پردازش لبه در مقابل تجزیه و تحلیل ابری برای داده های ابزار دقیق: ایجاد تعادل مناسب

در دورانصنعت 4.0واینترنت صنعتی اشیا (IIoT)، سیستم های ابزار دقیق دیگر جمع آوری کننده های داده غیرفعال نیستند. آنها شرکت‌کنندگان فعال در یک اکوسیستم متصل هستند و جریان‌های وسیعی از اندازه‌گیری‌های بلادرنگ را تولید می‌کنند.فشارو جریان به ارتعاش و ترکیب شیمیایی. چالش مهندسین و مدیران کارخانه در حال تصمیم گیری استکجابرای پردازش این داده ها:در لبه(نزدیک به منبع) یادر ابر(زیرساخت متمرکز و مقیاس پذیر).

پردازش لبه: هوش در منبع

پردازش لبهبه تجزیه و تحلیل و عمل بر روی داده ها به صورت محلی، در داخل یا نزدیک خود دستگاه ابزار دقیق یا در یک دروازه نزدیک اشاره دارد.

مزایا

• تأخیر کم- تصمیمات در میلی ثانیه گرفته می شوند، برای اینترلاک های ایمنی، محرک های تعمیر و نگهداری پیش بینی یا کنترل حلقه بسته حیاتی هستند.
• بهینه سازی پهنای باند- فقط نتایج یا استثناهای پردازش شده به بالادست ارسال می شوند و بار شبکه را کاهش می دهند.
• حریم خصوصی و انطباق پیشرفته- داده‌های حساس می‌توانند در محل باقی بمانند و به پیروی از مقرراتی مانند GDPR یا استانداردهای خاص صنعت کمک کنند.
• تاب آوری- حتی اگر اتصال ابری قطع شود، عملیات می تواند ادامه یابد.

محدودیت ها

• منابع محاسباتی محدود- دستگاه‌های لبه ممکن است فاقد قدرت پردازش برای تجزیه و تحلیل پیچیده یا آموزش مدل‌های هوش مصنوعی باشند.
• پیچیدگی تعمیر و نگهداری- به روز رسانی و ایمن سازی بسیاری از دستگاه های توزیع شده می تواند چالش برانگیز باشد.

Cloud Analytics: قدرت و مقیاس متمرکز

تجزیه و تحلیل ابریشامل ارسال داده های خام یا از پیش پردازش شده به سرورهای راه دور برای ذخیره سازی، تجمیع و تجزیه و تحلیل پیشرفته است.

مزایا

• مقیاس پذیری عظیم- به راحتی مجموعه داده های بزرگ را از هزاران دستگاه مدیریت کنید.
• آموزش تجزیه و تحلیل پیشرفته و هوش مصنوعی- پلتفرم های ابری می توانند مدل ها و شبیه سازی های محاسباتی فشرده را اجرا کنند.
• دسترسی جهانی- داده ها و بینش ها برای کاربران مجاز در هر کجا در دسترس هستند.
• تحلیل روند تاریخی- ایده آل برای نظارت و بهینه سازی عملکرد بلند مدت.

محدودیت ها

• تأخیر- برای حلقه های کنترلی با تأخیر بسیار کم مناسب نیست.
• هزینه های پهنای باند- انتقال حجم زیادی از داده های خام می تواند گران باشد.
• خطرات حاکمیت داده ها- محدودیت های نظارتی ممکن است محل ذخیره داده ها را محدود کند.

یافتن تعادل مناسب

در عمل،لبه و ابر مکمل هم هستندبه جای انحصار متقابل یک رویکرد ترکیبی اغلب بهترین نتایج را ارائه می دهد:

• کنترل بلادرنگ و فیلتر کردن در لبه- به عنوان مثال، تشخیص ناهنجاری در داده های ارتعاش و راه اندازی خاموش شدن فوری.
• تحلیل عمیق و آموزش مدل سازی در فضای ابری- به عنوان مثال، جمع آوری ماه ها از داده های حسگر برای اصلاح الگوریتم های تعمیر و نگهداری پیش بینی.
• استنتاج Edge AI با مدل‌های آموزش‌دیده در ابر– مدل‌ها در فضای ابری آموزش داده می‌شوند، سپس برای تصمیم‌گیری فوری در دستگاه‌های لبه‌ای مستقر می‌شوند.

مثال: ابزار دقیق در یک کارخانه شیمیایی

• لایه لبه: دبی سنج ها و فرستنده های فشار انحرافات را تشخیص داده و دریچه ها را در عرض میلی ثانیه تنظیم می کنند.
• لایه ابری: داده های فرآیند جمع آوری شده از چندین کارخانه برای بهینه سازی مصرف انرژی و استفاده از مواد خام تجزیه و تحلیل می شود.
• نتیجه ترکیبی: پاسخ های محلی سریع تر، به علاوه بینش های استراتژیک برای تصمیم گیری در سطح شرکت.

نتیجه گیری

برای سیستم های ابزار دقیق،لبه در مقابل ابرتصمیم یک انتخاب یا یا انتخاب نیست - بلکه در مورد استقرار دادن حجم کاری مناسب در مکان مناسب. پردازش لبه سرعت، انعطاف پذیری و حریم خصوصی را ارائه می دهد. تجزیه و تحلیل ابری مقیاس، عمق و دسترسی جهانی را ارائه می دهد. سازمان‌هایی که بر این تعادل مسلط هستند قفل را باز می‌کنندتعالی عملیاتی در زمان واقعیدر حالی که پایه ای براینوآوری بلند مدت.