20世纪50年代印刷电路板（PCB）的发明改变了自动化的世界。在印刷电路板出现之前，电子电路板都是手工组装的，这是一个艰苦的过程，极大地限制了全球的生产。如今，随着制造过程中仪表的引入和边缘计算的使用，工业正在经历另一个革命性的飞跃。

制造过程的仪表包括许多传感器和微控制器，它们可以根据传感器检测到的环境条件细微地改变制造条件。这些传感器产生大量的数据，但微控制器不能直接响应产生的数据。

用于制造仪表的传感器和微控制器基本上都是小型联网计算机。传感器将他们的数据发送到一个中心位置，然后在那里对数据进行分析。这些小型的、自主的计算机不是由人类实时监控的，而是物联网（IOT）的一部分。更具体地说，在制造环境中，它们是工业物联网（IIOT）设备。

IIOT设备用于任何数量的环境中，如果人类每次都不能可靠和/或准确地完成工作，那么就很难完成这些工作。例如，焊接检查。焊接是许多电子产品生产线的组成部分，对最终产品的功能性和耐久性至关重要。

不幸的是，制造商被要求在越来越小的部件上进行焊接，约束越来越严格。为了保护部件，必须在尽可能低的热量和尽可能小的电荷下进行焊接。

有助于改进这一过程的IIOT设备包括热量、电压和压力传感器，以帮助确定在当前环境条件下进行焊接所需的最小电流。IIOT摄像头还可以为机器学习型视觉焊接检查系统提供信息，以验证焊接是否令人满意，即使它们太小，人眼看不见；这只是一个开始。

制造仪器可以使任何制造业不仅仅是电子制造业——更精确，生产误差更少，所需人员更少。不幸的是，这种仪器并不容易，特别是考虑到现代制造供应链的复杂性。

信息技术（IT）团队几十年来一直在使用仪器。在软件中构建传感器的成本不如在硬件中构建传感器的成本高。因此，各种各样的操作系统、应用程序和IT设备上都堆满了传感器。正因为如此，自现代微型计算机出现之前，IT团队就一直在努力处理他们所产生的数据量。

在现实世界中，任何仪器化的基础设施产生的信息都比单个人可能处理的信息多。即使是大型的人类团队，也不能指望他们对即使是适度的IT基础设施所发出的所有数据进行梳理。整个规程都存在于IT领域中，专门用于使IT工具发出的数据易于理解。技术和技术范围从简单的过滤器到复杂的人工智能（AI）和机器学习（ML）技术。

直到最近，对于大多数IT团队来说，这已经足够好了。信息将被收集并发送到一个中心位置，数字将被处理，只有重要的数据被转发给系统管理员。如果这需要几秒钟或几分钟，那是可以的；短暂的IT中断通常是可以接受的。

但是，随着世界各地的组织越来越依赖于它们的信息技术，对仪器设备采取行动所需的可接受时间显著减少。对于许多组织来说，今天可接受的反应时间远远低于人类可能实现的反应时间。因此，在更先进的组织中，现代IT系统使用功能强大的AI和ML套件，使其IT基础设施对传感器数据报告的变化做出反应，而人类管理员甚至还没有意识到存在问题。

现代制造商，正如人们可能想象的那样，寻找能够比人类更快反应的制造仪器解决方案。虽然阅读传感器并告诉人类已经出现的问题是有帮助的，但它远不如实时响应传感器数据那么有帮助。

两者的区别在于，IT工具相对容易：一种是从已经完全数字化的设备上收集有关IT基础设施和应用程序的数据。制造仪器更具挑战性。用于制造仪器的iiot设备收集有关物理世界的数据。这意味着收集模拟数据并将其转换为数字，这是另一个完整的球类游戏。物理传感器需要校准，随着时间的推移，它们会磨损。物理传感器通常也部署在集群中，以便群体感应成为可能。

群体感应使用多个独立的传感器来补偿校准漂移或传感器故障。如果集群中的一个传感器报告的数据与它的伙伴不一致，它可以被忽略和/或标记为重新校准。这使得制造业可以继续使用已知良好的传感器，直到故障传感器可以重新校准或更换。

模拟传感的复杂性，加上对传感器数据实时响应的迫切要求，给制造仪器带来了现实挑战。

IT团队必须处理许多不同和困难的计算需求。IT供应商开发的解决方案的一个例子是云计算。

云计算允许组织通过按钮访问看似无限的IT基础设施。虽然云计算背后的原因众多且复杂，但也许较重要的一个原因是云计算允许IT团队在不必管理或维护底层IT基础设施的情况下操作IT工作负载。云提供商为他们处理这一部分。

事实证明，云计算对于批量数据计算分析（BDCA）工作负载非常有用。有许多类型的BDCA工作负载，包括AI、ML、大数据等；收集大量数据并随后需要分析的任何内容都是BDCA工作负载。在过去的几年中，云计算已经成为大多数新的BDCA项目的目标。

云计算用于BDCA工作负载的原因之一是云爆发的概念。云工作负载，例如用于分析大型数据集的计算工作负载，只能根据需要和所需的任何规模进行分解。这很适合BDCA工作负载，因为大多数BDCA工作负载只需要在一个设定的时间表上生成分析。月末报告在这里是一个流行的用例。

不幸的是，规模经济意味着传统的公共云位于中心位置。这使得公共云供应商能够将其数据中心定位在成本最低的位置，并简单地构建真正的、真正的大数据中心。虽然这对于按计划运行的批处理作业类型的BDCA工作负载很有用，但对于需要实时响应的工作负载来说，这并没有什么帮助。

为了解决这个问题，开发了边缘计算。

边缘计算可以被认为是云计算，但在其他人的数据中心。边缘计算的发展是因为IT团队的工作负载需要传统公共云计算无法提供的低延迟响应。IT团队完全有能力创建这样的基础设施，但他们根本不希望自己处理这些基础设施带来的负担和麻烦。

经过深思熟虑，决定为了满足这些客户的需求，公共云提供商将服务器安装到相关组织的数据中心。这使得这些组织的IT团队能够执行工作负载，在他们看来，这些工作负载与公共云提供商为他们创建的区域完全相同，但与其他工作负载位于同一局域网（LAN）上。

这些“边缘计算”服务器允许物联网传感器数据的处理和处理速度远远超过了数据必须通过互联网传输到公共云数据中心、进行处理，然后将结果传回互联网的速度。边缘计算正在实现许多新技术，包括无人驾驶汽车。

无人驾驶汽车是一个很好的例子，在这种技术中，等待数据是不可能的。云计算可以帮助无人驾驶汽车收集特定区域内所有汽车的传感器信息，处理数据，并向这些汽车发送一张地图，显示每个人和所有东西在给定半径内的位置。这可以让这些车在拐角处看到，使它们更安全。

然而，即使在光速下，将信息从汽车发送到公共云端并再次返回也可能需要四分之一秒的时间。当涉及到汽车时，人们可能在一刻钟内死亡。因此，将处理过程移近汽车，比如说，通过将相关服务器定位在汽车将要尝试在复杂的城市环境中导航的几个街区内，就可以实现否则不可能实现的技术。

同样，制造业也可以利用边缘计算来实现所需的仪器。然而，与通常情况一样，制造业也有其自身的曲折，不仅使边缘计算对过程更为重要，而且还面临着各种必须克服的挑战。

边缘计算与制造企业的关联性的一个共同点在于需要实时响应。在快速生产线上，当试图使制造缺陷接近零时，可以利用传感器集群。如果单个传感器出现故障，传感器组可以进行仲裁检测，然后重新校准。但是，重新校准必须非常迅速，以避免中断生产线。

如果通过互联网发送传感器数据需要100或250毫秒，那么在线产品可能会丢失，或者设备可能会损坏。但是，如果数据可以在本地处理，大约需要5毫秒，那么制造商可以实时重新校准传感器和/或根据环境条件更改制造设备设置。

边缘计算的有用性背后的另一个原因并没有被很容易地讨论，那就是在制造仪器的过程中可能会有大量无法管理的传感器。这不仅可以压倒网络容量，而且可以产生大量的数据集合，而这并不需要整个数据集合。因此，在只转发需要发送的数据之前筛选数据是有用的。

数据量过大或需要某种形式的过滤是很常见的，在这种情况下，传感器被用于解决校准或老化问题。在这里，如果参与法定人数的其他附近传感器与读数不一致，则个别传感器可能会被拒绝。一个完全仪表化的工厂可能包含数百万个单独的传感器，这些传感器最终只包含几万个传感器配额，可能远远超过本地互联网连接的合理预期。

在制造业的其他边缘计算配置中，有些传感器只在本地使用。这可能是因为它们用于实时响应，或者是因为它们仅与本地相关，例如，作为安全解决方案的一部分。

在合同制造商（CMS）日益普遍的情况下，边缘计算也很有用。CMS的IT解决方案独立于委托工作的原始设备制造商（OEM）。然而，许多原始设备制造商看到了在其整个供应链中使用仪器的好处，即使是那些已经外包出去的部分。

在这种情况下，原始设备制造商可以使用边缘计算将其网络的一部分挤出到CM网络中。OEM的IT团队可能会将服务器放在CM的网络中，这些网络连接回OEM的私有云。结合IIOT传感器，这些边缘计算服务器将允许CM满足OEM的仪器和供应链集成目标，而不影响CM自己的网络或需要对CM的网络设计进行彻底的更改。

边缘计算使原始设备制造商能够使用一致的界面和集成的应用程序集查看其整个供应链和制造操作，无论单个组件是在原始设备制造商的设施中制造还是在CM中制造。这种一致性使得培训和支持CMS变得更容易，因为每个人都使用相同的工具链。

云计算已经存在十多年了，它经常被作为解决所有IT问题的解决方案推向市场。事实上不是这样。云计算解决了很多问题，但是光的速度意味着巨大的集中式服务器场景永远都不会如此有用。

边缘计算有两个主要用途：通过本地处理大量不可能通过Internet发送的数据，从噪声中提取信号，并提供在需要延迟的地方和时间本地处理特定事物的能力。这两种方法对越来越依赖仪器的制造企业都很有用。

制造业不能等待光线从A到B再到A。线路太多了，没时间出错。边缘计算解决了云所不能解决的问题，所以是时候发展了，要么就被抛在后面了。