傳統方式無法滿足現代工業生產的巨大需求，新技術正在以新的方式推進著工業現代化，其中以邊緣計算技術最甚，其在預測質量分析、資產狀況監控方面有著巨大應用。
預測質量分析
對於企業而言，質量問題直接影響其未來發展狀況。
2018年，上汽通用召回300多萬車輛，召回的成本約等於投資建一整座新工廠的金額。2019年，美國強生宣佈再次大規模召回問題藥品，涉及超過4500萬件。這是自2010年以來，第八次大規模召回事件，對於強生造成重大經濟損失跟名譽影響。
使用傳統抽檢手段發現質量問題後再加以修改往往為時已晚，如果可以提前預測質量情況問題，那麼對於企業的生產具有重要意義。畢竟一旦可以確定質量根本原因，那麼就可以花費較少時間與精力來解決這些問題。並且可以降低產品質量造成的高昂產品召回。
在這樣情況下，預測質量分析便應運而生。
所謂預測質量分析可以從工業數據源（如製造設備、環境狀況和人類觀察結果）中提取可行見解，以優化工廠產品的質量。利用預測質量分析，工業製造商可以構建預測質量模型，從而打造更好的產品。
預測質量分析方案的關鍵是數據源的蒐集與分析處理，因為工業生產環境複雜，數據源產生多樣，一般方式無法進行數據蒐集、分析乃至後期的預測未來結果和趨勢。利用邊緣計算進行預測質量分析，是目前最為行之有效的方法之一。
預測質量分析方案，主要分為數據處理、數據建模以及模型評估處理。
以發動機製造為例，生產過程包括缸體鑄造、缸蓋加工、曲軸鍛造、活塞等幾十種流程。由於流程較多，而且發動機屬於精密儀器中的精密儀器，稍有差池，產品就會報廢。
利用分佈在各流程傳感器提取關鍵數據，再利用集成的邊緣計算設備對原始海量、複雜的工業製造大數據進行數據預處理，處理後的有效數據將會進入下一輪。
邊緣計算設備通過大量歷史數據分析，形成一定的質量預測規則，並以此為基礎，利用深度學習算法，建立生產過程質量預測模型。
數據進入預測模型之後，模型將會從多工序誤差傳遞的角度和產品質量數據模型進行迴歸建模預測的角度進行工業最終產品的質量預測分析。分析之後，將會對質量問題分類、影響因素分析、質量問題進行追溯。知道將會在哪個時間段，因為何種問題導致質量問題，這個時候將會修改工業生產流程參數，從而避免問題出現。
利用預測質量分析方案，可以有效降低產品召回率和報廢率，提高產量和可追溯性。對於提高客戶滿意度和盈利能力有重要作用，特別是在質量問題影響生產流程之前將其識別出來。
資產狀況監控
所謂的資產狀況監控，就是捕獲機器和設備的狀態，從而確定資產性能。如果不能及早地針對潛在退化問題發出警告，企業就無法維持可靠性、最大限度縮短停機時間以及保護間接成本投資。總之，利用資產狀況監控，提高了生產可靠性、安全性和效率，並節約了更多成本，最大限度的延遲資源壽命。
在這裡主要面對的難題是如何捕獲難以捕捉的機器運行數據，比如說機器運行速度、壓力、錯誤代碼等，這些都要求在最靠近端實時測量數據，一般方式根本無法進行，即便勉強可以操作，也無法實時分析、處理等操作。
而邊緣計算就是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的開放平臺，就近提供邊緣智能服務。可以看到，其在資產狀況監控方面，有著重大優勢。
以工業生產中的汽車製造為例，其生產系統包括焊接、衝壓、塗裝、動力總成等等。將邊緣計算設備部署到其各個系統之中，形成多個接觸點，以各接觸點的方式收集系統設備的動作、溫度、機器震動等數據。
部署在各系統的邊緣計算設備可以將生產的整個流程重要數據採集，之後執行查詢並構建控制面板以深入瞭解設備數據。緊接著採用精準的數字建模，模擬其所有機器的運行情況，同時利用其具備的深度學習功能，隨時進行機器的健康狀態分析並進行上報，從而實現資產狀況監控，避免後期出現故障。
利用邊緣計算下的資產狀況監控，製造商可以知道當前資產運行狀況，包括運行時間、損耗情況、以及未來可能發生狀況。對於提高設備安全性，增加生產時間並延長設備壽命具有重要意義。隨著人工智能和機器學習算法的不斷進步，邊緣計算下的資產狀況監控帶來的經濟價值也將越來越巨大。
NOM-R001邊緣計算全棧模塊
國訊芯微獨立自主研發而成，業內首款帶邊緣計算實時操作系統的核心模塊，尺寸僅有40mm*40mm，具備易融合，強算力，豐富擴展開發性，適用於智能製造、工業互聯網、泛在電力等行業。具備1mS的時間片精度和30nS級別校時精度，能夠實現邊緣節點數據優化、實時響應、敏捷連接、智能應用且有效分擔雲計算資源負荷。在工業生產當中，NOM-R001可以對全局監控及分佈式管理，同時基於全局監控，能夠在最短時間發現問題節點，從而實現邊緣設備重新激活或下線維修處理，主要用於工廠智能化、泛在電力物聯網和梯聯網。
閱讀更多 NIIC邊緣計算CMO 的文章
