边缘计算（三）边缘计算与预测性维护

传统意义上的工业制造维护方式基本可以分为修复性维护与预防性维护。修复性维护即设备发生故障后再进行维修，这样首先是对生产计划的影响。其次，紧急维修所需的零备件以及人力成本，专业维护团队，再会带来故障维护的高昂费用等。

预防性维护 有计划的定期设备维护和零配件更换，通常包括保养维护、定期检查、定期功能检测、定期拆修、定时更换等几种方式。定期维护需要对设备进行停机整体检测、保养，耗时长，效率低；另一方面，多数依靠经验值，会带来新的故障风险。

我们此时期待一种以预测故障发生的时间，并实时、高效地对工业制造设备进行维护方式。在IOT和大数据成熟的时代，预测性维护应运而生。

当然，在预测性维护模式的应用过程中，会面临一些现实的问题。例如一台工程机械每天产生的海量数据如果被全部采集并上传到云端再进行分析处理，势必将会造成网络巨大的负荷，而且也很难满足关键业务的实时性需求。如何解决海量终端的联接、管理、实时分析处理，成为预测性维护模式能否落地的难题。

边缘计算以及基于边缘计算的物联网可以有效的构建预测性维护方案。首先是将边缘计算架构引入物联网领域。在靠近设备或数据源头的网络边缘侧，部署融合网络、计算、存储、应用核心能力的边缘计算网关和终端通信模块，为边缘计算提供包括设备域，网络域，数据域和应用域的平台支撑。设备域通过终端模块支撑现场设备的实时智能互联；网络域为系统互联、数据与承载提供实时联接及管理服务；数据域提供边缘数据聚合及优化服务，保障数据的隐私性与安全性；应用域则实现边缘行业应用本地化部署，支撑边缘业务运营；

赛博联物（CYBERIOT）基于这个架构，不同行业结合自身特点，合理适配预测性维护分子模型，实时进行数据清洗、数据分析并根据数据分析结果触发预定义的业务响应策略，能够在第一时间发现设备的潜在故障。

其次边缘计算与云计算协同工作。云计算聚焦非实时、长周期数据的大数据分析，能够在周期性维护、故障隐患综合识别分析，产品健康度检查等领域发挥特长。边缘计算聚焦实时、短周期数据的分析，能更好地支撑故障的实时告警，快速识别异常，毫秒级响应；此外，两者还存在紧密的互动协同关系。边缘计算既靠近设备，更是云端所需数据的采集单元，可以更好地服务于云端的大数据分析；反之，云计算通过大数据分析优化输出的业务规则也可以下发到边缘侧，边缘计算基于新的业务规则进行业务执行的优化处理。

有数据表明，采用预测性维护能给生产带来巨大的好处：

• 停机时间降低 40%

• 机器故障降低 70%

• 维护成本降低 50%

• 产量提高 25%

• 综合效益增益 20%