設備監(jiān)控就是一非常典型的邊緣運算應用。設備停機對于工廠的損失是以每分鐘、每小時來計算，因此對于工廠端而言，必須在「分秒必爭」的狀態(tài)下掌握設備的運行狀態(tài)是否正常，往往等不起待數(shù)據(jù)傳回云端，再將異常結(jié)果傳回本地端的這個過程。

而將機器學習放到靠近資料源的設備前端來處里，卻可以省下資料往返云端的等待時間，讓異常事件預警更實時的反應，甚至于在無法確保有效網(wǎng)絡的情況下，也不用擔心監(jiān)控系統(tǒng)停擺。對于連續(xù)性生產(chǎn)的工廠而言，設備就是工廠的生存命脈，一旦停機損失相當龐大，業(yè)者粗估許多大工廠每年因異常停機損失就高達700萬~800萬元，甚至上千萬元。

為了降低停機風險，象是瑞典百年老牌金屬刀工具制造商Sandvik Coromant就將過去以云端分析的模式改采邊緣運算的架構(gòu)。微軟(Microsoft)執(zhí)行長Satya Nadella則是在2017年Build開發(fā)者大會上，首度展示這項Sandvik Coromant運用Azure IoT Edge的成果。

Sandvik Coromant主要生產(chǎn)各種工具機零組件，由于金屬切割作業(yè)非常精密復雜，所以工廠內(nèi)的生產(chǎn)設備造價動輒上百萬美元十分昂貴，因此Sandvik Coromant就在這些生產(chǎn)設備內(nèi)裝置傳感器搜集資料來分析，以進行預防性維護。

過往Sandvik Coromant的做法是將資料上傳至云端進行分析，但后來發(fā)現(xiàn)光是資料往返再加上異常預警的反應時間平均要花上2秒，對制造現(xiàn)場來說還是太慢，且萬一與云端之間的網(wǎng)絡發(fā)生異常后果更嚴重，預估每小時將損失可能超過數(shù)百萬美元。

在Sandvik Coromant開始采用邊緣運算架構(gòu)后，由于資料在本地端就可以直接進行處理、分析，因此也就加快了異常事件預警的反應時間，平均只須0.1秒就能反應，兩者相差了20倍。

在設備狀態(tài)監(jiān)控的應用中采用邊緣運算架構(gòu)，除了肩負在本地端扮演「末梢神經(jīng)」，針對異常進行實時反饋降低延遲外，對于傳感器所采集到的海量數(shù)據(jù)，在資料預處理上更能凸顯其所帶來的價值。

馬達是多數(shù)機械設備的運轉(zhuǎn)核心，因此要判斷機械設備是否故障，可以透過對馬達的振動信號進行偵測。振動更是設備故障的主要表征之一，不同種類的故障，會在振動的信號上呈現(xiàn)不同的表現(xiàn)，只要加以對振動信號進行監(jiān)測、分析和處理，就能夠隨時掌握設備的運行狀態(tài)是否正常，以及預測設備使用壽命等。

研華IoT嵌入式平臺事業(yè)群副理高信陽指出，為了偵測更細微的振動變化以達到零誤差的監(jiān)測，有時候越昂貴的設備，或是牽涉到工安的機械運轉(zhuǎn)，就會采用采樣頻率更密集的高階傳感器來采集訊號，但通常這類訊號的資料量非常龐大。

比起非工業(yè)用途的環(huán)境傳感器可能每3分鐘才采集不到1KB的資料量，高階的振動傳感器每秒可達到56KB的數(shù)據(jù)量，在時間累積下，這對云端運算來說絕對是個沉重的負擔，因此最理想狀態(tài)是在本地端事先透過邊緣智能設備進行資料預處理，包括從訊號中篩選關鍵資料再上傳，或是在本地端進行原始資料的轉(zhuǎn)換。

更何況，設備狀態(tài)所產(chǎn)生的訊號并非單純的資料格式，因此在本地端的邊緣智能設備必須在第一步先進行資料格式的轉(zhuǎn)換。例如將原先不易看懂的原始資料(Raw Data)轉(zhuǎn)換為以時間與頻率為底的時頻圖分析，方便使用者在管理平臺上透過儀表板呈現(xiàn)更好閱讀的圖象跟波型變化，借以掌握更精確的馬達細部行為模式與狀態(tài)。

而通常設備狀態(tài)監(jiān)控最有價值的部分就在于達到預防性維護。如果工廠累積一定的資料量時，后續(xù)就可以再利用這些時頻圖進行機器學習的建模，透過常態(tài)模型比對振動波形的變化，可以協(xié)助工廠找出如軸不對心或滾珠磨損等不同的故障形態(tài)，在問題擴大之前就提早解決，防患于未然，進一步從狀態(tài)監(jiān)控進階到預防性維護。

在工廠內(nèi)，邊緣智能設備能夠有效預防設備停機，更可以進一步成為工廠內(nèi)OT與IT系統(tǒng)的銜接橋梁。研華IoT嵌入式平臺事業(yè)群經(jīng)理王圣文表示，未來將有越來越多云端運算將部署在不同的自動化應用中，但當務之急是必須先集成各種工業(yè)平臺，讓自動化設備的管理更有效率。

象是在工廠自動化的核心技術(shù)中占有重要地位的運動控制，系針對機械運動的位置、速度等進行實時管理，使其按照預期的軌跡和規(guī)定的運動參數(shù)進行運動。此技術(shù)可應用在需要精準定位控制，或速度控制的產(chǎn)業(yè)機械如機器手臂，以及高精密度的各類CNC工具機。

傳統(tǒng)PLC控制器系以「控制」為核心，講求的是穩(wěn)定與速度，雖然可靠性高，但在軟件功能及系統(tǒng)開放性方面受限，例如PLC沒有接口可以直接觀察，往往需要外接HMI或PC才能與PLC溝通。但由于架構(gòu)不同，當使用者一方面希望達到PLC所帶來的實時控制效能，又希望能取得可視化的操作接口時，就必須額外花費一番工夫進行集成。

有賴于邊緣運算的帶動，諸多智能化的分析與管理將能夠更貼近本地端。例如在研華的設備實時管理解決方案里，便是在靠近本地端的邊緣設備上透過x86平臺搭配實時控制軟件，在Windows系統(tǒng)中透過雙核心處理另外搭建一個實時控制環(huán)境，對各種自動化設備進行實時性的溝通與控管。如此一來，使用者就可以在達到實時控制的要求下，又能同時以更好的使用者接口進行設備管理。