工业物联网（IIoT）正在生成大量数据。尽管这可能对制造商意味着潜在的商机，但同时也意味着存储容量的缺乏：网络过载以及无法以足够快的速度筛选数据以得出正确的结论。

边缘计算为这些问题提供了解决方案。它在网络边缘提供了计算能力，内存甚至某些存储。毕竟，这就是IIoT设备和传感器所在的位置。网络外围的处理能力有助于制造商收集和分析数据，检测异常并推动决策。

根据Frost＆Sullivan最近发表的一篇论文：评估使车间自动化更接近云端的潜在好处。

例如，数据分析在本地设备级别上要快得多。另一种选择是通过卫星链路或电缆将所有传感器和边缘设备数据通过网络传输到云或数据中心。无论哪种方式，集中发送，处理和解释数据都会浪费太多时间。除了延迟之外，这还会使集中式基础架构超载并造成瓶颈。实时分析只能通过边缘处理来实现。

费用呢？跨网络传输的数据越多，所需的带宽就越多。而且由于IIoT，未来几年数据量将激增，因此集中式计算策略可能会导致网络成本急剧上升而失去控制。可以通过允许数据驻留在边缘设备中来控制运营或数据管理成本。这不仅使网络传输的基础架构成本最小化，而且简化了对该数据进行分析的任务（和成本）。

值得一提的另一个好处是：IIoT将产生大量数据，而其中只有一小部分具有实际价值。通过在边缘筛选和汇总数据，基本分析可以帮助任务自动化。网络传输只能保留给最重要的数据。然后，边缘服务器和其他智能设备可以减少集中式基础架构上的负载，并且无需进行大规模升级即可跟上流量的指数增长。

因此，将IIoT传感器数据往返于云或数据中心发送数据既费时，昂贵又不切实际。随着制造业的精益化和准时制原则的发展，每一秒都很重要。数据移动导致的速度变慢等于金钱的损失。

Frost＆Sullivan建议制造商在实施边缘计算时从小做起，先证明其价值，然后再进行大规模扩展。其他提示包括：

进行频繁迭代以使边缘计算和关联的基础架构与业务流程保持一致，以确保其及时提供正确的见解。此外，随着技术的发展以及更多处理能力的出现，重新审视边缘架构可以提供更多功能。

对边缘和IIoT技术的IT人员进行培训，以最大程度地发挥其价值。

确保使用适当的访问控制和物理安全性对设备接口进行安全配置。

通过添加传感器（从SCADA和MES等系统开始）将资产连接到Internet。

现在要投资于边缘基础架构，而不是继续部署传统架构，由于缺少IIoT功能以及它们无法提供本地化见解，这种架构在一两年之内可能会过时。

通过现在实施边缘计算，组织为真正的数字制造铺平了道路。一旦IIoT传感器和设备开始向边缘计算机提供数据，就可以建立自主决策（即人工智能）或基于某些预先编程的参数和规则，无需人工干预即可采取常规行动。更多重大决定将转给运营商。

由于边缘设备会及时发出警报，因此可以大大减少故障和危险事件。通过远程分析站点中的数据，边缘可以在预见灾难和预防灾难方面发挥至关重要的作用。同样，边缘分析的存在将大大增强预测性维护实践。IIoT传感器将提供监视功能，以使制造商能够密切关注组件状况和资产的整体健康状况。将生成警报以突出显示潜在问题的区域。结果，可以大大减少计划外的停机时间。

当今出现的工业自动化系统站在数字化转型的最前沿。这些系统需要边缘计算提供的适应性和敏捷性。通过用传感器，支持IIoT的设备和边缘计算设备扩充工厂系统，我们正在迈入制造业的新纪元。

Frost＆Sullivan指出，像西门子这样的公司在采用边缘计算方面比其他公司更进一步。西门子提供了完整的边缘计算设备和自动化技术产品组合。