工业物联网存在的意义到底是什么？

工业物联网分析和机器学习公司需要衡量它们在计算量很小的情况下的表现

随着工业物联网项目逐渐远离以云计算为中心的方法，人工智能和工业物联网演进的下一步将满足将算法转换为边缘计算工作的需求，而占用空间要小得多。

据调研机构 Gartner 公司表示，在未来四年内，75% 的企业生成数据将在边缘处理（相对于云计算），高于当今的 10%。向边缘计算的转移不仅取决于数据的大量增加，还需要更高的保真度分析、更低的延迟要求、安全问题，以及巨大的成本优势。

虽然云端是存储数据和培训机器学习模型的好地方，但它不能提供高保真的实时流数据分析。相比之下，边缘计算技术可以分析所有原始数据，并提供最高的保真度分析，并增加检测异常的可能性，从而实现即时反应。成功的测试将是在尽可能小的范围内实现的"能力"或计算能力的数量。

了解"真实"与"虚假"边缘解决方案

与所有热门新技术一样，有些市场已经不再使用"边缘计算"这一术语，它在工业物联网部署中的构成没有明确的界限。"虚假"边缘解决方案声称可以在边缘处理数据，但真正依赖于将数据发送回云端进行批处理或小批量处理。

在了解有关边缘计算的内容时，"虚假" 边缘计算被认为是没有复杂事件处理器（CEP）的伪造数据，这意味着延迟更高，并且数据仍然很"脏"，使分析更不准确，机器学习（ML）模型受到严重影响。

"真实"边缘计算从一个超高效的复杂事件处理器（CEP）开始，该复杂事件处理器（CEP）在生产过程中清理、规范化、过滤、场景化以及或原始的工业数据。此外，"真实"的边缘解决方案包括集成的机器学习和人工智能功能，所有这些功能都嵌入到最小（和最大）的计算足迹中。

复杂事件处理器（CEP）功能应在工业边缘现场进行实时，可操作的分析，并为操作技术（OT）人员的快速补救提供优化的用户体验。它还为最佳机器学习/人工智能性能准备数据，生成最高质量的预测见解，以推动资产绩效和流程改进。

真正的边缘计算可以节省大量的成本，并提高效率和数据洞察力，使希望走上真正的数字化转型之路的工业组织得以实现。

 机器学习/人工智能模型开始变得脆弱

将机器学习（ML）移动到边缘并不仅仅是改变处理发生位置的问题。目前使用的大多数机器学习（ML）模型都是基于云计算能力、运行时间、计算的假设而设计的。由于这些假设在边缘不成立，机器学习（ML）模型必须适应新环境。

换句话说，他们需要"边缘化"。在 2019 年，"真正"的边缘解决方案将使数据预处理和后处理从机器学习（ML）模型重新定位到复杂的事件处理器，将它们缩小 80% ，并使模型更接近数据源。这个过程称为边缘化，它将推动整体采用更强大的边缘计算和工业物联网应用程序。

闭环边缘到云计算机器学习将成为真正的运营解决方案

随着机器学习（ML）和人工智能算法变得"边缘化"，可以在传感器附近或物联网网关或其他工业计算选项内使用，关于如何训练和进一步迭代这些模型的最佳实践将会出现。

工业组织将发现，在实时流数据（包括音频和视频）上生成分析结果的边缘设备应定期向云端发送洞察信息，但只有那些代表异常活动的设备才能保证核心算法的转变。

这些边缘洞察增强了模型，显著提高了其预测能力。然后，调整后的模型被推回到一个恒定的闭环中，对不断变化的条件和规范做出快速反应，并生成更高质量的预测洞察，以改进资产性能和流程改进。

生产工业物联网应用程序将仅通过支持多云和混合云部署的边缘计算解决方案实施

混合云和多云解决方案将主导工业物联网的部署。最近的一份调查报告发现，混合云市场规模到2023年将达到97.64亿美元。随着工业组织希望将多云环境结合在一起，以提供更具成本效益的方法和灵活性，边缘解决方案与云计算无关很重要。

随着企业在构建边缘到云计算环境时寻求更大的灵活性和选择自由，供应商独有的解决方案可能会开始落空。Google、AWS、Microsoft、C3IoT、Uptake和其他领先的云计算提供商将与边缘计算公司建立更多合作伙伴关系，以帮助企业不断改进和扩展其产品。

物联网视频和音频传感器快速发展，推动了边缘深度学习的需求

关于音频和视频传感器可以为工业物联网带来的功能，业界对此十分关注。边缘计算技术可以在商业和工业物联网系统中进一步部署音频和视频数据中发挥重要作用。

资产数据与音频和视频分析的融合将允许更快、更准确的设备和机器维护（包括系统运行状况更新等），以及一系列新的创新应用。分析的一个例子是在石油和天然气生产设备中使用火炬监测来远程跟踪大量火炬塔台的环境合规性和火炬状态。

预防性维护让位于规范性维护

工业物联网边缘解决方案提供的一项重大承诺是预测性维护，可以深入了解未来连接资产（如制造设备或石油钻井平台）可能发生的情况。虽然许多组织仍然落后于预测性维护，但2019年将向早期采用者提供更先进的技术。

例如，电梯制造商希望了解常规问题，例如电梯门的摩擦。作为这项工作的一部分，Foghorn 公司曾合作创建预测性维护解决方案。通过分析源头处的传感器数据，他们现在可以提前很好地确定维护需求，而无需考虑成本、延迟、安全性，以及与建筑外部传输大量数据相关的其他问题。因此，它可以高效地在异常影响性能之前调度服务。

当规定性维护可用时，在制造商对电梯进行维护之前，他们将得到可用的数据，帮他们寻找到最可能需要维修的区域，并向维修人员验证可用于维修的专业知识、工具、部件。

规范性维护是企业向前迈进的一步，不仅可以预测问题，而且能够使用数据分析为其运营和维护提供注重结果的建议。