科创中国

行业领域

高端装备制造产业,制造业

需求背景

        工业制造业的数据基本上由两类构成，一是人工产生的数据，二是机器自动产生的数据。在智能生产环节，我们将更多的关注机器自动产生的数据，因此构建生产信息化系统就离不开设备联网和数据采集。

        生产数据的收集需要在生产现场进行，当原始生产数据从产线设备/终端上获得后需要经过处理（譬如打上时间戳，数据格式化、对事件和过程数据分类），然后进入第一次数据利用，我们称之为现场级数据策略。之后再传送到更高层次的数据分析服务器进行二次利用，我们称之为系统级数据策略。随着物联网的发展，现场数据收集和现场级数据策略归属到边缘计算网关来执行。系统级数据策略归属到企业局域网服务器和云端服务器上部署的软件。

需解决的主要技术难题

        在工业领域，边缘应用场景包括能源分析、物流规划、工艺优化分析等。就生产任务分配而言，需根据生产订单为生产进行最优的设备排产排程，这是APS或者广义MES的基本任务单元，需要大量计算。这些计算是靠具体MES厂商的软件平台，还是“边缘计算”平台—基于Web技术构建的分析平台，在未来并不会存在太多差别。从某种意义上说MES系统本身是一种传统的架构，而其核心既可以在专用的软件系统，也可以存在于云、雾或者边缘侧。

        在这样的应用场景，总体而言，在整个智能制造、工业物联网的应用中，各自分工如下：

        边缘计算的连接架构自动化厂商提供“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”。

        ICT厂商则提供“传输”，实现工业连接。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。

        传统工业企业的业务经验和知识，则为分析软件（独立的或者企业内部）厂商提供“分析”的依据。这些业务过程的理解，仍然是必不可少。产业链的协同，终极目标，仍然是解决“质量、成本、交付”的核心问题。

期望实现的主要技术目标

        智能制造中自动化事实上是一个以“控制”为核心。控制是基于“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。边缘计算在工业领域的应用更多是这类“计算”。

        简单地说，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”。

       值得注意的是，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，边缘计算所谓的“实时”，从自动化行业的视角来看——很不幸，依然被归在“非实时”的应用里的。

        我们期望实现的智能制造，是在边缘计算现有的“实时”中突破，无限接近真正意义上的“实时”智能制造。

处理进度