摘要在IIC发布最新题为「IIC Introduction to Edge CompuTIng in IIoT」白皮书，针对持续性边缘计算在工业物联网（IIoT）作出介绍。边缘是一个逻辑层（Logical Layer）而非一个特定的实体分隔，所以，可由使用者自行释义与说明它的所处位置，依据实际案例的不同，边缘之定义取决于案例问题或要解决的“关键目标”，以下将论述四个应用案例与边缘计算之效益。
案例一：保护设备免受过热损坏
名为「Dumb」的热电偶（Thermocouple）可测量泵浦的温度，具有边缘计算功能的泵浦可执行基本分析，以确定是否超过定义的临界值（Threshold）并在几毫秒内关闭泵浦。过程中没有延迟决策，也不需要联网才可执行此功能，联网不是必需，但可以用于通知使用。温度信息的时间价值迅速衰减，因延迟可能会导致设备损坏。在此情况下，边缘处于组件等级（Device Level），因可实践关键目标，即使联网更高阶系统或因特网链接中断时亦可执行。
案例二：监测厂区或生产线的绩效
设备与生产线的绩效常透过设备效率评价（Overall Equipment EffecTIveness， OEE）等绩效指标进行呈现。可在本地网关（Gateway）上针对工厂内各传感器的多个数据点以进行近实时分析（Near Real-TIme AnalyTIcs），并向操作系统或人员提供OEE趋势和警示提醒。
在这种情况下，基本功能需要取得多个设备的信息，才能执行简单的分析。等待来自云端决策的响应时，将使得信息的时间价值变高，若有所延迟恐会导致重大损失，这样的商业问题意味着边缘计算适用于工厂场域的层级。
案例三：每两天优化当地或工厂之供应链
最适化当地设施、工厂或油田的供应链流程需要取得多种数据源，并在短时间内运用优化算法与分析，以使供应链管理（SCM）或企业资源规划（ERP）等商业系统能应用该分析模式。
基本功能需要当地或工厂层次的联网，并在几小时内做出决策。工厂外围以外的其他信息或许可能有用处，但并非强制性的有效优化。在这种情况下，边缘计算将设置于工厂、场域或当地设施的外围。
案例四：预测设备故障与主动回报行程表
机器学习模型预测潜水电泵（Electric Submersible Pump）故障，数据需要从多个离岸平台（Offshore Platform）中获得。分析模型非常复杂，需要大量数据进行训练及重新训练模型，还需定期数据馈送（Feed），从操作潜水电泵确定每个单元的剩余使用寿命。此外，需要定期规律性分析来自各个潜水电泵的数据，但信息衰减比其他情景慢得多，且可每天或每周做出决策。计算通常执行于企业级的公共云端或私有云端，且位于边缘连续体（Continuum）的顶端。
为什么要在边缘进行运算？
边缘计算（Edge Computing）是一种分布式计算架构。其中，运算资源和应用服务可分布于数据源到云端的通讯路径。边缘可满足运算需求，如：某处搜集数据的或用户执行某些动作，其带来之效益为：提高绩效;满足遵循法规、数据隐私与数据安全性的问题;降低营运成本。
责任编辑：
