《工業互聯網產業聯盟：2023工業邊緣數據管理與分析技術白皮書（57頁）.pdf》由會員分享，可在線閱讀，更多相關《工業互聯網產業聯盟：2023工業邊緣數據管理與分析技術白皮書（57頁）.pdf（57頁珍藏版）》請在三個皮匠報告上搜索。

1、 工業邊緣數據管理與分析技術工業邊緣數據管理與分析技術 白皮書白皮書 工業互聯網產業聯盟工業互聯網產業聯盟2023年年 6 月月 聲聲 明明 本報告所載的材料和信息，包括但不限于文本、圖片、數據、觀點、建議，不構成法律建議，也不應替代律師意見。本報告所有材料或內容的知識產權歸工業互聯網產業聯盟所有（注明是引自其他方的內容除外），并受法律保護。如需轉載，需聯系本聯盟并獲得授權許可。未經授權許可，任何人不得將報告的全部或部分內容以發布、轉載、匯編、轉讓、出售等方式使用，不得將報告的全部或部分內容通過網絡方式傳播，不得在任何公開場合使用報告內相關描述及相關數據圖表。違反上述聲明者，本聯盟將追究其相關

2、法律責任。工業互聯網產業聯盟 聯系電話：010-62305887 郵箱： 前前 言言 在工業大數據分析指南中，從理論的角度對通用的工業大數據分析方法和分析流程進行歸納總結，對其關鍵共性進行辨識、抽象和提升。隨著以制造業轉型升級為首要任務的工業變革的不斷深入，工業大數據成為引領這場變革的主要驅動力，工業互聯網逐漸成為工業大數據的核心應用、重要場景之一。工業互聯網為了解決工業制造業“智能化生產”、“個性化定制”、“網絡化協同”、“服務化轉型”的需求，需要建立一個基于海量數據采集、匯聚、分析的數據管理與分析的服務體系。在工業互聯網的邊緣，即工業邊緣，通過大范圍、深層次的數據采集，以及異構數據的邊緣處

3、理，通過構建精準、實時、高效的管理與分析體系，建立面向工業大數據存儲、集成、訪問、分析、管理的工業互聯網平臺環境，才能實現工業技術、經驗、知識的模型化、標準化、軟件化、復用化，才能不斷優化研發設計、生產制造、運營管理等資源配置效率，才能形成資源富集、多方參與、合作共贏、協同演進的制造業新生態。為此，在工業互聯網產業聯盟的指導下，工業大數據特設組主持編寫了這本工業邊緣數據管理與分析技術白皮書。本書由工業互聯網產業聯盟編寫，在編寫過程中得到了信通院領導的悉心指導和相關參編單位的鼎力支持。編寫組成員（排名不分先后）：王建民、于辰濤、王晨、魏凱、李錚、王子濤、劉薇、閆君、任磊、李霏、尹作重、孫曉田、董

4、松偉、趙大力、牛建偉、林楊、任繼順、汪洋、陳旭、曹予飛、韓濤、張鎮、楊揚、何琪、馮振飛、呂晨陽、李波、徐心平、李志國、劉廉如、尹震宇、于碧輝、佟琨、項楠、尹作重、譚文哲、余笑寒 參與編寫單位：北京航空航天大學中國信息通信研究院北京天地和興科技有限公司中國科學院沈陽計算技術研究所北京中元瑞訊科技有限公司東方電氣集團東方電機有限公司杭州東信北郵信息技術有限公司北京博華信智科技股份有限公司北京機械工業自動化研究所有限公司三六零科技有限公司山東省科學院新一代技術標準化研究院上海大制科技有限公司深圳得一智科技有限公司蘇芯物聯技術（南京）有限公司新華三技術有限公司牽頭編寫單位：清華大學聯想（北京）有限公司

5、宜通世紀科技股份有限公司工業互聯網產業聯盟公眾號 目 錄 前言前言.1 1工業邊緣數據管理與分析的內涵與意義工業邊緣數據管理與分析的內涵與意義.2 1.1 工業邊緣數據的定義.2 1.2 工業邊緣數據的特點和挑戰.3 1.3 工業邊緣數據管理與分析的難點與挑戰.4 2現狀及場景分析現狀及場景分析.10 2.1 邊緣數據管理與分析技術發展現狀.10 2.1.1邊緣數據管理與分析的國內發展現狀.11 2.1.2邊緣數據管理與分析的海外發展現狀.12 2.2 產業應用場景分析.14 2.2.1 汽車制造行業.14 2.2.2 石油化工行業.20 2.2.3 電子制造行業.24 3關鍵技術研究關鍵技術

6、研究.35 3.1 邊緣數據管理與分析的平臺技術架構.35 3.2 邊緣數據管理與分析技術.37 3.2.1 邊緣數據的靈活接入管理與數據管理.37 3.2.2 邊緣數據的批流融合靈活計算.39 3.2.3 面向邊緣設備數據的組態化應用服務.40 3.2.4 邊緣數據管理與分析的微服務化訪問技術.43 3.2.5 面向邊緣數據綜合分析的人工智能技術.44 3.2.6 邊緣計算數據流通的協同安全技術.46 3.3 工業邊緣和公有云的數據協同處理.48 4展望展望.51 1 前 言 工業制造業是一個國家的基石。當前，工業制造業全球性產能過剩，市場競爭激烈，制造業正在從大批量和規?；a，轉向小規模

7、、個性化定制的新型模式。為了應對這種挑戰，工業互聯網通過對人、機、物、系統等的全面連接，構建起覆蓋全產業鏈、全價值鏈的全新制造和服務體系，為工業乃至產業數字化、網絡化、智能化發展提供了實現途徑?；诠I互聯網的平臺應用賦予市場、銷售、運營、維護等產品全生命周期服務的全新內容，將促進企業從規?；魉€生產轉向規?；ㄖ粕a，從生產型制造轉向服務型制造，推動服務型制造業與生產型制造業的深刻變革。邊緣計算是工業互聯網中推進 IT 和 OT 融合交匯的關鍵點。邊緣計算通過在網絡邊緣側匯聚網絡、計算、存儲、應用、智能等五類資源，提高網絡服務性能、開放邊緣數據、激發新模式和新業態。工業互聯網中的邊緣計算既

8、解決了工業生產中面臨的現實問題，又能夠為工業的轉型發展提供新能力，是現階段國內外工業互聯網關注的焦點之一。邊緣計算在實際部署應用和數據處理的過程中，存在著數據集碎片化、工業應用研發門檻高、工業軟件建設選型困難、設備及平臺標準缺失、安全開放測試機制不完善等突出問題。針對上述問題，急需提升工業邊緣數據管理與分析技術水平，提升實時數據處理，流式智能分析，現場數據決策，閉環業務反饋的能力，這將有助于工業互聯網平臺建設，加速形成全新的生產制造管理、優化和服務體系，賦能制造型企業的全面數字化轉型。2 1.工業邊緣數據管理與分析的內涵與意義 1.11.1 工業邊緣數據的定義工業邊緣數據的定義 工業互聯網平臺

9、是面向工業制造業“智能化生產”、“個性化定制”、“網絡化協同”、“服務化轉型”的需求，構建基于海量數據采集、匯聚、管理、分析的技術服務體系，支撐制造資源全面連接、彈性供給、高效配置的工業操作系統平臺，包括邊緣層、平臺層（工業 PaaS）、應用層（工業 SaaS）三大核心層級。在工業 4.0 場景下，工業邊緣特指工業互聯網邊緣，在“端邊云網智”五個價值要素中，包含：“端”和“邊”兩部分要素?！岸恕笔侵钢悄芪锫摼W產品及設備。智能制造的“端”包括生產過程涉及到的數控機床、工業機器人、AGV、標簽/RFID、傳感器、智能監控、AR/VR 裝備等。通過智能終端、智能設備實現生產操作自動化，生產信息數字化

10、及存儲、人員及環境監測等，尤其借助智能設備 3D 建模、物聯網及大數據等技術來支撐設備的仿真、預警以及預測性維護等智能應用?！斑叀笔侵高吘売嬎阆到y。面向工業領域，針對工業現場的設備連接、系統協同、實時數據分析等需求，通過邊緣接入、數據采集、時序存儲、數據計算、數字孿生、數據可視化等技術手段，為企業提供從現場設備、傳感器、控制系統等的邊緣接入到智能應用服務的“端到端”解決方案。從數據分析和管理的技術架構層面，邊緣服務以現場實時處理為基礎，提供邊緣網關管理、設備數據接入、數據處理緩存、邊緣計算等功能，并支持工業數據匯總、存儲、計算、分析、建模與應用服務。邊緣計算系統也提供連接云端工業互聯網平臺的功

11、能，通過統一的云端 3 通訊協議，完成數據上報、指令反饋、遠程控制等多種數據通路功能，并對外部提供大數據、人工智能等相關平臺或服務的連接與調用能力，支持數據與接口的多系統集成?；谏鲜龇治?，在本白皮書中，工業邊緣數據定義為，在工業制造工業互聯網場景下，所涉及到的端設備（如數控機床、工業機器人、AGV、智能標簽、傳感器、工業穿戴設備、智能監控裝備等）及邊緣計算系統（如輕邊緣設備及輕邊緣系統軟件）所需要管理與分析的各類數據的總稱。1.21.2 工業邊緣數據的特點和挑戰工業邊緣數據的特點和挑戰 工業邊緣數據的特性是由于工業實際現場環境復雜度以及工業設備及傳感器分布式部署導致。工業設備在部署時，環境資

12、源受限，局部視野受限，功能受限，擴展困難，從而導致實際現場工業數據難以集中化，進而產生了工業邊緣數據的構成與特性。根據數據來源，工業邊緣數據基本由以下兩類數據構成：機器數據機器數據 由傳感器、儀器儀表、智能終端等設備采集的數據，這些數據在生產設備本身運行過程中，時刻描述運行狀態、過程參數、設備工藝機理、績效指標、作業環境等狀態。這些數據通常是以時間序列數據方式來表達，主要通過時間標簽（按照時間的順序變化，即時間序列化）進行處理。運營系統數據運營系統數據（交互數據交互數據）工業現場人員通過控制終端輸入到設備系統中的設計數據、指標標準、規格數據、工藝數據、命令數據等。隨著工業互聯網推動的以“智能化

13、生產、個性化定制、網絡化協同和服務化轉型”為代表的智能制造 4 模式的發展，由人產生的交互數據規模比重將逐步降低，運營系統自行產生的數據占比將越來越大。與工業大數據相比，工業邊緣數據具有以下更為顯著的特征：數據來源多數據來源多，異構性特征強異構性特征強 工業現場環境下，端設備或端邊一體化設備會產生大量的傳感器數據、圖像數據、視頻數據等數據。數據來源豐富、類型多樣、結構復雜，數據源之間存在異構性、分布性和自治性，數據類型既包括數字、關系型數據等結構化數據，也包括圖像、音頻等非結構化數據。數據時序性強數據時序性強 邊緣數據中，端設備尤其是傳感器設備，所產生的數據多為時序性數據，時序性數據通常會以亞

14、秒級的頻次進行采集，經過處理的時序數據是反應被監控設備的各種狀態的最基礎也是最核心的信息。但由于采集頻次高，受傳輸設備和現場條件干擾，極高概率出現時序異常、數據丟失的錯誤。1.31.3 工業邊緣數據管理與分析的難點與挑戰工業邊緣數據管理與分析的難點與挑戰 從功能層面分析，工業邊緣側功能主要由以下三方面組成：數據整理數據整理 邊緣側需要對接收到的數據，特別是時序數據進行整理，針對缺失數據進行補齊，針對時序錯亂數據進行對準，支撐數據的可靠性與可信性。局部智能局部智能 在邊緣側處理能力有限的條件下，邊緣側需具有局部智能特性，即判斷數據并通過局部智能產生的結果，在人機交互過程中提供決策支持，支撐整體系

15、統的數字化和智能化。5 邊緣側協同控制邊緣側協同控制 工業現場邊緣側網絡帶寬有限，傳輸延遲時間長（秒級），因此需采用邊緣側協同控制方式（毫秒級），降低邊云間數據傳輸量，避免由于數據傳輸延遲、穩定性差等因素造成的決策誤差，支撐邊緣側協同控制?；谝陨戏治?，本白皮書認為，對于工業邊緣數據的管理與分析的要求，與傳統意義上的工業大數據應有一定的區分。工業邊緣數據的管理與分析是為了更好的應對工業邊緣計算的要求，滿足工業現場實時性、安全性、魯棒性的要求，進而提升生產效率和運營效率。1.3.1 1.3.1 工業邊緣數據管理與分析的難點工業邊緣數據管理與分析的難點 在目前工業實際現場條件下，由于設備、技術、成

16、本等各方面的限制，工業邊緣數據管理與分析中，仍存在如下難點：數據質量問題數據質量問題 邊緣數據質量問題主要集中體現在以下兩方面：（1）數據缺失。工業邊緣數據完備性是工業邊緣數據的最基礎要求之一。然而，由于邊緣數據具有來源多，異構性強的特點，同時會受到傳感器安裝數量、安裝位置、傳感器狀態、通訊協議實現、測量鏈狀態等問題的影響，導致系統所采集的數據會存在不同程度的缺失。另一方面，目前的生產環境下，一部分交互數據如監測數據來源于人工采集及錄入，也會造成工業邊緣數據的缺失。數據缺失會導致樣本信息減少，不僅增加了分析數據的難度，而且會導致數據挖掘的結果產生誤差。（2）時間對齊。由于邊緣數據時序性的特點，

17、傳感器采集的設備信息通常是以“特征值+時戳”的方式來表達。在數據后期處理時，利用時戳來進行時間對齊，再通過同一時間點上的邊緣數據來進行分析。6 工業邊緣數據采集過程中，設備性能限制、采樣頻率及采樣精度以及網絡傳輸等問題會導致輸出的時戳不準確，甚至有些傳感器不輸出時戳數據，需在后期處理過程中添加時戳，使得時間對齊問題表現得更為突出。數據時效性問題數據時效性問題 由于邊緣數據時序性的特點，工業邊緣數據的處理對于時效性有很高的要求，其管理與分析過程需要采用高效率、低資源消耗的計算引擎和存儲壓縮方法。更進一步的，需要針對時序特征優化計算框架和存儲模型數據采集，開發數據存儲及提取，數據過濾及壓縮，數據傳

18、輸等一系列方法，以適應工業互聯網下邊緣設備的受限資源環境。目前工業環境下所使用的存量設備，由于早期設備硬件性能原因，對設備讀、寫的訪問速度有比較大的限制。而工業應用，特別是帶控制輸出的應用，往往對數據的實時性要求比較高，因此給進一步開發帶來了較大的難度。生產線的高速運轉、精密生產和運動控制等場景則對數據采集的實時性要求不斷提高，而傳統數據采集技術對于高精度、低時延的工業場景難以保證重要的信息實時采集和上傳，無法滿足生產過程的實時監控需求。數據安全問題數據安全問題 工業數據采集會涉及到大量重要工業數據和用戶隱私信息，在傳輸和存儲時都會存在一定的數據安全隱患，例如可能存在黑客竊取數據、攻擊企業生產

19、系統的風險。因此，需要通過通信和傳輸保護、數據防泄漏、數據加密等安全策略，提升工業邊緣數據安全管理水平，降低安全攻擊風險。此外，需要借助安全態勢感知分析，了解工業現場邊緣設備的安全水平，完成安全加固，增強安全防護。1.3.2 1.3.2 工業邊緣數據管理與分析的挑戰工業邊緣數據管理與分析的挑戰 工業邊緣數據管理與分析受到工業邊緣的硬件性能、實時性要求、7 傳輸環境等一系列限制，難以直接套用大數據管理與分析的方法，因此，需針對工業邊緣數據管理與分析中面臨的難點，結合工業現場及工業企業實際條件和生產經營要求，對邊緣數據管理與分析所面臨的挑戰進行分析和總結，進一步明確工業邊緣數據管理與分析的技術趨勢

20、，這包含以下幾個方面：針對工業邊緣數據缺失問題針對工業邊緣數據缺失問題，應對數據缺失的挑戰應對數據缺失的挑戰，需要具備需要具備強強大大的數據接入與靈活的數據預處理能力的數據接入與靈活的數據預處理能力 工業現場中存在大量的自動化儀表、現場總線和各種自動化設備（包括數控機床、機器人、PLC 模塊、物料小車 AGV 等），這些工業設備支持的協議種類繁多，全世界共有超過 100 種的工業總線，各類終端設備的通訊協議大概有 4000-5000 種，以及 5000 多種驅動類型。大量的異構網絡通信規范，導致數據適配采集，難以統一語義。針對不同的工業協議的不同數據規范，傳統的人工數據處理方式固定難變，效率低

21、下且易出錯。在工業互聯網平臺的支撐下，邊緣數據的管理與分析需要按照實際的工業現場的要求，按需應用多種數據轉換方式，靈活配置多源異構數據的解析和預處理，支撐提供規范統一的完整的工業邊緣的時序數據集。針對工業邊緣數據質量問題針對工業邊緣數據質量問題，應對數據時間對齊的挑戰應對數據時間對齊的挑戰，需要具需要具備適應邊緣數據形態的數字化應用備適應邊緣數據形態的數字化應用 在一個車間內，可能存在成百上千的設備和系統，不同的業務流又使得眾多設備之間建立了不同程度的依賴關系，整個生產過程中，一旦出現問題，需要優化、重構產線時，缺乏虛擬調試的手段。例如，某項業務出現問題，要解決這個問題就必須定位至出故障的某個

22、設備或者系統。在目前環境下，問題的排查十分困難，需要工業現場駐留大量自動 8 化工程師時刻進行巡檢，并需要各種具備特定設備專業知識的工程師才能排障和處理。適應邊緣數據形態的數字化應用是指建立實物資產、過程、位置、系統或設備的虛擬映射，本質上是以數據作為輸入，并呈現出這些輸入數據對虛擬映射的影響。在工業互聯網平臺，工業邊緣數據的管理與分析，需要以設備、工藝、流程的角度，組織和管理時序數據，按照設備建模，按照工藝流程驅動數字孿生模型，從整體、全局的角度，實時感知設備狀態，識別關聯影響，才能提升設備管理、產線管理的效率。針對工業邊緣數據時效性問題針對工業邊緣數據時效性問題，應對數據價值提取與時效性的

23、挑應對數據價值提取與時效性的挑戰戰，需要具備邊緣數據分析靈活計算需要具備邊緣數據分析靈活計算、及時展示的能力及時展示的能力 隨著物聯網、傳感器、5G網絡的快速發展，工業邊緣設備匯集的多種傳感器、多種工藝、實時工況，單個點位以秒級甚至毫秒級的頻率產生各類數據，數據量成倍增長，達到千萬級以上。面對海量高速的時序數據，常規的數據處理方式已經無法應對，這就對時序數據的處理規模、處理速度提出了更高的要求。例如高速時序數據檢索，如使用傳統數據庫存儲，當時序數據上量后，索引無法繼續駐留在內存；大量的無序插入又帶來索引分片困難，查詢性能會隨著時序數據的增加和更新變得越來越差，而且是指數性下降。在邊緣時序數據的

24、基礎上，數據專家需要根據業務需求做一系列復雜分析，如信號分解和過濾、針對不同工作條件的分割、模式匹配、頻域分析等。在工業互聯網平臺下，工業邊緣數據的管理與分析，需要建立一個高效管理、高性能處理的時序數據管理平臺，提供靈活的異構數據的解析和預處理技術，具備時序數據的實時展示能力，才能滿足在工業互聯網趨勢下，各個行業對數據的按需處理、協同分析的要求。9 針對工業邊緣數據訪針對工業邊緣數據訪問問題問問題，應對數據靈活存儲及訪問的挑戰應對數據靈活存儲及訪問的挑戰，需要具備數據的微服務化訪問能力需要具備數據的微服務化訪問能力 早期的工業知識主要依賴于經驗豐富的工業現場操作人員經過長時間觀察和分析后，利用

25、不斷的試驗來完成積累。這種方式過分依賴于現場人員的經驗積累，且該種工業知識難以復用和沉淀。在工業互聯網時代，需要工業系統、IT 人員、OT 人員的密切配合，才能真正實現經驗共享與協同?；诠I互聯網平臺，工業邊緣數據的管理與分析，需要在數據源頭、設備附近以及工控系統內，將計算、存儲的核心能力融為一體，運用模塊化、組態化的數據拆分和預處理計算，通過零代碼、拖曳編排的方式降低工業現場操作人員的編程能力要求，實現時序數據的工業邊緣增強，并以微服務、輕量化分層邊緣計算編排的方式，降低系統間、邊云間數據來回傳輸的成本，讓現場操作人員專注于優化工藝本身。針對工業邊緣數據實時決策問題針對工業邊緣數據實時決策

26、問題，應對海量工業數據實時分析與應對海量工業數據實時分析與決策的挑戰決策的挑戰，需要具備面向邊緣數據綜合分析的局部智能需要具備面向邊緣數據綜合分析的局部智能 統計表明，85%的查詢與最近 26 個小時的數據寫入有關。隨著流式計算的到來，海量時序工業數據在以后的發展中必然會更關注實時數據的價值，這部分數據的價值毫無疑問是最大的。隨著時間的推移和數據的積累，在工業現場，依賴實時數據的及時決策也需要一些歷史時序數據的分析結果，例如，在設備發生故障時，綜合設備故障的頻度和間隔的考慮，工業現場工程師在排障的同時會采取不同的運維決策。在工業互聯網平臺下，工業邊緣數據的管理與分析，需要對半結構化、非結構化的

27、時序數據實現多維度聚合統計查詢，以降低實效性要求和高性能分析要求，讓更貼近邊緣數據的機器學習算法、人工智能模型，滿足工業 10 現場的及時決策與過往參考的綜合分析需求。針對工業邊緣數據安全問題針對工業邊緣數據安全問題，應對數據安全管理的挑戰應對數據安全管理的挑戰，需要具需要具備保障數據流通的上下行協同安全的能力備保障數據流通的上下行協同安全的能力 在邊緣數據管理與分析的場景下，安全挑戰主要包含身份認證、訪問控制、入侵檢測、隱私保護和密鑰管理幾個方面。不同可信域中的邊緣服務器、云服務提供商向用戶分別提供實時訪問服務。服務的分散化、低延遲要求和用戶移動性給身份認證帶來了巨大的挑戰。訪問控制，包含對

28、資源訪問的控制和訪問策略的執行過程追蹤和審計，在滿足用戶最大限度享受資源共享的基礎上，實現對用戶訪問權限的管理，以防信息被非授權篡改和濫用，是保證系統安全、用戶隱私安全的可靠工具。入侵檢測是通過檢測、分析、響應和協同等一系列功能，發現系統內未授權的網絡行為或異?，F象，收集違反安全策略的行為并進行匯總，從而支持安全審計、進攻識別、分析和統一的安全管理決策。任何破壞信息和信息系統完整性、機密性的網絡活動都被視為入侵行為。在工業互聯網平臺下，工業邊緣數據的管理與分析，需要確保邊緣計算數據與各個協同模塊、協同聯結點實現數據交互的安全，基于計算環境可信及接入安全策略的安全體系，在邊緣微服務架構下，從工業

29、現場數據流通的角度，解決工業現場上下行數據的應用和傳輸安全問題。2現狀及場景分析 2 2.1.1 邊緣數據管理與分析技術發展現狀邊緣數據管理與分析技術發展現狀 互聯網廠商、通信運營商、工業軟件與服務提供商和IT服務提供商將邊緣計算作為邊緣數據管理與分析的主要框架，融合大數據、物聯網、區塊鏈、人工智能等技術，共同推動了邊緣計算演進發展。11 圖 1 邊緣計算平臺一般性功能框架 2.1.12.1.1 邊緣數據管理與分析的邊緣數據管理與分析的國內發展現狀國內發展現狀 工業互聯網平臺的建設極大的促進了邊緣計算平臺的發展。其中海爾卡奧斯COSMOplat工業互聯網平臺推出5G+邊緣計算公共服務平臺，助力

30、海爾智能工廠建設，5G+邊緣計算公共服務平臺獲得2021年度亞洲通信大獎（Asia Communication Award,ACA）“年度網絡創新產品”大獎。百度開物工業互聯網平臺推出開源邊緣計算平臺OpenEdge，并發布邊緣網絡計算“DuEdge”服務，借助邊緣網絡計算的能力，破解端云之間數據傳輸和網絡流量難題，提升業務的靈活性和高效性。阿里云supET工業互聯網平臺推出了IOT邊緣計算產品Link Edge，將阿里云在大數據、人工智能和云計算方面的優勢拓展到靠近設備端的邊緣側，打造云、邊、端一體化的協同計算體系。2019年，阿里云正式推出物聯網邊緣計算服務，并向用戶提供了軟硬一體化解決方

31、案，助力用戶高效快速應對復雜的邊緣場景。華為Fusionplant工業互聯網平臺推出EC-IOT行業物聯解決方案，結合邊緣計算和PLC兩大技術，面向交通、電力領域，支撐行業邊緣智 12 能數據處理的快速適配，推動業務創新。同時，華為正式發布滿足ECII（Edge Computing IT Infrastructure）標準的TaiShan邊緣服務器，為邊緣計算提供強勁的算力支持。騰訊WeMake工業互聯網平臺推出騰訊智能邊緣計算網絡平臺TSEC（Tencent Smart Edge Connector），旨在打造運營商5G網絡、移動用戶和業務之間的連接器，為用戶和業務提供可自定義、高質量、差異

32、化的邊緣計算網絡層服務，實現應用在云、邊、端的智能協同。中國移動在2018年發布支持邊緣計算的OneNet平臺的4.0版本，OnetNet邊緣計算（OneNet Edge）通過在邊緣側提供規則引擎、設備管理、消息路由、函數計算、智能算法等核心能力，為垂直行業客戶提供多樣化服務，推進了邊緣智能化發展。清華數為IoTDB所采用的技術體系架構，覆蓋從數據收集到數據應用的全生命周期，支持高效的數據持久化存儲，豐富、低延遲的數據查詢功能，快速的數據過濾和復合查詢，支持針對時間序列的擴展分析操作，可靈活適配在“云-網-端”計算環境下，并與現有生態系統無縫集成。IoTDB目前在工程機械裝備企業和風機健康管理

33、領域得到了應用，取得了顯著的經濟與社會效益。2.1.22.1.2 邊緣數據管理與分析的海外發展現狀邊緣數據管理與分析的海外發展現狀 在開發平臺層面上，亞馬遜公司推出了AWS Greengrass服務，將AWS編程模型擴展到現場的小型設備，幫助客戶在特定條件下進行本地處理，實現邊緣側和云側的相互依賴和協同。微軟在Build 2017開發者大會上推出了Azure IOT Edge的新服務，將人工智能和高級分析功能賦能給可支持的設備，實現智能編排的功能，讓邊緣設備可以靈活、安全、按需在云端和終端之間智能的分配數據。GE推出了邊緣計算產品Predix 13 Machine，旨在幫助企業在邊緣更好的處理

34、數據?；赑redix Machine，合作伙伴可以開發各類現場接入協議，實現邊緣設備的連接和數據的采集。德 國 西 門 子 公 司 發 布 邊 緣 數 控 產 品-Optimize myMachining/Trochoidal機器級數控平臺，主要應用于機床行業設計，為客戶提供程序更新、優化加工過程，以及根據動態機器數據和輸入數據改進和優化應用程序，進一步縮短了計算處理和數據傳輸的時延。PTC推出ThingWorx工業物聯網平臺，以集群配置將平臺擴展到支持海量設備、管理嚴苛的數據處理需求，以及支持更多應用用戶的能力。特別在邊緣引入增強的預測分析評分，以降低數據傳輸成本和延遲，并提高資產績效預測

35、的準確性。在運營商層面上，德國電信在2019年推出了一個低延遲邊緣計算平臺-EdgAIR（基于OpenStack的開源平臺），客戶可以在該平臺上部署物聯網應用程序。美國電信公司AT&T主導發起了Akraino開源項目，通過開源加快邊緣計算生態建設和商業的步伐。美國Verizon、歐洲Vodafone、韓國SK電訊和日本KDDI與亞馬遜AWS在5G網絡上開發邊緣計算服務開展合作，旨在推動和促進低時延應用生態繁榮。在硬件層面上，谷歌公司推出AI芯片Edge TPU和軟件Cloud IOT Edge，幫助客戶在網絡邊緣設備的開發和部署?；裟犴f爾推出一款基于Mobility Edge平臺架構的產品-D

36、olphin CT60移動計算機，為移動數據終端產品提供高度的一致性、可重用性和可擴展性，幫助企業加速配置、認證和部署流程。綜上，目前邊緣數據處理方法針對現有工業現場環境，仍然以數據傳輸、處理等功能層面為主，少量局部智能的應用主要用于識別技術，支撐決策的應用仍在不斷發展過程中。因此，邊緣數據的管理與 14 分析技術仍需進一步發展，以應對未來更多元化的工業數據管理和分析場景。2.2 2.2 產業應用場景分析產業應用場景分析 2.2.2.2.1 1 汽車制造行業汽車制造行業 中國已成為全球范圍內汽車電動化、智能化、共享化發展方向的積極倡導者和引領者，汽車產銷量位居全球第一。從生產環節來說，汽車行業

37、是典型的離散制造行業，包含零部件供應商、整車生產廠、整車銷售、物流及售后服務商的供應鏈體系，整個汽車制造過程復雜，從用戶下單，銷售部門匯集并反饋到財務、物流和制造等部門，從原材料進廠，加工制造過程，到最后成品車出廠并通過渠道交付給客戶，中間涉及很多部門，多環節業務系統和大量的數據集合。以典型的整車廠為例，生產流程主要包括沖壓、車身、油漆、總裝四大工藝。生產方式以大批量柔性生產模式為主，產品結構復雜、配置多樣。由產品數據、工藝數據、生產計劃與物流數據、生產運行數據、產品質量數據、供應商數據等組織起來的各類系統全面地支撐著整車廠的精益生產。工業邊緣數據相關技術的提升為整車制造獲取高質量的生產過程數

38、據并進行現場工藝分析提供了有效支持。邊緣數據類型包含關系型的生產過程數據，非關系型的監控數據和來自各種設備的時序型數據。邊緣數據來源更加多元化，包括傳感器、控制器、專機上位系統、各種生產和物流設備，各類管理系統等；數據內容包含業務信息數據，工藝配置、狀態標識、設備運行狀態等數據，邊緣數據的采集頻率涵蓋非實時業務系統狀態同步，和秒級、毫秒級的設備數據。15 圖 2 汽車行業邊緣數據管理與分析架構圖 通過工業邊緣數據接入、管理與分析，不但可以進一步提升整車生產相關管理級系統的能力，提供更詳盡的整車生產履歷記錄，還可以為諸多生產現場實際問題解決提供信息和決策支持?？陕涞厣a現場的數據深度應用包括設備

39、控制與預測性維護、工藝參數配置與優化、質量改進與問題分析、產能分析與優化等。（1）汽車行業生產制造智能化解決方案 方案實施背景：目前，中國汽車行業迫切需要實現智能化轉型升級，其核心是通過“實時感知可信仿真動態重構”的過程，構建面向大規模定制需求的敏捷柔性生產能力，打造基于虛實空間高度融合的設計與制造模式。然而，目前汽車行業虛擬數字化生產線動態重組仿真的效率低、可信度低，數字化虛擬生產線難以細粒度高精度反映物理實體，從而導致智能化轉型升級進程受阻。通過工業邊緣計算部署，提升汽車產 16 線工業邊緣數據采集和分析能力，通過邊緣分析和云端智能分析以及工業機理分析等功能，支撐虛擬生產線場景實時同步三維

40、重建，構建高精度產線仿真模型，實現生產線的關鍵工藝路線重構和制造資源優化配置，最終形成汽車行業生產制造智能化整體解決方案，幫助汽車企業增強生產制造過程的整體數字化，精益化能力，提高生產的柔性化和智能化水平。解決方案實施：構建數字化產線：基于工業邊緣數據管理方法，通過工業協議對接、RTU 數據轉換、API 對接、工控機直接讀寫、數據庫對接等多種方式接入工廠的 MES、SCADA、PLC、WMS 等生產管理系統，以及產線數控機床、機械臂、擰緊機、液壓裝夾機、光學檢測設備（AOI）等生產關鍵設備，幫助企業完成對產線和生產過程的全面數字化改造，實現對生產過程的節拍、OEE 等關鍵指標的產線、工廠級綜合

41、分析。通過邊緣計算和數字仿真系統，實現對生產過程和關鍵設備的全監控和機理建模。提供關鍵設備的效率專門分析和設備健康管理，大幅度提高企業對生產的全面控制能力和智能化水平。車間數字化信息綜合管理：基于邊緣數據管理分析平臺提供的機理、設備和模型 API，以及統一的數據資源共享服務，用戶可以快速生成特定場景應用。面向專門客戶分析、專用設備分析、新工藝引入效果以及質量根因追溯等專業化場景，幫助用戶快速搭建專用工業APP，實現業務效果。同時，通過邊緣模塊的快速插件方式，平臺可以無縫對接企業原有的 MES、SCADA、DCS 系統，實現工廠和產線原有控制系統之間的交互和協同，增強企業原有系統的數據獲取能力和

42、智能化分析處理能力。17 平臺可以通過組件化技術將分析結果輸出到用戶可定制化的圖形界面，便于用戶分析決策。利用數據可視化工具，將相關分析成果多樣化地展現。支持定制化工業 App 開發，以及微服務技術，完成用戶數據界面展現和自定義數據接口實現，進而形成汽車行業生產制造智能化解決方案。通過汽車智能制造解決方案的建設，在促進企業生產智能化轉型同時，也能夠幫助企業完成網絡標準、數字化設備標準、數據標準和應用標準的制定，實現工業以太網，智能制造網和企業辦公網之間的互聯互通，為企業整體的智能化建設打下堅實的基礎。方案實施收益：通過方案實施，制造成本損失減少 5%，庫存周轉率提升 2%，供應鏈庫存下降 40

43、%；消除企業內部與外部、供應鏈條上下游的信息不對稱，合同履約率提升 30%，實現精益化生產。（2）汽車行業質量管理體系智能化解決方案 方案實施背景：汽車生產過程中，大量的工藝技術環節需嚴格控制誤差，如車身尺寸關鍵部位螺絲扭矩、漆面、加注過程等。這些環節的質量將直接決定整車質量，對整車企業銷售、售后等環節產生重大影響。另一方面，設備質量對生產質量也產生重大影響。目前，多數檢測仍停留在設備定期檢測、人工分析的階段，依賴于專家經驗和紙質報表，響應周期長，響應效率低，專家知識積累復用效果差。質量管理實時監控高度依賴于產線實時監測數據，通過工業邊緣數據管理與分析技術，對產品質量數據實時采集、實時處理和分

44、析，及時、準確地反饋質量 18 問題，避免產品“帶病帶傷”下線，產品質量數據匯總到云端，進一步指導研發與生產過程，形成全過程智能化的閉環。解決方案實施：扭矩監控：針對總裝 238 個扭矩點，車身 38 個扭矩點，通過工業邊緣數據管理與分析平臺，采集扭力、轉角角度等核心監控數據，確保實現轉角法+扭矩監控，如出現問題，本工位自動報警并停線/人工復線，可通過擰緊機信號燈、顯示屏、柱形燈及安燈等形式同步報警；上傳擰緊過程中扭矩、轉角數據，記錄過程曲線。利用邊緣計算平臺建立 QCOS 系統，記錄扭矩趨勢圖，用于記錄和分析。加注過程監控：針對制動液加注、冷媒加注、冷卻液加注、風窗洗滌液加注過程，通過工業邊

45、緣數據管理與分析平臺監控建壓、粗真空、高真空、保壓、加注量、加注時間、含水量等加注結果數據，并在邊緣側進行數據實時統計與分析。一旦出現異常狀態，工位自動報警并停線/人工復線，可通過設備顯示屏、柱形燈及安燈等形式報警，上傳加注量結果數據，記錄趨勢圖；評審確定關鍵過程監控數據（如加注過程各階段壓力值-時間），實現過程監控報警功能。沖壓設備監控：通過工業邊緣數據管理與分析平臺實現穩壓電源的模擬量電壓實時采集，并在邊緣側進行數據實時統計與分析。通過分析可得知，在供電過程中是否出現了電壓值過高或者過低的波動情況，通過增加電源模塊的監控分析，采取有效的技術手段，來預測電源模塊的運行壽命，使用后電源模塊的故

46、障率降低 46%。通過液壓系統的液位、壓力、溫度、流量實時數據采集，增加大量壓力、溫度、流量傳感器，將實時的數據采集回 PLC，在數據庫內進行多維度的綜合分析，最終建立分析預測模型。通過動力供電的電壓、電流的波動 19 情況的數據采集，不僅可以實時分析出動力供電質量的好壞，同時也可以根據電流波動的情況分析出負載的健康狀況，根據數據的趨勢變化就可以提前預測設備的未來運行狀況。質量信息統計：工業邊緣數據管理平臺將數據處理后，傳至后端云平臺，通過平臺自動統計質量信息，含質量門 FTQ/DRR/DRL 趨勢圖，缺陷 TOP-Q 清單、缺陷排列圖、質量分析卡，可按車型、日期、時間段、顏色（油漆）等多維度

47、查詢，并將質量報告以郵件形式發送至相關人員。方案實施收益：平臺上線后人力成本下降 60%，應用分析功能使得分析效率提升40%；電源模塊的故障率降低 46%；故障預測準確性提高，分析周期秒級響應。（3）汽車行業研發智能化解決方案 方案實施背景：目前，汽車行業研發與生產過程仍處于較為分離的狀態，汽車設計過程與生產過程交互不夠緊密，研發系統精確度有待提升。利用工業現場邊緣數據，建立基于多源數據結構的產品數字模型，利用數字孿生方法構建仿真工具，保證產品數字模型仿真精確度。解決方案實施：汽車虛擬研發系統：通過工業邊緣數據管理與分析平臺實現產線核心數據實時采集，利用產線實際生產數據修正仿真模型，構建具有高

48、精度的汽車虛擬研發系統，為汽車企業車輛設計環節提供模型輕量化、自動化渲染、多平臺發布以及 DMU 人機校核等功能的軟硬件一體化綜合服務方案，解決造型評審中油泥模型制作周期長、總布置合理 20 性難保證、人機校核不直觀不準確及多地研發中心評審成本高等車型研發階段的核心難點問題，并提供針對性解決方案。智能網聯汽車仿真云平臺：基于仿真技術與車輛群體和信息互相結合，通過數學、物理或者幾何等多種計算方式，進行多目標群系統的駕駛行為和過程的仿真，實現高級智能駕駛汽車的高度仿真。仿真云平臺基于云端加速架構為單體算法驗證提供千倍并行加速測試，為行業提供快速仿真解決方案，提升行業整體研發效率。汽車工程數據云平臺

49、：通過收集分析國內外優秀車型數據，通過測試、評價、拆解、分析等多種分析手段，獲取整車性能數據、感知質量評分數據、3D 點云、結構斷面、設計硬點等參數信息，甚至零件成型、連接工藝、零部件用材、配套商關系等相應信息。方案實施收益：通過汽車虛擬研發系統、智能網聯汽車仿真云平臺、汽車工程數據云平臺，有效地減少了研發投入，提升了整車研發效率。2.2.2.2.2 2 石油化工行業石油化工行業 石油化工行業是以石油和天然氣為原料，生產石油產品和石油化工產品的加工工業。石化行業屬于連續性生產模式，生產過程依靠工藝參數調節，數據要求及時、穩定、可靠。自動化程度高，DCS、PLC、控制系統是石油化工生產的主要控制

50、手段。石化行業的數據化、信息化強調在線控制和過程控制。其重點在于裝置的自動化控制、工藝流程的信息化、高效的生產調度、全面的設備管理和精準及時的物料生產平衡。針對石化行業，邊緣數據管理與分析需解決工藝現場的邊緣側數據實時決策問題，通過對所有生產設備的進出料、水電氣風的產耗、庫存、設備動態等方面的數據進行 21 全面自動采集，集成不同系統（DCS、PLC、ERP 等）的數據，生產計劃、排產、調度一體化平臺，提供統一的信息庫、規則庫、算法庫，通過對過程和工藝的建模和分析，實現調度過程中的人機交互，指導生產過程，達到智能化現場管理的目的。圖 3 石化行業邊緣數據管理與分析架構圖 （1）面向智能化生產的

51、石油催化裂解產品收率優化方案 方案實施背景：催化裂化（FCC）是煉油廠重質油輕質化的主要工藝之一，在煉油工業生產中占有重要的地位。產品收率優化的建模分析是催化裂化的工藝過程中獲取最大經濟效益的關鍵技術。大型煉化設備采集點多，加工生產過程涉及多變量協調，不同工藝路線、工藝參數會產出不同目標產品及收率，因此，需通過傳感器網絡優化模型，利用工業現場邊緣數據采集技術，對石化產線裝置、儀表、傳感器的操作、設備狀態、腐蝕、能耗等全量數據進行采集，對海量時序數據進行邊緣側預處理，便于數據實時回傳，解決遠程非現場設備運行狀態監控問題。22 解決方案實施：通過傳感器網絡優化模型，利用工業現場邊緣數據采集技術，對

52、石化產線催化裝置數百個工藝點數據進行實時采集。在邊緣側，針對如裝置測量波動、數據采集系統偶發問題或者人為因素等原因造成的原始數據異常、缺失、重復、不完整、冗余、噪音等異常情況，進行數據清洗和處理?；诖髷祿蜋C器學習技術，面對催化裂化裝置產生的大量過程數據，使用梯度提升決策樹方法，建立基于經驗可控指標與重要相關參數的產品收率預測模型，然后使用模型預測解決以往裝置運行工藝參數分析數據來源少及不連續問題，進行深層次的分析挖掘，找到問題關聯因子、發現原因，建立催化裝置機理模型和產品收率模型。并進一步改進模型，構建新的算法模型，增加對算法中指標的權重影響的控制能力，多次迭代后，得到目標近優解。方案實施

53、收益：產品收率優化方案的部署，實現了生產工藝的持續、動態優化，實現了裝置的智能化生產，顯著提升了產品收率，催裂化收率提升 3-8，為企業每年增加超過 6000 萬元收益。（2）面向智能化生產的產線裝置報警預測方案 方案實施背景 石油化工企業生產裝置工藝流程復雜、條件苛刻，具有高溫高壓、易燃易爆、高腐蝕性以及生產連續性強等特點，在長周期連續運轉過程中，受工藝設備、人員操作水平等因素的影響，生產裝置內可能存在一些影響安全生產的因素，面臨著人為響應不及時、備品備件繁多無法及時跟蹤狀態等問題。23 利用工業現場邊緣數據采集技術，采集石化設備關鍵數據。首先，對設備的能效值、用電水汽熱量、溫濕度、壓振、傳

54、轉速、料液流量等石化生產流程中的關鍵狀態參數進行實時監控。其次，利用關鍵狀態參數，構建關鍵部件的報警預測模型。最后，基于預測結果，通過工藝機理模型提供裝置運行參數建議。解決方案實施：利用工業現場邊緣數據采集技術，通過 PLC 系統，采集石化設備關鍵數據，對邊緣數據進行處理，判斷設備狀態，將關鍵數據上傳至云平臺。通過大數據、人工智能引擎等核心服務功能組件，可以實現對重要機組和設備狀態歷史數據進行全量保存。通過機理建模、數據建模、大數據分析等手段，基于各類匹配分析算法和故障診斷規則庫，構建報警因果鏈路分析技術模型，對生產過程指標實現智能化檢測，及時發現生產過程中裝置可能存在的隱患并報警，并給出報警

55、診斷結論、診斷依據、處理建議等，提前發現潛在的故障，降低事故發生率，保障產線的連續運轉。方案實施收益：該方案的實施，解決了產線關鍵點位故障預警問題，提前發現石化工藝和流程中的潛在的問題，降低事故發生率，保障產線的連續運轉。（3）面向智能化生產的設備預測性維護方案 方案實施背景：石化企業各監測系統一般分散且獨立運行，管理人員無法全面及時地了解生產和設備的實時情況及異常信息，而企業內故障診斷和專家數量不足，難以滿足大量的設備故障診斷與預測需求，故障診斷專家經驗無法顯性積累，導致設備過度維修或欠維修的問題。24 通過生產現場工業邊緣數據，形成針對生產過程中復雜物理現象的精確仿真，形成新的數據采集策略

56、，構建基于工業邊緣數據的故障診斷模型，形成設備預測性維護方案。解決方案實施：針對石化行業特點和需求，結合歷史生產記錄和工藝過程關鍵控制參數建立傳感器網絡優化模型，明確最佳的傳感器測點布局和數據采集策略。在新的數據采集策略下實現對裝置的操作數據、設備狀態數據、腐蝕數據、能耗數據和液體溫度、壓力、流量數據進行高效采集及質量提升，同時通過構建基于規則的故障診斷、基于案例的故障診斷、設備狀態劣化趨勢預測、部件剩余壽命預測等模型，實現對工業網絡全面排查、校準，對故障儀表和傳感器進行全面地排查、診斷和維修。方案實施收益：設備預測性維護方案提升了石化行業設備巡檢效率，并提前發現潛在故障，降低事故發生率，減少

57、設備過度維護，實現了對設備的遠程監控和預測性維護，提高了設備的連續運行周期，保障生產的連續穩定運行。2.2.3 2.2.3 電子制造行業電子制造行業 電子設備產品是指涉及電子信息的采集、獲取、處理或控制方面的電子產品，屬于知識、技術密集型產品，科技含量較高，產品注重質量、節能和環保，并遵循行業標準及國際標準，遵循模塊化設計與生產制造理念，覆蓋模組、部件到整機的生產全流程。電子設備生產中有上千種制造、檢測和裝配的設備，邊緣設備多，工藝實時性高，工況復雜多變。從針對電子制造業，邊緣數據管理與 25 分析需解決設備接入的問題，需解決數據的實時采集和智能化分析問題。依托邊緣數據管理與分析技術，實現物料

58、、產線、測試等多環節邊緣數據采集，通過局部人工智能，實現數據與云端實時高效交互，構建包含產品、產線、檢測等全流程的數字孿生體，在此基礎上，構建數字化工藝解決方案、產品工程化仿真解決方案等一系列產線智能化提升方案，從而實現對電子設備制造過程中繁雜工況的有效管理及工藝提升，進而提高產品質量和生產效率，實現智能化生產。圖 4 電子行業邊緣數據管理與分析架構圖 （1）數字化工藝解決方案 方案實施背景：在傳統業務流程中，研發設計與制造工藝數據是分開獨立管理運行的，這造成了信息的不對稱、滯后甚至錯誤，給制造端帶來停線、重工、召回或給研發端帶來修模、上市日期推遲等不必要的損失。數字孿生（Digital Tw

59、in）通過建立物理產品的數字映射，打造數字化 26 工藝解決方案，通過數字化的手段構建數字世界中實體的映射體，實現對物理實體的分析和優化。與傳統的仿真方法相比，數字孿生的精度高度依賴于物理實體實時狀態的數據，在數字空間集成物理實體各類具有離散、孤立、片面和異構特性的活動數據，持續優化和改進映射體精度，從而實現物理實體和映射體行為的一致，達到“孿生”的狀態。方案系統功能特性：建立物理產品的數字孿生體，需通過對產品、產線、生產過程等一系列邊緣數據的實時采集，通過邊緣計算，保證數據質量，結合產品生產、使用過程中產生的數據，結合專家經驗，完成數據閉環反饋，不斷優化物理產品數字映射模型，真正達到“數字孿

60、生”狀態，進而構建工藝基礎數據庫、工藝資源庫，實現工藝基礎數據管理、工藝資源管理等功能。工藝基礎數據管理：實現業務數據數字化和結構化；清晰識別業務數據類型；檢索方便，實現數據共享重用。工藝資源管理：實現業務數據分類管理；實現數據標準化管理；便于數據查詢和重用。BOM 數據集成：根據需要導入 BOM 數據；BOM 導入進程監控。DFx 數據管理及統計分析：數據統一集中管理；圖形化管理；歷史數據可追溯。BOP 平臺管理：支持多個工廠多條產線的業務需求；重點站別資源添加；固定工位；根據節拍和工位自動線體平衡。作業指導書自動生成：根據訂單生成作業指導書；27 仿真工具集成：集成 NX，PS，VSA，P

61、S，TC；打通 BOP 平臺和各工具之間之間數據傳輸。其應用場景主要包括：場景一：研發人員可以實時查看產品在工廠產線的工藝工序等制造信息；場景二：工廠工藝或制造工程師可以實時查看產品的研發圖檔、設計要求等研發信息；場景三：工廠產線可以根據訂單配置不同，實時生成對應的最佳工藝序列，并通過可視化的方式呈現給產線員工。場景四：產品設計或 BOM 發生變更，工廠可以實時接收到變更信息，并自動更新產線的可視化工藝。方案實施收益：通過邊緣數據采集，獲取產線、產品實時數據，利用邊緣數據構建數字孿生映射體，指導研發過程，打破了從研發到制造“數據孤島”現狀，實現了工藝管理數據結構化，實現研發與制造各部門之間協同

62、工作，實現工藝數據共享，提高工藝數據的準確性，降低工藝管理成本。（2）產品工程化仿真解決方案 方案實施背景：產品工程化仿真是指物理產品在虛擬空間中的數字模型，包含了從產品構思到產品退市全生命周期的產品信息。由于現有數學、物理模型描述和圖形表達手段的局限性，在缺乏語義特征的條件下常常難以通過完備的幾何、物理建模和實時解算來進行高精高效的模擬與復雜生產場景生成。通過產品邊緣數據的采集與分析，有機集成光學、28 力學、溫度等在線監測數據，形成以邊緣數據智能分析和物理規律相結合的復雜動態現象混合建模表示，使基于虛實融合的產品工程化仿真不僅在視覺上有更全面的逼真表達，在動態演化方面也有高逼真度的體現。方

63、案系統功能特性：通過實時采集產品生產過程中所產生的加工數據、監測數據、材料性能等邊緣側數據，建立基于多源數據結構的產品數字模型，形成數字孿生仿真工具，保證產品數字模型仿真精確度。進而實現以下功能：靜態干涉分析：檢查部件的靜態干涉并給出分析結果（干涉類型、干涉量、位置等）。在產品設計階段通過3D模型發現干涉問題并提示研發對圖紙進行修正，避免產品量產后由于干涉問題造成的損失。機構仿真：對產品的3D模型進行高級非線性靜力學仿真，為產品機構類材料失效分析提供數據支撐，在設計階段發現潛在風險，從而優化設計結構，避免問題在量產后出現。公差仿真分析：通過指定分布的隨機取值，驗證部件間的公差設計是否合理。對關

64、鍵配合部件的公差在設計階段進行仿真，提前發現失效風險并修正設計；對已失效配合公差進行分析，給出關鍵因子，進而指導設計優化。在產品工程化仿真解決方案中的主要應用場景包括：場景一：在產品工程驗證階段，制造工程人員可以通過設計圖紙仿真提前發現設計問題并指導研發優化設計。場景二：在產品工程驗證階段，制造工藝人員可以通過設計圖紙仿真產品的制造能力和效率，提前規劃產能及設備布置。29 場景三：在產品生命周期內，制造工程人員通過仿真工具分析問題并找到解決方案。方案實施收益：通過產品邊緣數據的采集與分析，構建產品工程化數字孿生仿真工具，對研發設計進行仿真，提前發現問題和風險并解決。實現了研發量產周期的縮短、生

65、產效率的提升、產品質量的提高。（3）智能模具管理解決方案 方案實施背景：模具壽命管理、模具維護保養、模具非法外包、復制模具的使用頻率這些管理難點一直以來困擾著供應商質量管理部門。傳統管理模式下，依靠管理人員不定期的現場審核的方式來檢查執行和落實情況，以及出現問題以后的追溯反查，并根據發現的不合格點復盤更新流程文件的方式來管理，這造成了供應商執行力不強，監控不到位，總處于事后被動改進的局面，導致在模具管理上問題層出不窮，防不勝防?；谶@種現狀，建立以邊緣計算為核心的智能模具管理系統，以較低的成本投入，形成針對模具的壽命、生產地點、復制模具的均衡使用等管理痛點的解決方案。模具狀態屬于典型的時序數據

66、，通過邊緣數據管理與分析，對采集數據進行處理，可保證數據質量，有效降低回傳數據信息量，實現數據傳輸可靠性。方案系統功能特性：安裝于模具上的專用傳感器，1 對 1 綁定模具標識，能夠在模具通電工作時及時采集模具的工作狀態，邊緣計算模塊對采集數據進行時序對齊，判別數據質量，經過初步處理后的數據透過無線網絡，實時回傳到數據平臺?？紤]到機構件生產現場網絡信號不穩定等具體挑 30 戰，傳感器選擇了 MQTT（Message Queuing Telemetry Transport）協議來傳輸數據。數據傳回后，會被進一步加工和處理，形成可視化的管理報表，并可以在地圖上標識每一臺開機的模具和物理地址。同時針對

67、累計壽命、維護保養狀態、各復制模具間的均衡使用等有完整清晰的展示，從而實現了前置有效的預防管理，解決了管理痛點。在實現了模具的前置有效管理的同時，機構件供應商也可以透過云端管理平臺，實現自己廠內的生產制造的電子化管理，以相對較低的成本，大幅提高了管理水平和管理能力。此外，整機外包制造 ODM，也可以通過這個開放共享的平臺，協同了解和掌握模具的狀態和質量水平。方案實施收益：智能模具管理解決方案通過邊緣數據管理，彌補了模具管理中的缺失，進而通過數據共享、平臺共享，實現了機構件供應鏈上機構供應商、整機外包制造 ODM 和總裝廠的三方管理共贏。（4）制造過程仿真解決方案 方案實施背景：電子產品形態繁多

68、，各種類的產品隨著功能的擴展，制造過程日益復雜。產品更新換代的加速造成新產品的生命周期不斷縮短，需要在較短的產品生命周期內保障足夠的產能。這其中還包括定制機型與個性化需求要求產線具備柔性制造的能力。為應對以上挑戰，需提供制造過程仿真解決方案。然而，單一尺度與基于物理的仿真方法難以實現完備的物理建模、實時魯棒解算、多尺度細節表現、生產過程即時監控、統計數據響應，無法用于生產過程中復雜物理現象的精確仿真?；诋a線所產生的海量邊緣數據，邊云協同，實現數據融合、算力伸縮和資源調度，進而實 31 現表觀特征、活化知識和物理規律的虛擬產線場景動態重建，最終實現精度高、真實感強、可實時交互的虛擬制造過程仿真

69、。方案系統功能特性：通過邊緣數據采集與計算模塊，實時采集生產線上的自動化設備、傳感器、儀表的OT域數據，對一條產線中包括機械手、貼片機、回焊爐、印刷機等四十余種設備、近萬個采集點進行邊緣數據采集，按產線、工序、設備等維度對設備運行狀態數據在工業邊緣現場完成及時計算、及時分析、及時呈現 MTBF（平均故障間隔時間）、MTTR（平均恢復時間）、OEE（設備綜合效率）等精益指標，結合設備維護數據，構建設備模型、產線模型和工藝模型，進而形成產線仿真資源庫。結合產線仿真資源庫以及自帶腳本語言，可以模擬實現各種復雜的生產系統和控制策略，不需要實體產線的投入即可對系統和策略進行評估。面向對象的工廠層次模型，

70、包括業務、物流及生產工藝。制造和物流仿真可進行價值流、倉庫物流、產線生產、人機作業等各層次的建模分析。針對制造資源的專用軟件資源庫，用于迅速、有效地仿真典型情況。針對制造業不同領域，都又對應的自有資源庫，為創建模型提高效率。制造過程仿真解決方案可以應用于以下場景：場景一，在工廠/倉庫/產線還處于設計階段，沒有實體設備時，通過建立數字化的仿真模型，可驗證設計方案中流程、產線和設備結構的合理性，發現潛在問題，并針對性地提出改進建議。場景二，對于已建成準備投產的工廠/倉庫/產線，可建立對應的仿真模型，模擬運行產品生產流程，驗證產能，發現瓶頸，優化流程。32 場景三，在現有的產線上進行生產訂單切換、新

71、產品投產等生產變動之前，可以通過仿真驗證是否會對產能及交付時效性產生影響。制造過程仿真的精確度高度依賴于仿真模型建立的精確性，基于數字孿生的仿真系統要求系統可以實施采集產線邊緣數據，以保證仿真系統精度 方案實施收益：通過邊緣數據采集與分析，邊云協同，構建精度高、真實感強、可實時交互的虛擬制造過程仿真平臺。在新產線建造、現有產線/倉庫改造之前，都通過仿真識別出潛在問題，并針對性提出改進建議，避免在實體項目完工后發生本不必要的改動。（5）智能生產歸因分析解決方案 方案實施背景：在電子產品生產測試過程中，自動化生產線的產品測試指標（比如誤判率 NTF（NotTrouble Found）的準確程度是影

72、響單位產能UPH(Units Per Hour)的重要因素之一。而影響產品測試指標準確度的因素經常多達幾十種，其原因分析嚴重依賴人工的經驗，結果具有較大不一致性；同時，自動測試機臺產生的數據量大，人工分析周期較長（日均耗時10小時以上），無法實現及時準確報告誤判率原因并及時干預和糾正。因此，需研發智能生產歸因分析解決方案，引入邊緣計算，可以對產品及產線指標進行初步處理和分析，形成微服務組件，降低云端處理計算量，有助于高效、準確地支撐智能生產歸因分析整體方案。解決方案實施：通過獲取產線實時數據，邊緣計算設備實時監控生產質量的 NTF 33 指標，將該指標實時回傳至云端系統，通過端到端算法，計算得

73、出真正影響 NTF（比如設備失校準）的原因。該解決方案基于智能數據特征技術并融合了 Human-In-The-Loop思想的完整閉環解決方案，實現AI算法能力與制造團隊運營經驗有機融合，并高效集成到生產管理軟件平臺。本方案的技術特色如下：1）基于生產測試知識（設備、方法、流程、型號等）對關鍵測試場景進行建模。2）基于智能數據處理和基礎 AI 算法集支持，算法整合程度較高。3）增強型信息熵的歸因分析模型，支持高速數據特征聚合和關系分類。4）擁有較高的數據處理能力和吞吐量（達到秒級的百萬條數據會話能力），支持實時 NTF 歸因分析，能夠及時糾正導致 NTF的真正原因，從而改進后續波次的測試質量。5

74、）將歸因模型作為微服務組件，提供標準的軟件調用接口，能夠便捷靈活地接入對應的自動化質量管理監測系統，提供經濟高效的系統集成能力。方案實施收益：本方案目前應用于某移動設備工廠的手機生產測試中，針對誤檢率（NTF）進行即時分析應用：實時監控生產質量的 NTF 指標，計算得出真正影響 NTF（比如設備失校準）的原因。針對百萬級數據量，端到端算法服務時間減少到 4 秒內，準確率比人工手段提高 20%。算法與生產系統快速集成，實現數據歸集、分析和在線報告問題的自動閉環，預期 NFT 降低 50%。（6）LCD 屏自動檢測解決方案 方案實施背景：34 屏幕產品檢測挑戰：通常對 LCD/LED 屏幕不良的測

75、試和判決是通過人眼來完成的，傳統的人工檢測方式連續性差，精度低，檢測效率低下，存在諸多不確定性?；谝曈X數據的檢測方法需采用邊緣計算策略，在生產線前端配置視覺采集設備，依靠邊緣側局部智能對數據采集過程進行控制，初步處理視覺數據，降低數據傳輸量，保證數據傳輸可靠性，從而實現針對 LCD/LED 屏幕缺陷檢測以及質量自動判定，提高筆記本測試效率，并確保不良品被檢出，保證產品質量。解決方案實施：LCD/LED 屏幕智能檢測解決方案包含前端邊緣計算系統，后端深度學習分析兩大系統。前端邊緣計算系統獲得主要負責控制設備，按照產品類型進行光照，拍攝，取樣，預處理，上傳取樣照片等相關動作。該系統自動根據不同產

76、品類型、尺寸、標準，精確設置相關參數，保證客觀、準確獲取被檢測產品特征取樣，并進行初步處理，以保證邊緣數據實時高速傳輸到后臺分析系統。后端系統通過 B-S 模式進行管理，平臺利用云化共享，實時監控整個系統運行狀態，并定期自動生成數據分析報告以供相關單位參考借鑒。方案實施收益：成本優化使得一條線單班節省兩個作業員，同時故障屏幕年比年檢出率提高 30%-35%，測試時間從 30 秒降低為 20 秒。35 3.關鍵技術研究 3.1 3.1 邊緣數據管理與分析的平臺技術架構邊緣數據管理與分析的平臺技術架構 工業邊緣數據管理與分析需要以工業數據全生命周期為主線，通過邊緣接入、數據采集、時序存儲、數據計算

77、、數字孿生、可視化等覆蓋數據全生命周期的技術能力，為企業提供從現場生產設備、傳感器、儀表等接入到支撐智能數據應用服務的端到端的解決方案?；诠I互聯網平臺，工業邊緣數據管理與分析的技術架構，需要具備有效整合邊緣智能和邊緣管理的能力，支撐覆蓋工業價值鏈的自感知、自決策、自優化的能力，服務于電子制造、汽車行業、航空航天、石化行業、電力行業、裝備制造、機械加工等行業的眾多工業企業。圍繞工業數據的全生命周期主線，本白皮書提出了工業邊緣數據技術的參考架構，如下圖：圖 5 邊緣數據管理與分析平臺技術架構示意圖 工業邊緣數據管理與分析的技術平臺架構，需要包含邊緣網關服務、時序數據計算服務、數字孿生服務、組態

78、服務、人工智能服務、數據應 36 用服務等基于微服務化設計的核心功能。涵蓋工業邊緣復雜的應用場景，通過分布式微服務化的技術架構，接入眾多的設備和系統，例如：端設備（如：PLC、EPC、IPC、Camera,AGV,Robot 等）端系統軟件（如：嵌入式操作系統、BSP+嵌入式應用等）輕邊緣設備（如：工業網關、AI-Box 等）邊緣數據網關（如：終端設備接口適配、數據采集、協議解析等）邊緣系統軟件（如：數據采集和存儲、協議轉換、邊緣智能分析、設備反向控制等）邊緣設備系統軟件（如：嵌入式操作系統、BSP+嵌入式應用等）邊緣網關服務以工業協議為基礎，以向導化配置的方式為用戶提供快捷的設備連接與數據采

79、集接入服務。通過軟件協議網關服務，連接工業邊緣常見的、主流的設備類型（如：PLC、DCS、CNC、Robot、AGV、Sensor 等），并適配主流工業邊緣的工業協議（如：OPC-UA、OPC-DA、Modbus、Profinet 等）時序數據計算服務是數據中轉與計算處理中心，可以對采集和存儲的數據點通過實時流計算進行加工與處理，形成新的數據點。將復雜的業務處理流程轉換為流程化的計算過程，并基于內存計算的實時流計算引擎，提供圖形化數據計算編排，提供豐富的數據計算和分析組件，通過簡單拖拽的配置方式完成復雜的數據計算處理與分析。數字孿生服務用來構建物理設備在數據管理與分析架構中的數字化、智能化鏡像

80、，基于設備對象重組工業現場采集的信號與數據，提供設備即服務的數據訪問與反向控制能力，遠程查看設備的實時運行狀況。對外提供 Restful API 的方式滿足任意場景的調用需求。組態服務通過拖拽式操作完成離散制造企業的生產線虛擬建模與數 37 據監控，可預置電子制造、半導體、汽車、機加、裝備制造等行業設備模型、工藝模型、績效模型等數據模型，實現數據管理與分析的快速復制、分享、協同，同時滿足手機、平板電腦、PC、大屏等不同終端的數據管理監控需求。人工智能服務通過微服務化容器技術，算力資源的統一管理與調度，實現各種 AI 應用與技術服務，通過簡易的圖形化開發工具，自動化機器學習流程驅動引擎，知識圖譜

81、套件，面對各種人工智能的應用場景，提供模型設計、模型開發、模型測試優化、模型上線、模型評估、模型下線等模型全生命周期管理服務，支撐閉環邊緣業務服務以及云端應用的價值實現?；谶吘墧祿芾砼c分析技術平臺的微服務能力，在工業邊緣，面向邊緣數據形態和特點，需要提供及時在線的設備服務、監控服務、質量管理服務、工藝仿真服務和指標技術服務等等應用服務能力，并協同云端的精益制造應用，實現“云-邊-端”的統一數據管理與分析。3.2 3.2 邊緣數據管理與分析技術邊緣數據管理與分析技術 工業邊緣數據管理與分析，聚焦于工業邊緣，從數據全生命周期的角度，構筑一個集工業現場網絡、計算、存儲、融合、應用等核心能力為一體

82、的開放式系統平臺架構，支撐工業互聯網的四個重要場景：“智能化生產”、“個性化定制”、“網絡化協同”、“服務化轉型”。3.2.1 3.2.1 邊緣數據的邊緣數據的靈活接入管理靈活接入管理與數據管理與數據管理 邊緣數據的靈活接入管理，是指包含網關管理、協議管理和點位管理的邊緣網關服務，支持邊緣網關的在線注冊、遠程管理和信息管理，支持批量的網關注冊、點位的配置與導入；需要在工業邊緣，融合網絡、計算、存儲等核心能力，就近提供邊緣數據計算服務，一方面可以充分 38 利用邊緣端的算力以減輕平臺端的數據處理和計算壓力，另一方面可以利用邊緣設備更加靠近現場的優勢，及時快速響應和處理現場需求和變化，就近提供邊緣

83、智能服務。采集的數據，經匯總、緩存后，支持下游系統及其它第三方系統的轉發上報，實現數據的多系統協同，提供強大的擴展與開發能力，技術框架內基于 Go，C/C+語言等開發的相關軟件開發工具包，可以完成邊緣設備運行插件的定制化開發，擴展適配私有化協議，支持更多的邊緣計算功能；支持數據多級緩存、斷點續傳，提供工況環境停機維護或意外斷電場景下的數據安全保障機制；支持高安全網絡環境，可適應工業邊緣安全網閘等單向數據傳輸場景；遵循工業協議的參數要求以及工業邊緣設備數據管理規范，提供點位映射服務，按照現場設備的點位管理表要求，配置數據采集內容，如根據 PLC 等端設備中設定的配置寄存器地址、偏移量等信息完成點

84、位配置與采集。支持分組管理、列表管理，支持點位批量導入導出，支持多種數據類型（如：BOOLEAN、BYTE、SHORT、INT 等等）。邊緣時序數據管理是指通過存儲和管理時間序列數據的高性能數據庫，為時序數據提供讀寫、存儲、計算、分析能力以及外部集成開發能力，應對邊緣數據多源異構終端的接入挑戰，解決邊緣時序數據的時效性、數據多源異構化問題，實現邊緣數據的高時效性處理和存儲管理目標。時序數據庫作為工業邊緣數據管理與分析的重要基礎組件，緊靠數據產生源，可實現毫秒級的實時數據處理需求，可降低系統整體的關系復雜度、資源需求量，保障數據的時效性、準確性和完整性?；诠I 39 設備數據點位方式的數據管理

85、，可以將多種類型的設備數據抽象到可以管理與分析的數據點位，支撐工業邊緣數據的統一數據轉換?；诜植际郊軜嫷臄祿芾砼c高性能存儲方案，適應工業邊緣高并發、寫多讀少的時序數據特點，協同計算、分析、存儲的全局點位管理，可提供數據趨勢查詢、自定義圖表統計、數據可視化的配置與呈現能力。同時適應本地管理模型與云端管理模型的對應與融合（如 Modbus，OPCUA規范等），為后續的云邊協同、邊邊協同提供基礎數據支撐。點位管理的核心功能應包括：層級管理：以組織樹結構的層級化形式查看與管理點位/測點數據，提供更接近工業邊緣現場的點位/測點查看方式；點位管理：支持單個或批量導入點位數據；支持通過數據計算的數據流寫

86、入數據的點位；支持對單個點位或者批量點位進行數據存儲的配置和刪除操作；點位信息：支持查看元數據完整信息，如：點位名稱、點位來源、別名、數據類型、最新值、是否反控、存儲方式、Restful API 訪問地址等；點位趨勢：支持查看點位數據的趨勢走向，更直觀的查看數據異常方式。對于非數值類型數據，可以通過表格形式顯示最新數據。3.2.2 3.2.2 邊緣數邊緣數據的批流融合靈活計算據的批流融合靈活計算 邊緣數據的批流融合靈活計算是指在邊緣實時數據的處理的過程中，需要屏蔽底層復雜的任務劃分和集群調度細節，融合有著迥異編程模型和編程接口的批處理框架和流式計算框架，以應對歷史分析和及時決策的挑戰，實現減少

87、數據資源消耗、降低業務協同難度，從而實現減少數據計算的開發成本和維護成本的目標。40 數據管理與分析的系統架構中的批流融合計算，需要支持：統一 API 抽象接口，描述批流兩類作業的抽象接口；流計算引擎基礎上支持批處理等復雜編程模型，統一批流作業管理接口；以高性能時序數據庫為基礎，批流兩類作業使用同一套資源調度和分配系統，資源共享，削峰填谷；豐富的數據計算功能：計算流式管理（新建、編輯、刪除、檢索、排序等）；支持計算流的開關量取反、進制轉換、幅度濾波、線性、平方根、一階滯后濾波及四則運算表達式等計算方式；全面的數據處理插件，提供函數腳本拓展開發，滿足多種數據處理場景。數據處理插件，包括：數據處理

88、插件（數據篩選、數據轉換、列值算式、查找替換、數據拆分、列編輯、文本構造、HTTP Client、XML 抽取、JSON 抽?。?、函數運算插件（提供函數篩選（包含日期函數、計算函數、字符串函數、條件函數等共計超百種函數模板）、添加列、替換列、可以直接嵌入 JavaScript 代碼和 Python 代碼）、窗口計算插件（滑動窗口和滾動窗口，在特定時間窗口內進行聚合計算，例如數量統計、取平均值、求和、最大值、中位數、方差等）。3.2.3 3.2.3 面向邊緣設備數據的組態化應用服務面向邊緣設備數據的組態化應用服務 組態化應用服務是指通過面向工業制造的數字孿生方法，基于工業現場的設備、工藝、流程、

89、機理的實時狀態數據，映射在工業互聯網平臺上所構建的對應的數字鏡像模型，并賦予模型服務能力（屬性、事件、服務、算法），通過類似“搭積木”的組態化方式，實現對應用服務的配置、設置、部署和運行，從而實現工業邊緣的及時服務以及“端-邊-云”的應用協同服務，服務模型的組態化編排可以有效降低工藝優化與 41 經驗沉淀的門檻與過程工作量，實現數據應用在工業邊緣廣泛普及，應對生產及運維靈活管理的挑戰。通過構建物理設備在數字系統內的數字化、智能化鏡像，重組工業現場的狀態信號與邊緣數據，實現設備的訪問與反向控制能力，主要實現方式包括設備模板、設備實例和設備可視。設備模板：基于數據模型的能力（屬性、事件、服務、事件

90、訂閱）來賦予更多物理設備本身不具備的能力，將物理設備的行業經驗、工業機理、業務流程進行封裝，并通過實例化實現設備賦能與共享，為邊緣數據應用提供模型服務接口以及事件訂閱邏輯，對外提供 Restful API以滿足開放協同的需求；設備實例：對設備模板進行實例化后的對象。設備實例對應工業現場里一個真實的唯一的設備實體。設備實例繼承了設備模板所擁有的屬性、事件、服務和消息訂閱。同時，該設備實例也可以擴展出獨有的屬性、事件、服務和消息訂閱；設備可視功能：遵循傳統工業邊緣現場人機交互常見的組態形式，提供快捷的生產設備、工藝流程及數據實時呈現。滿足最終用戶建立各級數據可視化，支撐生產監控的需求。傳統工業自動

91、化一般都有組態軟件作為用戶交互界面進行工業自動化軟件的開發，組態簡化了自動化工程師在軟件層面的開發難度，讓他們專注于需求及功能的設計。在互聯網領域內，編排一般在云端實現，體量大、依賴關系復雜，難以適應工業互聯網邊緣。通過組態編排模塊下沉到工業邊緣，降低與云端間來回傳輸數據的時間與資源開銷，降低工業現場操作人員的編程能力門檻，實現工業現場的資源調度與管理，降低編排組件對云服務的依賴。42 圖 6 時序數據實時計算統計示意圖 實時數據計算的組態編排主要功能包含如下：多維數據時間對齊：支持接入需要時間對齊的多個點位/物屬性，并將多個傳感器多維度的數據按照一定時間窗口匯聚對齊，滿足工業場景多點位時間對

92、齊的業務場景；時 序 數 據 降 頻：支 持 對 數 值 型（INT/LONG/SHORT/BYTE/FLOAT/DOUBLE）的 時 序 數 據 進 行 一 定 采 樣 周 期 內 的 統 計 值 降 頻（MAX/MIN/MEAN/AVG/LATEST），將原本較細粒度的數據降頻后得到較粗粒度的數據，以此成倍減少數據規模，保證僅需分析整體趨勢的業務場景（如查詢一年的趨勢）能以更小的成本進行數據處理、分析、計算和保存；窗口計算：對一定窗口時間段內的時序數據進行分組和聚合統計，支持以滑動窗口計算或滾動窗口計算的聚合統計方式，包括：數量統計（Count）、平均值（Mean）、求和（Sum）、最大值

93、（Max）、最小值（Min）、中位數（Mean）、方差（Dev）、協方差（Cov）、標準差 43 （StdDev）等，以滿足工業邊緣現場應用的場景，如：設備日產能的計算；數據協同：通過網絡接口請求，實現遠程系統的接口相互調用，實現本地計算使用外部數據，也可本地數據參與外部數據；數據處理函數：內置常用數據處理和計算函數，滿足業務的數據處理與分析需求，包括日期函數、計算函數、字符串函數、條件函數等；高級編程能力支持：支持使用 Python、JavaScript 等編程語言對數據進行處理，可以直接嵌入 AI 算法的代碼；計算可視化：確保數據處理分析流程所見即所得，降低業務人員數據處理分析所需的技術門

94、檻，使其專注于數據分析邏輯的建立；數據監控：在數據流計算運行時，需要完善的監控機制，可監控數據流運行狀態及性能指標，包括：數據的輸入量、輸出量、吞吐量統計、數據輸入輸出效率等。3.2.4 3.2.4 邊緣數據管理與分析的微服務化訪問技術邊緣數據管理與分析的微服務化訪問技術 邊緣數據管理與分析的微服務化訪問能力是指在工業邊緣數據管理與分析的系統架構中，采用微服務架構，將完整的數據分析應用劃分成多個小的服務組件，組件之間采用輕量級的通信機制互相溝通（如RESTful API），互相協調、配合，使得應用程序整體更易于在線擴展和獨立開發，從而加速更新，縮短發布周期。通過微服務化發布技術，以應對工藝復制

95、與經驗傳播的靈活數據場景，實現工業邊緣數據協同和敏捷開發的要求。在工業邊緣計算資源參差不齊的情況下，邊緣數據管理與分析 API發布的微服務化如果直接使用互聯網主流開源微服務 RPC 框架，存在程序語言限制、安全體系不完善及服務資源占用不可控等問題?？紤]到微 44 服務架構能夠為工業邊緣數據管理服務的開發和共享帶來復用性、靈活性和擴展性，工業邊緣數據管理與分析的框架，將內部的點位管理服務、數據計算服務、數字孿生服務、可視化服務，按照微服務架構進行獨立設計和開發，微服務組件之間采用 RESTful API 作為接口，既可以被內部其他微服務調用，可以對外提供調用服務，方便開發者基于這些接口進行二次開

96、發，實現項目快速交付。工業邊緣數據屬于典型的流數據，其處理具有流數據處理的典型特征：數據觸發模式，處理過程始終在線；在數據流動的過程中進行處理與計算；只對一段時間內的數據進行處理，數據對象內置的在線處理過程必須能夠在確定的時間內完成，否則會影響整個系統的性能。工業邊緣數據的特點，使得傳統的基于請求/應答的點對點同步通信已不能很好地滿足工業現場設備繁雜、數據異構的數據協作要求?；谑录寗訖C制的微服務系統架構是建立大規模分布式數據管理與分析系統的有效方式。一個事件驅動系統典型地由事件消費者和事件產生者組成，通常采用訂閱-發布機制。事件消費者向事件管理器訂閱事件，事件產生者向事件管理器發布事件。當

97、事件管理器從事件產生者接收到一個事件時，事件管理器把這個事件轉送給相應的事件消費者。通過提供瞬時過濾、聚合和關聯事件的能力，事件驅動機制可以快速地檢測出事件并判斷它的類型，從而幫助系統快速、恰當地響應和處理這些事件。事件驅動機制使得系統及組件之間更加松散耦合，增強系統的事務處理能力。3.2.53.2.5 面向邊緣數據綜合分析的人工智能技術面向邊緣數據綜合分析的人工智能技術 45 面向邊緣數據綜合分析的人工智能技術是指將算法模型就近部署在工業邊緣的終端設備，將計算資源和算法服務下沉到網絡邊緣端，以更低時延、更低帶寬占用、更高能效和更好隱私保護性服務于工業邊緣數據。針對海量的工業現場的半結構化和非

98、結構化數據進行處理，可以獲得高密度的高效分析能力，以應對價值提取與時效性的挑戰，實現工業場景下的智能監測、異常監測、故障預測和快速排障技術等的應用，改善人工智能應用的性能和成本，使得智能更加貼近用戶側，滿足工業邊緣數據在實時業務、數據優化等方面的關鍵需求。邊緣側智能監控技術：生產過程及環境會隨著生產狀況的變化而發生變化，如設備全速運轉和低速運轉時監控的統一參數的閾值可能不一致，工業生產過程中閾值監控需要采用智能監控的方式才能更好匹配現場的工業生產環境，通過收集現場生產、設備運行狀態和物品清單等數據，使用自動化機器學習技術，對各項指標的基準值、閾值做預測和監控，精確地判斷需要報警的異常點，實現數

99、據實時分析和監控；邊緣側缺陷異常檢測技術：構建基于邊緣計算的自動化機器視覺技術架構，以提高前端設備的智能處理能力，通過攝像頭、傳感器等設備采集數據，在數據采集現場對視頻、圖像和語音等數據進行深度分析，去除冗余信息，在靠近用戶和數據源的網絡邊緣側，使用模型壓縮技術完成機器學習模型在工業邊緣的部署，對產品質量、人員行為等方面進行檢測，完成工業邊緣的自動異常檢測；邊緣側故障預測技術：基于邊緣計算的物聯網可以有效完成故障預測工作，將邊緣計算架構引入物聯網領域，在靠近設備或數據源頭的網絡邊緣側，搭建融合網絡、存儲、計算、應用等能力的平臺，就近對工業設備運行特有格式的數據、原始日志、圖片、多媒體文件等數據

100、等 46 提供計算服務，通過特征識別、模型訓練、演化規律來完成對系統進行在線動態智能預測，實現設備故障預測性維護，避免或最小化了故障時間，協助對周期性的維護操作進行優化，提高設備運維效率，降低維護成本；邊緣側故障監控技術：相比智能運維，人工處理的時效性和可靠性都不穩定，通過在邊緣設備上運行微服務架構的組件軟件，可啟動邊緣設備上的人工智能程序，利用自動控制、專家系統的模擬和推理、知識發現和人工神經網絡的學習特性，建立設備維修、決策模型，實施設備維修的智能決策和管理，為設備管理和維修人員提供故障檢測與診斷的智能決策，實現智能維護和保養功能，解決資源優化和預測維護等問題。3.2.6 3.2.6 邊緣

101、計算數據流通的協同安全技術邊緣計算數據流通的協同安全技術 邊緣計算數據與各聯接點交互安全的加密是指為防止工業邊緣數據在采集、傳輸、存儲、處理的過程中被竊取而泄密，數據管理與分析系統需要基于可信執行環境，在工業現場設備與邊緣計算系統之間、微服務組件之間、主機與網絡設備之間，實現數據的授權訪問控制，應對邊緣數據安全管理的挑戰，保證工業現場數據的機密性、完整性和可用性。從工業現場數據流通的角度，工業邊緣數據主要可分為：上行數據：故障代碼、工藝參數、設備狀態等數據集；下行數據：工業設備控制指令數據集。上行數據的所有權，微服務之間存在數據采集、計算模型、組態軟件等多類別工業服務組件之間需要實行數據安全隔

102、離；下行數據的使用權，設備/適配器與客戶端之間上下行數據交換需要數據安全隔離。依據工業互聯網平臺安全防護需求標準中的數據傳輸要求，基于計算 47 環境可信及接入安全策略的安全體系，數據管理與分析，需要在邊緣微服務架構下實現數據所有權與使用權的數據安全隔離，解決工業現場上下行數據的應用和傳輸安全問題。上下行數據安全隔離體系架構描述如下（見圖 7）：基于身份的上下行數據隔離機制；上行鏈路由客戶端與設備/適配器采用數據接入網關與之連接，依賴原有安全接入策略保證上行鏈路的正常通信；下行鏈路由設備端代理、客戶端代理、上下行數據安全隔離服務構成隔離鏈路，兩側網絡之間以應用代理訪問的方式實現；專用協議定制訪

103、問策略；專用協議定制訪問方法 ZSSL 是基于 SSL 的輕量化高性能專有協議的數據傳輸方法，專用協議定制訪問 ZSSL 主要是基于 SSL 的輕量化高性能專有協議的數據傳輸方法，當客戶端代理通過用戶私鑰建立握手會話后，緩存會話參數，通過上下行數據安全隔離服務建立 ZSSL 會話與設備端代理連接。通過會話建立，即面向應用層采用“授權策略”實現定制訪問，對傳輸數據進行強制檢測，符合授權策略的數據報文才可以通行，攔截各種非法授權數據報文，保證數據的安全性；下行數據安全隔離交換服務；下行數據安全隔離交換服務是基于 Java 虛擬機構建的服務進程，部署于微服務操作系統運行環境可信基礎之上，負責關聯設備

104、端代理與客戶端代理，通過專用協議達到兩側代理之間的通信傳輸，服務進程對傳輸的數據，根據用戶的授權策略，對用戶下發指令進行合法性校檢。48 圖 7 數據安全管理示意圖 3.3 3.3 工業邊緣和公有云的數據協同處理工業邊緣和公有云的數據協同處理 在更靠近設備的工業邊緣上提供數據服務，數據管理與分析的系統架構需要融合邊緣計算的能力與云計算服務的能力，聯動邊緣和云端的數據，呈現完整的一體化服務的邊緣數據管理與分析解決方案。邊緣數據和云之間的協同的核心是工業邊緣數據的流轉：包括數據的采集、存儲（讀寫和持久化）、流轉（流數據技術、文件拷貝和復制技術、異構數據轉換技術）。邊緣數據和云之間的協同屬于云邊協同

105、的最重要的部分，云邊協同包括網絡協同、通用計算和存儲資源協同、工業設備數據協同和工業應用協同。需要云邊協同的工業數據包括四類：（1）網絡協同中的數據：主要指工業網絡設備的數據（傳感器、網關、交換機、路由器的設備數據以及協議數據的協同），其數據采集、保存和流轉屬于網絡技術體系里，需要在 SDN 技術架構中實現，比如數據采集采用 Telemetry，通過 OpenFlow 進行網絡云邊協同；（2）計算和存儲資源協同中的數據：主要指邊緣網關、服務器、存儲的設備數據，其數據采集、保存和流轉屬于云計算技術體系，需要 49 在云計算架構中實現，針對云邊的計算資源、存儲資源、網絡資源（IP地址等）進行云邊協

106、同處理，另外還有針對 IT 資源設備的日志數據（時序數據）進行采集、保存、流轉和分析處理，實現云邊的計算資源協同；（3）狹義的工業邊緣數據：包含兩類，一個是工業設備數據（更多是工業設備狀態類數據，PLC數據屬于工業控制類），一個是視頻監控數據。前者屬于時序數據，結構化數據，主要涉及傳感器的采集、時序流數據庫，該類數據的采集多采用 MQTT，OPC 協議等，數據協同主要涉及時序數據技術，要適合工業邊緣部署的數據流中間件，實現云邊的數據流轉；后者是視頻文件數據，非結構化數據，涉及工業攝像數據的前端處理、適合大視頻文件的拷貝、復制和傳輸的技術，推理算法的軟件包下發和更新技術等；（4）業務協同中的數據

107、：主要指工業應用數據，包括原材料、工藝參數、產品信息等，結構化數據，此類數據一般由具體的工業應用系統產生并負責數據處理和流轉，原則上和不同的工業應用軟件系統設計有關，有些需要云邊協同（原材料、工藝數據需要云邊協同），有些不需要云邊協同（數據只在云端不同的 CPS 應用系統中流轉）。針對上述四類數據，工業邊緣的數據管理與分析，所依賴的系統架構，既可以以私有云方式直接部署于本地產線側、車間側；也可以以邊緣云方式，部署于工廠、廠區小規模 IaaS 平臺內；還可以以公有云方式，部署于區域中心或第三方 IaaS 平臺內。因此，工業邊緣的數據管理與分析系統架構，南向需要支持同邊緣網關和現場控制系統之間的協

108、同，東西向需要支持對邊緣云的協同，北向需要支持對公有云的協同，通訊過程見下圖 8。50 圖 8 云邊協同示意圖 在工業邊緣數據管理和應用分析算法的雙重牽引下，數據管理與分析架構，面臨三個主要矛盾，包括：分析算法的資源需求與邊緣設備資源受限之間的矛盾、服務質量與隱私保護之間的矛盾、應用任務需求多樣化與邊緣設備能力單一之間的矛盾。云端 IaaS、邊端設備與邊緣IaaS之間協同計算是解決邊緣數據管理矛盾的重要手段，其協同模式主要有四種，即邊云協同、邊邊協同、邊物協同和云邊物協同（見表1）。表表 1 1 邊緣智能的協同模式邊緣智能的協同模式 協同模式協同模式 協同方式協同方式 關鍵技術關鍵技術 邊云協

109、同 云端基于邊緣上傳的數據，負責數據分析、模型設計、模型訓練和升級、算法更新等任務；邊緣端負責搜集數據并使用最新的模型預測實時數據。云端除了訓練模型外，還負責一部分預測工作，即模型被分割，云端承擔模型前端的計算任務，并將中間結果傳輸給邊緣，由邊緣端完成預測，得到最終結果。邊緣導向的邊云協同：邊緣側除了使用模型進行實時預測遷移學習：讓模型通過已有的標記數據向未標記數據遷移，訓練適合目標領域的模型。利用遷移學習，保留模型的原始信息，疊加新的訓練集進行學習更新，得到適用于特定邊緣場景的模型。模型裁剪：在不影響準確度的情況下裁剪訓練模型，如在訓練過程中丟棄非必要數據、稀疏數據表示、稀疏代價函數等。51

110、 協同模式協同模式 協同方式協同方式 關鍵技術關鍵技術 外，還負責一部分模型訓練任務。邊邊協同 邊邊預測協同：云端完成模型訓練，依據邊緣節點的算力進行模型拆分并進行分配部署。邊邊分布式訓練協同：每個邊緣節點承擔模型訓練任務，模型訓練到一定階段，將訓練得出的模型參數更新到中心節點，完成模型的最終訓練。邊邊聯邦訓練協同：由特定邊緣節點保存最優模型，其他邊緣節點在不違反隱私法規的情況下參與模型訓練，并向該節點更新參數。模型拆分：在邊緣之間協同也需要針對不同邊緣節點的能力及資源動態性進行模型分割。分布式訓練：在邊緣智能場景下，利用邊緣的閑置資源進行模型訓練，需要考慮邊緣節點資源的動態變化性和通信質量。

111、聯邦學習：在保證數據交換的安全和隱私的情況下，利用多個邊緣節點進行模型訓練和更新。邊物協同 物端負責數據的采集，并將數據發送至邊緣節點；邊緣節點負責多路數據的集中計算，下達指令，對外服務。輕量級模型：邊緣節點作為計算中心，負責相對多的計算任務，需要輕量級的神經網絡模型。輕量級加速體系架構：依靠電池供電的邊緣設備需要低功耗、小面積的加速芯片，才能進行有效管理，需要設計高效合理的加速體系架構。模型選擇：根據資源耗費量和準確率需求的不同，選擇符合場景的最佳模型。云邊物協同 功能性協同：根據設備位置、承擔角色進而負責不同的功能。性能性協同：根據設備算力，由不同層級的設備負責相應算力的任務。在系統級別上

112、，需要任務遷移、資源隔離、任務調度等技術；在硬件級別上，需要專用芯片、硬件產品的設計與制造。4.展望 工業邊緣數據是工業數據的基礎，工業邊緣數據管理與分析是工業數據智能化應用的基礎引擎，工業邊緣數據管理與分析技術是邊緣計算 52 技術的核心，構建覆蓋工業價值鏈的邊緣側自感知、自決策、自優化能力，以邊云協同的系統架構，服務于電子制造、汽車行業、石化行業、電力行業、機械加工等眾多工業企業，進而實現貫穿于全流程、全價值鏈的工業數據采集、存儲、管理與分析，挖掘數據潛在價值，實現制造企業生產力、競爭力和創新力的提升。隨著工業 4.0 變革的不斷深入，面向全球工業制造業，新的全球工業互聯網生態系統格局正在

113、形成。在中國工業互聯網產業聯盟（AII）的頂層設計下，中國工業互聯網探索與實踐的路徑基本形成，即面向垂直行業的顯著不同的企業痛點與應用場景，以數據驅動智能生產能力，以數據驅動業務創新能力，以數據驅動生態運營能力，打通設備、產線、生產和運營系統，獲取數據，管理數據，分析數據，支撐企業內部生產率提升，實現提質增效，決策優化。通過智能產品服務的協同，打通企業內外部價值鏈，面向企業外部，延伸價值鏈，實現產品、生產和服務的創新。通過工業互聯網平臺，協同企業、產品、用戶等產業鏈資源，實現開放生態的平臺運營。隨著數據管理與分析技術的逐步成熟，數據觀念意識的不斷深化，應用場景的不斷豐富，產業生態的不斷完善，工業互聯網將迎來高速發展的歷史階段。抓住這個工業變革的新發展機遇，針對工業客戶的個性需求，提高工業互聯網的數據管理與分析效率，推動產業互聯網的數字化制造技術應用，才能實現“中國制造2025”戰略，提升中國制造業的全球競爭力，實現全面的制造業高質量發展。