除非我想到更好的路線！不然製造業類的問題，問我也是白問！我已經把能說的說得差不多了！因為我手上的牌離製造業最近！中國聰明人太多了，稍微沾點邊都不行！

工業革命的演進最早其實是1.0，就是蒸汽機的發明，然後他帶來了我們一種新的動力。然後到了電力，更方便地去使用各種各樣的一些以電為主要能源的自動化的裝置，從而實現了大規模的生產。

然後到工業的3.0，我們有積體電路，我們能夠相對可程式設計地自動化地去實現我們一些複雜的工序。然後到了4.0其實並沒有提出像之前1.0、2.0、3.0一樣一些完全新的想法。他其實是說我要把原來很多孤立的一些裝置，透過網路把它連線起來。所以網路化是4.0非常重要的一個特點。

另外一點就是智慧化。我單單把所有的裝置聯網其實並沒有什麼用，關鍵是這些裝置是不是智慧地能夠去幫我們做一些事情，以及它能夠不斷地反饋、不斷地去改進我的工序，這才是更關鍵的一個事情。所以智慧化+網路化是我們在工業4.0非常關注的兩個特點。

邊緣計算在這裡面扮演了一個什麼樣的角色呢？其實邊緣計算就像神經末梢一樣，它賦予了我們在每一個聯網的裝置上的末端的智慧化。為什麼叫末端的智慧化？因為更復雜的智慧化，非常複雜的智慧化其實這個決策還是必須由中心的雲計算做出來的。因為它可能需要蒐集全域性的資料做一些分析。

但是邊緣的智慧化也是很重要，這裡舉了一個神經末梢的例子。我就以我們平時大家都會感受到的一個例子來說明。比如說我們生火，然後當你的手碰到這個火的時候，你會本能地把手指縮回來，因為你要趨利避害。所以你這個縮回來的動作其實是神經末梢的感覺。它透過你最末端地智慧，本能的一個反映。這就是我們說邊緣端給予了裝置的一個反映。

如果你想一下這裡有一個火，你的手碰到了火。你所有的感受到你的大腦裡面，你再想兩秒鐘，這是一個火、很燙，你再收回來。這時候可能就會已經出現了很大的問題。

而邊緣端其實就是賦予了我們很多裝置本能的一些反應、本能的末端的一些智慧。它給予了我們很多IOT裝置感知的能力、智慧的一些能力。再往上它把這些資料整理了之後可以到雲端進行全域性的分析，然後雲端再把它整合的資訊透過推送的方式推送到這個智慧邊界裝置邊緣端來不斷提高邊緣端所有的智慧。所以是這麼一個統一的結構。

所以從這個關鍵的技術體系和平臺架構，我們可以看到在對於工業網際網路領域最底層的就是這個邊緣層它主要包括了這個裝置的接入、協議的解析以及邊緣資料的一些簡單的處理。

然後處理完了之後它可以把這些資料反饋到我們中心伺服器、中心雲段的一些IaaS層，比如說就是我們常見的這個OpenStack這樣的一個雲基礎設施。

然後雲基礎設施可以管理非常多的邊緣的裝置，成千上萬個邊緣裝置。然後它把所有的資料進行一個彙總，彙總了之後上面有我們工業PaaS平臺的一系列的工業特定領域的元件服務。比如說這個機器學習、視覺化、資料清理、模型建模等等。

再往上可能是一些應用層。應用層，我可以把這樣的一些資料分析處理完了之後，透過一些工業應用的系統，然後我可能是直接地控制某些生產線，也有可能是我進行一些報表。然後給我們的這個企業的負責人進行一些分析。

然後同時我也可以根據所有裝置的一些感測器的情況分析這個裝置的壽命來進行這個生產線的更替，對這個生產量進行一些預測等等。

我們再回到整個雲+邊緣的這個大架構來看。其實無非就是在我們傳統的這個使用者端或者終端領域和核心雲端加了一個管道。也就是剛剛給大家最早看的這個CDN的例子，其實我們就是在中間加了一層。這一層也是同樣非常地重要。它是跟我們之前在雲計算領域是類似的，它也是有計算儲存網路的資源。它也是需要對接的一個裝置，它也是需要對外提供標準的API。所以它解決的問題、它面臨的問題跟十年、二十年前我們在雲計算的領域面對的問題也是類似的。我們帶著這樣的一個思路就可以去看邊緣計算整個技術架構的發展。

現在有非常多的邊緣計算的一些開源專案，主要的有三個。第一個是這個CORD，就是局端的這個，在電信領域的這個局端機房改造的專案。它透過把電信機房的局端改造成資料中心而對外提供更靈活的資源編排的能力。

然後第二個是vCO，也是一個開源的專案，它採用的網路編排是以OpenDaylight，然後資源承載是採用OpenStack。

第三個是最近比較火的這個Intel和AT&T一起捐獻程式碼釋出了這個Akraino專案。它的網路編排是ONAP，然後資源承載也是OpenStack。所以其實大家看到在邊緣的開源專案中，資源承載這一層其實還是沿用了原來在雲計算的一些技術的框架。比方說OpenStack，所以這也是九州云為什麼把我們從雲計算的技術一直把我們擴張到邊緣計算的一個原因。

我們再根據剛剛看的那三部分，我們其實可以看一下總體的、具體裡面的技術分別有什麼。主要是三部分，最靠近使用者，我們把它叫做資料來源，然後中間的叫做edge computing，然後在核心雲的我們把它叫做Cloud computing。在Data source這一端，其實資料採集我們就透過IOT裝置進行資料採集。然後在邊緣端的話其實它更重要的是一個數據蒐集、資料的一些加密，然後如何把資料傳送到核心雲這麼一些主要的技術。

然後它上面的這個基礎的設施的管理，我們可以採用OpenStack，然後也可以採用容器化的方式來進行一些基礎設施的管理。

在傳統的雲、資料中心中，我們可以採用比較常見的技術架構，比如說你採用容器的話，你可以使用這個KBS，儲存可以採用ceph，然後雲平臺的管理你可以採用OpenStack。再往上就是一些管理性的元件，比如說你可以用ELK來進行一些資料的分析，採用SAHARA來做Big Data這個平臺。然後透過neutron來提供一系列的LB的服務，可能這個需要有專門的管理的一些元件來進行遠端的IOT裝置的管理。

邊緣端其實可以直接地去操控這個IOT的裝置。因為他離使用者更加近，所以他就可以提供實時性的操作。比如說某一條產線的變動。我透過換一些比如說以紡織為例，我透過剪下這個布都可以實時地進行一些操作。

當然邊緣端到核心雲端，它的傳輸途徑也是很多的。一般邊緣端可能是在，比如說以電信為例，它可能是在局端機房。那麼它可能有較好的網路條件，我可以透過網際網路或者甚至是光纖的方式直接跟我們的雲端進行資料的互動。

當然也有可能它本身就是一個小的基站。那麼如果沒有這個網路的話可能就透過LT這樣的一些無線網路進行資料的一些傳輸。

核心雲端它扮演的一個角色其實就是蒐集了非常多的邊緣端的資料，然後它進行更復雜的運算之後，它可以把相關的更高的一些分析後的結果push到我們的邊緣端。然後邊緣端實現了一個模型的更新，然後還實現了自身的升級。所以這個是三個主要的模組之間他們互動的一個流程。

我們可以從紡織行業來看一下邊緣計算帶給了紡織行業什麼樣的好處。首先紡織行業其實都有一個非常重要的環節就是驗布。因為像這麼一個工廠裡面，它一塊布匹是非常大的，可能有幾米寬、好幾十米甚至上百米長。然後這麼一大塊布只要有一個小的瑕疵，那麼其實若干米個布就廢掉了。這個就對紡織企業就是一個非常大的損失。

那麼傳統就是整個布織完了之後，我需要一個工人站在這邊不斷地看這個布匹在滾動。一旦有一個瑕疵點，他就要暫停這臺機器，然後用手標出這個瑕疵點在哪裡。同時做上一個標記，在這個布匹的第幾米有一個瑕疵點。接下來要做的一個事情就是這個機器需要去把這個瑕疵點找出來，然後裁掉，接上去另外一個布，然後繼續進行滾動。

所以這個其實對於人力成本是非常地高的。然後對工人也是有損害的。因為長期看來，一個工人長期凝視著同一個顏色的布，準確性也會降低，同時對視力影響也很大。

所以根據一些統計，一個小時來講，一個紡織工可能只能檢測最多200個瑕疵點，而且他們每天工作的時長也是有限的。因為一旦時間過長的話，他總的這個誤判的程度就會很高。因此其實就有一個想法是說，我能不能透過計算機視覺的辦法，透過甚至是機器學習的方法，我來自動地找出這個布匹裡的瑕疵點，這樣子我就可以代替人工。然後我透過機器來標註這個點，然後回頭能不能再自動地用機器去控制這個布匹裁剪，把這個瑕疵點自動裁剪掉。這樣我就可以完全替換掉人了，我不需要人工去驗布。

我透過一個機器上面裝上攝像頭，打上相關的光源，我不斷地在滾。然後這個攝像頭實時地識別這個布匹的質量。一旦發現某些瑕疵點，他自動地把這個機器停下來，然後自動地去讓這個機器把瑕疵點給裁剪掉，然後再把布匹接起來，自動地去滾動。這個其實是紡織行業在驗布環節希望改進的一個點。

所以現在比較多的一個方案其實是這麼一個方案。就是說我需要有非常多的車間，有一到N個車間，然後每個車間又有非常多的織布機。然後在織布機上放了這攝像頭，然後也放了比如說別的一些裝置，像印表機、光源等等。

這時候所有的攝像頭需要拍這個照片，拍了照片之後它再傳輸回我這整個企業統一的雲平臺。然後這個雲平臺對這個資料進行分析。分析完了之後它再把這個資料返回到這個車間的某一個驗布機，看看在某一個地方有這個瑕疵點，你需要怎麼做。

這種傳統架構的缺陷就在於往往是一種事後的分析。也就是說我整卷布可能都卷完了，可能還要過一段時間，我這個工人才可以拿到這個報告說這個布第幾米到第幾米之間有瑕疵點，我應該去裁掉。所以這還有一個返工的工序。我需要看著這個報告把這個布重新地再打一遍，然後手工地把它再裁一遍。

因為整個影象在網路中的傳輸，尤其是非常多的車間的時候，這個傳輸的頻寬是非常地高的。然後核心雲平臺處理能力也是有限的。所以這個時候等到他反饋回來的時候，其實這個延時一定很高，我不能實現剛剛說到實時的處理瑕疵點的這麼一個事情。

因此我們當採用了這個邊緣雲的架構的時候，我們可以以車間為單位，或者是以這個驗布機為單位。我在驗布機的旁邊可能就可以放上一個小的計算裝置。然後這個計算裝置它直接跟驗布機的控制單位連線，它直接操作這個攝像頭、光源以及旁邊的這個印表機，它直接完成這個資料的採集。

我預先在企業的雲平臺中，我把已有的這個瑕疵庫的特徵給推送到我的邊緣的雲平臺中去。這個驗布機在邊緣平臺中跑的時候，邊緣雲平臺根據我已有的瑕疵庫先做一部分的識別。同時它也會離線地把這些資料再彙總到企業的雲平臺中。然後有企業的雲平臺不斷地去更新這樣的一個模型。所以雖然有可能剛開始我的準確性是由最原始的瑕疵庫、特徵庫來決定的。

但隨著我的車間不斷地跑，我跑越多的布，我邊緣雲平臺的整個特徵或者整個瑕疵庫它會不斷地被完善、不斷地被提升。所以這個準確率也是不斷地提高的。

然後有了邊緣雲平臺我可以更低延時地去操作這個驗布機來完成我想做的一些自動化的操作。比如說完成自動的裁剪或者自動停下來，讓這個驗布工人去手動地做一些操作等等。所以引入了一個邊緣的雲平臺，我們可以更快地在我們的驗布機上做一些自動化的操作以及可以避免很多人工的操作，為企業節省人力的資源。

所以我們跟我們的合作伙伴進行了一些POC之後，其實可以發現這麼一個智慧的織布機，其實它可以在某種布的情況下，比如說我們現在只能識別這個特定，就是純色的這種布。因為複雜顏色的這種布其實對特徵的識別還是難度比較高的。

在這種相對簡單一點的這種純色補助的情況下，我們可以相當於五到六個人的人工織布機。

然後同時透過這樣一個簡單的專案，我們也幫助我們的企業完成了整個統一的驗布機的管理。我可以透過邊緣端採集驗布機的資料，在統一的雲平臺中，我可以去看到所有驗布機的一些指標，知道驗布機生產的效率是什麼，更好地幫助我們的企業去預測整個產線的一些能力等。

全球製造業正在經歷一場數字化轉型的變革，物聯網將所有生產線上的機器裝置連線起來，使用者可以在任何地方檢視裝置狀態和生產進度，許多大型IT公司也針對推出了相關的服務，為移動使用者提供實時的製造資料。

工業物聯網主要是將生產裝置、人和產品的資料採集到雲端計算平臺，再利用軟體系統和機器學習技術進行分析和預測，以便於洞察更多隱藏的商業機會。不過，隨著越來越多的裝置連網和大量資料的傳輸，對網路和雲系統產生了很大的壓力。

為了解決網路擁堵的問題，一些IT公司開始推出邊緣計算產品，並得到了工業使用者的廣泛使用。邊緣計算允許物聯網裝置生成的資料在更接近建立的位置處理，而不是透過長路徑傳送到資料中心或雲，從而減輕了網路頻寬的負荷，同時也提升了現場資料處理的及時性。

究竟什麼是邊緣計算？

邊緣計算可以看作是一種微型的資料中心，它可以在本地處理或儲存關鍵資料，並將所有接收的資料推送到中央資料中心或雲端儲存。可以說邊緣計算是將雲的能力擴充套件到工業現場，透過本地的計算裝置將資料進行採集、清洗、整理等處理，然後再傳輸到雲端。

在大多數情況下，大部份的資料資訊都將存在於雲中，而邊緣裝置作為雲計算的補充，大大提升了物聯網裝置連線到雲的效率。邊緣計算在本地對資料進行分類，因此其中一些資料在本地處理，從而減少了到中央儲存的容量。通常IoT裝置將資料傳輸到本地計算裝置，資料先在邊緣處理，然後其部分被髮送到公司資料中心。

邊緣計算可減少網路的延遲性，因為資料無需透過網路傳輸到資料中心或雲進行處理。這對於一些時間要求比較高的行業特別重要，例如製造業中，毫秒級延遲都可能無法維持機器的正常執行，工業自動化生產線需要實時資料採集和即刻的反饋處理。

邊緣計算的工業應用場景

製造業向智慧化升級轉型，生產裝置的複雜程度越來越高，大量的資料可能只有部分是關鍵或者有意義的，例如在海洋中的石油鑽井平臺，有數千個感測器產生大量資料，其中大部分可能無關緊要，有些只是確認系統是否在正常執行。但是，機器的資料一旦產生就不一定需要透過網路傳送，這是不合理的。

所以，以很多場合需要邊緣計算系統對資料進行處理，然後再將每日報告發送到中央資料中心進行長期儲存，邊緣計算系統減少了網路的資料量。目前邊緣計算在工業中的應用體現在幾個方面，主要是針對裝置和供應鏈系統的監控和最佳化。

裝置保護。隨著IT技術和工業技術的融合發展，現場機器裝置不斷升級，並擁有了一些運算的能力，例如智慧水泵可以利用邊緣計算進行基本的分析，設定系統安全的閾值，如果裝置超限就執行泵關閉的動作。邊緣計算裝置進行此類應用意味著不需連線網際網路和沒有決策延遲，只要在裝置端安裝了邊緣計算，即使與雲系統連線中斷，也可以始終如一地實施關鍵任務。

效能監控。機器執行的效率影響到工廠整體的產出，所以通常裝置廠商會對其機器進行實時的監控，那麼採用邊緣計算可以實時得到資料和及時解決現場的問題。儘管可以在雲中執行很多資料的分析，但某些資訊的時間價值很高，響應延遲和等待來自雲的決策可能會造成重大損失。因此，使用邊緣計算來對來自工廠中感測器的多個數據點進行實時分析是十分關鍵的。