در پس زمینه پیشرفت مداوم تولید هوشمند، محاسبات لبه، به عنوان یک فناوری کلیدی پل زدن بر روی-حسگر سایت و تصمیم گیری در سطح بالا-، از یک نقش کمکی به یک نیروی هسته ای تبدیل می شود که از کنترل-زمان واقعی و انتشار ارزش داده پشتیبانی می کند. با نزدیکتر کردن قدرت محاسباتی به دستگاهها یا دروازههای نزدیک به منبع داده، جمعآوری، پردازش و پاسخ دادههای محلی را قادر میسازد، به طور موثری به نقاط درد ناشی از تأخیر بالا، مصرف پهنای باند زیاد، و خطرات متمرکز حفظ حریم خصوصی در مدلهای رایانش ابری سنتی رسیدگی میکند و پایهای محکم برای چابکی و هوشمندی سایت تولیدی فراهم میکند.
یک مزیت کلیدی محاسبات لبه در تضمین عملکرد{0}زمان واقعی آن نهفته است. در خطوط تولید با سرعت بالا، داده هایی مانند لرزش تجهیزات، دما، و تصاویر باید فوراً تجزیه و تحلیل شوند تا دستورات کنترلی فعال شوند. اگر همه دادهها برای پردازش دوباره به ابر ارسال شوند،-تأخیر رفت و برگشت اغلب الزامات پاسخ سطح میلیثانیه{5}}را برآورده نمیکند. گره های لبه می توانند استخراج ویژگی، تشخیص ناهنجاری و کنترل حلقه بسته را به صورت محلی انجام دهند و از اجرای دقیق عملیاتی مانند تنظیم پویا پارامترهای پردازش، اجتناب از موانع روبات، و رهگیری فوری نقص کیفیت اطمینان حاصل کنند. به عنوان مثال، در سناریوهای ماشینکاری دقیق، محاسبات لبه می تواند روند سایش ابزار را شناسایی کند و در عرض میلی ثانیه به ابزارهای یدکی سوئیچ کند و از ضایعات دسته ای به دلیل تاخیر جلوگیری کند.
در سطح حاکمیت داده، محاسبات لبه می تواند فشار پهنای باند شبکه و هزینه های ذخیره سازی ابر را کاهش دهد. حجم انبوهی از زمان-دادههای سری و جریانهای تصویری تولید شده در سایت تولید، پس از تمیز کردن، فشردهسازی، و{2}}فیلتر شدن در لبه، فقط خلاصههای کلیدی یا رویدادهای غیرعادی را آپلود میکنند و اطلاعات مورد نیاز برای تصمیمگیری را حفظ میکنند و در عین حال از انتقال اضافی دادههای نامعتبر جلوگیری میکنند. به طور همزمان، پارامترهای فرآیند حساس و دادههای با کیفیت را میتوان به صورت محلی ناشناس و رمزگذاری کرد، که خطر نشت دادهها را در حین انتقال شبکه عمومی کاهش میدهد و الزامات انطباق با امنیت دادههای صنعتی را برآورده میکند.
از نظر معماری فنی، محاسبات لبه یک ویژگی "ابر{0}}لبه-دستگاه" مشترک را نشان می دهد. دستگاه های لبه مسئول جمع آوری داده های چندوجهی و پیش پردازش اولیه هستند. سرورهای لبه یا دروازهها وظایف-تحلیل زمان واقعی، استنتاج قوانین و{4}}ذخیرهسازی کوتاه مدت را انجام میدهند. ابر بر روی چرخه{5}داده کاوی طولانی، آموزش مدل، و بهینه سازی جهانی تمرکز دارد. این سه جزء از طریق یک پروتکل یکپارچه و پلتفرم زمانبندی با هم کار میکنند و پیوندی یکپارچه از-کنترل تا تصمیمگیری کلان-میسازند. برای مثال، یک مدل بازرسی بصری آموزشدیده در فضای ابری میتواند در گرههای لبهای برای استنتاج سریع{11}بهصورت محلی مستقر شود، و پارامترهای مدل را میتوان بهطور پیوسته بر اساس بازخورد خط تولید بهینهسازی کرد و به یک حلقه بسته از تکرار الگوریتم دست یافت.
در حال حاضر، با ادغام 5G و اینترنت صنعتی اشیاء (IIoT)، انعطافپذیری استقرار و چگالی توان محاسباتی محاسبات لبه به طور مداوم در حال بهبود است و سناریوهای جدیدی مانند پردازش تطبیقی، نگهداری پیشبینیکننده توزیعشده و زمانبندی مشترک-کارخانهای را به وجود میآورد. محاسبات لبه بهعنوان «پایانهای عصبی» تولید هوشمند، نه تنها چابکی-پاسخ در سایت را افزایش میدهد، بلکه تکامل سیستمهای تولیدی را از پاسخ غیرفعال به هوش فعال از طریق-انتشار ارزش داده در سایت، تزریق شتاب مستمر به توسعه{{5} کیفیت بالا، ارتقاء میدهد.
