摘要在IIC發布最新題為「IIC Introduction to Edge Computing in IIoT」白皮書，針對持續性邊緣計算在工業物聯網（IIoT）作出介紹。邊緣是一個邏輯層（Logical Layer）而非一個特定的實體分隔，所以，可由使用者自行釋義與說明它的所處位置，依據實際案例的不同，邊緣之定義取決于案例問題或要解決的“關鍵目標”，以下將論述四個應用案例與邊緣計算之效益。

案例一：保護設備免受過熱損壞

名為「Dumb」的熱電偶（Thermocouple）可測量泵浦的溫度，具有邊緣計算功能的泵浦可執行基本分析，以確定是否超過定義的臨界值（Threshold）并在幾毫秒內關閉泵浦。過程中沒有延遲決策，也不需要聯網才可執行此功能，聯網不是必需，但可以用于通知使用。溫度信息的時間價值迅速衰減，因延遲可能會導致設備損壞。在此情況下，邊緣處于組件等級（Device Level），因可實踐關鍵目標，即使聯網更高階系統或因特網鏈接中斷時亦可執行。

案例二：監測廠區或生產線的績效

設備與生產線的績效常透過設備效率評價（Overall Equipment Effectiveness， OEE）等績效指標進行呈現。可在本地網關（Gateway）上針對工廠內各傳感器的多個數據點以進行近實時分析（Near Real-Time Analytics），并向操作系統或人員提供OEE趨勢和警示提醒。

在這種情況下，基本功能需要取得多個設備的信息，才能執行簡單的分析。等待來自云端決策的響應時，將使得信息的時間價值變高，若有所延遲恐會導致重大損失，這樣的商業問題意味著邊緣計算適用于工廠場域的層級。

案例三：每兩天優化當地或工廠之供應鏈

最適化當地設施、工廠或油田的供應鏈流程需要取得多種數據源，并在短時間內運用優化算法與分析，以使供應鏈管理（SCM）或企業資源規劃（ERP）等商業系統能應用該分析模式。

基本功能需要當地或工廠層次的聯網，并在幾小時內做出決策。工廠外圍以外的其他信息或許可能有用處，但并非強制性的有效優化。在這種情況下，邊緣計算將設置于工廠、場域或當地設施的外圍。

案例四：預測設備故障與主動回報行程表

機器學習模型預測潛水電泵（Electric Submersible Pump）故障，數據需要從多個離岸平臺（Offshore Platform）中獲得。分析模型非常復雜，需要大量數據進行訓練及重新訓練模型，還需定期數據饋送（Feed），從操作潛水電泵確定每個單元的剩余使用壽命。此外，需要定期規律性分析來自各個潛水電泵的數據，但信息衰減比其他情景慢得多，且可每天或每周做出決策。計算通常執行于企業級的公共云端或私有云端，且位于邊緣連續體（Continuum）的頂端。

為什么要在邊緣進行運算？

邊緣計算（Edge Computing）是一種分布式計算架構。其中，運算資源和應用服務可分布于數據源到云端的通訊路徑。邊緣可滿足運算需求，如：某處搜集數據的或用戶執行某些動作，其帶來之效益為：提高績效;滿足遵循法規、數據隱私與數據安全性的問題;降低營運成本。