工業互聯網邊緣智能發展現狀與前景展望

任姚丹珺，戚正偉，管海兵，陳磊

（1 . 上海交通大學電子信息與電氣工程學院，上海 200240；2 . 中國工程院戰略咨詢中心，北京 100088）

一、前言

隨著全球經濟競爭進一步激烈，新一輪信息產業變革興起；與消費互聯網相比，實體制造業面臨著生產運營成本高、產品附加價值低等問題，產業數字化和智能化變革刻不容緩[1]。快速發展的邊緣計算和人工智能（AI）技術正成為制造業全面轉型的重要推動力，工業發達國家紛紛制定制造業智能化升級發展戰略。隨著通用電氣公司、微軟公司、亞馬遜公司等諸多巨頭企業積極布局，美國已孕育出以Predix為代表的一批工業互聯網平臺[2]。德國立足雄厚的自動化生產基礎，率先提出“工業 4.0”戰略，積極規劃交通、醫療、能源、制造業等領域的創新發展[2]。日本、韓國、法國、瑞典等也推出了制造業轉型升級計劃，構建以數字化為基礎的生產發展模式以保持制造業優勢。我國作為制造大國，高度重視工業互聯網的發展，2020年國家發展和改革委員會首次明確“新基建”重點領域包括工業互聯網，指出工業互聯網建設是信息基礎建設的核心內容；一批制造業龍頭企業、互聯網公司、技術創新企業等開展工業互聯網前沿探索，在協同制造、產品全生命周期管理、用戶定制化等方向形成了多個工業互聯網平臺[3]。

工業互聯網產業起源于大國以產業升級為核心的博弈，依托開放互聯的全球化信息網絡平臺，工業互聯網推動工業生產、銷售、物料供應等流程各要素更加數字化、網絡化、自動化、智能化[4]。聯網設備數量急劇增加，隨之增長的數據總量為網絡資源帶來極大壓力，傳統的云計算模式在帶寬不足的情況下很難實時響應終端設備的請求[5]。推動云能力下沉、提升邊緣設備處理能力成為發展趨勢，而工業互聯網邊緣智能的興起將推動制造業深度挖掘數據價值，形成云-邊-端協同計算的整體架構，從而營造工業生產新生態[6]。

本文針對工業互聯網邊緣側智能化程度不斷提高的發展現狀，調研協同計算、資源隔離、隱私保護等工業互聯網邊緣智能的支撐技術；分析工業互聯網邊緣智能的代表性應用場景，探討工業互聯網邊緣智能的發展趨勢；提出我國工業互聯網邊緣智能的發展建議，以期為國家制造業智能化升級提供參考。

二、工業互聯網邊緣智能的定義與研究范疇

工業互聯網平臺是新工業體系的“操作系統”，通常分為現場層、邊緣層、基礎設施即服務（IaaS）層、工業平臺即服務（PaaS）層、應用層；國內主流廠商開發的工業互聯網平臺都參照類似范式[2]。邊緣層是平臺的基礎，承擔著接入現場層設備、協議解析、邊緣數據處理等任務。PaaS層提供應用開發平臺、工業微服務組件等功能。應用層包含面向企業傳統需求的軟件優化、面向特定場景的應用創新，是工業互聯網平臺價值的集中體現。

隨著萬物互聯時代的到來，聯網設備的數量急劇增長，產生的數據總量隨之增加，從端到云的數據傳輸會帶來巨大的帶寬壓力和能源消耗，使得傳統的集中式處理不堪重負，由此催生了邊緣計算并逐步向邊緣智能發展[7]。在對時間延遲更敏感、聯網設備更多、數據安全性要求更高的智能工廠中，邊緣智能的需求更為突出[8]。一般認為，未來智能工廠每天會產生1 PB以上的生產監控數據，由于檢測、控制、執行操作要求的時延一般小于10 ms，現行的終端-核心網-云端模式根本無法保障實時性要求；邊緣智能方案在邊緣即時處理和回饋結果給終端，有望將實時性、短周期業務的處理時延降低至1 ms [9]。邊緣智能的資源包括從終端到云計算中心傳輸路徑上的所有計算和網絡設備，因此能在近數據源側完成收集、分析與決策任務[3]。通過將云計算中心的存儲、計算、智能資源下沉到網絡邊緣側，推動智能應用從云端向邊緣遷移，邊緣智能方案有望滿足制造業在實時響應、智能應用、敏捷感知、需求多樣、隱私保護、數據海量且異構等方面的關鍵需求。

邊緣智能定義為：具備機器學習和高級網絡功能，在網絡邊緣節點處理和存儲數據的高級邊緣計算[8]。需要指出的是，邊緣計算與云計算并非相互替代的關系，而是通過協同來高效利用終端-邊緣-云端路徑上的所有計算和存儲資源，全面提升數據處理能力，促進工業智能應用的落地與推廣。邊緣智能將有效應對當前工業互聯網發展面臨的諸多挑戰（見圖1）：業務需求多樣，單一計算模式無法滿足各類應用的特定要求；業務數據海量且異構，需要實時管理多種數據流；原有生產設備缺少內置安全機制，存在隱私數據泄露的風險等。

三、工業互聯網邊緣智能發展現狀

（一）工業互聯網邊緣智能的關鍵技術

1. 協同計算

協同計算方案一般按參與計算的主體分類（見圖2），包括由云計算中心、邊緣節點協同的云邊協同，由邊緣控制器、網關、邊緣云等多種邊緣設備協同的邊邊協同。目前工業界探索較多的是云端-邊緣協同計算，按各自承擔的計算任務進一步劃分為預測-訓練云邊協同、云導向的云邊協同、邊緣導向的云邊協同[10]。邊邊協同計算是新興的研究方向，相較于云邊協同，在進一步保護用戶隱私數據的同時，又避免“數據孤島”現象[8]。

在訓練-預測云邊協同中，云計算中心匯聚邊緣設備的上傳數據，對AI模型進行集中訓練和更新；邊緣設備承擔數據入口、推理結果出口的任務，應用于視頻檢測、設備工況預測等方向，獲得成熟的框架支持[11]。在云導向的云邊協同中，云計算中心除了負責模型的訓練和更新，還承擔一部分模型推理的計算任務；需要對模型選取合適的切割點，平衡計算和通信開銷，如Kang等[11]提出基于DNN模型各層的時延估計來確定滿足目標的最佳模型分割點。在邊緣導向的云邊協同中，邊緣設備除了承擔模型推理和數據收集任務，還承擔在本地或近鄰設備上訓練和更新模型的任務。

邊緣-邊緣協同計算是當前協同計算的研究熱點，如McMahan等[12]提出的聯邦學習綜合考慮了隱私性、服務質量、通信開銷等多種因素，不直接上傳在邊緣收集到的數據，而在本地訓練后向云端上傳更新的參數。自治學習則更為關注邊緣節點用戶的定制化需求，通過數據增強、運行時緩存、模型壓縮等機制，使訓練任務分配到資源受限的邊緣或終端設備，據此完成所有與隱私數據相關的計算并提高隱私保護能力[9]。

2. 資源隔離

邊緣智能的穩健發展離不開資源隔離技術。隔離技術通過對計算、存儲、網絡等資源的統一管理，避免了單一程序的崩潰可能對整個系統穩定性的影響，從而保證服務的質量與可靠性。海量的物料、半成品、終端、邊緣設備的參與，使工業互聯網場景變得極為復雜：在流水線生產中，生產控制任務和設備狀態監控任務一旦相互干擾，可能導致整條生產線停工；在汽車配件定制化生產中，配件制造跟蹤數據的傳輸將顯著增加用戶隱私、核心技術參數泄露的可能性。

虛擬機（VM）技術的發展開啟了云計算時代，但基于VM的虛擬化技術不夠輕量，通常啟動一臺虛擬機需要數分鐘的時間，不能滿足邊緣場景的實時性要求。容器（Docker）作為下一代虛擬化技術，對啟動開銷進行了重大改進，支持應用程序在基于操作系統的虛擬化隔離環境中運行；通過分層鏡像，打包和分發應用只需毫秒級時延，額外資源開銷很小，成為邊緣系統中實現隔離的首選[8]。目前，以Docker為主的容器技術、以Kubernates為主的容器編排技術已較為成熟[13]，EdgeX Foundry、Azure IoT Edge、KubeEdge等邊緣計算架構都納入了容器封裝功能。在場景復雜、資源受限、開發工具和語言多樣的工業互聯網邊緣場景下，通過容器技術封裝工作負載具有良好的可行性。

圖1 工業互聯網邊緣智能研究范疇

3. 安全傳輸與隱私保護

制造企業得益于工業互聯網平臺帶來的生產高效化、決策智能化的同時，也面臨著數據泄露、機密暴露、內部網絡安全性下降等威脅。工業互聯網平臺的邊緣節點和云數據中心的安全性都是值得關注的問題。

當前，主流的工業互聯網平臺依舊通過租用公有云、搭建私有云或綜合兩者使用混合云的方式來存儲持久化數據[14]。然而，云端數據中心并不可信，傳統數據中心可能遭遇的問題在工業互聯網場景下會帶來更嚴重的后果；一旦云服務提供商不當操作造成數據泄露，相關的制造企業及其上下游企業都可能利益受損。為了保證數據安全，研究者提出在云端以密文形式存儲用戶數據，如Rivest等 [15]提出的同態加密算法允許直接對密文進行特定的代數運算（見圖3），使密文運算得到的加密結果在解密后與明文進行相同運算的結果具有一致性，這為傳輸和處理用戶數據都提供了保障。已有研究工作[16]探究了將同態加密算法應用到一些機器學習算法（如決策樹、支持向量機）的訓練過程，如Nandakumar等 [17]進一步將同態加密應用到深度學習，但該方案不支持卷積層運算，在訓練效率和模型精度方面都不盡如人意。

由于依托的硬件資源遍布在網絡連接的路徑上，邊緣智能天然具備分布式特征[8]，與分布式存儲方案相輔相成。相較于集中式存儲，分布式存儲能有效緩解工業設備采集數據傳輸帶來的帶寬壓力大、響應實時性差、傳輸能耗大、數據安全性下降等問題。目前應用較廣的分布式存儲協議是星際文件系統（IPFS），其本質是為分布式持久化存儲和文件共享發展網絡傳輸協議[18]。當用戶請求數據時，IPFS系統基于搜索內容而非傳統的基于域名來確定數據的存儲節點，從分布式節點而非數據中心上獲取數據，從而節省近60%的帶寬并提高傳輸安全性。為了像傳統云服務一樣形成固定的盈利方式，IPFS協議下的Filecoin項目新建了激勵機制，服務提供方和服務使用方基于Filecoin代幣對檢索和存儲服務進行交易，從而形成穩定的計費方式，促進分布式存儲和邊緣計算的進一步發展。

（二）工業互聯網邊緣智能的應用

隨著工業互聯網產業的發展，邊緣智能與實際應用深度融合。工業互聯網的功能已經從數據的統一接入管理，朝著智能化分析和決策、工業機理的沉淀集成和創新改進、組件化和圖形化分析等方向演進。在芯片、5G、協同計算、容器化、分布式等技術的推動下，出現了如預測性維護、機械臂控制、工業增強現實（AR）等新型應用。這些應用對前文所述的協同計算、隔離技術、隱私保護等的依賴關系如表 1所示。預測性維護、機械臂控制、工業AR都離不開隔離技術的支持，一方面隔離技術能夠保證各類智能應用在邊緣設備上運行時彼此互不干擾；另一方面，隔離技術提高了對邊緣資源的利用和調度效率，使得新興應用以更低成本實現落地。

圖2 邊云協同計算、邊邊協同計算示意圖

1. 高價值設備的預測性維護有效提高設備可用性和經濟效益

設備管理服務，如預測性維護是工業互聯網場景下最廣泛的需求之一。現代化流水線制造環節的生產設備通常具有非常復雜的零部件結構，一旦某一生產環節出現問題，可能導致整條流水線的生產效率下降，甚至引發停工。邊緣智能技術通過對設備運行狀態的實時檢測，調用基于工業大數據的AI模型對生產設備可能的工況狀態、潛在的故障模式作出推斷，使預測性維護成為了可能。現有的預測性維護如國產邊緣智能計算物聯網（EC-IoT）方案 [7]，采用邊緣網關負責設備聯通和數據預處理業務，在本地對實時數據進行預分析，只將與結果相關的少量高價值數據上傳到云端；從應用效果看，EC-IoT幫助生產企業減少了超過70%的業務中斷事件，使維護和運營成本下降了50%。現有的預測性維護大都采取了云端訓練模型并聚合數據，邊緣預處理數據并上傳的邊云協同方式；但邊緣還可利用數據的局部性進行本地增量訓練模型等方式來進一步提升性能，同時分布式存儲部署到邊緣設備來節約云端存儲資源和傳輸數據所需帶寬。

2. 高精度機械臂使“機器取代人力”成為現實

隨著人力成本的上升，企業制造的附加值下降；在工業互聯網迅速發展的背景下，生產過程的自動化程度不斷提高，“以機器取代人力”具有可行性。工業機械臂指通過模擬人手臂、手腕和手功能完成工業制造某些工序的機械裝置，已有產品可以執行“硬性加工”任務（如切割、焊接等）[6]。先進計算機視覺技術使得機械臂控制精度達到0.01 mm，5G傳輸和邊緣側智能計算使得偏差檢測、二次規劃、姿態調整等步驟的時間延遲滿足工業制造需求（＜ 10 ms）[8]。目前，工業機器人、數控機床部署智能算法已經有初步的落地應用，如ADMOS平臺通過集成數控機床行業龍頭德瑪吉森公司提供的應用程序接口（API），將機器學習算法部署至機床軟件，實現了基于溫度智能計算刀頭位移的補償需求。此外，考慮到單個制造環節往往有多個數據采集點，可以融合邊邊協同計算，共同完成單項智能業務的計算需求，支持系統執行更精細的任務。

圖3 基于同態加密的端到端加密計算示意圖

表1 邊緣智能關鍵技術與典型應用的關系

3. AI與工業場景的深度融合催生工業AR

工業AR是以AI算法輔助工業制造為特點的新興場景。現代高精度機械裝備由數量眾多的復雜零部件構成，一旦裝配過程發生問題，僅靠裝配工人的記憶很難獨立執行繁瑣的裝配步驟。集成工業AR的輔助眼鏡，借助終端和邊緣的計算資源在裝配過程中智能識別零部件，通過文字、動態影像指導佩戴眼鏡的裝配工人開展組裝；美國波音公司將之應用到飛機生產線上，減少了50%的裝配錯誤，將裝配耗時降低至原來的75% [4]。工業AR還能應用于遠程故障排查，無需資深專家到達現場，而由現場維護人員佩戴AR眼鏡并與技術專家、專業團隊連線，共同完成遠程檢修。

邊緣智能用于工業互聯網場景，在性能改善、減少操作成本和保障數據安全上有一定優勢。工業生產常見的狀態跟蹤、缺陷檢測、預測性維護等需求，在近數據源處獲得智能處理，可以保證響應的實時性；在邊緣處理和存儲數據具有多重優勢，在現有云模式的數據安全保護方案基礎上，結合分布式存儲和邊緣智能計算將進一步提高隱私數據的安全性。

四、工業互聯網邊緣智能發展趨勢展望

盡管邊緣智能在工業互聯網實際場景中存在巨大的實用潛力，但仍處于發展初期，距離大規模落地實施還需要突破多項挑戰。工業互聯網邊緣智能未來發展將圍繞實際需求和新興產業，在各方參與者的推動下盡快固化商業模式，支持制造業的深化改革、工業互聯網的規模化應用（見圖4）。

（一）業務需求驅動技術創新

工業生產的實際業務需求始終是工業互聯網邊緣智能產業的核心驅動因素。當前，工業互聯網邊緣智能的參與者多為龍頭制造企業、大型信息技術企業，前者推出滿足自身生產需求的示范應用，后者利用技術優勢為行業典型案例提供解決方案；行業發展主要依靠上游供給方推動。未來，數量眾多的中小型制造企業將成為需求的主要提出者，提供更豐富的工業生產場景需求，驅動邊緣智能方案供應商發展更適合規模化落地的創新應用，促進工業互聯網邊緣智能發展成果覆蓋更多更細分的制造業門類。

（二）新興領域產業蓬勃發展

工業互聯網邊緣智能的發展將帶動產業鏈各環節的同步興起。過去，我國在工業機器人、工業傳感器、智能設備上基礎薄弱，與國際領先水平存在一定差距。隨著邊緣智能興起和發展，國內廠商有望抓住新興需求對傳統解決方案革新的機遇，推動自主產品與5G、AI等技術的融合，縮小產品性能差距，提升智能裝備、工業機器人、傳感器的國產化率。在制造企業深度挖掘數據價值的背景下，配置計算模塊的邊緣智能控制器、邊緣智能網關將豐富工業智能應用的適用場景。

（三）“產學研用”聯盟作用凸顯

邊緣智能產業的參與者已經形成一些相關產業聯盟，穩步推進的標準化工作將有效提升邊緣設備的通用性。鑒于工業生產設備種類龐雜、異構標準數量繁多的現狀，在數據傳輸、業務建模、協議轉換、安全防護等多個層面形成高質量的標準將是未來趨勢。通過構建“產學研用”多方參與的聯盟，顯著加快邊緣智能標準的制定、應用、推廣進程，有助于打通產業鏈上下游企業的合作，使得面向工業生產場景的商用邊緣智能解決方案穩妥落地，為制造業轉型發展提供新動力。

（四）商業模式提供積極反饋

邊緣智能通常作為工業互聯網平臺整體解決方案的有機組成部分而存在，很難量化其對工業生產產能提升、成本降低的作用，因此相應商業模式還處于探索階段。根據不同的業務提供方，商業模式可能各有不同：邊緣智能運營方可與業務提供方收取最終用戶的費用并按約定比例分成，如汽車配件定制業務；借鑒云服務的收費模式，根據邊緣智能平臺接口的調用情況和使用量進行計費可能是未來的主流模式；根據方案對業務的優化提升百分比或服務訂閱時長進行收費也是可能的商業模式。目前各類邊緣智能運營商正在對收費模式進行探索，“自主造血”的商業模式將對工業互聯網邊緣智能產業提供積極反饋。

圖4 把握新興機遇構建領域生態示意圖

五、對策建議

（一）完善行業標準體系，提升關鍵技術研究水平

工業互聯網邊緣智能參與主體眾多，連接的設備種類繁雜，建立行業標準體系有助于產業鏈上下游企業的協同。通過加強溝通、深化合作，整合并充分利用國內外工業互聯網邊緣智能相關企業、研究機構的優勢資源，重點突破云端-邊緣-終端協同計算架構、系統安全性技術、異構計算池和資源隔離技術等，充分提升邊緣智能關鍵技術和通用解決方案的發展水平。推廣相關的前沿研究成果，形成應用示范效應，優選出受市場認可的通用標準和規范，從而促進行業技術標準體系的不斷發展與完善。

（二）投資建設基礎共性平臺，深挖數據價值

現有工業平臺應用集中在資產和運維優化方向，應進一步加強工業互聯網平臺在經營管理優化、資源匹配協同等更復雜場景下的數據分析能力。建議政府、高校、科研機構加大針對AI、邊緣框架、5G等基礎共性技術的資源投入，支持開發者社區和開源項目建設，形成可復用的通用模塊，避免重復建設，整體性提高工業互聯網應用的開發效率；在與具體場景相關的大型和特色制造企業成立技術專項，建立面向特定行業、特定應用的研究中心，打造凸顯數據價值的殺手級工業應用程序（APP），向中小企業輻射技術價值。

（三）營造產業生態，推動細分行業快速發展

工業制造規模龐大且門類細分，產業發展依賴于行業協會、聯盟的組織和引導，往往圍繞龍頭企業形成地區產業集群。建議行業協會、龍頭企業積極組織行業趨勢研討會，廣泛邀請企業家、技術專家開展行業動向講座交流，促進行業內部的溝通合作。在重點企業或政府機構的牽頭組織下，重點關注本地區垂直行業的需求、單一業務場景下的跨行業需求，合作完成工業互聯網邊緣智能的細分行業解決方案，為降本增效提供明確的客戶價值；引導相關產業集群提升整體競爭力，協同推進產業生態成熟。

（四）培育工業邊緣智能方向的人才隊伍

工業領域的場景、邏輯存在特殊性，多學科、多領域知識交叉滲透是工業互聯網邊緣智能方向的顯著特征。培養一批既對制造業轉型有深刻理解、又具備信息技術研發能力的高端復合型人才是當務之急。高等院校、科研院所積極調整并增設融合工業制造、AI等知識體系的前沿交叉專業，在重大項目、重點方向上加強與企業的合作研發；立足實際生產需求，鼓勵原始性創新，在實際工業應用中孵化創新成果。建立健全成果認定機制，合理激勵領域人才對智能應用、工業機理、關鍵技術等方面的貢獻，鼓勵相關創新人才在實際場景下發現并解決瓶頸問題。