答:边缘AI和云端AI在工厂不是二选一,而是"边缘管实时闭环、云端管全局优化"的分工关系,前提是数据要分层治理、时间戳对齐、边缘侧具备断网续传能力。没有这个数据基础,两边各跑各的,配合就是空话。
一、先分清各自该干什么
边缘AI跑在产线工控机、边缘网关或一体机上,负责毫秒到秒级的活:视觉质检判定、设备振动异常报警、PLC联锁保护、AGV避障。这类任务对延迟敏感,典型要求响应在50毫秒以内,断网也必须能继续跑。云端AI负责跨产线、跨工厂的活:多工序质量根因分析、设备预测性维护模型训练、排产优化、能耗调度。它看的是历史全量数据和多个数据源的相关性,不追求实时。建议从任务的时间尺度入手划分边界——秒级以下归边缘,分钟级以上归云端,中间地带用边缘推理加云端定期更新模型的方式过渡。
二、数据基础的第一层:边缘侧要能"就地算、就地存"
边缘节点不能只做透传。它需要具备本地缓存能力,断网时至少保留数小时到数天的原始数据,恢复后按序补传,否则云端模型会丢样本。采集侧要统一时钟源,常用PTP或NTP对时,保证振动传感器、视觉相机、PLC事件的时间戳能对齐到同一基准,误差控制在毫秒级。某电子厂的假设场景里,贴片机报警和AOI判定如果时间戳差几百毫秒,根因分析就会指错工序。
三、第二层:数据模型和标签要统一
云端训练模型用的字段定义、单位、采样频率,必须和边缘推理时一致。建议在工厂侧建一套轻量的数据字典,把设备点位、工艺参数、质量标签的命名规范固定下来。边缘侧产生的判定结果要回传云端作为标签,形成"边缘推理—人工复核—标签回流—云端再训练—模型下发"的闭环。这个闭环的频率不用高,按周或按月更新即可,但通道必须通。
四、第三层:带宽和协议要算清楚
视觉类数据原始视频流不适合全量上云,边缘侧做抽帧、做特征提取后再传,典型做法是只传判定结果加关键帧图片。设备数据用MQTT或OPC UA采集,边缘侧做聚合和降采样。假设一家汽配企业有200台设备,每台每秒10个点位,原始上行压力不小,边缘聚合后上行量可以降一个数量级。
相关追问:边缘AI的模型怎么更新?答:云端训练好后通过镜像或模型文件下发到边缘节点,采用灰度发布,先推一条产线验证再全量,边缘侧保留上一版本用于回滚。
相关追问:数据不出厂合规怎么处理?答:敏感工艺参数可在边缘侧脱敏后再上云,只传特征和统计量,原始数据留在本地。
相关追问:老设备没有数据接口怎么办?答:加装振动、电流、温度传感器做外挂采集,通过边缘网关协议转换后接入,不必改造原控制系统。
适合与不适合的边界:适合产线数量多、质量波动需要跨工序追根因、设备维护成本占比高的工厂;不适合单机台、数据量极小、或者连基础网络和时钟同步都没做的场景——这种情况下建议先把采集和对时做扎实,再谈边缘与云端的配合。判断下一步该关注什么,就看三件事:边缘节点有没有本地缓存和断网续传、全厂有没有统一时间基准、边缘判定结果有没有回流成标签。这三条不具备,配合方案落地会打折扣。