其无法测量或测量昂贵的领域，是否可以采用新的测量技术， 或者新的工艺模型形成的方法？

（3）能否寻找到更好的处理方法

在流程工业，如化学、制药、生物等场景里，通过离线的分析，对质量进行管控是一种滞后的控制，是否能够寻找更有效的模型对质量、工艺适配性进行自主的学习？

总之，工业智能在制造业中的应用肩负几个方向的责任：

（1）如何为传统的产业赋予新能

很多时候，人们把印刷、食品、制药这些产业视为夕阳产业，认为这些产业本身经历百年，已经发展到了一个非常成熟的状态，似乎也没有什么发展空间，但是，这完全不是事实，至少在大部分情况下都是一种歧见

（2）从传统的单机到连线生产，新的边缘计算架构能否提高效率？

3 针对工业AI的架构设计

事实上，从工业视角来看边缘智能，对于传统的自动化厂商而言，也是一个借助IT技术来扩展其数据应用的路径，有着丰富的控制应用实践，边缘智能也可以与实时控制结合，将优化的结果如智能模型的本地推理、参数优化的结果部署到控制任务来执行，以及将智能的判定用于产线的报警、不良品剔除等任务，这些都是IT 与OT融合的典型应用。

3.1 通信集成

对于连接的打通，OPC UA over TSN、降低工程量、模块化的网络、扁平化设计，才能实现边缘智能， 这属于基础设施层面的问题。

对于OPC UA的角色，更多在于信息建模，以及将数字化设计与运营管理和实时控制紧密结合，通过数字化设计软件与控制任务的软件可以实现对接。

3.2 跨平台方法

3.2.1 系统之间的融合——Hypervisor

为了在开放操作系统如Linux和Windows与RTOS之间进行隔离，采用I型Hypervisor，Hypervisor是一种虚拟的方法，如图2所示，以其作为中间件，将Windows与Linux运行开放任务，Runtime运行实时 控制任务，可以在X86的多核上分别运行两个不同的任务。

图2 Hypervisor技术将CPU资源分别用于开放任务和实时任务

3.2.2 Java/Python与控制之间的衔接技术

为了有效的应用软件来开放应用，将开放的环境如Linux上的Eclipse与自动化的Automation Studio（贝加莱的自动化任务开发平台）之间通过exOS进行对接，使得基于Java、Python开发的开放应用与控制任务之间实现匹配，这是一个有效的边缘结合方式， 在Windows/Linux上可以运行机器学习算法，而在Runtime上可以运行实时控制任务。

图3中的架构让IT与OT的任务可以在应用层面得以衔接，进而发挥各自的优势，如：机器学习的模型可以对实时任务进行“观测”，并对其产生的数据进行质量相关性分析、参数最优匹配的学习，以收敛整个控制任务的质量、能耗、时间到合乎效率的方向。

图3 在应用架构上的边缘智能实现

3.3 基于云计算、边缘推理的架构

自动化厂商除了本身可以提供边缘智能的结合应用，还可以通过OPC UA/MQTT与第三方云端系统实现连接，作为边缘侧，将现场数据上行至云端进行训练， 而将训练好的模型部署在本地，由本地的Hypervisor 架构中所运行的AI加速器，或本地架构的算力进行高实时性要求的本地推理，并将结果与执行系统如机器人、运动控制实时结合，实现如不良品剔除、标记等制造任务，形成灵活的边缘智能实现架构。

图4以贝加莱的工业PC运行双系统为例，通过与华为或Intel的AI加速器的连接，可以进行本地的智能推 理，并可以实时与控制任务，如机器人、伺服驱动器、I/O形成执行，将任务实时处理。

对于个性化生产的质量迭代、快速换型中的参数匹配、预测性维护中的应对机制而言，这一架构可以解决现场的边缘智能与实时任务紧密结合。

图4 云-边-端的协同架构

4 工业智能应用案例

对于工业的边缘智能而言，有了架构，需结合实际应用来说明其有效性，在本小节，将以光伏晶片切割装备上的预测性维护作为一个案例，分析其如何实现边缘智能。

4.1 应用背景

在光伏晶片的生产中，晶棒需要被切割为薄片， 进行后道的清洗、制绒、刻蚀、PECVD的过程，单晶硅切片设备通过金刚线缠绕于主轴上，晶棒被“锯”成一片片的单晶硅片，这个缠绕可以达到3000~4000片的密度，意味着每一次切割过程可以同时切割3000~4000 片。如果设备出现故障，则意味着一根晶棒会变成废品，这对于生产厂商而言会有较大的损失，因此如何进行早期设备健康预警，有着非常现实的商业价值。

4.2 机器学习的切割设备分析过程（如图5所示） 

图5 机器学习的切割设备分析过程

首先，对振动信号进行短时傅里叶变换，提取出时频分析，将原始的一维时域振动曲线转换为三维的时频，如图6所示。横坐标为时域，纵坐标为频域，颜色维度则代表着能量大小，越高亮即此时频点能量越大。

图6 短时傅里叶变换后的振动信号（a）正常；（b）异常

可以看出，在时频图上，正常数据的高亮部分与异常数据的亮度分布是不同的。利用图像处理的特征提取方法，可以进一步地提取高亮的分布信息。最后，将提取的特征值输入到基于支持向量机的分类器中，则分类器可自动输出设备健康状况是正常或异常。在实际测试中，对多线切割机上采集到的大批振动数据进行相应处理，得到特征向量集合，并进行分类。其中部分维度的数据及其分类结果如图7所示，可见，由支持向量机的分类器可精准地将数据分为两类，从而检出故障数据。

图7 基于支持向量机的数据分类， 正常（绿），异常（红）

经过短时傅里叶变化及图像特征提取后，正常与异常的振动信号之间的区别被提炼得明确、清晰，易于分类。因此，后续采用的AI分类器，不需要过于复杂的架构，即可实现几乎100%的检测精度，提供了一个高可靠的预诊断方案。

4.3 实现架构

在这个应用中，振动分析是一种比较高效的方法， 但是，这个架构中，并未使用到非常复杂的架构，仅在本地边缘执行侧运行基于X86的PC，以及控制系统。可以看到，边缘智能本身是可以在现有的X86架构中去实现，而控制则可以在Runtime中实现。

5 工业边缘智能应用展望

在实际项目中，根据需求，工业智能应用实现方法可以多样，除了预测性维护，在参数寻优、缺陷分析领域也有着大量的应用潜力，但是，工业领域的边缘智能需将商业AI的算法、模型与工业知识、机理模型紧密结合，才能完整地发挥效果。

工业边缘智能必须结合工业知识，工业的缺陷分析应用场景非常多：

（1）生产中的多种缺陷分析：例如制药领域的灯检，对于液体制剂的容器的封盖、瓶身质量、裂纹、悬浮物、金属异物检测，需要非常强的机器学习能力，以应对各种化学制剂、生物制剂、中药制剂的质量分析， 这不仅关乎成本，也关乎人身安全。

（2）安装过程中的缺陷检测：个性化对单品质量的要求变得更高，需要一定的动态响应能力，即快速的迭代，这适合边缘智能的应用场景，在各种消费电子、医疗器械、日用化学品的生产过程中，由于订单的变化较快，边缘侧必须快速学习、即时响应，虽然并不需要控制的微秒级，但是，在越短的时间响应，其因为测量的滞后性带来的不良品率就会大幅降低。

（3 ）工艺参数寻优：对于经常变更的材料而言，无论是流程工业中的生产，还是离散工业中的金属、玻璃、塑料、纸张等，都需要适配相关的参数来获得高品质，这正是边缘智能发挥的地方，在这个场景中，要结合工艺建模，利用数据的算法实现参数的收敛。

工业边缘必须结合工业的现场知识和工业本身的控制能力，自上而下进行全局优化和数据处理。

作者简介：

宋华振（1975-），男，陕西咸阳人，硕士，现任贝加莱工业自动化（中国）有限公司技术传播经理,主要从事工业通信技术、行业解决方案推广。兼任SAC/TC124/SC4委员、SAC/TC159/WG18委员、边缘计算产业联盟专家委员会专家、自动化学会集成自动化分委会委员，曾参与出版《面向中国制造业2025的智能化转型》、《美国制造创新网络研究院解读》等书籍。

摘自《自动化博览》2021年2月刊