IIoT：不仅是云计算
工业物联网（IIoT）通常与大数据和云相关联，从广泛分布的传感器中收集大量数据，将“信息转化为洞察力”。在一些工业流程中，洞察时间非常关键，而将数据发送到云端并接收响应的延迟时间可能过长。在其他情况下，数据安全性可能会受到影响，或者与互联网的快速，可靠连接可能无法使用。为了克服这些挑战，边缘计算可以补充云计算的大数据处理能力。它可以执行需要即时响应的计算密集型任务，并在适当的时候将数据存储和过滤到云中。边缘计算可以包含简单的数据过滤，事件处理，甚至机器学习等元素，并且可以托管在任何连接的设备上，从小型嵌入式计算机或PLC到工业PC或本地微型数据中心。从同一平台上运行的其他进程隔离并占用很小的空间是关键要求。
最大限度地提高数据的价值
IIoT的许多价值在于它可以汇集多种来源的信息，帮助企业看到更大的局面：如何改进流程，优化维护活动，减少浪费和能源消耗，并消除可避免的成本。以云为中心的IIoT视图可以看到使用重量级软件应用程序在远程数据中心汇集和分析的各种数据流。
这种模式的前提是可靠的互联网连接总是可用的，有足够的带宽可用于处理推送到云端的数据，而这种延迟 - 从数据生成到收到云端反馈结果的时间是可以接受的。但是，这些重要成分中的任何一种都可能会丢失。远程站点可能依赖蜂窝网络进行互联网连接，但覆盖范围可能不完整或不可靠。大量的传感器可能会产生大量的数据，这些数据与云通信的成本很高，特别是在包含高清图像或视频的情况下。出于安全原因或保持运行效率可能需要实时进行复杂决策。另一方面，对于一些公司而言，数据安全性可能会成为问题，因为这些公司可能不希望将敏感信息通过互联网传递到云端。
在任何这些情况下，将从流程或设备捕获的原始数据发送回云可能是不切实际的。尽管如此，在个别机器或过程控制逻辑层面上需要一些智能和决策能力，使企业能够确定最佳的行动方案。这是边缘计算的作用。
边缘计算提供了一个提升
作为IIoT的一部分，边缘计算越来越重要。在资产或流程附近实施计算能力的第一线，可以对事件进行智能或协调的响应，并有助于减轻云上的数据处理负担。在可能具有数十，数百甚至数千个传感器的系统中，来自这些传感器的大部分数据可能具有最小的价值，仅仅报告“正常”操作条件。智能网关可以过滤这些数据，并将其更有效地丢弃或重新打包，传输到云端进行存储和分析。当感兴趣的事件发生时，智能节点可以快速确定正确的响应，向连接的设备发出适当的指令，并将事件汇总成适合云消费的报告。与对来自少量传感器的信号的高度本地化响应不同，边缘计算与更协调的动作相关联，评估来自大量传感器的数据以在更高级别做出决定。例如，如果在钻井平台中检测到过度振动，则可以是采矿应用。从振动传感器接收到的错误信号的标准响应可能是停止钻井，导致生产损失和不必要的停机时间来检查和修理设备。由于计算能力更强，传感器输入和存储的历史数据更多，一个更强大的边缘计算设备可以评估对整个系统的影响，并确定几个可能的响应并计算结果，并采取最佳的行动方案或通知运营商的最佳选择。
而直接的传感器/报警组合没有具有板上数据聚集和处理的边缘计算设备的更大图像视角，边缘处理引擎可以评估从所有连接的传感器接收到的数据，并基于预先确定的优先事项。在制造业情况下，在流水线末端进行产品测试或检查后，故障率突然增加，可能需要停止生产以调查原因。连接到所有机器的智能边缘设备可以协调线路中所有设备的这种响应。或者，通过分析来自多台机器的感测数据并自动应用修复，或指导操作人员纠正问题，使生产能够快速有效地重新启动，可以识别变化的原因。
另外，边缘计算可以通过比较感测的测量结果与历史数据或预设的阈值来支持预测性维护来帮助数字化转换，以计算最佳的替换时间。它还可以对部署在因特网访问不可靠或覆盖率较差的地理区域的资产进行智能管理。如果网关设备暂时无法连接到云，则可以将数据存储在本地内存中，直到可以重新建立连接。然后，设备可以自动与云同步，确保远程应用程序始终可以访问完整和最新的信息。
效率管理是另一个方面，通过利用感测数据来调整和优化设置，根据高层次的能源管理政策，可以通过边缘设备的额外智能来增强。
