边缘计算-走在智能制造的前沿

前几天发现原来自己的产量还是很低的-半年才几篇中间间隔都比较长，今天和自动化博览的宋大小姐聊了一下，发现已经发布在他们的杂志上的这篇关于边缘计算的也可以作为文章发布嘛！虽然最近认识已经发生了一些变化，但是，由于比较懒就没怎么修改，直接贴过来了（但也有略微的小调整）。

 

2012年11月30日，在北京成立了以华为、沈阳自动化所、Intel、ARM、信通院、软通动力六家创始企业发起的边缘计算产业联盟(Edge Computing Consortium)，这就引发了大家对于这个概念的兴趣，并且，在市场上出现了各种计算，云计算、雾计算、边缘计算几个主流的概念，使得吃瓜群众更加感到迷茫，在国家大力倡导Internet+或者+Internet的大背景下，边缘计算将带给我们什么？这些都值得我们去研究，本文以边缘计算为中心，讨论与之相关的话题。

 

1 边缘计算并非新鲜词汇

 

首先要说边缘计算并非是一个新鲜的词，早在2003年，AKMAAI与IBM即开始合作“边缘计算”，AKAMAI是一家内容分发网络CDN和云服务的提供商，是世界上最大的分布式计算服务商之一，承担了全球15-30%的网络流量，在2003年6月9日的一份内部研究研究项目“开发边缘计算应用”[1]中即提出“边缘计算”的目的和解决的问题，并通过AKAMAI与IBM在其WebSphere上提供基于Edge的服务（这个Internet上获得的一个内部文件）。 

2004年20届IEEE国际会议上，Pang H就提到了EdgeComputing，这是比较早的关于Edge Computing的公开文献，在引用中也较多的一篇（167），在这篇文章中，Pang H就提到了“边缘计算是为了实现可扩展且高可用的Web服务，它将推动企业的逻辑与数据处理数据中心到代理服务的边缘侧，其优势在于应用程序在边缘侧的运行削减了网络延迟，并产生更快的Web服务响应”[2]

基于移动端的MobileEdge Computing由欧洲电信标准协会ETSI制定并发布白皮书，其构架主要建立在移动通信网络与无线接入网络，由其提供边缘计算服务，这个简称为MEC，这个技术规范由AT&T、华为、NEC、Motorola、CISCO等移动通信领域的企业共同发起制定。

 

2016年11月30日，ECC(边缘计算产业联盟)理事长，中科院沈阳自动化所所长于海斌先生在ECC成立大会上介绍了Edge Computing的定义，边缘计算是指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、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。对物联网而言，边缘计算技术取得突破，意味着许多控制将通过本地设备实现而无需交由云端处理反馈，其处理过程也将在本地边缘计算层完成。这无疑将大大提升处理效率，同时大大减轻云端的负荷，由于更加靠近用户，还可为用户提供更快的响应，将用户需求解决在边缘。

 

2 物联网应用催生边缘计算/雾计算

其实无论是云、雾还是边缘计算，本身只是实现物联网、智能制造的一种方法或者技术模式，其实雾计算和边缘计算本身并没有本质的区别，都是在接近于现场应用端提供的计算。就其本质而言，都相对于“Cloud”的计算而言的。

 

2.1 物联网才是大背景

2014年，IBM中国研究院院长沈晓卫在财新峰会上介绍“边缘计算”，将云端计算不了的放在边缘侧计算，而云端可以访问边缘计算的历史数据。在这个时候，全球智能手机的快速发展使得移动终端成为了“边缘计算”的发展对象，而因此，沈晓卫表示“构建边缘计算系统，是物联网发展的一大趋势。

 

在2016年11月的边缘计算联盟成立大会上，华为网络研发总裁刘少伟先生提到“未来将是一个万物感知、万物互联、万物智能的智能社会，而行业数字化转型是构建智能社会的支柱。针对行业数字化转型在网络边缘侧面临的挑战，联盟提出了边缘计算产业价值CROSS，即在敏捷联接(Connection)的基础上，实现实时业务(Real-time)、数据优化(DataOptimization)、应用智能(Smart)、安全与隐私保护(Security)，为用户在网络边缘侧带来更多行业创新和价值再造机会。刘少伟以“拉瓦尔喷管”比喻联盟的“窄喉”作用，希望通过联盟的运作，支撑边缘计算重点行业的应用创新与示范推广，并通过广泛的生态合作与营销推广，进一步助力更多行业的数字化转型，实现价值延伸”。

 2016年12月6日，世界智能制造大会在南京举办，来自美国机械工程师学会（ASME）的Keith Roe博士在他的演讲中就预测“物联网将在2019年迎来爆发式增长”。

 

2.2 边缘计算聚焦于IoT应用

 

图1是来自英国Queen’s大学的Blesson Varghese教授在其“边缘计算的挑战与机会”[5]一文中较为有效的描述了边缘计算的动机、挑战与机会。

 

图1 云、边缘节点与边缘设备

 

图2 边缘计算的动力、挑战与机会

 

这张图对于边缘计算的研究是比较全面的，也是最新的研究。

图4 边缘计算在整个计算中的位置

图4也同样从延迟角度来分析边缘侧处于低延时段，而云更为“集中”。

 

在最新2016年9月IEEE IoT杂志上，来自韦恩州立大学的史伟松在其文章“边缘计算：远景与挑战”[4]中对边缘计算产生的原因，主要聚焦于物联网本身对于数据的传输需求，本地的低延迟数据处理需求的迫切需求，并延伸了其在工业大数据、智慧城市、智能家居、健康医疗等重要的Edge Computing的应用领域。

 

2.3 IoT即将快速兴起

 

事实上，物联网的概念已经提出有超过15年的历史，然而，物联网却并未成为一个火热的应用，任何技术的发展都是曲折的过程，概念到真正的大量应用有一个较长的过程，因为，与之匹配的技术、以及产品设备的成本、应用的接受程度、对应用与实际结合的试错过程都是漫长的，甚至会是失败的，因此，往往不能很快形成大量使用的市场。

 

图5 Gartner技术成熟曲线

根据Gartner的技术成熟曲线理论来说，物联网大数据目前已经成为了一个进入日常应用的领域，据预测5-10年内IoT平台会有较大的发展，但是，IoT可能会比我们想像更快的速度进入应用爆发期。

 

2.4 ECC生逢其时

中国人做事讲究“天时、地利、人和”，和Gartner曲线比起来倒也是有一定的共通之处，不过，欧美人的思维就是会设计一个工具、模型研究，而中国的思维则是有点“玄乎”，你得去揣摩，讲究“悟性”。

尽管边缘计算也不算新鲜概念，但是，作为ICT厂商的华为发起应该是敏锐的意识到“IoT、IIoT”的应用正在“天时、地利”当口，而成立联盟则是取得“人和”，联合OCIT厂商机构包括Intel、ARM、沈阳自动化所、信通院、软通动力这些共通打造“OICT”融合的平台。

2.4.1 在边缘计算里定义了四个领域：

设备域：数据节点的问题，目前出现的包括IoT设备以及自动化的I/O采集，略有不同的在于纯粹的IoT设备与自动化的I/O采集有重叠部分，直接用于在顶层优化并不参与控制本身的数据是可以直接到边缘侧的。

网络域：作为传输，直接的末端IoT数据、来自自动化产线的数据其传输方式、机制、协议都会有不同，因此，这里要解决传输的数据标准问题，当然，在OPC UA架构下可以直接的访问底层自动化数据，但是，对于Web数据的交互而言，这里会存在IT与OT之间的协调问题，尽管有一些领先的自动化企业已经提供了针对Web方式数据传输的机制，但是，大部分现场的数据仍然存在这些问题。

数据域：数据传输后的数据存储、格式等这些数据域需要解决的问题，也包括数据的查询与数据交互的机制和策略问题都是在这个领域里需要考虑的问题。

应用域：这个可能是目前最为难以解决的问题，针对这一领域的应用模型尚未有较多的实际应用。

 

2.4.2 边缘计算的架构理解

从图3中，我们可以看到ECC对于边缘计算的参考架构的定义，包含了设备、网络、数据与应用四域，平台提供者主要提供在网络互联（包括总线）、计算能力、数据存储与应用方面的软硬件基础设施。

 

图6 边缘计算参考架构1.0（来自ECC-需求与架构组）[6]

从产业价值链整合角度而言，ECC提出了CROSS，即在敏捷联接（Connection）的基础上，实现实时业务（Real-time）、数据优化（DataOptimization）、应用智能（Smart）、安全与隐私保护（Security），为用户在网络边缘侧带来价值和机会，也就是联盟成员要关注的重点。

 

ECC是第一个将OICT融为一体的设想与生态系统构建，按照ECC成立中反复强调的“不会成为一个开会的组织”，算是比较朴素也算是务实的市场声音。 

边缘计算包括了基础的传输设备（网关、路由，以及对应的通信协议实现如TSN、SDN等）、实时数据库、应用分析软件。

 

3 “边缘计算”产业

3.1回到问题的本质

IT人擅长于制造概念，OT端的人通常并不擅长此道，这在于两者解决问题的思路是不同的，结果也是不同的，OT的产品研发过程是基于“问题的解决”，而IT可以去“解决未来的问题”，因为机器的加工精度、速度会存在明确的指标，因此，OT的人不能创造一个“概念”来满足用户，而IT则可以，例如：苹果可以设计一个未来的手机，然后告诉消费者“这就是你想要的手机”，这是IT与OT的不同，也是为何Edge Computing/FogComputing因何概念都首先发起于ICT领域。

边缘计算是相对于云计算而言的，更倾向于在接近应用现场端提供的计算能力，华为其主旨在提供计算平台，包括基础的网络、云、边缘服务器、传输设备与接口标准等，而Intel、ARM则提供为边缘计算的芯片与处理能力保障，信通院则扮演传输协议与系统实现的集成，而沈阳自动化所、软通动力则扮演实际应用的角色。

各种来自Mckinsey、PwC、Forrest & Sullivan、IHS都把IoT视为未来快速成长的一个领域，包括最前沿的已经出现了各种基于Internet的技术，高通已经提出了Internet of Everything—可以称为IoX。

但是，边缘计算/雾计算要落地，尤其是在工业的实际应用中，必须明白“应用”才是最为核心的问题，所谓的IT与OT的融合，更为强调在OT侧的应用，即运营的系统所要实现的目标。

3.2 OT是解决问题的

边缘计算是在高带宽、时间敏感型、物联网集成这个背景下发展起来的技术，“Edge”这个概念的确较早为包括ABB、KUKA、B&R、Schneider这类自动化厂商所提及，其本意是在“贴近用户与数据源的IT资源”—这些是属于从传统自动化厂商向IT厂商延伸的一种设计，自动化厂商提及云计算/雾计算/边缘计算都是其与IT融合的一种趋势，并且同时具有Edge概念。

3.3 Internet+还是+interrnet？

IT与OT的人对实现智能制造是存在着大的方向一致而对主导权的认识不同的，Internet+思想是将互联网当做了主导者，借助于ICT技术来推动智能制造，而+internet的就是认为ICT只是辅助，显然，从IT和OT各自出发似乎都有道理，但是，无论是放大IT还是OT的作用都是不合适的，因为，这里存在着这样的问题：

（1）.既然谁都是不能缺的，那不去融合而去对抗也是不对的；

（2）.IT与OT事实上也是在相互渗透的，自动化厂商都已经开始在延伸其产品中的IT能力，包括SIEMENS的MindSphere、GE的Predix和ABB的Ability平台，这些大的厂商在信息化、数字化软件平台方面，也包括了像B&R、Rockwell AB等在基础的IoT集成、Web技术的融合方面的产品与技术。事实上IT技术也开始在其产品中集成总线接口、HMI功能的产品，以及工业现场传输设备网关、交换机等产品。

 

边缘计算的可能应用潜力以及如何部署边缘计算架构来满足未来工业对数据的采集和分析的需求。其实，无论是概念还是实质的落地而言，都必须回到今天我们的本质要做什么？IT与OT通常使用着不同的语言系统，需要进行融合。

 

4.计算的本质

4.1 “控制”与“策略”问题

自动化事实上是一个以“控制”为核心进行应用的行业，控制则是基于“信号”的，而“计算”则是基于数据进行的，更多意义是指“策略”、“规划”，因此，它更多聚焦于在“调度、优化、路径”，就像对全国的高铁进行调度的系统一样，每增加一个车次减少都会引发调度系统的调整，它是基于时间和节点的运筹与规划问题，而同样道理，今天的边缘计算在工业领域的应用更多是这类“Computing”。

 

因此，我们注意到边缘计算、雾计算虽然说的是低延时，但是其50mS、100mS这种周期对于高精度机床、机器人、高速图文印刷系统的100μS这样的“控制任务”而言，仍然是非常大的延迟的，在自动化人的视角，边缘计算所谓的“实时”，本身就是被归在“非实时”的应用里的。

图7-云计算—边缘计算区分处理数据

概而言之：传统自动控制基于信号的控制，而边缘计算则可以理解为“基于信息的控制”，参量由信号到了信息，信号控制可以在既有的模型下实现，而信息控制则需要进行学习—因为并非有可依循的确定性高的模型。

 

4.2 IIoT与边缘计算的目标

考虑到全局的优化，尤其是在更为个性化生产的时代所需的“质量”、“成本优化”、“交付能力”的优化问题：

（1）.质量提升的几个应用方向：如何为小批量的产品生产实现动态的过程优化成为了质量控制的难点，基于对被加工对象、以及生产过程中的动态缺陷检测实现加工参数的动态调整，另一个应用需求在于对影响加工质量的因素进行学习，并根据变化自动形成工艺参数的设定。

 （2）.成本降低问题，对于小批量生产而言，生产的能耗、当机、减速等系列问题引发的都是成本的上升，而这些成本的上升对于小批量的财务核算而言，则会造成单位成本的提升，因此，如何借助于IIoT技术来实现能源、维护数据的采集，并通过数据分析来实现成本的优化策略。

 （3）.交付周期问题：包括在生产现场中如何配比生产订单、根据工艺进行最快的响应能力组合，尤其是在变化的过程中降低生产工艺参数调校所产生的时间浪费将成为影响交付能力的关键。

 

我们反复强调，智能制造、工业4.0的核心问题仍然是在“个性化时代解决质量、成本与交付的问题”，那么归根结底，边缘计算是提供了计算能力，但计算什么？在管理学上，我们可以归入Operation Management-这属于大的运营管理范畴，包括精益思想、6Sigma这些都是设定了管理的目标的。

 

5 应用仍然为王

5.1 生态系统建设问题

边缘计算其目的是服务于IoT、I4.0的应用，在本质上并没有区别，联盟本身是为了构建生态系统，因为，在智能制造时代本质上就是一种“生态系统”协同共赢的局面，厂商可以根据自己的需要加入不同的联盟，可能会面向不同的领域，

 

但是，OICT厂商都是服务于“制造业”，服务于“制造业2025”的，归根结底是要为制造企业解决全球竞争力的问题，如何生产更具竞争力的产品，提升企业的整体运营效率，而且，从投资回报角度如何计算和平衡，让生产企业真正得利，否则，无论是谁的概念都不会有好的结果。

 

Internet时代最为显著的特征就是“网络协同”，因此基于传统的比对竞争的时代已经过去，正如James FMoore在其《竞争的衰亡》中所描述的“Ecosystem”，企业之间必须依存，商业文化必须改变，传统买卖关系的上下游企业，必须意识到通过合作解决共同的问题才能共同发展，价值链之所以被不断提及就在于从芯片厂商、自动化、ICT、系统集成商、机械制造商、生产制造企业这个价值链上的企业都必须共同来面对“消费者”来实现问题的解决，而消费者，又是我们每个人自己。

 

5.2 工业领域的边缘应用场景

（1）能源分析问题：显然，发电、输配电、供电是最大的网络，在未来能源效率问题会覆盖到整个电力系统的每个环节，而电力对采集有着特殊的需求，包括电力信号的测频、相位等，是IoT重的交大应用领域。

（2）物流规划问题：无论是企业的生产制造环节中的物料配送、还是快递业中的分拣问题，都是计算所需要进行分析和优化的。在物流输送中，巷道车必须根据系统的存取需求，对现有的仓位进行计算，规划出最优的路径，以实现最快速的路径最短时间完成仓库内部的物料存取任务。

（3）工艺优化分析：工艺优化最为重要的是与质量最为紧密的工艺参数的学习，以便在个性化生产时能够形成自主的参数配置，以及工艺的自适应能力，这种学习对于生产制造商非常关键，也是他们最大的期待，但是，在当前人工智能学习、机器学习还没有很好的与具体工业领域的生产结合，也是未来边缘计算、雾计算所关注的重点。

（5）生产任务与分配：根据生产订单为生产进行最优的设备排产排程，本身就是计算范围，而这也是MES的基本任务单元之一，而事实上，这些计算附着于由具体MES厂商的软件平台还是依附于“边缘计算”的平台—基于Web技术构建的分析平台，在未来并不会存在差别，从某种意义上说MES系统本身是一种传统的架构，而其核心即可以在专用的软件系统，也可以存在于云、雾或者边缘侧。

总体而言，在整个智能制造、IoT应用中，各自分工如下：

--自动化提供“采集”，包括数据源的作用，这是利用自动化已经在分布式I/O采集、总线互联、以及控制机器所产生的机器生产、状态、质量等原生“信息”。

图8显示了来自贝加莱的边缘概念，对于小型机器与产线可以采用OrangeBOX来实现现场的OEE、能源数据等的采集，而APROL则作为边缘节点对大型工厂及流程工业提供控制与计算的集成。

 

图8 贝加莱边缘计算架构应用-塑料工业场景

 

通过MQTT/AMQP进行数据的传输，OPC UA是一种基本的OT遵循协议，而针对IT的MQTT协议，也进行了支持。APROL EC扮演着不同的边缘计算角色，不管是针对老的工厂改造升级，还是一个全新的工厂产线，或者一台大型设备，都可以采用这一方式进行数据的采集与传输，并送至本地的边缘计算侧，具有几种方式的传输模式。

 

--ICT厂商提供“传输”，因为在如何提供数据的传输、存储、计算方面，ICT厂商有其传统优势，包括成本方面，已经云平台的优势。

--智能分析软件厂商提供“分析”，这些包括了我们所说的“边缘计算”、“云计算”的“计算”而非仅仅提供基础设施平台，这类公司可以是Google、IBM这样在更大的金融、交通、能源领域的大数据集成能力，也包括了众多在垂直领域进行分析的中小型企业。

--终端生产企业则是需求的来源，因为产业链协同最终是为其解决“质量、成本、交付”的核心问题。 

 

参考文献

[1]IBM & AKAMAI,Develop Edge Computing Application, June 9,2003

[2]Pang H H, Tan K L. Authenticating query results in edgecomputing[C]//Data Engineering, 2004. Proceedings. 20th InternationalConference on. IEEE, 2004: 560-571.

[3]Grieco R, Malandrino D, Scarano V. A scalable cluster-basedinfrastructure for edge-computing services[J]. World Wide Web, 2006, 9(3):317-341.

[4]Shi W, Cao J, Zhang Q, et al. Edge Computing: Vision andChallenges[J].

[5]Varghese B, Wang N, Barbhuiya S, et al. Challenges and Opportunitiesin Edge Computing[J]. arXiv preprint arXiv:1609.01967, 2016.

[6]史扬,边缘计算参考1.0架构分享，边缘计算产业联盟成立大会，2016年11月30日，北京