1. 工业边缘计算平台架构总览

工业边缘计算，是指在靠近设备、产线和现场控制器的位置，对工业数据进行采集、预处理、实时分析和本地决策的计算模式。它并不是把云平台简单“缩小”后搬到车间，而是围绕工业现场对确定性时延、数据本地化、协议多样性、长期无人值守等要求重新组织计算、网络与存储资源。典型场景中，一条产线的视觉质检需要在 20～50 ms 内完成图像推理并给出剔除信号，若把原始图像全部上传云端，网络抖动和带宽成本都会让方案不可行；而边缘平台可以在本地完成推理，仅把缺陷统计、模型置信度和异常片段上传，从而兼顾实时性与全局分析。

工业边缘计算的价值主要体现在四个层面：实时性——把控制与推理闭环压缩到毫秒级；带宽与成本——在本地完成数据过滤和聚合，减少回传量；可靠与连续——断网时仍能维持关键生产逻辑；数据安全与合规——敏感工艺参数不出厂区。与此同时，挑战也很具体：现场存在 Modbus、OPC UA、Profinet、EtherCAT 等多种协议；设备来自不同厂商，接口与数据模型不统一；车间温度、粉尘、振动和电磁干扰对硬件可靠性提出更高要求；平台还需支持远程运维、批量部署和长期稳定运行。

Intel 工业边缘计算平台架构通常按“设备层—边缘层—云/数据中心层”三层组织，并在边缘层内部进一步划分为边缘节点硬件、边缘运行时、边缘应用与编排、边缘管理与安全四个横向能力域。设备层包含 PLC、传感器、工业相机、机器人控制器等，通过现场总线或工业以太网接入；边缘层承担协议转换、数据清洗、实时推理、本地存储和断网续传；云层负责模型训练、全局数据分析和跨厂区协同。设计原则可以概括为：开放解耦（硬件、运行时、应用可独立演进）、实时优先（关键路径避免虚拟化抖动和跨节点绕行）、安全内生（从启动、传输到应用逐层校验）、云边协同（模型下发、数据回传、策略统一）、可运维（远程监控、批量升级、故障自愈）。

为了把架构落到可执行的项目中，本课程采用一个贯穿始终的教学场景：某电子装配车间的视觉质检与设备状态监测边缘平台。场景设定为一条 SMT 后段装配线，包含 2 台工业相机（分辨率 1280×1024，帧率 30 fps）、1 台六轴机器人、1 台 PLC 和若干振动/温度传感器。业务目标有两个：一是对连接器插针进行缺陷检测，要求单帧推理时延不超过 40 ms，误检率低于 1%；二是对机器人关节振动进行实时监测，采样率 10 kHz，需在本地完成 FFT 特征提取并判断异常。平台侧要求支持断网续传、远程模型更新和 7×24 小时运行。

在这个场景中，边缘节点选用 Intel Core i5 或 Xeon E-2300 级别处理器，搭配集成 GPU 或 Arc 独立 GPU 进行推理加速；运行时采用 Linux + 实时补丁 + Docker/K3s，推理框架使用 OpenVINO；协议侧通过 OPC UA 采集 PLC 数据，通过 GigE Vision 采集相机图像，通过 Modbus TCP 读取传感器。数据流上，相机图像在本地完成推理后，仅将缺陷坐标、类别和置信度写入本地时序数据库；振动数据在本地完成特征提取后，将异常片段和统计指标上传云端。这样既满足实时性，也控制了回传带宽。