过去，在制造设施中，运营技术(OT)和信息技术(IT)扮演着非常独立的角色。现在，由于这一战略所具有的内在效率和竞争优势，这两个实体走到了一起。
(资料图)
挑战在于如何确保以优化、经济高效的方式进行IT/OT融合，而不会对正在进行的运营活动造成重大干扰，这正是边缘计算发挥关键作用的地方，特别是随着人工智能(AI)和机器学习(ML)的出现。
利用AI软件算法，可以在无需人工干预的情况下处理OT信息，并做出基于经验的决策。传统上，AI软件需要高水平的计算机能力，但边缘推理平台的出现，可以在更受约束的环境中使用AI训练算法的结果，使AI能够扩展到工厂车间。
一旦制造商可以加速其决策，就可以提高生产效率。将人工智能进一步引入到自动化过程中，也有助于解决劳动力老龄化所带来的挑战，因为流失的劳动力并没有及时得到新人才的补充。利用新的技术和算法，制造商可以用同样数量的工作人员，做更多的事情。
数字化检验的优点
举例来说，考虑典型制造过程的检查阶段。在生产环境中，有具有30至40年制造经验的人员，使用他们的经验来发现缺陷、异常和其它质量问题。然而，随着这些人员的退休，如果没有新一代的检查人员来代替他们，制造商如何保留和利用他们的知识经验?
AI和ML提供了一种解决方案：利用与新检验员培训类似的培训过程，将知识数字化。AI模型经过培训后，可以部署到边缘推理设备上，然后这些设备可以执行缺陷和质量评估，将信息反馈给培训服务器，以进一步调整和优化人工智能模型。
边缘推理平台提供的"数字化检验员"，可以永久保留经验丰富的运行人员的所有知识，并将其应用于检验过程，通常比手动检验能够提供更高的精确度。同时，人工检验员的角色，则被提升为分析结果数据和确定流程改进领域。
使用最新的AI和ML技术，再加上适当的培训服务器和推理边缘硬件可以实现数字化检验，而无需数据科学家或复杂的编程。相反，系统会在一个短暂的培训期内，了解什么是可接受和不可接受的样本。
由此产生的模型，可以同时部署到多个站点和生产线，进一步利用来自多个区域的检查团队的综合经验。持续运行该系统，会不断向培训服务器反馈信息，以不断提高的准确性完善边缘推理，最终实现近乎完美的决策过程。
那么，传统制造商如何利用这项技术并变得更"智能"，尤其是当许多生产设施位于"棕地"现场?通常，这比制造商想象的要容易得多。当然，有必要将网络连接到检查区域，并且需要摄像头来收集目视检查数据，但如果OT投资是最新的，这些要素通常已经就位。
边缘推理通常是一个相对简单的"即插即用"，提供图像捕获和AI推理算法，形成缺陷检测系统。培训服务器通常位于IT服务器机房内，它根据边缘反馈的数据不断完善模型，但可以安装在任何可以访问连接边缘推理设备网络的地方。
在很多情况下，该模型还使用从其它来源获取的信息，但系统基于标准的开放技术的性质，使其能够实施物联网技术层，结合边缘应用、通信协议和数据采集功能，从而实现"棕地"设施的数字化，并将其带入新的制造时代。
当欧洲第一次开始讨论工业4.0革命时，随之而来的问题是如何创建非专有的、开放的解决方案，以避免锁定供应商。最初的步骤是创造技术兼容性，并将其集成到一个开放和透明的环境中，以便实施进一步的创新。
大约6年前，当各组织讨论在生产环境中实施物联网的想法时，主要讨论的是制造商如何连接其机器和设备。与以前基于SCADA或MES应用的解决方案相比，它们如何提高分析水平?如何才能使更多的OT领域的应用，能够确保有吸引力的投资回报率?随着时间的推移，这导致了工业物联网越来越基于开放式PC技术的局面。
开放式架构降低了复杂性
虽然这对于OT领域来说是新事物，但对IT界来讲，已经熟练应用几十年了，已经了解通用架构、通信标准、管理工具和应用程序框架所具有的价值。随着开放式通信技术的发展，诸如OPC UA等技术越来越广泛地被采用，时间敏感网络和5G等新技术，克服了对专用实时设备的需求，使基于开放式PC技术的可能性也就越来越大。
反过来，这种开放式架构的采用意味着，在老旧的生产设施上创建技术层的概念比两三年前要简单得多。这是因为有许多技术将专有OT设备和系统集成到物联网领域。通信、协议和物理接口已变得更加标准化，与旧的专有OT设备相比，用于构建系统的开放技术平台正变得越来越商品化，因此投资变得更容易。
传统上，技术代表了商业应用的价值，但现在企业不再讨论技术兼容性，因为它已经兼容了。相反，他们讨论如何使用物联网技术优化端到端工作流，而不仅仅是一个独立的过程，以及如何利用员工的智力资本和经验，通过技术来丰富他们的角色，从而进一步增加组织的价值。他们越来越关心如何利用可以在整个企业边缘捕获和可视化的信息。
成功的关键在于利用最新工业物联网技术的开放性，减轻商业应用和边缘OT应用集成商的负担，降低部署新技术与整合现有应用的复杂性。
