如今，在云托管數據集上訓練的人工智能和機器學習算法可以在網絡邊緣的本地計算設備上執行，使工廠能夠在生產和使用地點安全、實時的處理和分析數據。
作為數字化戰略的核心要素，很少有行業不受人工智能變革力量的影響。而且，從過程控制和自動化的角度來看，人工智能具有巨大潛力，可以分析和管理現代工業設施中數千個相互連接的設備、系統和過程所產生的龐大數據集。
在典型的工業環境中，人工智能可以幫助優化控制過程的效率、可靠性和安全性。它還可以幫助減少人工干預繁重或日常任務的需要，最終有助于增加工廠正常運行時間，同時降低運營成本。在實現這些目標的過程中，人工智能也為實現全自動化工廠運營的長期目標鋪平了道路。
人工智能算法由多年積累的實際運營數據提供支持，可以使用機器學習進行訓練，以發現人類工程師通常不會注意到的趨勢和異常。這些洞察可以預警傳感器即將發生的故障，或者建議如何微調特定過程以使其更節能。
有效的決策取決于確保及時獲取準確、相關的數據，以及快速分析和解釋這些信息的能力。而在過程控制環境中，正是這種 “利用數據做更多事情 ”的必要性，讓人們開始關注人工智能最有價值的地方——也就是生產和使用運營數據的地方。
01 邊緣人工智能
“邊緣人工智能”是指在聯網的設備上應用人工智能實時或接近實時地執行任務。為人工智能引擎決策過程提供信息的數據可以遠程托管在云端。同樣，它也可能位于網絡邊緣，非常靠近設備本身。
雖然邊緣計算的起源可以追溯到2000年左右，但在網絡邊緣部署人工智能模型，是一個相對較新的現象。CPU功率和電路小型化的進步，為緊湊型硬件設備提供了數字處理能力，在十年前這些能力被認為只有超級計算機才有。同樣，高速5G連接允許從數千或數百萬個物聯網(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。用更多設備和更多數據訓練這些模型，它們會變得更智能、更準確、更可靠。
將人工智能計算能力轉移到網絡邊緣有幾個好處。首先，它可以大大降低在現場設備和云端傳輸大量數據的帶寬要求和相關成本。在本地而不是遙遠的地方執行應用程序，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。無論你是坐在無人駕駛汽車里，還是在另一個大陸為患者進行機器人手術，系統輸入和輸出之間即使有100毫秒的延遲，也可能產生災難性后果。
將計算資源集中在數據產生和消費的地方，可以減輕通過互聯網將站點連接到遠程數據中心所具有的潛在網絡安全風險。雖然私有云和公共云提供了高度的內在安全性，但能夠始終將商業敏感數據保存在本地，使其不受未經授權的泄露和審查，從而可以確保對數據的最終所有權和控制權。
02 邊緣計算在關鍵任務中的作用
同樣，邊緣計算在關鍵任務的應用中也很有吸引力，因為它不依賴于持續的互聯網連接來處理數據。這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、或者連接不良的遠程站點的影響。
考慮到這些優勢，邊緣計算在許多工業過程控制和自動化環境中發揮著變革作用也就不足為奇了。作為現場設備和云之間的智能橋梁，它允許資產所有者充分利用從工業物聯網設備和控制系統中所收集的、越來越多的數據。
每個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。關鍵是從數千個傳感器、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或難以進入的環境中，如礦山、化學加工廠、海上風電場或石油平臺等，這一點尤其困難。從商業角度來看，邊緣和云計算所支持的人工智能分析，有助于從工廠目前尚未使用的約 80% 的生產數據中釋放出實際價值。
根據定義，邊緣和云計算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、安全性和彈性與云計算的無限規模和存儲容量結合在一起。
一個典型的例子是化工廠的過程優化模型。該模型由現場工業物聯網設備收集的、由云托管的大規模生產數據提供支持，然后可以使用邊緣人工智能，在現場實時執行。該模型的輸出可確保設備和系統能夠更快、更準確地響應其環境需求。
03 強大的邊緣智能工具
邊緣人工智能還可作為一種強大的工具，為工業設備所有者的其他用例提供支持，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、執行器和其他設備收集的儀表數據可用作基于狀態的監控的基礎。訓練有素的人工智能算法可以發現聯網設備或子系統數據特征中的潛在異常，并將其行為與數以萬計的其他類似設備的歷史數據進行交叉對比。通過向工廠人員發送自動通知，它可以提前預警潛在的系統故障，否則可能會影響工廠或過程性能，導致代價高昂的計劃外停機。
未來，邊緣計算將為眾多工業自動化應用帶來變革性的影響。結合工業物聯網技術和人工智能驅動的分析，邊緣計算可以作為云托管存儲和應用的補充，從而挖掘過程工業中生產數據的更多價值。
所有評論僅代表網友意見，與本站立場無關。